基于計算機視覺的輔助駕駛系統設計

戴衛兵 徐超 陳悅 吳予萌 秦思禹

摘? 要：文章設計一種基于計算機視覺的輔助駕駛系統。系統通過攝像頭采集圖像信息，并對環境中的車道線、交通信號燈、車輛進行檢測識別，同時把檢測結果反饋給駕駛員，提醒駕駛員安全駕駛。該系統識別速度快、準確率高、魯棒性強，具有廣泛的應用前景。

關鍵詞：車輛輔助駕駛系統;計算機視覺;神經網絡;HSV空間

中圖分類號：TP391.41? ? ? 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）03-0037-02

Abstract： In this paper， an assistant driving system based on computer vision is designed. The system collects image information through the camera， detects and identifies the lane， traffic lights and vehicles in the environment， and feeds back the test results to the driver to remind the driver to drive safely. The system has high recognition speed， high accuracy and strong robustness， and has a wide application prospect.

Keywords： vehicle driving assistance system; computer vision; neural network; HSV space

引言

據統計，我國在交通事故中，每年都有數萬人死亡，數億元的經濟損失。為了提高駕駛的安全性、減小交通事故的發生頻率，輔助駕駛系統將可有效地幫助駕駛者了解車輛周圍的環境信息。目前市場上的輔助駕駛系統還是以傳感器檢測為主，為了減少硬件成本，本文基于計算機視覺設計出一種輔助駕駛系統。

1 系統總體結構

系統通過攝像頭采集道路圖像信息，基于計算機視覺對道路圖像信息進行檢測識別，整個系統由高清攝像頭模塊、圖像預處理模塊、計算機CPU模塊、車道線檢測算法模塊、紅綠燈檢測算法模塊以及車輛檢測算法模塊組成，系統設計框架如圖1所示。

圖1 系統設計框架

2 車道線檢測原理

車道線檢測流程圖如圖2所示。

2.1 圖像預處理

首先，將圖像進行灰度化處理，灰度化后的圖像仍會存在噪聲干擾，使用高斯濾波進行去噪處理。接著進行二值化、閉運算操作，從而凸顯出目標的輪廓。

2.2 邊緣檢測

為了獲取圖像中的邊緣信息，采用Canny邊緣檢測算法。Canny邊緣檢測算法計算圖像的梯度幅度和方向來估計每一點處的邊緣強度與方向，根據梯度的變化，對梯度幅度進行非極大值抑制，并通過雙閾值來控制邊緣連接。邊緣檢測前后對比如圖3所示。

2.3 霍夫直線檢測

當獲取到圖像邊緣信息后，霍夫直線檢測算法通過圖像空間的邊緣數據點計算參數空間中的參考點的可能軌跡，并在一個累加器中將計算出的參考點進行累加，選出峰值，從而計算出圖像中的直線。設置適當的閾值，并通過直線斜率的計算，去除不相關、有干擾的直線，達到檢測車道線的效果。

3 車輛檢測原理

以開源的神經網絡框架Darknet為基礎，以YOLO網絡模型為基礎，訓練車輛檢測器。訓練采用多分步策略。

3.1 預訓練

預訓練模型由19個卷積層和5個池化層構成。為了減少模型訓練時間，在訓練開始時加載在ImageNet訓練了10輪的預訓練模型，并不斷地調整網絡參數。為了使模型有著更好的魯棒性，在訓練中對輸入的圖像尺寸進行調整，調整的尺寸為32的倍數，最小尺寸為320×320，最大尺寸為608×608。

3.2 數據集

訓練所用的數據集是通過行車記錄儀拍攝的視頻進行提取的，圖片尺寸大小為640×360。訓練集圖片9500張，包含43641個車輛目標;測試集圖片1500張，包含6843個車輛目標。采集圖像中的車輛目標種類多樣、大小不一且存在不同程度的遮擋情況。

3.3 初始候選框

訓練過程中，隨著迭代次數不斷增加，網絡學習到車輛特征，預測框的參數不斷調整，最終接近真實框。為了加快收斂速度、提高預測精度，分析圖像中車輛的寬高特點，用K-means算法進行聚類，得到與圖像中車輛邊界最相近的初始候選框參數。

4 紅綠燈檢測原理

為了減少CPU的計算量，將攝像頭的上半視角部分設置為ROI，對ROI進行顏色的檢測識別。顏色識別采用HSV空間進行判斷。

通過查詢相關資料，紅色的色調取值范圍為0～101和56～180，飽和度范圍為43～255，亮度范圍為46～255;綠色的色調取值范圍為35～77，飽和度范圍為43～255，亮度范圍為46～255。

設置目標顏色的匹配程度，同時統計紅色和綠色的占比，如果紅色占比超過20%，則認為是紅燈，綠燈也按照此占比進行判斷。檢測效果如圖4所示。

5 測試結果

駕車在不同路段行駛，通過攝像頭進行實時檢測，共采集到車道線目標4465次，紅綠燈102次，車輛5405次，檢測識別結果如表1所示。

表1 測試結果

對于車輛的檢測，識別準確率能夠達到98.68%;對于車道線和紅綠燈的識別，略受到光照強度的影響，識別準確率略有降低，但仍在97%以上。

6 結束語

基于計算機視覺的輔助駕駛系統，緊跟現階段的時代需求，保障駕駛員的日常行車安全。測試結果表明，該系統對目標物體檢測識別的準確率達到97%以上，具有實際可行性。

參考文獻：

[1]Si-qi ZHAO，Peng LIU，Jie YANG，Song-bin LI. A Fast Vehicle Detection Method for Road Monitoring[P]. 2nd International Conference on Computer， Mechatronics and Electronic Engineering（CMEE 2017），2017.

[2]Ya-li ZHANG，Quan-ge TAN. The Application of Characteristic Point about Moving Object Detection and Tracking Method Based on OpenCV[P]. DEStech Transactions on Computer Science and Engineering，2018.

[3]侯穆.基于OPENCV的運動目標檢測與跟蹤技術研究[D].西安電子科技大學，2012.

[4]周曉彥，王珂，李凌燕.基于深度學習的目標檢測算法綜述[J].電子測量技術，2017，40（11）：89-93.