随着社会的发展和人口的增长，越来越多的汽车进入了我们的日常生活，交通也越来越拥堵。驾驶汽车是一项复杂的活动，长时间驾驶容易让人感到疲劳，极易引发交通事故。此外，一些工程车辆运行环境恶劣，劳动强度大。将这些车辆的驾驶自动化是非常有必要的。为使汽车驾驶变得简单、安全、舒适，将人们从繁重、枯燥的汽车驾驶中解放出来，世界各国都在积极研发自动驾驶技术。

德国、美国、日本等国家在汽车自动驾驶领域开展了积极的研究，并取得了很大的成果。我国国防科技大学机电工程学院一直在进行自动驾驶技术的研究。其与第一汽车集团公司联合研制的无人驾驶“红旗”2003年6月在湖南长沙试车成功，稳定行驶速度130KM。/h（美国最高100KM/h，德国120KM/h），最高时速170KM/h，具备安全超车能力。然而，他们的系统主要依靠车载雷达、红外测距仪和图像传感器来识别和测量道路环境。

视觉是人类观察和认识世界的重要功能手段。人类从外界获取的信息中，约有75%来自视觉系统，尤其是驾驶员所需的信息中，90%来自视觉。在目前用于车辆辅助驾驶的环境感知方法中，视觉传感器比超声波和激光雷达能够获得更高、更准确、更丰富的道路结构环境信息[5]。随着计算机技术的发展和图像处理/识别技术的成熟，机器视觉技术取得了长足的进步，目前广泛应用于三维测量、三维重建、虚拟现实、运动目标检测和目标识别等领域。在汽车自动驾驶方面，一个先决条件问题是道路状况识别以及车辆和障碍物的距离和速度检测。只有解决了这个问题，才有可能控制汽车的行驶。机器视觉技术集成了三维测量和图像识别技术。

目前，智能机器人领域的机器视觉研究如火如荼：Klaus et al. 提出了基于机器视觉的城外道路基础设施固定目标检测与跟踪（--based and of Inner-city Roads）[3]；D.等。提出了道路边缘检测在移动机器人导航中的应用（Road edge for robot）[2]；O. 等人。提出了基于神经网络的视觉引导机器人导航（-机器人使用）[4]。这些研究成果对机器视觉在智能驾驶中的应用具有重要启示。

本文将机器视觉技术作为路况感知的主要手段应用到车辆的自动驾驶中，为实现车辆的智能驾驶提供了一个不同的视角。

机器视觉技术

自MARR视觉计算理论提出以来，机器视觉技术得到快速发展。它是智能驾驶领域发展最快的技术之一，也是智能驾驶领域的主要研究方向之一。

机器视觉技术在智能驾驶中的应用

机器视觉技术在智能驾驶中的应用，机器视觉技术必须具备实时性、鲁棒性和实用性三大特性[7]。实时性要求机器视觉系统的数据处理必须与车辆的高速行驶同步；鲁棒性要求智能汽车对高速公路、城市道路、普通道路等不同道路环境，以及道路宽度等复杂道路环境敏感。、颜色、纹理、曲线、坡度、坑洼、障碍物和车流等，各种天气都很好，阴天、雨天、雪天、雾天等都有很好的适应性；实用性意味着智能汽车可以被普通用户所接受【7】。

目前，机器视觉主要用于路径识别和跟踪[7]。与其他传感器相比，机器视觉具有检测信息丰富、非接触式测量、能够实现道路环境三维建模等优点，但数据处理量巨大，存在系统实战性问题。时间和稳定性。计算机硬件，研究新的算法来解决。随着计算机技术和图像处理技术的飞速发展，道路环境3D重建可以为车辆的高速智能驾驶提供有力的信息，在不久的将来是可行的。

机器视觉道路识别的基本原理是道路环境（白色路标、边缘、路面颜色、坑洼、障碍物等）的CCD图像的灰度值不同于图像纹理和光流。根据这种差异，经过图像处理后可以得到所需的路径图像信息，如方位偏差、横向偏差、车辆在道路中的位置等信息。将这些信息与车辆的动力学方程相结合，就可以形成车辆控制系统的数学模型。

3. 智能驾驶系统结构设计

(1) 机器视觉系统

机器视觉系统的硬件构成主要由两台参数、型号、性能相同的CCD相机，两块相同的视频采集卡，以及计算机上的视频处理软件组成。我们利用左右CCD相机拍摄的照片进行图像处理，得到相关的深度信息。必须保证左右CCD摄像头信号同步，否则拍摄的图片不对应，无法正确提取相关深度信息。因此，我们的左右CCD相机是同步相机，即帧同步信号是从左相机的帧同步电路引到右CCD相机的帧同步电路，

机器视觉处理软件系统主要负责障碍物检测与识别、交通信号检测与识别、交通模式识别与检测、道路边缘识别与检测、弯道圆弧识别与检测、车距车速检测等主要信息道路坑洼坡度识别与检测。在提取这些信息数据的基础上，进行道路环境的三维重建。将机器视觉处理软件系统处理后的道路环境信息与辅助系统的多传感器信息进行融合，

道路边缘识别检测关系到汽车能否正确识别道路，尤其是缺乏交通规律的低等级道路。我们的机器视觉检测道路的边缘信息和道路的宽度信息。道路边缘检测是对CCD拍摄的图像进行二值化处理，提取出道路的边缘；道路宽度信息检测利用左右CCD拍摄的道路图像进行立体匹配自动驾驶仪设计，提取其中的深度信息。从理论上计算道路的宽度。根据其他传感器的数据判断汽车在道路上的位置和汽车的行驶状态参数，进行合理的路径规划，优化控制汽车在道路上的位置，做好路径规划跟踪，以免在驾驶时偏离道路。

识别和检测交通模式、道路标志和交通信号。交通模式包括常见的斑马线、车道标记、箭头等。这些交通模式具有固定的颜色（例如，斑马线都是白色的）和固定的形状，因此通过简单的图像处理并与我们的比较可以快速识别它们预先建立的交通模式模型。交通标志识别比较麻烦。一些交通标志上有文字。我们不仅需要利用图像处理技术来提取这些文本信息，还需要对这些文本中包含的交通信息进行分析。交通信号包括红绿灯和交警信号灯。它们都有固定的运行模式，可以提前建模，

对前方车辆和障碍物的距离和速度的检测和识别。能否安全、准确地识别和检测前方车辆及障碍物，对于汽车的智能驾驶至关重要。不仅需要识别前方的汽车和障碍物，还需要检测它们的移动速度、移动方向和与车辆的距离。它们可能的轨迹为车辆超车、减速、避障、降低危险风险提供可靠数据。利用机器视觉技术，可以采用基于成像模型对应点估计的三维运动检测方法和基于光流估计的三维运动检测方法。模型法和光流法有很多成熟的算法可供选择，

机器视觉系统中的相机标定：相机标定的目的是确定相机的内外属性参数，建立空间成像模型，以确定空间坐标系中物点与其像点的对应关系在图像平面上。相机标定分为相机内参标定和外参标定。内部参数决定了相机的几何和光学特性，不随相机的运动而改变；外部参数决定了相机图像平面相对于客观世界坐标系的三维位置和方向。相机移动后，需要重新标定。在本文中，相机随车移动，

(2) 主控系统

整个智能驾驶系统的核心是主控系统，负责采集、识别、处理来自各种传感器的信息。最后根据处理后的信息进行车辆行为决策与调度、路径规划和车辆控制指令的生成。本文整个智能驾驶系统的设计思路也是基于模拟人工驾驶。主控系统是汽车的大脑，而机器视觉系统就像是人的眼睛。一旦主控系统死机或控制软件运行不稳定，将引发车祸、人员伤亡等重大交通事故。主控系统计算机工作环境恶劣，汽车高速行驶时振动大，并且汽车发动机附近的温度很高。为保证主控系统的安全稳定运行，主控系统计算机应采用高性能、高稳定性。工业计算机。

(3)辅助测距定位系统

主要包括车载GPS定位系统、测距雷达、电子地图等。随着交通信息化的发展，基于GIS的电子地图开始应用于日常汽车驾驶。基于GIS的电子地图包含大比例尺级别的地理位置信息，可用于设置汽车大方向行驶的宏观路径。然后利用车载GPS全球定位系统确定汽车当前所在位置点的地理位置信息，与电子地图上该点的地理位置信息进行比对，就可以知道汽车现在在宏观路径中的位置放。防止汽车在自动驾驶过程中走错路口、走错方向、偏离预设宏路径。

车载测距雷达主要是辅助机器视觉系统测量前方车辆的速度和距离，以及一些特殊环境下道路障碍物的距离。因为和人一样，双CCD构成的立体视觉系统在阴天、大雾、大雨等能见度较差的情况下，会大大降低车辆前方障碍物的识别效果。速度和距离存在精度误差，无法测量前方能见度以外的车辆和障碍物。车载测距雷达可辅助立体视觉系统，在天气晴朗时提高测车（障碍物）距离的精度和测车（障碍物）速度的精度，并且可以弥补恶劣天气下立体视觉测量效果差的缺点。提高系统可靠性。

(4) 车辆行驶参数检测系统

车辆行驶参数检测系统的主要功能是检测车辆行驶状态的关键参数，如前轮转角、后轮转速、油门等，为主控系统进行车辆决策调度和提供参数。路径规划。这个系统比较简单，车辆的行驶状态参数都是通过车载仪表检测出来的，只要要把这些参数读到主控系统就可以了。

（五）执行机构

整车的自动驾驶执行机构主要是电液伺服系统，利用多个伺服油缸完成驱动汽车的各种动作。转向、停车、熄火等一系列任务。控制电液伺服系统的核心部件是离合器ECU（单元）、齿轮ECU、转向ECU、油门ECU、制动ECU。这五个电子控制器（ECU）各司其职，接收并执行主控计算机的决策过程。调度计算后发出的控制指令主要由ECU执行自动驾驶仪设计，将指令信号放大后送至电液伺服系统进行机械执行。

智能驾驶中的机器视觉技术是一项非常复杂的技术，需要越来越深入的研究。目前的难点和重点主要集中在快速有效的三维匹配、道路环境的快速三维重建、机器视觉的实时处理等方面。许多科学家在这方面进行了深入研究，新的研究成果无疑将推动机器视觉视觉技术在智能驾驶中的应用。

工程应用解决方案。

车载监控机器人主板+掌上电脑

1、视觉处理、车道偏离、防撞预警。

2、3秒到60秒实时在线跟踪定位，智能检测车头方向和行驶速度。

3、报警功能：车辆超速报警、越界报警、断油断电、疲劳驾驶报警。

4.交通管理，碰撞传感器，广角镜头，内置GPS。

以上方案及主板均由莫斯特科技有限公司提供。