车辆识别技术

●车辆识别技术●文章编号: 1002- -4581(2012)04-0018-04车辆识别技术张亚岐，周辰雨，李健Zhang Yaqi, Zhou Chenyu, Li Jian(长安大学汽车学院，陕西西安710064)摘要: 针对目前车辆识别难度大且辨识结果受光照强度、亮度以及天气影响较大等问题，文中提出一种利用车道线对称性识别车辆的方法。该方法通过对采集的團像进行PDE去噪，在充分保留图像纹理特征的前提下，依据灰度值梯度变化率精确确定车道线位r,再根据车线对称性锁定车道区域，缩小搜索范围，进而准确地对周围车辆进行识别。试验结果表明，该方法能够对后方50m盲区内车辆进行准确识别，且受光照条件影响小。关键词:车道线;灰度值;对称性北中图分类号: U467.4文献标识码: A京利用其对称特性能够很好识别出不同天气下的汽0引言车道线。而车辆大部分时间在车道中间行驶,车辆也具有对称性，一 旦确定车道线，可以在车目前，车载辅助驾驶系统需要判别自车车道线确定的车道区域内进行车辆辨识，大大相对于车道线位置，如压线报警系统、车道减小了目标范围，对提高识别结果意义重大。偏离预警系统以及换道辅助系统等。国内外因此，利用车载摄像头实时拍摄，将采集的图学者提出众多识别车道线的方法，大部分基像进行PDE去噪和小波边缘检测3，确定车道于计算机视觉,比较常见的有德国的VaMoRs线的位置，根据车道线的对称轴确定车道，然智能车系统、美国的Navlab智能车系统以及后对车道内车辆进行辨识。该方法对天气的适意大利的ARGO系统川。一般情况下，路面应性强，受光照强度变化影响小，且精度高。与车道线的颜色灰度值差别较大，可以根据该算法的流程如图1所示。灰度值梯度变化率和车道线简单的几何约束确定车道线，但还存在3个主要难题[2]:1车道识别(1)光照条件特 别在夜晚光照条件差，车道线检测变得尤为困难;l.1 坐标系定义(2)阴影建筑物、广告牌以及树影对识要精确确定车道线的位置，必须在路面与别结果也有影响;图像之间建立对应关系。假设照相机与地面的(3)遮挡物-路面上的油污、车道线破损夹角为φ,中国煤化工竟面坐标系为等对识别结果有一定的影响。XcYcZc,MHCN M H G示系之间的关但是，车道线的对称性基本不受环境影响,系如图2所示。.18《北京汽车》2012.No.4●车辆识别技术●道宽度w为;CCOD拍摄路面)Hw="(fsinφ- vcosφ) (4)h|圈像进行PDE去噪、小波边缄检测1.2 图像去噪安装在车内后视镜上的CCD实时采集路.面信息，采集回来的图像一般含有高斯白噪声|根据纵向梯度对称性确定车道线和椒盐噪声，因此，为了保持边缘纹理特征,摒弃高斯卷积的各向同性去噪缺点，采用各向|确定车道区域异性扩散去噪方法，即PDE去噪46)，为了在扩散过程中保持边缘，Perona 和Malik提出利车辆识别用控制函数抑制边缘处的扩散，从而建立的P-M[S]模型为图1车辆识别过程“= div(g(|vu,|)Vu, )(5)照相机平酉其中，u, 为t时刻图像; Vu, 为图像的梯度;g(Vu,)称为扩散系数，该数值大小称为扩散强北度。g(Vu,) 的非线性形式表示为地g(v.,)=- 1(6)京图2路面坐标系与图像坐标系(02汽根据各个坐标系之间几何关系以及照相机成像原理可以得到图像坐标系与路面坐标系之间式中，k为梯度阈值，k值大迭代次数就会增车的关系.加，从而模糊图像边缘细节部分，针对当前计算机快速高效的运算速度，此处k=0.027 64; 利用u=-j誉, v=f号(1)差分进行求解:去噪过程相当于求解方程(5),'c进一步可以转化为其中，f为焦距。[Xc=XBu1= -V2V'u .(7){Y = Ysinφ+ Zcosφ(2)AtZc =-Ycosφ + Zsinφ- hcscφ其中，h为照相机中心与地面之间的距离。图像去噪是为了剔除灰度值中异常点，为后将式(2) 代入式(1) 即可得到路面坐标系与图续分析研究提供可靠的图像数据。原始图像如图像坐标系之间的关系3所示，去噪结果如图4所示。fX1.3车道线识别Ycosφ+hcscφ当车辆在车道下中直线行驶时.在拍摄回来(3)fY sinφ的图像中，中国煤化工十称(就自车Y cosφ + hcscφ车道而言),.MYHCNM H G沿车道线正假设车道实际宽度为w,则图像坐标系下车中行驶，且图像上半部分混有较多的干扰因子,《北京汽车》2012.No.4| 中国煤化工MYHCNMH G.| 中国煤化工MYHCNMH G.