[发明专利]基于单目视觉的道路车辆识别方法及系统

说明书

本发明公开了基于单目视觉的道路车辆识别方法及系统，属于智能车辆道路环境感知领域，涉及利用机器视觉的方法感知道路车辆的方法。所述方法包括：图像预处理，感兴趣区域提取，感兴趣区域验证。本方法通过路面附着系数获得图像分割阈值，将道路与非道路区域分隔开；通过对车辆尾灯颜色特征提取，划定感兴趣区域，缩小车辆搜索范围，降低运算复杂度；利用边缘检测算法，识别车辆尾部边缘，进一步利用车辆尾部对称性特征，验证感兴趣区域内车辆的存在，提高了算法对车辆识别的准确性和可靠性。

技术领域

本发明属于智能汽车道路环境感知领域，具体涉及一种基于单目视觉的车辆识别方法及系统。

背景技术

智能车辆是一个集环境感知、决策规划、控制执行等多功能于一体的综合系统，集中运用了现代传感技术、信息与通信技术、自动控制技术、计算机技术和人工智能等技术，代表着未来汽车技术的战略制高点，是汽车产业转型升级的关键，也是目前世界公认的发展方向和汽车工业增长的新动力。目前对智能车辆的研究主要集中于车辆的安全性和舒适性，道路环境感知技术是智能车辆驾驶系统中的基础和核心环节，是确保车辆行驶安全与舒适的重要技术，而道路车辆识别是实现该技术的首要环节。

在此领域内国内外专家学者提出了诸多技术，Vislab研制的无人驾驶汽车ARGO系统使用视觉作为主要的传感器，通过建立车辆二自由度动力学模型和预瞄跟随模型，引入反馈监督信号，由于在图像重建道路环境后，需要通过复杂的拟合过程才能得到合适的方向盘输出，所以方法的计算复杂度很高，硬件资源消耗大。Srinivasa等人通过基于车辆预设模型的方法，该方法虽然算法简单，处理速度快，但是对车辆模型过分依赖，由于车型的多样性，一种模型往往不能适用于所有的车辆。Bebis等人利用基于运动的方法，该方法对于旁边车道车辆具有较好的检测效果，但对于前方车辆，由于动态环境下引入较多干扰因素，算法复杂度变高，运算量增大，检测效果并不理想。国内的赵日成等人结合车道线和车辆底部阴影等识别车辆，在较好的天气状况小，车辆识别率较高，但是受天桥、路牌等的干扰因素比较大。张文桂等人利用目前较为流行的机器学习的方法进行道路车辆识别，该方法的优点是检测效率高，实时性好，但是难以寻找足够充分且恰当的训练样本以涵盖不同场景、不同车辆等变量。

发明内容

针对目前车辆识别领域存在的鲁棒性和实时性无法满足智能驾驶车辆需求的问题，本发明提出一种基于单目视觉的车辆识别方法。该方法首先建立道路附着系数与路面灰度值的关系，由实时获取的路面附着系数得到对应图像分割阈值，完成对道路与非道路区域的分割，初步缩小车辆识别范围，继而通过对车辆尾灯特征提取，划分出车辆感兴趣区域(ROI)，并进一步通过对ROI区域内车辆边界特征、对称性特征的提取验证车辆的存在，降低了算法的漏检率和误检率。

为实现上述目的本发明采用的技术方案为：

一种基于单目视觉的道路车辆识别系统，所述系统包括：摄像头、工业测控计算机、上位机、试验车。将摄像头安装于试验车内前挡风玻璃合适位置，实时采集前方道路图像，通过数据传输通道将视频图像上传至工业测控计算机，工业测控计算机对采集到的数据图像进行处理，将处理结果上传至上位机，通过分析数据结果对试验车辆作出合理的控制决策。

根据上述识别系统，本发明提出了一种基于单目视觉的道路车辆识别方法，具体步骤如下：

图像采集：利用摄像头实时采集车辆前方道路图像。

图像预处理：利用车辆轮胎模型与动力学模型，提取道路附着系数，根据不同附着系数对应不同路面，不同路面对应不同分割阈值粗略地将道路与非道路区域分割出来，缩小车辆识别范围。

ROI区域划定：在图像预处理的基础上，通过选择合适的颜色空间，对车辆尾灯进行提取，并通过预设阈值对一定范围的图像进行提取，得到ROI区域。

车辆验证：利用边缘检测算子，对车辆尾部上下左右边缘进行提取，进一步缩小车辆感兴趣区域，并通过对该区域内图像对称性特征进行分析，验证ROI区域内车辆的假设。