一种基于车尾检测的车距检测方法
【技术领域】
[0001] 本发明涉及安全驾驶技术领域，具体是一种基于车尾检测的车距检测方法。
【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，这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，主要有以下几类：
[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。这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。
[0005] (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，在视频每一帧图像上，获取与前方车辆相关的特征，依据景深映 射表或者三维测量技术，获取与前车的车距。这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、车距检测更精确的基于车尾检测的车 距检测方法
[0007] 本发明的技术方案为：
[0008] -种基于车尾检测的车距检测方法，包括以下步骤：
[0009] (1)获取车尾检测分类器和目标位置深度表，所述目标位置深度表用于记录目标 距车载摄像机的实际距离与车载摄像机采集的图像中目标位置距图像下边界的距离之间 的对应关系；
[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)基于获取的车尾检测分类器以及图像中车尾位置距图像下边界的距离，定位 前方目标车辆；
[0012] (4)跟踪前方目标车辆的车尾，即根据上一帧图像中目标车辆的车尾位置，预测当 前帧图像中目标车辆的车尾位置；
[0013] (5)获得当前帧图像中目标车辆的车尾位置距图像下边界的距离，作为当前帧图 像中目标车辆距图像下边界的距离，基于获取的目标位置深度表，查表获得目标车辆距车 载摄像机的实际距离；
[0014] (6)将所述目标车辆距车载摄像机的实际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。
[0015] 所述的基于车尾检测的车距检测方法，步骤（1)中，所述获取车尾检测分类器，包 括：
[0016] a、收集车尾图像作为训练正样本；
[0017] b、基于haar特征和adaboost学习算法训练车尾检测分类器文件。
[0018] 所述的基于车尾检测的车距检测方法，步骤（1)中，所述获取目标位置深度表，包 括：
[0019] a、在车辆正前方，每隔一段距离分别放置一个白色的长方形纸板，使用车载摄像 机采集所有长方形纸板的图像；
[0020] b、计算图像中每个长方形纸板位置距图像下边界的距离；
[0021] c、将每一个长方形纸板距车载摄像机的实际距离和图像中每一个长方形纸板位 置距图像下边界的距离代入以下公式，得到对应的比例关系系数：
[0023] 其中，AZ1表示第i个长方形纸板距车载摄像机的实际距离，AD1表示图像中第i 个长方形纸板位置距图像下边界的距离，W 1表示对应的比例关系系数；
[0024] d、采用以下线性插值公式，获取图像中每一个目标位置距图像下边界的距离对应 的比例关系系数：
[0026] 其中，W,表示图像中第j个目标位置距图像下边界的距离D ,对应的比例关系系 数，W1。表示图像中距离第j个目标位置最近的上面那个长方形纸板位置距图像下边界的距 离D 1。对应的比例关系系数，W u表示图像中距离第j个目标位置最近的下面那个长方形纸 板位置距图像下边界的距离D11对应的比例关系系数；
[0027] e、根据Z,= W产D,，计算出图像中每一个目标位置距图像下边界的距离D,对应的 目标距车载摄像机的实际距离Z,，将对应关系保存在目标位置深度表中。
[0028] 所述的基于车尾检测的车距检测方法，步骤（3)，包括：
[0029] a、基于获取的车尾检测分类器，检测前方车道是否存在车辆；
[0030] b、判断获得的车辆是否位于当前车道，若是，视为有效车辆，若否，视为无效车 辆；
[0031] c、如果仅存在一个有效车辆，则将其作为目标车辆；如果存在多个有效车辆，则选 择图像中车尾位置距图像下边界距离最小的有效车辆作为最终的目标车辆。
[0032] 所述的基于车尾检测的车距检测方法，步骤（4)中，所述根据上一帧图像中目标 车辆的车尾位置，预测当前帧图像中目标车辆的车尾位置，包括：
[0033] a、在上一帧图像中目标车辆的车尾位置矩形区域内，按照固定步长选择样本点；
[0034] b、对样本点进行跟踪，基于光流法，预测每一个样本点在当前帧图像中的位置；
[0035] c、按照以下公式，获取正确跟踪的样本点：
[0037] 其中，ΔΧι、Ayi分别表示相对于上一帧图像，当前帧图像中每一个样本点的单方 向运动量，t表示预设的运动量阈值；
[0038] d、按照以下公式，计算目标车辆的车尾运动量：
[0040] 其中，η表示所有正确跟踪的样本点数量，Δ X、Δ y分别表示目标车辆的车尾单方 向运动量。
[0041] e、在上一帧图像中目标车辆的车尾位置矩形区域的基础上，叠加所述目标车辆的 车尾运动量，即得到当前帧图像中目标车辆的车尾位置。
[0042] 所述的基于车尾检测的车距检测方法，步骤（5)中，所述获得当前帧图像中目标 车辆的车尾位置距图像下边界的距离，包括：
[0043] a、按照以下公式，选择当前帧图像中目标车辆的车尾特征矩形区域：
[0045] 其中，（rect. x，rect. y)表示当前帧图像中目标车辆的车尾特征矩形区域rect的 左上角坐标，（tect_p. X，rect_p. y)表示预测得到的当前帧图像中目标车辆的车尾位置矩 形区域rect_p的左上角坐标，rect. width、rect. height分别表示rect的宽度、高度，rect_ p. width、rect_p. height 分别表示 rect_p 的宽度、高度；
[0046] b、利用以下水平边缘检测核算子式，获取当前帧图像中目标车辆的车尾特征矩形 区域的水平边缘特征图：
[0048] 其中，K表示水平边缘检测核算子式；
[0049] c、对所述水平边缘特征图进行二值化处理，获取二值水平边缘特征图；
[0050] d、对所述二值水平边缘特征图进行形态学运算，获取水平边缘连通区域，并基于 长度特征去除干扰连通区域；
[0051] e、选择最下方的水平边缘连通区域进行直线拟合，将得到的水平边缘线作为当前 帧图像中目标车辆的车尾参考位置线；
[0052] f、将所述参考位置线上各个点距图像下边界的距离平均值作为当前帧图像中目 标车辆的车尾位置距图像下边界的距离。
[0053] 所述的基于车尾检测的车距检测方法，还包括：当所述目标车辆距本车车头的距 离小于预设的安全距离时，进行语音报警。
[0054] 由上述技术方案可知，本发明采用机器视觉学习算法，精确定位前车位置，基于目 标跟踪技术进行车辆的重复定位，基于线性插值算法进行目标位置深度表的标定；与现有 方法相比，算法速度更快，车距检测更精确。
【附图说明】
[0055] 图1是本发明的方法流程图；
[0056] 图2是车尾检测分类器的训练正样本图像；
[0057] 图3是车尾检测效果图；
[0058] 图4是车尾特征矩形区域图像；
[0059] 图5是车尾区域的水平边缘线检测效果图；
[0060] 图6是车尾的参考位置线效果图。
【具体实施方式】
[0061] 下面结合附图和具体实施例进一步说明本发明。
[0062] 如图1所示，一种基于车尾检测的车距检测方法，包括以下步骤：
[0063] S1、判断是否需要初始化系统参数，如果需要，进入步骤S2,否则，进入步骤S3。
[0064] S2、初始化系统参数，系统参数包括车尾检测分类器和目标位置深度表，具体标定 步骤如下：
[0065] S21、获取车尾检测分类器，具体步骤如下：
[0066] S211、收集车辆尾部图像作为训练正样本，包括常见品牌、不同车距的车辆尾部图 像，如图2所示；
[0067] S212、基于haar特征和adaboost学习算法，训练车辆尾部分类器文件。
[0068] S22、获取目标位置深度表：
[0069] 根据摄像机的成像原理可知，当物体距离摄像机越远，其成像在图像中的位置就 会距离图像下边界越远，同时，由于设备本身的生产误差和图像采集时的不确定误差，会使 得这种对应关系变成一种非线性映射关系，常规方法无法获取精确的标定值，因此，我们根 据"black box"理论，把这种非线性映射关系表示为下式：
[0070] Δ Z = W* Δ D
[0071] 其中，W为未知的"black box"变量，Δ Z为物体距摄像机的实际距离，AD为图像 中物体位置距图像下边界的像素距离，即图像中物体位置的偏移量。
[0072] 此时，标定的过程变成了在已知目标距摄像机的实际距离Δ Z和图像中目标位置 的偏移量AD的情况下，获取对应的比例关系系数W，具体步骤如下：
[0073] S221、在车辆正前方，每隔5米分别放置一个白色的窄长方形纸板，使用车载摄像 机采集所有长方形纸板的图像。
[0074] S222、计算图像中每个长方形纸板位置距图像下边界的距离，即是图像中每个长 方形纸板位置的偏移量。
[0075] S223、把每一个长方形纸板距车载摄像机的实际距离和图像中每一个长方形纸板 位置的偏移量代入AZ 1= W ^ AD1，得到对应的"black box"变量值W1，其中i = 1，2, 3，···， n〇
[0076] S224、依据目标实际距离、图像中目标位置的偏移量和"black box"变量之间的对 应关系，通过以下线性插值理论式，获取图像中每一个目标位置的偏移量对应的比例关系 系数：
[0078] 其中，Wj为图像中当前目标位置的偏移量对应的比例关系系数，W 1(]、W11