基于机器视觉的车距检测系统设计

程 瑶，赵 雷，成 珊，田又源, 米曾真

(1. 重庆理工大学 机械工程学院，重庆 400050；2. 中国电子科技集团公司 第十研究所，四川 成都 610036)

1 引 言

汽车安全中检测前方车辆距离是汽车安全辅助驾驶系统研究中的一个重点。与其他探测手段相比，机器视觉探测手段具有探测范围宽、目标信息完整、价格便宜，更符合人类认知习惯等优势;不仅可以用来检测车距，而且还可以用来识别车道、障碍物、交通标志等，是未来汽车安全防护方面的主要研究方向之一[1]。而单目视觉结构简单，运算速度快,具有广阔的应用前景[2]。

近年来，国内外许多学者开展了检测前方车辆距离的研究。文献[3～8]给出了估算车距信息的几种方法： 利用图像中像素距离与实际距离之间的统计关系估算前方车辆的距离；利用车辆位置和车辆宽度估计前方车辆的距离；利用前方车辆模型，将图像中的前方车辆与驾驶车辆在道路中的行驶位置联系起来，进而估算前方车辆距离；基于前方车辆阴影特征进行车辆距离的计算。本文综合上述测距方法，提出了提取车牌图像像素值数量，结合车牌实际尺寸，计算得到车距的方法，并完成了系统的设计及实验验证。

2 车距检测算法

单目摄像头的成像模型近似考虑为针孔模型，如图1所示，以车牌为被测对象。f为摄像头的焦距，c为镜头光心，x代表小孔与车牌之间的距离，y′代表车牌像的高度，y代表实际车牌的高度。

图1 系统成像原理图Fig.1 System imaging schematic diagram

依据成像系统模型，成像垂轴放大率β可由式(1)得到，由式(2)通过标定焦距、测算车牌像大小即可计算车距x。

(1)

(2)

车牌投影在像平面上的像高y′，通过标定图像传感器像元大小δ及像元数量n可得：

y′=nδ

(3)

3 车距检测系统设计

车距检测系统的设计框图如图2所示，通过搭建CCD成像系统，对被测车辆的车牌进行成像采集，在计算机中对图像进行处理及分析后，显示出车距大小。

图2 系统设计框图Fig.2 System design block diagram

采集车辆图像时，需要事先对成像系统进行标定。在固定距离下对标准图像进行成像，通过采集图像并进行图像分析，标定像元尺寸。

系统利用MATLAB GUI设计车距检测图像的处理及分析系统[9,10]，该系统包括了图像预处理、车牌定位与分割、像素计算及车距计算，程序流程如图3所示，系统操作面板如图4所示。

图3 车距检测流程图Fig.3 Flow chart of vehicle distance detection

图4 车距检测系统前面板Fig.4 Front panel of vehicle distance detection

3.1 图像预处理

图像的预处理针对车辆图像，以便图像更利于定位和分割，并加强图像有效特征，增强有用信息的可检测性，去除影响车辆区域特征的噪点。从而使图像特征更加明显，易于辨识、对比和识别[11,12]。

本系统对采集后的车牌图像采取了灰度化、灰度增强、中值滤波、边缘检测等处理，结果如图5所示。

图5 车辆图像预处理对比Fig.5 Comparison of vehicle image preprocessing

经过灰度变换增强图像后，车辆和环境的对比度明显加强了，能够更容易地从背景中区分出车辆；由灰度变换前后得到的灰度直方图也可以看出，变换后的图像灰度值分布更加均匀了；灰度图像经过中值滤波处理后，去除了图像中的噪声点，图像变得更加平滑；经过边缘检测处理后，车辆部分在图像中非常明显，可以清楚地显示出车辆的轮廓。

3.2 车牌定位

图6为车辆定位算法流程图。根据车距算法模型，当摄像系统焦距固定时，两车之间的实际距离与车牌在图像上的车牌宽度的乘积为一常数。对预处理后的车辆图像进行行扫描和列扫描，确定图像中车牌的位置，同时得出车牌部分像元的个数，换算后得到车牌的像的长度。然后将车牌实际长度和像的长度通过公式进行计算，即可得到所需的车距信息。所以，对图像中的车牌进行准确的定位是车距测量的基础。

图6 车辆定位算法流程图Fig.6 Flow chart of vehicle location algorithm

对预处理后的图像进行腐蚀处理，消除小且无意义的物体，包括车牌中的字符部分；然后再对图像进行闭运算，填补轮廓的空白区域，并进一步去除图像中的小对象，从而得到近似矩形的连通域。对图像进行腐蚀和闭运算的结果如图7所示。

图7 腐蚀与闭运算处理结果Fig.7 Processing results of corrosion and closed operation

由图7中可以看到，图像在经过腐蚀处理和闭运算后，得到了一块矩形的连通域，即需要得到的车牌区域。通过车牌特征查找连通域，并对实际车牌区域的连通域做出标记[13]。判断一个矩形连通域是否为车牌的标准是：测出该区域的长宽比约为3:1(中国机动车车牌长宽规格为44 cm:14 cm，比值近似取为3:1)，即车牌面积和周长间存在比值关系：

(4)

Fmetric=21×A/C2

(5)

式中：L表示车牌宽;A表示矩形面积;C表示矩形周长。

以式(5)构造Fmetric函数作为连通域的匹配度[14]，匹配度越接近1，则该连通域越可能是3:1的矩形，即车牌区域。

通过对标记的连通域图像进行行扫描，确定Y方向的车牌区域；进行列扫描，确定X方向的车牌区域。二者合并可得到正确的车牌区域，将其剪切下来即为所需的车牌部分。根据列扫描检测出车牌部分在图像中的像元的数目，即可通过式(3)算出车牌区域的长度，如图8所示。

图8 连通域定位及车距结果显示Fig.8 Connected region location and vehicle distance results

4 实验结果

测距实验使用单目摄像系统拍摄车辆图片，图9为采集的车辆图片，通过MATLAB实现了图片的识别处理，再利用测距程序来得到前方车辆的距离信息。本文通过MATLAB编写了简洁的GUI程序，可以让使用者非常方便地使用本系统进行对目标车辆的测距，操作更加简便。

图9 采集的车辆图片Fig.9 Acquired the vehicle pictures

经过测量采集到的车辆图像信息，将计算得到的车距信息与实际车距进行对比，测量结果及误差计算如表1 ，相对误差分析结果如图10所示。平均相对误差为6%。验证了测距方案的可行性。

表1 车距测量结果Tab.1 Measured results of vehicle distance m

图10 车距测量结果分析Fig.10 Analysis of measurement results of vehicle distance

5 结 论

通过构造单目机器视觉系统，准确处理及定位车牌图像，建立了车牌像大小与实际车牌大小的对应关系；在此基础上，利用基于车牌像素大小的方法得到了本车与前方车辆之间的距离;通过程序算法对实际拍摄的车辆图片进行了车距检测。实验结果验证了系统中车距测量方法的可行性，完成了车距检测要求。通过实验数据误差分析，该系统能较好地检测10 m以内车距大小，其中在3 m以内范围误差波动较大，平均误差为7%；3 m以外的误差波动较小，平均误差为4%。