基于图像处理的智能车辆系统

引言

20世纪60年代以来，随着车辆走进千家万户，给日常 生活带来了极大方便。但是另一方面，由于交通基础设施建设 不能及时跟进，造成各国的交通状况不佳。随着车辆数的逐 年急速增长，交通问题愈发严重，交通事故的频繁发生，已 引起发达国家以及发展中国家的一致高度专注。在这种情况 下，智能车辆的出现不仅将人从单调乏味的驾驶环境中解脱出 来，而且能够有效的避免由于注意力不集中或者其他人为过失 而造成的重大交通事故。智能车辆是一种典型的高新技术的 综合体，主要包括计算机技术、现代传感器技术、通讯网络、 信息技术融合、人工智能、自控原理等。随着对智能化车辆 控制系统的研究不断深入与完善，从一定角度来说，驾驶员的 控制、视觉和感官功能都得到了延伸，这就弥补了人为因素造 成的缺陷，大大提高交通中的安全因素。

智能车辆的主要研究内容是智能车辆中的自动或辅助驾 驶系统、驾驶员预警系统，而交通路标自动识别技术是辅助 驾驶系统中的关键技术，对自动驾驶、预警系统的可靠性和稳 定性起着决定性作用，因而相关的研究具有重要的现实意义。

1系统结构

该系统由路标识别模块、红路灯识别模块和车道线识别 模块三大模块组成。图1所示是系统的详细设计流程图。当 读入一帧图像后，系统的三个模块同时对图像进行处理，并输 出相应的提示信息，各个模块构成了一个功能相对完整的道 路信息提示软件系统。

2模块设计

2.1路标检测模块设计

在选择识别方法上，考虑到当前我国大多数路标是圆形,因此联想到首先运用Hough变换检测出路标信息，然后对照 标准路标库进行进一步匹配。在检测中先对图像进行了预处 理，包括灰度化，对比度增强，提取感兴趣区域(ROI)。在 精匹配中采用了最小误差法的改进算法，保证了测试精度，同 时也提高了检测速度。取十种标准路标模板如图2所示。

图3和图4显示了路标识别的过程。首先将原图灰度化，如图3（b），接着对灰度化的图像进行平滑处理，如图3（c）并运用Hough变换检测圆，提取出ROI，如图4（a），灰度化，如图4（b），然后对ROI进行对比度增强，如图4（c），再将ROI与标准路标模板进行匹配，从而得到路标信息，如4（d）。

2.2红绿灯检测模块设计

在红绿灯检测的模块中，如图5所示，首先将图像由RGB彩色空间转换到HSV彩色空间，然后提取图像提取H和V分量，根据V分量进行阈值分割转换为二值图像，通过分析连通区域的大小找到连通区域的位置，并截出V分量的图像，统计出该连通区域坐标的H分量图像中的绿色像素点或者红色像素点的所占的比例。将绿色像素点所占总像素比例35%以上，红色像素点所占总像素比例50%以上的连通区域与模板图片进行匹配，如果相似度在一定范围内则在原图中画出红灯或者绿灯，实验结果表明该方法可以取得较好的效果。

通过多次试验成功找到了从H图中分离出绿色（红色）色调的阈值，转化成二值图像找出连通区域；并且通过分析连通区域的形状和大小，找出绿灯（红灯）在放大的图中的位置，然后在放大了的图中框出绿灯（红灯）。应用这种方法在试验中对50多张照片进行了试验，正确率在90%以上，并且实现了实时处理。

2.3 车道线检测模块设计

车道线也是道路信息的重要组成部分，对于年轻的新手驾驶员而言更是如此。许多交通事故的发生就是因为驾驶员偏离了车道线位置，如果辅助驾驶系统能够实时提醒驾驶员车道线的位置，使驾驶员不超出车道线的位置，那将会大大降低交通事故发生的可能性。因此我们在系统中加入了对车道线的识别。

在车道线的检测模块中，首先将输入的图像灰度化，然后利用 Hough 变换检测线，再根据车道线的宽度，颜色等确定是否为车道线。检测过程如图 6 所示。首先，将输入的图片进行灰度化处理，然后对灰度图进行 Hough 变换检测线，最后根据车道线的颜色，宽度找出车道线。

3 结 语

基于图像的路标自动识别主要包括路标样本收集，图像预处理、图像分割、特征提取、模式分类器的选择和使用等步骤。采用廉价的可见光摄像头，可以降低整个系统的成本，为系统最终走向实用化提供可能。采用最新的图像识别算法—最小误差法匹配的改进算法，灵活性高，环境自适应能力强。该系统所提出的道路信息自动理解系统，使用模块化的设计原则，充分考虑了系统的实用性。由于核心算法完全采用标准C/C++ 语言设计，该系统具有很好的移植性，为系统的进一步应用打下了基础。

20211121_619a3709278da__基于图像处理的智能车辆系统