一种基于前向障碍物识别的自适应防撞分级预警方法技术

本发明专利技术公开了一种基于前向障碍物识别的自适应防撞分级预警方法。首先，为了准确识别前向障碍物类型，建立了基于深度学习的前向障碍物识别模型。其次，综合考虑前向障碍物类型、运动状态和道路环境等因素对前向碰撞的影响，建立了具有自适应交通环境特性的行车安全距离模型，并对碰撞危险进行量化。最后，制定前向防撞分级预警策略。本发明专利技术提出的方法适应不同的交通环境和行驶工况，且能够根据交通环境自适应调整阈值，并以数值的形式将前向碰撞危险精确量化，实现不同碰撞危险程度下的自适应防撞分级预警，解决了现有的半挂罐车防撞预警方法缺乏准确性、适应性的问题。

【技术实现步骤摘要】
一种基于前向障碍物识别的自适应防撞分级预警方法
本专利技术涉及一种半挂罐车前向碰撞预警方法，尤其是涉及一种基于前向障碍物识别的自适应防撞分级预警方法，属于汽车安全

技术介绍
随着我国道路交通运输的快速发展，半挂罐车已然成为危险品公路运输的主要载体，据统计，全国每天有近300万吨的危险物品运输在路上，使得半挂罐车也成为了影响道路交通安全的主要因素。由于半挂罐车的罐内装载多为易燃易爆、剧毒(汽油、甲醇、丙烯腈等)等危险化学品，一旦发生交通事故，易导致泄漏、燃烧、爆炸等严重后果，造成财产损失、环境污染、生态破坏、群死群伤等恶劣影响，且极易诱发大型、特大型安全事故，对社会公共安全构成巨大的威胁。美国公路交通安全管理局的相关统计数据表明，车辆碰撞事故是道路运输过程中最主要的事故形态，而前向碰撞在碰撞事故中所占的比例最大，特别是在高速公路上的碰撞事故几乎都是前向碰撞。如果能在碰撞事故发生前对驾驶员进行预警以提醒驾驶员采取制动、变道等措施，可以大幅度降低因前向碰撞造成的交通事故发生频率或减轻其造成的伤害。因此，研究准确、可靠的半挂罐车前向防撞预警方法，对提升危险品运输安全保障能力、提高道路交通安全具有重要的作用。目前针对车辆防撞预警算法的研究较多，但大多面向小型机动车辆。相比于小型机动车辆，半挂罐车具有质心位置较高、整车质量较大、罐内液体存在晃动等特点，导致其制动性能相对较差。具体而言，半挂罐车的制动距离较长，制动稳定性较差，在紧急制动或避障过程中，罐内液体的晃动会进一步加剧了车辆不稳定的程度。若采用较大的制动减速度，极易失稳而发生侧翻，导致危险品运输事故的发生。因此，针对小型机动车辆的防撞预警算法难以适用于半挂罐车。在半挂罐车碰撞预警领域中，常用的碰撞危险表征参数包括行车安全距离、预计碰撞时间等，现有的预警算法大多数是基于固定的风险评价模型输出碰撞危险表征参数，在车辆行驶过程中，将该表征参数的实际值与设定的报警阈值进行比较，当实际值超过阈值时进行碰撞预警。然而，碰撞危险受道路环境、驾驶行为、行驶工况等多因素影响，采用固定不变的预警模型和报警阈值，虽然可以起到一定的预警作用，但存在对不同交通环境的适应性差、预警不准确的问题，难以适应复杂多变的交通环境和波动差异的车辆行驶工况。整体来说，现有的半挂罐车防撞预警方法，在准确性和适应性上仍存在着较大的不足，尚缺乏准确、自适应交通环境特性的半挂罐车防撞分级预警方法。
技术实现思路
专利技术目的：为了解决现有的半挂罐车防撞预警方法缺乏准确性和适应性的问题，本专利技术针对运输危险品的半挂罐车，提出了一种基于前向障碍物识别的自适应防撞分级预警方法。该方法适应不同的交通环境和行驶工况，且能够根据交通环境自适应调整阈值，并以数值的形式将前向碰撞危险精确量化，实现不同碰撞危险程度下的自适应防撞分级预警，解决了现有的半挂罐车防撞预警方法缺乏准确性、适应性的问题。同时，该方法使用的传感器成本较低，计算方法清晰，可以实现在线监测半挂罐车的前向碰撞风险，便于大规模推广。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于前向障碍物识别的自适应防撞分级预警方法。首先，为了准确识别前向障碍物类型，建立了基于深度学习的前向障碍物识别模型。其次，综合考虑前向障碍物类型、运动状态和道路环境等因素对前向碰撞的影响，建立了具有自适应交通环境特性的行车安全距离模型，并对碰撞危险进行量化。最后，制定前向防撞分级预警策略，从而实现了准确、可靠、自适应交通环境特性的半挂罐车防撞分级预警。具体包括以下步骤：步骤一：建立基于深度学习的前向障碍物识别模型在研究半挂罐车防撞预警时，为了考虑前向障碍物类型造成的影响，需基于自车视角实时、准确的识别前向障碍物的类型，即识别同车道内前方车辆的类型。本专利技术采用基于SSD的目标检测算法，建立前向障碍物识别模型，整体架构如图2所示，具体包括以下4个子步骤：子步骤1：建立针对我国交通环境的车辆数据集在半挂罐车前挡风玻璃内侧安装视觉传感器，并将镜头对准车辆的正前方。首先，利用视觉传感器采集半挂罐车前方的图像信息，建立针对我国交通环境的车辆数据集。其次，对视觉传感器获取的前车样本进行矩形框标注。最后，将样本尺寸调整为Q×Q像素，并记为其中，Q为样本的像素，i为样本序号，xi为第i个样本的标注信息，即人工标注的真值，分别表示第i个样本的中心点横坐标、中心点纵坐标、矩形框宽度和矩形框高度，nclass表示标注类别，在本专利技术中，取nclass＝1,2,3，分别表示车辆为小型车、中型车和大型车。子步骤2：建立基于改进SSD的前向障碍物识别模型本专利技术利用SSD目标检测网络(参考文献：LiuW,AnguelovD,ErhanD,etal.SSD:Singleshotmultiboxdetector[C]//EuropeanConferenceonComputerVision,2016:21-37.)，建立前向障碍物识别模型。为了更好地满足实时、准确的车型识别需求，本专利技术对识别模型中的特征提取基础网络和边界框生成网络进行改进，具体地：(1)特征提取基础网络为了提高特征提取的速度，本专利技术对基础网络部分进行轻量化改进。考虑到深度可分离卷积可以使特征图输出尺寸不变的同时，减少较多的网络计算参数。因此，本专利技术利用深度可分离卷积层替换基础网络中的部分卷积层。本专利技术设置卷积核大小为3×3的普通卷积层数量为其中，取卷积核数量为步长均为1；设置深度可分离卷积层数量为其中，取卷积核数量为步长均为1。根据以上各变量的取值范围，建立不同的前向障碍物识别模型，利用子步骤1建立的车辆数据集对这些模型进行测试和验证，在同时考虑车型识别精度和速度的情况下，确定性能最优的网络模型。具体结构描述如下：1)标准卷积层1_1：第一层的输入是原始图像，像素为Q×Q，用64个3×3的卷积核与原始输入图像做卷积，步长为1，将线性整流单元(RectifiedLinearUnits,ReLU)作为神经元的激活函数，经过ReLU激活，输出维度为Q×Q×64的特征图。2)标准卷积层1_2：用64个3×3的卷积核与第1层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为Q×Q×64的特征图。3)最大池化层1_1：用64个2×2的核与第2层输出的特征图做最大池化，步长为2，输出维度为的特征图。4)标准卷积层2_1：用128个3×3的卷积核与第3层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为的特征图。5)标准卷积层2_2：用128个3×3的卷积核与第4层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为的特征图。6)最大池化层2_1：用128个2×2的核与第5层输出的特征图做最大池化，步长为2，输出维度为的特征图。7)深度可分离卷积层1_1：用128个3×3的卷积核与第6层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为的特征图。<本文档来自技高网...

【技术保护点】
1.一种基于前向障碍物识别的自适应防撞分级预警方法，首先，建立基于深度学习的前向障碍物识别模型；其次，建立具有自适应交通环境特性的行车安全距离模型，并对碰撞危险进行量化；最后，制定前向防撞分级预警策略；其特征在于：/n步骤一：建立基于深度学习的前向障碍物识别模型/n采用基于SSD的目标检测算法，建立前向障碍物识别模型，具体包括以下4个子步骤：/n子步骤1：建立针对我国交通环境的车辆数据集/n在半挂罐车前挡风玻璃内侧安装视觉传感器，并将镜头对准车辆的正前方；首先，利用视觉传感器采集半挂罐车前方的图像信息，建立车辆数据集；其次，对视觉传感器获取的前车样本进行矩形框标注；最后，将样本尺寸调整为Q×Q像素，并记为

【技术特征摘要】
1.一种基于前向障碍物识别的自适应防撞分级预警方法，首先，建立基于深度学习的前向障碍物识别模型；其次，建立具有自适应交通环境特性的行车安全距离模型，并对碰撞危险进行量化；最后，制定前向防撞分级预警策略；其特征在于：
步骤一：建立基于深度学习的前向障碍物识别模型
采用基于SSD的目标检测算法，建立前向障碍物识别模型，具体包括以下4个子步骤：
子步骤1：建立针对我国交通环境的车辆数据集
在半挂罐车前挡风玻璃内侧安装视觉传感器，并将镜头对准车辆的正前方；首先，利用视觉传感器采集半挂罐车前方的图像信息，建立车辆数据集；其次，对视觉传感器获取的前车样本进行矩形框标注；最后，将样本尺寸调整为Q×Q像素，并记为
其中，Q为样本的像素，i为样本序号，xi为第i个样本的标注信息，即人工标注的真值，分别表示第i个样本的中心点横坐标、中心点纵坐标、矩形框宽度和矩形框高度，nclass表示标注类别，取nclass＝1,2,3，分别表示车辆为小型车、中型车和大型车；
子步骤2：建立基于改进SSD的前向障碍物识别模型
利用SSD目标检测网络建立前向障碍物识别模型；对识别模型中的特征提取基础网络和边界框生成网络进行改进，具体地：
(1)特征提取基础网络
对基础网络部分进行轻量化改进；利用深度可分离卷积层替换基础网络中的部分卷积层；
设置卷积核大小为3×3的普通卷积层数量为其中，取卷积核数量为步长均为1；设置深度可分离卷积层数量为其中，取卷积核数量为步长均为1；
根据以上各变量的取值范围，建立不同的前向障碍物识别模型，利用子步骤1建立的车辆数据集对这些模型进行测试和验证，确定性能最优的网络模型；具体结构描述如下：
1)标准卷积层1_1：第一层的输入是原始图像，像素为Q×Q，用64个3×3的卷积核与原始输入图像做卷积，步长为1，将线性整流单元作为神经元的激活函数，经过ReLU激活，输出维度为Q×Q×64的特征图；
2)标准卷积层1_2：用64个3×3的卷积核与第1层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为Q×Q×64的特征图；
3)最大池化层1_1：用64个2×2的核与第2层输出的特征图做最大池化，步长为2，输出维度为的特征图；
4)标准卷积层2_1：用128个3×3的卷积核与第3层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为的特征图；
5)标准卷积层2_2：用128个3×3的卷积核与第4层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为的特征图；
6)最大池化层2_1：用128个2×2的核与第5层输出的特征图做最大池化，步长为2，输出维度为的特征图；
7)深度可分离卷积层1_1：用128个3×3的卷积核与第6层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为的特征图；
8)深度可分离卷积层1_2：用128个3×3的卷积核与第7层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为的特征图；
9)深度可分离卷积层1_3：用128个3×3的卷积核与第7层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为的特征图；
10)最大池化层3_1：用256个2×2的核与第9层输出的特征图做最大池化，步长为2，输出维度为的特征图；
11)深度可分离卷积层2_1：用256个3×3的卷积核与第10层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为的特征图；
12)深度可分离卷积层2_2：用256个3×3的卷积核与第11层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为的特征图；
13)深度可分离卷积层2_3：用256个3×3的卷积核与第12层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为的特征图；
14)最大池化层3_1：用512个2×2的核与第13层输出的特征图做最大池化，步长为2，输出维度为的特征图；
(2)边界框生成网络
在完成多尺度特征映射后，设计不同尺寸的边界框；首先，确定各边界框相对于样本图像的比例：



式(1)中，Sj为第j个边界框相对于样本图像的比例，Smax,Smin分别表示最大、最小的尺度参数，取Smax＝0.9，Smin＝0.2，N为特征图的尺度数量，取N＝6；
其次，对边界框的尺寸进行针对性设计；设计6种宽高比参数：生成的边界框的宽和高分别为：



式(2)中，Wj,Hj分别表示第j个边界框的宽和高，β表示边界框的宽高比参数；
子步骤3：训练前向障碍物识别模型
对子步骤2中改进的车型识别模型进行训练，训练过程包含前向传播和反向传播两个阶段；在前向传播阶段，将数据集输入到网络中，计算相应的实际输出，建立由两部分组成的损失函数：



式(3)中，Mbbox表示与真值相匹配的边界框数量，Jconf(z,c)为置信度损失，Jloc(z,lbbox,gtru)为位置损失，lbbox为预测的边界...

【专利技术属性】
技术研发人员：李旭，胡玮明，郑智勇，徐启敏，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32