設(shè)置汽車安全輔助駕駛系統(tǒng)能夠提高駕駛員、車輛的安全性，促進汽車技術(shù)的發(fā)展。對于周圍道路環(huán)境感知為實現(xiàn)汽車安全輔助駕駛功能的基礎(chǔ)，前方車輛深度信息為保證安全車距和安全換道超車的重點，所以對前方車距探測方法的研究對于汽車安全和輔助駕駛尤為重要

。

1 機器視覺技術(shù)的使用背景

計算機視覺領(lǐng)域核心能夠?qū)崿F(xiàn)圖像的檢索和分類，中國目前常用特征集能夠描述圖像。功能帶為BOF功能線，能夠為圖像描述提供處理方案，整合特征為一個整體。其次，根據(jù)視覺代碼特征進行標(biāo)記，創(chuàng)建新型視覺詞匯和收集。此種映射包括主要的頻率分布圖，BOF能夠結(jié)合圖像處理概念和文本語義，在車輛分類和檢索中尤為重要。通過車輛邊緣化實現(xiàn)BOF模型的結(jié)合，及時檢測前方車輛信息。在實際使用過程中，能夠?qū)崿F(xiàn)車輛假設(shè)存在區(qū)域和假定區(qū)域驗證。首先，預(yù)處理現(xiàn)有圖像，然后根據(jù)邊緣檢測技術(shù)進行處理，得出假定區(qū)域，之后使用邊緣檢測技術(shù)實現(xiàn)第二種處理，得到車輛假定存在區(qū)域。之后，將鄰域計算方法應(yīng)用到BOF附近，對假定存在區(qū)域進行驗證，以此將誤報目標(biāo)消除，使車輛檢測效率與準(zhǔn)確性得到提高

。

首先，將高度圖取反，獲得一張存儲了表面深度值的深度圖，并將深度值規(guī)范化到[0,1]的范圍內(nèi)。如圖4所示，多邊形表面的深度值為0，最大的位移深度值為1。輸入的紋理坐標(biāo)為t0，偏移后的紋理坐標(biāo)為toff，視差偏移向量為P（視差偏移向量的值決定了最大紋理坐標(biāo)偏移量和偏移方向）。

2 基于機器視覺的道路前方車輛初定位

利用車輛下部陰影對車輛識別，陰影為燈光下的主要特征，因為一天之內(nèi)陰影并不會被陽光照射，所以區(qū)域在一天內(nèi)的亮度值并不會改變。車輛前后部結(jié)構(gòu)為水平結(jié)構(gòu)，比如車牌、保險杠、車燈等，在圖像中為負階躍。假如被檢測目標(biāo)車輛與車輛距離比較遠，以上水平結(jié)構(gòu)的聚類特征屬于目標(biāo)車輛檢測線索。

鎮(zhèn)痛效果較好,無牽拉反應(yīng)視為優(yōu)。鎮(zhèn)痛效果一般,有輕微疼痛視為良。鎮(zhèn)痛效果差,孕婦疼痛感明顯視為差。優(yōu)良率為優(yōu)秀率與良好率之和。

假設(shè)道路內(nèi)部并沒有其他干擾信息，車輛范圍年內(nèi)部灰度值具有良好一致性。在存在相同夜間道路光照情況的時候，目標(biāo)車輛和車輛相聚比較遠，路面灰度值比較大。因為目標(biāo)車輛在不斷的行駛，底部存在陰影，路面灰度值比陰影灰度值要高，所以目標(biāo)車輛底部位置的平均灰度具有負階躍。負階躍能夠?qū)η胺绞欠癯霈F(xiàn)障礙車輛和障礙車輛位置的條件進行判斷，但是并不是唯一的條件。主要外在因素會導(dǎo)致行車道路平均灰度值存在以上負階躍，比如在路面存在修補痕跡與深色雜物的時候，也能夠存在負階躍。

在車輛存在對應(yīng)行駛的時候，平均灰度值變化比較明顯。圖像能夠?qū)⑿畔⒈磉_出來，所以要精準(zhǔn)掌握圖像灰度值。假如灰度值的分布簡單，表示圖像信息比較少，灰度值的分布比較復(fù)雜，表示圖像的信息比較多。利用熵值對圖像信息量進行確定，在圖像區(qū)域灰度等級比較少的時候，也會降低熵值，提高灰度等級，增加熵值

。假設(shè)

指的是概率空間中的事情，平均信息量的計算公式為：

公式1

兩條車道線的區(qū)域就是感興趣區(qū)，也稱之為AOI。以此，基于區(qū)域增長算法實現(xiàn)Hough變換，對行車道兩條邊緣線進行確定。圖像在車輛前進方向出現(xiàn)畸變，兩條實際平行的車道線在圖像中相交一點，也就是虛點或者銷售點。

以圖2可以看出來，車輛對應(yīng)灰度等級比較多，灰度變化也越來越明顯，因為車輛經(jīng)過底部車道比較寬，路面灰度范圍變化也比較快。所以，灰度等級也比較大，所以要利用路面單位像素灰度等級實現(xiàn)夜間道路前方車輛位置的判斷。以上述圖像表示：在分析的過程中，要通過圖像底邊，也就是圖像中的0行搜索，在路面平均灰度值曲線在波谷下邊緣，路面單位像素灰度等級曲線根據(jù)波峰上沿比某個閾值還要大的時候，說明此坐標(biāo)指的是障礙物底邊坐標(biāo)，障礙物就是目標(biāo)車輛。通過其他研究表示，假如目標(biāo)車輛或者在行駛過程中的車輛據(jù)喲橋梁陰影和斑馬線等陰影，路面單位像素灰度等級曲線并不會根據(jù)波峰不斷的上沿，不能夠超過指定閾值，所以只能夠初步定位

。

3 前方車輛的探測和測距

3.1 確定感興趣區(qū)

障礙物探測為安全輔助駕駛的重點，本文假設(shè)：

其一，在標(biāo)準(zhǔn)高速公路中，路面中除了行駛的車輛并沒有其他的障礙物；

其二，車輛行駛在行車道中；

3.3.2 圖像自適應(yīng)閾值計算

公式中的

(

)指的是事件中各灰度級的概率，

(

)指的是平均信息量，圖1為路面單位像素灰度等級曲線，圖2為車輛路面灰度等級數(shù)變化曲線。

3.2 障礙物檢測

弘揚50年治水興水精神 推進海河水利事業(yè)新發(fā)展…………………………………………………… 任憲韶(22.11)

在雙目視覺測距算法應(yīng)用到圖像采集過程中，利用兩個攝像頭獲取信息。其中的問題就是圖像匹配問題，對于同個位置匹配兩幅圖像。在匹配過程中要對圖像矩形框的中心點定位，之后選擇車輛中距離中心點最近圖像測量，兩幅圖像視差和車輛最終距離相關(guān)，測量過程中使用三角形測距方式測量。

公式2

圖像采集指的是三維世界坐標(biāo)在二維像平面中映射，能夠通過幾何變換對映射進行描述。以小孔成像模型使單目視覺系統(tǒng)簡化成為你攝像機投影模型，圖3為攝像機攝影模型。

3.3 前方車距測量

3.3.1 測距模型

公式中的

(

)指的是第

行左坐標(biāo)，

(

)為

行的右坐標(biāo)，

(

,

)為像素灰度值，

(

)為灰度平均值。

(

)的改變是因為車輛底部陰影導(dǎo)致的，表示已經(jīng)檢測前方車輛。

本文中障礙物檢測是將灰度梯度原則作為基礎(chǔ)，在標(biāo)準(zhǔn)路面中作為本車和前車的AOI區(qū)域中灰度平緩變化，但是在路面與車輛相交的地方，因為兩個后輪存在陰影，導(dǎo)致灰度從亮到暗的水平邊緣，檢測邊緣也就是車輛下邊緣。通過AOI中從下到上根據(jù)水平線逐行掃描，對每行灰度平均值進行計算：

圖3中的平面ABU指的是路平面，ABCD指的是道路平面中射線機照射的梯形區(qū)域，O點指的是鏡頭中心點，G點指的是道路平面和光軸的交點，OG指的是光軸，I點指的是O點在路平面中垂直投影。將G點在路平面中定義坐標(biāo)原點，Y軸方向為車輛前進的方向。

其三，道路為水平直線。

數(shù)據(jù)應(yīng)用SPSS 20.0軟件分析，計量資料以表示，多組比較使用單因素分析，不同時間點相關(guān)指標(biāo)采用重復(fù)測量方差分析，P<0.05為差異有統(tǒng)計學(xué)意義。

在車輛行駛過程中能夠?qū)⒉糠止庠凑诒危瑢?dǎo)致車身底部陰影存在。對于整體圖像來說，車身底部處于最低灰度值的區(qū)域中。但是車輛陰影會隨著周圍環(huán)境改變，出現(xiàn)相應(yīng)灰度值區(qū)域改變。所以，檢測車身底部陰影前方車輛，利用自適應(yīng)閾值圖像分割實現(xiàn)。因為車輛在行駛過程中具有建筑物、樹木等遮蔽情況，所以使用多次自適應(yīng)閾值分割的方法，將行進過程中的動態(tài)目標(biāo)進行提取。實現(xiàn)兩次自適應(yīng)閾值分割，實現(xiàn)采集圖像的灰度處理，并且掃描圖像灰度值，對不同灰度區(qū)域方差、均值的確定。在實現(xiàn)第一次圖像自適應(yīng)閾值分割之后，計算圖像灰度臨界值。然后，基于第一次圖像自適應(yīng)閾值分割對圖像數(shù)據(jù)信息進行過濾信息，并且對灰度區(qū)域均值和方差再次計算。一般，第一次圖像自適應(yīng)閾值分割之后得出明顯車底陰影。通過兩次圖像自適應(yīng)閾值分割之后，得出更加精準(zhǔn)的計算效果。第一次圖像自適應(yīng)閾值分割得出均值和方差，過濾圖像中的高亮像素和光線比較強的圖像部分。另外，自適應(yīng)閾值也會隨著周圍環(huán)境亮度出現(xiàn)改變，改變陰影部分。第一次圖像自適應(yīng)閾值分割會分割建筑物、樹木，導(dǎo)致底陰影的出現(xiàn)。所以，第二次圖像自適應(yīng)閾值分割，能夠?qū)⒌谝淮畏指顚?dǎo)致的陰影干擾排除。所以，在處理采集圖像的過程中，要實現(xiàn)圖像的灰度處理，之后實現(xiàn)兩次圖像自適應(yīng)閾值分割，得出處理效果。

對于萬能軋機的重軌生產(chǎn)，軋機對型鋼斷面的軋制要高于普通軋面20 m左右。在離鋼軌尾部10 m的范圍內(nèi)，會存在一個高于正常軌道0.5 mm以上的“高點”，該“高點”會在鋼軌有0.5 m左右的持續(xù)長度。對于這些影響列車運行的“高點”，傳統(tǒng)“高點”處理方式為器具打磨，但器具打磨會嚴(yán)重影響鋼體的質(zhì)量與壽命。而使用全軋程熱力耦合數(shù)值模擬系統(tǒng)，能夠完成E孔型和UF孔型的連軋工作。其中UF孔型屬于半封閉的軌道孔型，軋件在離開E軋機進入UF軋機的過程中，會由于半封閉孔型而發(fā)生“甩尾”現(xiàn)象，軋件尾部會明顯高于脫離軋機時的軌高。

霧化吸入治療過程中,確?；純翰扇∽换蛘甙胱P位,使膈肌下移,便于霧化吸入后肺部充分擴展,增加氣體的交換量。

4 測距試驗和校正

4.1 系統(tǒng)的設(shè)計

利用VC++設(shè)計平臺，使用計算機視覺庫OpenCV實現(xiàn)功能，圖4為系統(tǒng)的整體流程。

4.2 測距試驗和數(shù)據(jù)校正

實現(xiàn)靜態(tài)試驗，安裝攝像機的高度為1.2m，車牌和地面的距離為55cm，公路安全測距超過30m，城市安全距離超過20m，根據(jù)測量試驗中的距離，通過計算得出攝像機傾角設(shè)置為19.2°，表1為靜態(tài)試驗結(jié)果。

通過表1可以看出來，總體誤差為2%-4%，距離在10-22m之間，主要是因為攝像機誤差、人工測量誤差導(dǎo)致誤差。修正試驗數(shù)據(jù)，根據(jù)計算距離與測量距離作為縱橫坐標(biāo)創(chuàng)建直角坐標(biāo)系，利用最小二乘法對回歸曲線擬合，根據(jù)校正之后的數(shù)據(jù)詳見表2。通過修正后，能夠提高計算距離精度。

(2) 盾構(gòu)隧道管片收斂整治微擾動注漿施工的影響范圍：水平位移和道床沉降為10環(huán)，水平收斂和豎直收斂為20環(huán)。

4.3 動態(tài)車距測量試驗

對坐標(biāo)系與目標(biāo)點的轉(zhuǎn)換關(guān)系明確之后，實現(xiàn)攝像機內(nèi)外參數(shù)標(biāo)定，保證攝像標(biāo)定過程中攝像頭有固定的位置。首先，設(shè)置平面作為參考面板，利用灰度像素對圖像優(yōu)化，實現(xiàn)攝像機內(nèi)外參數(shù)矩陣標(biāo)定。通過攝像機自身決定攝像機內(nèi)參數(shù)，通過坐標(biāo)系轉(zhuǎn)換外參數(shù)，所以如果出現(xiàn)轉(zhuǎn)變就回重新標(biāo)定。為了在車輛測距過程中得到精準(zhǔn)數(shù)據(jù)，還要使用雷達等附屬設(shè)備印證距離精準(zhǔn)性。在動態(tài)檢測車距的過程中，在路況良好的高速路和城市外環(huán)路中測試，前后兩輛車行駛距離為60-80km/h，相對速度為[1,3]km/h。首先，檢測行駛方向是否有車輛，利用攝像頭采集圖像，根據(jù)視覺算法計算車距，表3為車距檢測的試驗數(shù)據(jù)。通過表3可以看出來，在車輛處于前方80m之內(nèi)的時候，測量誤差為4m時可以接受的；在超過80m的時候，就會增加誤差。在測距為10-50m的時候，誤差范圍不超過2m。根據(jù)以上試驗數(shù)據(jù)表示，車輛距離范圍為10-80m，能夠保證測距精準(zhǔn)性。

5 結(jié)束語

本文所提出的道路前方車輛檢測方法能夠?qū)⒈尘案蓴_進行去除，利用圖像預(yù)測對車輛運行軌跡進行分析，使檢測精準(zhǔn)性得到提高。根據(jù)定位、預(yù)定位與實時追蹤對前方車輛運行軌跡進行追蹤，對同個車道車輛位置進行檢測，還能夠在同個車道車輛位置中進行檢測。本文研究能夠促進車道信息檢測，保證道路交通的安全性。

[1]劉羅仁. 基于機器視覺的前方車輛檢測和車距測量算法研究[J]. 電子測試, 2020(19):2.

[2]楊宏偉, 武志斐, 徐光釗. 基于機器視覺的夜間道路前方車輛目標(biāo)檢測技術(shù)[J]. 電子設(shè)計工程, 2020(17).

[3]程瑤, 趙雷, 成珊,等. 基于機器視覺的車距檢測系統(tǒng)設(shè)計[J]. 計量學(xué)報, 2020, 41(1):5.

[4]王彤. 基于機器視覺技術(shù)的艦船行駛軌跡自動檢測算法[J]. 艦船科學(xué)技術(shù), 2020, v.42(16):56-58.