基于双目视觉的车距测量系统.pdf

信息与电脑软件开发与应用Information&Computer基于双目视觉的车距测量系统2023年第10 期张晓玲程荣波唐荣芳（广西工业职业技术学院，广西南宁摘要：文章提出的基于双目视觉技术的车距测量系统，由预处理、车辆检测和车距测量共3部分组成，通过计算车辆矩形框中心点、左右中心点特征匹配和三角测量来计算车距。实验表明，本系统车辆检测准确率最高可达95%，最低为92.5%，车距测量精度误差范围为-1.10.2 m，车距测量响应时间范围为8 0 90 ms，在车辆检测准确率、车距测量精度和响应时间等方面均表现优良，具有较高的准确性和实用性，可以满足大多数车距测量应用场景的需求。关键词：双目视觉；车距测量；车辆检测；三角测量中图分类号：TP311Vehicle Distance Measurement System Based on Binocular Vision530001)文献标识码：A文章编号：10 0 3-9 7 6 7（2 0 2 3）10-144-0 3ZHANG Xiaoling,CHENG Rongbo,TANG Rongfang(Guangxi Vocational&Technical Institute of Industry,Nanning Guangxi 530001,China)Abstract:The distance measurement system based on binocular vision technology proposed in the article consists of threeparts:preprocessing,vehicle detection,and distance measurement.The distance is calculated by calculating the center pointof the vehicles rectangular frame,feature matching of the left and right center points,and triangulation.The experiment showsthat the vehicle detection accuracy of this system can reach up to 95%,with a minimum of 92.5%.The error range of distancemeasurement accuracy is-1.1 0.2 m,and the response time range of distance measurement is 80 90 ms.It performswell in terms of vehicle detection accuracy,distance measurement accuracy,and response time,and has high accuracy andpracticality,which can meet the needs of most distance measurement application scenarios.Keywords:binocular vision;distance measurement;vehicle inspection;triangulation0引言随着交通工具的普及和道路的扩建，交通事故已经成为全球范围内的严重问题。据统计，每年全球有超过1.2 万人因车祸而失去生命，而其中一大原因就是车辆跟车时无法准确测量车距。现有的车距测量技术中，基于双目视觉的车距测量系统因其高精度、低成本和无须接触车辆等优点成为研究的热点2-3。基于双目视觉的车距测量系统实现原理是先利用双目摄像头获取两个不同角度的图像，再通过计算两个图像之间的视差，测量出目标物体的距离。然而，在实际应用中光线条件、环境变化、背景干扰等因素都会影响双目视觉系统的性能。文章旨在提出一种受外界影响较小的基于双目视觉的车距测量系统，为车距测量技术的发展提供新思路和新方法。收稿日期：2 0 2 3-0 3-0 3基金项目：2 0 2 3年度广西中青年教师科研基础能力提升项目基金资助课题研究成果“基于图像识别算法的物流车辆行驶中车距预警架构研究”（项目编号：2 0 2 3KY1319）；2 0 2 2 年度广西工业职业技术学院科研基金资助课题研究成果“基于图像识别算法的物流车辆行驶中车距预警系统研究”（项目编号：GYKY2022008B）。作者简介：张晓玲（198 5一），女，广西博白人，硕士研究生，实验师。研究方向：物流管理、物流工程。144一信息与电脑2023年第10 期Information&Computer软件开发与应用1双目视觉车距测量的基本原理本系统的基本原理是基于视差的测量。该方法利用左目摄像机和右目摄像机分别拍摄前方车辆的图像，并通过计算两幅图像中同一目标物体的视差来确定距离，如图1所示。在双目立体视觉中，当两个摄像机成像平面之间的距离（即基线）已知时，比较两个摄像机成像像素点之间的距离，就可以计算出目标物体的实际距离4-6 。在测量车距时，安装在车辆的前方的左目摄像机和右目摄像机同时拍摄前方道路上的车辆。拍摄后，系统先确定两个图像中同一目标物体的像素位移，再通过将像素位移转换为物理距离来计算车距。左目图1双目测距的基本原理2车距测量系统构建本车距测量系统包括预处理、车辆检测和车距测量共3个部分。预处理是为了消除摄像机固有畸变和基线畸变，进行图像校正7。图像校正的目的是通过对应左图和右图中的特征点，以保证后续车辆检测和距离测量的准确性。车辆检测是为了在左图和右图中识别出前方车辆。设计的车辆检测基于卷积神经网络训练车辆检测分类器，从而识别图像中的车辆8-10 。车辆检测的结果是检测出来的车辆位置，即车辆矩形框。这个矩形框包含车辆的位置信息，可用于后续车距测量。车距测量根据车辆矩形框中心点、左右中心点特征匹配和三角测量来计算车距。首先，通过车辆矩形框的中心点计算出左右摄像机的中心点。其次，匹配左右摄像机中心点特征，得到两个摄像机中心点之间的像素位移。再次，将像素位移转换为实际距离，即左右摄像机中心点之间的距离。最后，根据三角测量原理，通过左右中心点和摄像机基线计算出前方车辆和本车之间的距离。车距测量的系统的流程，如图2 所示。3基于特征匹配的双目测距方法双目立体视觉技术可利用图像中的几何信息，计算出前方车辆与本车之间的距离，具有测量精度高、鲁棒性强等优点。车距测量通过3个步骤来计算前方车辆与本车之间的距离。首先，通过检测算法得到前方车辆的矩形框，并计算出矩形框的中心点位置。再次，在左右两幅图像中，匹配前方车辆的矩形框特征，以确定两个矩形框的像素位移。最后，根据三角测量原理，将像素位移转换为物理距离，即可计算出前方车辆与本车的距离。左图图像校正车辆检测分类车辆矩形框中心点左右中心点特征匹配右目三角测量计算距离图2 车距测量的系统的流程图假设左摄像机拍摄到的图像为I，右摄像机拍摄到的图像为I，前方车辆的矩形框中心点在左摄像机坐标系下的坐标为(xiy)，在右摄像机坐标系下的坐标为(ry)。若两个摄像机的距离为T，则两个矩形框的像素位移为 x=xi-x,，A y=y r-y r。将像素位移 x和 Ay转换为相机坐标系下距离d的计算公式为Td：式中：f为相机焦距；x为两个矩形框的像素位移。将相机坐标系下的距离d转换为世界坐标系下距离D的公式为LdD=T-d式中：L为车辆前后距离。前方车辆与本车之间的距离可以用公式表示为D=LfTAx+Ax4双目视觉测距实验4.1实验设计本实验的双目视觉车距测量系统的模型，如图3所示。该实验中，双目视觉车辆距离测量系统的关键参数如下：像素为50 0 万，像素尺寸为2.2 m2.2m，分辨率为2 592 1944，动态范围为7 0.2 dB，信噪比为右图图像校正车辆检测分类车辆矩形框中心点(1)(2)(3）145信息与电脑软件开发与应用Information&Computer40.8dB。两个摄像头固定在三脚架上，并通过通用串行总线（UniversalSerialBus，U SB）3.0 连接到笔记本电脑上。图3双目视觉车辆测距系统在实验时，该双目视觉系统利用两个摄像头同时拍摄车辆的图像。在图像采集后，通过计算机算法处理和分析图像。首先，通过图像校正技术校正左右两个摄像头的图像，消除镜头畸变和对齐两个视角。其次，通过立体匹配算法系统寻找左右两个图像中车辆矩形框中心点的匹配关系。再次，通过分析两个图像之间的像素位移，计算对应点之间的视差。最后，根据三角测距原理测量两辆车的距离。4.2实验数据分析车辆检测准确率指车距测量系统在图像中准确识别车辆的能力。经过多次实验，车辆检测准确率情况，如表1所示。由表1可知，不同实验中设计系统的检测准确率表现稳定，最高可达到95.0%的准确率，最低达到92.5%的准确率。由此可知，车辆检测的稳定性和准确性相对较高，可以满足绝大多数车辆测量应用场景的需求。表1车辆检测准确率分析编号图像数量/张11002200330044005500车距测量精度指测量结果与实际值之间的误差大小。经过多次实验，车距测量精度情况，如表2 所示。由表2 可知，车距测量精度误差范围为-1.10.2 m。由此可知，车距测量误差较小，可以满足绝大多数车距测量应用场景的需求。2023年第10 期表2 车距测量精度单位：m编号车距1102203304405505结语文章基于双目视觉技术，提出了一种用于车距测量的系统。该系统包括预处理、车辆检测和车距测量共3部分。其中，预处理部分用于校正左右图像的图像，车辆检测部分采用车辆检测分类器识别图像中的车辆，车距测量部分通过计算车辆矩形框中心点、左右中心点特征匹配和三角测量来计算车距。实验结果表明，该系统在车辆检测准确率、车距测量精度方面均表现稳定和优良。参考文献1李都厚，刘群，袁伟，等.疲劳驾驶与交通事故关系.交通运输工程学报,2 0 10,10(2):10 4-10 9.2肖扬谋，谢波，庞哲.城市道路网络特征对交通事故的作用机理研究J.南方建筑,2 0 2 3(4):6 1-6 8.3岳亮，一种基于双目视觉的安全车距测量方法.电视技术,2 0 13,37(15):194-197.4黄孝慈，舒方林，曹文冠.基于双目视觉的前方车辆测距方法研究J.汽车技术,2 0 2 1(12):16-2 1.5张凤静，周建江，夏伟杰.基于双目立体视觉的汽车安全车距测量方法J.智能系统学报,2 0 11,6(1):79-84.6郭仕杰，付茂洺.基于双目视觉系统的测距研究.准确率/%中国民航飞行学院学报,2 0 2 2,33(2):2 6-30.95.07付朋，陈新度，吴磊.基于角点的双目视觉绝对定位92.5研究J.电子测量与仪器学报,2 0 18,32(3):1-8.93.395.094.0测量值9.820.530.241.150.38李磊.基于卷积神经网络的车辆特征识别技术研究.交通世界,2 0 2 2(9):4-5.9李琳辉，伦智梅，连静，等.基于卷积神经网络的道路车辆检测方法.吉林大学学报（工学版),2 0 17,47(2)384-391.10彭清，季桂树，谢林江，等.卷积神经网络在车辆识别中的应用.计算机科学与探索,2 0 18,12(2):2 8 2-2 91.误差0.2-0.5-0.2-1.1-0.3146