李慧






關鍵詞:晝夜檢測;車輛識別;多場景行車;車燈控制
1引言
隨著科技的進步以及道路系統的完善,汽車的行駛速度相較于以往有了很大的提升。在高速行駛的過程中,汽車需要能夠照射得更遠以及更亮的遠光燈,雖然性能更強的遠光燈為車輛在高速行駛的過程中提供了一份安全保障,但也造成了許多安全事故[1]。性能更強的遠光燈使夜間車輛會車時,對其他車輛造成更強的眩光,導致事故的發生[2]。違反規定使用汽車的遠近光燈或其他燈光是造成交通事故的重要原因之一[3]。
文獻[4]提出了一種新的自適應閾值分割算法。該算法能夠抵抗復雜環境的干擾。在車輛檢測階段,增加了基于傳統梯度直方圖( HOG)特征向量的對稱計算。文獻[5]提出了一種夜間交通監控系統,包括大燈檢測,大燈跟蹤和配對,以及攝像機校準和車速估算。文獻[6]提出了一種用于夜間車輛檢測的目標建議生成方法,將不同的特征權重、建議、滑動窗組合起來生成一組建議,用于定位夜間車輛檢測的概率區域。
以上大多數研究識別車輛算法計算量大,對硬件有著較高要求且研究對象為汽車前燈或汽車尾燈。本文針對這一系列問題,提出了一種智能矩陣車燈輔助控制方法,該方法包括夜間車輛識別方法,以及對矩陣遠光車燈進行智能分區控制,使車燈控制更加智能化。
2車燈控制
2.1智能矩陣車燈控制原理
目前,針對智能車燈的要求出現了一種可以分區照明的智能矩陣車燈。如圖1(b)所示,將車燈的光型分離成一列列矩陣光型,上三列為遠光燈,下兩列為近光燈;圖1(a)中,當相向行駛的車輛位于遠光燈外的區域時,圖1(b)車燈保持全區域開啟狀態;圖1(c)中,當與相向行駛的車輛位于遠光燈內的區域時,系統將自動關閉會車車輛所在區域的車燈,但其他區域的車燈保持開啟狀態,如圖1(d)所示;車輛駛離該區域時,系統將開啟此區域的車燈。這樣的方式不僅能夠給駕駛員良好的駕駛視野,而且有效避免了遠光燈照射到會車車輛,導致會車車輛駕駛員產生炫目的情況。當前方有同向行駛車輛時,車燈控制方法與相向行駛會車相同。
2.2夜間行車場景分析與車燈控制
夜間行車會有多種行車場景,本文對主要的夜間城市公路、夜間城市高速公路、夜間省道和夜間鄉鎮道路行車場景進行分析。每個行車場景如圖2所示,圖2(a)、圖2(b)為行車記錄儀圖,圖2(c)、圖2(d)為車燈控制示意圖。
如圖2(a)所示,夜間城市公路有較好的視野,同時道路寬敞、輔助線清晰。夜間行車時主要會遇到相向行駛車輛、同向行駛車輛、路燈、交通信號燈等,該情況下車燈應切換為近光燈。
如圖2(b)和2(c)所示,夜間高速公路道路規則且寬敞,多為直線路段行駛。城市間高速公路有路燈,省道等路段視野較差。城市高速公路會有綠化帶可阻擋相向行駛車輛的車燈。該情況下,夜間行車主要會遇到同向汽車、路燈和路標。但部分國道、省道以及盤山高速公路等沒有設立綠化帶,會有相向行駛的車輛、同向行駛的車輛、路標。該情況下,如圖2(C)所示,夜間省道行車沒有路燈時,可開啟遠光燈和近光燈,否則如圖2(b)所示,城市公路行車時僅開啟近光燈。如圖2(d)所示,夜間鄉鎮道路和公路相比,道路更加不規則且視野較差,主要遇到的是相向行駛車輛和同向行駛車輛。該情況下,車燈開啟近光燈以及遠光燈。
3夜間車輛檢測
3.1圖像預處理
首先設定感興趣區域,以劃定檢測的范圍,一般情況下,車輛在行駛時都是在公路上(如圖3所示)。為了消除圖像中的干擾信息,如路燈、交通信號燈等,并且減少不必要的計算,需要對圖像進行感興趣區域的設置。從圖3可以看出,路燈等一些較高的物體存在于天空區域,車輛存在于路面區域。因此,我們對圖像中的車輛進行檢測日寸只需要在感興趣區域內部(路面區域)進行檢測。
如圖3所示,首先將行車圖像空間區域分為天空區域和路面檢測區域,天空區域可以通過直方圖有效獲得環境亮度情況,以及天空區域主要出現的內容為交通信號燈和路燈,路面檢測區域主要識別相向行駛車輛以及同向行駛車輛。
3.2車燈提取
3.2.1車前燈提取
針對車前燈的提取,首先要對圖像進行灰度化處理,然后結合直方圖雙峰法和路面反射光消除方法對車前燈進行提取:針對路面上的大面積反射光分析車燈連通域邊界點到質心距離的方差,以及路面反射光連通域邊界點到質心距離的方差特征,通過閾值的設置對路面反射光進行消除,如圖4所示。
3.2.2車尾燈提取
針對車尾燈的提取,首先需要對尾燈圖像進行(R-G)(R-B)和R/(G-B)算子的運算,分析運算后圖像的分布直方圖,選用效果最好的圖像,即(R-G)色差圖像作為車尾燈提取的輸入。
3.2.3車燈配對
為了更好地檢測到每一輛車,對識別到的車燈進行配對處理是必要的操作。在對車燈進行配對前,對車燈特征進行分析。通常來說,車燈都是以相同的速度向同樣的方向進行移動,因此可以通過車燈的空間信息來對車燈進行配對。對屬于同一輛車的車燈進行匹配,所做工作包括分析車燈的位置相似性、面積相似性、速度相似性以及其他的一些約束條件,如最小外接矩形的特征,從而設計出合理的車燈配對規則,并對出現的異常配對情況進行處理。
3.3異常情況處理
車燈匹配完成后,就可以識別出屬于同一輛車的車燈對,進而對夜間車輛進行識別。但是,車燈匹配時也有可能會出現一些特殊的情況:有一些車輛的車燈有4個。分析這4個燈的特征,發現4個燈為上排2個、下排2個,并且上排的燈與下排的燈之間距離很近、相互平行。
針對這種情況,本文給出的解決辦法如下:設置一個閾值K,若2組車燈之間的距離小于K,則認為這2組車燈同屬一輛車。本文根據大量實驗數據總結得到,2組車燈之間的距離不會大于50,通過上述方法解決了車前燈或車尾燈有4個的問題。
4系統實現
本實驗樣本來自行車記錄儀采集的視頻信息,其中包括高速公路、城市道路和鄉鎮道路3種場景。系統采用“Raspberry Pi 3B+單片機”,1.4 GHz 64位4核ARM Cortex-A53處理器,利用Python語言進行程序編寫,對夜間車輛識別并進行GPIO控制LED燈亮/滅。
結合硬件系統以及識別算法處理后的結果,最終矩陣車燈控制效果如圖5所示:將識別的圖分為8列,每1列的識別結果會控制對應該列照明車燈。圖5中車輛所在的區域為第2~6列區域,則智能矩陣車燈系統將關閉該區域的遠光車燈部分,其他區域的遠光燈以及近光車燈保持常亮狀態。
5實驗與總結
本文夜間路況識別算法是在主頻為1.4 GHz的ARM處理器的樹莓派單片機上運行測試,并以視頻的方式實時檢測。為了更好地體現算法的性能,本文以大小為640冰360像素的靜態圖片的方式進行測試,單張測試時間為89ms,滿足車燈識別控制需求。
由表1可得,該方法在各個環境下的綜合準確率在85%以上,在檢測距離為90m及以上的車輛識別效果沒有達到80%,原因是90m及以上的車輛特征信息不明顯且光斑易融合。雖然不能準確檢測到車輛,但該方法通過異常情況處理后車燈控制準確率在96%。
本文提出了一種智能矩陣車燈控制方法,以及天空與陸地交界面的方式為晝夜識別提供目標區域,且將環境燈與車燈分離,減少車輛識別誤差;提出了一種掩模閾值分割車燈方法,能夠更好地分割汽車車燈,以減少環境光帶來的干擾;提出一種汽車識別方法,不僅可以檢測到同向行駛車輛,也可以檢測到相向行駛車輛,滿足了矩陣車燈識別大部分車輛的需求。