孔丹尼

摘  要：汽车辅助系统能够辅助驾驶员进行汽车驾驶，提高汽车驾驶的安全性。在汽车驾驶过程中，驾驶人员主要通过视觉来获取信息，通过视觉传感器来掌握周边环境信息，为驾驶员的驾驶提供辅助，可以有效地提高汽车驾驶的安全性，基于此本文对机器视觉在汽车驾驶辅助系统中的应用进行了探讨。

关键词：机器视觉;驾驶辅助系统;交通安全

1  前言

当前，汽车已经成为人们重要的交通工具，在人们生活中起着重要作用。汽车在给人们生活带来便利的同时，也导致了交通事故不断增加，给人们的生命和财产安全带来较大的损失，相关数据显示，世界上每年有超过100万人死于道路交通。为了提高道路交通的安全性，人们加强了对汽车安全防护系统的研究。当前，驾驶辅助系统在汽车行业中已经获得了重要应用，驾驶辅助系统中通过应用超声、视觉、雷达和GPS等传感器来对车辆行驶过程中自身状态和环境的变化进行感知，采集环境和车辆信息，并对信息进行分析，根据结果给驾驶人员提供驾驶建议和采取应急措施，对驾驶人员的驾驶进行辅助，从而降低交通事故的出现。在实际的驾驶过程中，视觉是驾驶员获取信息的重要途径，包括交通标志、障碍物、路面状况等信息都需要驾驶人员通过视觉来获取信息，基于这一因素，通过应用视觉传感器来掌握路面情况，对提高车辆的智能化有重要意义，基于视觉导航的交通标志检测、道路检测、行人检测和障碍物检测的车辆驾驶辅助系统，能够有效地降低驾驶员的劳动强度，更高的保证交通安全，因此加强机器视觉在汽车驾驶辅助系统中的应用具有重要意义。

2  机器视觉在辅助驾驶系统中的应用

2.1  车道线检测技术

车道线检测技术的相关研究主要集中在设备和算法两方面。在设备方面，车道线检测技术通过传感器来进行数据采集，主要有激光雷达、立体视觉和单目视觉等三种。其中激光雷达的机器视觉原理是，通过不同颜色或材质的不同反射率来实现道路的识别;相较于激光雷达技术，立体视觉具有更高的精确性，缺点在于设备成本高，难以实现图像匹配，而且算法也比较复杂，造成实时性不高;单目视觉通过特征、模型、融合和机器学习等实现。在这三种传感器中，单目视觉的应用最为广泛。在采集到信息之后，通过相应的算法进行计算，进行决策。在算法方面，常用的方法包括基于模型的方法和基于特征的方法。基于特征算法首先对获取的图像进行处理，从中提出边缘信息等特征信息，然后根据预定规则来获取车道线标记;基于模型的算法通过分析图像来获取参数，然后建立道路模型，通过模型完成车道线的检测。

2.2  交通标志识别技术

交通标志识别技术能够识别交通标志，并提示给驾驶员，帮助驾驶员进行正确决策，保证行驶安全。交通标志一般都具有显著的颜色和形状特征，基于其具有的视觉特征，机器视觉技术可以检测出不同的交通标志。当前，比较普遍的交通标志识别技术是基于颜色和形状特征的检测方法。当前，交通识别技术主要通过设定颜色分量的阈值范围实现图像分割，然后从背景区域中提取出感兴趣区域（ROI），然后通过对这一区域进行形状过滤来实现交通标志的识别。其中，直接彩色阈值分割算法具有重要应用，这种算法的工作原理是：在RGB 颜色空间对图像所有像素进行分割，然后进行角点检测，通过这样的方式来识别目标区域是否存在交通标志，该方法的缺陷在于光照的影响比较大，而且不能够有效解决遮挡问题;相关研究人员对算法进行了改进，通过将RGB图像进行转换，转化成 HSV、HIS 等图像模型，然后再对图像进行分割和提取，实现对交通标志的识别，通过这样的方式能够有效地降低光照和遮挡等因素的影响。

2.3  车辆识别技术

交通环境是非常复杂的，在这样的条件下進行车辆检测，应用单传感器很难实现，因此当前车辆识别技术的发展趋势是多传感器融合，通过不同传感器的互补来提高识别效果。雷达可以实现车辆前方障碍物位置、速度和深度等的监测，具有良好的效果;基于车载摄像头的视觉信息，可以实现外部环境的立体视觉或者单目视觉检测，其中立体视觉检测在实时性方面较差，而且受到车辆颠簸等因素的影响，测定的误差也比较大，而单目视觉检测的实时性非常好，因此当前应用的较多。单目视觉的车辆识别技术主要包括先验知识、基于运动和基于统计学习的检测方法。

2.4  行人检测技术

行人既具有刚性物体的特性，也具有柔性物体的特性，因此行人检测比较特殊，在对行人进行检测时，行人的行为、姿势和穿着等都会影响检测的结果。行人检测技术主要是通过传感器采集图像，然后提取人的位置，并对其行为进行判断。通过对视频图像进行提取，获取运动目标所在区域的信息，然后通过背景减除、光流和帧差等方式进行处理，并且结合人体的形态和肤色等进行判断，确认人的位置和行为;通过对静态图片进行分析，采用基于机器学习的检测方法来对行人进行检测，这种方法的性能主要受两方面因素影响，一方面是行人描述;另一方面是分类器训练。该方法检测的实时性会受到特征描述的复杂程度的影响。当前，行人特征描述方法中，HOG具有比较多的应用，Haar、LBP以及基于这两种方法的改进方法应用也比较多。机器学习的分类器对于行人检测的检测率有着比较大的影响，当前常见的分类器包括神经网络、支持向量机和 Boosting 方法以及基于这些方法的改进方法。

结论

随着传感器技术、智能化技术和信息技术等的发展，汽车逐步进入智能化时代。机器视觉作为一种环境感知技术，在汽车驾驶辅助系统中具有重要意义，提高了汽车驾驶辅助系统的功能。通过采取高质量的图像信息，并且快速的对信息图像进行处理和识别，为驾驶员提的驾驶提供决策建议，可以有效地提高驾驶的安全性，因此应不断改进传感器技术、研究图像处理算法，提高汽车辅助系统的功能，使机器视觉技术更好地满足汽车驾驶的实时性和准确性的要求，更好地提高汽车驾驶的安全性。

参考文献

[1]闫龙.基于视觉的驾驶辅助系统研究[J].科技创新与应用，2020（11）.

[2]朱明珠，赵云，沈英.车载机器视觉的应用概述[C]// 福建省汽车工程学会.福建省汽车工程学会，2013.

[3]吴茂友.基于机器视觉的智能车驾驶辅助系统[D].扬州大学，2019.