基于双CCD摄像技术的车辆安全预警系统研究

余国亮，连晋毅，王飞龙

(太原科技大学机械工程学院，太原030024)

自从汽车成为寻常百姓的代步工具之后，交通事故的频繁发生已经演变成为一场“交通战争”。以2011年[1]为例，全国共发生交通事故210812起，共造成62387人死亡，直接财产损失数亿元，其数目之惊心，令人有种“谈车色变”之感。而交通事故高发的重要原因之一就是汽车在高速道路上行驶时，驾驶员预测危险的潜意识以及应急反应能力比较差，反应速度相对滞后，因而对车辆主动安全预警防碰撞[2-4]系统的研发与应用势在必行。

与此同时，随着近年来电子技术和计算机科学的飞速发展，机器视觉——CCD摄像机在车辆智能防碰撞系统研究中不断崭露头角。它以采集图像速度快，反应灵敏，体积小巧轻便，性价比高等诸多优势越来越受到研究人员的重视。

1 车辆安全预警系统概述

车辆安全预警系统包括图像采集预处理模块、障碍物识别模块、路况信息显示模块、声光报警模块和紧急刹车模块[5]等(如图1)。

图1 车辆安全预警系统实现总框图Fig.1 The block diagram of vehicle safety warning system

图像采集处理模块是由CCD立体摄像机进行实时监测、采集车辆行驶前方的路况信息，并通过计算机图像处理技术，改善图像质量，提高人们的视觉效果。障碍物识别模块也是属于数字图像处理技术的范畴，进行图像分类识别，并通过相应的算法进行比较判断，最终识别出是车辆或行人等障碍物。路况信息显示模块是将拍摄到的实时路况信息，经图像处理技术处理后，将清晰的图像反映到液晶显示屏幕上，既扩展了驾驶员的视野，又能动态及时的检测路况信息，保障行驶安全。声光报警和紧急刹车模块是当系统判断出有障碍物出现、且其跟车行驶间距小于安全行车间距时，通过声光形式对驾驶员进行报警或采取的相应措施(如触发车辆自动进行紧急刹车来避免事故的发生等)。

2 CCD立体摄像技术

2.1 CCD 摄像头

CCD是Charge Coupled Device(电荷耦合器件)的缩写，是一种金属氧化物半导体(MOS)集成电路器件。它由许多以百万像素为单位的感光单元组成，能把光线转变成电荷，再通过模数转换器芯片转换成数字信号。由于其具有灵敏度高、抗强光、畸变小、体积小、寿命长和抗震动等优点而得到广泛应用。本系统采用的是日立制造所研制的单色CCD立体摄像头，像素约为30万，图像拍摄帧速30帧/s，识别范围为0～100 m和0～100 km/h的安全时速。

当景物光照射到CCD表面时，景物的图像经过镜头聚焦至其芯片上，并迅速将其按照光信号强弱的不同转换为高低不同的电信号，矩阵高速开关电路逐行逐点地将每点的电信号按顺序输出(将信号读出)，便可完整地将整幅景物电信号扫描出来。

2.2 双CCD立体摄像测距原理

利用双CCD立体摄像技术进行障碍物测距，是模仿人类用双眼来观察客观世界而产生距离远近的原理。它基本上类似于用双CCD摄像头同时拍摄两幅图像组合而成。由于物距远大于透镜焦距，因此，此模型可以用小孔成像原理代替透镜成像。故而，基于双CCD立体摄像头测距可以简化为如图2所示的平面模型。

虽然CCD摄像头拍摄的是空间立体三维图像，但是，可以把两个CCD和障碍物简化为三个点，三点确定一个平面，故而是一个二维平面图形。其中，物距为L，焦距为f，两CCD之间距离为b，以及成像点偏移 CCD 中心的距离X1，X2和夹角 θ1，θ2分别如图2所示。

图2 CCD摄像头测距模型图Fig.2 CCD camera location model

根据三角形相似原理[6]可得:

根据几何关系:X1=ftanθ1，X2=ftanθ2，带入式(2)式可得:

在实际的应用中，有下述两点事项必须在系统设计中予以考虑:

(1)降低虚警率设计:该安全系统设计的初衷是检测车辆正前方的车辆和行人障碍物，当遇到危险发出警报来提醒驾驶员。而由于摄像头视角的问题，摄像头拍摄车辆前障碍物时，可能会拍摄到其它车道上的车辆图像及其路边围栏和树木图像，本不该报警的却出现报警的现象为虚警。如此不仅降低系统的鲁棒性，而且频繁报警还会干扰正常驾驶。由于摄像头检测到障碍物时，是由两个摄像头同时捕捉到的，每个摄像头的照射视角范围一般在55°左右，所以在安装摄像头时，只要能够保证正常检测障碍物的距离与速度前提下，应尽可能多的把摄像头的视角范围控制在的车辆正前方，这样可以减少对车辆两侧虚警的捕捉，降低虚警率(如图2中摄像头视角向车辆内侧偏移)。

(2)摄像头测距精度预估:双CCD立体摄像头采用左右两侧拍摄图像的视差来测距，装配在汽车

故而可得:上应考虑如何保证其精度。由式(2)可知，用X=X1+X2进行代换，测距表达式即为公式(4)[7]。

由此可推出相对误差公式为:

由式(5)可知:中心距b，焦距f越大，相对误差越小，精度越高;物距L越大，△X越大，相对误差越大，精度差。

因此，在车辆设计CCD的安装位置和CCD的制作过程中，要对其位置水平度严格控制。

3 图像处理与识别模型

3.1 图像处理基础

数字图像处理(Digital Image Processing)又称为计算机图像处理。它是将图像信息转换为数字信号并利用计算机对其进行处理的过程，以改善图像质量、提高人们视觉效果为目的。

图像识别是利用计算机对图像进行处理、分析、理解的过程，以识别各种不同模式的目标和对象。为了识别某个图像，必须让计算机像人的大脑一样有对该图像有记忆功能。该系统的图像处理与识别的流程图设计如图3所示:

图3 图像处理识别设计流程Fig.3 The design process of image processing and recognition

图像的预处理功能包括:图像的变换(如滤波处理)，编码压缩，增强和复原(如去噪)，从而使图像的清晰度和传输速度都得以提高。图像分割是将图像中有意义的特征部分提取出来，其有意义的特征包括图像中的边缘，区域，轮廓等。这是进一步进行图像识别、分析和理解的基础。

特征的选择与提取是对物体进行量化的过程。为图像的识别做好准备。

3.2 图像识别与算法过程

CCD立体摄像头主要检测的运动目标是车辆和行人，但是在拍摄图像里面也会含有路旁晃动的树木，围栏和高架桥等。因此需要剔除这些虚假信息，同时，对于车辆和行人也要进一步确认，即根据各种图像信息特征的不同(比如运动目标的面积大小不同、运动速度高低不一、外形轮廓相差很大等)进行分析判断。在此，我们设计了一种基于行人和车辆运动特征的检测算法，其前提条件[8]主要包括:

行人的速度比车辆的慢得多，轮廓面积又比车辆小很多，况且两者在图像中的面积大小和长宽比都有阈值范围，是可以区别的。行人和车辆与路旁的其他障碍物相比，在特征轮廓面积和运动的速度方面有较大区别。

基于以上前提条件来确定算法:首先，车辆和行人速度上的巨大差距，可以设定速度阈值来将其分开。其次，车辆和行人的外部轮廓特征的长宽比的差距之大，也可以很好的将二者区别开来。在人的识别方面要强调的是人在正面拍摄时，其脸部特征是可以直接捕捉的(用Roberts算子检测)，从而可以直接进行识别。在侧面或者背面时，其头部，身躯的长宽比可以用设定阈值方法来判定。图像匹配识别流程如图4所示。

图4 图像识别快速训练分类器Fig.4 The training classifier of fast image recognition

4 车辆跟驰模型及系统模拟仿真实现流程

4.1 车辆跟驰模型建立

车辆安全行驶车间距(简称“安全车距”)是车辆正常行驶条件下，两车按照目前的行驶状况(包括相对速度、加速度等)不会发生碰撞危险，车辆应保持的行驶距离;最小安全车距是两车在目前的行驶条件下，后车立即刹车到完全停下不至于发生碰撞事故，两车间行驶应保持的最小车间距离。

影响安全车距的关键因素有车速，驾驶员反应时间和两车的制动性能等。前导车A和后随车B之间的跟驰模型，根据物理运动学关系车辆跟驰模型为[9]:

式中:t1——驾驶员反应时间(s);

t2——制动器协调时间(s);

t3——制动器减速增长时间(s);

aAmax——A车最大减速度(m/s2);

aBmax——B 车最大减速度(m/s2)。

要保证A、B车的行驶安全，两车从开始制动到完全停止，前车车尾到后车车头应保持一定安全距S，故A、B车在行驶制动时应保持的安全距离为:

式中:Sa——安全停车距离。

在整个控制系统中，除了反应时间和制动时间由经验值和实验值测量出之外，两车的速度、加速度应采取如下方式获取:

由于两车的相对车距是利用双CCD立体摄像头测量，摄像头拍摄每幅图像时间T，可以根据帧速(30帧/s)来求得，根据运动学原理可知:

(1)相对速度△V=(L1－L2)/T，又因为VB－△V=VA，因此有:

VB可以由本车自带的速度传感器直接提供数据，则前导车瞬时车速即可求得。

(2)相对加速度

△a=(△V1－△V2)/T又aB－△a=aA

后随车加速度aB可以由本车车速传感器直接提供数据，故前导车瞬时最大加速度即可求得。

图5 行人面部捕捉Fig.5 The capture of pedestrian facial

图6 行人身体捕捉Fig.6 The capture of pedestrian body

图7 车辆尾部捕捉Fig.7 The capture of vehicle rear

4.2 计算机模拟仿真

以下仿真(图5-图7)是在道路以及高速公路上采集到的行人和汽车行驶的图片，通过采用MATLAB对图片中障碍物进行图像处理、图像识别，捕捉关键特征，并进行模拟仿真实验。

(1)人脸识别[10]:首先对运动行驶障碍物进行人脸肤色分割，聚焦有人脸特征部分，进一步对人脸部分进行长宽比测量，来区分类似人脸特征的运动障碍物。由于行人面部有对着正面，侧面之分，头上可能带有帽子，头盔的情况，因此要放宽人脸长宽比范围。根据大量的测量计算可知:人脸长宽比范围为0.8～1.7时，可有效地识别出行人。

(2)人体身体的识别[11]:判定行人，不仅可以通过人脸面部特征，而且还可以通过行人的身体特征来共同识别。其中人体身高与身体的宽度之比也是识别行人的一种方法。人体正面站立时，其身高和肩宽之比为一特征值;当人体侧身时，身高与胸部宽度之比作为特征值。由于行人分大人、小孩、男女身体条件的差异，可对人体身高有和体宽之比放宽为3.5～10，同时也可以排除不在范围比内、类似于行人的障碍物。

(3)车辆识别[12-13]:汽车的识别，可以直接通过其尾部特征进行判断。车辆尾部的车宽与车高比都有一定的标准，根据不同车型标准和大、中型有所不同。根据实际测量和一些设计标准可知:轿车类型的汽车尾部车宽与车高比为0.95～1.30;厢式货车、商务车和公交车等的车尾车宽与车高比为0.75～0.95;如此而来，不仅可以识别出是车辆，而且还可以知道是什么类型的车。进一步提高了判断的准确性和鲁棒性。

通过采用以上判定标准和判定识别规则，利用计算机很好的模拟了该安全预警系统对人、车等障碍物识别。其准确性和效果基本上达到了预期的目的和要求。

4.3 系统的工作流程

该系统采用ARM控制处理器，其软件的实现可以应用C语言或者C++的简单编程即可完成，软件实现流程如图8所示。而控制程序在编程过程过中，车辆是预警还是刹车，完全是靠摄像头检测的障碍物与本车之间的距离。根据一些汽车企业(奔驰，富士重工，日产)设计该预警或者刹车距离的方法，是把距离转化为车辆运行倒计时时间，也就是车辆碰撞前多长时间开始预警，碰撞前多长时间开始刹车，不同的公司的主动安全汽车有不同的安全系数如下表1.

表1 不同汽车公司安全预警刹车时间对比Tab.1 The contrast of safety warning brake time of different car companies

由表1可知，在系统编程时候，可以分别选择时刻T1，T2为参照，进行编程，该控制程序很容易就可以完成。

5 结论

该车辆安全预警系统采用机器视觉实现了障碍物的识别、判断、预警等一系列功能，系统可靠，结构简单。与采用激光雷达、毫米波雷达等传感器相比价位降低了三成左右，与采用超声波、红外线等传感器在检测距离、速度、实时性、鲁棒性等方面达到了更好的效果。

图8 车辆安全系统总控制流程图Fig.8 The general control flow chart of vehicle safety warning system

该系统拥有明显性价比优势的同时，也有其不足之处。首先是CCD摄像头角度的正确调整，虽然可以明显降低虚警率，但是车辆前方摄像头仍有一部分死区无法及时检测到位。其次是该系统在夜间能见度低的情况下，不能够更好识别图像信息，所以建议加装一个红外夜视仪，使白天黑夜都不受影响。最后，该系统的初衷是识别运动的车辆和行人，由于实时交通环境的复杂，特殊条件下许多情形不能够完全考虑，比如一些静止的障碍物、虚警不能够很好的识别或排除。并且，在利用MATLAB进行模拟仿真时，对图像中障碍物轮廓特征捕捉不稳定，定位不够准确，图像处理存在一定的噪声，这也是在以后的工作中应该重点研究改进的地方。

机器视觉是未来智能车辆，无人驾驶的最佳研究方向，具有良好的发展前景。特别是随着计算机技术，电子信息技术的飞速发展，系统的处理速度与传输速率得到极大的提高，其反应能力，决策性能都是人类所无法比拟的。

[1]古月.2011年全国交通事故造成62387人死亡 同比下降4.4%[EB/OL].(2012-02-09)[2012-10-20].http://news.china.com.cn/txt/2012-02/09/content_24597930.htm.

[2]HIDEO ARAKI，KENICHI YAMADA，YASUHISA HIROSHIMA，TOSHIO ITO.Development of rear-end collision avoidance system[C]//JSAE，1997(18):314-316.

[3]WAKASUGI T，YAMADA K.Driver reaction time to forward vehicle collision warning[M].Proc.of ITS World Congress，2000.

[4]连晋毅，华小洋.汽车防追尾碰撞数学模型研究[J].中国公路学报，2005，18(3):123-126.

[5]万沛霖，陈渝光，李山，等.车辆智能型主动安全系统[J].研究与方法，2005，54(10):25-26.

[6]EL-HAKIM S F，PIZZI N J，WESTMORE D B.The VCM automated 3-D measurement system[C]//Proc SPIE，1992:460-482.

[7]李雪娟，蔡怀宇，黄战华.基于双目视差的测距系统设计[J].电子测量技术，2007，30(8):201-202.

[8]曹江中，戴青云，谭志标，等.交通信息采集系统中的行人检测算法[J].现代计算机:专业版，2007，7(1):13-14.

[9]侯志祥，吴义虎，刘振闻，等.高速公路汽车追尾模型[J].交通运输工程学报，2004，4(4):38-39.

[10]杨灯峰，赵勋杰.高架道路监控视频中的行人检测[J].科技创新导报，2008，36:74-75.

[11]HUS R L，MOTTALED M A，JAIN A K.Face detection in color image[J].IEEE Transactions on Pattern Analysis and Machine intelligence，2002，24(5):696-706.

[12]李瑞，方涛.基于视频的高速公路车辆提取与跟踪算法研究[J].微型电脑应用，2008，24(2):40-43.

[13]SURENDRA G，OSAMA M，ROBERT F，et al.Detection and classification systems，2002，3(1):37-47.