本发明专利技术公开了一种基于视觉的智能车辆前向碰撞预警方法及系统。本发明专利技术方法通过使用YOLOv3算法对车辆前方的目标进行识别检测，输出目标的位置及最小边界包围框等信息；多目标跟踪算法测量目标矢量速度，预测未来走向；单目测距技术利用小孔成像原理计算当前目标的横向及纵向距离；使用结合多项式拟合和透视变换的车道线检测技术对视频中的车道线进行准确稳定的追踪；根据车道线检测结果、及驾驶员反映特性、前方最近目标相对速度等在本车前方绘制两块随自车车速动态变化的预警区域；碰撞预警技术融合距离感知对预警区域内检测到的目标输出不同预警等级，对可能发生碰撞的情况及时预警。采用本发明专利技术能够对潜在危险目标及时预警，降低碰撞发生的概率。降低碰撞发生的概率。降低碰撞发生的概率。
【技术实现步骤摘要】
一种基于视觉的智能车辆前向碰撞预警方法及系统
[0001]本专利技术涉及碰撞预警技术，属于计算机视觉、辅助驾驶领域，具体涉及一种基于视觉的智能车辆前向碰撞预警方法及系统。
技术介绍
[0002]传统的汽车被动安全技术虽然能在碰撞发生时尽可能减小伤害但并不能从根本上避免危险的发生，尤其是面对一些突发情况时，以人的观察能力可能并不能做出及时反应，近几年汽车安全配置发展迅速，从以前的完全靠人为观察、预判危险到现在汽车能够自动预判危险并发出预警，从根源上降低了事故发生的概率。
[0003]基于视觉的智能车辆前向碰撞预警系统,运用计算机视觉技术，对行车记录仪采集到的视频进行处理分析。该系统包括目标检测技术，多目标跟踪技术，车道线检测技术，预警区域实时计算技术四大核心技术。四大核心技术的国内外研究现状综述如下：
[0004](1)基于Y0L0v3的目标检测技术
[0005]准确识别并定位前方目标的位置是提高预警准确率的基础，现有的目标检测算法可以归结为两类，第一类是传统的目标检测算法，它是通过提取HOG、Haar、LUV等特征，训练分类器完成的，这种方法只有在某些特定条件下才能获得较好的检测效果。近几年通过卷积层在图像中提取特征的深度学习发展迅速，从RCNN到YOLO(youonlylookoncev3)再到FasterRCNN，目标检测在精度和速度上都有了很大的突破，但其检测速度慢并且对小目标的检测效果较差。
[0006](2)多目标跟踪技术
[0007]在前车碰撞预警系统中，指定区域内对动态多目标运动趋势预测十分重要，是提前发出预警的重要基础，能帮助驾驶员预测可能发生碰撞的目标，减少事故发生的概率。目标跟踪传统的研究方法是通过序列图像信息提取出点、直线、曲线、参照点等目标特征，进而利用以上个体特征实现对目标的追踪，但这种方法会导致跟踪不稳定、目标丢失等问题，很难应用到实际领域中。
[0008](3)车道线检测技术
[0009]准确识别前方车道是安全辅助驾驶的关键，是绘制预警区域的基础。传统的基于霍夫变换(Hough Transform)的车道线检测以及其改进方法概率霍夫变换PPHT(Progressive Probabfistic HoughTransform)在环境良好的情况下对直线检测效果较好，但难以准确检测弯道，因此针对弯道检测这一问题，多采用曲线拟合的方法，例如使用LmedSquare曲线检测弯曲车道线或者在拟合时利用蚁群算法对多条候选二次曲线的参数进行多次迭代，但这些方法由于需要大量拟合点和较好的二值图作为输入，因此计算量非常大。
[0010](4)预警区域实时计算技术
[0011]安全距离模型是绘制预警区域的基础，而绘制合理的动态安全区域是系统评估前方目标危险等级的关键，目前国内外学者对此进行了深入研究并提出了一些安全距离模
型，例如基于加速度的Kometani改进模型，但是其并没有考虑到驾驶员行为特性、汽车反应特性等关键因素，因此模型并不是很完善仍有很大的改进空间。
技术实现思路
[0012]为了解决现有技术问题，本专利技术的目的在于克服已有技术存在的不足，提供一种基于视觉的智能车辆前向碰撞预警方法及系统，对可能发生碰撞的情况及时预警，降低事故发生的概率。
[0013]为达到上述专利技术创造目的，本专利技术采用如下技术方案：
[0014]一种基于视觉的智能车辆前向碰撞预警方法，包括以下操作步骤：
[0015](1)使用行车记录仪中采集到的视频，结合YOLOv3算法对视频中的目标进行识别与检测，输出目标的位置及最小边界包围框信息；
[0016](2)使用基于卡尔曼滤波的多目标跟踪算法，根据步骤(1)输出的连续帧中的目标位置信息，对目标中心点轨迹进行预测及矫正，并测量其矢量速度；
[0017](3)使用基于小孔成像原理的单目测距算法，根据步骤(1)输出的目标框宽度信息、最小边界包围框信息并结合相应的先验知识计算出目标纵向距离及偏转角，再利用三角函数关系计算出目标横向距离；
[0018](4)进行车道线检测，首先对视频图像进行预处理，使用sobel边缘检测算法提取车道线的边缘，通过透视变换将二值图变换为鸟瞰图，降低曲线拟合阶次，再通过滑动窗口法提取一系列有效的离散像素点，然后用两条曲线来拟合这些像素，最后将拟合的车道线使用透视变换还原到原视角；
[0019](5)根据驾驶员反应特性以及汽车反应特性计算出紧急制动距离，再结合步骤(4)计算出两块随车速动态变化的不同等级预警区域；将视频图像中的像素距离和实际距离用一元三次多项式P
h
＝AL3‑
BL2+CL+D进行拟合从而将实际距离转换成像素距离，其中L为实际距离，P
h
为像素距离，A，B，C，D为多项式系数；
[0020](6)结合步骤(4)和步骤(5)计算出两块随车速动态变化的不同等级预警区域，融合距离感知对预警区域内检测到的目标输出不同预警等级，对可能发生碰撞的情况及时预测并提醒。
[0021]优选地，所述步骤(1)使用COCO数据集对YOLOv3网络重新训练，模型精确度可高达99.8％。
[0022]优选地，在所述步骤(2)中的轨迹预测及矫正通以下公式实现：
[0023](2
‑
1)预测：x
k
＝Ax
k
‑1+Bu
k
‑
1 p
k
＝Ap
k
‑1A
T
+Q
[0024]其中x
k
为k时刻的状态，x
k
‑1为k
‑
1时刻的状态，u
k
‑1为k
‑
1时刻外界对系统的作用，A为状态转移矩阵，它表示如何从上一时刻的状态太推测当前时刻的状态，B为输入控制矩阵，表示控制量u
k
如何作用于当前状态，p
k
为k时刻的误差矩阵，p
k
‑1为k
‑
1时刻的误差矩阵，A
T
为A的转置矩阵，Q为预测噪声协方差矩阵，用来表示预测模型本身带来的噪声。
[0025](2
‑
2)矫正：
[0026]K
k
＝P
k
H
T
(HP
k
H
T
+R)
‑
1 x
k
＝x
k
+K
k
(z
k
‑
Hx
k
) P
k
＝(I
‑
K
k
H)P
k
[0027]其中K
k
为k时刻的卡尔曼增益，H为观测矩阵，H
T
为H的转置矩阵，R为测量噪声协方差矩阵，z
k
为k时刻的观本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于视觉的智能车辆前向碰撞预警方法，其特征在于，包括以下操作步骤：(1)使用行车记录仪中采集到的视频，结合YOLOv3算法对视频中的目标进行识别与检测，输出目标的位置及最小边界包围框信息；(2)使用基于卡尔曼滤波的多目标跟踪算法，根据步骤(1)输出的连续帧中的目标位置信息，对目标中心点轨迹进行预测及矫正，并测量其矢量速度；(3)使用基于小孔成像原理的单目测距算法，根据步骤(1)输出的目标框宽度信息、最小边界包围框信息并结合相应的先验知识计算出目标纵向距离及偏转角，再利用三角函数关系计算出目标横向距离；(4)进行车道线检测，首先对视频图像进行预处理，使用sobel边缘检测算法提取车道线的边缘，通过透视变换将二值图变换为鸟瞰图，降低曲线拟合阶次，再通过滑动窗口法提取一系列有效的离散像素点，然后用两条曲线来拟合这些像素，最后将拟合的车道线使用透视变换还原到原视角；(5)根据驾驶员反应特性以及汽车反应特性计算出紧急制动距离，再结合步骤(4)计算出两块随车速动态变化的不同等级预警区域；将视频图像中的像素距离和实际距离用一元三次多项式P
h
＝AL3‑
BL2+CL+D进行拟合从而将实际距离转换成像素距离，其中L为实际距离，P
h
为像素距离，A，B，C，D为多项式系数；(6)结合步骤(4)和步骤(5)计算出两块随车速动态变化的不同等级预警区域，融合距离感知对预警区域内检测到的目标输出不同预警等级，对可能发生碰撞的情况及时预测并提醒。2.根据权利要求1所述基于视觉的智能车辆前向碰撞预警方法，其特征在于：所述步骤(1)使用COCO数据集对YOLOv3网络重新训练，模型精确度可高达99.8％。3.根据权利要求1所述基于视觉的智能车辆前向碰撞预警方法，其特征在于：在所述步骤(2)中的轨迹预测及矫正通以下公式实现：(2
‑
1)预测：x
k
＝Ax
k
‑1+Bu
k
‑
1 p
k
＝Ap
k
‑1A
T
+Q其中x
k
为k时刻的状态，x
k
‑1为k
‑
1时刻的状态，u
k
‑1为k
‑
1时刻外界对系统的作用，A为状态转移矩阵，它表示如何从上一时刻的状态太推测当前时刻的状态，B为输入控制矩阵，表示控制量u
k
如何作用于当前状态，p
k
为k时刻的误差矩阵，p
k
‑1为k
‑
1时刻的误差矩阵，A
T
为A的转置矩阵，Q为预测噪声协方差矩阵，用来表示预测模型本身带来的噪声。(2
‑
2)矫正：K
k...
【专利技术属性】
技术研发人员：金彦亮，潘艺宁，
申请(专利权)人：上海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。