机器视觉在ADAS系统中的应用.docx

《机器视觉在ADAS系统中的应用.docx》由会员分享，可在线阅读，更多相关《机器视觉在ADAS系统中的应用.docx（12页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、机器视觉在ADAS系统中的应用为了改善道路交通平安状况，国内外诸多的科研机构、汽车企业均投入大量精力在汽车平安防护系统的研究和开发领域。研发内容从最早的机械和电子装置，开展到今时本日关注的热门先进辅助驾驶系统ADAS。以ADAS为代表的系统在硬件上应用了多种传感器，如超声波传感器、视觉传感器、雷达、GPS等，在行车经过中感悟车辆自身状态及环境变化，收集车辆数据和环境数据，根据这些数据，进展交通场景识别、交通事件预测，并给出相应的驾驶建议和应急措施，辅助驾驶人员进展决策，防止交通事故发生，减少事故造成的伤害。在实际驾驶经过中，驾驶员获取绝大局部信息均来自于视觉，比方：路面状况、交通标志、标线和信

2、号、障碍物等，研究说明大约有90%的环境信息来自于视觉，假如能很好地利用视觉传感器理解路面环境，对实现车辆智能化是一个很好的选择。基于视觉导航的交通标志检测、道路检测、行人检测和障碍物检测的车辆驾驶辅助系统，可以降低驾驶员的劳动强度，进步行驶平安性，减少交通事故。驾驶辅助系统在为驾驶员提供决策建议的经过中，使用了大量的视觉信息数据，在这方面视觉图像具有无法比较的上风：视觉图像包含的信息量大，例如可视范围内物体的间隔信息、物体外形、纹理和颜色等；视觉信息的获取是非接触的，不会破坏路面和四周环境，也不需要对现有道路设施进展大范围的配套修建；一次视觉图像的获取，可同时实现道路检测、交通标志检测、障碍

3、物检测等多项工作；视觉信息的获取经过中不会出现车辆互相干扰的情况。综上所述，智能车辆技术在智能交通、汽车平安辅助驾驶、车辆的自动驾驶等方面有着广泛的应用前景。1.机器视觉在先进辅助驾驶系统中的应用目前，视觉传感器及技术被广泛应用到了各类先进辅助驾驶系统中。其中，行车环境的感悟是基于机器视觉的先进辅助驾驶系统的重要组成局部之一。行车环境的感悟主要是依靠视觉技术感悟车辆行驶时的道路信息、路况信息和驾驶员状态，为辅助驾驶系统提供决策所必须的根底数据。其中，道路信息主要是指车外的静态信息，包括：车道线、道路边沿、交通指示标志和信号灯等；路况信息主要是指车外的动态信息，包括：行车前方障碍物、行人、车辆等

4、；驾驶员状态属于车内信息，主要包括：驾驶员的疲惫、异常驾驶行为等，通过提醒驾驶员可能发生的不平安行为，防止车辆发生平安事故。借助机器视觉技术对行车环境进展感悟，可获取各种车内、外的静态信息和动态信息，帮助辅助驾驶系统做出决策判定。根据上述分类，可知目前应用较多的基于机器视觉的先进辅助驾驶系统的关键技术包括：车道线检测技术、交通标志识别技术、车辆识别技术、行人检测技术和驾驶员状态检测技术等。1.1车道线检测技术目前已有的车道线检测技术研究成果中，主要涉及设备和算法两个方面。车道线检测技术的数据收集基于不同的传感器设备，例如激光雷达、立体视觉、单目视觉等。对收集到的信息，需要匹配合适的算法，例如基

5、于模型的方法和基于特征的方法进展计算和决策。激光雷达的机器视觉原理是通过不同的颜色或者材质有不同反射率的特点进展道路识别；立体视觉与激光雷达相比准确性高，但实现图像匹配难度大，设备本钱较高，且由于算法复杂，导致了实时性较差；单目视觉在应用中主要通过基于特征、模型、交融和机器学习的方法实现，是目前进展车道线识别最主流的方法。基于特征的算法首先进展图像特征提取，比方边沿信息。利用这些特征信息，按照预定规那么获得车道线标记。例如Lee等人在2002年就提出了一种基于特征的车道线检测方法，他们使用边沿分布函数来统计全局的梯度角累积分化找出最大的累积量，结合左右车道线的对称特性，确定出车道线的位置。此类

6、算法的主要优点在于其对车道线的外形不敏感，在噪声干扰较强的情况下如阴影、标志线磨损等仍具有较好的鲁棒性，能较为可靠地检测出车道线的直线模型。Lopez等人于2020年提出使用图像的脊峰替换图像边沿信息提取车道线特征数据的方法。脊峰可以反映图像邻域像素点的会聚程度，在车道线标志线区域中，它的表示形态是在车道线中间的具有部分极大值的亮堂区域。与图像边沿相比拟，脊峰更加合适应用于车道线检测的应用场合。基于模型的车道线识别方法是运用数学的思维建立道路模型，分析图像信息获取参数，进而完成车道线检测。ShengyanZhou等提出了一种基于Gabor滤波器与几何模型的车道线识别方法。在智能车前方存在车道标

7、示线的前提下，可以用车道线原点、宽度、曲率、起始位置这4个参数对其进展描绘。先对摄像机进展预标定，在计算完模型参数后挑选出假设干车道线模型。算法通过部分Hough变换和区域定位估算所需参数，确定最终使用模型并完成与实际车道线的匹配。一般来讲，基于模型的车道线识别方法主要分为简单的直线模型和较为复杂的模型如二次曲线和样条曲线，实际应用中需要根据详细的使用场合和道路特点选择不同的方法。例如大多数的车道偏离预警系统均采用简单的直线模型来刻画车道线；而需要灵敏拟合车道线的场合下，如车道线预估与跟踪问题，那么通常使用较复杂的模型算法。1.2交通标志识别技术交通标志识别可提示驾驶员道路环境中的交通标志，帮

8、助驾驶员做出正确决策，进步驾驶平安性。交通标志通常都具有较明显的视觉特征，如颜色、外形等，利用此类视觉特征可以检测出不同交通标志，在交通标志检测方法研究的相关文献中，颜色特征和外形特征相结合的相关检测方法较为广泛。但由于实际情况下，交通标志的图像收集数据的质量可能会受到光照、天气变化等影响;同时，交通标志被遮挡、扭曲、磨损等，也会影响算法准确性。目前交通标志识别技术的实现方法，大局部都是通过设定颜色分量的阈值范围实现图像分割，从复杂的背景区域中得到感兴趣区域ROI，然后在感兴趣区域上进展外形的过滤，进而检测出交通标志的所在区域。常见的算法有直接彩色阈值分割算法，直接在RGB颜色空间对图像所有像

9、素进展分割，通过角点检测确定目的区域是否有交通标志，该算法对光照影响和遮挡问题的解决效果不佳，因此很多学者都对该算法进展了改良，常用的是将RGB图像转化到HSV、HIS等更符合人类对颜色的视觉理解的颜色模型下再进展图像分割和提取，有效地克制了交通标志的光照影响和遮挡难题。交通标志识别技术最具代表性的应用是在智能交通系统ITS之中。2020年，美国马萨诸塞州大学研制的TSR系统，该识别系统采用颜色阈值分割算法和主成分分析方法进展目的检测与识别，系统的识别准确率高达99.2%，针对细微目的遮挡以及能见度较低的天气情况，该算法都能获得不错效果，具有一定的鲁棒性和适用性，处理速度为每帧2.5s，系统的

10、主要缺乏就是难以知足实时性要求。2020年德国举办了交通标志识别大赛IJCNN2020，促进了交通标志检测和识别研究的快速开展。2020年，Ciresan等人在IJCNN大赛上对GTSRB数据库采用深度卷积神经网络的识别方法，获得了比人类平均识别率更高的结果。2021年，Greenhalghd等人在归一化的RGB空间中选取和B通道的最大值以及结合RGB图像提取MSE区域并利用SVM进展交通标志判定，该方法有较好的实时性。2021年KimJ.B.以为颜色外形轻易受四周环境影响，增加了视觉显著性模型进展交通标志检测并具有较高的实时性。1.3车辆识别技术在车辆识别技术方面，目前很多专家学者都在研究多

11、传感器交融技术。这是由于单一的传感器在复杂的交通环境下检测车辆的难度加大，且不同车辆具有各自不同的外形、大小和颜色，在物体之间的遮挡、杂乱且动态变化的背景下，多传感器交融可以到达作用互补的效果，是车辆识别技术的开展趋势。雷达在检测车辆前方障碍物的位置、速度、深度等信息方面具有明显上风，种类主要包括激光雷达、毫米雷达、微波雷达，其中激光雷达又可分为单线、四线及多线。基于车载摄像头的视觉信息，可以对外部环境进展立体视觉或者单目视觉的检测。立体视觉检测的目的在于获取障碍物的深度信息，但在实际应用中，较大的计算量难以保证高速行驶中的实时性，且由于车辆颠簸等影响，双目或者多目摄像头的标定参数往往会有较大

12、偏向，产生较多的误检及漏检情况。单目视觉在实时性方面拥有较大上风，是目前最常用的检测方法，主要包括：基于先验知识的检测方法、基于运动的检测方法、基于统计学习的检测方法。基于先验知识的检测方法：提取车辆的某些特征作为先验知识，原理与车道检测技术中基于特征的检测算法类似，经常作为先验知识的车辆特征包括：车辆的对称性、颜色、阴影、边沿特征、纹理特征等信息。该方法在图像空间中进展搜索，找到与先验知识模型匹配的区域，即可能存在车辆的区域ROI。对于确定出的ROI区域通常还会采用机器学习的方法进一步确认。基于运动的检测方法：由于在不同的实际环境中物体运动时产生的图像信息不同，基于此特点，通常需要对多幅差异

13、较大的图像进展处理，积累足够的信息后对运动物体进展识别，实现对障碍物的检测。但此方法由于计算量大的局限，实际应用中实时性欠佳。基于运动的检测方法中，主要是光流法，该方法是机器视觉和形式识别中检测运动物体常用的方法之一，它利用了同一平面内运动物体的图像像素序列灰度分布的变化，建立坐标系检测并获取障碍物位置。基于统计学习的检测方法：首先需要收集足够多的前方车辆样本，样本需涵盖不同的环境、天气、远近等情况。在训练样本数据的经过中，一般采用神经网络、Haar小波等方法。训练完成后，便可应用于要实现的详细功能上。1.4行人检测技术行人检测技术与现行的智能驾驶辅助技术相比具有一定的特殊性，主要表达在行人兼

14、具刚性和柔性物体的特性，对行人的检测易受到行人自身行为、穿着、姿态等因素的影响。行人检测技术，即从传感器收集到的图像中提取行人位置，对行人运动行为进展判定的方法，通过提取视频中运动目的区域的信息，使用背景减除法、光流法、帧差法等，结合人体形态、肤色等特征判定。在获取的静态图片中，使用的方法主要有模板匹配方法，基于外形检测方法，基于机器学习的检测方法。由于前两种方法存在明显缺点，近年来实际应用较少，本文着重介绍基于机器学习的检测方法的开展现状。基于机器学习的行人检测方法的性能提升主要依靠行人特征描绘以及分类器的训练。特征描绘的复杂程度又影响了检测方法的实时性，HOG是目前广泛使用的行人特征描绘方

15、法，另外Haar、LBP及其改良方法也是行人特征描绘的常用方法。机器学习的分类器涉及到行人检测的检测率，神经网络、支持向量机和BoosTIng方法是常见的机器学习分类器。很多行人检测技术的算法都是以上述方法及其改良方法的根底上进展研究，进而在不同方面优化了行人检测技术。以HOG与线性向量机SVM结合为例，HOG刻画了图像的部分梯度幅值和方向特征，基于梯度特征、对块的特征向量进展归一化处理、允许块之间互相重叠，因此对光照变化和小量的偏移并不敏感，能有效地刻画出人体的边沿特征。HOG特征和SVM在场景简单的MIT行人数据库测试中，该组合检测率近乎100%。1.5驾驶员状态检测技术早期驾驶员状态检测

16、的方法主要是基于车辆运行状态的检测方法，包括车道偏离报警、转向盘检测等，此类方法对驾驶员本身特征敏感度不高，轻易因环境因素误判，因此在近年来的研究中很少单一使用。本文将分别介绍基于驾驶员面部特征的检测技术，以及该技术与多传感器交融的驾驶员状态检测技术。目前在基于驾驶员面部特征的检测技术中比拟常用的是驾驶员的头部特征，驾驶员头部的可视化特征可集中反映驾驶员的精神状态，比方眼睛的眨动状态和频率、嘴部运动特征、头部姿势等，这些特征都可通过摄像头收集，不会对驾驶员正常驾驶产生影响，这种非接触式的方法也逐渐成为此类技术的主流方法。FaceLAB是基于眼部特征的驾驶员状态检测技术的代表，该技术通过检测驾驶

17、员头部姿态、眼睑运动、注视方向、瞳孔直径等特征参量，进展多特征信息交融，实现对驾驶员疲惫状态的实时检测，系统采用眼睛睁闭和注视方向检测方法，解决了在暗光照、头部运动和驾驶员佩戴眼镜条件下的视线跟踪问题。2020年，最新版的FaeeLAB0v4系统采用领先的红外光主动照明技术，进一步增强了视线检测的准确度和精度，且能独立地跟踪每一只眼睛。基于驾驶员面部特征与多传感器交融的检测技术，其主要代表是欧盟名为AWAKE的工程研究，该工程利用图像、压力等多种传感器，通过对驾驶员眼睑运动、视线方向、转向盘握紧力等驾驶状态，及车道跟踪、周边车距检测、油门加速度计和制动器的使用等的分析，将驾驶员的疲惫程度划分为

18、清醒、可能疲惫和疲惫3种状态，对驾驶员状态进展较为全面的检测和综合评价。该工程的驾驶员报警系统，由声音、视觉、触觉报警器组成，当检测到疲惫发生时，可根据疲惫程度的不同，通过强弱不同的声光刺激和平安带抖动来进步驾驶员的警觉性。在此研究根底上，日产公司研制出一种报警系统，当该系统判定驾驶员处于疲惫驾驶状态时，电子报警器就会鸣响，并向驾驶室喷放一种含有薄荷和柠檬等醒脑物质的香气，及时消除司机睡意，假如驾驶员疲惫状态得不到改善，该系统会使用声光报警，并且自动停车。2.结语汽车技术的开展进入了智能化时代，机器视觉在诸多汽车驾驶辅助技术中均有应用，机器视觉领域的技术进步无疑将推动汽车驾驶辅助技术的开展。因此图像收集质量的提升、图像处理算法的优化，怎样更快速地实现图像智能生成、处理、识别并给出决策建议，都是机器视觉领域需要解决的重要问题。将来，随着各类传感器的技术革新、图像处理算法复杂度的降低，机器视觉技术将更好地知足行车经过中实时性、准确性的要求。0