徐鵬 唐一夫

摘 要：車距測量技術對于減少交通安全事故，提高行車安全具有重要的意義。目前車距檢測技術多是以車輛為參照進行測距，檢測結果為兩車的直線距離，但在彎道情況下則與實際車間距誤差較大。因此，在分析現(xiàn)有的測距方法的優(yōu)點及不足之處的基礎上，基于視覺AI技術提出一種車道參照車距測量方法。該方法首先通過逆透視變換算法，實現(xiàn)從車道正視圖到鳥瞰圖的轉換;繼而通過霍夫智能變換實現(xiàn)對車道線的識別以及提取;最后利用積分法以車道線為參照系，計算目標車距。本研究利用Visual Studio 2013+OpenCv平臺編譯試驗程序進行試驗，結果表明，相較于傳統(tǒng)車距檢測方法，該方法提升了車距測量精度，具有一定的優(yōu)越性。

關鍵詞：逆透視變換;霍夫智能變換;車道線檢測;車距測量

中圖分類號：U491

文獻標志碼：A

隨著社會經(jīng)濟的不斷發(fā)展、城市化進程的加快以及汽車的保有率不斷提高，城市交通擁擠日益加劇，交通事故日益頻發(fā)，給人們的生命和財產(chǎn)造成了重大的損失[1]。根據(jù)英、美等發(fā)達國家的交通事故分析，事故中90%以上是由追尾引起的，而在我國追尾事故也居各種道路事故之首。據(jù)研究表明，1s的預計時間可以預防90%的汽車追尾事故和60%汽車正面碰撞事故。旨在提高駕駛員視覺效能和汽車主動安全性能的輔助駕駛系統(tǒng)（driver assistance system，DAS）對安全行車具有重大意義[2-4]，因此受到人們的廣泛關注。

前方車輛車距檢測技術是DAS的重要組成部分，可以用于實時檢測當前車輛與前車的距離，并適時發(fā)出預警信號，提醒駕駛員前方潛在的威脅，保證行駛安全。目前，應用在汽車上的測距方法主要有超聲波測距、激光雷達測距、微波雷達測距、紅外線測距方式、計算機視覺測距技術等幾種方法[2]。其中，計算機視覺測距技術因其具有成本較低、信息便于獲取、維護費用較低以及可進行多車道檢測等優(yōu)點，成為當前的研究熱點。目前，國內外對于采用計算機視覺進行車距檢測多是基于三角原理的雙目CCD測量方式和基于單目視覺的測量方式。

基于雙目視覺的測距算法[5-7]的計算方法復雜，雙目匹配和相機標定較難，且成本較高;而基于單目視覺的測距方法實現(xiàn)原理簡單，成本較低，實時性較好。鄒斌[8]通過計算圖像坐標系下車道標志線等信息，依據(jù)攝像機模型計算前方目標車距，但需要在特定場景下，需要獲取多個信息，不具有普適性。王永森[9]聚焦于車輛的下邊沿的位置標定結合逆透視變換，進行單目視覺測距，提升了測距精度，但計算公式是基于車輛參照進行計算。TUOHY等[10]根據(jù)IPM公式得到車道的鳥瞰圖，結合線性關系進行車距計算，但其主要考慮直道情況，且對相鄰車道內的車輛測距誤差較大。WANG等[11]提出一種車輛在彎道估算前方車距的算法，但其較依賴于彎道的道路特征信息，不具有普適性，只適用于特定場景。WONGSAREE等[12]根據(jù)逆透視映射原理和相機投影原理，提出基于幾何模型的單目測距方法，但其只考慮直道情況。HAN等[13]將檢測車輛的信息結合針孔攝像機模型對車距進行估算，但其車距測量是以車輛為參照進行。BAO等[14]基于卷積神經(jīng)網(wǎng)絡提出一種單目視覺測距方法，但其需在特定的距離下進行測量，且測量以車輛為參照進行。

綜上，當前車輛間距檢測多是以車輛參照進行測距，檢測結果在相對平坦的直線道路可以反映真實車距，但道路線形并非全是直線，這在城市和鄉(xiāng)村的常規(guī)道路中，有大量的應用場景，此時真實車距應該沿道路線形進行計算，如圖1所示。例如在車道合并/分割、交叉口、環(huán)形路或陡坡上，如果以直線距離參與避碰預警分析，結果將是錯誤的，且汽車為高速運動目標，微小的誤差也會放大產(chǎn)生嚴重后果。

基于上述原因，本研究考慮基于車道參照即沿著車道線進行真實距離的測量。該問題的關鍵在于如何獲取當時道路的俯視圖，并提取車道線進行計算。可以考慮基于GPS定位自車及目標車輛，在電子地圖上依據(jù)道路線形推算獲取車距，但是該技術需要一定的信息流量費用;其次，電子地圖相對粗略，細節(jié)到車道的精度不足，很多臨時施工改變線形并沒有實時反映出來;還有，在一些城市高樓林立區(qū)域或山區(qū)，GPS無信號則無法進行測量。因此，考慮基于視覺AI技術，方法流程如圖2所示。首先，通過逆透視變換算法，實現(xiàn)車道從正視圖到鳥瞰圖的轉換;其次，通過霍夫智能變換識別和提取圖像中的車道;最后，采用積分法以車道線為參照系，計算車輛間距。

1 基于視覺AI的車道參照車距測量方法

1.1 基于逆透視變換構建場景鳥瞰圖

逆透視變換可以看作一定前提下的透視變換的逆過程，根據(jù)原始圖像的信息以及鏡頭的內部參數(shù)和外部參數(shù)來恢復三維坐標中某一平面的畫面信息，實現(xiàn)圖像坐標系和三維世界坐標系之間的轉化。本研究通過逆透視變換實現(xiàn)車道從正視圖到鳥瞰圖的轉換。目前，實現(xiàn)逆透視變換主要有兩種方法：1）基于單應性矩陣變換的逆透視變換;2）基于攝像機模型的逆透視變換。若采用基于單應性矩陣的變換方法，需要選取4組對應特征點進行變換，但人工選取會對變換結果產(chǎn)生較大的影響。因此，采用基于攝像機模型的逆透視變換方法。目前應用較為廣泛的攝像機模型IPM公式，是由BERTOZZI等[15]推導出來的。該公式的原理如圖3所示：首先定義世界坐標系，記為W={（X，Y，Z）}∈E3，它是客觀世界的絕對坐標系;定義圖像坐標系為I={（x，y）}∈E2，而逆透視變換的實質就是在Z=0的前提下，將圖像空間I轉換到世界坐標系W中。

M.Bertozzi公式在相機架設較大，相機焦距較小，且俯仰角度較小的情況下存在較大的水平曲線誤差?？紤]到實際行車中攝像機俯仰角較小的情況，為保證變換效果和測量精度，本文中采用曹毓改進的IPM公式[16]來實現(xiàn)逆透視變換。該公式能較好地消除直線彎曲誤差，修正了算法，具有良好的逆透視變換效果。考慮從世界坐標系到圖像坐標系的坐標變換關系，也為后期機器識別和計算機運算處理的便利，對該改進IPM公式進行反求，如式（1）所示：

x=tanθ-arctanYh

y=Xh2+Y2×1+tan2θ-arccotYh? （1）

其中：x、y分別表示圖像坐標系的橫縱坐標;X、Y分別表示世界坐標系的橫縱坐標; h表示攝像機的安裝高度; θ表示攝像機的安裝俯仰角。

由于單目相機在采集圖像過程中會產(chǎn)生畸變，同時在逆透視變換后也會產(chǎn)生一定的畸變，因此，需要對逆透視變換輸出的圖像進行畸變矯正。本研究在畸變模型公式的基礎上，記錄攝像機模型的外部參數(shù)和內部參數(shù)，構建單應性矩陣，在編譯環(huán)境中對輸出圖像做畸變矯正計算，最后輸出鳥瞰圖。

1.2 基于霍夫智能變換提取車道線

霍夫智能變換的核心思想是點和線的對偶性。直角坐標系和極坐標系是存在對應關系的，其將原始圖像空間給定的曲線變?yōu)閰?shù)空間的一個點，將原始圖像中給定曲線的檢測問題轉化為尋找參數(shù)空間中的峰值問題。霍夫智能變換是目前常用的線形檢測方法，占用系統(tǒng)資源較少，計算速度較快，符合實時檢測的要求，故采用霍夫智能變換對車道線進行識別和提取。

霍夫變換就是首先將（ρ，θ）空間量化，得到M（ρ，θ），此矩陣就是累加單元。假設初值M（ρ，θ）=0，對邊界上的每一個點（xi，yi），將θ的所有量化值代入計算公式，得出相應的ρ，并將M（ρ，θ）加1，將全部（xi，yi）處理后，分析M（ρ，θ）。如果M（ρ，θ）≥T，就可以認為存在一條有意義的線段，T是該線段的擬合參數(shù)。T是一個非負整數(shù)，由采集的圖像幀的車道的先驗特征決定。最后由（ρ，θ）和（xi，yi）共同確定圖像幀中的車道線，并將斷裂部分連接起來，最終確定車道線的位置。

直線的極坐標方程如式（2）所示：

ρ=x cos θ+y sin θ（2）

其中：ρ是點到直線的距離，θ是直線的法線與x軸的夾角。這樣，一條直線可以用ρ值和θ值來表示。

逆透視變換輸出的圖片含有大量的背景冗余信息，為保證識別和提取的精度，在標準霍夫變換檢測步驟的基礎上改進：在檢測之前采取一系列的圖像預處理操作;然后通過霍夫變換將車道線特征映射到霍夫空間中，進行車道線的識別和提取。本文中霍夫智能變換算法的步驟如下：

1）輸入圖像灰度處理;

2）高斯核卷積圖像去噪;

3）Canny邊緣提取;

4）映射到霍夫空間;

5）尋找圖像空間中灰度值為255的白點;

6）對θ∈（0，180°），利用上述的極坐標方程進行求解;

7）對（ρ，θ）單元投票累加統(tǒng)計，即

A（ρ，θ）=A（ρ，θ）+1

8）其中得票最高的兩個單元就是所求的車道線。

1.3 基于車道參照的車距積分法計算

在計算機圖像中，各種數(shù)字化圖形是以平面直角坐標的形式進行運算和儲存，而平面直角坐標與線性參照系存在對應關系，車間距信息可定位于某種線性參照系統(tǒng)之中。因此，為提高車間距檢測計算的精度，通過實現(xiàn)平面直角坐標與線性參照系統(tǒng)之間的轉換，在線性參照系中完成車間距測量。線性內插法可實現(xiàn)平面直角坐標系與線性參照系統(tǒng)之間的轉換，其計算速度比較快，但在計算時將曲線邊作為折線處理，計算誤差較大，顯然不適合車間距測量。為保證車間距測量的精度要求，本研究在現(xiàn)有積分法的基礎上，改進并設計一種基于車道參照的車距積分法，以實現(xiàn)車道坐標系之間的轉換。

基于車道參照的車距積分法采用曲線參數(shù)進行精確的積分計算，與線性內插法相比，計算更為復雜一些。首先獲取前車目標識別框對應車道線上的轉換點P，計算轉換點P位于哪條曲線段上;轉換點與相鄰兩結點之間構成向量，計算兩個向量模之和，并判斷所有和值中最小的一個，則此和值對應的兩個結點構成的邊即P所在的曲線段，如圖4所示。

如圖，從1到n搜索i，求得min（pip+ppi+1），此時pipi+1即為點P所在的曲線段。在求得轉換點所在曲線段后，判斷曲線段的類型，然后進行坐標轉換。

如下為平面直角坐標轉換為線性里程坐標的公式：

φ（s）=φ0+∫s0k（s）ds

x（s）=x0+∫s0cos（φ（s））ds

y（s）=y0+∫s0sin（φ（s））ds （3）

其中：s為弧長，它等于所求點的里程與該點所在車道線起點里程之差;k（s）、φ（s）分別為所求點處的車道線曲率和方向角;x（s）、y（s）為所求點的縱、橫坐標;φ0、x0、y0分別為該點所在車道線起點的方向角和縱橫坐標。

所求點的曲率計算與該點所處的曲線類型有關。一般地，當所求點所在曲線單元為：

1）直線時，k（s）=0

2）緩和曲線時，k（s）=（k2-k1）/ls

式中：k1和k2分別為緩和曲線的起點和終點的曲率，ls為緩和曲線的長度。

3）圓曲線時，k（s）=1/R

式中，R為圓半徑。

平面直角坐標轉換為線性里程坐標，其問題實質是：已知點的縱橫坐標（x，y），求點到車道線起點的弧長s?？刹捎靡韵碌惴ㄇ蠼猓?/p>

Steps 1 取s的初始值為所求點到車道線起點的直線距離;

Steps 2 將s代入公式（3），計算得出x（s）或y（s），這里以x（s）計算為例;

Steps 3 對x（s）與x進行精度比較，如果滿足要求，則結束，此時的弧長s與曲線起點里程之和為所求點的線性里程坐標值;否則，令

s=x（s）x·s，返回算法Steps 2。

2 實例分析

本研究進行如下試驗分析。其中圖像處理和圖像識別平臺在一臺CPU為Intel（R）Core（TM）i7—8750H，主頻為2.20 GHz，內存為16 GB的PC機上同步完成。該平臺開發(fā)環(huán)境為VS2013基于OpenCV庫進行開發(fā)，主要編譯語言采用C++。采用KITTI數(shù)據(jù)集中的城市行駛影像數(shù)據(jù)集，進行試驗分析。該數(shù)據(jù)集通過搭載在車輛上的Sony ICX267 CCD型攝像機，實時獲取圖像數(shù)據(jù)。

選取4組直道和彎道兩種不同城市道路行駛數(shù)據(jù)圖。由于篇幅的原因，現(xiàn)展示第一組數(shù)據(jù)如圖5所示，直道是為了驗證車道參照測距方法的科學性和合理性，彎道是為了驗證車道參照測距方法的精確度和優(yōu)越性;圖中綠色線框代表目標識別車輛，通過圖像識別可以標定目標車輛位置，獲得前車的車長、尺寸和位置等信息。

首先在C++編譯環(huán)境中構建車道參照測距方法的關鍵程序。輸入試驗圖片，為不影響后續(xù)測距的精度，需要根據(jù)標定的相機參數(shù)，對輸出的鳥瞰圖像進行畸變矯正，矯正后的逆透視變換結果如圖6所示。

在霍夫智能變換識別和提取車道之前，需要對車道線位置進行一定的初始定位。直方圖可以在對比度低的情況下有效識別圖像細節(jié)。在直方圖中，橫軸代表像素點位置，縱軸代表白色像素點的數(shù)量，峰值較大的區(qū)域即為車道所在的初始位置。通過輸出兩幅試驗車道圖片的直方圖進行初始定位，試驗圖片的直方圖如圖7所示。

根據(jù)車道線直方圖判定車道線位置范圍，使用霍夫智能變換識別車道輪廓線，對檢測到的車道線進行提取;將檢測到的車道線對應于霍夫空間中的點，映射到平面直角坐標系中，進行車道線擬合，圖中綠色線條表示為擬合車道線，如圖8所示;最后基于車道參照的車距積分法，計算與標定目標車輛的車距，車距檢測結果如表1所示。

根據(jù)表1中的傳統(tǒng)激光測距與車道參照測距結果的對比可知：在直道時，傳統(tǒng)激光測距與車道參照測距結果基本沒有偏差，對于行車安全影響較小;但是在道路具有一定曲率的前提下，傳統(tǒng)激光測距與車道參照測距結果相差較大，傳統(tǒng)激光測距結果誤差較大，對于行車安全具有較大的影響。由此可知，文中提出的基于視覺AI車道參照測距方法，在直道類型與現(xiàn)有測距方法結果并無差異，但在彎道類型中較傳統(tǒng)測距方法更接近真實車距，因此該方法具有合理性和優(yōu)越性。

3 結論

基于視覺AI技術提出了一種車道參照測距方法。根據(jù)試驗結果分析可知，提出的車道參照測距方法科學、合理，且相較于傳統(tǒng)激光測距方法，有一定的優(yōu)越性和準確性;同時又提升了測距精度，對于保障行駛交通安全和消除交通隱患具有一定意義。但由于篇幅原因，還未討論牽涉到坡道距離的問題。因此，下一步研究方向將會針對兩車處于不同坡度位置時，結合坡道信息，利用幾何算法測段真實車距;其次，本文中所使用識別和提取車道線的霍夫智能變換，其檢測結果易受到道路光照和道路標志破損等道路外在環(huán)境因素的影響。因此，下一步研究方向會采用深度學習方法來替代霍夫智能變換識別和提取車道線。

參考文獻：

[1]李健. 基于目標表觀和幾何建模的物體檢測研究及應用[D]. 杭州： 浙江大學， 2017.

[2] SUN Z H， BEBIS G， MILLER R. On-road vehicle detection： a review[J]. IEEE transactions on pattern analysis and machine intelligence， 2006， 28（5）： 694-711.

[3] KI-YEONG P ， SUN-YOUNG H . Robust range estimation with a monocular camera for vision-based forward collision warning system[J]. The Scientific World Journal， 2014， 2014. DOI： 10.1155/2014/923632.

[4] 王偉. 評智能汽車時代的雷達模擬前端——ADI公司單個IC實現(xiàn)自適應巡航控制和盲點檢測[J]. 電子技術應用， 2011， 37（7）： 1.

[5] 王虹， 劉嵩鶴， 劉著銘. 基于雙目立體視覺安全車輛間距測量技術研究[J]. 交通與計算機， 2007， 25（6）： 90-93.

[6] LV X Z， WANG M T， QI Y F， et al. Research on ranging method based on binocular stereo vision[J]. Advanced Materials Research， 2014， 945-949： 2075-2081.

[7] LONG H M， GUO H Y， LIANG F， et al. Distance measurement algorithm based on binocular stereo vision[J]. Applied Mechanics & Materials， 2014， 635-637： 948-952.

[8] 鄒斌. 面向智能交通的單目視覺測距方法研究[J]. 交通運輸系統(tǒng)工程與信息， 2018， 18（4）： 46-53， 60.

[9] 王永森. 基于單目視覺的車輛下邊沿估計和逆透視變換的車距測量[J]. 計算機工程與科學， 2020， 42（7）： 1234-1243.

[10]TUOHY S， O’CUALAIN D， JONES E， et al. Distance determination for an automobile environment using Inverse Perspective Mapping in OpenCV[C]//IET Irish Signals and Systems Conference （ISSC 2010）. Cork： IET， 2010： 100-105.

[11]YU G Z， ZHOU B， WANG Y P， et al. Measuring algorithm for the distance to a preceding vehicle on curve road using on-board monocular camera[J]. International Journal of Bifurcation & Chaos， 2016， 25（14）. DOI： 10.1142/S0218127415400386.

[12]WONGSAREE P， SINCHAI S， WARDKEIN P， et al. Distance detection technique using enhancing inverse perspective mapping[C]//2018 3rd International Conference on Computer and Communication Systems （ICCCS）. Nagoya， Japan： IEEE， 2018： 217-221.

[13]HAN J， HEO O， PARK M， et al. Vehicle distance estimation using a mono-camera for FCW/AEB systems[J]. International Journal of Automotive Technology， 2016， 17（3）：483-491.

[14]BAO D S， WANG P K. Vehicle distance detection based on monocular vision[C]//2016 International Conference on Progress in Informatics and Computing （PIC）. Shanghai， China： IEEE， 2016： 187-191.

[15]BERTOZZI M， BROGGI A. GOLD： a parallel real-time stereo vision system for generic obstacle and lane detection[J]. IEEE transactions on image processing， 1998， 7（1）： 62-81.

[16]曹毓， 馮瑩， 雷兵， 等. 逆透視映射公式的誤差分析及準確度驗證[J]. 光子學報， 2011， 40（12）： 1833-1838.

（責任編輯：曾 晶）

Vehicle Distance Measurement Method of

Lane-Reference Based on Visual AI

XU Peng， TANG Yifu*

（School of Civil Engineering and Transportation， Hohai University， Nanjing 210098， China）

Abstract：

Vehicle distance measurement technology has great significance for reducing traffic accidents and improving driving safety. At present， the vehicle distance detection technology mainly takes the vehicle as the reference for distance measurement and has the straight-line distance between the two vehicles as the result. However， the detection result on curved section has a relatively larger error with the actual distance. Therefore， on the basis of analyzing the advantages and disadvantages of the existing methods， a lane reference distance measurement method is proposed with visual AI . This method firstly realizes the image conversion from lane front view to bird's eye view through inverse perspective transformation algorithm， then completes the identification and extraction of lane lines through Hough intelligent transformation， and finally calculates the target distance with lane lines as the reference system by integral method. The testing process in this paper was carried out on Visual Studio 2013+OpenCv platform， and the testing results demonstrate that this method improves the accuracy of distance measurement and has superiority in some prospects.

Key words：

inverse perspective transformation; Hough intelligent transformation; lane detection; distance measurement