CN103522970B - 基于机器视觉的车辆行驶安全检测方法和系统 - Google Patents

Abstract

本发明公开了基于机器视觉的车辆行驶安全检测方法和系统，其检测方法包括：A、采用摄像头标定算法标定左、右摄像头，并计算左、右摄像头的投影矩阵；B、获取实时同步的左右摄像头图像，并判断左右摄像头图像中是否存在运动目标；C、在存在运动目标时，匹配左右摄像头图像中的运动目标，并对匹配的运动目标进行三维重建，计算运动目标与当前车辆的距离；D、判断所述运动目标与当前车辆的距离是否小于预定距离，若是则输出预警信号。本发明通过判断运动目标的距离远近来输出预警信号提高了驾驶的安全性。

Description

基于机器视觉的车辆行驶安全检测方法和系统

技术领域

本发明涉及机器视觉技术，特别涉及一种基于机器视觉的车辆行驶安全检测方法和系统。

背景技术

随着图像识别和车载行车安全技术的进步，机器视觉、模式识别等相对复杂的方法在汽车领域的应用也越来越多。如倒车时，会在车载电脑上显示车辆后方的图像，并通过语音提示车辆后方预定距离内是否有障碍物。

目前，在车辆行驶过程中，一般通过驾驶员自己判断车辆前后方是否存在运动物体（如行人和车辆），在驾驶员自己判断运动物体过近时执行刹车。现有这种仅仅靠驾驶员自身判断的行车方式还远远不够，一般还需要很多安全辅助设备来确保行驶安全。但现有的汽车辅助安全系统主要体现在制动系统等方面，没有提前预警和前后方车辆的行驶状态的提醒功能，其驾驶安全性能比较低。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于机器视觉的车辆行驶安全检测方法和系统，以解决现有技术不能提前预警及提示前后方车辆的行驶距离，造成驾驶安全性能低的问题。

为了达到上述目的，本发明采取了以下技术方案：

一种基于机器视觉的车辆行驶安全检测方法，其包括：

A、采用摄像头标定算法标定左、右摄像头，并计算左、右摄像头的投影矩阵；

B、获取实时同步的左右摄像头图像，并判断所述左右摄像头图像中是否存在运动目标；

C、在存在运动目标时，匹配左右摄像头图像中的运动目标，并对匹配的运动目标进行三维重建，计算运动目标与当前车辆的距离；

D、判断所述运动目标与当前车辆的距离是否小于预定距离，若是则输出预警信号。

所述的基于机器视觉的车辆行驶安全检测方法中，所述获取实时同步的左右摄像头图像，包括：

B1、分别为每个摄像头建立存放图像帧的缓冲区；

B2、对每个摄像头实时采集到的图像帧标记时间戳，并暂存在相应的缓冲区内；

B3、在每组左、右摄像头的缓冲区内将时间戳最近的两帧图像组成一组。

所述的基于机器视觉的车辆行驶安全检测方法中，所述判断左右摄像头图像中是否存在运动目标，具体包括：

B4、获取连续的三帧图像，分别计算相邻两帧图像的差值图像；

B5、将所述差值图像进行逻辑与运算得到融合的差值图像；

B6、对融合的差值图像进行阈值分割，将大于第一阈值的像素点确定为运动目标。

所述的基于机器视觉的车辆行驶安全检测方法中，所述步骤C具体包括：

C1、采用极线几何约束法查找左右摄像头图像中是否具有匹配点；如果是，则执行步骤C2；否则，匹配失败，并返回步骤B；

C2、根据左、右摄像头的投影矩阵，计算运动目标的真实三维坐标，并计算运动目标与当前车辆的距离。

所述的基于机器视觉的车辆行驶安全检测方法中，所述步骤D还包括：

D1、若否，则判断所述运动目标是否为车辆；

D2、若为车辆，则跟踪所述车辆，获取车辆的闪灯状态。

所述的基于机器视觉的车辆行驶安全检测方法中，所述步骤D1具体包括：

D11、计算每个运动目标的特征属性；

D12、将所述运动目标的特征属性作为分类器的输入，通过分类器确定当前运动目标是否为车辆。

所述的基于机器视觉的车辆行驶安全检测方法中，在所述步骤D2中，跟踪所述车辆包括：

D21、将运动目标的图像区域设为搜寻区域，初始化搜寻区域的大小和位置；

D22、计算搜寻区域内的彩色概率分布；

D23、采用MeanShift算法获取初始化后的搜寻区域的位置和大小；

D24、将当前所计算的彩色概率分布值，及初始化后的搜寻区域的位置和大小作为下一帧图像的初始化基准，自适应调整下一帧图像的搜寻区域的位置和大小。

所述的基于机器视觉的车辆行驶安全检测方法中，在步骤D2中，获取车辆的闪灯状态包括：

D25、选定左右车灯的候选区域；

D26、采用阈值分割法对车灯候选区域的图像进行二值化处理，将大于第二阈值的区域标记为白色，小于第二阈值的区域标记为黑色；

D27、在分割图像区域内统计白色连通区域的个数；

D28、通过预定时间内的所跟踪车辆的车灯亮暗状态，获取跟踪车辆的闪灯状态。

一种基于机器视觉的车辆行驶安全检测系统，其包括：

标定模块，用于采用摄像头标定算法标定左、右摄像头，并计算左、右摄像头的投影矩阵；

图像获取模块，用于获取实时同步的左右摄像头图像；

检测及匹配模块，用于判断所述左右摄像头图像中是否存在运动目标，以及在存在运动目标时，匹配左右摄像头图像中的运动目标；

三维重建模块，用于对匹配的运动目标进行三维重建，计算运动目标的三维坐标，及运动目标与车辆的距离；

判断模块，用于判断运动目标与当前车辆的距离是否小于预定距离；

预警模块，用于在运动目标与车辆的距离小于预定距离时输出预警信号。

所述的车辆行驶安全检测系统中，

所述判断模块，还用于判断预定距离内的运动目标是否为车辆；

所述车辆行驶安全检测系统还包括

跟踪及闪灯获取模块，用于在所述运动目标与当前车辆的距离在预定距离内、且运动目标为车辆时，跟踪所述车辆，并获取车辆的闪灯状态；

显示模块，用于显示所述跟踪车辆的闪灯状态。

相较于现有技术，本发明提供的基于机器视觉的车辆行驶安全检测方法和系统，通过同步获取左右摄像头图像确定运动目标，并对左右摄像头图像中的运动目标进行匹配，计算运动目标与当前车辆的距离，当车辆间距过近时输出预警信号。并且在运动目标在预定距离内时，提示前后车辆的闪灯状态来提高驾驶安全，大大提高了驾驶的安全性。

附图说明

图1为本发明基于机器视觉的车辆行驶安全检测方法的方法流程图。

图2为本发明基于机器视觉的车辆行驶安全检测方法的实施例中极线几何约束原理的示意图。

图3为本发明基于机器视觉的车辆行驶安全检测方法的实施例中车灯候选区域的划分示意图。

图4为本发明基于机器视觉的车辆行驶安全检测系统的结构框图。

具体实施方式

本发明提供一种基于机器视觉的车辆行驶安全检测方法和系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

请参阅图1，其为本发明基于机器视觉的车辆行驶安全检测方法的方法流程图。如图1所示，所述的基于机器视觉的车辆行驶安全检测方法包括以下步骤：

S100、采用摄像头标定算法标定左、右摄像头，并计算左、右摄像头的投影矩阵；

S200、获取实时同步的左右摄像头图像，并判断所述左右摄像头图像中是否存在运动目标；

S300、在存在运动目标时，匹配左右摄像头图像中的运动目标，并对匹配的运动目标进行三维重建，计算运动目标与当前车辆的距离；

S400、判断所述运动目标与当前车辆的距离是否小于预定距离，若是则输出预警信号。

在步骤S100中，采用了左、右摄像头分别获取车辆左侧和右侧的图像，以下定义为左右摄像头图像。具体实施过程中，一般需要至少两个摄像头分别来获取车辆左侧的图像（如车辆前方左侧的图像）和车辆右侧的图像（如车辆前方右侧的图像）。因此本发明选为采用至少四个摄像头分别获取车辆前方左侧、车辆前方右侧、车辆后方左侧、车辆后方右侧的图像。

本实施例中，将获取车辆前方左侧和车辆后方左侧的摄像头定义为左摄像头，将获取车辆前方右侧和车辆后方右侧的摄像头定义为右摄像头；并且获取车辆前方图像的摄像头定义为一组，获取车辆后方图像的摄像头定义为一组。本发明在行驶之前需固定这四个摄像头，摄像头安装固定后，再对每个摄像头进行标定。此处需说明的是，本实施例对摄像头的安装位置不作限制，只要能获取车辆相应区域的图像即可。

以下一组左、右摄像头（即一组用来获取车辆后方图像的左、右摄像头）为例，为本发明的技术方案进行详细说明：

在标定摄像头时，采用的摄像头标定算法包括：传统标定方法、自标定方法和基于主动视觉的标定方法。摄像头标定就是通过实验和计算获取到摄像头成像的几何模型，即获取到真实世界中的物点(XYZ)与其图像平面中的像点(uv)的射影几何映射关系。一般认为物点的三维坐标(XYZ)通过一个投影矩阵M映射成图像平面像点的二维坐标(uv)，公式如下：

$Z_c\left[\begin{array}{c}u\\ v\\ 1\end{array}\right]=\left[\begin{array}{cccc}{m}_{11}& m_{12}& m_{13}& m_{14}\\ m_{21}& m_{22}& m_{23}& m_{24}\\ m_{31}& m_{32}& m_{33}& m_{34}\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\\ 1\end{array}\right]$

其中Z_c是一个比例因子，摄像头标定算法最主要的目标就是计算出这个投影矩阵M。

在步骤S200中，所述获取实时同步的左右摄像头图像的实施方式，具体包括：

S201、分别为每个摄像头建立存放图像帧的先进先出缓冲区；

S202、对每个摄像头实时采集到的图像帧标记时间戳，并暂存在相应的缓冲区内；

S203、在每组左、右摄像头的缓冲区内将时间戳最近的两帧图像组成一组。其中所述时间戳最近即左、右摄像头拍摄的时间差小于或等于预设值，所述预设值可由用户设定，此处对此不作限制，作为优选，所述预设值为0.1ms。

本实施例中，获取车辆前后方图像的两组摄像头需要获取到左右同步的图像，才能够准确的计算出其它车辆与当前车辆的距离。对外输出时，在每组左、右摄像头的图像帧缓冲区中将时间戳相近的两帧图像组成一组，供后续算法使用。

由于车辆间距离的变化总是伴随着相对运动，因此本实施需先检测出运动目标，后续处理可以只对运动目标进行分析处理，这样既可以加快后续算法的处理速度，也可以减小环境干扰，提高系统的准确度。

本发明采用的运动目标检测算法包括：背景减法和帧差法。为了适应复杂背景和快速变化的背景，本实施例优选帧差法检测左右摄像头图像中是否存在运动目标，其具体包括：

S204、获取连续的三帧图像，分别计算相邻两帧图像的差值图像；

S205、将所述差值图像进行逻辑与运算得到融合的差值图像；

S206、对融合的差值图像进行阈值分割，将大于第一阈值的像素点确定为运动目标，其中所述第一阈值可根据实际情况而设，此处对此不作限制。

本实施例采用了三帧差法检测运动目标，设图像序列表示为：I_i(uv)，其中，(uv)表示图像中像素点的位置坐标，i表示第i帧图像（或者称为i时刻的图像）。选取图像序列中连续的三帧图像I_i-1(uv)、I_i(uv)、I_i+1(uv)，分别计算相邻两帧图像的插值图像，即：

$\left\{\begin{array}{c}{d}_{i,i-1}\left(\begin{array}{cc}u& v\end{array}\right)=|I_i\left(\begin{array}{cc}u& v\end{array}\right)-I_{i-1}\left(\begin{array}{cc}u& v\end{array}\right)|\\ d_{i+1,i}\left(\begin{array}{cc}u& v\end{array}\right)=|I_{i+1}\left(\begin{array}{cc}u& v\end{array}\right)-I_i\left(\begin{array}{cc}u& v\end{array}\right)|\end{array}\right.$

在每一个像素点(uv)上将得到的图像进行逻辑“与”运算，得到图像A_i(uv)：

A_i(uv)=d_i,i-1(uv)∩d_i+1,i(uv)

接下来对得到的差值图像进行阈值分割，分割出运动目标。在进行图像分割时需设置一个阈值T，当点(u,v)的值A_i(uv)大于阈值T时表示这个点为运动点，否则为非运动点。应当说明的是，阈值T可以根据实际情况设定为固定值，还可以使用大津阈值或局部阈值等经过统计计算得出的该阈值T。如果在步骤S206中检测到运动目标，则进入步骤S300，否则返回步骤S201重复步骤S201-S206，反复获取实时同步的左右摄像头图像，并检测是否存在运动目标。

步骤S300中，在重建运动目标的三维坐标前需要先做立体匹配。由于每组左、右摄像头的两帧图像中，可能存在多个运动目标，立体匹配就是对应于左摄像头图像中的一个运动目标，在右摄像头图像中找到与之对应的运动目标，其方式具体包括：

S301、采用极线几何约束法查找左右摄像头图像中是否具有匹配点；如果是，则执行步骤S302；否则，匹配失败，并返回步骤S200；

S302、根据左、右摄像头的投影矩阵，计算运动目标的真实三维坐标，并计算运动目标与当前车辆的距离。

本实施例采用了极线几何约束的相关性质进行匹配，其中，极线几何约束原理如图2所示，如果p₁与p₂为对应点，则由于p₁，p₂，P，O₁，O₂在同一平面上，p₁与p₂分别位于此平面与两个图像的交线l₁与l₂上，l₁称为I₁图像上对应于I₂图像上p₂点的极线，l₂称为I₂图像上对应于I₁图像上p₁点的极线。

两幅图像中对应点的极线约束关系可以用基本矩阵F来进行代数表达：

$P_1^T{\mathrm{FP}}_2=0$

其中，P₁与P₂分别为点p₁与p₂的齐次坐标表达式，T表示矩阵转置，基本矩阵F的计算公式为：

$F=[m_2-M_{21}{M}_{11}^{-1}{m}_1]\×M_{21}{M}_{11}^{-1}$

上式中，M_i1（i=1，2）为左、右摄像头的投影矩阵M_i（i=1，2）中左边的3×3部分，m_i1为左、右摄像头的投影矩阵M_i（i=1，2）中右边3×1部分。利用极线约束关系式，就可以建立起左右摄像头图像中的运动目标匹配关系。对于运动目标的匹配，本发明可以使用运动目标的质心作为匹配点，可以减少计算量，提高匹配处理速度。如果能够匹配到运动目标，则进行计算运动目标与当前车辆的实际距离，否则如果未能够建立起左右摄像头图像中的运动目标匹配，则跳至步骤S201重新获取图像再进行检测。

本实施例在进行三维重建时，通过以下方式进行：

由于左右摄像头图像中的匹配点(u₁v₁)与(u₂v₂)已知，两个摄像头的投影矩阵M₁和M₂也已知，因此：

$Z_{c1}\left[\begin{array}{c}{u}_1\\ v_1\\ 1\end{array}\right]=\left[\begin{array}{cccc}{m}_{11}^1& m_{12}^1& m_{13}^1& m_{14}^1\\ m_{21}^1& m_{22}^1& m_{23}^1& m_{24}^1\\ m_{31}^1& m_{32}^1& m_{33}^1& m_{34}^1\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\\ 1\end{array}\right]$

$Z_{c2}\left[\begin{array}{c}{u}_2\\ v_2\\ 1\end{array}\right]=\left[\begin{array}{cccc}{m}_{11}^2& m_{12}^2& m_{13}^2& m_{14}^2\\ m_{21}^2& m_{22}^2& m_{23}^2& m_{24}^2\\ m_3^2& m_{32}^2& m_{33}^2& m_{34}^2\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\\ 1\end{array}\right]$

经过整理推导，消去Z_c1和Z_c2，得到关于X，Y，Z的四个线性方程：

$\left\{\begin{array}{c}(u_1{m}_{31}^1-m_{11}^1)X+(u_1{m}_{32}^1-m_{12}^1)Y+(u_1{m}_{33}^1-m_{13}^1)Z=m_{14}^1-u_1{m}_{34}^1\\ (v_1{m}_{31}^1-m_{21}^1)X+(v_1{m}_{32}^1-m_{22}^1)Y+(u_2{m}_{33}^2-m_{23}^1)Z=m_{24}^1-v_1{m}_{34}^1\\ (u_2{m}_{31}^2-m_{11}^2)X+(u_2{m}_{32}^2-m_{12}^2)Y+(u_2{m}_{33}^2-m_{13}^2)Z=m_{14}^2-u_2{m}_{34}^2\\ (v_2{m}_{31}^2-m_{21}^2)X+(v_2{m}_{32}^2-m_{22}^2)Y+(v_2{m}_{33}^2-m_{23}^2)Z=m_{24}^2-v_2{m}_{34}^2\end{array}\right.$

为了减少计算量，可以只使用步骤S301中匹配好的运动目标的质心参与计算，把质心坐标代入上式，可以计算出运动目标质心的真实三维坐标，从而可以计算出运动目标与当前车辆的距离。

其中大小为n行m列的运动目标质心的计算公式为：

$\left\{\begin{array}{c}\stackrel{\‾}{u}=\frac{\underset{v=1}{\overset{n}{\mathrm{\Σ}}}\underset{u=1}{\overset{m}{\mathrm{\Σ}}}u*I(u,v)}{\underset{v=1}{\overset{n}{\mathrm{\Σ}}}\underset{u=1}{\overset{m}{\mathrm{\Σ}}}I(u,v)}\\ \stackrel{\‾}{v}=\frac{\underset{v=1}{\overset{n}{\mathrm{\Σ}}}\underset{u=1}{\overset{m}{\mathrm{\Σ}}}v*I(u,v)}{\underset{v=1}{\overset{n}{\mathrm{\Σ}}}\underset{u=1}{\overset{m}{\mathrm{\Σ}}}I(u,v)}\end{array}\right.$

所述步骤S400中，所述预定距离为车辆行驶的安全距离，其为一段距离范围，为了减少计算量，本发明对大于预定距离的运动目标不作任何处理。由于相对运动的目标不一定都是车辆，为了后续判断前后车辆的闪灯情况，因此所述步骤S400还包括：

S410、若运动目标与当前车辆的距离为预定距离，则判断所述运动目标是否为车辆；

S420、若为车辆，则跟踪所述车辆，获取车辆的闪灯状态。

当然在其它实施例中，还可以判断大于预定距离的运动目标是否为车辆，并对大于预定距离的车辆进行车辆跟踪。而且该判断运动目标是否为车辆的步骤、及对车辆进行跟踪的步骤还可以在步骤S200之后完成，此处对此顺序不作限制。

其中，判断所述辆运动目标是否为车辆具体包括：

S411、计算每个运动目标的特征属性；

S412、将所述运动目标的特征属性作为分类器的输入，通过分类器确定当前运动目标是否为车辆。

具体实施过程中，由于车辆的形状具有一定的相似性，因此可以根据车辆共有的相似特征来训练一个分类器，使用该分类器来检测运动目标是否为车辆。本发明采用SVM（支持向量机）方法（其中，SVM是建立在统计学习理论基础上的一种分类方法），来训练和检测运动目标是否为车辆。其中，SVM方法分包括：训练部分和检测分类部分。

其中，训练部分只需要进行一次，训练出分类器，具体训练步骤如下：

第一步：准备图片。本实施例需准备收集各种类型车辆的图片，作为训练分类器的数据源。

第二步：计算每幅图片中车辆的特征属性，如车辆的形状的几何属性、统计属性（如投影）和拓扑属性（如连通、欧拉数）作为车辆的共同特征的数学描述。

第三步：把第二步计算出的特征作为输入传给SVM分类器训练程序，最终训练出一个车辆的分类器。

在分类器检测时，其具体包括：

第一步：计算每个运动目标的几何属性、统计属性（如投影）和拓扑属性（如连通、欧拉数）。

第二步：将计算出的运动目标的特征属性作为SVM分类器的输入，由SVM分类器来确定当前运动目标是否为车辆。

在判断运动目标为车辆，且运动目标与当前车辆的距离在预定距离范围内时，表示运动目标行驶正常，此时还可对车辆进行跟踪，获取所跟踪车辆的闪灯状态。

本发明实施例中，由于判断车灯的闪烁情况需要分析一段时间的视频图像，因此需要对每个检测到的车辆进行跟踪，以确保分析数据的连续性与准确性。本发明采用的跟踪算法为Camshift算法（即"ContinuouslyApativeMean-Shift"算法，是一种运动跟踪算法），它主要通过视频图像中运动物体的颜色信息来达到跟踪的目的，避免了车辆行驶或位置的改变来干扰系统对图像的处理，其具体包括：

S421、将运动目标的图像区域设为搜寻区域，初始化搜寻区域的大小和位置。其中，在设置搜寻区域时，针对一个运动目标设置一个搜寻区域，以便于后续进行车辆跟踪。在初始化搜寻区域的大小和位置时，把检测到的车辆的位置和大小设置为搜寻区域。

S422、计算搜寻区域内的彩色概率分布。

S423、以步骤S422作为输入，运行MeanShift（均值飘移）算法获取初始化后的搜寻区域的位置和大小。

S424、将当前所计算的彩色概率分布值，及初始化后的搜寻区域的位置和大小作为下一帧图像的初始化基准，自适应调整下一帧图像的搜寻区域的位置和大小。从而定位出当前图像中运动目标的中心位置，进行车辆跟踪。如果跟踪失败，如跟踪目标丢失、跟踪目标变得过小等，则输出预警信号，提示驾驶员。

在步骤S420中，在获取车辆的闪灯状态时，具体包括：

S425、选定左右车灯的候选区域。在本步骤中：可先统计运动目标为车辆的区域，如图3所示，具体可统计车辆区域的宽度、高度、及上下左右的边界；然后，在车辆区域的左下角和右下角各取一个子矩形区域，其高度为车辆区域的高度二分之一，宽度为车辆区域的宽度三分之一，作为左、右车灯的车灯候选区域。

S426、采用阈值分割法对车灯候选区域的图像进行二值化处理，将大于第二阈值的区域标记为白色，小于第二阈值的区域标记为黑色。其中，阈值分割方法可以根据实际情况选用固定阈值方法、大津阈值方法或局部阈值等方法，其为现有技术，此处不作详述，而所述第二阈值可根据实际情况而设，此处对此不作限制。

S427、在分割图像区域内统计白色连通区域的个数。其中，白色连通区域的个数为检测到的打开的车灯的数量。具体实施过程中，可对每个检测到的亮状态的车灯按照对应车辆的相对位置进行编号，如分别标记为A、B等，并把与其相关的标志位标记为亮状态。如果前一帧某个车灯X为亮状态，当前帧未分割到亮状态的X灯，则把当前帧X灯的标记位标记为暗状态。其中，车灯的相对位置确定的方法为：按照分割出的车灯的大小，把车辆区域划分为网格，车灯所在的行和列即为此车灯的相对位置标记位置。

S428、通过预定时间内的所跟踪车辆的车灯亮暗状态，获取跟踪车辆的闪灯状态。

本实施例通过分析一段时间内所跟踪车辆的车灯状态，统计确认当前车辆的闪灯状态，是没有闪灯，还是左闪灯、右闪灯、左右闪灯等。一般设置时间为3秒统计一次。通过车辆的闪灯状态，对运动车辆的行驶状态进行判断：若某车灯在一段时间内都处于亮状态，则该车灯用于照明作用；若某车灯在一段时间内既有亮状态也有暗状态，且亮状态和暗状态的次数相差不是很大（如1秒闪灯一次）时，该车辆处于闪灯状态；若某车灯在一段时间内既有亮状态也有暗状态，且亮状态和暗状态的次数相差很大时，则认为是干扰造成的，不做分析；若两侧车灯一直处于暗状态，则认为车灯没有打开，也没有闪烁。

在步骤S420中，在获取车辆的闪灯状态后，可直接通过车载电脑显示。本发明采用了高速处理系统，该系统一般30ms输出一次检测结果，这个预警信号可确保驾驶安全。

本发明实施例还相应提供一种基于机器视觉的车辆行驶安全检测系统，如图4所示，所述车辆行驶安全检测系统包括：

标定模块110，用于采用摄像头标定算法标定用于分别获取车辆左侧图像和右侧图像的左、右摄像头，并计算左、右摄像头的投影矩阵；

图像获取模块120，用于获取实时同步的左右摄像头图像；

检测及匹配模块130，用于判断所述左右摄像头图像中是否存在运动目标，以及在存在运动目标时，匹配左右摄像头图像中的运动目标；

三维重建模块140，用于对匹配的运动目标进行三维重建，计算运动目标的三维坐标，及运动目标与车辆的距离；

判断模块150，用于判断运动目标与当前车辆的距离是否小于预定距离；

预警模块160，用于在运动目标与车辆的距离小于预定距离时输出预警信号。

本发明提供的车辆行驶安全检测系统通过图像获取模块120获取实时同步的左右摄像头图像，之后通过检测及匹配模块130判断所述左右摄像头图像中是否存在运动目标，以及在存在运动目标时，匹配左右摄像头图像中的运动目标；并通过三维重建模块140计算运动目标的三维坐标，及运动目标与车辆的距离，之后由判断模块150判断运动目标与当前车辆的距离是否小于预定距离，在小于预定距离时通过预警模块160输出预警信号。

当运动目标在预定距离范围内时，表示运动目标的状态正常，此时还需判断模块150判断运动目标是否为车辆，如果为车辆，此时还可对车辆进行跟踪，并获取所跟踪车辆的闪灯状态，因此所述的车辆行驶安全检测系统还包括：

跟踪及闪灯获取模块170，用于在所述运动目标与当前车辆的距离在预定距离内、且运动目标为车辆时，跟踪所述车辆，并获取车辆的闪灯状态；

显示模块180，用于显示所述跟踪车辆的闪灯状态。

在本实施例中，所述标定模块进一步包括：

缓冲单元，用于分别为每个摄像头建立存放图像帧的先进先出缓冲区；

时间标记单元，用于对每个摄像头实时采集到的图像帧标记时间戳，并暂存在相应的缓冲区内；

获取单元，用于在每组左、右摄像头的缓冲区内寻找时间戳相近的两帧图像组成一组。

在本实施例中，所述检测及匹配模块进一步包括：

插值图像计算单元，用于获取连续的三帧图像，分别计算相邻两帧图像的插值图像；

逻辑与运算计算单元，用于将所述插值图像进行逻辑与运算得到差值图像；

阈值分割单元，用于对差值图像进行阈值分割，将大于阈值的像素点确定为运动目标。

由于上述车辆行驶安全检测系统中各个部分的功能已经在上述方法中进行了详细介绍，此处不再赘述。

综上所述，本发明通过同步获取左右摄像头图像确定运动目标，并对左右摄像头图像中的运动目标进行匹配，计算运动目标与当前车辆的距离，当车辆间距过近时输出预警信号。并在运动目标在预定距离内时，显示前后车辆的闪灯状态提示当前车辆前后的交通状态，大大提高了驾驶的安全性，而且还减轻了司机的行车负担。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (8)

1.一种基于机器视觉的车辆行驶安全检测方法，其特征在于，包括如下步骤：

A、采用摄像头标定算法标定左、右摄像头，并计算左、右摄像头的投影矩阵；

B、获取实时同步的左右摄像头图像，并判断所述左右摄像头图像中是否存在运动目标；

C、在存在运动目标时，匹配左右摄像头图像中的运动目标，并对匹配的运动目标进行三维重建，计算运动目标与当前车辆的距离；

D、判断所述运动目标与当前车辆的距离是否小于预定距离，若是则输出预警信号；

所述步骤D还包括：

D1、若否，则判断所述运动目标是否为车辆；

D2、若为车辆，则跟踪所述车辆，获取车辆的闪灯状态；

所述步骤D2中，跟踪所述车辆包括：

D21、将运动目标的图像区域设为搜寻区域，初始化搜寻区域的大小和位置；

D22、计算搜寻区域内的彩色概率分布；

D23、采用MeanShift算法获取初始化后的搜寻区域的位置和大小；

D24、将当前所计算的彩色概率分布值，及初始化后的搜寻区域的位置和大小作为下一帧图像的初始化基准，自适应调整下一帧图像的搜寻区域的位置和大小。

2.根据权利要求1所述的基于机器视觉的车辆行驶安全检测方法，其特征在于，所述获取实时同步的左右摄像头图像，包括：

B1、分别为每个摄像头建立存放图像帧的缓冲区；

B2、对每个摄像头实时采集到的图像帧标记时间戳，并暂存在相应的缓冲区内；

B3、在每组左、右摄像头的缓冲区内将时间戳最近的两帧图像组成一组。

3.根据权利要求2所述的基于机器视觉的车辆行驶安全检测方法，其特征在于，所述判断左右摄像头图像中是否存在运动目标，具体包括：

B4、获取连续的三帧图像，分别计算相邻两帧图像的差值图像；

B5、将所述差值图像进行逻辑与运算得到融合的差值图像；

B6、对融合的差值图像进行阈值分割，将大于第一阈值的像素点确定为运动目标。

4.根据权利要求1所述的基于机器视觉的车辆行驶安全检测方法，其特征在于，所述步骤C具体包括：

C1、采用极线几何约束法查找左右摄像头图像中是否具有匹配点；如果是，则执行步骤C2；否则，匹配失败，并返回步骤B；

C2、根据左、右摄像头的投影矩阵，计算运动目标的真实三维坐标，并计算运动目标与当前车辆的距离。

5.根据权利要求1所述的基于机器视觉的车辆行驶安全检测方法，其特征在于，所述步骤D1具体包括：

D11、计算每个运动目标的特征属性；

D12、将所述运动目标的特征属性作为分类器的输入，通过分类器确定当前运动目标是否为车辆。

6.根据权利要求1所述的基于机器视觉的车辆行驶安全检测方法，其特征在于，在步骤D2中，获取车辆的闪灯状态包括：

D25、选定左右车灯的候选区域；

D26、采用阈值分割法对车灯候选区域的图像进行二值化处理，将大于第二阈值的区域标记为白色，小于第二阈值的区域标记为黑色；

D27、在分割图像区域内统计白色连通区域的个数；

D28、通过预定时间内的所跟踪车辆的车灯亮暗状态，获取跟踪车辆的闪灯状态。

7.一种基于机器视觉的车辆行驶安全检测系统，其特征在于，包括：

标定模块，用于采用摄像头标定算法标定左、右摄像头，并计算左、右摄像头的投影矩阵；

图像获取模块，用于获取实时同步的左右摄像头图像；

检测及匹配模块，用于判断所述左右摄像头图像中是否存在运动目标，以及在存在运动目标时，匹配左右摄像头图像中的运动目标；

三维重建模块，用于对匹配的运动目标进行三维重建，计算运动目标的三维坐标，及运动目标与车辆的距离；

判断模块，用于判断运动目标与当前车辆的距离是否小于预定距离；

预警模块，用于在运动目标与车辆的距离小于预定距离时输出预警信号；

所述判断模块，还用于判断预定距离内的运动目标是否为车辆；

跟踪及闪灯获取模块，用于在所述运动目标与当前车辆的距离在预定距离内、且运动目标为车辆时，跟踪所述车辆，并获取车辆的闪灯状态；

所述跟踪及闪灯获取模块具体用于将运动目标的图像区域设为搜寻区域，初始化搜寻区域的大小和位置；计算搜寻区域内的彩色概率分布；运行MeanShift算法获取初始化后的搜寻区域的位置和大小；将当前所计算的彩色概率分布值，及初始化后的搜寻区域的位置和大小作为下一帧图像的初始化基准，自适应调整下一帧图像的搜寻区域的位置和大小。

8.根据权利要求7所述的车辆行驶安全检测系统，其特征在于，

所述车辆行驶安全检测系统还包括

显示模块，用于显示所述跟踪车辆的闪灯状态。