基于計算機視覺的輔助自動駕駛系統的設計與實現

劉晏馳

摘要：自動駕駛汽車是一種典型的高科技綜合應用，包括場景感知、優化計算、多層次輔助駕駛等，運用了計算機視覺、傳感器、信息融合、信息通信、高性能計算、人工智能和自動控制等技術。在這些技術中，計算機視覺作為數據處理的直接切入點，是自動駕駛儀的一個重要組成部分。該技術基于許多新的、先進的綜合應用，其關鍵模塊可以概括為環境感知、行為決策、路徑規劃和運動控制。同時，車輛的周圍環境數據和內部數據是支持輔助駕駛儀的基礎數據。本文設計的輔助駕駛儀系統，能夠有效地采集和快速處理基礎數據，并基于計算機視覺技術實現自動控制駕駛。因此，本文的研究具有重要意義。

關鍵詞：計算機視覺;輔助自動駕駛儀系統;設計;實施

1、國外發展分析

（1）MobileEye成立于1999年，堅信利用計算機視覺安全技術能使道路更安全，減少交通擁堵，拯救生命。MobileEye使用計算機視覺硬件作為主要傳感器，其驅動系統由攝像頭、揚聲器、主芯片、顯示器和接線盒組成。主要功能有：碰撞報警、行人檢測與防撞報警、車道偏離報警、車道維護與危險報警。該系統將攝像頭、揚聲器和芯片集成到車輛擋風玻璃內部，幾乎可以在任何車輛上使用。MobileEye介紹了從Adas到自動駕駛儀的三項關鍵技術：感知、高分辨率地圖和駕駛策略。感知是所有場景的基礎，MaMyPobe使用計算機視覺作為感知的主要手段。但是感知系統的有效性是有限的，一旦系統失效，就必須考慮是否有替代方案，這就是高分辨率地圖的目的。駕駛策略可根據司機的參與程度，現場分為參與、可選參與和不參與三部分。從最初的警告，到接管的許可，再到最終的完全控制，系統的滲透性越來越強[1]。這些系統的芯片由MobileEye開發的Eyeq系列芯片控制。

（2）巡航推出RP-1，該系統價值1萬美元。駕駛室內部安裝執行元件、處理單元，在控制屏上安裝按鍵開關。該系統目前可用于奧迪的2012版和更新的A4或S4車型，成本約為車輛價格的29%。初期測試駕駛員無方向干預的時間為30秒到10分鐘。該系統僅用于高速公路，不能在雨天、霧天和夜間工作，不具備障礙物檢測功能。Cruise采用計算機視覺方案，大大降低了系統的成本，體現了計算機視覺在Adas領域的潛在應用前景。

（3）谷歌的Waymo系統采用了計算機視覺和激光雷達相結合的技術，這一技術已被研究用于將激光雷達的成本降低90%。考慮交通規則的限制和預測相關情景，該系統通過道路測試發現各種問題，采用兩種感知方案，使信息的收集更加準確。此外，Waymo還設置了系統備份和備份設備，如果出現故障，系統將備份電腦、方向盤、剎車等設備。該系統還建立了事故后應急體系，將事故發生地點發送給應急人員和執法人員，大大減少了事故后損失。WAYMO的安全系統使用了一種模擬學習方法，使系統能夠顯著提高感知和決策物體的能力。

2、國內發展

（1）百度的阿波羅項目主要采用激光雷達、毫米波雷達、攝像頭一體化方案收集外界信息。阿波羅2.0的感知方案由障礙物檢測和紅綠燈檢測兩部分組成。障礙物檢測模塊輸入激光雷達點云數據和毫米波雷達數據，輸出基于兩個傳感器的障礙物融合結果，包括障礙物的位置、形狀、類型、速度和方向等，使自主車輛能夠在簡單的城市道路上自行行駛。

（2）地平線擁有領先的人工智能算法和芯片設計，通過軟硬件結合，設計開發高性能、低成本、低功耗的邊緣人工智能芯片和解決方案。目前，地平線公司基于人工智能專用計算架構，成功生產出中國首個以智能駕駛為核心的“旅程”系統，并實現了大規模商業應用。在環境感知方面，horizon采用矩陣360°視覺感知方案，基于矩陣自動駕駛儀計算平臺，配備4192個Fov魚眼攝像頭和8594個Fov窄角攝像頭，通過合理布局攝像頭位置，實現對物體周圍360°無死角視覺感知檢測，能夠準確定位前方道路上的車輛、行人、車道線、交通標志、紅綠燈等目標。

（3）4D地圖汽車駕駛新產品主要包括：汽車駕駛地圖、高精度定位、高精度融合定位、汽車代客泊車、汽車駕駛視覺感知、智能感知等。在環境感知方面，采用了基于自主研發的視覺感知算法的單目攝像頭。該攝像頭成本低，易于部署，并基于人工智能技術建立了對車輛周圍動態環境的感知分析模型，從而輔助自駕車輛的決策。大多數感知系統都采用計算機視覺與雷達相結合的感知方案，因此，計算機視覺是一種不可或缺的感知方法。

3、主要技術

3.1圖像處理

首先對圖像進行歸一化處理以匹配模型中的圖像，并對圖像進行高斯模糊處理以降低圖像中的噪聲。其次在提取顏色階段，需要轉換顏色空間，然后設置顏色的HSV閾值。然后掩模運算得到二值圖像，發現輪廓并計算面積，根據輪廓面積和矩形的長寬比過濾其他輪廓，以提高運算效率[2]。最后對圖像進行切割。

3.2云臺

通常檢測汽車和紅綠燈的攝像頭是70度的窄角攝像頭，所以只有兩輛車在拐角處非常接近才能看到前面的汽車。云臺攝像頭增加視角范圍，可以讓攝像頭在汽車轉彎時跟蹤汽車，通過識別車牌來定位汽車，更快更準確地切割汽車圖像。

3.3樹莓派的GPIO控制。

本系統采用兩塊樹莓派進行處理，并且通過GPIO的電平變化進行通信來完成相應的功能。由于本系統實時進行檢測，對采集到的路況信息應立即做出相應的決策，該功能對軟件性能的要求較高，因此采用兩個樹莓派進行數據處理。

4、方案設計

4.1輔助自動駕駛儀系統框架設計

該系統分為五個模塊：視頻采集模塊、圖像處理模塊、模型訓練模塊、數據預測模塊和網絡通信模塊。視頻采集模塊利用攝像機實時采集道路、車輛、紅綠燈等信息，圖像處理模塊對圖像進行過濾和切割，模型訓練模塊分批讀取訓練數據并使用神經網絡建立模型，數據預測模塊用于檢測車輛和行人，網絡通信模塊用于檢測器和駕駛控制系統間的通信[3]。

4.2數據流程圖

本系統采用兩個攝像頭采集數據，一個攝像頭負責采集道路信息，另一個攝像頭負責采集紅綠燈信息和車輛信息，對采集到的數據進行訓練得到訓練模型，然后對路況信息進行預測，使汽車做出相應的決定。本系統采用兩塊樹莓派進行處理，并與GPIO電平轉換完成通信及相應的功能，利用云臺控制攝像機的轉向，使汽車在轉彎時也能檢測到前方的路況。

4.3試驗結果

本系統對道路圖像進行壓縮、濾波和二值化后輸入車道識別模型，對采集到的道路圖像進行處理。車輛識別是基于車牌的檢測和基于車牌的車輛裁剪，由于裁剪后的照片在不同距離和不同車輛上的大小和形狀是不同的，因此必須對裁剪后的照片進行壓縮和處理。

5結論

經過多次實驗，本文開發的基于計算機視覺的自動駕駛系統取得了較好的效果，但仍有很大的改進空間。首先，為了避免系統卡頓，減少內存消耗，需要對神經網絡進行進一步優化，調整神經網絡的層數，在保證識別精度的前提下，盡可能減少神經網絡結構的層數。在中午時段，道路和汽車反射對機器視覺的干擾非常嚴重，需要通過調整相機角度等方式實現更好的解決方案。

參考文獻：

[1]白辰甲.基于計算機視覺和深度學習的自動駕駛方法研究[D].哈爾濱工業大學，2017.

[2]黃凱.基于嵌入式的汽車全景環視系統的設計與實現[D].重慶大學，2017.

[3]周寶通.車載3D全景輔助駕駛系統關鍵技術研究及應用[D].北方工業大學，2017.