基于無線通信的車輛主動防撞預警系統設計

(1.榆林職業技術學院，陜西 榆林 719000；2.長安大學 汽車學院，西安 710064)

0 引言

面對日益嚴峻的交通狀況與即將到來的車輛智能化趨勢，作為自主駕駛輔助系統之一的前車主動防撞預警系統研究成為了業界關注的焦點[1]。主動防撞預警主要利用各類傳感器感知車輛行駛狀況以提高駕駛安全性。相比利用激光雷達、微波傳感器感知前方障礙物的方案，機器視覺系統具有成本低、蘊含信息量大、拓展性強等優勢。無線聯網技術能夠方便的交換不同車輛信息，為預警判斷提供了很好的輔助依據。

能否實現車輛的實時準確檢測與選擇合適的碰撞預警判據是評價主動防撞預警系統是否具有實用性與可靠性的關鍵。Milanes[2]等人提出一種以V2X網絡為車速、車距感知手段，預測碰撞時間(Time To Collision, TTC)和車頭時距為輸入的模糊追尾碰撞預警模型。廈門大學李金龍[3]等人利用激光測距技術得到相對車距，應用各類輔助傳感器在C51單片機上實現了車輛追尾的實時預警。上海交通大學黃慧玲[4]等人在向量梯度直方圖(Histograms of Oriented Gradients,HOG)檢測器與單目測距模型的基礎上，加入隱馬爾科夫模型實現了前方車輛行駛風險的量化評估與預警。SongW[5]等人利用視覺傳感器與毫米波雷達融合獲得了最終的動態和相對動態對象，將它們與在特殊車輛坐標系中根據車輛運動學模型獲得的危險區域進行比較，有效地實現了預警功能。江蘇大學劉軍[6]等人利用成熟的OpenCV平臺與視覺幾何模型建立了車輛機器視覺體系，僅使用視覺傳感器就實現了一整套車輛防撞預警功能。

基于單獨某項技術的防撞預警系統容易受限于該技術自身缺陷而呈現出局限性，多系統融合的防撞預警實現方案成為未來發展的方向。本文結合機器視覺與無線網絡的特點與優勢，針對追尾事故的特點設計了一個縱向同車道車輛主動防撞預警系統，通過機器視覺技術提取前方車輛的位置、距離信息，利用無線網絡采集車輛的相對車速并導入TTC預警模型，實現了縱向車輛防撞預警功能。

1 系統總體架構

如圖1所示，本系統硬件基于聯想R720計算平臺，由MV-EM120C工業相機、VK282GPS車速傳感器、XbeePRO900HP Zigbee網絡節點、Arduino UnoR3開發板組成。軟件部分在VS2010+OpenCV2.4.3環境下編寫，分為車輛檢測、視覺測距、無線網、預警判斷四大模塊。

圖1 系統總體架構

1.1 硬件組成

系統硬件可分為本車系統與遠端網絡通信單元兩部分，本車系統由計算處理終端、MV-EM120C工業相機、基于VK282的GPS架構車速傳感器、Xbee PRO900HP網絡通信節點以及連接各部分的千兆以太網線、USB數據線組成。遠端網絡通信單元由另一塊Xbee PRO900HP節點、VK282車速傳感器與Arduino UnoR3開發板組成。安裝在車內前風窗玻璃上的工業相機連接后端處理系統組成機器視覺模塊完成對車輛目標的檢測與測距，兩個VK282傳感器通過Zigbee射頻信號組成點對點傳感器網絡獲取同車道前后兩車的相對車速信息，最終的預警判斷結果顯示在本車處理終端上。

1.2 軟件部分

軟件部分由主程序與嵌入式軟件組成，主程序基于MFC架構，利用HOG.cpp與SVM.cpp源文件相關函數加載訓練文件形成在線車輛檢測器，將工業相機采集的逐幀視頻HOG信息輸入檢測器完成前方車輛檢測，檢測坐標輸入單目測距函數完成車距計算。相對車速信息由單片機配合傳感器網絡采集，通過serialEvent()軟中斷將傳感器數據封裝為近似數據幀的結構在網絡中傳遞，總體軟件工作流程如圖2所示。在編寫過程中應用多線程技術，在程序進程下建立主線程、串口線程與車聯網線程，各部分工作同時進行、互不干涉。解決了在數據處理高峰時段可能出現的程序卡頓問題。

圖2 程序流程圖

2 車輛檢測算法

系統利用正、負樣本經過HOG+SVM訓練得到離線訓練文件形成在線車輛檢測器，配合千兆網工業相機采集的1280×960圖像逐幀處理實現前方車輛目標的實時檢測。具體實現步驟如下：

1)正負樣本集的建立。

采集不同條件下的1419個車輛目標作為原始正樣本，所有正樣本均減至128×128尺寸并利用高斯模糊模擬遠、中、近不同距離情況，形成4257幅128×128正樣本。配合11290幅不小于正樣本、具體尺寸各不相同的負樣本組建正、負樣本集。

2)檢測器訓練與強化訓練。

檢測器訓練主要分兩步，包括HOG信息提取與SVM檢測器訓練。首先利用網格法劃定圖像區域，遍歷像素代入梯度計算公式[7]：

G(x，y)=

(1)

其中:R(x，y)為(x，y)坐標像素值，將圖片內逐個像素單元代入算子[-1,0,1]完成位置梯度向量G(x，y)的計算，并利用二線插值法計算該向量在相鄰角度通道的通道權值，結果導入樣本HOG信息矩陣(sampleFeatureMat)與樣本類型矩陣(sampleLabelMat)，完成了HOG信息的提取與存儲。

g(x)=WTx+b

(2)

其中:WT為高維可調權值向量矩陣，b為外部偏置，待測幀經HOG特征提取后代入式(2)，對結果做二值判斷即可實現樣本的檢測與分類。

一般情況下，把判別函數求取過程轉化為條件極值問題，即求取在式(3)條件下，(4)的最小值問題。

(3)

di(WTxi+b)≥1

(4)

對式(3)、(4)應用拉格朗日乘數法，計算W、b如式(5)、(6)。

(5)

(6)

其中：α0為拉格朗日乘子，N為支持向量個數，通過式(5)、(6)的計算，得到SVM檢測器,工程中檢測器以xml文件形式存儲。

初次訓練完成后，將負樣本輸入通過式(1)-(6)過程得到的SVM檢測器，檢測結果稱作誤報或難樣本。將難樣本加入正負樣本集中再次訓練的過程稱作強化學習，強化學習后的檢測器具有更高的魯棒性與更少的誤報[9]，試驗表明1-2次強化學習可以大大改善檢測器質量，但如果進一步強化學習，由于正樣本不足，檢測器趨于過擬合，效果不佳。

3)感興趣區域設置。

在采集圖像的基礎上劃分感興趣區域，僅對本車道信息進行處理可以降低計算量與避免不必要的訓練，感興趣區域設置如圖3所示。

圖3 感興趣區域設置

4)在線檢測。

定義HOG Descriptor對象裝載xml訓練文件形成SVM檢測器，由detectMultiScale()函數完成對視頻幀的多尺度檢測，檢測到的目標圖像坐標用矩形搜索框標識。實驗表明，設定搜索框尺寸128×128，搜索步長16×16，縮放比例1.1較好的滿足了車輛搜索的特點與軟件對于實時性與多樣性的需求，車輛檢測效果如圖4所示。

圖4 車輛檢測效果

3 車輛測距算法

車輛測距算法采用單目測距模型[10]，算法原理圖如圖5所示。

圖5 單目測距模型

測距模型利用車輛地面投影線與其在像平面坐標的關系判斷真實物距，圖中f為相機有效焦距，d為圖像Y坐標與鏡頭中心Y軸坐標之差，D為真實車距，H為相機實際安裝高度，β為相機安裝俯仰角。在實際使用過程中β、H由安裝時的標定信息獲得，f取決于相機內部參數，d由坐標系換算得到，由幾何原理可求得相對車距D：

(7)

在相機焦距f、安裝高度H，俯仰角β確定的情況下，將像素坐標與光芯坐標差值帶入(7)式計算得到最終相對車距D。

4 無線通訊網絡的組建

為準確獲取實時的相對車速，系統基于Zigbee架構搭建了采集速度信號的無線通訊網絡，可以實時得到前后兩車的相對車速。

組建無線通訊網絡的主要工作包含網絡組建與單片機嵌入式開發，具體內容如下：

1)網絡節點配置。

試驗表明，在車輛行駛工況下常見的2.4 GHz Zigbee節點由于電磁干擾、車輛阻擋、行駛車速等原因，常出現網絡信號不穩定，丟包率增加等一系列問題。在對比了大量設備后，本文選擇Digi公司基于Zigbee架構開發的XbeePRO900HP節點配合Arduino開發板實現無線通信網絡。XbeePRO900HP工作在900 MHz頻段，與常見的2.4 GHz設備相比進一步提高了發射功率與穿透力，在車輛行駛工況下有更好表現。

組網的關鍵在于確定無線網絡通信標準，包括網絡的域網地址(PANID)、信道掩碼(ChannelMask)、波特率(BaudRate)等信息，本系統中設置PANID7FFF，ChannelMaskFFFFFFFFFFF7FFFF，BaudRate9600完成網絡標準的確定。

通信標準確定后，利用節點的MAC地址對節點進行鏈接，提取節點64位地址高32位與低32位，將A節點MAC地址高32位與低32位設置為B節點發送MAC信息，同時在B節點設置A節點信息，設置完成后兩個節點射頻信號發送至對應地址完成組網。A、B節點對如圖6所示。

圖6 XbeePRO900HP節點對

除了上述基本設定外，依據道路交通環境應用的具體情況調整了包括發射功率、傳輸速率、睡眠時間在內的各類具體指標，指標隨使用場景的需求呈現出多樣化，本文所用無線通信網絡部分參數如表1所示。

表1 無線通信部分參數

2)車速采集及發送系統設計。

為實現車速信息的采集與交互，本文開發了一套基于VK282GPS車速傳感器和XbeePRO900HP的車速單片機采集系統，車速單片機采集系統如圖7所示。

圖7 車速單片機采集系統

圖中包含VK282GPS傳感器，XbeePRO900HP節點與協調整個系統的ArduinoUnoR3開發板，傳感器以杜邦線介質連接開發板。傳感器開始工作后，接收GPS信息并輸入Zigbee元件接收端口，經射頻信號發送至遠端完成工作過程。

嵌入式軟件開發在Arduino IDE環境下完成，定義Arduino的數字2、3接口為軟串口SoftwareSerial，片內設置serialEvent()軟中斷，當系統讀取到完整的車速NMEA信息后結束軟中斷并將數據封裝為一個單元，由工作函數Loop()完成數據寫入與發送，具體流程如圖8所示。

圖8 嵌入式工作流程圖

本車接收到相應的車速信息后，在網絡通信線程中利用第三方串口接收SDKCnComm.h新建串口類Com實現串口信息讀取。結合本車采集車速信息解算得到前后兩車的相對車速。

5 TTC預警策略

系統利用相對車速與相對車距結合TTC預警模型得到了一種基于TTC判據的碰撞預警算法，如公式(8)所示：

(8)

其中：Ttc代表計算預測碰撞時間，利用獲取的實時車距D與相對車速V求得，實時獲取Ttc與預設預警閾值Ts比較，當Ttc小于預警閾值時發出預警。

預警策略主要包含預警閾值的選取與最小預警間隔的設定，預警閾值按照公式(9)計算：

Ts=T1+Tr

(9)

其中:T1為預設預警閾值，Tr為人機工程學描述的報警駕駛員反應時間，參考文獻[11]的相關研究，設定Tr=1.14 s，T1按工況不同設定為城市工況T1=2 s，高速路工況T1=4 s.

為防止預警過于頻繁造成的駕駛員工作疲勞，且考慮預警后駕駛員即進入全神貫注狀態，設置最小預警時間間隔Tg= 30 s，為駕駛員預留合理的事故處理與調整時間。

6 實驗與結果分析

系統基于聯想R720計算平臺，CPU型號Intel? CoreTMi7-7700,視覺傳感器采用配置35 mm焦距鏡頭的MV-EM 120C工業相機。相機分辨率1 280×960像素。

6.1 相機內外參數標定

利用棋盤格標定板和車道線、車道消失點與光心的相對關系完成相機內部參數、外部參數標定[11]，利用標定工具完成的標定結果如下表。

表2 內、外參數標定結果

6.2 單目視覺測距實驗

在標定完成后，測量鏡頭前方40-90米距離，每隔10米放置標樁標識位置，將實驗車輛駛入標樁位置采集圖像，利用測距算法根據圖像像素坐標計算距離，40～90米位置圖像采集如圖9所示。

圖9 40～90米采集圖像

視頻測距結果如下表3所示。

表3 測距實驗結果

結果表明，在40～90米范圍內，本系統測距誤差小于±4 m，基本滿足了需求。

3)車輛檢測器性能測試。

系統檢測離線采集的247幅車輛/非車輛目標，計算檢測率、誤檢率、漏檢率等指標完成測試。結果表明在理想光照條件下，對于隨機采集的測試圖片，該檢測器表現良好，單幀圖像平均處理時間100 ms、檢測率高于95%、誤檢率低于3%、漏檢率低于1%，部分車輛檢測結果如圖10所示。

圖10 部分車輛檢測效果圖

4)無線通信網絡性能測試。

網絡性能測試包括利用無線通信模塊的固定點極限距離測試與實際公路環境下的綜合性能測試。

為確定Zigbee網絡在公路無遮擋、兩節點不移動情況下的極限通信距離，將兩節點分別置于封閉道路相隔200米兩端互相收發信息，結果表明，200米公路環境下無線通信網絡信號穩定、良好，達到了應用的距離要求。

為測試行駛工況下網絡的綜合性能，將兩節點分別安裝在公路條件下正常行駛的兩輛大客車上，以0.5 s間隔互相發送字符串信息，檢測射頻網絡信號在行駛工況下的信號強度與丟包率。實驗結果表明，在前后車間距150米以下，行駛車速70 km/h左右時丟包率小于3%，信號延遲低于20 ms，信號接收強度穩定。

5)綜合實驗。

為測試系統的綜合性能，本文在實驗道路上以前車靜止，后車40 km/h以下車速駛向前車模擬公路中兩車常見相對車速的追尾碰撞，行駛車速按一定間隔排布，記錄發出警報后兩車距離以評價系統的綜合性能，每一實驗車速進行3次實驗，最終報警車距取3次實驗最小值，預設預警閾值為城市工況預警閾值Ts=3.14 s，實驗結果如圖11所示。

圖11 不同車速下報警距離分布圖

可以看出，本系統反應靈敏，對不同接近狀況的車輛合理預留了不同的安全距離，從而保證了足夠的駕駛員判斷空間。

7 結論

本文提出了一種綜合機器視覺與無線通信技術的車輛主動防撞預警方法，開發了一種基于無線通信與機器視覺的車輛主動防撞系統平臺，首先利用HOG+SVM車輛檢測器對前方車輛目標進行實時檢測，將檢測坐標載入單目測距模型測量相對車距并通過無線通信網絡獲取相對車速信息，最后將相對車速與相對車距信息導入TTC預警模型實現預警。實驗表明，與傳統視覺預警方案相比，基于無線通信網絡的相對車速獲取機制工作更加可靠；與基于DSRC的防撞預警方案相比，本系統機器視覺模塊可以采集到更多的行駛信息，拓展性更強。本系統綜合了兩類預警實現方案的優勢，車輛檢測率95%、檢測速度15幀/s、測距誤差小于±4 m，實現了很好的預警性能。