基于机器视觉的智能车辆障碍物检测方法研究
- 格式：pdf
- 大小：258.89 KB
- 文档页数：4
段 , 驾驶员驾驶车辆过程中所需要信息的 90 %来自 视觉[1] 。而从图像处理与模式识别发展起来的计算机
标 ,也是长期积累先验知识或者说是训练学习的结果 。 公路上行驶的前方车辆在灰度图像中主要呈现以
视觉 (也称机器视觉) , 能够利用图像和图像序列来 下后视特征 :
识别和认知三维世界 , 使计算机实现人的视觉系统的
11 形状特征 。大体为矩形 ,而且满足特殊的形状
某些功能 。因此机器视觉已成为目前智能车辆及安全 比例 ,宽一般在 1～2m 之间 ,高一般在 1～3m 之间 。
辅助驾驶中信息获取手段的主要途径 。本文立足机器
21 边界特征 。底部水平线 、左右两侧的垂直边 、
视觉技术 , 提出了一种比较系统的障碍物实时探测识 后车窗 、保险杠 、车牌在图像中呈明显的边界特征 。
S Ti , j = Mi , j·Ei , j·255
(1)
Mi , j = e - λ| mi , j|
(2)
∑ ∑ mi , j =
r= +k r=- k
· s = + k
s = - k gi - r, j- s
s3
(3)
∑ Ei , j = -
l l
= 255
=0 [
pl
ห้องสมุดไป่ตู้
·ln pl
+
(1
-
31 灰度特征 。一般情况下 , 车辆在图像中与背 景灰度有显著差异 。可考虑离线建立背景的灰度特征 模型 , 以便在线时和车辆的灰度进行比较 。
41 对称性特征 。车辆的对称特征包括灰度对称 、 水平边缘和垂直边缘对称 。
51 位置特征 。一般位于车道线内 。 61 序列图像特征 。前方车辆在图像序列中呈一 定的连续性 。 71 动态变化特征 。车辆特征模型应是动态变化 的 。距离不同所呈现的特征是不同的 。例如 , 当车辆 距离较远时 , 往往仅灰度特征较明显 , 但随着车辆逐 渐靠近 , 其形状 、边界和对称特征也逐步明显 。 本文提出的车辆障碍物检测方法 , 首先从中选取 部分有效特征 , 运用大量的先验知识 , 对车辆进行探 测和识别 。障碍物检测过程可以分为两个阶段 : 首先 利用先验知识探测前方车辆 , 形成障碍物假设和感兴 趣区 , 然后在感兴趣区中确认识别障碍物 。在连续的 图像序列中 , 当前方车辆障碍物被确认后 , 后续图像 中采用递归模板匹配法跟踪障碍物目标 。车辆障碍物 检测流程如图 1 。
127
公路交通科技 2002 年 第 4 期
31 一般而言 ,灰度均值阶跃变化所在行 (均值突 变行) 的位置对应着障碍物车辆的最下边缘 (主要是由 车辆底部的阴影造成) ,即探测到可能的障碍物车辆 。
41 若在整个搜索区域内没有灰度均值突变 , 则 认为当前车道内没有障碍物 。
图 2 水平 Sobel 变换
对于高速运动的车辆 , 尽可能早的发现前方障碍 物对于其安全行驶是非常必要的 , 所以应对障碍物进 行预前探测 。为此本文采用的摄像机由高分辨率的黑 白 CCD 和 25mm 的长焦镜头组成 。
当障碍物较远时 , 其位于图像的 FOE 延伸焦点 附近 , 几乎可以看作是静止的 , 对其很难进行运动检 测 , 只能利用障碍物车辆的特征模型 。但是障碍物距 离远则成像较小 , 例如车宽 2m , 距离 80m 左右时成 像大小仅为约 40pixels , 在这种情况下 , 特征也不易 抽取 , 进行水平边缘和垂直边缘检测以及对称检测意 义均不大 。
Vol119 No14
公 路 交 通 科 技
JOURNAL OF HIGHWAY AND TRANSPORTATION RESEARCH AND DEVELOPMENT
文章编号 : 1002Ο0268 (2002) 04Ο0126Ο04
基于机器视觉的智能车辆 障碍物检测方法研究
2002 年 8 月
基于此 , 本文将障碍物检测分为两个阶段 , 即初 步探测阶段和确认识别阶段 。当障碍物距离较远时 , 可根据障碍物的早期特征线索进行探测 , 形成障碍物 假设目标 , 并随着障碍物的逐步靠近 , 对障碍物进行 确认识别 。从另一方面讲 , 障碍物远 , 对当前车辆的 安全威胁小 , 可以先进行初步探测 ; 随着障碍物越来 越近 , 虽然对当前车辆的安全威胁越来越大 , 但障碍 物恰好被逐步确认识别 。
Study o n Machine Visio n Ba sed Obstacle Detectio n and Reco gnitio n Metho d for Intelligent Vehicle
LI Bin , WANG RongΟben , GUO KeΟyou (Transportation College of Jilin University , Jilin Changchun 130025 , China)
Abstract : A leading vehicle detection and recognition method based on machine vision is mainly described in this paper. Firstly , in or2 der to reduce the searching area , an area of interest (AOI) for the obstacle is gotten based on the image contour detection and the priori knowledge of the leading vehicle on the road. Secondly , a new symmetry transform operator used to search for the symmetry axis of the leading vehicle in the image is proposed , and its the rectangle contour is obtained using the hough transform. Then the concept of sym2 metry distance is introduced to validate the leading vehicle. Further more , in order to improve real time obstacle detection , a recursive template matching method is established to track the leading vehicle′s location in the image. The experiment results indicate its validity. Key words : Intelligent vehicle ; Machine vision ; Symmetry transform
一般车辆包含许多水平结构 , 如底部水平阴影 线 、后车窗 、保险杠 、车牌等 。当车辆距离较远时 , 图像上水平边缘聚集的特点较明显 , 可作为探测障碍 物车辆的线索 。
具体步骤如下 : 11 根据车辆在图像上水平边缘聚集的特点 ,对图 像进行水平 Sobel 变换 (如图 2 右) ,增强水平边缘 。 21 在两车道线确定的三角搜索区域内 , 以每行 象素的灰度均值为度量 , 自下而上逐行扫描 。
李 斌 , 王荣本 , 郭克友
(吉林大学交通学院 , 吉林 长春 130025)
摘要 : 着重阐述基于机器视觉的前方车辆障碍物检测方法 。首先根据公路上前方车辆的先验特征模型 ,建立障碍物探测 的感兴趣区 ,以缩小搜索区域 ;随后提出一种新的对称变换算子 ,用于检测障碍物车辆的对称轴 ,并确定障碍物车辆的矩 形轮廓 。为进一步提高障碍物检测的实时性 ,采用递归模板匹配法对障碍物进行跟踪 。试验表明上述方法是有效的 。 关键词 : 智能车辆 ; 机器视觉 ; 对称变换 中图分类号 : U49116 文献标识码 : A
熵权值的引入 ,主要是为了消除灰度一致区域 (如
路面) 对对称度量的影响 。如果没有考虑熵权值 ,灰度
一致区域则表现为很高的对称性 。由于熵表示信息量
的多少 ,因此灰度一致区域的熵是很小的 ,而公式中加
入熵因子将有效抑制灰度一致区域的影响 。
对 AOI 进行对称变换后 ,对称轴灰度被加强 ,其它
区域被弱化 。如图 4 所示 。
213 感兴趣区的建立 根据统计规律 , 灰度均值突变行附近区域存在障
碍物车辆的几率非常大 。因此可以此为基础建立矩形 形状的感兴趣区 AOI (Area of Interest) 。AOI 应适当大 于车辆的实际尺寸 。
具体步骤如下 : 11 以灰度均值突变行下方第 k 行 ( k 的值由实 际标定而得 , 本文中 k = 5) 作为 AOI 的底边 , 求该 底边与两车道线的交点 。 21 分别由左右交点向上引竖直线作为 AOI 的两 侧边 。高度的选取根据车辆形状的先验知识 , 尽量将 车辆全部包含在 AOI 中 。本文采用 4∶3 的高宽比 , 如 图 3 所示的矩形框即为获得的 AOI。
图 1 障碍物探测识别流程图
2 障碍物探测及感兴趣区的建立
211 障碍物搜索区域的缩小 行驶在公路上的车辆都有一定的位置特征 , 不失
一般性 。假设当前车辆始终在同一车道内行驶 , 则当 前车道以外的障碍物并不影响当前车辆行驶安全 。因 此本文的研究对象限于当前车道内的前方车辆 。也就 是说 , 搜索障碍物的区域可由整个图像缩小为由两条 车道线相交组成的三角区域 , 如图 2 左边所示 。若当 前车辆在车道正中央平行于车道线行驶 , 则理想情况 下 , 两车道线的交点即为延伸焦点 FOE ( Focus of Ex2 pend) , FOE 在图像中的位置是不变的 。根据上述约 束缩小搜索区域有利于缩短障碍物检测时间 。车道线 检测方法在笔者以前的工作和论文中已有体现[2] , 在 此不再赘述 。 212 障碍物探测
