0 引 言
隨著傳感技術和電子技術的發展，汽車先進駕駛輔助系統(advanced driver assistance sys—tems，ADAS)成為了當下汽車發展的1個重要方向，ADAS在應用時要根據不同的車輛行駛工況對車輛進行相應的控制，而準確的工況識別信號是合理的控制策略的基礎。目前用于ADAS行駛工況識別的傳感器主要有雷達傳感器和照相機傳感器2種，照相機傳感器具有在某些情況下不可替代及成本較低等特點，因此對利用照相機傳感器進行ADAS行駛工況識別技術的研究具有重要意義。
基于照相機傳感器的ADAS行駛工況識別技術的研究主要包括前方車輛的跟蹤測距以及車道線的跟蹤檢測，對此國內外學者都分別有相應的研究，如Gideon P.Stein等[1]利用透視幾何原理對前方車輛測距與速度跟蹤的方法進行研究;王榮本等[2]利用車輛底部的陰影特征以及圖像的紋理特征識別車輛，再通過投影變換進行車輛測距;以及用于車道線檢測的GOLD[3]算法、RALPH[4]算法、LANA[5]算法等。上述方法都在一定程度上解決了利用照相機對車輛進行跟蹤定位的問題，但是算法較繁瑣，忽略了一些與算法精度相關的影響因素，并且沒有將車輛跟蹤定位和車道線跟蹤檢測相結合，以致不能綜合分析行駛工況，不能夠為ADAs控制策略提供準確的工況識別信息。
因此，筆者提出基于坐標映射與定比分線并能夠抵抗俯仰角干擾的測距方法，并且在目前車道線檢測方法進行改進和完善得到基于置信度判斷與kalman濾波技術的車道線跟蹤檢測方法。并且將二者相結合，為汽車ADAS提供必要的工況識別信號。
1 基于視覺傳感器的前方車輛跟蹤測距方法研究
采用Adaboost分類器檢測出照相機捕捉的路況圖像中的車輛。然后為了能夠為ADAS系統提供車輛行駛工況識別參數，筆者對前方車輛空間位置進行定量描述。目前利用圖像信息進行空間定位的方法大都是基于照相機標定技術，不僅過程繁瑣而且對車輛測距效果不夠理想。因此筆者提出了1種基于坐標映射與定比分線且能抵抗俯仰角干擾的前方車輛測距方法。如圖1所示，前車與本車距離不同時，圖像中車輛底端在圖像中縱坐標位置也不同，且前車與本車距離越遠，前車底端在圖像中位置越高，再由小孔成像原理可知，前方車輛距離與車輛底端在圖像中像素縱坐標存在一定的映射關系。
筆者試圖通過實驗建立上述映射關系：在某乘用車上安裝照相機傳感器，在車輛前方已知位置處放置一系列標定板，采集圖像，并獲取標定板底端在圖像中縱坐標，見表1。
觀察樣本點在圖像中分布規律，利用最小二乘法進行曲線擬合，提出曲線擬合函數模型，并反復修正，最后擬合結果為
式中：z為距離;x=y/100，y為像素縱坐標。該函數描述了空間距離與像素縱坐標的映射關系，從該函數中即可獲得相應像素縱坐標所對應的空間距離，進而實現對前方車輛定位。
為了驗證該方法對前方車輛進行測距的準確性，利用PreScan建立仿真場景，設置本車跟隨前方車輛行駛，并在本車上安裝照相機傳感器和雷達傳感器，見圖2。然后利用該方法測得的距離與雷達傳感器測量所得的準確距離進行比較，結果見圖3。從圖中可得利用上述方法測量所得前方車輛距離與雷達傳感器所測得前方車輛距離差值較小(在1 m以內)，因此證明了筆者提出的測距方法的準確性。
2 基于置信度判斷的車道線跟蹤檢測方法研究
目前的車道線檢測方法在大多數情況下能夠提取圖像中車道線，但在一些特殊情況下依然無法準確提取車道線。為了能夠為ADAS系統提供更加豐富的車輛行駛工況信息，筆者對目前的車道線的跟蹤檢測方法進行改進和完善。完善后的車道線檢測方法流程見圖4。
首先按照目前車道線檢測方法對每1幀圖像進行如下預處理步驟：高斯去噪、分區域最佳閾值二值化、刪除二值化圖像中不規則區域、骨架提取和膨脹。然后利用Hough變化提取圖像中車道線。
為了解決在一些特殊情況下依然無法準確提取車道線的問題，對Hough變換所提取的車道線進行置信度判斷。在正常情況下車道線在圖像中的消隱點位于圖像中橢圓形范圍內。且車道線的斜率也具有一定的范圍，因此以如下2個條件作為置信度判斷依據。
1)當車道線在圖像中延長到縱坐標為詈的h/2位置時，其橫坐標值滿足如下關系
式中：h為圖像縱向分辨率;叫為圖像橫向分辨率。
2)通過對大量車道線圖片進行統計，表明車道線與橫坐標夾角大多數分布在40～50度之間，因此第2個置信度判斷條件為車道線斜率滿足如下關系
經過上述步驟，準確獲得圖像中車道線，再利用Kalman濾波技術，以檢測所得車道線與圖像底邊截距和車道線斜率為參數進行濾波處理，實現對車道線的跟蹤檢測。利用上述步驟對實際道路中車道線進行檢測結果見圖5，結果顯示筆者所提出的車道線根據檢測技術幾乎能夠準確跟蹤檢測車道線，誤差小于1度。
3 結合車輛識別、定位與車道線檢測的ADAS系統車輛行駛工況判定方法研究
提出了1種基于PreScan的將所提出的車輛跟蹤測距與所完善的車道線跟蹤檢測方法相結合的方法，用以實現汽車ADAS系統對車輛縱向行駛工況的識別與判定，見圖6。
3.1前車與車道線位置關系的判斷以及危險車輛確定
當照相機捕捉的本車行駛工況檢測出若干輛汽車時，由于這若干輛汽車位于本車行駛車道線的不同位置對本車行駛安全產生的可能的影響程度不同，所以要對被識別車輛與本車車道線的位置關系進行判定。
利用PreScan將車輛檢測識別技術和車道線提取技術相結合，然后對被檢測車輛與本車車道線的位置關系進行分類，見圖7。并對不同的情況設定對本車行駛安全影響嚴重程度的權重。通過比較每1個由照相機測出的車輛與應用車道線提取技術檢測出的本車車道線的位置關系的權重，判定出對本車行駛安全影響最大的前方車輛，并將其與本車的距離做為ADAS系統判定車輛行駛工況的參數。
3.2 基于TTC參數的ADAS系統車輛行駛工況判定
在國內外眾多碰撞預警系統算法中，CMBS[8]算法利用TTC值作為本車行駛安全性的判斷指標，與筆者研究內容比較符合，因此借用CMBS算法對車輛行駛安全性進行判斷。為了使ADAS系統能夠對本車的行駛工況作出正確地判定，由上述確定的對本車行駛安全影響最大的前車的距離參數得到相應的TTC參數值。該算法在TTC<3時認為危險可能發生，發出報警信號，在TTC<2時發出更強烈的報警信號，在TTC<1時認為碰撞不可避免。
4 仿真驗證
4.1危險車輛判斷仿真驗證
為了驗證所提出的結合車輛檢測識別技術和車道線檢測技術的危險車輛判斷方法，進行大量的仿真實驗。其中最具有代表性的2組仿真驗證結果見圖8，9。
圖8仿真試驗的車輛行駛工況為：前方有2輛車，有1輛車A完全與本車位于同1車道上，而另1輛車B部分位于本車車道上，但B車與本車距離比A車與本車距離小。仿真結果表明，與本車距離較近且部分位于本車車道的車被判定為對本車行駛安全影響最大的車輛(在仿真實驗過程中最危險車輛用紅框圈出，其他車輛用黃框圈出，并且顯示所有車輛與本車的行駛距離)。
圖9仿真試驗的車輛行駛工況為：前方有2輛車，有1輛位于與本車相同的車道上C，而另1輛車D在本車所在車道與相鄰車道的中間位置上行駛而且D車與本車距離比C車與本車距離小。仿真結果表示，完全位于本車道的C車被判定為對本車行駛安全影響最大的車輛(在仿真實驗過程中最危險車輛用紅框圈出，其他車輛用黃框圈出，并且顯示所有車輛與本車的行駛距離)。
4.2 ADAS系統車輛行駛工況判定仿真驗證
最后對所提出的將車輛識別檢測、車輛測距以及車道線檢測相結合的方法能否為ADAS系統對車輛行駛工況的判定提供有效信號在PreScan環境中進行仿真驗證。仿真試驗中車輛行駛工況如下：前車位于本車車內，且其初始速度大于本車車速，在行進過程中前車進行變速行駛。在這個行駛工況中要驗證本文提出的算法能否判斷出前車與本車位于同1車道內、能否通過照相機對2車間距進行實時捕捉且是否能根據2車間距得到的TTC值為ADAS系統提供車輛行駛工況危險信號。仿真驗證結果見圖10，11。
由圖10和11可以得出，筆者所提出的基于照相機車輛識別檢測、車輛測距以及車道線檢測技術相結合的方法，能夠實時檢測出前車與本車距離、檢測出本車所在車道線、判斷出前車與本車車道線的位置關系，最后綜合分析本車行駛工況危險程度為ADAS系統提供信號。圖12為仿真試驗過程中行駛工況判斷圖。
5 結束語
筆者基于視覺傳感器提出了1種比較簡單的、可以實現抵抗俯仰角變化對測距干擾影響的前方車輛跟蹤測距方法，另外實現了車道線的準確跟蹤檢測，并通過實際道路試驗驗證方法的準確性，最后通過PreScan仿真實驗實現車輛跟蹤測距技術與車道線跟蹤檢測技術的結合，為ADAS系統提供準確的輸入信號，實現的最危險車輛的判斷，以及車輛行駛安全性的判斷，進而證明了本研究所得方法能夠對ADAS縱向行駛工況進行準確識別。
另外在進行分類器訓練時所采集的樣本主要是光照條件良好的環境，為了提高分類器對車輛識別的準確率，可采集如夜晚，雨雪天氣，隧道等行駛工況下的樣本進行分類器訓練。
參考文獻
[1] Gideon P.Stein，Mano 0，Shashua A.Vision-based ACC with a single camera：bounds on range and range rate accuracy[C].Intelligent Vehicles Sympo—sium，Columbus：Proceedings，IEEE. 9—1 1 June2003：120一125.
[2] 顧柏園，王榮本，郭 烈，等.基于機器視覺的道路上前方多車輛探測方法研究[J].ITS通訊，2005.7(2)：28—31.
[3] Bertozzi M，Broggi A.GOLD：A parallel real—time stereo vision system for gene“c obstacle and lane detection[J].Image Processing，IEEE Transactions on，1998，7(1)：62—81.
[4] Dean A，Pomerleau DA，Ralph H.Rapidly adapting lateral position handler[R].Detroit，USA：Proceed—ings of IEEE Symposium on Intelligent Vehicles，1995：506—511.
[5] Kreucher C，Lakshmanan s.LANA：A lane extrac—tion algorithm that uses frequency domain features[J].Robotics and Automation，IEEE Transactions on，1999，15(2)：343—350.
[6] Viola P，Jones M.Rapid object detection using a boosted cascade of simple features[C]∥computer Vision and PatternRecognition(CVPR)，Proceed—ings of the 2001 IEEE Computer Society Con{erence on.Hawaii：IEEE，2001.
[7] WU Chifeng，LIN Chengjian，LEE Chiyung.Apply—ing a functional neurofuzzy networkto real-time lane detection and front—vehicle distance measurement [C].IEEE Tramsactopms on systems，Man，and Cybernetics—partc：Applications and Reviews，2012，42(4).577—589.
[8] Bella F，Russo R.A collision warning system for rear—end coUision：a driving simulatorstudy[J].Pro—cedia—Social and Behavioral Sciences。2011，20(11)：676—686.
[9]童寶鋒.基于視覺傳感器的前方車輛跟蹤定位方法研究[D].長春：吉林大學，2014.
[10] 崔高健，黃銀花，田原嫖.基于立體機器視覺的前方車輛探測[J].計算機測量與控制，2006，13(9)：890一891.
[11] 李克強.汽車智能安全電子技術發展現狀與展望[j].汽車工程學報，2011(2)：4—17.
[12] 魏武，龔樹鋒，龔樹超.一種改進的基于視頻的車輛檢測與識別方法.計算機測量與控制，2010，19(1)：20一22.
[13] 李文波，王立研.一種基于Adaboost算法的車輛檢測方法口].長春理工大學學報，2009，32(2)：292—295.
