论文部分内容阅读
【摘 要】汽车A柱死角是汽车行驶过程中驾驶员无法看到的前方区域，针对改区域障碍物位置的检测，提出应用机器视觉技术，通过计算障碍物的面积和中心位置得出障碍物的图像特征，然后引入BP神经网络进行估测。实验结果表明该方法能取得较高的估测精度。
【关键词】A柱视角；机器视觉；障碍物位置
智能车辆领域的研究重点是使用机器视觉技术来理解道路环境信息，通过分析和理解周围环境信息实现智能车辆的安全辅助驾驶成为汽车电子的重要发展方向[1]-[5]。在已有研究中，针对汽车A柱死角的研究较少，实际上A柱死角是汽车事故的主要原因之一，因此A柱死角障碍物检测成为安全辅助驾驶的重要组成部分。机器视觉对于道路环境依赖小，不需要辅助设备，因此可以考虑引入机器视觉技术进行A柱死角障碍物的位置估测。
1. 图像特征的提取
在采集了道路信息后，一般首先将道路图像中的障碍物提取出来。通过图像注意得到障碍物在图像中的区域信息，然后通过图像分割提取障碍物，一般最后得到的二值图像。如图1所示，图中黑色的区域一般对应障碍物，白色的区域对应背景。
图 1 障碍物二值图像
显然，由于光照等其他环境因素的影响，在提取障碍物的过程中存在一定的误差。如图1所示，图中在障碍物右侧存在一条黑色的虚线，这就是将一些道路背景信息提取为障碍物。为了估测障碍物在实际空间的位置信息，首先要根据这样的二值图像提取相应的特征，而在提取这些特征中必须考虑到这样的误差存在，不能因为这些分割误差使得特征值出现较大幅度的波动。
从大量实验中可以发现，这样的误差相对障碍物面积较少，因此可以考虑提取二值图像中黑色像素点的个数表示障碍物的面积。这样的面积由于摄像头视角的原因必然存在一定的误差，但是一般说来这样的误差影响不大。另外可以考虑引入所有黑色像素点的x轴和y轴中心坐标点进行障碍物位置的估测。
2.基于BP神经网络的障碍物估测算法
由于图像处理过程中的误差使得障碍物的特征值存在一定波动，另外由于视角的关系，一般道路图像都能够看到障碍物不只一个表面，而多个表面在二值图像中并不存在差异。这一系列的因素使得障碍物像素点个数、像素点的x轴和y轴中心坐标点与实际道路中障碍物的位置并不是线性关系，因此需要引入非线性的估测方法。
BP神经网络作为一种典型的非线性估测方法被广泛接受。BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是目前应用最广泛的神经网络模型之一，一般认为在该网络在非线性估测中具有良好的性能。BP网络是一种按误差逆传播的多层前馈网络，网络能学习和存贮大量的输入输出模式映射关系，事前并不需要揭示描述这种映射关系的数学模型。BP神经网络使用最速下降法的学习规则，通过误差的反向传播来不断调整网络的权值和阈值，使网络的误差平方和不断降低。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。因此，可以考虑以障礙物像素点个数、像素点的x轴和y轴中心坐标点为输入，以实际道路中障碍物的位置为输出，利用BP神经网络进行A柱死角障碍物位置的估测。
3.实验结果与分析
选择109幅图像进行位置估测，以实际道路上摄像头的法线方向为垂直方向，以垂直于垂直方向的方向为水平方向。垂直方向分别取40到110cm，水平方向从0cm到30cm。将BP网络估测到得结果与实际测量结果对比，误差如图2所示，绝对误差如表1所示。
如表1所示，垂直距离和水平距离估测的最小误差甚至不足0.1cm，而垂直距离的平均误差不到2cm，水平距离误差也不足4cm，虽然存在若干点由于图像处理的结果出现了较大的偏差，但是总体看来该方法能取得较好的估测效果。
参考文献：
[1]C.Thorpe， J.D.Carlson， D.Duggins， ets. Safe Robot Driving in Clucttered Environments. Proceedings of the 11th International Symposium of Robotics Research， October， 2003.
[2]P.Bellutta， R.Manduchi，L Matthles.Terrain Peree Ption for DEMOl l l[C].Proceedings of the IEEE Intel ligent Vehicles SynlPoslum，2000，326-331.
[3]Alberto Broggi，Massimo Bertozzl，Alessandra Faseiol i.Automatic Vehicle Guidance：the Experience of the ARGO Autonomous Vehicles [M]，USA.World Science Publishing Co. Ltd. 1999.
[4]Massimo Bertozzi，Alberto Broggi.GOLD：A parallel Real-Time Stereo Vision System for Generic Obstacle and Lane Detection[C].IEEE Transactions on Image Proeessing， 1998，7（1）：62-81.
[5]张朋飞，何克忠，欧阳正柱等.多功能室外智能移动机器人试验平台-THMR-V[J]，2002，24（2）：97-101.
基金项目：
2012年广西大学生创新创业计划项目资助
【关键词】A柱视角；机器视觉；障碍物位置
智能车辆领域的研究重点是使用机器视觉技术来理解道路环境信息，通过分析和理解周围环境信息实现智能车辆的安全辅助驾驶成为汽车电子的重要发展方向[1]-[5]。在已有研究中，针对汽车A柱死角的研究较少，实际上A柱死角是汽车事故的主要原因之一，因此A柱死角障碍物检测成为安全辅助驾驶的重要组成部分。机器视觉对于道路环境依赖小，不需要辅助设备，因此可以考虑引入机器视觉技术进行A柱死角障碍物的位置估测。
1. 图像特征的提取
在采集了道路信息后，一般首先将道路图像中的障碍物提取出来。通过图像注意得到障碍物在图像中的区域信息，然后通过图像分割提取障碍物，一般最后得到的二值图像。如图1所示，图中黑色的区域一般对应障碍物，白色的区域对应背景。
图 1 障碍物二值图像
显然，由于光照等其他环境因素的影响，在提取障碍物的过程中存在一定的误差。如图1所示，图中在障碍物右侧存在一条黑色的虚线，这就是将一些道路背景信息提取为障碍物。为了估测障碍物在实际空间的位置信息，首先要根据这样的二值图像提取相应的特征，而在提取这些特征中必须考虑到这样的误差存在，不能因为这些分割误差使得特征值出现较大幅度的波动。
从大量实验中可以发现，这样的误差相对障碍物面积较少，因此可以考虑提取二值图像中黑色像素点的个数表示障碍物的面积。这样的面积由于摄像头视角的原因必然存在一定的误差，但是一般说来这样的误差影响不大。另外可以考虑引入所有黑色像素点的x轴和y轴中心坐标点进行障碍物位置的估测。
2.基于BP神经网络的障碍物估测算法
由于图像处理过程中的误差使得障碍物的特征值存在一定波动，另外由于视角的关系，一般道路图像都能够看到障碍物不只一个表面，而多个表面在二值图像中并不存在差异。这一系列的因素使得障碍物像素点个数、像素点的x轴和y轴中心坐标点与实际道路中障碍物的位置并不是线性关系，因此需要引入非线性的估测方法。
BP神经网络作为一种典型的非线性估测方法被广泛接受。BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是目前应用最广泛的神经网络模型之一，一般认为在该网络在非线性估测中具有良好的性能。BP网络是一种按误差逆传播的多层前馈网络，网络能学习和存贮大量的输入输出模式映射关系，事前并不需要揭示描述这种映射关系的数学模型。BP神经网络使用最速下降法的学习规则，通过误差的反向传播来不断调整网络的权值和阈值，使网络的误差平方和不断降低。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。因此，可以考虑以障礙物像素点个数、像素点的x轴和y轴中心坐标点为输入，以实际道路中障碍物的位置为输出，利用BP神经网络进行A柱死角障碍物位置的估测。
3.实验结果与分析
选择109幅图像进行位置估测，以实际道路上摄像头的法线方向为垂直方向，以垂直于垂直方向的方向为水平方向。垂直方向分别取40到110cm，水平方向从0cm到30cm。将BP网络估测到得结果与实际测量结果对比，误差如图2所示，绝对误差如表1所示。
如表1所示，垂直距离和水平距离估测的最小误差甚至不足0.1cm，而垂直距离的平均误差不到2cm，水平距离误差也不足4cm，虽然存在若干点由于图像处理的结果出现了较大的偏差，但是总体看来该方法能取得较好的估测效果。
参考文献：
[1]C.Thorpe， J.D.Carlson， D.Duggins， ets. Safe Robot Driving in Clucttered Environments. Proceedings of the 11th International Symposium of Robotics Research， October， 2003.
[2]P.Bellutta， R.Manduchi，L Matthles.Terrain Peree Ption for DEMOl l l[C].Proceedings of the IEEE Intel ligent Vehicles SynlPoslum，2000，326-331.
[3]Alberto Broggi，Massimo Bertozzl，Alessandra Faseiol i.Automatic Vehicle Guidance：the Experience of the ARGO Autonomous Vehicles [M]，USA.World Science Publishing Co. Ltd. 1999.
[4]Massimo Bertozzi，Alberto Broggi.GOLD：A parallel Real-Time Stereo Vision System for Generic Obstacle and Lane Detection[C].IEEE Transactions on Image Proeessing， 1998，7（1）：62-81.
[5]张朋飞，何克忠，欧阳正柱等.多功能室外智能移动机器人试验平台-THMR-V[J]，2002，24（2）：97-101.
基金项目：
2012年广西大学生创新创业计划项目资助