楊俊華Yang Junhua

（重慶車輛檢測研究院 國家客車質(zhì)量監(jiān)督檢驗中心，重慶 401122）

0 引 言

目前，國內(nèi)外學(xué)者對前方車輛檢測研究較為深入，Charkari[1]利用陰影區(qū)域的特征檢測得出車輛底部類似矩陣陰影區(qū)域比路面亮度數(shù)值低，雖然此方法的檢測速度較快，但是容易受到路面因素的影響。Aarthi[2]采用貝葉斯分類器，通過結(jié)合角點算法有效解決了樣本干擾問題，在一定程度上提高了車輛識別檢測的效率，這一方法雖然識別效果好，但耗時較長。我國學(xué)者王海[3]等提出兩步法對車輛進(jìn)行檢測，檢測率高但實時性較低。關(guān)于車輛檢測預(yù)警的研究主要從時間與距離進(jìn)行判斷，孫曉艷[4]在考量目標(biāo)車輛橫向距離后提出了車輛碰撞時間（Time to Collision，TTC）前撞預(yù)警算法，但這一算法容易受到相對速度的影響。在綜合國內(nèi)外最新研究的基礎(chǔ)上，提出了基于Open CV的 AEB系統(tǒng)的車輛防撞算法，并利用Haar-like+Adaboost分類器與粒子濾波原理實現(xiàn)車輛跟蹤，然后基于車輛測距幾何模型對車輛防撞預(yù)警進(jìn)行測試，測試結(jié)果表明即碰時間的TTC算法性能最佳，有效提升對前方車輛檢測預(yù)警的精確率。

1 前方車輛檢測

1.1 車輛檢測流程

1.1.1 分類器訓(xùn)練過程

車輛的正、負(fù)樣本分別為512張和4 500張。利用 Open CV提供的基于 Haar-like特征的Adaboost訓(xùn)練器，對樣本進(jìn)行特征分類訓(xùn)練[5]。

基于Open CV的分類器訓(xùn)練主要有2個步驟：

1）準(zhǔn)備正、負(fù)樣本文件。采用MIT-CBCL項目作為車輛樣本圖像庫。

2）利用Create Samples建立正樣本，統(tǒng)一將createsamples.cpp制作文件轉(zhuǎn)化為vec文件，然后設(shè)定統(tǒng)一的分辨率。訓(xùn)練時間與樣本的數(shù)量有關(guān)，當(dāng)樣本圖片滿足上限需求時，樣本訓(xùn)練耗時較短，樣本訓(xùn)練過程如圖1所示[6]。

1.1.2 車輛檢測過程

通過訓(xùn)練得到的級聯(lián)分類器進(jìn)行視頻圖像檢測，并判斷圖像中車的位置、大小。如下為車輛檢測的2種重要方式[7]。

（1）等比例縮小圖像；

（2）等比例放大分類器檢測窗口。

車輛預(yù)警防撞對實時性要求較高，因此，為了提高檢測性能，采用等比例放大分類器檢測窗口的方法。

1.2 基于粒子濾波的車輛跟蹤

若將車輛檢測視為動態(tài)隨機(jī)系統(tǒng)，則目標(biāo)車輛位置、大小就是隨機(jī)系統(tǒng)狀態(tài)，對隨機(jī)系統(tǒng)狀態(tài)X的估計就是跟蹤目的[8]。測量值Y對應(yīng)具體的圖像信息，通過巴氏距離對目標(biāo)顏色進(jìn)行比較，實現(xiàn)跟蹤。分別計算各個粒子與目標(biāo)的巴氏距離系數(shù)，從而獲得各個粒子的權(quán)重[9]。

圖1 Haar特征訓(xùn)練流程圖

2 車輛防撞預(yù)警算法

2.1 基于單目視覺的距離測量

計算機(jī)視覺在三維信息方面的應(yīng)用通常有單目、雙目和多目3種方式。選擇具有顯著性優(yōu)勢的單目視覺對車輛、車道進(jìn)行檢測[10]。

2.1.1視覺的測距模型

（1）基于小孔成像原理的成像模型。

當(dāng)物體在視網(wǎng)膜中的成像大小、距離比值保持不變時，遵循歐幾里得定律。

式中，S為成像物體大小，為物體到視網(wǎng)膜的距離；s為視網(wǎng)膜物體成像大小。基于小孔成像原理，通過成像物體實際大小推算出物體的實際距離D。

物體實際距離計算式為

式中，h為像的高度；f為焦距；H為成像物體的高度；D為待測量距離。

（2）基于單幀靜態(tài)圖像的測距模型。

以水平放置的攝像機(jī)為軸心，利用攝像機(jī)三維投影形成的二維圖像，依據(jù)小孔成像原理測算物體到攝像機(jī)的距離。

式中，f為攝像機(jī)的有效焦距；h為攝像機(jī)的安裝高度；y為路面上的物體在圖像中的坐標(biāo)點；y0為圖像平面的原點坐標(biāo)。

（3）基于序列圖像的測距模型。利用前后圖像透視原理測距。

將4個方程聯(lián)立得到式（5）

由于H遠(yuǎn)大于h2，則h2+H≈H，因此式（5）簡化整理得

式中，d1為實際測量距離；z1為物體實際像距；f為攝像機(jī)的有效焦距；d2為物體成像像距離；z2為物體成像像距；h1為像的實際高度；h2為像的高度；H為成像物體的高度。

2.1.2 前方車輛距離測量

針對車輛大小差異，基于小孔成像模型和序列圖像測距模型無法獲得車輛的實際尺寸，因此，采用基于車輛測距幾何模型對前方車輛距離進(jìn)行測量。

圖2 車輛測距幾何模型

式中，D為前方車輛距離；u為待測目標(biāo)水平方向像素點坐標(biāo)；u0為攝像機(jī)標(biāo)定得到的水平方向主點坐標(biāo)；h為攝像機(jī)的安裝高度；δ為攝像機(jī)的俯仰角度。

2.2 報警算法

2.2.1 安全距離的確定

基于OpenCV的AEB系統(tǒng)車輛檢測和預(yù)警主要通過檢測車輛前方障礙物，判斷車輛的安全距離并預(yù)警[11]。

從駕駛員發(fā)現(xiàn)障礙物到剎車停止分為 4個階段：第1階段從駕駛員發(fā)現(xiàn)障礙物到采取行動反應(yīng)的時間；第2階段為駕駛員踩剎車制動的時間；第3階段為車輛制動持續(xù)的時間；第4階段為駕駛員放松制動踏板解除制動的時間。根據(jù)本次車輛檢測預(yù)警的特點，只需要考慮前3個階段。

計算整個制動過程中車輛的行駛距離，需要對每一階段的行駛距離進(jìn)行計算。假設(shè)駕駛員發(fā)現(xiàn)前方障礙物時的初速度為v0，汽車制動產(chǎn)生的最大減速度為amax。

（1）駕駛員反應(yīng)時間及制動器作用時間的確定。

駕駛員發(fā)現(xiàn)障礙物后迅速做出反應(yīng)能極大提高行車安全性。在實際行駛過程中，除了駕駛員的身體素質(zhì)、心理素質(zhì)對行車安全性具有顯著的影響外，還有汽車行駛速度的影響，當(dāng)汽車行駛速度過大時，增加了駕駛員獲取路面信息的難度與心理負(fù)擔(dān)。根據(jù)相關(guān)研究，汽車行駛速度為40 km/h時，駕駛員的反應(yīng)時間為0.6 s，行駛速度為80 km/h時，反應(yīng)時間為1.0 s。在此將駕駛員的反應(yīng)時間t1取為 0.9s，消除間隙為0.3 s，制動力增長階段時間為0.5 s。

（2）汽車最大制動減速度的確定。

汽車制動減速度與車輛制動器的制動力、輪胎材料、路面條件等有關(guān)，為了簡化檢測難度，重點考慮汽車制動減速度對安全距離的影響。道路路面以及道路材料與汽車制動減速度密切相關(guān)，干燥水泥路面、潮濕水泥路面和積雪路面與制動減速度的關(guān)系見表1。

表1 路面條件與附著系數(shù)及制動減速度關(guān)系

為了提高可靠性和行車安全性，在計算安全距離時，取制動減速度值為7 m/s2。

（3）停車安全距離的確定。

為了提高車輛安全性，將5 m作為停車安全距離。當(dāng)汽車安全停止后與障礙物保持的一定距離就是停車安全距離。通常停車安全距離設(shè)定為2～5 m，為提高車輛檢測報警的時效性，選擇5 m作為停車安全距離?；贠penCV的AEB系統(tǒng)能識別障礙物，并通過判斷車輛前方的距離實現(xiàn)報警。

2.2.2 碰撞時間預(yù)測

計算得出車輛前方與車輛行駛的安全距離，汽車是否會有發(fā)生碰撞的危險取決于車輛距離與速度。

車輛避撞模型主要有Mazda模型、Honda模型、Berkeley模型、Seungwuk Moon 模型和TTC模型。

Mazda模型危險距離制動公式為

式中，v為己車速；vrel為相對車速；a1、a2分別為己車與前車最大減速度；t1、t2分別為駕駛員反應(yīng)時間與制動器延遲時間；d0為最小停車距離；dbr為危險制動距離。

Honda模型危險距離制動公式為

式中，v為己車速；v2為前車車速；a1、a2分別為己車與前車的最大減速度；t1、t2分別為系統(tǒng)延遲時間和制動時間。

Berkeley 模型碰撞預(yù)警公式為式中，t1、t2分別為駕駛員反應(yīng)時間和制動系統(tǒng)延遲時間。

Seungwuk Moon模型碰撞預(yù)警公式為

式中，Tdelay、f(μ)、amax分別為系統(tǒng)延遲時間、制動因數(shù)和最大制動減速度。

TTC模型碰撞預(yù)警公式為

式中，dbr為制動距離；D為兩車相對距離；d0為安全停車距離。

針對碰撞時間預(yù)測，采用即碰時間TTC模型來估計駕駛員與前方車輛碰撞時間，幫助駕駛員及時做出反應(yīng)，避免追尾事故發(fā)生。

3 基于AEB系統(tǒng)車輛防撞預(yù)警測試

3.1 AEB仿真測試場景構(gòu)建

為了測試基于 OpenCV的車輛檢測和預(yù)警算法的性能， AEB系統(tǒng)仿真測試場景主要由顯示器、主機(jī)、羅技轉(zhuǎn)向盤、前風(fēng)擋玻璃和座椅構(gòu)成駕駛輔助系統(tǒng)（Advance Driving Assistance System，ADAS）仿真平臺，如圖3所示。

圖3 ADAS 仿真平臺

在一條825 m直線道路上建立車輛緊急制動（Autonomous Emergency Braking，AEB）仿真場景，使用PreScan獨立傳感器。傳感器1設(shè)定的最大探測距離為150 m，俯仰角為9°，水平角為10°；傳感器2設(shè)定的最大探測距離為30 m，俯仰角與傳感器1相同，水平角為80°。

測試工況選擇歐洲新車評價規(guī)程中前車靜止、前車急剎2種不同的工況。

CCRs（Car to Car Rear stationary，前車靜止工況）：以10 km/h的梯度逐漸遞增為80 km/h。前車為Euro-NCAP車輛目標(biāo)模型，并保持靜止。

CCRb（Car to Car Rear braking，前車減速工況）：以50 km/h車速，Euro-NCAP車輛目標(biāo)模型相距本車為12 m和40m，并以6 m/s2和2 m/s2的減速度急減速。

2種工況仿真測試場景如圖4所示。

圖4 AEB仿真測試場景

3.2 仿真測試結(jié)果

利用PreScan、Simulink 軟件得出測試結(jié)果，汽車行駛車速為10～80 km/h時，Honda、Mazda、Seungwuk Moon模型都能實現(xiàn)車輛避撞。在車速為70 km/h時，TTC模型與Berkeley模型不能避免碰撞，因此，需要調(diào)整模型的時間閥值。

將TTC模型中預(yù)警時間、部分制動時間、全力制動時間閥值設(shè)為2.9 s、1.9 s、0.9 s后能成功避免碰撞。調(diào)整后各模型仿真算法如圖5所示。

圖5 各算法仿真結(jié)果

由圖 5可知，在不同工況下，自動制動結(jié)束時，TTC避撞算法的相對車距最為集中，并且所需輸入?yún)?shù)少，只需要相對車速vrel與相對車距D，而且避撞公式簡單，方便調(diào)整即碰時間閥值，可以適應(yīng)不同車型的避撞算法開發(fā)。

4 結(jié) 論

基于OpenCV的AEB系統(tǒng)車輛檢測和預(yù)警算法，利用Haar-like+Adaboost實現(xiàn)前方車輛的識別與檢測，根據(jù)粒子濾波原理建立車輛跟蹤模型。然后基于單目視覺模型對前方車輛距離進(jìn)行測量，根據(jù)障礙物與車輛的安全距離預(yù)測碰撞時間，有效提升前方車輛檢測預(yù)警的精確率?；贏EB系統(tǒng)的測試仿真結(jié)果表明，在不干擾駕駛員正常駕駛的前提下，即碰時間的TTC算法的縱向避撞性能最優(yōu)。

[1]Charkari N M，Mori H. New Approach for Real Time Moving Vehicle Detection [C]//Proceedings of 1993 International Conference on Intelligent Robots and Systems， 1993：273-278.

[2]Aarthi R，Padmavathi S，Amudha J. Vehicle Detection in Static Images Using Color and Corner Map[C]//Proceedings of International Conference on Recent Trends in Information，Telecommunication and Computing. IEEE Computer Society，2010：244-246.

[3]Wang Hai，Zhang Weigong，Cai Yingfeng. Design of a Road Detection System Based on Monocular Vision[J]. 東南大學(xué)學(xué)報（英文版），2011，27（2）：169-173.

[4]孫曉艷. 基于單目視覺的夜晚汽車前撞預(yù)警系統(tǒng)研究：[D].西安：西安工業(yè)大學(xué)，2013.

[5]謝文華. 基于OpenCV的視頻監(jiān)控系統(tǒng)設(shè)計與實現(xiàn)[D]. 廈門：廈門大學(xué)，2016.

[6]薛璐晨. 基于 OpenCV的行人異常檢測系統(tǒng)的設(shè)計與實現(xiàn)[D].長春：吉林大學(xué)，2016.

[7]劉從軍，楊輝，史杰，等. 基于OpenCV的運動目標(biāo)監(jiān)控系統(tǒng)設(shè)計[J]. 信息技術(shù)，2014（5）：82-85.

[8]王傳欽，曹江濤，姬曉飛. 基于視頻分析技術(shù)的車距測量及預(yù)警系統(tǒng)設(shè)計[J]. 計算機(jī)技術(shù)與發(fā)展，2016，26（9）：87-90.

[9]Oliver J. /var/log/sysblog[J].

[10]張楚金. 智能車的前方車輛檢測和預(yù)警算法研究[D]. 長沙：湖南大學(xué)，2015.

[11]趙炯. 基于 VC++的車前障礙物識別預(yù)警系統(tǒng)設(shè)計[D]. 西安：長安大學(xué)，2015.