夜间车灯预警系统——保障行车安全

图7.15　夜间车灯预警系统的示意图。系统通过实时检测车灯轨迹，及时对危险车辆进行预警，从而为路边工作人员（例如交警）争取宝贵的逃离时间。

基于本章的理论知识，我们设计了一个夜间车灯预警系统，如图7.15所示。系统通过实时检测车灯轨迹，及时对危险车辆进行预警，从而为路边工作人员（例如交警）争取宝贵的逃离时间^[7]。系统包括三个模块（参见图7.15）：1)识别和跟踪车灯，2)正常车灯“区域”的学习与维护，3)对危险车辆的预警。我们将逐一介绍系统三个模块的实现方式。

系统平台运行在智能手机上，考虑到智能手机计算性能的约束，我们采用本章中的二值图处理方法来进行车灯识别。首先，设置一个阈值（例如图像亮度最大值的1/2），从而生成一张二值图{bi,j}；然后，采用图7.7所示的串行标注算法，将图像中的各个区域标注出来。为了节省计算开销，在二值图的遍历标注过程中，设置一些累加器，用于记录下：

图7.16　转动惯量可以被进一步用于判断图像区域的形状，然后，和面积一起作为形态学特征，对图像区域进行筛选。图中的数值表示：最小和最大转动惯量的比值λ1/λ2。

其中Lk表示标号为k的区域。同时，还要记录下：

用于后面计算区域中心，同时记录下来的还有：

用于后面计算区域的形状和朝向。串行扫描结束后，根据扫描结果对连通区域进行归并，如图7.7所示。然后，根据连通区域归并结果，将上面的计算结果对应地叠加在一起，生成各个连通区域的对应数据。整个过程中，我们只对二值图进行了一次遍历，较之于传统的连通区域标注算法（需要进行两次遍历），节省了一半的工作量。

根据本章所介绍的方法，我们可以通过上述数据直接计算出：各个区域的面积、中心和转动惯量。转动惯量被进一步用于判断图像区域的形状，然后，和面积一起作为形态学特征，对图像区域进行筛选，如图7.16所示。区域中心将被用于后续的车灯跟踪过程。(www.xing528.com)

受计算性能的约束，我们直接使用经典的匈牙利算法实现两帧图像中（多个）中心点之间的匹配，进而完成对车灯的跟踪，跟踪的结果可以帮助我们进一步区分“车灯”和“路灯”。根据车灯的识别和跟踪结果，我们用所有车灯（的中心点）所构成的凸包，来做为正常车灯“区域”，并定时（例如每隔五分钟）对其进行更新与维护，如图7.17所示。

图7.17　根据车灯的识别和跟踪结果，我们用所有车灯（的中心点）所构成的凸包，来做为正常车灯“区域”，并定时（例如每隔五分钟）对其进行更新与维护。

最后，我们需要实时识别：冲出正常车灯“区域”的车灯，及时发送预警信息给道路旁边的工作人员，例如交警。受智能手机计算能力的约束，我们需要使用一些技巧来减少计算量。如果车灯在正常车灯“区域”的内部，那么，凸包的面积不会发生明显变化，但是，一旦车辆突然冲出正常车灯“区域”，凸包的面积会立刻发生很大变化。因此，可以通过计算凸包的面积，来实现对危险车辆的预警。

为了完成这一任务，我们必须解决的一个熟悉问题是：如何根据多边形的（所有）顶点(x0,y0),(x1,y1),···,(xn,yn)来计算多边形的面积A？事实上，这个问题已经得到了解决，相应的面积计算公式为：

参见习题7.9。受到手机计算性能的约束，实时预警任务对识别和跟踪算法提出了很高的要求。通过运用本章中介绍的二值图处理技术，我们顺利地完成了这一任务，图7.18中给出了系统的实验结果。

图7.19中所示的是系统的测试与验证环境，系统运行在安卓手机上，通过蓝牙通信与智能穿戴设备进行交互，传送预警信号，后面的摄像机记录下实验结果，用于后续的实验效果分析和系统性能评估。

图7.18　实验结果演示。正常车辆直行经过路口，系统对转弯的车辆实时预警。

图7.19　预警系统运行在安卓手机上，通过蓝牙通信与智能穿戴设备进行交互，传送报警信号。后面的摄像机记录下的结果，被用于实验效果分析和系统性能评估。