賈文洋 王鵬舉 吳文祥 劉朋

關鍵詞 計算機視覺 車道識別 駕駛狀態(tài)監(jiān)測

1引言

近年來，隨著社會經濟的不斷發(fā)展，人們生活水平不斷提高，越來越多的家庭擁有了汽車。自動駕駛技術的不斷發(fā)展，使得越來越多的汽車開始裝備駕駛輔助系統(tǒng)。

采用計算機視覺進行道路識別和駕駛輔助具有成本低、部署快速、效率高等特點。使用OpenCV 對攝像頭傳回的數(shù)據(jù)進行實時處理。使用Canny 邊緣檢測技術和霍夫變換以實現(xiàn)圖像的實時處理，Canny 邊緣檢測采用了高斯模糊來加強對數(shù)據(jù)處理的精準性，首先進行圖像的降噪，然后計算圖像梯度，隨后進行非極大值抑制和閾值篩選，使用霍夫（Hough）變換尋找直線，最后標記出道路供駕駛員參考或為自動駕駛設置界限。

在OpenCV 的基礎上，引入Tensorflow API 和已訓練數(shù)據(jù)集進行目標識別[1] 。根據(jù)已經訓練好的模型，在車輛行駛中進行目標識別，如行人、車輛、紅綠燈等。同時，針對已有系統(tǒng)無法對駕駛員進行監(jiān)控和駕駛輔助問題，我們采用車載雙攝像頭的方式對車外道路信息和車內駕駛員駕駛狀態(tài)進行實時采集來解決。車外攝像頭采集圖像，使用OpenCV 進行實時的圖像處理，識別車道并幫助駕駛員進行行車路線的保持;車內攝像頭通過對駕駛者一定時間內的眨眼次數(shù)進行統(tǒng)計，以判斷駕駛員的駕駛狀態(tài)。

2車道識別步驟及算法實現(xiàn)

車道線檢測和識別模塊主要流程如圖1 所示。

2.1ROI 區(qū)域劃分算法實現(xiàn)

收集實時圖像時，圖像中會出現(xiàn)對數(shù)據(jù)處理結果產生干擾的區(qū)域，如路邊的電線桿、大石塊等。這些因素的出現(xiàn)會導致數(shù)據(jù)處理速度變慢甚至影響準確性。為了排除非必要數(shù)據(jù)所帶來的干擾，通過圖像ROI 來解決這個問題。ROI 通過在圖像上選擇或使用諸如設定閾值以及從其他文件轉換獲得等方法生成。ROI 區(qū)域可以是點、線、面、不規(guī)則的形狀，通常用來作為圖像分類的樣本、掩膜、裁剪區(qū)。根據(jù)實際情況和模擬場景所提取到的數(shù)據(jù)來看，車道線的信息一般位于圖像中間靠下部分，因此需要對圖像進行裁剪，從而減少計算時間、提高檢測精度[2] 。

2.2圖像灰度處理算法實現(xiàn)

為了減小后續(xù)圖像處理的計算量，提高系統(tǒng)的實時性能，需要將車外攝像頭采集到的實時彩色圖像轉變成灰度圖像（圖2）?；叶葓D像將反映圖像局部和全體的色度與亮度階度的分布特征，并且灰度圖像消耗的內存空間小。

2.3Canny 邊緣檢測算法實現(xiàn)

可以在精準提取圖像邊緣的前提下，盡可能降低噪聲所產生的影響，并且將圖像中弱邊緣和強邊緣識別出來。對于路面磨損、不清晰等情況，Canny邊緣檢測的魯棒性強，能夠綜合強弱邊緣的位置關系，計算出圖像整體邊緣信息。Canny 邊緣檢測算法如下。

使用高斯模糊對圖像進行處理，保留邊緣信息，使用3×3 高斯濾波器：

采取非極大值抑制，比較圖像像素和梯度強度與正負兩個方向上的兩個像素，若當前像素梯度強度大于其他兩個梯度時，設置該點為邊緣點，反之則該點將會被抑制。

檢測強邊緣和弱邊緣。設置兩個值為閾值。將檢測到的邊緣點梯度值與雙閾值進行比較。若邊緣點梯度值大于較小閾值且小于較大閾值，則該點為弱邊緣;若該點梯度值小于小閾值，則刪除該點。

在進行灰度處理后，系統(tǒng)將采用高斯濾波對圖像在傳輸過程中因為各種因素所干擾而產生的噪聲干擾進行去除。通過高斯函數(shù)離散化處理，以離散點的高斯函數(shù)值為權重對圖像灰度矩陣的每個像素進行加權平均，最后輸出結果（圖3）。

2.4霍夫變換對直線進行檢測算法實現(xiàn)

為了在車道檢測的過程中將區(qū)域中的直線繪制出來（圖4），實現(xiàn)ROI 區(qū)域像素從笛卡爾x?y 坐標系到霍夫k?b 坐標系的轉換，使用了概率霍夫變換，其算法如下：（1）檢測直線上的所有像素點，找到符合y=kx+b 的所有點坐標（x，y）;（2）將y=kx+b 轉換為b=-kx+y 的形式。y=kx+b 直線上的點在b=-kx+y 上都體現(xiàn)出經過（k，b）點，將這些點轉換為直線;（3）圖像中所有b=-kx+y 的點都表示各種直線。若找到了直線的交點，那么就找到了y=kx+b 坐標中的直線。

2.5圖像實時回傳的處理方法

使用OpenCV 獲取實時畫面，并將畫面以窗口化方式呈現(xiàn)在車載電腦屏幕上。對實時屏幕畫面進行典型處理，對傳回的圖像進行灰度處理和canny 邊緣檢測，最終可以達到每秒20 幀左右的畫面實時處理速度。如圖5 所示。

2.6提高邊緣檢測下直線精度的處理方法

將傳回的圖像直接進行邊緣檢測處理時，存在識別線條精度問題：一些線條出現(xiàn)短線、斷層，這對車道的精準識別產生影響。傳回邊緣檢測所產生的線條時，以坐標形式進行函數(shù)劃分，在斷層處畫線連接，使用高斯模糊對圖像進行邊緣化處理。

3使用Tensorflow API 中的部分方法實現(xiàn)目標識別和碰撞預警

使用OpenCV 的目標識別函數(shù)進行動態(tài)物體的識別，會導致識別效率低下[3] 。為了更好的解決上述問題，選擇使用Tensorflow API 與已經訓練好的模型相結合，進行實時識別并標注車輛、行人、紅綠燈位置，還可以進行距離碰撞預警（圖6）。主要方法如下。

4駕駛員駕駛狀態(tài)識別及算法實現(xiàn)

駕駛員駕駛狀態(tài)識別模塊主要流程如圖7 所示。

4.1使用OpenCV 進行人臉識別的算法實現(xiàn)

通過OpenCV 調用攝像頭，使用基于dlib 的68 個特征點檢測模型進行人臉識別、眼間距以及眨眼次數(shù)的統(tǒng)計。主要算法如下。

4.2Yolov5 進行物品識別的算法實現(xiàn)

在前期進行模型的訓練，使系統(tǒng)具有識別手機、水杯的功能，并進行系統(tǒng)自動標注（ 圖8）。使用yoloV5 python 接口（detect.py）處理圖片并創(chuàng)建Flask服務，主要算法如下。

4.3駕駛員駕駛疲勞判斷的算法實現(xiàn)

檢測駕駛員的瞳孔直徑，計算注目凝視、眼球轉動、眉眼掃視、眼睛閉合的時長，確定駕駛員疲勞的程度。根據(jù)Perclos 算法檢測出駕駛員存在疲勞駕駛狀態(tài)，系統(tǒng)就會發(fā)出預警信號。主要算法如下。

5總結

本文通過基于OpenCV 實現(xiàn)了攝像頭的視頻流處理，識別出當前道路直線情況。同時，調用TensorflowAPI 實現(xiàn)了行車障礙的識別和碰撞距離的預警;對于車內駕駛員，通過OpenCV 和Yolov5 實現(xiàn)了對駕駛員駕駛狀態(tài)的檢測和特定物品識別，將大大增加駕駛安全性。本系統(tǒng)尚有不足之處，如對道路識別的準確性、對特定物品識別的速度和精準度等都有待提高，未來將逐漸完善此項工作，不斷提高系統(tǒng)的穩(wěn)定性和魯棒性。