一种车辆距离探测方法、系统、设备及介质技术方案

本发明专利技术公开了一种车辆距离探测方法、系统、设备及介质，S1，在驾驶车辆行驶过程中，获取驾驶车辆正前方图像；S2，对获取的图像利用深度学习算法YOLOv4进行车辆检测，根据车辆横截面的大小将所有车辆分为小车、客车和货车三类；S3，确定小车、客车和货车三类分别对应的距离与像素点数的关系；S4，选取驾驶车辆当前车道中正前方的车辆；S5，对驾驶车辆正前方的车辆，判断该车辆的类别和像素点数，通过判断的类别与距离的关系，得到该车辆与驾驶车辆的距离。可以精确估计自身车辆与前方车辆的距离，为安全驾驶提供辅助。为安全驾驶提供辅助。为安全驾驶提供辅助。

【技术实现步骤摘要】
一种车辆距离探测方法、系统、设备及介质


[0001]本专利技术属于汽车安全领域，涉及一种车辆距离探测方法、系统、设备及介质。

技术介绍

[0002]根据最新数据，我国机动车保有量已经达到了3.6亿量，其中汽车保有量2.7亿量，由此导致了道路拥堵等一系列问题。由于车辆保有量大，在车辆的正常行驶中不可避免与其他车辆处于同一道路内，当紧急情况发生时若间隔距离太近容易发生事故。准确的估计自身与前方车辆的距离可以帮助驾驶员判断是否需要减速以保持安全距离，足够的安全距离能够在突发状况中给司机充分的动作时间，有效避免意外事故的发生。

技术实现思路

[0003]本专利技术的目的在于克服上述现有技术的缺点，提供一种车辆距离探测方法、系统、设备及介质，可以精确估计自身车辆与前方车辆的距离，为安全驾驶提供辅助。
[0004]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0005]一种车辆距离探测方法，包括以下过程：
[0006]S1，在驾驶车辆行驶过程中，获取驾驶车辆正前方图像；
[0007]S2，对获取的图像利用深度学习算法YOLOv4进行车辆检测，根据车辆横截面的大小将所有车辆分为小车、客车和货车三类；
[0008]S3，确定小车、客车和货车三类分别对应的距离与像素点数的关系；
[0009]S4，选取驾驶车辆当前车道中正前方的车辆；
[0010]S5，对驾驶车辆正前方的车辆，判断该车辆的类别和像素点数，通过判断的类别与距离的关系，得到该车辆与驾驶车辆的距离。
[0011]优选的，利用深度学习算法YOLOv4进行车辆检测的具体过程为：采集包含小车、客车、货车三类待检测目标的数据集，对数据集中的数据进行详细标注，利用此数据集训练YOLOv4算法；首先利用卷积神经网络进行特征提取，随后利用梯度下降算法训练模型，最后利用NMS算法消除同一目标的重叠边界框，获得可以精确检测上述三类目标的检测模型。
[0012]优选的，S3具体过程为：对小车、客车和货车三类分别多次采集距离与像素点数之间的对应数据，拟合出距离与像素点数之间的表达式。
[0013]优选的，S4具体过程为：根据预测框中心点横坐标与整体图像中心点横坐标的差值最小原则来选取当前车道中存在的车辆并排除其他相邻车道的车辆。
[0014]优选的，S5具体过程为：针对当前车道车辆，利用深度学习算法进行目标框生成，得到当前目标像素点数，另根据具体目标类别信息选择小车、客车或货车对应表达式推算当前距离。
[0015]优选的，得到驾驶车辆与正前方车辆的距离后，若距离小于安全距离，则向驾驶员发出预警信息。
[0016]进一步，确定车速与安全距离的相互关系，若距离小于当前车速下的最小安全距
离，则向驾驶员发出预警信息。
[0017]一种车辆距离探测系统，包括以下过程：
[0018]图像获取模块，用于在驾驶车辆行驶过程中，获取驾驶车辆正前方图像；
[0019]车辆分类模块，用于对获取的图像利用深度学习算法YOLOv4进行车辆检测，根据车辆横截面的大小将所有车辆分为小车、客车和货车三类；
[0020]距离与像素点数关系确定模块，用于确定小车、客车和货车三类分别对应的距离与像素点数的关系；
[0021]目标筛选模块，用于选取驾驶车辆当前车道中正前方的车辆；
[0022]距离计算模块，用于对驾驶车辆正前方的车辆，判断该车辆的类别和像素点数，通过判断的类别与距离的关系，得到该车辆与驾驶车辆的距离。
[0023]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述车辆距离探测方法的步骤。
[0024]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述车辆距离探测方法的步骤。
[0025]与现有技术相比，本专利技术具有以下有益效果：
[0026]本专利技术通过深度学习算法YOLOv4对车辆进行分类，在针对不同类别车辆进行距离和像素点数的拟合，得到不同类别车辆距离和像素点数的关系，从而对驾驶车辆正前方的车辆进行类别识别，再带入对应的距离和像素点数的关系，得到驾驶车辆与其正前方车辆的精确距离，为安全驾驶提供辅助。
[0027]进一步，通过车速与安全距离的相互关系，根据当前速度来判定当前距离是否安全，能够适应不同的车速，使距离预警更加智能。
附图说明
[0028]图1为本专利技术的行驶中拍摄得到的图像；
[0029]图2为本专利技术的拍摄图像中车辆检测结果；
[0030]图3为本专利技术的其他车道车辆排除结果。
具体实施方式
[0031]下面结合附图对本专利技术做进一步详细描述：
[0032]本专利技术所述车辆距离探测方法，将摄像机角度固定，放置在车辆前端中部，车载电脑放置在车辆后端。由摄像机进行车辆行进方向的图像采集，车载电脑对采集的图像进行处理，根据特定算法求出车辆前方是否有车辆，当有车辆时，根据特定算法求出车辆距离。
[0033]步骤一，图像拍摄：当车辆在行驶中时，摄像机拍摄道路中车辆前方的图像以备算法处理，获得的待处理图像如图1所示。由于摄像机位置固定，且会影响当前车辆行车安全的车辆肯定处于同一车道中，故应测量车辆距离的目标车辆应该处于图像特定区域。
[0034]步骤二，图像处理：对摄像机拍摄得到的图像利用深度学习算法YOLOv4进行车辆检测。由于不同车辆在同一距离下的横截面大小不同，本专利技术专利根据车辆横截面的大小将其大致分为：小车、客车、货车三类。在YOLOv4算法训练中针对小车、客车、货车三类分别
训练，以在检测时可以区分这三类目标。首先采集包含小车、客车、货车三类待检测目标的数据集，对数据集中的数据进行详细标注。利用此数据集在专业计算机上训练本专利所需的YOLOv4算法，首先利用卷积神经网络进行特征提取，随后利用梯度下降算法训练模型，最后利用NMS算法消除同一目标的重叠边界框，获得可以精确检测上述三类目标的检测模型。进一步将训练好的模型移植到车载计算机中，进行实时目标检测。对图1进行处理的结果如图2所示。
[0035]步骤三，目标确定，在一幅图像中往往存在多个车辆，不仅包含当前车道前方的车辆，还包括相邻车道前方的图像。因为相邻车道车辆与本车辆无干扰，故其距离不需测量。因为摄像机安装在车辆前部，故当前车道一般处于图像中心。根据预测框中心点横坐标与整体图像中心点横坐标的差值最小原则来选取当前车道中存在的车辆并排除其他相邻车道的车辆。如图,2中以图像左上角为原点，横向为X轴，纵向为Y轴，图像横向长473像素，纵向高355像素，故图像中心点横坐标为236。图3中最左侧车辆预测框中心点横坐标为122，中间车辆预测框中心点横坐标为160，最右侧车辆预测框中心点横坐标为247。故根据预测框中心点横坐标与整体图像中心点横坐标的差值最小原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆距离探测方法，其特征在于，包括以下过程：S1，在驾驶车辆行驶过程中，获取驾驶车辆正前方图像；S2，对获取的图像利用深度学习算法YOLOv4进行车辆检测，根据车辆横截面的大小将所有车辆分为小车、客车和货车三类；S3，确定小车、客车和货车三类分别对应的距离与像素点数的关系；S4，选取驾驶车辆当前车道中正前方的车辆；S5，对驾驶车辆正前方的车辆，判断该车辆的类别和像素点数，通过判断的类别与距离的关系，得到该车辆与驾驶车辆的距离。2.根据权利要求1所述的车辆距离探测方法，其特征在于，利用深度学习算法YOLOv4进行车辆检测的具体过程为：采集包含小车、客车、货车三类待检测目标的数据集，对数据集中的数据进行详细标注，利用此数据集训练YOLOv4算法；首先利用卷积神经网络进行特征提取，随后利用梯度下降算法训练模型，最后利用NMS算法消除同一目标的重叠边界框，获得可以精确检测上述三类目标的检测模型。3.根据权利要求1所述的车辆距离探测方法，其特征在于，S3具体过程为：对小车、客车和货车三类分别多次采集距离与像素点数之间的对应数据，拟合出距离与像素点数之间的表达式。4.根据权利要求1所述的车辆距离探测方法，其特征在于，S4具体过程为：根据预测框中心点横坐标与整体图像中心点横坐标的差值最小原则来选取当前车道中存在的车辆并排除其他相邻车道的车辆。5.根据权利要求1所述的车辆距离探测方法，其特征在于，S5具体过程为：针对当前车道车辆，利用深度学习算法进行目标框...

【专利技术属性】
技术研发人员：韩毅，田迪，关甜，张平，
申请(专利权)人：长安大学，
类型：发明
国别省市：