0 引言

随着科学技术的飞速发展，汽车工业近年来面临着重大革新，自动驾驶已经成为各大汽车厂商和高校的研究热点[1-3]。根据自动驾驶技术分级，L1级别的辅助驾驶是目前最为可行技术方案。这其中，泊车辅助系统，已经逐渐成为各大汽车品牌在新产品中的标准配置[2]。然而，由于传统的泊车辅助系统方案中，车位感知主要通过超声波雷达进行。由于超声波雷达的工作原理的局限性，使得该方案对于车位场景的适应性较差，例如前后均无车的停车场中，该方案无法检测出车位，从而使得基于超声波雷达的泊车功能失效。此外，由于超声波雷达的抗干扰特性较差，对于车位尺寸及坐标的检测精度也较差，进一步削弱了该方案的适用性[4]。

为了提高泊车辅助系统的适用范围，本文基于传统超声波泊车辅助系统，提出一种更为精确的基于多视觉传感器的车位检测技术。相对于单摄像头方案[5,6]，本文提出的多视觉传感器方案，不仅能够实现车位的检测成功率，还能通过多摄像头在泊车过程中对车位尺寸进行修正，再结合泊车控制器，实现高精度高成功率的泊车辅助功能。

1 泊车辅助系统架构设计

基于多视觉传感器的泊车辅助系统架构如图1所示。该系统主要由感知系统、中央控制器、执行机构和人机交互系统等组成，其中车位识别通过感知系统实现，中央控制器利用感知系统获得的车位及障碍物等信息，进行故障诊断、泊车控制和障碍无检测处理等，并通过CAN总线将控制信号及显示信号发送至人机交互系统和执行机构，通过人机交互系统对驾驶员进行选换档、制动和停车的信息提示和报警提醒，利用执行机构对车辆的转向执行机构进行自动控制，最终实现车辆的泊车辅助功能。

图1 泊车辅助系统架构

Fig.1 Parking assist system architecture

该泊车辅助系统中的感知系统主要分为超声波雷达和视觉传感器(即广角数字摄像头)，考虑到传统超声波雷达的车位检测技术日趋成熟，本文主要针对感知系统部分中的多视觉传感器技术进行研究分析，拟通过多摄像头在泊车过程中对车位尺寸进行修正，再结合泊车控制器，实现高精度高成功率的泊车辅助功能。

2 基于视觉的车位检测方法

基于视觉的车位检测技术[5,7,8]，其算法架构如图2所示。首先，在泊车辅助系统运行后进行包括摄像机内外参数读取、逆透视变换参数读取以及环视鸟瞰图参数的初始化。各参数初始化后，利用安装在车身左右的两路摄像机进行在线实时采集，并同时去畸变进行图像矫正和逆透视变换，对生成的俯瞰图进行图像分割，然后通过设计的直线检测算法进行车位检测。

例如，在探索孟德尔分离定律过程中，教师已经具有“减数分裂和受精作用”的知识，但学生还不具备。这种认知结构的差异性，往往会使教师对分离定律的讲解高于学生的最近发展区，导致学生由于难以理解而一字不漏地记下孟德尔分离定律的假设。这时，一方面需要教师将认知结构还原至学生的水平(没有减数分裂的知识)，另一方面需要介绍孟德尔提出分离定律的时代背景(知识探索的开始)。将这两个方面作为教学起点，从学生的角度，引领学生一起探索孟德尔分离定律的发生与发展。

结合以上架构，本文对具体的算法步骤进行了详细的设计，基于视觉的车位检测与识别流程如图3所示。

图2 基于视觉的车位检测算法架构

Fig.2 Vision-based parking space detection algorithm architecture

3 车位检测关键技术

3.1 图像灰度化

灰度转化是常用的图像处理方法，在灰度化的情况进行图像处理不仅能够节省内存，而且还能提高后续工作的效率。为了最大程度上减少失去的原图信息，对彩色图像进行灰度转换，其公式表达为：

Gray=a×R+b×G+c×B

(1)

式中，a,b,c是灰度图像中各颜色通道的权值。

图3 车位检测与识别流程

Fig.3 Parking space detection and identification process

式中，(θ1,ρ1)和(θ2,ρ2)为两个候选中心点，x,y为交点坐标。

由文献作者自述的效果影响因素，基本可以获取目前我国翻转课堂实施中出现的共性问题。但是文献研究及内容分析法获取的数据仅为间接数据，为获取更为直接的数据，笔者同时参与了2016—2017学年第1学期在陕西师范大学2014级教育技术学(创新实验班)的专业英语课程中进行的翻转实践。结合已有文献研究数据及对陕西数所高校开展翻转课堂的教师进行的访谈，以案例数据为例，可将我国翻转实践中出现的问题归纳为以下几个方面：

我们都知道，企业的建立以及发展必定会存在着风险。应收账款制度的实施，必须认清其可能会带来的各种风险问题，只有正确认识了其可能带来的风险，我们才能够制定正确的解决方案，而这些，很多企业往往是做不到的。对于风险问题，企业没有考虑周全，就很容易导致大量的应收账款不能按期收回，形成呆账、坏账的现象。企业没有正确认识到此制度带来的风险问题，只盲目地开展应收账款，没有做好回收工作，信用体系没有建立健全，很容易就会导致企业陷入破产的境地。故对应收账款制度所带来的风险认识不足也是一个现存的问题。

(a) 原始的灰度化效果

(b) 改进后的灰度化效果

图4 改进前后灰度化效果对比

Fig.4 Comparison of graying effects before and after improvement

3.2 俯瞰图生成

为了覆盖尽可能多的车位线、获取更加丰富的环境信息，采用了鱼眼广角摄像头，但是带来了图像畸变，使得图像中的对象丧失其固有的特征不利于后续的车位线识别。因此，需要对摄像头进行内参及外参标定并通过畸变校正和逆投影变换将原始图像转化为相应的俯瞰图。本文采用张正友标定法[9]对摄像头进行内、外参标定并利用得到的参数生成从畸变图像到俯瞰图的map图用于实时的图像转化。如图5所示，经过畸变矫正及逆投影变换后得到的俯瞰图中的车位线特征更加容易检测，更好地反映了车位线为固定宽度的直线，车位线夹角为90°，60°，120°等特征。

3.2 直线对及交点提取

为了提取Hough空间中的亮点对，本文设计了如图7及式所示一维滤波器遍历Hough空间中的各点，其中的W代表车位线宽度，一般取为15 cm。

为了避免由于Hough变换值的不同，导致S(θ,ρ)基准值的变化。将其作归一化处理：

车位线一般由固定宽度的直线段组成，而固定宽度的直线对在Hough空间中是具有相同角度距离值固定的亮点对，如图6所示，图(a)中直线对L1和L2对应图(b)中的亮点对P1和P2。因此，原始图像中的直线对提取可以转化为Hough空间中的亮点对提取[10,11]。

(2)

式中，PH，PL分别为上、下亮点邻域的Hough变换最大值，以便提高算法的鲁棒性。HS(θ,ρ),HS(θ,ρ-W),HS(θ,ρ+W)分别为亮点对中心、亮点中心上W和亮点中心下W处的Hough变换值。

上述机理研究表明，抗氧剂1010的析出性与注塑样品的结晶性息息相关。本实验通过加入POE和PP来影响体系的结晶度和结晶温度，从而影响体系样品在注塑降温过程中的结晶情况，进而考察其对抗氧剂1010析出的影响。

(a) 垂直车位原始图像

(b) 垂直车位俯瞰图

(c) 斜向车位原始图像

(d) 斜向车位俯瞰图

图5 原始图像和俯瞰图中车位特征对比

Fig.5 Comparison of parking space features between original image and overlooking image

(a) 俯瞰后的二值图

(b) Hough空间值

图6 俯瞰图中的Hough变换

Fig.6 Haough transform in overview map

为了讨论方便,不妨设|α|=min{|α|,|β|,|γ|,|δ|}。收到Charlie的信息后,Alice 和Bob合作并引进一个处理初始态|0〉C辅助粒子C,再对粒子3、4和粒子C施行一个基于计算基{|000〉,|001〉,|010〉,|011〉,|100〉,|101〉,|110〉,|111〉}34c的酉变换U1如下:

(3)

式中，L(θ,ρ)为亮点中心概率密度，越大的值代表该候选点是泊车位线的可能性越大。

相比于经静脉使用阿片类镇痛，椎管内用药副作用发生率低，但其副作用仍然不可忽视。椎管内使用阿片类药物副作用：嗜睡、恶心、呕吐、瘙痒(椎管内吗啡镇痛最常见)、呼吸抑制(肥胖或患睡眠呼吸暂停综合征患者危险升高)、低血压、内脏灌注不足、运动功能阻滞、尿潴留等。

图7 一维亮点对提取滤波器

Fig.7 One-dimensional bright point pair extraction filter

虽然直线对检测可以提取出大部分的车位线，但是由于车辆泊车环境较为复杂，存在光线变化、邻车干扰、非停车位线等影响，往往会给车位检测带来干扰，出现如图8所示的误检测。为了消除这些干扰，需要对提取出来的车位交点作进一步筛选以获得真实有效的车位角点。一般平行及垂直车位的角点邻域是如图9所示的“T”字型或“L”字型特征区域，可通过对该区域特征的识别进行车位线角点的进一步筛选。

(4)

式中，C(θ,ρ)为该亮点对是否为候补泊车位线标志，L0为设定的判断阈值。

确定候选亮点中心的(θ,ρ)后，可通过式确定候选的车位线交点。

(5)

车位线一般是黄色或白色的直线段，对于白色的车位线可采用传统的灰度化方法，但是对于黄色车位线传统的灰度化方法并不能很好的将车位线与背景分离开来。因此，本文对灰度化中各通道的加权值进行了分析对比，最终得出a=0.8,b=0.05,c=-0.6能得到比较好的灰度图像。如图4所示，改进后的灰度化方法更能突出目标车位线有利于后续车位线提取。

3.3 车位线角点提取

对计算出来的亮点中心概率密度，设定阈值：当L(θ,ρ)大于该阈值时便认为是候选泊车位线，如式(4)所示。此外，为了消除光线、噪声等因素的干扰，对检测出来的候选亮点对需进一步的聚类处理，具体为判断Hough空间里的候选点间的距离。

(a) 误检测1

(b) 误检测2

图8 可能的误检测

Fig.8 Possible false detection

图9 实际车位线角点特征

Fig.9 Actual parking line corner feature

对候补车位角点邻域通过Sobel算子分别取水平和垂直梯度值，并分别统计该邻域内的水平及垂直梯度总值。当该区域内的水平及垂直梯度均大于相应的阈值后，便认为候选角点为真实的车位角点，否则为误检测点，如图10和图11所示。

(a) 邻域二值图(b) 水平梯度值(c) 垂直梯度值

图10 真实车位线角点

Fig.10 Real parking line corner point

(a) 邻域二值图(b) 水平梯度值(c) 垂直梯度值

图11 误检测车位线角点

Fig.11 False detection of parking line corner points

3.4 后摄像头修正

目前常用的基于摄像头的车位检测是根据侧向摄像头拍摄的画面进行车位检测，车辆距离车位线较远且多是在车辆以较高车速向前行驶时段，因此会带来一定的延迟。为了对减少标定、延迟等带来的误差，本文中对侧向摄像头得到的车位在车辆泊车过程中通过后摄像头对车位线坐标进行修正。此时后摄像头距离车位线较近且车速较低，检测得到的车位线坐标精度更高。

4 系统功能实车测试验证

试验平台如图12所示，包括4个鱼眼摄像头、轮速传感器、电动助力转向系统(EPS车辆自身配备)。

图12 试验平台

Fig.12 Test platform

基于该试验平台，在不同车速和侧向距离下，对基于多视觉传感器的泊车辅助系统进行了水平和垂直泊车测试，如图13和图14所示。

图13 基于摄像头的水平泊车

Fig.13 Camera-based horizontal parking

图14 基于摄像头的垂直泊车

Fig.14 Camera-based vertical parking

相同的测试环境下，后摄像头修正前后的泊车误差统计如表1所示，从统计结果中可以看出修正后的泊车效果均方根误差更小、稳定性更好。

表1 后摄像头修正前后泊车误差

Table 1 Rear camera correction before and after parking error

误差均值/cm误差均方根值/cm修正前3.92929.269修正后1.5326.754

5 结语

本文设计出一种基于多视觉传感器的泊车辅助系统，并针对车位检测与识别过程进行了详细的研究，对相关技术进行了深入的分析和算法设计，提出一种泊车过程中利用车辆后摄像头修正车位检测精度的方法。

2.探索了社区居民参与基层治理的运行机制。议事会、业委会、监委会“三会”是城市社区的自主治理组织，是赋权式参与的社区关系网络重建，既体现了制度的安排，也彰显了社区功能的完善。作为组织机构，是居民与党委政府对话协商的机制与载体，有利于维护党群干群关系；作为群众自治组织，是发动群众参与当家作主、维护群众权益、表达群众诉求、扩大群众有序政治参与的运作模式；作为居民的代表组织，是相互监督、相互补充、相互制约的群体，代表着绝大部分居民的需求。

根据设计的泊车辅助系统架构，本文基于某型SUV车辆进行了实车改装和传感器的安装与标定。通过水平泊车和垂直泊车，对基于多视觉传感器的泊车辅助系统进行了功能验证。在停车试验场地中，该系统能够对车位进行精确的检测与识别，通过中央控制器对驾驶员进行选换档及制动等提醒，对车辆转向系统进行自动控制，最终实现高精度的泊车过程，使车辆能够准确地到达泊车位中心位置。

智慧图书馆信息系统通过系统互联、信息整合，实现无所不在的网络连接和智慧的应用管理。智慧图书馆信息系统建设是一个长期的、逐步推进的过程，是业务流程不断更新的过程，是管理制度不断完善的过程，也是新技术不断叠加的过程，应当遵循统一规划、分步实施、逐渐完善的原则。

参考文献

[1] 伦 一. 自动驾驶产业发展现状及趋势. 电信网技术, 2017(6):33-36.

[2] 《中国公路学报》编辑部. 中国汽车工程学术研究综述·2017. 中国公路学报, 2017(6): 1-197.

[3] 孟海华, 江洪波, 汤天波. 全球自动驾驶发展现状与趋势(上). 华东科技, 2014(9): 66-68.

[4] 王旭东. 基于环视的自动泊车方法研究与系统设计. 2013, 上海交通大学.

[5] 白中浩, 周培义, 王飞虎. 基于视觉的车位线识别算法. 中国机械工程, 2014(20): 2825-2829.

[6] Ho Gi, J., et al. Parking Slot Markings Recognition for Automatic Parking Assist System. in 2006 IEEE Intelligent Vehicles Symposium, 2006.

[7] 王 宁. 基于视觉的前方车辆检测与跟踪系统设计. 2016, 南京航空航天大学.

[8] 史 颖. 基于视频检测的车辆变道轨迹识别方法研究. 2017, 苏州科技学院;苏州科技大学.

[9] Zhang, Z., A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(11): 1330-1334.

[10] 杨喜宁, 等. 基于改进Hough变换的车道线检测技术. 计算机测量与控制, 2010(2): 292-294+298.

[11] 卞建勇, 徐建闽. 一种基于改进Hough变换的车道线检测算法. 微电子学与计算机, 2013(5): 157-161.