基于機器視覺的車輛距離測量系統設計

唐 玲， 陳明舉， 楊平先

(四川理工學院 自動化與電子信息學院， 四川 自貢 643000)

?

基于機器視覺的車輛距離測量系統設計

唐 玲， 陳明舉， 楊平先

(四川理工學院 自動化與電子信息學院， 四川 自貢 643000)

為實現車距測量實時性與準確性的要求，機器視覺被引入到車距測量中，設計了具有實用性的單目視覺的車輛距離測量系統。該系統首先對采集到的圖像利用小波變換進行去噪與增強，再通過Hough與模糊集論對車道線進行提取作為定位車輛的參考線以減少車輛定位的搜索時間，通過路面灰度值與基于窗口能量的方法準確定位車輛，最后根據針孔成像原理建立實際三維圖像空間與攝像機二維圖像的映射關系,計算出前面車輛的實際距離值。結果表明，當實際車輛距離小于70 m時，測距絕對誤差小于2 m，相對誤差不超過5%，測距時間小于0.25 s。

機器視覺； 車道線檢測； 圖像去噪； 距離測量

0 引 言

隨著汽車日益普及，人們越來越重視駕駛的安全性和操作的簡單性，很多學者積極對汽車輔助駕駛系統進行研究[1]。車道線檢測與車距的測量是實現智能駕駛的關鍵技術。由于機器視覺具有視覺范圍寬、性能穩定、價格便宜，以及提供的視覺信息豐富等特點信息，越來越多的研究人員致力于機器視覺對車距測量的研究[2-4]。

目前，應用于智能車輛的視覺系統主要有雙目視覺距離測量和單目視覺系統。雙目視覺距離測量需要2個或多個攝像頭，這就大大增加了圖像的處理時間和經濟成本，同時設備的安裝、圖像的同步與匹配也較困難。而單目視覺系統值需要一個攝像頭，可以從序列圖像中獲得準三維圖像，從而定位車輛的位置，無疑大大減少運算的時間提高實時性要求。于是許多人致力于單目測距領域的研究[5-7]，但他們側重于距離的測量，而沒有結合實際道路情況對實時性、魯棒性以及實用性進行研究。本文根據實際道路的情況，從實時性、魯棒性和實用性方面考慮，對車道圖片的預處理、車道線的檢測以及測量的距離測定進行研究，設計一種基于單目視覺的車輛距離測算系統，該系統具有很強的實時性和實用性。

1 單目視覺的車距測量系統設計

1.1 車道圖像去噪增強

在車道圖像的獲取過程中，由于天氣、汽車運動、隨機障礙等不利因素的影響，不可避免地造成獲得的圖像質量的下降。因此，在進行車輛距離測定之前車道圖像必須去噪與增強預處理。由于小波變換擁有時域和頻域“變焦距”分析能力, 在圖像去噪與增強處理方面能取得很好的效果[8]，并且運算簡單，因此，可以對道路圖像在小波域同時實現去噪與增強處理。二維圖像進行小波變換,能夠得到一個低頻子帶和不同尺度下的多個高頻子帶。低頻子帶系數反映圖像整體的對比度信息,高頻子帶系數反映圖像細節與噪聲信息，可以對低頻帶系數進行非線性變換以實現圖像增強，對各尺度高頻帶系數進行閥值處理以消除噪聲。低頻帶采用的非線性變換函數為：

(1)

式中：

b實現對非線性函數的分段點控制，c控制非線性函數的斜率。其函數曲線如圖1所示。

各尺度高頻帶閥值處理函數為：

(2)

獲得的車道圖像及采用小波變換去噪增強后的圖像如圖2所示。由圖可見，去噪增強處理后的圖像不僅去除了噪聲，車道線、車輛明顯變得更清晰度了。

圖1 非線性變換函數

圖2 車道圖像的消噪與增強結果

1.2 車道線的提取

許多單目視覺車輛測距技術重于整個路面的處理，而忽視了分道線的作用。如果能把車道線提取作為車輛距離測定的的參考點，將提高距離測定的精度并減少運算時間。車道線的灰度值遠大于其他區域的灰度值，通過簡單的邊緣算子就能提取車道線。如果直接進行邊緣檢測運算量較大，為減少運算量，可以通過閥值處理后得到二值圖像進行邊緣檢測而得到只含有車道線的圖像。Otsu是通過計算類間方差最大值獲得最優閥值，分割效果較好。因此，選取Otsu對車道圖像進行閥值分割[9]。Otsu算法首先采用如下公式計算圖像中背景、目標的均值：

(3)

(4)

(5)

由目標和背景兩類像素的類間方差的OTSU最佳閾值t為：

(6)

閥值處理后二值圖像的道路線與路面不同的灰度值，但同時也存在細小的邊緣，由于道路線呈現不同的角度，為使檢測到的道路線邊緣連續，去除細小的邊緣。選取具有8個卷積核能對某特定邊緣方向做出最大響應的Krish算子。Krish算子的8個卷積核如下：

Krish算子提取的車道線圖片如圖3(b)所示。接下來對Krish算子提取的車道線圖片進行車道線的提取。由于車道線具有間斷性并伴有雜物遮擋，直接用Hough變換提取直線時，由于其統計特性的模糊度較低,容易產生雙線、干擾直線從而影響車道線的提取[10-11]。為克服這一缺點將模糊聚類的思想引入到車道線的檢測中,對Hough變換提取直線進行聚類分析提高邊緣線檢測的正確性。

Hough變換是把圖像空間(x,y)中定義的一些滿足某種方程的點變換到參數空間(a,b)當中去。所有過圖像空間(x,y)點的直線都滿足方程：

y=ax+b

(7)

式中:a為斜率;b為截距。ab平面稱為參數平面;xy平面內一個固定的點對應于參數平面一條直線，反過來，參數平面內一個固定的點對應于xy平面一條直線。由此可知,圖像平面共線的點將在參數平面上有一個公共的焦點。Hough變換對線的檢測就是找到參數平面上的該焦點，從而檢測出該焦點對應圖像平面中的線。直接采用Hough采集到的路面標線不夠清晰,這樣就造成車道線誤檢和漏檢。為提高對車道線識別的正確率，對Hough變換提取出道路標識線點采用模糊集論的方法進行再判斷[12-13]。具體步驟如下：

(1) 對二值圖像進行Hough變換，對檢測到的道路線做相應的標注，對標注點構成樣本集

(2) 選擇幾個樣本點作為聚類中Ck，用一條方向特征和位置特征同時改變的直線掃描當前中心點Ck，記錄下滿足當前直線特征的a和b，組成Ck的特征值

(3) 用一條方向特征和位置特征同時改變的直線掃描樣本集內的樣本Ui，并記錄滿足直線的參數值a與b，組成Ui的特征值，

其中，m為當前樣本具備的直線特征總數。

(4) 采用歐幾里德距離作為聚類準則，使樣本點向各中心聚集，得到分類樣本點與中心點的距離矩陣:

其中：k為選取的聚類中心總數，

(5) 當Ak,j<δ時,認為樣本點Ui屬于第k類,將其歸入Ci類。

(6) 求Ci類中直線特征的樣本點的直線斜率ak和截距bk,即可得到該類樣本點所確定的直線yk=akxk+bk。

通過Hough變換與模糊集論提取的車道線如圖3(c)所示，可見提取的圖像不僅無雜物的干擾，而且相鄰的車道線的影響也消除了。

圖3 車道線的提取

1.3 目標車輛的定位

通常，車輛在兩條車道線之間行駛，為減少計算量，首先只在兩條車道線之間定位車輛。對于目標車輛的識別，本文采用基于路面灰度值的初始目標車輛定位與基于窗口能量的車輛準確定位相結合的方法準確定位車輛。最后建立模型，準確測得前方目標距離。通常車道范圍內灰度值基本保持不變的,而在車輛底部位置將出現陰影，陰影小于路面灰度值，因此可以在去噪增強后圖片中通過求車輛的底部平均灰度值找到車輛底部，從而實現對車輛的粗定位。車輛底部可以通過m×m窗口內的局部平均值相對較小來確定，局部平均值定義為：

(8)

單憑這一點可以找到車輛的大致位置,接下來需要找到汽車的車牌邊緣位置，更準確定位車輛位置。閥值分割后圖像的邊緣信息較多，對車輛的精確定位造成誤導。因此，采用數字形態學中的開運算去除不利的邊緣。開運算定義如下：

(9)

開運算是用一個結構體S對腐蝕圖像先腐蝕后膨脹。從而去掉圖像中小于結構體S的邊緣。開運算處理過程如圖4所示。

圖4 車輛的定位

從開運算處理后的圖像上可見，車牌位置的灰度值小于車牌周圍的灰度值，通過對車輛底部位置上面區域進行能量法搜索的方法找到車牌位置坐標，從而獲得車輛的準確位置。具體方法如下，選取n×k的正方形，在開運算后的圖像計算局部能量，局部能量最小的位置點為車輛的精確位置，如圖4(c)所示精確位置坐標為(545,324)。

1.4 距離的測定

圖5 顯示坐標與圖像坐標

圖6 距離測定示意圖

(10)

從圖6可見地面上一點p在到攝像機焦點的水平距離可以通過下面公式得到：

(11)

2 實際車輛距離測量實驗分析

測量實驗是搭建計算機測距程序上,實時捕獲前方車輛圖像，單目測距系統所使用的硬件包括計算機CPU為AMD 雙核 2.3 GHz,內存2 GB，ColorCCD Camera, 32倍光學變焦，分辨率為0.2inch，DH-CG，400 圖像采集卡，其分辨率為768×576×24 bit。攝像機中心軸與x軸垂直方向的夾角θ′為0°，攝像機孔徑張角2α為0.396，攝像機與地面距離h為1.5 m。為了方便獲得車輛的實際距離，選擇車輛較少的公路進行實驗。實驗中所測的距離數據、誤差以及處理時間如表1所示。

從表1可以看出，隨著距離的增加，絕對距離和相對距離誤差都在增大，運算時間也在增加。這是由于測距精度受采集到的圖像中車輛的清晰度的影響，距離越遠，單位距離的分辨率就越低，車輛圖像越模糊，定位車輛在圖像空間的誤差就大，引起的測距誤差就越大。但是總的來看，在100 m以內，相對誤差基本上

表1 車距測量的部分數據

不會超過5%。當實際車輛距離小于70 m時，測距絕對誤差小于2 m，測距時間小于0.25 s。另外，在彎道、斜坡、遮擋物等不規則的道路試驗時，提取的參考車道線不夠準確，但可以通過找到車牌位置實現車輛的定位，從而求得前車的直線距離，此時距離誤差約有增加，但是測距誤差和時間仍然滿足車輛輔助駕駛的要求，因此，本文的單目視覺車輛測距是一種可行的方案。

3 結 語

本文的車輛距離測定系統從圖像去噪與增強、車道線的檢測、目標車輛識別定位及車距測量方面進行了研究。為滿足實時性的要求并取得較好的圖像預處理效果，采用小波變換同時實現圖像的去噪與增強。再提取圖像中的車道線作為車輛定位的參考。采用基于路面灰度值的粗定位與基于車輛車牌位置的準確定位。在距離車輛中，利用小孔成像原理進行逆變換，在已知參數先驗知識情況下計算車輛實際距離。在實際試驗中，通過距離誤差與運算時間證明本算法滿足實時性要求并達到一定的精度，具有較好的應用前景。

[1] 江登表，程小輝. 基于高斯運動模型的車輛檢測[J]. 電視技術, 2009, 33(8):103-105.

[2] 郭克友.機器視覺技術在安全輔助駕駛中的應用[M]. 北京：國防工業出版社, 2012:125-131.

[3] 隋亞剛，李正煕，劉小明,等. 城市智能交通控制理論與應用[M]. 北京：中國水利水電出版社，2011: 62-68.

[4] 郝 靜.基于單目機器視覺的智能車輛測距系統研究[D]. 北京：北京工業大學, 2011.

[5] 王武宏. 車輛人機交互安全與輔助駕駛[M]. 北京：人民交通出版社, 2012:92-97.

[6] Kim Z W. Robust lane detection and tracking in challenging Scenarios[J]. Intelligent Transportations Systems, 2008(9):16-26.

[7] 魯威威,肖志濤,雷美琳.基于單目視覺的前方車輛檢測與測距方法研究[J]. 電視技術, 2011, 35(1):125-128

[8] 趙 麗, 王玉蘭, 張孝攀. 基于小波變換的圖像處理技術研究[J]. 四川理工學院學報(自然科學版), 2013, 26(6): 37-40.

[9] 檀建鵬，莊麗葵，王 彪. 一種用于無人機著陸的地平線提取算法[J]. 計算機工程, 2011, 37 (10):182-184.

[10] 魯 曼, 蔡自興, 李 儀.道路區域分割的車道線檢測方法[J]. 智能系統學報, 2012, 5(6):505-509

[11] 曾文靜,徐玉如,萬 磊.自主式水下機器人的光視覺管道探測跟蹤系統[J]. 上海交通大學學報, 2012,46(2):178-183.

[12] 王洪亞.一種改進的夜間車牌定位和字符分割算法[J]. 四川理工學院學報(自然科學版), 2013, 26(5): 38-42.

[13] 李晶校. 模式識別[M]. 北京：電子工業出版社, 2010: 206-208

[14] 杜鑫峰,熊 蓉,褚 健. 仿人足球機器人視覺系統快速識別與精確定位[J]. 浙江大學學報(工學版), 2009, 43 (11):1975-1980.

[15] LIU Xin, XU Xin. Vision-based long-distance lane perception and front vehicle location for full autonomous vehicles on highway roads[J]. Journal of Central South University, 2012, 19(5):1454-1466.

Design of Vehicle Distance Measurement System Based on Machine Vision

TANGLing,CHENMing-ju,YANGPing-xian

(College of Automation and Electronic Information,Sichuan University of Science and Engineering, Zigong 643000, China)

In order to realize real-time and accurate measurement of vehicle distance system, the paper presents a prototype vehicle distance measurement system based on the monocular vision. This system first uses wavelet transformation to denoise and enhance the image, then extracts the lane line as reference of vehicle by using Hough and fuzzy set theory to reduce the searching time, uses grey value of the road and winder energy to locate the vehicle. Finally, by the geometric transformation theory mapping relationship between the actual 3D space and the 2D image space is established, and the leading vehicle distance is calculated. The experiment results show the absolute distance error is less than 2 meters provided that the actual distance is less than 70 m，the relative error is less than 5%, and the processing time is less than 0.25 seconds. So this vehicle distance measurement system is real-time and accurate enough to utility.

machine vision; lane detection; image denoising; distance measurement

2015-05-25

四川省教育廳科研項目(13ZB0138)；人工智能四川省重點實驗室開放基金項目(2013RYY02)；四川理工學院校級科研基金項目(2012KY13)

唐 玲(1981-)，女，重慶銅梁人，講師，從事圖像與信息處理研究。Tel.:0813-8237368；E-mail:fashion-kitty@163.com

TN 911.73

A

1006-7167(2016)03-0056-04