基于OpenCV的AEB系統(tǒng)車(chē)輛檢測(cè)和預(yù)警研究

楊俊華Yang Junhua

（重慶車(chē)輛檢測(cè)研究院 國(guó)家客車(chē)質(zhì)量監(jiān)督檢驗(yàn)中心，重慶 401122）

0 引 言

目前，國(guó)內(nèi)外學(xué)者對(duì)前方車(chē)輛檢測(cè)研究較為深入，Charkari[1]利用陰影區(qū)域的特征檢測(cè)得出車(chē)輛底部類(lèi)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(cè)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(lèi)器，通過(guò)結(jié)合角點(diǎn)算法有效解決了樣本干擾問(wèn)題，在一定程度上提高了車(chē)輛識(shí)別檢測(cè)的效率，這一方法雖然識(shí)別效果好，但耗時(shí)較長(zhǎng)。我國(guó)學(xué)者王海[3]等提出兩步法對(duì)車(chē)輛進(jìn)行檢測(cè)，檢測(cè)率高但實(shí)時(shí)性較低。關(guān)于車(chē)輛檢測(cè)預(yù)警的研究主要從時(shí)間與距離進(jìn)行判斷，孫曉艷[4]在考量目標(biāo)車(chē)輛橫向距離后提出了車(chē)輛碰撞時(shí)間（Time to Collision，TTC）前撞預(yù)警算法，但這一算法容易受到相對(duì)速度的影響。在綜合國(guó)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(chē)輛防撞算法，并利用Haar-like+Adaboost分類(lèi)器與粒子濾波原理實(shí)現(xiàn)車(chē)輛跟蹤，然后基于車(chē)輛測(cè)距幾何模型對(duì)車(chē)輛防撞預(yù)警進(jìn)行測(cè)試，測(cè)試結(jié)果表明即碰時(shí)間的TTC算法性能最佳，有效提升對(duì)前方車(chē)輛檢測(cè)預(yù)警的精確率。

1 前方車(chē)輛檢測(cè)

1.1 車(chē)輛檢測(cè)流程

1.1.1 分類(lèi)器訓(xùn)練過(guò)程

車(chē)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(duì)樣本進(jìn)行特征分類(lèi)訓(xùn)練[5]。

基于Open CV的分類(lèi)器訓(xùn)練主要有2個(gè)步驟：

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

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(shí)間與樣本的數(shù)量有關(guān)，當(dāng)樣本圖片滿(mǎn)足上限需求時(shí)，樣本訓(xùn)練耗時(shí)較短，樣本訓(xùn)練過(guò)程如圖1所示[6]。

1.1.2 車(chē)輛檢測(cè)過(guò)程

通過(guò)訓(xùn)練得到的級(jí)聯(lián)分類(lèi)器進(jìn)行視頻圖像檢測(cè)，并判斷圖像中車(chē)的位置、大小。如下為車(chē)輛檢測(cè)的2種重要方式[7]。

（1）等比例縮小圖像；

（2）等比例放大分類(lèi)器檢測(cè)窗口。

車(chē)輛預(yù)警防撞對(duì)實(shí)時(shí)性要求較高，因此，為了提高檢測(cè)性能，采用等比例放大分類(lèi)器檢測(cè)窗口的方法。

1.2 基于粒子濾波的車(chē)輛跟蹤

若將車(chē)輛檢測(cè)視為動(dòng)態(tài)隨機(jī)系統(tǒng)，則目標(biāo)車(chē)輛位置、大小就是隨機(jī)系統(tǒng)狀態(tài)，對(duì)隨機(jī)系統(tǒng)狀態(tài)X的估計(jì)就是跟蹤目的[8]。測(cè)量值Y對(duì)應(yīng)具體的圖像信息，通過(guò)巴氏距離對(duì)目標(biāo)顏色進(jìn)行比較，實(shí)現(xiàn)跟蹤。分別計(jì)算各個(gè)粒子與目標(biāo)的巴氏距離系數(shù)，從而獲得各個(gè)粒子的權(quán)重[9]。

圖1 Haar特征訓(xùn)練流程圖

2 車(chē)輛防撞預(yù)警算法

2.1 基于單目視覺(jué)的距離測(cè)量

計(jì)算機(jī)視覺(jué)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?xún)?yōu)勢(shì)的單目視覺(jué)對(duì)車(chē)輛、車(chē)道進(jìn)行檢測(cè)[10]。

2.1.1視覺(jué)的測(cè)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(shí)，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(guò)成像物體實(shí)際大小推算出物體的實(shí)際距離D。

物體實(shí)際距離計(jì)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(cè)量距離。

（2）基于單幀靜態(tài)圖像的測(cè)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(cè)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(diǎn)；y0為圖像平面的原點(diǎn)坐標(biāo)。

（3）基于序列圖像的測(cè)距模型。利用前后圖像透視原理測(cè)距。

將4個(gè)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(jiǎn)化整理得

式中，d1為實(shí)際測(cè)量距離；z1為物體實(shí)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(shí)際高度；h2為像的高度；H為成像物體的高度。

2.1.2 前方車(chē)輛距離測(cè)量

針對(duì)車(chē)輛大小差異，基于小孔成像模型和序列圖像測(cè)距模型無(wú)法獲得車(chē)輛的實(shí)際尺寸，因此，采用基于車(chē)輛測(cè)距幾何模型對(duì)前方車(chē)輛距離進(jìn)行測(cè)量。

圖2 車(chē)輛測(cè)距幾何模型

式中，D為前方車(chē)輛距離；u為待測(cè)目標(biāo)水平方向像素點(diǎn)坐標(biāo)；u0為攝像機(jī)標(biāo)定得到的水平方向主點(diǎn)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(bào)警算法

2.2.1 安全距離的確定

基于OpenCV的AEB系統(tǒng)車(chē)輛檢測(cè)和預(yù)警主要通過(guò)檢測(cè)車(chē)輛前方障礙物，判斷車(chē)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(chē)停止分為 4個(gè)階段：第1階段從駕駛員發(fā)現(xiàn)障礙物到采取行動(dòng)反應(yīng)的時(shí)間；第2階段為駕駛員踩剎車(chē)制動(dòng)的時(shí)間；第3階段為車(chē)輛制動(dòng)持續(xù)的時(shí)間；第4階段為駕駛員放松制動(dòng)踏板解除制動(dòng)的時(shí)間。根據(jù)本次車(chē)輛檢測(cè)預(yù)警的特點(diǎn)，只需要考慮前3個(gè)階段。

計(jì)算整個(gè)制動(dòng)過(guò)程中車(chē)輛的行駛距離，需要對(duì)每一階段的行駛距離進(jìn)行計(jì)算。假設(shè)駕駛員發(fā)現(xiàn)前方障礙物時(shí)的初速度為v0，汽車(chē)制動(dòng)產(chǎn)生的最大減速度為amax。

（1）駕駛員反應(yīng)時(shí)間及制動(dòng)器作用時(shí)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(chē)安全性。在實(shí)際行駛過(guò)程中，除了駕駛員的身體素質(zhì)、心理素質(zhì)對(duì)行車(chē)安全性具有顯著的影響外，還有汽車(chē)行駛速度的影響，當(dāng)汽車(chē)行駛速度過(guò)大時(shí)，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(chē)行駛速度為40 km/h時(shí)，駕駛員的反應(yīng)時(shí)間為0.6 s，行駛速度為80 km/h時(shí)，反應(yīng)時(shí)間為1.0 s。在此將駕駛員的反應(yīng)時(shí)間t1取為 0.9s，消除間隙為0.3 s，制動(dòng)力增長(zhǎng)階段時(shí)間為0.5 s。

（2）汽車(chē)最大制動(dòng)減速度的確定。

汽車(chē)制動(dòng)減速度與車(chē)輛制動(dòng)器的制動(dòng)力、輪胎材料、路面條件等有關(guān)，為了簡(jiǎn)化檢測(cè)難度，重點(diǎn)考慮汽車(chē)制動(dòng)減速度對(duì)安全距離的影響。道路路面以及道路材料與汽車(chē)制動(dòng)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(dòng)減速度的關(guān)系見(jiàn)表1。

表1 路面條件與附著系數(shù)及制動(dòng)減速度關(guān)系

為了提高可靠性和行車(chē)安全性，在計(jì)算安全距離時(shí)，取制動(dòng)減速度值為7 m/s2。

（3）停車(chē)安全距離的確定。

為了提高車(chē)輛安全性，將5 m作為停車(chē)安全距離。當(dāng)汽車(chē)安全停止后與障礙物保持的一定距離就是停車(chē)安全距離。通常停車(chē)安全距離設(shè)定為2～5 m，為提高車(chē)輛檢測(cè)報(bào)警的時(shí)效性，選擇5 m作為停車(chē)安全距離。基于OpenCV的AEB系統(tǒng)能識(shí)別障礙物，并通過(guò)判斷車(chē)輛前方的距離實(shí)現(xiàn)報(bào)警。

2.2.2 碰撞時(shí)間預(yù)測(cè)

計(jì)算得出車(chē)輛前方與車(chē)輛行駛的安全距離，汽車(chē)是否會(huì)有發(fā)生碰撞的危險(xiǎn)取決于車(chē)輛距離與速度。

車(chē)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(xiǎn)距離制動(dòng)公式為

式中，v為己車(chē)速；vrel為相對(duì)車(chē)速；a1、a2分別為己車(chē)與前車(chē)最大減速度；t1、t2分別為駕駛員反應(yīng)時(shí)間與制動(dòng)器延遲時(shí)間；d0為最小停車(chē)距離；dbr為危險(xiǎn)制動(dòng)距離。

Honda模型危險(xiǎn)距離制動(dòng)公式為

式中，v為己車(chē)速；v2為前車(chē)車(chē)速；a1、a2分別為己車(chē)與前車(chē)的最大減速度；t1、t2分別為系統(tǒng)延遲時(shí)間和制動(dòng)時(shí)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(shí)間和制動(dòng)系統(tǒng)延遲時(shí)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(shí)間、制動(dòng)因數(shù)和最大制動(dòng)減速度。

TTC模型碰撞預(yù)警公式為

式中，dbr為制動(dòng)距離；D為兩車(chē)相對(duì)距離；d0為安全停車(chē)距離。

針對(duì)碰撞時(shí)間預(yù)測(cè)，采用即碰時(shí)間TTC模型來(lái)估計(jì)駕駛員與前方車(chē)輛碰撞時(shí)間，幫助駕駛員及時(shí)做出反應(yīng)，避免追尾事故發(fā)生。

3 基于AEB系統(tǒng)車(chē)輛防撞預(yù)警測(cè)試

3.1 AEB仿真測(cè)試場(chǎng)景構(gòu)建

為了測(cè)試基于 OpenCV的車(chē)輛檢測(cè)和預(yù)警算法的性能， AEB系統(tǒng)仿真測(cè)試場(chǎng)景主要由顯示器、主機(jī)、羅技轉(zhuǎn)向盤(pán)、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(tái)，如圖3所示。

圖3 ADAS 仿真平臺(tái)

在一條825 m直線(xiàn)道路上建立車(chē)輛緊急制動(dòng)（Autonomous Emergency Braking，AEB）仿真場(chǎng)景，使用PreScan獨(dú)立傳感器。傳感器1設(shè)定的最大探測(cè)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(cè)距離為30 m，俯仰角與傳感器1相同，水平角為80°。

測(cè)試工況選擇歐洲新車(chē)評(píng)價(jià)規(guī)程中前車(chē)靜止、前車(chē)急剎2種不同的工況。

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

CCRb（Car to Car Rear braking，前車(chē)減速工況）：以50 km/h車(chē)速，Euro-NCAP車(chē)輛目標(biāo)模型相距本車(chē)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(cè)試場(chǎng)景如圖4所示。

圖4 AEB仿真測(cè)試場(chǎng)景

3.2 仿真測(cè)試結(jié)果

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

將TTC模型中預(yù)警時(shí)間、部分制動(dòng)時(shí)間、全力制動(dòng)時(shí)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(dòng)制動(dòng)結(jié)束時(shí)，TTC避撞算法的相對(duì)車(chē)距最為集中，并且所需輸入?yún)?shù)少，只需要相對(duì)車(chē)速vrel與相對(duì)車(chē)距D，而且避撞公式簡(jiǎn)單，方便調(diào)整即碰時(shí)間閥值，可以適應(yīng)不同車(chē)型的避撞算法開(kāi)發(fā)。

4 結(jié) 論

基于OpenCV的AEB系統(tǒng)車(chē)輛檢測(cè)和預(yù)警算法，利用Haar-like+Adaboost實(shí)現(xiàn)前方車(chē)輛的識(shí)別與檢測(cè)，根據(jù)粒子濾波原理建立車(chē)輛跟蹤模型。然后基于單目視覺(jué)模型對(duì)前方車(chē)輛距離進(jìn)行測(cè)量，根據(jù)障礙物與車(chē)輛的安全距離預(yù)測(cè)碰撞時(shí)間，有效提升前方車(chē)輛檢測(cè)預(yù)警的精確率。基于AEB系統(tǒng)的測(cè)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(shí)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(bào)（英文版），2011，27（2）：169-173.

[4]孫曉艷. 基于單目視覺(jué)的夜晚汽車(chē)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(jì)與實(shí)現(xiàn)[D]. 廈門(mén)：廈門(mén)大學(xué)，2016.

[6]薛璐晨. 基于 OpenCV的行人異常檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].長(zhǎng)春：吉林大學(xué)，2016.

[7]劉從軍，楊輝，史杰，等. 基于OpenCV的運(yùn)動(dòng)目標(biāo)監(jiān)控系統(tǒng)設(shè)計(jì)[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(chē)距測(cè)量及預(yù)警系統(tǒng)設(shè)計(jì)[J]. 計(jì)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(chē)的前方車(chē)輛檢測(cè)和預(yù)警算法研究[D]. 長(zhǎng)沙：湖南大學(xué)，2015.

[11]趙炯. 基于 VC++的車(chē)前障礙物識(shí)別預(yù)警系統(tǒng)設(shè)計(jì)[D]. 西安：長(zhǎng)安大學(xué)，2015.