专利名称：一种车距测量方法、装置及汽车的制作方法
技术领域：
本发明属于机器视觉技术领域，尤其涉及一种车距测量方法、装置及汽车。
背景技术：
随着高速交通运输时代的到来，汽车成为人们生活中不可缺少的常用交通工具，然而，汽车事故也急剧上升，而汽车碰撞事故大多是因为行车速度过快，行车间距过�。渤挡患笆痹斐傻模绕湓诩菔还抵校净绻绕＠突蛘咦⒁饬Σ患懈菀椎贾乱逊匠盗居肭胺匠盗镜木嗬牍佣苋貌患岸贾率鹿实姆⑸�。为了降低此类事故率，可以通过前方车距测量设备测算前方车辆与已方车辆的距离，并在车距过近时对驾驶人员予以警示，提高驾驶人员的警觉性。目前，用于车辆前方物体测距的主要有超声波、毫米波雷达、激光等技术，然而，现有技术的超声波测量距离较短，毫米波雷达比较容易受到电磁波的干扰，而激光技术的成本又太高，这些因素限制了以上技术的广泛应用，而探索一种测距较远、且性能稳定、成本较低的车辆前方物体测距的方法是亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种车距测量方法及装置，旨在解决现有技术的超声波测量距离较短，毫米波雷达比较容易受到电磁波的干扰，而激光技术的成本又太高的问题。为了实现上述目的，本发明实施例提供如下技术方案:本发明实施例是这样实现的，一种车距测量方法，所述方法包括:通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像；获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量；判断每一特征向量对应的候选车牌区域是否为真实车牌区域；计算所述真实车牌区域的中心位置；根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。本发明实施例还提供了一种车距测量装置，所述装置包括:采集单元，用于通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像；获取单元，用于获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量；判断单元，用于判断每一特征向量对应的候选车牌区域是否为真实车牌区域；第一计算单元，用于计算所述真实车牌区域的中心位置；第二计算单元，用于根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。本发明实施例还提供了一种汽车，所述汽车包括所述车距测量装置。本发明实施例与现有技术相比，有益效果在于:通过在当前车辆前方安置的双目视觉系统同步获取同一时刻的两幅车辆前方图像，并通过图像处理手段得到图像中可能存在车牌的区域，再从这些区域中提取出特征向量，将这些特征向量输入一个预先训练好的人工神经网络分类器以判断其对应的区域是否为真实的车牌区域，进而计算真实车牌区域的中心位置，在分别得到上述两幅车辆前方图像中车牌区域的中心位置后，基于双目立体视觉测量原理计算得到该前方车辆与已方车辆的距离，实现了在复杂背景图像中对汽车牌照进行快速准确的检测定位，并计算当前车辆与摄像头视角范围内的前方车之间的距离，测量范围较大，且测量过程简单、方便、性能稳定。
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本发明实施例一提供的车距测量方法的实现的流程图；图2是本发明实施例一提供的摄像头在车辆上的典型安装位置的示意图；图3是本发明实施例一提供的双目立体视觉测量系统的示意图；图4是本发明实施例二提供的车距测量方法的实现的流程图；图5a是本发明实施例二提供的含有车牌的灰度图像；图5b是本发明实施例二提供的对灰度图像垂直边缘检测后的边缘图像；图6是本发明实施例二提供的二值化处理之后的垂直边缘图像；图7是本发明实施例二提供的对垂直边缘图像进行形态学闭运算后的图像；图8是本发明实施例二提供的对闭运算后的图像进行形态学开运算的图像；图9是本发明实施例二提供的候选车牌区域所对应的连通区域的外接矩形的示意图；图10是本发明实施例三提供的车距测量装置的结构图；图11是本发明实施例四提供的车距测量装置的结构图。
具体实施例方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。本发明实施例通过双目视觉系统同步获取同一时刻的两幅车辆前方图像，并通过图像处理手段得到图像中可能存在车牌的区域，从这些区域中提取出特征向量，根据特征向量判断其对应的区域是否为真实的车牌区域，进而计算真实车牌区域的中心位置，根据所述中心位置及双目立体视觉测量原理计算得到该前方车辆与当前车辆的距离。本发明实施例提供了一种车距测量方法，所述方法包括:
通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像；获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量；判断每一特征向量对应的候选车牌区域是否为真实车牌区域；计算所述真实车牌区域的中心位置；根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。本发明实施例还提供了一种车距测量装置，所述装置包括:采集单元，用于通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像；获取单元，用于获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量；判断单元，用于判断每一特征向量对应的候选车牌区域是否为真实车牌区域；第一计算单元，用于计算所述真实车牌区域的中心位置；第二计算单元，用于根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。本发明实施例还提供了一种汽车，所述汽车包括所述车距测量装置。以下结合具体实施例对本发明的实现进行详细描述:实施例一图1示出了本发明实施例一提供的车距测量方法的实现的流程图，详述如下:在SlOl中，通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像。在本发明实施例中，可以在当前车辆前端增设两枚摄像头，摄像头的安装位置可位于前挡风玻璃上部或车头等位置处，如图2所示为摄像头在车辆上的典型安装位置的示意图，该两枚摄像头可实现对图像的同步采集，采集到的图像交由测量系统中进行后续处理。在S102中，获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量。在本实施例中，可以通过图像边缘检测技术和形态学处理方法对每一摄像头采集的图像进行处理，将各个图像中处理后得到的连通区域作为候选车牌区域，并提取各个候选车牌区域的外接矩形的宽度、高度、宽高比以及矩形度，以组成特征向量。在S103中，判断每一特征向量对应的候选车牌区域是否为真实车牌区域。本实施例中，在根据候选车牌区域定位真实车牌区域时，可以将提取的每一候选车牌区域的特征向量分别输入预先训练的人工神经网络分类器，根据神经网络的输出即可判断当前候选车牌区域是否为真实的车牌区域，在S104中，计算所述真实车牌区域的中心位置。本实施例中，当判断特征向量对应的候选车牌区域为真实车牌区域，则计算所述真实车牌区域的中心位置。本实施例中，计算真实车牌区域的中心位置具体可以采用以下方式:将真实车牌区域的外接矩形的左垂直边界与右垂直边界在图像中的横坐标的取均值即为真实车牌区域中心的横坐标，同理，将真实车牌区域的外接矩形的上水平边界与下水平边界在图像中的纵坐标取均值即为车牌中心的纵坐标。在S105中，根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。本实施例中，若前方车辆出现在附图2所示的双目视觉系统的两个摄像头的公共视角区域内，则两个摄像头所同步采集到的两幅图像中都会包含该车辆的车牌，通过SlOl至S105可分别得到前方车辆的车牌中心在采集到的两幅图像中的坐标位置，其中，假定车牌所处的平面与摄像头的像平面大致平行，根据所述坐标位置及双目立体视觉测量原理，计算得到该车牌中心的空间位置坐标。如附图3所示为双目立体视觉测量系统的示意图，xyz坐标系为图1中的摄像头I的摄像机坐标系，其中，01为摄像头I的光心，Z轴即为摄像头I的光轴，则前方车牌中心位置在该坐标系中的z坐标值即反映了前方车辆与当前车辆的纵向车距。本发明实施例中，当前车辆与前方车辆的车距小于预设的阈值时，测量系统可通过声、光等方式提醒驾驶人员注意保持车距，从而更加有效的对驾驶人员进行提示，避免发生碰撞O本实施例中，通过在当前车辆前方安置的双目视觉系统同步获取同一时刻的两幅车辆前方图像，并通过图像处理手段得到图像中可能存在车牌的区域，再从这些区域中提取出特征向量，将这些特征向量输入一个预先训练好的人工神经网络分类器以判断其对应的区域是否为真实的车牌区域，进而计算真实车牌区域的中心位置，在分别得到上述两幅车辆前方图像中车牌区域的中心位置后，基于双目立体视觉测量原理计算得到该前方车辆与当前车辆的距离，实现了在复杂背景图像中对汽车牌照进行快速准确的检测定位，并计算当前车辆与摄像头范围内的前方车之间的距离，测量范围较大，且测量过程简单、方便、性能稳定。实施例二图4示出了本发明实施例二提供的车距测量方法的实现的流程图，详述如下:在S401中，对双目视觉系统的两个摄像头进彳丁标定。本实施例中，通过对双目视觉系统的两个摄像头进行标定可以分别得到两个摄像头的内外参数，以及两枚摄像头的相对空间位置(其中，可由一个旋转矩阵和一个平移矩阵来表征)。具体可以采用(Radial Alignment Constraint, RAC)两步法进行标定,对摄像头的标定只需进行一次即可，无需在每次使用时都重复标定，得到的标定参数可存储于测量系统的内部存储器中，待计算当前车辆与前方车辆的距离时调用。在S402中，通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像。在S403中，获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量。本实施例中，S403具体可以采用以下方式实现:1、通过图像边缘检测技术和形态学处理方法对每一摄像头采集的图像进行处理，将各个图像中处理后得到的连通区域作为候选车牌区域。
2、提取各个候选车牌区域的外接矩形的宽度、高度、宽高比以及矩形度，并将每一候选车牌区域的宽度、高度、宽高比及矩形度组成特征向量，其中，候选车牌区域为可能存在车牌的区域。以下为S403可以采用的一种实现示例，但不以本实现示例的实现方式为限:I)将每一摄像头采集的彩色数字图像转换为灰度图像，并对该灰度图像进行垂直边缘检测，其中，附图5a所示为含有车牌的灰度图像，附图5b所示为对附图5a进行垂直边缘检测后的边缘图像。2)对上述垂直边缘检测后的垂直边缘图像进行二值化处理，即选取合适的阈值，使得只有强度大于该阈值的垂直边缘才得以保留，强度不大于该阈值的垂直边缘予以去除，对I)中得到的垂直边缘图像5b进行二值化处理，附图6所示为进行二值化处理之后的垂直边缘图像。3)使用行结构元素对所述二值化后的垂直边缘图像进行形态学闭运算，以将图像中密集的垂直边缘连通，其中，行结构元素的尺寸应根据图像的分辨率和摄像头的视角进行设定，例如，对于320*240分辨率、视角为55度的摄像头采集的图像，可选取I行7列的行结构元素，附图7所示为对附图6进行闭运算后的图像。4)使用方形结构元素对所述闭运算后的图像进行形态学开运算，以将图像中的小干扰区域去除。方形结构元素的尺寸应根据图像的分辨率和摄像头的视角进行设定，例如，对于320*240分辨率、视角为55度的摄像头采集的图像，可选取5行5列的方形结构元素。附图8所示为对附图7中得到的图像进行开运算后的图像。
5)对所述形态学开运算中得到的结果图像进行连通区域标记，将所述连通区域确定为图像中的可能的候选车牌区域；6)计算每一个候选车牌区域所对应的连通区域的外接矩形的宽度、高度、宽高比，以及各连通区域的矩形度，作为连通区域的特征，并组成每一候选车牌区域对应的特征向量。如附图9所示，w为图像中一个连通区域的外接矩形宽度，h为该连通区域的外接矩形高度，外接矩形的宽高比为w/h，其中，连通区域的矩形度则定义为连通区域的面积与该连通区域外接矩形面积的比值。在S404中，将提取的特征向量输入预先训练的人工神经网络分类器，以判断每一特征向量对应的候选车牌区域是否为真实车牌区域。本实施例中，人工神经网络分类是预先训练的，具体可以采用以下方式进行训练:对训练样本图像集实施S403中1Γ6)所述的处理，提取出各样本图像中所有的候选车牌区域的特征向量，并将真实的车牌区域的特征向量放入正样本集，将非车牌区域的特征向量放入负样本集，从而进行对神经网络分类器的训练。本实施例中，在根据候选车牌区域定位真实车牌区域时，可以将提取的每一候选车牌区域的特征向量分别输入预先训练的人工神经网络分类器，根据神经网络的输出即可判断当前候选车牌区域是否为真实的车牌区域，实现方式简单、方便。在S405中，计算所述真实车牌区域的中心位置。在S406中，将同一辆车的车牌区域的中心位置在所述每一摄像头采集的图像中的坐标位置进行匹配。本实施例中，同一时间内，双目视觉系统的摄像头采集的图像中可能包含一个车牌区域，也可能包含多个车牌区域，在确定并计算完真实车牌区域的中心位置后，需要对同一辆车的车牌区域的中心位置在所述每一摄像头采集的图像中的坐标位置进行匹配，以确保后续计算采用的是同一车牌在不同的图像中的中心位置坐标。在S407中，根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。本实施例中，根据所述坐标位置、预先标定的摄像头的参数及双目立体视觉测量原理，计算得到该车牌中心的空间位置坐标。本实施例中，通过图像边缘检测技术和形态学处理方法对每一摄像头采集的图像进行处理，将各个图像中处理后得到的连通区域作为候选车牌区域，提取各个候选车牌区域的外接矩形的宽度、高度、宽高比以及矩形度，并将每一候选车牌区域的宽度、高度、宽高比及矩形度组成每一候选车牌区域对应的特征向量，并将提取的特征向量输入预先训练的人工神经网络分类器，以判断每一特征向量对应的候选车牌区域是否为真实车牌区域，实现可以准确的判断出真实车牌所在的区域，实现方式简单、且成本较低。实施例三图10示出了本发明实施例三提供的车距测量装置的结构图，为了便于说明，仅示出了与本发明实施例相关的部分，该装置可以是内置于汽车中的软件单元、硬件单元或者软硬结合单元。本实施例中，所述装置包括:采集单元101、获取单元102、判断单元103及第一计算单元104、及第二计算单元105。采集单元101，用于通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像；获取单元102，用于获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量；判断单元103，用于判断每一特征向量对应的候选车牌区域是否为真实车牌区域；第一计算单元104，用于计算所述真实车牌区域的中心位置；第二计算单元105，根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。本发明实施例提供的车距测量装置可以使用在前述对应的方法实施例一中，详情参见上述实施例一的描述，在此不再赘述。实施例四图11示出了本发明实施例四提供的车距测量装置的结构图，为了便于说明，仅示出了与本发明实施例相关的部分，该装置可以是内置于汽车中的软件单元、硬件单元或者软硬结合单元。本实施例中,所述装置包括:标定单元111、采集单元112、获取单元113、判断单元114及第一计算单元115、匹配单元116及第二计算单元117。本实施例与实施例三的区别在于:所述车距测量装置包括:标定单元111，用于对所述双目视觉系统的两个摄像头进行标定。
匹配单元116，用于将同一辆车的车牌区域的中心位置在所述每一摄像头采集的图像中的坐标位置进行匹配。可选的，所述获取单元113包括:处理�？�1131和提取�？�1132。处理�？�1131，用于通过图像边缘检测技术和形态学处理方法对每一摄像头采集的图像进行处理，将各个图像中处理后得到的连通区域作为候选车牌区域；提取�？�1132，用于提取各个候选车牌区域的外接矩形的宽度、高度、宽高比以及矩形度，并将每一候选车牌区域的宽度、高度、宽高比及矩形度组成特征向量。可选的，所述判断单元114，具体用于将提取的特征向量输入预先训练的人工神经网络分类器，以判断每一特征向量对应的候选车牌区域是否为真实车牌区域。本发明实施例提供的车距测量装置可以使用在前述对应的方法实施例二中，详情参见上述实施例二的描述，在此不再赘述。值得注意的是，上述装置实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如R0M/RAM、磁盘或光盘等。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
权利要求
1.一种车距测量方法，其特征在于，所述方法包括: 通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像； 获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量; 判断每一特征向量对应的候选车牌区域是否为真实车牌区域； 计算所述真实车牌区域的中心位置； 根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。
2.如权利要求1所述的方法，其特征在于，所述获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量具体为: 通过图像边缘检测技术和形态学处理方法对每一摄像头采集的图像进行处理，将各个图像中处理后得到的连通区域作为候选车牌区域； 提取各个候选车牌区域的外接矩形的宽度、高度、宽高比以及矩形度，并将每一候选车牌区域的宽度、高度、宽高比及矩形度组成特征向量。
3.如权利要求1所述的方法，其特征在于，所述计算所述真实车牌区域的中心位置之后，所述方法还包括: 将同一辆车的车牌区域的中心位置在所述每一摄像头采集的图像中的坐标位置进行匹配。
4.如权利要求1所述的方法，其特征在于，所述判断每一特征向量对应的候选车牌区域是否为真实车 牌区域具体为: 将提取的特征向量输入预先训练的人工神经网络分类器，以判断每一特征向量对应的候选车牌区域是否为真实车牌区域。
5.如权利要求1所述的方法，其特征在于，所述通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像之前，所述方法还包括: 对所述双目视觉系统的两个摄像头进行标定。
6.一种车距测量装置，其特征在于，所述装置包括: 采集单元，用于通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像； 获取单元，用于获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量； 判断单元，用于判断每一特征向量对应的候选车牌区域是否为真实车牌区域； 第一计算单元，用于计算所述真实车牌区域的中心位置； 第二计算单元，用于根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。
7.—种如权利要求6所述的装置，其特征在于，所述获取单元包括: 处理�？椋糜谕ü枷癖咴导觳饧际鹾托翁Т矸椒ǘ悦恳簧阆裢凡杉耐枷窠写恚鞲鐾枷裰写砗蟮玫降牧ㄇ蜃魑蜓〕蹬魄颍� 提取�？椋糜谔崛「鞲龊蜓〕蹬魄虻耐饨泳匦蔚目矶�、高度、宽高比以及矩形度，并将每一候选车牌区域的宽度、高度、宽高比及矩形度组成特征向量。
8.—种如权利要求6所述的装置，其特征在于，所述装置包括:匹配单元，用于将同一辆车的车牌区域的中心位置在所述每一摄像头采集的图像中的坐标位置进行匹配。
9.一种如权利要求6所述的装置，其特征在于，所述判断单元，具体用于将提取的特征向量输入预先训练的人工神经网络分类器，以判断每一特征向量对应的候选车牌区域是否为真实车牌区域。
10.一种如权利要求6所述的装置，其特征在于，所述装置包括: 标定单元，用于对所述双目视觉系统的两个摄像头进行标定。
11.一种汽车，其特征在于，所述汽车包括权利要求6至10所述的车距测量装置。
全文摘要
本发明适用于机器视觉领域，提供了一种车距测量方法、装置及汽车，所述方法包括通过双目视觉系统的两个摄像头，同步采集当前车辆前方景象的图像；获取每一摄像头采集的图像中的候选车牌区域，并提取每一候选车牌区域对应的特征向量；判断每一特征向量对应的候选车牌区域是否为真实车牌区域；计算所述真实车牌区域的中心位置；根据所述中心位置，以及双目立体视觉测量原理，计算当前车辆与前方车辆的距离。本发明实现了在复杂背景图像中对汽车牌照进行快速准确的检测定位，并计算当前车辆与摄像头视角范围内的前方车之间的距离，测量范围较大，且测量过程简单、方便、性能稳定。
文档编号G01C11/00GK103148837SQ20121046786
公开日2013年6月12日 申请日期2012年11月16日 优先权日2012年11月16日
发明者陈永洒, 吴美芬, 邵诗强 申请人:Tcl集团股份有限公司
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
