一种类人眼自适应消抖前视摄像头制造技术

本发明专利技术公开了一种类人眼自适应消抖前视摄像头，涉及智能汽车领域，针对容易受到极端恶劣天气的影响，特征难以识别；摄像头参数或拍摄角度多变，车辆在图像中的尺寸和位置也会发生较大变化；实际道路行驶过程中，受到摄像头视角限制，无法对全部车辆进行识别等问题，现提出如下方案，包括前置摄像头和用于控制前置摄像头的控制方法，所述控制方法包括以下步骤：S1、利用马尔可夫算法预测下一时刻车轮转角信息，确定模糊控制算法的输入变量和输出变量。本发明专利技术提出一种类人眼自适应消抖前视摄像头，能够实现车辆在转弯或者换道过程中获得车辆正前方视野，可以防止车辆在颠簸路面视野受阻，实现摄像头视角的增大，不受天气影响。不受天气影响。不受天气影响。

【技术实现步骤摘要】
一种类人眼自适应消抖前视摄像头


[0001]本专利技术涉及智能汽车领域，尤其涉及一种类人眼自适应消抖前视摄像头。

技术介绍

[0002]近年来，汽车辅助驾驶安全系统成为广大学者和科研人员研究的热点问题，汽车辅助安全系统中各种功能的实现主要通过汽车上安装的多种传感器。通过将收集到的相关数据进行系统的运算和分析后，辅助驾驶员进行操作决策。汽车辅助驾驶安全系统中常用的传感器有激光雷达、毫米波雷达、超声波雷达、惯导和摄像头等而摄像头相对于其他传感器而言，具有更好的可视性，能够获取更丰富的信息，且价格相对低廉，便于广泛应用。汽车辅助驾驶安全系统中借助计算机视觉技术能够及时感知交通环境，为驾驶员提供交通场景的驾驶预警信息，对于极大程度上减少交通事故的发生，有着举足轻重的作用。
[0003]虽然计算机视觉技术在智能交通领域已取得比较广泛的应用，但是在一些对检测精度、准确度、检测速度有高度要求的领域，计算机视觉的应用还受到一定的限制。这些挑战主要来自以下方面：
[0004]1)、容易受到极端恶劣天气的影响，特征难以识别；
[0005]2)、摄像头参数或拍摄角度多变，车辆在图像中的尺寸和位置也会发生较大变化；
[0006]3)、实际道路行驶过程中，受到摄像头视角限制，无法对全部车辆进行识别。

技术实现思路

[0007](一)专利技术目的
[0008]为解决
技术介绍
中存在的技术问题，本专利技术提出一种类人眼自适应消抖前视摄像头，能够实现车辆在转弯或者换道过程中获得车辆正前方视野，可以防止车辆在颠簸路面视野受阻，实现摄像头视角的增大，不受天气影响。
[0009](二)技术方案
[0010]本专利技术提供了一种类人眼自适应消抖前视摄像头，包括前置摄像头和用于控制前置摄像头的控制方法，所述控制方法包括以下步骤：
[0011]S1、利用马尔可夫算法预测下一时刻车轮转角信息，确定模糊控制算法的输入变量和输出变量，并对对输入变量和输出变量进行模糊化处理；
[0012]S2、确定输入变量和输出变量的论域，定义有限整数的离散论域；
[0013]S3、确定输入变量和输出变量的语言取值，建立对应的隶属度函数；
[0014]S4、确定输入变量和输出变量的模糊推理规则；
[0015]S5、建立模糊查询表；
[0016]S6、根据输入变量和输出变量，进行模糊推理；
[0017]S7、反模糊化，总结模糊查询表；
[0018]S8、利用卡尔曼滤波进行垂直方向的防抖调整。
[0019]作为本专利技术的进一步优化：步骤S1中，所述输入变量为车辆速度和前轮转角，所述
输出变量为摄像头横摆角。
[0020]作为本专利技术的进一步优化：步骤S1中，所述马尔可夫算法的配置为：
[0021]P(X
n+1
＝x
n+1
|X1＝x1,X2＝x2,
···
,X
n
＝x
n
)
[0022]＝P(X
n+1
＝x
n+1
|X
n
＝x
n
)
[0023]其中的随机变量可以叫做马尔科夫链的状态；而从当前状态转移到下一状态X
n+1
的转移概率p
ij
＝P(X
n+1
＝j|X
n
＝i)；首先利用先前采集到的有关车轮转角信息，离线生成概率转移矩阵，基于当前车轮转角转移到下一时刻车轮转角的概率矩阵图；在汽车行驶的过程中，利用先前生成的车轮转角概率转移矩阵，根据当前车轮转角预测出下一刻时刻车轮转角信息，将信息输入到模糊控制算法中。
[0024]作为本专利技术的进一步优化：步骤S2中，所述离散论域包括两个输入值，两个所述输入值分别为误差值e和误差变化率ec，所述离散论域还包括控制量u，所述误差值e的论域定义为{
‑
m，
‑
m+1，
···
，
‑
1,0,1，
···
，m
‑
1，m}，所述误差变化率ec的定义为{
‑
n，
‑
n+1，
···
，
‑
1,0,1，
···
，n
‑
1，n}，所述控制量u的定义为{
‑
i，
‑
i+1，
···
，
‑
1,0,1，
···
，i
‑
1，i}。
[0025]作为本专利技术的进一步优化：步骤S3中，所述隶属度函数配置为：
[0026]Vo对A的隶属频率＝Vo∈A的次数/试验总次数n
[0027]其中，随着n的增大,隶属频率也会趋向稳定,这个稳定值就是Vo对A的隶属度值。
[0028]作为本专利技术的进一步优化：步骤S4中，所述模糊推理规则包括近似推理、模糊条件推理、多输入模糊推理以及多输入多规则推理。
[0029]作为本专利技术的进一步优化：步骤S4中，所述模糊推理规则为：根据输入变量和输出变量的逻辑关系，建立如“输入1”为“名称1”和“输入2”为“名称3”时，输出为“输出1”的“状态2”的控制规则。
[0030]作为本专利技术的进一步优化：步骤S7中，所述去模糊化包括最大隶属度法、重心法以及加权平均法，所述最大隶属度法为选取推理结果模糊集合中隶属度最大的元素作为输出值，即：
[0031]V0＝maxμ
v
(v)，v∈V
[0032]如果在输出论阈V中，其最大隶属度对应的输出值多于一个，则取所有具有最大隶属度输出的平均值，即：
[0033][0034]其中，N为具有相同最大隶属度输出的总数；
[0035]所述重心法为取隶属度函数曲线与横坐标围成面积的重心，作为模糊推理的最终输出值，即：
[0036][0037]对于具有m个输出量化级数的离散阈情况：
[0038][0039]所述加权平均法的输出值为：
[0040][0041]其中系数k
i
的选择根据实际情况而定。
[0042]作为本专利技术的进一步优化：步骤S8中，所述卡尔曼滤波为线性系统状态方程，配置为：
[0043][0044][0045][0046][0047][0048]其中：和分别表示(k－1)时刻和k时刻的后验状态估计值；
[0049]是k时刻的先验状态估计值；
[0050]P
k
和P
k
‑1分别表示(k－1)时刻和k时刻的后验估计协方差；
[0051]是k时刻的先验估计协方差；
[0052]H是状态变量到测量的转换矩阵；
[0053]Z
k
测量值是滤波的输入；
[0054]K
k
是滤波增益矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种类人眼自适应消抖前视摄像头，包括前置摄像头和用于控制前置摄像头的控制方法，其特征在于：所述控制方法包括以下步骤：S1、利用马尔可夫算法预测下一时刻车轮转角信息，确定模糊控制算法的输入变量和输出变量，并对对输入变量和输出变量进行模糊化处理；S2、确定输入变量和输出变量的论域，定义有限整数的离散论域；S3、确定输入变量和输出变量的语言取值，建立对应的隶属度函数；S4、确定输入变量和输出变量的模糊推理规则；S5、建立模糊查询表；S6、根据输入变量和输出变量，进行模糊推理；S7、反模糊化，总结模糊查询表；S8、利用卡尔曼滤波进行垂直方向的防抖调整。2.根据权利要求1所述的一种类人眼自适应消抖前视摄像头，其特征在于：步骤S1中，所述输入变量为车辆速度和前轮转角，所述输出变量为摄像头横摆角。3.根据权利要求1所述的一种类人眼自适应消抖前视摄像头，其特征在于：步骤S1中，所述马尔可夫算法的配置为：P(X
n+1
＝x
n+1
|X1＝x1,X2＝x2,
···
,X
n
＝x
n
)＝P(X
n+1
＝x
n+1
|X
n
＝x
n
)其中的随机变量可以叫做马尔科夫链的状态；而从当前状态转移到下一状态X
n+1
的转移概率p
ij
＝P(X
n+1
＝j|X
n
＝i)；首先利用先前采集到的有关车轮转角信息，离线生成概率转移矩阵，基于当前车轮转角转移到下一时刻车轮转角的概率矩阵图；在汽车行驶的过程中，利用先前生成的车轮转角概率转移矩阵，根据当前车轮转角预测出下一刻时刻车轮转角信息，将信息输入到模糊控制算法中。4.根据权利要求1所述的一种类人眼自适应消抖前视摄像头，其特征在于：步骤S2中，所述离散论域包括两个输入值，两个所述输入值分别为误差值e和误差变化率ec，所述离散论域还包括控制量u，所述误差值e的论域定义为{
‑
m，
‑
m+1，
···
，
‑
1,0,1，
···
，m
‑
1，m}，所述误差变化率ec的定义为{
‑
n，
‑
n+1，
···
，
‑
1,0,1，
···
，n
‑
1，n}，所述控制量u的定义为{
...

【专利技术属性】
技术研发人员：郭健，张明甲，郭志奇，
申请(专利权)人：苏州安智汽车零部件有限公司，
类型：发明
国别省市：