基于机器视觉的汽车远近光灯的自适应切换算法

篆署竺。需黧、景：箦孑愁ｉ。羔Ｔ。慧ｄ未。ｎ墨ｎ三。打詈ｇ。＝４鬯：Ｔ筌．Ｅ＝１６７１—１８１５（２０１４）０５—０１３３．０４ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏ盯ａｎｄ

Ｅｎｇｉｎｅｅ打ｎｇ

㈢州１４３ｃ１・ｌｅｃｎ‘也１１夸ｇ‘

一——————————————————————————————————————————————————————————————————————————————一

基于机器视觉的汽车远近光灯的自适应切换算法

王海１，２蔡英凤１，。戴华平３（江苏大学汽车与交通工程学院１，镇江２１２叭３；奇瑞汽车股份有限公司２，芜湖２４１００９；长江龙城科技有限公司３，常州２１３１６４）

摘要低续航车辆由于里程所限，多行驶于无中分隔离带的市区和市郊区域。针对该路况下夜间行驶中，驾驶员易出现会车等情况下未按法规正确进行远近光灯切换的现象，提出了一种基于视觉的远近光灯自适应切换算法。该算法利用图像处理技术对有无路灯场景、无路灯会车场景和无路灯且前车距本车较近场景这三种情况进行识别，并给出与场景规则最相符的灯光使用指示。实验表明，该算法能实时有效的给出远近光灯的切换策略，既保障了行车的安全性，也避免了远光灯不必要的开启，节约了汽车的电能。关键词汽车主动安全远近光切换车辆检测图像处理中图法分类号ＴＰ３９１．７５；文献标志码Ａ

因为技术所限，以电动汽车为代表的某些低续航里程车辆多于市区和市郊区域行驶¨砷ｏ。市区及市郊等非快速路通常无中分隔离带，夜间会车时须切换到近光灯。驾驶员往往因为疏忽或者法规常识缺失而不去进行远近光灯的切换，因此一种自适应的远近光灯自动切换算法显得很有必要。针对这一情况，对远近光切换的典型场景进行了深入分析，提出了一种基于视频图像处理技术的远近光灯自动切换算法。该算法通过对夜间道路图像的处理，成功的识别出三类远近光切换相关的场景并实现自动切换。切换策略如图１所示。三类场景如下：ａ）市区有路灯；ｂ）郊区无路灯会车；ｃ）郊区无路灯且前车距本车较近。

有无路灯场景识别在有路灯的场景下（如市内道路），通常不需要开启远光灯。而在没有路灯的情况下（如市郊道路），通常需要开启远光灯。因此，通过对有无路灯等外部照明的判断，可以实现远近光切换的～个决策。通过大量有无路灯图片的观察和分析，发现有路灯场景的图像整体亮度值较高，且由于路灯的存

２０１３年９月５日收到，１０月８日修改国家自然科学基金青年基金（５１３０５１６７）、交通运输部信息化技术研究项目（２０１３３６４８３６９００）、江苏省高校自然科学基金（１３ＫＪＤ５２０００３）以及江苏大学高级专业人才科研启动基金（１２ＪＤＧｏｌｏ）的资助第一作者简介：千海（１９８３一），男，工学博士，讲师。研究方向：视觉的车辆主动安全技术。Ｅ—ｍａｉｌ：ｗａｎ曲ａｉｌｏｌ９＠１６３．ｃｏ瑚。

图ｌ远近光切换策略框图在，在图像上半部分会出现多个灰度值很大的亮斑。与之相反，无路灯的场景图像整体亮度低，且上半部分几乎不存在亮斑。针对这一特点，选用图像上半部分的归一化亮度直方图作为特征，图２给出了两幅有无路灯的市区和郊区场景下的典型图片及上半部分图像的归一化灰度直方图，其中（ａ）为有路灯场景，（ｂ）为无路灯场景。可以直观的看出，有路灯场景的灰度值分布范围较宽，均值较大；而无路灯场景灰度值分布较窄，且均值较小。共选取了约１８０００幅有无路灯图片并以灰度直方图构成了训练集。在分类器选择上，采用成熟的ＳＶＭ状态识别机对图像特征进行训练，从而实现对道路场景的有无

万方数据１３４科学技术与工程

１４卷

图２典型有兀路灯图像及其上、卜部分图像的灰度直方图（ａ）有路灯环境；（ｂ）无路灯环境

路灯做出判断¨０—１２］。ＳＶＭ方法是通过一个非线性映射ｐ，把样本空间映射到一个高维乃至无穷维的特征空间中（Ｈｉｌｂｅｒｔ空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。ｓＶＭ把样本向高维空间做映射，在高维特征空间中通过一个线性超平面实现线性划分。ＳＶＭ方法应用核函数的展开定理，在高维特征空间中建立线性学习机。选择不同的核函数，可以生成不同的ＳＶＭ，本方法选用径向基函数．２Ｋ（石，），）＝ｅｘｐｆｌ≠１

（１）、ｄ，

本方法在夜间共集的１２７８５帧道路图片上进

行了测试（包括６３９５张有路灯，６３９０张无路灯图片）。结果如下

表１有无路灯场景识别效果

２无路灯场景的会车识别无路灯场景下的迎面车辆识别主要依赖对车辆灯光这一局部特征的识别。大量数据表明，在夜晚无路灯等光照的条件下，迎面灯光和黑暗背景的亮度对比度极大（超过２２０ｄｂ），因此在图像传感器上受到灯光直射的区域通常会接近饱和，反映在图像上的表现即像素值接近２５５（８位的图像传感器为

例）。基于此分析，采用２００的固定阈值对图像进行二值化，并采用形态学算子进行滤波，去除明显不规则或过小区域。在该步骤完成后，灯光将很大概率以一个近似圆形的形态厶呈现在图像中。在此基础上，以提取出Ｌ。的几何中心Ｍ，为参数，并以多目标粒子滤波器进行跟踪。若连续多帧跟踪成功且几何中心Ｍ，满足其世界坐标系下点ＭⅣ相对本车的速度大于一定阈值，就可以认为是成功检测到对面车灯及来车。

（ａ）原幽（ｂ）光斑提取及跟踪轨图３车灯光斑中心提取及轨迹跟踪（ａ）原图；（ｂ）光斑提取及跟踪轨迹

图３（ａ）是一典型会车场景，因为迎面车距离较远且开启远光灯，因此其左右两侧的车灯光线落在本车的图像传感器上仅形成一个较大的光斑。（ｂ）图中是对该光斑进行提取及跟踪轨迹。蓝色点为光斑ｋ的几何中心鸩，红色曲线为通过粒子滤波器跟踪得到的连续１００帧图像的Ｍ，轨迹。采用本方法在６３９０张无路灯图片中进行会车识别，其中有会车图像２４２５张，无会车图像３９６５

张，识别率为９７．３％。

３无路灯场景的前车识别为了有效检测夜间前方车辆，采用了一种利用Ｄ．ｓ证据理论进行夜间车辆检测的方法。首先在ＨＳＶ颜色空间中采用阈值法对道路场景图像进行分割得到红色块，提取各个红色块的外接轮廓，并生成尾灯假设。然后利用车辆车尾中车灯对的面积比、互相关值以及车灯对组合框长宽比等结构化特征信息来构建基本信任分配函数，运用Ｄ．Ｓ证据理论，融合这些特征信息得到总的信任度值，最终设立信任度阈值验证车辆假设。在ＨＳＶ空间中，红颜色的Ｈ分量的范围一般为（０～８）ｕ（１６０～１８０），以该阈值作为红色分量的提取依据。通过红色分量提取，并对所提取出的红色区域进行聚类，提取聚类后红色子集的外接最小矩形，从而得到前车尾灯外圈光晕的存在假设。图４中，（ａ）为市郊快速路所拍摄的原始图像，（ｂ）为

万方数据５期王海，等：基于机器视觉的汽车远近光灯的自适应切换算法一

一（ｃ）ＪＥｔｌｊＩＩ歧’Ｉ二ＪＪｔ（ｄ）Ｉ）一Ｓ¨ｒｎ‘ｊ鬯Ｊ￡ＩｎＪＥｔｌｇ镄Ｉ｜ｌ‘隆Ｉ４ｊ占ｊ＋昆灯的仪叫ｆ）ｉ：『１１识圳（ａ）原图；（ｂ）红色区域提取；（ｃ）尾灯假设生成；（ｄ）Ｄ—Ｓ证据理论的尾灯验证

红色区域提取，（ｃ）为尾灯假设。生成尾灯假设后，需要对利用先验信息对尾灯对进行验证。Ｄ—ｓ证据理论是由Ｄｅｍｐｓｔｅｒ等人建立的一套数学理论¨３＿１５｜。它通过对事件建立信任函

数，可以有效地处理不确定性问题。在Ｄ．Ｓ中，识别框架口是指由互不相容的基本假设构成的完备集。识别框架口的子集称为命题，分配给各命题的信任度函数称为基本信任分配函数（也称ｍ函数）。其原理如下：设口为识别框架，定义函数ｍ：２。斗［０，１］，满足条件ｍ（币）＝ｏ，∑ｍ（Ａ）＝１（４∈２。）：当Ａ≠咖时，ｍ（Ａ）表示对命题Ａ的精确信任程度，即对Ａ的直接支持；当Ａ＝秽时，ｍ（ｐ）表示证据的不确定性。则置信度融合公式为

∑ｎ－（Ａｉ）ｍ（Ａ）：—坐生丝——一（２）

１一∑兀％（Ａｉ）８ｎ＾ｉ＝币Ｊ＝ｌ基本信任分配函数ｍ的构建是利用Ｄ．Ｓ证据理论

进行判定的核心。本文中，利用车辆尾灯对在面积比、形态学相关性高度一致以及车灯对组合框具有一定长宽比范围的先验知识，构建了相应的ｍ函数。识别结果的一个实例如图４．（ｄ）所示。在无会车的３９６５图像中，基于该方法的前车识别成功张

数为３７８８，识别率约为９５．５３％。在前车距离计算上，由于应用要求精度较低，采用了一种粗糙深度估计的方法。主要利用前车尾灯宽度的统计信息和其在图像上的像素点宽度进行估

计。在摄像头配置情况下，粗略的尾灯宽度和距离（０～２００ｍ）之间的关系可以用以下二次曲线函数来估计，其中ｄ表示距离，ｗ表示尾灯宽度：ｄ＝０．０１５１埘２—３．８０叫＋２９０．５（３）

４总结低续航里程车辆多于市区和市郊区域行驶。这些路段上通常无中间隔离带，夜间会车时须在远近光灯之间进行合理切换。本文对三种需要远近光切换的典型场景进行了深人分析，提出了一种基于视频图像处理技术的远近光灯自动切换算法。该算法采用基于局部灰度直方图和ｓＶＭ的方法区分有无路灯场景；通过对车前灯的检测和跟踪，实现了无路灯时对面来车的识别；通过Ｄ．Ｓ证据理论和前车尾灯的先验知识实现了近距离前方车辆的识别。大量实验结果表明：该方法具有较高的可靠性，可以满足夜间大灯自动切换的实际要求，具有一定的实用性。未来工作中，将针对上述算法中出现的误识别情况进行分析，争取实现识别率的进一步提升，并进行雨雾等恶劣天气条件下的远近光切换策略研究。

参考文献１曹秉刚，张传伟，白志峰，等．电动汽车技术进展和发展趋势．西安交通大学学报，２００４；３８（１）：１—５２陈清泉，孙立清．电动汽车的现状和发展趋势．科技导报，２００５；２３（４）：２４—２８３辛华．低碳经济与电动汽车发展：趋势与对策．开放导报，２００９；（５）：３１＿３５４田美娥．我国发展电动汽车的必要性与趋势．西安石油大学学

报（自然科学版），２０１０；２５（５）：８９—９１５曹秉刚．中国电动汽车技术新进展．西安交通大学学报，２００７；４１（１）：１１４一１１８６陈全世，林成涛．电动汽车用电池性能模型研究综述．汽车技术，２００５；（２）：１—５７王健，廖红英，李冰川，等．纯电动汽车用动力电池电解液的研究进展．华南师范大学学报（自然科学版）．２００９，（也）：８４—８６８王宏伟，邓爽，肖海清，等．国内电动车用动力锂离子电池现状．电子元件与材料，２０１２；３１（６）：８４—８６９张剑波，卢兰光，李哲．车用动力电池系统的关键技术与学科前沿．汽车节能与安全技术学报．２０１２；３（２）：８７—１０４１０肖汉光，蔡从中，王万录．利用支持向量机ｓｖＭ识别车辆类型．重庆大学学报（自然科学版），２００６；２９（１）：６１—６５１１文学志，方巍，郑钰辉．一种基于类Ｈａａｒ特征和改进Ａｄａ．Ｂｏｏｓｔ分类器的车辆识别算法．电子学报，２０１１；３９（５）：１１２１—１１２６

１２高联雄，梁虹，冯涛．基于支持向量机和不变矩的交通标志检测．计算机工程与应用，２００８；４４（３１）：２３３—２３８１３曹洁，徐永胜．基于Ｄ—Ｓ证据理论的车辆视频检测的研究．计算机仿真，２００７；２４（７）：２６４—２６７１４李彬，马国胜，李剑．Ｄ—ｓ证据理论在公路车辆识别方面的应用．中国仪器仪表，２０１０；（４）：５７—６０