检测技术与数据处理

DOI院10.19557/j.cnki.1001-9944.2019.09.012

基于图像处理技术的前方车辆识别系统
张 伟
渊临沂大学 自动化与电气工程学院袁临沂 276005冤

摘要院基于图像处理技术的前方车辆识别系统袁其需要的图像信息来自于安装在汽车上的
CCD摄像机遥 通过图像滤波能够使图像边缘比较清晰地呈现出来曰采用Sobel算子尧二值化
运算使边缘增强的作用袁把检测目标的边缘信息凸显出来袁使其更明显袁便于更好地识别
目标遥 文中采用基于特征模型驱动的前方车辆检测方法袁用Sobel算子对图片进行处理袁确定
前方有无车辆袁通过矩形AOI的建立来确定前方车辆遥 基于图像处理技术的前方车辆识别袁
可以帮助无人驾驶汽车时刻检测车辆前的道路情况袁为处理道路前方的安全隐患做准备遥
关键词院图像处理曰区域分割曰车辆识别曰图像滤波曰检测曰无人驾驶汽车
中图分类号院TP391.41曰U463.6 文献标志码院A 文章编号院员园园员鄄怨怨源源渊圆园19冤09鄄园园48鄄园4

Forward Vehicle Identification System Based on Image Processing Technology

ZHANG Wei
渊College of Automation and Electrical Engineering袁Linyi University袁Linyi 276005袁China冤
Abstract院The forward vehicle recognition system based on image processing technology needs image information from
the CCD camera installed on the vehicle. Through the image filtering袁the edge of the image can be displayed clear鄄
ly. Using Sobel operator袁binarization operation can enhance the edge of the target袁highlight the edge information of
the detected target袁make it more obvious袁and facilitate the recognition of the target. In this paper袁the forward vehicle
detection method based on feature model driving is used袁and the Sobel operator is used to process the picture to
determine whether there is a vehicle in front of the front袁and the forward vehicle is determined by the establishment
of rectangular AOI. The forward vehicle recognition based on image processing technology can help driverless vehi鄄
cles to detect the road situation in front of the vehicle at all times袁and prepare for dealing with the hidden danger
of safety in front of the road.
Key words院image processing曰area segmentation曰vehicle identification曰image filtering曰detection曰driverless vehicle

无人驾驶汽车利用车载传感器感知车辆周围 另外车辆所处的位置和周围环境也会影响它的外
环境袁并根据感知所获得的道路尧车辆位置和障碍 观袁这使得现有的光学传感器不能很好地应用到车
物信息袁控制车辆的转向和速度袁从而使车辆能够 辆检测的活动中遥
安全尧可靠地在道路上行驶遥 利用一些相关的传感 目前袁在车辆识别的研究中图像处理和模式识
器来获取汽车周围环境的信息袁利用智能算法把周 别技术得到了广泛的使用遥 由于现在的车辆行驶得
围环境中有用的信息保留下来袁 然后经过计算袁判 都特别快袁周围环境瞬息万变袁因此要求车辆检测
断周围环境中是否有车辆袁 确定该车与本车的距 的速度特别快袁准确率足够高遥 提高算法的运行速
离遥 由于车辆的种类有很多袁每种都有不同的车型袁 度与准确率成为人们的研究难点遥 故在此提出了基
收稿日期院2019-05-31曰修订日期院2019-07-20
作者简介院张伟渊1972要冤袁男袁硕士袁副教授袁研究方向为检测技术与仪表尧计算机控制等遥

48 粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶 圆园19,34穴9雪

 检测技术与数据处理

于图像处理技术的前方车辆识别系统设计与实现遥 间的接近程度用数值表示出来袁一般情况下该值是
一个相对接近零的数值遥 车辆的灰度值与道路的灰
1 图像预处理 度值会有一定的不同袁Sobel 算子的作用就是突出
1.1 图像滤波 车辆与道路的交界处的像素差异袁 相比较路面
图像滤波可分为线性和非线性两种遥 均值滤波 与路 面之间的灰度差异而言袁路面与车辆的灰度差
和高斯滤波是最常用的线性滤波袁它们的主要问题 异会 更大袁并 且还能 获 得 边 界 的 梯 度 方 向 数 据 遥
是可能使图像边缘模糊遥 而中值滤波作为常用的非 Sobel 算子在水平和垂直方向的边缘增强作用 [3] 如
线性滤波袁可以较好地过滤脉冲噪声袁其问题在于 图 1 所示遥
相应地使图像中的线条细节变得模糊不清遥 在此选
用了边缘保持滤波器遥 这是以均值滤波器和中值滤
波器作为基础进行创新和改造地新一代滤波器袁不
仅可以滤除噪声 [1]袁还能使图像边缘比较清晰地呈
现出来遥
边缘保持滤波器的算法流程如下院以灰度图像
的每个像素为基点袁选取一个比较合适的邻域渊如 渊a冤水平方向边缘增强
3伊3冤袁再计算邻域的灰度分布均匀度袁该邻域是每
个像素点的 4 个角上的邻域曰选取 4 个子邻域中灰
度分布均匀度最低的邻域的灰度平均值袁作为这个
像素点的灰度数值遥 灰度均匀度为
V = 蓘 移 f 2渊i袁 j冤- 蓸 移 f渊i袁 j冤 蔀 蓡 /n 渊1冤
2

1.2 边缘增强
边缘增强的作用是将检测目标的边缘信息凸 渊b冤垂直方向边缘增强

显出来袁使其更明显袁便于更好地识别目标遥 此外 图 1 Sobel 边缘增强的效果

道路上阳光照射不均带来的结果袁可以通过边缘增 Fig.1 Effect of Sobel edge enhancement

强的方式来削弱遥 常使用的边缘增强算子有 3 种院
Robert 算子袁Sobel 算子 [2]
袁Prewitt 算子遥 在此采用 2 前方车辆初步检测
Sobel 算子遥 前方车辆的前进方向与获得的图像平面几乎
离散 Sobel 算子定义为 垂直袁图像获取频率非常高袁前方车辆在环境中的
扇 x f 渊x袁y冤=咱 f渊x-1袁y+1冤+2 f渊x袁y+1冤+ f渊x+1袁y+1冤暂- 形状等特性十分突出袁因此选用基于特征模型驱动
设
设
设 咱 f渊x-1袁y-1冤+2 f渊x袁y-1冤+ f渊x+1袁y-1冤暂 的前方车辆检测方法遥
缮
设y f 渊x袁y冤=咱 f渊x-1袁y-1冤+2 f渊x-1袁y冤+ f渊x-1袁y+1冤暂- 目标在灰度图像中呈现的特征主要有形状特
设
墒设 咱 f渊x+1袁y-1冤+2 f渊x+1袁y冤+ f渊x+1袁y+1冤暂 征尧边界特征尧对称特征尧灰度特征尧动态变化特征遥
渊2冤 所提出的模型驱动的前方车辆检测算法袁就是根据
梯度值大小为 上述内容选择有用的特征袁 再根据许多先验知识袁
G渊x袁y冤越 姨 x f 2+ y f2 渊3冤 检测前方是否存在车辆遥 检测过程可以分为 3 个阶
灰度值变化最大的方向即所谓的梯度方向袁计 段 院 淤 目 标 的 初 步 探 测 袁 建 立 目 标 感 兴 趣 区 AOI
算公式为 渊area of interest冤曰于在感兴趣区域中找出需要的车
f 渊x袁y冤 体曰盂在不间断的图像序列中袁一直寻找车辆目标遥
tan琢=
渊4冤 y

x f 渊x袁y冤 前方车辆目标检测流程如图 2 所示遥

就路面而言袁一般它们的物理性质差不多袁并 一般车辆的后部有许多水平结构遥 本车与前方
且光照比较均匀袁 相邻的几个像素点的灰度值也 车体有很大距离时能够很好地从图像中找到平直
差不多相同袁通过 Sobel 算子的运算可以把它们之 的边沿袁从而找到前方车辆遥 由于图像中汽车具有

圆园19,34穴9雪 49
 检测技术与数据处理

有可能表明本车所在车道线的前方存在车辆遥 信息
k时刻场景
量的大小在信息论中可以用熵来表达袁即概率空间
序列图像 中每个事件 xk 的存在概率不同时的均匀度为
灶

E渊xk冤=-移p渊xk冤log p渊xk冤
Y 车辆 N
已存在钥 渊6冤
k越员
位置跟踪 初始搜索
首先袁以灰度均值发生阶跃变化的一行的下方
AOI 第 k 行作为矩形 AOI 的下部边缘袁计算该边缘与两
侧车道线的交点遥 然后以所得交点向上做垂直于下
k-1时刻 模型驱动
位置信息 部边缘的引线袁这样就可以得到一个矩形 AOI[5]遥 矩
前方车辆
检测
形的高度应根据先验知识来确定袁要把车辆整体包
延时 裹到矩形 AOI 中遥
预测

图 2 前方车辆检测流程 3 前方车辆目标的识别确认
Fig.2 Flow chart of forward vehicle detection 3.1 对称性测度与对称轴求取
特征明显的平直边沿袁 因此采用 Sobel 算子对图片 建立以对称轴 xs 为原点的尧新的对称坐标系 u袁
进行水平计算袁使图片中的平直边沿更加地突出和 渊-w/2冤臆u臆渊w/2冤袁则 u 与 x 的坐标变换关系为
明显遥 在感兴趣区 AOI 内袁把每一行的像素灰度值 u越x-xs 渊7冤
相加再取其平均值 袁将图片中从下向上每一行都
[4]
对于一定的 xs 和 w袁函数 g渊x冤=g渊xs +u冤的偶函
进行计算遥 其计算公式为 数尧奇函数为
c=b R渊r冤
g渊xs +u冤+g渊xs -u冤
G渊r冤= 员
b R渊r冤-b L渊r冤+1
移 g渊r袁c冤
c=b L渊r冤
渊5冤 e渊u袁xs袁w冤=
圆
渊8冤

式中院b L渊r冤袁b R渊r冤分别为感兴趣区内第 r 行左侧尧右 g渊xs +u冤-g渊xs -u冤

o渊u袁xs袁w冤= 渊9冤
圆
侧的像素坐标曰g渊r袁c冤为像素渊r袁c冤的灰度值曰G 渊r冤
计算偶函数重要还是奇函数重要袁需要用到能
为 AOI 中第 r 行的灰度平均值遥
量函数的公式为
一般情况下袁灰度均值 G渊r冤开始发生阶跃变化
时所对应的地方是前方车体的底部袁它多是由车体 E渊 f 渊x冤冤= 乙 f 渊x冤dx
2
渊10冤
投下的影子形成的袁即认为已探测到可能的目标车
因此二者的能量函数为
辆渊如图 3 所示冤遥 w/2

假如整帧图片都没有灰度值的阶跃变化袁那么 Ee渊xs袁w冤= 移 e 2渊u袁xs袁w冤 渊11冤

u越-w/2
就假设本车所在的车道前方没有车体遥 w/2

Eo渊xs袁w冤= 移 o2渊u袁xs袁w冤 渊12冤

u越-w/2

经过计算袁奇函数与偶函数的均值可得前一个
均值为 0袁后一个均值为正数袁这样就无法比较奇函
数与偶函数谁更重要了遥 在此袁采用归一化处理的
G渊r冤 计算方法袁将偶函数的均值化为 0[6]院
渊a冤可能的目标车辆 渊b冤灰度均值阶跃变化 w/2
图 3 前方车辆的初步探测 e忆渊u袁xs袁w冤越e渊u袁xs袁w冤- 员
w
移 e渊v袁x 袁w冤
s 渊13冤
Fig.3 Preliminary detection of forward vehicle v越-w/2

由图可见袁以灰度均值突变行为界限袁把车道 相应地有
w/2

Ee忆渊xs袁w冤越 移 e忆2渊u袁xs袁w冤
分为上下两部分袁下面部分为道路袁而上面部分区
渊14冤
域存在车体的可能性极大遥 如果图像中数据比较繁 u越-w/2

杂袁则该图像就拥有大量的数据遥 越繁杂的图片袁越 经过能量函数处理袁可得的对称性测度公式为

50 粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶 圆园19,34穴9雪

 检测技术与数据处理

s渊xs袁w冤越 Ee忆渊xs袁w冤-Eo渊xs袁w冤 渊15冤

Ee忆渊xs袁w冤+Eo渊xs袁w冤
定义测度 s 的数值区间范围为渊-1袁1冤遥 当 s=1
时图像为彻底对称袁当 s=-1 时图像为彻底不对称袁
参数 xs 与参数 w 的数值和测度 s 的数值为对应关系遥
在矩形 AOI 内一行一行地计算对称性测 度袁
图 5 前方车辆的矩形轮廓
并相加取其平均值袁如图 4 所示遥 图中袁下方曲线的
Fig.5 Rectangular contour of the vehicle ahead
最高峰值与上方图片车辆的对称轴在同一条垂直
线上遥 4 结语
围绕基于图像处理技术袁对前方车辆识别系统
要图像滤波尧边缘
展开了论述遥 通过图像预处理要要
增强袁使所需内容更清晰地呈现出来袁并削弱不需
1.0 要的信息曰通过对前方车辆的检测袁建立感兴趣区
0.5 域袁初步探测此区域袁识别并确认目标车辆袁找到所
0 需要的目标车辆并准确地标记出来遥 该系统经试验
-0.5 验证可行袁可有效地识别出前方车辆曰对车辆识别
-1.0
系统后续研究有一定的参考价值遥
80 100 120 140 160 180 200

图 4 寻找前方车辆的对称轴 参考文献院
Fig.4 Finding the symmetrical axis of the vehicle ahead [1] 门蓬涛袁张秀彬.基于 NMI 特征的目标识别与跟踪[J].微计算机

3.2 车辆矩形轮廓 信息袁2015袁20渊3冤院24-26.

[2]
由图 4 可见已经找到前方车辆的底部边缘和
施树明袁储江伟袁李斌.基于单目视觉的前方车辆探测方法[J].农
业机械学报袁2015袁35渊4冤院5-8.
车辆的对称轴遥 将把图像用垂直 Sobel 算子变换袁使 [3] 程丽霞.监控视频中的车型识别技术研究[D].广州院广东工业大
图像的竖直边沿得到加强曰 用垂直 Hough 算子变 学袁2016.
换袁计算垂直直线曰对照着对称轴就可以获得前方 [4] 李晓晓.基于视觉的运动目标检测与跟踪算法的研究与实现[D].

车辆的垂直边缘遥 根据先验知识设定一个车辆高宽 南京院南京理工大学袁2017.

[5]
比例袁把图像用水平 Hough 算子变换袁就找到了前
姜荣.基于视频的运动车辆检测算法研究与系统实现[D].武汉院
华中科技大学袁2014.
方车辆的上部边缘遥 据此就能将车辆准确地用矩形 [6] 刘杰袁谢小槟袁黄廷磊.基于运动图像识别的车辆检测系统设计
框框出来袁如图 5 所示遥 与实现[J].中国新通信袁2013袁15渊15冤院83-85. 姻

渊上接第 40 页冤 [8] 应小军袁李瑜煜.基于 FPGA 的 CMOS 图像传感器驱动电路设计

[5] 郭永彩袁苏渝维袁高潮.基于 FPGA 的红外图像实时采集系统设
计与实现[J].仪器仪表学报袁2011袁32渊3冤院514-519.
[6] 董大波袁王湘云袁赵柏秦袁等.基于单片机的低成本 CMOS 图像采
集系统[J].仪表技术与传感器袁2014渊2冤院45-49.
[7] 程飞袁左其波袁欧阳常童.基于 OV7670 机器人视觉图像采集模
块的设计[J].电子测试袁2018渊13冤院27-29.
[J].广东工业大学学报袁2015袁32渊1冤院71-74.
[9] 杨玉华袁秦菲袁单彦虎袁等.基于 FPGA 的高速图像存储系统的设
计[J].电子器件袁2018袁41渊4冤院970-975.
[10] 宗凯.基于 FPGA 的 DDR3 控制器设计[J].电子测量技术袁2017袁40
渊1冤院118-122.
姻

渊上接第 43 页冤 形态操作袁可提取完整裂缝骨架曰将 误差较低遥 测试结果表明袁通过图像算法测得裂缝

裂缝目标细化袁使用轮廓跟踪函数袁用最小外接矩形 的方法是可行的袁较为精确袁自动化检测效率较高遥
将裂缝轮廓框出袁利用圆形度尧连通区域内裂缝面积
参考文献院
与周长的比值袁过滤掉轮廓中的噪点曰采用矩函数并
[1] 冈萨雷斯.数字图象处理[M].2 版.北京院电子工业出版社袁2003.
结合图像像素率进行求解袁可以检测出裂缝面积与 [2] 冈萨雷斯.数字图象处理[M].3 版.北京院电子工业出版社袁2011.
周长袁并计算出裂缝平均宽度袁误差均在 2%左右袁 [3] 毛星云.OpenCV3 编程入门[M].北京院电子工业出版社袁2015. 姻

圆园19,34穴9雪 51