基于计算机视觉的车辆单目测距系统研究

基于计算机视觉的车辆单目测距系统研究

Research of Vehicle Monocular

Measurement System

Based on Computer Vision

学科专业：控制科学与工程

研究生：王士明

指导教师：薛俊韬副教授

天津大学自动化学院

二零一二年十二月

独创性声明

本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天津大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。

学位论文作者签名：签字日期：年月日

学位论文版权使用授权书

本学位论文作者完全了解天津大学有关保留、使用学位论文的规定。特授权天津大学可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。

（保密的学位论文在解密后适用本授权说明）

学位论文作者签名：导师签名：

签字日期：年月日签字日期：年月日

摘要

随着现代社会经济的飞速增长，人们的物质生活水平日益提高，表现之一就是汽车保有量的大大增加，但是随之而来的交通事故也日益频繁。智能交通系统和智能车辆是解决交通问题的重要手段之一，因此也成为了现代社会和政府所关注的重要研究课题。无论车辆检测还是测距技术都是智能交通系统和智能车辆中的重要组成部分，都有着广泛的应用基础。

本文针对基于计算机视觉的车辆检测和单目测距系统中的相关问题进行具体研究，在总结和分析了现有的方法和技术的基础上，针对前车检测和测距模型进行了分析研究和部分改进。

本文的主要工作如下：

1、基于计算机视觉实现车辆检测。通过感兴趣区域(ROI)的设定，以图像中的阴影部分作为可能的车辆区域，对车辆进行初步定位，然后在图像中定位出车牌。再根据阴影区域和车牌定位的结果确定出图像中车辆尾部的位置，以车辆尾部矩形中心点和4邻域的点为参考点。

2、构建单目测距系统模型。利用小孔成像原理建立测距的理论模型，根据模型的需要对摄像机进行标定，实现摄像机内参数的配置。基于几何关系推导出实际模型的坐标转化表达式，建立像素坐标和世界坐标之间的转换关系，进而计算出两车之间的距离。

3、软件系统的设计与实现。基于开源计算机视觉库 OpenCV，在Visual C++ 6.0 环境下，设计并实现了车辆检测和测距系统。并针对静态实验数据进行了误差分析，采用最小二乘法实现了数据校正，从而大大提高了测距的精度。

实验结果表明本文所设计的方法在一定程度上具有有效性和可行性，并具有较高的运算效率和精度。

关键词：车辆检测阴影检测车牌定位单目测距模型智能交通

ABSTRACT

With the rapid development of the modern social economy， the standard of people’s material requirement is improving and the number of vehicles increases gradually. This will bring about a consequence that traffic accidents occur frequently. Under the circumstances，Intelligent Transportation Systems and Intelligent Vehicles are one of the major means to solve the traffic problem. They not only draw the comprehensive attention of the society and the government， but also become a significant research topic of public concern. As an important component of Intelligent Transportation Systems and Intelligent Vehicle，both vehicle detection and distance measurement technique have a broad application area.

In this paper， related issues about vehicle detection and monocular measurement system are studied. Improved vehicle detection method and ranging model are given based on the summary and analysis of the existing methods and technologies.

The main contents and results of this paper are as follows:

(1) Vehicle detection based on computer vision. To reduce the system workload，region of interest in the image must be set at first. The preliminary location of the forward car can be achieved after finding the shadow portion as a possible vehicle region in the ROI，and then the location of the license plate is detected. Thus the rear of front car can be ascertained，and takes the middle of the rear of front car and its 4-neighborhood points as reference points.

(2) Construction of monocular measurement system. Pinhole imaging principle is the basis of the theoretical ranging model. It needs to calibrate the camera according to the model in order to make sure the parameters of the camera. The actual model is deduced by geometric method and it can build a conversion relationship between pixel coordinates and real world coordinates. So the distance between two cars can be calculated by this relationship.

(3) Design and implementation of the software system. Application of vehicle detection and ranging system is developed using open source computer vision library OpenCV in Visual C++ 6.0 environment. It carries on error analysis for the static experiment data，and also corrects the data with the least square method.

Experiments show that the method of this paper has certain effectiveness and feasibility，and has higher efficiency and accuracy.

KEY WORDS：Vehicle detection， Shadow detection， License location，Monocular measurement model， Intelligent Transportation

目 录

第一章绪论 (1)

1.1研究背景 (1)

1.1.1计算机视觉技术 (1)

1.1.2智能交通系统和智能车辆 (2)

1.2车辆检测 (4)

1.3测距方法 (4)

1.4国内外发展现状 (6)

1.5本文的结构安排 (8)

第二章车辆检测 (9)

2.1车辆检测综述 (9)

2.2基于车辆底部阴影的车辆检测 (9)

2.2.1阴影的提取 (10)

2.3车牌定位 (18)

2.3.1车牌特征 (19)

2.3.2车牌定位的常用方法 (19)

2.3.3车牌的粗定位 (20)

2.4阴影检测与车牌定位相结合的车辆检测 (26)

2.5本章小结 (27)

第三章基于单目视觉的距离测量 (28)

3.1单目测距模型的建立 (28)

3.1.1坐标系 (28)

3.1.2小孔模型 (29)

3.1.3摄像机内参数模型 (30)

3.1.4摄像机外参数模型 (31)

3.1.5测距模型 (32)

3.2摄像机的参数标定 (32)

3.3单目测距的几何模型 (34)

3.4本章小结 (39)

第四章测距实验与校正 (40)

4.1系统设计 (40)

4.2测距实验与数据校正 (41)

4.3本章小结 (44)

第五章总结与展望 (45)

5.1总结 (45)

5.2展望 (45)

参考文献 (47)

发表论文和参加科研情况说明 (51)

致谢 (52)

第一章

绪论

1.1 研究背景

随着全球范围内经济的发展，人们的生活质量越来越高，汽车的保有量也逐年大幅度的增长。作为衣食住行中不可或缺的一部分，交通与人的联系越来越密切，同时交通问题也日益凸显，备受人们关注。交通建设和运输所取得的成就是一把双刃剑，一方面，庞大、方便、快速的交通运输网络为经济的增长提供了有利的条件，为人们的生活带来了便利；但是，另一方面，交通拥挤阻碍经济发展和导致资源浪费，交通事故危机人们的生命安全；交通污染，尾气的排放也是全球变暖的罪魁祸首之一，并严重威胁人们的身体健康。交通负荷和环境压力日益严重，与有限的资源的冲突也不断提升，这些都是迫切需要解决的问题。交通问题不管是在发达国家还是在发展中国家都是社会和政府普遍关注和重视的问题。运用高新技术的智能交通系统和智能车辆应运而生，它们是解决交通问题的有效措施之一。

随着电子计算机问世，由计算机带动的信息技术引发了第三次科技革命并带来了巨大的产业变革。将通信、传感、控制和计算机等先进的技术有效的集成融为一体，并将之应用在一个具有实时、准确、高效、覆盖范围广等特点的交通运输管理体系中，这就是智能交通系统。智能车辆作为智能交通系统中不可分割的重要组成部分，已经逐渐成为了车辆研究领域的重点和热点，并将引领汽车发展的潮流。

1.1.1 计算机视觉技术

经济飞速发展的同时也推动着科技的快速进步。进入信息时代以来，计算机已经家喻户晓，计算机的应用也涉及到各个领域。随着计算机的普遍应用，人们对计算机的要求也越来越高，已经不再局限于过去那种要严格按照计算机的使用规则，严格按照各种设定的程序死板的执行命令，人们越来越希望计算机能够以人习惯的方式与人进行信息的交换，也就是说让计算机能够看到、听到并表达出自己的看法。

计算机视觉[1]就是一门研究如何让机器“看”的科学，换句话说就是使计算机具有人一样的视觉系统。它利用摄像机和电脑，来代替人眼和大脑，通过对

采集的图片或视频进行处理以获得相应场景的三维信息，从而实现对目标的识别，跟踪和测量等功能。计算机视觉的最终研究目标就是给计算机赋予“眼睛”，使计算机能像人一样通过“看”和“感知”去观察世界和理解世界，对周围环境的变化做出回应，具有一定的自主适应能力。

计算机视觉最早是于20世纪60年代初提出的，但是由于技术等原因限制了计算机视觉的研究进展。一直到20世纪70年代后期，计算机的性能得到了很大的提高，并且能够对诸如图像等大型数据进行处理，这时计算机视觉这个基于图像的学科才得到人们的普遍关注并逐渐取得了蓬勃的发展。然而这些发展往往起源于不同领域的需要，因而何谓“计算机视觉问题”始终没有得到正式的定义，很自然地，“计算机视觉问题”应当被如何解决也没有成型的方法。尽管如此，计算机视觉还是得到了广泛的应用，比如工业自动化生产线中质量控制与测量、医学图像的处理、视觉导航、人工智能等方面。

1.1.2 智能交通系统和智能车辆

智能交通系统(Intelligent Transportation Systems，ITS)[2]，顾名思义就是智能化与交通运输相结合的系统。准确的说，它是在整个交通运输管理体系中，综合应用了很多先进的信息技术手段（例如智能控制技术、计算机视觉技术、模式识别技术、人工智能技术和传感通讯技术等等）和算法，然后利用摄像机等视频采集装置获取当前的交通状况并进行实时地分析处理，为方便道路使用者和管理者而建立起的一种实时、准确、高效的并能全方位发挥作用的现代化综合运输管理系统。智能交通系统通过协调行人、车辆、道路之间的关系，能够提高交通运输的效率，对交通进行合理的规划，缓解交通拥挤和堵塞，提高道路网的容量，从而减少交通事故的发生，保障交通安全，降低能源消耗，减轻对环境造成的污染等。

智能交通系统自问世距今已有40多年的发展历史。早在上个世纪60、70年代，当美国、欧洲等国家意识到交通快速发展带来的能源与环境问题之后，就已经开始了对智能交通的研究。日本是目前世界上应用 ITS 最为广泛的国家，其次就是美国、欧洲等地。我国对智能交通系统研究的起步相较与世界其他国家而言就要晚一些。1994年我国学者参加了在法国巴黎召开的第一届智能交通系统世界大会，这标志着我国对智能交通系统的研究开始起步[3]。其后数十年，随着我国经济的飞速发展和科学技术水平的快速提高，以及各个方面全面的与国际接轨，我国 ITS 的研究、开发与应用都取得了显著的成果。2008年北京奥运会期间，建立了一个包括视频监控、交通流检测和交通违法检测在内的交通综合监控系统，对奥运会场馆周边和相关道路交通状况进行实时的监控和调控。

智能交通是当今世界交通运输发展的热点和前沿，一方面管理着整个交通运输体系，另一方面更加注重满足人们出行和公共交通出行的需求，旨在建立一个绿色、安全的交通系统。智能交通是未来交通系统的发展方向，也日益受到各国的重视。

智能车辆(Intelligent Vehicle，IV)[4,5]是智能交通系统中的重要组成部分，它是一个将计算机、人工智能和自动控制等高新技术集于一身的，具有环境感知，路径规划，自主导航和辅助驾驶等功能的综合体。智能车辆要突显“智能”的作用，让汽车具有人性化思维，能够及人所不及，弥补由于人的主观原因而造成的缺陷，最终目标是要实现智能汽车自动驾驶。智能车辆的特点是通过车辆的智能化、信息化，对车辆的行车路线进行规划，自主导航；提高车辆的可控性，即使在复杂的路况下，汽车也能高效、快速、安全的行驶。另一方面，智能车辆提高车辆的驾驶能力，使驾驶更人性，更舒服，极大的缓解了驾驶员的负担，避免一些人为因素而造成的交通意外，确保行车安全、畅通。同时，智能车辆之间形成一个网络，覆盖范围广，与交通控制系统相结合，能够对城市交通进行合理的规划和调控，使交通顺畅，缓解交通压力，提高人们的生活质量。

智能车辆的研究内容很多，主要是碰撞预警系统、导航系统，辅助驾驶系统等[6]。碰撞预警系统是车辆主动辅助驾驶系统和车辆必要的安全系统，利用安装于车上的各种传感器，对车辆行驶时周围的障碍物，危险态势进行实时监测，并对采集的信息进行分析与处理，当发现某种行为或者状态对本车行驶的安全产生威胁时，系统会及时发出警报信号，提醒司机注意并进行处理。此外，对驾驶员的实时监控也是该系统的研究内容。通过对驾驶员的监控，对于驾驶员的某些可能存在安全隐患的行为进行警报警告，如果驾驶员没有或者不能做出相应的行为，系统就会强行控制车辆，从而使车辆转换到安全状态，碰撞预警系统能够为驾驶员获得足够的安全时间，从而阻止或减少危险状况的发生，进而达到安全行车的目的。目前，夜视和后视碰撞预警系统已经得到了应用，并取得了不错的效果。车载导航系统是智能车辆不可或缺的一部分，它是融合了 GPS 全球定位系统， GIS 地理信息系统和无线数字通信技术的跨学科、跨行业的一个新兴的高科技产业。导航系统就是要为驾驶员寻找到一条最经济、最安全、最可靠的行车路线。辅助驾驶系统又被称为智能巡航控制系统，是智能车辆中的主要组成。为了缓解驾驶疲劳，预防事故发生，提高驾驶安全，辅助驾驶系统应运而生。其主要功能就是系统在计算机的精准控制下，调节车辆油门的开度，从而使车辆在不同路况下始终行驶在预定的车速。

正是因为智能车辆有了这些系统的共同作用，从而使得汽车可以不需要人去驾驶，形象的说，人为的给汽车安装上了“大脑”、“眼睛”、“脚”等装置，

使得汽车可以像人一样“思考”、“判断”、“行走”，可以自动的启动，刹车，行驶，可以规避地面障碍，能够对复杂多变的情况做出相应的变化，根据实际情况自主选择最佳的可行方案，使汽车正常，顺利，安全的行驶。

1.2 车辆检测

车辆检测是智能交通系统中的核心内容和关键技术，同时也为智能交通系统提供了必要的数据源和分析的基础与前提。它要求具有较高的实时性、鲁棒性和准确性，其主要目的是将图像中的运动目标和背景分离开来。目前车辆检测的方法有很多，如感应线圈检测、数字视频检测、测力计检测、超声波检测等。感应线圈检测[7]是预先在公路路面下铺设一个电磁线圈并通以高频电流。在车辆通过线圈时线圈内部因为电磁感应会出现涡流，使线圈的电感量变小，从而可以通过这种变化得到车辆信息。但是，这种方法获得的交通数据较为单一，无法准确的识别车辆的行为，而且安装和检修线圈的时候要对路面进行破坏才能进行安装和检修，代价太大，具有很大的局限性。其他方法也有这样或那样的缺点，相比较而言，基于视频的车辆检测方法具有诸多的优点。尤其是随着近些年图像处理技术的不断发展，在智能交通方面采用计算机视觉和图像处理技术越来越广泛，并取得了不错的成绩。与其他检测技术相比，视频检测有着很大的优势[8]：

(1) 从数字图像中利用图像处理技术能够提取出高质量的数据信息，从而能够直观、准确、快速、安全可靠的监控道路交通，获得更多的交通参数。

(2) 利用视频进行监控，可以监控多个车道，监控范围广，是面式检测；而且随着计算机处理速度的不断提高，视频检测的处理速度会越来越快；安装视频监控摄像机比安装其他传感器更方便快捷，破坏性低，费用低，维护也比较方便省时省力。其软件可以在线升级，可扩展性好，使用寿命长。

(3) 通过计算机网络能够使得到的交通数据进行联网操作，从而可以对整个道路交通网络进行监控和合理的布局，而且通过摄像机对道路进行监控，不仅能够获取数据信息，还能够为道路事故提供视频图像参考，一举两得。

基于视频的车辆检测是一种简单而有效的方法，能够很好的解决其他检测方法不能解决的诸多难题，并实现道路交通的实时监控，随着技术的发展，将会逐渐提高系统实时性、可靠性和安全性，其应用也将越来越广泛。

1.3 测距方法

目前智能车辆中常用的测距方法有以下几种[9-13]：

(1) 超声波测距

在目前的几种测距技术中超声波测距应用最早，技术也最为成熟，其工作原理较为简单，在一定距离内具有很好的测距效果。超声波测距是根据超声波在传播过程中遇到障碍物会进行反射这一原理来测量距离的。即利用超声波发射和接受的时间差进行计算，从而得到实际距离。超声波的纵向分辨率高，对色彩和光照不敏感，对外界光线变化和电磁场变化不敏感，在烟雾，灰尘或强磁场干扰等环境中都能稳定工作。但是超声波测距最大的缺点是可测量距离较短，最佳距离仅为4-5米，这个距离相对高速公路上的汽车而言距离太短，不能达到安全制动距离，因此超声波测距多用于测量与路旁高大物体的距离。另外超声波的传播速度相对较慢，易受外界温度等因素的干扰，当汽车高速行驶时，使用超声波测距无法跟上车距的实时变化，这样测量准确度比较差，不能精确的测量。而且，利用超声波进行距离测量时方向性差，比较发散，这样就造成反射的超声波比较微弱，灵敏度下降。

(2) 微波雷达测距

微波雷达主要有脉冲多普勒式雷达、双频连续波式(CW)雷达和调频式(FM)雷达。目前应用较多的是 FM 雷达。微波雷达测距系统具有体积小，测量距离长，精度高，可靠性高等特点，可以同时检测多个目标，而且雷达测距受气候条件影响小，在恶劣条件下也能够及时发现目标，保证车辆的行车安全。但是雷达测距也有其不足之处。雷达测距也是利用微波反射来进行测距的，但是有些物体比如房屋，塑料，水泥，行人等不能反射或者极弱反射雷达波，这就造成不能分辨和测量或者测量的准确性很低。而且雷达测距较为致命的缺点是雷达极容易受干扰。如果车辆上有多个雷达测距仪的话，相互之间的干扰非常严重，甚至于无法正常工作。

(3) 激光雷达测距

激光测距从原理上说比较简单，其工作原理与微波雷达测距相似，有连续波和脉冲波两种测距方式。激光测距开始于20世纪70年代，最早应用于机器人领域，如今在智能车辆领域中，激光测距主要用于检测障碍物和获取周围环境信息。激光测距的优点是测量时间短、量程高、准确性好。但是由于光的波长很短，传播速度又很快，这就要求器件的性能非常好，对信号处理的要求也很高。而且在实际应用中，要想测量距离就必须将激光发射头对准被测物体，这对于处于高速行驶的车辆又需要测量远处高速行驶的车辆来说是比较难以对准的，这也是制约激光测距的原因之一。

(4) 红外测距

红外测距是利用红外线来进行测距的，用目标发出的或反射的红外线进行检测，并确定与目标的距离，主要适用于黑夜或者能见度较低的环境。红外测距具有体积小，重量轻，功耗低、易制、安全等特性，与超声波测距相比，其探视角更小，方向性更强，而且测量精度也有所提高。但是与超声波测距有同样的缺点就是作用距离短。另外红外线的反射较弱，因此需要棱镜进行配合精确测量，增加花销费用，而且被测物体平面必须与光线垂直，才能保证光反射回来的强度足够大，否则，返回信号过于微弱无法得到精准测量。红外侧距还需要考虑被测物体平面漫反射的影响。

(5) 视频测距

视频测距是利用摄像机进行实时监控，计算机对摄像机监控采集的视频或者图像进行处理、分析和计算，利用预先建立的数学模型进行距离计算的技术。与前面介绍的几种算法相比较，视频测距最大的不同是被动式的测距，它不需要向被测物体发射任何信号或接收信号，只需要拍摄下包含所需要目标的视频或者图片就可以根据需要对目标进行距离的测量。另外，由于图像中往往包含的信息量很大，比如车辆，行人，道路两侧的建筑，交通标志等等，利用图像处理技术识别和提取出这些信息，能够获得更多的数据信息，不但能提高判断的精度，同时也能有助于车辆智能程度的提高。随着图像处理速度的提高和技术的不断完善，视频测距技术的应用前景也越来越广阔。

1.4 国内外发展现状

进入20世纪90年代以来，世界汽车市场的竞争日益激烈，与此同时人们对于智能运输的研究也越来越重视，越来越关注，国际上对于智能车辆和与其相关的技术的研究也日益火爆，一大批有实力的著名汽车行业的大亨、研究所和高校也相继展开了对智能汽车的研究。

美国交通部门制定了一个五年规划，投入一笔庞大的资金，和通用汽车公司合作共同研发出了一种应用于汽车的防撞系统；美国的一些大学和研究机构也都纷纷投入到了对全自动汽车技术的研究改进中来；美国某机构研究成功的移动导航系统能计算出最佳的行驶路径，还能根据接收到的现场的实际交通状况，对路线进行更新改进，使车辆能够沿着最理想的行车路线行驶。美国还将智能汽车技术应用于军事上，使用无人车到危险地带执行巡逻任务。德国，意大利，日本等国家还有一些世界著名的大学，如麻省理工学院、剑桥大学等，都在机器视觉、自动驾驶等领域有着深入的研究。

清华大学可以说是我国对智能汽车研究的领导者。我国最早建立的主要从事研究智能汽车的研究所之中就有清华大学的汽车研究所，该所对汽车导航等技术的研究均取得了不错的成绩。2000年7月19日，上海市科委通过了对一款带有智能汽车车内自主导航系统的汽车的鉴定，标志着上海市智能交通系统进入到了实质性实施阶段。国防科技大学在无人驾驶汽车的研制上创下了多项国内记录；西北工业大学、吉林交通大学、重庆大学等高校都对这一新兴学科展开了研究[14]。

视觉定位技术最早是在 H.Moravec[15] 的博士论文中提出的，他阐述了利用相机测定机器人移动的问题，被认为是视觉定位的雏形。视觉定位主要应用于机器人导航、微操作系统的参数检测、三维测量和虚拟视觉。1967年，美国斯坦福大学的 Wichman 等人利用电视摄像机作为视觉输入设备，控制一个机械手对桌面上的两个正方体进行抓取和叠放[16]。20世纪80年代，Matthies 和 Shafer 等学者设计了视觉里程计，从特征提取，特征匹配与跟踪到运动估计的框架，进行了室内短距离的实验，并取得了良好的效果。日本刚山大学成功研制出了使用立体视觉定位技术控制微操作器的视觉反馈系统，该系统可以对细胞和微装备等进行微操作[17]。

20世纪80年代国内开始了对视觉定位的研究。80年代末期，清华大学计算机系成功研制出了 Eye-in-Hand 视觉系统，整个系统由 PUMA560 机械手、图像系统、工作站等组成，能够通过摄像机观测工作台的情况，从而控制机械手完成多种精密的装配任务[18]。东南大学电子工程系提出了一种基于立体视觉匹配方法，实现了对不规则物体的非接触精密测量。

德国和美国早在上个世纪70年代末期就开始了对车载视觉系统的研究。美国国防先进研究项目局(DARPA)将机器视觉导航列入其资助的自动陆地车辆(Autonomous Land Vehicle)的研究重点[19]。1978年，德国联邦大学研制的无人驾驶汽车VaMoRs—M利用机器视觉识别车道线进行辅助自动导航，成功的实现了高速公路自动驾驶实验[20]。美国、日本等发达国家也都不断的开始和加强智能车辆视觉系统的研究，大量的倾注人力财力，鼓励和支持智能车载视觉导航系统的进步和发展。德国戴姆勒—奔驰公司的 VITAⅡ系统、美国卡内基梅隆大学的NA VLAB 系统[21]、意大利帕尔玛大学的 ARGO 系统[22]等都是目前世界上较为成功和典型的车载视觉系统。

国内对于车载视觉系统的研究起步较晚，研究水平仍然与国际上存在着差距，但是随着国内各大高校和科研机构的加入，也有了大批成果的出现。清华大学同样是我国最早从事智能车载视觉系统导航研究工作的单位之一，其智能技术与系统实验室从1988年就开始研制移动机器人系统。该实验室成功研制的第五代智能汽车通过对路面的实时监控，在车辆行驶的过程中对前方道路状况进行识

别和判断，并对前方障碍物进行碰撞预警。20世纪90年代至今，吉林大学智能车辆课题组先后研制了四代智能车辆，车辆采用视觉导航系统，可以将前方地面上设置的路标作为标识符，运用计算机视觉快速识别路径，进而跟踪和导航。

1.5 本文的结构安排

第一章绪论。主要介绍课题的研究背景，对车辆检测和测距技术进行了简单的介绍，对现有的一些检测和测距方法进行了对比。针对智能车辆、视觉定位和车载视觉系统介绍了国内外发展的现状。

第二章车辆检测。对现有的车辆检测方法进行了总结和类比，介绍了基于阴影特征的车辆检测方法和车牌定位方法，并将二者进行有效的结合，提出了前车车辆检测的方法。

第三章基于单目视觉的距离测量。首先介绍了单目测距的理论基础和理论模型，并对摄像机的标定进行了研究和实验。根据实际情况，建立了几何关系模型，推导出了坐标转换公式和本文的距离求解方法。

第四章测距实验和校正。根据前文的介绍给出了整个测距系统的框架结构，对本文提出的方案进行了静态实验，得出了几何模型的计算结果。针对实验数据进行了误差分析，并利用最小二乘法进行了数据校正。

第五章总结与展望。

第二章车辆检测

整个系统的目的是为了计算距离，那么就需要有一个测量目标。在这一章里，主要讲述怎样在一张复杂的图片中找到所要的目标，针对高速公路而言，最关心的也是所要寻找的目标就是行驶的车辆。能否从一幅图像中将目标车辆检测出来，其结果将直接影响到后续距离测量准确与否，因此车辆检测是整个测距系统的基础也是关键步骤。

2.1 车辆检测综述

车辆检测就是要将车辆从复杂的背景中检测出来。检测出车辆后就可以进行后续的一些处理，比如定位、跟踪等，而且车辆检测还能提供车流量等信息，是很多智能车辆系统的基础和关键。车辆检测的算法有很多，比如帧间差分法[23]，光流法[24,25]等等。

在运动图像序列中，相邻的两张或多张图像中具有很强的相关性，这就使帧间差分成为了可能。帧间差分法是将两张或多张连续图像的对应像素点的灰度值相减，这样就可以除掉静止或者运动缓慢的物体和背景。帧间差分法算法简单，容易实现，不受光照变化的影响，适合不断变化的场景。但是它不能用来检验静止或者运动缓慢的目标，而且使用这种方法要考虑选择一个合适的时间间隔进行差分，否则运算量很大，时间间隔的选择与车辆的运动速度有很大的关系。另外利用帧间差分对运动的车辆进行检测时会在车辆内部产生空洞。

光流的理论是 Gibson 于1950年首次提出的。光流法是把待检测的图像区域转化为关于速度的矢量场，每个矢量表示了场景中每个点在图像中的运动产生的瞬时速度场。光流场中携带了有关物体结构和运动的重要信息，通过光流场的分析可以确定运动目标的数量、表面结构等。光流场的计算一直以来都是计算机视觉领域中的一个研究重点。然而，大多数的光流计算方法都很复杂，计算量较大，且抗噪性能差，易受光照变化的影响，另外对设备要求较高，实时性较差。

2.2 基于车辆底部阴影的车辆检测[26,27]

通过实验观察会发现，公路上行驶的车辆其灰度图像中往往具有一些比较明显的特征，这些特征就可以成为将汽车从图像中提取出来的标志和手段。车辆的

形状大体上可以看成是矩形，而且左右是对称的。在图像中会发现，车量底部的水平线、左右两侧的边界和车牌等都呈现出较为规则和密集的垂直边缘或者水平边缘[28]。而且，一般情况下，在图像中，车辆的灰度和背景的灰度有明显的差异，尤其是车辆底部的阴影部分其灰度值更是偏小（近似黑色，颜色较深，较暗），区别十分明显。因此，基于阴影区域的明显特征，在本文中对车辆的初步检测就是通过检测车辆底部阴影区域来实现的。当然仅靠阴影是不能确定车辆的位置的，后面还要使用其他的方法与阴影检测共同合作来确定车辆的位置。

那么又该用什么样的方法在一幅图像中检测出阴影呢？

在灰度图像中，路面的灰度变化不太明显，灰度信息分布较为均匀。阴影区域的灰度值较小，而且在路面到阴影区域中，灰度值发生突变，会产生边缘，可以利用这两点将阴影区域从路面中分割出来。由于本文较为关注的是在图像中车辆正前方的图像信息，因此在寻找阴影区域之前，先划分一个感兴趣区域(Regions of Interest，ROI)[29,30]，缩小搜索阴影的范围。一般感兴趣区域设定为车辆正前方的矩形区域。另外，ROI的底边一般是贴近本车的，这在后面距离的测量中会有一定的作用。对于经过处理的图片，从ROI的底边开始向上逐行搜索，如果在某一行中出现连续像素灰度值为0的个数超过某一数值时，就以该段像素个数的十分之一为宽，构建一个矩形区域。如果该矩形区域中，黑色像素点的个数满足一定的条件就认为该矩形区域为车辆底部的阴影。

2.2.1 阴影的提取

根据上述的介绍，车辆底部阴影的提取，主要可以分解为如下几个部分。

(1) 感兴趣区域(ROI)和灰度化

对于不同的车辆，感兴趣区域的底边位置也是不同的，这就需要预先进行设定。由于摄像头安装在车辆内部，这样对于不同的车辆，摄像头到本车最前方的距离是不同的，反应到图像中，这部分区域对于后续的测量是无用的，为了减少工作量，可以将这部分从图像中划分出去，并不会影响后面的检测。而且，图像两侧也会有多余的信息，比如建筑等，也不是关注的部分，可以在设定感兴趣区域的时候一并划分开，这样在进行图像处理和阴影搜索的时候会减少很大的工作量，能够提高运算效率，从而缩短整个前期识别所占用的时间。

灰度图像是数字图像的最基本形式，灰度图像也是大多数图像处理的基础、前提和必要手段。灰度图像大多数情况下有两种来源：一是从黑白照片数字化得到，二是将彩色图片进行去色处理（即灰度化）得到。灰度图像表达的是图像的亮度信息，并不能阐述图像的颜色信息，灰度图像的每个像素点只是表示该点的亮度水平灰度级的量化信息，即灰度值，通常用1个字节来存储灰度值。1个字

节可以表示的整数范围是0，也就是说一个像素的灰度值的取值范围是，

~2550~255即灰度级为256。

在彩色图像的RGB(Red/红色分量，Green/绿色分量，Blue/蓝色分量)三基色模型中，常见的灰度化有以下四种方式[31]：

1) 分量法

分量法是将彩色图像中某像素点的R G B 、、三分量根据实际需要任选其中一种分量的数值作为该点像素灰度图像的灰度值。

()(1,,)f i j R i j = ()()2,,f i j G i j = ()()3,,f i j B i j = (2-1)

其中是图像灰度化之后灰度图像在点()(,1,2k f i j k =),3(),i j 处的像素值（灰度值）。

2) 最大值法

最大值法是将彩色图像中的三色分量R G B 、、中数值最大的亮度值作为该点的像素灰度图像的灰度值。

()()()()(),max ,,,,,f i j R i j G i j B i j = (2-2) 3) 平均值法

平均值法是将彩色图像中三色分量R G B 、、数值之和的平均值代替该点像素的原灰度值。

()()()()(),,,,f i j R i j G i j B i j =++3 (2-3)

4) 加权平均值法

人眼对颜色的敏感程度不同，对于RGB 三基色模型中的R G B 、、三种颜色来说，人眼对绿色的敏感度最高，对蓝色的敏感度最低。根据这一原理，再结合其他指标，将R G B 、、三个分量按不同的权值进行加权平均，这就是加权平均值法。一般，可以按照公式(2-4)对R G B 、、三分量进行加权平均，这样得到灰度图像较为合理。

()()()(,0.59*,0.30*,0.11*,)f i j G i j R i j B i j =++ (2-4)

图2-1 感兴趣区域和加权灰度化

(2) 图像平滑

实际得到的图像由于在采集、转换和传输过程中，不可避免的会受到成像设备、设备以及外部环境等的影响，从而在图像中包含有噪声。噪声是图像中的无用信息，它与文中所要研究的对象无关，其表现形式包括白噪声、杂散噪声等。噪声将严重影响图像中包含的信息，而且极大降低了图像质量，甚至会掩盖住图像的重要特征，给图像分析带来困难，影响图像分割，图像识别等后续图像处理工作的进行。因而，去除噪声是图像处理中非常必要的前提准备工作。

传输

一般情况下，一幅图像的能量主要集中在低频段，而噪声则主要集中在高频区域中。图像平滑[32]是一种实用的图像处理技术，它主要的目的就是消除或者尽量减少噪声的影响，改善图像的质量，也就是说要减弱或消除图像中高频率分量，但不影响低频率分量，图像平滑又可以称为低通滤波。图像中的高频分量主要存在于区域的边缘部分，这部分的灰度值变化较为剧烈，可以利用图像平滑减弱其灰度值变化，减少图像中的尖锐部分，使图像变得比较平滑。

实际应用中，平滑滤波不仅可以消除噪声，还可以在目标提取之前去除图像中的微小细节或者连接目标内的小间断。从分析域上将图像平滑算法分成两类：频域滤波和空域滤波。在频率域内，由于噪声以高频形式出现在图像中，因此可以使用低通滤波的方式减少噪声的影响，但是需要进行正反两次正交变换，所需的计算量很大，不能很好地满足系统的实时性要求。空域法主要是在空间域内直接对图像的灰度值进行处理，常见的算法有邻域平均值法、中值滤波法等。

1) 邻域平均值法

邻域平均值滤波法是最简单的图像平滑方法，将原图中的像素用以它为中心的一个小区域内的像素平均值作为新图中该点的灰度值。如果当前像素处在一个均匀区域内，则其邻域像素的真实值与它是相同的，由于叠加了不同幅度的噪声使这些像素值各有不同，但是如果经过算术平均，则数学期望就是真实像素值。

邻域均值法利用模板卷积对图像进行处理，由模板定义了一个邻域，这样对某个像素点进行滤波的结果将与该像素点的灰度值和邻域点的像素的灰度值有关。设当前待处理像素为(,)

f m n，给出一个处理模板，大小为3。

3

×

图2-2 均值滤波模板示意图

设(,)f i j 为给定的含有噪声的图像，经过邻域均值法处理后得到的图像为，则邻域均值法的数学表达方式为：

(,g i j ) ()(1

,,g i j f i j N =∑)，(),i j M ∈ (2-5)

其中，M 是所取模板中对应像素的坐标，是模板中像素的个数。在实际应用中可以根据实际需要选择不同的模板尺寸，如3N 3×，55×等或者用来近似表示

圆或椭圆等形状的多边形。如矩形邻域模板和圆形邻域模板。 3T c T 3111111*19111T ????=?????? 010111*15010c T ????=??????

需要特别指出的是，邻域均值法在减小噪声影响的同时会使图像变得模糊，破坏图像的特征信息，这也是均值滤波的最大弊端。可以利用不同位置的像素点对中心点像素影响的不同，引入加权系数对模板进行修改，来降低邻域法导致的图像模糊。

2) 中值滤波

1971年图基(Turky)首次提出了中值滤波[33]方法，它是一种非线性滤波技术。中值滤波最早是用于分析时间序列，后来逐渐在图像处理中得到了应用，尤其是它的去噪效果很好，而且在滤除噪声的时候也不会导致图像变得模糊，这也是中值滤波比均值滤波应用广泛的原因之一。而且在处理过程中不需要对图像统计特征进行计算，使用方便，运算速度快，适合于对实时性要求高的系统。

中值滤波的基本原理是将以当前像素为中心的一个小区域内的所有像素 值

进行排序，取

区域中各点灰度值的中值作为滤波的结果。如果中值滤波选用的窗口的大小为奇数，中值就是按像素灰度值大小进行排序后排在中间的像素的灰度值；与之对应，若窗口元素数量为偶数，中值就是取排序后中间的两个数值的平均值作为最后的中值，并将它代替原像素的灰度值。其数学表达式为：