实现主动安全:汽车离道报警系统设计方案

发布时间:2015-09-29 阅读量:1100 来源: 我爱方案网 作者:

【导读】研究表明,在驾驶员--汽车--道路3个环节中,驾驶员是可靠性最差的一个环节。因此,本文提出一种可实现主动安全的汽车离道报警系统设计方案。本系统的所有功能和算法都使用FPGA实现,能满足实时处理要求,达到系统的实用性。

 

1.概述

随着汽车的普及和高速公路的兴建,汽车的主动安全性能受到人们越来越多的关注,安全辅助驾驶已成为国际智能交通系统研究的重要内容。然而,研究表明,在驾驶员--汽车--道路3个环节中,驾驶员是可靠性最差的一个环节,80%以上的交通事故来自于驾驶员的错误。据统计,其中约有44%的交通事故与车辆行驶偏离正常车道有关,其主要原因是驾驶员注意力不集中或者疲劳驾驶,造成车辆的无意识偏离。针对此情况,行车过程中的车道检测及报警的研究,受到了世界各国的高度重视。
 
系统功能及项目目标
   
系统的主要功能分为下面五个部分:

(1)通过摄像机获取车道信息,即视频帧图像
(2)对得到的视频帧图像进行预处理
(3)对预处理后的图像进行边缘提取,获得车道标识
(4)根据车道标识进行离道评估
(5)根据评估结果做出相应报警措施
 
系统的要求及目标:
   
(1)系统的所有功能和算法都使用FPGA实现
(2)系统能满足实时处理要求,达到系统的实用性
 
2.项目方案

2.1 功能模块

从功能上,车道偏离报警系统可分为4个功能模块,分别是:车道识别预处理(Preprocessing)、车道模型判断(Mode Selection)、车道识别(Lane Detection)和道路偏离判断(Warning),采用例图表示系统功能,如图一所示。

 

图1:车道偏离报警系统结构图

 
1. 车道识别预处理模块

车道识别预处理模块是整个系统的基础,车道边缘特征点提取模块主要包括一些预处理的平滑算法,基于灰度阈值分割的车道外边缘检测和车道图像的二值化处理。
 
2. 车道判断模块

车道判断模块,根据道路的先验知识,通过直线或者曲线模型来确定车道线,将车道检测转化为确定数学模型的参数。车道模型分为直线模型,曲线模型和组合模型三种。
 
3. 车道检测模块

车道检测指在没有道路先验信息条件下,确定车道标志线的位置,用直线或者曲线拟合车道特征点,得到车道线的数学模型,用于车道偏离预警的判断。
 
4. 道路偏离模块

道路偏离模块根据车道检测模块得到的数据,利用车道偏离警告标准进行车道偏离判断,根据判断的结果和给定的阈值比较,做出相应警告。
 
从用例图中可以看出这四个模块的相互关系,在图像预处理模块和车道模型选择模块的基础上,启动车道检测模块。预警模块则依赖于车道检测模块,根据车道检测的参数,判断是否预警。
 
2.2 处理流程

该系统的流程图如图二所示:

图2:车道偏离报警系统流程图

 
1.视频图像采集

根据摄像头的安装位置,摄像头可以分为侧视摄像(摄像头安装在车辆侧面)和前视摄像(摄像头安装在车辆前部,斜指向车辆的前方),本系统中采用前视摄像方式。
 
2.图像预处理

图像在采集过程中,由于路面存在坡度,障碍物,车道在远方还有天空等信息,这些信息具有很强的干扰性,因此捕获得到的车道不能直接用于车道检测。需要通过一些图像初始化,选择感兴趣的区域,以减少干扰和提高计算性能。为了消除噪音的影响还要做低通滤波,最后还要采用利用阈值对图像进行二值化分割,以获取更为清晰的车道线,简化了车道线检测。
 
3.车道检测

车道检测指在没有道路先验信息条件下,确定车道标志线的位值,用直线或者曲线拟合车道特征点,得到车道线的数学模型,用于车道偏离预警的判断。车道的视频图像具有连续性,车道线不会发生突变,因此,对于车道特征不明的单帧图像,可以引入前一帧图像的车道模型参数,提高检测的精度。同时,在前一帧车道线周围设置感兴趣区域,缩小检测范围,提高检测速度。
 
4.车道偏离判断

车道偏离判断的警告标准可以分为四种,基于车辆在车道中的当前位置,基于将来偏移量的不同,基于车辆将横越车道边界的时间,基于知识的道路场景感知。
 
2.3 硬件架构

本设计采用Xilinx公司的Nexys 3 Spartan-6 FPGA Board开发板,利用其上的Xilinx Spartan®-6 FPGA (XC6LX16-CS324) 的大容量逻辑资源完成各个模块。根据2.2节中的处理流程,系统应该包括以下模块:视频数据提取模块,预处理模块,车道检测模块,车道偏离模块,整体的硬件架构如图三所示:

图3:硬件架构图

 
视频数据提取模块复杂提取车道视频图像,并通过USB控制单元将视频帧传输到预处理模块。在预处理模块对视频帧图像进行加强,得到车道与背景分割的二值化图像。在车道检测模块中将二值化图像的中的车道进行拟合,得到清晰稳定的车道信息。最后根据车道的信息参数,判断汽车离道。

推荐阅读:

电动汽车智能快速充电设计 
实现强大的车载智能安全行驶仪设计 
电动自行车电流控制设计方案 
汽车防盗报警系统ARM嵌入式设计 

相关资讯
华虹半导体2025年Q1业绩解析:逆势增长背后的挑战与破局之路

2025年第一季度,华虹半导体(港股代码:01347)实现销售收入5.409亿美元,同比增长17.6%,环比微增0.3%,符合市场预期。这一增长得益于消费电子、工业控制及汽车电子领域需求的复苏,以及公司产能利用率的持续满载(102.7%)。然而,盈利能力显著下滑,母公司拥有人应占溢利仅为380万美元,同比锐减88.05%,环比虽扭亏为盈,但仍处于低位。毛利率为9.2%,同比提升2.8个百分点,但环比下降2.2个百分点,反映出成本压力与市场竞争的加剧。

边缘计算新引擎:瑞芯微RV1126B四大核心技术深度解析

2025年5月8日,瑞芯微电子正式宣布新一代AI视觉芯片RV1126B通过量产测试并开启批量供货。作为瑞芯微在边缘计算领域的重要布局,RV1126B凭借3T算力、定制化AI-ISP架构及硬件级安全体系,重新定义了AI视觉芯片的性能边界,推动智能终端从“感知”向“认知”跃迁。

半导体IP巨头Arm:季度营收破12亿,AI生态布局能否撑起估值泡沫?

2025财年第四季度,Arm营收同比增长34%至12.4亿美元,首次突破单季10亿美元大关,超出分析师预期。调整后净利润达5.84亿美元,同比增长55%,主要得益于Armv9架构芯片在智能手机和数据中心的渗透率提升,以及计算子系统(CSS)的强劲需求。全年营收首次突破40亿美元,其中专利费收入21.68亿美元,授权收入18.39亿美元,均刷新历史纪录。

Arrow Lake的突破:混合架构与先进封装的协同进化

2024年10月,英特尔正式发布Arrow Lake架构的酷睿Ultra 200系列处理器,标志着其在桌面计算领域迈入模块化设计的新阶段。作为首款全面采用Chiplet(芯粒)技术的桌面处理器,Arrow Lake不仅通过多工艺融合实现了性能与能效的优化,更以创新的混合核心布局和缓存架构重新定义了处理器的设计范式。本文将深入解析Arrow Lake的技术突破、性能表现及其对行业的影响。

暗光性能提升29%:深度解析思特威新一代AI眼镜视觉方案

2025年5月8日,思特威(股票代码:688213)正式发布专为AI眼镜设计的1200万像素CMOS图像传感器SC1200IOT。该产品基于SmartClarity®-3技术平台,集成SFCPixel®专利技术,以小型化封装、低功耗设计及卓越暗光性能,推动AI眼镜在轻量化与影像能力上的双重突破。公司发言人表示:"AI眼镜的快速迭代正倒逼传感器技术升级,需在尺寸、功耗与画质间实现平衡,这正是SC1200IOT的核心价值所在。"