ADAS可行駛區(qū)域道路積水反光區(qū)域的識別算法

Water
logging area reflecting recognition algorithm for ADAS

1. 工程概要

1.1
概述：

隨著社會的發(fā)展和技術的進步，傳統(tǒng)上遠、近光燈機械、定向轉變的前照燈，已經(jīng)無法滿足人們日益增長的形式安全需要，于是更為智能高效車燈應運而生。未來的車燈能根據(jù)周邊環(huán)境和環(huán)境的光源變化調整自身的配光方式，提供更大的照明范圍和照明距離，同時也能改善傳統(tǒng)前照燈的照明死角，因此可以顯著提高行車安全性和駕駛舒適性。

尤其在下雨天，路面交通情況要比晴天情況復雜很多。如果車前方有積水，且本車燈光的照射會使對向來車產(chǎn)生炫目的積水區(qū)域，會給駕駛員帶來一定的風險。因此，智能化車燈需要檢測積水的反光區(qū)域，并采取措施。

2. 研究目標

在汽車行駛過程中，道路上不僅僅遠光會對駕駛員的眼睛形成炫目，雨天積水受到其他光源的照射形成強烈的反射光也會對駕駛員的形成強烈的炫目。不僅如此由于路面上通常會有多種光源，分別有主動光源和被動光源，并且積水的區(qū)域主要出于地面，因此我們需要處理圖像識別出哪些是道路哪些是非道路區(qū)域，在道路的區(qū)域中再識別主動光源和被動光源。

因此本文旨在實時檢測前方路面信息，通過特征檢測，確定積水區(qū)域的中心位置信息，并檢測積水區(qū)域的面積區(qū)域。視覺感知模塊通過積水區(qū)域的位置信息，由大燈實現(xiàn)對積水區(qū)域的實時的自適應反光弱化控制，防止積水區(qū)域強烈的反光對來車駕駛員造成眩目。

3. 研究范圍定義

• 各種路面上積水反射光的檢測。

• 路面上的主動光源和被動光源的檢測。

• 反射光的強度和反射光區(qū)域的檢測。

• 對下雨天、天陰以及各種復雜路況下，路面上積水反射光的多場景識別。

4. 產(chǎn)品要求

4.1綜述

運用圖像模式識別技術進行濕滑路判別已經(jīng)成為不利天氣下道路交通安全保障技術研究的熱點。通過圖像的處理和深度學習，我們能夠獲得路面輪廓，亮度和像素來判斷復雜路面上的路況，并進行識別和判斷。

開發(fā)基于Gauss濾波、canny邊緣檢測，識別路面區(qū)域，識別主動和被動光源。通過反射光的強度確定反射源的位置和坐標以及積水區(qū)域的長寬高。開發(fā)目標能夠在多場景下能夠識別路面的積水的反射光情況，并能保證程序的實時性和魯棒性。

4.2 技術開發(fā)方案

1）圖像裁剪：通過設定圖像ROI區(qū)域，拷貝圖像獲得裁剪圖像。

2）圖像二值化：就是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果的過程。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，圖像的二值化使圖像中數(shù)據(jù)量大為減少，從而能凸顯出目標的輪廓。

3）形態(tài)學濾波：數(shù)字圖像處理中的形態(tài)學處理是指將數(shù)字形態(tài)學作為工具從圖像中提取對于表達和描繪區(qū)域形狀有用處的圖像分量，比如邊界、骨架以及凸殼，還包括用于預處理或后處理的形態(tài)學過濾、細化和修剪等。圖像形態(tài)學處理中我們感興趣的主要是二值圖像。

4）Canny邊緣檢測：Canny邊緣檢測算子是John F. Canny于1986年開發(fā)出來的一個多級邊緣檢測算法。Canny的目標是找到一個最優(yōu)的邊緣檢測算法，最優(yōu)邊緣檢測的含義，如下所示：

（A）最優(yōu)檢測：算法能夠盡可能多地標識出圖像中的實際邊緣，漏檢真實邊緣的概率和誤檢非邊緣的概率都盡可能小；

（B）最優(yōu)定位準則：檢測到的邊緣點的位置距離實際邊緣點的位置最近，或者是由于噪聲影響引起檢測出的邊緣偏離物體的真實邊緣的程度最小；

（C）檢測點與邊緣點一一對應：算子檢測的邊緣點與實際邊緣點應該是一一對應。

道路交通場景光源來源復雜，積水的反射區(qū)域主要來自于路面，因此，我們需要定反射光源路面的反射區(qū)域。通過路面的識別，我們可以通過路面色彩和表面的紋理來識別路面的，并進行邊緣區(qū)域的提取。

5）道路顏色特征的提取

公路路面的材質主要是柏油路面，因此可以根據(jù)觀察路面的顏色，提取各種路面狀態(tài)下的顏色特征值進行路面種類的識別。在機器視覺中，常用的顏色模型可以分為RGB模型，HIS模型以及HSV模型。由于每個模型都有大量的數(shù)據(jù)，我們可以用主成分分析來將數(shù)據(jù)降維，從而來減少計算量。

6)道路紋理特征提取

由于路面狀態(tài)受地面層的溫度和濕度以及大氣等多方面的影響，單單通過色彩可能無法準確獲得路面區(qū)域。因此，我們可以通過獲取路面圖像的紋理來進行路面的識別。目前對路面紋理提取的方法主要有：灰度共生矩陣，Gabor小波變換燈方法。

灰度共生矩陣：

灰度共生矩陣，指的是一種通過研究灰度的空間相關特性來描述紋理的常用方法。 1973年Haralick等人提出了用灰度共生矩陣來描述紋理特征。由于紋理是由灰度分布在空間位置上反復出現(xiàn)而形成的，因而在圖像空間中相隔某距離的兩像素之間會存在一定的灰度關系，即圖像中灰度的空間相關特性。

直覺上來說，如果圖像的是由具有相似灰度值的像素塊構成，則灰度共生矩陣的對角元素會有比較大的值；如果圖像像素灰度值在局部有變化，那么偏離對角線的元素會有比較大的值。通常可以用一些標量來表征灰度共生矩陣的特征，例如，對比度，能量，相關性，熵等參數(shù)。

Gabor小波變換燈方法：

Gabor濾波方法的主要思想是：不同紋理一般具有不同的中心頻率及帶寬，根據(jù)這些頻率和帶寬可以設計一組Gabor濾波器對紋理圖像進行濾波，每個Gabor濾波器只允許與其頻率相對應的紋理順利通過，而使其他紋理的能量受到抑制，從各濾波器的輸出結果中分析和提取紋理特征，用于之后的分類或分割任務。Gabor濾波器提取紋理特征主要包括兩個過程：①設計濾波器(例如函數(shù)、數(shù)目、方向和間隔)；②從濾波器的輸出結果中提取有效紋理特征集。

7)被動光源和主動光源檢測

在路面上會有主動光源和被動光源，因此，我們需要判別主動光源和被動光源的差異來進行分類。

夜間路面的反光主要來源于車燈。車燈往往是高色溫高亮度的光源，反射光源和主動光源的光照特性不同，因此我們需要找到光源不同的特點并進行篩選主動光源和被動光源的。

8)自適應的灰度調整

由于路面上會有不同的亮度情況，因此我們需要實現(xiàn)自適應的圖片二值化算法。在不同的亮度工況下，我們可以通過獲得不同亮度區(qū)域。

5. 性能指標

1)識別路面積水區(qū)域,并能夠給出積水區(qū)域的中心點物理坐標（x,y,z）

2)積水區(qū)域的等效矩形長、寬（或等效不規(guī)則圖形的各個邊長參數(shù)）

3)最小識別距離（積水區(qū)域下邊緣距離本車的最小縱向距離）：45m（即本車以80km/h行駛，至少能提前2秒識別到積水區(qū)域）

4）能夠給出識別最大積水區(qū)域識別面積的大小（即攝像頭能識別的最大的積水區(qū)域面積）。

總結

以上是生活随笔為你收集整理的ADAS可行驶区域道路积水反光区域的识别算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。