陈洪洋，梁朱冬，李佼睿

（长安大学 汽车学院，陕西 西安 710064）

引言

目前常见的车辆测距方法主要有基于超声波、激光、机器视觉及毫米波雷达等传感器的方法，但基于机器视觉测距的方法凭借其硬件成本低、结构简单、获取信息量大、适应性强等优点而被广泛应用。

常用的前方车辆测距模型有基于反转透视测距模型、基于摄像机内部参数与透视投影几何关系模型、基于单帧静态图像测距模型、基于逆投影变换测距模型、基于数据回归建模的测距模型及基于混合几何模型的测距模型等。本文根据实际应用需要，结合空间几何关系建立一种车道平面几何模型驱动下前方车辆纵向测距模型。

1 基于射影几何的纵向车距测量模型构建

如图1(a)所示，根据CCD视觉传感器的安装位置建立基于射影几何的纵向测距模型，其中，C点为CCD视觉传感器的光心，以光心在路面上的投影点O为世界坐标系的原点，车辆向前行驶的方向为 X轴，Z轴垂直于路面朝下。平面A'B'F'E'为CCD视觉传感器成像平面，CEF为远视角平面，CMN为光轴中心所在平面，CC2D为测距特征点所在平面，CCD视觉传感器的光轴 CC1与成像平面交于C0点，CC0为CCD传感器的焦距，近视场图像下边缘中点A与成像平面交于I点，远视场点B与成像平面交于H点，θ为摄像头俯仰角，P为前方车辆的测距特征点，通常取前方车辆尾部下边缘的中点，前方车辆距CCD视觉传感器的纵向距离即为OP'的长度。

根据上述道路平面约束下车辆测距模型推导前方车辆在世界坐标系的位置，已知 CO、CC0、θ、成像平面 A'B'F'E'的各边长，求解测距特征点P的世界坐标的纵坐标值。

从图1(b)车道平面约束测距模型的侧视图可以得知：

图1 基于特征点的车道平面约束测距示意图

式中，v0为光心纵向图像坐标，v (P0)为特征点纵向图像坐标，dy为单位像元的纵向长度，Yw(P)即为前方目标车辆与本方车辆之间的纵向车距。

2 多样本条件下纵向车距测量误差动态补偿模型重构

如图2所示，前方目标车辆尾部区域以车辆轮廓下边缘为边界分成区域A和区域B两部分，区域A的垂直高度为目标车辆的后悬高度h，点D为车辆尾部B区域下边缘中点，点P为车辆尾部区域在道路平面上的投影中点，由于前方车辆辨识算法只能检测出前方目标车辆尾部轮廓，因此选取点D作为纵向车距测量特征点往往造成纵向车距测量值偏大。

图2 纵向车距测量误差源分析

为了降低后悬高度对纵向车距测量造成的误差，使纵向车距测量值尽可能准确逼近真实值，本文采用规格为2m×1m的红色目标靶源近似为前方车辆尾部区域仿真对象，目标靶源固定在支架上且离地高度可调，通过分析统计500多例客运和货运车辆后悬高度样本，确定目标车辆后悬高度变化范围为[0.2m,1m]，目标源变化范围为[10m，100m]，试验步骤如下：

Step1，固定CCD视觉传感器位置，标定CCD视觉传感器内外参数并记录。

Step2，固定目标靶源的离地高度，沿道路纵向每隔 5m移动目标靶源，使其在距离CCD视觉传感器[10m，100m]范围内变化，并用 CCD视觉传感器记录目标靶源在各个位置的图像。

Step3，调整目标靶源的离地高度，使其在[0.2m，1m]内变化，重复Step2。

Step4，采用自主开发的基于 VC++6.0软件的纵向车距测量误差标定系统处理Step3所得图像，分析目标靶源在不同离地高度、不同纵向位置的测量误差。

通过纵向车距测量误差标定系统采集的目标靶源在不同离地度、不同纵向位置的部分数据如图3所示。

图3 目标靶源在不同离地高度、不同先验距离的部分误差数据

根据目标靶源在不同离地高度、不同先验距离的误差数据，可回归纵向测量误差动态补偿模型为：

式中x为目标靶源离地高度，y为感知纵向距离，z为纵向测量误差。则重构的纵向车距测量模型为：

3 静态车距测量实验验证

测距系统的视觉传感器采用1/3 inch CCD镜头，使用吸盘固定在福特全顺小型客车前挡风玻璃中央靠上的位置。为了更加准确、方便地进行前方车辆纵向测距和验证，实验场地选择在长安大学汽车试验场，CCD视觉传感器通过视频采集卡与上位机连接，测距算法基于 VC++软件编写，通过上位机完成车辆纵向车距检测。实验路面标有距离标识线，距离标识线相对于 CCD视觉传感器在路面投影点的纵向距离变化范围为[10m，100m]，通过与实验员的协作使货车尾部分别停靠在各个距离标识线上，由车辆测距系统进行前方距离自动辨识。

4 结论

为了测试本文建立的纵向车距测量模型的有效性，在真实道路环境下进行前方车辆静态车距测量实验。在CCD视觉传感器前方10～100m范围内车辆按每隔5m的间隔停放，由CCD视觉传感器采集不同先验距离时的前方车辆图像。

图4 单目视觉静态车距测量结果分析

实验一共采集19组数据，在获得CCD视觉传感器内外参数的基础上，将重构的基于单目视觉车距测量模型的检测结果与距离真值进行比对分析，所示为基于论文建立的纵向车距测量模型的比对分析结果，从图4中可以看出本文建立的基于单目视觉及测距误差动态补偿的纵向车距测量模型具有较高的测量精度，车距检测结果与实际车距的相对误差小于5%，绝对误差平均值为1.9m，因此满足了系统的实际应用需求。

[1] 沈志熙,黄席樾.基于数据回归建模的单目视觉测距算法[J].计算机工程与应用.2007, 43(24)：15-18.

[2] 王荣本,李斌,储江伟,等.公路上基于车载单目机器视觉的前方车距测量方法的研究[J].公路交通科技. 2001,18(6)：94-98.

[3] 郭磊,徐友春,李克强.基于单目视觉的实时测距方法研究[J].中国图象图形学报.2006,11(1)： 75-81.

[4] Murphey Y L．,Chen J．,Richardson P,et al.Depth Finder，A Real-time Depth Detection System for Aided Driving[A].IEEE Intelligent Vehicles Symposium[C].Dearborn (MI),USA,2000,24(5)： 603-609.

[5] 肖献强.基于信息融合的驾驶行为识别关键技术研究[D].合肥：合肥工业大学,2011.

[6] 花开胜,王林.基于平面模板的摄像机标定方法[J].计算机工程,2012, 38(15)： 264-267.