基于計算機視覺的車道識別及駕駛狀態(tài)監(jiān)測方法

賈文洋 王鵬舉 吳文祥 劉朋

關鍵詞 計算機視覺 車道識別 駕駛狀態(tài)監(jiān)測

1引言

近年來，隨著社會經(jīng)濟的不斷發(fā)展，人們生活水平不斷提高，越來越多的家庭擁有了汽車。自動駕駛技術的不斷發(fā)展，使得越來越多的汽車開始裝備駕駛輔助系統(tǒng)。

采用計算機視覺進行道路識別和駕駛輔助具有成本低、部署快速、效率高等特點。使用OpenCV 對攝像頭傳回的數(shù)據(jù)進行實時處理。使用Canny 邊緣檢測技術和霍夫變換以實現(xiàn)圖像的實時處理，Canny 邊緣檢測采用了高斯模糊來加強對數(shù)據(jù)處理的精準性，首先進行圖像的降噪，然后計算圖像梯度，隨后進行非極大值抑制和閾值篩選，使用霍夫（Hough）變換尋找直線，最后標記出道路供駕駛員參考或為自動駕駛設置界限。

在OpenCV 的基礎上，引入Tensorflow API 和已訓練數(shù)據(jù)集進行目標識別[1] 。根據(jù)已經(jīng)訓練好的模型，在車輛行駛中進行目標識別，如行人、車輛、紅綠燈等。同時，針對已有系統(tǒng)無法對駕駛員進行監(jiān)控和駕駛輔助問題，我們采用車載雙攝像頭的方式對車外道路信息和車內(nèi)駕駛員駕駛狀態(tài)進行實時采集來解決。車外攝像頭采集圖像，使用OpenCV 進行實時的圖像處理，識別車道并幫助駕駛員進行行車路線的保持;車內(nèi)攝像頭通過對駕駛者一定時間內(nèi)的眨眼次數(shù)進行統(tǒng)計，以判斷駕駛員的駕駛狀態(tài)。

2車道識別步驟及算法實現(xiàn)

車道線檢測和識別模塊主要流程如圖1 所示。

2.1ROI 區(qū)域劃分算法實現(xiàn)

收集實時圖像時，圖像中會出現(xiàn)對數(shù)據(jù)處理結(jié)果產(chǎn)生干擾的區(qū)域，如路邊的電線桿、大石塊等。這些因素的出現(xiàn)會導致數(shù)據(jù)處理速度變慢甚至影響準確性。為了排除非必要數(shù)據(jù)所帶來的干擾，通過圖像ROI 來解決這個問題。ROI 通過在圖像上選擇或使用諸如設定閾值以及從其他文件轉(zhuǎn)換獲得等方法生成。ROI 區(qū)域可以是點、線、面、不規(guī)則的形狀，通常用來作為圖像分類的樣本、掩膜、裁剪區(qū)。根據(jù)實際情況和模擬場景所提取到的數(shù)據(jù)來看，車道線的信息一般位于圖像中間靠下部分，因此需要對圖像進行裁剪，從而減少計算時間、提高檢測精度[2] 。

2.2圖像灰度處理算法實現(xiàn)

為了減小后續(xù)圖像處理的計算量，提高系統(tǒng)的實時性能，需要將車外攝像頭采集到的實時彩色圖像轉(zhuǎn)變成灰度圖像（圖2）?；叶葓D像將反映圖像局部和全體的色度與亮度階度的分布特征，并且灰度圖像消耗的內(nèi)存空間小。

2.3Canny 邊緣檢測算法實現(xiàn)

可以在精準提取圖像邊緣的前提下，盡可能降低噪聲所產(chǎn)生的影響，并且將圖像中弱邊緣和強邊緣識別出來。對于路面磨損、不清晰等情況，Canny邊緣檢測的魯棒性強，能夠綜合強弱邊緣的位置關系，計算出圖像整體邊緣信息。Canny 邊緣檢測算法如下。

使用高斯模糊對圖像進行處理，保留邊緣信息，使用3×3 高斯濾波器：

采取非極大值抑制，比較圖像像素和梯度強度與正負兩個方向上的兩個像素，若當前像素梯度強度大于其他兩個梯度時，設置該點為邊緣點，反之則該點將會被抑制。

檢測強邊緣和弱邊緣。設置兩個值為閾值。將檢測到的邊緣點梯度值與雙閾值進行比較。若邊緣點梯度值大于較小閾值且小于較大閾值，則該點為弱邊緣;若該點梯度值小于小閾值，則刪除該點。

在進行灰度處理后，系統(tǒng)將采用高斯濾波對圖像在傳輸過程中因為各種因素所干擾而產(chǎn)生的噪聲干擾進行去除。通過高斯函數(shù)離散化處理，以離散點的高斯函數(shù)值為權重對圖像灰度矩陣的每個像素進行加權平均，最后輸出結(jié)果（圖3）。

2.4霍夫變換對直線進行檢測算法實現(xiàn)

為了在車道檢測的過程中將區(qū)域中的直線繪制出來（圖4），實現(xiàn)ROI 區(qū)域像素從笛卡爾x?y 坐標系到霍夫k?b 坐標系的轉(zhuǎn)換，使用了概率霍夫變換，其算法如下：（1）檢測直線上的所有像素點，找到符合y=kx+b 的所有點坐標（x，y）;（2）將y=kx+b 轉(zhuǎn)換為b=-kx+y 的形式。y=kx+b 直線上的點在b=-kx+y 上都體現(xiàn)出經(jīng)過（k，b）點，將這些點轉(zhuǎn)換為直線;（3）圖像中所有b=-kx+y 的點都表示各種直線。若找到了直線的交點，那么就找到了y=kx+b 坐標中的直線。

2.5圖像實時回傳的處理方法

使用OpenCV 獲取實時畫面，并將畫面以窗口化方式呈現(xiàn)在車載電腦屏幕上。對實時屏幕畫面進行典型處理，對傳回的圖像進行灰度處理和canny 邊緣檢測，最終可以達到每秒20 幀左右的畫面實時處理速度。如圖5 所示。

2.6提高邊緣檢測下直線精度的處理方法

將傳回的圖像直接進行邊緣檢測處理時，存在識別線條精度問題：一些線條出現(xiàn)短線、斷層，這對車道的精準識別產(chǎn)生影響。傳回邊緣檢測所產(chǎn)生的線條時，以坐標形式進行函數(shù)劃分，在斷層處畫線連接，使用高斯模糊對圖像進行邊緣化處理。

3使用Tensorflow API 中的部分方法實現(xiàn)目標識別和碰撞預警

使用OpenCV 的目標識別函數(shù)進行動態(tài)物體的識別，會導致識別效率低下[3] 。為了更好的解決上述問題，選擇使用Tensorflow API 與已經(jīng)訓練好的模型相結(jié)合，進行實時識別并標注車輛、行人、紅綠燈位置，還可以進行距離碰撞預警（圖6）。主要方法如下。

4駕駛員駕駛狀態(tài)識別及算法實現(xiàn)

駕駛員駕駛狀態(tài)識別模塊主要流程如圖7 所示。

4.1使用OpenCV 進行人臉識別的算法實現(xiàn)

通過OpenCV 調(diào)用攝像頭，使用基于dlib 的68 個特征點檢測模型進行人臉識別、眼間距以及眨眼次數(shù)的統(tǒng)計。主要算法如下。

4.2Yolov5 進行物品識別的算法實現(xiàn)

在前期進行模型的訓練，使系統(tǒng)具有識別手機、水杯的功能，并進行系統(tǒng)自動標注（ 圖8）。使用yoloV5 python 接口（detect.py）處理圖片并創(chuàng)建Flask服務，主要算法如下。

4.3駕駛員駕駛疲勞判斷的算法實現(xiàn)

檢測駕駛員的瞳孔直徑，計算注目凝視、眼球轉(zhuǎn)動、眉眼掃視、眼睛閉合的時長，確定駕駛員疲勞的程度。根據(jù)Perclos 算法檢測出駕駛員存在疲勞駕駛狀態(tài)，系統(tǒng)就會發(fā)出預警信號。主要算法如下。

5總結(jié)

本文通過基于OpenCV 實現(xiàn)了攝像頭的視頻流處理，識別出當前道路直線情況。同時，調(diào)用TensorflowAPI 實現(xiàn)了行車障礙的識別和碰撞距離的預警;對于車內(nèi)駕駛員，通過OpenCV 和Yolov5 實現(xiàn)了對駕駛員駕駛狀態(tài)的檢測和特定物品識別，將大大增加駕駛安全性。本系統(tǒng)尚有不足之處，如對道路識別的準確性、對特定物品識別的速度和精準度等都有待提高，未來將逐漸完善此項工作，不斷提高系統(tǒng)的穩(wěn)定性和魯棒性。