CN103832433A - 车道偏离及前车防碰撞报警系统及其实现方法 - Google Patents
车道偏离及前车防碰撞报警系统及其实现方法 Download PDFInfo
- Publication number
- CN103832433A CN103832433A CN201210476108.9A CN201210476108A CN103832433A CN 103832433 A CN103832433 A CN 103832433A CN 201210476108 A CN201210476108 A CN 201210476108A CN 103832433 A CN103832433 A CN 103832433A
- Authority
- CN
- China
- Prior art keywords
- point
- vehicle
- image
- warning
- deviation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 230000012010 growth Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000035040 seed growth Effects 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 abstract 3
- 206010039203 Road traffic accident Diseases 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
- B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
-
- G06T5/70—
Abstract
本发明公开了一种车道偏离及前车防碰撞报警系统及其实现方法,它包括置于汽车前方的监控设备、监控处理装置、数据传输系统;其中监控设备把采集视频信号经监控处理装置处理,通过数据传输系统传输至调度中心;监控处理装置对传来视频图像数据分析处理,处理结果信号通过警报器报警并提示与目标车辆的相隔距离;本方法主要是通过实时监测本车在当前车道中的位置,计算本车到前方车辆的距离,利用监控处理装置中预警算法,进行预警判断并提供报警提示,有效地提醒驾驶员注意及采取相应的避险措施。
Description
技术领域
本发明涉及一种车道偏离及前车防碰撞报警系统及其实现方法,主要是通过实时监测本车在当前车道中的位置,计算本车到前方车辆的距离,然后与设定的报警距离相比较,判断是否进行预警。
背景技术
随着社会不断进步,公路交通特别是高速公路交通得到飞速发展,汽车保有量迅速增加。而交通事故尤其是恶性交通事故呈不断上升趋势,给各个国家的人民生命财产和国民经济造成了巨大的损失。据美国全国公路交通安全管理总署公布的数据,近几年美国全国公路交通事故平均死亡率是每一亿车辆英里死1.48人,其中佛罗里达州的车祸死亡人数发生率较高。在我国,根据公安部的统计数据,在2005年全国共发生道路交通事故450254起,造成98738人死亡,直接财产损失18.8亿元。对公路交通事故的分析表明,80%以上的车祸是由于驾驶员反应不及时所引起的。驾驶员反应不及时的原因主要有:1)因长时间驾车导致疲劳驾驶;2)车辆行驶路况较差导致驾驶员无法进行准确判断。奔驰汽车公司对各类交通事故的研究表明,若驾驶员能够较早地意识到有事故危险,并提早1s采取相应的正确措施,则绝大多数的交通事故都可以避免。
发明内容
本发明针对上述高速公路事故易发生的原因,提供一种车道偏离及前车防碰撞报警系统及其实现方法,运用单目视觉技术对行驶车辆前景中的车道和前方目标车辆进行检测,以获取本车与当前车道的相对位置信息和方向信息,以及与目标车之间的距离信息,通过数据传输网络实现车道偏离预警及前车防碰撞报警。
为了达到上述发明目的,本发明所采用的技术方案是:
车道偏离及前车防碰撞报警系统,它包括置于汽车前方的监控设备、汽车上监控处理装置、数据传输系统;其中监控设备与监控处理装置通过其网线连接,由监控设备采集的视频图像经监控处理装置处理,通过数据传输系统传输至调度中心;汽车上监控处理装置对监控设备采集的监控视频图像分析处理,将处理结果传至报警器报警并提示与前方车辆的相隔距离。
所述数据传输系统包括监控设备与监控处理装置连接的网线为第1网络;还包括由3G网卡或路由器构成第2网络,完成数据的发送和接收。
数据传输的第2网络,采用无线2G网络或无线3G网络。
所述的监控设备,置于汽车前档风玻璃的下部,监控设备采用高速,且具有低照度能力的网络摄像机。
所述的监控处理装置包括DSP、数据存储设备和报警装置为报警器,监控处理装置将采集的视频信号经DSP处理输出的报警信号通过报警装置报警。
数据存储设备采用大容量存储卡和数据存储模块,使得监控处理装置具有录像功能。
该系统由汽车自身电瓶提供电源。
一种车道偏离及前车防碰撞报警系统的实现方法,其特征在于:包括如下处理步骤:
利用摄像机采集视频图像,对采集到的视频数据进行视频解帧;
对解帧的视频进行分辨率设置,其分辨率大小为640x480;
监控处理装置对设置后的图像预处理,即对设置后的图像采用运动补偿算法处理得到稳定的视频图像、经自适应二值化形成二值图像、用Sobel算法进行边缘提取;再对预处理后的图像进行车辆和车道线的特征分别进行提取、分析和匹配处理;
在检测到的边缘信息中分辨出车道线形成的边缘点并将其拟合车道线;
判断行驶车辆是否偏离预定车道,如偏离车道报警器报警;
同时判断前方是否有车辆,若前方有车辆并相隔距离在预警范围之内,报警器发出不同报警级别。
对预处理后的视频图像进行车辆的特征提取、分析和匹配处理,其包括处理过程;
对预处理后的视频图像采用滤波器消除噪声,并将车辆行驶车道上的标志线灰度值全部替换成180,以消除路面上白色标志线的影响,便于路面检索;
通过自适应阈值分割的方法将生长区域及待检索物体分离开;设置行驶车辆前景路面为感兴趣区域;
将感兴趣区域内生长区域从下往上搜索图像,统计每行像素中连续黑色像素点的个数,如果黑色像素点的个数大于16,则认为该部分可能是车辆阴影线,所述连续黑像素点的集合为阴影线;
从此段阴影线往上构造高为其1/5长度的矩形,即阴影线的长度为构造矩形的长度,该阴影线长度的1/5作为矩形的宽,依据所得每条阴影线的长度和宽度构造出相应的矩形;
被认为可能是车辆阴影区域,再经训练的Adaboost分类器判断待定阴影区是否为车辆阴影区域;
如上述待定阴影区被判定为车辆阴影,则采用基于透视投影的几何变换测距模型,确定该行驶车辆与前方车辆的相隔距离,警报器报警提示并报告相隔距离。
形成路面的生长区域:对路面灰度值替换后的图像选取距离路面最近处的点作为种子点,设其图像左下角为原点,种子生长的阈值为30,由此生长出来的区域为行驶车辆前方路面的生长区域。
对预处理后的图像的车道线特征进行提取、分析和匹配,其包括如下处理过程:
对预处理后的图像除掉面积小于阈值3的边缘区域;
以图像中心线为基准,分别对每一行由中心点向左右两侧扫描边缘点并记录其坐标值;
依据重复剪辑最近邻法的思想,剔除不属于车道线上的干扰点,把余下的边缘点作为待检索的目标边缘点;
判断所选扫描的某边缘点的像素值是否为1,如满足条件,则记录下该边缘点的坐标,并终止在该行方向的扫描;
判断是否每行方向都已扫描完毕,如满足条件,对每一行判断是否左右两侧都有边缘点;
对每一行中心点两侧都存在边缘点,利用图像坐标系和道路坐标系之间的坐标转换关系和距离计算公式,求得这两边缘点所代表的实际路面上的对应点的坐标值以及两点间的实际距离值,即以像素为单位的边缘点坐标值转换为以毫米为单位的图像坐标值,再计算出路面上两边缘点在实际绘图中对应点坐标值和实际距离值;
判断两边缘点间实际距离与标准车道宽度的差值是否小于标准车道宽度的10%,如满足条件,将记录下的边缘点确定为车道线上的点并拟合成车道线;
利用几何角度偏移量判断,行驶车辆是否偏离预定车道,若偏离提示报警,预定车道为该车行驶的车道。
本发明的有益效果及优点:
1、本发明系统适应性强。由于监控设备安装在行驶车辆档风玻璃的下部,检测及判断环境均处于运动状态,因此需要监控设备具有很好的稳像功能,本发明采用了快速、高效地运动补偿算法,有效地解决摄像机抖动问题,从而得到平稳的视频图像,同时也增强了系统对野外强风等恶劣环境的适应能力。
2、本发明系统自动化程度高。由于利用监控摄像机采集视频图像,并由车载监控处理装置自动识别行驶位置上的车道线及前方车辆,同时进行预警判断并提供报警提示,有效地提醒驾驶员注意及采取相应的避险措施。
3、本发明方法识别准确率高。由于车载摄像机是在行驶车辆中采集、传输视频图像的,并且路面及车道两旁存在大量障碍物及噪声,容易对车道线识别及车辆检测产生干扰;本发明充分考虑提取目标的特点并结合数字图像处理包括自适应二值化、用Sobel算法提取边缘预处理,精确地将障碍物与目标分离出来,为精确预警提供可靠的保证,确保不会发生漏检和误检,有效的提高了系统的安全性。
4、本发明实用性强。由于驾驶员在长期高度集中的驾驶状态下易产生疲劳驾驶,本系统能准确地检测出行驶的车辆是否偏离预定车道,并且判断行驶车辆的前方是否存在其他车辆,如存在,输出与本车相距的实际距离,超出预警距离,向驾驶员发出报警声音及报告与前车的相对距离,提醒驾驶员注意并避让,有效地降低交通事故的发生。
5、本系统实时性好。本系统设计的高效、快速地特征提取及检测算法程序,可以实时地为行驶车辆提供预警。
附图说明
图1是本发明车道偏离及前车防碰撞报警系统结构方框;
图2是本发明的监测前景车道线与车辆的总程序流程图;
图3是本发明的车道线检测预警的程序流程图;
图4是本发明的车辆检测及判断车距的程序流程图。
具体实施方式
下面结合附图和具体实施例对本发明方案作进一步详细描述:
参见附图1,是车道偏离及前车防碰撞报警系统,它包括置于汽车前方的监控设备、汽车上监控处理装置、数据传输系统;其中监控设备与监控处理装置通过其网线连接,由监控设备采集的视频图像经监控处理装置处理,通过数据传输系统传输至调度中心;汽车上监控处理装置对监控设备采集的监控视频图像分析处理,将处理结果传至报警器报警并提示与前方车辆的相隔距离。
所述数据传输系统包括监控设备与监控处理装置连接的网线为第1网络;还包括由3G网卡或路由器构成第2网络,完成数据的发送和接收。
数据传输的第2网络,采用无线2G网络或无线3G网络。
所述的监控设备,置于汽车前档风玻璃的下部,监控设备采用高速,且具有低照度能力的网络摄像机。
所述的监控处理装置包括DSP、数据存储设备和报警装置,监控处理装置将采集的视频信号经DSP处理输出的报警信号通过报警装置报警。
数据存储设备采用大容量存储卡和数据存储模块,使得监控处理装置具有录像功能。
该系统由汽车自身电瓶提供电源。
本发明方法涉及两个关键技术点:一是准确的提取出行驶车辆前景中的车道线,并判断行驶车辆是否偏离该方位,若偏离,能够提供报警提示信息;二是检测行驶车辆前方较近距离是否存在其他车辆,若与前车距离较近时,向驾驶员发出报警提示声音同时报告与前车相距距离,提醒驾驶员注意并采取相应的避险措施。
参见附图2,为本发明的监测前景车道线与车辆的总程序流程图,是一种车道偏离及前车防碰撞报警系统的实现方法,包括如下步骤:
一种车道偏离及前车防碰撞报警系统的实现方法,其特征在于:包括如下处理步骤:
利用摄像机采集视频图像,对采集到的视频数据进行视频解帧;
对解帧的视频进行分辨率设置,其分辨率大小为640x480;
监控处理装置对设置后的视频图像预处理,即对设置后的图像采用运动补偿算法处理得到稳定的视频图像,经自适应二值化形成二值图像、再用Sobel算法进行边缘提取;
再对预处理后的视频图像进行车辆和车道线的特征分别进行提取、分析和匹配处理;
在检测到的边缘信息中分辨出车道线形成的边缘点并将其拟合车道线;
判断行驶车辆是否偏离预定车道,如偏离车道报警器报警;
同时判断前方是否有车辆,若前方有车辆并相隔距离在预警范围之内,报警器发出不同报警级别声音。
由于监控设备采用摄像机安装在行驶车辆档风玻璃的下部,检测及判断环境均处于运动状态,因此需要监控设备具有很好的稳像功能。本发明采用了快速、高效地运动补偿算法,有效地解决摄像机抖动问题,从而得到平稳的视频图像,同时也增强了系统对野外强风等恶劣环境的适应能力。
检测行驶车辆前方是否存在车辆并判断其相距距离:
对预处理后的视频图像进行车辆的特征提取、分析和匹配,其处理过程包括为:
对预处理后的图像采用滤波器消除噪声,并将车辆行驶车道上的标志线灰度值全部替换成180;以消除路面上白色标志线的影响,便于路面检索;
形成路面的生长区域;
通过自适应阈值分割的方法将生长区域及待检索物体分离开,设置行驶车辆前景路面为感兴趣区域;
将感兴趣区域内生长区域从下往上搜索图像,统计每行像素中连续黑色像素点的个数,如果黑色像素点的个数大于16,则认为该部分可能是车辆阴影线,所述连续黑像素点的集合为阴影线;
从此段阴影线往上构造高为其1/5长度的矩形,即阴影线的长度为构造矩形的长度,该阴影线长度的1/5作为矩形的宽,依据所得每条阴影线的长度和宽度构造出相应的矩形;
判断每个矩形里黑色像素点占总像素点的百分比,当黑色像素点的个数占总像素点的个数大于等于80%,(说明该矩形灰度值较低)对车辆进行归一化转动惯量NMI特征判断,当参数值小于某一正实数ε,则被认为可能是车辆阴影区域;
被认为可能是车辆阴影区域,再经训练的Adaboost分类器确定为车辆阴影区域;
基于透视投影的几何变换测距模型确定该行驶车辆与前方车辆的相隔距离,警报器报警提示并报告相隔距离。
通过对路面灰度值替换后的视频图像选取距离路面最近处的点作为种子点,设其图像左下角为原点,种子生长的阈值为30,由此生长出来的区域为行驶车辆前方路面的生长区域。
对本发明方法进一步说明:
一般情况下,在道路上车辆底部都会存在一块阴影区域。而在灰度图像中表现为车辆底部阴影区域的灰度值比路面的要小。利用这一特征可在视频图像中初步判断可能的车辆存在区域。通常路面上灰度信息的分布是连续或均匀的。而在阴影区域附近就会发生突变。因此,利用区域生长的方法将路面全部生长出来,余下区域的灰度值比较小,即为可能存在的车辆阴影区域,再通过车辆区域的特征来判定是否为车辆阴影区域。
为此,首先设定视频图像的一个感兴趣区域,一般是车辆正前方的一块矩形区域,然后设定一个区域生长的种子点,从这个点开始进行区域生长,将路面区域全部生长出来,这样,图像上剩余的区域就可能是车辆阴影区域,接着在从下往上扫描整幅图像,如果发现阴影的长度大于某一值,并在这阴影线上构造五分之一阴影线高的矩形,如果此矩形中的黑像素个数大于某个值,则认定是可能的车辆阴影区域,否则继续往右往上搜索,最后在这些可能的车辆区域中,通过图像的NMI特征来判定是否是车辆。
参见附图4,是本发明的车辆检测及判断车距的程序流程图。其具体包括如下处理过程:
(1)图像预处理。图像中不可避免地伴有噪声的影响,这会对图像的定位、识别带来很大的影响,采用平滑滤波器对预处理后视频图像进行噪声消除,以最大限度地减少噪声带来的影响。
(2)消除车道白色标志线的影响。车辆行驶的车道一般会有很多白色的标志线,它的灰度级一般很高(灰度值大于200),会影响对路面的检测,所以必须消除这些白色标志线的影响。统计结果表示,路面灰度值一般为180左右,所以将这些标志线的灰度值全部替换成180。这样处理使得大部分路面灰度值非常接近,便于路面的检测。
(3)区域生长:由于监控设备置于汽车前档风玻璃的下部,所以通过监控设备采集到的图像中有一部分场景是车内的场景,在消除了车道标志线的影响后,采用区域生长的方法将除去车内场景的路面部分全部生长出来。区域生长最重要的步骤之一是种子点的选取,本发明选择种子点在距离路面点最近处作为种子点,图像左下角为原点。种子生长的阈值为30,可认为行驶的车辆正前方路面的生长区域;
(4)视频图像分割。区域生长后,所有路面的区域被较好的生长出来,然后采用自适应阈值分割的方法将路面的感兴趣区域内生长区域及待检索物体从视频图像中分割出来。
(5)设置感兴趣区域。设置行驶车辆前景路面为感兴趣区域。
(6)车辆的阴影检测。将感兴趣区域内生长区域从下往上搜索图像,统计每行像素中连续黑像素的个数,如果黑像素的个数大于16,则认为该部分可能是车辆的阴影,然后从此段阴影线往上构造高为五分之一大小阴影线长度的矩形,统计矩形中黑像素的个数,如果矩形中有80%的黑像素(说明该矩形灰度值较低),则被认为可能是车辆阴影区域。
归一化转动惯量NMI特征:结合物理学上物体质量、质心及转动惯量的概念,根据车辆NMI特征将二维图像看成具有一定质量的平面,设平面上的黑像素点为(x,y),将该点灰度值设为f(x,y),表示黑像素点(x,y)在所述平面上的质量,并设平面的质心为(x*,y*),设平面绕质心的转动惯量为J(x*,y*),则转动惯量J(x*,y*)的公式定义为 再根据质心和质心转动惯量的定义,给出平面绕质心(x*,y*)的NMI特征公式定义为:
NMI特征具有良好的平移、旋转和缩放不变性。对于采集到的图像,计算出质心和归一化转动惯量NMI特征值,然后当前图像的NMI特征值跟前一幅图像的NMI值进行比较,如果前后两张图像的NMI特征的误差值小于某一正实数ε,即可进一步认为检测到的阴影区域可能是车辆阴影。式中NMIi为当前图像的NMI特征值,NMIi-1为前一副图像的NMI特征值。
(8)通过车辆阴影检测出来的被认为可能是车辆阴影区域,再经Adaboost算法处理,确定出车辆阴影;
Adaboost算法是一种分类器算法,其基本思想是利用大量一般简单分类器通过一定的方法叠加起来,构成一个分类能力很强的强分类器,再将若干个强分类器串联成为分级联分类器,完成图像的搜索与检测。
本发明方法是将多个强分类器级联起来组成一个车辆检测系统。利用Adaboost算法将多个强分类器级联成分类能力更强的级联分类器,组成强分类器的弱分类器个数随着级联数的增加而增加,每层的强分类器经过设定的阈值来调整,使得每一层都能让几乎全部的车辆样本通过,且拒绝很大一部分非车辆样本。而且,由于前面的层使用的矩形特征数很少,该车辆检测系统计算起来非常快,越往后通过的候选匹配图像越少;尽管阴影矩形特征增多,计算量减少。但检测的速度加快,使系统具有很好的实时性。
利用训练的Adaboost分类器,搜集了300幅车辆后方的图像作为正样本图像,1000幅非车辆图像作为负样本图像。供1300幅正/负样本图像被归一化为30*37像素,作为训练样本。使用OpenCV图像处理库提供的函数来训练一个18层的分级分类器。
通过上述车辆阴影检测算法与Adaboost算法相结合构成优化的车辆检测方法。该车辆检测方法:主要是通过车辆阴影检测把可能的车辆阴影区域检测出来,然后通过训练的Adaboost分类器来判定这些可能的车辆阴影区域是否为车辆,这样就提高了检测车辆的正确率。
(9)检测出前方存在车辆时,采用透视投影的几何变换测距模型换算出前车相距的实际距离,如果达到警戒范围则输出报警声音及相距距离。
前景车道线提取与判断行驶方位是否偏离:
对预处理后的图像进行车道线的特征提取、分析和匹配,其包括如下处理过程:
对预处理后的图像除掉面积小于阈值3的边缘区域;
以图像中心线为基准,分别对每一行由中心点向左右两侧扫描边缘点并记录其坐标值;
依据重复剪辑最近邻法的思想,剔除不属于车道线上的干扰点,把余下的边缘点作为待检索的目标边缘点;
判断所选扫描的某边缘点的像素值是否为1,如满足条件,则记录下该边缘点的坐标,并终止在该行方向的扫描;
判断是否每行方向都已扫描完毕,如满足条件,对每一行判断是否左右两侧都有边缘点,
对每一行中心点两侧都存在边缘点,利用图像坐标系和道路坐标系之间的坐标转换关系和距离计算公式,求得这两边缘点所代表的实际路面上的对应点的坐标值以及两点间的实际距离值,即以像素为单位的边缘点坐标值转换为以毫米为单位的图像坐标值,再计算出路面上两边缘点在实际绘图中对应点坐标值和实际距离值;
判断两边缘点间实际距离与标准车道宽度的差值是否小于标准车道宽度的10%,如满足条件,将记录下的边缘点确定为车道线上的点并拟合成车道线;
利用几何角度偏移量判断,行驶车辆是否在偏离预定车道,若偏离提示报警,预定车道为该车行驶的车道。
视频图像采集,对采集到的视频数据进行预处理,增强图像,去除噪声干扰,裁剪掉不必要的区域,保留感兴趣区域,对图像进行灰度化处理,并采用图像的自适应二值化、用Sobel算法提取边缘。图像经过预处理以后边缘已被检测出,但要想在众多的边缘信息中准确、快速的分辨出车道线形成的边缘并拟合出车道线,则需要进一步分析、判断车道线的特点。
根据左右两条车道线分别位于图像中心线左右两侧的特点,可以以图像中心线为基准,分别对每一行由中点向左右两侧搜索边缘点并记录其坐标值。但检测到的边缘点,除一部分是由本车道线形成的,很可能还会有其他物体边缘所产生的干扰点。一般情况下,可能存在的干扰有:其他车道的边界线、路面提示文字、路面杂物、前方车辆等,也可能会存在少数随机噪点。解决问题的关键在于如何辨别搜索到的边缘点是否属于本车道线,还是由其他干扰所形成。
本发明所采取的解决策略是:依据重复剪辑最近邻法的思想,剔除不属于车道线上的干扰点,仍然余下的边缘点,作为待检测的目标边缘点。正常情况下,在采集的图片中,目标车道的左右两条车道线不仅仅位于中心线两侧,而且近似的关于中心线左右对称,并与图像底边大约成45度角,而相邻车道的车道线与图像底边所成的角度则明显小于本车道线与底边所成角度,约为15度。由此提出,根据边缘点到45度直线和到15度直线距离的远近,判定边缘点属于本车道还是相邻的其他车道。
参见附图3,是本发明的车道线检测预警的程序流程图。可以据此来确定检测车道线的方法。在边缘图像中,对每一行,以中心点为基准,向左右两侧分别搜索边缘点,搜索到第一个边缘点后即停止该行该方向的搜索,并记录该边缘点坐标值。对于图像的某一行,如果中心点两侧都有边缘点,则保留待下一步继续筛选;如果一侧有、另一侧无边缘点,则将其剔除。保留下来的边缘点则以每一行为一组,两两配对。对于同一行的两侧边缘点,利用图像坐标系和道路坐标系之间的坐标转换关系和距离计算公式,求得这两点所代表的实际路面上的对应点的坐标值以及两点间的实际距离。如果这两点都是车道线上的点,那么计算出的两点间距应该等于或接近车道线宽度,如果过大或过小,则至少有一个是干扰点,为求准确,将这两个点都剔除。经过上述筛选,仍然保留下来的点,可认为是本车道线上的点。找出属于车道线上的边缘点后,就可以进行车道线的拟合。
具体包括处理过程如下:
(1)除掉面积小于一定阈值3的边缘区域,消除随机噪声。
(2)以图像中心线上的每一个像素为基准,由下向上依次向左右两侧检测:对中心线上的每一个像素,分别向左和向右依次扫描每一个像素点,若某像素点值为0,则忽略继续扫描下一个点,直至该行该方向上的像素点全部扫描完毕;判断所选扫描的某边缘点的像素值是否为1,若检测到某像素值为1,则记录下该边缘点的坐标,并终止在该行该方向上的扫描。
(3)对上一步中检测到的边缘点,再进行以下筛选:对每一行,如在中心点两侧同时检测到边缘点,则保留;如只是一侧有边缘点,另一侧没有,则剔除。
(4)对中心线两侧都有边缘点的行,以像素为单位的边缘点坐标值转换为以毫米为单位的坐标值,再利用计算出两个像素点之间的相对距离进而求得在实际路面中的两对应点的实际距离,判断两边缘点间实际距离与标准车道宽度的差值与标准车道宽度的比值是否小于10%,如满足条件,将记录下的边缘点。
(5)经过上述筛选,仍然保留下来的点,则判定其为本车道线上的边缘点。用最小二乘法分别对中心线左右两侧的边缘点进行拟合,可得到本车道的左右两条车道线。由左右两条车道线和图像底部边界所围成的区域即为感兴趣区域。
(6)利用几何角度偏移量判断,行驶车辆是否在偏离预定车道,若偏离提示报警,预定车道为该车行驶的车道。
Claims (11)
1.一种车道偏离及前车防碰撞报警系统,其特征在于:它包括置于汽车前方的监控设备、汽车上监控处理装置、数据传输系统;其中监控设备与监控处理装置通过其网线连接,由监控设备采集的视频图像经监控处理装置处理,通过数据传输系统传输至调度中心;汽车上监控处理装置对监控设备采集的监控视频图像分析处理,将处理结果传至报警器报警并提示与前方车辆的相隔距离。
2.按权利要求1所述的车道偏离及前车防碰撞报警系统,其特征在于:所述数据传输系统包括监控设备与监控处理装置连接的网线为第1网络;还包括由3G网卡或路由器构成第2网络,完成数据的发送和接收。
3.按权利要求1或2所述的车道偏离及前车防碰撞报警系统,其特征在于数据传输的第2网络,采用无线2G网络或无线3G网络。
4.按权利要求1所述的车道偏离及前车防碰撞报警系统,其特征在于:所述的监控设备,置于汽车前档风玻璃的下部,监控设备采用高速,且具有低照度能力的网络摄像机。
5.按权利要求1或2所述的车道偏离及前车防碰撞报警系统,其特征在于:所述的监控处理装置包括DSP、数据存储设备和报警装置,监控处理装置将采集的视频信号经DSP处理输出的报警信号通过报警装置报警。
6.按权利要求5所述的车道偏离及前车防碰撞报警系统,其特征在于:数据存储设备采用大容量存储卡和数据存储模块,使得监控处理装置具有录像功能。
7.按权利要求1所述的车道偏离及前车防碰撞报警系统,其特征在于:该系统由汽车自身电瓶提供电源。
8.一种权利要求1所述的车道偏离及前车防碰撞报警系统的实现方法,其特征在于:包括如下处理步骤:
利用摄像机采集视频图像,对采集到的视频数据进行视频解帧;
对解帧的视频进行分辨率设置,其分辨率大小为640x480;
监控处理装置对设置后的图像预处理,即对设置后的图像采用运动补偿算法处理得到稳定的视频图像、经自适应二值化形成二值图像、再用Sobel算法进行边缘提取;再对预处理后的图像进行车辆和车道线的特征分别进行提取、分析和匹配处理;
在检测到的边缘信息中分辨出车道线形成的边缘点并将其拟合车道线;
判断行驶车辆是否偏离预定车道,如偏离车道报警器报警;
同时判断前方是否有车辆,若前方有车辆并相隔距离在预警范围之内,报警器发出不同报警级别。
9.按权利要求8所述的车道偏离及前车防碰撞报警系统的实现方法,其特征在于:对预处理后的图像进行车辆的特征提取、分析和匹配,其包括处理过程:
对预处理后的图像采用滤波器消除图像噪声,并将车辆行驶车道上的标志线灰度值全部替换成180,以消除路面上白色标志线的影响;
形成路面的生长区域;
通过自适应阈值分割的方法将生长区域及待检索物体分离开;设置行驶车辆前景路面为感兴趣区域;
将所述感兴趣区域内的生长区域从下往上搜索图像,统计每行像素中连续黑色像素点的个数,如果黑色像素点的个数大于16,则认为该部分可能是车辆阴影线,所述连续黑像素点的集合为阴影线;
从此段阴影线往上构造高为其1/5长度的矩形,即阴影线的长度为构造矩形的长度,该阴影线长度的1/5作为矩形的宽,依据所得每条阴影线的长度和宽度构造出相应的矩形;
被认为可能是可能的车辆阴影区域,再经训练的Adaboost分类器判断待定阴影区是否为车辆阴影区域;
如上述待定阴影区被判定为车辆阴影区域,则采用基于透视投影的几何变换测距模型,确定该行驶车辆与前方车辆的相隔距离,警报器报警提示并报告相隔距离。
10.按权利要求9所述的车道偏离及前车防碰撞报警系统的实现方法,其特征在于:生长区域的生成过程:
对路面灰度值替换后的图像选取距离路面最近处的点作为种子点,设其图像左下角为原点,种子生长的阈值为30,由此生长出来的区域为行驶车辆前方路面的生长区域。
11.按权利要求8所述的车道偏离及前车防碰撞报警系统的实现方法,其特征在于:对预处理后的图像进行车道线的特征提取、分析和匹配,其包括如下处理过程:
对预处理后的图像除掉面积小于阈值3的边缘区域;
以图像中心线为基准,分别对每一行由中心点向左右两侧扫描边缘点并记录其坐标值;
依据重复剪辑最近邻法的思想,剔除不属于车道线上的干扰点,把余下的边缘点作为待检索的目标边缘点;
判断所选扫描的某边缘点的像素值是否为1,如满足条件,则记录下该边缘点的坐标,并终止在该行方向的扫描;
判断是否每行方向都已扫描完毕,如满足条件,对每一行判断是否左右两侧都有边缘点;
对每一行中心点两侧都存在边缘点,利用图像坐标系和道路坐标系之间的坐标转换关系和距离计算公式,求得这两边缘点所代表的实际路面上的对应点的坐标值以及两点间的实际距离值;
判断两边缘点间实际距离与标准车道宽度的差值是否小于标准车道宽度的10%,如满足条件,将记录下的边缘点确定为车道线上的点并拟合成车道线;
利用几何角度偏移量判断,行驶车辆是否偏离预定车道,若偏离提示报警,预定车道为该车行驶的车道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210476108.9A CN103832433B (zh) | 2012-11-21 | 2012-11-21 | 车道偏离及前车防碰撞报警系统及其实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210476108.9A CN103832433B (zh) | 2012-11-21 | 2012-11-21 | 车道偏离及前车防碰撞报警系统及其实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103832433A true CN103832433A (zh) | 2014-06-04 |
CN103832433B CN103832433B (zh) | 2016-08-10 |
Family
ID=50796417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210476108.9A Active CN103832433B (zh) | 2012-11-21 | 2012-11-21 | 车道偏离及前车防碰撞报警系统及其实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103832433B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104501806A (zh) * | 2014-11-24 | 2015-04-08 | 李青花 | 一种智能定位导航系统 |
CN105336217A (zh) * | 2015-12-09 | 2016-02-17 | 东华大学 | 一种基于机器视觉和安卓平台的行车安全预警系统 |
CN105740801A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于摄像头的汽车并道辅助驾驶方法 |
CN105912998A (zh) * | 2016-04-05 | 2016-08-31 | 辽宁工业大学 | 一种基于视觉的车辆防碰撞预警方法 |
CN106203267A (zh) * | 2016-06-28 | 2016-12-07 | 成都之达科技有限公司 | 基于机器视觉的车辆防碰撞方法 |
CN106477255A (zh) * | 2015-08-25 | 2017-03-08 | 上海玑智自动化科技有限公司 | 防碰撞的调度方法、系统及轨道道路 |
WO2018068482A1 (zh) * | 2016-10-12 | 2018-04-19 | 深圳市元征科技股份有限公司 | 车道保持方法及装置 |
CN108052880A (zh) * | 2017-11-29 | 2018-05-18 | 南京大学 | 交通监控场景虚实车道线检测方法 |
CN108875603A (zh) * | 2018-05-31 | 2018-11-23 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
CN108974018A (zh) * | 2018-08-31 | 2018-12-11 | 辽宁工业大学 | 一种基于机器视觉的汽车前向防碰撞预警装置及其监测方法 |
CN109050388A (zh) * | 2018-08-07 | 2018-12-21 | 武汉理工大学 | 一种基于数字微镜技术的车道线投影系统及方法 |
CN109190591A (zh) * | 2018-09-20 | 2019-01-11 | 辽宁工业大学 | 一种基于摄像头的前车识别预警装置及识别预警方法 |
CN109829403A (zh) * | 2019-01-22 | 2019-05-31 | 淮阴工学院 | 一种基于深度学习的车辆防碰撞预警方法及系统 |
CN110688877A (zh) * | 2018-07-05 | 2020-01-14 | 杭州海康威视数字技术股份有限公司 | 一种危险预警方法、装置、设备及存储介质 |
WO2020063817A1 (zh) * | 2018-09-30 | 2020-04-02 | 长城汽车股份有限公司 | 车道线拟合方法及系统 |
CN112088398A (zh) * | 2018-05-15 | 2020-12-15 | 罗伯特·博世有限公司 | Ecu和车道偏离警告系统 |
CN112373477A (zh) * | 2020-11-23 | 2021-02-19 | 重庆长安汽车股份有限公司 | 自动驾驶系统的冗余控制方法、自动驾驶系统、汽车、控制器及计算机可读存储介质 |
CN113793533A (zh) * | 2021-08-30 | 2021-12-14 | 武汉理工大学 | 一种基于车辆前方障碍物识别的碰撞预警方法及其装置 |
CN114627141A (zh) * | 2022-05-16 | 2022-06-14 | 沈阳和研科技有限公司 | 一种切割道中心检测方法与系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107244320B (zh) * | 2017-05-17 | 2019-12-27 | 吉利汽车研究院(宁波)有限公司 | 一种避免车辆碰撞的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131321A (zh) * | 2007-09-28 | 2008-02-27 | 深圳先进技术研究院 | 一种实时测量安全车距用于汽车防撞预警的方法及装置 |
US20110184617A1 (en) * | 2008-05-21 | 2011-07-28 | Adc Automotive Distance Control Systems Gmbh | Driver assistance system for avoiding collisions of a vehicle with pedestrians |
CN201951453U (zh) * | 2011-01-11 | 2011-08-31 | 江苏晓山信息产业股份有限公司 | 高速公路汽车安全系统 |
CN202152051U (zh) * | 2011-07-08 | 2012-02-29 | 德州学院 | 一种车道偏离报警装置 |
CN202183043U (zh) * | 2011-08-17 | 2012-04-04 | 公安部沈阳消防研究所 | 消防车全信息动态监控系统 |
CN202439686U (zh) * | 2011-12-15 | 2012-09-19 | 中联重科股份有限公司 | 一种路面监控系统及包括该路面监控系统的车辆 |
-
2012
- 2012-11-21 CN CN201210476108.9A patent/CN103832433B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131321A (zh) * | 2007-09-28 | 2008-02-27 | 深圳先进技术研究院 | 一种实时测量安全车距用于汽车防撞预警的方法及装置 |
US20110184617A1 (en) * | 2008-05-21 | 2011-07-28 | Adc Automotive Distance Control Systems Gmbh | Driver assistance system for avoiding collisions of a vehicle with pedestrians |
CN201951453U (zh) * | 2011-01-11 | 2011-08-31 | 江苏晓山信息产业股份有限公司 | 高速公路汽车安全系统 |
CN202152051U (zh) * | 2011-07-08 | 2012-02-29 | 德州学院 | 一种车道偏离报警装置 |
CN202183043U (zh) * | 2011-08-17 | 2012-04-04 | 公安部沈阳消防研究所 | 消防车全信息动态监控系统 |
CN202439686U (zh) * | 2011-12-15 | 2012-09-19 | 中联重科股份有限公司 | 一种路面监控系统及包括该路面监控系统的车辆 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104501806A (zh) * | 2014-11-24 | 2015-04-08 | 李青花 | 一种智能定位导航系统 |
CN106477255B (zh) * | 2015-08-25 | 2019-03-29 | 上海玑智自动化科技有限公司 | 防碰撞的调度方法、系统及轨道道路 |
CN106477255A (zh) * | 2015-08-25 | 2017-03-08 | 上海玑智自动化科技有限公司 | 防碰撞的调度方法、系统及轨道道路 |
CN105336217A (zh) * | 2015-12-09 | 2016-02-17 | 东华大学 | 一种基于机器视觉和安卓平台的行车安全预警系统 |
CN105740801A (zh) * | 2016-01-27 | 2016-07-06 | 大连楼兰科技股份有限公司 | 一种基于摄像头的汽车并道辅助驾驶方法 |
CN105912998A (zh) * | 2016-04-05 | 2016-08-31 | 辽宁工业大学 | 一种基于视觉的车辆防碰撞预警方法 |
CN106203267A (zh) * | 2016-06-28 | 2016-12-07 | 成都之达科技有限公司 | 基于机器视觉的车辆防碰撞方法 |
WO2018068482A1 (zh) * | 2016-10-12 | 2018-04-19 | 深圳市元征科技股份有限公司 | 车道保持方法及装置 |
CN108052880B (zh) * | 2017-11-29 | 2021-09-28 | 南京大学 | 交通监控场景虚实车道线检测方法 |
CN108052880A (zh) * | 2017-11-29 | 2018-05-18 | 南京大学 | 交通监控场景虚实车道线检测方法 |
CN112088398B (zh) * | 2018-05-15 | 2023-06-27 | 罗伯特·博世有限公司 | Ecu和车道偏离警告系统 |
CN112088398A (zh) * | 2018-05-15 | 2020-12-15 | 罗伯特·博世有限公司 | Ecu和车道偏离警告系统 |
CN108875603A (zh) * | 2018-05-31 | 2018-11-23 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
US11314973B2 (en) | 2018-05-31 | 2022-04-26 | Shanghai Sensetime Intelligent Technology Co., Ltd. | Lane line-based intelligent driving control method and apparatus, and electronic device |
CN108875603B (zh) * | 2018-05-31 | 2021-06-04 | 上海商汤智能科技有限公司 | 基于车道线的智能驾驶控制方法和装置、电子设备 |
CN110688877A (zh) * | 2018-07-05 | 2020-01-14 | 杭州海康威视数字技术股份有限公司 | 一种危险预警方法、装置、设备及存储介质 |
CN110688877B (zh) * | 2018-07-05 | 2022-08-05 | 杭州海康威视数字技术股份有限公司 | 一种危险预警方法、装置、设备及存储介质 |
CN109050388A (zh) * | 2018-08-07 | 2018-12-21 | 武汉理工大学 | 一种基于数字微镜技术的车道线投影系统及方法 |
CN108974018B (zh) * | 2018-08-31 | 2023-06-16 | 辽宁工业大学 | 一种基于机器视觉的汽车前向防碰撞预警监测方法 |
CN108974018A (zh) * | 2018-08-31 | 2018-12-11 | 辽宁工业大学 | 一种基于机器视觉的汽车前向防碰撞预警装置及其监测方法 |
CN109190591A (zh) * | 2018-09-20 | 2019-01-11 | 辽宁工业大学 | 一种基于摄像头的前车识别预警装置及识别预警方法 |
WO2020063817A1 (zh) * | 2018-09-30 | 2020-04-02 | 长城汽车股份有限公司 | 车道线拟合方法及系统 |
CN109829403B (zh) * | 2019-01-22 | 2020-10-16 | 淮阴工学院 | 一种基于深度学习的车辆防碰撞预警方法及系统 |
CN109829403A (zh) * | 2019-01-22 | 2019-05-31 | 淮阴工学院 | 一种基于深度学习的车辆防碰撞预警方法及系统 |
CN112373477A (zh) * | 2020-11-23 | 2021-02-19 | 重庆长安汽车股份有限公司 | 自动驾驶系统的冗余控制方法、自动驾驶系统、汽车、控制器及计算机可读存储介质 |
CN113793533A (zh) * | 2021-08-30 | 2021-12-14 | 武汉理工大学 | 一种基于车辆前方障碍物识别的碰撞预警方法及其装置 |
CN114627141A (zh) * | 2022-05-16 | 2022-06-14 | 沈阳和研科技有限公司 | 一种切割道中心检测方法与系统 |
CN114627141B (zh) * | 2022-05-16 | 2022-07-22 | 沈阳和研科技有限公司 | 一种切割道中心检测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103832433B (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103832433A (zh) | 车道偏离及前车防碰撞报警系统及其实现方法 | |
CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
CN103985182B (zh) | 一种公交客流自动计数方法及自动计数系统 | |
CN104809887B (zh) | 一种高速公路上车辆逆行检测方法与自动报警装置 | |
CN103902976A (zh) | 一种基于红外图像的行人检测方法 | |
CN104268528A (zh) | 一种人群聚集区域检测方法和装置 | |
CN111126171A (zh) | 一种车辆逆行检测方法及系统 | |
CN102968625A (zh) | 基于轨迹的船舶识别与跟踪方法 | |
CN108986472A (zh) | 一种掉头车辆监控方法及装置 | |
CN104537360A (zh) | 车辆未让行违章检测方法及其检测系统 | |
CN111754786A (zh) | 一种识别高速公路交通工具通行事件的系统 | |
CN103310206B (zh) | 一种基于多特征与多帧信息融合的助力车检测方法 | |
CN104794906A (zh) | 室外停车场出口车辆管理平台 | |
CN110188606A (zh) | 基于高光谱成像的车道识别方法、装置及电子设备 | |
Park et al. | Real-time signal light detection | |
CN103164958A (zh) | 车辆监控方法及系统 | |
CN102975659A (zh) | 基于远红外图像的汽车夜间行驶预警系统及方法 | |
CN106331605A (zh) | 一种基于视频的水灾检测装置及方法 | |
CN113869275A (zh) | 一种基于移动边缘计算的车辆抛洒物检测系统 | |
Wen et al. | A rear-vehicle detection system for static images based on monocular vision | |
Shafie et al. | Smart video surveillance system for vehicle detection and traffic flow control | |
CN103077393B (zh) | 基于dsp的车载实时运动目标检测系统及其方法 | |
CN106960193A (zh) | 一种车道线检测装置和方法 | |
Álvarez et al. | Perception advances in outdoor vehicle detection for automatic cruise control | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |