CN101016053A - 高等级公路上车辆防追尾碰撞预警方法和系统 - Google Patents

Abstract

高等级公路上车辆防追尾碰撞预警方法和系统属智能交通和智能车辆研究领域，目的是预测并提前向驾驶员发出警告，有效避免高等级公路上车辆追尾碰撞事故的发生。本发明中的逆变电源输出端及继电器一端与智能相机的输出信号接口连接；图像信息采集、车辆特征提取、信息融合决策、车辆定位跟踪、测距与测速和防碰撞警告决策等六模块嵌于智能相机的内部芯片中；智能相机经安装支架，固定于车辆驾驶室的前风挡玻璃内；顺序启动六模块是高等级公路上车辆防追尾碰撞预警方法的关键。采用本发明可使高等级公路上的车辆有效避免追尾碰撞事故的发生，从而使大量人员的生命及财产得到保障，且系统成本低廉、易于操作，具有可观的经济和社会效益。

Description

高等级公路上车辆防追尾碰撞预警方法和系统

技术领域

本发明涉及智能交通和智能车辆研究领域，具体说是对本车与前方车辆之间是否能够发生追尾碰撞作出预测，当可能存在车辆追尾碰撞的情况下，向驾驶员发出提醒警告的系统。

背景技术

目前关于车辆防追尾碰撞警告技术的研究，一种方法是利用在车辆尾部安装探测雷达，来判断后方是否有车辆接近，这种方法是一种被动警告，不能很好地避开被追尾的可能。若本车因事故停在路上，虽然防追尾碰撞警告系统能够发出警告，但本车无法操纵，以躲避后面撞来的车辆。另一种是在车辆前部安装探测雷达，这种方法虽然是主动警告，但目前一些雷达系统价格昂贵，故不利于产品化推广。

发明内容

本发明的目的在于提供一种能适应高等级公路上实现车辆防追尾碰撞预警的方法和系统，该方法和系统能预测可能发生的车辆追尾碰撞事故，提前发出警告，提醒驾驶员减速或制动车辆，从而避免车辆追尾碰撞事故的发生。

本发明提供的能适应高等级公路上车辆防追尾碰撞预警方法为：

顺序启动图像信息采集模块a、车辆特征提取模块b、信息融合决策模块c、车辆定位跟踪模块d、测距与测速模块e和防碰撞警告决策模块f。

图像信息采集模块a的主要功用是获取图像信息及调节摄像机的控制参数。图像信息包括图像的灰度值和图像大小。摄像机的控制参数主要有快门和增益，通过这两个参数调节图像采集质量。图像信息采集模块a采集的图像为本车前方道路场景中的图像。

车辆特征提取模块b主要用来对已获取的图像进行分析，即利用车辆特征作为信息分析的手段，将图像中满足车辆特征的子图像区域分离出来。这里主要车辆特征为车辆阴影特征、车辆纹理特征、车辆边缘特征和车辆的对称性特征。

车辆阴影特征的提取又分为以下三个子模块：阴影区域分割、阴影区域预处理和阴影特征提取。阴影分割采用了两种算法：一种是基于路面信息的分割方法，该方法利用了路面灰度图像模板的灰度均值和方差确定车辆阴影分割阈值。计算公式由下式给出：

Threshold_f＝mean-k*Variance_mean  (k≥1)

式中：mean为路面样本的灰度均值，Variance_mean为路面样本的灰度均方差，k为调整系数。

车辆阴影分割另一方法是基于车辆阴影灰度最小原则的阈值确定准则，该方法的计算公式由下式给出：

Threshold_p＝mean+Variance_mean

式中mean表示一个设定大小的矩形探测窗口遍历整个图像下半区域后其中最小的灰度均值，Variance_mean表示探测窗口取最小灰度均值时所对应的均方差。

Threshold_f＝mean-k*Variance_mean  (k≥1)

式中：mean为路面样本的灰度均值，Variance_mean为路面样本的灰度均方差，k为调整系数。

$\mathrm{Threshold}=\left\{\begin{array}{cc}{\mathrm{Threshold}}_f& \mathrm{if\; mean}\≥T_m\mathrm{or\; var\; iance}\≤T_v\\ {\mathrm{Threshold}}_p& \mathrm{else}\end{array}\right.$

上式给出了两种车辆阴影分割方法根据不同路面灰度特征适时选择的判断依据。式中：mean为路面样本的灰度均值，Variance_mean为路面样本的灰度均方差，T_m和T_v为经验参数，分别表示路面的平均灰度和均方差；

利用所获得的图像阴影区域分割阈值，对图像进行分割，并对所获得的二值化图像采用形态学滤波和空穴填充的方法，增强分割后阴影区域的形状特征，继而建立车辆的感兴趣区域。

在车辆阴影被分割出来后，便可获得阴影区域的二值化图像。对整个二值化图像中的阴影区域采用了形态学滤波和空穴填充的方法进行预处理，以便使车辆阴影区域具有较强的形状特征。

在二值化图像中的阴影区域经过预处理后，进行了阴影的特征提取。描述阴影特征采用矩形度来表征。矩形度能够度量一块阴影区域的矩形程度，若阴影的形状接近矩形程度越大则其矩形度值越大。一般车辆阴影区域往往具有较强的矩形特征，利用该特征能将可能的车辆阴影区域提取出来。

利用已检测出的可能的车辆阴影区域及其在图像中的位置，在图像中可以建立一些可能存在车辆的区域，这些区域称为车辆的感兴趣区域。

信息融合决策模块c是利用车辆特征提取模块b获取的车辆的感兴趣区域的三个特征值：纹理特征、边缘特征和对称性特征，采用线性的信息融合手段来判断车辆的感兴趣区域内是否有车辆；

在建立了车辆的感兴趣区域后，分别对感兴趣区域内的图像进行了纹理特征、边缘特征和对称性特征的提取。

纹理特征提取采用计算车辆的感兴趣区域的计盒子维数，来表征车辆的感兴趣区域内图像的纹理特征，计盒子维主要用来描述图像区域的粗糙程度，一般由于车辆后部存在后风挡玻璃、车牌、保险杠等，从图像角度分析该区域灰度分布不均匀，即粗糙。而路面的其它区域的灰度分布比较均匀。因此，利用车辆的感兴趣区域内图像的计盒子维数的大小判断该区域是否为真正的车辆。

通常，车辆的后部存在许多明显的边缘特征，如后风挡玻璃、后保险杠以及车牌等边缘。这些边缘特征对于判断车辆的感兴趣区域内是否为车辆以及最终的车辆定位是非常有用。对车辆的感兴趣区域内图像进行边缘特征提取，首先采用了Log算子和形态学边缘检测算子融合的方法实现边缘检测。在边缘检测的基础上，利用下面公式提取边缘特征：

$E_v=\frac{1}{2H}(\max \left(V_1\left(i\right)\right)+\max \left(V_2\left(i\right)\right))$ i∈[Y_l-Δx，Y_l+Δx^*]and i∈[Y_r-Δx^*，Y_r+Δx]

$E_h=\frac{1}{H(Y_r-Y_l+1)}\left(\underset{i=Y_l}{\overset{Y_r}{\mathrm{\Σ}}}\underset{j=Y_d}{\overset{Y_d+H}{\mathrm{\Σ}}}\mathrm{Eh}(i,j)\right)$

其中Y_d，Y_l和Y_r分别表示已识别车辆阴影的底边界、左边界和右边界。Ev(i，j)表示垂直边界图像，Eh(i，j)表示水平边界图像，V₁(i)和V₂(i)分别表示左右两侧垂直边缘的垂直投影量。这里H＝(Y_r-Y_l)×1.4，即阴影宽度的1.4倍，Δx＝5，Δx^*＝(Y_r-Y_l)/3。E_v表示左右两侧最大的垂直边缘相对感兴趣区域高度所占的比重，该值越大说明垂直边缘比较突出。E_h表示了在感兴趣区域内水平边缘的密度及每段水平边缘相对感兴趣区域宽度所占的比重。水平边缘数目越多，长度越大则该值越高。

通常，由于车辆具有较强的垂直边缘特征，且两侧的垂直边缘具有一定的对称性，为此，采用对称性测度来衡量车辆的两侧垂直边缘的对称程度。对称性测度计算公式由下式给出：

$s(x_s,w)=\frac{E_e^{\′}(x_s,w)-E_o(x_s,w)}{E_e^{\′}(x_s,w)+E_o(x_s,w)}$

测度s为区间(-1，1)内的任意数，s＝1表示完全对称，s＝-1表示完全不对称。

车辆的感兴趣区域内的车辆识别，其类别为：车辆类和非车辆类。参与类别判决的特征有3个，依据模式识别的相关理论，判决边界为一个平面函数，因此给出车辆识别的判决函数定义为：

    d(x)＝ω₁x_texture+ω₂x_edge+ω₃x_symmetry

这里x_texture为纹理特征，x_edge为边缘特征，x_symmetry为边缘对称性特征。ω_i i＝1，2，3为权值。

最终车辆判决依据是：if d(x)≥d′则判决车辆的感兴趣区域内有车辆存在，否则为非车辆。d′为经验值。

车辆定位跟踪模块(d)是在判断区域内有车辆存在时启动，其定位是在图像中将车辆的位置用外接矩形框标识，跟踪是在序列图像中利用第一帧车辆定位结果，适时在后续的图像中将车辆在图像中的位置标记出来。

测距与测速模块(e)是在完成车辆定位后启动，测距是利用已经制定的测距模型计算公式来获得，本车车速的测量是利用道路中间的段状车道线来实现；

本车与前方车辆之间的距离测量采用了如下的测距模型：

d＝ha_y/(v-v₀)

其中：a_y和v₀为已知量，可通过摄像机标定获得。v为在图像中车辆被定位后其外界矩形框的下边界在图像中的纵坐标，单位为像素。h为智能相机在车辆驾驶内的安装高度。

本车车速的估计算法利用了高等级公路上中间的白色段状分道线特征。由于在实际道路上白色的段状分道线的长度是已知的，每段白色段状分道线之间的间距也是已知的。利用图像中道路的信息，通过捕获白色段状车道线在图像中出现并消失所需要的时间，利用下式便可估算本车车速：

$v=\frac{L}{T}$

其中：L为白色的段状分道线的长度，T为白色段状车道线在图像中出现并消失所需要的时间。

防碰撞警告决策模块f是在获得本车与前方车辆的距离及本车车速后启动，并根据本车当前的车速，计算出本车与前方车辆之间应保持的安全车距，同时与实际测量得到的车间距离进行比较分析，并采用安全度的方法作为预警时机的判决准则，以决定发出警告信号与否；

防碰撞警告决策模块f用下式计算获得当前车速下不能发生追尾碰撞的最小安全车距

$L_s=v_{\mathrm{start}}t+\frac{v_{\mathrm{start}}^2}{2j_{\mathrm{af}}}-\frac{v_{\mathrm{pstart}}^2}{2j_{\mathrm{ap}}}+L_0$

在此基础上，利用安全度的评定方法确定报警时机，安全度的模型由下式给出：

$s=\left\{\begin{array}{cc}0.6\&times;\mathrm{\&gamma;}& 0<\mathrm{\&gamma;}\&le;1\\ k\&times;\mathrm{\&gamma;}+b& 1<\mathrm{\&gamma;}\&le;3\\ 1-\mathrm{\&alpha;}\&times;{\mathrm{\&gamma;}}^{\mathrm{\&beta;}}& \mathrm{\&gamma;}>3\end{array}\right.$

这里，按照道路情况分为一般条件(路面干燥)、不利条件(路面潮湿)和最不利条件(路面有积雪)，模型中的系数k和b分别取值为：k＝0.05，0.1，0.15和b＝0.55，0.45，0.5，模型中的参数α＝8.1，3.12，0.9和β＝-3，-2.5，-2。此外当安全度S为0.6，系统发出危险报警信号；当安全度S为0.65，系统发出提醒报警信号。

高等级公路上车辆防追尾碰撞预警系统由机电部分I、信息感知处理部分II和信息处理部分III组成，机电部分I中的逆变电源5的输出端及继电器7的一端与信息感知处理部分II的智能相机9的输出信号接口连接；信息处理部分III嵌于信息感知处理部分II的智能相机9的内部芯片中；信息感知处理部分II的智能相机9经机电部分I的安装支架8，固定于车辆驾驶室的前风挡玻璃内；安装支架8采用吸盘式结构。

机电部分I由报警灯1、报警喇叭2、车载电源3、电源开关4、逆变电源5、启动按钮6、继电器7和安装支架8组成，逆变电源5的输入端经电源开关4与车载电源3连接，其输出端分别与继电器6及智能相机9连接；继电器7的一端与智能相机9的输出信号接口连接，另一端与报警灯1和报警喇叭2连接；滤光装置(10)置于智能相机(9)前方；安装支架(8)与智能相机(9)连接，并固定于车辆驾驶室的前风挡玻璃内；启动按钮6置于智能相机9上。

信息感知处理部分II的智能相机9为CCD摄像机+图像采集卡+PC机的集成。

信息处理部分III由图像信息采集模块a、车辆特征提取模块b、信息融合决策模块c、车辆定位跟踪模块d、测距与测速模块e和防碰撞警告决策模块f组成，且顺序启动。

本发明的工作过程是：首先将该智能相机9利用安装支架8吸附在车辆驾驶室内的前风挡玻璃中间位置，要求智能相机镜头朝向车辆正前方。然后将车载电源3通过电源开关4连到逆变电源5的输入端，通过逆变电源5变压后给智能相机9供电，在此基础上按下启动按钮6，则此时触发智能相机9内的信息处理部分III开始运行。此时图像采集模块a适时捕获本车前方的场景图像，利用获得的图像信息通过各个图像处理模块的分析判断本车前方是否有车辆存在，若有则在图像中适时锁定车辆位置，并通过测距与测速模块e及防碰撞警告决策模块f预测本车与前方车辆的追尾碰撞的可能性，在前后车辆之间距离过近时系统通过继电器7触发报警灯1和报警喇叭2发出声光报警，提醒驾驶员纠正驾驶错误，避免车辆追尾碰撞事故的发生。

本发明的积极效果在于：能使在高等级公路上行驶的车辆有效地避免车辆追尾碰撞事故的发生，从而使大量人员的生命及财产得到保障，且系统成本低廉，并易于操作，具有直接和潜在的经济效益和社会效益。

附图说明

图1为高等级公路上车辆防追尾碰撞预警系统的示意图

其中：I.机电部分  II.信息感知处理部分  III.信息处理部分  1.报警灯  2.报警喇叭  3.车载电源  4.电源开关  5.逆变电源  6.启动按钮  7.继电器8.安装支架  9.智能相机  10.滤光装置  a.图像信息采集模块  b.车辆特征提取模块  c.信息融合决策模块  d.车辆定位和跟踪模块  e.测距与测速模块  f.防碰撞警告决策模块

图2为信息处理部分III的具体工作流程图

具体实施方式

本发明的智能相机的安装，要求智能相机水平安装，镜头朝前，即其光轴方向与地面平行。同时智能相机安装位置尽量靠近前风挡玻璃横向方向上的中间位置处。安装高度H(智能相机光轴距地面的高度)视不同类型车辆而定。

车辆在高等级公路上运行时，可通过按下启动按钮6实现车辆防追尾碰撞警告功能。此时智能相机9及其内置的信息处理部分III开始工作，其具体工作流程如图2所示。

首先，图像信息采集模块a适时的采集本车前方场景中的图像，图像能够包含视野范围内本车前方道路路面上的所有运动车辆信息。当图像信息采集模块获取一帧图像后，启动车辆特征提取模块b。车辆特征提取模块b对该帧图像进行分析，首先利用图像下半部分的路面样本进行路面状况的分析，通过分析路面样本的灰度方差和灰度均值判断选择哪种阴影区域的分割算法，当确定选择哪种分割阈值的算法后，利用该方法获得的图像阴影区域分割阈值对该帧图像进行分割，分割后获得了具有一些阴影区域的二值化图像。在此基础上对该二值化图像采用形态学滤波和空穴填充的方法来增强分割后阴影区域的轮廓特征。在二值化图像经过预处理后，利用矩形度方法提取二值化图像中每个阴影目标的轮廓特征。一般车辆阴影具有较强的矩形特征，利用矩形度特征对阴影的描述，并以一定大小的矩形度值进行分类，将图像中所有阴影目标分为两类。其中大于给定矩形度值的阴影目标被认为可能的车辆阴影。在此基础上，利用可能的车辆阴影在图像中的位置及其大小建立一些矩形的车辆的感兴趣区域。即认为该区域内可能存在车辆。

当车辆的感兴趣区域被建立后，分别对该区域内的图像进行纹理特征的提取、边缘特征的提取和垂直边缘对称性特征的提取。纹理特征能够反映该区域内图像的粗糙程度。所谓的粗糙度表示图像的灰度分布情况，若该区域内的图像灰度分布不均匀，则粗糙度值大，反之则小。一般车辆后部的灰度分布相对路面灰度信息是不均匀的，因此其粗糙度较大。这里采用计盒子维数法来描述车辆的感兴趣区域的粗糙度。

一般车辆后部区域具有许多边缘特征，如后风挡玻璃的上下边缘，车辆的上下边缘，后保险杠的边缘等。而路面不会具有这么多的边缘特征。

此外，由于车辆是具有一定规则形状的人造物体，因此相对车辆的中心线，其两侧具有较强的对称性特征。这里利用对称性测度来描述车辆的感兴趣区域的对称性特征。

当利用车辆特征提取模块b处理完毕后，将执行信息融合决策模块c，即利用特征模块获取的车辆感兴趣区域的三个特征值：纹理特征、边缘特征和对称性特征，采用线性的信息融合手段来判断车辆的感兴趣区域内是否有车辆。一旦判断该区域内有车辆存在，则执行车辆定位跟踪模块d，定位就是在图像中将车辆的位置用外接矩形框标识出来。跟踪则是在序列图像中利用第一帧车辆定位结果，适时在后续的图像中将车辆在图像中的位置标记出来。

当判断有车辆存在且完成车辆定位后，启动测距与测速模块e。测距利用已经制定的测距模型计算公式来获得。本车车速的测量是利用道路中间的段状车道线来实现。

在获得本车与前方车辆的距离及本车车速后，启动防碰撞警告决策模块f，该模块根据本车当前的车速计算出本车与前方车辆之间应该保持的不能相撞的安全车距，同时与实际测量得到的车间距离进行比较分析。采用安全度的预警时机判决准则，判断当两车之间距离为多少时发出提醒预警信号，或是发出紧急报警信号，或是不发出警告信号。

当防碰撞警告决策模块f做出决策后，若发出提醒预警信号或紧急报警信号，则通过智能相机9的I/O输出触发报警灯1闪烁同时通过报警喇叭2发出警报声音。

当驾驶员因驾驶车辆时精力不集中或疲劳驾驶而导致本车与前车车间距离过近可能发生追尾碰撞时，系统发出提醒报警信号，若驾驶员没能及时纠正驾驶错误使前后车距进一步减少时，系统将发出急促刺耳的紧急报警信号。

信息感知处理部分II中采用智能相机9作为图像处理平台。在智能相机9非常小的体积内含CCD，采用32位图像处理专用DSP(TMS320C64XX)，工作频率可达400MHz，运算速度高达3200MIPS。4路输入输出数字I/O口，仅需要一路24VDC供电。

信息处理部分III的软件代码利用上位机通过以太网口传输到智能相机9内的芯片中。

滤光装置10采用利用圆偏振原理的滤光镜片，其作用在于迎光驾驶时滤掉部分眩晕光，以保证采集图像的质量能满足系统的防追尾碰撞警告功能。

Claims (20)

1.一种高等级公路上车辆防追尾碰撞预警方法，其特征在于顺序启动图像信息采集模块(a)、车辆特征提取模块(b)、信息融合决策模块(c)、车辆定位跟踪模块(d)、测距与测速模块(e)和防碰撞警告决策模块(f)。

2.按权利要求1所述的方法，其特征在于图像信息采集模块(a)采集的图像为本车前方道路场景中的图像。

3.按权利要求1所述的方法，其特征在于车辆特征提取模块(b)提取的车辆特征为车辆阴影特征、车辆纹理特征、车辆边缘特征和车辆对称性特征。

4.按权利要求3所述的方法，其特征在于所述的车辆阴影特征的提取分为：阴影区域分割、阴影区域预处理和车辆阴影特征提取。

5.按权利要求4所述的方法，其特征在于阴影区域分割采用两种方法：一种是基于路面灰度信息的分割方法，该法利用路面灰度图像模板的灰度均值和方差，确定车辆阴影分割阈值。计算公式由下式给出：

Threshold_f＝mean-k*Variance_mean    (k≥1)

式中：mean为路面样本的灰度均值，Variance_mean为路面样本的灰度均方差，k为调整系数。

车辆阴影区域分割的另一种方法是基于车辆阴影灰度最小原则的阈值确定准则方法，该方法的计算公式由下式给出：

Threshold_p＝mean+Variance_mean

式中：mean为一个设定大小的矩形探测窗口遍历整个图像下半区域后，其中最小的灰度均值，Variance_mean为探测窗口取最小灰度均值时所对应的均方差。

$\mathrm{Threshold}=\left\{\begin{array}{cc}{\mathrm{Threshold}}_f& \mathrm{if\; mean}\&GreaterEqual;T_m\mathrm{or\; variance}\&le;T_v\\ {\mathrm{Threshold}}_p& \mathrm{else}\end{array}\right.$

上式给出了两种车辆阴影分割方法根据不同路面灰度特征适时选择的判断依据。式中：mean为路面样本的灰度均值，Variance_mean为路面样本的灰度均方差，T_m和T_v为经验参数，分别表示路面的平均灰度和均方差。

6.按权利要求5所述的方法，其特征在于利用所获得的图像阴影区域分割阈值，对图像进行分割，并对所获得的二值化图像采用形态学滤波和空穴填充的方法，增强分割后阴影区域的形状特征，继而建立车辆的感兴趣区域。

7.按权利要求1所述的方法，其特征在于所述的信息融合决策模块(c)是利用车辆特征提取模块(b)获取的车辆的感兴趣区域的三个特征值：纹理特征、边缘特征和对称性特征，采用线性的信息融合手段来判断车辆的感兴趣区域内是否有车辆。

8.按权利要求7所述的方法，其特征在于采用计盒子维数来表征车辆的感兴趣区域内图像的纹理特征。

9.按权利要求7所述的方法，其特征在于采用Log算子和形态学边缘检测算子融合的方法实现边缘检测，在边缘检测的基础上，利用下列公式提取边缘特征：

$E_v=\frac{1}{2H}(\max \left(V_1\left(i\right)\right)+\max \left(V_2\left(i\right)\right))i\&Element;[Y_l-\mathrm{\&Delta;x},Y_l+{\mathrm{\&Delta;x}}^{*}]\mathrm{and\; i}\&Element;[Y_r-{\mathrm{\&Delta;x}}^{*},Y_r+\mathrm{\&Delta;x}]$

$E_h=\frac{1}{H(Y_r-Y_l+1)}\left(\underset{i=Y_l}{\overset{Y_r}{\mathrm{\&Sigma;}}}\underset{j=Y_d}{\overset{Y_d+H}{\mathrm{\&Sigma;}}}\mathrm{Eh}(i,j)\right)$

其中Y_d，Y_l和Y_r分别表示已识别车辆阴影的底边界、左边界和右边界。Ev(i，j)表示垂直边界图像，Eh(i，j)表示水平边界图像，V₁(i)和V₂(i)分别表示左右两侧垂直边缘的垂直投影量。这里H＝(Y_r-Y_l)×1.4，即阴影宽度的1.4倍，Δx＝5，Δx^*＝(Y_r-Y_l)/3。E_v表示左右两侧最大的垂直边缘相对感兴趣区域高度所占的比重。E_h表示在感兴趣区域内水平边缘的密度及每段水平边缘相对感兴趣区域宽度所占的比重。

10.按权利要求7所述的方法，其特征在于采用对称性测度来衡量车辆的两侧垂直边缘的对称程度。

11.按权利要求7所述的方法，其特征在于车辆的感兴趣区域内的车辆识别，其类别为：车辆类和非车辆类。参与类别判决的特征有3个，依据模式识别的相关理论，判决边界为一个平面函数，因此给出车辆识别的判决函数定义为：

d(x)＝ω₁x_texture+ω₂x_edge+ω₃x_symmetry

这里x_texture为纹理特征，x_edge为边缘特征，x_symmetry为边缘对称性特征。ω_i i＝1，2，3为权值。

最终车辆判决依据是：if d(x)≥d′则判决车辆的感兴趣区域内有车辆存在，否则为非车辆。d′为经验值。

12.按权利要求1所述的方法，其特征在于所述的车辆定位跟踪模块(d)是在判断区域内有车辆存在时启动，其定位是在图像中将车辆的位置用外接矩形框标识，跟踪是在序列图像中利用第一帧车辆定位结果，适时在后续的图像中将车辆在图像中的位置标记出来。

13.按权利要求1所述的方法，其特征在于所述的测距与测速模块(e)是在完成车辆定位后启动，测距是利用已经制定的测距模型计算公式来获得，本车车速的测量是利用道路中间的段状车道线来实现。

本车与前方车辆之间的距离测量采用了如下的测距模型：

d＝ha_y/(v-v₀)

其中：a_y和v₀为已知量，可通过摄像机标定获得。v为在图像中车辆被定位后其外界矩形框的下边界在图像中的纵坐标，单位为像素。h为智能相机在车辆驾驶内的安装高度。

本车车速的估计是利用图像中道路的信息，通过捕获白色段状车道线在图像中出现并消失所需时间，利用下式来估算本车车速

$v=\frac{L}{T}$

其中：L为白色的段状分道线的长度，T为白色段状车道线在图像中出现并消失所需要的时间。

14.按权利要求1所述的方法，其特征在于所述的防碰撞警告决策模块(f)是在获得本车与前方车辆的距离及本车车速后启动，并根据本车当前的车速，计算出本车与前方车辆之间应保持的安全车距，同时与实际测量得到的车间距离进行比较分析，并采用安全度的方法作为预警时机的判决准则，以决定发出警告信号与否。

15.按权利要求14所述的方法，其特征在于防碰撞警告决策模块(f)用下式计算获得当前车速下不能发生追尾碰撞的最小安全车距：

$L_s=v_{\mathrm{start}}t+\frac{v_{\mathrm{start}}^2}{{2j}_{\mathrm{af}}}-\frac{v_{\mathrm{pstart}}^2}{{2j}_{\mathrm{ap}}}+L_0$

在此基础上，利用安全度的评定方法确定报警时机，安全度的模型由下式给出：

$s=\left\{\begin{array}{cc}0.6\&times;\mathrm{\&gamma;}& 0<\mathrm{\&gamma;}\&le;1\\ k\&times;\mathrm{\&gamma;}+b& 1<\mathrm{\&gamma;}\&le;3\\ 1-\mathrm{\&alpha;}\&times;{\mathrm{\&gamma;}}^{\mathrm{\&beta;}}& \mathrm{\&gamma;}>3\end{array}\right.$

这里，按照道路情况分为一般条件(路面干燥)、不利条件(路面潮湿)和最不利条件(路面有积雪)，模型中的系数k和b分别取值为：k＝0.05，0.1，0.15和b＝0.55，0.45，0.5，模型中的参数α＝8.1，3.12，0.9和β＝-3，-2.5，-2。此外当安全度S为0.6，系统发出危险报警信号；当安全度S为0.65，系统发出提醒报警信号。

16.一种高等级公路上车辆防追尾碰撞预警系统，由机电部分(I)、信息感知处理部分(II)和信息处理部分(III)组成，其特征在于机电部分(I)中的逆变电源(5)的输出端及继电器(7)的一端与信息感知处理部分(II)的智能相机(9)的输出信号接口连接，信息感知处理部分(II)中的智能相机(9)，信息处理部分(III)嵌于信息感知处理部分(II)的智能相机(9)的内部芯片中，信息感知处理部分(II)的智能相机(9)经机电部分(I)的安装支架(8)，固定于车辆驾驶室的前风挡玻璃内。

17.按权利要求16所述的系统，其中机电部分(I)由报警灯(1)、报警喇叭(2)、车载电源(3)、电源开关(4)、逆变电源(5)、启动按钮(6)、继电器(7)和安装支架(8)组成，其特征在于逆变电源(5)的输入端经电源开关(4)与车载电源(3)连接，其输出端分别与继电器(7)及智能相机(9)连接；继电器(7)的一端与智能相机(9)的输出信号接口连接，另一端与报警灯(1)和报警喇叭(2)连接；滤光装置(10)置于智能相机(9)前方；安装支架(8)与智能相机(9)连接，并固定于车辆驾驶室的前风挡玻璃内；启动按钮(6)置于智能相机(9)上。

18.按权利要求16所述的系统，其特征在于所述的信息感知处理部分(II)的智能相机(9)为CCD摄像机+图像采集卡+PC机的集成。

19.按权利要求16所述的系统，其特征在于所述的信息处理部分(III)由图像信息采集模块(a)、车辆特征提取模块(b)、信息融合决策模块(c)、车辆定位跟踪模块(d)、测距与测速模块(e)和防碰撞警告决策模块(f)组成，且顺序启动。

20.按权利要求16所述的系统，其特征在于所述的安装支架(8)采用吸盘式结构。

Images