本发明专利技术公开了一种基于单目视觉的车辆测距与碰撞预警方法。本发明专利技术首先通过单目摄像头采集目标的动态视频，将采集到的每一帧视频进行图像预处理，然后通过将图像的特征与训练得到的正样本特征进行比较来检测目标，并用矩形框将其标记出来。通过获取矩形框底边的中点坐标，根据小孔成像和相似三角形的几何比例关系可以得到两车的实际距离；根据给定时间内两车的距离变化计算出相对速度，再结合距离计算出碰撞时间，当该时间小于碰撞安全时间时，就会发出语音警告，提醒司机采取相应措施。本发明专利技术只采用一个摄像头采集视频，设备简单，采用的目标检测方法准确率高，实时性强，测距方法也简单高效，实现了及时预警，有效预防交通事故的发生。
【技术实现步骤摘要】
本专利技术属于汽车辅助安全驾驶领域，尤其涉及的是一种基于单目视觉的车辆测距 与碰撞预警方法。
技术介绍
随着我国经济和科技的高速发展，汽车及车载装备领域形成了极具发展潜力的巨 大市场。根据国家统计局的数据，2012年末全国民用汽车保有量达12089万辆，比上年末 增长14. 3%。与此同时，行车安全问题日益突出，交通事故频繁发生，成为全社会关注的热 点。2013年我国因交通事故造成6万余人伤亡。若驾驶者早1.0s知道危险隐患，可减少 90%的交通事故；早0. 5s知道，可回避30%的正面碰撞事故和50%的追尾碰撞与交叉路口 事故。按事故原因分析，驾驶员自身原因导致的事故所占比例为70-80%，仅尾部碰撞所造 成的交通事故比例即高达30%。切实提高汽车本身安全驾驶的可靠性，成为减少交通事故 的关键因素。作为车载辅助驾驶与行车安全装置的关键技术之一，车载测距与告警装置获 得了国内外研究机构的高度重视。 对于汽车主动避撞系统方法的研究兴起于20世纪60年代，目前，运用于车辆测距 的方法主要有以下几种：超声波测距、毫米波雷达测距、激光测距以及视觉测距等方法。超 声波测距原理简单、成本较低，但受外界温度等因素影响较大，无法实现精确测距；而且，超 声波能量与距离的平方成正比而衰减，只适用于较短的距离。目前国内外一般的超声波测 距仪理想测量距离为4-5米左右，这对于现代汽车高速安全行驶是远远不够的。雷达测距 可提供较长距离的感知，测量精度很高，并且可探测多目标，但容易受电磁波干扰；雷达装 置相互间以及其它通信设施的电磁波被干扰会导致车辆的误操作。激光测距利用计数或相 位原理实现测距，对硬件的要求很高，存在近距误差较大、信号处理复杂等缺陷。 在利用视觉技术获得三维信息方面，通常有单目系统和多目系统等两种方式。双 目视觉模仿人类利用双目视差感知距离的方法，实现对三维信息的感知。具体地，即基于三 角测量的方法，运用两个摄像机对同一景物从不同位置成像，并进而从视差中恢复距离。双 目视觉系统的致命弱点是需要做图像匹配，而三维场景投影存在畸变和噪声，深度和不可 见部分的信息被丢失，导致同一物体在不同视角下的图像有极大差异，以及物体遮挡而丢 失特征信息等问题，都将增大图像配准的难度。研究者也提出了多目配准的方法，即采用 多个摄像机同时摄取物体的多幅图像，增加景物的信息量和配准的约束条件，简化配准问 题。但这将大幅增加测距系统的成本，而且系统安装和图像同步的难度也大大增加，因此 现阶段还不易达到实用化。相对地，单目视觉方法采用单幅图像根据摄像机的焦距和事先 确定的参数来估算深度信息，或者从视频长序列图像中采用特征匹配和光流技术估算三维 参数，具有结构简单、成本低的优点，与多目视觉系统相比避免了图像配准问题，而且单幅 图像的处理更为快捷、实时性更好。因此，单目视觉测距系统对于车辆更为合适。 综上所述，单目视觉测距与安全告警系统体积小巧、安装方便，是汽车智能化领域 有着光明前途的一项技术。由于在测距的过程得到的图像包含有大量的信息，还可用于实 现其它辅助驾驶功能，例如车道状态的估计、交通标志和信号的识别、牌照识别、车辆偏离 车道中心的偏离等。 在目前的移动电子设备中，仍然缺乏基于汽车安全驾驶系统的单目测距装置，用 来保证高速公路上的行车安全。因此，亟待研究新型的算法与系统。
技术实现思路
为了保障高速公路上的行车安全，本专利技术的目的在于提供了一种基于单目视觉的 车辆碰撞预警方法，具有目标检测准确率高、实时性强、简单高效等特点，能够有效实现及 时的预警，预防交通事故的发生。 本专利技术的技术方案如下： 一种基于车载单目摄像头的测距与报警技术，包括如下步骤： 步骤1 :单目摄像头采集汽车的运动视频，并对视频的每一帧图像进行预处理。 预处理操作主要为了提高该方法的运算速度，和增强图片的对比度和清晰度，降 低局部的阴影和光照变化所造成的影响，同时可以对包含的噪声进行合理的抑制，为了更 好的识别目标；其操作主要包括灰度化处理、Gamma校正和直方图均衡化。 在灰度化过程中，对RGB三分量进行加权平均，以得到较合理的灰度图像。 f (i, j) = 0. 30 R(i, j)+0. 59G(i, j)+0. llB(i, j) (1) Gamma校正中采用乘幂函数： Y = (X+e) γ (2) 进行校正图像，其中，Y为亮度、X为输出电压、e为补偿系数、乘幂值（γ)为伽玛值，改 变乘幂值（γ)的大小，就能改变的伽玛曲线。典型的Gamma值是0.45,可以使影像亮度呈 现线性。 直方图均衡化通过把原始图的像素值变换为均匀分布的形式，从而增加了灰度值 的动态范围，达到增强图像整体对比度的效果。 步骤2 :对预处理的图像进行汽车的检测与跟踪，并用矩形框实时标注汽车； 本专利采用的是基于Haar特征的Adaboost算法，采用级联分类器得到训练子。该方 法的核心思想是通过训练出不同级别的弱分类器，经过串联集合，得到最终的强分类器。本 专利采用Haar特征，是一种矩形特征，黑白色两种，定义其特征值为白色特征的像素和减 去黑色特征的像素和。 基于Haar特征的Adaboost训练过程，具体步骤如下： 步骤2. 1 :采集一定数量的车辆样本集（正样本）和非车辆样本集（负样本），一般负 样本的数量应远大于正样本数量，对所有样本进行预处理，使所有训练样本的归一大小为 20*20〇 步骤2. 2 :运用积分图计算正、负样本Haar特征，形成特征集。 步骤2. 3 :确定阈值，由矩形特征值生成对应的弱分类器，形成弱分器集。 步骤2. 4 :获取强分类器，Adaboost是一种基于级联分类模型的分类器。 它是将多个强分类器连接在一起进行操作。每一个强分类器都由若干个弱分类器 加权组成，最后所有的弱分类器投票决定分类，而每个分类器的权重不同。 首先要初始化所有训练样例的权重为1/N，其中N为样例数。然后训练弱分类器 yn(x)，当一个弱分类器的检测结果有误时就加重这一分类器的权值。最小化其权重误差函 数为。 步骤2. 5 :挑选最优的弱分类器，调用Adaboost算法训练强分类器，形成强分类器 集，最终构成级联分类器。 步骤2. 6 :将强分类器生成对应的xml文件，作为检测子，用来目标的识别。 步骤3 :确定图像中矩形框的中点坐标，结合摄像机的固定参数，利用小孔成像原 理和相似原理，计算出本车与前方车辆的实际距离。 设摄像头镜头的垂直方向视角范围为2 α。，摄像机俯仰角的余角为γ。，h为单目 摄像头的垂直安装高度，可利用公式： IPy= h · tan(y 〇+α ) (3) 所要求得的两车间的相对垂直距离。 步骤4 :预测两车碰撞时间，根据给定时间（0.1 s)内两车之间的距离变化量计算 两车的相对速度，再结合两车的距离计算可能的发生碰撞时间。 计算碰撞时间所用的公式为：其中，TTC表示车辆碰撞时间，d表示当前时刻两车的实际距离，At表示给定的时间 差，即0.1 s。S表不Δ t (0.1 s)时间间隔内两车的距尚变化量。 步骤5 :将计算得到的碰撞时间和给定的碰撞安全时间进行比较，当小于该值时 则发出警报提醒司机。 在系统应用之前，需要把单目摄本文档来自技高网...
【技术保护点】
一种基于单目视觉的车辆测距与碰撞预警方法，该方法包括目标检测、距离测算和安全预警等步骤；各个步骤是顺序进行的，即对经过处理之后的图像进行目标检测，将检测得到的目标提取底边中点坐标用于目标测距，测距完成后根据给定时间内的相对距离变化获得相对速度，从而实时判断发生碰撞所用时间，当计算所得的碰撞时间小于给定值时发出报警，提醒驾驶者注意存在的危险； 其特征在于：方法包括如下步骤 ： 步骤1：通过单目摄像头采集车辆前方的图像，并对图像进行滤波和去噪、色彩归一化等预处理； 步骤2：对经过预处理的图像，采用小波变换和级联分类器进行车辆检测； 步骤3：将目标检测部分与目标测距部分相结合，提取检测得到的车辆的底部边缘线中点，得到中点坐标； 步骤4：结合摄像机的焦距、距地面高度和摄像头轴线与水平方向的角度即俯仰角等固定参数，运用小孔成像原理和几何关系计算与前方车辆的垂直距离； 步骤5：预测两车碰撞时间，根据给定时间（0.1s）内两车之间的距离变化量计算两车的相对速度，再结合两车的距离计算可能的发生碰撞时间，因为两车的速度会实时改变因此预计碰撞时间也会实时做出调整； 步骤6：当计算得到的碰撞时间小于给定的安全碰撞时间时，发出报警，提醒驾驶员做出调整。...
【技术特征摘要】
【专利技术属性】
技术研发人员：孙鹏飞，张云洲，李继凡，孟蕾，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。