CN101941438A - 安全车距智能检控装置与方法 - Google Patents

Abstract

一种汽车工程中的控制技术领域的安全车距智能检控装置与方法。装置包括：双目针孔摄像头、信号处理器、车速操控机构、语音提示器，双目针孔摄像头的输出接口分别通过视频电缆与信号处理器的两个图像输入接口连接，信号处理器的输出接口分别与车速操控机构的输入接口和语音提示器的输入接口并行连接；方法为自动检测与前方车辆的车距，根据自身车辆的速度准确控制应该保持的安全车距，本发明根据当前车速与车距，实时、准确地进行减速直至刹车，因此能够有效避免车辆追尾等交通事故的发生。实施结果统计数据表明：能够将车辆追尾事故降低95％以上。

Description

安全车距智能检控装置与方法

技术领域

本发明涉及的是一种汽车工程中的控制技术领域的装置与方法，具体是一种安全车距智能检控装置与方法。

背景技术

前后车辆保持一定车距是安全驾驶必须注意和掌握的问题，尤其是在高速公路上行驶的汽车。但是，如果全靠驾驶员来控制安全车距明显存在如下致命的弱点：

(1)依靠目测很难把握准确车距；

(2)在高速公路上，对于一般的驾驶员来说，绝对不可能做到：能够根据车辆的当前车速准确“心算”出应该与前车保持最佳的安全距离；

(3)受驾驶经验、驾驶心理等因素的影响，都有可能会造成对安全车距的疏忽而失控。

为了解决此类问题，当前已有超声波、毫米波雷达、激光等技术被应用于车载系统以解决车辆对前方物体的测距问题。就现有技术而言，超声波测量距离较短；毫米波雷达在电磁波干扰情况下对测距影响较大；点激光测点少，成像式激光技术又过于复杂，经济成本太高；因此造成这些技术的推广受到一定的限制。

经对现有技术文献的检索发现，李睿的“室内移动机器人导航技术的研究”(大庆石油学院硕士学位论文，2006)利用超声波传感器、碰撞传感器、步进电机及其控制芯片Ta8435联合制作开发了移动机器人实验平台，并利用模糊控制和模糊神经网络技术对室内移动机器人导航中的模糊控制避障和模糊神经网络路径跟踪作了MATLAB仿真研究。必须指出，该技术思路在机器人导航技术方面是可行的，但是它受超声波工作距离、计算速度及成像结构的局限，根本无法适用于行驶状态下车辆对前方车距的实时检测。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种安全车距智能检控装置与方法，确保车辆在行驶过程，能够自动检测与前方车辆的车距，根据自身车辆的速度准确控制应该保持的安全车距。一旦前方车辆出现突发事件，如因某种原因急刹车，自身车辆能够根据当前车速与车距，实时、准确地进行减速直至刹车，避免发生车辆追尾等交通事故。

本发明是通过以下技术方案实现的：

本发明涉及一种安全车距智能检控装置，包括：双目针孔摄像头、信号处理器、车速操控机构、语音提示器，双目针孔摄像头的输出接口分别通过视频电缆与信号处理器的两个图像输入接口连接，信号处理器的输出接口分别与车速操控机构的输入接口和语音提示器的输入接口并行连接。

所述的双目针孔摄像头，包括：左目摄像头和右目摄像头，设置于左侧前照灯内侧边缘的针孔摄像头被称之为左目针孔摄像头，设置于右侧前照灯内侧边缘的针孔摄像头被称之为右目针孔摄像头。左目摄像头和右目摄像头分别与信号处理器的两个输入接口相连，将各自采集到的道路景物图像模拟信号分别经视频电缆输送至信号处理器。

所述信号处理器，包括：第一图像输入接口、第二图像输入接口、第一模数转换模块、第二模数转换模块、图像处理模块、车速信号输入接口、输出接口。其中：第一图像输入接口的输入端经视频电缆与左目摄像头输出接口相连，第二图像输入接口的输入端经视频电缆与右目摄像头输出接口相连，两个图像输入接口的输出端分别与第一、第二模数转换模块的输入端连接，两个模数转换模块的输出端口分别与图像处理模块的输入端口连接；车速信号输入接口的输入端与车辆速度传感器的输出接口连接，车速信号输入接口的输出端与图像处理模块的输入端口连接。所述的车辆速度传感器，利用车辆已有的车辆数字速度传感器。

所述车速操控机构，包括：输入接口、第一数模转换器、功率放大器、电磁阀和电动刹车推杆。其中，输入接口与第一数模转换器的输入端口连接，第一数模转换器的输出端口与功率放大器的输入端口连接，功率放大器的输出端口同时与电磁阀线圈的两个端点及电动刹车推杆线圈的两个端点相并接；电磁阀线圈套在电磁铁芯的外面，电磁线圈受电时通过电磁铁芯产生磁力对阀门产生磁性吸力，随着加在电磁线圈两端点电压信号的大小变化，电磁铁芯的磁性吸力同时产生相应的变化，电磁铁芯的磁性吸力作用于阀门、拉动阀门以改变阀门的开度，阻力弹簧是一种拉伸弹簧，阀门在电磁铁芯磁性吸力拉动的同时，阻力弹簧也同时受到拉伸，因此产生一个与电磁铁芯磁性吸力相反的弹性力，当电磁铁芯磁性吸力和阻力弹簧弹力达到平衡时，阀门就被停止拉动，即阀门开度与加在电磁线圈两端点电压相对应。

所述电动刹车推杆，包括：电刹车线圈与电磁推杆，电刹车线圈套装在电磁推杆的一端，电磁推杆的另一端与脚踏刹车杆杠机构连接，当电刹车线圈受电时，电刹车线圈所产生的电磁场对套装在电刹车线圈内的推杆产生轴向机械推力，该轴向机械推力作用在脚踏刹车杆杠机构的电动推杆作力点上，通过杆杠机构起到与脚踏刹车同样的效果使车辆自动刹车。

所述语音提示器，包括：输入接口、译码器、数字语音模块、第二数模转换器、功率放大模块、扬声器；其中：输入接口的输出端与译码器的输入端口连接，译码器的输出端口与数字语音模块的输入端口连接，数字语音模块的输出端口与第二数模转换器的输入端口连接，第二数模转换器的输出端口与功率放大模块的输入端口连接，功率放大模块的输出端口与扬声器的输入端口连接。当语音提示器的输入接口接收到控制指令后，经过译码器的解释，链接数字语音模块中的相关语音单元，将链接后的语音单元序列依次输至第二数模转换器转换为语音模拟信号，再将语音模拟信号输至功率放大模块经功率放大后驱动扬声器发出相应的语音，如：控制指令“01100100”输出至语音提示器时，语音提示器就会实时地向驾驶员警示“前方车距小于安全车距100m”。

本发明当车辆正常行驶中，车速操控机构的电磁阀处于全开状态，即开度为100％；当本发明识别前方车距小于安全车距时，电磁阀线圈在输入电压信号的作用下，电磁铁产生相应磁力拉动阀门减小其原有开度，因此减小了燃料的流量，迫使车辆减速；同时，电动刹车推杆线圈也在该输入电压信号的作用下，对推杆产生轴向推力通过杆杠机构的力矩传递带动脚刹车迫使车辆逐渐减速并最终停止下来。

本发明第一、第二图像输入接口分别从左、右目摄像头输出接口接收图像模拟信号后，将两个图像模拟信号分别送入信号处理器中的第一、第二模数转换模块的输入端，第一、第二模数转换模块再将转换后的数字图像信号分别输至信号处理器中的图像处理模块；车辆速度传感器的输出信号经车速信号输入接口输入至图像处理模块。信号处理器对双目针孔摄像头采集到的两幅图像实时进行处理，通过识别方法来确定当前车辆与前方车辆的距离；一旦车距小于安全值，信号处理器会实时地将识别结果生成控制指令由其输出接口输出；在控制指令的作用下，通过车速操控机构自动使车辆减速并能够准确以一种新的行驶速度保持与前方车辆的距离。同时，通过语音播放器和数字显示器向驾驶员警示，注意前方车辆，使得驾驶员能够实时了解情况。在极端情况下，如前方车辆急刹车，本发明技术能够控制车辆实时刹车，有效避免追尾事故的发生。

本发明还涉及一种安全车距智能检控方法，包括步骤如下：

步骤一、收集建立车辆背景图像作为模板数据库，并在信号处理器中建立车辆背景模板数据库；

步骤二、对车辆前方景物图像进行实时采集；

步骤三、对前方车辆进行快速识别运算；

步骤四、判定前方车辆所处车道，判定前方车辆包括压线行驶车辆所处车道，区分与自身车辆是否处于同一行车道上；

步骤五、继续实时地进行自身车辆与前方车辆的间距计算，监视一旦识别出前方车辆与自身车辆同处一个车道，则执行步骤六；否则执行步骤七；

步骤六、车距控制；

步骤七、重复步骤二到步骤六的循环过程。

步骤二中所述的实时采集是以车载双目视感系统实时采集车辆前方景物图像，获得合成后的车辆前方实时图像，并主视场图像按照最有利于分析和运算的大小规格截取观测窗口，该窗口的选取使得运算能够集中对车辆行驶车道前方30～200m距离内的车辆进行识别。所述“合成”，即在信号处理器中对所接收的左、右两幅数字图像进行透视变换，将其恢复到同一个透视关系上，获得两幅图像形状一致的公共部分，并使得两幅图像在非重叠部分具有良好的形状平滑连续性，再将两幅图像根据公共部分重合原则进行拼接。

所述“视感”，简单地说，就是视图感知的简称，具有视感功能的系统被称为视感系统。

步骤三中所述的快速识别运算是指：设定模板的大小为w×h，w、h分别为模板的列、行数；主视场观测窗口的大小为W×H，W、H为窗口的列、行数；

每一次选取模板数据库中的一个模板对观测窗口图像进行匹配运算，通过模板匹配运算，判定前方是否存在车辆；

由于主视场观测窗口已经比整个视图大为缩小，对目标的搜索不必从视图的左上角像素点(0，0)逐一开始计算，因此速度被提升了一个数量级。每次匹配过程，均采用粗匹配和细匹配相结合的方法进行搜索，即粗匹配阶段使用较大的步长跳跃计算若干个相似度，让以后在粗匹配的最佳匹配位置附近进行常规的细匹配，因此能够提高匹配的速度。同时，还引入随机走位方法，即在离开搜索起点的距离进行变步长的跳跃同时，搜索的位置也可能是上下左右轮番进行，走位从起点开始交错展开，纵横捭阖。所述相似度，即采用模板对观测窗口图像进行匹配的相似度。

步骤四中所述的判定前方车辆所处车道，即判定前方车辆所处车道的目的在于区分与自身车辆是否处于同一行车道上(包括压线行驶车辆)，包括：

(1)针对实时采集到的图像进行旋转变换，以便克服因为道路颠簸不平所造成的图像不正现象。

(2)当车载视感系统在主视场观测窗口内采用w×h模板寻找到匹配区域时，通过模板匹配区域计算前方车辆的行投影中心。所述行投影中心的计算方法是，对匹配区域作一根水平线相交于左、右边缘两个交点(i_l，j_l)和(i_r，j_r)；作两个交点连线的垂直平分线；则该垂直平分线与横坐标轴的交点即为前方车辆的行投影中心M，且

$M(i,j)=(i_l-\frac{i_l-i_r}{2},0)$ (公式一)

(公式一)中的i、j分别代表观测窗口图像的横轴和纵轴坐标。

(3)对旋转变换后图像进行二值化，因此能够将行车道标志线(简称“行标线”)被突显出来。

(4)继续对二值化图像进行“骨架化”处理。所谓“骨架化”处理，是数学形态学方法的一种，即在进行“腐蚀”过程掌握一定宽度，使得“腐蚀”结果保留被识别特征块的“骨架”。

所述数学形态学的数学基础和所用语言是集合论，数学形态学能够简化图像数据，保持它们基本的形状特性，并除去不相干的结构。数学形态学是由一组形态学的代数运算子组成的，它的基本运算有4个：膨胀、腐蚀、开启和闭合。数学形态学分为二值形态学和灰度形态学两大类，它们在二值图像和灰度图像中各有特点。运用于二值图像的形态学称为二值形态学，运用于灰度图像的形态学称为灰度形态学。基于这些基本运算还可推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等。数学形态学的算法具有天然的并行实现的结构，实现了形态学分析和处理算法的并行，大大提高了图像分析和处理的速度。

所述结构，是在数学形态学方法中用于收集图像的信息的“探针”。当探针在图像中不断移动时，考察图像各个部分之间的相互关系，了解图像的结构特征。作为探针的结构元素，可直接携带知识，如：形态、大小，甚至加入灰度和色度信息，来探测、研究图像的结构特点。

所述膨胀运算，是指将与某物体接触的所有背景点合并到该物体中的过程，过程的结果是使物体的面积增大了相应数量的点。如果物体是圆的，它的直径在每次膨胀后将增大两个像素；如果两个物体在某一点的任意方向相隔少于三个像素，它们将在该点连通起来。二值形态学中的膨胀运算对象是集合，用二值结构元素对二值图像进行膨胀结果就是把结构元素平移后使两者交集非空的点构成一个新的集合。灰度形态学是二值数学形态学对灰度图像的自然扩展。灰度形态学的运算对象不是集合，而是图像函数。在灰度形态学中，二值形态学中用到的交、并运算将分别用最大、最小极值运算代替。灰度图像的膨胀过程可直接从图像和结构元素的灰度级函数计算出来，膨胀运算的计算是一个点一个点的进行，计算时涉及到它周围点的灰度值及结构元素值，实际上是局部范围内点与结构元素中对应点灰度值之和，选取其中最大值，所以膨胀运算之后，边缘得到了延伸。

所述腐蚀运算，简单的腐蚀是消除物体的所有边界点的一种过程，其结果是使剩下的物体沿其周边比原物体小一个像素的面积。如果物体是圆的，它的直径在每次腐蚀后将减少两个像素，如果物体在某一点处任意方向上连通的像素小于三个，那么该物体经过一次腐蚀后将在该点处分裂为二个物体。用二值结构元素对二值图像进行腐蚀结果就是把结构元素平移后使二值结构元素包含于二值图像所有的点构成一个新的集合。灰度图像的腐蚀过程同样可直接从图像和结构元素的灰度级函数计算出来，腐蚀运算也是一个点一个点的进行，某点的运算结果是它在一个局部范围内点与结构元素中的对应点灰度值之差，选取其中最小值。可见经腐蚀运算后，边缘部位相对大点的灰度值会降低，从而边缘会向灰度值高的区域内收缩。

所述开启运算，先腐蚀后膨胀的过程称为开启运算。它具有消除细小物体、在纤细处分离物体和平滑较大物体边界的作用。

所述闭合运算，先膨胀后腐蚀的过程称为闭合运算。它具有填充物体内细小空洞、连接邻近物体和平滑边界的作用。

(5)对前方车辆行车道进行确认，通过被模板匹配区域的下边缘做一水平线，求其与两侧行标线的交点a和b。将中心点M的i轴坐标M(i)与交点a和b的i轴坐标进行比较。

令，a和b的i轴坐标分别为a(i)＝i_a和b(i)＝i_b；若

$i_b<i_l-\frac{i_l-i_r}{2}<i_a$ (公式二)

即b(i)＜M(i)＜a(i)    (公式三)

则表明：前方车辆与自身车辆同处一个车道上；若

$i_l-\frac{i_l-i_r}{2}>i_a$ (公式四)

即M(i)＞a(i)    (公式五)

则表明：前方车辆处于左侧行标线的左边，即左侧车道上；若

$i_l-\frac{i_l-i_r}{2}<i_b$ (公式六)

即M(i)＜b(i)    (公式七)

则表明：前方车辆处于右侧行标线的右边，即右侧车道上。

必须指出，若通过被模板匹配区域的下边缘做一水平线，暂时未求得其与两侧行标线的交点a和b，则紧接着采用下一时刻采集到的实时图像，重复步骤二至步骤四的过程，必然能够重新求得水平线与两侧行标线的交点a和b，并进行相关运算，实现对前方车辆所处行车道的确认。也就是说，利用车辆的行驶过程实时所采集的图像能够克服“行标线”断点对寻求“交点a和b”运算的影响。

步骤五中所述的计算车距，首先利用外极线约束原理快速确定被匹配目标上任意一个公共特征点，再根据寻找到的公共特征点在虚成像平面上的对应点P_l和P_r，应用视差原理直接计算该公共特征点与自身车辆的距离。

一旦识别出前方车辆与自身车辆同处一个车道后，本发明装置系统继续实时地进行自身车辆与前方车辆的间距计算，即车距计算。

首先利用外极线约束原理快速确定被匹配目标上任意一个公共特征点，再根据寻找到的公共特征点在虚成像平面上的对应点P_l和P_r，应用视差原理直接计算该公共特征点与自身车辆的距离。

所述外极线约束，即外极线几何约束，就是指左视(或右视)图像上的任一点，在右视(或左视)图像上的对应点只可能位于一条特定的直线上，称为右外极线(或左外极线)。这个约束原则极大地降低了待验证的可能匹配点对的数量，把一个点在另外一幅图像上可能匹配点的分布从二维降低到了一维，因此可以降低计算量、提高识别运算的速度。根据上述原则，从两幅或者多幅的二维图像来重建三维图像时，通常采用“外极线”约束原则对两幅图像上的景物投影点是否匹配进行判断。可以说，极线约束是寻找左、右视图中两个对应点的基本理论依据。

所述虚成像平面，就是指归一化虚成像平面，即抛开了光学成像的物理概念，而是将成像平面建立在位于镜头前方单位焦距处的一个虚拟位置上。与针孔摄像机物理成像平面相比，其优点在于：

(1)采用了实际的距离单位而不是像素，排除了在多目视感系统中可能因为采用不同图像传感器、镜头焦距和图像分辨率等参数而造成标定和计算上的困难。

(2)由于光轴通过坐标系的原点，因此没有物理成像平面的光轴和原点偏离的问题。

(3)由于归一化，因此便利了矩阵系统的运算，承担了变换的中介角色。

(4)归一化虚成像平面上的成像点在摄像机坐标系中的坐标(x，y，1)即为二维坐标p(x，y)的齐次坐标。将物点投影到归一化虚成像平面上可以看作对二维齐次坐标的规范化。

(5)如果将成像平面建立在并不存在的镜头前的虚成像平面上，解决了数学模型不直观的问题，因而简化了问题的讨论方式，又保证了讨论问题的准确性。

步骤六中所述的车距控制，包括：

(1)当前方车辆与自身车辆同处一个车道上，必须控制车速以保持安全距离。此时，车载视感系统利用车速智能联动控制装置，即信号处理器会实时地将识别结果生成控制指令由其输出接口输出；在控制指令的作用下，通过车速操控机构自动使车辆减速并能够准确以一种新的行驶速度保持与前方车辆的距离，即安全车距S可以按照下式计算

$S=\frac{V^2}{2\left|a\right|}$ (公式八)

(公式八)中，V为自身车辆当前车速，a为负加速度。

当车载视感系统不具备车速智能联动控制装置时，安全车距S的控制则要考虑人为反映滞后因素，即

$S=\frac{V^2}{2\left|a\right|}+\mathrm{V\&tau;}$ (公式九)

(公式九)中，τ为认为人为反映滞后时间，一般取τ＝3s。

(2)当前方车辆与自身车辆分处相邻两个车道时，包括：前方车辆分别处于左、右两侧车道时，车载视感系统将实施自动监控算法。根据车距检测已经获知被检测车辆与自身车辆的距离，一旦出现这些车辆因变道而进入自身车辆所处车道时，就可以根据前方车辆同处一个车道的安全车距控制策略算法进行处理。

本发明凭借一种安全车距智能检控装置与方法，能够自动检测与前方车辆的车距，根据自身车辆的速度准确控制应该保持的安全车距。一旦前方车辆出现突发事件，如因某种原因急刹车，自身车辆能够根据当前车速与车距，实时、准确地进行减速直至刹车，因此能够有效避免车辆追尾等交通事故的发生。

附图说明

图1为本发明系统结构示意图；

图2为本发明中双目针孔摄像头在汽车上的设置位置结构示意图；

图3为本发明信号处理器结构示意图；

图4为本发明的车速操控机构示意图；

图5为本发明语音提示器结构示意图；

图6为本发明左、右视图合成后的车辆前方主视场图像；

图7为本发明通过模板匹配区域计算前方车辆的行投影中心实例图；

图8为本发明对旋转变换后图像进行二值化结果实例图；

图9为本发明对旋转变换后图像进行二值化图；

图10为本发明对图像二值化后的“骨架化”图；

图11为本发明对前方车辆行车道进行确认示意图；

图12为本发明针孔摄像头几何模型及其虚成像平面图；

图13为本发明外极几何图；

图14为本发明视差原理示意图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1、2所示，本实施例涉及一种安全车距智能检控装置，包括：左目摄像头1、右目摄像头2、信号处理器3、车速操控机构4、语音提示器5。其中：左目摄像头1设置在车辆左前方远视灯内侧，右目摄像头2设置在车辆右前方远视灯内侧。左、右目摄像头1、2的输出接口分别与信号处理器3的第一、二图像输入接口相连，信号处理器3的输出接口与车速操控机构4的输入接口和语音提示器5的输入接口并行连接。

如图3所示，所述信号处理器3，包括：第一图像输入接口31、第二图像输入接口32、第一模数转换模块33、第二模数转换模块34、图像处理模块35、车速信号输入接口36、输出接口37；其中：第一图像输入接口31的输入端经视频电缆与左目摄像头1的输出接口相连，第二图像输入接口32的输入端经视频电缆与右目摄像头2的输出接口相连，两个图像输入接口31和32的输出端分别与第一、第二模数转换模块33和34的输入端连接，第一模数转换模块33的输出端口与图像处理模块35的第一输入端口连接，第二模数转换模块36的输出端口与图像处理模块35的第二输入端口连接；车速信号输入接口36的输入端与车辆速度传感器的输出接口连接，车速信号输入接口36的输出端与图像处理模块35的第三输入端口连接；图像处理模块35的输出端口即信号处理器3的输出接口37。

如图4所示，所述车速操控机构4，包括：输入接口41、第一数模转换器42、功率放大器43、电磁阀44和电动刹车推杆45。其中，输入接口41的输入端口与信号处理器3的输出接口连接，输入接口41的输出端口与数模转换器42的输入端口连接，数模转换器42的输出端口与功率放大器43的输入端口连接，功率放大器43的输出端口同时与电磁阀44线圈的两个端点及电动刹车推杆45线圈的两个端点相并接；所述电磁阀44由电磁线圈46、电磁铁芯47、阀门48、阻力弹簧49和阀体50五个部分组成，电磁线圈46套在电磁铁芯47的外面，电磁线圈46受电时通过电磁铁芯47产生磁力对阀门48产生磁性吸力，随着加在电磁线圈46两端点电压的大小变化，电磁铁芯47的磁性吸力同时产生相应的变化，电磁铁芯47的磁性吸力作用于阀门48、拉动阀门48以改变阀门48的开度，阻力弹簧49是一种拉伸弹簧，阀门48在电磁铁芯47磁性吸力拉动的同时，阻力弹簧49也同时受到拉伸，因此产生一个与电磁铁芯47磁性吸力相反的弹性力，当电磁铁芯47磁性吸力和阻力弹簧49弹力达到平衡时，阀门48就被停止拉动，即停止在与加在电磁线圈46两端点电压相对应的一个阀门48开度；所述电动刹车推杆45，包括：电刹车线圈与电磁推杆，电刹车线圈套装在电磁推杆的一端，电磁推杆的另一端与脚踏刹车杆杠机构连接，当电刹车线圈受电时，电刹车线圈所产生的电磁场对套装在电刹车线圈内的推杆产生轴向机械推力，该轴向机械推力作用在脚踏刹车杆杠机构的电动推杆的作力点上，通过杆杠机构起到与脚踏刹车同样的效果使车辆自动刹车。

如图5所示，所述语音提示器5，包括：输入接口51、译码器52、数字语音模块53、第二数模转换器54、功率放大模块55、扬声器56；其中：输入接口51与信号处理器3的输出接口37连接，用以接收来自图像处理模块35的控制指令；输入接口51的输出端与译码器52的输入端口连接，译码器52的输出端口与数字语音模块53的输入端口连接，数字语音模块53的输出端口与第二数模转换器54的输入端口连接，第二数模转换器54的输出端口与功率放大模块55的输入端口连接，功率放大模块55的输出端口与扬声器56的输入端口连接。当语音提示器5的输入接口51接收到控制指令后，经过译码器52的解释，链接数字语音模块53中的相关语音单元，将链接后的语音单元序列依次输至第二数模转换器54转换为语音模拟信号，再将语音模拟信号输至功率放大模块55，经功率放大后驱动扬声器56发出相应的语音提示。

本实施例又涉及一种安全车距智能检控方法，包括如下步骤：

步骤一、建立车辆背景模板数据库

收集与整理车辆背景图像作为模板，并在车载安全车距智能检控装置系统的信号处理器中建立车辆背景模板数据库。

步骤二、对车辆前方景物图像进行实时采集

以车载双目视感系统实时采集车辆前方景物图像，将双目视感系统采集到的左、右视图进行合成，获得合成后的车辆前方主视场图像。如图6所示，将主视场图像按照最有利于分析和运算的大小规格截取观测窗口，该窗口的选取使得运算能够集中于车辆行驶车道前方30～200m距离内的车辆识别。

步骤三、对前方车辆进行快速识别运算

采用大小为w×h的模板对大小为W×H的主视场观测窗口图像实施匹配运算。每次匹配过程，均采用粗匹配和细匹配相结合的方法进行搜索；同时，引入随机走位方法：在离开搜索起点的距离进行变步长的跳跃同时，搜索的位置也可能是上下左右轮番进行，走位从起点开始交错展开。

所述匹配相似度采用空间域模板匹配算法，即在空间域中匹配模板，通常的做法是用模板作为滤波算子滑过整个图像，寻求符合匹配基准的图像区域。获得的结果图像可以表达为

$R(s,t,x,y)=\underset{m=0}{\overset{w-1}{\mathrm{\&Sigma;}}}\underset{n=0}{\overset{h-1}{\mathrm{\&Sigma;}}}f\{s(x+m,y+n),t(m,n)\}$ (公式十)

其中，x∈[0，W-w]，y∈[0，H-h]，结果图像的尺寸为(W-w+1)×(H-h+1)。

可以看到，R(s，t，x，y)跟模板t(x，y)、现场图像s(x，y)和当前位置(x，y)有关。最后通过分析R(s，t，x，y)的数值得出匹配位置(x，y)。根据f{·)算子形式的不同，R(s，t，x，y)也存在不同的形式，因此可以延伸出不同的模板匹配算法。本实施例采用第一类相似度——误差。

定义绝对误差SAD(s，t，x，y)

$\mathrm{SAD}(s,t,x,y)=\underset{m=0}{\overset{w-1}{\mathrm{\&Sigma;}}}\stackrel{n=0}{\mathrm{\&Sigma;}}|s(x+m,y+n)-t(m,n)|$ (公式十一)

将SAD(s，t，x，y)除以模板面积w×h，就可以得到概念上等价的算法——平均绝对误差。

定义方差SSD(s，t，x，y)

$\mathrm{SSD}(s,t,x,y)=\underset{m=0}{\overset{w-1}{\mathrm{\&Sigma;}}}\underset{n=0}{\overset{h-1}{\mathrm{\&Sigma;}}}{[s(x+m,y+n)-t(m,n)]}^2$ (公式十二)

将SSD(s，t，x，y)除以模板面积w×h，就可以得到概念上等价的算法——均方误差。

从SSD(s，t，x，y)出发，定义归一化方差

$\mathrm{NSSD}(s,t,x,y)=\frac{\underset{m=0}{\overset{w-1}{\mathrm{\&Sigma;}}}\underset{n=0}{\overset{h-1}{\mathrm{\&Sigma;}}}{[s(x+m,y+n)-t(m,n)]}^2}{\sqrt{\underset{m=0}{\overset{w-1}{\mathrm{\&Sigma;}}}\underset{n=0}{\overset{h-1}{\mathrm{\&Sigma;}}}s{(x+m,y+n)}^2\&CenterDot;\underset{m=0}{\overset{w-1}{\mathrm{\&Sigma;}}}\underset{n=0}{\overset{h-1}{\mathrm{\&Sigma;}}}t{(m,n)}^2}}$ (公式十三)

对第一类相似度而言，模板和现场图像在(x，y)处的w×h区域内容越接近，误差R(x，y)就越小。求得(W-w+1)×(H-h+1)的结果图像后，只要找到整个图像上最小的点位置，就可以作为模板匹配的位置。

第一类算法类似于点点对比的方法，其优点是计算简单速度快，特别适合于模板和现场光照和噪声条件没有很大变化的情况。

步骤四、判定前方车辆所处车道

(1)如图7所示，针对实时采集到的图像进行旋转变换，以便克服因为道路颠簸不平所造成的图像不正现象。其中，图7的(a)为原图，图7的(b)为经过旋转变换矫正后的图像。

(2)如图8所示，当车载视感系统在主视场观测窗口内采用模板w×h寻找到匹配区域时，通过模板匹配区域计算前方车辆的行投影中心。

(3)如图9所示，对旋转变换后图像进行二值化，因此能够将行车道标志线(简称“行标线”)被突显出来。

(4)如图10所示，采用数学形态学方法继续对二值化图像进行“骨架化”处理。

(5)如图11所示，对前方车辆行车道进行确认，通过匹配区域的下边缘做一水平线，求其与两侧行标线的交点a和b。将中心点M的i轴坐标M(i)与交点a和b的i轴坐标进行比较，以确定前方车辆所处行车道。

步骤五、计算车距

一旦识别出前方车辆与自身车辆同处一个车道后，本发明装置系统即实时进行自身车辆与前方车辆的车距计算。

首先利用外极线约束原理快速确定被匹配目标上任意一个公共特征点，再根据寻找到的公共特征点在虚成像平面上的对应点P_l和P_r，应用视差原理直接计算该公共特征点与自身车辆的距离。如图12所示，所述虚成像平面，就是指归一化虚成像平面，即抛开了光学成像的物理概念，而是将成像平面建立在位于镜头前方单位焦距处的一个虚拟位置上。实施例中采用的摄像头几何模型，表达了空间点坐标在计算机图像坐标系o_uvuv、物理图像坐标系oxy、摄像机坐标系o_cx_cy_cz_c和世界坐标系O_WX_WY_WZ_W中的相互转换关系，即映射关系；其中：

第一，计算机图像坐标系o_uvuv，原点o_uv位于摄像头图像平面的左上角，u和v分别表示像素位于数组的列数和行数，单位为pixel(像素)；

第二，物理图像坐标系oxy，原点(即主点o)定义在摄像头光轴与物理图像平面的交点，x、y轴分别与u、v轴平行；p_u(x_u，y_u)表示针孔模型下P点的理想图像坐标，p_d(x_d，y_d)是由透镜径向畸变引起的偏离p_u(x_u，y_u)的实际图像坐标；

第三，摄像机坐标系o_cx_cy_cz_c，原点o_c定义在摄像机的光心，x_c、y_c轴分别平行于x、y轴，z_c轴与光轴重合。o_co为摄像机的有效焦距f，(x_c，y_c，z_c)表示物点P在摄像机坐标系下的三维坐标；

第四，世界坐标系O_WX_WY_WZ_W，根据具体环境来定，(X_W，Y_W，Z_W)表示物点P在世界坐标系下的三维坐标。

如图13所示，所述外极线约束，即外极线几何约束，就是指左视(或右视)图像上的任一点，在右视(或左视)图像上的对应点只可能位于一条特定的直线上，称为右外极线(或左外极线)。图中，左、右摄像头平行摆放，P、P^*为左目摄像头和右目摄像头观测的两个三维空间共同点，O_l、O_r分别为左、右摄像机的光心；e_l、e_r分别为左、右像面上的外极中心；P点在左、右摄像机的归一化虚成像平面上的成像点分别为p_l[x_l y_l 1]^T和p_r[x_r y_r 1]^T，对于共同观测点P的左、右两条外极线分别通过点P_l、e_l和P_r、e_r；P^*点在左、右摄像机的归一化虚成像平面上的成像点分别为

和

对于共同观测点P^*的左、右两条外极线分别通过点

el和

er。

所述视差原理，如图14所示，两个摄像机的虚成像平面相互重叠而成为一个公共虚成像平面∏；O_l、O_r分别为左、右两个摄像机的光学中心位置(即透镜中心，简称光心)，两个摄像机逻辑焦距均为f。假定物体上的点P在左、右两个摄像机的图像平面(虚成像平面∏)上的投影点分别为P_l、P_r；从P到O_lO_r连线作垂线，A_P、O_P分别为该垂线与虚成像平面∏及O_lO_r连线的交点；过O_l、O_r向虚成像平面∏作两根垂线，分别与虚成像平面∏相交于点A_l和A_r。

从图中相似三角形可得

和

此处，|·|表示两点间的线段长度。

令，|PO_P|＝a，

|O_lO_r|＝b，|A_lP_l|＝l，|A_rP_r|＝r，|P_rA_P|＝c，则有公式和

再联立该两公式得

$c=\frac{b\&CenterDot;r}{l-r}-r$ (公式十四)

代入公式

得

$a=\frac{b}{l-r}\&CenterDot;\tilde{f}$ (公式十五)

式中，l-r被称为双目视差。

由此可见，景物的深度信息，即距离a与两个摄像机光心间距b、成像焦距

及两个摄像机的视差l-r有关。由于两个摄像机光心间距b和成像焦距

通过摄像机参数标定，事先可以确定，属于已知量，因此，两个摄像机的视差l-r就成为能够确定景物深度的唯一因素。成像焦距

与两个摄像机的视差l-r计算单位为像素，两个摄像机光心间距b计算单位为实际距离m。

事先通过产品参数和系统装置安装尺寸已知车载双目视感系统中成像逻辑焦距和两个针孔摄像头光心间距b的值。

通过虚成像平面坐标系到计算机图像坐标系的转换公式

$i=f\frac{x}{\mathrm{dx}}+c_x,$ $j=f\frac{y}{\mathrm{dy}}+c_y,$ s_x＝dy/dx  (公式十六)

将图像坐标转换为虚成像平面坐标系，即可以通过转换公式计算获知点A_l、P_l、A_r和P_r的虚成像平面坐标，即

$\left\{\begin{array}{c}{A}_l=(x_{A1},y_{\mathrm{Al}})\\ P_l=(x_{\mathrm{Pl}},y_{\mathrm{Pl}})\\ A_r=(X_{\mathrm{Ar}},y_{\mathrm{Ar}})\\ P_r=(x_{\mathrm{Pr}},y_{\mathrm{Pr}})\end{array}\right.$ (公式十七)

考虑y_Al＝y_Pl＝y_Ar＝y_Pr，因此能够求出双目视差l-r，即

l-r＝|A_lP_l|-|A_rP_r|＝|x_Al-x_Pl|-|x_Ar-x_Pr|  (公式十八)

在(公式十六)中，f为摄像机光学有效焦距，dx、dy分别为图像平面上x、y方向上单位像素间的距离，s_x为图像纵横比。c_x、c_y为光心o在计算机成像平面上的像素坐标，即光心坐标(c_x，c_y)。

将(公式十八)和已知的两个摄像机光心间距b与成像焦距

代入(公式十五)，即可直接求得景物的深度信息，即车距a的值。

必须指出，计算过程，两个摄像机光心间距b的计算单位为m，(公式十五)中其余两个量，即视差l-r和成像焦距

的单位均为像素数。

步骤六、车距控制

(1)当前方车辆与自身车辆同处一个车道上，必须控制车速以保持由(公式八)计算获得的安全距离。本实施例中，

V＝120(km·h^-1)，a＝-4(m·s^-2)时；取

为安全车距；

V＝80(km·h^-1)，a＝-4(m·s^-2)时；取

为安全车距，等。

此处，

向上取整数。

当车载视感系统不具备车速智能联动控制装置时，安全车距S的控制则要按照(公式九)考虑人为反映滞后因素，并取τ＝3s，如：

V＝120(km·h^-1)，a＝-4(m·s^-2)时；取为安全车距；

V＝80(km·h^-1)，a＝-4(m·s^-2)时；取

为安全车距，等。

(2)当前方车辆与自身车辆分处相邻两个车道时，包括：前方车辆分别处于左、右两侧车道时，车载视感系统将实施自动监控算法。根据车距检测已经获知被检测车辆与自身车辆的距离，一旦出现这些车辆因变道而进入自身车辆所处车道时，就可以根据前方车辆同处一个车道的安全车距控制策略算法进行处理。

步骤七、重复步骤二到步骤六的循环过程。

本实施例能够自动检测与前方车辆的车距，根据自身车辆的速度准确控制应该保持的安全车距。一旦前方车辆出现突发事件，如因某种原因急刹车，自身车辆能够根据当前车速与车距，实时、准确地进行减速直至刹车，因此能够有效避免车辆追尾等交通事故的发生。实施结果统计数据表明：运用本实施例能够将车辆追尾事故降低95％以上。

Claims (10)

1.一种安全车距智能检控装置，其特征在于，包括：双目针孔摄像头、信号处理器、车速操控机构、语音提示器，双目针孔摄像头的输出接口分别通过视频电缆与信号处理器的两个图像输入接口连接，信号处理器的输出接口分别与车速操控机构的输入接口和语音提示器的输入接口并行连接；

所述的双目针孔摄像头包括左目摄像头和右目摄像头，左目摄像头和右目摄像头分别与信号处理器的两个输入接口相连，将各自采集到的道路景物图像模拟信号分别经视频电缆输送至信号处理器。

2.根据权利要求1所述的安全车距智能检控装置，其特征是，所述信号处理器，包括：第一图像输入接口、第二图像输入接口、第一模数转换模块、第二模数转换模块、图像处理模块、车速信号输入接口、输出接口，其中：第一图像输入接口的输入端经视频电缆与左目摄像头输出接口相连，第二图像输入接口的输入端经视频电缆与右目摄像头输出接口相连，两个图像输入接口的输出端分别与第一、第二模数转换模块的输入端连接，两个模数转换模块的输出端口分别与图像处理模块的输入端口连接；车速信号输入接口的输入端与车辆速度传感器的输出接口连接，车速信号输入接口的输出端与图像处理模块的输入端口连接。

3.根据权利要求1或者2所述的安全车距智能检控装置，其特征是，所述车速操控机构，包括：输入接口、第一数模转换器、功率放大器、电磁阀和电动刹车推杆，其中，输入接口与第一数模转换器的输入端口连接，第一数模转换器的输出端口与功率放大器的输入端口连接，功率放大器的输出端口同时与电磁阀线圈的两个端点及电动刹车推杆线圈的两个端点相并接。

4.根据权利要求3所述的安全车距智能检控装置，其特征是，所述电动刹车推杆，包括：电刹车线圈与电磁推杆，电刹车线圈套装在电磁推杆的一端，电磁推杆的另一端与脚踏刹车杆杠机构连接，当电刹车线圈受电时，电刹车线圈所产生的电磁场对套装在电刹车线圈内的推杆产生轴向机械推力，该轴向机械推力作用在脚踏刹车杆杠机构的电动推杆作力点上，通过杆杠机构起到与脚踏刹车同样的效果使车辆自动刹车。

5.根据权利要求1所述的安全车距智能检控方法，其特征在于，包括步骤如下：

步骤一、收集建立车辆背景图像作为模板数据库，并在信号处理器中建立车辆背景模板数据库；

步骤二、对车辆前方景物图像进行实时采集；

步骤三、对前方车辆进行快速识别运算；

步骤四、判定前方车辆所处车道，判定前方车辆包括压线行驶车辆所处车道，区分与自身车辆是否处于同一行车道上；

步骤五、继续实时地进行自身车辆与前方车辆的间距计算，监视一旦识别出前方车辆与自身车辆同处一个车道，则执行步骤六；否则执行步骤七；

步骤六、车距控制；

步骤七、重复步骤二到步骤六的循环过程。

6.根据权利要求5所述的安全车距智能检控方法，其特征是，步骤二中所述的实时采集是以实时采集车辆前方景物图像，将主视场图像按照最有利于分析和运算的大小规格截取观测窗口，该窗口的选取使得运算能够集中对车辆行驶车道前方30～200m距离内的车辆进行识别。

7.根据权利要求5所述的安全车距智能检控方法，其特征是，步骤三中所述的快速识别运算是指：设定模板的大小为w×h，w、h分别为模板的列、行数；主视场观测窗口的大小为W×H，W、H为窗口的列、行数；每一次选取模板数据库中的一个模板对观测窗口图像进行匹配运算，通过模板匹配运算，判定前方是否存在车辆。

8.根据权利要求5所述的安全车距智能检控方法，其特征是，步骤四中所述的判定前方车辆所处车道，包括：

(1)针对实时采集到的图像进行旋转变换，以便克服因为道路颠簸不平所造成的图像不正现象；

(2)当在主视场观测窗口内采用w×h模板寻找到匹配区域时，通过模板匹配区域计算前方车辆的行投影中心；

(3)对旋转变换后图像进行二值化，因此能够将行车道标志线被突显出来；

(4)继续对二值化图像进行处理；

(5)对前方车辆行车道进行确认，通过被模板匹配区域的下边缘做一水平线，求其与两侧行标线的交点a和b，将中心点M的i轴坐标M(i)与交点a和b的i轴坐标进行比较：

令，a和b的i轴坐标分别为a(i)＝i_a和b(i)＝i_b；若

$i_b<i_l-\frac{i_l-i_r}{2}<i_a,$

即：b(i)＜M(i)＜a(i)，

则表明：前方车辆与自身车辆同处一个车道上；若

$i_l-\frac{i_l-i_r}{2}>i_a,$

即：M(i)＞a(i)，

则表明：前方车辆处于左侧行标线的左边，即左侧车道上；若

$i_l-\frac{i_l-i_r}{2}<i_b,$

即：M(i)＜b(i)，

则表明：前方车辆处于右侧行标线的右边，即右侧车道上。

9.根据权利要求5所述的安全车距智能检控方法，其特征是，步骤五中所述的计算车距，首先利用外极线约束原理快速确定被匹配目标上任意一个公共特征点，再根据寻找到的公共特征点在虚成像平面上的对应点P_l和P_r，应用视差原理直接计算该公共特征点与自身车辆的距离。

10.根据权利要求5所述的安全车距智能检控方法，其特征是，步骤六中所述的车距控制，包括：

(1)当前方车辆与自身车辆同处一个车道上，实时地将识别结果生成控制指令由其输出接口输出；在控制指令的作用下，使车辆减速并能够准确以行驶速度保持与前方车辆的距离，

或者安全车距S的控制则要考虑人为反映滞后因素，即

$S=\frac{V^2}{2\left|a\right|}+\mathrm{V\&tau;}$

式中，V为自身车辆当前车速，a为负加速度，τ为认为人为反映滞后时间，取τ＝3s；

(2)当前方车辆与自身车辆分处相邻两个车道时，包括：前方车辆分别处于左、右两侧车道时，根据车距检测已经获知被检测车辆与自身车辆的距离，一旦出现这些车辆因变道而进入自身车辆所处车道时，就根据前方车辆同处一个车道的安全车距控制处理。

Images