汽車智能防撞報警系統設計研究

摘 要： 主要對汽車智能防撞報警系統進行了研究，完成了一種基于車載GigEVision的前方車輛實時防撞預警系統的設計，該系統可有效適應結構化道路環境，通過使用GigE工業相機獲取高分辨率圖像，進而實現對前方車輛圖像的有效檢測過程，再將前車車速以及本車同前車間的縱向距離通過使用測距方法完成實時計算，報警距離則通過使用安全車距預警模型計算獲取，在此基礎上完成車輛行駛狀態的判別。

關鍵詞： 汽車智能防撞; 防撞報警系統; GigEVision; 視覺測距

中圖分類號： TP 277文獻標志碼： A

Research on Design of Automobile Intelligent Anti-collision Alarm System

CAI Yueping

（School of Vehicle Operation Engineering， Qinghai Communication Techical College， Xining， Qinghai 810003， China）

Abstract： This article mainly researches the automobile intelligent anti-collision alarm system， and completes the design of a real-time anti-collision early warning system for forward vehicles based on on-board GigEVision. This system can effectively adapt to the structured road environment and obtain high altitude by using GigE industrial cameras. It can achieve effectively the detection of the image of the vehicle in front， and then calculate the real-time vehicle speed and the longitudinal distance between the vehicle and the front workshop in real time by using the ranging method. On this basis， the determination of the driving state of the vehicle is completed.

Key words： Intelligent car collision avoidance; collision avoidance alarm system; GigEVision; visual ranging

0 引言

隨著汽車保有量的不斷上升及高速公路建設規模的不斷擴大在為出行運輸帶來巨大便利的同時，為保證交通及人身財產安全帶來了極大的挑戰，尤其是愈發頻繁的公路上車輛追尾事故對汽車主動避撞功能提出了更高的要求，設計并完善汽車主動避撞控制系統成為領域內的研究重點，通過研發及應用汽車防撞系統可使交通事故的發生概率得到有效降低，成為確保車輛及人員生命財產安全的一項重要手段。本文主要對汽車智能防撞報警系統進行優化設計，通過構建相應的控制系統實現汽車有效避讓危險狀況的操控過程，為進一步提高汽車行駛安全性提供參考。

1 現狀分析

快速發展的科學技術及汽車工業使汽車成為日常生產生活中不可或缺的交通工具，汽車保有量逐年遞增，復雜多變的交通路況及行駛環境對車輛防撞報警系統提出了更高的要求，車輛防撞報警系統（一種自主式駕駛輔助系統）成為避免由車輛追尾碰撞引發的交通事故的有效手段。前方車輛防撞報警系統成為研究者及汽車廠商的關注重點，該系統主要通過車載傳感技術的使用實現駕駛員行車安全感知能力的擴展，從而使車輛駕駛的安全性能得以顯著提高。目前在檢測識別行駛車輛前方信息方面以超聲波、激光、雷達等技術較為常用，這些技術因成本較高而限制了應用范圍，基于機器視覺的檢測方式成為解決問題的有效手段，傳統防撞預警系統由于普遍存在圖像分辨率及采集速率等方面的不足而難以滿足現代汽車的使用需求。基于機器視覺的汽車防撞報警系統需通過先進圖像采集技術的運用實現系統實時性和魯棒性的進一步提高[1]。本文在設計防撞報警系統時通過使用GigEVision接口實現了相機圖像的實時快速的采集過程（僅需通過一根網線連接，傳輸速度可達1000mpbs），實現了針對前方車輛的實時防撞預警功能。

2 汽車防撞報警系統總體設計

在設計汽車防撞報警系統過程中，對于車輛行駛環境中的目標車輛檢測、構建安全車距模型及防撞報警相關算法是需要解決的關鍵環節，尤其是在車輛行駛過程中如何通過防撞預警算法的使用實現對前方車輛快速準確的檢測和判斷。汽車防撞報警系統方面的研究已經取得一定的進展，例如，以前方車輛行為為依據設計的碰撞預警系統實現了在發生碰撞前預警信息的輸出（黃慧玲等），具體通過單目視覺方法的運用實現對前方車輛的跟蹤檢測過程，針對前方車輛的行為通過使用隱馬爾可夫模型完成對應的快速建模識別過程;結合運用激光雷達和機電控制技術的車輛防撞預警系統（尹小琴等），則以發生于高速公路上的汽車追尾事故特點車內乘員受損傷等情形為依據進行設計，在實現防撞預警功能的同時能夠對汽車高位制動燈和主動頭枕進行有效控制;一種基于車道線和前方車輛識別技術的前方車輛防撞預警系統（Raphael等），主要應用于結構化道路上實現預警功能;基于單目視覺的防撞預警系統（Deng等），對在行駛環境中的前方車輛通過haar、方向梯度直方圖（HOG）以及碰撞時間（TTC）算法的綜合運用完成特征檢測和車輛狀態判斷過程[1]。

本文在現有研究基礎上對汽車防撞報警系統進行了優化設計，不同于傳統車輛防撞預警系統，該系統使用千兆以太網相機采集前方圖像信息（基于GigEVision接口標準）。系統硬件平臺主要由車載電源、GigE工業相機、工控機、顯示器、速度傳感器和加速度傳感器構成。結合運用openCV與C++完成了系統軟件的編寫（在vs環境下），主要由數據采集、預警算法、圖像處理、報警及圖像顯示記錄幾個主要模塊構成。系統總體架構示意圖如圖1所示。

2.1 硬件部分

該系統具體采用了MV-Em120C型的GigE工業相機并安裝在車內后視鏡上，速度傳感器和加速度傳感器分別選用了VK162GPS和WT61C，分別負責完成對車輛行駛過程中的前方車輛圖像、自車車速及加速度的實時采集。相機將獲取的圖像幀向工控機傳輸（使用CAT.6型網線完成通信過程）;置于車輛頂部蒙皮上的GPS速度傳感器（通過底座上的磁鐵吸附固定），和安裝于駕駛員座椅下方的加速度傳感器通過USB串口的使用實現同工控機間的通信過程;工控機在接收到圖像幀、車速與加速度信息后通過進一步處理分析實現對前方車輛的行車安全狀態判別及報警功能（包括檢測、測距、速度計算、數據記錄顯示等）[2]。

2.2 軟件部分

GigE相機通過SDK開發包的調用實現控制過程，在MVGigE/MVImage.h頭文件中封裝相機的全部功能，相機完成圖像幀采集后系統會將其存儲到MVImage類中（包括寬高、通道數和深度信息），同時標識相機的工作狀態（使用句柄m_hCam完成），對圖像幀和相機狀態的實時管理過程通過將其固定在特定的類和句柄內實現。工控機同速度及加速度傳感器間使用USB串口進行實時通訊，為了準確實時的讀取車速和加速度信息，USB串口需通過調用CnComm.h頭文件（第三方串口）完成CnComm類Comm的新建過程，系統數據采集流程如圖2所示。

系統軟件采用多線程技術，處理圖像幀時會對應新建一個Record線程（不占用原工作線程的資源），用于記錄保存處理結果，在記錄結果時該新線程不會影響系統報警處理性能[3]。軟件功能流程具體如圖3所示。

3 汽車智能防撞報警系統的實現

3.1 前方車輛檢測算法

在車輛行駛過程中，系統對前方狀況的圖像采集使用GigEVision接口標準的工業相機完成，綜合運用UDP數據傳輸層協議、GVCP和GVSP應用層協議能夠為系統提供較高分辨率的圖像幀（1280x960像素）和較高的圖像傳輸幀率，同時可保證系統的可靠性。系統獲取圖像后由圖像處理模塊負責完成Adaboost級聯訓練器的加載，車輛實時檢測過程根據該訓練器訓練獲取的分類器文件（.xml）進行，正、負樣本訓練集描述文件具體通過使用opencv_haartraining.exe程序完成加載和訓練，最終獲得.xml文件，主要實現步驟為：

（1） 首先獲取訓練數據集，包括3176張正樣本訓練集（拍攝于不同光照條件下的不同車型尾部照片）和9 211張負樣本訓練集（非車輛照片），通過歸一處理樣本庫中的正樣本（形成24×24像素的灰度圖）使訓練負樣本數量不足問題得以有效解決，同時對負樣本尺寸進行大小隨機的調整（需大于正樣本尺寸）。（2） 接下來完成樣本訓練集描述文件制作，針對正、負樣本訓練集通過opencv_createsamples.exe程序的使用完成具體描述，分別形成pos.txt文件和neg.txt文件。（3） 再對Adaboost級聯分類器進行訓練，先完成樣本訓練集描述文件加載（通過opencv_haartraining.exe程序），將npos、nneg和nstages分別設置為900、2 800、18，boosttype類型為GAB，w和h均為24，minhittrte和maxfalsealarm分別設置為0.995和0.5，在此基礎上進行一段時間的訓練，從而獲取分類器配置參數文件（.xml）[4]。

在visualstudio上通過OpenCv開源庫和C++編程語言的綜合運用完成實時檢測過程，對于GigE相機實時采集到的前方圖像可通過cvsetimageROI（）的使用完成對感興趣區的設置，獲得待檢圖像（僅包含前方本車道信息）;然后預處理待檢圖像，通過使用cvcvtcolor（）、cvEqualize-Hist（）、cvResize（）函數實現，處理結果如圖4所示。

接下來對待檢圖像執行haar-like檢測，具體通過cvHaarDelectObjects（）函數完成;加載訓練好的分類器判斷所有子窗口，并框出目標車輛[5]。

3.2 前方車輛測距

車距的實時測量通過使用測距方法（基于單幀靜態圖像）實現，幾何模型如圖5所示。

假設，相機離地高度由h表示（單位：m），α表示相機與水平方向的俯仰角，相機的像素焦距由f表示（單位：pixel），y0表示平面坐標原點的縱坐標，標識框底邊中點由p′表示，y表示p′的縱坐標，f表示相機內參數，本車與前車的距離d的表達式如下[6]。

在獲取h、α、f、y0的情況下，求得p′的縱坐標y即可即可求得d值。

3.3 防撞預警算法

安全距離報警分為提醒報警和危險報警，根據本車速度信息（由速度傳感器提供）及前車距離幀變化計算結果實現前車速度和加速度信息的獲取，在此基礎上計算得出前后兩車的安全距離，前車的實際行駛狀態包括靜止、減速、勻速（加速）[7]。

（1） 前車靜止，在后車減速停車后同前車保持的車距（由D0表示）即為安全距離，假設，本車速度由vh表示（單位：m/s），本車最大減速度由ah表示（單位：m/s2），制動器協調時間及制動減速度增長時間分別由tbc和tbr表示（單位：s），危險報警距離Dw的表達式如下。

考慮駕駛員反應時間（由thum表示），得到提醒報警距離Da的計算表達式如下。

（2） 本車車速大于前車，且前車處于勻速或加速行駛狀態，后車減速至與前車相同速度為最危險時刻，假設，vf表示前車速度，兩車間的相對速度由vrel表示（取值為vh-vf），危險報警距離Dw的表達式如下。

提醒報警距離Da表達式如下。

（3） 前車減速行駛，本車減速跟馳，兩車減速至相同速度時為最危險時刻，為在簡化預警算法計算的同時確保兩車安全行駛，將最危險時刻對應為兩車減至停車狀態，Af表示前車即本車的最大減速度，危險報警距離表達式如下[7]。

提醒報警距離表達式如下。

根據前車的駛狀態計算出對應的安全距離，再通過對比本車與前車的距離d完成當前行車安全狀態的判別和預警。

4 試驗測試及結果分析

采用多相機嵌入式視覺系統（MV-VS820，處理器CPU型號為Intel Corei3，內存為4GB）作為系統硬件平臺，安裝于車內前擋風玻璃后視鏡下的相機鏡頭采用M3514-MP型（幀率為30fps，分辨率為1 280×960像素）。利用標定工具Toolbox（MATLAB自帶）求解相機內部參數，同時標定相機外部參數（結合車道消失線），標定后得到的結果為：x軸和y軸的水平方向像素焦距fx和fy分別為8 753.34和8 732.01pixel，x軸和y軸的方向基準點坐標osx和osy分別為633.58和489.85，相機垂直高度h為1.46，相機水平俯仰角α為1.8°。

實車試驗在白天的城郊和高速公路上進行，在試驗視頻中分別選取圖像200幀測試系統的有效性與魯棒性，道路試驗車輛檢測結果如表1所示。

靜態距離下車距測量結果如表2所示。

車距測量平均相對誤差為2.7%、平均絕對誤差為1.85 m，證明該系統的車距測量結果具有較高的準確性，可有效滿足系統預警功能需求。固定前方車輛，本車在距前方車輛300 m處以不同車速接近前車，各重復完成3次，記錄提示報警時刻和對應車間距離，碰撞預警算法試驗結果如圖6和圖7所示，證明系統報警反應靈敏，并且實際報警距離同理論計算結果基本吻合，驗證了該系統的防撞報警功能的有效性和穩定性[8]。

5 總結

本文主要設計了一種汽車防撞報警系統及主動防撞預警方法，防撞預警算法基于安全距離完成計算過程，該系統基于車載GigEVision實現了實時監測前方車輛的防撞報警功能，通過多傳感器的使用完成防撞報警系統軟硬件平臺的搭建，并詳細介紹了系統的數據采集和相關軟件工作流程，前車行駛信息主要通過結合運用單幀靜態測距法和車輛檢測算法（基于haar特征）獲取，車輛在行駛過程中通過該系統能夠實現實時高效的預警功能，基于GigEVision協議的防撞報警系統可適用于不同道路環境，能夠實時準確的對前方車輛的速度及車距進行檢測，并及時輸出預警信息，具有較高的車輛檢測率及良好的的實時性和魯棒性。測試結果表明該報警系統具備較高的車距測量準確率，能夠根據實際情況進行及時可靠的防撞預警。

參考文獻

[1] 付長軍，李斌，喬宏章. 車聯網產業發展現狀研究[J]. 無線電通信技術， 2018（4）：323-327.

[2] 牛成勇，徐建勛，曾杰，等. 客車前撞預警系統性能測試與評價[J]. 汽車技術， 2018（5）：16-19.

[3] 陸文昌，徐力，袁朝春. 汽車主動避撞系統主動制動實現方法[J]. 機械制造與自動化， 2017（4）：195-198.

[4] 劉冬軍，徐美華，龔露鳴，等. 前方車輛檢測的特征融合算法研究與實現[J]. 上海大學學報（自然科學版）， 2017（6）：893-904.

[5] 陳濤，方威，安林芳. 基于DSRC的車輛防追尾預警算法[J]. 汽車安全與節能學報， 2017（2）：164-169.

[6] 朱立紅，顧祖成，顧鵬，等. 基于最小二乘法擬合的步態曲線獲取方法研究[J]. 合肥工業大學學報（自然科學版）， 2017（6）：727-730.

[7] 劉慶華，邱修林，謝禮猛，等. 基于行駛車速的車輛防撞時間預警算法[J]. 農業工程學報， 2017（12）：99-106.

[8] 楊瀾，馬佳榮，趙祥模，等.基于車路協同的高速公路車輛碰撞預警模型[J]. 公路交通科技， 2017（9）：123-129.

（收稿日期： 2019.12.14）

作者簡介：

蔡月萍（1985-），女，碩士，教授，研究方向：汽車運用與維修技術。