基于单目视觉的道路车辆识别方法及系统与流程

本发明属于智能汽车道路环境感知领域，具体涉及一种基于单目视觉的车辆识别方法及系统。
背景技术：
：智能车辆是一个集环境感知、决策规划、控制执行等多功能于一体的综合系统，集中运用了现代传感技术、信息与通信技术、自动控制技术、计算机技术和人工智能等技术，代表着未来汽车技术的战略制高点，是汽车产业转型升级的关键，也是目前世界公认的发展方向和汽车工业增长的新动力。目前对智能车辆的研究主要集中于车辆的安全性和舒适性，道路环境感知技术是智能车辆驾驶系统中的基础和核心环节，是确保车辆行驶安全与舒适的重要技术，而道路车辆识别是实现该技术的首要环节。在此领域内国内外专家学者提出了诸多技术，vislab研制的无人驾驶汽车argo系统使用视觉作为主要的传感器，通过建立车辆二自由度动力学模型和预瞄跟随模型，引入反馈监督信号，由于在图像重建道路环境后，需要通过复杂的拟合过程才能得到合适的方向盘输出，所以方法的计算复杂度很高，硬件资源消耗大。srinivasa等人通过基于车辆预设模型的方法，该方法虽然算法简单，处理速度快，但是对车辆模型过分依赖，由于车型的多样性，一种模型往往不能适用于所有的车辆。bebis等人利用基于运动的方法，该方法对于旁边车道车辆具有较好的检测效果，但对于前方车辆，由于动态环境下引入较多干扰因素，算法复杂度变高，运算量增大，检测效果并不理想。国内的赵日成等人结合车道线和车辆底部阴影等识别车辆，在较好的天气状况小，车辆识别率较高，但是受天桥、路牌等的干扰因素比较大。张文桂等人利用目前较为流行的机器学习的方法进行道路车辆识别，该方法的优点是检测效率高，实时性好，但是难以寻找足够充分且恰当的训练样本以涵盖不同场景、不同车辆等变量。技术实现要素：针对目前车辆识别领域存在的鲁棒性和实时性无法满足智能驾驶车辆需求的问题，本发明提出一种基于单目视觉的车辆识别方法。该方法首先建立道路附着系数与路面灰度值的关系，由实时获取的路面附着系数得到对应图像分割阈值，完成对道路与非道路区域的分割，初步缩小车辆识别范围，继而通过对车辆尾灯特征提取，划分出车辆感兴趣区域(roi)，并进一步通过对roi区域内车辆边界特征、对称性特征的提取验证车辆的存在，降低了算法的漏检率和误检率。为实现上述目的本发明采用的技术方案为：一种基于单目视觉的道路车辆识别系统，所述系统包括：摄像头、工业测控计算机、上位机、试验车。将摄像头安装于试验车内前挡风玻璃合适位置，实时采集前方道路图像，通过数据传输通道将视频图像上传至工业测控计算机，工业测控计算机对采集到的数据图像进行处理，将处理结果上传至上位机，通过分析数据结果对试验车辆作出合理的控制决策。根据上述识别系统，本发明提出了一种基于单目视觉的道路车辆识别方法，具体步骤如下：图像采集：利用摄像头实时采集车辆前方道路图像。图像预处理：利用车辆轮胎模型与动力学模型，提取道路附着系数，根据不同附着系数对应不同路面，不同路面对应不同分割阈值粗略地将道路与非道路区域分割出来，缩小车辆识别范围。roi区域划定：在图像预处理的基础上，通过选择合适的颜色空间，对车辆尾灯进行提取，并通过预设阈值对一定范围的图像进行提取，得到roi区域。车辆验证：利用边缘检测算子，对车辆尾部上下左右边缘进行提取，进一步缩小车辆感兴趣区域，并通过对该区域内图像对称性特征进行分析，验证roi区域内车辆的假设。本发明的有益效果：(1)根据实时获取的路面附着系数识别出当前行驶路面，能够更为准确的识别出当前路面状况下的车辆；(2)获得的路面附着系数同时也可以作为车辆esp的输入变量，使车辆得到更好的纵向与横向控制；(3)通过利用车辆尾灯及对称性完成对道路车辆的提取，相比传统单一特征提取方法具有更为准确的车辆识别率。附图说明图1为本发明实施硬件系统组成框图图2为本发明所述方法主流程图图3为本发明图像预处理流程图图4为本发明roi区域假设流程图图5为本发明车辆验证流程图具体实施方式下面结合附图对本发明作进一步说明。本发明实施例的硬件系统组成框图如图1所示，包括：摄像头：摄像头采用cmos系列的产品，安装于试验车辆前挡风玻璃中间位置，通过数据连接线，通过视频采集卡连接测控计算机，随着车辆的移动，便可采集车辆前方图像。工业测控计算机：通过其视频采集卡收集摄像头采集到的道路信息，并将其由模拟信号转变为数字信号，然后完成道路车辆识别。上位机：用于解析来自测控计算机的数据信息，并完成对试验车辆的控制。一种基于单目视觉的道路车辆识别流程如图2所示，包括以下步骤：步骤1，图像预处理，具体流程如图3所示。步骤1.1建立车辆轮胎模型设fxi为纵向力，fyi为侧向力，i可取1,2,3,4则可建立如下数学模型：其中，μ为路面附着系数；fzi为各轮上的垂向载荷；cx为轮胎的纵向刚度；cy为轮胎的侧偏刚度；λ为各轮胎纵向滑移率；l为边界值，表述了轮胎非线性特性；βi为各轮胎侧偏角；ε为速度影响因子，作用在于修正轮胎滑移的速度对轮胎力的影响。步骤1.2建立车辆动力学模型纵向运动微分方程：其中，vx为车辆纵向速度；vy为车辆侧向速度；ax为车辆纵向加速度；m为整车质量；α为前轮转角；r为质心回转半径。fx1、fx2、fx3和fx4分别为四个车轮的纵向力；fy1为左前轮的侧向力，fy2为右前轮的侧向力。侧向运动微分方程：其中，ay为车辆侧向加速度；fy3与fy4分别为左后轮与右后轮上的侧向力。横摆运动微分方程：其中，τ为质心动量矩；iz为绕垂直轴线的转动惯量；γ为横摆角速度；tf与tr分别为前轮距和后轮距；a与b分别为质心到前轴与后轴的距离。步骤1.3路面附着系数提取为了便于从车辆参数直接获得路面附着系数，结合车辆轮胎模型与动力学模型，得出附着系数测量方程如下：其中βi、vi、λi、ωi分别表示各轮的侧偏角、速度、滑移率和车轮转速，vcog为质心速度，df、dr分别为前后轴轮距，轮胎模型的输入为：轮胎侧偏角β，各轮转速ω1、ω2、ω3、ω4，纵向加速度ax，侧向加速度ay，纵向车速vx，横摆角速度γ，质心侧偏角δ。基于上述路面附着系数采集方法，通过专门路试车辆获取丰富的道路附着系数数据μ，如下表所示几种典型路面附着系数。六种典型路面附着系数估算结果编号类型变化范围1干沥青路面0.85-0.982湿沥青路面0.62-0.783积雪路面0.2-0.284冰路面0-0.105干水泥路面0.6-0.756湿水泥路面0.45-0.65步骤1.4车辆区域预提取预先通过路试车辆对干沥青路、湿沥青路、干水泥路、湿水泥路、冰雪路等不同道路附着系数的路面数据进行采集，并通过图像灰度提取技术，获得各个路面条件下的路面灰度值g。通过对上述大量的路面附着系数μ和路面灰度值g的分析，通过拟合建立二者关系函数如下：ai≤μi≤bi,则g＝thi其中ai，bi为路面附着系数波动范围区间上下限值，i分别代表不同路面，thi为不同路面条件下的灰度阈值，通过实验来拟合thi的值。根据车辆在行驶中对道路附着系数的提取，得出对应道路灰度阈值，将道路与非道路部分分割出来，完成对道路车辆的预提取。步骤2，roi区域划定，其流程图如图4所示。步骤2.1，颜色空间选择车辆尾灯具有明显的颜色特征，是车辆尾部较为明显的特征之一，可以很好的用于车辆识别。在进行尾灯颜色特征提取之前，首先选择合适的颜色空间，将车辆尾部车灯特征进行提取，此处采用rgb(红绿蓝)颜色空间作为后续颜色提取的基础。步骤2.2，颜色特征提取。通过对(r-g)、(r-b)、(r-b-g)、r/(b+g)等不同组合的颜色算子对车辆尾灯特征提取效果进行对比，最终选取尾灯识别较好的(r-g)作为车辆尾灯提取算子。通过对市面上大量的车辆尾灯进行数据采集，进行(r-g)灰度统计,并得到其最大灰度值(r-g)max。利用最大类间方差法确定(r-g)灰度图像的归一化阈值tr，最终确定车辆尾灯提取阈值t＝(r-g)max×tr。步骤2.3，roi区域提取。以提取的车辆尾灯左右边界为roi区域左右边界，roi区域上下边界仍为步骤1.4中的上下边界保持不变。步骤3，roi区域车辆验证。步骤3.1，采用canny算子进行车辆边缘检测canny算子是基于一阶导数的且常用的边缘分割，canny算子围绕边缘检测有以下三个基本准则：信噪比准则、定位精度准则、单边缘响应准则。信噪比准则，不遗漏重要的边缘，不产生虚假的边缘，减小错误发生率，表达式如下：其中，snr表示信噪比，f(x)表示滤波器脉冲于边界[-ω,ω]的响应，g(x)代表图像边缘信号，n0代表噪声n(x)的高斯噪声响应的均方根。定位精度准则，做到检测所得边缘和实际目标边缘偏差最小化，即找到一个f(x)使下式中loc尽可能大。其中loc为定位精度，g′(-x)、f′(x)分别为g(-x)、f(x)的一阶导数。单边缘响应准则,要求相同边缘产生尽量低的响应次数。各边缘响应极大值间平均距离如下:于是在2ω宽度内，极大值数目为:因此，只要确定了系数k的大小，就固定了极大值的个数。3.1.1平滑图像canny边缘检测算法首先通过二维高斯滤波平滑图像。高斯滤波函数形式如下:即：f(x)代表原图像，则平滑后图像表示为:g(x,y)＝f(x,y)*h(x,y)…其中，h(x,y)为省略系数的高斯函数，f(x,y)为图像数据。3.1.2寻找图像亮度梯度。因为图像边缘走向难以确定，所以需要对90度、0度还有±45度角的方向实施边缘检测。并对选出每一像素点的最大梯度幅值和其对应的边缘走向加以标记。然后便能根据各个像素点标记的信息，整理出平滑后图像的梯度特征及方向趋势。通过一阶偏导有限差分进行计算。利用一阶差分卷积模板：得到幅值：得到相角:3.1.3图像边缘跟踪使边缘细化才能得到更好的边缘跟踪效果。这里需要找到图像中梯度最大值点，再将图像中梯度非极大值点置零。3.1.4边缘连接使用大小不同的两个阀值分别对图像进行边缘检测。高阀值所获图像误检率较低但是边缘易产生断续；低阀值所获图像边缘清晰然但是虚假边缘较多。双阀值法通过在低阀值图像中寻找边缘，完成在高阀值图像中的连接以得到较好效果，通常高阀值是低阀值的两倍。3.2对称性检验设r(x)为roi区域的一次连续函数，并拆分为奇函数ro(x)和偶函数re(x)，通过奇偶函数在r(x)中所占的比重，即可确定区域内的对称性。假设roi区域长宽分别为m、n，则图像中第y行的对称轴为k＝m/2，则该行所对应的奇函数与偶函数表达式如下：奇函数：偶函数：由此可得奇偶函数的能量密度函数为：由此可得第y行对称测度公式如下:则有：因此，当测得roi区域内的对称性测度大于0到1之间的某个阈值so时(该值需通过大量试验求取)，便可认为该区域具有良好的对称性，则认定该区域内存在车辆。上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。当前第1页12