基于北斗系統的交通環境現實增強頭盔系統設計*

梁 星，楊岱宗，郭夢瑤

（福建農林大學，福建 福州 350002）

1 概述

提高道路使用者安全性的智能設備是交通領域中最重要的課題之一，在過去的十年中引起了很多關注。車輛檢測是一個非常具有挑戰性的任務，由于車輛外觀的高度可變性，其形狀、顏色和大小可能有所不同，其外觀多樣性豐富，附近物體和照明條件的影響很大。車輛檢測系統在交通行業有很多應用，如排隊，前/后避撞和減輕，交通檢測等。強大而準確的車輛檢測是所有這些系統的關鍵步驟。而車輛檢測在國內外最常用的方法已通過使用有源傳感器，例如基于聲學、雷達和激光的相關傳感器。在過去的十年里，科研人員在交通環境系統的計算機視覺領域展開了大量的分析，已經提出的許多算法和方法中都具有最終的共同目標：給駕駛者提供最完善的圖像處理措施以解釋視覺信息。在本論述中，研發了應用于交通環境評估的現實增強頭盔。

2 項目規劃

2.1 硬件系統

擬定的交通環境現實增強包括兩個相機：攝像頭一個前視，一個后視。因此，傳感器范圍覆蓋了主車輛的局部環境，除了側盲區之外，能夠實現近360°的視場。一個共同的硬件觸發器同步兩個攝像頭的圖像采集，并且一個機載嵌入式系統包含計算機視覺算法。

系統的體系結構層概念上是相同的：車道檢測、道路交通標志識別、車輛識別和跟蹤、車輛導航、超車提醒。每個視覺系統的第一步都是減少圖像平面中的搜索空間，目的是提高車輛監測模塊的性能［1］。故檢測道路車道標記并將其用作驅動車輛搜索過程的指導。掃描車道邊界所包含的區域，以便找到傳遞給車輛識別模塊的候選車輛。在沒有檢測到車道標記的情況下，使用感興趣的基本區域代替覆蓋車輛的前部，后部和側部［2］。最后，利用卡爾曼濾波技術從而實現跟蹤的階段。

2.2 軟件系統

2.2.1 車道檢測算法

使用梯度信息結合局部閾值方法來檢測車道標記，所述局部閾值方法適應于投影車道標記的寬度［3］。然后，回旋曲線擬合檢測到的標記。該算法在候選搜索區域從相機位置前方2 m處到最大范圍掃描多達25行，以便找到車道標記測量值。所提出的方法實現了非均勻間距搜索，從而降低了擬合曲線中的某些不穩定性［4］。最終的狀態向量由六個變量組成在道路上的每個車道。

然后使用卡爾曼濾波器基于車道標記測量估算每個車道的回旋曲線［5］。

除檢測到的道路車道之外，還考慮附加虛擬車道，以便處理車輛位于兩個車道之間的情況（如果正在執行車道變換操縱）。虛擬車道在車道之間提供了必要的重疊，避免由于兩輛車被分別檢測為兩輛潛在車輛而造成的誤檢和雙重檢測［5］。虛擬車道在兩條相鄰車道之間提供重疊。圖1提供了兩幅在PC機上處理后真實室外場景中車道標記檢測的例子。檢測到的車道決定車輛搜索區域并幫助減少誤報檢測，在系統未檢測到車道標記的情況下假設固定車道。

圖1 車道檢測試驗結果

2.2.2 交通標志識別算法

本論述提出了一種基于HOG特征訓練串聯分類器算法通過最優匹配的識別算法。我國的交通標志大多為規則的幾何形狀，具有對稱性。那么可以利用檢測到的候選物是否具有對稱性做檢測后的篩選條件。當交通標志未出現時，圖像呈現出來的大多是樹木、護欄、地面、天空等不具有對稱性的物體，當交通標志出現在圖像時，交通標志的規則性具有較好的對稱性［6］。所以，利用三維平面變換后篩選串聯分類器檢測到的候選物具有理論依據和可行性。以上所描述的流程如圖2所示。

圖2 標志識別流程圖

2.2.3 車輛識別和跟蹤算法

前視和后視車輛檢測系統共享相同的算法核心。關注機制從底部到最大范圍依次掃描每條公路車道，尋找可能代表潛在車輛的一組特征。首先，通過頂帽變換來搜索車輛接觸點。這個算子允許在非一致的背景上檢測對比物體。有兩種不同類型的禮帽轉換：白帽子和黑帽子。白帽子變換被定義為原始圖像與其開放之間的殘差。黑帽變換被定義為閉合和原始圖像之間的殘差。白帽和黑帽的轉換分析如下。

在實驗例子中，使用白帽算子，因為它增強了車輛和道路之間的邊界。如果白色禮帽特征的數量大于可配置閾值，則預選水平接觸點。然后，如果Canny點的熵對于通過透視約束和目標對象的先驗知識定義的區域足夠高，則預選候選者選擇過程如圖3所示。

在測算Canny特征之前，運用自適應閾值的方法。這過程是利用逐漸增加圖象對比度的迭代算法，并且將在對比度增加的圖像中獲得的Canny點的數量與當前圖像中獲得的邊緣的數量進行比較。如果實際圖像中Canny特征的數量高于對比度增加的圖像，算法將停止。否則，對比度逐漸提高，過程恢復。這種自適應閾值方法允許獲得魯棒的圖像邊緣。

圖3 預選候選者選擇過程

對稱軸被線性組合以獲得候選者的最終位置。最后，加權變量被定義為Canny點的熵，三個對稱值和到本車的距離的函數。通過使用這個變量來應用每個泳道的非最大抑制過程，去除重疊的候選。圖4為過程實例。

圖4 對稱軸線性抑制樣例

所選擇的候選者通過線性支持向量機（SVM）分類器，結合定向梯度直方圖特征進行分類。我們根據模塊開發和測試了兩個不同的分類器。所有的候選項都調整為64×64像素的固定大小，以方便特征提取過程。后SVM分類器訓練2000個樣本，并測試1000個樣本，而前向SVM分類器訓練3000個樣本，并用2000個樣本進行測試。圖5描繪前后訓練和測試數據集的正面和負面樣本。圖6顯示了使用HOG特征的線性SVM分類之后的車輛檢測的一些示例，識別出的非車輛用紅色框表示，而車輛用綠色表示。

圖5 數據集正負樣本示例

圖6 具有HOG特征的線性SVM特征單幀分類示例

在連續檢測到分類為車輛的對象預定次數之后，觸發數據關聯和跟蹤階段。數據關聯問題通過使用特征匹配技術來解決。

車輛識別與跟蹤是采用卡爾曼濾波來解決，故此必須定義動態模型和測量模型。卡爾曼濾波的目的是獲得檢測到的車輛更穩定的位置。此外，由于道路不平坦引起的車輛位置振動使得檢測到的車輛的v坐標向上或向下改變幾個像素。這種效果使得距離檢測不穩定，所以需要卡爾曼濾波器來最小化這些類型的振蕩。

3 總結

隨著現實增強技術日趨完善，其應用越來越多元化。交通的智慧化也是有效規避交通事故發生的重要段之一。本論述所提出的現實增強設備能完成檢測交通環境，主體相對位置、相對速度，車道檢測，道路交通標志識別、車輛識別和跟蹤、超車檢測等。此外，該系統還結合了導航功能，基于現實增強技術的導航功能使得在用戶使用導航功能的同時，提供更加便利，代表性的表現方式。本系統目前仍然存在些不足，例如載體等。但是它還可以在其它的交通領域應用，不僅限于汽車領域。相信隨著科技的不斷發展，終有一天交通行業會達到高度的智慧化，屆時現實增強技術也會普遍的運用于交通行業。