基于机器视觉的汽车智能驾驶系统

能车辆能够为普通用户所接受。

　　目前，机器视觉主要用于路径的识别与跟踪。与其它传感器相比，机器视觉具有检测信息量丰富、无接触测量和能实现道路环境三维建模等优点，但数据处理量极大，存在系统实时性和稳定性问题，要靠开发高性能的计算机硬件，研究新算法来解决。随着计算机技术和图像处理技术的飞速发展，三维重建道路环境为车辆高速智能驾驶提供强大的信息，在不远的将来具有现实可行性。

　　机器视觉的道路识别基本原理为，公路路面的环境（白色路标、边缘、路面颜色、坑洼、障碍物等）的CCD图像灰度值和图像纹理、光流有差异。根据这种差异，经图像处理后可以获得需要的路径图像信息，如方位偏差、侧向偏差、车辆在道路中的位置等信息。将这些信息与车辆的动力学方程相结合，可构成车辆控制系统数学模型。

　　3、智能驾驶系统的结构设计

　　（1） 机器视觉系统

　　机器视觉系统的硬件构成：主要由参数、型号、性能一样的两个CCD摄像头、两片同样的视频采集卡和计算机上的视频处理软件构成。我们利用左右两路CCD摄像头摄取的照片对进行图像处理而得到相关的深度信息，必须保证左右两路CCD摄像头信号是同步的，否则摄取的图片不对应，就无法正确的提取相关深度信息。因此我们左右两路CCD摄像头是经过同步处理的摄像头，就是从左路摄像头的帧同步电路里引出帧同步信号到右路CCD摄像头的帧同步电路里，从而保证左右两路的图像总是同步的。

　　机器视觉处理软件系统主要是担负着障碍物检测识别、交通信号检测识别、交通图案识别检测、公路边缘识别检测、弯道弧度识别检测和前方车辆距离速度检测和路面坑洼坡度识别检测这些主要信息的提取，在这些信息数据的基础上进行道路环境的三维重建。机器视觉处理软件系统处理得到的道路环境信息和辅助系统的多传感器的信息进行融合，结合车辆动力学模型（已经有很多科学家在研究模糊控制技术和神经网络技术在车辆动力学模型上的应用）和车辆行驶状态参数，由车辆行为决策调度系统做出合理的决策调度，然后由路径规划系统生成合理的路径规划和车辆控制命令，对汽车进行控制。

　　公路边缘识别检测关系着汽车能否正确识别公路，尤其是缺乏交通图案的低等级公路。我们机器视觉检测公路的边缘信息和公路的宽度信息。公路的边缘检测，对CCD摄取的图像进行二值化处理，就可以提取出公路边缘;公路宽度信息检测，利用左右两路CCD摄取的公路图像进行立体匹配，提取里面的深度信息，依据机器视觉理论计算出公路的宽度。依据其他传感器的数据确定汽车在公路中的位置和汽车的行驶状态参数，做出合理的路径规划，优化控制汽车在公路中的位置，做好路径跟踪，不至于行驶中偏离公路路面。

　　交通图案、道路标识、交通信号的识别检测。交通图案包括常见的斑马线、车道线、箭头等。这些交通图案都是有固定的颜色（比如斑马线都是白色的）和固定的形状，因此对他们的识别只要使用简单的图像处理，然后对照我们预先建立的交通图案模型就可以快速的识别。交通标识识别就要相对麻烦一些。有些交通标识上面有文字，我们不仅需要利用图像处理技术提取这些文字信息，而且需要分析这些文字蕴含的交通信息。交通信号包括交通信号灯和交警旗语，他们都有固定的运行模式，可以预先建模，然后根据图像处理结合其他传感器的信息，进行检测识别。

　　前方汽车、障碍物的距离、速度的检测和识别。能否安全准确的识别检测出前方汽车、障碍物对汽车智能驾驶是十分关键的。不仅要识别出前方汽车、障碍物，而且要检测出它们的运动速度、运动方向和离本车的距离，要能依据连续几次测定的它们离本车的距离和运动速度、运动方向预测出它们的可能运动轨迹，为本车超车、减速、规避障碍物、降低危险风险提供可靠的数据。利用机器视觉技术，可以使用基于成像模型的对应点估计三维运动检测方法和基于光流的估计的三维运动检测方法。模型法、光流法有很多成熟的算法可以选择，有利于系统程序的实现。

机器视觉系统中摄像机标定：摄像机标定的目的是确定摄像机的内外部属性参数并建立空间成像模型，以便确定空间坐标系中物体点与它在图像平上像点之间的相应关系。摄像机的标定分为摄像机内部参数标定和外部参数标定。内部参数确定了摄像机内部的几何和光学特征，不随摄像机的移动而改变;外部参数是确定摄像机像平面相对于客观世界坐标系统的三维位置和朝向，摄像机移动后，需重新校正。本文中摄像机随车运动，但我们所需要的参数都是内部参数，只需预先标定摄像机的内部