第 41 2020 卷 第 期 1 月 年 1 计 量 学 报 ACTA METＲOLOGICA SINICA Vol． 41 January ， ， № 1 2020 : doi 10． 3969 / j． issn． 1000-1158． 2020． 01． 03 基于机器视觉的车距检测系统设计 程 瑶1， 赵 雷2， 成 珊1， 田又源1， 米曾真1 ( 1． 重庆理工大学 机械工程学院，重庆 中国电子科技集团公司 第十研究所，四川 成都 ; 400050 ) 610036 2． 摘要: 为了探测前车车距，采用机器视觉方式，以 CCD 。 成像原理，建立车牌图像与传感器像元像素之间的模型 构造单目成像系统采集前车图像，以检测车牌在图像 系统以单目摄像头的成像模型，通过物像位置关系及大小关系，建立车牌图 由此构建测距检测算 软件平台设计人机交互界面，对采集图像进行预处理提高图像的对比度; 通过匹配连通域 分割，检测车牌水平方向像素数量; 在此基础上，采取小孔成像原理计算车距的大小，并 、 之外的车距检测平 实验证明了本系统能对前车图像进行分析从而计算出车距，该系统对 。 3 m 采用 中像素的数量方式实现车距的测量 像与车距信息之间的模型; 以 法模型 MATLAB 等算法，对车牌进行定位 显示在软件平台上 均误差为 CCD 。 。 4% 。 关键词: 计量学; 车距检测; 机器视觉; 图像处理 中图分类号: 文献标识码: TB921 A 文章编号: 1000-1158 ( ) 2020 01-0011-05 Design of Vehicle Distance Detection System Based on Machine Vision CHENG Yao1， CHENG Shan1， ZHAO Lei2， ， ( 1． College of Mechanical Engineering TIAN You-yuan1， MI Zeng-zhen1 Chongqing University of Technology ， ， ， Chongqing 400050 ， ; China ， ) 2. The Tenth Ｒesearch Institute of China Electronic Technology Group Corporation Sichuan Chengdu 610036 China : Abstract In order to detect the front vehicle distance ， ， a monocular imaging system based on CCD was used to collect the vehicle image and the vehicle distance was measured by detecting the number of pixels in the image. The model including license plate image and vehicle distance information was established by the position and size relationships between object and its image based on the image model of monocular camera. Meanwhile based on the principle of CCD imaging the ， model between license plate image and sensor pixels was established. Then the model of ranging detection algorithm was constructed. By building a CCD imaging system machine interface was designed by using MATLAB ， matching connected regions and other algorithms ， the license plate image of the measured vehicle was acquired. The man- ， and pre-processings were carried out to improve the image contrast. By the license plate was located and segmented and the number of pixels in ， the horizontal direction of the image was detected. On this basis the size of vehicle distance was calculated with the principle of small aperture imaging and was displayed on the software platform. Experiments proved that the system can analyze the image of the front vehicle and calculate the distance the average error of the system is 4% for the distance ， ， detection beyond 3 meters． : metrology ; vehicle distance detection ; machine vision ; image processing Key words 1 引 言 汽车安全中检测前方车辆距离是汽车安全辅助 驾驶系统研究中的一个重点 比，机器视觉探测手段具有探测范围宽 整 以用来检测车距，而且还可以用来识别车道 与其他探测手段相 目标信息完 、 价格便宜，更符合人类认知习惯等优势; 不仅可 、 障碍 。 、 收稿日期: 基金项目: 国家自然科学基金( 2019-04-22 ; 修回日期: 2019-05-16 51505052 ， 51505053 重庆市教委科学技术研究资助项目( KJ1500935 ， KJ1500931 ， KJ1500617 ) ) ; 重庆市科委基础与前沿研究一般项目( cstc2016jcyjA0497 ， cstc2015jcyjA40051 ) ; 

21 计 量 学 报 2020 年 1 月 。 交通标志等，是未来汽车安全防护方面的主要研 、 而单目视觉结构简单，运算 速 度 物 究方向之一［ 快，具有广阔的应用前景［ 。 ］ 1 ］ 2 。 3 ～ 8 文献［ 近年来，国内外许多学者开展了检测前方车辆 ］给出了估算车距信息的 距离的研究 几种方法: 利用图像中像素距离与实际距离之间的 统计关系估算前方车辆的距离; 利用车辆位置和车 辆宽度估计前方车辆的距离; 利用前方车辆模型，将 图像中的前方车辆与驾驶车辆在道路中的行驶位置 联系起来，进而估算前方车辆距离; 基于前方车辆阴 本文综合上述测距方 影特征进行车辆距离的计算 法，提出了提取车牌图像像素值数量，结合车牌实际 尺寸，计算得到车距的方法，并完成了系统的设计及 实验验证 。 。 2 车距检测算法 所示，以车牌为被测对象 单目摄像头的成像模型近似考虑为针孔模型， 为摄像头的焦 代表小孔与车牌之间的距离， y' 1 为镜头光心， x 。f 如图 距， c 代表车牌像的高度， y 代表实际车牌的高度 。 系统设计框图 图 2 System design block diagram Fig. 2 采集车辆图像时，需要事先对成像系统进行标 在固定距离下对标准图像进行成像，通过采集 定 图像并进行图像分析，标定像元尺寸 。 。 系统利用 处理及分析系统［ 牌定位与分割 MATLAB GUI 设计车距检测图像的 车 、 像素计算及车距计算，程序流程如图 、 ］，该系统包括了图像预处理 ， 10 9 所示，系统操作面板如图 所示 4 。 3 系统成像原理图 图 1 System imaging schematic diagram 依据成像系统模型，成像垂轴放大率 Fig. 1 可由式 测算车牌像大小 、 β ( ) 得到，由式( 1 即可计算车距 x。 ) 通过标定焦距 2 β = y' y = f x 车牌投影在像平面上的像高 ，通过标定图像 x = yf y' y' 可得: 传感器像元大小 及像元数量 n δ y' = nδ 3 车距检测系统设计 ( ( ) ) 1 2 ( ) 3 图 3 车距检测流程图 Fig. 3 Flow chart of vehicle distance detection 图 4 车距检测系统前面板 Fig. 4 Front panel of vehicle distance detection 3. 1 图像预处理 图像的预处理针对车辆图像，以便图像更利于 定位和分割，并加强图像有效特征，增强有用信息的 可检测性，去除影响车辆区域特征的噪点 从而使 。 图像特征更加明显，易于辨识 对比和识别［ ， 11 12 、 。 ］ 本系统对采集后的车牌图像采取了灰度化 灰 、 边 缘 检 测 等 处 理，结 果 如 图 5 中 值 滤 波 、 度增强 所示 。 、 车距检测系统的设计框图如图 所示，通过搭 成像系统，对被测车辆的车牌进行成像采 建 集，在计算机中对图像进行处理及分析后，显示出车 距大小 CCD 2 。 

第 41 卷 第 期 1 程 瑶等: 基于机器视觉的车距检测系统设计 31 进行闭运算，填补轮廓的空白区域，并进一步去除图 像中的小对象，从而得到近似矩形的连通域 对图 像进行腐蚀和闭运算的结果如图 所示 。 7 。 图 5 车辆图像预处理对比 Fig. 5 Comparison of vehicle image preprocessing 经过灰度变换增强图像后，车辆和环境的对比 度明显加强了，能够更容易地从背景中区分出车 辆; 由灰度变换前后得到的灰度直方图也可以看 出，变换后的图像灰度值分布更加均匀了 ; 灰度图 像经过中值滤波处理后，去除了图像中的噪声点， 图像变得更加平滑; 经过边缘检测处理后 ，车辆部 分在图像中非常明显，可以清楚地显示出车辆的 轮廓 3. 2 车牌定位 。 6 。 图 为车辆定位算法流程图 根据车距算法模 型，当摄像系统焦距固定时，两车之间的实际距离与 车牌在图像上的车牌宽度的乘积为一常数 对预处 理后的车辆图像进行行扫描和列扫描，确定图像中 车牌的位置，同时得出车牌部分像元的个数，换算后 得到车牌的像的长度 然后将车牌实际长度和像的 长度通过公式进行计算，即可得到所需的车距信息 。 所以，对图像中的车牌进行准确的定位是车距测量 的基础 。 。 。 图 7 腐蚀与闭运算处理结果 Fig. 7 Processing results of corrosion and closed operation 7 由图 中可以看到，图像在经过腐蚀处理和闭 运算后，得到了一块矩形的连通域，即需要得到的车 通过车牌特征查找连通域，并对实际车牌 牌区域 判断一个矩形连通域 区域的连通域做出标记［ 是否为车牌的标准是: 测出该区域的长宽比约为 。 。 ］ 13 ( 中国机动车车牌长宽规格为 ， 44 cm∶14 cm ) ，即车牌面积和周长间存在比 3∶1 比值近似取为 值关系: 3∶1 ( 3 × L × L ( ) × L 3 + 1 2 × Fmetric = 21 × A / C2 ) 2 ≈ 1 21 表示车牌宽; 表示矩形面积; A ( ) 4 ( ) 表示矩形 5 C 通过对标记的连通域图像进行行扫描，确定 Y 方向的车牌 二者合并可得到正确的车牌区域，将其剪切 根据列扫描检测出车牌 ) 算出 方向的车牌区域; 进行列扫描，确定 区域 下来即为所需的车牌部分 部分在图像中的像元的数目，即可通过式( 车牌区域的长度，如图 所示 。 。 X 3 8 。 式中: 周长 L ) 构 造 。 以式 ( ］，匹配度越接近 度［ 的矩形，即车牌区域 5 14 Fmetric 1 。 函 数 作 为 连 通 域 的 匹 配 ，则该连通域越可能是 3 ∶1 图 6 车辆定位算法流程图 Fig. 6 Flow chart of vehicle location algorithm 对预处理后的图像进行腐蚀处理，消除小且无 意义的物体，包括车牌中的字符部分; 然后再对图像 图 8 连通域定位及车距结果显示 Fig. 8 Connected region location and vehicle distance results 

41 4 实验结果 计 量 学 报 2020 年 1 月 为采集的车辆图片，通过 测距实验使用单目摄像系统拍摄车辆图片，图 实现了图片的 9 识别处理，再利用测距程序来得到前方车辆的距离 程序， 信息 可以让使用者非常方便地使用本系统进行对目标车 辆的测距，操作更加简便 编写了简洁的 本文通过 MATLAB MATLAB GUI 。 。 图 10 车距测量结果分析 Fig. 10 Analysis of measurement results of vehicle distance 5 结 论 通过构造单目机器视觉系统，准确处理及定位 车牌图像，建立了车牌像大小与实际车牌大小的对 应关系; 在此基础上，利用基于车牌像素大小的方法 得到了本车与前方车辆之间的距离; 通过程序算法 实验结果 对实际拍摄的车辆图片进行了车距检测 验证了系统中车距测量方法的可行性，完成了车距 通过实验数据误差分析，该系统能较好 检测要求 以内车距大小，其中在 地检测 以内范围误 3 m 差波动较大，平均误差为 以外的误差波动 较小，平均误差为 10 m 3 m 7% 。 。 ; 4% 。 ［ 参 考 文 献 ］ ［ ］ 姚春莲，冯胜男，张芳芳，等 1 . ］ 距测量的 研 究［ J ． 系 统 仿 真 学 报， 利用车牌面积进行车 ) : ， ( 2017 29 11 2820 － 2827． ， Yao C L Feng S N ， Zhang F F ， et al. Vehicle-Distance ［ ］ J ． Journal of System Measurement Based on Plate Area ， ， ( Simulation 11 ［ ］ 韩延祥，张志胜，戴敏 2 2017 29 . ) : 用于目标测距的单目视觉测 2820 － 2827． ］ 量方法［ J ． 光 学 精 密 工 程， ， 19 ( ) : 5 1110 － 2011 ［ ］ 3 ［ ］ 4 1117． Han Y X ， Zhang Z S ， Dai M. Monocular vision system for distance measurement based on feature points ． Optics and Precision Engineering 2011 19 5 1110 － 1117． ， ， ( ) : ， ， Wu C F Lin C J Lee C Y. Applying a functional ［ ］ J neurofuzzy network to real-time lane detection and front- vehicle distance measurement ． IEEE Transactions on Systems Man and Cybernetics Part C Applications and ［ ］ J ， : ， ， 4 ( ) : 4 ， ， ， Ｒeviews 2012 577 － 589． Kim G Cho J S. Vision-based vehicle detection and inter- ］ ［ J ． vehicle distance estimation for driver alarm system Optical Ｒeview ［ ］ 陈勇，陈瑶 5 . ( ， 2012 ， 基于单目视觉的前方车辆距离计算方法 388 － 393． ) : 19 6 机电工程， ， 31 ( 11 ) : 1499 － 1504． 2014 Chen Y. Calculation method of preceding vehicle ］ 研究［ J ． ， Chen Y 图 9 采集的车辆图片 Fig. 9 Acquired the vehicle pictures 经过测量采集到的车辆图像信息，将计算得到 的车距信息与实际车距进行对比，测量结果及误差 计算如表 平均 1 相对误差为 所示 验证了测距方案的可行性 表 1 ，相对误差分析结果如图 车距测量结果 6% 。 。 。 10 Tab. 1 Measured results of vehicle distance m 误差 测量结果 实际车距 1. 011 5 1. 032 9 2. 340 4 2. 440 4 2. 603 6 3. 538 8 3. 694 2 3. 793 1 3. 888 9 4. 090 5 4. 112 1 5. 784 1 7. 130 4 1. 06 1. 13 2. 49 2. 69 2. 25 3. 68 3. 78 3. 9 4. 11 3. 88 3. 89 6. 02 6. 95 0. 04 0. 10 0. 15 0. 24 0. 35 0. 14 0. 08 0. 10 0. 22 0. 21 0. 22 0. 24 0. 18 序列 1 2 3 4 5 6 7 8 9 10 11 12 13 

第 41 卷 第 期 1 程 瑶等: 基于机器视觉的车距检测系统设计 计量学报， 2018 51 ， 39 围红外图像细节增强算法［ ］ J ． ( ) : 4 Liu B 493 － 497． ， Zhao J Z ， Kong X X ， Detail Enhancement Method Based on the FPGA distance based on monocular vision Mechanical ＆ Electrical Engineering 2014 ］ ［ J ， ． Journal of ， ) : ( 31 11 1499 － 1504． ］ 魏凯，盛建平，熊凯 ［ . 6 ］ 和测距方法研究［ J ． 基于阴影特征的前向车辆检测 机械设计与制造， ) : ，( 2013 2 131 － 133． ， Wei K Sheng J P ， Xiong K. Study on Forward Vehicle Detection and Distance Measurement Based on Shadow ， ． Machinery Design ＆ Manufacture ［ ］ J 2013 ， Features ( ) : 2 131 － 133． ］ 陈薇，卢冠男，陈梅 ［ . 7 ( 控制工程， ， 基于 ) : ］ 框架的车距检测［ J ． TLD 2018 6 1059 － 1064． ， 25 ， Chen W Lu G N Chen M. Vehicle Distance Detection Based on TLD Framework ． Control Engineering of ， ， ( ) : China 2018 25 6 1059 － 1064． ［ ］ J ［ ］ 程文冬，袁伟，张名芳，等 . 8 车识别与纵向车距检测［ ］ J ． ( ) : 7 152 － 156． ， Cheng W D Yuan W 融合车尾边缘特征的前 ， 机械设计与制造， 2017 ， Zhang M F ， et al. Vehicle Detection and Longitudinal Distance Measurement Based on Fusion Characteristics of Ｒear Edge ． Machinery ［ ］ J Design ＆ Manufacture 2017 ［ ］ 朱婉仪，穆平安，戴曙光 . 9 计量学报， 部件检测［ ］ J ． ， Zhu W Y ， ) : ，( 基于图像匹配的透明车灯 152 － 156． 7 ， 39 ( ) : 3 353 － 358． 2018 Mu P A Dai S G. Detection of Transparent Lamp Parts Based on Image Matching J ． Acta ［ ］ ， ， Metrologica Sinica 2018 ］ 王艳，谢广苏，沈晓宇 ［ 10 ( ) : ， 39 一种基于 3 ． 型车牌检测识别方法研究［ ］ J ． ( ) : 1 82 － 90． 353 － 358． 和 MSEＲ 计量学报， SWT 2019 的新 ， 40 ， Wang Y Xie G S ， Shen X Y. A New Vehicle Licence Plate Ｒecognition Method Based on MSEＲ and SWT ［ ］ J 82 － 90． ， ， 40 1 ( ． Acta Metrologica Sinica ］ 刘斌，赵建章，孔祥欣，等 2019 基于 ) : 的高动态范 . FPGA ［ 11 ［ 12 Acta Metrologica Sinica ］ 程淑红，高许，周斌 ． ］ 优化的车型识别［ J ． et al. HDＲ Infrared Image ］ ［ J ． ( 4 39 ) : ， ， 2018 基于多特征提取和 ， 计量学报， 493 － 497． 参数 SVM ( ) : 2018 39 3 348 － 352． Cheng S H ， Gao X ， Zhou B． Vehicle Ｒecognition Based on Multi-feature Extraction and SVM Parameter ． Acta Metrologica Sinica 2018 39 ， ， ［ ］ J Optimization ( ) : 3 348 － 352． ［ 13 ］ 张竟月，孙斌，谢玄达，等 基于激光和机器视觉的 . 微量液 体 容 量 计 量 方 法［ ］ J ． ( 计 量 学 报， 2018 ， ) : 39 4 504 － 509． Zhang J Y Sun B ， ， Xie X D ， et al. Volume Metrology Method for Micro Liquid Based on Laser and Machine ) : ， ， ( ． Acta Metrologica Sinica 2018 ［ ］ J Vision 39 4 504 － 509． ［ 14 ］ 陈硕，刘丰，唐旭晟，等 ］ 在线检定 系 统 研 究［ J ． . 基于机器视觉技术的水表 ) : 计 量 学 报， ， ( 2017 38 4 473 － 476． ， Chen S Liu F ， Tang X S ， et al. Ｒesearch on On-line Water-meter Verification System Based on Computer ， ， ． Acta Metrologica Sinica 2017 Vision Technology ［ ］ J ( ) : 38 4 473 － 476． 第一作者: 程瑶( ) ，女，重庆江 津人，重庆理工大学副教授，主要从事 图像传感器探测 成像应用等研究 、 1981- 。 : Email chy_cqit@ cqut. edu. cn