基于機器視覺技術的前方車輛檢測與車距測量算法設計

設置汽車安全輔助駕駛系統能夠提高駕駛員、車輛的安全性，促進汽車技術的發展。對于周圍道路環境感知為實現汽車安全輔助駕駛功能的基礎，前方車輛深度信息為保證安全車距和安全換道超車的重點，所以對前方車距探測方法的研究對于汽車安全和輔助駕駛尤為重要

。

1 機器視覺技術的使用背景

計算機視覺領域核心能夠實現圖像的檢索和分類，中國目前常用特征集能夠描述圖像。功能帶為BOF功能線，能夠為圖像描述提供處理方案，整合特征為一個整體。其次，根據視覺代碼特征進行標記，創建新型視覺詞匯和收集。此種映射包括主要的頻率分布圖，BOF能夠結合圖像處理概念和文本語義，在車輛分類和檢索中尤為重要。通過車輛邊緣化實現BOF模型的結合，及時檢測前方車輛信息。在實際使用過程中，能夠實現車輛假設存在區域和假定區域驗證。首先，預處理現有圖像，然后根據邊緣檢測技術進行處理，得出假定區域，之后使用邊緣檢測技術實現第二種處理，得到車輛假定存在區域。之后，將鄰域計算方法應用到BOF附近，對假定存在區域進行驗證，以此將誤報目標消除，使車輛檢測效率與準確性得到提高

。

首先，將高度圖取反，獲得一張存儲了表面深度值的深度圖，并將深度值規范化到[0,1]的范圍內。如圖4所示，多邊形表面的深度值為0，最大的位移深度值為1。輸入的紋理坐標為t0，偏移后的紋理坐標為toff，視差偏移向量為P（視差偏移向量的值決定了最大紋理坐標偏移量和偏移方向）。

2 基于機器視覺的道路前方車輛初定位

利用車輛下部陰影對車輛識別，陰影為燈光下的主要特征，因為一天之內陰影并不會被陽光照射，所以區域在一天內的亮度值并不會改變。車輛前后部結構為水平結構，比如車牌、保險杠、車燈等，在圖像中為負階躍。假如被檢測目標車輛與車輛距離比較遠，以上水平結構的聚類特征屬于目標車輛檢測線索。

鎮痛效果較好,無牽拉反應視為優。鎮痛效果一般,有輕微疼痛視為良。鎮痛效果差,孕婦疼痛感明顯視為差。優良率為優秀率與良好率之和。

假設道路內部并沒有其他干擾信息，車輛范圍年內部灰度值具有良好一致性。在存在相同夜間道路光照情況的時候，目標車輛和車輛相聚比較遠，路面灰度值比較大。因為目標車輛在不斷的行駛，底部存在陰影，路面灰度值比陰影灰度值要高，所以目標車輛底部位置的平均灰度具有負階躍。負階躍能夠對前方是否出現障礙車輛和障礙車輛位置的條件進行判斷，但是并不是唯一的條件。主要外在因素會導致行車道路平均灰度值存在以上負階躍，比如在路面存在修補痕跡與深色雜物的時候，也能夠存在負階躍。

在車輛存在對應行駛的時候，平均灰度值變化比較明顯。圖像能夠將信息表達出來，所以要精準掌握圖像灰度值。假如灰度值的分布簡單，表示圖像信息比較少，灰度值的分布比較復雜，表示圖像的信息比較多。利用熵值對圖像信息量進行確定，在圖像區域灰度等級比較少的時候，也會降低熵值，提高灰度等級，增加熵值

。假設

指的是概率空間中的事情，平均信息量的計算公式為：

公式1

兩條車道線的區域就是感興趣區，也稱之為AOI。以此，基于區域增長算法實現Hough變換，對行車道兩條邊緣線進行確定。圖像在車輛前進方向出現畸變，兩條實際平行的車道線在圖像中相交一點，也就是虛點或者銷售點。

以圖2可以看出來，車輛對應灰度等級比較多，灰度變化也越來越明顯，因為車輛經過底部車道比較寬，路面灰度范圍變化也比較快。所以，灰度等級也比較大，所以要利用路面單位像素灰度等級實現夜間道路前方車輛位置的判斷。以上述圖像表示：在分析的過程中，要通過圖像底邊，也就是圖像中的0行搜索，在路面平均灰度值曲線在波谷下邊緣，路面單位像素灰度等級曲線根據波峰上沿比某個閾值還要大的時候，說明此坐標指的是障礙物底邊坐標，障礙物就是目標車輛。通過其他研究表示，假如目標車輛或者在行駛過程中的車輛據喲橋梁陰影和斑馬線等陰影，路面單位像素灰度等級曲線并不會根據波峰不斷的上沿，不能夠超過指定閾值，所以只能夠初步定位

。

3 前方車輛的探測和測距

3.1 確定感興趣區

障礙物探測為安全輔助駕駛的重點，本文假設：

其一，在標準高速公路中，路面中除了行駛的車輛并沒有其他的障礙物；

其二，車輛行駛在行車道中；

3.3.2 圖像自適應閾值計算

公式中的

(

)指的是事件中各灰度級的概率，

(

)指的是平均信息量，圖1為路面單位像素灰度等級曲線，圖2為車輛路面灰度等級數變化曲線。

3.2 障礙物檢測

弘揚50年治水興水精神 推進海河水利事業新發展…………………………………………………… 任憲韶(22.11)

在雙目視覺測距算法應用到圖像采集過程中，利用兩個攝像頭獲取信息。其中的問題就是圖像匹配問題，對于同個位置匹配兩幅圖像。在匹配過程中要對圖像矩形框的中心點定位，之后選擇車輛中距離中心點最近圖像測量，兩幅圖像視差和車輛最終距離相關，測量過程中使用三角形測距方式測量。

公式2

圖像采集指的是三維世界坐標在二維像平面中映射，能夠通過幾何變換對映射進行描述。以小孔成像模型使單目視覺系統簡化成為你攝像機投影模型，圖3為攝像機攝影模型。

3.3 前方車距測量

3.3.1 測距模型

公式中的

(

)指的是第

行左坐標，

(

)為

行的右坐標，

(

,

)為像素灰度值，

(

)為灰度平均值。

(

)的改變是因為車輛底部陰影導致的，表示已經檢測前方車輛。

本文中障礙物檢測是將灰度梯度原則作為基礎，在標準路面中作為本車和前車的AOI區域中灰度平緩變化，但是在路面與車輛相交的地方，因為兩個后輪存在陰影，導致灰度從亮到暗的水平邊緣，檢測邊緣也就是車輛下邊緣。通過AOI中從下到上根據水平線逐行掃描，對每行灰度平均值進行計算：

圖3中的平面ABU指的是路平面，ABCD指的是道路平面中射線機照射的梯形區域，O點指的是鏡頭中心點，G點指的是道路平面和光軸的交點，OG指的是光軸，I點指的是O點在路平面中垂直投影。將G點在路平面中定義坐標原點，Y軸方向為車輛前進的方向。

其三，道路為水平直線。

數據應用SPSS 20.0軟件分析，計量資料以表示，多組比較使用單因素分析，不同時間點相關指標采用重復測量方差分析，P<0.05為差異有統計學意義。

在車輛行駛過程中能夠將部分光源遮蔽，導致車身底部陰影存在。對于整體圖像來說，車身底部處于最低灰度值的區域中。但是車輛陰影會隨著周圍環境改變，出現相應灰度值區域改變。所以，檢測車身底部陰影前方車輛，利用自適應閾值圖像分割實現。因為車輛在行駛過程中具有建筑物、樹木等遮蔽情況，所以使用多次自適應閾值分割的方法，將行進過程中的動態目標進行提取。實現兩次自適應閾值分割，實現采集圖像的灰度處理，并且掃描圖像灰度值，對不同灰度區域方差、均值的確定。在實現第一次圖像自適應閾值分割之后，計算圖像灰度臨界值。然后，基于第一次圖像自適應閾值分割對圖像數據信息進行過濾信息，并且對灰度區域均值和方差再次計算。一般，第一次圖像自適應閾值分割之后得出明顯車底陰影。通過兩次圖像自適應閾值分割之后，得出更加精準的計算效果。第一次圖像自適應閾值分割得出均值和方差，過濾圖像中的高亮像素和光線比較強的圖像部分。另外，自適應閾值也會隨著周圍環境亮度出現改變，改變陰影部分。第一次圖像自適應閾值分割會分割建筑物、樹木，導致底陰影的出現。所以，第二次圖像自適應閾值分割，能夠將第一次分割導致的陰影干擾排除。所以，在處理采集圖像的過程中，要實現圖像的灰度處理，之后實現兩次圖像自適應閾值分割，得出處理效果。

對于萬能軋機的重軌生產，軋機對型鋼斷面的軋制要高于普通軋面20 m左右。在離鋼軌尾部10 m的范圍內，會存在一個高于正常軌道0.5 mm以上的“高點”，該“高點”會在鋼軌有0.5 m左右的持續長度。對于這些影響列車運行的“高點”，傳統“高點”處理方式為器具打磨，但器具打磨會嚴重影響鋼體的質量與壽命。而使用全軋程熱力耦合數值模擬系統，能夠完成E孔型和UF孔型的連軋工作。其中UF孔型屬于半封閉的軌道孔型，軋件在離開E軋機進入UF軋機的過程中，會由于半封閉孔型而發生“甩尾”現象，軋件尾部會明顯高于脫離軋機時的軌高。

霧化吸入治療過程中,確保患兒采取坐位或者半坐臥位,使膈肌下移,便于霧化吸入后肺部充分擴展,增加氣體的交換量。

4 測距試驗和校正

4.1 系統的設計

利用VC++設計平臺，使用計算機視覺庫OpenCV實現功能，圖4為系統的整體流程。

4.2 測距試驗和數據校正

實現靜態試驗，安裝攝像機的高度為1.2m，車牌和地面的距離為55cm，公路安全測距超過30m，城市安全距離超過20m，根據測量試驗中的距離，通過計算得出攝像機傾角設置為19.2°，表1為靜態試驗結果。

通過表1可以看出來，總體誤差為2%-4%，距離在10-22m之間，主要是因為攝像機誤差、人工測量誤差導致誤差。修正試驗數據，根據計算距離與測量距離作為縱橫坐標創建直角坐標系，利用最小二乘法對回歸曲線擬合，根據校正之后的數據詳見表2。通過修正后，能夠提高計算距離精度。

(2) 盾構隧道管片收斂整治微擾動注漿施工的影響范圍：水平位移和道床沉降為10環，水平收斂和豎直收斂為20環。

4.3 動態車距測量試驗

對坐標系與目標點的轉換關系明確之后，實現攝像機內外參數標定，保證攝像標定過程中攝像頭有固定的位置。首先，設置平面作為參考面板，利用灰度像素對圖像優化，實現攝像機內外參數矩陣標定。通過攝像機自身決定攝像機內參數，通過坐標系轉換外參數，所以如果出現轉變就回重新標定。為了在車輛測距過程中得到精準數據，還要使用雷達等附屬設備印證距離精準性。在動態檢測車距的過程中，在路況良好的高速路和城市外環路中測試，前后兩輛車行駛距離為60-80km/h，相對速度為[1,3]km/h。首先，檢測行駛方向是否有車輛，利用攝像頭采集圖像，根據視覺算法計算車距，表3為車距檢測的試驗數據。通過表3可以看出來，在車輛處于前方80m之內的時候，測量誤差為4m時可以接受的；在超過80m的時候，就會增加誤差。在測距為10-50m的時候，誤差范圍不超過2m。根據以上試驗數據表示，車輛距離范圍為10-80m，能夠保證測距精準性。

5 結束語

本文所提出的道路前方車輛檢測方法能夠將背景干擾進行去除，利用圖像預測對車輛運行軌跡進行分析，使檢測精準性得到提高。根據定位、預定位與實時追蹤對前方車輛運行軌跡進行追蹤，對同個車道車輛位置進行檢測，還能夠在同個車道車輛位置中進行檢測。本文研究能夠促進車道信息檢測，保證道路交通的安全性。

[1]劉羅仁. 基于機器視覺的前方車輛檢測和車距測量算法研究[J]. 電子測試, 2020(19):2.

[2]楊宏偉, 武志斐, 徐光釗. 基于機器視覺的夜間道路前方車輛目標檢測技術[J]. 電子設計工程, 2020(17).

[3]程瑤, 趙雷, 成珊,等. 基于機器視覺的車距檢測系統設計[J]. 計量學報, 2020, 41(1):5.

[4]王彤. 基于機器視覺技術的艦船行駛軌跡自動檢測算法[J]. 艦船科學技術, 2020, v.42(16):56-58.