基于雙目攝像頭的路況信息處理方法

基于雙目攝像頭的路況信息處理方法

本文主要通過使用圖像算法編程實現，完成道路和障礙物檢測任務，指導車輛在道路上安全行駛。設備上將采用攝像頭獲取圖像，對圖像信息進行處理以獲得車輛及車道線的相關信息，從而為駕駛員的駕車行為進行輔助以及對危險情況進行預警，為提高駕駛安全性提供綜合解決方案。

感興趣區域提取

感興趣區域是只選取整幅圖像中有利于減少圖像處理復雜度，減少其他外物影響的區域，針對感興趣區域的圖像處理，可以提高處理的速度，也可以提高檢測的準確率。感興趣區域的選取可以是人為的也可以是系統自適應的選取，例如檢測車輛的陰影時，由于公路的顏色與車輛陰影具有一定的差別，所以我們可以人為的選擇公路上一個固定的位置作為感興趣區域，這個區域可以比較靠近圖像底部，保證選取區域不會出現除公路外的其他外物，根據我們選取的感興趣區域，可以利用圖像分割，將圖像二值化，從而提取出車輛陰影。而自適應的感興趣區域可以是在檢測出車道線之后，將感興趣區域設置為車道線兩側內，再在感興趣區域內檢測障礙物，從而減少車道周圍環境的干擾。

本文針對的環境主要是行駛在結構化道路上的車輛的前方障礙物，對于固定于車上的攝像頭而言，獲取的視頻中的每幀圖像中出現在車道上的障礙物的部分多為圖像的下半部分，而偏上部分的圖像均為背景較多，為了減少檢測的干擾，以及提高檢測的精度，我們決定只檢測圖像中包含有用信息的部分，所以對圖像進行截取。對于車道障礙物的檢測，我們只需研究道路區域內的目標，因此利用檢測出的道路邊界的直線方程對推向進行截取，得到我們的感興趣區域。

車輛后視特征分析

一般利用視覺圖像進行車輛檢測識別的方法有以下幾種：基于模版匹配的方法，這種方法利用大量的預先做好的車輛模版（基于灰度信息或小波特征等），與實時采集的圖像進行匹配，尋找相關性最大的匹配區域作為車輛存在區域。這種方法有較好的魯棒性，但是實時性較差；基于學習的方法，這種方法的本質是利用神經網絡，對大量車輛圖像進行訓練，然后通過分類器進行分類，這種方法一般用來對已檢測出來的車輛進行驗證；基于車輛特征的方法，該方法是利用圖像中車輛存在的特征：紋理，邊緣，對稱性以及陰影等進行目標分割和識別，如果單獨的采用一種特征時，經常會因為環境或光照的變化，導致特征信息量不足，容易出現誤判或者漏判的現象。因此本方案采用同時考慮車輛的多種信息特征，使用多特征信息融合的方法來檢查車輛，這樣能夠克服一些環境的影響，提高檢測準確率和實時性。

在結構化道路的交通環境下，車輛作為一種相對運動著的人造物體，區別于大自然的景物以及交通標志、山、樹木等高速公路上其他交通因素，具有豐富的后視特征。前車的后視特征正是車輛相關處理步驟的主要研究對象，同時也是將車輛從圖像背景中分割出來并在此基礎上進行后續處理的主要依據。

一般的視覺圖像中，車輛會具有許多區別于周圍環境的一些特征，如存在許多相對密集的水平邊緣；垂直邊緣和水平邊緣往往會組成一個矩形或者U型；車輛具有一定的灰度對稱性；車輛存在陰影區域；車輛具有一定的紋理（如粗糙度、對比度）等，在以上這幾個特征中，如果光照條件不同，則車輛的邊緣特征和灰度信息也不同，因此每個特征對車輛判斷的貢獻也是變化的。如果單獨采用上面提到的任何一種特征進行車輛識別，則很難提高識別的準確性，因此本方案同時采用了車輛的陰影和邊緣兩種特征的相結合來實現車輛的識別和定位。首先利用車輛邊緣信息初步確定車輛存在的感興趣區域，然后，在上述區域中進行灰度差和車底陰影特征的分析，從而實現車輛的定位。

檢測準確性評價

設車輛實際的位置與大小，矩形框的對角線坐標為（a1，b1），（a2，b2）；檢測得到的車輛位置與大小， 矩形框的對角線坐標為（x1，y1），（x2，y2）；圖片的寬度為w，高度為h。

對準確率的判斷可以考慮兩個因素

（1）車定位框的大小

設實際定位框的為（a2-a1）（b2-b1），算法結果為（x2-x1）（y2-y1）；則誤差為錯誤率為P1=error1/（w· h）；

（2）車定位框的偏移計算

結束語

上述方案適用于一般情況，但障礙物存在遮擋，或者并行等情況，檢測結果會受到比較大的干擾，同時對于大部分操作，還未能實現自適應，不能很好的應用于各種不同的環境，穩健性仍需加強。

解決這些問題的思路是可以根據車道線將物體隔離開，前提是需要做好分道線的檢測工作，需要改進算法提高自適應能力。

10.3969/j.issn.1001- 8972.2016.15.020