基于計算機視覺的高速公路防撞系統是當前智能交通管理系統研究的熱點之一。如何在多變的環境下快速準確地從視頻圖像里檢測到車道和前方車輛是實現這類系統面臨的最關鍵問題。近20年來，國內外很多研究人員對這個問題進行了大量研究，提出了多種多樣的實用算法并成功開發了一些視覺系統。這些系統所采用的算法基本上可以分為基于雙目視覺的方法、基于運動的方法、基于外形的方法和基于知識的方法。基于雙目立體視覺的方法計算量大，需要特殊硬件支持;基于運動的方法，無法檢測靜止目標且實時性差;基于外形的方法，因建立有效的培訓樣本仍然是需要研究的問題;基于知識的方法，在障礙物數量較少時效率較高，但復雜環境下錯誤率有所增加。

　　針對常規算法的不足，本文設計了一種精度高，穩定性好的基于單目視覺的車載追尾預警系統。它利用一種新的邊緣檢測算法識別前方道路，然后利用陰影檢測與跟蹤相結合的方法識別前方車輛，接下來根據前后車距判斷其威脅等級，最終向駕駛員提供相應的聲光報警信號。

　　1 系統工作原理

　　系統硬件部分包括MCC-4060型CCD攝像機、VT-121視頻采集卡、GPS、PC-104工控機和顯示終端。GPS通過串口向工控機發送本車車速信息，安裝在車內擋風玻璃后的CCD攝像機將圖像幀通過視頻采集卡送入工控機，經過軟件的處理分析后，在顯示終端上標注出前車障礙物和道路標線，同時根據車速、間距等判斷危險等級，發出相應的聲光報警信號;

　　系統的軟件部分包括道路檢測、道路跟蹤、車輛檢測、車輛跟蹤、測距、決策和報警等模塊。當車速達到60km/h時，系統開始處理實時采集到的圖像序列。對于每一幀圖像，首先檢測并跟蹤圖像中的車道白線，然后在車道確定的感興趣區域內檢測車輛。如果存在疑似障礙車輛，則啟動車輛跟蹤，利用跟蹤信息進一步排除虛警。在實現對障礙車輛穩定跟蹤后，估算出兩車間距和相對運動速度，判定其威脅等級，并發出相應的報警信號。

　　2 系統關鍵技術

　　2.1 道路檢測

　　目前，車道線檢測算法主要適用于光照充足的環境下。由于車道線與路面之間對比度大，因此很容易利用各種常規邊緣檢測算子獲得清晰的車道輪廓信息，然后選取合適的閾值對圖像進行二值化處理，最后采用Hough變換識別車道線。然而在復雜光照環境下，圖像會受到各種光線直射和物體多次反射形成雜散光的干擾，圖像光強不能反映車道本身突變性質，導致無法正確檢測出車道。

　　本系統采用了一種利用光密度差得到車道標線與路面反射率差，進而進行非線性邊緣檢測，再進行Hough變換的車道檢測算法。此算法可以有效解決在復雜光照條件下的車道檢測，也可以用于夜間的車道檢測。

　　另外，目前車道線的跟蹤研究主要采用固定區域法或者Kalman濾波法，根據前一幀車道線檢測的結果來劃分感興趣區域，以實時跟蹤車道線。然而，固定區域法對2幀圖像的相關性依賴大，劃分感興趣區域大，實時性差;而Kalman濾波法劃分感興趣區域小，容易產生檢測誤差，而造成跟蹤誤差累積，跟蹤正確率不高。因此，本系統在跟蹤車道線時采用了一種融合固定區域法和KaIman濾波法劃分感興趣區域的新方法。

　　一般來說，只將車道邊界線交點(即滅點)以下、2車道線之間的區域作為感興趣區域，考慮到跨道行駛的車輛依然對本車有威脅，算法把兩車道線分別向兩側平移40個像素，使感興趣區域擴展到可以覆蓋跨道車輛的范圍。

　　2.2 車輛檢測

　　圖像中包含車輛前方很大視野內的物體，如道路、樹木、護欄、標牌以及其他車輛，要從中準確檢測出前方車輛是一項困難的工作，而本文的車輛檢測模塊會根據圖像背景自動改變設置參數，以適應不斷變化的道路場景和光照條件。

　　要實現車輛的快速檢測，首先需要根據車輛的基本特征進行初步檢測，將所有可能的疑似車輛區域從圖像中提取出來，然后再根據其他特征對疑似區域進行篩選排除。

　　2.2.1 車輛初步檢測

　　初步檢測采用的特征是車輛陰影，即一塊位于目標車輛底部、灰度值明顯比附近路面區域低的區域。在一般環境條件下，大部分車輛都具有這一顯著特征。

　　車輛初步檢測的流程如圖1所示。車輛陰影和車道一樣具有灰度突變的特點，因此可以調用車道檢測算法對圖2(a)中的原始圖像做二值化處理，得到圖2(b)中的邊緣二值化圖像。同時還要對原始圖像進行灰度二值化，得到圖2(c)中的灰度二值化圖像。為提高檢測實時性，以本車附近路面區域的平均灰度作為二值化閾值。由于邊緣二值化圖像和灰度二值化圖像都包括了車輛的下底邊，將這兩幅圖像進行“或”運算，就可以得到如圖2(d)所示的車輛陰影圖像。

?

　　在陰影圖像中由下至上逐行搜索，尋找連續陰影點超過一定閾值的線段，并以此線段為底邊劃出一個矩形區域作為疑似車輛區域。為保證疑似區域包含車輛整體，矩形的寬度比線段稍寬，高度由寬度按比例給出。為避免重復搜索，將已搜索到的疑似區域內陰影完全抹去。由于同一車輛的各個部分可能分別被檢測為疑似目標，因此還需要對各個相交的疑似區域進行合并。由于前方車輛的遮擋，可能會將多個目標認定為一個目標，但是對本車的安全無影響。

　　2.2.2 篩選驗證

　　如果單純采用陰影特征進行車輛檢測，在保證較低“漏警”率的同時，也造成了較高的“虛警”率，因此還需要對疑似區域進行篩選和驗證。

　　對于結構化道路，車輛寬度與車道寬度的比值應該是大致固定的，那么當攝像機的焦距、俯仰角等參數固定后，圖像上車道寬度(像素數)與車輛寬度(像素數)也滿足這個比例。根據之前檢測的車道方程，就可以計算出感興趣區域內任意縱坐標上車輛圖像寬度的范圍，并剔除寬度不在此范圍內的疑似區域。

　　在以往的車輛驗證方法中，最常用的是對稱性測度驗證。這種算法的計算量較大，且對于背景復雜，對稱度差圖像的驗證效果不盡人意。為了解決這個問題，該系統采用了一種基于邊緣二值化圖像，通過搜索車輛左右邊緣進行驗證的算法。

　　假設疑似區域的寬度為W，區域左邊緣的坐標為(X1，Y1)，右邊緣的水平坐標為(X2，Y2)。定義函數：

?

　　式中：f(x，y)為(x，y)點的灰度值。在區間(X1-W/4，X1+W/4)內搜索g(u)的最大值點，該點對應的水平坐標X1’就是車輛的左邊緣坐標。同理也可以搜索到車輛的右邊緣X2’。如果左右邊緣的g(u)值均大于某閾值，那么就可以認定該車輛確實存在。實驗證明，該算法能排除掉大量的“虛警”區域并得到真實車輛的兩側邊緣。

　　2.3 車輛跟蹤

　　現關心的是前方車輛與本車相對的二維位置和速度，因此只需要使用卡爾曼濾波器預測橫坐標x、橫向速度Vx、縱坐標y、縱向坐標Vy這四個狀態向量。此外由于x方向和y方向的狀態向量沒有直接聯系，所以可以將其分為兩組分別處理。

　　在車輛行駛過程中，由于顛簸或遮擋等原因，系統可能會將路牌、灌木叢等物體誤認為是車輛檢測出來，產生虛警。而這些虛警物體往往只能在連續數幀圖像中存在。如果不采取措施，系統就會時常產生短促的報警。

　　當圖像采樣間隔足夠短時，相鄰幀內同一車輛的位置會具有很大的相關性。

　　系統采用檢測與跟蹤相結合的方法，根據第n幀圖像獲得的信息，預測車輛在第n+1幀圖像中的位置等信息，并與n+1幀圖像中實際檢測到的結果進行比對。如果二者匹配度最大且超出一定值，則認定為同一車輛，繼續進行跟蹤、報警，否則認為此車已被遮擋或消失，暫時不做處理，數幀后被剔除出去。

　　2.4 測距報警

　　車間測距通常采用幾何投影模型，采用了一種簡化的車距模型公式L×W=C，其中L為兩車間距，單位為m;W為圖像上目標車輛處車道寬度，單位為pixel;C為常數，可通過事先的標定獲得。然而兩車間安全車距S采用文獻推導的臨界安全車距公式動態得到。

?

　　式中：Vr為相對車速，由對測出車距求導得到相對車速后進行卡爾曼濾波得到;Vb為本車車速，由GPS得到。

　　如果告警頻率過高，容易使駕駛員麻痹大意，過低可能使駕駛員來不及做出反應，因此該系統采用由遠至近的三段報警。

　　若車距d≥1.5S，判定為3級威脅，發出長而緩的報警聲，提醒駕駛員前方有障礙物，但暫無危險;若車距S≤d≤1.5S，判定為2級威脅，發出較急促的報警聲，提醒駕駛員減速;若車距d≤S，判定為1級威脅，發出短而急的報警聲，提醒駕駛員制動;3種狀態下的告警聲差異很大，駕駛員可以很容易地根據報警聲判斷威脅等級。

　　3 試驗結果

　　系統框架及所有算法在Boiland C++ Builder 6環境下編譯完成。為了驗證系統算法的可靠性和實時性，利用在合肥市環城高速公路上采集不同車型、不同路段、不同環境光下多組道路圖像作為測試序列，進行了大量實驗。

　　圖3為典型道路場景下的實驗結果，圖3(a)為大型卡車;(b)為小型面包車;(c)為遠距離處;(d)為近距離處的檢測結果。系統將檢測到的目標用黑框標記出來。

?

　　可以看出，系統能夠檢測到本車道內不同距離上的各種車型車輛。在高速公路上的實驗結果表明，在最大車速100 km/h的情況下，系統在Celeron M 600 MHz處理器上的處理速度為8 j/s左右，也就是說處理一幀圖像的時間內車輛行駛3～4 m，基本滿足實時報警的要求。在一般光照條件下，系統正常報警的縱向距離超過200 m，視場角遠遠大于雷達(一般為±7°)。

?

　　為了驗證單目視覺測距準確性，在市內道路上采集了前車與本車距離從5～100 m的一組圖像。對采集的圖像進行處理后，根據公式推導出本車與前車距離以及實際距離見表1。表中數據顯示，單目視覺測距的相對誤差都在5%以內，可以滿足實際工作中測距告警的需要。

　　4 結語

　　本文設計了一個基于單目視覺的汽車追尾預警系統。該系統采用了一種基于光密度差的道路檢測算法，并使用了一種以車輛陰影檢測為主、左右邊緣檢測為輔的車輛探測方法，同時采用了簡單、實用的測距和報警方法。高速公路上的實驗結果證明了該系統的實時性、魯棒性和準確性。該系統目前還沒有在雨霧天氣或缺少照明的夜間環境下進行試驗，未來我們將針對這些使用環境對系統做進一步改進和優化。