《智能汽車技術(shù)論文》由會員分享，可在線閱讀，更多相關(guān)《智能汽車技術(shù)論文（5頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、智能車輛基于雙目視覺系統(tǒng)障礙物識別的研究 張繼晨 （武漢理工大學(xué)汽車工程學(xué)院；汽研1202班；學(xué)號：1049721202240） 摘要：隨著汽車的普及，交通運輸問題日益嚴重，近年來人們對汽車的智能性的要求越來越迫切。與此同時，以實現(xiàn)無人、全自動和安全駕駛為最終目標的智能車輛今年來發(fā)展較為迅速，其關(guān)鍵技術(shù)之一是目標障礙物自動識別。本文主要探討利用雙目視覺目標識別技術(shù)，來進行車輛前方障礙物的自動識別。此外指出任何一種有效的障礙物檢測系統(tǒng)不能只依靠單一傳感器進行環(huán)境感知,因此利用多種傳感器信息融合技術(shù)檢測智能車輛前方障礙物,是未來該領(lǐng)域的研究重點與難點。 關(guān)鍵詞：智能汽車；雙目視覺；障礙物識

2、別；信息融合 The Study of Obstacle Detection Technology Based on Binocular Stereovision for Intelligent Vehicle Zhang Jichen (School of Automobile Engineering, Wuhan University of Technology, Class: 1202, Number: 1049721202240) Abstract: With the popularization of the vehicle, traffic problem has incr

3、easingly become a hot problem. In recent years, people are expecting a type of cars which can be intelligent. At the same time, the realization of completely automatic and safe driving intelligent vehicles is a new rapidly developed research area in recent years, and the key technology of it is auto

4、matically detect the obstacles. This article mainly aims at automatically detect the obstacles in front of the vehicle by use of the binocular stereovision obstacle detection technology. In addition, the obstacle can not be detected based on only one kind of sensor, many kinds of information from di

5、fferent sensors must be employed. So the research focus in obstacle detection for intelligent vehicles is located at multi-sensors data fusion. Key words: intelligent vehicle; binocular stereovision; obstacle detection; data fusion 引言 目標識別技術(shù)作為圖像理解領(lǐng)域研究的一個重要分支，是利用計算機自動分析和提取原始圖像中的前景信息，也就是模糊識別、數(shù)據(jù)處理

6、等理論，模仿人的視覺系統(tǒng)感知外部世界各種形狀的一項技術(shù)。 人類通過視覺感知外部世界,主要是從不斷變化景物中提取各類目標的形狀、顏色、運動狀態(tài)等信息,準確的說人眼獲取和處理的視覺信息相當(dāng)于兩個視覺傳感器對同一景區(qū)進行連續(xù)拍攝得到的雙目視頻序列,基于雙目視覺的目標識別是對人眼視覺系統(tǒng)認識和學(xué)習(xí)外界的一個更為真實的模擬。 建立基于雙目的計算機視覺系統(tǒng)，能夠?qū)崿F(xiàn)車輛在行駛過程中對靜態(tài)和動態(tài)障礙物的自動檢測和識別，以及對道路標志線的自動檢測和識別，確定車輛與道路的相對位置以及車輛與障礙物的相對位置和相對速度。實時的為智能駕駛輔助系統(tǒng)提供外界環(huán)境信息輸入。 總之,本文以智能駕駛中的障礙物識別為應(yīng)用方

7、向,以車輛行駛中雙目傳感器采集的圖像對為處理內(nèi)容,車輛的行駛背景為日常生活的真實場景,可能包含復(fù)雜背景的路況,通過對雙目圖像信息進行目標提取,為駕駛員或無人駕駛車輛提供潛在的障礙物信息,達到提前預(yù)警的目的，而且對智能駕駛系統(tǒng)和機器人導(dǎo)航的進一步開發(fā)是極為有意義的。 1. 基于視覺系統(tǒng)障礙物識別研究現(xiàn)狀 1.1 基于視覺的智能車輛發(fā)展歷程 基于視覺的智能車輛是在汽車上安裝攝像鏡頭，利用計算機視覺技術(shù)，模仿人眼視覺機理，通過處理攝像鏡頭捕捉的圖像，獲得引導(dǎo)信息，視覺引導(dǎo)有許多優(yōu)勢，它不必在道路上增加設(shè)施，能適合來往車輛、行人、臨時設(shè)施等不可預(yù)先建模確定的隨機障礙物，與 GPS 電子引導(dǎo)技術(shù)相

8、結(jié)合，可以滿足智能車輛全天候的絕大部分需求。90 年代以來，視覺引導(dǎo)技術(shù)與 DGPS 技術(shù)的發(fā)展，大大加速了智能車輛的研究。 在歐洲，早在 1987 年奔馳公司和德國國防軍大學(xué)聯(lián)合研制了 VAMORS 系列自動駕駛汽車。在隨后幾年不斷對其進行創(chuàng)新使其具備了超車換道功能和對多種氣象條件的適應(yīng)能力，其核心是運行于BVV上的視覺導(dǎo)航系統(tǒng)。法國帕斯卡大學(xué)自動化與電子材料科學(xué)實驗室與法國D.R.A.S雪鐵龍(Citroen)技術(shù)中心合作研制Peugeot系統(tǒng)，其視覺系統(tǒng)使用單攝像機實時檢測并跟蹤道路白線，采用高斯濾波和平均值計算確定灰度標準方差，利用梯度計算確定車道線的右 (或左)邊緣，同時選擇多項式

9、函數(shù)建立軌跡模型，利用時空光滑方法降低噪聲和提高魯棒性。 在美國，卡內(nèi)基米倫大學(xué)（CMU）與多家汽車公司研制Navlab系列車，采用了快速自適應(yīng)車體定位處理器——PALPH視覺系統(tǒng)。該系統(tǒng)采用視覺窗口技術(shù)，僅處理感興趣區(qū)域的局部信息。 在中國，國防科技大學(xué)研制的CITAVT—Ⅲ自動駕駛汽車，能進行方向、速度控制，完了成校園環(huán)境的低速無人駕駛試驗，其特色是視覺系統(tǒng)采用A110DSP自行開發(fā)的圖像處理系統(tǒng)。清華大學(xué)研制THMR-V試驗車，是小型商務(wù)車，能夠進行方向、速度控制，完成高速公路場景錄像仿真。 1.2 視覺研究的歷史與現(xiàn)狀 從信息處理的角度來搞清楚視覺形成的機理，研究其計算理論與算

10、法，以使計算機實現(xiàn)人的視覺識別能力，是人類在基礎(chǔ)研究與應(yīng)用中面臨的最重大的挑戰(zhàn)之一。計算機視覺的歷史不長，它是伴隨著計算機科學(xué)與技術(shù)產(chǎn)生和發(fā)展起來的，大致可以分為兩個階段： 早期階段（1965-1976），計算機視覺研究集中在積木世界或線條圖范圍，這通常是指那些以平面為表面的多面體的世界。那時的計算機視覺系統(tǒng)都是自底向上結(jié)構(gòu)的，直接取決于低層次視覺的處理，因而研究工作集中在線條和邊界的抽取和區(qū)域劃分上。 近期階段（1976--），Marr的視覺計算理論立足于計算機科學(xué)，是迄今為止最系統(tǒng)化的視覺理論，Marr的理論的出現(xiàn)使得80年代的計算機視覺的研究與以前相比有顯著不同。主要表現(xiàn)在研究內(nèi)容和

11、方向集中在與人類視覺系統(tǒng)中的感知獨立模塊相對應(yīng)的課題上，也就是根據(jù)影調(diào)、運動、立體、輪廓、紋理等線索恢復(fù)物體表面的形狀。這些研究極大地深化了計算機視覺的研究。 2. 雙目視覺相關(guān)知識 雙目立體視覺的基本原理是利用兩臺參數(shù)性能相同、位置固定的攝像機,從兩個視點觀察同一景物,以獲得在不同視角下的兩幅圖像,通過成像幾何原理計算圖像像素間的位置偏差(視差),從而確定三維空間點的深度信息。這一過程與人類視覺的立體感知過程是類似的。 2.1 雙目視覺原理 人靠雙眼去觀察現(xiàn)實場景中的三維物體，兩個眼球之間的距離稱為眼基線。所謂雙目視差，就是當(dāng)我們?nèi)ビ^察同一個三維場景時，三維場景中的點在我們左、右兩視

12、網(wǎng)膜上的成像會產(chǎn)生一個生理上的視差，這個視差就稱為雙目視差。雙目視差反映了物體的深度信息，這個信息經(jīng)過大腦的加工，使人們有深度的感知。雙目立體視覺就是模仿人的眼睛，運用類似于人眼的兩個攝像機對同一物體進行拍攝，獲得立體像對，然后利用各種算法對同名點進行匹配，計算出兩幅圖像的視差，最后恢復(fù)出場景的深度信息。 圖2.1表示的是用左、右兩攝像機觀察同一物體時的情形。物體上的點發(fā)出光線經(jīng)過透鏡中心與圖像平面相交于點，也就是說物體上點在左攝像機中的成像點為。相反，如果已知左圖像平面上一點和左透鏡中心就可以得出唯一的一條射線，所有成像點為的物體上的點都在射線上。與此同時，如果我們可以找到該物體上點在右攝

13、像機上的成像點為，那么根據(jù)點與右透鏡中心確定了第二條射線，則左右兩條射線的交點即為物體上的點。因此，在左右兩攝像機幾何位置確定的情況下，獲得物體在空間的位置并不困難，利用三角原理即可。射線上任意一點在右攝像機中的成像點都在直線上，這條直線稱為外極線。同理，上任意一點在左攝像機中的成像點也形成了一條直線，即外極線。因此，在任一空間點在某攝像機中的成像點已知的情況下，要尋找該空間點在另一幅圖像平面中的對應(yīng)點，只需搜索該圖像平面中的外極線即可。 圖（2.1） 圖（2.2）表示的是雙目立體視覺理想模型，左、右攝像機的光軸平行，且攝像機的水平掃描線位于同一平面。坐

14、標原點、分別為左、右攝像機透鏡光軸與圖像平面的交點，空間點在左圖像平面中的成像點相對于坐標原點的距離為，在右圖像平面中的成像點相對于坐標原點的距離為，則空間點在左、右圖像平面中成像點的位置差-稱為視差。 由幾何關(guān)系可推導(dǎo)出： （2-1） （2-2） 聯(lián)立式（2-2）、（2-1），可得 （2-3） 代入式（2-1），可計算出點到透鏡中心的距離為 （2-4） 其中，表示透鏡的焦距，表示兩透鏡中心間的距離，即基線。因此，當(dāng)攝像機的幾何位置確定后，視差-只與物體上點到透鏡中心的距離有關(guān)。視差越大，表示物體離透鏡的距

15、離越小；反之，視差越小，表示物體離透鏡的距離越大。物體與圖像平面的距離即為三維信息中的深度信息，式（2-4）直接將視差與深度信息聯(lián)系起來了。 圖（2.2） 2.2 視差圖與深度圖 在立體像對中，一對對應(yīng)點和在同一行掃描線上，因此它們的坐標滿足： （2-5） 其中，即這對對應(yīng)點的視差，不同點對間的視差一般也不同。圖像中所有點的視差就構(gòu)成了視差圖。為得到參考圖像的視差圖，通常將雙目圖像序列中的一幅作為參考圖像，另一幅圖像作為待匹配圖像。 上文中我們知道已知給定空間點的深度值，就可以計算出該點的視差值，反過來，已知視差值也可以計

16、算出空間點的深度值，它們兩者之間具有一一對應(yīng)的關(guān)系，立體匹配中使用視差圖和深度圖兩種方式表達也正是因為它們之間存在轉(zhuǎn)換關(guān)系。 3. 雙目視覺系統(tǒng)的技術(shù)難點及解決方法 目前，不少智能車輛系統(tǒng)都采用了雙目立體視覺系統(tǒng)作為障礙物的主要檢測方法,但比較成功的算法都十分復(fù)雜。車輛在行駛過程中，在速度域上具有極高的行駛速度，這樣就要求計算機圖像幀間處理要前后連貫、預(yù)測準確；而幀內(nèi)處理要求簡潔快速，充分利用多分辨率的方法，來簡化處理過程，滿足車輛實時運動的要求，保證安全駕駛。作為智能車輛實現(xiàn)自主駕駛的關(guān)鍵技術(shù)之一的車道與障礙物檢測的算法是圖像處理與模式識別等技術(shù)的綜合集成，并通過大規(guī)模并行計算機硬件控制

17、系統(tǒng)得以實現(xiàn)，為了進一步簡化立體視覺檢測的固有復(fù)雜性，就要采用假設(shè)條件。 目前有一種非常有前景的解決問題的方法就是反轉(zhuǎn)透視法，透視效果是在視覺圖像采集過程中獲得的。反轉(zhuǎn)透視圖法是指從圖像中去除透視效果的一種幾何變換。早期的視覺中，圖像被認為是像素的集合，每個像素都被賦予了不同的信息內(nèi)容，這樣就必須考慮透視效果。根據(jù)像素在圖像上的位置，對每個像素做不同的處理，這樣使得低級處理效率很低，SIMD系統(tǒng)是對圖像的每個像素執(zhí)行單指令多數(shù)據(jù)流的操作算法。采用逆透視投影變換來檢測障礙物,視差并沒有直接用來檢測障礙物,而是將左右兩幅圖像都進行逆透視變換,這樣地面上的點在變換后的圖像里沒有視差,而由于障礙物高

18、出地面,則會在變換后的兩副圖像里存在較大的差異。因此只要簡單的將兩副逆透視后的圖像求相關(guān),值很小的部位就對應(yīng)著障礙物。這種方法尤其對紋理較少的圖像(如路面占較大的面積)較合適,它的優(yōu)點在于不需要在一個區(qū)域里用復(fù)雜的方法來查找點點匹配,而只需要看逆透視變換后的圖像里相同位置的像素點的相關(guān)值,這就大大減少了處理的數(shù)據(jù)量,提高了檢測系統(tǒng)的實時性。 對于結(jié)構(gòu)化道路下的障礙物檢測,也有采用線性攝像機構(gòu)建的立體視覺系統(tǒng),這對減少數(shù)據(jù)量和提高計算深度的靈敏度很有好處。但因為它只要一維的信息,像素點的匹配和攝像機的標定就顯得更困難。用神經(jīng)網(wǎng)絡(luò)的方法可以實現(xiàn)線性相機體視的匹配工作,采用Hopfield網(wǎng)絡(luò)的能

19、量函數(shù)來實現(xiàn)優(yōu)化而不是通常的標準互相關(guān)。 4. 總結(jié)與展望 對于智能汽車障礙物的檢測方法很多，有基于機器視覺的，如雙目立體視覺法、三目立體視覺法、彩色機器視覺法；還有基于非機器視覺的方法，如激光雷達法、結(jié)構(gòu)光法、毫米波雷達法、光流法的。 基于任何一種測距技術(shù)的障礙物檢測方法都有其優(yōu)點和缺點,自主車的障礙物檢測目前還沒有一種令大家都感到非常滿意的解決方案。立體視覺測障是目前的研究熱點之一,但它的匹配問題始終未能得到滿意的解決。三維激光雷達體積笨重,價格昂貴,但相對廉價的二維激光測距雷達的存在又為智能車的距離感知和障礙物檢測多了一種很好的選擇。顏色信息雖然很少被引用到自主導(dǎo)航領(lǐng)域里來,但也為

20、障礙物的檢測提供了一種有效的方法,拓寬了機器視覺在模式識別領(lǐng)域的應(yīng)用。毫米波雷達具有不受惡劣天氣干擾的優(yōu)點,但是分辨率和精度都太低,不能滿足自主車檢測小障礙物的要求。 總而言之，智能汽車障礙物的識別是一個綜合的過程，要想讓車輛自主有效的進行環(huán)境感知檢測障礙物僅僅依靠雙目視覺系統(tǒng)是不行的，正如司機駕駛車輛，僅靠眼睛是不能感知全部的車輛周圍環(huán)境信息的。因此，利用多種傳感器信息融合技術(shù)檢 測智能車輛前方障礙物正獲得廣泛應(yīng)用，例如雙目視覺系統(tǒng)和激光雷達測距的結(jié)合能夠大大提高智能車對障礙物的感知能力。多傳感器信息融合技術(shù)具有獲得信息量豐富、檢測魯棒性及正確率高、應(yīng)用范圍廣等諸多優(yōu)點,也是將來環(huán)境感

21、知技術(shù)研究重點與難點之一。 障礙物檢測是智能車輛研究領(lǐng)域中的研究熱點,是環(huán)境感知研究中的重要內(nèi)容。雖然我國在智能車輛自主導(dǎo)航技術(shù)方面與世界發(fā)達國家存在一定差距,但只要我們勇于創(chuàng)新,不斷進行深入、細致的研究,必會在該領(lǐng)域跟蹤并趕超世界先進水平,為我國在智能車輛領(lǐng)域提供理論指導(dǎo)和技術(shù)支持。 參考文獻： [1] A.布洛基，M.布圖茲，A.法斯莉，G.康特. 智能車輛——智能交通系統(tǒng)的關(guān)鍵技術(shù)[M]. 北京：人民交通出版社，2002. [2] 陸化普. 智能運輸系統(tǒng)[M]. 北京：人民交通出版社，2002. [3] 李宇. 基于雙目視覺的障礙物識別研究[D]. 武漢：武漢理工大學(xué)，2007. [4] 崔艷茹. 基于雙目視覺的障礙物識別與重建[D]. 南昌：南昌航空大學(xué)，2012. [5] 王榮本，趙一冰等. 智能車輛障礙物檢測研究方法綜述[J]. 公路交通科技，2007年，第24卷：109—113. [6] 李彩華. 智能車輛雙目視覺系統(tǒng)的研究與設(shè)計[D]. 長 春：吉林大學(xué)，2004. [7] 楊振宇，黃席樾等. 一種新的智能車輛前方障礙物識別方法研究[J]. 計算機應(yīng)用與軟件，2010年，第27卷：17—19.