高速公路行车的车距保持是预防和减少高速公路交通事故的关键。本文提出了一种基于计算机视觉原理的高速公路车距测量方法，其中利用神经网络模型对图像中的车辆车牌位置、车牌宽度与车距的非线性关系进行建模。本文详细给出了基于计算机视觉的高速公路安全车距判定系统软硬件设计方案，包括分析了以DSP为核心的安全车距判定系统硬件组成结构和工作原理，并着重给出了基于计算机视觉原理实现高速公路安全车距判定的软件步骤和算法要点，提出了利用GPS信息和车牌图像信息进行危险车距判定的方法。
【关键词】计算机视觉 安全车距判定 车距测量 GPS 神经网络
随着我国汽车产量和保有量的迅速增加，汽车行车安全问题进一步凸显。高速公路系统具有车速快、车祸后果相对严重的特点，其中如何保持适当的车距是高速公路安全行车关键。然而，汽车驾驶员在高速公路行车过程当中往往不注意保持安全车距，目前市场上也缺少相应的成熟产品和技术。已有的车距测量技术原理可以分为两大类：激光测距原理和基于计算机视觉
的车距测量，基于计算机视觉的车距测量又可以分为单目测量和双目测量。车辆系统中增加配备激光测距系统价格较贵，无法迅速普及。考虑到目前很多测量配备了行车记录仪，实时记录车辆正前方的测量交通状况，获得车辆行驶过程中前方的连续视频。因此，如何利用计算机视觉的单目测量技术，进行车距测量和安全车距判定报警是目前车载车距测量系统研究的重点。漆月、史战果、王荣本、龙丹和许勇、阎莹等都对此做了一些研究，这些研究虽然取得了一定成果，但是都没有考虑车速和安全车距的关系。
本文给出了一种基于计算机视觉原理的高速公路安全车距判定系统的软硬件设计方案，包括分析了以DSP为核心的安全车距判定系统硬件组成结构和工作原理，并着重给出了基于计算机视觉原理实现高速公路车距测量的软件步骤和算法要点，提出了利用GPS信息和车牌图像信息进行危险车距判定的方法。
1 系统硬件设计
高速公路安全车距判定系统硬件组成如图1所示，包括摄像头、视频AD芯片、FPGA、DSP、存储器和语音报警系统等。
摄像头把采集的光学信号转换为电信号，通过视频AD芯片转换为数字信号，FPGA把采集的图像数据暂时存储在SRAM存储器当中。系统中由DSP负责视频AD芯片的初始化工作。当一帧图像数据采集完成之后，FPGA给DSP发出中断信号，使得DSP读取一帧图象信号并存储在自己的SDRAM存储器当中。闪存当中存储了DSP汽车gps工作程序。GPS模块产生经纬度坐标数据，DSP定时对数据进行读取。DSP根据车距测量结果和车速情况，控制语音报警系统发出报警信息，必要时提醒司机谨慎驾驶，保证安全车距。
本系统中DSP芯片、视频AD转换芯片以及FPGA、各存储器、GPS模块等根据功能要求和性价比选择具体型号。
本系统也可以在当前多数行车记录仪的硬件系统基础上，增加GPS模块并提高DSP单元处理速度，以满足本系统工作的硬件要求，该硬件方案具备高性价比的优点。
2 软件算法设计
本文提出的基于计算机视觉原理的高速公路安全车距判定系统实现原理是根据车牌尺寸大小固定的特点，利用视频图像中车牌尺寸及其在图像中位置与车距的对应关系，在基于神
经网络理论建立这种对应关系的模型基础上计算图像中前方车辆的车距，并根据GPS信息计算车速，利用车距和车速数据输出安全车距判定结果。
在前述硬件设计基础上，实现本系统功能的软件程序主要包含五个步骤：图像预处理、车牌宽度和中心点计算、车距估计、车速计算、安全车距判定，各步骤分别进一步说明如下。
2.1 图像预处理
前方车辆状况视频实际是由连续各帧图像组成。考虑到系统处理负载能力和实际高速公路车辆车速变化情况，本系统每0.1秒抽取一帧图像用于进行车距分析，并进一步利用滑动窗口平均等算法进行图像滤波去噪等预处理，以达到图像的进一步处理图像质量要求。
2.2 车牌宽度和中心点计算
我国机动车车牌具有几类统一的尺寸，例如当前多数家用轿车采用的92式国标机动车蓝牌标准尺寸为440mm×120mm，尺寸是统一固定的。为简单起见，本系统只考虑该类蓝牌机动车的车距测量问题。
根据视频拍摄光学原理，车辆距离与车牌在图像中的尺寸显然具有一定关系.直观的结论包括：当距离较近时，图像中车牌尺寸相对较大；而如果距离较远，车牌在图像中的尺寸将变小。然而，由于前方车辆有可能并不是处于正前方，并且摄像头透镜成像关系造成成像畸变，因此车距与图像中车牌尺寸关系是一种复杂的非线性关系。如果基于光学和数字成像原理等角度建立严格的数学模型进行车距估计，是较为困难的。
因此在利用车牌蓝颜特征信息进行车牌定位的基础上，本文提出基于图像中车牌宽度像素点数值W和车牌中心点像素点坐标（X，Y）作为车距估计的特征向量信息。
2.3 车距估计
如上所述，图像中车牌的特征向量（W，X，Y）与车距L关系是较为复杂的非线性关系，记为函数L=f（W，X，Y）。本文中，应用BP神经网络对L=f（W，X，Y）进行建模。
神经网络是由很多简单的处理单元（称为神经元，一个多输入单输出的信息处理单元）互相连接而形成的网络系统，具有类似人脑功能的一些基本特征，一般由输入层、隐藏层和输出层组成，是一个复杂的非线性动力学习系统。BP神经网是应用最广泛的神经网络，它运用向后反馈的学习机制，来修正神经网中的权重，最终达到输出正确结果的目的。
使用神经网络之前必须利用训练样本数据进行训练，以确定神经网络模型。训练样本数据是一定数量的特征向量（W，X，Y）及其对应车距L，这些对应车距L可以利用激光测距或者其他测距方法测量。在有足够的训练数据条件下，完成训练确定神经网络模型，即可用于车距估计。
2.4 车速计算
DSP定时读取GPS模块的位置信息，并根据上一时刻和当前的两个位置数据以及时间差计算速度值，这一区间平均速度值作为当前时刻速度v的近似估计。DSP读取GPS信息的时间间隔应当足够短，才能保证速度估计误差较小。
2.5 安全车距判定
《中华人民共和国道路交通安全法》规定，：车辆在高速公路上行驶，车速超过每小时100公里时，安全车距为100米以上；车速低于每小时100公里时，安全车距不得少于50米。另据交管部门解释，当机动车时速为60公里时，行车间距应为60米以上；时速为80公里时，行车间距为80米以上，以此类推。因此本文基于上述安全车距规定，定义安全车距Ls和时速v的关系如下式表示：
Ls= （1）
安全车距Ls的单位为米，车速v的单位为千米每小时。
这样可以首先基于当前车速计算对应安全车距Ls，如果实际车距L大于等于Ls，则认为车距安全，否则判定为车距过小，向司机发出不安全报警。
3 结论
本文提出了一种基于计算机视觉原理的高速公路车距测量方法，该方法基于神经网络模型对图像中的车辆车牌位置、车牌宽度与车距的非线性关系进行建模。本文给出了基于计算机视觉的高速公路安全车距判定系统软硬件设计方案，包括分析了以DSP为核心的安全车距判定系统硬件组成结构和工作原理，并着重给出了高速公路安全车距判定的软件步骤和算法要点，提出了利用GPS信息和车牌图像信息进行危险车距判定的方法。
参考文献
[1]漆月.一种基于视频传感器的嵌入式车距测试系统[J].西南师范大学学报，2012，37（1）：104-107.
[2]史战果，张筱，吴迪，程帅，张秀彬.基于图像处理的车距测量算法[J].电气自动化，2011，33（5）：78-80.
[3]王荣本，李斌，储江伟，纪寿文.公路上基于车载单目机器视觉的前方车距测量方法的研究[J].公路交通科技，2001，18（6）：94-98.
[4]龙丹，许勇.基于数字图像处理的汽车测距算法研究[J].中国西部科技，2008（01）：36-39.
[5]阎莹，朱彤，曹林涛.面向交通安全的车辆间距测试技术研究[J].交通与计算机，2007，25（3）：106-109.
作者简介
吴锦锦（1982-），女，浙江省义乌市人。硕士学位。现为杭州汽车高级技工学校基础部讲师。主要研究方向为通信与计算机应用。
作者单位
杭州汽车高级技工学校基础部 浙江省杭州市 310011
发布评论