一种基于深度测量的车距检测方法
【技术领域】
[0001] 本发明设及安全驾驶技术领域，具体是一种基于深度测量的车距检测方法。
【背景技术】
[0002] 日常的机动车驾驶中，与前车保持足够的车距是避免追尾事故的最有效方式。而 对于车距的判断，主要是通过驾驶员的经验目测获得，运种方式存在严重不足：首先，驾驶 员的坐姿和视角的不同，目测的结果会存在较大偏差，尤其是在高速公路上，由于车速过 快，根本无法目测获得较准确的车距；其次，长时间驾车往往会使驾驶员注意力不集中，易 忽视与前车的车距或者车距判断存在较大误差，进而引发交通事故。
[0003] 近年来，出现了一些车距检测技术，主要有W下几类：
[0004] (1)基于物理测距技术，该类技术主要通过发射和接收超声波或者红外激光线，获 得与前面车辆的距离。运种技术存在较多不足：设备成本高，远距离测量误差较大，易受前 方障碍物影响而造成误检，多个车辆同时使用时会存在彼此干扰。 阳0化](2)基于视频处理技术，如中国专利申请CN104392629A公开了一种检测车距的方 法和装置，中国专利CN101941438B公开了一种安全车距智能检控装置与方法，该类技术主 要通过视频图像处理技术，在视频每一帖图像上，获取与前方车辆相关的特征，依据景深映 射表或者=维测量技术，获取与前车的车距。运种方法的优势是成本低、主动测量、适应性 广，其缺点是算法较复杂，定位前方车辆不精确，车距计算结果误差较大。
【发明内容】
[0006] 本发明的目的在于提供一种算法速度更快、车距计算更精确的基于深度测量的车 距检测方法。 阳007] 本发明的技术方案为：
[0008] 一种基于深度测量的车距检测方法，包括W下步骤：
[0009] (1)获取车牌检测分类器和两部车载摄像机的相关参数；
[0010] (2)判断是否需要重新检测定位前方目标车辆，若是，则执行步骤（3)，若否，则执 行步骤（4);
[0011] (3)基于获取的车牌检测分类器W及图像中车牌位置距图像下边界的距离，定位 其中一部车载摄像机采集的图像中的前方目标车辆；再基于车牌检测分类器W及图像中车 牌位置相似度，定位另一部车载摄像机采集的图像中的前方目标车辆；
[0012] (4)分别跟踪两部车载摄像机采集的图像中前方目标车辆的车牌，即根据上一帖 图像中目标车辆的车牌位置，预测当前帖图像中目标车辆的车牌位置；
[0013] (5)分别获得两部车载摄像机采集的当前帖图像中目标车辆的车牌中屯、点位置；
[0014] (6)根据车载摄像机的相关参数，获得两部车载摄像机采集的当前帖图像中目标 车辆的车牌中屯、点位置在世界坐标系中的=维坐标，将所述在世界坐标系中的=维坐标变 换成W车载摄像机为坐标系的=维坐标，获得目标车辆距车载摄像机的距离；
[0015] (7)将所述目标车辆距车载摄像机的距离减去车载摄像机距本车车头的距离，即 得到目标车辆距本车车头的距离。
[0016] 所述的基于深度测量的车距检测方法，步骤（1)中，所述获取车牌检测分类器，包 括：
[0017] a、收集前方正负30度内不同距离的车牌图像作为训练正样本；
[0018] b、基于haar特征和ad油oost学习算法训练车牌检测分类器文件。
[0019] 所述的基于深度测量的车距检测方法，步骤（1)中，所述获取两部车载摄像机的 相关参数，包括：
[0020] a、在两部车载摄像机的共同视野内，放置一幅棋盘格图案的标定板，使用两部车 载摄像机分别采集标定板图像；
[0021] b、变换标定板的角度位置，直至两部车载摄像机分别采集了五幅标定板图像；
[0022] C、在每一幅标定板图像上，获得所有的棋盘格二维角点坐标；
[0023] t基于张正友经典标定算法，获取车载摄像机的相关参数式：
[0027]其中，K表示车载摄像机的内参数矩阵，心fy表示镜头的有效焦距，k,、ky表示崎 变系数，（Uu，v。）表示图像中心S表示不确定图像尺度因子，R、T均是车载摄像机的外参数 矩阵，分别表示从世界坐标系到车载摄像机坐标系之间的旋转变换矩阵和平移变换矩阵。
[0028] 所述的基于深度测量的车距检测方法，步骤（3)，包括：
[0029]a、基于获取的车牌检测分类器，检测第一部车载摄像机采集的图像中前方车道是 否存在车牌；
[0030] b、判断获得的车牌对应的车辆是否位于当前车道，若是，视为有效车牌，若否，视 为无效车牌；
[0031] C、如果仅存在一个有效车牌，则将其作为目标车牌；如果存在多个有效车牌，则选 择图像中车牌位置距图像下边界距离最小的有效车牌作为第一部车载摄像机采集的图像 中的目标车牌，目标车牌对应的车辆为目标车辆；
[0032] t基于获取的车牌检测分类器，获得第二部车载摄像机采集的图像中的所有候选 车牌；
[0033]e、W第一部车载摄像机采集的图像中的目标车牌为标准，将第二部车载摄像机采 集的图像中的所有候选车牌分别与其进行相似度计算，选择最大相似度对应的候选车牌为 第二部车载摄像机采集的图像中的目标车牌，目标车牌对应的车辆为目标车辆。
[0034] 所述的基于深度测量的车距检测方法，步骤（4)中，所述根据上一帖图像中目标 车辆的车牌位置，预测当前帖图像中目标车辆的车牌位置，包括：
[0035] a、在上一帖图像中，将目标车辆的车牌中屯、点保存为目标点，并将目标车辆的车 牌位置区域向四周扩展后保存为当前帖图像中目标车辆的车牌模板；
[0036] b、对目标点进行跟踪，基于kalman滤波器原理，预测目标车辆的车牌中屯、点在当 前帖图像中的位置；
[0037] C、基于预测的目标车辆的车牌中屯、点在当前帖图像中的位置和上一帖图像中目 标车辆的车牌尺寸，按照W下公式，获得当前帖图像中目标车辆的车牌捜索矩形区域：
[0038]
[0039] 其中，rect.X、rect.y分别表示当前帖图像中目标车辆的车牌捜索矩形区域rect 的左上角横坐标和纵坐标，center.X、center,y分别表示预测的目标车辆的车牌中屯、点在 当前帖图像中的位置横坐标和纵坐标，rect.wi化h、rect.hei曲t分别表示当前帖图像中目 标车辆的车牌捜索矩形区域rect的宽度和高度，ca;r_wi化h、carjiei曲t分别表示上一帖 图像中目标车辆的车牌宽度和高度；
[0040] t在当前帖图像中目标车辆的车牌捜索矩形区域内，使用车牌模板进行捜索遍 历，对每一个遍历位置，按照W下公式，计算该遍历位置属于目标车辆车牌位置的置信度， 选择最大置信度对应的遍历位置作为当前帖图像中目标车辆的车牌位置：
[0041 ]
[0042] 其中，confi,表示当前遍历位置属于目标车辆车牌位置的置信度，N表示当前帖图 像中目标车辆的车牌模板的像素数量，M(x，y)表示当前帖图像中目标车辆的车牌模板在 (X，y)处的像素灰度值，f(i+x，j+y)表示在当前帖图像中目标车辆的车牌捜索矩形区域 内，W当前遍历位置左上角坐标（i，j)处为基准，偏移（X，y)处的像素灰度值。
[0043] 所述的基于深度测量的车距检测方法，步骤巧），包括：
[0044] a、按照W下公式，获得当前帖图像中目标车辆的车牌位置区域的二值化图像 bin(x，y):
[0045]
[0046] 其中，f(x，y)表示当前帖图像中目标车辆的车牌位置区域（X，y)处的像素灰度 值，f(Xi，，yi)表示W(X，y)为中屯、的N邻域内的像素灰度值，n表示W(X，y)为中屯、的N 邻域内的像素个数，T表示二值化阔值；
[0047] b、对获得的二值化图像进行形态学运算，去除干扰；
[0048] C、按照W下公式获得当前帖图像中目标车辆的车牌中屯、点位置：
[0049]
[0050] 其中，center.X、center,y分别表示当前帖图像中目标车辆的车牌中屯、点位置的 横坐标和纵坐标，bin(Xi，yi)表示二值化图像中（Xi，yi)处的像素灰度值。
[0051] 所述的基于深度测量的车距检测方法，步骤化），包括：
[0052] a、基于W下双目视觉测量原理式，获得两部车载摄像机采集的当前帖图像中目标 车辆的车牌中屯、点位置在世界坐标系中的S维坐标狂，Y，Z):
[0053]
[0054] 其中，31、1(1、而、1\为第一部车载摄像机的相关参数，（111，乂1)为第一部车载摄像机 采集的当前帖图像中目标车辆的车牌中屯、点位置坐标，3,、吃、把、1；为第二部车载摄像机的 相关参数，（Uf，Vf)为第二部车载摄像机采集的当