【摘 要】簡單回顧了機器視覺技術(shù)的早期發(fā)展情況，從簡單的特定場合應(yīng)用到模擬人眼的復(fù)雜系統(tǒng)設(shè)計，介紹了機器視覺產(chǎn)品在智能汽車上的應(yīng)用情況，分析了世界各國在車用機器視覺技術(shù)領(lǐng)域研究開發(fā)情況以及未來發(fā)展趨勢。

【關(guān)鍵詞】智能車輛 機器視覺 發(fā)展

一、前言

機器視覺技術(shù)，即計算機視覺技術(shù)，是智能車輛行駛環(huán)境感知的通道，一些控制決策參數(shù)直接由機器視覺獲取。例如，智能車輛自主導(dǎo)航行駛時前方預(yù)瞄點位置的獲取，超車行駛時前方車輛和車道邊界位置的獲取等等都要由機器視覺來完成。機器視覺系統(tǒng)在智能車輛上的應(yīng)用源于20世紀 80年代中期。其早期研究是針對具有良好的室內(nèi)試驗環(huán)境條件進行設(shè)計的。

從20世紀90年代中期開始，智能車輛機器視覺的研究出現(xiàn)兩個發(fā)展方向，其中一個發(fā)展方向是相對簡單的機器視覺系統(tǒng)在智能車輛中的早期應(yīng)用。主要體現(xiàn)在如下幾個方面：（1）機器視覺橫向輔助導(dǎo)航系統(tǒng)。（2）自適應(yīng)導(dǎo)航控制系統(tǒng)。（3）自主“停車啟動”駕駛系統(tǒng)。（4）換道輔助系統(tǒng)[1]。智能車輛機器視覺技術(shù)發(fā)展的另一個方向是研制開發(fā)具有擬人駕駛性能水平的復(fù)雜機器視覺系統(tǒng)。從長遠來看，這種視覺系統(tǒng)還應(yīng)具有自學(xué)習(xí)的功能。目前，德國聯(lián)邦國防大學(xué)（UBM）著名學(xué)者Dickmanns教授開展了“多焦距主動汽車眼”（MarVEye-Multi-focal active/reactive Vehicle Eye）的研究。這種新型的綜合視覺系統(tǒng)將智能車輛機器視覺技術(shù)提高到了一個新的水平。

二、國內(nèi)外研究現(xiàn)狀

機器視覺導(dǎo)航智能車輛已經(jīng)成為當(dāng)今智能車輛的發(fā)展主流，世界各主要國家都在競相開展智能車輛視覺系統(tǒng)的研究。機器視覺系統(tǒng)是智能車輛感知局部環(huán)境的重要“器官”，而其所起的核心作用無外乎兩個：識別行駛道路邊界與行駛環(huán)境中的其它車輛（主要指前方車輛）或其它障礙物。具體地講，就是利用安裝在智能車輛前方的單目或多目光學(xué)CCD攝像機（或其它傳感器）實時地獲取圖像，利用圖像中的信息根據(jù)設(shè)計的算法識別出道路邊界位置和前方車輛位置，再將這些路、車位置信息傳給智能車輛的指揮系統(tǒng)，為其自主導(dǎo)航?jīng)Q策提供依據(jù)。而國內(nèi)外的研究工作也主要集中在道路位置識別和前方車輛識別這兩個方面。

目前對道路邊界的識別主要集中在直線路形和路旁障礙物較少的道路條件。直線路形識別較為簡單，用直線方程描述道路邊界，可以大大減少計算量，此技術(shù)也相對較為成熟，例如有霍夫變換法，通過幾何折射關(guān)系直接將道路邊界標注出來。這種方法的缺點是受噪聲尤其是直線噪聲的影響較大，且算法不穩(wěn)定。

吉林大學(xué)智能車輛課題組用基于圖像灰度與方差統(tǒng)計的方法識別直線路界，即在得到圖像后進行預(yù)處理并在最終的二值圖像中劃分網(wǎng)格，通過計算各網(wǎng)格的統(tǒng)計特性，由馬氏距離區(qū)分道路邊界點與非邊界點，得到邊界點最多的一條直線作為直線道路邊界。此方法能夠準確的識別道路邊界，但當(dāng)路旁噪聲較大時識別效果不夠理想。同時，基于熵最大化邊緣提取的圖像預(yù)處理過程由于算法復(fù)雜，耗時較長。

由于彎曲路形模式較為復(fù)雜，情況變化多樣，算法難以統(tǒng)一，并且由于算法的復(fù)雜性，很難滿足準確性和實時性要求。因此國內(nèi)外對彎曲路徑識別的研究從方法上并不成熟。國外有人用具有某些特征的曲線方程擬合彎曲路界，但由于參數(shù)的增加，計算量增大，因此很難滿足實時性要求。國內(nèi)有人用直線整條或分段近似擬合彎曲路界，在車道邊界曲率不大時能夠基本滿足要求，但當(dāng)曲率較大時識別準確性不高。因此，可以認為對道路邊界尤其是彎曲道路邊界的識別還有待于進一步研究。

由于前方車輛在圖像中的灰度信息特征很不明顯，例如當(dāng)車輛在遠方與近處時的灰度統(tǒng)計特性、紋理特性、外形特性等完全不同。因此，算法魯棒性是一個非常棘手的問題。很難提出一種滿足各種狀態(tài)的識別算法。一般利用機器視覺進行車輛識別的方法可分為以下三類：

（1）基于車輛特征的方法。該方法利用圖像中車輛存在的特征（紋理、邊緣、對稱性以及底部陰影等）進行分割和識別。這種方法的缺點是，當(dāng)單獨使用某一種特征時，經(jīng)常會因光照或環(huán)境的變化，導(dǎo)致該特征信息量不足。因此，極易出現(xiàn)錯判或漏判的現(xiàn)象。

（2）基于模板匹配的方法。這種方法利用大量的預(yù)先做好的車輛模板（基于灰度信息或小波特征） ，與實時采集的圖像進行匹配。尋找相關(guān)性最大的匹配區(qū)域作為車輛存在區(qū)域。通常，這種方法魯棒性相對較好，缺點是實時性較差。

（3）基于學(xué)習(xí)的方法。這種方法的本質(zhì)是利用神經(jīng)網(wǎng)絡(luò)，對大量的車輛圖像進行訓(xùn)練，然后通過分類器進行分類。通常這種方法被用來對已檢測的車輛進行驗證。

吉林大學(xué)智能車輛課題組提出一種基于車輛特征的方法識別和跟蹤前方的車輛。首先，利用車輛底部存在陰影的特征，在圖像中確定可能存在的車輛區(qū)域。然后，通過分形維數(shù)計算該區(qū)域的紋理特征，排除非車輛區(qū)域。這種方法對于強光條件和車輛顏色與路面的顏色特征相似的情況，識別和定位的效果不夠理想。

三、關(guān)鍵難點與長遠發(fā)展

在不考慮硬件設(shè)備的情況下，制約智能車輛視覺系統(tǒng)探測效果的三個關(guān)鍵因素是視覺系統(tǒng)所應(yīng)用算法的實時性、魯棒性和精確性。實時性要求視覺系統(tǒng)數(shù)據(jù)處理必須與車輛的高速行駛同步進行；魯棒性要求智能車輛視覺系統(tǒng)在各種復(fù)雜的路面環(huán)境下均具有良好的適應(yīng)性，例如路面有大量樹木與建筑物陰影、變化的氣候條件等；精確性則要求視覺系統(tǒng)在一些復(fù)雜環(huán)境下不能出現(xiàn)過多的錯判率。這三個要求相輔相成，互相制約。要完全達到上述要求，智能車輛機器視覺系統(tǒng)還需要很長的發(fā)展歷程。目前有關(guān)智能車輛機器視覺系統(tǒng)的研究正處于一個高速發(fā)展的階段，由于硬件水平的提高和理論研究工作的深入，在可以預(yù)見的將來將達到一個更高的水平。

參考文獻：

[1]王榮本， 游峰， 崔高健， 郭烈. 基于計算機視覺高速智能車輛的道路識別. 計算機工程與應(yīng)用，2004，（8）：34-39

[2]顧柏園， 王榮本， 余天洪， 郭烈. 基于視覺的前方車輛探測技術(shù)研究方法綜述. 公路交通科技. 2005，（10）：28-33

作者簡介：

梁建偉，1980年出生，男，河北石家莊人，石家莊職業(yè)技術(shù)學(xué)院講師，碩士，車輛工程專業(yè)。