汽车安全辅助驾驶技术-郭烈课件第三章

第三章

汽车安全车距预警技术主要内容3.1引言3.2安全车距预警技术研究进展3.3前方车辆检测方法3.4前方车距测量方法3.5安全车距预警模型3.6基于视觉的安全车距预警系统的实现3.7未来展望3.1引言道路交通事故形势严峻高速公路是全封闭、多车道、具有中央分隔带、全立体交叉、集中管理、控制出入、多种安全服务设施配套齐全的高标准汽车专用公路。高速公路具有行驶速度高、通行能力大等特点，一旦发生事故，后果较为严重。从高速公路事故的主要原因来看，驾驶员超速行驶、疲劳驾驶、违法超车、未保持安全车距等违法行为肇事成为事故的主要原因。从事故的主要形态来看，由于驾驶员未保持足够行车间距，导致尾随相撞的事故较多，是高速公路主要事故形态之一，带来将近一半的损失和人员伤亡。

尾随相撞是指事故车辆在道路上行驶过程中，因为驾驶员违章或者驾驶过失导致其正面部与其他机动车尾部发生接触的交通事故。研究一种道路上对前方车辆能实时检测与识别并能进行安全车距预警的系统，提醒驾驶员存在的潜在车辆追尾的交通事故，从而使驾驶员能及时做出正确处理，对减少类似车辆追尾碰撞的交通事故有着重大的意义。3.2安全车距预警技术研究进展3.2.1国外研究进展1日本对车辆追尾事故预防的研究起源于日本。自20世纪70十年代开始，最先进行了汽车碰撞系统的研究。90年代，由日本运输省为主导，制定了“先进安全汽车”ASV的研究计划。SmartWay计划提出要在车辆上采用诸如车道保持、十字路口防撞、行人避让和车距保持等智能车辆技术。1999年，日本三菱公司引入一套新的驾驶员预警系统，它可以进行车辆离道报警，并借助机器视觉监视车辆侧面和后面的交通情况。本田碰撞缓解制动系统CMBS

当毫米波雷达探测到前方行驶的车辆，判断有追尾的危险时用警报的方式提醒驾驶员，继续接近前车时轻轻制动，以身体感受进行警告。当判断出难以避免追尾时强烈制动。丰田预碰撞安全系统PCS传感器是装在车头的一个毫米波雷达，能自动探测前方障碍物，测算出发生碰撞的可能性。若系统判断碰撞的可能性很大，则会发出警报声，提示驾驶员规避。此时其他主动安全设备也将被整合起来，刹车辅助进入准备状态，协助驾驶员给车辆制动。丰田APCS丰田对PCS的改进版本。除增加双透镜摄像头之外，改善了前置雷达的精度，新加入的近红外系统让APCS在夜间也能工作。新系统可以与主动悬挂和可变齿比转向联动，在危险来临时增加减震器支撑力，同时放大转向比例以规避危险。日产Q502美国VII计划车对车(V2V)系统利用卫星导航系统精确定位车辆所处方位，并通过无线网络把所得信息传送到距离300米以内的车辆上。当预警系统发现危险情况时，能够发出警报声和闪光，同时还能振动驾驶员座椅以避免车祸发生。能够提示前方有停靠车辆，以避免相撞。前方有车辆紧急停车时，系统会发出警报。前碰撞预警(FCW)系统监视本车和前方行车路径上的车辆之间的相对距离和速度，综合驾驶员的其它操控行为，评估碰撞危险程度，在必要时对驾驶员进行告警。雷达和视频的数据融合增加了系统的精度，减少误报警。碰撞缓解系统：3欧盟沃尔沃在碰撞警告和自动制动系统CWAB摄像头、雷达同时侦测，雷达负责侦测车辆前方150米内的范围，摄影镜头则负责前方55米内的车辆动态。车头部的雷达监测前方交通状况，如果安全车距不足，前风挡玻璃上会投射出警示信号，提示驾驶员立即制动，同时刹车卡钳会推动刹车片接近刹车盘，但并不会施加制动力，而是为驾驶员的刹车动作提供最快的反应速度。2007年系统升级，增加了自动刹车功能。博世公司自动紧急制动系统AEB，可自动刹车减慢车速，减轻碰撞强度。紧急制动辅助系统EBA，伴随驾驶者的制动行为进行目的性制动。碰撞预警系统PCW，发出影音警报或急刹提醒。戴姆勒-克莱斯勒防撞系统

奔驰PRE-SAFE安全预警系统系统一旦监测车辆即将发生碰撞时，就会在200毫秒内被激活。预先收紧安全带、自动调整前排乘客座椅，并关闭所有车窗和天窗，防止发生碰撞时产生的异物飞入车内。4以色列前碰撞预警FCWMobileyeC2-270™智能行车预警系统的6大功能之一。当可能与前方车辆发生碰撞时,FCW将在发生碰撞前最多2.7秒发出警报，提醒驾驶员警惕即将发生的与前方车辆或摩托车的追尾碰撞。3.2.2国内研究进展清华大学采用了激光雷达和毫米波雷达实现道路上本车前方的车辆探测。吉林大学研制出具有障碍物识别功能的室外视觉导航智能车，采用视觉和激光雷达融合技术。裴玉龙等建立了车辆防追尾碰撞的车速控制模型。航天工业总公司激光研究室采用窄脉冲半导激光测距技术，所开发的汽车防撞装置作用距离大于30米，测距精度小于1米。许洪国等认为应从人、车和环境三个方面研究交通安全技术，从主动上和被动上避免车辆追尾事故的发生。侯志祥等应用ANFIS，即自适应神经模糊推理系统，建立了高速公路汽车追尾概率模型与临界安全车距模型。上海汽车电子工程中心研制的SAE-100型毫米波防碰撞雷达系统。江苏赛博电子有限公司研制成功的汽车雷达防撞系统。3.3前方车辆检测方法3.3.1基于单目视觉的车辆识别

利用单目视觉采用灰度图像对前方车辆识别的研究最为广泛。车辆检测需依靠有关车辆特征信息，如车辆的形状，车高宽比等作为检测车辆边缘的约束条件。常采用Sobel或Canny算子对图像进行边缘增强处理，获得包含车辆信息的水平和垂直边缘。如何在边缘中寻找出属于车辆的边缘，以便确定车辆存在的区域，方法有：利用边缘特征作为约束条件、基于模板匹配、基于运动目标大小不变的采样法、基于对称性以及基于纹理特征的方法。1利用边缘特征作为约束条件的方法在车辆识别过程中多次滤波，每次都以车辆的边缘特征等先验知识作为约束条件。基于最近的原则，将通过Sobel算子获得的水平和垂直的边缘分成几个8连通边缘区域。然后利用对车辆结构特征的先验知识作为约束条件，将属于车辆的边缘从背景中分割出来。采用Rank滤波器对8连通边缘区域进一步处理，将接近本车的边缘区域保留下来，远离本车的边缘区域被滤掉。采用基于Hough变换的线性滤波器去除噪声。剩下的边缘区域在基于车辆宽高比率的条件约束下，建立一些矩形区域，从而在图像中将车辆区域标识出来。车辆被检测出后，对其进行跟踪。利用所获得车辆信息对车辆的跟踪方法，在对当前图像处理时，采用基于欧氏距离、边缘密度以及车辆区域内像素密度的误差平方和（SSD）三个准则，依次对可能的车辆区域进行匹配，从而检测出前方车辆。同时，采用车辆聚类的算法减少跟踪算法的运行时间，这将保证仅仅对前方最接近本车的车辆进行跟踪。2基于模板匹配的方法获取大量不同道路环境、不同类型的车辆图像，利用基于灰度信息的方法建立车辆特征模板。用模板与待识别图像进行匹配，寻找与模板相似的特征区域，即为被检测的车辆。实际使用中为提高匹配速度，要建立一些感兴趣区域。感兴趣区域可分为两种情况考虑：一种是从后方超越本车的车辆的识别；另一种是对前方出现的不断接近的车辆的识别。对于后方超车的车辆，可利用后方车辆超越本车时，会造成图像左侧灰度信息发生突变这一条件，对车辆进行检测。对于前方出现的车辆，则采用了基于车辆特征的方法。小波理论3基于运动目标大小不变的采样法道路平面上的运动目标距摄像机越远，则在图像中所占的像素越少。现实中互相平行的道路边界，在图像中却是相交的。实际上，现实中运动目标不会因远近而大小不一。慕尼黑大学一所研究机构提出了采样的方法对道路进行重建。方法：首先确定本车的车道线或其它车道。然后对图像中的每个车道，由下向上在水平方向上进行采样。采样过程中，考察每行采样点间以及相邻两行采样点的灰度变化。若灰度量变化超过设定的阈值，则此行及其以后的数行采样点，在水平方向和垂直方向的间隔不变。这样就形成了数个包含车辆信息的采样图像。再对每个采样图像应用一般的车辆检测方法进行处理，便可将车辆检测出来。采样规则：

4基于对称性的方法利用车辆具有较强的对称性特征来实现车辆检测的。过程：建立感兴趣区域。如利用车道线作为约束条件，把车辆局限在车道线内。对感兴趣区域内的像素作基于灰度的对称性检测。通过对称性检测可获得车辆的对称轴以及车辆的宽度。利用透视投影变换的特点，通过先验的知识可获取车辆底部的边界。依据车辆的高宽比，确定车辆存在的矩形区域，完成了车辆的识别。这种方法使用时存在一个缺陷，即对于灰度均匀的路面情况，此时的灰度对称性通常比车辆后部区域的对称性要高，因此容易发生误判。5基于纹理特征的方法

图像纹理指由大量或多或少相似的纹理元或模式组成的结构。用粗糙性来描述图像纹理，其大小与局部结构的空间重复周期有关，周期大的粗糙度大，周期小的粗糙度小。分形维数是估计表面粗糙度的一个重要参数。用基于布朗运动的分形维计算方法检测前方车辆的原理：对于一些自然物体，一般小于1.6；人造物如汽车等的边缘分形维数较大，大于2.0。对于水平边缘和垂直边缘，其水平方向和垂直方向的分形维数等于0。利用这三个分形维参数便可确定图像中可能的车辆区域。3.3.2基于立体视觉技术的车辆识别基本原理：从两个或多个视点观察同一景物，以获取在不同视角下的感知图像。通过三角测量原理计算图像像素间的位置偏差获取景物的三维信息，这一过程与人类视觉的立体感知过程是类似的。单目视觉也可以对前方车辆进行识别与跟踪，但不能准确的获得前方车辆的距离信息。立体视觉由于能够获得图像的深度信息，在车辆前方障碍物探测的研究领域中得到了应用。两种方法：一是首先采用单目视觉对车辆进行识别和跟踪，而立体视觉主要用来测距和对已识别的目标进行验证。二是方法是利用一种称为“v方向视差图”的算法来识别并区分前方车辆的。

3.3.3基于彩色图像的车辆识别彩色图像含有丰富的信息，在图像处理和模式识别领域中被广泛的采用。虽然对彩色图像的处理和分析的实时性较差，但是在对实时性要求不高及环境复杂的情况下，可以获得比灰度图像更多的信息和较好的处理效果。方法：首先对图像进行初始分割，初始分割一般由颜色量化和聚类来完成。量化以后在颜色空间内被划分在同一类别的像素并不一定属于同一区域，为此需要对图像进行分割。在目标分割的基础上，为实现对目标的运动估计，通常可采用光流法，也可运用Kalman滤波对每个分割后的区域进行预测，并画出每个区域的运动轨迹，然后依据区域相邻和轨迹相似两个准则进行区域合并。运动目标提取需要满足两个判断准则，即区域运动轨迹的长度最小和可靠性测度最小。

3.3.4非视觉传感器在车辆检测中的应用红外传感器优点：不受天气和光照条件的影响，对车辆的识别不依靠车辆的颜色或者纹理特征，而且对阴影等噪声不敏感。缺点：是在炎热或阳光充足的情况下识别会受到严重干扰。毫米波雷达传感器和里程计相融合的方法毫米波雷达传感器用来形成距离图像，里程计对本车位置进行估计。在此基础上，结合实时定位和绘图算法对复杂场景中的运动目标如车辆、行人等进行检测和跟踪。激光雷达传感器可实现对目标的检测，尤其是具有二维扫瞄成像的激光雷达，不仅可以识别目标，而且能够获得目标的三维信息。但是这种传感器实时性差，不适合高速行驶的车辆检测。

3.3.5采用多传感器融合方法的车辆识别迄今为止，没有任何一种传感器能保证在任何情况下提供完全可靠的信息。采用多传感器信息融合技术，则在复杂工作环境下，有效克服单一传感器信息获取的局限性，从而导致工作可靠性降低的缺点。两种融合技术：视觉与激光传感器的融合视觉与毫米波雷达传感器的融合3.4前方车距测量方法测距技术则是实现安全车距预警的关键。测距方式：超声波测距方式、毫米波雷达测距方式、激光测距方式和视觉测距方式。3.4.1超声波测距方法1测距原理超声波是指振动频率在20kHz以上的机械被，其穿透性强，具有一定的方向性，传输过程中衰减小，反射能力强。超声波测距仪一般由超声波发射器、接收器和信号处理装置三大部分组成。超声波测距就是利用超声波在空气中的传播速度为已知，测量声波在发射后遇到障碍物反射回来的时间，根据发射和接收的时间差计算出发射点到障碍物的实际距离。超声波测距原理有两种方式：共振式、脉冲反射式由图中关系可得：带入得：超声波所走的距离为：带入得：当H远大于M时，得：要想测得距离H，只要测得超声波的传播时间t。

S=340t/2。2性能特点声波测距仪原理简单，制作方便，成本较低。但其作为高速行驶车辆上的测速传感仪不可取，原因：一是超声波的速度受外界温度等因素影响较大，无法实现精确测距；二是由于超声波能量是与距离的平方成正比而衰减的，只适用于较短距离的测量。3.4.2毫米波雷达测距方法1测距原理雷达是通过测试发射脉冲和目标回波之间的时间差来测量目标距离的。其工作原理与超声波反射类似，差别在于其所使用波的频率比超声波高。毫米波雷达通过天线向外发射一列连续调频毫米波，并接收目标的反射信号。反射波与发射波的形状相同，只是在时间上有一个延迟，发射信号与反射信号在某一时刻的频率差即为混频输出的中频信号频率，且目标距离与前端输出的中频频率成正比。如果反射信号来自一个相对运动的目标，则反射信号中包括一个由目标的相对运动所引起的多谱勒频移。据多谱勒原理就可以计算出相对运动速度。2性能特点毫米波防撞雷达系统有调频连续波雷达和脉冲雷达两种。汽车毫米波雷达防撞系统常采用结构简单、成本较低、适合做近距离探测的调频连续波雷达。射频收发前端是雷达系统的核心部件。毫米波工作频率介于微波和光之间，波长为10～1毫米，因此兼有两者的优点。主要特点：极宽的带宽。波束窄。与激光相比，毫米波的传播受气候的影响要小得多，可以认为具有全天候特性。和微波相比，毫米波元器件的尺寸要小得多。因此毫米波系统更容易小型化。与光学式相比，它不易受对象表面形状和颜色的影响；另外，它受雨、雪、雾、阳光、污尘的干扰小。

3研究进展德国ADC公司生产的ASR100毫米波雷达，采用脉冲测距方式。日本丰田公司与Denso公司、三菱公司合作开发的电子扫描式毫米波雷达，采用调频连续波测距方式，结构紧凑、抗干扰性能好。法国AutoCruise生产的AC10和AC20毫米波雷达，采用单片微波集成电路制造，性能卓越、角度大、精度高，可自动对同一物体进行识别，无需进行后续信号识别处理。

美国Delphi公司推出ESR雷达。多模式ESR雷达综合宽视角中距离和窄视角长距离于一体，使得单个雷达可适用于多个安全系统包括自动巡航控制，间隔距离报警，前方碰撞告警，刹车支持等。2008年，博世公司推出采用SiGe技术的第三代长距离毫米波雷达LRR3，可检测距离为0.5m～250m，检测角度范围在30m远处为30度。LRR传感器可以同时探测到包括车辆和固定物体在内的多达32个物体。博世新型中距离雷达传感器在77Ghz频段进行探测，相比传统的24Ghz雷达传感器，77Ghz雷达传感器功能更加强劲，其目标识别率是24Ghz雷达传感器的三倍，测速和测距的精准率提高了三至五倍。由传感器返回的测量数据可以帮助驾驶员了解与前车的距离，通过与视频信号的结合，可以探测发生追尾碰撞的危险，并通过ESP触发安全、自动的紧急制动过程，将发生事故的可能性和严重程度降至最低。3.4.3激光测距方法1测距原理激光测距仪在工作时向目标射出一束很细的激光，由光电元件接收目标反射的激光束，计时器测定激光束从发射到接收的时间，计算从观测者到目标的距离。有两种工作原理：脉冲测距法、相位测距法。脉冲计数测距原理：在激光器发出光脉冲的同时，计数器开始工作，当光从目标返回测距仪的接收装置时，就迅速将计数器的“门”关闭，控制计数器停止计数。从计数器所记的脉冲个数，就可以得出所测量的距离。该方式对计数器的要求很高，并且距离越短，误差也就越大。精度大多为米的量级。

相位测距原理：测距仪由光源发出光强度按某一频率f变化的正弦调制光波。光波的强度变化规律与调制的驱动电源的变化完全相同，射出的光波到达被测目标，目标把入射光线反射回去，而且保证反射光的方向与入射光方向完全一致。在仪器的接收端获得调制光波的回波，经光电转换后得到与接收到的光波调制波频率和相位完全相同的电信号，此电信号经过放大后与光源的驱动电压相比较，测得两个正弦电压的相位差。根据所测相位差就可算出所测距离。相位测距与脉冲测距的区别：调制方式不同，脉冲测距调制激光器产生巨脉冲，相位测距调制激光器产生强度成余弦变化的连续波。信号处理方式不同，脉冲测距用开关电路高频脉冲计数，测量内外光路产生的两个脉冲之间相距的时间，相位测距比较主振信号与返回信号之间相位差，来计算光线从测距仪到被测点传播往返的时间。成像式激光雷达可分为扫描成像激光雷达和非扫描成像激光雷达。扫描成像激光雷达把激光雷达同二维光学扫描镜结合起来，利用扫描器控制出射激光的方向，通过对整个视场进行逐点扫描测量，即可获得视场内目标的三维信息。存在成像速度过慢的问题。非扫描成像式激光雷达将光源发出的经过强度调制的激光经分束器系统分为多束光后沿不同方向射出，照射待测区域。被测物体表面散射的光经微通道图像增强板(MCP)混频输出后，由面阵CCD等二维成像器接收，CCD每个像元的输出信号提供了相应成像区域的距离信息。利用信息融合技术即可重建三维图像。由于非扫描成像激光雷达测点数目大大减少，从而提高了系统三维成像速度。2研究进展日本研制了单光束激光雷达、一维扫描式激光雷达、二维扫描式激光雷达。丰田与Denso公司合作开发的二维扫描式激光雷达通过将激光雷达扫描回来的图像在竖直方向上进行分割，初步实现了对目标车辆上下坡道的判别与跟踪。德国IBEOAutomobileSensor公司2000年开发成功第一代多层激光测距仪原型MOTIV。2005年开发的集成式激光测距仪ALASCAXT将测距范围从80m提高到200m。2007年，IBEO公司开发新型激光扫描仪，型号为“theibeoLUX”。3.4.4视觉测距方法有单目系统和双目两种。单目方法采用单幅图像根据摄像机的焦距和事先确定的参数来估算深度信息。另一个单目系统的成功方案是从视频长序列中采用特征匹配和光流技术估算三维参数。双目方法利用人的双目视觉原理，采用间隔固定的两台摄像机同时对同一景物成像，通过对这两幅图像进行计算机分折和处理，确定视野中每个物体的三维坐标。视觉测距不仅具有较高的精度，而且可以在测距的过程中利用采集图像中包含的大量信息，实现其它辅助驾驶功能。1单目视觉测距模型采用的先验知识和假定：道路平面假设：假设车辆前方视野内道路在一个平面内。摄像机光轴与地面平行，即在3D空间中值保持不变，在此令。路面上一点P(X,Y,Z)与其在平面图像上的对应点p(x,y)关系：当无穷大时，路面上的点在图像中所成的点对应于图像的中心点，即当摄像机光轴与地面平行，且道路基本上为平面时，道路的消失点位于图像平面的原点，而且路面区域位于图像下半平面。基于单目视觉的图像采集是将客观世界的三维场景投影到CCD摄像机的二维像平面（CCD光敏矩阵表面）上，投影变换可以用下图基于小孔成像原理的单目视觉测距模型描述。点P与镜头中心的纵向距离Z计算公式：

2双目视觉测距模型两摄像机同时观看同一特征点，分别在左图像和右图像上获取了点P的图像，图像坐标分别为和。现两摄像机的图像在同一个平面上，则特征点P的图像坐标Y坐标相同，由三角几何关系得：视差是某一点在两幅图像中相应点的位置，则视差为：

可计算出特征点P在相机坐标系下的三维坐标为：

双目视觉距离测量步骤：图像获取相机标定图像预处理和特征提取立体匹配距离确定3.5安全车距预警模型3.5.1安全距离1安全距离的概念安全车距是指在同一条车道上，同向行驶前后两车间的距离，保持既不发生追尾事故，又不降低道路通行能力的适当距离。《中华人民共和国道路交通安全法》针对安全车距的规定是机动车在高速公路上行驶，车速超过每小时100公里时，安全车距为100米以上；车速低于每小时100公里时，最小安全车距不得少于50米。临界安全车距是指为保证安全而两车之间必须保持的最小行车间距。2安全车距的影响因素驾驶员对安全车距有直接影响。路面对行车的安全车距影响也较大。行车环境的好坏直接影响安全车距，环境中影响安全车距判定的重要因素是气候条件和地理环境。车辆的制动性能对安全车距的影响。3.5.2临界安全车距分析1汽车制动过程分析驾驶员发现前车制动灯亮随之制动,直至停车需要经过三个阶段，即驾驶员制动反应时间、车辆制动的协调时间（包括消除各铰链和轴承间间隙的时间以及制动器摩擦片完全贴靠在制动盘上的时间和制动减速度从零增加到恒定值的时间）和持续制动时间。为：在时间内，车辆作变减速运动，加速度为：在制动传递延迟时间内,汽车以制动前的初速度匀速运动,因此所走行的距离为：时间内本车所走的距离为：在持续制动时间内,加速度为定值，令初始速度为，则在恒减速度阶段的速度为：最终本车的制动行驶距离为：令，因仅为零点几秒,等式中的后两项可忽略不计。这里我们称t为制动操作反应时间，它包括驾驶员的制动反应时间和制动协调时间。制动行驶距离公式简化为：2临界安全车距的计算根据前方引导车的行驶状态，按下面三种情况考虑本车的安全车距报警距离。

前方引导车处于静止情况

此时前车行驶距离为0，即＝0，则安全预警车距为：前方引导车匀速行驶，本车车速高于前方车辆行驶速度情况此时，在本车减速至与前方车辆速度相等时这段时间内，前后两车走过的距离分两种情况考虑：

1)两车相对速度较小时，这时本车可能在时间段内某一时间位置就可能减小到与前车车速相同，此时本车走过的距离为：前方车辆走过的距离为：安全预警距离为：

2)两车相对速度较大时，此时本车将达到最大减速度并可能持续一段时间才能将车速减到与前车车速一致，此时本车走过的距离为:

前车走过的距离为：则安全预警距离为：前方引导车突然减速情况此时引导车的制动距离为：

本车的制动距离为非安全制动距离，则行车安全预警距离为：

简化得：3.5.3典型安全距离预警模型1马自达模型马自达CW/CA系统模型建立思想是：当跟随车的传感器发现前车减速时，开始向安全车距警报系统发送信息。当前后车辆间距离低于跟随车的制动距离时系统给制动器发出指令，跟随车开始减速，最后与前车速度均减到零时，此时两车之间的距离为5m。距离计算模型：2本田模型采用两次报警方式。第一次报警称作提醒报警，第二次报警称作制动报警。本田模型的提醒报警距离的确定是先对驾驶员进行多次试验得到大量数据，然后对这些数据进行回归分析最终得出安全距离的计算公式。提醒报警距离计算模型:制动报警距离计算模型：当时，当时，3加利福尼亚大学贝克利分校的改进模型

采用两次报警方式，提醒报警距离的计算沿用马自达模型，不同的是将前后车的制动减速度取为相等的值。。制动报警距离计算方法：前车减速时，装有CW/CA系统的后车继续以相同的速度行驶直到两车碰撞，令碰撞时间等于整个报警的延迟时间，计算出来的两车距离就是制动报警距离。当两车实际车间距离小于制动报警距离时，后车装备的CW/CA系统就会自动制动该车。提醒报警距离计算模型：改进算法制动报警距离计算模型：本田和马自达模型都是基于车间时距的安全距离模型，适用于车辆以较低的相对速度跟随行驶,建模时对道路交通效率的因素考虑较多,对较大相对速度时的安全性考虑较少,所以该模型在相对速度较高时由于计算的安全距离偏小,不能保证行车安全。加利福尼亚大学贝克利分校改进算法的模型则综合两者的优点，使其实用性及有效性都得到显著提高。通过设定了可靠的报警距离和有效的极限报警距离来提高整个算法的实用性。这样可以在减少对驾驶员造成干扰的同时提高整个系统的工作效率，尽可能的避免误警和虚惊。但是，由于该算法在设定极限制动距离时是以两车相撞为基准点进行考虑的，因此，极限报警距离的设定没有多大效果。

4驾驶员预瞄安全距离模型影响驾驶员对突发信息判断时间的因素：驾驶员生理状态、驾驶员心理状态及驾驶员业务能力。只有模型算法较好的符合驾驶员的避撞特性，才能提高系统的接受度。驾驶员预瞄安全距离模型在模型建立和参数取值时考虑了驾驶员的主观感觉因素,但在前方车辆制动的避撞系统典型工况下,预瞄模型的加速度固定,导致模型的判断结果不符合驾驶员的主观感受。驾驶员预瞄安全距离模型定义为以驾驶员主观感觉为依据确定的安全距离，表示为:3.6基于视觉的安全车距预警系统的实现

通过分析视觉传感器获取的车辆前方道路环境图像，对前方车辆进行识别与跟踪。如果有车辆被识别出来，则根据车辆与路面垂直投影交线位置，利用测距模型实现距离测量。同时利用速度估计，结合操作界面上的路面状况选择，根据安全车距预警模型和预警规则实现预警功能。3.6.1基于多特征融合的前方车辆检测1基于阴影的感兴趣区域获取

在日光条件下，车辆总会存在一块暗区域，通常由车辆在地面上的阴影、后轮轮胎以及车辆的后保险杠等部分组成。有时由于光线照射的影响，整个车辆都表现出较暗的特征。车辆所具有的暗区域是将车辆从背景中分离出来的一种可利用的有效特征。建立一个虚拟的三角形道路区域。设定图像坐标系的原点在左下角，三角形的顶点坐标确定为(Width/2,Height/2)，其它两点坐标分别为(0,0)、(Width,0)。在此三角形区域内，利用一个矩形探测窗口遍历整个区域，并求取每一个位置时探测窗口内的灰度均值和均方差。最终选取的阈值由最小的灰度均值和其对应的均方差确定，计算公式：车辆阴影区域的灰度值在整个路面图像中处于最小值范围。在分割后的车辆阴影区域的二值化图像中，经常会出现车辆的阴影区域与周围一些噪声区域连为一体，或者车辆的阴影区域边界有不连续的情况。由于分割算法本身的局限性，会使分割出来的车辆阴影区域内部出现空穴。将分割后的车辆阴影区域与背景噪声尽可能分离出来，采用两次开运算和一次闭运算来完成将不同目标区域分开，同时将目标本身断开的部位连接上。这样，就实现了目标区域内部空穴的填充。为了实现车辆阴影区域的识别，本文利用前面提到的4个形状描述子和矩形度来描述阴影的特征。同时，利用基于方差测度的几何性判据确定每个特征对车辆阴影区域识别贡献的大小，从中选出判据较大的特征作为最终的分类依据。下图为利用前面提出的车辆阴影区域分割及识别方法对几种不同道路环境下的车辆阴影的识别结果。2基于多特征融合的感兴趣区域确认由于光照条件和道路环境的变化，会有一些非车辆的阴影区域被当作车辆阴影检测出来。为了进一步确认已建立的感兴趣区域是否对应真正的车辆区域，采用车辆的其它一些特征来进行验证是必须的。1）纹理特征提取真正存在车辆的区域一般具有较强的纹理特征，而噪声灰度分布一般比较均匀，纹理特征并不明显。可采用计算感兴趣区域内图像纹理特征确认该区域是否为车辆。为了更好的区分车辆和噪声的纹理特征，我们采用了广义分形维数。定义为：分形维数应用思想

假设一副图像的大小为M*M，并被划分为s*s大小的子图像,那么。把图像看作三维空间(x,y,z),(x,y)表示图像像素的二维位置,z表示灰度值。(x,y)平面被划分为s×s大小的网格,在每一个网格处z方向有一列s×s×s大小的小立方体。假如在第个网格处灰度的最小值和最大值分别是第个和第个小立方体处,那么第个网格处的小立方体数目为：整个图像内的网格处的小立方体总数为:则有：利用最小二乘法求集线性回归线的斜率,即为该目标图像的分形维数D。对一幅有车辆的图像进行分形维数计算分析，计算方法为：利用一个20×20大小的窗口遍历整幅图像，计算每个位置时窗口内图像的分形维数，并将其作为该像素位置处的分形维数。在实际进行分形维数计算时，是在前面车辆阴影识别的基础上完成的。首先，划分出一个需要进行分形维数求取的车辆候选区域。该区域的底边界为当前获得的车辆阴影位置，区域的宽度为阴影宽度的1.2倍，区域的高度为阴影宽度的1.4倍，区域的底边界中心与阴影中心重合。这样，分形维数的计算仅仅在可能存在车辆区域内进行，避免了在整个图像中遍历搜索带来的运算量过大的问题。下图为对部分车辆样本和带有阴影的路面样本计算分形维数的结果，样本图下面的数据即为分形维数值。2)边缘特征提取车辆区域存在许多明显的边缘特征，如后风挡玻璃、后保险杠以及车牌等边缘，对于车辆区域的定位和作为判决依据很有用。经过形态学梯度运算后提取出的边缘能抑制掉图像中的大部分噪声，然而由于图像的真实边缘常常与许多噪声点混杂在一起，在抑制噪声的过程中也失去了许多细节边缘部分。Log边缘检测算子采用基于二阶导数过零点的边缘检测技术，因此能得到比较完整连续的边缘，但在对含噪声图像的处理中一些边缘通常被噪声淹没，以至于给图像分割、目标识别等后续处理带来很大的困难。融合形态学边缘检测方法与Log边缘检测算子两种方法提取的边缘图像信息，摒弃了无用的噪声点，保留有用的真实边缘，最终得到令人满意的边缘。

设形态学梯度和Log算子得到的边缘图像分别为和，在融合过程中利用两个原则：①用的图像信息来剔除中的噪声点。②的水平边缘短且不连续，而的水平边缘较长且连续，为此有必要保留中长的水平边缘。对于中真正的边缘点，在中同样位置附近必有长的边缘存在。因此，在中以中水平边缘线段的中心点为中心，建立一个大小为的矩形窗，为中水平线段的长度。在该矩形窗内计算每行边缘点的个数，若它大于设定阈值，就认为该行水平边缘为必须保留的边缘点。水平边缘和垂直边缘特征表示为：最终的边缘特征表述为：

车辆边缘特征与非车辆边缘特征的差异：对50幅车辆图片利用阴影方法初步建立车辆的感兴趣区域后，对感兴趣区域内的不同类型的车辆及非车辆区域进行边缘特征分析的数据曲线：3)对称性特征提取车辆两侧边缘具有对称性。在计算感兴趣区域的对称性测度时，首先在高度方向上将感兴趣区域内垂直边缘图像中所有边缘点按列累加。此外，考虑车辆的水平方向的中心对称轴应与其阴影区域的中间位置相近，这样我们仅仅需要在该中间位置左右较小范围进行计算，从而减少了计算量。4)多特征信息的融合在有些情况下利用每个特征单独进行车辆验证可靠较低，因此将几种特征进行融合，以增强车辆识别的可靠性.类别只有两类：车辆类和非车辆类。参与类别判决的特征有3个，依据模式识别的相关理论，判决边界应为一个平面函数。车辆识别的判决函数定义:采用前面所述的可分性判据的方法，通过样本模板计算每种特征的可分性判据大小。可计算出三种特征的可分性判据分别为：

对可分性判据进行归一化，将归一化的结果作为特征权值，则有：最终车辆判决依据：则判决为车辆，否则为非车辆。

3利用边缘信息进行车辆定位车辆的底边缘为前面已经检测出的车辆阴影位置，因此在此位置之上可实现对于车辆左右位置的确定。采用对车辆垂直边缘进行垂直投影。通常，在垂直边缘图像中，车辆左右两侧边缘较为突出。因此在垂直投影图中，可以找出最大垂直投影值，以最大投影值的一半作为寻找左右边界的判决条件，即分别由感兴趣区域中间位置向左右方向搜索，当遇到垂直边缘投影值满足判决条件时即认为找到了左右边界。较合理的左右边缘定位思路：实现上边界的确定的方法：4基于序列图像NMI特征的车辆验证归一化转动惯量NMI(NormalizedMomentofInertia)特征具有良好的平移、旋转和缩放不变性，并且这种方法具有计算量小、误差小以及不同物体区分度高等特点，对于实时性要求较高的目标识别与跟踪具有良好的应用效果。定义为：在车辆验证过程中，如果该区域存在车辆，则在连续采集的几幅图像中，车辆区域的NMI特征变化并不明显。若该区域不是车辆，则该区域的NMI特征变化较大，为此需将该区域的相关信息剔除不进行跟踪。3.6.2基于目标特征和KALMAN滤波的车辆跟踪

1算法基本思想跟踪算法可划分为两大模块：预测模块和目标位置更新模块。代价函数表达式：根据第t帧第i个目标的特征值作为卡尔曼滤波的输入参数，得到它的预测值，算出需要探测的区域。然后在第帧指定预测区域中搜索，依次计算目标i与帧搜索区域中各个可能目标的代价函数值，找出最小值（假设是目标j与i的代价函数值最小），则说明目标j是i的后续，更新该目标的特征值作为下次卡尔曼滤波器的输入。2KALMAN滤波算法描述第帧图像被获取，然后处理得到车辆区域质心的位置。在第帧图像中车辆的状态向量可以表示为：根据卡尔曼滤波理论，在第+1帧图像，车辆的状态向量，线性相关于当前状态，系统状态方程：假设相邻两帧图像中车辆区域变化较小，从而可以考虑帧与帧之间运动恒定，状态转移矩阵可以表示为：进一步假设观测向量，在第t帧图像中车辆位置的估计值。因此，Kalman滤波的测量方程表示为：观测即搜索协方差矩阵所确定的区域来找到第t+1帧图像的观测值，即，并融合预测估计产生最终状态估计值，使搜索区域自动根据来变化。定义变量:假设代表在第t+1帧图像从系统状态方程得到的状态估计值，该估计值表示先验状态估计值。假设和分别是状态估计值和的协方差矩阵，它们表示先验状态估计值和后验状态估计值相应的不确定性。

用于状态预测和更新的Kalman滤波算法总结:1)状态预测给定当前状态和协方差矩阵，包括两个步骤：其中2)状态更新给定先验估计值和它的协方差矩阵，在确定的区域得到的当前测量值。状态值更新可以得到后验状态估计值和它的协方差矩阵。计算卡尔曼增益：

为了应用卡尔曼滤波跟踪车辆，必须要获得初值。首先，必须确定初始状态。在连续三帧图像成功地实现车辆识别定位后开始进行卡尔曼滤波跟踪。假设三帧图像是第t帧、t+1和t+2帧。初始状态向量可表示为：需要定义初始状态相应的协方差矩阵：

估计系统状态方程和测量方程的误差协方差矩阵Q和R：

利用上述的状态预测和更新方程以及初始条件，每一帧图像状态向量和相应的协方差矩阵被估计。3跟踪算法步骤数据关联是目标跟踪的核心部分。在接收后续第k帧图像时，则对当前第i个目标跟踪链，利用其目标跟踪链中的特征值启动卡尔曼滤波预测搜索匹配范围，计算目标i与第k帧对应跟踪窗口内所有可能目标的代价函数值，并找出其中最小值，再判断目标i与目标j的质心距离D与的大小，为设定的阈值，取。距离D定义为：①如果，则目标j为目标i的后续，将目标j的特征值替代目标链i的值，并对该目标j做标记。②如果，则说明目标i在第k帧没有后续目标，这可能有两种情况：一种是由于路面的不平整导致本车发生较大振动，使目标在图像中的位置发生很大变化。另一种可能是目标距离本车太远，导致目标的信息量变小，从而使匹配的目标是虚假目标。当对所有被跟踪目标进行匹配后，如果全部目标都被跟踪，则说明该帧上所有目标与前帧目标全部建立了后续关系，即建立了相关的目标跟踪链。③转向第k+1帧的处理，处理过程如①、②，直至图像序列处理结束。3.6.3基于单目视觉的前方车距测量与本车车速估计1测距模型选择与实现采用基于单帧静态图像的测距模型可以满足本文的前方车辆测距要求。f、y是未知的。f是CCD摄像机的有效焦距，为内部参数。y是目标点在CCD像平面上的投影坐标在y轴方向上的分量，称为像平面坐标。但数字图像是由计算机内的存储器存放，而我们通过图像处理只能获得目标点在计算机内存中的坐标，称之为帧存坐标(u,v)，单位是像素(pixels)。因此要将计算机内存中的帧存坐标转换到像平面坐标系统中。设帧存中的一个像素对应于像平面在轴与轴方向上的物理尺寸分别为dx、dy，一般dx、dy表示CCD光电耦合元件的尺寸大小，可通过CCD摄像机的性能参数表中获得。有如下变换关系：

2求取前方车辆距离由上式可得：可见不必分别求出f和dy，因为计算公式中只需要二者的比值ay。但是该测距模型需要预先知道摄像机距离地面的高度h，由于CCD摄像机的安装高度针对不同类型的车辆是变化的，即使对同一车辆而言每次安装时高度也会发生