技术领域本发明涉及智能驾驶领域，具体地说是一种基于摄像头的汽车并道辅助驾驶的方法。
背景技术：
在行车过程中，并线盲区是很难避免的，而对于新手而言，并道过程也往往容易造成与他车的刮碰。目前常用的并道辅助一般基于超声波雷达传感器。但受制于国内传感器技术的发展瓶颈，往往采用超声波雷达传感器作为盲点监测系统的传感器，这种系统的特点是：技术成熟，成本较低，但探测范围较小，一般2米左右；反应慢，只能靠超声反射判断是否存在障碍物，不能区分识别车道栏杆、遂道墙壁与即将从侧向方超车的车辆。系统只能通过打转向灯后，开启工作，不能实时主动监测侧后方的来车；加之超声波雷达反应较慢，实际探测距离只有2米左右，在实际应用过程中，并不能及时起到变道辅助的作用。而进口原车系统自带功能成本非常高。
技术实现要素：
针对现有技术的不足，本发明提供一种基于摄像头的具有并道辅助功能，可以检测远、近距离车辆的汽车并道辅助驾驶的方法。本发明为实现上述目的所采用的技术方案是：一种基于摄像头的汽车并道辅助驾驶的方法，包括以下步骤：步骤1：通过设置于左视镜、右视镜和后视镜上的摄像头获取车辆左后方和/或右后方图像信息；步骤2：对获得的图像进行预处理，得到透视变换后的二值图和车道线信息；步骤3：根据得到透视变换后的二值图和车道线信息对车辆位置进行初步定位；步骤4：通过Adaboost算法判定车辆真伪情况，得到车辆的位置信息；步骤5：根据车辆位置信息计算距离本车的实际距离。所述预处理过程包括：步骤1：通过透视变换方法将采集到的平视视角图变换为俯视视角图，并选取感兴趣区域；步骤2：将感兴趣区域进行图像二值化处理；步骤3：在二值化处理后的图像中检测车道线所在直线，得到车道线信息。所述对车辆位置进行初步定位包括以下过程：根据车道线信息选择相邻车道区域作为感兴趣区域；如果感兴趣区域内存在无规则形状，则判断该形状为车辆位置的备选区域，并记录该备选区域位置信息；否则判断感兴趣区域内无车辆。所述通过Adaboost算法判定车辆真伪情况包括以下过程：首先生成车辆分类器，然后根据车辆分类器判断车辆备选区域的真伪。所述生成车辆分类器包括以下步骤：步骤1：采集车辆的正样本图像和负样本图像，并将图像归一化为相同大小；步骤2：提取Haar特征的位置信息；步骤3：根据位置信息计算样本的特征参数，生成弱分类器；步骤4：利用特征参数对所有样本进行分类，逐次选取若干分类误差最小的弱分类器并记录其迭代权重，形成一个强分类器；步骤5：当强分类器的正负比率不大于准确率阈值时，通过强分类器滤除一部分负样本，将剩下的样本作为统计样本，并返回步骤4；步骤6，当强分类器的正负比率大于准确率阈值，完成车辆分类器的生成。所述判断车辆备选区域的真伪包括以下步骤：将待检测的备选车辆图像归一化至训练样本大小，并根据强分类器判断，如果该待检测的备选车辆图像通过全部强分类器，则该图像为车辆图像；否则为非车辆图像。本发明具有以下有益效果及优点：1.本发明具有基于摄像头的并道辅助功能；2.本发明可以检测远、近距离的车辆，并且成本相对较低。附图说明图1是本发明的方法流程图；图2是本发明的车辆定位流程图；图3是本发明的车辆真伪判断流程图；图4是本发明的Adaboost级联示意图。具体实施方式下面结合附图及实施例对本发明做进一步的详细说明。如图1所示为本发明的方法流程图。1)获取车辆左后方或右后方图像信息；2)图像预处理。该处理模块包含透视校正、基于纹理信息的二值化处理以及车道线检测；3)车辆定位。选定感兴趣区域，统计感兴趣区域的纹理变化情况并进行初步的是否为车辆的判断；4)车辆真伪判断。根据步骤3)中得到的车辆位置信息反透视到原图中，并根据车辆形状的先验知识确定检测框，并通过Adaboost算法判定车辆真伪；判断车辆距离。若存在车辆，可通过透视图中的位置信息计算得到实际中的距离。步骤2)中透视校正是将图片投影到一个新的视平面。本专利中将摄像头的平视视角变换为俯视视角，即可获得车道线平行的俯视图像，有利于车道线的检测以及感兴趣区域的划分。步骤2)中基于纹理信息的二值化处理，首先增强背景中含有纹理的图像区域，然后设定阈值进行二值化。步骤2)中车道线检测方法，选用霍夫变换的方法检测直线，并根据车道线的特征进行直线筛除，最终获得车道线信息。如图2所示为本发明的车辆定位流程图。选定感兴趣区域，根据车道线信息选择相邻车道的区域；步骤3)中车辆位置的粗判断，经过步骤2)的处理，若无车辆，则图像中仅存在车道线以及地面标识，均为规则纹理；若存在车辆，由于车辆与地面不在同一平面上，透视过程和二值化过程中会将车辆部分变换为放射线的形状；根据该信息可以定位到车辆与地面的接触位置，用于后面的距离估计；如图3所示为本发明的车辆真伪判断流程图。步骤4)中原图中的检测框定位，根据步骤3)中检测的车辆起始位置反透视变换到原图中位车辆的检索位置，根据车辆与车道宽度的先验知识设置检索框的大小。步骤4)中利用Adaboost算法对对有检索框进行车辆识别，直到检索到车辆或所有检索框检索完成。步骤4)基于adaboost算法的车辆检测详细说明如下。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。如图4所示为本发明的Adaboost级联示意图。步骤1：采集车辆的正样本图像和负样本图像，并将图像归一化为相同大小；步骤2：提取Haar特征的位置信息；Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向(水平、垂直、对角)的结构；步骤3：根据位置信息计算样本的特征参数，生成弱分类器；每一个haar特征都对应一个弱分类器，根据haar特征的位置信息可以计算出所有样本的特征参数；步骤4：利用特征参数对所有样本进行分类，逐次选取若干最优的弱分类器并记录其迭代权重，形成一个强分类器；步骤5：通过一个强分类器滤除一部分负样本，将剩下的样本作为统计样本，并返回步骤4；步骤6，当强分类器的正负比率大于准确率阈值，则完成车辆分类器的生成。对于每个特征f，计算所有训练样本的特征值，并将其排序。通过扫描一遍排好序的特征值，可以为这个特征确定一个最优的阈值，从而训练成一个弱分类器。具体来说，对排好序的表中的每个元素，计算下面四个值：全部人脸样本的权重的和T+；全部非人脸样本的权重的和T-；在此元素之前的人脸样本的权重的和S+；在此元素之前的非人脸样本的权重的和S-；e＝min(S++(T--S-),S-+(T+-S+))于是，通过把这个排序的表扫描从头到尾扫描一遍就可以为弱分类器选择使分类误差最小的阈值(最优阈值)，也就是选取了一个最佳弱分类器。