基于視覺傳感器的ADAS縱向行駛工況識(shí)別方法研究*

王楠1劉衛(wèi)國2張君媛1▲張惠3童寶鋒1

(1.吉林大學(xué)汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室長春 130022;

2.浙江省汽車安全技術(shù)研究重點(diǎn)實(shí)驗(yàn)室杭州 310000;

3.中國第一汽車集團(tuán)公司技術(shù)中心長春 130022)

摘要汽車先進(jìn)駕駛輔助系統(tǒng)在應(yīng)用時(shí)要根據(jù)不同的車輛行駛工況對(duì)車輛進(jìn)行相應(yīng)的控制，而準(zhǔn)確的車輛行駛工況識(shí)別信號(hào)是合理的控制策略的基礎(chǔ)。為了得到準(zhǔn)確的車輛行駛工況識(shí)別信號(hào)，利用視覺傳感器分別對(duì)車輛跟蹤定位,以及車道線檢測(cè)技術(shù)進(jìn)行了研究。利用adaboost分類器檢測(cè)出前方車輛；應(yīng)用文中提出的基于坐標(biāo)映射與定比分線并能夠抵抗俯仰角干擾的測(cè)距方法進(jìn)行車輛定位，驗(yàn)證結(jié)果顯示該測(cè)距方法誤差小于1 m；再應(yīng)用改進(jìn)后的基于置信度判斷與Kalman濾波技術(shù)的車道線跟蹤檢測(cè)方法進(jìn)行車道線檢測(cè)，并通過實(shí)車道路試驗(yàn)對(duì)此進(jìn)行了驗(yàn)證，驗(yàn)證結(jié)果顯示該車道線檢測(cè)方法誤差小于1°。提出1種基于PreScan的將所應(yīng)用的車輛跟蹤測(cè)距與車道線跟蹤檢測(cè)方法相結(jié)合的方法，用以實(shí)現(xiàn)汽車ADAS縱向行駛工況的識(shí)別，并通過PreScan仿真場(chǎng)景驗(yàn)證了該工況識(shí)別方法，結(jié)果表明該方法能夠?yàn)锳DAS提供準(zhǔn)確的工況識(shí)別信號(hào)。

關(guān)鍵詞交通安全；ADAS工況識(shí)別方法；PreScan仿真場(chǎng)景；車輛檢測(cè)定位；車道線跟蹤

中圖分類號(hào)：U461.91文獻(xiàn)標(biāo)志碼：A

收稿日期：2014-07-21修回日期：2014-12-19

基金項(xiàng)目*浙江省汽車安全技術(shù)研究重點(diǎn)實(shí)驗(yàn)室開放(批準(zhǔn)號(hào)：LHY1109J0565)資助

作者簡介：第一王楠(1990-)，碩士研究生.研究方向：汽車被動(dòng)安全性. E-mail：wn_jldx@163.com

通訊作者：▲張君媛(1965-)，博士，教授，研究方向：交通安全. E-mail：835802872@qq.com

A Method of Identifying ADAS

Longitudinal Driving Condition Based on Vision Sensor

WANG Nan1LIU Weiguo2ZHANG Junyuan1ZHANG Hui3TONG Baofeng1

(1.StateKeyLaboratoryofAutomotive

SimulationandControl，JilinUniversity，Changchun130022,China；

2.GeelyAutomobilEinstituteSafetyTechnologyDevelopmentDivision，Hangzhou310000,China；

3.ChinaFAWGroupCorporationR&DCenter，Changchun130022,China)

Abstract:Advanced driver assistance systems need to control vehicle in different ways according to different driving conditions, and the accurate condition identification signal is the basis of reasonable control strategies. In order to acquire accurate identification signals by using vision sensors, the technique of vehicle tracking and lane detection were studied. The adaboost classifier was used to detect front vehicles, and a ranging method based on coordinate mapping and score line was taken to track vehicles. Then, a lane-tracking method based on confidence judgment and Kalman filtering techniques was used and verified through field tests. Finally,the vehicle-tracking technique was combined with the lane detection technology by PreScan to identify vehicle ADAS driving conditions, and this method was verified through the simulation scenarios in PreScan. The results showed that it can offer accurate condition identification signals for ADAS.

Key words:traffic safety; ADAS condition identification method; PreScan simulation scenarios; vehicle locating; lane tracking

0引言

隨著傳感技術(shù)和電子技術(shù)的發(fā)展，汽車先進(jìn)駕駛輔助系統(tǒng)(advanced driver assistance systems，ADAS)成為了當(dāng)下汽車發(fā)展的1個(gè)重要方向，ADAS在應(yīng)用時(shí)要根據(jù)不同的車輛行駛工況對(duì)車輛進(jìn)行相應(yīng)的控制，而準(zhǔn)確的工況識(shí)別信號(hào)是合理的控制策略的基礎(chǔ)。目前用于ADAS行駛工況識(shí)別的傳感器主要有雷達(dá)傳感器和照相機(jī)傳感器2種，照相機(jī)傳感器具有在某些情況下不可替代及成本較低等特點(diǎn)，因此對(duì)利用照相機(jī)傳感器進(jìn)行ADAS行駛工況識(shí)別技術(shù)的研究具有重要意義。

基于照相機(jī)傳感器的ADAS行駛工況識(shí)別技術(shù)的研究主要包括前方車輛的跟蹤測(cè)距以及車道線的跟蹤檢測(cè)，對(duì)此國內(nèi)外學(xué)者都分別有相應(yīng)的研究，如Gideon P. Stein等[1]利用透視幾何原理對(duì)前方車輛測(cè)距與速度跟蹤的方法進(jìn)行研究；王榮本等[2]利用車輛底部的陰影特征以及圖像的紋理特征識(shí)別車輛，再通過投影變換進(jìn)行車輛測(cè)距；以及用于車道線檢測(cè)的GOLD[3]算法、RALPH[4]算法、LANA[5]算法等。上述方法都在一定程度上解決了利用照相機(jī)對(duì)車輛進(jìn)行跟蹤定位的問題，但是算法較繁瑣，忽略了一些與算法精度相關(guān)的影響因素，并且沒有將車輛跟蹤定位和車道線跟蹤檢測(cè)相結(jié)合，以致不能綜合分析行駛工況，不能夠?yàn)锳DAS控制策略提供準(zhǔn)確的工況識(shí)別信息。

因此，筆者提出基于坐標(biāo)映射與定比分線并能夠抵抗俯仰角干擾的測(cè)距方法，并且在目前車道線檢測(cè)方法進(jìn)行改進(jìn)和完善得到基于置信度判斷與kalman濾波技術(shù)的車道線跟蹤檢測(cè)方法。并且將二者相結(jié)合，為汽車ADAS提供必要的工況識(shí)別信號(hào)。

1基于視覺傳感器的前方車輛跟蹤測(cè)距方法研究

采用Adaboost分類器檢測(cè)出照相機(jī)捕捉的路況圖像中的車輛。然后為了能夠?yàn)锳DAS系統(tǒng)提供車輛行駛工況識(shí)別參數(shù)，筆者對(duì)前方車輛空間位置進(jìn)行定量描述。目前利用圖像信息進(jìn)行空間定位的方法大都是基于照相機(jī)標(biāo)定技術(shù)，不僅過程繁瑣而且對(duì)車輛測(cè)距效果不夠理想。因此

筆者提出了1種基于坐標(biāo)映射與定比分線且能抵抗俯仰角干擾的前方車輛測(cè)距方法。

如圖1所示，前車與本車距離不同時(shí)，圖像中車輛底端在圖像中縱坐標(biāo)位置也不同，且前車與本車距離越遠(yuǎn)，前車底端在圖像中位置越高，再由小孔成像原理可知，前方車輛距離與車輛底端在圖像中像素縱坐標(biāo)存在一定的映射關(guān)系。

圖1　前車距離與圖像位置關(guān)系圖

筆者試圖通過實(shí)驗(yàn)建立上述映射關(guān)系：在某乘用車上安裝照相機(jī)傳感器，在車輛前方已知位置處放置一系列標(biāo)定板，采集圖像，并獲取標(biāo)定板底端在圖像中縱坐標(biāo)，見表1。

表1　標(biāo)定板距離與像素縱坐標(biāo)值

觀察樣本點(diǎn)在圖像中分布規(guī)律，利用最小二乘法進(jìn)行曲線擬合，提出曲線擬合函數(shù)模型，并反復(fù)修正，最后擬合結(jié)果為

(1)

式中：z為距離;x=y/100,y為像素縱坐標(biāo)。該函數(shù)描述了空間距離與像素縱坐標(biāo)的映射關(guān)系，從該函數(shù)中即可獲得相應(yīng)像素縱坐標(biāo)所對(duì)應(yīng)的空間距離，進(jìn)而實(shí)現(xiàn)對(duì)前方車輛定位。

為了驗(yàn)證該方法對(duì)前方車輛進(jìn)行測(cè)距的準(zhǔn)確性，利用PreScan建立仿真場(chǎng)景，設(shè)置本車跟隨前方車輛行駛，并在本車上安裝照相機(jī)傳感器和雷達(dá)傳感器，見圖2。然后利用該方法測(cè)得的距離與雷達(dá)傳感器測(cè)量所得的準(zhǔn)確距離進(jìn)行比較，結(jié)果見圖3。從圖中可得利用上述方法測(cè)量所得前方車輛距離與雷達(dá)傳感器所測(cè)得前方車輛距離差值較小(在1 m以內(nèi))，因此證明了筆者提出的測(cè)距方法的準(zhǔn)確性。

圖2　PreScan仿真場(chǎng)景

圖3　測(cè)距結(jié)果比較圖

2基于置信度判斷的車道線跟蹤檢測(cè)方法研究

目前的車道線檢測(cè)方法在大多數(shù)情況下能夠提取圖像中車道線，但在一些特殊情況下依然無法準(zhǔn)確提取車道線。為了能夠?yàn)锳DAS系統(tǒng)提供更加豐富的車輛行駛工況信息，筆者對(duì)目前的車道線的跟蹤檢測(cè)方法進(jìn)行改進(jìn)和完善。完善后的車道線檢測(cè)方法流程見圖4。

圖4　車道線檢測(cè)流程圖

首先按照目前車道線檢測(cè)方法對(duì)每1幀圖像進(jìn)行如下預(yù)處理步驟：高斯去噪、分區(qū)域最佳閾值二值化、刪除二值化圖像中不規(guī)則區(qū)域、骨架提取和膨脹。然后利用Hough變化提取圖像中車道線。

為了解決在一些特殊情況下依然無法準(zhǔn)確提取車道線的問題，對(duì)Hough變換所提取的車道線進(jìn)行置信度判斷。在正常情況下車道線在圖像中的消隱點(diǎn)位于圖像中橢圓形范圍內(nèi)。且車道線的斜率也具有一定的范圍，因此以如下2個(gè)條件作為置信度判斷依據(jù)。

(2)

式中：h為圖像縱向分辨率；w為圖像橫向分辨率。

2) 通過對(duì)大量車道線圖片進(jìn)行統(tǒng)計(jì)，表明車道線與橫坐標(biāo)夾角大多數(shù)分布在40°～50°之間，因此第2個(gè)置信度判斷條件為

車道線斜率滿足如下關(guān)系

(3)

經(jīng)過上述步驟，準(zhǔn)確獲得圖像中車道線，再利用Kalman濾波技術(shù)，以檢測(cè)所得車道線與圖像底邊截距和車道線斜率為參數(shù)進(jìn)行濾波處理，實(shí)現(xiàn)對(duì)車道線的跟蹤檢測(cè)。利用上述步驟對(duì)實(shí)際道路中車道線進(jìn)行檢測(cè)結(jié)果見圖5，結(jié)果顯示筆者所提出的車道線根據(jù)檢測(cè)技術(shù)幾乎能夠準(zhǔn)確跟蹤檢測(cè)車道線，誤差小于1°。

圖5　車道線跟蹤檢測(cè)效果圖

3結(jié)合車輛識(shí)別、定位與車道線檢測(cè)的ADAS系統(tǒng)車輛行駛工況判定方法研究

提出了1種基于PreScan的將所提出的車輛跟蹤測(cè)距與所完善的車道線跟蹤檢測(cè)方法相結(jié)合的方法，用以實(shí)現(xiàn)汽車ADAS系統(tǒng)對(duì)車輛縱向行駛工況的識(shí)別與判定，見圖6。

3.1前車與車道線位置關(guān)系的判斷以及危險(xiǎn)車輛確定

當(dāng)照相機(jī)捕捉的本車行駛工況檢測(cè)出若干輛汽車時(shí)，由于這若干輛汽車位于本車行駛車道線的不同位置對(duì)本車行駛安全產(chǎn)生的可能的影響程度不同，所以要對(duì)被識(shí)別車輛與本車車道線的位置關(guān)系進(jìn)行判定。

圖6　ADAS系統(tǒng)車輛行駛工況判定方法流程圖

利用PreScan將車輛檢測(cè)識(shí)別技術(shù)和車道線提取技術(shù)相結(jié)合，然后對(duì)被檢測(cè)車輛與本車車道線的位置關(guān)系進(jìn)行分類，見圖7。并對(duì)不同的情況設(shè)定對(duì)本車行駛安全影響嚴(yán)重程度的權(quán)重。通過比較每1個(gè)由照相機(jī)測(cè)出的車輛與應(yīng)用車道線提取技術(shù)檢測(cè)出的本車車道線的位置關(guān)系的權(quán)重，判定出對(duì)本車行駛安全影響最大的前方車輛，并將其與本車的距離做為ADAS系統(tǒng)判定車輛行駛工況的參數(shù)。

圖7　前車與本車車道線位置關(guān)系示意圖

3.2基于TTC參數(shù)的ADAS系統(tǒng)車輛行駛工況判定

在國內(nèi)外眾多碰撞預(yù)警系統(tǒng)算法中，CMBS[8]算法利用TTC值作為本車行駛安全性的判斷指標(biāo)，與筆者研究內(nèi)容比較符合，因此借用CMBS算法對(duì)車輛行駛安全性進(jìn)行判斷。為了使ADAS系統(tǒng)能夠?qū)Ρ拒嚨男旭偣r作出正確地判定，由上述確定的對(duì)本車行駛安全影響最大的前車的距離參數(shù)得到相應(yīng)的TTC參數(shù)值。該算法在TTC<3時(shí)認(rèn)為危險(xiǎn)可能發(fā)生，發(fā)出報(bào)警信號(hào)，在TTC<2時(shí)發(fā)出更強(qiáng)烈的報(bào)警信號(hào)，在TTC<1時(shí)認(rèn)為碰撞不可避免。

4仿真驗(yàn)證

4.1危險(xiǎn)車輛判斷仿真驗(yàn)證

為了驗(yàn)證所提出的結(jié)合車輛檢測(cè)識(shí)別技術(shù)和車道線檢測(cè)技術(shù)的危險(xiǎn)車輛判斷方法，進(jìn)行大量的仿真實(shí)驗(yàn)。其中最具有代表性的2組仿真驗(yàn)證結(jié)果見圖8，9。

圖8　危險(xiǎn)車輛判斷仿真驗(yàn)證試驗(yàn)(1)

圖9　危險(xiǎn)車輛判斷仿真驗(yàn)證試驗(yàn)(2)

圖8仿真試驗(yàn)的車輛行駛工況為：前方有2輛車，有1輛車A完全與本車位于同1車道上，而另1輛車B部分位于本車車道上，但B車與本車距離比A車與本車距離小。仿真結(jié)果表明，與本車距離較近且部分位于本車車道的車被判定為對(duì)本車行駛安全影響最大的車輛(在仿真實(shí)驗(yàn)過程中最危險(xiǎn)車輛用紅框圈出，其他車輛用黃框圈出，并且顯示所有車輛與本車的行駛距離)。

圖9仿真試驗(yàn)的車輛行駛工況為：前方有2輛車，有1輛位于與本車相同的車道上C，而另1輛車D在本車所在車道與相鄰車道的中間位置上行駛而且D車與本車距離比C車與本車距離小。仿真結(jié)果表示，完全位于本車道的C車被判定為對(duì)本車行駛安全影響最大的車輛(在仿真實(shí)驗(yàn)過程中最危險(xiǎn)車輛用紅框圈出，其他車輛用黃框圈出，并且顯示所有車輛與本車的行駛距離)。

4.2ADAS系統(tǒng)車輛行駛工況判定仿真驗(yàn)證

最后對(duì)所提出的將車輛識(shí)別檢測(cè)、車輛測(cè)距以及車道線檢測(cè)相結(jié)合的方法能否為ADAS系統(tǒng)對(duì)車輛行駛工況的判定提供有效信號(hào)在PreScan環(huán)境中進(jìn)行仿真驗(yàn)證。

仿真試驗(yàn)中車輛行駛工況如下：前車位于本車車內(nèi)，且其初始速度大于本車車速，在行進(jìn)過程中前車進(jìn)行變速行駛。在這個(gè)行駛工況中要驗(yàn)證本文提出的算法能否判斷出前車與本車位于同1車道內(nèi)、能否通過照相機(jī)對(duì)2車間距進(jìn)行實(shí)時(shí)捕捉且是否能根據(jù)2車間距得到的TTC值為ADAS系統(tǒng)提供車輛行駛工況危險(xiǎn)信號(hào)。仿真驗(yàn)證結(jié)果見圖10，11。

圖10　 TTC隨時(shí)間變化曲線

圖11　車輛行駛工況危險(xiǎn)程度

由圖10和11可以得出，筆者所提出的基于照相機(jī)車輛識(shí)別檢測(cè)、車輛測(cè)距以及車道線檢測(cè)技術(shù)相結(jié)合的方法，能夠?qū)崟r(shí)檢測(cè)出前車與本車距離、檢測(cè)出本車所在車道線、判斷出前車與本車車道線的位置關(guān)系，最后綜合分析本車行駛工況危險(xiǎn)程度為ADAS系統(tǒng)提供信號(hào)。圖12為仿真試驗(yàn)過程中行駛工況判斷圖。

圖12　行駛工況危險(xiǎn)程度判斷

5結(jié)束語

筆者基于視覺傳感器提出了1種比較簡單的、可以實(shí)現(xiàn)抵抗俯仰角變化對(duì)測(cè)距干擾影響的前方車輛跟蹤測(cè)距方法，另外實(shí)現(xiàn)了車道線的準(zhǔn)確跟蹤檢測(cè)，并通過實(shí)際道路試驗(yàn)驗(yàn)證方法的準(zhǔn)確性，最后通過PreScan仿真實(shí)驗(yàn)實(shí)現(xiàn)車輛跟蹤測(cè)距技術(shù)與車道線跟蹤檢測(cè)技術(shù)的結(jié)合，為ADAS系統(tǒng)提供準(zhǔn)確的輸入信號(hào)，實(shí)現(xiàn)的最危險(xiǎn)車輛的判斷，以及車輛行駛安全性的判斷，進(jìn)而證明了本研究所得方法能夠?qū)DAS縱向行駛工況進(jìn)行準(zhǔn)確識(shí)別。

另外在進(jìn)行分類器訓(xùn)練時(shí)所采集的樣本主要是光照條件良好的環(huán)境，為了提高分類器對(duì)車輛識(shí)別的準(zhǔn)確率，可采集如夜晚，雨雪天氣，隧道等行駛工況下的樣本進(jìn)行分類器訓(xùn)練。

參考文獻(xiàn)

[1] Gideon P.Stein,Mano O,Shashua A.Vision-based ACC with a single camera:bounds on range and range rate accuracy[C].Intelligent Vehicles Symposium,Columbus：Proceedings,IEEE.9-11 June 2003:120-125.

[2]顧柏園,王榮本,郭烈，等.基于機(jī)器視覺的道路上前方多車輛探測(cè)方法研究[J].ITS 通訊,2005,7(2):28-31.

GU Baitong,WANG Rongben,GUO Lie,et all.Study on multiple vehicle detection based on computer vision[J].Automotive Engineering,2006,28(10):12-171.(in Chinese)

[3]Bertozzi M,Broggi A.GOLD:A parallel real-time stereo vision system for generic obstacle and lane detection[J].Image Processing, IEEE Transactions on,1998,7(1):62-81.

[4]Dean A,Pomerleau DA,Ralph H.Rapidly adapting lateral position handler[R].Detroit,USA:Proceedings of IEEE Symposium on Intelligent Vehicles,1995:506-511.

[5]Kreucher C,Lakshmanan S.LANA:A lane extraction algorithm that uses frequency domain features[J]. Robotics and Automation, IEEE Transactions on,1999,15(2):343-350.

[6]Viola P,Jones M.Rapid object detection using a boosted cascade of simple features[C]∥Computer Vision and PatternRecognition (CVPR),Proceedings of the 2001 IEEE Computer Society Conference on.Hawaii:IEEE,2001.

[7]WU Chifeng,LIN Chengjian,LEE Chiyung.Applying a functional neurofuzzy networkto real-time lane detection and front-vehicle distance measurement[C].IEEE Tramsactopms on Systems,Man,and Cybernetics-partc:Applications and Reviews,2012,42(4).577-589.

[8]Bella F,Russo R.A collision warning system for rear-end collision:a driving simulatorstudy[J].Procedia-Social and Behavioral Sciences,2011,20(11):676-686.

[9]童寶鋒.基于視覺傳感器的前方車輛跟蹤定位方法研究[D].長春：吉林大學(xué)，2014.

Tong Baofeng.Research on vision-based tracking and location of preceding vehicles[D]. Changchun: Jilin University, 2014.(in Chinese).

[10] 崔高健,黃銀花,田原嫄.基于立體機(jī)器視覺的前方車輛探測(cè)[J].計(jì)算機(jī)測(cè)量與控制,2006,13(9):890-891.

CUI Gaojian,HUANG Yinhua,TIAN Yuanyuan.Detection for forward vehicle based on stereo machine vision[J].Computer Measurement & Control,2006,13(9):890-891.(in Chinese).

[11]李克強(qiáng).汽車智能安全電子技術(shù)發(fā)展現(xiàn)狀與展望[J].汽車工程學(xué)報(bào),2011(2):4-17.

LI Keqiang.Review of Status and Future Prospects of Automotive Intelligent Safety Electronics[J].Chinese Journal of Automotive Engineering,2011,1(2):4-17.(in Chinese)

[12]魏武,龔樹鋒,龔樹超.一種改進(jìn)的基于視頻的車輛檢測(cè)與識(shí)別方法. 計(jì)算機(jī)測(cè)量與控制,2010,19(1):20-22.

WEI Wu,GONG Shufeng,Gong Shuchao. Improved video based vehicle detection and identification method[J].Computer Measurement & Control,2010,19(1):20-22.(in Chinese).

[13]李文波,王立研.一種基于Adaboost算法的車輛檢測(cè)方法[J].長春理工大學(xué)學(xué)報(bào)，2009,32(2)：292-295.

LI Wenbo,WANG Liyan.An approach of vehicle detection based on adaboost algorithm[J].Journal of Changchun University of Science and Technology,2009,32(2):292-295.(in Chinese).