胡闰秀，刘永涛

引言

随着我国公路交通运输业的快速发展，道路交通安全事故已成为威胁人民公共财产安全的最严重问题之一。据道路交通事故统计年报分析显示[1]，大型车辆尤其是客运车辆肇事事故是造成群死群伤道路交通事故的主要原因，其社会影响非常恶劣，而车辆驾驶人的危险驾驶行为则是引起客运车辆交通事故的主导因素。当前科技的发展使得越来越多的安全辅助驾驶设备普及至各类小型车辆，但绝大多数客运车辆尚未安装安全辅助驾驶设备。传统的汽车行驶记录仪仅仅能够记录车辆行驶影像，起到回看的作用，不能实时辨识客运车辆当前的行驶安全状态，亦不能记录交通事故发生时的车辆运行状态等关键信息。市场上虽然有一些车辆主动安全系统的产品，如车道偏离预警系统、车辆纵向防撞预警系统等[2-4]，用来提醒驾驶人安全驾驶，但这些产品大都以非营运车辆为设计研发对象，也没有将驾驶人这一关键因素考虑进去。因此，开展客运车辆横纵向危险行驶状态辨识技术研究，实时在线辨识公路客运车辆出现的超速行驶、占道行驶、越线行驶、纵向跟车过近等危险行驶状态，适时警示驾驶人非正常驾驶行为，可有效监控、约束、规范客运车辆驾驶人的驾驶行为，提高道路交通事故中的科技含量，进而提高我国客运车辆道路交通事故的安全营运水平。本文以工控机组件为平台，基于机器视觉从横向和纵向两个维度进行车辆危险行驶状态辨识，通过建立车辆横纵向危险行驶状态辨识模型，有效预防车辆无意识的车道偏离及跟车过近等危险行驶状态。

1、车辆横向危险行驶状态辨识

车辆横向危险行驶状态主要表现为驾驶人无意识的车道偏航行为，因此，车辆横向偏航辨识技术的关键技术在于道路标识线的准确识别，车道线识别要求具有实时性和鲁棒性，实时性要求车道线检测算法能满足车辆在行驶过程中速度较快的需要，鲁棒性要求在包含阴影、光照强度大、存在文字干扰等各种复杂环境下准确检测辨识车道标志线。因此，必须对道路环境图像信息进行深度挖掘优化，去除图像上存在的多余干扰噪声信息，尽可能多的保留有用信息。

1.1 图像预处理

由于车辆在行驶过程中，存在自身振动及路面不平的干扰，会大大降低采集道路图像的质量。为了深度挖掘道路图像的有用信息，需要对道路图像进行预处理[5-7]。彩色图像所包含的数据量大，为了提高图像处理速度，首先对彩色图像进行灰度化处理，图1所示为灰度化处理结果。采用中值滤波去除图像噪声和保护边缘，处理结果如图 2所示。使用Sobel边缘检测算法增强采集图像中车道线的边缘，同时也有效降低噪声影响，图3所示为处理结果。经过Sobel边缘检测处理后，道路图像的对比度明显增强，为了提高车道线检测效率，使用最大类间方差法（OSTU）进行阈值分割，得到二值化图像，如图4所示。

1.2 车辆横向偏航辨识

系统上电完成及初始化之后，车载 CCD图像传感器完成前方道路图像信息采集，并将采集的道路图像通过视频采集卡传输至工控机内部，进行图像关键信息挖掘。车辆横向偏航辨识过程主要包括：道路图像经过预处理之后，充分利用车道辨识线的分布特征，基于方向可调滤波器进行车道边缘信息提取，能更好的增强车道线边缘信息，抑制图像中的噪声干扰；为了缩短车道线检测时间，提高系统实时性，基于车速划分动态感兴趣区域；采用面向序列图像的改进最优阈值分割方法，更加凸显道路图像中车道线信息；由于路面标识、文字、车辆等面积较大干扰噪声的存在，会对车道线特征区域的提取造成影响，因此，本文利用车道标识线固有的形态特征及逻辑关系对车道线特征区域进行车道标识线筛选，结构化道路的车道标识线具有宽度变化率平稳、宽度范围一定、长度范围一定、车道同向性等特征；车道线经过上述处理，形成具有一定形状的线段，车道线检测的过程就是将离散的边缘像素进行筛选，拟合成连续的线段，基于线性回归方法与车道标识线宽度约束进行道路模型求解；车道线检测成功之后，用特殊颜色的虚拟线段进行标识，并运用Kalman滤波算法进行车道标识线追踪。同时，基于逆透视投影变换进行道路关键信息重建，明确三维世界坐标系与二维图像坐标系之间的对应关系，结合车道线的计算方程，可以进行世界坐标系下车辆运行姿态感知；充分利用基于空间信息的预警模式虚警率和漏警率低及基于时间信息的预警模式预警及时的优势，建立基于时空信息融合的车辆横向偏航辨识模型，并根据所建模型进行车辆横向偏航预警方案的确定。车辆横向偏航辨识具体流程如图5所示。

2、车辆纵向危险行驶状态辨识

客运车辆纵向危险行驶状态主要表现为车辆纵向行驶安全车距不足，导致车辆追尾等严重交通事故的发生。对前方车辆进行监控跟踪，可以帮助驾驶人实现对车辆运行环境的感知，使用机器视觉技术进行客运车辆纵向危险行驶状态辨识具有成本低、信息量大、鲁棒性好等优点。针对上述考虑，本章基于机器学习和粒子滤波算法进行前方车辆分层级联辨识与跟踪，借助前方车辆测距模型，将通过机器视觉感知的测量距离与车辆可行安全域方案集进行比对，融合客运车辆纵向行驶车路协同模型，辨识车辆是否处于危险行驶状态，如果存在，适时给予驾驶人警告，采取安全行车措施。具体过程如下：充分借助车辆尾部的纹理特征及灰度分布特征，通过对海量车辆样本集进行离线训练，基于Adaboost算法训练强分类器，并构建车辆级联分类器；融合车辆Haar-like特征与 Adaboost算法进行前方车辆识别，对测试样本的 ROI区域进行车辆存在性检测，并输出检测结果；充分利用粒子滤波的多假设能力，对前方目标车辆进行快速稳定跟踪；基于射影几何建立车辆纵向车距测量模型，通过前方车辆目标特征点的选取，来计算本车与前车之间的纵向实时距离。同时，基于群体智能技术，在构建驾驶人应急响应决策时间智能体、道路环境信息智能体以及车辆行驶状态信息智能体的基础上，进行车辆纵向可行安全域方案集的确立；通过本车及前车之间的实时距离与车辆纵向行驶可行安全域方案集的比对，建立车辆纵向危险行驶状态辨识模型，基于时域危险度的量化分析，确定预警输出方案。

3、试验分析

3.1 硬件平台搭建

本文建立的客运车辆横纵向危险行驶状态辨识系统平台的硬件架构主要包括四部分：道路图像采集与显示系统、车辆行驶状态参数采集系统、上位机控制系统及平台供电系统。车辆行驶环境图像信息通过 CCD视觉传感器获取，经视频采集卡传输至上位机控制系统，车辆行驶状态参数包括车辆行驶速度参数、转向信号参数通过DB9串口线传输至上位机系统，上位机系统接收多传感器信号，通过图像识别处理算法形成最终处理后的图像画面，并通过人机交互系统传递给驾驶人。

3.2 实车试验

为了验证测试论文搭建系统硬件平台的可靠性及提出的相关算法的有效性，本文选择西安地区具有典型交通状况的西安三环快速路作为试验路段，试验条件为天气晴朗、路面干燥，驾驶人按照自己正常的驾驶习惯驾驶车辆，并根据实际路况选择变道。车辆横向偏航辨识结果如图7所示，车辆纵向危险行驶状态辨识结果如图8所示。相关检测算法总体识别效果较好，识别准确率为90%以上，能够满足实际车载应用需要，达到了试验设计要求。

4、结束语

本文提出了一种基于机器视觉的客运车辆危险行驶状态辨识方法，通过车载 CCD获取前方道路图像，运用图像处理算法检测车道标识线及本车与前方目标车辆的实时车距，建立车辆横向偏航辨识模型、车辆纵向危险行驶状态辨识模型，基于相关辨识模型输出结果，确定预警方案。试验结果表明，该模型辨识车辆横向偏航和纵向跟车过近危险行驶行为的识别率为90%以上，可用来降低由驾驶行为造成的潜在危险，提高车辆运行安全性。

[1] 公安部交通管理局. 中华人民共和国道路交通事故统计年报(2011年度) [R]. 2012.

[2] Dagan E., Mano O., Stein G. P., et al. Forward Collision Warning with a Single Camera[A]. Intelligent Vehicles Symposium[C]. 2004: 37-42.

[3] http://newscar.xcar.com.cn/201101/news_190628_2.html.

[4] 吴乙万. 人机协同下的车道偏离辅助驾驶关键技术研究[D]. 长沙: 湖南大学, 2013.

[5] 黄伟. 基于雷达和机器视觉的车辆前方障碍物检测系统设计与实现[D]. 武汉: 武汉理工大学, 2010.

[6] 刘富强, 田敏, 胡振程. 智能汽车中基于视觉的道路检测与跟踪算法[J]. 同济大学学报（自然科学版）, 2007, 35(11): 1535-1541.

[7] 林广宇, 魏朗. 基于机器视觉的驾驶员换道行驶检测研究[J]. 计算机工程与应用, 2009, 45(33): 22-24.