廣東工業(yè)大學(xué)信息工程學(xué)院 吳海生 吳黎明 王桂棠 何瑞進(jìn)

?

汽車主動(dòng)安全的防碰撞技術(shù)研究現(xiàn)狀

廣東工業(yè)大學(xué)信息工程學(xué)院 吳海生 吳黎明 王桂棠 何瑞進(jìn)

【摘要】汽車防碰撞技術(shù)作為汽車主動(dòng)安全系統(tǒng)的主要研究方向之一，一直受到研究者們的高度重視。在防碰撞技術(shù)研究中，具有視場廣、信息量大、功能多的機(jī)器視覺已經(jīng)代替信息量單一的微波雷達(dá)成為研究重點(diǎn)。本文重點(diǎn)介紹在汽車主動(dòng)防撞技術(shù)研究中，基于機(jī)器視覺的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，并對(duì)粒子濾波算法和Mean Shift算法進(jìn)行對(duì)比分析。

【關(guān)鍵詞】防碰撞；主動(dòng)安全；機(jī)器視覺；檢測(cè)算法

0　引言

據(jù)報(bào)載，全世界每年因交通事故死亡的人數(shù)約130萬，交通事故是“世界第一公害”，這已成為世界范圍內(nèi)的共識(shí)[1][2]。據(jù)美國聯(lián)邦公路局相關(guān)統(tǒng)計(jì)數(shù)字顯示，在各種交通事故中，因換道操作引起的事故占9％，車道偏離引起的占23％，十字交叉路口搶行的占25％，而追尾碰撞的高達(dá)28％[3]。研究數(shù)據(jù)表明，如果能準(zhǔn)確地進(jìn)行安全預(yù)警為駕駛員采取避撞措施避免碰撞贏得足夠的反應(yīng)時(shí)間，可以避免62％追尾碰撞[4]?？梢姺雷肺才鲎布夹g(shù)在汽車主動(dòng)安全技術(shù)研發(fā)的重要性。

圖1　各種交通事故所占比例

1　測(cè)距技術(shù)

在汽車防碰撞應(yīng)用技術(shù)研發(fā)過程中，車輛間距離的準(zhǔn)確判斷是技術(shù)實(shí)現(xiàn)的基礎(chǔ)。目前在汽車安全系統(tǒng)中應(yīng)用較多的測(cè)距技術(shù)有激光、超聲波、微波和機(jī)器視覺，這四種測(cè)距方式的性能比較如表1所示。

表1　四種測(cè)距方式比較

激光雷達(dá)在目標(biāo)探測(cè)中可以捕獲目標(biāo)距離、方位、高度、速度、姿態(tài)形狀等重要信息，在GOOGLE等無人汽車中作為核心距離傳感器得到應(yīng)用[5]。但是激光雷達(dá)容易受到粉塵、雨霧等工作環(huán)境因素影響，且成本高，目前遠(yuǎn)距激光測(cè)距儀單價(jià)在20萬元以上[6]。

超聲波具備方向性好，穿透力強(qiáng)等特點(diǎn)，且硬件成本低廉。但是超聲波傳遞速度受介質(zhì)的密度和穩(wěn)定影響，且傳播速度較慢。因此常用于測(cè)量精度不高、量程較短的場景中。

微波又稱毫米波。微波雷達(dá)探測(cè)距離遠(yuǎn)、精度高，同時(shí)可以實(shí)現(xiàn)多目標(biāo)跟蹤且不受工作環(huán)境因素影響，微波雷達(dá)在汽車主動(dòng)安全方面已得到普遍的應(yīng)用。但微波雷達(dá)獲取的信息量過于單一，難以滿足防碰撞系統(tǒng)對(duì)環(huán)境信息多樣化的要求。

機(jī)器視覺系統(tǒng)是由攝像機(jī)將被攝取目標(biāo)轉(zhuǎn)換成圖像信號(hào)，通過圖像處理系統(tǒng)進(jìn)行各種算法運(yùn)算從而提取目標(biāo)的特征信息。機(jī)器視覺對(duì)環(huán)境信息獲取能力強(qiáng)，即可以實(shí)現(xiàn)目標(biāo)的跟蹤和測(cè)量[7]，為防追尾碰撞提供技術(shù)依據(jù)，同時(shí)在車道偏離預(yù)警[8]、盲區(qū)檢測(cè)[9]等領(lǐng)域得到廣泛應(yīng)用。雖然機(jī)器視覺系統(tǒng)對(duì)工作環(huán)境較為敏感，如強(qiáng)光、雨霧天氣等會(huì)影響視覺檢測(cè)效果；但是由于機(jī)器視覺具有視場廣、運(yùn)行速度快、信息量大、功能多等優(yōu)點(diǎn)，在汽車主動(dòng)安全技術(shù)研究已得到廣泛應(yīng)用，是目前主動(dòng)防碰撞系統(tǒng)研究的主要技術(shù)手段之一。

2　防撞模型

預(yù)警碰撞模型主要分為安全時(shí)間模型和安全距離模型兩類[10]。安全時(shí)間模型主要以 TTC(Time to Collision)為研究對(duì)象 ，由日本東京農(nóng)工大學(xué)首創(chuàng)，即TTC 模型[11]；而安全距離模型主要以車輛之間的實(shí)際距離為研究對(duì)象，按研究思路不同又可以分為固定車距模型、運(yùn)動(dòng)學(xué)模型和駕駛員模型等[12]。在這兩種模型的基礎(chǔ)上又相繼提出基于概率、減速度等指標(biāo)的改進(jìn)模型。其中基于避免沖突的最大減速度模型DRAC(Deceleration Rate to Avoid Crash)相對(duì)實(shí)用性更強(qiáng)。

表2　預(yù)警碰撞模型

表2中，TTCi是第i輛車的追尾碰撞時(shí)間；xi-1(t)是t時(shí)刻i-1車的位置；xi(t)是t時(shí)刻i車的位置；i-1(t)是t時(shí)刻i-1車的速度；i(t)是t時(shí)刻i車的速度。在距離模型中，v1、a1和v2、a2前后車的速度和加速度，車間距為h；后車反應(yīng)時(shí)間為r，實(shí)際制動(dòng)距離為D，從產(chǎn)生沖突到發(fā)生碰撞的距離記為S，R是制動(dòng)距離比。DRACi是第i輛車為避免碰撞沖突所采取的減速度；是兩車的運(yùn)動(dòng)時(shí)間差，即TTC值。

3　運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法

在防碰撞研究中，對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)是算法研究的重中之重。對(duì)運(yùn)動(dòng)目標(biāo)的經(jīng)典檢測(cè)跟蹤算法有光流法[13]、時(shí)域差分法(又稱幀差法)[14]和背景減除法[15]。經(jīng)典的算法難以解決運(yùn)動(dòng)目標(biāo)檢測(cè)中出現(xiàn)的遮擋、陰影等問題，而且魯棒性較差、檢測(cè)效率低，難以滿足汽車主動(dòng)防碰撞系統(tǒng)智能化的檢測(cè)需求。目前基于視覺的防撞技術(shù)研究中對(duì)運(yùn)動(dòng)目標(biāo)的常用檢測(cè)算法有：粒子濾波算法[16]和Mean Shift算法[17]。

3.1粒子濾波算法

粒子濾波算法是一種用來對(duì)非線性動(dòng)態(tài)系統(tǒng)的目標(biāo)概率分布進(jìn)行逼近的新技術(shù)，在視覺目標(biāo)跟蹤研究領(lǐng)域得到廣泛應(yīng)用。粒子濾波算法具有靈活、易于實(shí)現(xiàn)、并行化、應(yīng)用前景廣闊以及有效處理非線性問題等特點(diǎn)。其基本思想是構(gòu)造一個(gè)基于樣本的后驗(yàn)概率密度函數(shù)。假設(shè)動(dòng)態(tài)系統(tǒng)狀態(tài)空間模型如下所示：

其中，函數(shù)f(x,v)、h(x,n)可以是線性也可以是非線性的；x為系統(tǒng)狀態(tài)變量，y為系統(tǒng)測(cè)量變量，v、n分別代表系統(tǒng)噪聲和測(cè)量噪聲。

假設(shè)系統(tǒng)狀態(tài)x服從一階馬爾可夫過程，系統(tǒng)狀態(tài)x與量測(cè)變量y相互獨(dú)立，初始狀態(tài)x0的先驗(yàn)分布為p(x0)。從p(x0:k/y0:k)中抽取N 個(gè)獨(dú)立同分布的樣本｛xi0:k；i =1,…,N｝，狀態(tài)的后驗(yàn)概率密度(Posteriori probability density)可以用經(jīng)驗(yàn)分布逼近為：

式中δ(g)表示狄拉克函數(shù)。

在實(shí)際應(yīng)用中，后驗(yàn)概率密度常常是多變量、非標(biāo)準(zhǔn)概率，因此需要基于先驗(yàn)條件描述目標(biāo)狀態(tài)對(duì)應(yīng)的加權(quán)值ω，再利用加權(quán)和的形式描述目標(biāo)狀態(tài)的后驗(yàn)概率密度，如式：

式中，加權(quán)值ωk(x0:k)稱為重要性權(quán)值。

重要性分布函數(shù)為：

選取重要性函數(shù)的準(zhǔn)則是使重要性權(quán)值的方差最小。

粒子濾波算法的一個(gè)主要問題是退化問題，即經(jīng)過幾步迭代以后，除了極少數(shù)粒子外，其他的粒子權(quán)值小到可以忽略不計(jì)的程度。針對(duì)粒子濾波的退化現(xiàn)象，主要的解決方法有兩種。一是選擇好的重要密度函數(shù)；二是使用重采樣技術(shù)。通過重采樣去除權(quán)值較小的粒子并復(fù)制權(quán)值較大的粒子。粒子濾波跟蹤算法具有較強(qiáng)的穩(wěn)定性、魯棒性以及抗遮擋能力。但是粒子濾波跟蹤算法采樣依舊是基于全局搜索采樣，其算法效率有待提升。

3.2Mean Shift算法

Mean Shift即均值漂移，其概率密度分布最大的方向即漂移的方向。Mean Shift算法是利用核密度估計(jì)方法，對(duì)給定d維空間Rd中n個(gè)樣本點(diǎn)集S=﹛xi,i=1,…,n﹜，利用核函數(shù)k(x)和函數(shù)窗寬h，在x點(diǎn)處的進(jìn)行概率密度估計(jì)，為確定漂移方向提供基礎(chǔ)。基于核函數(shù)的無參數(shù)密度估計(jì)如式：

核函數(shù)直方圖：

目標(biāo)密度函數(shù)：

其中，b(xi):R→｛1,…,m｝是將坐標(biāo)為xi的像素的量化值，m是直方圖階數(shù)；u是直方圖索引。相似度函數(shù)：

式中加權(quán)因子wi為：

Mean Shift目標(biāo)跟蹤算法的運(yùn)行步驟如下。

Step1：初始化y0的目標(biāo)密度函數(shù)pu(y1)；

Step2：計(jì)算加權(quán)因子wi，并根據(jù)迭代公式更新位置y1；

Step3：根據(jù)更新的位置信息計(jì)算其目標(biāo)密度函數(shù)pu(y1)及相似度ρ(y1)。如果有ρ(y1)< ρ(y0)，則y1=(y0+y1)/2重新計(jì)算相似度ρ(y1)；如果‖y0+y1‖<ε，則停止；否則y0=y1，回到step2。

Mean Shift目標(biāo)跟蹤算法避免了全局搜索，極大提升了算法運(yùn)行效率。在實(shí)際應(yīng)用中快速的模式匹配能更好滿足對(duì)目標(biāo)跟蹤實(shí)時(shí)性的要求。除此之外，采用核函數(shù)顏色直方圖對(duì)目標(biāo)進(jìn)行建模，對(duì)目標(biāo)一定程度的形變干擾不敏感，識(shí)別準(zhǔn)確度高。由于Mean算法基于密度估計(jì)進(jìn)行局部有效的搜索，但是也造成Mean Shift算法對(duì)處理目標(biāo)遮擋等問題能力不強(qiáng)。

3.3算法研究趨勢(shì)

無論粒子濾波還是均值漂移算法，都針對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤具體出現(xiàn)的問題提出有效的解決方法，同時(shí)也暴露了單個(gè)算法本身的缺陷，難以兼顧檢測(cè)準(zhǔn)確性及效率。對(duì)于實(shí)用性要求較高的防碰撞技術(shù)研究過程中，更多精力集中在多算法融合，提升算法整體檢測(cè)的準(zhǔn)確性和檢測(cè)效率。董慧芬等人提出基于自適應(yīng)卡爾曼濾波與Mean Shift算法相結(jié)合，很好解決了背景圖像陰影和遮擋對(duì)目標(biāo)跟蹤造成的干擾問題[18]；廖逸琪則基于目標(biāo)特征檢測(cè)融合蟻群算法實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的軌跡跟蹤[19]；張廣秀則基于小波變換實(shí)現(xiàn)汽車前向防撞技術(shù)研究[20]。

4　總結(jié)

汽車主動(dòng)防碰撞技術(shù)研究從開始的車與車之間的防碰撞擴(kuò)展到后來車與人的防撞，甚至要求具備一定程度的路線規(guī)劃及決策能力，其探測(cè)手段也從原來微波雷達(dá)轉(zhuǎn)向檢測(cè)能力更強(qiáng)的視覺技術(shù)。而在算法研究上，更加趨向多算法融合。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)新的研究方向，也逐漸在汽車防碰撞技術(shù)研究中得到推廣應(yīng)用。

參考文獻(xiàn)

[1]劉志強(qiáng),趙艷萍,汪澎.道路交通安全工程[M].北京:高等教育出版社,2012.

[2]涂孝軍.面向駕駛員輔助系統(tǒng)的換道意圖辨識(shí)方法研究[D].江蘇大學(xué),2015.

[3]王家恩.基于視覺的駕駛員橫向輔助系統(tǒng)關(guān)鍵技術(shù)研究[D].合肥工業(yè)大學(xué),2013.

[4]戴榮軍,周俊,王海清.新型主動(dòng)防撞安全預(yù)警距離模型[J].農(nóng)業(yè)裝備與車輛工程,2014(8):42-47.

[5]無人駕駛汽車的“眼睛”,變得更加銳利了[J].電子世界,2015(18).

[6]無人駕駛汽車“眼睛”LIDAR成本降低[EB/OL].http://news. zol.com.cn/538/5388238.html,2015-09-08．

[7]劉銘.基于ORB算法的雙目視覺測(cè)量與跟蹤研究[D].哈爾濱工業(yè)大學(xué),2014.

[8]許倫輝,羅強(qiáng),夏新海,胡三根.車道偏離預(yù)警系統(tǒng)中偏離時(shí)間的估算方法[J].華南理工大學(xué)學(xué)報(bào),2014,42(3):59-65.

[9]楊思思.基于單目視覺的車輛盲區(qū)預(yù)警系統(tǒng)的研究及實(shí)現(xiàn)[D].浙江大學(xué),2015.

[10]王建強(qiáng),遲瑞娟,張磊等.適應(yīng)駕駛員特性的汽車追尾報(bào)警-避撞算法研究[J].公路交通科技,2009,26(1):7-12.

[11]Yoshida H,Awano S,Nagai M,et al.Target following brake control for collision avoidance assist of active interface vehicle[C].2006 International Joint Conference,IEEE,2006:4436-4439．

[12]于廣鵬,譚德榮,馬福霞.汽車防碰撞預(yù)警/碰撞算法研究現(xiàn)狀及分析[J].山東理工大學(xué)學(xué)報(bào),2014,28(6):1-5.

[13]袁國武,陳志強(qiáng),龔健等.一種結(jié)合光流法與三幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].小型微型計(jì)算機(jī)系統(tǒng),2013,3(3):668-671.

[14]陳春雨,姚秋香,喬玉龍.基于幀差法和邊緣檢測(cè)法的視頻分割算法[J].濟(jì)南大學(xué)學(xué)報(bào),2012,26(1):31-36.

[15]王小平,張麗杰,常佶.基于單高斯背景模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法的改進(jìn)[J].計(jì)算機(jī)工程與應(yīng)用,2009,45(21):118-120.

[16]陳丁.基于視覺的汽車列車行駛軌跡測(cè)量系統(tǒng)[D].東南大學(xué),2014.

[17]劉晴,唐林波,趙保軍,孫景樂.改進(jìn)的Mean Shift目標(biāo)跟蹤算法[J].系統(tǒng)工程與電子技術(shù),2013,35(6):1318-1323.

[18]董慧芬,董保磊,丁小芳,張振.基于相關(guān)區(qū)域分層的改進(jìn)Mean Shift目標(biāo)跟蹤算法[J].計(jì)算機(jī)應(yīng)用,2014,34(S2):286-290.

[19]廖逸琪.多攝像機(jī)下多目標(biāo)跟蹤相關(guān)技術(shù)研究[D].南京理工大學(xué),2015.

[20]張廣秀.基于視覺的汽車前向防碰撞技術(shù)研究[D].河北工業(yè)大學(xué),2008.

吳海生（1989—），男，碩士，主要研究方向：嵌入式系統(tǒng)、圖像處理。

吳黎明（1962—），男，碩士生導(dǎo)師，教授，主要研究方向：光機(jī)電一體化，嵌入式系統(tǒng)、測(cè)控技術(shù)。

王桂棠（1964—），男，碩士生導(dǎo)師，教授，主要研究方向：嵌入式、機(jī)器視覺、物聯(lián)網(wǎng)等科學(xué)技術(shù)在智能制造中的應(yīng)用研究和開發(fā)。

何瑞進(jìn)（1990—），男，碩士，主要研究方向：嵌入式系統(tǒng)，通信與信息系統(tǒng)。

作者簡介：

基金項(xiàng)目：廣州市科技計(jì)劃項(xiàng)目（201300000002）；廣東省省級(jí)科技計(jì)劃項(xiàng)目（2015A030401088）。