基于Android平臺的車輛防碰撞預警系統(tǒng)設(shè)計

于瑛瑛

(煙臺汽車工程職業(yè)學院，機電工程系，山東，煙臺 265500)

0 引言

車輛在帶給人們出行便利的同時也引發(fā)了各類安全問題，傳統(tǒng)的安全技術(shù)主要是安全氣囊、安全帶等被動防護裝置，不能從根本上解決問題，隨著信息技術(shù)的發(fā)展，通過算法以及數(shù)學模型可以準確識別目標車輛，并且可以利用傳感器技術(shù)測量車輛間距，對可能產(chǎn)生碰撞的危險距離進行設(shè)置提前預警。這樣高效實用的防碰撞預警系統(tǒng)可以有效的降低事故概率，確保行車安全，具有極大的實用性。

1 核心技術(shù)及設(shè)備

1.1 Android平臺

Android平臺基于Linux內(nèi)核研發(fā)，是針對移動智能設(shè)備的開源操作平臺，采用分層架構(gòu)，包括豐富的組件庫，功能完善且簡單易用，其中核心技術(shù)如下。

(1) C/C++：Android底層庫由C/C++實現(xiàn)，可利用C/C++進行原生代碼編寫并將庫文件嵌入到封裝包apk之中。

(2) JNI：在調(diào)用C/C++代碼時可利用JNI技術(shù)將so文件加載到Android程序，可以說JNI是Java和C/C++互相溝通的機制。

(3) OpenCV：OpenCV是開源的視覺庫，提供了Python、MATLAB等多種語言接口，在各個領(lǐng)域均有所應(yīng)用且效果良好[1]。

1.2 CCD攝像頭

CCD攝像頭屬于光學傳感器，可將三維空間信息轉(zhuǎn)換為平面信息，對于復雜環(huán)境中的環(huán)境感知有良好的應(yīng)用效果。由于車輛行駛速度較高且存在天氣因素影響，綜合考慮反應(yīng)距離、開發(fā)成本以及抗干擾能力，選用易操作易維護價格更加優(yōu)惠的CCD攝像頭進行圖像采集。

2 基于Hog與Haar特征的車輛識別算法

2.1 道路圖像優(yōu)化

由于受到攝像設(shè)備、天氣、解碼轉(zhuǎn)換、壓縮及解壓過程等因素影響，采集到的初始道路圖像會產(chǎn)生干擾信息。為了避免由于信息模糊或關(guān)鍵部分缺失導致車輛識別不準確，需要對初始圖像進行優(yōu)化，提升特征識別質(zhì)量。

(1) 設(shè)置ROI區(qū)域：采集ROI(region of interest)區(qū)域圖像后不斷排除無效部分可提升識別準確性，根據(jù)車輛防碰撞預警系統(tǒng)的實際需要，可將初始道路圖像中的天空、路標、路燈等無效內(nèi)容剔除。

(2) 灰度處理：CCD采集的是彩色畫面，處理時由于信息多導致計算效率降低，因此進行灰度處理，將繁雜的彩色信息剔除只留下亮度信息。采用加權(quán)平均法對三原色進行賦權(quán)，計算灰度值：Gray(x,y)=0.213R(x,y)+0.715G(x,y)+0.072B(x,y),其中,Gray(x,y)代表在點(x,y)處的灰度值，R、G、B分別是RGB顏色分量，由于人的眼睛的視覺細胞會綠色受體接收更為敏感，因此G項權(quán)重較高[2]。

2.2 目標車輛識別算法

在防碰撞預警過程中，必須先確定目標車輛才能進行進一步的安全距離測量。目前比較常用的檢測方法包括利用特征、利用運動特征以及利用模型。由于目標車輛通常處于動態(tài)場景而且伴隨著道路環(huán)境的干擾，因此為了排除這些干擾因素準確識別目標車輛，選擇結(jié)合Hog特征與Haar特征進行車輛分類器訓練。首先，對車輛圖像的正負樣本進行灰度處理及降噪處理；其次，利用Hog特征與Haar特征分別進行分類器訓練；再次，為了提升車輛識別準確率，將分類器進行級聯(lián)形成強分類器；最后，完成目標車輛識別[3]。整體的目標車輛識別算法流程如圖1所示。

圖1 目標車輛識別算法

Hog特征也稱作方向梯度直方圖，提取特征的方法即實現(xiàn)R=G=B，利用γ校正法調(diào)整圖像對比度，降低噪聲、環(huán)境等客觀因素的影響。先將圖像分割為Cell單元獲取局部特征向量，將單元格組合為block，在塊內(nèi)進行梯度直方圖歸一化處理獲取Hog特征向量。汽車的外部輪廓大致可看做正方形，可基于此限定像素尺寸。設(shè)定block為16×16，window為64×64，cell為4×4，步長在x方向及y方向均設(shè)置為8，利用如下公式計算整體Hog特征維度：

提取所有圖像特征之后，采用SVM進行訓練，將是車輛的正樣本標記為1，非車輛的其他類型的負樣本標記為-1。

由于只參考Hog特征可能存在漏檢情況，因此引入級聯(lián)檢測方法如圖2所示。利用Haar特征反應(yīng)圖像的灰度值變化，對于提取到的正樣本和負樣本提取Haar特征并不斷調(diào)整權(quán)重，最終由多個弱分類器組建為強分類器，通過所有級聯(lián)的分類器判定之后才輸出最終結(jié)果[4]。

圖2 級聯(lián)分類器組成

3 基于單目視覺技術(shù)的安全距離測算及預警模型

3.1 車輛間距測算

在識別出前方車輛之后，還需測算其與自身車輛的距離，并根據(jù)駕駛員反應(yīng)以及剎車所需距離進行比較，以此判斷是否需要預警。距離的測算可以采用深度圖中的像素值來表示，最常使用的方法是單目視覺技術(shù)，主要包括主動與被動兩種類型，兩者的區(qū)別在于測距時光照是都由車輛自身提供。鑒于車輛防碰撞系統(tǒng)的實際需要，采用被動測距方法，測算模型如圖3所示。設(shè)l代表三維空間，W代表降維后的二維空間，測距即可看作是利用W={u，v}的數(shù)據(jù)計算l={x，y，z}中的平面S={(x，y，o)∈W}的數(shù)據(jù)[5]。

(a)

3.2 安全距離計算

在駕駛過程中為了避免碰撞需要與前方車輛保持安全距離，即預警系統(tǒng)發(fā)出警示的合理閾值，其中包括駕駛員的反應(yīng)距離以及減速剎車所需距離兩個方面[6]。

(1) 反應(yīng)距離：反應(yīng)距離與反應(yīng)時間和行駛速率有關(guān)，設(shè)dr為反應(yīng)距離，tr為反應(yīng)時間，v為速率，則在車速為常數(shù)的假設(shè)下，dr=tr×v，dr與v存在比例關(guān)系dr∝v。

3.3 多級預警機制

安全距離的計算其實是針對極端情況下的測算，在實際駕駛過程中不能完全接近安全距離才減速，為了確保人車安全，防碰撞預警系統(tǒng)的預警機制應(yīng)更加靈活，在復雜的行車環(huán)境中預留充足的時間與距離[5]。因此設(shè)置了多級預警機制。

(1) 一般預警：距離足夠駕駛員反應(yīng)并采取措施，提示一般預警。

(2) 重要預警：距離逐步接近，存在碰撞風險，提示重要預警。

(3) 嚴重預警：距離已經(jīng)達到最小碰撞范圍，很大可能發(fā)生碰撞，提示嚴重預警[7]。

4 防碰撞預警系統(tǒng)設(shè)計與實現(xiàn)

4.1 整體結(jié)構(gòu)

車輛防碰撞預警系統(tǒng)的核心功能是根據(jù)測算的車輛間距離與安全距離進行比較，在不同的危險范圍發(fā)出不同級別的預警提醒駕駛員采取減速剎車措施。在整體結(jié)構(gòu)上包括圖像采集、車輛識別、防碰撞預警3個部分，如圖4所示。將各模塊的算法移植到Android平臺，利用Java代碼通過JNI調(diào)用C/C++庫，合成apk安裝包。

圖4 系統(tǒng)整體結(jié)構(gòu)

4.2 圖像采集模塊

采用Android Camera 2組件，支持對每一幀圖像的參數(shù)實現(xiàn)手動控制，圖片格式更多元，且具備高速連拍功能。利用管道的方式連接App與底層Camera，App發(fā)送CaptureRequest，CameraDevices接收后返回到Surface，在ImageReader進行保存，利用JNI調(diào)用相關(guān)算法，將信息轉(zhuǎn)換后的int[]數(shù)組作為參數(shù)傳遞到C/C++層[8]。

4.3 車輛識別模塊

在Android系統(tǒng)中，SurfaceView的UI可實現(xiàn)在獨立的線程中繪制任務(wù)，可確保主線資源完整，因此在車輛識別模塊，根據(jù)識別區(qū)域返回對應(yīng)坐標后選用SurfaceView類用矩形框標記目標車輛，每隔5～20 ms刷新繪制圖像，識別目標車輛為后續(xù)測距做準備。

4.4 防碰撞預警模塊

根據(jù)SurfaceView標記出跟車距離，結(jié)合多級預警機制，與每一級別的安全距離進行比較與計算，達到危險范圍，則出發(fā)Android中的MediaPlayer類，利用void start()播放對應(yīng)的預警音頻，播放完畢之后利用setOnCompletionListener()實現(xiàn)回調(diào)，實時監(jiān)測是否需要預警[9]。

5 系統(tǒng)測試

5.1 功能測試

5.1.1 車輛識別效果

為了驗證系統(tǒng)對前方車輛的識別情況，選取UAS數(shù)據(jù)集中晴天、黃昏、夜間不同天氣狀況下的5 561張道路圖像進行測試與驗證，識別結(jié)果如表1所示。

表1 不同天氣狀況下車輛識別結(jié)果

由表1可知，整體車輛識別準確率較高，其中黃昏和夜間由于環(huán)境因素影響導致圖像亮度不高，在處理過程中部分細節(jié)比較模糊，因此識別準確率要比晴天時要低[10]。

5.1.2 防碰撞預警效果

實際場景中駕駛員通常會與前車保持較遠跟車距離，因此系統(tǒng)針對不同的危險距離設(shè)置了多級預警機制。為了驗證系統(tǒng)對車輛的防碰撞預警效果，借鑒正常情況下駕駛員反應(yīng)距離以及剎車距離，基于不同的行駛速度分別設(shè)置了多級危險距離劃分。通常在城市中車輛行駛速度一般在50～80 km/h之間，因此選擇50、60、70 km/h作為實驗速度，根據(jù)正常剎車情況設(shè)置危險距離如表2所示。

表2 多級實驗危險距離劃定

由表2可知，針對不同危險距離設(shè)置不同級別預警可以讓系統(tǒng)預警更加靈活，在復雜的實際行車環(huán)境中減少不必要的告警。經(jīng)過測試，系統(tǒng)在3個級別的危險距離內(nèi)均可以準確播放預警音頻。以50 km/h為例，在車輛間距為45 m時，系統(tǒng)發(fā)出一般預警；在車輛間距達到30 m時，系統(tǒng)發(fā)出重要預警；車輛間距為15 m時，系統(tǒng)發(fā)出驗證預警。當危險距離在臨界值間切換時，由于系統(tǒng)處理耗時需要4 ms左右，因此預警時間會有所延遲，預警距離會出現(xiàn)0.06 m左右的誤差但仍在安全距離內(nèi)。從整體上來講系統(tǒng)預警效果良好，滿足實際車輛防碰撞預警需求。

5.2 性能測試

為了驗證系統(tǒng)處理效率，將采集到的道路圖像導入系統(tǒng)，記錄經(jīng)過系統(tǒng)計算到最終在界面上顯示所需時長，共計導入圖像5 700幀，每幀圖像處理平均耗時45.72 ms，最長105.12 ms，最短8.64 ms。由此可見，雖然受各種因素影響個別圖像處理時長偏長，但整體處理效率很高，系統(tǒng)性能良好。

6 總結(jié)

車輛防碰撞預警系統(tǒng)通過CCD攝像頭采集道路圖像，經(jīng)過圖像優(yōu)化后識別處目標車輛，利用單目視覺技術(shù)測算間距，并根據(jù)安全距離制定多級預警機制，經(jīng)過測試功能完備，性能良好，具備較高實用性。但也存在不足，由于行車環(huán)境、駕駛員反應(yīng)速度、路面狀況、不同車型制動能力等影響因素眾多，因此系統(tǒng)模型還需進一步優(yōu)化，提升魯棒性。