【《基于计算机视觉的智能小车测距算法设计案例》3200字】

基于计算机视觉的智能小车测距算法设计案例目录TOC\o"1-3"\h\u5192基于计算机视觉的智能小车测距算法设计案例 1204051.1相机的参数标定 1208371.1.1相机标定的算法 1322871.1.2参数标定的步骤 5147251.2单目视觉测距原理和模型 6321961.3车距测量 7235871.4基于计算机视觉的预警防撞模型 9车辆在行驶过程中，主要危险便是来源于驾驶员的疏忽，没有和前方车辆保持一定的安全距离，从而导致诸位事故的发生。本文研究的小车测距的重要意义在于给驾驶员提供及时有效的辅助信息，避免由于该原因造成的交通事故。在计算机视觉检测车距方面，前人已经做了许多研究。单目测距方法具有较大的优势：不需要发送额外的信号，不需形成信号干扰。光源发出的光大部分被物体表面所吸收，只有小部分经过反射进入摄像机镜头被图像传感器采集变成物理的图像。1.1相机的参数标定1.1.1相机标定的算法由于受到内在因素和外在因素的影响，摄像机不可避免地受到内部误差和畸变的影响，而相机标定的目的就在于获得相机的内参数矩阵和外参数矩阵，由此，就可以对摄像机拍摄到的图像进行矫正。相机在采集信息成像的时候，以小孔成像模型作为数学模型，将现实世界中的三维实体转换为相机中的二维平面。这需要通过几次次坐标系的转换来实现。其中，坐标系有以下几种：(1)世界坐标系：客观现实世界的绝对坐标系，将其看成是基准坐标系用来描述三维空间中的摄像机以及其他物体的位置(2)摄像机坐标系：以摄像机的光心坐标作为原点建立的坐标系。(3)图像坐标系：该坐标系的原点为图像坐标系下图像所成平面与摄像机光轴的交点，该坐标系的轴和轴分别与图像平面的两条垂直边相平行，图片坐标系是用物理单位来描述像素坐标系在图像中的位置，以来表示坐标值。(4)像素坐标系：原点为图像平面左上角顶点，其坐标值表示。像素坐标系的轴、轴分别平行于图像坐标系的轴和轴。图像中的每一个元素代表该点的灰度值。图4-1为坐标系变换图。图4-1坐标系变换图第一次，是将世界坐标系转换成摄像机坐标系，二者之间的转换关系如（4-1）(4-1)式中R是两坐标系之间的旋转矩阵，T是两坐标系之间的平移矩阵。为摄像机的外参数。通过式（1）得到的三维点，利用共线方程，可以建立三维点和二维图像之间的关系。（4-2）（4-3）式中是指摄像机坐标系中的三维坐标点，是指图像坐标系中的坐标，是指相机的焦距。由以上两个公式，就可以将现实中的三维实体转化成相机图像中的二维平面。也可以写成矩阵形式，如（4-4）所示。(4-4)图4-2相机平面坐标系上图展示了图像坐标系和像素坐标系之间的转换关系。图像坐标系中的原点在像素坐标系中被标记为，由于两个坐标系都存在于相同的图像平面之内，所以在图像坐标系中的任意一点都可以在像素坐标系中找到对应的一点。图片坐标系与像素坐标系之间的转换关系：

(4-5)式中、分别为图像坐标平面中单位像素在、方向上的物理尺寸，且、方向上是均匀相等的，所以。将（4-5）带入（4-4）可得：（4-6）式中是内参数矩阵。将计算到的过程，称为相机的参数标定。本文主要是利用了cv2.findChessboardCorners(gray,(w,h),None)函数来寻找棋盘格的角点，运用了cv2.destroyAllWindows()函数来进行标定。然而相机在实际成像的过程中还会存在一些畸变。相机的畸变可以分为径像畸变和切向畸变，如下图4-3所示，但切向畸变比径向畸变小的多，所以，不予考虑。径向畸变差通常用以下公式（4-8）（4-9）表示。图4-3畸变图像==(4-8)(4-9)本文主要利用cv2.undistort函数来纠正畸变。1.1.2参数标定的步骤首先需要打印一张棋盘格标定图纸，棋盘纸如图4-4所示。然后将棋盘格标定图纸贴在平面物体的表面。图4-4棋盘格标定图纸然后需要拍摄一组不同方向棋盘格的图片，该组图片可以通过调整棋盘格照片到摄像头的距离来进行拍摄。对于每张拍摄的棋盘图片，都需要检测图片中所有棋盘格的特征点（即为角点，也就是下图中黑白棋盘交叉点）。本文将定义打印的棋盘图纸位于世界坐标系平面上，世界坐标系的原点位于棋盘图纸的固定一角。像素坐标系原点位于图片左上角。图4-5为棋盘格角点图。图4-5棋盘格角点图python调用opencv相机拍照代码1.2单目视觉测距原理和模型目前，主要有两种方法来解决汽车的测距问题，一种是双目立体视觉，另一种是单目视觉。由于双目视觉算法相比单目视觉要复杂许多，而且对于实际应用有许多限制，造价高，计算量大，所以，本文采用单目视觉算法。单目视觉的范围是利用相机获得的图像来获取深度信息。根据测量原理，主要分为基于已知运动和已知物体的测量方法。单目视觉算法是一种已知的测量物体的方法涉及在已知物体信息的条件下使用由相机获得的目标图像来获得深度信息。这类方法主要用于单目视觉的导航定位。这种方法的缺点是使用单个功能点进行测量，容易因功能点提取不准确而造成误差。但是单目视觉算法实用性、适应性很强，结构也相对比较简单，随着计算机硬件性能的提升，可以满足实施测算的需求。根据单目视觉的的测距原理可知，如果视网膜上的视觉成像尺寸大小不变，则物体的大小距离的比值也不发生改变。（4-12）上式中，s是视网膜上物体像的大小，S是物体大小，D是物体距离。据此，可以使用相似三角形来计算相机到某个已知距离的物体或者目标。相似三角形原理是指假设某个宽度为W的物体，然后将这个物体放到距离摄像机距离D的位置，用相机对物体进行拍照并且测量相机物体的像素宽度P。这样就得出来相机焦距公式。(4-13)例如，本文中将小车放置在距离摄像头15.24cm的远处，可以利用calculate_focalDistance函数来计算摄像头的焦距，经计算得到焦距(focalLength)=87.46074990276651，然后继续移动物体的时候，就可以根据相似三角形原理计算出物体到相机的距离由此计算出将该纸张移开摄像头之后的距离。(4-14)表4-1中则列举了不同距离的纸张到摄像头的实际测量值和计算值，还计算了二者之间的误差。表4-1不同距离纸张测量值与计算值对照表序号实际距离(cm)计算距离（cm）误差（%）12020.351.7524040.471.17536059.271.22由表中的数据可以知道，虽然实际测量值与计算值之间存在这一定的差距，但是，误差率都在2%之内，还是可以满足计算要求的。1.3车距测量假设在行驶的过程当中，当车辆与前方车辆的距离是的时候，另，其中代表本车前端和摄像机视野最近的距离，代表前车车辆与摄像机视野最近的距离。图4-5为车距测量模型。图4-6车距测量模型的求取比较简单。当固定好摄像头之后，就可以知道俯仰角度和高度，利用摄像机拍摄前方道路的图片，从拍摄的图像中找到距摄像机视野最近的位置，并测量出实际距离。的求解过程如图4-7所示。首先由这相机采集汽车前方的车辆信息，然后利用YOLOv3将识别出前方车辆，并且将其框出；接着，读取检测框中点的像素坐标，然后读取图像底边的中点的像素坐标，最后利用坐标系的变换，求出两个中点像素坐标转换成道路平面的坐标、,最后利用距离公式求出的值，即求得。图4-7d2计算流程1.4基于计算机视觉的预警防撞模型制动减速模型作用范围是以自车为原点，并按照下图分区，由于摄像头在于车辆前方，所以本次只研究前分区的防撞模型。图4-8为前分区减速制动模型。图4-8前分区减速制动模型为了让问题简化，做如下假设:（1）两车同向匀速行驶，两车行驶速度相同，前车减速制动，两车不断接近。（2）两车均可视为质点。（3）令为反应延迟时间，即行驶者有效制动时间，另为制动时间，a是减速加速度，是前车制动距离，是后车制动距离，d是两车之间的距离当前车减速制动之后，两车的距离变化了，变化时间为，由此，可以得到相对速度。（4-15）又因为两车相对速度（4-16）由此可以计算出前车加速度（4-17）由于在时间内，后车仍然在做匀速运动，所以在这段时间里，后车行驶的距离可以由公式（4-18）得。

（4-18）假设后车也采用加速度进行减速，当前后两车分为减速至停止时，前车行驶的距离后车的行驶的距离则为,想要没有相撞，则要求满足，又因为两车初速度相同，加速度相同，所以,那么不等式则变成,即要满足(4-19)