摘要

为了避免相机俯仰角的变化和地面高度的变化对测距精度的影响，可通过替代当前广泛使用的单眼视觉测距算法来提高算法的实时性能，建立了基于车底阴影和车道线的光学模型，并避免了对车辆检测的分类，建立了基于单目视觉和车牌宽度的车辆测距算法。首先，研究了目标图像的获取和预处理。然后研究了基于加速模板匹配的车牌图像位置分割方法。在此基础上，研究了获得车牌宽度与图像宽度之比的算法，并建立了车距和车牌比率宽度的函数。实际的车辆测试表明，该算法的相对平均偏差为0.5％，10次重复实验的标准偏差为0.000216。该算法的准确性，可重复性和鲁棒性都很好。

Introduction

在车辆行驶过程中，车辆之间的实时距离是重要的行驶参数。 对于驾驶员而言，实时的车辆行驶距离可以警告危险的驾驶条件和提早操作，从而有效减少发生追尾事故的可能性。 在辅助驾驶领域，实时行车距离是自适应巡航控制系统的基本参数。 在无人驾驶汽车领域，它是汽车自动驾驶传感器系统获得的重要参数之一。
当前对先前车辆距离的检测方法包括激光雷达，毫米波雷达，机器视觉和超声波。 激光雷达和毫米波雷达的成本较高，超声波传感器的检测范围较短，通常只有30米。 视觉是驾驶员在驾驶过程中获得的主要信息来源，例如交通标志，交通信号，车道标记和其他信息，并且驾驶员还可以通过视觉方式估算周围车辆与自己车辆之间的距离和相对速度。 使用机器视觉测量车辆在车辆前方的距离，可以获得最大量的信息，该信息也最接近驾驶员的实际感知。 利用机器视觉来测量车辆的距离具有成本低，精度高，抗环境干扰能力强的优点。
视觉测量距离主要分为单眼视觉和双眼视觉。 目前，视觉测距算法主要使用双目视觉。 与双目视觉相比，单眼视觉系统结构简单，双目视觉结构复杂，并且必须考虑两个摄像头之间的协作，因此单眼视觉的鲁棒性明显优于双眼视觉。 由于结构相对简单，有利于降低成本，并且鲁棒性更好，本文采用单目视觉进行测距。
E. Einhorn和Ch。 Schroter等。 [1]提出了一种基于特征的单眼测距算法，该算法基于扩展的卡尔曼滤波器。该算法利用单眼相机获取的一系列图像来实现目标检测和三维空间坐标信息的获取。 H. Firouzi和H. Najjaran [2]提出了一种基于单眼视觉的测距和跟踪算法，该算法使用单个摄像机捕获的图像来实现三维到二维的转换以获得深度信息。该算法主要用于基于目标位置的视觉反馈系统，可以在动态环境下跟踪目标并估计距离。 Chen Qi [3]使用形态学和自适应闭合值分割来定位车辆底部的阴影区域。对称措施用于验证车辆底部阴影区域的有效性。建立混合道路模型，并结合摄像头参数实现测距。洪浩[4]研究了前方车辆测距的原理，建立了不同尺寸坐标系之间的相互转换关系，然后对摄像机的内外参数进行了标定。然后将几何关系投影与摄像机标定方法相结合，根据摄像机模型推导测距公式，并将标定参数代入公式中，完成本车与前车的距离测量。 梁秉春[5]研究了车辆算法和基于机器视觉的车辆测距算法，介绍了摄像头成像原理，分析并推导了测距公式，然后在获取摄像头内部参数时使用张正友对摄像头进行了标定并获取了内部参数。 。 输入测距公式以获得更高的精度测量。 上述算法的突出缺点体现在需要根据汽车的阴影和车道线建立复杂的光学模型。 该算法复杂度高，实时性无法保证。
牛士峰[6]研究了一种基于车牌面积与图像面积比和车辆距离之间的对应关系的测距算法，但该算法无法解决摄像机俯仰角变化和车高变化的影响。 在实际车辆操作条件下，应根据相机震动，上下坡度以及道路不平整度引起的测距精度进行考量。
为了避免摄像机俯仰角的变化和地面高度的变化对测距精度的影响，通过替代当前广泛使用的单眼视觉测距算法，可以提高算法的实时性能。建立了基于车底阴影和车道线阴影的光学模型，避免了对车辆检测的分类，建立了基于单目视觉和车牌宽度的车辆测距算法。算法流程如下：
（1）车辆单目摄像机实时拍摄行车道视频，通过视频流的帧提取得到单个目标图像；
（2）对目标图像进行图像预处理；
（3）通过加快模板匹配定位方法，定位并从目标图像中获取仅包含车牌区域的车牌图像；
（4）计算车牌图像的底边缘所占据的像素点数与目标图像的底边缘所占据的像素点数之比。该比率简称为“像素比率N”，其等于车牌的宽度与图像的宽度之间的比率。
（5）利用不同的车辆距离和像素比之间的对应关系，并采用最小二乘拟合法，建立了车辆距离与像素比之间的函数，将当前像素比代入该函数即可得到车辆之间的当前距离。

Monocular Camera and Host Computer Selection

Monocular Camera Selection

本文所选择的车载单眼相机的功能是实时捕获道路前方的视频流，并以每秒40帧的速度对视频流进行采样，在某个时间获得单帧的目标图像。 主机使用本文的算法在图像处理后获得实时距离。 这些功能的实现对视频流的实时性能和单眼相机获得的图像质量提出了相应的要求。 为了满足输入采集的功能要求，本文选择的单眼相机参数如表1所示。

Host Computer Selection

主机的CPU参数，图形卡参数和软件平台参数将决定主机图像处理的性能。 选择主机的主要参数，如表2所示。

Image Preprocessing

车载单目相机通过拍摄当前行车道的前部视频来获取视频流，并以一定频率帧提取视频流，通过一定频率帧提取视频流获得单个目标图像。 然后对目标图像进行图像预处理，分为图像灰度，直方图均衡和图像平滑去噪。
由于白天和黑夜，多云和晴天之间的光强不同，因此在成像过程中目标图像容易出现照明不足或曝光过度的情况。 为了增加车牌图像和背景图像的对比度，在拍摄图像后，首先将目标图像转换为灰度图像。 红色（R），绿色（G）和蓝色（B）的三种原色的值位于范围为0-255，R，G，B组成256 x 256 x 256种不同的颜色。 如果将所有像素的三种原色转换为相同的灰度值，则原始图像将转换为多灰度的单色图像[7，8]。 图像灰度处理有两种方法，第一种是线性变换。

第二个是灰度变换的分割。
略

License Plate Regional Feature Extraction（特征提取）

Template Matching Algorithm Analysis

The Implementation Process of Accelerated Template Matching Algorithm

Vehicle License Plate Image Tilt Correction Algorithm（车牌图像倾斜校正算法）

Acquisition of Ratio between License Plate Width and Image Width（获取比率）

The Establishment of The Function Between Vehicle Distance and The Pixel Ratio N

Conclusion

基于单眼视觉和车牌宽度，提出了一种车辆距离测量算法。该算法首次提出以车牌宽度而不是车牌面积作为距离测量的基础，避免摄像机俯仰角变化和地面高度变化对测距精度的影响，通过替换当前广泛使用的单眼视觉测距算法来提高算法的实时性能，该算法基于车底阴影和车道线建立光学模型。车辆牌照的宽度为440mm，卡车的后部车辆牌照的高度为220，而汽车的后部车辆牌照的高度为140。本发明使用牌照宽度而不是牌照面积作为距离测量的基础，避免了车辆的分类检测，简化了算法，提高了实时性。实际车辆测试表明，该算法的相对平均偏差为0.5％，10个实验的标准偏差为0.000216。该算法的准确性，可重复性和鲁棒性都很好。