[发明专利]一种基于双目视觉的后方车辆识别与测距方法

说明书

一种基于双目视觉的后方车辆识别与测距方法，包括以下步骤：S1.标定双目相机；S2.通过标定好的双目相机同步采集当前车辆后方景象的图片；S3.根据当前车辆后方景象的图片进行车辆识别并选定车辆区域；S4.计算车辆区域内车辆矩形框几何中心点；S5.对双目相机计算得到的两个几何中心点进行特征匹配；S6.利用双目视觉测量原理，计算当前车辆与后方车辆的距离。本发明测量过程简单方便，实现了在复杂背景下对车辆目标的准确、快速提取，具有测试设备价格低廉且能够获得丰富场景信息的优势。

技术领域

本发明涉及车辆安全领域，具体涉及一种基于双目视觉的后方车辆识别与测距方法。

背景技术

汽车安全越来越受到人们的重视，而交通事故的发生大多与车辆之间的碰撞存在直接关系，当前的碰撞预警系统主要针对前方车辆，针对后方车辆的碰撞预警系统较少。后方车辆碰撞预警的关键在于车辆测距。目前用于后方车辆测距的方法主要有声波测距、激光测距、红外测距、雷达测距等，但这些主动测距方法系统可靠性较低、设备价格相对昂贵。因此，如何在复杂背景中快速准确地识别车辆目标、简单方便地测量车距是需要解决的问题。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于双目视觉的后方车辆识别与测距方法，能够在复杂背景下对车辆目标实现快速、准确提取，实施成本低，操作方便。

为了实现上述目的，本发明采用的技术方案包括以下步骤：

S1.标定双目相机；

S2.通过标定好的双目相机同步采集当前车辆后方景象的图片；

S3.根据当前车辆后方景象的图片进行车辆识别并选定车辆区域；

S4.计算车辆区域内车辆矩形框几何中心点；

S5.对双目相机计算得到的两个几何中心点进行特征匹配；

S6.利用双目视觉测量原理，计算当前车辆与后方车辆的距离。

所述步骤S3中车辆识别的具体过程包括：首先，收集车辆正负样本集，提取图片特征，通过机器学习算法进行离线训练，得到相应分类器；然后，对采集到的图像进行预处理，提取与离线训练相同的图像特征，采用与离线训练相同的机器学习算法，用训练好的分类器进行车辆区域初步识别，最后基于先验知识的方法，进行车辆验证，最终得到识别结果。

所述的图像特征采用融合Haar-like与HOG的图像特征，结合Adaboost与SVM机器学习算法进行车辆识别，具体过程包括：首先，对第一车辆正负样本集提取Haar-like特征，得到弱分类器，经Adaboost训练后得到强分类器，最终得到级联Adaboost分类器用于一次筛选并将其分类结果作为下一层分类器的输入；然后，对第二车辆正负样本集提取HOG特征，经SVM训练后得到的SVM分类器用于二次筛选上层分类器的分类结果。

所述的车辆正样本为白天和夜间的各种类型车辆头部区域图像；车辆负样本为白天和夜间当中，不包含车辆但与车辆行驶环境相关的场景。

所述与车辆行驶环境相关的场景包括道路路面、行人、绿化带。

车辆验证的具体过程包括边缘检测和灰度特征判别；边缘检测时先使用canny算子提取图像边缘信息，然后使用hough变换检测直线，若分类器输出的目标中有一个近似的几何矩形，判定其为真正车辆的可信度较大，保留下来，反之剔除；灰度特征判别时根据行驶中轮胎灰度是否低于其临近区域的灰度值判定车辆区域是否为误检，若为误检则删去，反之保留。