專利名稱：高等級公路上車輛防追尾碰撞預(yù)警方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能交通和智能車輛研究領(lǐng)域，具體說是對本車與前方車輛之間是否能夠發(fā)生追尾碰撞作出預(yù)測，當(dāng)可能存在車輛追尾碰撞的情況下，向駕駛員發(fā)出提醒警告的系統(tǒng)。
背景技術(shù)：
目前關(guān)于車輛防追尾碰撞警告技術(shù)的研究，一種方法是利用在車輛尾部安裝探測雷達，來判斷后方是否有車輛接近，這種方法是一種被動警告，不能很好地避開被追尾的可能。若本車因事故停在路上，雖然防追尾碰撞警告系統(tǒng)能夠發(fā)出警告，但本車無法操縱，以躲避后面撞來的車輛。另一種是在車輛前部安裝探測雷達，這種方法雖然是主動警告，但目前一些雷達系統(tǒng)價格昂貴，故不利于產(chǎn)品化推廣。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種能適應(yīng)高等級公路上實現(xiàn)車輛防追尾碰撞預(yù)警的方法和系統(tǒng)，該方法和系統(tǒng)能預(yù)測可能發(fā)生的車輛追尾碰撞事故，提前發(fā)出警告，提醒駕駛員減速或制動車輛，從而避免車輛追尾碰撞事故的發(fā)生。
本發(fā)明提供的能適應(yīng)高等級公路上車輛防追尾碰撞預(yù)警方法為順序啟動圖像信息采集模塊a、車輛特征提取模塊b、信息融合決策模塊c、車輛定位跟蹤模塊d、測距與測速模塊e和防碰撞警告決策模塊f。
圖像信息采集模塊a的主要功用是獲取圖像信息及調(diào)節(jié)攝像機的控制參數(shù)。圖像信息包括圖像的灰度值和圖像大小。攝像機的控制參數(shù)主要有快門和增益，通過這兩個參數(shù)調(diào)節(jié)圖像采集質(zhì)量。圖像信息采集模塊a采集的圖像為本車前方道路場景中的圖像。
車輛特征提取模塊b主要用來對已獲取的圖像進行分析，即利用車輛特征作為信息分析的手段，將圖像中滿足車輛特征的子圖像區(qū)域分離出來。這里主要車輛特征為車輛陰影特征、車輛紋理特征、車輛邊緣特征和車輛的對稱性特征。
車輛陰影特征的提取又分為以下三個子模塊陰影區(qū)域分割、陰影區(qū)域預(yù)處理和陰影特征提取。陰影分割采用了兩種算法一種是基于路面信息的分割方法，該方法利用了路面灰度圖像模板的灰度均值和方差確定車輛陰影分割閾值。計算公式由下式給出Thresholdf＝mean-k*Variancemean(k≥1)式中mean為路面樣本的灰度均值，Variancemean為路面樣本的灰度均方差，k為調(diào)整系數(shù)。
車輛陰影分割另一方法是基于車輛陰影灰度最小原則的閾值確定準(zhǔn)則，該方法的計算公式由下式給出Thresholdp＝mean+Variancemean式中mean表示一個設(shè)定大小的矩形探測窗口遍歷整個圖像下半?yún)^(qū)域后其中最小的灰度均值，Variancemean表示探測窗口取最小灰度均值時所對應(yīng)的均方差。
Thresholdf＝mean-k*Variancemean(k≥1)式中mean為路面樣本的灰度均值，Variancemean為路面樣本的灰度均方差，k為調(diào)整系數(shù)。
Threshold=Thresholdfif mean≥Tmor var iance≤TvThresholdpelse]]>上式給出了兩種車輛陰影分割方法根據(jù)不同路面灰度特征適時選擇的判斷依據(jù)。式中mean為路面樣本的灰度均值，Variancemean為路面樣本的灰度均方差，Tm和Tv為經(jīng)驗參數(shù)，分別表示路面的平均灰度和均方差；利用所獲得的圖像陰影區(qū)域分割閾值，對圖像進行分割，并對所獲得的二值化圖像采用形態(tài)學(xué)濾波和空穴填充的方法，增強分割后陰影區(qū)域的形狀特征，繼而建立車輛的感興趣區(qū)域。
在車輛陰影被分割出來后，便可獲得陰影區(qū)域的二值化圖像。對整個二值化圖像中的陰影區(qū)域采用了形態(tài)學(xué)濾波和空穴填充的方法進行預(yù)處理，以便使車輛陰影區(qū)域具有較強的形狀特征。
在二值化圖像中的陰影區(qū)域經(jīng)過預(yù)處理后，進行了陰影的特征提取。描述陰影特征采用矩形度來表征。矩形度能夠度量一塊陰影區(qū)域的矩形程度，若陰影的形狀接近矩形程度越大則其矩形度值越大。一般車輛陰影區(qū)域往往具有較強的矩形特征，利用該特征能將可能的車輛陰影區(qū)域提取出來。
利用已檢測出的可能的車輛陰影區(qū)域及其在圖像中的位置，在圖像中可以建立一些可能存在車輛的區(qū)域，這些區(qū)域稱為車輛的感興趣區(qū)域。
信息融合決策模塊c是利用車輛特征提取模塊b獲取的車輛的感興趣區(qū)域的三個特征值紋理特征、邊緣特征和對稱性特征，采用線性的信息融合手段來判斷車輛的感興趣區(qū)域內(nèi)是否有車輛；在建立了車輛的感興趣區(qū)域后，分別對感興趣區(qū)域內(nèi)的圖像進行了紋理特征、邊緣特征和對稱性特征的提取。
紋理特征提取采用計算車輛的感興趣區(qū)域的計盒子維數(shù)，來表征車輛的感興趣區(qū)域內(nèi)圖像的紋理特征，計盒子維主要用來描述圖像區(qū)域的粗糙程度，一般由于車輛后部存在后風(fēng)擋玻璃、車牌、保險杠等，從圖像角度分析該區(qū)域灰度分布不均勻，即粗糙。而路面的其它區(qū)域的灰度分布比較均勻。因此，利用車輛的感興趣區(qū)域內(nèi)圖像的計盒子維數(shù)的大小判斷該區(qū)域是否為真正的車輛。
通常，車輛的后部存在許多明顯的邊緣特征，如后風(fēng)擋玻璃、后保險杠以及車牌等邊緣。這些邊緣特征對于判斷車輛的感興趣區(qū)域內(nèi)是否為車輛以及最終的車輛定位是非常有用。對車輛的感興趣區(qū)域內(nèi)圖像進行邊緣特征提取，首先采用了Log算子和形態(tài)學(xué)邊緣檢測算子融合的方法實現(xiàn)邊緣檢測。在邊緣檢測的基礎(chǔ)上，利用下面公式提取邊緣特征Ev=12H(max(V1(i))+max(V2(i)))]]>i∈[Yl-Δx，Yl+Δx*]and i∈[Yr-Δx*，Yr+Δx]Eh=1H(Yr-Yl+1)(Σi=YlYrΣj=YdYd+HEh(i,j))]]>其中Yd，Yl和Yr分別表示已識別車輛陰影的底邊界、左邊界和右邊界。Ev(i，j)表示垂直邊界圖像，Eh(i，j)表示水平邊界圖像，V1(i)和V2(i)分別表示左右兩側(cè)垂直邊緣的垂直投影量。這里H＝(Yr-Yl)×1.4，即陰影寬度的1.4倍，Δx＝5，Δx*＝(Yr-Yl)/3。Ev表示左右兩側(cè)最大的垂直邊緣相對感興趣區(qū)域高度所占的比重，該值越大說明垂直邊緣比較突出。Eh表示了在感興趣區(qū)域內(nèi)水平邊緣的密度及每段水平邊緣相對感興趣區(qū)域?qū)挾人嫉谋戎亍Ｋ竭吘墧?shù)目越多，長度越大則該值越高。
通常，由于車輛具有較強的垂直邊緣特征，且兩側(cè)的垂直邊緣具有一定的對稱性，為此，采用對稱性測度來衡量車輛的兩側(cè)垂直邊緣的對稱程度。對稱性測度計算公式由下式給出s(xs,w)=Ee′(xs,w)-Eo(xs,w)Ee′(xs,w)+Eo(xs,w)]]>測度s為區(qū)間(-1，1)內(nèi)的任意數(shù)，s＝1表示完全對稱，s＝-1表示完全不對稱。
車輛的感興趣區(qū)域內(nèi)的車輛識別，其類別為車輛類和非車輛類。參與類別判決的特征有3個，依據(jù)模式識別的相關(guān)理論，判決邊界為一個平面函數(shù)，因此給出車輛識別的判決函數(shù)定義為d(x)＝ω1xtexture+ω2xedge+ω3xsymmetry這里xtexture為紋理特征，xedge為邊緣特征，xsymmetry為邊緣對稱性特征。ωii＝1，2，3為權(quán)值。
最終車輛判決依據(jù)是if d(x)≥d′則判決車輛的感興趣區(qū)域內(nèi)有車輛存在，否則為非車輛。d′為經(jīng)驗值。
車輛定位跟蹤模塊(d)是在判斷區(qū)域內(nèi)有車輛存在時啟動，其定位是在圖像中將車輛的位置用外接矩形框標(biāo)識，跟蹤是在序列圖像中利用第一幀車輛定位結(jié)果，適時在后續(xù)的圖像中將車輛在圖像中的位置標(biāo)記出來。
測距與測速模塊(e)是在完成車輛定位后啟動，測距是利用已經(jīng)制定的測距模型計算公式來獲得，本車車速的測量是利用道路中間的段狀車道線來實現(xiàn)；本車與前方車輛之間的距離測量采用了如下的測距模型d＝hay/(v-v0)其中ay和v0為已知量，可通過攝像機標(biāo)定獲得。v為在圖像中車輛被定位后其外界矩形框的下邊界在圖像中的縱坐標(biāo)，單位為像素。h為智能相機在車輛駕駛內(nèi)的安裝高度。
本車車速的估計算法利用了高等級公路上中間的白色段狀分道線特征。由于在實際道路上白色的段狀分道線的長度是已知的，每段白色段狀分道線之間的間距也是已知的。利用圖像中道路的信息，通過捕獲白色段狀車道線在圖像中出現(xiàn)并消失所需要的時間，利用下式便可估算本車車速v=LT]]>其中L為白色的段狀分道線的長度，T為白色段狀車道線在圖像中出現(xiàn)并消失所需要的時間。
防碰撞警告決策模塊f是在獲得本車與前方車輛的距離及本車車速后啟動，并根據(jù)本車當(dāng)前的車速，計算出本車與前方車輛之間應(yīng)保持的安全車距，同時與實際測量得到的車間距離進行比較分析，并采用安全度的方法作為預(yù)警時機的判決準(zhǔn)則，以決定發(fā)出警告信號與否；防碰撞警告決策模塊f用下式計算獲得當(dāng)前車速下不能發(fā)生追尾碰撞的最小安全車距Ls=vstartt+vstart22jaf-vpstart22jap+L0]]>在此基礎(chǔ)上，利用安全度的評定方法確定報警時機，安全度的模型由下式給出s=0.6×γ0<γ≤1k×γ+b1<γ≤31-α×γβγ>3]]>這里，按照道路情況分為一般條件(路面干燥)、不利條件(路面潮濕)和最不利條件(路面有積雪)，模型中的系數(shù)k和b分別取值為k＝0.05，0.1，0.15和b＝0.55，0.45，0.5，模型中的參數(shù)α＝8.1，3.12，0.9和β＝-3，-2.5，-2。此外當(dāng)安全度S為0.6，系統(tǒng)發(fā)出危險報警信號；當(dāng)安全度S為0.65，系統(tǒng)發(fā)出提醒報警信號。
高等級公路上車輛防追尾碰撞預(yù)警系統(tǒng)由機電部分I、信息感知處理部分II和信息處理部分III組成，機電部分I中的逆變電源5的輸出端及繼電器7的一端與信息感知處理部分II的智能相機9的輸出信號接口連接；信息處理部分III嵌于信息感知處理部分II的智能相機9的內(nèi)部芯片中；信息感知處理部分II的智能相機9經(jīng)機電部分I的安裝支架8，固定于車輛駕駛室的前風(fēng)擋玻璃內(nèi)；安裝支架8采用吸盤式結(jié)構(gòu)。
機電部分I由報警燈1、報警喇叭2、車載電源3、電源開關(guān)4、逆變電源5、啟動按鈕6、繼電器7和安裝支架8組成，逆變電源5的輸入端經(jīng)電源開關(guān)4與車載電源3連接，其輸出端分別與繼電器6及智能相機9連接；繼電器7的一端與智能相機9的輸出信號接口連接，另一端與報警燈1和報警喇叭2連接；濾光裝置(10)置于智能相機(9)前方；安裝支架(8)與智能相機(9)連接，并固定于車輛駕駛室的前風(fēng)擋玻璃內(nèi)；啟動按鈕6置于智能相機9上。
信息感知處理部分II的智能相機9為CCD攝像機+圖像采集卡+PC機的集成。
信息處理部分III由圖像信息采集模塊a、車輛特征提取模塊b、信息融合決策模塊c、車輛定位跟蹤模塊d、測距與測速模塊e和防碰撞警告決策模塊f組成，且順序啟動。
本發(fā)明的工作過程是首先將該智能相機9利用安裝支架8吸附在車輛駕駛室內(nèi)的前風(fēng)擋玻璃中間位置，要求智能相機鏡頭朝向車輛正前方。然后將車載電源3通過電源開關(guān)4連到逆變電源5的輸入端，通過逆變電源5變壓后給智能相機9供電，在此基礎(chǔ)上按下啟動按鈕6，則此時觸發(fā)智能相機9內(nèi)的信息處理部分III開始運行。此時圖像采集模塊a適時捕獲本車前方的場景圖像，利用獲得的圖像信息通過各個圖像處理模塊的分析判斷本車前方是否有車輛存在，若有則在圖像中適時鎖定車輛位置，并通過測距與測速模塊e及防碰撞警告決策模塊f預(yù)測本車與前方車輛的追尾碰撞的可能性，在前后車輛之間距離過近時系統(tǒng)通過繼電器7觸發(fā)報警燈1和報警喇叭2發(fā)出聲光報警，提醒駕駛員糾正駕駛錯誤，避免車輛追尾碰撞事故的發(fā)生。
本發(fā)明的積極效果在于能使在高等級公路上行駛的車輛有效地避免車輛追尾碰撞事故的發(fā)生，從而使大量人員的生命及財產(chǎn)得到保障，且系統(tǒng)成本低廉，并易于操作，具有直接和潛在的經(jīng)濟效益和社會效益。


圖1為高等級公路上車輛防追尾碰撞預(yù)警系統(tǒng)的示意圖其中I.機電部分 II.信息感知處理部分 III.信息處理部分 1.報警燈 2.報警喇叭 3.車載電源 4.電源開關(guān) 5.逆變電源 6.啟動按鈕 7.繼電器8.安裝支架 9.智能相機 10.濾光裝置 a.圖像信息采集模塊 b.車輛特征提取模塊 c.信息融合決策模塊 d.車輛定位和跟蹤模塊 e.測距與測速模塊 f.防碰撞警告決策模塊圖2為信息處理部分III的具體工作流程圖具體實施方式
本發(fā)明的智能相機的安裝，要求智能相機水平安裝，鏡頭朝前，即其光軸方向與地面平行。同時智能相機安裝位置盡量靠近前風(fēng)擋玻璃橫向方向上的中間位置處。安裝高度H(智能相機光軸距地面的高度)視不同類型車輛而定。
車輛在高等級公路上運行時，可通過按下啟動按鈕6實現(xiàn)車輛防追尾碰撞警告功能。此時智能相機9及其內(nèi)置的信息處理部分III開始工作，其具體工作流程如圖2所示。
首先，圖像信息采集模塊a適時的采集本車前方場景中的圖像，圖像能夠包含視野范圍內(nèi)本車前方道路路面上的所有運動車輛信息。當(dāng)圖像信息采集模塊獲取一幀圖像后，啟動車輛特征提取模塊b。車輛特征提取模塊b對該幀圖像進行分析，首先利用圖像下半部分的路面樣本進行路面狀況的分析，通過分析路面樣本的灰度方差和灰度均值判斷選擇哪種陰影區(qū)域的分割算法，當(dāng)確定選擇哪種分割閾值的算法后，利用該方法獲得的圖像陰影區(qū)域分割閾值對該幀圖像進行分割，分割后獲得了具有一些陰影區(qū)域的二值化圖像。在此基礎(chǔ)上對該二值化圖像采用形態(tài)學(xué)濾波和空穴填充的方法來增強分割后陰影區(qū)域的輪廓特征。在二值化圖像經(jīng)過預(yù)處理后，利用矩形度方法提取二值化圖像中每個陰影目標(biāo)的輪廓特征。一般車輛陰影具有較強的矩形特征，利用矩形度特征對陰影的描述，并以一定大小的矩形度值進行分類，將圖像中所有陰影目標(biāo)分為兩類。其中大于給定矩形度值的陰影目標(biāo)被認為可能的車輛陰影。在此基礎(chǔ)上，利用可能的車輛陰影在圖像中的位置及其大小建立一些矩形的車輛的感興趣區(qū)域。即認為該區(qū)域內(nèi)可能存在車輛。
當(dāng)車輛的感興趣區(qū)域被建立后，分別對該區(qū)域內(nèi)的圖像進行紋理特征的提取、邊緣特征的提取和垂直邊緣對稱性特征的提取。紋理特征能夠反映該區(qū)域內(nèi)圖像的粗糙程度。所謂的粗糙度表示圖像的灰度分布情況，若該區(qū)域內(nèi)的圖像灰度分布不均勻，則粗糙度值大，反之則小。一般車輛后部的灰度分布相對路面灰度信息是不均勻的，因此其粗糙度較大。這里采用計盒子維數(shù)法來描述車輛的感興趣區(qū)域的粗糙度。
一般車輛后部區(qū)域具有許多邊緣特征，如后風(fēng)擋玻璃的上下邊緣，車輛的上下邊緣，后保險杠的邊緣等。而路面不會具有這么多的邊緣特征。
此外，由于車輛是具有一定規(guī)則形狀的人造物體，因此相對車輛的中心線，其兩側(cè)具有較強的對稱性特征。這里利用對稱性測度來描述車輛的感興趣區(qū)域的對稱性特征。
當(dāng)利用車輛特征提取模塊b處理完畢后，將執(zhí)行信息融合決策模塊c，即利用特征模塊獲取的車輛感興趣區(qū)域的三個特征值紋理特征、邊緣特征和對稱性特征，采用線性的信息融合手段來判斷車輛的感興趣區(qū)域內(nèi)是否有車輛。一旦判斷該區(qū)域內(nèi)有車輛存在，則執(zhí)行車輛定位跟蹤模塊d，定位就是在圖像中將車輛的位置用外接矩形框標(biāo)識出來。跟蹤則是在序列圖像中利用第一幀車輛定位結(jié)果，適時在后續(xù)的圖像中將車輛在圖像中的位置標(biāo)記出來。
當(dāng)判斷有車輛存在且完成車輛定位后，啟動測距與測速模塊e。測距利用已經(jīng)制定的測距模型計算公式來獲得。本車車速的測量是利用道路中間的段狀車道線來實現(xiàn)。
在獲得本車與前方車輛的距離及本車車速后，啟動防碰撞警告決策模塊f，該模塊根據(jù)本車當(dāng)前的車速計算出本車與前方車輛之間應(yīng)該保持的不能相撞的安全車距，同時與實際測量得到的車間距離進行比較分析。采用安全度的預(yù)警時機判決準(zhǔn)則，判斷當(dāng)兩車之間距離為多少時發(fā)出提醒預(yù)警信號，或是發(fā)出緊急報警信號，或是不發(fā)出警告信號。
當(dāng)防碰撞警告決策模塊f做出決策后，若發(fā)出提醒預(yù)警信號或緊急報警信號，則通過智能相機9的I/O輸出觸發(fā)報警燈1閃爍同時通過報警喇叭2發(fā)出警報聲音。
當(dāng)駕駛員因駕駛車輛時精力不集中或疲勞駕駛而導(dǎo)致本車與前車車間距離過近可能發(fā)生追尾碰撞時，系統(tǒng)發(fā)出提醒報警信號，若駕駛員沒能及時糾正駕駛錯誤使前后車距進一步減少時，系統(tǒng)將發(fā)出急促刺耳的緊急報警信號。
信息感知處理部分II中采用智能相機9作為圖像處理平臺。在智能相機9非常小的體積內(nèi)含CCD，采用32位圖像處理專用DSP(TMS320C64XX)，工作頻率可達400MHz，運算速度高達3200MIPS。4路輸入輸出數(shù)字I/O口，僅需要一路24VDC供電。
信息處理部分III的軟件代碼利用上位機通過以太網(wǎng)口傳輸?shù)街悄芟鄼C9內(nèi)的芯片中。
濾光裝置10采用利用圓偏振原理的濾光鏡片，其作用在于迎光駕駛時濾掉部分眩暈光，以保證采集圖像的質(zhì)量能滿足系統(tǒng)的防追尾碰撞警告功能。
權(quán)利要求
1.一種高等級公路上車輛防追尾碰撞預(yù)警方法，其特征在于順序啟動圖像信息采集模塊(a)、車輛特征提取模塊(b)、信息融合決策模塊(c)、車輛定位跟蹤模塊(d)、測距與測速模塊(e)和防碰撞警告決策模塊(f)。
2.按權(quán)利要求1所述的方法，其特征在于圖像信息采集模塊(a)采集的圖像為本車前方道路場景中的圖像。
3.按權(quán)利要求1所述的方法，其特征在于車輛特征提取模塊(b)提取的車輛特征為車輛陰影特征、車輛紋理特征、車輛邊緣特征和車輛對稱性特征。
4.按權(quán)利要求3所述的方法，其特征在于所述的車輛陰影特征的提取分為陰影區(qū)域分割、陰影區(qū)域預(yù)處理和車輛陰影特征提取。
5.按權(quán)利要求4所述的方法，其特征在于陰影區(qū)域分割采用兩種方法一種是基于路面灰度信息的分割方法，該法利用路面灰度圖像模板的灰度均值和方差，確定車輛陰影分割閾值。計算公式由下式給出Thresholdf＝mean-k*Variancemean(k≥1)式中mean為路面樣本的灰度均值，Variancemean為路面樣本的灰度均方差，k為調(diào)整系數(shù)。車輛陰影區(qū)域分割的另一種方法是基于車輛陰影灰度最小原則的閾值確定準(zhǔn)則方法，該方法的計算公式由下式給出Thresholdp＝mean+Variancemean式中mean為一個設(shè)定大小的矩形探測窗口遍歷整個圖像下半?yún)^(qū)域后，其中最小的灰度均值，Variancemean為探測窗口取最小灰度均值時所對應(yīng)的均方差。Threshold=Thresholdfif mean≥Tmor variance≤TvThresholdpelse]]>上式給出了兩種車輛陰影分割方法根據(jù)不同路面灰度特征適時選擇的判斷依據(jù)。式中mean為路面樣本的灰度均值，Variancemean為路面樣本的灰度均方差，Tm和Tv為經(jīng)驗參數(shù)，分別表示路面的平均灰度和均方差。
6.按權(quán)利要求5所述的方法，其特征在于利用所獲得的圖像陰影區(qū)域分割閾值，對圖像進行分割，并對所獲得的二值化圖像采用形態(tài)學(xué)濾波和空穴填充的方法，增強分割后陰影區(qū)域的形狀特征，繼而建立車輛的感興趣區(qū)域。
7.按權(quán)利要求1所述的方法，其特征在于所述的信息融合決策模塊(c)是利用車輛特征提取模塊(b)獲取的車輛的感興趣區(qū)域的三個特征值紋理特征、邊緣特征和對稱性特征，采用線性的信息融合手段來判斷車輛的感興趣區(qū)域內(nèi)是否有車輛。
8.按權(quán)利要求7所述的方法，其特征在于采用計盒子維數(shù)來表征車輛的感興趣區(qū)域內(nèi)圖像的紋理特征。
9.按權(quán)利要求7所述的方法，其特征在于采用Log算子和形態(tài)學(xué)邊緣檢測算子融合的方法實現(xiàn)邊緣檢測，在邊緣檢測的基礎(chǔ)上，利用下列公式提取邊緣特征Ev=12H(max(V1(i))+max(V2(i)))i∈[Yl-Δx,Yl+Δx*]and i∈[Yr-Δx*,Yr+Δx]]]>Eh=1H(Yr-Yl+1)(Σi=YlYrΣj=YdYd+HEh(i,j))]]>其中Yd，Yl和Yr分別表示已識別車輛陰影的底邊界、左邊界和右邊界。Ev(i，j)表示垂直邊界圖像，Eh(i，j)表示水平邊界圖像，V1(i)和V2(i)分別表示左右兩側(cè)垂直邊緣的垂直投影量。這里H＝(Yr-Yl)×1.4，即陰影寬度的1.4倍，Δx＝5，Δx*＝(Yr-Yl)/3。Ev表示左右兩側(cè)最大的垂直邊緣相對感興趣區(qū)域高度所占的比重。Eh表示在感興趣區(qū)域內(nèi)水平邊緣的密度及每段水平邊緣相對感興趣區(qū)域?qū)挾人嫉谋戎亍?br> 10.按權(quán)利要求7所述的方法，其特征在于采用對稱性測度來衡量車輛的兩側(cè)垂直邊緣的對稱程度。
11.按權(quán)利要求7所述的方法，其特征在于車輛的感興趣區(qū)域內(nèi)的車輛識別，其類別為車輛類和非車輛類。參與類別判決的特征有3個，依據(jù)模式識別的相關(guān)理論，判決邊界為一個平面函數(shù)，因此給出車輛識別的判決函數(shù)定義為d(x)＝ω1xtexture+ω2xedge+ω3xsymmetry這里xtexture為紋理特征，xedge為邊緣特征，xsymmetry為邊緣對稱性特征。ωii＝1，2，3為權(quán)值。最終車輛判決依據(jù)是if d(x)≥d′則判決車輛的感興趣區(qū)域內(nèi)有車輛存在，否則為非車輛。d′為經(jīng)驗值。
12.按權(quán)利要求1所述的方法，其特征在于所述的車輛定位跟蹤模塊(d)是在判斷區(qū)域內(nèi)有車輛存在時啟動，其定位是在圖像中將車輛的位置用外接矩形框標(biāo)識，跟蹤是在序列圖像中利用第一幀車輛定位結(jié)果，適時在后續(xù)的圖像中將車輛在圖像中的位置標(biāo)記出來。
13.按權(quán)利要求1所述的方法，其特征在于所述的測距與測速模塊(e)是在完成車輛定位后啟動，測距是利用已經(jīng)制定的測距模型計算公式來獲得，本車車速的測量是利用道路中間的段狀車道線來實現(xiàn)。本車與前方車輛之間的距離測量采用了如下的測距模型d＝hay/(v-v0)其中ay和v0為已知量，可通過攝像機標(biāo)定獲得。v為在圖像中車輛被定位后其外界矩形框的下邊界在圖像中的縱坐標(biāo)，單位為像素。h為智能相機在車輛駕駛內(nèi)的安裝高度。本車車速的估計是利用圖像中道路的信息，通過捕獲白色段狀車道線在圖像中出現(xiàn)并消失所需時間，利用下式來估算本車車速v=LT]]>其中L為白色的段狀分道線的長度，T為白色段狀車道線在圖像中出現(xiàn)并消失所需要的時間。
14.按權(quán)利要求1所述的方法，其特征在于所述的防碰撞警告決策模塊(f)是在獲得本車與前方車輛的距離及本車車速后啟動，并根據(jù)本車當(dāng)前的車速，計算出本車與前方車輛之間應(yīng)保持的安全車距，同時與實際測量得到的車間距離進行比較分析，并采用安全度的方法作為預(yù)警時機的判決準(zhǔn)則，以決定發(fā)出警告信號與否。
15.按權(quán)利要求14所述的方法，其特征在于防碰撞警告決策模塊(f)用下式計算獲得當(dāng)前車速下不能發(fā)生追尾碰撞的最小安全車距Ls=vstartt+vstart22jaf-vpstart22jap+L0]]>在此基礎(chǔ)上，利用安全度的評定方法確定報警時機，安全度的模型由下式給出s=0.6×γ0<γ≤1k×γ+b1<γ≤31-α×γβγ>3]]>這里，按照道路情況分為一般條件(路面干燥)、不利條件(路面潮濕)和最不利條件(路面有積雪)，模型中的系數(shù)k和b分別取值為k＝0.05，0.1，0.15和b＝0.55，0.45，0.5，模型中的參數(shù)α＝8.1，3.12，0.9和β＝-3，-2.5，-2。此外當(dāng)安全度S為0.6，系統(tǒng)發(fā)出危險報警信號；當(dāng)安全度S為0.65，系統(tǒng)發(fā)出提醒報警信號。
16.一種高等級公路上車輛防追尾碰撞預(yù)警系統(tǒng)，由機電部分(I)、信息感知處理部分(II)和信息處理部分(III)組成，其特征在于機電部分(I)中的逆變電源(5)的輸出端及繼電器(7)的一端與信息感知處理部分(II)的智能相機(9)的輸出信號接口連接，信息感知處理部分(II)中的智能相機(9)，信息處理部分(III)嵌于信息感知處理部分(II)的智能相機(9)的內(nèi)部芯片中，信息感知處理部分(II)的智能相機(9)經(jīng)機電部分(I)的安裝支架(8)，固定于車輛駕駛室的前風(fēng)擋玻璃內(nèi)。
17.按權(quán)利要求16所述的系統(tǒng)，其中機電部分(I)由報警燈(1)、報警喇叭(2)、車載電源(3)、電源開關(guān)(4)、逆變電源(5)、啟動按鈕(6)、繼電器(7)和安裝支架(8)組成，其特征在于逆變電源(5)的輸入端經(jīng)電源開關(guān)(4)與車載電源(3)連接，其輸出端分別與繼電器(7)及智能相機(9)連接；繼電器(7)的一端與智能相機(9)的輸出信號接口連接，另一端與報警燈(1)和報警喇叭(2)連接；濾光裝置(10)置于智能相機(9)前方；安裝支架(8)與智能相機(9)連接，并固定于車輛駕駛室的前風(fēng)擋玻璃內(nèi)；啟動按鈕(6)置于智能相機(9)上。
18.按權(quán)利要求16所述的系統(tǒng)，其特征在于所述的信息感知處理部分(II)的智能相機(9)為CCD攝像機+圖像采集卡+PC機的集成。
19.按權(quán)利要求16所述的系統(tǒng)，其特征在于所述的信息處理部分(III)由圖像信息采集模塊(a)、車輛特征提取模塊(b)、信息融合決策模塊(c)、車輛定位跟蹤模塊(d)、測距與測速模塊(e)和防碰撞警告決策模塊(f)組成，且順序啟動。
20.按權(quán)利要求16所述的系統(tǒng)，其特征在于所述的安裝支架(8)采用吸盤式結(jié)構(gòu)。
全文摘要
高等級公路上車輛防追尾碰撞預(yù)警方法和系統(tǒng)屬智能交通和智能車輛研究領(lǐng)域，目的是預(yù)測并提前向駕駛員發(fā)出警告，有效避免高等級公路上車輛追尾碰撞事故的發(fā)生。本發(fā)明中的逆變電源輸出端及繼電器一端與智能相機的輸出信號接口連接；圖像信息采集、車輛特征提取、信息融合決策、車輛定位跟蹤、測距與測速和防碰撞警告決策等六模塊嵌于智能相機的內(nèi)部芯片中；智能相機經(jīng)安裝支架，固定于車輛駕駛室的前風(fēng)擋玻璃內(nèi)；順序啟動六模塊是高等級公路上車輛防追尾碰撞預(yù)警方法的關(guān)鍵。采用本發(fā)明可使高等級公路上的車輛有效避免追尾碰撞事故的發(fā)生，從而使大量人員的生命及財產(chǎn)得到保障，且系統(tǒng)成本低廉、易于操作，具有可觀的經(jīng)濟和社會效益。
文檔編號B60W50/14GK101016053SQ20071005527
公開日2007年8月15日 申請日期2007年1月25日 優(yōu)先權(quán)日2007年1月25日
發(fā)明者王榮本, 顧柏園, 郭烈, 金立生, 李琳輝, 趙一兵 申請人:吉林大學(xué)