基于机器视觉和级联分类器的车辆检测和预警方法与流程

本发明涉及车距智能测量与计算技术领域，具体地说，涉及一种基于机器视觉和级联分类器的车辆检测和预警方法。

背景技术：

目前，驾驶员在行车过程中，由于驾驶疲劳等原因，常常需要一种有效在快速行车的过程中进行碰撞预警的工具，进行碰撞预警，首先要解决实时测距问题，目前常用的测距方式有四种：超声波测距，毫米波雷达测距，激光测距，摄像系统测距。

超声波测距是指利用发射和接收超声波的时差计算出目标的距离的方法。超声波测距仪有着原理简单，制作方便，成本比较低的优点。但受环境影响较大，且不适于长距离测距。

雷达是利用目标对电磁波反射来发现目标并测定其位置的。作为长距离传感器，雷达测距有着探测性能稳定，不易受对象特征影响，环境适应性好的优点，但是成本较高。

激光测距仪根据激光束传播时间确定距离，具有测量时间短、量程大、精度高等优点，但是对稳定性、可靠性要求较高，体积也受到限制，同时成本也较高。

摄像系统测距通常采用双目系统，利用两台摄像机同时对同一景物成像，通过对两幅图像分析处理，可确定物体的三维坐标。双目系统有着测量精度高、尺寸小、功耗低、动态范围大、光计量准确等优良特性，但其价格较高，成像速度慢，且受硬件的制约。

以上几种方法存在精度较差，成本较高，功能单一，需要加装昂贵硬件设备，成像速度慢，受环境影响较大等缺点，并不适用于远距离实时测速与实时碰撞预警，因此，目前驾驶员迫切需要一种使用方便、有效在快速行车的过程中进行碰撞预警的工具。

技术实现要素：

本发明是一种基于机器视觉技术通过级联分类器对纵向移动车辆检测跟踪并实时预警的方法，克服现有技术中的不足，提高了在现实环境中对移动目标的识别效率并增强了在复杂环境下对运动目标的检测和追踪能力。

本发明的技术方案是：一种基于机器视觉和级联分类器的车辆检测和预警方法，包括如下步骤：

A. 利用经过剪辑的市面上已知车型的汽车图片进行正负样本的级联分类器训练；

B. 通过大量实测数据建立识别框宽度与现实距离的数学模型；

C. 实时图像获取；

D. 图像预处理，框定感兴趣区域；

E. 对感兴趣区域进行目标识别；

F. 对识别结果进行数据分析，从而筛选和跟踪目标；

G. 对跟踪目标进行识别框移动平均滤波处理；

H. 计算识别目标的实际距离，通过帧差时间和实际距离差计算车辆的移动速度，以此获得可能发生碰撞的时间并显示预警信息。

其中，所述分类器基于车辆尾部的LBP特征训练得到的。

步骤B中,数学模型按以下方式建立:通过大量实测数据，得到实体与图像中宽度和距离的相关关系并进行拟合函数误差分析，确定测距数学模型。

步骤D中，按以下程序进行：

a. 将原始图片转化为OPENCV可处理的Mat对象；

b. 对mat对象缩放和灰度处理；

c. 对灰度图像进行灰度直方图均衡化；

d. 使用mask遮罩图像对非感兴趣区域实现图像覆盖，从而缩小感兴趣区域以降低复杂环境对分类器识别的干扰。

步骤E中包括目标排序与车辆前方检测过程，具体如下：

目标排序指按照目标到自己的距离远近进行排序，目标的距离远近与机器视觉中识别车辆的y坐标值相对应，距离越远，其识别框的y值越大，通过对比识别框的y坐标值进行排序；

车辆前方检测指的是前方在纵向行驶过程可能对自己造成威胁的车辆，这里通过已知的自己车辆宽度对应视频中的横向宽度作为三角形的两个底点，将视频中的道路无穷远处视为三角形的顶点，连接三个点构成三角形，当识别框与该检测三角形发生碰撞时视为前方车辆，以此筛选出前方对自己可能造成威胁的车辆，同时按照识别框y坐标值排序，找到距离自己最近的车辆。

步骤F中，通过上一帧与下一帧的识别框坐标进行对比，采用欧氏距离计算两个坐标的距离，当距离在阈值范围内视为同一辆车，这里取阈值为车辆识别框宽度的二分之一；采用移动平均滤波处理方法对识别宽度进行平滑处理，对追踪到的车辆将其前四帧的识别宽度计算平均值；

其中，在对识别框平滑处理前进行预处理，具体过程如下：将当前帧的识别框宽度与上一帧的识别框宽度对比，当两帧识别框宽度差超过上一帧宽度的0.1时，将该帧识别框宽度调整为当前帧识别框宽度与上一帧识别框宽度的平均值。

本发明所提供的基于机器视觉和级联分类器的车辆检测和预警方法，具有以下优点：

第一：本发明的方法通过利用正负样本训练级联分类器、实时图像获取、图像预处理、目标识别、目标跟踪和筛选、目标预警等过程，有效提高了在现实环境中对移动目标的识别效率并增强了在复杂环境下对运动目标的检测和追踪能力；

第二：在应用上，使驾驶员在行车过程中利用单目摄像头即可协助驾驶员对车距进行识别和测量，有效提示驾驶员保持车距，减少追尾事故发生；

第二、该算法简单实用，既可以作为独立的手机软件下载使用，也可以封装进行车记录仪，让行车记录仪有碰撞预警的功能，真正成为驾驶员的帮手,只需要Android手机或PC平台加上普通摄像头即可实现测速测距功能，无需加装其它硬件设备,在智能手机和车载安卓导航系统遍地开花的今天，成本低廉，普及性好，可视化程度好。

附图说明

图1为本发明的方法流程示意图；

图2为本发明应用中的工作流程示意图。

具体实施方式

下面结合附图及实施例对本发明的基于机器视觉和级联分类器的车辆检测和预警方法作进一步详细的说明。

如图1、图2所示，本发明提供的是一种基于单目摄像头的智能测距方法，通过机器视觉捕捉前方车辆并进行图像处理，得到汽车的位置变化信息从而达到预防车辆追尾的功能,本发明的具体方法可以概括为：

（1）利用正负样本训练级联分类器；

（2）实时图像获取；

（3）图像预处理；

（4）目标识别；

（5）目标跟踪和筛选；

（6）目标预警。

其中图像的获取是指通过摄像头获取帧图片，调用OPENCV库处理图片，具体处理流程如下：首先将获取的图片缩放处理，这里缩放值需要综合考虑识别精度和识别速率，当缩放值增大时，识别精度降低，识别速率加快，当缩放值减小时，识别精度增加，识别速率降低，所以可以通过查看识别效果来确定缩放值。之后需要对缩放后的图片进行灰度处理，用于提高识别速率。由于灰度处理的图片对比度不高，不利于分类器的识别，所以在分类器识别之前需要对灰度图片进行灰度直方图均衡化，经过调试发现图片中有一部分并不需要识别，比如图片的左右框和上框，因为这些区域不会有车辆出现或出现的车辆不会造成威胁，所以在分类器识别之前需要将该区域涂色来缩小感兴趣区域以加快识别速度。此时处理的图片已经可以用于分类器识别，经过对多种分类器的训练和检测，综合考虑识别精度和识别速率后，我们决定使用LBP分类器对处理图片进行检测识别。

目标识别的算法主要包括：目标排序算法、车辆前方检测算法、车辆的追踪算法、识别框宽度的平滑处理算法。其中目标排序指的是按照目标到自己的距离远近进行排序，目标的距离远近与机器视觉中识别车辆的y坐标值相对应，距离越远，其识别框的y值越大，所以可以通过对比识别框的y坐标值进行排序；车辆前方检测指的是前方在纵向行驶过程可能对自己造成威胁的车辆，这里通过已知的自己车辆宽度对应视频中的横向宽度作为三角形的两个底点，将视频中的道路无穷远处视为三角形的顶点，连接三个点构成三角形，当识别框与该检测三角形发生碰撞时视为前方车辆，以此筛选出前方对自己可能造成威胁的车辆，同时按照识别框y坐标值排序，找到距离自己最近的车辆；车辆追踪算法是指通过上一帧与下一帧的识别框坐标进行对比，采用欧氏距离计算两个坐标的距离，当距离在阈值范围内视为同一辆车，这里取阈值为车辆识别框宽度的二分之一；由于识别过程一直处于动态变化中，识别宽度并不能完全刚好包含车辆，所以需要对识别宽度进行平滑处理，这里采用的是移动平均滤波处理方法，对追踪到的车辆将其前四帧的识别宽度计算平均值。为了防止一些识别误差较大的识别框出现，需要在对识别框平滑处理前进行预处理，可以采用的是将当前帧的识别框宽度与上一帧的识别框宽度对比，当两帧识别框宽度差超过上一帧宽度的0.1时，将该帧识别框宽度调整为当前帧识别框宽度与上一帧识别框宽度的平均值。

识别距离方面，我们采用了高清摄像头附带凸透镜放大的方式获取图片并在图片预处理方面对远处局部区域放大的方式以增加识别距离，通过程序调试已经满足80米内车辆的识别，由于现实生活中对我们有影响的车辆不会超过80米，通过这种方式已经解决了识别距离不足的问题。

预警系统采用了三级预警机制：当前方检测到车辆时即触发三级预警；当前方距自己最近的车辆距离低于20米时触发二级预警；当前方车辆相对自己的速度可能发生碰撞的时间低于2秒时即触发一级预警。其中距离的计算方式为：采用固定分辨率的摄像头经过多次实测数据拟合出识别框宽度与实际距离的关系表达式，这里我们得到的关系式： ，其中dist表示实际距离，width为识别框的宽度，k是个与摄像头分辨率相关的常系数，通过得到的关系式再带入平滑处理后的识别框宽度即可获得识别车辆的实际距离。识别车辆的速度计算方式为：将当前帧跟踪的车辆距离减去上一帧同一跟踪的车辆的距离作为位移差，将当前帧的系统时间减去上一帧的系统时间作为时间差，用位移差除以时间差即可获得车辆的瞬时速度。与前方跟踪车辆可能的碰撞时间计算为：首先判断当前跟踪车辆的速度，如果为负，表示跟踪车辆在远离自己，无需计算可能碰撞时间，如果为正，表示跟踪车辆在靠近自己，可以采用当前帧跟踪车辆的距离除以其瞬时速度即可获得可能碰撞的时间。

本发明只需要Android手机或PC平台加上普通摄像头即可实现测速测距功能，无需加装其它硬件设备。在智能手机和车载安卓导航系统遍地开花的今天，成本低廉，普及性好，可视化程度好。

实施例1，具体实施过程：

参照图1，利用本发明的方法在行驶过程中进行智能测距预警的工作步骤按如下进行：步骤一：对经过剪辑的市面上已知车型的汽车图片进行Adaboost的训练，获取汽车的特征信息，并保存成xml文件；训练的过程原理如下：

A：通过对N个训练样本的学习得到第一个弱分类器；

B ：将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器 ；

C.：将1和2都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；

D：一直训练样本，直至选出的最佳弱分类器满足预定条件，结束训练过程。

将训练结果保存成XML可扩展标记语言，用于标记电子文件使其具有结构性，提供统一的方法来描述和交换独立于应用程序或供应商的结构化数据。

步骤二：图像采集与预处理，启动单目摄像头采集图像信息，对采集图像信息进行去噪、平滑滤波预处理；

步骤三：利用步骤一中训练过的XML文件，对获取的图像进行车辆识别，将每个识别出来的车辆进行定位；

步骤四：确定正前方的车辆，对图像进行像素点分析测量，计算出车辆到本车的相对距离信息，处理速度优选为20帧/秒；

步骤五：与前一帧的距离信息进行对比，获取相对速度；

步骤六：利用当前时刻的相对距离除以相对速度，计算出预计相撞时间，如果获取的值低于设定阈值，则触发碰撞预警警报或输出信号至制动系统进行减速或制动，如果高于阈值，则继续检测。

本发明只需要Android手机或PC平台加上普通摄像头即可实现测速测距功能，无需加装其它硬件设备。在智能手机和车载安卓导航系统遍地开花的今天，成本低廉，普及性好，可视化程度好。

以上所述者，仅为本发明的较佳实施例而已，不能以此限定本发明实施的范围，即但凡依本发明申请专利范围及发明说明内容所作的简单的等效变化与修饰，皆仍属本发明专利涵盖的范围内。