基于视觉AI的车道参照车距测量方法

来源:用户上传      作者:徐鹏 唐一夫

　　摘 要：车距测量技术对于减少交通安全事故，提高行车安全具有重要的意义。目前车距检测技术多是以车辆为参照进行测距，检测结果为两车的直线距离，但在弯道情况下则与实际车间距误差较大。因此，在分析现有的测距方法的优点及不足之处的基础上，基于视觉AI技术提出一种车道参照车距测量方法。该方法首先通过逆透视变换算法，实现从车道正视图到鸟瞰图的转换;继而通过霍夫智能变换实现对车道线的识别以及提取;最后利用积分法以车道线为参照系，计算目标车距。本研究利用Visual Studio 2013+OpenCv平台编译试验程序进行试验，结果表明，相较于传统车距检测方法，该方法提升了车距测量精度，具有一定的优越性。
　　关键词：逆透视变换;霍夫智能变换;车道线检测;车距测量
　　中图分类号：U491
　　文献标志码：A
　　随着社会经济的不断发展、城市化进程的加快以及汽车的保有率不断提高，城市交通拥挤日益加剧，交通事故日益频发，给人们的生命和财产造成了重大的损失[1]。根据英、美等发达国家的交通事故分析，事故中90%以上是由追尾引起的，而在我国追尾事故也居各种道路事故之首。据研究表明，1s的预计时间可以预防90%的汽车追尾事故和60%汽车正面碰撞事故。旨在提高驾驶员视觉效能和汽车主动安全性能的辅助驾驶系统（driver assistance system，DAS）对安全行车具有重大意义[2-4]，因此受到人们的广泛关注。
　　前方车辆车距检测技术是DAS的重要组成部分，可以用于实时检测当前车辆与前车的距离，并适时发出预警信号，提醒驾驶员前方潜在的威胁，保证行驶安全。目前，应用在汽车上的测距方法主要有超波测距、激光雷达测距、微波雷达测距、红外线测距方式、计算机视觉测距技术等几种方法[2]。其中，计算机视觉测距技术因其具有成本较低、信息便于获取、维护费用较低以及可进行多车道检测等优点，成为当前的研究热点。目前，国内外对于采用计算机视觉进行车距检测多是基于三角原理的双目CCD测量方式和基于单目视觉的测量方式。
　　基于双目视觉的测距算法[5-7]的计算方法复杂，双目匹配和相机标定较难，且成本较高;而基于单目视觉的测距方法实现原理简单，成本较低，实时性较好。邹斌[8]通过计算图像坐标系下车道标志线等信息，依据摄像机模型计算前方目标车距，但需要在特定场景下，需要获取多个信息，不具有普适性。王永森[9]聚焦于车辆的下边沿的位置标定结合逆透视变换，进行单目视觉测距，提升了测距精度，但计算公式是基于车辆参照进行计算。TUOHY等[10]根据IPM公式得到车道的鸟瞰图，结合线性关系进行车距计算，但其主要考虑直道情况，且对相邻车道内的车辆测距误差较大。WANG等[11]提出一种车辆在弯道估算前方车距的算法，但其较依赖于弯道的道路特征信息，不具有普适性，只适用于特定场景。WONGSAREE等[12]根据逆透视映射原理和相机投影原理，提出基于几何模型的单目测距方法，但其只考虑直道情况。HAN等[13]将检测车辆的信息结合针孔摄像机模型对车距进行估算，但其车距测量是以车辆为参照进行。BAO等[14]基于卷积神经网络提出一种单目视觉测距方法，但其需在特定的距离下进行测量，且测量以车辆为参照进行。
　　综上，当前车辆间距检测多是以车辆参照进行测距，检测结果在相对平坦的直线道路可以反映真实车距，但道路线形并非全是直线，这在城市和乡村的常规道路中，有大量的应用场景，此时真实车距应该沿道路线形进行计算，如图1所示。例如在车道合并/分割、交叉口、环形路或陡坡上，如果以直线距离参与避碰预警分析，结果将是错误的，且汽车为高速运动目标，微小的误差也会放大产生严重后果。
　　基于上述原因，本研究考虑基于车道参照即沿着车道线进行真实距离的测量。该问题的关键在于如何获取当时道路的俯视图，并提取车道线进行计算。可以考虑基于GPS定位自车及目标车辆，在电子地图上依据道路线形推算获取车距，但是该技术需要一定的信息流量费用;其次，电子地图相对粗略，细节到车道的精度不足，很多临时施工改变线形并没有实时反映出来;还有，在一些城市高楼林立区域或山区，GPS无信号则无法进行测量。因此，考虑基于视觉AI技术，方法流程如图2所示。首先，通过逆透视变换算法，实现车道从正视图到鸟瞰图的转换;其次，通过霍夫智能变换识别和提取图像中的车道;最后，采用积分法以车道线为参照系，计算车辆间距。
　　1 基于视觉AI的车道参照车距测量方法
　　1.1 基于逆透视变换构建场景鸟瞰图
　　逆透视变换可以看作一定前提下的透视变换的逆过程，根据原始图像的信息以及镜头的内部参数和外部参数来恢复三维坐标中某一平面的画面信息，实现图像坐标系和三维世界坐标系之间的转化。本研究通过逆透视变换实现车道从正视图到鸟瞰图的转换。目前，实现逆透视变换主要有两种方法：1）基于单应性矩阵变换的逆透视变换;2）基于摄像机模型的逆透视变换。若采用基于单应性矩阵的变换方法，需要选取4组对应特征点进行变换，但人工选取会对变换结果产生较大的影响。因此，采用基于摄像机模型的逆透视变换方法。目前应用较为广泛的摄像机模型IPM公式，是由BERTOZZI等[15]推导出来的。该公式的原理如图3所示：首先定义世界坐标系，记为W={（X，Y，Z）}∈E3，它是客观世界的绝对坐标系;定义图像坐标系为I={（x，y）}∈E2，而逆透视变换的实质就是在Z=0的前提下，将图像空间I转换到世界坐标系W中。
　　M.Bertozzi公式在相机架设较大，相机焦距较小，且俯仰角度较小的情况下存在较大的水平曲线误差。考虑到实际行车中摄像机俯仰角较小的情况，为保证变换效果和测量精度，本文中采用曹毓改进的IPM公式[16]来实现逆透视变换。该公式能较好地消除直线弯曲误差，修正了算法，具有良好的逆透视变换效果。考虑从世界坐标系到图像坐标系的坐标变换关系，也为后期机器识别和计算机运算处理的便利，对该改进IPM公式进行反求，如式（1）所示：
转载注明来源:https://www.xzbu.com/1/view-15423415.htm