吳翠娟 章磊 費樹岷

(1.蘇州經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院 機電系，江蘇 蘇州 215009;2.東南大學(xué) 自動化學(xué)院，江蘇 南京 210096)

0 引言

汽車追尾是高速公路惡性交通事故主要形式之一，往往造成巨大的財產(chǎn)損失和人身傷亡。本系統(tǒng)的關(guān)鍵技術(shù)是前方車輛圖像與主車之間距離的測量，即利用視覺圖像方法實時獲取車輛周圍相關(guān)物體位置及與主車的相對距離。通過安裝在車輛前部的攝像機，對出現(xiàn)在車輛安全距離內(nèi)的前方各車輛的圖像進行跟蹤處理和持續(xù)測距，當(dāng)車距在危險范圍時，給出警示信號，提醒駕駛員注意保持車距，有效預(yù)防追尾事件的發(fā)生。

圖像測距的一般步驟有目標(biāo)識別、目標(biāo)跟蹤和目標(biāo)測距三部分。目標(biāo)檢測和目標(biāo)跟蹤是限制圖像測距方法實時性的主要因素;而目標(biāo)測距的算法對測量精度有直接影響。

系統(tǒng)的結(jié)構(gòu)框圖如圖1所示。

圖1 系統(tǒng)的結(jié)構(gòu)框圖

1 汽車前方圖像采集與預(yù)處理

1.1 前方圖像采集

汽車前方圖像是通過安裝在汽車前方的CCD(Charge-coupled Device)攝像機采集到的。

CCD攝像機具有靈敏度高、抗強光、畸變小、體積小、壽命長、抗震動等優(yōu)點，適合安裝在行駛的汽車上。由于汽車在行駛過程中的光線隨白晝、早晚時間、天氣等影響的變化較大，因此需選用自動光圈鏡頭的CCD攝像機，以便能實現(xiàn)畫面亮度的自動調(diào)節(jié)，獲得良好的較為恒定亮度的圖像畫面。

1.2 圖像的預(yù)處理

為了提高系統(tǒng)對圖像的分析和識別能力，減小圖像受光線、天氣等環(huán)境因素的影響，需要對圖像進行必要的預(yù)處理。即有選擇地突出圖像中的某些感興趣特征，衰減圖像中不需要的某些特征。對汽車前方圖像的預(yù)處理過程中包括:圖像灰度化、圖像平滑、圖像邊緣檢測和二值化處理等。

CCD攝像機采集到的圖像是彩色圖像，若直接對彩色圖像進行處理的話，耗時較多。因此，需對原始圖像進行圖像灰度化處理，將彩色圖像轉(zhuǎn)換成灰度圖，以加快系統(tǒng)的處理速度，滿足系統(tǒng)實時性的要求。

圖像平滑目的對圖像進行濾波處理，以減小原始圖像噪聲對后續(xù)的路面區(qū)域確認和汽車目標(biāo)識別造成的影響。本系統(tǒng)采用高斯平滑濾波，可以較為有效地進行道路圖像平滑濾波的處理。

圖像邊緣檢測就是檢測出物體的輪廓或物體不同表面之間的交界。圖像的邊緣是圖像的最基本特征，是圖像分割所依賴的重要特征。圖像邊緣表現(xiàn)為圖像上的不連續(xù)性，大范圍內(nèi)的不連續(xù)性即成為邊界。這種不連續(xù)性可以利用求導(dǎo)數(shù)方便地進行檢測。本系統(tǒng)采用局部差分算子找邊緣的Roberts算子，使邊緣檢測連續(xù)性較好。其算法［1］表達式如公式(1)所示

式中f(x，y)是原始圖像，g(x，y)為圖像邊緣。

二值化處理就是將灰度化后的灰度圖像，轉(zhuǎn)化為黑白二值圖像，以便進一步減少影響圖像處理效果的噪聲［2］。選取最優(yōu)閾值k，按照公式(2)可將邊緣灰度圖像轉(zhuǎn)化為黑白二值圖像。

式中k是選取的黑白圖像最優(yōu)閾值，255是最大灰度等級。

2 前方車輛識別

2.1 感興趣路面區(qū)域的確定

由于道路平面一般有明顯的邊緣或車道線標(biāo)志，且這些標(biāo)志性邊緣一般來說都是平行直線，而兩條平行線在圖像無限遠處會相交，也就是會產(chǎn)生消隱點，即使有彎道存在，也可以分段進行直線擬合。因此在采集的圖像中，就可以認為邊緣形成的兩條線和消隱點交匯區(qū)域為我們所感興趣的路面區(qū)域，我們要進行的前方車輛檢測就在此區(qū)域內(nèi)進行的。

2.2 前方車輛識別

本系統(tǒng)中前方車輛的識別是基于灰度梯度的原則。高速公路的路面一般來說是較平滑的標(biāo)準路面，因此在圖像中本車與前方車輛之間的區(qū)域的灰度變化比較平緩，但在路面和車輛的相交處，由于車輛底部水平陰影線和保險杠等的存在，灰度圖像會形成灰度由亮到暗灰度梯度變化明顯的水平邊緣，檢測到此灰度變化較大的邊緣，就可以認為檢測到了車輛的下邊緣，從而識別出前方車輛。

前方車輛識別的具體算法是:在高速公路的路面左右車道線確定的感興趣區(qū)域內(nèi)，沿著水平方向自下而上逐行進行灰度掃描，并根據(jù)掃描結(jié)果計算出每行灰度的平均值?；叶绕骄蛋l(fā)生灰度梯度急劇變化的行，就認定為前方車輛的下邊緣。在整個感興趣路面區(qū)域內(nèi)沒有灰度均值突變時，則認為當(dāng)前車道內(nèi)沒有車輛?；叶绕骄礕(r)按照公式(3)計算［2］。

式中:rb(r)為感興趣路面區(qū)域中第r行的左坐標(biāo);lb(r)為感興趣路面區(qū)域中第r行的右坐標(biāo);f(r，c)為像素(r，c)的灰度值。

3 前方車輛跟蹤

對于目標(biāo)圖像的跟蹤提取技術(shù)，常用的方法有以下幾種:基于運動區(qū)域檢測的目標(biāo)提取方法、基于紋理分割的提取方法合基于模板匹配的目標(biāo)提取方法等。但是，這些方法都不適用于道路和周圍場景不斷變化的車載圖像的目標(biāo)跟蹤。

3.1 前方車輛跟蹤提取流程圖

本系統(tǒng)將前方車輛圖像提取出來，是通過綜合運用分形和模板特征匹配等技術(shù)實現(xiàn)的。前方車輛跟蹤提取流程圖如圖2所示。

3.2 初始目標(biāo)模板的建立

圖2 前方車輛跟蹤提取流程圖

建立前方車輛的初始匹配模板，首先需要根據(jù)目標(biāo)車輛上的某一點(x0，y0)的位置信息，以(x0，y0)為中心，在 δ鄰域R0(x，y)內(nèi)，確 定 目 標(biāo) 圖 像Tt0(x，y)存在的最大概率區(qū)域。以指定位置點(x0，y0)為中心，在區(qū)域R0(x，y)內(nèi)提取目標(biāo)輪廓，目標(biāo)圖像 Tt0(x，y)和區(qū)域R0(x，y)滿足公式(4)。提取包含目標(biāo)輪廓的最小矩形區(qū)域，就是初始目標(biāo)模板［4］。

該初始目標(biāo)車輛的模板將作為人造目標(biāo)圖像，用分形模型，對復(fù)雜的自然景物圖像與人造目標(biāo)進行分形檢測，提取出可能的目標(biāo)區(qū)域。

3.3 目標(biāo)車輛區(qū)域提取

提取目標(biāo)車輛區(qū)域就是從車載圖像中找到目標(biāo)車輛的可能區(qū)域，即與作為人造目標(biāo)圖像的車輛初始目標(biāo)模板相匹配的區(qū)域。

由于在圖像中自然景物的表面所映射出的灰度圖像滿足分形布朗隨機場模型，一般的自然景物有粗糙的表面，因此映射出的圖像紋理對應(yīng)著較大的分形維數(shù)，而人造目標(biāo)的平滑表面，映射出的圖像紋理對應(yīng)著較小的分形維數(shù)。因此分形維數(shù)可以作為一個常用的目標(biāo)檢測參數(shù)。分形檢測算法就是從分形布朗模型出發(fā)直接提取分形特征的。

前方車輛的目標(biāo)可能區(qū)域的檢測，可以從復(fù)雜的自然背景圖像和初始人造目標(biāo)圖像不同的灰度分形布朗模型出發(fā)，利用兩者不同的分形特征分布關(guān)系，將自然景物圖像和目標(biāo)圖形區(qū)分分開。

前方車輛的可能區(qū)域跟蹤提取的具體方法是:首先用小波變換將實時圖像變換為低頻近似圖像;其次將變換后的圖像劃分為大小超過背景紋理基元的互不重疊的小區(qū)域，對每個劃分區(qū)域進行局部灰度計算，獲得所選各區(qū)域的灰度分形維數(shù);再提取出分形維數(shù)低于預(yù)定閾值的小區(qū)域，進行擬和誤差運算，其中擬和誤差超過一定閾值的所有小區(qū)域所在的位置，就確定為可能存在前方車輛的目標(biāo)區(qū)域。

由于提取出來的可能目標(biāo)區(qū)域有可能存在錯檢和漏檢的失誤情況，本系統(tǒng)采取形態(tài)學(xué)中腐蝕和膨脹的方法，得到最后的目標(biāo)可能區(qū)域。如用腐蝕法將應(yīng)該屬于背景的區(qū)域錯誤的檢測為目標(biāo)可能區(qū)域的部分去掉;用膨脹法將沒有被檢測出來的屬于目標(biāo)的區(qū)域添加進來。

3.4 目標(biāo)車輛提取

前方目標(biāo)車輛的提取就是將目標(biāo)車輛的最終模板從目標(biāo)可能區(qū)域中提取出來。本系統(tǒng)采用模板匹配方法提取前方目標(biāo)車輛。

在目標(biāo)車輛模板中，以模板中心點為基準位置，在其鄰域內(nèi)搜索目標(biāo)特征區(qū)域，采用各向同性Sobel算子做出判決。對目標(biāo)車輛模板中心附近的點(i，j)進行 x，y方向的梯度檢測［5］，得到綜合梯度值如公式(5)所示

其中A為檢測點的3×3鄰域。

統(tǒng)計特征區(qū)域內(nèi)所有像素點的綜合梯度值，并將其綜合梯度值作為該區(qū)域的表征量，在目標(biāo)車輛模板的區(qū)域內(nèi)，將綜合梯度值最大的區(qū)域作為目標(biāo)模板的特征區(qū)域。

將上述提取出的目標(biāo)模板的特征區(qū)域作為新的目標(biāo)模板取代初始目標(biāo)模板，并提取新模板的特征區(qū)域，與從下一幀圖像中提取的模板特征區(qū)域進行相似性度量［6］。本系統(tǒng)采用最多鄰近點距離(MCD)度量方法。

首先匹配提取出的目標(biāo)模板的特征區(qū)域與下一幀圖像中提取的模板特征區(qū)域?qū)?yīng)點的灰度絕對差，如果這個灰度絕對差小于某個預(yù)設(shè)閾值，就可以認為這兩點是近似的;再統(tǒng)計整幅圖像區(qū)域中對應(yīng)點像素灰度絕對差小于這個閾值的數(shù)目，就可以確定出這兩幅圖像的相似程度。門限值可經(jīng)過實驗方法得到，一般按照經(jīng)驗可取20～30。

統(tǒng)計前一目標(biāo)模板圖像特征區(qū)域與下一目標(biāo)模板圖像特征區(qū)域的最多鄰近點距離，可以得到整幅圖像的相關(guān)曲面，尋找這個相關(guān)曲面的谷點，就可確定為最佳匹配位置，從而提取出目標(biāo)車輛。

本次提取的目標(biāo)車輛模板，又將作為更新的模板，與下次提取的目標(biāo)車輛模板進行模板匹配，提取出新的目標(biāo)車輛，使模板的實時性好，保證了整個匹配和目標(biāo)提取的精度。

4 車輛圖像測距

圖像是客觀世界三維場景在二維像平面上的投影。距離遠近的不同，前車在圖中的成像大小也不一樣，距離越遠，成像越小;距離越近，成像越大［1］。任意兩次測量的距離與成像大小成反比，距離與成像的寬度的關(guān)系［7］如式(6)所示

式中d1、d2分別為兩次測量的距離，w1、w2分別為兩次測量圖像中的車寬。

車輛在圖像中行駛到不同位置的距離與圖像寬度的關(guān)系如圖3所示?？梢宰C明不同位置車輛的距離與圖像寬度的關(guān)系滿足:d1×w1=d2×w2=d3×w3=……=di×wi=C。

C為常數(shù)，為了減小測量誤差，可以通過測量同一車道車輛多次記錄的di和wi求算術(shù)平均值得到。

圖3 車輛在圖像中不同位置的距離與圖像寬度關(guān)系示意圖

若某位置圖像中車輛寬度為w，則該位置距攝像頭的距離d可按公式(7)計算得到。

式中d是車輛的距離，單位為m，w是圖像中車輛寬度，單位為Pixel。

5 報警系統(tǒng)

理論上，高速公路上行車的安全距離大約是100 m?？稍O(shè)定車間距在50m～100 m之間時，系統(tǒng)發(fā)出預(yù)警信號，如預(yù)警燈閃亮，發(fā)出柔和提示音，提醒司機注意保持車距;車距在50m以內(nèi)時，系統(tǒng)發(fā)出急促的聲光危險報警信號，及時提醒司機采取制動措施，避免惡性追尾事件的發(fā)生。

6 結(jié)束語

本系統(tǒng)的關(guān)鍵技術(shù)是圖像測距，即利用視覺圖像方法實時獲取車輛周圍相關(guān)物體位置及與主車的相對距離。圖像測距一般分為目標(biāo)識別、目標(biāo)跟蹤和目標(biāo)測距幾個步驟。目標(biāo)識別和目標(biāo)跟蹤是限制圖像測距方法實時性的主要因素;而目標(biāo)測距的算法對測量精度有直接影響。本文研究的目標(biāo)為前方車輛，具體探討了目標(biāo)識別、目標(biāo)跟蹤和目標(biāo)測距的實用算法及危險車距報警系統(tǒng)的模式。能達到有效避免汽車追尾惡性交替事故發(fā)生的目的。

［1］孫即祥.模式識別中的特征提取與計算機視覺不變量［M］.北京:國防工業(yè)出版社，2001.

［2］劉波，鐘幼強，等.基于紅外圖像處理的高速公路汽車追尾預(yù)警系統(tǒng)研究［J］.中國儀器儀表，2008:195-198.

［3］劉志強，溫華.基于單目視覺的車輛碰撞預(yù)警系統(tǒng)［J］.計算機應(yīng)用，2007，27(8):2056-2058.

［4］羅詩途，王艷玲.車載圖像跟蹤系統(tǒng)中復(fù)雜場景下目標(biāo)提取算法的研究［J］.應(yīng)用光學(xué)，2008，29(6):837-843.

［5］PARRY H S，MARSHAI I A D，MARKHAM KC.Tracking targets in FLIR images by regiontemplate correlation［J］.SPIE，1997(3086):221-232.

［6］任仙怡，廖云濤，張桂林.一種新的相關(guān)跟蹤方法的研究［J］.中國圖像圖形學(xué)報，2002，7(5):553-557.

［7］龍丹，許勇.基于數(shù)字圖像處理的汽車測距算法研究［J］.中國西部科技，2008(6):36-39.