基于機器視覺的客運車輛危險行駛狀態辨識技術研究

胡閏秀，劉永濤

引言

隨著我國公路交通運輸業的快速發展，道路交通安全事故已成為威脅人民公共財產安全的最嚴重問題之一。據道路交通事故統計年報分析顯示[1]，大型車輛尤其是客運車輛肇事事故是造成群死群傷道路交通事故的主要原因，其社會影響非常惡劣，而車輛駕駛人的危險駕駛行為則是引起客運車輛交通事故的主導因素。當前科技的發展使得越來越多的安全輔助駕駛設備普及至各類小型車輛，但絕大多數客運車輛尚未安裝安全輔助駕駛設備。傳統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，不能實時辨識客運車輛當前的行駛安全狀態，亦不能記錄交通事故發生時的車輛運行狀態等關鍵信息。市場上雖然有一些車輛主動安全系統的產品，如車道偏離預警系統、車輛縱向防撞預警系統等[2-4]，用來提醒駕駛人安全駕駛，但這些產品大都以非營運車輛為設計研發對象，也沒有將駕駛人這一關鍵因素考慮進去。因此，開展客運車輛橫縱向危險行駛狀態辨識技術研究，實時在線辨識公路客運車輛出現的超速行駛、占道行駛、越線行駛、縱向跟車過近等危險行駛狀態，適時警示駕駛人非正常駕駛行為，可有效監控、約束、規范客運車輛駕駛人的駕駛行為，提高道路交通事故中的科技含量，進而提高我國客運車輛道路交通事故的安全營運水平。本文以工控機組件為平臺，基于機器視覺從橫向和縱向兩個維度進行車輛危險行駛狀態辨識，通過建立車輛橫縱向危險行駛狀態辨識模型，有效預防車輛無意識的車道偏離及跟車過近等危險行駛狀態。

1、車輛橫向危險行駛狀態辨識

車輛橫向危險行駛狀態主要表現為駕駛人無意識的車道偏航行為，因此，車輛橫向偏航辨識技術的關鍵技術在于道路標識線的準確識別，車道線識別要求具有實時性和魯棒性，實時性要求車道線檢測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、光照強度大、存在文字干擾等各種復雜環境下準確檢測辨識車道標志線。因此，必須對道路環境圖像信息進行深度挖掘優化，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 圖像預處理

由于車輛在行駛過程中，存在自身振動及路面不平的干擾，會大大降低采集道路圖像的質量。為了深度挖掘道路圖像的有用信息，需要對道路圖像進行預處理[5-7]。彩色圖像所包含的數據量大，為了提高圖像處理速度，首先對彩色圖像進行灰度化處理，圖1所示為灰度化處理結果。采用中值濾波去除圖像噪聲和保護邊緣，處理結果如圖 2所示。使用Sobel邊緣檢測算法增強采集圖像中車道線的邊緣，同時也有效降低噪聲影響，圖3所示為處理結果。經過Sobel邊緣檢測處理后，道路圖像的對比度明顯增強，為了提高車道線檢測效率，使用最大類間方差法（OSTU）進行閾值分割，得到二值化圖像，如圖4所示。

1.2 車輛橫向偏航辨識

系統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內部，進行圖像關鍵信息挖掘。車輛橫向偏航辨識過程主要包括：道路圖像經過預處理之后，充分利用車道辨識線的分布特征，基于方向可調濾波器進行車道邊緣信息提取，能更好的增強車道線邊緣信息，抑制圖像中的噪聲干擾；為了縮短車道線檢測時間，提高系統實時性，基于車速劃分動態感興趣區域；采用面向序列圖像的改進最優閾值分割方法，更加凸顯道路圖像中車道線信息；由于路面標識、文字、車輛等面積較大干擾噪聲的存在，會對車道線特征區域的提取造成影響，因此，本文利用車道標識線固有的形態特征及邏輯關系對車道線特征區域進行車道標識線篩選，結構化道路的車道標識線具有寬度變化率平穩、寬度范圍一定、長度范圍一定、車道同向性等特征；車道線經過上述處理，形成具有一定形狀的線段，車道線檢測的過程就是將離散的邊緣像素進行篩選，擬合成連續的線段，基于線性回歸方法與車道標識線寬度約束進行道路模型求解；車道線檢測成功之后，用特殊顏色的虛擬線段進行標識，并運用Kalman濾波算法進行車道標識線追蹤。同時，基于逆透視投影變換進行道路關鍵信息重建，明確三維世界坐標系與二維圖像坐標系之間的對應關系，結合車道線的計算方程，可以進行世界坐標系下車輛運行姿態感知；充分利用基于空間信息的預警模式虛警率和漏警率低及基于時間信息的預警模式預警及時的優勢，建立基于時空信息融合的車輛橫向偏航辨識模型，并根據所建模型進行車輛橫向偏航預警方案的確定。車輛橫向偏航辨識具體流程如圖5所示。

2、車輛縱向危險行駛狀態辨識

客運車輛縱向危險行駛狀態主要表現為車輛縱向行駛安全車距不足，導致車輛追尾等嚴重交通事故的發生。對前方車輛進行監控跟蹤，可以幫助駕駛人實現對車輛運行環境的感知，使用機器視覺技術進行客運車輛縱向危險行駛狀態辨識具有成本低、信息量大、魯棒性好等優點。針對上述考慮，本章基于機器學習和粒子濾波算法進行前方車輛分層級聯辨識與跟蹤，借助前方車輛測距模型，將通過機器視覺感知的測量距離與車輛可行安全域方案集進行比對，融合客運車輛縱向行駛車路協同模型，辨識車輛是否處于危險行駛狀態，如果存在，適時給予駕駛人警告，采取安全行車措施。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，通過對海量車輛樣本集進行離線訓練，基于Adaboost算法訓練強分類器，并構建車輛級聯分類器；融合車輛Haar-like特征與 Adaboost算法進行前方車輛識別，對測試樣本的 ROI區域進行車輛存在性檢測，并輸出檢測結果；充分利用粒子濾波的多假設能力，對前方目標車輛進行快速穩定跟蹤；基于射影幾何建立車輛縱向車距測量模型，通過前方車輛目標特征點的選取，來計算本車與前車之間的縱向實時距離。同時，基于群體智能技術，在構建駕駛人應急響應決策時間智能體、道路環境信息智能體以及車輛行駛狀態信息智能體的基礎上，進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時距離與車輛縱向行駛可行安全域方案集的比對，建立車輛縱向危險行駛狀態辨識模型，基于時域危險度的量化分析，確定預警輸出方案。

3、試驗分析

3.1 硬件平臺搭建

本文建立的客運車輛橫縱向危險行駛狀態辨識系統平臺的硬件架構主要包括四部分：道路圖像采集與顯示系統、車輛行駛狀態參數采集系統、上位機控制系統及平臺供電系統。車輛行駛環境圖像信息通過 CCD視覺傳感器獲取，經視頻采集卡傳輸至上位機控制系統，車輛行駛狀態參數包括車輛行駛速度參數、轉向信號參數通過DB9串口線傳輸至上位機系統，上位機系統接收多傳感器信號，通過圖像識別處理算法形成最終處理后的圖像畫面，并通過人機交互系統傳遞給駕駛人。

3.2 實車試驗

為了驗證測試論文搭建系統硬件平臺的可靠性及提出的相關算法的有效性，本文選擇西安地區具有典型交通狀況的西安三環快速路作為試驗路段，試驗條件為天氣晴朗、路面干燥，駕駛人按照自己正常的駕駛習慣駕駛車輛，并根據實際路況選擇變道。車輛橫向偏航辨識結果如圖7所示，車輛縱向危險行駛狀態辨識結果如圖8所示。相關檢測算法總體識別效果較好，識別準確率為90%以上，能夠滿足實際車載應用需要，達到了試驗設計要求。

4、結束語

本文提出了一種基于機器視覺的客運車輛危險行駛狀態辨識方法，通過車載 CCD獲取前方道路圖像，運用圖像處理算法檢測車道標識線及本車與前方目標車輛的實時車距，建立車輛橫向偏航辨識模型、車輛縱向危險行駛狀態辨識模型，基于相關辨識模型輸出結果，確定預警方案。試驗結果表明，該模型辨識車輛橫向偏航和縱向跟車過近危險行駛行為的識別率為90%以上，可用來降低由駕駛行為造成的潛在危險，提高車輛運行安全性。

[1] 公安部交通管理局. 中華人民共和國道路交通事故統計年報(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. 人機協同下的車道偏離輔助駕駛關鍵技術研究[D]. 長沙: 湖南大學, 2013.

[5] 黃偉. 基于雷達和機器視覺的車輛前方障礙物檢測系統設計與實現[D]. 武漢: 武漢理工大學, 2010.

[6] 劉富強, 田敏, 胡振程. 智能汽車中基于視覺的道路檢測與跟蹤算法[J]. 同濟大學學報（自然科學版）, 2007, 35(11): 1535-1541.

[7] 林廣宇, 魏朗. 基于機器視覺的駕駛員換道行駛檢測研究[J]. 計算機工程與應用, 2009, 45(33): 22-24.