基于视觉的车辆与车道线检测系统的设计
来源:用户上传
作者:高晋先 马文博 李凯 孔令名
摘要：随着汽车的软硬件迅猛发展，智能驾驶已成为热门领域。为提高汽车的行驶安全性，发展环境感知技术至关重要，其中视觉传感器获取信息直观且成本低廉，已成为智能汽车提高行驶安全性的优先选择方式。据此，基于视觉的车辆与车道线检测方法，进行了系统设计，并以数字图像处理为理论基础，分析了车辆与车道线识别的步骤和检测，同时利用Python编写代码，经过运行达到了预期的设计目标。
关键词：自动驾驶；视觉；数字图像处理；车辆检测；车距检测
中图分类号：U467 收稿日期：2022-08-08
DOI：10.19999/j.cnki.1004-0226.2023.01.017
1 研究背景及意义
研究智能汽车的主要目的是在汽车行驶时提高行车的舒适性、安全性并实现良好的人车交互。而智能汽车的核心问题是保证汽车的安全驾驶。近年来，我国的机动车保有量飞速增长，在很大程度上方便了人们的日常生活以及出行，但同时带来的交通问题也不容小觑。
在上世纪末，汽车行业中主要通过研究被动安全技术提升行驶安全。随着被动安全技术日益完善，近年来，科研学者把研究目标转向主动安全技术。主动安全技术的应用有效地降低了事故发生的概率，为实现L3级及以上的自动驾驶打下了基础。目前，互联网、初创公司、造车新势力和传统车企纷纷布局自动驾驶技术的研究，其中自动驾驶商业化运营已稳步推进。
在“驾驶员―汽车―环境”这个“以人为本”的系统中，“驾驶员”属于不确定的因素而存在，驾驶员的不合理行为将导致交通效率低下，必然具有显著的局限性。因此，汽车设计者应该改变思路，力求将驾驶员从系统中“剔除”，利用环境感知传感器获取信息代替驾驶员的观察，从而提高汽车的行驶安全性。其中，汽车上常用的环境感知传感器包括摄像头、激光雷达、毫米波雷达等。自动驾驶汽车的整体架构如图1所示。
2 国内外研究现状
2.1 计算机视觉国内外研究现状
数字图像处理技术借助计算机技术取得了较大的发展，基于视觉传感器获取信息直观且成本低廉，已成为科研学者的研究重点。计算机视觉就是研究通过机
器来看世界，它是人工智能的一个分支。类比于人类，计算机视觉是指通过用摄影头发挥出人眼的作用――感知和获取周围环境信息，识别目标并进行检测，通过识别算法处理图像信息，最后将处理的图像输出或者显示出来，在这个过程中计算机内的一系列算法就相当于人脑。
20世纪八九十年代，国外发达国家已开展计算机视觉技术的研究。谷歌公司、Mobileye等科技公司已有成熟产品进入市场。国内虽然对于计算机视觉技术进行了一些研究，但是相对于发达国家，仍然十分落后，这种情况在2010年获得改变。2010年后计算机视觉技术发展形势越来越迅猛，计算机视觉技术在人脸识别、损伤检测等方面也得到了广泛应用。
2.2 车距检测国内外的研究现状
对于自动驾驶，车距检测是十分基础且必不可少的功能。它能为汽车的自动紧急制动系统和前车碰撞预警系统提供距离信息。在汽车行驶过程中，通过车距检测自车与行人及其他交通参与车辆的距离，通过逻辑判定是否处于安全距离，若在提示安全距离阈值之内，一般会先触发前车碰撞报警系统提醒驾驶员，随着距离的接近，提示音会变急促且尖锐。相应地，在提示安全距离阈值内还有紧急制影踩距离阈值，若在紧急制动安全距离阈值内则会进行紧急制动。若在提示安全距离阈值之外，则系统不进行处理。
视觉是人类最为重要的感观系统。对于自动驾驶汽车来说，同样需要机器视觉来获取汽车行驶过程中的信息。目前，基于机器视觉，测距技术主要分为单目视觉测距、双目视觉测距以及多目视觉测距。单目视觉测距通过目标的像素信息结合摄像机的内外参数计算得到，这主要依赖于摄像机标定。同时，得到目标的三维信息也是一项重要的需求，单目相机可以利用光流技术或者特征匹配技术实现该需求。双目测距系统为了计算出目标物体的距离，使用了两个相机，然后根据目标在相机中的像素位置结合间距和焦距信息实现测距功能，这与人类双眼看事物原理一致。
当前，对于汽车防碰撞辅助驾驶系统，为检测车道和前方车辆多采用单目摄像头，为了控制方向、速度和探测前方车辆、行人、障碍物等的距离，多采用雷达。例如，美国军方研究的智能车辆为了进行障碍物探测，用了雷达与机器视觉融合技术。美国卡内基梅隆大学为了探测道路上的车辆行人以及其他静止障碍物，在其研制的系列智能车辆采用了视觉传感器和激光雷达技术。
3 前方车辆检测及识别算法研究
使用YOLO V3网络检测识别车辆，能满足自动驾驶汽车对实时性的要求。YOLO全称You Only Look Once。意思是算法模型只需要浏览一遍图片就可以识别出图片中物体的类别和位置。YOLO V3网络在满足较高实时性的同时具有良好的检测精度。该网络和其他的深度学习网络在性能上的对比情况如图2所示。
YOLO的第三代特征提取网络――Darknet-53特征提取网络，使用了53个卷积层的全卷积网络，其组成为5个卷积块和6个卷积层。该特征提取网络有如下特点：
a.每个卷积块提取不同尺寸的特征，不同的卷积块有不同数量的残差单元。
b.每个残差单元中包含一个1×1卷积块和一个3×3卷积块，其中卷积块是一个卷积层后面接局部归一化层和非线性激活层。
c.为了减少计算量，它通过1×1卷积块降低输入特征的通道数，再用3×3卷积块进行局部特征提取。
d.为了减少特征信息的丢失，它利用5个跨步卷积核代替最大值池化层来实现下采样。
e.该输出预测借鉴了特征金字塔模型的优点，它将倒数3个卷积块的输出都用作目标预测。其中，在做目标预测之前，最后一个卷积块的输出通过上采样与倒数第二个卷积块的结果进行相加；为了输出三个不同尺度的预测结果，倒数第三个卷积块与倒数第二个卷积块的融合的上采样结果进行相加再做目标预测，分别进行三次目标预测。再通过多个车辆预测结果及检测框中心点的二维坐标集合，利用此集合筛选距离中心线位置最近的车辆索引。图3中的框内即为检测出的车辆。
nlc202302121105
4 前方车辆距离检测算法研究
通过镜头将三维物体呈现在二维的像平面上，这就是摄像机成像的原理。这种呈现方式可以表述为投影变换。
利用摄像机的小孔成像模型，示意图如图4所示。
上图中目标的实际长度为[MN]，经小孔成像后，在像素平面上成像的长度为[M'N']。根据?OMN与?OM′N′相似，可得：
[fd=M'N'MN]
为了计算得到目标的距离，需要利用摄像机拍摄的单帧图片中像素点和目标之间的几何关系。同时，为了计算出目标的实际宽度需要利用目标在图片中的像素宽度。能够利用像素信息获取交通参与车辆相距主车的距离以及交通参与车辆的车宽，可为后续的路径规划提供环境感知信息。通过以上可以有效避免碰撞，同时安全超车的实现也有很大的益处。图5所示为检测的距离结果，横向距离为0.8 m，纵向距离为16.38 m。
5 车道线检测算法
5.1 图像灰度化处理
进行图像数字处理时，往往存在彩色图像处理速度过慢的情况，而使用灰度图像可以有效解决这个问题。因此使用最大值法进行彩色图像灰度转换，转换的表示公式为[Grayi，j=G（i，j）]，图像灰度化处理后的结果如图6所示。
5.2 高斯模糊及Canny检测
为了消除图像中的高斯噪声，可采用线性平滑滤波-高斯模糊。其本质上是低通滤波器。在计算机视觉计算中，高斯模糊所使用的高斯核为x方向和y方向上的两个一维高斯的乘积，两个维度上的方差通常相同。数学上表示为：
一维高斯分布：
[Gx，y=12πσ][e-x22σ2]
二维高斯分布：
[Gx，y=12πσe-（x2+y2）2σ2]
式中，δ是方差，x和y表示所用高斯核的中心。
该技术中采用Canny边缘检测算法，该算法进行图像梯度计算，借助非最大信号抑制和高低阈值的连接输出二值图像。与其他算法相比其输出的图像更平滑、边缘连续性更好、抗干扰能力更强、噪声更小。Canny检测结果如图7所示。
5.3 霍夫变换检测直线
为了在图像中寻找直线，将图像从平面空间转换到极坐标空间，需要在边缘检测后进行霍夫变换直线检测。图8所示为经过霍夫变换检测得到的直线。
图像检测中，直线的线性函数为[y=kx+b]共线的点b、k的值相同，令原式等于[y=（?cosθ/sinθ）x+（rsinθ）]，并转换成[b=?kx+y]的形式，可推出霍夫变换中的极坐标系标准形式为：
[r=xcosθ+ysinθ]
式中，r为直角坐标系中原点到直线的距离；θ为r与x轴的夹角。
5.4 车道线检测结果
在经过灰度化处理、高斯模糊、Canny边缘检测以及霍夫变换后，最终可以检测到车道线，检测效果如图9所示。
6 实验结果
本文设计了一种基于YOLO V3的前方车辆识别及测距系统。该系统在Windows10系统下将Python3.7与YOLO V3库进行配置，设置程序算法完成对输入的视频图像的处理。最终得到的结果如图10所示。
7 结语
作为实现汽车无人驾驶的关键技术之一，车辆和车道线的智能检测与识别以及车距检测的重要性不言而喻。本文的理论基础是图像处理，研究了车辆和车道线检测和识别的步骤，基于此在Python中进行了代码编写，经过运行达到了预期的设计目标。但也存在以下需要改进的地方：
a.在计算距离的时候，直接将车辆检测的矩形框等价于目标车辆，未考虑Z轴的因素影响，存在一定误差。
b.本文的研究方法虽然达到了预期设计目标，但是对于车辆间相互遮挡以及车辆被建筑物部分遮挡的情况识别效果较差。此外，天气情况也会影响算法的识别准确率。
参考文献：
[1]许洋，赵亚男，高利，等基于单目视觉的车辆检测与跟踪[J]激光杂志，2020，41（5）：18-22
[2]聂霆基于红外图像前方车辆识别与车距检测[D]西安：西安电子科技大学，2015
[3]景露霞基于OpenCV的前方车辆识别与车距检测系统的设计与研究[D]西安：长安大学，2019
[4]邱国枢，张翔，刘军基于图像处理的车辆识别系统设计[J]吉首大学学报，2019，40（5）：18-24
[5]赵鹏，丰大军，徐一凤基于改进的CAM偏移算法现运动车辆跟踪[J]计算机技术与应用，2019，45（6）：97-100
[6]陈勇基于机器视觉的前车检测及驾驶意图识别研究[D]长沙：湖南大学，2019
[7]卢贺基于机器视觉的前方车辆检测与测距研究[D]重庆：重庆交通大学，2018
作者简介：
高晋先，男，1997年生，助理工程师，研究方向为智能网联汽车测试评价。
nlc202302121105
转载注明来源:https://www.xzbu.com/1/view-15445138.htm
