羅 石，劉志偉，朱大全

(江蘇大學 汽車與交通工程學院，江蘇 鎮(zhèn)江 212013)

0 引 言

為了有效降低因夜間環(huán)境背景光和車輛會車時交匯的車燈燈光之間亮度差過大而容易使對駕駛員造成眩目的問題，汽車自適應大燈技術(shù)應運而生。在新一代的自適應大燈(adaptive driving beam,ADB)系統(tǒng)中，車載攝像頭對于車輛前方移動光源的位置的實時捕捉成為了系統(tǒng)控制的重要參數(shù)。通過獲取該車輛前方的車燈位置并熄滅己車與之對應部分的車燈，從而提高駕駛員的視線距離，幫助駕駛員看清道路環(huán)境，并且不給其他道路使用者造成眩目、不適和注意力分散等不利影響[1]。但汽車是高速運動的物體，且夜間的燈光種類也較為復雜，僅憑車載攝像頭在某單一時刻所捕捉到的車輛前方的路況信息進行己車車燈控制，容易導致自適應大燈系統(tǒng)控制滯后，而且很難準確篩選出車燈光源和非車燈光源，嚴重影響了系統(tǒng)控制地實時性和準確性。目前，雖然世界各大汽車廠商都加大了自適應大燈系統(tǒng)的研發(fā)力度，但對于提高系統(tǒng)控制實時性和準確性方面，卻還沒有公開的且較為成熟的方案。

本文針對提高自適應大燈系統(tǒng)的實時性和準確性控制中，提出基于車載攝像頭的車輛前方移動光源軌跡預測算法。在算法中，將自適應修正卡爾曼濾波(Kalman filtering,KF)濾波跟蹤算法嵌入道AR預測模型中。具體的，以汽車當前行駛環(huán)境特征作為目標車燈光源在攝像頭采集平面內(nèi)位置坐標的篩選依據(jù)，并將該坐標作為作為輸入帶入KF算法[2]構(gòu)成自適應修正KF算法，該算法作為本文預測算法的組成部分，將為AR模型提供高精度的目標車燈光源歷史軌跡點序列，并通過AR模型的構(gòu)建，得到目標車燈光源在未來特定時長的運動軌跡預測序列。該序列可彌補ADB系統(tǒng)在控制信號傳輸和算法運算導致的控制延時，提高系統(tǒng)控制的實時性和準確性。

1 自適應修正KF算法

根據(jù)交通法規(guī)規(guī)定的除超車、轉(zhuǎn)向等特殊情況之外，車輛應當保持在所處的兩側(cè)車道線范圍內(nèi)行駛,因此，在夜間道路中與車輛保持同步的車燈的軌跡也應當保持在由車道線所限定的狹長范圍內(nèi)，故每條車燈的軌跡應分布在對應的行駛車道內(nèi)。

1.1 篩選跟蹤區(qū)域

首先對車載攝像頭采集平面內(nèi)的車燈光源進行網(wǎng)格聚類算法提取和位置坐標記錄。針對夜間車燈的特征區(qū)別度較低，難以區(qū)分其它車道的車燈以及路燈、廣告牌反光等雜光并準確地跟蹤目標車道中的目標車燈光源的位置信息，對攝像頭所采集到的各類光源運動信息進行篩選和剔除。具體分為以下步驟：

步驟1 車道線擬合。對攝像頭采集平面內(nèi)的車道線進行中值濾波、Canny邊緣增強、基于車道線弧度的Hough變換和線性逼近等工作，實現(xiàn)對于車道線的擬合標定[3,4]，得到車道線在攝像頭采集平面內(nèi)的任意位置的坐標以及當前行駛路況中任意一個車道區(qū)域i段車道區(qū)域內(nèi)、外兩側(cè)車道線的擬合斜率ki,a和ki,b。

步驟2 跟蹤區(qū)域設定。提取k時刻車燈軌跡點的位置坐標(xk,yk)，其中,xk和yk分別k為時刻目標車燈光源中心位置在車載攝像頭采集平面內(nèi)的X軸和Y軸坐標。設從k時刻到k+1時刻的Δk的時間間隔內(nèi)目標車燈在視覺平面的移動位移為Δs，y軸內(nèi)移動的位移為Δy。在Δk內(nèi)移動的角度為θ，由于θ值極小，故可認為Δs近似等于Δy。則根據(jù)與目標移動光源中心位置相適應的對應車道區(qū)域內(nèi)的第i段車道區(qū)域內(nèi)、外兩側(cè)車道線的擬合斜率ki,a和ki,b以及近似的單位時間移動視距Δy，可得到跟蹤區(qū)域H的表達式，如式(1)所示

(1)

根據(jù)跟蹤區(qū)域H所設定的范圍，則可對目標移動光源中心位置坐標在下一時刻的可能位置進行合理跟蹤預測，排除其它車燈光源和非車燈光源的干擾，跟蹤區(qū)域H如圖1中的陰影部分所示。

圖1 跟蹤區(qū)域篩選

1.2 目標車燈光源軌跡跟蹤

建立自適應修正KF算法方程組

(2)

式中Xk=(xk,yk,Δy)T為1×3維狀態(tài)方程向量，Zk=(x′k,y′k,Δy′)為k時刻的系統(tǒng)量測值；v1為均值為0的白噪聲，協(xié)方差為Q。A為狀態(tài)轉(zhuǎn)移矩陣，C為量測矩陣，皆為三階單位陣。

將(k+1)時刻攝像頭捕捉到的所有量測值與上述的跟蹤區(qū)域H進行對比，若掃描到在該時刻有實測值U(k+1)在H內(nèi)，則判定該實測值為目標軌跡在(k+1)時刻的實測值；若沒有掃描到該時刻的任何實測值在H內(nèi)，則認為該軌跡點在(k+1)時刻遇到噪聲干擾，量測值失真，可將k時刻的預測值作為(k+1)時刻的實測值。用公式表達上述關(guān)系為

(3)

將修正過的實測值M(k+1)的值代入自適應修正KF遞推方程組中

(4)

2 AR(p)模型的建立與各項參數(shù)的確定

2.1 AR(p)模型建立

AR(p)模型的原理為根據(jù)已確知的歷史記錄數(shù)據(jù)進行組合，從而得到關(guān)心時間區(qū)域內(nèi)的預測信息[5]，因此，可以對無規(guī)則運動軌跡進行預測。AR(p)模型的一般公式如下

(5)

式中y(k)為AR(p)模型在k時刻目標車燈光源位置坐標的預測值；y(k-i)為時間序列{y(t),t=1,2,…,N}中的所選取的一段目標光源歷史軌跡數(shù)據(jù)，可通過自適應修KF算法得到；{ai,i=1,2,…,p}為模型的自回歸系數(shù)序列；p為模型階數(shù)；白噪聲{ξ(k),t=1,2,…,p}的為均值為零。若令θT(k)=[a1,a2,…,ap]，目標光源歷史軌跡數(shù)據(jù)XT(k)=[yk-1,yk-2,…,yk-p]，則AR(p)模型的一般公式可以表示為[6]

y(k)=XT(k)θ(k)+ξk

(6)

2.2 自回歸系數(shù)最優(yōu)估計的確定[7]

S=(y(k)-θ(k)(k))T(y(k)-θ(k)(k))

(7)

(8)

2.3 準則確定模型最優(yōu)階數(shù)

AIC準則的計算公式為

AIC(p)=ln|(p)|+2p/N

(9)

(10)

則AR(p)模型的完整公式[9]為

(11)

3 算法預測性能仿真驗證

3.1 試驗平臺搭建

在本文中，采用搭載OV10635芯片的車載攝像頭對夜間前方目標車燈光源進行捕捉，并將移動光源的位置坐標信息通過CAN總線傳遞給上位機。該攝像頭模塊具有30幀/s的圖像處理能力，有效像素大小為1 280×720[10]，滿足夜間道路實時捕捉移動光源的要求。本文在算法性能驗證的諸多實車實驗中，隨機選擇一組車流量較大的城市路況采集結(jié)果進行數(shù)據(jù)分析對比，如圖2(a)所示，其共有4個車道W1,W2,W3,W4,分別對應車道線為r1,r2,r3，如圖2(b)所示，在圖中存在路燈和其它車輛的車燈等干擾光源。本文對自車前方左側(cè)對向車道的來車的(如圖2(a)左側(cè)方框車輛)的車大燈光源進行實時捕捉。

圖2 城市道路采樣

3.2 自適應修正KF算法驗證

在對車輛前方移動光源跟蹤算法的仿真驗證中，首先對圖2(a)中目標車燈的真實運動軌跡進行標記，如圖2(b)所示。為了驗證本文跟蹤算法在夜間道路中跟蹤移動光源的效果，在對目標車燈的跟蹤中分別應用傳統(tǒng)KF算法和本文跟蹤算法作為對比，預測效果分別如圖3(a),(b)所示。從對比可知，本文跟蹤算法較比傳統(tǒng)KF算法跟蹤精確度更高，尤其在有路燈和其它車燈等干擾光源影響的時候。

圖3 真實軌跡與兩種跟蹤算法軌跡

圖4為兩種算法分別在有路燈干擾和其它車燈干擾時的精確度差別。其中，圖4(a),(c)分別為傳統(tǒng)KF算法在有路燈干擾和其它車燈干擾時的跟蹤效果圖，由于無法對兩種干擾光源做出有效識別和排除，導致其每一幀的最優(yōu)估計值(菱形曲線)都偏離真實值(實曲線)，且偏離幅值較大；圖4(b)和(d)分別為本文跟蹤算法在有路燈干擾和其它車燈干擾時的跟蹤效果圖，在對兩種干擾光源進行識別并消除后，其最優(yōu)估計值曲線近乎接近真實運動軌跡，跟蹤效果遠遠優(yōu)于傳統(tǒng)KF算法。

圖4 兩種算法對雜光干擾的排除效果對比

兩種KF算法的誤差對比如圖5所示，實曲線為本文跟蹤算法跟蹤誤差曲線，虛曲線為傳統(tǒng)KF算法誤差曲線。由誤差對比圖可以看出，經(jīng)本文跟蹤算法修正后，可基本排除夜間道路中的其它車燈光源和干擾光源對移動光源軌跡跟蹤預測的影響，其跟蹤誤差控制在4個像素點以內(nèi)，預測精確度在98 %以上，可為AR(p)模型實時提供精確的歷史數(shù)據(jù)時間序列更新值。

圖5 兩種卡爾曼濾波算法誤差對比

3.3 AR(p)模型算法驗證

在對自適應修正卡曼濾波算法進行驗證的基礎上，將模型所需歷史數(shù)據(jù)時間序列數(shù)N定為30，預測時間步h長為30(1 s)，以評估該模型的多時間步長預測性能。預測效果圖如圖6所示。

圖6 AR(p)模型對比圖

圖6(a)為對目標移動光源X軸位置坐標的預測效果圖，圖6(b)為對目標移動光源Y軸位置坐標的預測效果圖。圖7為AR(p)模型的預測誤差圖，從圖中可以看出，對自回歸系數(shù)進行卡爾曼濾波后得到的AR(p)模型的1 s預測精度非常高，誤差率在5 %以下。

圖7 AR(p)模型預測誤差圖

4 結(jié) 論

針對ADB系統(tǒng)對控制準確性和實時性的需求，提出了在AR(p)模型中融入自適應修正KF算法?？紤]到夜間道路環(huán)境的復雜性和特殊性，并汽車當前行駛環(huán)境特征作為篩選目標車燈光源為基礎，提出了自適應修正KF算法，以實時修正更新歷史數(shù)據(jù)時間序列。并將更新的時間序列作為AR(p)模型中的模型輸入，以得到更為精確的多時間步長預測值。實驗驗證結(jié)果表明：融入了自適應修正KF算法的AR(p)模型對目標車燈光源的運動軌跡具有更高的預測精度，能夠充分滿足ADB系統(tǒng)控制的實時性和準確性要求。