基于機(jī)器視覺的客運(yùn)車輛危險(xiǎn)行駛狀態(tài)辨識(shí)技術(shù)研究

胡閏秀，劉永濤

引言

隨著我國(guó)公路交通運(yùn)輸業(yè)的快速發(fā)展，道路交通安全事故已成為威脅人民公共財(cái)產(chǎn)安全的最嚴(yán)重問題之一。據(jù)道路交通事故統(tǒng)計(jì)年報(bào)分析顯示[1]，大型車輛尤其是客運(yùn)車輛肇事事故是造成群死群傷道路交通事故的主要原因，其社會(huì)影響非常惡劣，而車輛駕駛?cè)说奈ｋU(xiǎn)駕駛行為則是引起客運(yùn)車輛交通事故的主導(dǎo)因素。當(dāng)前科技的發(fā)展使得越來越多的安全輔助駕駛設(shè)備普及至各類小型車輛，但絕大多數(shù)客運(yùn)車輛尚未安裝安全輔助駕駛設(shè)備。傳統(tǒng)的汽車行駛記錄儀僅僅能夠記錄車輛行駛影像，起到回看的作用，不能實(shí)時(shí)辨識(shí)客運(yùn)車輛當(dāng)前的行駛安全狀態(tài)，亦不能記錄交通事故發(fā)生時(shí)的車輛運(yùn)行狀態(tài)等關(guān)鍵信息。市場(chǎng)上雖然有一些車輛主動(dòng)安全系統(tǒng)的產(chǎn)品，如車道偏離預(yù)警系統(tǒng)、車輛縱向防撞預(yù)警系統(tǒng)等[2-4]，用來提醒駕駛?cè)税踩{駛，但這些產(chǎn)品大都以非營(yíng)運(yùn)車輛為設(shè)計(jì)研發(fā)對(duì)象，也沒有將駕駛?cè)诉@一關(guān)鍵因素考慮進(jìn)去。因此，開展客運(yùn)車輛橫縱向危險(xiǎn)行駛狀態(tài)辨識(shí)技術(shù)研究，實(shí)時(shí)在線辨識(shí)公路客運(yùn)車輛出現(xiàn)的超速行駛、占道行駛、越線行駛、縱向跟車過近等危險(xiǎn)行駛狀態(tài)，適時(shí)警示駕駛?cè)朔钦ｑ{駛行為，可有效監(jiān)控、約束、規(guī)范客運(yùn)車輛駕駛?cè)说鸟{駛行為，提高道路交通事故中的科技含量，進(jìn)而提高我國(guó)客運(yùn)車輛道路交通事故的安全營(yíng)運(yùn)水平。本文以工控機(jī)組件為平臺(tái)，基于機(jī)器視覺從橫向和縱向兩個(gè)維度進(jìn)行車輛危險(xiǎn)行駛狀態(tài)辨識(shí)，通過建立車輛橫縱向危險(xiǎn)行駛狀態(tài)辨識(shí)模型，有效預(yù)防車輛無意識(shí)的車道偏離及跟車過近等危險(xiǎn)行駛狀態(tài)。

1、車輛橫向危險(xiǎn)行駛狀態(tài)辨識(shí)

車輛橫向危險(xiǎn)行駛狀態(tài)主要表現(xiàn)為駕駛?cè)藷o意識(shí)的車道偏航行為，因此，車輛橫向偏航辨識(shí)技術(shù)的關(guān)鍵技術(shù)在于道路標(biāo)識(shí)線的準(zhǔn)確識(shí)別，車道線識(shí)別要求具有實(shí)時(shí)性和魯棒性，實(shí)時(shí)性要求車道線檢測(cè)算法能滿足車輛在行駛過程中速度較快的需要，魯棒性要求在包含陰影、光照強(qiáng)度大、存在文字干擾等各種復(fù)雜環(huán)境下準(zhǔn)確檢測(cè)辨識(shí)車道標(biāo)志線。因此，必須對(duì)道路環(huán)境圖像信息進(jìn)行深度挖掘優(yōu)化，去除圖像上存在的多余干擾噪聲信息，盡可能多的保留有用信息。

1.1 圖像預(yù)處理

由于車輛在行駛過程中，存在自身振動(dòng)及路面不平的干擾，會(huì)大大降低采集道路圖像的質(zhì)量。為了深度挖掘道路圖像的有用信息，需要對(duì)道路圖像進(jìn)行預(yù)處理[5-7]。彩色圖像所包含的數(shù)據(jù)量大，為了提高圖像處理速度，首先對(duì)彩色圖像進(jìn)行灰度化處理，圖1所示為灰度化處理結(jié)果。采用中值濾波去除圖像噪聲和保護(hù)邊緣，處理結(jié)果如圖 2所示。使用Sobel邊緣檢測(cè)算法增強(qiáng)采集圖像中車道線的邊緣，同時(shí)也有效降低噪聲影響，圖3所示為處理結(jié)果。經(jīng)過Sobel邊緣檢測(cè)處理后，道路圖像的對(duì)比度明顯增強(qiáng)，為了提高車道線檢測(cè)效率，使用最大類間方差法（OSTU）進(jìn)行閾值分割，得到二值化圖像，如圖4所示。

1.2 車輛橫向偏航辨識(shí)

系統(tǒng)上電完成及初始化之后，車載 CCD圖像傳感器完成前方道路圖像信息采集，并將采集的道路圖像通過視頻采集卡傳輸至工控機(jī)內(nèi)部，進(jìn)行圖像關(guān)鍵信息挖掘。車輛橫向偏航辨識(shí)過程主要包括：道路圖像經(jīng)過預(yù)處理之后，充分利用車道辨識(shí)線的分布特征，基于方向可調(diào)濾波器進(jìn)行車道邊緣信息提取，能更好的增強(qiáng)車道線邊緣信息，抑制圖像中的噪聲干擾；為了縮短車道線檢測(cè)時(shí)間，提高系統(tǒng)實(shí)時(shí)性，基于車速劃分動(dòng)態(tài)感興趣區(qū)域；采用面向序列圖像的改進(jìn)最優(yōu)閾值分割方法，更加凸顯道路圖像中車道線信息；由于路面標(biāo)識(shí)、文字、車輛等面積較大干擾噪聲的存在，會(huì)對(duì)車道線特征區(qū)域的提取造成影響，因此，本文利用車道標(biāo)識(shí)線固有的形態(tài)特征及邏輯關(guān)系對(duì)車道線特征區(qū)域進(jìn)行車道標(biāo)識(shí)線篩選，結(jié)構(gòu)化道路的車道標(biāo)識(shí)線具有寬度變化率平穩(wěn)、寬度范圍一定、長(zhǎng)度范圍一定、車道同向性等特征；車道線經(jīng)過上述處理，形成具有一定形狀的線段，車道線檢測(cè)的過程就是將離散的邊緣像素進(jìn)行篩選，擬合成連續(xù)的線段，基于線性回歸方法與車道標(biāo)識(shí)線寬度約束進(jìn)行道路模型求解；車道線檢測(cè)成功之后，用特殊顏色的虛擬線段進(jìn)行標(biāo)識(shí)，并運(yùn)用Kalman濾波算法進(jìn)行車道標(biāo)識(shí)線追蹤。同時(shí)，基于逆透視投影變換進(jìn)行道路關(guān)鍵信息重建，明確三維世界坐標(biāo)系與二維圖像坐標(biāo)系之間的對(duì)應(yīng)關(guān)系，結(jié)合車道線的計(jì)算方程，可以進(jìn)行世界坐標(biāo)系下車輛運(yùn)行姿態(tài)感知；充分利用基于空間信息的預(yù)警模式虛警率和漏警率低及基于時(shí)間信息的預(yù)警模式預(yù)警及時(shí)的優(yōu)勢(shì)，建立基于時(shí)空信息融合的車輛橫向偏航辨識(shí)模型，并根據(jù)所建模型進(jìn)行車輛橫向偏航預(yù)警方案的確定。車輛橫向偏航辨識(shí)具體流程如圖5所示。

2、車輛縱向危險(xiǎn)行駛狀態(tài)辨識(shí)

客運(yùn)車輛縱向危險(xiǎn)行駛狀態(tài)主要表現(xiàn)為車輛縱向行駛安全車距不足，導(dǎo)致車輛追尾等嚴(yán)重交通事故的發(fā)生。對(duì)前方車輛進(jìn)行監(jiān)控跟蹤，可以幫助駕駛?cè)藢?shí)現(xiàn)對(duì)車輛運(yùn)行環(huán)境的感知，使用機(jī)器視覺技術(shù)進(jìn)行客運(yùn)車輛縱向危險(xiǎn)行駛狀態(tài)辨識(shí)具有成本低、信息量大、魯棒性好等優(yōu)點(diǎn)。針對(duì)上述考慮，本章基于機(jī)器學(xué)習(xí)和粒子濾波算法進(jìn)行前方車輛分層級(jí)聯(lián)辨識(shí)與跟蹤，借助前方車輛測(cè)距模型，將通過機(jī)器視覺感知的測(cè)量距離與車輛可行安全域方案集進(jìn)行比對(duì)，融合客運(yùn)車輛縱向行駛車路協(xié)同模型，辨識(shí)車輛是否處于危險(xiǎn)行駛狀態(tài)，如果存在，適時(shí)給予駕駛?cè)司妫扇“踩熊嚧胧?。具體過程如下：充分借助車輛尾部的紋理特征及灰度分布特征，通過對(duì)海量車輛樣本集進(jìn)行離線訓(xùn)練，基于Adaboost算法訓(xùn)練強(qiáng)分類器，并構(gòu)建車輛級(jí)聯(lián)分類器；融合車輛Haar-like特征與 Adaboost算法進(jìn)行前方車輛識(shí)別，對(duì)測(cè)試樣本的 ROI區(qū)域進(jìn)行車輛存在性檢測(cè)，并輸出檢測(cè)結(jié)果；充分利用粒子濾波的多假設(shè)能力，對(duì)前方目標(biāo)車輛進(jìn)行快速穩(wěn)定跟蹤；基于射影幾何建立車輛縱向車距測(cè)量模型，通過前方車輛目標(biāo)特征點(diǎn)的選取，來計(jì)算本車與前車之間的縱向?qū)崟r(shí)距離。同時(shí)，基于群體智能技術(shù)，在構(gòu)建駕駛?cè)藨?yīng)急響應(yīng)決策時(shí)間智能體、道路環(huán)境信息智能體以及車輛行駛狀態(tài)信息智能體的基礎(chǔ)上，進(jìn)行車輛縱向可行安全域方案集的確立；通過本車及前車之間的實(shí)時(shí)距離與車輛縱向行駛可行安全域方案集的比對(duì)，建立車輛縱向危險(xiǎn)行駛狀態(tài)辨識(shí)模型，基于時(shí)域危險(xiǎn)度的量化分析，確定預(yù)警輸出方案。

3、試驗(yàn)分析

3.1 硬件平臺(tái)搭建

本文建立的客運(yùn)車輛橫縱向危險(xiǎn)行駛狀態(tài)辨識(shí)系統(tǒng)平臺(tái)的硬件架構(gòu)主要包括四部分：道路圖像采集與顯示系統(tǒng)、車輛行駛狀態(tài)參數(shù)采集系統(tǒng)、上位機(jī)控制系統(tǒng)及平臺(tái)供電系統(tǒng)。車輛行駛環(huán)境圖像信息通過 CCD視覺傳感器獲取，經(jīng)視頻采集卡傳輸至上位機(jī)控制系統(tǒng)，車輛行駛狀態(tài)參數(shù)包括車輛行駛速度參數(shù)、轉(zhuǎn)向信號(hào)參數(shù)通過DB9串口線傳輸至上位機(jī)系統(tǒng)，上位機(jī)系統(tǒng)接收多傳感器信號(hào)，通過圖像識(shí)別處理算法形成最終處理后的圖像畫面，并通過人機(jī)交互系統(tǒng)傳遞給駕駛?cè)恕?/p>

3.2 實(shí)車試驗(yàn)

為了驗(yàn)證測(cè)試論文搭建系統(tǒng)硬件平臺(tái)的可靠性及提出的相關(guān)算法的有效性，本文選擇西安地區(qū)具有典型交通狀況的西安三環(huán)快速路作為試驗(yàn)路段，試驗(yàn)條件為天氣晴朗、路面干燥，駕駛?cè)税凑兆约赫５鸟{駛習(xí)慣駕駛車輛，并根據(jù)實(shí)際路況選擇變道。車輛橫向偏航辨識(shí)結(jié)果如圖7所示，車輛縱向危險(xiǎn)行駛狀態(tài)辨識(shí)結(jié)果如圖8所示。相關(guān)檢測(cè)算法總體識(shí)別效果較好，識(shí)別準(zhǔn)確率為90%以上，能夠滿足實(shí)際車載應(yīng)用需要，達(dá)到了試驗(yàn)設(shè)計(jì)要求。

4、結(jié)束語

本文提出了一種基于機(jī)器視覺的客運(yùn)車輛危險(xiǎn)行駛狀態(tài)辨識(shí)方法，通過車載 CCD獲取前方道路圖像，運(yùn)用圖像處理算法檢測(cè)車道標(biāo)識(shí)線及本車與前方目標(biāo)車輛的實(shí)時(shí)車距，建立車輛橫向偏航辨識(shí)模型、車輛縱向危險(xiǎn)行駛狀態(tài)辨識(shí)模型，基于相關(guān)辨識(shí)模型輸出結(jié)果，確定預(yù)警方案。試驗(yàn)結(jié)果表明，該模型辨識(shí)車輛橫向偏航和縱向跟車過近危險(xiǎn)行駛行為的識(shí)別率為90%以上，可用來降低由駕駛行為造成的潛在危險(xiǎn)，提高車輛運(yùn)行安全性。

[1] 公安部交通管理局. 中華人民共和國(guó)道路交通事故統(tǒng)計(jì)年報(bào)(2011年度) [R]. 2012.

[2] Dagan E., Mano O., Stein G. P., et al. Forward Collision Warning with a Single Camera[A]. Intelligent Vehicles Symposium[C]. 2004: 37-42.

[3] http://newscar.xcar.com.cn/201101/news_190628_2.html.

[4] 吳乙萬. 人機(jī)協(xié)同下的車道偏離輔助駕駛關(guān)鍵技術(shù)研究[D]. 長(zhǎng)沙: 湖南大學(xué), 2013.

[5] 黃偉. 基于雷達(dá)和機(jī)器視覺的車輛前方障礙物檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 武漢: 武漢理工大學(xué), 2010.

[6] 劉富強(qiáng), 田敏, 胡振程. 智能汽車中基于視覺的道路檢測(cè)與跟蹤算法[J]. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2007, 35(11): 1535-1541.

[7] 林廣宇, 魏朗. 基于機(jī)器視覺的駕駛員換道行駛檢測(cè)研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2009, 45(33): 22-24.