基于智能手机的车辆检测与车距测量

摘要

近年来，随着汽车保有量的增加，交通事故成为一个不得不重视的话题。汽车辅助驾驶系统(ADAS)，特别是车辆防碰撞预警系统和车道保持辅助系统也变得越来越重要。其中前车检测和车距测量是车辆防碰撞预警系统的关键模块。
　　在前车检测系统中，常见的传感器有高频雷达（毫米波）、超声波、红外激光雷达，摄像头等，每种传感器适应的场景不同，想要适应多种场景，汽车厂商和辅助驾驶系统提供商一般会融合多种传感器收集到的信息进行决策。由于基于视觉的前车检测系统成本低，信息丰富，且近年来计算机视觉领域的高速发展为其提供了技术基础，所以受到了越来越多相关领域研究人员的重视。
　　基于计算机视觉的车辆检测系统主要基于车辆的表面特征，比如对称性，颜色，纹理，阴影，几何特征，车灯等，之后通过模版匹配或者机器学习方法对图像进行检测。基于视觉的车距测量方法主要有双目视觉测距和单目视觉测距两种，鉴于双目视觉测距系统成本较高，计算复杂，目前单目视觉测距仍然是主流。
　　当前的辅助驾驶系统生产厂商会定制专门的硬件设备来实现车辆检测和车距测量，平台搭建费用很高，普及程度较低。本文的车辆检测和车距测量系统基于智能手机平台，包括Android和IOS两大主流平台，使用手机的摄像头录制的视频进行实时检测，大大降低了汽车辅助驾驶系统的使用成本，并且改进了车辆检测方法，使其能够适应多种复杂环境，包括阴雨天、城市道路、光线突变等，并且有效降低了系统的误检率，提高了准确度，使其有望得到普及。
　　为了兼顾实时性和准确度，本文系统采用两步前车检测技术，即寻找车辆假设区域和验证车辆假设区域。具体地，通过基于车道先验的两步阈值法提取车底阴影，通过筛选规则对阴影区域进行筛选从而得到车辆假设区域，之后利用基于haar-like特征的Adaboost方法来对车辆假设区域进行验证，最后通过视频流特征对误检进行剔除并对车辆进行跟踪。本文还结合摄像头透视几何关系，提出了基于车道消失点的单目视觉测距方法，使得只需用户提供摄像头高度信息即可达到对前车距离进行准确估算的目的，可以作为有效的危险预警手段。
　　实时性也是辅助驾驶系统的重要需求特性，该系统在保证准确率的同时，综合考虑了智能手机的特性，对该系统进行了优化，保证了系统运行的实时性。
　　实验结果表明该系统具有较高的准确度和较低的误检率，并且能够在智能手机上实时运行，在晴朗、阴雨以及城市道路、高速道路等多种环境下表现良好，能够有效地应用到车辆检测和车距测量等汽车辅助驾驶系统中。

目录

声明

摘要

1．1 课题背景

1．2 辅助驾驶系统概述

1．3 本文的工作

1．4 本文的组织方式

1．5 本章小结

第2章 车辆检测和车距测量相关技术概述

2．1 车辆检测

2．2 车距测量

2．3 本章小结

第3章 车辆检测模块

3．1．1 HOG+SVM方法

3．1．2 Haar-like+AdaBoost方法

3．1．3 深度学习方法

3．2 预处理

3．2．1 直方图均衡化

3．2．2 中值滤波

3．3 车辆假设区域

3．4 车辆假设区域验证

3．4．1 Haar-like特征

3．4．2 AdaBoost算法

3．4．3 训练和检测过程

3．5 后处理

3．6 本章小结

第4章 车距估算模块

4．1 常用的视觉测距方法

4．1．1 双目视觉测距方法

4．1．2 主流的单目视觉测距方法

4．2 针孔相机成像模型

4．3 基于透视几何的单目视觉测距方法

4．4 本章小结

第5章 车辆防碰撞预警系统的实现和测试

5．1 车辆防碰撞预警系统的平台和架构

5．2 车辆检测功能的实现

5．2．1 初始化

5．2．2 裁剪

5．2．3 车辆检测过程

5．2．4 车辆标注的平滑处理

5．3 车辆检测系统的测试

5．3．1 测试数据和场景介绍

5．3．2 测试结果和分析

5．3．3 系统总体运行效果展示

5．4 本章小结

第6章 总结和展望

参考文献

攻读硕士学位期间主要的研究成果

致谢