成果簡介

本成果屬于先進輔助駕駛（ADAS）技術的一部分，目前是應用的熱點之一。目前市場上采用雷達較多，但成本高，基于圖像的系統較少。

利用安裝在汽車上的單目鏡頭采集視頻圖像，利用計算機視覺等技術，開發了汽車安全防撞預警系統，能自動實現車輛檢測、跟蹤與測距，給駕駛員提供安全防撞預警信息。

該系統由攝像頭、車輛圖像處理算法和軟件、硬件處理模塊等部分組成，安裝在汽車上。

本系統可以實現對白天和夜間的前方車輛進行檢測、跟蹤與測距，也能增加對行車過程中車道線偏離進行檢測的模塊，可以用于車輛防撞預警。

車輛檢測具有較高的準確率和實時性，與采用雷達相比，實現成本低。

可以開發獨立的車輛防撞預警系統，也可以在目前行車記錄儀基礎上增加車輛防撞預警功能模塊。

潛在應用場景

1. 無人駕駛、輔助駕駛、新一代行車記錄儀系統；

2. 機器人防撞障礙物探測感知、自主導航系統；

3. 智能交通監控系統（交通擁堵預警、事故跟蹤等）；

4. 多媒體錄播跟蹤系統；

......

技術優勢

1. 單目鏡頭采集視頻圖像，成本低，可將防撞預警系統成本從萬元級降至千元級；

2. 能處理白天和黑夜多場景的車輛檢測、跟蹤與測距；

3.算法運算速度快、精度好、實時性高，系統準確率綜合達到94.1%，平均耗時僅28ms；

4.使用的標定方法簡單快速，適用于實際環境操作，技術在無人駕駛、輔助駕駛、新一代行車記錄儀等領域可進行市場化應用。

專利號

軟件著作權：2011SR087341，2015SR169389，2015SR021624，2016SR045698，2016SR045777，2018SR296952。

1.1 前方車輛安全防撞預警技術

采用多特征融合的單目視覺車輛檢測與跟蹤新方法，具體內容如下：

 多特征融合的單目視覺車輛檢測與跟蹤流程圖

 

1. 圖像預處理與增強

根據前車出現區域及正常行駛場景構圖等先驗知識，選定原始圖像縱向1/2以下為感興趣區域（Region of Interest, ROI）區域，可排除高空及復雜背景對后續算法影響，減輕計算負擔。

2. 特征提取及初步篩選

對分割后的陰影區域進行二值圖像連通分量特征提取，所選用的特征屬性包括：聯通分量區域像素總數、區域外接矩形、區域重心坐標、區域長軸長度、短軸長度、長軸短軸比率、方位角信息、緊致度信息。

3. 基于神經網絡車輛檢測算法

傳統反向傳播神經網絡學習算法是梯度下降法，利用誤差的一階微分信息，在訓練過程中存在一些缺陷和不足；Levenberg-Marquardt神經網絡學習算法利用二階微分信息進行網絡權值更新，收斂速度快，實用性好，廣泛應用于最優化算法，分類和識別神經網絡的訓練。

我們提出的車輛檢測算法在訓練數據中準確率綜合達到94.1%。使用此算法能夠保證在中近距離內實時，準確，低誤報的檢測車輛，對可能存在的碰撞隱患輸出告警信號。

4.基于加權顏色直方圖的Meanshift車輛跟蹤算法

基于Meanshift的多目標跟蹤算法依靠特征空間中的樣本點進行分析，不需先驗知識，收斂速度快，在圖像平滑，圖像濾波，圖像分割以及目標跟蹤等許多計算機視覺研究領域得到廣泛的關注和應用。

采用經典檢測-跟蹤-檢測框架進行視頻流圖像的連續處理，通過運行硬件平臺下算法時間效率及檢測算法，跟蹤算法穩定性設定合理跟蹤幀長閾值，可成功處理車輛駛離前方預警區域及由于超車新加入預警區域情況下算對目標增減的情況。當車輛檢測算法成功檢測前方車輛后，計算并描述跟蹤目標模板并進入后續跟蹤算法，跟蹤算法同時跟蹤前方多目標，循環往復直至處理完畢，處理流程如圖1所示，使用MeanShift跟蹤算法跟蹤前方檢測出的多目標車輛效果如圖：

1.2盲區車輛安全防撞預警算法

1.盲區車輛檢測算法

我們提出一種并行AdaBoost（Concurrent AdaBoost，CAdaBoost）算法并將其應用到單目盲區車輛檢測中。與傳統AdaBoost相比，CAdaBoost在訓練弱分類器時通過并行的方式選擇弱分類器，并在原有弱分類器系數的基礎上引入加權參數，能夠更準確地描述被選擇的弱分類器在最終強分類中的作用。首先，確定ROI區域，即在的范圍進行車輪檢測，的范圍進行車頭檢測；其次，對ROI區域內的車頭和車輪分別提取Haar-like特征；最后利用CAdBoost算法對盲區車輛進行檢測。通過與經典的分類方法及多種AdaBoost分類器進行了

對比，結果表明ICAdaBoost取得更高的檢測率和更低的誤檢率，并獲得更短的訓練時間，證明了該方法的有效性。具體步驟如下：

（1）提取Haar-Like特征

（2）基于改進AdaBoost算法的盲區車輛檢測

（3）盲區車輛檢測結果后處理融合

我們提出的基于ICAdaBoost盲區車輛檢測算法不僅獲得了97.93%最高檢測正確率，而且在單幀的盲區車輛檢測中時間最短，能夠很好的滿足實時性的需求。

2.盲區跟蹤算法

采用KCF跟蹤算法，主要解決尋找在空間域上嶺回歸問題的最優濾波器的問題，通過學習核化的正則化最小二乘線性分類器對目標進行。KCF跟蹤算法的核心思想是:通過引入密集采樣的概念，利用循環移位得到循環矩陣；然后運用高斯核函數計算分類器與新一幀圖像候選區域的相關系數，最大相關系數的點即更新的目標位置。根據循環卷積定理，所有與循環矩陣的點積運算都可以轉化為與該矩陣第一行向量的卷積運算，計算速度得到很大提升。

3.盲區車輛測距算法

采用基于小孔成像測距模型的單目盲區車輛測距方法，測出距離之后與預警安全距離進行比較，如果小于閾值則進行預警提醒，進而輔助駕駛員安全行駛。預警流程如圖:

其它方面

還開發了與車載先進輔助駕駛相關的如下技術：

司機的疲勞駕駛檢測與人臉識別：

交通標志識別技術