1.1研究背景及意義

近年來，隨著汽車工業的飛速發展，汽車成為人類最主要的交通工具。隨著汽車保有量的不斷增長和車流量的逐漸增大，道路交通事故已成為全球性安全問題之一，引起了全社會的普遍關注。因此，提高汽車的安全性能、避免交通事故或減輕道路交通事故造成的傷害已成為各國政府和社會日益關注的問題。根據2010年度道路交通事故的統計，發生交通事故219521起，死亡人數達到65225，受傷人數有254075，造成的直接財產損失有926335315元。其中由追尾相撞導致的事故有22273起，占總數的10.15%,死亡人數有8957人，受傷26686人，分別占總數的13.73%、10.50%。而夜間交通事故尤為嚴重，夜間交通事故（包括有路燈照明和無路燈照明）發生86502起，死亡人數30158人，分別占2010年交通總事故旳39.4%和46.24%[1]。就夜晚交通環境下道路上行駛的車輛，發生交通事故的主要原因有超速行駛和疲勞駕駛，前者引發的事故占夜間全部交通事故的三分之一左右，后者也是造成交通事故的主要成因，但是，此類由駕駛員人為因素造成的事故在大多數情況下是可以避免的[2]。因此，利用汽車駕駛輔助系統為駕駛員提供適當的輔助，提高駕駛員的注意力和駕駛能力以及減輕駕駛員的工作負荷，對減少夜間碰撞事故的發生具有重要意義。駕駛員安全輔助系統（Driver Assist System, DAS)是一種能夠為駕駛員提供有效輔助和支持的智能車輛系統，該系統通過模擬駕駛員的“感知一決策一執行”這一過程來部分代替駕駛員工作，緩解駕駛員的駕駛疲勞[3]。由于該系統是在事故發生前采取積極、主動的措施以避免事故的發生，歸屬于主動安全系統。另外，駕駛安全輔助系統還存在一類被動安全系統，如安全帶，安全氣囊，以減少駕駛員在事故碰撞中受傷的嚴重程度。圖1.1所示為碰撞發生前后啟動主動和被動安全系統的時間軸，在不同的時間段啟用相應的安全系統。被動安全系統的目的是在碰撞事故發生后盡量減少傷亡數量，系統已經發展的非常成熟并且廣泛使用于車輛上。駕駛安全輔助系統作為主動安全系統用于提前預防碰撞事故的發生，成為汽車安全方面的研究重點。

駕駛輔助系統通過使用不同的傳感器采集車輛周圍的環境信息，目前主要采用雷達、紅外線、激光、超聲波及機器視覺等傳感器。由于視覺是人類觀察世界、認識世界的重要功能手段，人類從外界獲得的信息約有75%來自視覺系統，特別是駕駛員駕駛需要的信息90%來自視覺[4]。相比于其他傳感器，視覺傳感器具有信息量大、直觀和對環境無污染等不可比擬的優勢，可以通過機器視覺實現對道路環境的感知。隨著計算機硬件技術的快速發展，CPU已經能達到對圖像實時處理的要求，并且存儲器等硬件設備價格也持續下降。此外，CCD攝像頭具有價格低、體積小等優點，應用于視覺傳感器中的圖像處理算法也具有較好的適應性和靈活性等優良特征，因此，基于單目視覺的駕駛安全輔助系統在智能車輛研究領域中有著廣闊的應用前景。車輛前撞預警系統（FCW)是駕駛安全輔助系統中的一個重要分支，是由傳感器、電子控制單元（ECU)、報警裝置（揚聲器、警示燈等）及節氣門/制動系統執行器等部分組成[5】。系統的主要功能是能夠及時發現車輛行駛中潛在的危險，并利用聲音、燈光等方式為駕駛員提供警示信息，提醒駕駛員及時采取釋放加速踏板、制動和轉向等正確的操作[6]。目前對車輛前撞報警系統的研究還存在一些不足，其中較為重要的問題是現有的大多數車輛前撞報警系統適用于白天交通環境，對于駕駛員行為特性因素也考慮得較少，不能適應于夜晚道路環境和駕駛員的行為特性。車輛前撞報警系統作為一項駕駛安全輔助系統應當在不影響駕駛員正常操作的情況下為駕駛員提供必要的輔助，因此在系統的設計中需要充分考慮夜晚交通環境和駕駛員的行為特性。然而，駕駛員本身就是一個復雜的智能體，加之涉及的車輛和夜晚交通環境非常復雜等諸多因素，造成不同的駕駛員對前撞報警系統的反應可能不同，現有的前撞報警算法不能適應這種變化，限制了系統安全性能的發揮。因此，需要深入分析駕駛員、車輛及交通環境三者之間的關系，設計能夠適應夜晚道路環境和駕駛員特性的汽車前撞報警系統對提高交通安全具有重要作用。因此，開展本課題的研究具有重要意義。

2基于累加直方圖的夜間前方車輛檢測方法

夜間交通環境具有光照不足，駕駛員的視野范圍變小的特點；除了交叉路口、險道和服務區，其他路段一般沒有照明，駕駛員的視野范圍比白天縮小很多，因此駕駛員對前方目標車輛的目測距離比實際兩車之間的距離要小很多，將會出現車間距太小而發生追尾碰撞。因此，在縱向主動安全的研究領域，采用單目視覺技術以圖像處理和模式識別為理論基礎，識別出道路上前方目標車輛，并從識別出的候選車輛中挑選出危險目標或者跟車目標是后續開展前撞預警的基礎。為提高夜間環境下車輛檢測的精度，本章提出一種基于亮度累加直方圖的車輛檢測方法，該方法通過汽車尾燈的高亮特征實現前方目標車輛的檢測。首先通過統計大量的尾燈亮度信息得到分割閾值，由該閾值確定最大類間方差法的初始閾值。然后在亮度累加直方圖中采用改進的最大類間方差法確定最佳分割閾值，并通過該閾值分割圖像提取尾燈目標。最后結合尾燈的形狀、位置和顏色等特征進行尾燈蹄選和配對，以提取的尾燈對為目標實現夜間車輛的檢測，為下一步對目標車輛的準確跟蹤奠定了基礎。

2.1夜間環境下的車輛特征

由于夜間道路光線條件復雜，目標車輛與背景的對比度低，車輛的邊緣、角點、陰影等應用于白天的檢測特征不再適用。而在夜間環境下，汽車車燈特征相對穩定，可用于識別前方車輛，目前大多數學者都是利用這一特征實現夜間前方車輛的識別，汽車車燈的主要特征有亮度、顏色、形狀及具有對稱性等。本文目的是檢測與自車同向行駛的前方車輛是否會對自車造成威脅，因此，將車載攝像機安裝在自車擋風玻璃后面以采集實時前方道路圖像，以車輛尾燈對這一顯著特征為目標通過圖像處理技術實現對前方車輛的定位，為前撞預警系統提供車輛周圍環境信息和報警目標。

3基于區域跟蹤的夜間車輛快速檢測方法...... 33
3.1基于區域跟蹤的檢測方法提出的背景..... 33
3.2基于時間序列分析模型的車輛位置預測..........35
3.2.1 AR預測模型 .....36
3.2.2 AR模型的參數估計..... 37
3.2.3 AR模型應用于目標車輛位置的預測.....37
3.3應用于目標車輛預測區域中的車輛檢測.....38
3.3.1自適應尾燈提取方法..... 38
3.3.2自適應尾燈配對方法..... 39
3.4基于區域跟蹤的車輛快速檢測算法..... 41
3.5檢測效果與分析..... 43
3.6本章小結.....47
4適應駕駛員特性的車輛前撞報警算法..... 48
4.1實際交通環境下的駕駛員實車實驗..... 48
4.1.1實驗的基本信息..... 48
4.1.2實驗數據預處理..... 51
4.2基于前撞預警系統的駕駛員行為特性..... 53
4.3基于避撞時間7TC的前撞報警算法..... 58
4.4基于單目視覺獲取避撞時間TTC的方法..... 61
4.5本章小結..... 67
5基于單目視覺的夜晚汽車前撞預警..... 68
5.1前撞預警系統平臺..... 68
5.2車輛檢測算法驗證..... 70
5.3基于單目視覺的避撞時間計算方法驗證..... 72
5.4基于避撞時間7TC的報警算法驗證..... 76
5.5本章小結 .....77

結論

論文研究著眼于以夜晚環境下準確的環境識別為基礎，利用實車數據分析駕駛員對潛在前撞危險的感知程度和反應機制，設計了適應駕駛員特性的前撞預警算法，實現在‘ 夜晚環境中為駕駛員提供輔助、避免前向追尾碰撞的基本功能。本文的研究工作總結為以下兒點：
(1)設計了一種基于亮度累加直方圖的分割方法，能夠實現在光照條件復雜的夜間環境下有效分割出前車尾燈目標，為基于尾燈對的夜間前車識別打下好的基礎。
(2)設計了一種基于實時預測的夜間車輛快速檢測算法，將具有實時預測功能的AR模型與基于尾燈的夜間車輛檢測算法相結合，利用AR模型對前方各個目標車輛位置分別進行實時預測，有效跟蹤目標車輛的位置區域，減小了車輛檢測的誤檢率
(3)在AR模型跟蹤車輛位置區域的基礎上，設計了一種應用于跟蹤區域的車輛檢測的改進方法，充分利用視頻圖像連續傾間的關聯信息，由檢測結果的先驗信息實時調整車輛檢測算法中各項規則的限制閾值，有效減小檢測算法需要遍歷的閾值范圍，也能有效提高檢測算法的準確性。
(4)在識別到前方目標車輛后，對其進行了測距和相對速度的計算，為前撞預警系統提供參數輸入。
(5)完成了 12名駕駛員參與的行為特性實驗，獲得了北京城市四環路和高速路上的駕駛員特性數據。對實驗數據進行統計和分析，得到了駕駛員特性分布曲線及參數，為前撞預警系統的研究提供了數據基礎。
(6)設計了基于避撞時間7TC的前撞預警方法，并在對駕駛員實車實驗數據統計分析的基礎上，得到適應于駕駛員行為特性的兩級報警閾值。
(7)基于夜間環境下實車采集的同步視頻數據和雷達數據，對本文的車輛檢測效果、測距效果和相對速度結果進行了驗證和評價。