0 引 言
隨著傳感技術(shù)和電子技術(shù)的發(fā)展，汽車先進(jìn)駕駛輔助系統(tǒng)(advanced driver assistance sys—tems，ADAS)成為了當(dāng)下汽車發(fā)展的1個(gè)重要方向，ADAS在應(yīng)用時(shí)要根據(jù)不同的車輛行駛工況對(duì)車輛進(jìn)行相應(yīng)的控制，而準(zhǔn)確的工況識(shí)別信號(hào)是合理的控制策略的基礎(chǔ)。目前用于ADAS行駛工況識(shí)別的傳感器主要有雷達(dá)傳感器和照相機(jī)傳感器2種，照相機(jī)傳感器具有在某些情況下不可替代及成本較低等特點(diǎn)，因此對(duì)利用照相機(jī)傳感器進(jìn)行ADAS行駛工況識(shí)別技術(shù)的研究具有重要意義。
基于照相機(jī)傳感器的ADAS行駛工況識(shí)別技術(shù)的研究主要包括前方車輛的跟蹤測(cè)距以及車道線的跟蹤檢測(cè)，對(duì)此國(guó)內(nèi)外學(xué)者都分別有相應(yīng)的研究，如Gideon P.Stein等[1]利用透視幾何原理對(duì)前方車輛測(cè)距與速度跟蹤的方法進(jìn)行研究;王榮本等[2]利用車輛底部的陰影特征以及圖像的紋理特征識(shí)別車輛，再通過投影變換進(jìn)行車輛測(cè)距;以及用于車道線檢測(cè)的GOLD[3]算法、RALPH[4]算法、LANA[5]算法等。上述方法都在一定程度上解決了利用照相機(jī)對(duì)車輛進(jìn)行跟蹤定位的問題，但是算法較繁瑣，忽略了一些與算法精度相關(guān)的影響因素，并且沒有將車輛跟蹤定位和車道線跟蹤檢測(cè)相結(jié)合，以致不能綜合分析行駛工況，不能夠?yàn)锳DAs控制策略提供準(zhǔn)確的工況識(shí)別信息。
因此，筆者提出基于坐標(biāo)映射與定比分線并能夠抵抗俯仰角干擾的測(cè)距方法，并且在目前車道線檢測(cè)方法進(jìn)行改進(jìn)和完善得到基于置信度判斷與kalman濾波技術(shù)的車道線跟蹤檢測(cè)方法。并且將二者相結(jié)合，為汽車ADAS提供必要的工況識(shí)別信號(hào)。
1 基于視覺傳感器的前方車輛跟蹤測(cè)距方法研究
采用Adaboost分類器檢測(cè)出照相機(jī)捕捉的路況圖像中的車輛。然后為了能夠?yàn)锳DAS系統(tǒng)提供車輛行駛工況識(shí)別參數(shù)，筆者對(duì)前方車輛空間位置進(jìn)行定量描述。目前利用圖像信息進(jìn)行空間定位的方法大都是基于照相機(jī)標(biāo)定技術(shù)，不僅過程繁瑣而且對(duì)車輛測(cè)距效果不夠理想。因此筆者提出了1種基于坐標(biāo)映射與定比分線且能抵抗俯仰角干擾的前方車輛測(cè)距方法。如圖1所示，前車與本車距離不同時(shí)，圖像中車輛底端在圖像中縱坐標(biāo)位置也不同，且前車與本車距離越遠(yuǎn)，前車底端在圖像中位置越高，再由小孔成像原理可知，前方車輛距離與車輛底端在圖像中像素縱坐標(biāo)存在一定的映射關(guān)系。
筆者試圖通過實(shí)驗(yàn)建立上述映射關(guān)系：在某乘用車上安裝照相機(jī)傳感器，在車輛前方已知位置處放置一系列標(biāo)定板，采集圖像，并獲取標(biāo)定板底端在圖像中縱坐標(biāo)，見表1。
觀察樣本點(diǎn)在圖像中分布規(guī)律，利用最小二乘法進(jìn)行曲線擬合，提出曲線擬合函數(shù)模型，并反復(fù)修正，最后擬合結(jié)果為
式中：z為距離;x=y/100，y為像素縱坐標(biāo)。該函數(shù)描述了空間距離與像素縱坐標(biāo)的映射關(guān)系，從該函數(shù)中即可獲得相應(yīng)像素縱坐標(biāo)所對(duì)應(yīng)的空間距離，進(jìn)而實(shí)現(xiàn)對(duì)前方車輛定位。
為了驗(yàn)證該方法對(duì)前方車輛進(jìn)行測(cè)距的準(zhǔn)確性，利用PreScan建立仿真場(chǎng)景，設(shè)置本車跟隨前方車輛行駛，并在本車上安裝照相機(jī)傳感器和雷達(dá)傳感器，見圖2。然后利用該方法測(cè)得的距離與雷達(dá)傳感器測(cè)量所得的準(zhǔn)確距離進(jìn)行比較，結(jié)果見圖3。從圖中可得利用上述方法測(cè)量所得前方車輛距離與雷達(dá)傳感器所測(cè)得前方車輛距離差值較小(在1 m以內(nèi))，因此證明了筆者提出的測(cè)距方法的準(zhǔn)確性。
2 基于置信度判斷的車道線跟蹤檢測(cè)方法研究
目前的車道線檢測(cè)方法在大多數(shù)情況下能夠提取圖像中車道線，但在一些特殊情況下依然無法準(zhǔn)確提取車道線。為了能夠?yàn)锳DAS系統(tǒng)提供更加豐富的車輛行駛工況信息，筆者對(duì)目前的車道線的跟蹤檢測(cè)方法進(jìn)行改進(jìn)和完善。完善后的車道線檢測(cè)方法流程見圖4。
首先按照目前車道線檢測(cè)方法對(duì)每1幀圖像進(jìn)行如下預(yù)處理步驟：高斯去噪、分區(qū)域最佳閾值二值化、刪除二值化圖像中不規(guī)則區(qū)域、骨架提取和膨脹。然后利用Hough變化提取圖像中車道線。
為了解決在一些特殊情況下依然無法準(zhǔn)確提取車道線的問題，對(duì)Hough變換所提取的車道線進(jìn)行置信度判斷。在正常情況下車道線在圖像中的消隱點(diǎn)位于圖像中橢圓形范圍內(nèi)。且車道線的斜率也具有一定的范圍，因此以如下2個(gè)條件作為置信度判斷依據(jù)。
1)當(dāng)車道線在圖像中延長(zhǎng)到縱坐標(biāo)為詈的h/2位置時(shí)，其橫坐標(biāo)值滿足如下關(guān)系
式中：h為圖像縱向分辨率;叫為圖像橫向分辨率。
2)通過對(duì)大量車道線圖片進(jìn)行統(tǒng)計(jì)，表明車道線與橫坐標(biāo)夾角大多數(shù)分布在40～50度之間，因此第2個(gè)置信度判斷條件為車道線斜率滿足如下關(guān)系
經(jīng)過上述步驟，準(zhǔn)確獲得圖像中車道線，再利用Kalman濾波技術(shù)，以檢測(cè)所得車道線與圖像底邊截距和車道線斜率為參數(shù)進(jìn)行濾波處理，實(shí)現(xiàn)對(duì)車道線的跟蹤檢測(cè)。利用上述步驟對(duì)實(shí)際道路中車道線進(jìn)行檢測(cè)結(jié)果見圖5，結(jié)果顯示筆者所提出的車道線根據(jù)檢測(cè)技術(shù)幾乎能夠準(zhǔn)確跟蹤檢測(cè)車道線，誤差小于1度。
3 結(jié)合車輛識(shí)別、定位與車道線檢測(cè)的ADAS系統(tǒng)車輛行駛工況判定方法研究
提出了1種基于PreScan的將所提出的車輛跟蹤測(cè)距與所完善的車道線跟蹤檢測(cè)方法相結(jié)合的方法，用以實(shí)現(xiàn)汽車ADAS系統(tǒng)對(duì)車輛縱向行駛工況的識(shí)別與判定，見圖6。
3.1前車與車道線位置關(guān)系的判斷以及危險(xiǎn)車輛確定
當(dāng)照相機(jī)捕捉的本車行駛工況檢測(cè)出若干輛汽車時(shí)，由于這若干輛汽車位于本車行駛車道線的不同位置對(duì)本車行駛安全產(chǎn)生的可能的影響程度不同，所以要對(duì)被識(shí)別車輛與本車車道線的位置關(guān)系進(jìn)行判定。
利用PreScan將車輛檢測(cè)識(shí)別技術(shù)和車道線提取技術(shù)相結(jié)合，然后對(duì)被檢測(cè)車輛與本車車道線的位置關(guān)系進(jìn)行分類，見圖7。并對(duì)不同的情況設(shè)定對(duì)本車行駛安全影響嚴(yán)重程度的權(quán)重。通過比較每1個(gè)由照相機(jī)測(cè)出的車輛與應(yīng)用車道線提取技術(shù)檢測(cè)出的本車車道線的位置關(guān)系的權(quán)重，判定出對(duì)本車行駛安全影響最大的前方車輛，并將其與本車的距離做為ADAS系統(tǒng)判定車輛行駛工況的參數(shù)。
3.2 基于TTC參數(shù)的ADAS系統(tǒng)車輛行駛工況判定
在國(guó)內(nèi)外眾多碰撞預(yù)警系統(tǒng)算法中，CMBS[8]算法利用TTC值作為本車行駛安全性的判斷指標(biāo)，與筆者研究?jī)?nèi)容比較符合，因此借用CMBS算法對(duì)車輛行駛安全性進(jìn)行判斷。為了使ADAS系統(tǒng)能夠?qū)Ρ拒嚨男旭偣r作出正確地判定，由上述確定的對(duì)本車行駛安全影響最大的前車的距離參數(shù)得到相應(yīng)的TTC參數(shù)值。該算法在TTC<3時(shí)認(rèn)為危險(xiǎn)可能發(fā)生，發(fā)出報(bào)警信號(hào)，在TTC<2時(shí)發(fā)出更強(qiáng)烈的報(bào)警信號(hào)，在TTC<1時(shí)認(rèn)為碰撞不可避免。
4 仿真驗(yàn)證
4.1危險(xiǎn)車輛判斷仿真驗(yàn)證
為了驗(yàn)證所提出的結(jié)合車輛檢測(cè)識(shí)別技術(shù)和車道線檢測(cè)技術(shù)的危險(xiǎn)車輛判斷方法，進(jìn)行大量的仿真實(shí)驗(yàn)。其中最具有代表性的2組仿真驗(yàn)證結(jié)果見圖8，9。
圖8仿真試驗(yàn)的車輛行駛工況為：前方有2輛車，有1輛車A完全與本車位于同1車道上，而另1輛車B部分位于本車車道上，但B車與本車距離比A車與本車距離小。仿真結(jié)果表明，與本車距離較近且部分位于本車車道的車被判定為對(duì)本車行駛安全影響最大的車輛(在仿真實(shí)驗(yàn)過程中最危險(xiǎn)車輛用紅框圈出，其他車輛用黃框圈出，并且顯示所有車輛與本車的行駛距離)。
圖9仿真試驗(yàn)的車輛行駛工況為：前方有2輛車，有1輛位于與本車相同的車道上C，而另1輛車D在本車所在車道與相鄰車道的中間位置上行駛而且D車與本車距離比C車與本車距離小。仿真結(jié)果表示，完全位于本車道的C車被判定為對(duì)本車行駛安全影響最大的車輛(在仿真實(shí)驗(yàn)過程中最危險(xiǎn)車輛用紅框圈出，其他車輛用黃框圈出，并且顯示所有車輛與本車的行駛距離)。
4.2 ADAS系統(tǒng)車輛行駛工況判定仿真驗(yàn)證
最后對(duì)所提出的將車輛識(shí)別檢測(cè)、車輛測(cè)距以及車道線檢測(cè)相結(jié)合的方法能否為ADAS系統(tǒng)對(duì)車輛行駛工況的判定提供有效信號(hào)在PreScan環(huán)境中進(jìn)行仿真驗(yàn)證。仿真試驗(yàn)中車輛行駛工況如下：前車位于本車車內(nèi)，且其初始速度大于本車車速，在行進(jìn)過程中前車進(jìn)行變速行駛。在這個(gè)行駛工況中要驗(yàn)證本文提出的算法能否判斷出前車與本車位于同1車道內(nèi)、能否通過照相機(jī)對(duì)2車間距進(jìn)行實(shí)時(shí)捕捉且是否能根據(jù)2車間距得到的TTC值為ADAS系統(tǒng)提供車輛行駛工況危險(xiǎn)信號(hào)。仿真驗(yàn)證結(jié)果見圖10，11。
由圖10和11可以得出，筆者所提出的基于照相機(jī)車輛識(shí)別檢測(cè)、車輛測(cè)距以及車道線檢測(cè)技術(shù)相結(jié)合的方法，能夠?qū)崟r(shí)檢測(cè)出前車與本車距離、檢測(cè)出本車所在車道線、判斷出前車與本車車道線的位置關(guān)系，最后綜合分析本車行駛工況危險(xiǎn)程度為ADAS系統(tǒng)提供信號(hào)。圖12為仿真試驗(yàn)過程中行駛工況判斷圖。
5 結(jié)束語
筆者基于視覺傳感器提出了1種比較簡(jiǎn)單的、可以實(shí)現(xiàn)抵抗俯仰角變化對(duì)測(cè)距干擾影響的前方車輛跟蹤測(cè)距方法，另外實(shí)現(xiàn)了車道線的準(zhǔn)確跟蹤檢測(cè)，并通過實(shí)際道路試驗(yàn)驗(yàn)證方法的準(zhǔn)確性，最后通過PreScan仿真實(shí)驗(yàn)實(shí)現(xiàn)車輛跟蹤測(cè)距技術(shù)與車道線跟蹤檢測(cè)技術(shù)的結(jié)合，為ADAS系統(tǒng)提供準(zhǔn)確的輸入信號(hào)，實(shí)現(xiàn)的最危險(xiǎn)車輛的判斷，以及車輛行駛安全性的判斷，進(jìn)而證明了本研究所得方法能夠?qū)DAS縱向行駛工況進(jìn)行準(zhǔn)確識(shí)別。
另外在進(jìn)行分類器訓(xùn)練時(shí)所采集的樣本主要是光照條件良好的環(huán)境，為了提高分類器對(duì)車輛識(shí)別的準(zhǔn)確率，可采集如夜晚，雨雪天氣，隧道等行駛工況下的樣本進(jìn)行分類器訓(xùn)練。
參考文獻(xiàn)
[1] Gideon P.Stein，Mano 0，Shashua A.Vision-based ACC with a single camera：bounds on range and range rate accuracy[C].Intelligent Vehicles Sympo—sium，Columbus：Proceedings，IEEE. 9—1 1 June2003：120一125.
[2] 顧柏園，王榮本，郭 烈，等.基于機(jī)器視覺的道路上前方多車輛探測(cè)方法研究[J].ITS通訊，2005.7(2)：28—31.
[3] Bertozzi M，Broggi A.GOLD：A parallel real—time stereo vision system for gene“c obstacle and lane detection[J].Image Processing，IEEE Transactions on，1998，7(1)：62—81.
[4] Dean A，Pomerleau DA，Ralph H.Rapidly adapting lateral position handler[R].Detroit，USA：Proceed—ings of IEEE Symposium on Intelligent Vehicles，1995：506—511.
[5] Kreucher C，Lakshmanan s.LANA：A lane extrac—tion algorithm that uses frequency domain features[J].Robotics and Automation，IEEE Transactions on，1999，15(2)：343—350.
[6] Viola P，Jones M.Rapid object detection using a boosted cascade of simple features[C]∥computer Vision and PatternRecognition(CVPR)，Proceed—ings of the 2001 IEEE Computer Society Con{erence on.Hawaii：IEEE，2001.
[7] WU Chifeng，LIN Chengjian，LEE Chiyung.Apply—ing a functional neurofuzzy networkto real-time lane detection and front—vehicle distance measurement [C].IEEE Tramsactopms on systems，Man，and Cybernetics—partc：Applications and Reviews，2012，42(4).577—589.
[8] Bella F，Russo R.A collision warning system for rear—end coUision：a driving simulatorstudy[J].Pro—cedia—Social and Behavioral Sciences。2011，20(11)：676—686.
[9]童寶鋒.基于視覺傳感器的前方車輛跟蹤定位方法研究[D].長(zhǎng)春：吉林大學(xué)，2014.
[10] 崔高健，黃銀花，田原嫖.基于立體機(jī)器視覺的前方車輛探測(cè)[J].計(jì)算機(jī)測(cè)量與控制，2006，13(9)：890一891.
[11] 李克強(qiáng).汽車智能安全電子技術(shù)發(fā)展現(xiàn)狀與展望[j].汽車工程學(xué)報(bào)，2011(2)：4—17.
[12] 魏武，龔樹鋒，龔樹超.一種改進(jìn)的基于視頻的車輛檢測(cè)與識(shí)別方法.計(jì)算機(jī)測(cè)量與控制，2010，19(1)：20一22.
[13] 李文波，王立研.一種基于Adaboost算法的車輛檢測(cè)方法口].長(zhǎng)春理工大學(xué)學(xué)報(bào)，2009，32(2)：292—295.
