一种图像空间下的定距离跟车控制方法与流程

本发明涉及汽车领域中的图像处理技术，尤其涉及到一种图像空间下的定距离跟车控制方法。

背景技术：

用于快速路的定距离跟车技术是一种用于自动驾驶或半自动驾驶车队中的一个关键技术，它实现后车相对于前车以一个固定的距离进行跟随行驶。目前，传统基于视觉的用于快速路的定距离跟车控制算法往往分为以下三个步骤：1.识别近距离的前方车辆，确定图像中前车车轮和地面的接触位置2.利用摄像机内外部光学及几何参数，根据图像中前车车轮和地面的接触位置计算本车距离前方车辆的距离3.以电子油门的电压值和制动管路压力为控制变量，以两车相对距离为控制对象(控制目标)，采用各种控制算法进行控制。

上述方法在通常情况下效果较好，但是在车载摄像头的俯仰角出现较明显变化的情况(俯仰角变化情况经常发生于车辆前后轴载荷变化、车辆悬架参数变化、道路颠簸时)下，由于摄像头位姿参数的变化，导致由此所推算出的世界坐标系下的两车距离出现误差，从而进一步导致控制对象失准，最终导致定距离跟车控制算法的失效。

本发明提出了一种仅基于图像变量的定距离跟车控制算法，其优势在于该方法无需以世界坐标系下的变量作为控制对象，避免了图像坐标系-世界坐标系转换时转换误差的负作用。

技术实现要素：

本发明提出了一种基于图像变量的定距离跟车控制方法，其优势在于该方法无需以世界坐标系下的变量作为控制对象，避免图像坐标系-世界坐标系转换时转换误差的负作用。

本发明是通过如下技术方案得以实现的：

一种图像空间下的定距离跟车控制方法，包括如下步骤：

步骤一)汽车A行驶于快速路的一条车道上，汽车A前方有一个需要跟随的汽车B；在T时刻，驾驶员对汽车A发出一条指令，即令汽车A保持当前汽车A和汽车B两车距离不变，进行自动跟车；

步骤二)在T时刻，以汽车A上所搭载的车载摄像机，获取一幅采集到的汽车B图像；采用Haar特征中的Adaboost的车辆检测算法对前方汽车B进行识别后对检测到的前方汽车B区域图像采用Sobel算子，然后进行垂直边缘的增强，采用大津阈值分割法确定阈值并对垂直边缘进行二值化，对二值化图像在水平方向进行投影，并在左右部分分别选取投影数值最大的一个峰值点；计算两个峰值点横坐标之间的像素距离S1，即前车图像坐标系下的宽度；

步骤三)T+1时刻，获取一幅新采集到的前方汽车B图像，重复步骤二)，获取前方汽车B前车图像坐标系下的宽度S2；以汽车A电子油门的电压值和制动管路压力为控制量，以S1、S2之差最小为控制目标，以经典的PID控制算法对电子油门的电压值和制动管路压力进行控制，从而实现基于图像的自动定距离跟车控制算法，避免图像坐标系-世界坐标系转换时转换误差的负作用；

步骤四)T+2...N时刻，重复步骤三)，直至定距离跟车命令取消。

进一步的，所述步骤二)中的汽车A上所搭载的车载摄像机的位置安装在汽车A前挡风玻璃后，且镜头面向汽车A前方道路区域。

进一步的，所述步骤二)中大津阈值分割法是按图像的灰度特性，将图像分成背景和目标两部分；背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小；因此，该方法通过迭代获得一个阈值T，该阈值使得背景和目标之间的方差最大。

进一步的，所述步骤二)在左右部分分别选取投影，其中左右部分是以图像中线分割，左半幅图像为左部分，右半幅图像为右部分。

有益效果：

1.该方法无需以世界坐标系下的变量作为控制对象，避免图像坐标系-世界坐标系转换时转换误差的负作用。

2.采用津阈值分割法对图像进行处理，阈值使得背景和目标之间的方差最大，从而更准确的对图像进行分析处理。

附图说明

附图1为汽车A采集到的前方图像；

附图2为采用成熟的Haar特征中Adaboost的车辆检测算法检测出的车辆；

附图3为大津阈值分割法二值化后的图像垂直边缘；

附图4为大津阈值分割法二值化后的图像在水平方向进行投影；

附图5为本发明系统工作流程图。

具体实施方式

现结合附图对本发明做进一步的描述：

该方法所涉及的设备是一台可以对车辆电子油门的电压值和制动管路压力进行控制的车辆，其控制可以利用外部控制器，通过车辆内部协议直接对电子油门的电压和和制动管路压力进行控制；另外，该汽车A车辆上安装有一台摄像头。该摄像头安装于汽车A前挡风玻璃后，镜头面向车前方道路区域。

结合附图5，步骤一)汽车A行驶于快速路(高速、高架等)的一条车道上，汽车A前方有一个需要跟随的汽车B；在T时刻，驾驶员对汽车A发出一条指令，令汽车A保持当前两车距离不变，进行自动跟车；

步骤二)在T时刻，以汽车A上所搭载的车载摄像机，获取一幅采集到的前方图像；采用成熟的Haar特征+Adaboost的车辆检测算法对前方车辆进行识别；该算法详细见方学志，方巍，郑钰辉。一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J].电子学报,2011,39(5):1121-1126；对检测到的汽车A区域图像采用Sobel算子，该算法通过采用级联Adaboost构建训练模型，采用Haar特征对车辆与非车辆样本进行表达；然后以大量有标签的样本对在级联Adaboost模型下训练出一个用于进行车辆辨识的分类器。该分类器可以识别出图像中的车辆。随后，进行垂直边缘的增强，并采用大津阈值分割法[2]确定阈值并对垂直边缘进行二值化：大津阈值分割法是按图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此,该方法通过迭代获得一个阈值T，该阈值使得背景和目标之间的方差最大。对二值化后的图像在水平方向进行投影，并在左右部分分别选取投影数值最大的两个峰值点。计算两个峰值点横坐标之间的像素距离S1，即前车图像坐标系下的宽度。

为便于理解，结合附图1至4，举1例：

图1为一幅采集到的前方图像，图2为采用成熟的Haar特征+Adaboost的车辆检测算法检测出的车辆，图3为二值化后的垂直边缘，图4为二值化图像在水平方向进行投影，并在左右部分分别选取，以图像中线分割，左半幅图像为左部分，右半幅图像为右部，投影数值最大的两个峰值点。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。