基于智能手机实现车辆主动安全的方法

1.基于智能手机实现车辆主动安全的方法，其特征在于，所述方法包括如下步骤：
(1)利用智能手机获取车辆前方视频图像，并提取路面灰度参数；其中提取路面灰度参数的过程如下：
(11)在获取的车辆前方视频图像显示的去区域中限制一块属于路面的区域作为路面灰度参数提取区域用于提取相应的路面灰度参数；
(12)提取路面灰度参数提取区域中的路面灰度平均值；
(13)提取路面灰度参数提取区域中的路面灰度最大允许波动差值；
(14)提取路面灰度参数提取区域中的路面灰度渐变补偿系数，提取方法为：分别计算路面灰度参数提取区域中最顶端以及最底端一行的灰度值平均值，将顶端平均值与低端平均值相减，再除以路面灰度参数提取区域的高度就得到了路面灰度渐变补偿系数；
(2)根据提取的路面灰度参数进行车道线偏离检测；
(3)根据提取的路面灰度参数进行前方障碍物检测；
(4)根据车道线偏离检测以及前方障碍物检测的结果进行危险预警。
2.根据权利要求1所述的基于智能手机实现车辆主动安全的方法，其特征在于，所述步骤(2)中车道线偏离检测的过程如下：
(21)建立白、黄、灰色颜色模型：指根据所提取的路面灰度参数，对白、黄、灰三种颜色进行建模，若某一像素点的RGB值符合某一模型，则认为该像素点为该模型表征的颜色；
(22)搜寻车道线边界起始点：从获取的视频图像底部开始向上搜索车辆左右两侧车道线的边界起始点；
(23)搜寻下一车道线边界点：根据搜索到的前一车道线边界点建立预测区域，然后在该预测区域内搜索下一车道线边界点；进行迭代执行，直到在预测区域内无法找到车道线边界点；
(24)车道线位置分析：根据检测到的车道线信息来计算其偏离系数。
3.根据权利要求1所述的基于智能手机实现车辆主动安全的方法，其特征在于，所述步骤(3)中进行前方障碍物检测的过程如下：
(31)设置路面区域起始线；在视频图像显示路面的路面区域中设置一条分割线，用以分割视频图像中的路面区域和车前盖；
(32)搜索路面区域：根据路面灰度参数，从路面区域起始线开始隔列向上搜索搜索路面区域，如果遇到非路面颜色的像素点，则停止搜索，并将该点记为该列的路面区域分隔点；
(33)前方障碍物分析：根据搜索到的路面区域分隔点，检测是否存在凹陷区域，如果有凹陷区域，其符合一定要求，则该认为该区域存在障碍物。
4.根据权利要求1所述的基于智能手机实现车辆主动安全的方法，其特征在于，所述步骤(4)的具体实现过程如下：若检测到的车道线偏离系数超过某一范围，则认为车辆发生偏离，利用智能手机发出语音提示；若检测到前方障碍物处于用户所设置的危险预警区域内时，则认为需要进行避障操作，利用智能手机发出语音提示。

基于智能手机实现车辆主动安全的方法\n技术领域\n[0001] 本发明涉及汽车主动安全技术，具体涉及基于智能手机实现车辆主动安全的方法。\n背景技术\n[0002] 随着社会的发展，城市中的交通安全问题日益严重。据统计，2011年全国共发生涉及人员伤亡的道路交通事故210812起，造成62387人死亡、237421人受伤，造成了巨大的经济损失以及人员伤亡。传统的车辆安全手段如：保险杠、安全带、安全气囊等都是被动式的，称为车辆被动安全技术，无法避免事故的发生，只能减少事故带来的损失。因此，车辆主动安全技术被越来越多的应用到车辆设计与生产中。\n[0003] 现有的车辆主动安全技术，如：ACC（巡航系统）、LDWS(车道偏离预警系统）等都需要额外的传感器（如激光雷达）来对周围环境进行感知，这些传感器都是车辆在出厂前已经完成安装的，而未加装传感器的车辆在出厂后则无法使用车辆主动安全技术。因此，现有的车辆主动安全技术可移植性较差。如果能将车辆主动安全技术实现于其他硬件平台上，脱离车辆本身的总线，那么其可移植性会大大增强。智能手机终端拥有自身独立的传感器以及处理器，是一个很好的硬件平台。\n[0004] 图像处理技术由于其获取信息量大、成本低等优势被广泛的应用到交通领域中，如车牌识别、交通信息提取等。其同样也被应用于车辆主动安全中，如车道线偏离检测等。\n现有的车辆主动安全技术中的图像处理技术都依托于PC机或DSP等专用嵌入式系统，这些硬件平台的运算能力强大，能保证一定复杂算法的实时性。然而，智能手机的运算能力相对较弱，并且其处理器还要处理通信业务，同时现有的基于图像处理的车辆主动安全技术又较为复杂，因此如果将现有技术直接移植到智能手机终端，会导致系统的实时性大大降低，实用性也大打折扣。对于现有的利用图像处理技术实现的车道线检测技术以及障碍物检测技术的检索结果如下：\n[0005] 专利公开号CN 101608924A公布了一种基于灰度估计和级联Hough变换的车道线检测方法。该发明首先对采集的车辆前方路况原始图像I的敏感区域进行灰度估计将其划分为车辆阴影区域、路面非标志区域以及路面标志区域(含前方车辆的车身区域);然后采用数学形态学方法从路面灰度估计所划分的区域中得到路面标志区域的边界图像;随后对路面标志区域的边界图像进行Hough变换以提取其中的直线图像特征;最后，通过对路面标志边缘消失点的搜索实现了对车道线的检测。该发明的缺陷在于，利用Hough变换检测车道线时，会受其他强边缘的影响，且其运算量较大。\n[0006] 专利公开号CN 102156979A公开了一种基于GrowCut的车道线快速检测方法，其包括：采集监控视频并挑选至少一帧的图像作为关键帧；在所述关键帧图像中标定边缘分割种子点；利用GrowCut算法进行边缘分割；采用中值滤波器对分割结果进行平滑滤波；再将平滑滤波结果，进行边缘提取；再对边缘提取结果，进行分半处理；再对分半处理结果，采用多项式曲线拟合方法对车道线进行拟合，得到最终车道线。该方法适用于检测静态背景图像，而无法提取动态背景中的车道线，不适用于车辆主动安全技术。\n[0007] 专利公开号CN 101447078A公开了一种障碍物分割方法及装置。该发明的实施例包括：将序列图像中的当前帧图像与帧间隔大于等于1帧的相邻帧图像划分为相同的若干块，对所述当前帧图像与所述相邻帧图像的对应位置图像块做差分，并确定差分图像中的差异块区域；计算当前帧图像中与所述差异块区域中对应的每一分块的垂直性和纹理性；\n将当前帧图像中与所述差异块区域对应的、且具有垂直性和纹理性的分块确定为障碍物分块；将所述障碍物分块按照连通规则生成障碍物区域。该发明的缺点是，在分割障碍物时，需要遍历整幅图像，其运算量较大，无法在智能手机终端上实现。\n[0008] 专利公开号CN 101419667A公开了一种识别图像中障碍物的方法，包括：获取当前帧以及与当前帧最近的之前N帧的图像，对所获取的每帧图像按相同的方式进行划分，对于每帧图像均获得若干个划分后的块区域；计算当前帧以及与当前帧最近的之前N帧所对应的每个块区域的运动障碍物置信度；根据所述当前帧以及与当前帧最近的之前N帧的所述每个块区域的运动障碍物置信度，依次确定当前帧图像中每个块区域是否为障碍物；\n根据每个块区域确定图像中的障碍物。该方法的缺陷是，其需要记录与当前帧最近的之前N帧的图像，所需要的缓存空间较大，不适用于智能手机终端。\n发明内容\n[0009] 本发明针对现有车辆主动安全技术需要基于车辆既有传感器，可移植性较差以及运算量大，需要高要求的硬件平台来支持等问题，而提供一种基于智能手机实现车辆主动安全的方法。该方法利用智能手机作为数据处理的硬件平台，并结合图像处理技术领域中的车道线提取技术以及路面障碍物提取技术，能够实时检测车辆是否偏离车道线，并且检测前方是否有障碍物，保证驾驶员的行车安全。\n[0010] 为了达到上述目的，本发明采用如下的技术方案：\n[0011] 基于智能手机实现车辆主动安全的方法，该方法包括如下步骤：\n[0012] （1）利用智能手机获取车辆前方视频图像，并提取路面灰度参数；\n[0013] （2）根据提取的路面灰度参数进行车道线偏离检测；\n[0014] （3）根据提取的路面灰度参数进行前方障碍物检测；\n[0015] （4）根据车道线偏离检测以及前方障碍物检测的结果进行危险预警。\n[0016] 在本发明的优选实例中，所述步骤（1）中提取路面灰度参数的过程如下：\n[0017] （11）在获取的车辆前方视频图像显示的去区域中限制一块属于路面的区域作为路面灰度参数提取区域用于提取相应的路面灰度参数；\n[0018] （13）提取路面灰度参数提取区域中的路面灰度平均值；\n[0019] （14）提取路面灰度参数提取区域中的路面灰度最大允许波动差值；\n[0020] （15）提取路面灰度参数提取区域中的路面灰度渐变补偿系数。\n[0021] 进一步的，所述步骤（2）中车道线偏离检测的过程如下：\n[0022] （21）建立白、黄、灰色颜色模型：指根据所提取的路面灰度参数，对白、黄、灰三种颜色进行建模，若某一像素点的RGB值符合某一模型，则认为该像素点为该模型表征的颜色；\n[0023] （22）搜寻车道线边界起始点：从获取的视频图像底部开始向上搜索车辆左右两侧车道线的边界起始点；\n[0024] （23）搜寻下一车道线边界点：根据搜索到的前一车道线边界点建立预测区域，然后在该预测区域内搜索下一车道线边界点；进行迭代执行，直到在预测区域内无法找到车道线边界点；\n[0025] （24）车道线位置分析：根据检测到的车道线信息来计算其偏离系数。\n[0026] 进一步的，所述步骤（3）中进行前方障碍物检测的过程如下：\n[0027] （32）设置路面区域起始线；在视频图像显示路面的路面区域中设置一条分割线，用以分割视频图像中的路面区域和车前盖；\n[0028] （32）搜索路面区域：根据路面灰度参数，从路面区域起始线开始隔列向上搜索路面区域，如果遇到非路面颜色的区域，则停止搜索，并将该点记为该列的路面区域分隔点；\n[0029] （33）前方障碍物分析：根据搜索到的路面区域分隔点，检测是否存在凹陷区域，如果有凹陷区域，其符合一定要求，则该认为该区域存在障碍物。\n[0030] 进一步的，所述步骤（4）的具体实现过程如下：若检测到的车道线偏离系数超过某一范围，则认为车辆发生偏离，利用智能手机发出语音提示；若检测到前方障碍物处于用户所设置的危险预警区域内时，则认为需要进行避障操作，利用智能手机发出语音提示。\n[0031] 本发明所提供的技术方案，其进行图像处理时未对全图进行遍历，运算量小，可以很好的应用于智能手机终端。\n[0032] 本方案基于常见的智能手机实现，无需车辆上装载任何传感器，由此实现的车辆主动安全技术可非常便捷的移植入任何车型，可以在一定程度上防止车道线偏离以及与前方障碍物相撞，应用面广，实用性强，成本低廉。\n[0033] 再者，由于本方案所使用的图像处理技术运算量小，能够保证实施方案的系统的实时性。\n附图说明\n[0034] 以下结合附图和具体实施方式来进一步说明本发明。\n[0035] 图1为本发明实现的原理流程图；\n[0036] 图2为本发明进行路面灰度参数提取的流程示意图；\n[0037] 图3为本发明实施时手机视频图像显示示意图；\n[0038] 图4为本发明进行车道线偏离检测的流程示意图；\n[0039] 图5为本发明进行前方障碍物检测的流程示意图；\n[0040] 图6为本发明进行路面区域的流程示意图；\n[0041] 图7为本发明进行危险预警的流程示意图。\n具体实施方式\n[0042] 为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。\n[0043] 参见图1，本发明基于智能手机实现车辆主动安全的方法，其具体实现过程如下：\n[0044] 步骤101：提取路面灰度参数。\n[0045] 具体的，首先获取车辆前方视频图像，然后在图像所显示的区域中设定路面灰度参数提取区域，并从该区域中提取路面灰度参数，包括路面灰度平均值、路面灰度波动差值和路面灰度渐变补偿系数。\n[0046] 步骤102：根据提取的路面灰度参数，进行车道线偏离检测。\n[0047] 具体的，首先根据提取的路面灰度参数，定义白、黄、灰色颜色模型，然后寻找车道线边界起始点，然后寻找下一车道线边界点，在搜索完所有车道线边界点后进行车道线位置分析。\n[0048] 步骤103：根据提取的路面灰度参数，进行前方障碍物检测。\n[0049] 具体的，首先设定路面区域起始线，然后根据提取的路面灰度参数，从路面区域起始线开始向上搜索路面区域，然后进行路面区域分析得到前方障碍物信息。\n[0050] 步骤104：根据车道线偏离检测以及前方障碍物检测，进行危险预警。\n[0051] 具体的，如果在进行车道线偏离检测后，发现车辆偏离车道线，则由智能手机发出报警音来进行危险预警。同样的，如果在进行前方障碍物检测后，发现前方近距离内有障碍物，则由智能手机发出报警音来进行危险预警。\n[0052] 基于上述原理，本发明的具体实施过程如下：\n[0053] 第一步：提取路面灰度参数\n[0054] 参见图2，本实例进行路面灰度参数的提取过程如下：\n[0055] 步骤201：获取车辆前方视频图像。\n[0056] 车辆前方视频图像采集设备为智能手机的后置摄像头，智能手机的后置摄像头可以实时摄取车辆前方的视频图像，然后将该图像传输给智能手机的核心处理器进行后续处理。\n[0057] 步骤202：设定路面灰度参数提取区域。\n[0058] 如图3所示，路面灰度参数提取区202a域指的是在图像显示的区域202c中最有可能为路面的一块区域，一般在车前盖202b上方，两车道线202f的中间，该区域不受车前盖影响，也不易受前方车辆影响，能够较好的反映出路面的灰度分布情况。该区域的宽度为图像宽度的二分之一，高度为图像高度的八分之一，该区域在图像中左右居中，上下位置处于图像的中下半部分。\n[0059] 步骤203：提取路面灰度平均值。\n[0060] 路面灰度平均值可以反映路面的平均灰度值。其具体提取方法为：在路面灰度参数提取区域中，提取处于偶数行与偶数列的像素点的灰度值，并将灰度值进行降序排序，排除灰度值为前15％以及后15％的像素点，然后将剩余像素点的灰度值相加再除以剩余的像素点的个数即可得到路面灰度平均值，为叙述简便，将其定义为Iaver。\n[0061] 步骤204：提取路面灰度波动差值。\n[0062] 路面灰度波动差值反映了系统所允许的路面灰度值的最大波动幅度，如果某一像素点的灰度值超过了这个幅度，则可以认为该像素点不属于路面区域。其具体提取方法为：\n将提取路面灰度平均值时所剩余的像素点的像素值与路面灰度平均值做差，计算其平方和，然后除以剩余的像素点的个数，再开根后得到灰度值的标准差，最后将该标准差的两倍作为路面灰度波动差值，为叙述简便，将其定义为ID。其计算公式如下所示：\n[0063] \n[0064] 步骤205：提取路面灰度渐变补偿系数。\n[0065] 由于光线的影响，摄像头所采集到的车辆前方视频图像中的路面的灰度值并不是恒定不变的，是有一定的渐变趋势，而其趋势一般为与车的距离越远，其灰度值越大，且可近似认为是线性变化。如果对全局都采用相同的路面灰度平均值来衡量路面灰度就会造成一定的误差，因此需要路面灰度渐变补偿系数来补偿渐变所带来的误差。其具体提取方法为：分别计算路面灰度参数提取区域中最顶端以及最底端一行的灰度值平均值，将顶端平均值与低端平均值相减，再除以路面灰度参数提取区域的高度就得到了路面灰度渐变补偿系数，为叙述简便，将其定义为α。其计算公式如下所示：\n[0066] \n[0067] 路面灰度平均值的补偿公式为：\n[0068] I′aver=Iaver+(像素点纵坐标-底端行纵坐标)*α。\n[0069] 第二步：车道线偏离检测\n[0070] 参见图4，本实例进行车道线偏离检测的实施过程如下：\n[0071] 步骤301：定义白、黄、灰色颜色模型。\n[0072] 路面上的车道线具有两种颜色，白色和黄色，将根据颜色分布的特征来进行车道线检测，因此需要先定义白、黄、灰色颜色模型。\n[0073] 对白色的颜色模型的定义如下所示：\n[0074] \n[0075] 其中R、G、B分别为某像素点的RGB各通道值，thresold1为RGB各通道间的相关性阈值，I为某像素点的灰度值，I′aver为该像素点位置的路面平均灰度值，ID为之前所提取的路面灰度波动差值。如果某像素点满足上列不等式，则认为该像素点属于白色车道线。\n[0076] 对黄色的颜色模型的定义如下所示：\n[0077] \n[0078] 其中thresold3为R、G与B通道值间的最小差值阈值。如果某像素点满足所有上列不等式，则认为该像素点属于黄色车道线。\n[0079] 对灰色的颜色模型的定义如下所示：\n[0080] \n[0081] 如果某像素点满足上列不等式，则认为该像素点属于灰色。\n[0082] 步骤302：寻找车道线边界起始点。\n[0083] 首先搜索左车道线的边界起始点。搜索的起始点为图像的底部中间点，搜索方向为从中间向左，从底部向上，搜索的像素点需满足以下条件：（1）该像素点和其左侧像素点都满足白色或黄色线颜色模型；（2）该像素点右侧两像素点都满足灰色颜色模型。如果搜索到满足该条件的像素点，则将其作为左侧车道线边界起始点；如果搜索至图像一半处还未搜索到满足以上条件的像素点，则认为左侧无道路线。\n[0084] 然后搜索右车道线的边界起始点。搜索的起始点为图像的底部中间点，搜索方向为从中间向右，从底部向上，搜索的像素点需满足以下条件：（1）该像素点和其右侧像素点都满足白色或黄色线颜色模型；（2）该像素点左侧两像素点都满足灰色颜色模型。如果搜索到满足该条件的像素点，则将其作为右侧车道线边界起始点；如果搜索至图像一半处还未搜索到满足以上条件的像素点，则认为右侧无道路线。\n[0085] 步骤303：寻找下一车道线边界点。\n[0086] 首先建立下一边界点预测区域，该区域为：\n[0087] \n[0088] 其中xi-1、yi-1分别为搜索到得上一车道线边界点的横、纵坐标，而thresold1、thresold2表征了预测范围，如果thresold1越小，thresold2越大，那么运算量将会减小，但是有可能会出现下一边界点不在预测范围内的情况，h为车辆前方视频图像的高度。考虑到车道线的斜率是在一定范围内的，因此如果满足thresold1≥thresold2*2，那么下一车道线边界点一定会在预测区域中。由于图像的上半部分为天空，因此无需在该区域内进行搜索，这里我们将搜索高度限制在图像高度的3/4处，以减少计算量。\n[0089] 在建立下一边界点预测区域后，即可在该区域内搜索下一边界点，其搜索方法同步骤302。若在预测区域内找到车道线边界点，则重复执行步骤303；若在预测区域内未找到车道线边界点，那么认为已完成对该车道线的检测。此部分可使用迭代的方式实现。\n[0090] 步骤304：车道线位置分析。\n[0091] 左右两条车道线的检测结果可能会出现以下四种情况：（1）两条车道线都存在；\n（2）只存在左侧一条；（3）只存在右侧一条；（4）都不存在。对于情况（4）不考虑其是否偏离，而对于其他三种情况，需要分别计算其偏离系数。\n[0092] 对于情况（1），在左右两条车道线上取若干边界点对，即两个纵坐标相同的边界点，然后计算各边界点对的中心点横坐标，接着计算各中心点横坐标的均值，该数值表征了道路线的中心横坐标，记为W′，其计算公式如下所示：\n[0093] \n[0094] 对于情况（2），只需在其检测出的左侧车道线上取若干边界点，然后计算其横坐标与图像右侧边界的中间值即可得到W′，值，其计算公式如下所示：\n[0095] \n[0096] 其中w为车辆前方视频图像的宽度。\n[0097] 对于情况（3），只需在其检测出的右侧车道线上取若干边界点，然后计算其横坐标与图像左侧边界的中间值即可得到W′值，其计算公式如下所示：\n[0098] \n[0099] 最后计算偏离系数，偏离系数β可使用以下公式计算：\n[0100] \n[0101] 第三步，前方障碍物检测\n[0102] 参见图5，本实例进行前方障碍物检测的实施过程如下：\n[0103] 步骤401：设置路面区域起始线。\n[0104] 参见图3，由于车辆前方视频图202c中所看到的画面可以分为车前盖202b和路面区域202d两部分，因此对于前方障碍物检测来说，没有必要从图像底部开始搜索，而应从路面区域202d开始搜索，路面区域起始线202e可以看作是车前盖区域202b与路面区域\n202d的分割线。用户在使用时需要通过改变手机放置的角度来使这条线应处于路面区域中，而在设置过程中，将该线的纵坐标设置为路面灰度参数提取区域底部横线的纵坐标。\n[0105] 步骤402：从路面区域起始线开始向上搜索路面区域。\n[0106] 如图6所示，本实例进行搜索路面区域的基本思想是，对于图像的某一列，从路面区域起始线开始向上搜索，如果遇到非路面颜色的像素点，则停止搜索，并记录停止检测时的坐标，并将该点称为路面区域分隔点。由于图像的上半部分多为天空，因此没有必要进行搜索，因此，如果搜索至图像高度的3/4时还未找到非路面颜色像素点，则停止搜索。此处的路面颜色，指的是在步骤301中定义的黄、白、灰三种颜色。为了减少运算量，本实例不对图像的每一列像素都进行搜索，而是间隔几列进行一次搜索。如果间隔越大，那运算量越小，但是有些较小的障碍物可能会被忽略。\n[0107] 步骤403：进行路面区域分析得到前方障碍物信息。\n[0108] 正常情况下的路面区域不会出现凹陷形状，如果在进行路面区域分析后发现存在凹陷形状，则认为检测到障碍物。凹陷形状的检测的方法为：从图像左侧的路面区域分隔点开始向有搜索，如果某路面区域分隔点的高度与下一路面区域分隔点的高度的差值大于某一阈值，则认为该路面区域分隔点为凹陷左侧起始点，如果某路面区域分隔点的高度与上一路面区域分隔点的高度的差值大于某一阈值，则认为该路面区域分隔点为凹陷右侧起始点。如果凹陷左侧起始点与凹陷右侧起始点相邻，且该两点的坐标满足下列条件，则认为该两点之间存在凹陷。\n[0109] \n[0110] 其中xL与xR分别为凹陷左、右起始点的横坐标，yL与yR分别为凹陷左、右起始点的纵坐标，thresold1用于限制凹陷的最小宽度，可以排除小噪声点的影响，thresold2用于限制左右两侧起始点的高度差，如果超过此阈值，则认为此左右两起始点未构成凹陷。\n[0111] 第四步，危险预报\n[0112] 参见图7，本实例进行危险预警的实施过程如下：\n[0113] 步骤501：判断是否偏离车道线。\n[0114] 偏离系数β应满足-1<β＜1，如果满足 则认为车辆未发生偏离，否则认为车辆发生偏离，具体的，如果 则认为车辆向右偏离，利用智能手机发出语音提示，提示驾驶员向左行驶；如果 则认为车辆向左偏离，利用智能手机发出语音提示，提示驾驶员向右行驶。\n[0115] 步骤502：判断是否需要避障。\n[0116] 由于检测到的障碍物不一定需要进行避障，因此，驾驶员可以根据自己的驾驶习惯，在智能手机上设置危险预警区域，如果障碍物出现在该区域中时，利用智能手机发出语音提示，提示驾驶员进行避障操作。\n[0117] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。