基于机器视觉的汽车智能驾驶系统

　　1、引言

　　随着社会的发展和人口的增长，汽车越来越多的进入我们的日常生活，交通也日益拥挤。驾驶汽车是一项复杂的活动，长时间的驾驶很容易使人感到疲劳，从而容易导致交通事故。此外一些工程车辆在作业时环境恶劣、劳动强度大，这些车辆的驾驶自动化是非常有必要的。为了使汽车驾驶操作简单、安全、舒适，把人从繁重枯燥的汽车驾驶中解脱出来，当今世界各国都在积极研究开发自动驾驶技术。

　　德国、美国和日本等国在汽车自动驾驶领域开展了积极的研究并取得了很大的成绩。我国国防科技大学机电工程学院一直在进行汽车自动驾驶技术的研究，其与第一汽车集团公司联合研制的无人驾驶型"红旗"CA7460于2003年6月在湖南长沙试车成功，稳定行驶时速达130KM/h（美国最高水平 100KM/h、德国120 KM/h），最高时速达170 KM/h，具备安全超车能力。但他们的系统主要是依靠车载雷达、红外测距仪和图像传感器来识别测量路面环境状况，所得到的路面环境信息不丰富，不能满足汽车智能驾驶的要求，所以这些系统都还只能在路况良好的高速公路上应用，无法适应道路环境恶劣的低级公路和城市公路。

　　视觉是人类观察世界、认识世界的重要功能手段，人类从外界获得的信息约有75%来自视觉系统，特别是驾驶员驾驶需要的信息90%来自视觉。在目前汽车辅助驾驶所采用的环境感知手段中，视觉传感器比超声、激光雷达等可获得更高、更精确、更丰富的道路结构环境信息。随着计算机技术的发展和图像处理/识别技术的成熟，机器视觉技术获得长足的发展，目前广泛的应用在三维测量、三维重建、虚拟现实、运动目标检测和目标识别等方面。在汽车的自动驾驶发面，一个前提性的问题就是路况识别和车辆、障碍物的距离、速度检测，解决了这个问题才可能去控制汽车的驾驶。而机器视觉技术融合三维测量和图像识别技术于一身。

　　目前，机器视觉在智能机器人领域的研究热火朝天：Klaus Fleischer等人提出的基于机器视觉的城外公路基础设施固定对象的检测与跟踪;D. Brzakovie等人提出道路边缘检测在移动机器人导航中应用 ; O.Djekoune等人提出基于神经网络的视觉引导机器人导航。这些研究成果对机器视觉在智能驾驶中应用有着重要的启迪。

　　本文把机器视觉技术为主要的路况感知手段应用到车辆自动驾驶中去，为实现车辆智能化驾驶提供一个不同的思考角度。

　　2、机器视觉技术

　　自从MARR视觉计算理论提出以来，机器视觉技术迅速发展，是目前智能驾驶领域发展最快的技术之一，也是智能驾驶领域研究的主要方向之一。

　　2.1机器视觉基本原理

　　获取场景中各点相对于摄像机的距离是立体视觉系统的重要任务之一，场景中各点相对于摄像机的距离可以用深度图（depth map）来表示。机器视觉系统主要是依靠双（多）目CCD在不同的空间位置上上获取两（多）幅图像，通过这两（多）幅图像的深度信息和成像几何来生成深度图（图1所示）。

　　本文以比较简单常用的双目CCD视觉系统为例，它的几何关系如图所示。它由两个完全相同的CCD摄像机（摄像头）构成，两个图像平面位于同一个平面上，两个摄像机（摄像头）的坐标轴相互平行，且x轴重合，摄像机之间在下x方向上的间距为极限距离B。

　　图1 双目立体视觉几何模型

　　在图中，场景点P在左右图像平面中的投影点分别为P左和P右，假设坐标系原点与左透镜中心重合，比较相似三角形PMCl和PlLCl得到：

　　 （1）

　　同理，从相似三角形PNCr和PlRCr，得到：

　　 （2）

　　合并上面两式：

　　 （3）

　　其中F是焦距。

　　由上面推导可知各种场景中的深度信息可以通过计算视差来实现。在机器视觉系中统要能准确的计算视差，一个重要的前提就是能够找到左右图像对中投影点的共轭对（场景中同一点在不同的图像中的投影点称作共轭对），即立体匹配。匹配的方法主要有边缘特征匹配、区域特征匹配和相位匹配三类。立体配对是机器视觉里面研究的一个重要方向，在这方面有很多有用的研究成果，O.Djekoune等人在文中提出了应用神经网络的方法提高立体像对的匹配速度和准确度的新算法。

　　2.2 机器视觉技术在智能驾驶中应用

在智能驾驶中应用机器视觉技术，机器视觉技术必须具备实时性、鲁棒性、实用性这三个特点。实时性要求机器视觉系统的数据处理必须与车辆的高速行驶同步进行;鲁棒性是要求智能车辆对不同的道路环境如高速公路、市内公路、普通公路等，复杂的路面环境如路面的宽度、颜色、纹理、弯道、坡度、坑洼、障碍与车流等，各种天气晴、阴、雨、雪、雾等均具有良好的适应性;实用性指智