基于双目摄像头的路况信息处理方法

本文主要通过使用图像算法编程实现，完成道路和障碍物检测任务，指导车辆在道路上安全行驶。设备上将采用摄像头获取图像，对图像信息进行处理以获得车辆及车道线的相关信息，从而为驾驶员的驾车行为进行辅助以及对危险情况进行预警，为提高驾驶安全性提供综合解决方案。

感兴趣区域提取

感兴趣区域是只选取整幅图像中有利于减少图像处理复杂度，减少其他外物影响的区域，针对感兴趣区域的图像处理，可以提高处理的速度，也可以提高检测的准确率。感兴趣区域的选取可以是人为的也可以是系统自适应的选取，例如检测车辆的阴影时，由于公路的颜色与车辆阴影具有一定的差别，所以我们可以人为的选择公路上一个固定的位置作为感兴趣区域，这个区域可以比较靠近图像底部，保证选取区域不会出现除公路外的其他外物，根据我们选取的感兴趣区域，可以利用图像分割，将图像二值化，从而提取出车辆阴影。而自适应的感兴趣区域可以是在检测出车道线之后，将感兴趣区域设置为车道线两侧内，再在感兴趣区域内检测障碍物，从而减少车道周围环境的干扰。

本文针对的环境主要是行驶在结构化道路上的车辆的前方障碍物，对于固定于车上的摄像头而言，获取的视频中的每帧图像中出现在车道上的障碍物的部分多为图像的下半部分，而偏上部分的图像均为背景较多，为了减少检测的干扰，以及提高检测的精度，我们决定只检测图像中包含有用信息的部分，所以对图像进行截取。对于车道障碍物的检测，我们只需研究道路区域内的目标，因此利用检测出的道路边界的直线方程对推向进行截取，得到我们的感兴趣区域。

车辆后视特征分析

一般利用视觉图像进行车辆检测识别的方法有以下几种：基于模版匹配的方法，这种方法利用大量的预先做好的车辆模版（基于灰度信息或小波特征等），与实时采集的图像进行匹配，寻找相关性最大的匹配区域作为车辆存在区域。这种方法有较好的鲁棒性，但是实时性较差；基于学习的方法，这种方法的本质是利用神经网络，对大量车辆图像进行训练，然后通过分类器进行分类，这种方法一般用来对已检测出来的车辆进行验证；基于车辆特征的方法，该方法是利用图像中车辆存在的特征：纹理，边缘，对称性以及阴影等进行目标分割和识别，如果单独的采用一种特征时，经常会因为环境或光照的变化，导致特征信息量不足，容易出现误判或者漏判的现象。因此本方案采用同时考虑车辆的多种信息特征，使用多特征信息融合的方法来检查车辆，这样能够克服一些环境的影响，提高检测准确率和实时性。

在结构化道路的交通环境下，车辆作为一种相对运动着的人造物体，区别于大自然的景物以及交通标志、山、树木等高速公路上其他交通因素，具有丰富的后视特征。前车的后视特征正是车辆相关处理步骤的主要研究对象，同时也是将车辆从图像背景中分割出来并在此基础上进行后续处理的主要依据。

一般的视觉图像中，车辆会具有许多区别于周围环境的一些特征，如存在许多相对密集的水平边缘；垂直边缘和水平边缘往往会组成一个矩形或者U型；车辆具有一定的灰度对称性；车辆存在阴影区域；车辆具有一定的纹理（如粗糙度、对比度）等，在以上这几个特征中，如果光照条件不同，则车辆的边缘特征和灰度信息也不同，因此每个特征对车辆判断的贡献也是变化的。如果单独采用上面提到的任何一种特征进行车辆识别，则很难提高识别的准确性，因此本方案同时采用了车辆的阴影和边缘两种特征的相结合来实现车辆的识别和定位。首先利用车辆边缘信息初步确定车辆存在的感兴趣区域，然后，在上述区域中进行灰度差和车底阴影特征的分析，从而实现车辆的定位。

检测准确性评价

设车辆实际的位置与大小，矩形框的对角线坐标为（a1，b1），（a2，b2）；检测得到的车辆位置与大小， 矩形框的对角线坐标为（x1，y1），（x2，y2）；图片的宽度为w，高度为h。

对准确率的判断可以考虑两个因素

（1）车定位框的大小

设实际定位框的为（a2-a1）（b2-b1），算法结果为（x2-x1）（y2-y1）；则误差为错误率为P1=error1/（w· h）；

（2）车定位框的偏移计算

结束语

上述方案适用于一般情况，但障碍物存在遮挡，或者并行等情况，检测结果会受到比较大的干扰，同时对于大部分操作，还未能实现自适应，不能很好的应用于各种不同的环境，稳健性仍需加强。

解决这些问题的思路是可以根据车道线将物体隔离开，前提是需要做好分道线的检测工作，需要改进算法提高自适应能力。

10.3969/j.issn.1001- 8972.2016.15.020