戴衛(wèi)兵 徐超 陳悅 吳予萌 秦思禹

摘? 要：文章設(shè)計(jì)一種基于計(jì)算機(jī)視覺的輔助駕駛系統(tǒng)。系統(tǒng)通過攝像頭采集圖像信息，并對(duì)環(huán)境中的車道線、交通信號(hào)燈、車輛進(jìn)行檢測識(shí)別，同時(shí)把檢測結(jié)果反饋給駕駛員，提醒駕駛員安全駕駛。該系統(tǒng)識(shí)別速度快、準(zhǔn)確率高、魯棒性強(qiáng)，具有廣泛的應(yīng)用前景。

關(guān)鍵詞：車輛輔助駕駛系統(tǒng);計(jì)算機(jī)視覺;神經(jīng)網(wǎng)絡(luò);HSV空間

中圖分類號(hào)：TP391.41? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號(hào)：2095-2945（2020）03-0037-02

Abstract： In this paper， an assistant driving system based on computer vision is designed. The system collects image information through the camera， detects and identifies the lane， traffic lights and vehicles in the environment， and feeds back the test results to the driver to remind the driver to drive safely. The system has high recognition speed， high accuracy and strong robustness， and has a wide application prospect.

Keywords： vehicle driving assistance system; computer vision; neural network; HSV space

引言

據(jù)統(tǒng)計(jì)，我國在交通事故中，每年都有數(shù)萬人死亡，數(shù)億元的經(jīng)濟(jì)損失。為了提高駕駛的安全性、減小交通事故的發(fā)生頻率，輔助駕駛系統(tǒng)將可有效地幫助駕駛者了解車輛周圍的環(huán)境信息。目前市場上的輔助駕駛系統(tǒng)還是以傳感器檢測為主，為了減少硬件成本，本文基于計(jì)算機(jī)視覺設(shè)計(jì)出一種輔助駕駛系統(tǒng)。

1 系統(tǒng)總體結(jié)構(gòu)

系統(tǒng)通過攝像頭采集道路圖像信息，基于計(jì)算機(jī)視覺對(duì)道路圖像信息進(jìn)行檢測識(shí)別，整個(gè)系統(tǒng)由高清攝像頭模塊、圖像預(yù)處理模塊、計(jì)算機(jī)CPU模塊、車道線檢測算法模塊、紅綠燈檢測算法模塊以及車輛檢測算法模塊組成，系統(tǒng)設(shè)計(jì)框架如圖1所示。

圖1 系統(tǒng)設(shè)計(jì)框架

2 車道線檢測原理

車道線檢測流程圖如圖2所示。

2.1 圖像預(yù)處理

首先，將圖像進(jìn)行灰度化處理，灰度化后的圖像仍會(huì)存在噪聲干擾，使用高斯濾波進(jìn)行去噪處理。接著進(jìn)行二值化、閉運(yùn)算操作，從而凸顯出目標(biāo)的輪廓。

2.2 邊緣檢測

為了獲取圖像中的邊緣信息，采用Canny邊緣檢測算法。Canny邊緣檢測算法計(jì)算圖像的梯度幅度和方向來估計(jì)每一點(diǎn)處的邊緣強(qiáng)度與方向，根據(jù)梯度的變化，對(duì)梯度幅度進(jìn)行非極大值抑制，并通過雙閾值來控制邊緣連接。邊緣檢測前后對(duì)比如圖3所示。

2.3 霍夫直線檢測

當(dāng)獲取到圖像邊緣信息后，霍夫直線檢測算法通過圖像空間的邊緣數(shù)據(jù)點(diǎn)計(jì)算參數(shù)空間中的參考點(diǎn)的可能軌跡，并在一個(gè)累加器中將計(jì)算出的參考點(diǎn)進(jìn)行累加，選出峰值，從而計(jì)算出圖像中的直線。設(shè)置適當(dāng)?shù)拈撝?，并通過直線斜率的計(jì)算，去除不相關(guān)、有干擾的直線，達(dá)到檢測車道線的效果。

3 車輛檢測原理

以開源的神經(jīng)網(wǎng)絡(luò)框架Darknet為基礎(chǔ)，以YOLO網(wǎng)絡(luò)模型為基礎(chǔ)，訓(xùn)練車輛檢測器。訓(xùn)練采用多分步策略。

3.1 預(yù)訓(xùn)練

預(yù)訓(xùn)練模型由19個(gè)卷積層和5個(gè)池化層構(gòu)成。為了減少模型訓(xùn)練時(shí)間，在訓(xùn)練開始時(shí)加載在ImageNet訓(xùn)練了10輪的預(yù)訓(xùn)練模型，并不斷地調(diào)整網(wǎng)絡(luò)參數(shù)。為了使模型有著更好的魯棒性，在訓(xùn)練中對(duì)輸入的圖像尺寸進(jìn)行調(diào)整，調(diào)整的尺寸為32的倍數(shù)，最小尺寸為320×320，最大尺寸為608×608。

3.2 數(shù)據(jù)集

訓(xùn)練所用的數(shù)據(jù)集是通過行車記錄儀拍攝的視頻進(jìn)行提取的，圖片尺寸大小為640×360。訓(xùn)練集圖片9500張，包含43641個(gè)車輛目標(biāo);測試集圖片1500張，包含6843個(gè)車輛目標(biāo)。采集圖像中的車輛目標(biāo)種類多樣、大小不一且存在不同程度的遮擋情況。

3.3 初始候選框

訓(xùn)練過程中，隨著迭代次數(shù)不斷增加，網(wǎng)絡(luò)學(xué)習(xí)到車輛特征，預(yù)測框的參數(shù)不斷調(diào)整，最終接近真實(shí)框。為了加快收斂速度、提高預(yù)測精度，分析圖像中車輛的寬高特點(diǎn)，用K-means算法進(jìn)行聚類，得到與圖像中車輛邊界最相近的初始候選框參數(shù)。

4 紅綠燈檢測原理

為了減少CPU的計(jì)算量，將攝像頭的上半視角部分設(shè)置為ROI，對(duì)ROI進(jìn)行顏色的檢測識(shí)別。顏色識(shí)別采用HSV空間進(jìn)行判斷。

通過查詢相關(guān)資料，紅色的色調(diào)取值范圍為0～101和56～180，飽和度范圍為43～255，亮度范圍為46～255;綠色的色調(diào)取值范圍為35～77，飽和度范圍為43～255，亮度范圍為46～255。

設(shè)置目標(biāo)顏色的匹配程度，同時(shí)統(tǒng)計(jì)紅色和綠色的占比，如果紅色占比超過20%，則認(rèn)為是紅燈，綠燈也按照此占比進(jìn)行判斷。檢測效果如圖4所示。

5 測試結(jié)果

駕車在不同路段行駛，通過攝像頭進(jìn)行實(shí)時(shí)檢測，共采集到車道線目標(biāo)4465次，紅綠燈102次，車輛5405次，檢測識(shí)別結(jié)果如表1所示。

表1 測試結(jié)果

對(duì)于車輛的檢測，識(shí)別準(zhǔn)確率能夠達(dá)到98.68%;對(duì)于車道線和紅綠燈的識(shí)別，略受到光照強(qiáng)度的影響，識(shí)別準(zhǔn)確率略有降低，但仍在97%以上。

6 結(jié)束語

基于計(jì)算機(jī)視覺的輔助駕駛系統(tǒng)，緊跟現(xiàn)階段的時(shí)代需求，保障駕駛員的日常行車安全。測試結(jié)果表明，該系統(tǒng)對(duì)目標(biāo)物體檢測識(shí)別的準(zhǔn)確率達(dá)到97%以上，具有實(shí)際可行性。

參考文獻(xiàn)：

[1]Si-qi ZHAO，Peng LIU，Jie YANG，Song-bin LI. A Fast Vehicle Detection Method for Road Monitoring[P]. 2nd International Conference on Computer， Mechatronics and Electronic Engineering（CMEE 2017），2017.

[2]Ya-li ZHANG，Quan-ge TAN. The Application of Characteristic Point about Moving Object Detection and Tracking Method Based on OpenCV[P]. DEStech Transactions on Computer Science and Engineering，2018.

[3]侯穆.基于OPENCV的運(yùn)動(dòng)目標(biāo)檢測與跟蹤技術(shù)研究[D].西安電子科技大學(xué)，2012.

[4]周曉彥，王珂，李凌燕.基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述[J].電子測量技術(shù)，2017，40（11）：89-93.