CN105912998A - 一种基于视觉的车辆防碰撞预警方法 - Google Patents

Abstract

本发明公开了一种基于视觉的车辆防碰撞预警方法，包括：在检测车道线处添加了车道线长度和斜率两个判定条件进行霍夫变换，提取自车的车道线；在检测目标车辆处，结合正态分布函数，采用最大类间方差法(OTSU)结合遗传算法(GA)的改进方法分离目标和背景；同时在测距处，使用几何关系投影结合摄像机标定的方法，根据相对距离来进行危险性判定，从而进行防碰撞预警。该方法能更加准确的估算出自车与前车的距离，并报警提醒驾驶员采取措施处理，大大减少道路交通事故的发生。

Description

一种基于视觉的车辆防碰撞预警方法

技术领域

本发明涉及智能交通系统的主动安全，具体涉及一种基于视觉的车辆防碰撞预警方法。

背景技术

智能车辆主动安全是一款目前广泛应用于道路交通协调的系统，它不仅可以减少道路事故死亡率、提高交通运输效率，而且还起到了环境保护的作用。防碰撞预警系统是其关键技术，通过对数字图像处理、通信、控制等相关技术的有机结合，将呈现更加和谐的道路规划，进而达到安全、智能、环保的目标。

根据某项研究报告表明，若提前0.5秒通知驾驶员，则可以避免50％的事故；若提前1秒通知驾驶员，则可以避免90％的事故。因此，在智能车辆技术中，防碰撞预警系统有着十分重要的研究意义和发展前景。

现有技术中，针对车辆防碰撞预警而提出的方法主要有基于激光测距、基于超声波测距、基于雷达测距、基于视觉测距。其中激光测距是指通过发射出的激光被测量物体反射后又被测距仪接受，计算两者之间的距离，但该方法易受环境因素影响，在雨、雪、雾等天气情况下，测量性能有所下降。超声波测距是利用反射特性来工作的，但它只适用于较短距离的测距，一般常用在汽车倒车防撞系统中。雷达测距与超声波的反射类似，差别只在于其所使用波的频率比超声波高，但价格比较昂贵，易受周围无线电的干扰。视觉测距精度较高，误差较小，并可在测距的过程中利用图像中包含的大量信息实现其他辅助驾驶功能，但该方法在视觉穿透性方面还存在一定缺陷。

发明内容

本发明设计开发了一种基于视觉的车辆防碰撞预警方法，本发明的目的之一在于提出一种基于视觉的几何关系投影模型结合摄像机标定的测距方法，该方法不仅提高了时效性，还保证了实际距离测量的精确度，降低了误差率，大大提高了环境适应性和视觉穿透能力。

本发明的目的之二是通过改进的最大类间方差法，采集的图像中目标和背景灰度值变化不太明显情况下，拥有较好的检测效果，得到灰度最佳阈值，该方法大大地提高了车辆检测的准确率，降低了误检率。

本发明的目的之三是通过改进的霍夫变换检测识别方法，只提取需要的车道线，排除大部分非路面区域的干扰，进一步缩小感兴趣区域，减少算法的计算量。

本发明提供的技术方案为：

一种基于视觉的车辆防碰撞预警方法，包括：

对前方图像进行采集，判断车道区域内是否含有目标车辆；

若车道区域内有目标车辆，通过摄像机与所述前方图像中任意点拟定坐标系，计算出所述任意点与所述摄像机的距离，再通过坐标系转换，将所述任意点在摄像机坐标系中的坐标与摄像机成像平面坐标系中的坐标进行对应，得到所述目标车辆的距离；以及

通过目标车辆的距离与设定的安全距离进行比较后，对驾驶员进行预警。

优选的是，对所述图像采集采用图像传感器，通过霍夫变换检测识别路面区域车道线，确定车道线的长度及斜率，再判断是否为感兴趣区域，在所述感兴趣区域内判断是否含有目标车辆。

优选的是，所述感兴趣区域同时满足以下条件：

最小线段长度超过阈值45个像素长度；

在同一条直线上，相邻两线段距离大于5个像素长度就合并；

左侧车道斜率10°≤θ₁≤60°和右侧车道斜率120°≤θ₂≤170°。

优选的是，在所述感兴趣区域内通过最大类间方差法得到图像处理的最佳灰度阈值范围后，再基于所述目标车辆底部阴影的梯度特征对车辆底部阴影进行检测，最后验证所述感兴趣区域是否为所述目标车辆区域；从而确定所述感兴趣区域内是否含有所述目标车辆。

优选的是，所述最大类间方差法，包括如下步骤：

步骤a、选取图像中多个具有相同像素数的矩形窗口，并且每个矩形窗口间隔一定像素数，确定所述窗口中的图像初始灰度阈值范围A；

步骤b、在所述窗口的图像中随机产生多个初始种群，利用代沟遗传算法，构建新一代种群，指定代数判断是否满足寻优循环终止条件；

步骤c、满足寻优循环终止条件后，所述代沟遗传算法输出阈值；

步骤d、将所述输出阈值转换为灰度值t，其结合对应矩形窗口的图像初始灰度阈值范围A，得到图像处理的最优灰度阈值范围[t-A,t+A]。

优选的是，所述步骤b中，计算所述初始种群中个体的适应度，所述步骤d中所述输出阈值为满足寻优循环终止条件后，最后一代群体中适应度最大的个体反编码后对应的十进制灰度值t。

优选的是，所述车辆底部阴影检测通过如下方式：搜索二值化图像中的像素灰度值f(x,y)，当符合f(x-1,y)-f(x,y)＝255和f(x,y)-f(x＋1,y)＝0时，记为所述车辆的车辆底部阴影起始位置，继续进行搜索，当符合f(x,y)-f(x-1,y)＝0和f(x+1,y)-f(x,y)＝255时，记为所述目标车辆的车辆底部阴影终点位置，所述起始位置与所述终点位置之间的区域为所述车辆底部阴影。

优选的是，所述车辆底部阴影满足条件35≤length＝x_start-x_end≤120时，阴影线保留，否则将其剔除；其中，x_start为所述目标车辆的车辆底部阴影起始位置，x_end为所述目标车辆的车辆底部阴影终点位置。

优选的是，如果满足条件则所述感兴趣区域内含有目标车辆，否则为非车辆区域；其中，L_clen为所述感兴趣区域内的左区域投影直方图数值连续的区域中垂直边缘的最大连续长度，R_clen为所述感兴趣区域内的右区域投影直方图数值连续的区域中垂直边缘的最大连续长度。

优选的是，通过公式得出摄像机坐标系中前方图像任意点P点到摄像机的距离P_yI，再通过公式得出所述目标车辆与本车的距离d；其中，GI是摄像机视野最近点距离，H为摄像机J的高度，P_y为P点在y轴的投影坐标，y₀是摄像机坐标零点，f是摄像机的焦距，h是摄像机y轴投影高度，V,v,v₀分别表示像素点在摄像机坐标系、图像平面坐标系和成像平面坐标系中的行数。

一种基于视觉的车辆防碰撞预警方法，包括：

对前方图像进行采集，通过霍夫变换检测识别路面区域车道线，确定车道线的长度及斜率，判断是否为感兴趣区域，在所述感兴趣区域内通过最大类间方差法得到图像处理的最佳灰度阈值范围后，基于目标车辆底部阴影的梯度特征对车辆底部阴影进行检测，验证所述感兴趣区域是否为所述目标车辆区域；从而在所述感兴趣区域内判断是否含有所述目标车辆；

若所述感兴趣区域内有所述目标车辆，进行对所述目标车辆的车辆测距；以及

通过车辆测距的数值与设定的安全距离进行比较后，对驾驶员进行预警；

优选的是，所述感兴趣区域同时满足以下条件：

最小线段长度超过阈值45个像素长度；

在同一条直线上，相邻两线段距离大于5个像素长度就合并；

左侧车道斜率10°≤θ₁≤60°和右侧车道斜率120°≤θ₂≤170°。

优选的是，所述最大类间方差法，包括如下步骤：

步骤a、选取图像中多个具有相同像素数的矩形窗口，并且每个矩形窗口间隔一定像素数，确定所述窗口中的图像初始灰度阈值范围A；

步骤b、在所述窗口的图像中随机产生多个初始种群，利用代沟遗传算法，构建新一代种群，指定代数判断是否满足寻优循环终止条件；

步骤c、满足寻优循环终止条件后，所述代沟遗传算法输出阈值；

步骤d、将所述输出阈值转换为灰度值t，其结合对应矩形窗口的图像初始灰度阈值范围A，得到图像处理的最优灰度阈值范围[t-A,t＋A]。

优选的是，所述步骤b中，计算所述初始种群中个体的适应度，所述步骤d中所述输出阈值为满足寻优循环终止条件后，最后一代群体中适应度最大的个体反编码后对应的十进制灰度值t。

优选的是，所述车辆底部阴影检测通过如下方式：搜索二值化图像中的像素灰度值f(x,y)，当符合f(x-1,y)-f(x,y)＝255和f(x,y)-f(x＋1,y)＝0时，记为所述目标车辆的车辆底部阴影起始位置，继续进行搜索，当符合f(x,y)-f(x-1,y)＝0和f(x+1,y)-f(x,y)＝255时，记为所述目标车辆的车辆底部阴影终点位置，所述起始位置与所述终点位置之间的区域为所述车辆底部阴影。

优选的是，所述车辆底部阴影满足条件35≤length＝x_start-x_end≤120时，阴影线保留，否则将其剔除；其中，x_start为所述目标车辆的车辆底部阴影起始位置，x_end为所述目标车辆的车辆底部阴影终点位置。

优选的是，如果满足条件则所述感兴趣区域内含有目标车辆，否则为非车辆区域；其中，L_clen为所述感兴趣区域内的左区域投影直方图数值连续的区域中垂直边缘的最大连续长度，R_clen为所述感兴趣区域内的右区域投影直方图数值连续的区域中垂直边缘的最大连续长度。

优选的是，所述车辆测距采用几何关系投影结合摄像机标定的方式进行计算，通过摄像机与图像中任意点拟定坐标系，可计算出所述任意点与所述摄像机的距离，再通过坐标系转换，将所述任意点在摄像机坐标系中的坐标与摄像机成像平面坐标系中的坐标进行对应，得到所述车辆测距的方法。

优选的是，通过公式得出摄像机坐标系中前方图像任意点P点到摄像机的距离P_yI，再通过公式得出所述目标车辆与本车的距离d；其中，GI是摄像机视野最近点距离，H为摄像机J的高度，P_y为P点在y轴的投影坐标，y₀是摄像机坐标零点，f是摄像机的焦距，h是摄像机y轴投影高度，V,v,v₀分别表示像素点在摄像机坐标系、图像平面坐标系和成像平面坐标系中的行数。

本发明与现有技术相比较所具有的有益效果：

1、本发明在目标车辆检测处引入了添加判定条件的霍夫变换、正态分布函数、最大类间方差法以及遗传算法，不但在很大程度上能把目标从背景中清晰的分离出来，而且能节省目标搜寻时间，提高算法的时效性；

2、根据目标的灰度值变化，还采用了基于车辆底部阴影垂直特征的算法检测车辆，以及采用双重阈值的方法进行投影直方图确定假设目标，这样大大地提高了车辆检测的准确率，降低了误检率；

3、本发明采用了几何关系投影结合摄像机标定的方法进行推导测距模型，目标车辆动态行驶时，通过采用自适应的跟踪算法，完成自车与前车的测距，该方法改善了视觉测距穿透性差的特点，也不用考虑摄像机安装角度带来的误差等问题，解决了摄像机标定存在的误差困扰，具有较好的稳定性和准确性。

附图说明

图1是基于视觉的车辆防碰撞预警系统流程图。

图2是传统OTSU法车辆阴影分割结果图。

图3是结合正态分布函数和遗传算法的改进OTSU法车辆阴影分割结果图。

图4是基于几何关系投影模型和摄像机标定的成像模型图。

图5是本发明测距模型的Y轴方向截面图。

图6是本发明基于改进的视觉车辆防碰撞预警系统总体框图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供了一种基于视觉的车辆防碰撞预警方法，本发明采用车辆检测和测距算法，在Opencv/Vc++6.0环境下构建一个基于视觉的车辆防碰撞预警系统来进行安全预警，包括如下步骤：

对前方图像进行采集，判断车道区域内是否含有目标车辆；

若车道区域内有目标车辆，通过摄像机与所述前方图像中任意点拟定坐标系，计算出所述任意点与所述摄像机的距离，再通过坐标系转换，将所述任意点在摄像机坐标系中的坐标与摄像机成像平面坐标系中的坐标进行对应，得到所述目标车辆的距离；以及

通过目标车辆的距离与设定的安全距离进行比较后，对驾驶员进行预警。

在另一种实施例中，对所述图像采集采用CCD图像传感器，通过霍夫变换检测识别路面区域车道线，确定车道线的长度及斜率，再进行判定条件确定感兴趣区域，在所述感兴趣区域内判断是否含有目标车辆。

在另一种实施例中，采用改进的霍夫(Hough)变换检测识别路面区域车道线，事先确定了车道线的长度以及斜率等特征，加入的判定条件有：(1)最小线段长度超过阈值45个像素长度；(2)在同一条直线上，相邻两线段距离大于5个像素长度就合并；(3)直线斜率满足：左侧车道斜率10°≤θ₁≤60°和右侧车道斜率120°≤θ₂≤170°，与传统的霍夫变换相比，改进的算法只提取需要的车道线，排除大部分非路面区域的干扰，进一步缩小感兴趣区域ROI(Region of Interest)，减少算法的计算量。

在另一种实施例中，在提取的感兴趣区域范围内，本发明通过对传统的最大类间方差法(OTSU)算法改进，提出路面车道区域灰度值近似服从正态分布，且结合遗传算法的并行特性来进行局部最优搜素，得到最佳阈值，改进前后的检测结果如图2和图3所示，同时如表1所示，也呈现了本发明检测算法与传统算法的运行时间和阈值对比结果。

表1

本发明采用基于车辆底部阴影的梯度特征验证目标车辆，对感兴趣区域ROI进行逐行、逐列扫描，并采用双重阈值的算法得到不同方向上的灰度投影直方图。依据目标车辆的垂直、水平边缘特征比较突出，结合车底阴影区域的信息大致判断车辆的左右边界，验证目标车辆。

在另一种实施例中，在目标车辆跟踪过程中加入了自适应算法，使其收敛于目标的真实位置；并在测距中，采用几何关系投影结合摄像机标定的方法，该方法通过建立摄像机模型推导测距公式，并依据标定参数代入公式中，从而完成自车与前车之间的距离测量，这种改进算法将为车辆测距提供了较高的精确性，降低误差率，同时也改善了视觉测距的性能，如表2所示，本发明的测距算法与传统算法的实际距离和误差率对比结果。

表2

进一步具体的对本发明涉及到的基本算法进行说明，如图1所示，为本发明所实现的基于视觉的车辆防碰撞预警方法及系统流程图，如图6所示，为本发明基于改进的视觉车辆防碰撞预警系统总体框图，本系统通过对CCD采集的图像进行预处理，车辆检测与跟踪以及距离估算，再通过危险性判定，最终达到对驾驶员防碰撞预警的目的。

车辆检测

车辆检测是获取车道区域内是否含有前方目标车辆，若无法判断是否存在目标车辆，防碰撞预警策略将是徒劳无功的。

(1)目标区域阈值分割

本发明采用改进的OTSU算法，具体步骤如下：

1)选取N个小矩形窗口，每一个窗口大小为50*50像素，且每个窗口间隔50像素；在本实施例中，N＝3；

2)分别计算小矩形窗口各自的灰度均值μ_i和方差均值δ_i，然后对其求取平均值，并把这些均值作为当前灰度值μ_m和当前方差值δ_m；

3)设定A∈[μ_m-3δ_m,μ_m+3δ_m]，确定一个阈值范围；

4)在矩形窗口的图像中随机产生N个第一次寻优的初始种群，通过bs2rv函数进行二进制码和实值的转变；在本实施例中，N＝10；

5)计算种群中各个个体的适应度值：f(X₁₁)～f(X_1N)，公式如下：

P₁＝S₁/I，P₂＝S₂/J

F(k)＝I*J*(P₁-P₂)*(P₁-P₂)/(256)²

式中，F(k)为适应度函数；I和J分别为目标图像和背景图像的像素数；S₁为目标图像的像素和；S₂为背景图像的像素和。

6)以Matlab中代沟遗传算法(GA)的select作为选择程序，设GA＝0.9；

7)打乱种群中个体的顺序，然后随机排序，两两组成新的一组，并根据事先预定的交叉概率进行交叉操作，生成新一代种群(交叉概率P_c＝0.7)；

8)使用变异概率P_m变异当前种群每一行相对应的一个个体中的每一个元素，进而形成新一代群体；在本实施例中，P_m＝0.4；

9)设定指定代数G作为寻优循环跳出的判断条件，如不满足，然后转到步骤3继续寻优；否则转到步骤7；进一步的说明，适应度函数F(k)的值，如果在指定代数G内还没有取得局部极大值，则进行循环搜索且这里的寻优次数要小于指定代数G；然后跳出循环；在本实施例中，G＝150；

10)若满足终止条件，即：适应度函数F(k)的值，如果在指定代数G内取得了局部极大值，则终止，则GA最优解输出就是最后一代群体中适应度最大的个体，再将其反编码，得到对应的十进制灰度值t，则t就是GA得到的阈值；

11)依据设定的阈值A，结合最大类间方差法在[t-A,t+A]范围内进行局部最优搜索。

(2)车底阴影检测

采用基于车辆底部阴影的梯度特征验证目标车辆，设待检测的车辆底部阴影起始位置为x_start，终点位置为x_end，当搜索符合下式(1)时，记为起点，继续进行扫描；当符合下式(2)时，记为终点。

f(x-1,y)-f(x,y)＝255和f(x,y)-f(x+1,y)＝0 (1)

f(x,y)-f(x-1,y)＝0和f(x+1,y)-f(x,y)＝255 (2)

上式中，f(x,y)表示二值化图像中的像素灰度值。

令length＝x_start-x_end，并设定满足下式(3)时，阴影线保留，否则将其剔除。

35≤length＝x_start-x_end≤120 (3)

式中length表示自然环境光源产生的车辆底部阴影长度。

(3)验证目标车辆

采用垂直、水平投影直方图验证感兴趣区域ROI是否为车辆区域，在车辆底部阴影的感兴趣区域ROI中划分左右区域，设左区域投影直方图数值连续的区域为L_c，右区域投影直方图数值连续的区域为R_c，且各自的区域宽度为W_len＝0.05*L_c＝0.05*R_c；记L_c区域内垂直边缘的最大连续长度为L_clen，R_c区域内垂直边缘的最大连续长度为R_clen，将L_clen与R_clen进行匹配，若满足下式，则判定ROI区域内含有目标车辆，否则为非车辆区域。

$\frac{\left|L_{clen}-R_{clen}\right|}{2(L_{clen}+R_{clen})}\≤0.5$

2.车辆测距

本发明采用几何关系投影结合摄像机标定的方法，具体步骤如下：

1)根据图4和图5的几何关系，若可以求出γ₁、α₀、α₁，从而可以估算出距离：

${\mathrm{\γ}}_1=\arctan \left(\frac{GI}{H}\right)---\left(4\right)$

${\mathrm{\α}}_0=\arctan \left(\frac{H}{2f}\right)---\left(5\right)$

${\mathrm{\α}}_1=\arctan \left(\frac{P_y-y_0}{f}\right)---\left(6\right)$

其中，γ₁是摄像机的俯仰角，α₀是摄像机与最近点的夹角，α₁是摄像机与P点的夹角，GI是摄像机视野最近点距离，H为摄像机J的高度，P_y为P点在y轴的投影坐标，y₀是摄像机坐标零点，f是摄像机的焦距。

2)通过上述(4)、(5)、(6)三式得到任意一点P点到摄像机的距离为P_yI：

$P_{y}I=h\·tan\{\arctan \left(\frac{GI}{H}\right)+\arctan \left(\frac{H}{2f}\right)+\arctan \left(\frac{P_y-y_0}{f}\right)\}---\left(7\right)$

h是摄像机y轴投影高度，P_yI为世界坐标系中的任意一点P点到摄像机的距离。

3)上式中的P点坐标是在摄像机坐标系，而摄像机成像平面单位为毫米，处理图像时单位为像素，因此需要进行坐标系转换。

u＝s_x×x+u₀ (8)

v＝s_y×y+v₀ (9)

其中，(u,v)表示像素点在图像坐标系中列数与行数，(u₀,v₀)表示(u,v)在成像平面坐标系中列数与行数，s_x、s_y分别为摄像机坐标系中的x轴和y轴的坐标值，单位为像素/毫米。

4)将y₀设为0，(8)、(9)式代入(7)式，推导出距离测量公式d：

$d=h\·tan\{\arctan \left(\frac{GI}{H}\right)+\arctan \left(\frac{V}{2f}\right)+\arctan \left(\frac{(v-v_0)}{f}\right)\}---\left(10\right)$

V,v,v₀分别表示像素点在摄像机坐标系、图像平面坐标系和成像平面坐标系中的行数。

在另一种实施例中，当与前方车距大于设定的安全距离时，自车处于安全状态；当与前方车距小于设定的安全距离时，自车应立即对驾驶者进行预警，发出报警声音；当驾驶者未采取任何行动时，此时预警上升为紧急性预警，应不仅发出报警声音还应辅助有方向盘、座椅振动等综合预警的产生，提示驾驶者进行相应的避撞措施；在本实施例中，作为一种优选，假设前方目标车辆与自车的安全距离为S，测量距离为W。当W＞S时，预警策略为安全状态；当W＜S时，预警策略为提示性预警，并发出报警声音；当W＜0.7*S时，预警策略上升为紧急性预警，不仅发出警告，同时伴随方向盘、座椅振动等综合措施，该方法能更加准确的估算出自车与前车的距离，并报警提醒驾驶员采取措施处理，大大减少道路交通事故的发生。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种基于视觉的车辆防碰撞预警方法，其特征在于，包括：

对前方图像进行采集，判断车道区域内是否含有目标车辆；

若车道区域内有目标车辆，通过摄像机与所述前方图像中任意点拟定坐标系，计算出所述任意点与所述摄像机的距离，再通过坐标系转换，将所述任意点在摄像机坐标系中的坐标与摄像机成像平面坐标系中的坐标进行对应，得到所述目标车辆的距离；以及

通过目标车辆的距离与设定的安全距离进行比较后，对驾驶员进行预警。

2.如权利要求1所述的基于视觉的车辆防碰撞预警方法，其特征在于，对所述图像采集采用图像传感器，通过霍夫变换检测识别路面区域车道线，确定车道线的长度及斜率，再判断是否为感兴趣区域，在所述感兴趣区域内判断是否含有目标车辆。

3.如权利要求2所述的基于视觉的车辆防碰撞预警方法，其特征在于，所述感兴趣区域同时满足以下条件：

最小线段长度超过阈值45个像素长度；

在同一条直线上，相邻两线段距离大于5个像素长度就合并；

左侧车道斜率10°≤θ₁≤60°和右侧车道斜率120°≤θ₂≤170°。

4.如权利要求2所述的基于视觉的车辆防碰撞预警方法，其特征在于，在所述感兴趣区域内通过最大类间方差法得到图像处理的最佳灰度阈值范围后，再基于所述目标车辆底部阴影的梯度特征对车辆底部阴影进行检测，最后验证所述感兴趣区域是否为所述目标车辆区域；从而确定所述感兴趣区域内是否含有所述目标车辆。

5.如权利要求4所述的基于视觉的车辆防碰撞预警方法，其特征在于，所述最大类间方差法，包括如下步骤：

步骤a、选取图像中多个具有相同像素数的矩形窗口，并且每个矩形窗口间隔一定像素数，确定所述窗口中的图像初始灰度阈值范围A；

步骤b、在所述窗口的图像中随机产生多个初始种群，利用代沟遗传算法，构建新一代种群，指定代数判断是否满足寻优循环终止条件；

步骤c、满足寻优循环终止条件后，所述代沟遗传算法输出阈值；

步骤d、将所述输出阈值转换为灰度值t，其结合对应矩形窗口的图像初始灰度阈值范围A，得到图像处理的最优灰度阈值范围[t-A,t+A]。

6.如权利要求5所述的基于视觉的车辆防碰撞预警方法，其特征在于，所述步骤b中，计算所述初始种群中个体的适应度，所述步骤d中所述输出阈值为满足寻优循环终止条件后，最后一代群体中适应度最大的个体反编码后对应的十进制灰度值t。

7.如权利要求4所述的基于视觉的车辆防碰撞预警方法，其特征在于，所述车辆底部阴影检测通过如下方式：搜索二值化图像中的像素灰度值f(x,y)，当符合f(x-1,y)-f(x,y)＝255和f(x,y)-f(x+1,y)＝0时，记为所述目标车辆的车辆底部阴影起始位置，继续进行搜索，当符合f(x,y)-f(x-1,y)＝0和f(x+1,y)-f(x,y+＝255时，记为所述目标车辆的车辆底部阴影终点位置，所述起始位置与所述终点位置之间的区域为所述车辆底部阴影。

8.如权利要求7所述的基于视觉的车辆防碰撞预警方法，其特征在于，所述车辆底部阴影满足条件35≤length＝x_start-x_end≤120时，阴影线保留，否则将其剔除；其中，x_start为所述目标车辆的车辆底部阴影起始位置，x_end为所述目标车辆的车辆底部阴影终点位置。

9.如权利要求4所述的基于视觉的车辆防碰撞预警方法，其特征在于，如果满足条件则所述感兴趣区域内含有目标车辆，否则为非车辆区域；其中，L_clen为所述感兴趣区域内的左区域投影直方图数值连续的区域中垂直边缘的最大连续长度，R_clen为所述感兴趣区域内的右区域投影直方图数值连续的区域中垂直边缘的最大连续长度。

10.如权利要求1、2、4-9中任一项所述的基于视觉的车辆防碰撞预警方法，其特征在于，通过公式得出摄像机坐标系中前方图像任意点P点到摄像机的距离P_yI，再通过公式得出所述目标车辆与本车的距离d；其中，GI是摄像机视野最近点距离，H为摄像机J的高度，P_y为P点在y轴的投影坐标，y₀是摄像机坐标零点，f是摄像机的焦距，h是摄像机y轴投影高度，V,v,v₀分别表示像素点在摄像机坐标系、图像平面坐标系和成像平面坐标系中的行数。