一种基于双目视觉的后方车辆识别与测距方法与流程

本发明涉及车辆安全领域，具体涉及一种基于双目视觉的后方车辆识别与测距方法。

背景技术：

汽车安全越来越受到人们的重视，而交通事故的发生大多与车辆之间的碰撞存在直接关系，当前的碰撞预警系统主要针对前方车辆，针对后方车辆的碰撞预警系统较少。后方车辆碰撞预警的关键在于车辆测距。目前用于后方车辆测距的方法主要有声波测距、激光测距、红外测距、雷达测距等，但这些主动测距方法系统可靠性较低、设备价格相对昂贵。因此，如何在复杂背景中快速准确地识别车辆目标、简单方便地测量车距是需要解决的问题。

技术实现要素：

本发明的目的在于针对上述现有技术中的问题，提供一种基于双目视觉的后方车辆识别与测距方法，能够在复杂背景下对车辆目标实现快速、准确提取，实施成本低，操作方便。

为了实现上述目的，本发明采用的技术方案包括以下步骤：

S1.标定双目相机；

S2.通过标定好的双目相机同步采集当前车辆后方景象的图片；

S3.根据当前车辆后方景象的图片进行车辆识别并选定车辆区域；

S4.计算车辆区域内车辆矩形框几何中心点；

S5.对双目相机计算得到的两个几何中心点进行特征匹配；

S6.利用双目视觉测量原理，计算当前车辆与后方车辆的距离。

所述步骤S3中车辆识别的具体过程包括：首先，收集车辆正负样本集，提取图片特征，通过机器学习算法进行离线训练，得到相应分类器；然后，对采集到的图像进行预处理，提取与离线训练相同的图像特征，采用与离线训练相同的机器学习算法，用训练好的分类器进行车辆区域初步识别，最后基于先验知识的方法，进行车辆验证，最终得到识别结果。

所述的图像特征采用融合Haar-like与HOG的图像特征，结合Adaboost与SVM机器学习算法进行车辆识别，具体过程包括：首先，对第一车辆正负样本集提取Haar-like特征，得到弱分类器，经Adaboost训练后得到强分类器，最终得到级联Adaboost分类器用于一次筛选并将其分类结果作为下一层分类器的输入；然后，对第二车辆正负样本集提取HOG特征，经SVM训练后得到的SVM分类器用于二次筛选上层分类器的分类结果。

所述的车辆正样本为白天和夜间的各种类型车辆头部区域图像；车辆负样本为白天和夜间当中，不包含车辆但与车辆行驶环境相关的场景。

所述与车辆行驶环境相关的场景包括道路路面、行人、绿化带。

车辆验证的具体过程包括边缘检测和灰度特征判别；边缘检测时先使用canny算子提取图像边缘信息，然后使用hough变换检测直线，若分类器输出的目标中有一个近似的几何矩形，判定其为真正车辆的可信度较大，保留下来，反之剔除；灰度特征判别时根据行驶中轮胎灰度是否低于其临近区域的灰度值判定车辆区域是否为误检，若为误检则删去，反之保留。

与现有技术相比，本发明具有如下的有益效果：利用双目视觉测量原理，计算当前车辆与后方车辆的距离，测量过程简单方便，相比于声波测距、激光测距、红外测距、雷达测距等主动测距方法，具有测试设备价格低廉且能够获得丰富场景信息的优势，同时将所测得的当前车辆与后方车辆的距离和阈值相比较，实现对驾驶员进行安全警示的作用。本发明目标提取速度快，识别结果准确，双目相机以左右图像车辆矩形框几何中心点为特征点进行特征提取与匹配，相比于其他特征提取算法，能够有效完成远距离目标的测距任务。

进一步的，本发明通过机器学习算法进行离线训练，融合Haar-like与HOG图像特征，并结合Adaboost与SVM机器学习算法，级联Adaboost分类器选用Haar-like特征用于一次筛选，SVM分类器选用HOG特征用于二次筛选，实现了在复杂背景下对车辆目标的准确快速提取，降低了虚警率。基于先验知识的方法，进行车辆验证，进一步提高车辆检测的准确率。

附图说明

图1本发明的整体方法流程图；

图2本发明车辆识别方法流程图；

具体实施方式

下面结合附图对本发明做进一步的详细说明。

参见图1，本发明基于双目视觉的后方车辆识别与测距方法包括以下步骤：

步骤1：标定双目相机，获得相机的内外参数供计算当前车辆与后方车辆的距离时调用。

步骤2：由左右相机同步采集当前车辆后方景象的图片，本实施例中，双目相机的安装位置可位于后挡风玻璃内侧上部或车尾等位置。

步骤3：通过车辆识别选定车辆区域；

步骤4：计算车辆矩形框几何中心点，本实施例中，具体可采用以下方式：定义本发明车辆识别方法识别的车辆矩形框左上角的坐标为(x,y)，车辆矩形框的宽和高分别为w、h，则左右图像车辆矩形框中心点的横坐标为x+w/2，纵坐标为y+h/2。

步骤5：对左右中心点进行特征匹配，本实施例中，同一时间内，双目相机左右镜头采集的图像中，可能包含一个车辆矩形框，也可能包含多个车辆矩形框，在识别并计算车辆矩形框中心点位置后，需要对同一车辆的矩形框中心点在左右图中的坐标位置进行匹配，以确保车辆距离计算时采用的是同一车辆在不同图像中的中心点坐标。

步骤6：利用双目视觉测量原理，计算当前车辆与后方车辆的距离。

参见图2，本发明车辆识别方法的具体实施步骤如下：

离线训练阶段：收集车辆正负样本集，提取图片特征，通过机器学习算法，进行离线训练，得到相应分类器；在线识别阶段：对采集到的图像进行预处理，提取采用与离线训练相同的图像特征，采用与离线训练相同的机器学习算法，用训练好的分类器进行车辆区域初步识别，然后利用基于先验知识的方法，进行车辆验证，最终得到识别结果。

图像特征及机器学习算法具体为：采用融合Haar-like与HOG图像特征，并结合Adaboost与SVM机器学习算法的车辆识别方法，首先对第一车辆正负样本集提取Haar-like特征，得到弱分类器，经Adaboost训练后得到强分类器，最终得到的级联Adaboost分类器用于一次筛选并将其分类结果作为下一层分类器的输入；然后对第二车辆正负样本集提取HOG特征，经SVM训练后得到的SVM分类器用于二次筛选上层分类器的分类结果。

车辆正负样本集具体为：

车辆正负样本集中，正样本为白天和夜间的各种类型车辆的头部区域图像；负样本为白天和夜间，不包含车辆但与车辆行驶环境相关的场景，如道路路面、行人、绿化带等。

车辆验证具体为：利用基于先验知识的方法，进行边缘检测和灰度特征判别。

边缘检测：首先使用canny算子提取图像边缘信息，然后使用hough变换检测直线，若分类器输出的目标中有一个近似的几何矩形，即可认为其为真正车辆的可信度较大，保留下来，反之剔除。灰度特征判别：行驶中轮胎灰度低于其临近区域的灰度值，根据此关系进行判断。按比例k(0<k<1)截取车辆矩形框R的一部分即可得到轮胎所在区域，以T1、T2分别表示左轮和右轮区域，在两轮胎外侧截取和T1、T2同样大小的矩形框M1、M2，在两轮胎下侧截取和区域R同宽，与T1、T2等高的矩形框D。计算灰度信息GT＝(GT1+GT2)/2,G＝{GM1,GM2,GD}，式中GT1、GT2、GM1、GM2、GD分别为相应区域的灰度均值，GT为轮胎灰度均值，G为GM1、GM2、GD的集合。当GT大于等于G中任意两元素或G中三个元素时，判断此车辆矩形框区域为误检并删去，反之保留。

以上所述内容仅为本发明的较佳实施例，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换和改进等，也均应包含在本发明的保护范围之内。