论文部分内容阅读
【摘 要】简单回顾了机器视觉技术的早期发展情况，从简单的特定场合应用到模拟人眼的复杂系统设计，介绍了机器视觉产品在智能汽车上的应用情况，分析了世界各国在车用机器视觉技术领域研究开发情况以及未来发展趋势。
【关键词】智能车辆 机器视觉 发展
一、前言
机器视觉技术，即计算机视觉技术，是智能车辆行驶环境感知的通道，一些控制决策参数直接由机器视觉获取。例如，智能车辆自主导航行驶时前方预瞄点位置的获取，超车行驶时前方车辆和车道边界位置的获取等等都要由机器视觉来完成。机器视觉系统在智能车辆上的应用源于20世纪 80年代中期。其早期研究是针对具有良好的室内试验环境条件进行设计的。
从20世纪90年代中期开始，智能车辆机器视觉的研究出现两个发展方向，其中一个发展方向是相对简单的机器视觉系统在智能车辆中的早期应用。主要体现在如下几个方面：（1）机器视觉横向辅助导航系统。（2）自适应导航控制系统。（3）自主“停车启动”驾驶系统。（4）换道辅助系统[1]。智能车辆机器视觉技术发展的另一个方向是研制开发具有拟人驾驶性能水平的复杂机器视觉系统。从长远来看，这种视觉系统还应具有自学习的功能。目前，德国联邦国防大学（UBM）著名学者Dickmanns教授开展了“多焦距主动汽车眼”（MarVEye-Multi-focal active/reactive Vehicle Eye）的研究。这种新型的综合视觉系统将智能车辆机器视觉技术提高到了一个新的水平。
二、国内外研究现状
机器视觉导航智能车辆已经成为当今智能车辆的发展主流，世界各主要国家都在竞相开展智能车辆视觉系统的研究。机器视觉系统是智能车辆感知局部环境的重要“器官”，而其所起的核心作用无外乎两个：识别行驶道路边界与行驶环境中的其它车辆（主要指前方车辆）或其它障碍物。具体地讲，就是利用安装在智能车辆前方的单目或多目光学CCD摄像机（或其它传感器）实时地获取图像，利用图像中的信息根据设计的算法识别出道路边界位置和前方车辆位置，再将这些路、车位置信息传给智能车辆的指挥系统，为其自主导航决策提供依据。而国内外的研究工作也主要集中在道路位置识别和前方车辆识别这两个方面。
目前对道路边界的识别主要集中在直线路形和路旁障碍物较少的道路条件。直线路形识别较为简单，用直线方程描述道路边界，可以大大减少计算量，此技术也相对较为成熟，例如有霍夫变换法，通过几何折射关系直接将道路边界标注出来。这种方法的缺点是受噪声尤其是直线噪声的影响较大，且算法不稳定。
吉林大学智能车辆课题组用基于图像灰度与方差统计的方法识别直线路界，即在得到图像后进行预处理并在最终的二值图像中划分网格，通过计算各网格的统计特性，由马氏距离区分道路边界点与非边界点，得到边界点最多的一条直线作为直线道路边界。此方法能够准确的识别道路边界，但当路旁噪声较大时识别效果不够理想。同时，基于熵最大化边缘提取的图像预处理过程由于算法复杂，耗时较长。
由于弯曲路形模式较为复杂，情况变化多样，算法难以统一，并且由于算法的复杂性，很难满足准确性和实时性要求。因此国内外对弯曲路径识别的研究从方法上并不成熟。国外有人用具有某些特征的曲线方程拟合弯曲路界，但由于参数的增加，计算量增大，因此很难满足实时性要求。国内有人用直线整条或分段近似拟合弯曲路界，在车道边界曲率不大时能够基本满足要求，但当曲率较大时识别准确性不高。因此，可以认为对道路边界尤其是弯曲道路边界的识别还有待于进一步研究。
由于前方车辆在图像中的灰度信息特征很不明显，例如当车辆在远方与近处时的灰度统计特性、纹理特性、外形特性等完全不同。因此，算法鲁棒性是一个非常棘手的问题。很难提出一种满足各种状态的识别算法。一般利用机器视觉进行车辆识别的方法可分为以下三类：
（1）基于车辆特征的方法。该方法利用图像中车辆存在的特征（纹理、边缘、对称性以及底部阴影等）进行分割和识别。这种方法的缺点是，当单独使用某一种特征时，经常会因光照或环境的变化，导致该特征信息量不足。因此，极易出现错判或漏判的现象。
（2）基于模板匹配的方法。这种方法利用大量的预先做好的车辆模板（基于灰度信息或小波特征） ，与实时采集的图像进行匹配。寻找相关性最大的匹配区域作为车辆存在区域。通常，这种方法鲁棒性相对较好，缺点是实时性较差。
（3）基于学习的方法。这种方法的本质是利用神经网络，对大量的车辆图像进行训练，然后通过分类器进行分类。通常这种方法被用来对已检测的车辆进行验证。
吉林大学智能车辆课题组提出一种基于车辆特征的方法识别和跟踪前方的车辆。首先，利用车辆底部存在阴影的特征，在图像中确定可能存在的车辆区域。然后，通过分形维数计算该区域的纹理特征，排除非车辆区域。这种方法对于强光条件和车辆颜色与路面的颜色特征相似的情况，识别和定位的效果不够理想。
三、关键难点与长远发展
在不考虑硬件设备的情况下，制约智能车辆视觉系统探测效果的三个关键因素是视觉系统所应用算法的实时性、鲁棒性和精确性。实时性要求视觉系统数据处理必须与车辆的高速行驶同步进行；鲁棒性要求智能车辆视觉系统在各种复杂的路面环境下均具有良好的适应性，例如路面有大量树木与建筑物阴影、变化的气候条件等；精确性则要求视觉系统在一些复杂环境下不能出现过多的错判率。这三个要求相辅相成，互相制约。要完全达到上述要求，智能车辆机器视觉系统还需要很长的发展历程。目前有关智能车辆机器视觉系统的研究正处于一个高速发展的阶段，由于硬件水平的提高和理论研究工作的深入，在可以预见的将来将达到一个更高的水平。
参考文献：
[1]王荣本， 游峰， 崔高健， 郭烈. 基于计算机视觉高速智能车辆的道路识别. 计算机工程与应用，2004，（8）：34-39
[2]顾柏园， 王荣本， 余天洪， 郭烈. 基于视觉的前方车辆探测技术研究方法综述. 公路交通科技. 2005，（10）：28-33
作者简介：
梁建伟，1980年出生，男，河北石家庄人，石家庄职业技术学院讲师，硕士，车辆工程专业。
【关键词】智能车辆 机器视觉 发展
一、前言
机器视觉技术，即计算机视觉技术，是智能车辆行驶环境感知的通道，一些控制决策参数直接由机器视觉获取。例如，智能车辆自主导航行驶时前方预瞄点位置的获取，超车行驶时前方车辆和车道边界位置的获取等等都要由机器视觉来完成。机器视觉系统在智能车辆上的应用源于20世纪 80年代中期。其早期研究是针对具有良好的室内试验环境条件进行设计的。
从20世纪90年代中期开始，智能车辆机器视觉的研究出现两个发展方向，其中一个发展方向是相对简单的机器视觉系统在智能车辆中的早期应用。主要体现在如下几个方面：（1）机器视觉横向辅助导航系统。（2）自适应导航控制系统。（3）自主“停车启动”驾驶系统。（4）换道辅助系统[1]。智能车辆机器视觉技术发展的另一个方向是研制开发具有拟人驾驶性能水平的复杂机器视觉系统。从长远来看，这种视觉系统还应具有自学习的功能。目前，德国联邦国防大学（UBM）著名学者Dickmanns教授开展了“多焦距主动汽车眼”（MarVEye-Multi-focal active/reactive Vehicle Eye）的研究。这种新型的综合视觉系统将智能车辆机器视觉技术提高到了一个新的水平。
二、国内外研究现状
机器视觉导航智能车辆已经成为当今智能车辆的发展主流，世界各主要国家都在竞相开展智能车辆视觉系统的研究。机器视觉系统是智能车辆感知局部环境的重要“器官”，而其所起的核心作用无外乎两个：识别行驶道路边界与行驶环境中的其它车辆（主要指前方车辆）或其它障碍物。具体地讲，就是利用安装在智能车辆前方的单目或多目光学CCD摄像机（或其它传感器）实时地获取图像，利用图像中的信息根据设计的算法识别出道路边界位置和前方车辆位置，再将这些路、车位置信息传给智能车辆的指挥系统，为其自主导航决策提供依据。而国内外的研究工作也主要集中在道路位置识别和前方车辆识别这两个方面。
目前对道路边界的识别主要集中在直线路形和路旁障碍物较少的道路条件。直线路形识别较为简单，用直线方程描述道路边界，可以大大减少计算量，此技术也相对较为成熟，例如有霍夫变换法，通过几何折射关系直接将道路边界标注出来。这种方法的缺点是受噪声尤其是直线噪声的影响较大，且算法不稳定。
吉林大学智能车辆课题组用基于图像灰度与方差统计的方法识别直线路界，即在得到图像后进行预处理并在最终的二值图像中划分网格，通过计算各网格的统计特性，由马氏距离区分道路边界点与非边界点，得到边界点最多的一条直线作为直线道路边界。此方法能够准确的识别道路边界，但当路旁噪声较大时识别效果不够理想。同时，基于熵最大化边缘提取的图像预处理过程由于算法复杂，耗时较长。
由于弯曲路形模式较为复杂，情况变化多样，算法难以统一，并且由于算法的复杂性，很难满足准确性和实时性要求。因此国内外对弯曲路径识别的研究从方法上并不成熟。国外有人用具有某些特征的曲线方程拟合弯曲路界，但由于参数的增加，计算量增大，因此很难满足实时性要求。国内有人用直线整条或分段近似拟合弯曲路界，在车道边界曲率不大时能够基本满足要求，但当曲率较大时识别准确性不高。因此，可以认为对道路边界尤其是弯曲道路边界的识别还有待于进一步研究。
由于前方车辆在图像中的灰度信息特征很不明显，例如当车辆在远方与近处时的灰度统计特性、纹理特性、外形特性等完全不同。因此，算法鲁棒性是一个非常棘手的问题。很难提出一种满足各种状态的识别算法。一般利用机器视觉进行车辆识别的方法可分为以下三类：
（1）基于车辆特征的方法。该方法利用图像中车辆存在的特征（纹理、边缘、对称性以及底部阴影等）进行分割和识别。这种方法的缺点是，当单独使用某一种特征时，经常会因光照或环境的变化，导致该特征信息量不足。因此，极易出现错判或漏判的现象。
（2）基于模板匹配的方法。这种方法利用大量的预先做好的车辆模板（基于灰度信息或小波特征） ，与实时采集的图像进行匹配。寻找相关性最大的匹配区域作为车辆存在区域。通常，这种方法鲁棒性相对较好，缺点是实时性较差。
（3）基于学习的方法。这种方法的本质是利用神经网络，对大量的车辆图像进行训练，然后通过分类器进行分类。通常这种方法被用来对已检测的车辆进行验证。
吉林大学智能车辆课题组提出一种基于车辆特征的方法识别和跟踪前方的车辆。首先，利用车辆底部存在阴影的特征，在图像中确定可能存在的车辆区域。然后，通过分形维数计算该区域的纹理特征，排除非车辆区域。这种方法对于强光条件和车辆颜色与路面的颜色特征相似的情况，识别和定位的效果不够理想。
三、关键难点与长远发展
在不考虑硬件设备的情况下，制约智能车辆视觉系统探测效果的三个关键因素是视觉系统所应用算法的实时性、鲁棒性和精确性。实时性要求视觉系统数据处理必须与车辆的高速行驶同步进行；鲁棒性要求智能车辆视觉系统在各种复杂的路面环境下均具有良好的适应性，例如路面有大量树木与建筑物阴影、变化的气候条件等；精确性则要求视觉系统在一些复杂环境下不能出现过多的错判率。这三个要求相辅相成，互相制约。要完全达到上述要求，智能车辆机器视觉系统还需要很长的发展历程。目前有关智能车辆机器视觉系统的研究正处于一个高速发展的阶段，由于硬件水平的提高和理论研究工作的深入，在可以预见的将来将达到一个更高的水平。
参考文献：
[1]王荣本， 游峰， 崔高健， 郭烈. 基于计算机视觉高速智能车辆的道路识别. 计算机工程与应用，2004，（8）：34-39
[2]顾柏园， 王荣本， 余天洪， 郭烈. 基于视觉的前方车辆探测技术研究方法综述. 公路交通科技. 2005，（10）：28-33
作者简介：
梁建伟，1980年出生，男，河北石家庄人，石家庄职业技术学院讲师，硕士，车辆工程专业。