CN106197382B

CN106197382B - 一种车载单摄像头目标动态测距方法

Info

Publication number: CN106197382B
Application number: CN201610726255.5A
Authority: CN
Inventors: 陈远金; 张猛蛟; 鞠莉娜; 刘彬; 张磊; 白涛; 吕江萍; 梁宛玉
Original assignee: North Electronic Research Institute Anhui Co., Ltd.
Current assignee: Anhui North Microelectronics Research Institute Group Co ltd
Priority date: 2016-08-25
Filing date: 2016-08-25
Publication date: 2018-06-05
Anticipated expiration: 2036-08-25
Also published as: CN106197382A

Abstract

本发明公开了一种车载单摄像头目标动态测距方法，包括以下步骤：取样摄像头视频图像的0时刻的画面，定义为第1帧画面PT[0]，并对画面进行灰度化处理对灰度化处理后的图像进行目标的识别，得到典型目标的轮廓，并用方形标记，并记录此时目标的成像方图的像高度和像宽度；顺序记录相邻i帧的PT[1]、PT[2]……PT[i]图像，得到在PT[N]图像中目标的成像图像的像高度和像宽度；记录当前的车辆行进速度；推导计算得到距目标的距离值。本发明的方法，单摄像头，无需辅助；实时性好，算法简练精干，易于与视频实时结合；不依赖光学参数和目标物体特征；对场景适应能力强；成本低，实用性强。

Description

一种车载单摄像头目标动态测距方法

技术领域

本发明涉及一种车载单摄像头目标动态测距方法，可实现单摄像头对前方或后方物体或目标进行动态测距。

背景技术

动态距离测量是众多应用领域的一个基本问题，在导航、建筑施工、交通控制、军事中均有着重要的应用价值。

传统的动态距离测量方法主要包括两种，一是：采用激光、声纳、测距雷达等有源装置进行主动测量，这种测量方式除了成本高外，被测目标易受到影响(激光，雷达电磁辐射等)，不利于被测目标的保护和测量活动(如军事侦察)的隐蔽。二是：基于图像(视频)视觉的测量方法，根据系统所要求的图像采集镜头的数量，又可分为基于多目观测的测量方式和基于单目观测的测量方式。

基于多目观测的测量方式又称为基于立体像对的目标测量，是动态目标测量研究中最为成熟的一种方法，它利用立体像对的三角交会原理进行距离测量，具有算法设计简单的优点；其缺点是图像采集需要专业设备，复杂昂贵，每个采集镜头成像参数以及多个镜头之间的相对姿态参数必须事先经过严格校正才能保证测量的准确性；为了保证测距精度，两个采集镜头之间的基线相对于测量目标的尺寸比必须足够大，造成设备的应用限制较大；而与之相比，基于单目观测的目标测量方式对成像设备的要求大大降低，无需专业立体成像设备，任何具有成像能力的设备如普通的监控摄像机、家用DV等都可以做为系统的图像采集镜头，同时也不存在立体成像设备的基线要求限制；所付出的代价是算法的复杂性增高，对系统的计算能力要求较高。

目前对基于单目观测的目标测量方法研究仍集中在二维平面场景的测量和目标同名特征已知情况下的三维刚体目标测量，应用范围限制较大，限定应用场景或限定目标类型，自动化程度较低，需要用户手工标定目标同名特征信息；对在事先未知目标同名特征情况下的三维刚体目标测量的研究并不多见，而这正是实际应用中最为需要的。

要实现测距，一般的技术方法有双目视觉定位法，激光测距、雷达测距(超声波、毫米波、厘米波测距等)以及光学投影法。

采用双目视觉定位法(见中国专利：CN201210430928.4、CN201110238242.0、CN201310202663.7)，模拟人眼成像原理，需要利用2个摄像头，同时采集图像数据，利用2个摄像头的固定位置差，以及目标图像在两个摄像头中的位置差，结合三角函数关系，即可计算出目标位置。

激光测距(见中国专利：CN201410040445.2)，利用光速不变原理，一般采用发射主动激光脉冲，然后测量回收的激光脉冲与发射脉冲的时间差，然后计算光程。激光测距精度高，速度快，但激光发射、脉冲检测装置非常复杂昂贵，而且具备不安全因素。

雷达测距的应用较多，其利用多普勒原理进行测距和测速，不同的应用，根据精度和成本考虑，有超声波(见中国专利：CN201210466663.3)、毫米波测距等等。

此外还有光学投影法(见中国专利：CN201310410512.0)等，也可以获得距离信息，但需要专门的投影设备以及精确的投影源图像，不仅体积大，对设备要求较高，对应用环境也要求高，不适合车载应用。

采用单摄像头实现测距的专利主要的技术途径有：

中兴公司的中国专利CN201110216724.6，虽然采用的单摄像头，但其实际上是利用在摄录平移目标时，目标与摄像头发生了相对平移，如果记录平移运动的信息，则可以采用类似双目测距的方式，得到目标的距离信息。但其主要用于对目标连续跟踪，且在测距时必须记录运动信息，并且相对目标要进行平移运动，不能对前方物体实时测距。

哈尔滨工业大学的中国专利CN201410100639.7，针对待测目标，采用固定摄像头，特定角度固定的方式，对图像进行计算机技术分析，利用投影几何解算，得到物体距离，其需要特定光源、特定的角度等等限制措施，不利于车载运动应用。

北京航空航天大学的中国专利CN201310446303.1，采用立式标靶对单摄像头系统进行距离和高度数据定标，然后根据待测目标的图像和投影信息，比对标准靶标信息，获得目标信息，该系统需要标靶定标。

广州市佳思信息科技有限公司的中国专利CN201310115393.6，在0.5m和1m两个标准的距离下的，对人脸标定值，然后根据标定值，对光栅进行修正。其用于裸眼3D应用，与本发明应用领域和方法差异较大。

清华大学的中国专利CN201010224728.4，基于单目视频，采用2D-3D的推算，然后3D-2D的反演比较，不断的迭代处理，可以获得2D图像中的3D信息，但其采用方法中，3D的演算计算量大，且涉及到算法可能不收敛，得不到最终的结果。另外，由于涉及到不断的迭代，不适合实时视频测距要求。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了基于车载应用的单摄像头视频的实时目标动态测距方法，无需增加额外设备，具有不损伤被观测目标优点，同时具有成本低、自动化程度高的优点。非常适合车载应用。

为解决上述技术问题，本发明提供一种车载单摄像头目标动态测距方法，其特征是，包括以下步骤：

步骤1：取样摄像头视频图像的0时刻的画面，定义为第1帧画面PT[0]，并对画面进行灰度化处理；

步骤2：对灰度化处理后的图像进行目标的识别，可得到典型目标的轮廓，并用方形标记，并记录此时目标的成像方图的像高度PTH(0)和像宽度；

步骤3：顺序记录相邻i帧的PT[1]、PT[2]......PT[i]图像，得到在PT[N]图像中目标的成像图像的像高度PTH(N)和像宽度PTW(N)，其中，N＝1，2,…,i；

步骤4：记录当前的车辆行进速度；

步骤5：推导计算得到距目标的距离值。

步骤5中，推导计算步骤如下：

设定：摄像头相对目标的运动速度为V，摄像头焦距为f，视频每帧积分时间为FS，目标的高度为TH，在选定的时间0点，最初始的目标和摄像头的距离为L₀，图像帧编号为N，则实时的时间为：

t＝N×FS (1)

此时摄像头距目标的距离为：

L(N)＝L₀-Vt＝L₀-N×V×FS＝L₀-k₁N (2)

其中，令：

k₀＝f×TH (3)

k₁＝V×FS (4)

记k₁作单帧运动量(也可认为为单帧误差)。

则有此时的第N帧图像中像高度

PTH(N)＝(f×TH)/(L(N))＝k₀/(L₀-k₁N) (5)

定义物像在下一帧的变化趋势大小为膨胀率，则此时在像高方向上的膨胀率

则有：

PTH(N)/PTH′(N)＝(L₀-k₁N)/k₁＝L₀/k₁-N (7)

故：

L₀＝(PTH(N)/PTH′(N)+N)×k₁ (8)

又：

则因为帧为自然数编号，且图像为连续变化，故得：

故有：

L₀≈(PTH(N)/(PTH(N+1)-PTH(N))+N)×k₁ (11)

取：

对帧数i取值，得到距目标的距离值。

同时，采用上述高度方向的计算步骤通过对图像的宽度方向的计算得到距目标的距离值。

若目标的像尺寸相对变化不超过相邻帧目标像的单元像素大小，则采用图像帧中缓存的PTH(M)，PTH(N)图像，利用下式(17)来计算，其中，PTH(M)-PTH(N)为像变大小超过单元像素大小时的最小间隔，亦即达到可进行数字化图像处理的门槛；

其中，PTH(M)-PTH(N)为像变大小超过单元像素大小，亦即达到可进行数字化图像处理的门槛。

通过不同的摄像系统选择i在1～10以内，即存储的帧数据不超过10帧。

本发明所达到的有益效果：

1、采用单摄像头，且无需辅助(光源、特征靶、激光等)；

2、实时性好，算法简练精干，易于与视频实时结合；

3、不依赖光学参数和目标物体特征；

4、无需严格的安装要求，对场景适应能力强；

5、成本低，实用性强。

附图说明

图1是系统工作原理图；

图2是不同车速和测量距离下的测量结果。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

一、本发明的基本原理：

当车辆在行进或者倒车过程中，一般面对前方和后方的目标，此时获得的视频中，因摄像头获取图像的帧频普遍在50帧/秒，因此在相对短的时间内，一般可以认为汽车行进方向与视频方向同向，且与目标面垂直。基于此，瞬时视频中目标像的大小，不仅有目标尺寸信息，而且其尺寸信息由焦距、目标大小、目标距离等信息决定，但上述因素为独立不相关量，因此理论上单帧图像无法解算出距离信息。但如将视频中目标像的尺寸以及尺寸变化率进行关联计算处理，可发现其尺寸信息与尺寸变化率的比值恰好消去了焦距、目标大小等计算量，而只剩下距离信息，而目标像的尺寸变化率是实时的，亦即可以解算出目标的实时距离。

本发明的具体实现步骤：

步骤1：取样摄像头视频图像的0时刻(任意起点)的画面，定义为第1帧画面PT[0](photo of Target)，并对画面进行灰度化处理(比如：灰度分布8bits，从黑到白分布为0～255)；

步骤2：对灰度化处理后的图像进行目标识别，可得到典型目标的轮廓，并用方形标记，例如：针对典型目标1(Target1)，并记录此时目标1成像方图的像高度：PTH(0)(height of Target picture)和像宽度：PTW(0)(width of Target picture)。

步骤3：顺序记录相邻几帧的PT[1]、PT[2]......PT[i]图像(通过不同的摄像系统，选择i在1～10以内，即存储的帧数据不超过10帧即可)，经过步骤1和步骤2，得到在PT[N](N＝1，2…)图像中目标1成像方图的像高度：PTH(N)和像宽度：PTW(N)。

步骤4：记录当前的车辆行进速度；

步骤5：通过公式(15)或(16)计算，可得到典型目标1的距离值，整个的理论推导过程如下：

假定：摄像头相对目标运动速度为V，摄像头焦距为f，视频每帧积分时间为FS(一般大于50帧/秒，每帧时间不过20毫秒)，目标的高度为TH，在选定的时间0点，最初始的目标和摄像头的距离为L₀，图像帧编号为N，则实时的时间为：

t＝N×FS (1)

此时摄像头距的目标的距离为：

L(N)＝L₀-Vt＝L₀-N×V×FS＝L₀-k₁N (2)

其中，令：

k₀＝f×TH (3)

k₁＝V×FS (4)

记k₁作单帧运动量(也可认为为单帧误差)。

则有此时的第N帧图像中物像高度PTH(N)：

PTH(N)＝(f×TH)/(L(N))＝k₀/(L₀-k₁N) (5)

定义物像在下一帧的变化趋势大小为“膨胀率”，则此时在物像高方向上的“膨胀率”

显然有：

PTH(N)/PTH′(N)＝(L₀-k₁N)/k₁＝L₀/k₁-N (7)

故有：

L₀＝(PTH(N)/PTH′(N)+N)×k₁ (8)

又：

则因为帧为自然数编号，且图像为连续变化，故可近似得：

故有：

L₀≈(PTH(N)/(PTH(N+1)-PTH(N))+N)×k₁ (11)

为提高计算精度，可取：

为方便算法处理，取帧数i＝3，有：

L00是通过第1帧图像和第0帧图像，计算出的初始目标和摄像头的距离；

L01是通过第2帧图像和第1帧图像，计算出的初始目标和摄像头的距离；

L02是通过第3帧图像和第2帧图像，计算出的初始目标和摄像头的距离；

因为，单从相邻帧计算初始目标和摄像头的距离误差较大，因此取多个相邻帧的计算结果进行平均，这样得到的初始目标和摄像头的距离误差相对较小。

因为，显然一般情况目标的像尺寸远大于相邻帧目标像的变化大小，亦即：

PTH(N)＞＞(PTH(N+1)-PTH(N)) (14)

PTH(N)/(PTH(N+1)-PTH(N))＞＞1,2,3…

故：

上述计算仅仅取了物像的高方向，针对物像的宽度方向来计算物体，完全可以同比得出。

至此，式(15)或(16)中，PTH(0),PTH(1),PTH(2),PTH(3)为相邻帧0,1,2,3,的目标像大小，可非常容易从视频流中获取。而k₁则由V×FS决定，也易于获得。

特别的，如果PTH(0),PTH(1),PTH(2),PTH(3)相对变化过小，不足以超过单元像素大小，则可以采用图像帧中缓存的PTH(M)，PTH(N)图像，利用公式(17)来计算，其中，PTH(M)-PTH(N)为像变大小超过单元像素大小时的最小间隔，亦即达到可进行数字化图像处理的门槛。换而言之，只要像变大小累积到超过最小数字化图像处理门槛，即可计算出当前距离。

其中，PTH(M)-PTH(N)为像变大小超过单元像素大小，亦即达到可进行数字化图像处理的门槛。换而言之，只要像变大小累积到超过最小数字化图像处理门槛，即可计算出当前距离。

在普遍的场景下，车辆泊车时速度为5km/h，高速行驶速度120km/h，而当前摄像头每帧积分时间为10～20ms，故k₁分布在0.0138m(5km/h)～0.667m(120km/h)，故有：

理想情况下，图像质量较好时，L₀的计算精度(误差)与k₁分布应相同，为0.0139m～0.667m，此精度对于泊车和高速行驶而言，大大超出应用需求。

二、系统构成：

1、系统构成：车速记录设备(车本身或摄像头自带的运动记录)、摄像头，距离解算装置(可集成在摄像头图像处理板中)。

2、系统原理示意图如图1所示。

三、计算举例

以常见的汽车在小区、商场以及泊车为例，其一般速度在30km/h以内，取较大值30km/h，汽车行进前方10m处有一路人(按照1.7m高，0.5m宽)等效。摄像头采用f＝12mm焦距镜头，帧频50帧(20ms)。则此时的解算距离为：

物像大小：(实际不需要计算，从图像视频中就可以获得大小)

PTH(0)＝12mm×1.7m/10m＝2.04mm；

PTH(1)＝12mm×1.7m/(10m-30km/h×20ms)＝2.074mm：

取最简粗略估算时，利用式(12)，取N＝0(i＝0)，测量距离为：

L＝(30km/h×20ms)×(PTH(0)/(PTH(0)－PTH(1)))＝9.833m

与实际距离10m的误差为0.167m，与上述的其实恰为车辆在相邻帧移动时(30km/h×20ms)＝0.167m所引发的。特别的，我们将典型场景建模，并将一级粗略计算结果绘制成图，如图2所示。

以红色线条代表的场景，目标距离L＝10m，当车辆从5km/h到120km/h以1km/h的间隔测量时，测量结果显示，在低速时误差较小，在车速为60km/h，误差为0.333m，在车速为20km/h，误差为0.5m，在车速为120km/h，误差为0.667m。平均3.4％的误差，在绝大多数辅助驾驶的应用场合是完全可以接受的。

附注：不同距离和速度下的测量结果计算代码(matlab)

clear all；

％---------------------------------------

％单摄像头进行动态测距最简估算方法

％注意注意相邻帧的差值要大干1个像素

f＝12.*10^-3；％12mm焦距

H＝1.7；％1.7m典型人目标等效高度

PixelH＝1.6.*10^-6；％常见摄像头像元尺寸

FS＝20.*10^-3：%20ms％常见摄像头像帧频20帧/秒

％---------------------------------------

for(L＝1∶1∶20)％距离从1m到20m测量

v＝5∶1∶120；％车速从5～120km/h测量

k1＝v*FS./3.6；％相邻帧误差

k1＝subs(k1)；

PTH0＝f*H/L；％第0帧像尺寸

PTH1＝f*H./(L-k1)；％第1帧像尺寸

％---------------------------------------

TPixelH＝subs((PTH1-PTH0)/PixelH)；％像尺寸偏差量与像元大小之比

if(TPixelH＞＝1)

pk＝subs(PTH0./(PTH1-PTH0))；

Lx＝subs(k1.*pk)；％距离测量结果

plot(v，Lx，’b’)；

hold on；

end

grid on；

xlabel(’车辆速度(km/h)’)；

ylabel(’距离测量结果(m)’)；

end

％---------------------------------------|

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims

1.一种车载单摄像头目标动态测距方法，其特征是，包括以下步骤：

步骤2：对灰度化处理后的图像进行目标的识别，得到典型目标的轮廓，并用方形标记，并记录此时目标的成像方图的像高度PTH(0)和像宽度；

步骤4：记录当前的车辆行进速度；

步骤5：推导计算得到距目标的距离值；

步骤5中，推导计算步骤如下：

t＝N×FS (1)

此时摄像头距目标的距离为：

L(N)＝L₀-Vt＝L₀-N×V×FS＝L₀-k₁N (2)

其中，令：

k₀＝f×TH (3)

k₁＝V×FS (4)

记k₁作单帧运动量；

则有此时的第N帧图像中像高度

PTH(N)＝(f×TH)/(L(N))＝k₀/(L₀-k₁N) (5)

<mrow> <msup> <mi>PTH</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>d</mi> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>d</mi> <mi>N</mi> </mrow> </mfrac> <mo>=</mo> <msub> <mi>k</mi> <mn>0</mn> </msub> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>/</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>L</mi> <mn>0</mn> </msub> <mo>-</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mi>N</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

则有：

PTH(N)/PTH＇(N)＝(L₀-k₁N)/k₁＝L₀/k₁-N (7)

故：

L₀＝(PTH(N)/PTH＇(N)+N)×k₁ (8)

又：

<mrow> <msup> <mi>PTH</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mi>lim</mi> <mrow> <mi>&Delta;</mi> <mi>N</mi> <mo>&RightArrow;</mo> <mn>0</mn> </mrow> </munder> <mfrac> <mrow> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>+</mo> <mi>&Delta;</mi> <mi>N</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&Delta;</mi> <mi>N</mi> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

则因为帧为自然数编号，且图像为连续变化，故得：

<mrow> <msup> <mi>PTH</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> <mo>&ap;</mo> <mfrac> <mrow> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>M</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mi>N</mi> </mrow> </mfrac> <mo>=</mo> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>

故有：

L₀≈(PTH(N)/(PTH(N+1)-PTH(N))+N)×k₁ (11)

取：

<mrow> <msub> <mi>L</mi> <mn>0</mn> </msub> <mo>&ap;</mo> <mrow> <mo>(</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>N</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>i</mi> </munderover> <mo>(</mo> <mrow> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <mrow> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mrow> <mi>N</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>+</mo> <mi>N</mi> </mrow> <mo>)</mo> <mo>&times;</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>/</mo> <mi>i</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>

对帧数i取值，得到距目标的距离值。

2.根据权利要求1所述的一种车载单摄像头目标动态测距方法，其特征是，同时，采用上述高度方向的计算步骤通过对图像的宽度方向的计算得到距目标的距离值。

3.根据权利要求1所述的一种车载单摄像头目标动态测距方法，其特征是，若目标的像尺寸相对变化不超过相邻帧目标像的单元像素大小，则采用图像帧中缓存的PTH(M)，PTH(N)图像，利用下式(13)来计算，其中，PTH(M)-PTH(N)为像变大小超过单元像素大小时的最小间隔，亦即达到可进行数字化图像处理的门槛；

<mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mi>PTH</mi> <mo>&prime;</mo> </msup> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> <mo>&ap;</mo> <mfrac> <mrow> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>M</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mi>N</mi> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>L</mi> <mn>0</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mi>P</mi> <mi>T</mi> <mi>H</mi> <mo>(</mo> <mi>N</mi> <mo>)</mo> <mo>/</mo> <msup> <mi>PTH</mi> <mo>&prime;</mo> </msup> <mo>(</mo> <mi>N</mi> <mo>)</mo> <mo>+</mo> <mi>N</mi> <mo>)</mo> </mrow> <mo>&times;</mo> <msub> <mi>k</mi> <mn>1</mn> </msub> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

4.根据权利要求1所述的一种车载单摄像头目标动态测距方法，其特征是，通过不同的摄像系统选择i在1～10以内，即存储的帧数据不超过10帧。