论文部分内容阅读
摘 要:本文首先采集车辆数据进行标注训练,利用YOLOV3识别框选出前方车辆,并采用单帧静态图像的测距模型来实现前方车辆距离的测量,即通过CCD摄像机帧存坐标和像平面坐标系统的转换,并根据车道线两点实时测量摄像机高度,结合小孔成像模型原理与车道线前后两点来实现单目视觉测距。
关键词:视觉信号;YOLOV3;小孔成像;单目视觉测距
随着人工智能的发展,汽车安全辅助驾驶技术的研究受到各国的普遍关注,汽车在给人们的生活提供无限便利的同时,也带来了交通出行的安全性问题[1],其中安全车距预警系统作为重要组成部分,长期以来一直受到高度重视,目标的识别和测距作为在视觉研究领域中的前方车辆安全车距预警的核心课题,在智能交通、视频监控、机器人导航及人机交互等诸多领域都受到了广泛的关注。
1 前方车辆的识别
1.1 图像标注
在计算机视觉中,图像标注作为最重要的工作之一,在现如今大量应用程序当中,计算机视觉本质上是拥有一双基于视觉信号的眼睛,去看见世界和解读世界。当下机器学习已经应用到各个领域,例如增强现实技术、神经网络翻译与语音自动识别技术等。同时,计算机视觉在技术层面也给人们带来了诸多体验,例如面部识别、无人机、无人驾驶汽车等。labelme可对图像进行多边形,矩形,圓形,多段线,线段,点形式的标注,可用于目标检测,图像分割,等任务。COCO数据集中一共有80种常见的物种类别,但本文只需精确的识别出前方车辆,因此需要重新在darknet框架下训练出只识别车辆的数据集,我们首先实地获取车辆图片数据之后,对其进行分割标注,总共采集了三千张车辆图片,来为后续的训练作准备。
1.2 训练样本
训练数据是个漫长又复杂的操作过程,首先进行图像采集,然后对应特征点打好标签,即人工标注,待操作完成后,即可获得训练之前所必需的关于图像特征描述的数据集,以“样本”形式参与后续的训练工作,为了使样本不容易出现过度拟合的情况,需令样本足够大,重复率低,样本越大,得到准确结果的概率也就越大,同时也要能代表需求领域。总的来说,网络训练是一个优化问题,在高维参数空间中寻找使得损失函数取值最小的点作为网络的最优解,在得到标注后的图像数据后,我们在darknet框架下进行训练生成权重。
1.3 车辆识别
YOLO算法作为兼具性能和准确性的检测算法,近年来得到了广泛应用[2],速度可达20fps,可以进行实时检测,因此本文选择YOLOV3网络作为车辆检测网络。YOLO网络经过三个版本的迭代,不仅对小目标的检测越来越好,其检测精度和系统反应速率也上升到了一个新的层次,对目标直接进行回归是其基本思想,YOLOV3不仅能很好的识别出前方车辆,且实时性较好。
2 单目视觉测距模型
所谓基于单目视觉的图像采集,是将三维空间的物体投影到摄相机的二维光感平面上,即CCD光敏矩阵表面,在单目视觉测距算法中,我们通常把摄像机参数分为内部参数和外部参数,摄像机内部的几何特征和光学特征我们称之为内部参数,该参数不随摄像机的移动而改变,摄像机像平面相对于世界坐标系的三维位置和朝向我们称之为外部参数,该参数随着摄像机移动而变化,需要重新进行标定,传统的单目测距算法,基于小孔成像原理的测距模型,往往需要待测物体的实际尺寸,这样的条件太过理想且现实无法满足,因此本文采用基于单帧静态图像的测距模型来对前方车辆进行实时距离估计。由于计算机所需要的参数均为内部参数,因此只要在离线状态下标定出摄像机的内部参数,就可以在车辆运动过程中进行前方车距的实时测量[3]。
3 前方车辆距离的测量
建立数学模型:
(1)
(2)
式中,u,v由图像处理得到,O1(u0,v0)是CCD摄像机光轴与像平面交点(x0,y0)的帧存坐标:
x0=y0=0 (3)
将三式联立代入得距离:
(4)
通常我们将车道线检测的方法主要分为两类:基于特征的车道线检测方法和基于模型的车道线检测方法。我们根据图像处理得到前后两点d1、d2,p1、p2的计算公式如下:
(5)
(6)
(7)
由此可得摄像机高度:
(8)
(9)
当通过摄像机标定得到内部参数ay=667和后,经过图像处理像素的大小为410像素*378像素,通过相似三角形转换公式便可求出三维空间内物体在图像平面上任意一像素点,对应的三维空间內一点到摄像机的纵向距离。其中通过相机标定得到CCD摄像机的镜头焦距为676 mm,根据给出的摄像机内部参数及相似三角形测距模型所需参数,对前方车辆进行实时距离估计,路试试验如下图所示:
4 总结与展望
本文在YOLOV3框架下对前方车辆进行识别,框选出识别车辆,并提取单帧静态图像,通过CCD摄像机帧存坐标和像平面坐标系统的转换,结合小孔成像原理对前方车辆距离估计,基本满足实时性和精度的要求,机器视觉测距虽然有不可代替的优势,但是在自身仍有很多问题需要克服,例如光照条件的不足、相机自身抖动等问题,因此在未来几年,机器视觉测距依然面临着很大的挑战。
参考文献:
[1]黄同愿,杨雪姣,向国徽,等.基于单目视觉的小目标行人检测与测距研究[J].计算机科学,2020,47(11):205-211.
[2]张玉鹏.基于卷积神经网络的车辆检测与测距[D].北京邮电大学,2019.
[3]田傲霜,陈华清,陈学文.车道偏离预警系统研究综述[J].汽车实用技术,2020,45(23):30-32.
关键词:视觉信号;YOLOV3;小孔成像;单目视觉测距
随着人工智能的发展,汽车安全辅助驾驶技术的研究受到各国的普遍关注,汽车在给人们的生活提供无限便利的同时,也带来了交通出行的安全性问题[1],其中安全车距预警系统作为重要组成部分,长期以来一直受到高度重视,目标的识别和测距作为在视觉研究领域中的前方车辆安全车距预警的核心课题,在智能交通、视频监控、机器人导航及人机交互等诸多领域都受到了广泛的关注。
1 前方车辆的识别
1.1 图像标注
在计算机视觉中,图像标注作为最重要的工作之一,在现如今大量应用程序当中,计算机视觉本质上是拥有一双基于视觉信号的眼睛,去看见世界和解读世界。当下机器学习已经应用到各个领域,例如增强现实技术、神经网络翻译与语音自动识别技术等。同时,计算机视觉在技术层面也给人们带来了诸多体验,例如面部识别、无人机、无人驾驶汽车等。labelme可对图像进行多边形,矩形,圓形,多段线,线段,点形式的标注,可用于目标检测,图像分割,等任务。COCO数据集中一共有80种常见的物种类别,但本文只需精确的识别出前方车辆,因此需要重新在darknet框架下训练出只识别车辆的数据集,我们首先实地获取车辆图片数据之后,对其进行分割标注,总共采集了三千张车辆图片,来为后续的训练作准备。
1.2 训练样本
训练数据是个漫长又复杂的操作过程,首先进行图像采集,然后对应特征点打好标签,即人工标注,待操作完成后,即可获得训练之前所必需的关于图像特征描述的数据集,以“样本”形式参与后续的训练工作,为了使样本不容易出现过度拟合的情况,需令样本足够大,重复率低,样本越大,得到准确结果的概率也就越大,同时也要能代表需求领域。总的来说,网络训练是一个优化问题,在高维参数空间中寻找使得损失函数取值最小的点作为网络的最优解,在得到标注后的图像数据后,我们在darknet框架下进行训练生成权重。
1.3 车辆识别
YOLO算法作为兼具性能和准确性的检测算法,近年来得到了广泛应用[2],速度可达20fps,可以进行实时检测,因此本文选择YOLOV3网络作为车辆检测网络。YOLO网络经过三个版本的迭代,不仅对小目标的检测越来越好,其检测精度和系统反应速率也上升到了一个新的层次,对目标直接进行回归是其基本思想,YOLOV3不仅能很好的识别出前方车辆,且实时性较好。
2 单目视觉测距模型
所谓基于单目视觉的图像采集,是将三维空间的物体投影到摄相机的二维光感平面上,即CCD光敏矩阵表面,在单目视觉测距算法中,我们通常把摄像机参数分为内部参数和外部参数,摄像机内部的几何特征和光学特征我们称之为内部参数,该参数不随摄像机的移动而改变,摄像机像平面相对于世界坐标系的三维位置和朝向我们称之为外部参数,该参数随着摄像机移动而变化,需要重新进行标定,传统的单目测距算法,基于小孔成像原理的测距模型,往往需要待测物体的实际尺寸,这样的条件太过理想且现实无法满足,因此本文采用基于单帧静态图像的测距模型来对前方车辆进行实时距离估计。由于计算机所需要的参数均为内部参数,因此只要在离线状态下标定出摄像机的内部参数,就可以在车辆运动过程中进行前方车距的实时测量[3]。
3 前方车辆距离的测量
建立数学模型:
(1)
(2)
式中,u,v由图像处理得到,O1(u0,v0)是CCD摄像机光轴与像平面交点(x0,y0)的帧存坐标:
x0=y0=0 (3)
将三式联立代入得距离:
(4)
通常我们将车道线检测的方法主要分为两类:基于特征的车道线检测方法和基于模型的车道线检测方法。我们根据图像处理得到前后两点d1、d2,p1、p2的计算公式如下:
(5)
(6)
(7)
由此可得摄像机高度:
(8)
(9)
当通过摄像机标定得到内部参数ay=667和后,经过图像处理像素的大小为410像素*378像素,通过相似三角形转换公式便可求出三维空间内物体在图像平面上任意一像素点,对应的三维空间內一点到摄像机的纵向距离。其中通过相机标定得到CCD摄像机的镜头焦距为676 mm,根据给出的摄像机内部参数及相似三角形测距模型所需参数,对前方车辆进行实时距离估计,路试试验如下图所示:
4 总结与展望
本文在YOLOV3框架下对前方车辆进行识别,框选出识别车辆,并提取单帧静态图像,通过CCD摄像机帧存坐标和像平面坐标系统的转换,结合小孔成像原理对前方车辆距离估计,基本满足实时性和精度的要求,机器视觉测距虽然有不可代替的优势,但是在自身仍有很多问题需要克服,例如光照条件的不足、相机自身抖动等问题,因此在未来几年,机器视觉测距依然面临着很大的挑战。
参考文献:
[1]黄同愿,杨雪姣,向国徽,等.基于单目视觉的小目标行人检测与测距研究[J].计算机科学,2020,47(11):205-211.
[2]张玉鹏.基于卷积神经网络的车辆检测与测距[D].北京邮电大学,2019.
[3]田傲霜,陈华清,陈学文.车道偏离预警系统研究综述[J].汽车实用技术,2020,45(23):30-32.