楊清峻 侯忠偉

（1.重慶交通大學(xué)機電與車輛工程學(xué)院；2.重慶交通大學(xué)土木工程學(xué)院）

在智能交通系統(tǒng)中，先進駕駛輔助系統(tǒng)里的前方車輛距離測量是熱點問題之一。目前，國內(nèi)外主要的環(huán)境感知手段有激光、雷達、超聲波和視覺傳感器等，視覺傳感器成本較低、信息量豐富，應(yīng)用更為廣泛，已經(jīng)成為駕駛輔助系統(tǒng)獲取外界信息的主要手段。在車輛行駛過程中，由于道路環(huán)境存在水平或垂直方向上的激勵，攝像機的外部參數(shù)會發(fā)生變化，進而影響單目視覺測距的精度。針對上述問題，文章提出一種改進的車道線消失點檢測的算法，實現(xiàn)前方車輛距離的測量。該方法使用車載攝像機拍攝的圖像獲取車道線信息，通過檢測車道線消失點并實時更新消失點坐標，結(jié)合建立的單幀靜態(tài)圖像車距測量模型完成前方車距測量。

1 車道線檢測

車道線無論是對傳統(tǒng)汽車，還是智能交通系統(tǒng)中的車輛的行駛都能起到約束保障的作用，是道路中最主要的交通標志之一，不但可以減少交通事故的發(fā)生，而且在以后智能交通發(fā)展中，車道線檢測都是一個必不可少的功能模塊。近幾年來，針對車道線檢測的問題，國內(nèi)外進行了大量的研究，而通過機器視覺的主要檢測方法有2種，一個是基于模型的車道線檢測方法[1]，利用車道線幾何特征建立匹配的數(shù)學(xué)模型，常見有直線型、曲線型和拋物線型等模型。然后根據(jù)模型對車道線進行擬合，但一種模型只適應(yīng)于一種道路場景。另一個是基于特征的車道線檢測方法[2]，通過閾值分割和邊緣檢測等方法，將道路中車道線特征信息與其它特征信息的分割并提取。根據(jù)不同類別的特征信息，又分為顏色特征的檢測、紋理特征的檢測以及多特征融合的檢測方法。

文章采取基于特征的車道線檢測方法，攝像機采集到的初始圖像因為噪聲和邊緣灰度化等因素的干擾，對邊緣檢測算法的檢測結(jié)果有較大影響，因此選用Gauss濾波器來降噪以達到改善邊緣檢測的效果[3]。將初始圖像進行灰度化處理，并利用Gauss濾波消除圖像噪聲，提高檢測算法的效率，如圖1所示。

圖1 灰度化并Gauss濾波消除圖像噪聲

獲得預(yù)處理圖像通過OTSU算法進行分割得到車道線較為明顯的圖像。這里采用改進的OTSU算法。傳統(tǒng)的OTSU算法灰度遍歷包含整個灰度級，計算量較大[4]。當目標與背景的類內(nèi)方差差別較大時，因閾值的偏向會降低分割效果。文章OTSU算法中閾值的選取根據(jù)圖像中目標所占權(quán)重來調(diào)節(jié)，避免因目標與背景方差差別較大，閾值偏向目標之外的部分而過高[5]。因車載攝像機拍攝的前方道路圖像中車道線占據(jù)較小比例，即圖像灰度化均值靠近背景峰，故背景部分的灰度均值大于目標部分的灰度均值，初始分割閾值處于灰度最小值與圖像灰度均值之間。將初始閾值以目標所占權(quán)重進行修正，使其位于雙峰圖像的谷點附近，即在灰度均值與白色灰度值之間，如圖2所示。即調(diào)節(jié)最佳閾值，減少灰度級的遍歷范圍。分割效果如圖3所示。

圖2 一維灰度直方圖

圖3 OTSU算法檢測車道線

2 ROI區(qū)域選取

簡單預(yù)處理后的圖像包含了如天空、樹木和房屋等許多與車道線檢測無關(guān)的信息，這些多余的信息不僅會影響算法的處理速度，更是影響車道線和車道線消失點的坐標的檢測[6]。因此將圖像中天空、樹木、房屋等不影響檢測結(jié)果的區(qū)域去除，減少圖像中需要處理的像素數(shù)量，提高測量速度與精度。文章借鑒文獻[7]中感興趣區(qū)域確定方法，分析圖像得到其中道路水平線v=vp，即在感興趣區(qū)域ROI中，舍棄道路水平線以上0~50 vp行像素。ROI分割原理如圖4所示。分割后的效果如圖5所示。

圖4 ROI分割原理圖

圖5 ROI區(qū)域圖

在檢測出的車道線區(qū)域內(nèi)檢測車底有效陰影，當在有效檢測范圍內(nèi)準確檢測到的車輛在圖像所在的像素坐標系中所占的像素范圍是25～120像素[8]，在車道線區(qū)域內(nèi)，選取長度在25~120個像素點的陰影線檢測其在像素坐標系中的縱坐標。

3 消失點檢測

將選取后的圖像通過4個方向的Gabor濾波器計算圖像中車道線的顯著紋理方向，確定備選的消失點，然后采取基于距離的有效投票方法快速估計消失點的位置[8]，并通過圖像坐標系來確定消失點的坐標。選定的Gabor濾波器的方向有0、45°、90°及135°等[9]，像素點h（x,y）處的Gabor濾波器的能量響應(yīng)值排序為：

如果第1個和第4個值明顯不同，那么h=(x,y)的取向可靠，否則該點不在取值內(nèi)，定義該像素點的置信水平如公式（1）所示，且置信水平值小于閾值0.85的點不作為備選的消失點[9]。

通過顯著紋理方向的像素點能量響應(yīng)值最大值計算顯著紋理方向。根據(jù)像素點h(x,y）與備選的消失點k(u,v)之間的歐氏距離d(h)，來確定消失點[9]。采用基于距離的有效投票方案通過像素點h(x,y)和其與備選消失點連線的延長線和圖像邊界的交點的最大有效距離D(h)確定出可靠的消失點。其中有效距離與圖像中車道線間的距離和延長線與水平線的夾角有關(guān)。當延長線與水平線的夾角γ在90°以內(nèi)，則有l(wèi)(h)=(w-y)/cos(γ)；當夾角為90°時，l(h)=x；當夾角處于90°與180°之間時，則有l(wèi)(h)=-y/sin(γ)。則最大有效距離有：

若h點的顯著紋理方向θ(h)與延長線之間的角度小于給定的閾值 （tt=15°)[10]，則原始消失點：

車道線消失點檢測的試驗效果如圖6所示。

圖6 車道線消失點檢測

4 車距測量

傳統(tǒng)的單目視覺前方車距測量方法是利用小孔成像模型通過透視投影變換來描述幾何關(guān)系[11]，先通過標定確定攝像機內(nèi)部參數(shù)，然后根據(jù)攝像機安裝的位置參數(shù)來推導(dǎo)出車距測量公式。

式中：h——車載攝像機的高度，m；

f——攝像機焦距，mm；

ω——攝像機光軸與車身縱軸線夾角；

θ——攝像機俯仰角；

y0——攝像機光軸與像平面焦點縱坐標；

y——前方車輛路面上投影點的縱坐標。

在車輛行駛過程中，路面激勵與攝像機安裝都對仰俯角和偏航角有很大影響，而不斷變化的仰俯角和偏航角會給前方車輛的距離測量造成很大的誤差[12]。

在標定出消失點在圖像中的坐標后，建立基于消失點的車距測量幾何模型如圖7所示。

圖7 基于消失點的車距測量幾何模型

d1為攝像機與近視場點間的縱向距離，而在幾何模型中，O e=f為攝像機焦距，在成像平面像素坐標系中，y軸的尺度因子μ=f/dy。從圖像像素坐標系中獲取到圖像中近視場點d的縱坐標v1、點e的縱坐標v2和車底陰影上的點g的縱坐標v3，以及圖像中車道線消失點p(u,v4)，則有：

d1由安裝車載攝像機后拍攝的圖像下邊沿對應(yīng)路面上的點到攝像機的縱向距離測得。

5 實驗與分析

為了驗證上文提出的方法，通過某型號轎車上安裝的攝像機獲取測距所需圖像，使用MATLAB標定工具箱標定攝像機內(nèi)部參數(shù)及近視點坐標。如表1所示。

表1 參數(shù)標定

文章試驗的運行平臺為英特爾酷睿i5-2320@3.00 GHz、Windows 10、Matlab2015a。測距流程如圖8所示。由于受實驗條件限制，采用實際道路環(huán)境中前方車輛視頻單幀車距測量。不同位置處的車距檢測結(jié)果如圖9所示。

圖8 本文測距流程圖

圖9 車距檢測結(jié)果

不同位置的測量結(jié)果如表2所示。將算法測量結(jié)果與文獻[13-14]中的結(jié)果進行比較，如圖10所示。

表2 測量結(jié)果

圖10 誤差比較

采用改進的車道線消失點檢測方法，測量精度相對有所提高，誤差相對較低且較為平緩。通過對比實際車距發(fā)現(xiàn)，還存在一定誤差，產(chǎn)生的主要原因可能有：1)改進的車道線消失點檢測在天氣、陽光等的外界環(huán)境影響下，消失點坐標出現(xiàn)一定偏差，導(dǎo)致測量距離出現(xiàn)誤差；2)采取的車底陰影范圍檢測導(dǎo)致車底陰影坐標有偏差，造成車距檢測結(jié)果的偏差；3)在測距公式中，近視點d1的標定誤差導(dǎo)致最終車距檢測結(jié)果的誤差。

6 結(jié)論

本文提出了改進的車道線消失點檢測的車距測量，針對一些車載相機外部參數(shù)在行駛過程中發(fā)生變化，從攝像機成像的基本原理出發(fā)，利用車道線消失點的坐標，確定前方車距測量模型，不僅減少了需要標定的攝像機參數(shù)，也避免了攝像機高度和仰俯角等車載攝像機外部參數(shù)對測量精度的影響。實驗表明，利用車道線消失點的車距測量方法能夠較為穩(wěn)定的測量前方車距。結(jié)果表明，文章設(shè)計的車距測量方法的測量結(jié)果準確率相對于改進前提高了1.61%，測量誤差在3%以內(nèi)，滿足車距測量應(yīng)用要求，對實現(xiàn)車輛主動安全有實際意義和應(yīng)用價值。