CN106004884A - 基于复合传感实现路情实时识别和危险判断的方法及其系统 - Google Patents

Abstract

本发明涉及一种基于复合传感实现路情实时识别和危险判断的方法及其系统，属于智能汽车技术领域。该方法包括汽车智能控制系统：该控制系统包括汽车中央控制器、车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统和车辆运动控制与通信系统，所述汽车中央控制器通过CAN总线分别和车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统相连接，本发明解决了路情的实时自动识别，行车过程中障碍物检测，驾驶员驾驶状态检测以及车道偏离预警，可以广泛应用于汽车智能驾驶和智能交通领域。

Description

基于复合传感实现路情实时识别和危险判断的方法及其系统

技术领域

本发明涉及一种基于复合传感实现路情实时识别和危险判断的方法及其系统，属于智能汽车技术领域。

背景技术

伴随着我国高速公路的迅猛发展和人民生活水平的提高，机动车保有量呈现出井喷式增加，与此同时，道路交通事故也居高不下，给人民群众的生命财产造成了巨大的损失。根据交警部门对多年来的交通事故调查分析表明，我国大多数交通事故的主要直接原因是驾驶人的疲劳驾驶或违章驾驶，主要包括车辆驾驶人行驶过程中的非正常驾驶行为，如疲劳驾驶、越线行驶、超速行驶、长时间占道行驶、压线行驶和安全车距不足等行为。因此，如何有效的监控、约束和规范车辆驾驶人操纵行为已成为保障道路交通安全的核心问题。

对路情实时识别和危险判断以及及时的提示危险信息，对于预防交通事故的发生具有重要的意义。目前，交通事故的预防主要依靠驾驶员的驾驶经验，通过驾驶员对路情进行实时识别和危险判断，这种方法严重依赖于驾驶员的主观人为因素，容易出现交通事故。驾驶辅助系统是一项重要的汽车主动安全技术，运用目标检测和跟踪技术对车辆前方危险目标进行识别，并判断其风险等级，可以实现路情实时识别和车辆前方危险目标识别，很大程度的降低交通事故，提高车辆行驶的安全性，是智能交通和智能车辆的重点研究方向。

发明内容

本发明的目的是解决驾驶过程中路情智能识别和危险的准确判断问题，提出了一种基于复合传感实现路情实时识别和危险判断的方法及其系统。

本发明为了实现上述目的，采用如下技术方案：

一种基于复合传感实现路情实时识别和危险判断的方法，其特征在于：

该方法包括汽车智能控制系统：该控制系统包括汽车中央控制器、车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统和车辆运动控制与通信系统，所述汽车中央控制器通过CAN总线分别和车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统相连接，实现对车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统信息融合和决策；

车辆周围障碍物检测系统检测车辆左右两侧的障碍物以及接近车身的行人、车辆，判断障碍物与车辆的距离是否小于安全车距，并给出报警信息；

驾驶员状态检测系统通过分析驾驶员的面部表情判断驾驶员是否处于疲劳驾驶状态，当驾驶员处在疲劳驾驶状态或酒驾状态时，给出驾驶员声音报警提示信息；

车道偏离预警系统通过车道识别算法检测车道线，并计算出车辆在车道中的具体位置和偏离角度，根据偏离报警模型判断车辆是否偏离了原有车道，根据阈值判断车辆是否处于安全行车状态，当车辆不是处在安全行车状态时，给出报警信息；

车辆运动控制与通信系统根据车道偏离预警系统、驾驶员状态检测系统和车辆周围障碍物检测系统的状态信息对车辆进行智能控制，并将汽车行驶的状态信息发送给其它车辆。

进一步的，

车辆周围障碍物检测系统检测车辆左右两侧的障碍物以及接近车身的行人、车辆，判断障碍物与车辆的距离是否小于安全车距，安全车距s的计算公式为：其中表示路面的附着系数，V_b表示本车车速，V_r表示相对车速，当障碍物与车辆的距离小于安全车距时将给出报警信息。

进一步的，

车道偏离预警系统包括如下步骤：

a、对车载摄像机采集的道路图像进行逆透视变换，图像缓存坐标系到车体坐标系之间的逆透视变换公式如下：

$x_v=hctg(\frac{2\mathrm{\α}}{R_y-1}r-\mathrm{\α}+\mathrm{\θ})sin(\frac{2\mathrm{\α}}{R_x-1}r-\mathrm{\α}+\mathrm{\γ})+d\mathrm{...}\left(1\right)$

$y_v=hctg(\frac{2\mathrm{\α}}{R_y-1}r-\mathrm{\α}+\mathrm{\θ})cos(\frac{2\mathrm{\α}}{R_x-1}r-\mathrm{\α}+\mathrm{\γ})+l\mathrm{...}\left(2\right)$

z_v＝0 …(3)

式中车载摄像机安装在车体中的位置对应车体坐标系下的坐标为(d,l,h)，γ是摄像机光轴在z_v＝0平面的投影与y_v轴之间的夹角，θ是摄像机光轴偏离z_v＝0平面的角度，2α是车载摄像机的是角范围，R_x是摄像机的水平分辨率，R_y是摄像机的垂直分辨率；

b、对逆透视变换后的道路图像进行预处理，预处理过程包括道路图像的车道线的边缘提取，具体过程如下：

使用Robert算子提取图像中的单边缘信息，具体计算方法如下：

用R(i,代j)替原图像像素点(i,j)的灰度值，得到车道标志线的边缘图像；

c、采用阈值分割算法对二值化的图像进行处理，增强车道标志线的边缘信息，具体计算方法如下：

(1)选择初始阈值其中g_max，g_min是车道标志线的边缘图像中灰度值的最大值和最小值；

(2)根据初始阈值M₀将车道标志线的边缘图像分为两个区域，求取两个区域的平均灰度如下：

$\left\{\begin{array}{c}{g}_1=\frac{\underset{g(i,j)\≥M_0}{\mathrm{\Σ}}g(i,j)}{\underset{g(i,j)\≥M_0}{\mathrm{\Σ}}1}\\ g_2=\frac{\underset{g(i,j)\≤M_0}{\mathrm{\Σ}}g(i,j)}{\underset{g(i,j)\≤M_0}{\mathrm{\Σ}}1}\end{array}\right.,k=0,1,2,\mathrm{...}$

(3)更新阈值过程，求取新的阈值为

(4)重复步骤(2)和(3)过程，直到M_k+1＝M_k时算法停止，得到最佳阈值为M_k+1；

d、在二值化图像中进行标志线起始点检测、跟踪与拟合，获取道路模型，完成车道标志线提取，具体计算方法如下：

(1)车道标志线起始点检测、跟踪；

根据摄像机在车体中的安装位置，在逆透视投影变换后的道路图像中，车辆的位置应该位于图像底部的中间位置附近；首先，采用Hough变换计算得到车道标志线的斜率k；具体过程如下：选取图像底部W×0.1H的区域作为Hough变换的搜索区域，W是图像的宽度，H是图像的高度；假设Δρ为1像素，Δθ为1°，为每一个小单元(Δρ,Δθ)设置累加器A(ρ_i,θ_j)，其中j＝0,1,2,...,179，然后搜索出B(θ_j)最大数组元素对应的θ₀，可以求出车道标志线的斜率k＝tan(θ₀-90)；

其次，判断出车辆所在车道的左右标志线对应白点分布情况统计图中的哪两条尖峰，求出两条尖峰在投影轴x_v上的位置坐标为X_i,X_j；

最后，根据尖峰对应的投影轴坐标计算出车道标志线起始点的坐标为(x_i,0)和(x_j,0)，其中：

和

检测得到车道标志线的起始点坐标后，可以从起始点开始，沿着起始方向逐段跟踪检测车道标志线，并用多条首尾相连的直线段近似表示车道标志线；

(2)车道标志线拟合；假设车道标志线模型为Y＝Xφ+ε，φ为求的车道标志线模型参数，X,Y是第跟踪检测得到的车道标志线信息点，ε是随机噪声，采用最小二乘法求出车道标志线模型参数为φ＝(X^TX)^-1X^TY；

e、采用基于AR模型的时间序列预测方法估计车辆的行驶轨迹；

f、根据检测的道路模型与估计的车辆行驶轨迹求取车道偏离点的位置坐标，并计算相应的车道偏离时间M；

假设预测得到的相对于车道中线的侧向偏移量序列为{Δ_i},i＝1,2,...,20，左右车道标志线的参数方程为：y_l(x)＝b_l0+b_l1x+b_l2x²和y_r(x)＝b_r0+b_r1x+b_r2x²，算出20个预测点的坐标为(x_i,y_i)分别为y_i＝50i-49，x_i＝x_mi+Δ_i，其中x_mi可以通过联立以下方程求得：

$\left\{\begin{array}{c}{x}_{mi}=\frac{x_{li}+x_{ri}}{2}\\ y_i=b_{l0}+b_{l1}{x}_{li}+b_{l2}{x_{li}}^2\\ y_i=b_{r0}+b_{r1}{x}_{ri}+b_{r2}{x_{ri}}^2\end{array}\right.$

算出20个预测点的位置坐标后，将其依次连接起来得到的预测的车辆行驶轨迹曲线，与左右车道标志线的参数方程联立可以求出当前时刻到车道偏离时刻车辆将行驶的距离D，假设车辆的速度为v，求得M＝D/v；

g、根据设置的阈值判断车辆是否存在偏离车道的危险，在系统中设定一个阈值M_t，若M＜M_t，则认为车辆存在车道偏离的危险，系统对驾驶员发出告警；反之则认为暂时不存在车道偏离的危险。

一种基于复合传感实现路情实时识别和危险判断的系统，该系统包括汽车中央控制器、车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统和车辆运动控制与通信系统，所述汽车中央控制器通过CAN总线分别和车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统相连接，实现对车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统信息融合和决策。

进一步的，

所述车辆运动控制与通信系统：包括控制器DSP四、电子制动器、车轮、执行器、方向盘、无线通信系统、电子点火器、发动机，所述控制器DSP四通过电子制动器和车轮相连接，所述控制器DSP四通过执行器和方向盘相连接，所述控制器DSP四通过电子点火器和发动机相连接，所述控制器DSP四和无线通信系统相连接。

进一步的，

所述车道偏离预警系统：车道偏离预警系统包括控制器DSP三、CCD摄像头、视频解码芯片、车轮转速传感器、存储器、显示器、加速度传感器、报警系统，CCD摄像头采集道路原始模拟视频信息，经过视频解码芯片转换为数字视频后输入给控制器DSP三，通过车道识别算法检测车道线，并计算出车辆在车道中的具体位置和偏离角度，根据偏离报警模型判断车辆是否偏离了原有车道，根据阈值判断车辆是否处于安全行车状态，当车辆不是处在安全行车状态时，给出报警信息。

进一步的，

驾驶员状态检测系统：驾驶员状态检测系统包括CMOS摄像头、AD转换器、电子断路开关、控制器DSP二、酒精传感器和声音报警器，所述CMOS摄像头通过AD转换器和控制器DSP二相连接，所述控制器DSP二分别和电子断路开关、酒精传感器以及声音报警器相连接，CMOS摄像头采集车辆驾驶员行车过程中的视频图像信息，经AD转换器后输入给控制器DSP二，控制器DSP二通过处理并分析数字视频信息，判断驾驶员是否处于疲劳驾驶状态，酒精传感器检测驾驶员是否处于酒驾，当驾驶员处于疲劳驾驶状态或酒驾状态时，控制器DSP二通过声音报警器给出报警提示信息；当驾驶员开始启动车辆时，如果酒精传感器检测驾驶员呼气中酒精含量超标，将通过电子断路开关断开发动机电源。

进一步的，

车辆周围障碍物检测系统：车辆周围障碍物检测系统包括控制器DSP一、近距离超声波传感器、雷达传感器、温度传感器和报警器，所述控制器DSP一分别和近距离超声波传感器、雷达传感器、温度传感器和报警器相连接。

本发明的有益效果：本发明解决了路情的实时自动识别，行车过程中障碍物检测，驾驶员驾驶状态检测以及车道偏离预警，可以广泛应用于汽车智能驾驶和智能交通领域。

附图说明

图1是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统原理示意图；

图1中：1-汽车中央控制器；2-车辆周围障碍物检测系统；3-驾驶员状态检测系统；4-车道偏离预警系统；5-车辆运动控制与通信系统结构。

图2是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统中车辆周围障碍物检测系统结构示意图。

图3是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统中驾驶员状态检测系统结构示意图。

图4是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统中车道偏离预警系统结构示意图。

图5是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统中车辆运动控制与通信系统结构示意图。

图6是本发明的车道偏离预警系统中算法实现流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统原理示意图。基于复合传感实现路情实时识别和危险判断的汽车智能系统包括：汽车中央控制器、车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统和车辆运动控制与通信系统，所述汽车中央控制器通过CAN总线分别和车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统相连接，实现对车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统信息融合和决策。

图2是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统中车辆周围障碍物检测系统结构示意图，车辆周围障碍物检测系统包括控制器DSP一、近距离超声波传感器、雷达传感器、温度传感器和报警器，所述控制器DSP一分别和近距离超声波传感器、雷达传感器、温度传感器和报警器相连接。近距离超声波传感器使用超声波进行测距测速，超声波的速度c与温度t之间的关系如下：

其中c₀＝331.4m/s，温度传感器测量的温度值用于对近距离超声波传感器和雷达传感器的测量精度进行温度补偿。

在车辆周围障碍物检测系统中安全车距s的计算公式如下：

其中表示路面的附着系数，V_b表示本车车速，V_r表示相对车速。

图3是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统中驾驶员状态检测系统结构示意图，驾驶员状态检测系统包括CMOS摄像头、AD转换器、电子断路开关、控制器DSP二、酒精传感器和声音报警器，所述CMOS摄像头通过AD转换器和控制器DSP二相连接，所述控制器DSP二分别和电子断路开关、酒精传感器以及声音报警器相连接，CMOS摄像头采集车辆驾驶员行车过程中的视频图像信息，经AD转换器后输入给控制器DSP二，控制器DSP二通过处理并分析数字视频信息，判断驾驶员是否处于疲劳驾驶状态，酒精传感器检测驾驶员是否处于酒驾，当驾驶员处于疲劳驾驶状态或酒驾状态时，控制器DSP二通过声音报警器给出报警提示信息。当驾驶员开始启动车辆时，如果酒精传感器检测驾驶员呼气中酒精含量超标，将通过电子断路开关断开发动机电源。

图4是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统中车道偏离预警系统结构示意图，车道偏离预警系统包括控制器DSP三、CCD摄像头、视频解码芯片、车轮转速传感器、存储器、显示器、加速度传感器、报警系统，CCD摄像头采集道路原始模拟视频信息，经过视频解码芯片转换为数字视频后输入给控制器DSP三，通过车道识别算法检测车道线，并计算出车辆在车道中的具体位置和偏离角度，根据偏离报警模型判断车辆是否偏离了原有车道，根据阈值判断车辆是否处于安全行车状态，当车辆不是处在安全行车状态时，给出报警信息。具体包括如下步骤：

1、对车载摄像机采集的道路图像进行逆透视变换，图像缓存坐标系到车体坐标系之间的逆透视变换公式如下：

$x_v=hctg(\frac{2\mathrm{\α}}{R_y-1}r-\mathrm{\α}+\mathrm{\θ})sin(\frac{2\mathrm{\α}}{R_x-1}r-\mathrm{\α}+\mathrm{\γ})+d\mathrm{...}\left(1\right)$

$y_v=hctg(\frac{2\mathrm{\α}}{R_y-1}r-\mathrm{\α}+\mathrm{\θ})cos(\frac{2\mathrm{\α}}{R_x-1}r-\mathrm{\α}+\mathrm{\γ})+l\mathrm{...}\left(2\right)$

z_v＝0 …(3)

式中车载摄像机安装在车体中的位置对应车体坐标系下的坐标为(d,l,h)，γ是摄像机光轴在z_v＝0平面的投影与y_v轴之间的夹角，θ是摄像机光轴偏离z_v＝0平面的角度，2α是车载摄像机的是角范围，R_x是摄像机的水平分辨率，R_y是摄像机的垂直分辨率。

2、对逆透视变换后的道路图像进行预处理，预处理过程包括道路图像的车道线的边缘提取，具体过程如下：

使用Robert算子提取图像中的单边缘信息，具体计算方法如下：

用R(i,代j)替原图像像素点(i,j)的灰度值，得到车道标志线的边缘图像。

3、采用阈值分割算法对二值化的图像进行处理，增强车道标志线的边缘信息，具体计算方法如下：

(1)选择初始阈值其中g_max，g_min是车道标志线的边缘图像中灰度值的最大值和最小值；

(2)根据初始阈值M₀将车道标志线的边缘图像分为两个区域，求取两个区域的平均灰度如下：

$\left\{\begin{array}{c}{g}_1=\frac{\underset{g(i,j)\≥M_0}{\mathrm{\Σ}}g(i,j)}{\underset{g(i,j)\≥M_0}{\mathrm{\Σ}}1}\\ g_2=\frac{\underset{g(i,j)\≤M_0}{\mathrm{\Σ}}g(i,j)}{\underset{g(i,j)\≤M_0}{\mathrm{\Σ}}1}\end{array}\right.,k=0,1,2,\mathrm{...}$

(3)更新阈值过程，求取新的阈值为

(4)重复步骤(2)和(3)过程，直到M_k+1＝M_k时算法停止，得到最佳阈值为M_k+1。

4、在二值化图像中进行标志线起始点检测、跟踪与拟合，获取道路模型，完成车道标志线提取，具体计算方法如下：

(1)车道标志线起始点检测、跟踪。

根据摄像机在车体中的安装位置，在逆透视投影变换后的道路图像中，车辆的位置应该位于图像底部的中间位置附近。首先，采用Hough变换计算得到车道标志线的斜率k。具体过程如下：选取图像底部W×0.1H的区域作为Hough变换的搜索区域，W是图像的宽度，H是图像的高度。假设Δρ为1像素，Δθ为1°，为每一个小单元(Δρ,Δθ)设置累加器A(ρ_i,θ_j)，其中j＝0,1,2,...,179，然后搜索出B(θ_j)最大数组元素对应的θ₀，可以求出车道标志线的斜率k＝tan(θ₀-90)。

其次，判断出车辆所在车道的左右标志线对应白点分布情况统计图中的哪两条尖峰，求出两条尖峰在投影轴x_v上的位置坐标为X_i,X_j。

最后，根据尖峰对应的投影轴坐标计算出车道标志线起始点的坐标为(x_i,0)和(x_j,0)，其中：

和

检测得到车道标志线的起始点坐标后，可以从起始点开始，沿着起始方向逐段跟踪检测车道标志线，并用多条首尾相连的直线段近似表示车道标志线。

(2)车道标志线拟合。假设车道标志线模型为Y＝Xφ+ε，φ为求的车道标志线模型参数，X,Y是第跟踪检测得到的车道标志线信息点，ε是随机噪声，采用最小二乘法求出车道标志线模型参数为φ＝(X^TX)^-1X^TY。

5、采用基于AR模型的时间序列预测方法估计车辆的行驶轨迹。

6、根据检测的道路模型与估计的车辆行驶轨迹求取车道偏离点的位置坐标，并计算相应的车道偏离时间M。

假设预测得到的相对于车道中线的侧向偏移量序列为{Δ_i},i＝1,2,...,20，左右车道标志线的参数方程为：y_l(x)＝b_l0+b_l1x+b_l2x²和y_r(x)＝b_r0+b_r1x+b_r2x²，算出20个预测点的坐标为(x_i,y_i)分别为y_i＝50i-49，x_i＝x_mi+Δ_i，其中x_mi可以通过联立以下方程求得：

$\left\{\begin{array}{c}{x}_{mi}=\frac{x_{li}+x_{ri}}{2}\\ y_i=b_{l0}+b_{l1}{x}_{li}+b_{l2}{x_{li}}^2\\ y_i=b_{r0}+b_{r1}{x}_{ri}+b_{r2}{x_{ri}}^2\end{array}\right.$

算出20个预测点的位置坐标后，将其依次连接起来得到的预测的车辆行驶轨迹曲线，与左右车道标志线的参数方程联立可以求出当前时刻到车道偏离时刻车辆将行驶的距离D，假设车辆的速度为v，求得M＝D/v。

7、根据设置的阈值判断车辆是否存在偏离车道的危险，在系统中设定一个阈值M_t，若M＜M_t，则认为车辆存在车道偏离的危险，系统对驾驶员发出告警；反之则认为暂时不存在车道偏离的危险。

图5是本发明的基于复合传感实现路情实时识别和危险判断的汽车智能系统中车辆运动控制与通信系统结构示意图，包括控制器DSP四、电子制动器、车轮、执行器、方向盘、无线通信系统、电子点火器、发动机，所述控制器DSP四通过电子制动器和车轮相连接，所述控制器DSP四通过执行器和方向盘相连接，所述控制器DSP四通过电子点火器和发动机相连接，所述控制器DSP四和无线通信系统相连接。车辆运动控制与通信系统根据车道偏离预警系统、驾驶员状态检测系统和车辆周围障碍物检测系统的状态信息通过执行器控制车辆的行驶方向，通过电子制动器控制汽车的车速，并可以通过无线通信系统将汽车行驶的状态信息发送给其它车辆。

本发明的有益效果：解决了路情的实时自动识别，行车过程中障碍物检测，驾驶员驾驶状态检测以及车道偏离预警，可以广泛应用于汽车智能驾驶和智能交通领域。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于复合传感实现路情实时识别和危险判断的方法，其特征在于：

该方法包括汽车智能控制系统：该控制系统包括汽车中央控制器、车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统和车辆运动控制与通信系统，所述汽车中央控制器通过CAN总线分别和车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统相连接，实现对车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统信息融合和决策；

车辆周围障碍物检测系统检测车辆左右两侧的障碍物以及接近车身的行人、车辆，判断障碍物与车辆的距离是否小于安全车距，并给出报警信息；

驾驶员状态检测系统通过分析驾驶员的面部表情判断驾驶员是否处于疲劳驾驶状态，当驾驶员处在疲劳驾驶状态或酒驾状态时，给出驾驶员声音报警提示信息；

车道偏离预警系统通过车道识别算法检测车道线，并计算出车辆在车道中的具体位置和偏离角度，根据偏离报警模型判断车辆是否偏离了原有车道，根据阈值判断车辆是否处于安全行车状态，当车辆不是处在安全行车状态时，给出报警信息；

车辆运动控制与通信系统根据车道偏离预警系统、驾驶员状态检测系统和车辆周围障碍物检测系统的状态信息对车辆进行智能控制，并将汽车行驶的状态信息发送给其它车辆。

2.根据权利要求1所述的基于复合传感实现路情实时识别和危险判断的方法，其特征在于：

车辆周围障碍物检测系统检测车辆左右两侧的障碍物以及接近车身的行人、车辆，判断障碍物与车辆的距离是否小于安全车距，安全车距s的计算公式为：其中表示路面的附着系数，V_b表示本车车速，V_r表示相对车速，当障碍物与车辆的距离小于安全车距时将给出报警信息。

3.根据权利要求1所述的基于复合传感实现路情实时识别和危险判断的法，其特征在于：

车道偏离预警系统包括如下步骤：

a、对车载摄像机采集的道路图像进行逆透视变换，图像缓存坐标系到车体坐标系之间的逆透视变换公式如下：

$x_v=hctg(\frac{2\mathrm{\α}}{R_y-1}r-\mathrm{\α}+\mathrm{\θ})sin(\frac{2\mathrm{\α}}{R_x-1}r-\mathrm{\α}+\mathrm{\γ})+d...\left(1\right)$

$y_v=hctg(\frac{2\mathrm{\α}}{R_y-1}r-\mathrm{\α}+\mathrm{\θ})cos(\frac{2\mathrm{\α}}{R_x-1}r-\mathrm{\α}+\mathrm{\γ})+l...\left(2\right)$

z_v＝0…(3)

式中车载摄像机安装在车体中的位置对应车体坐标系下的坐标为(d,l,h)，γ是摄像机光轴在z_v＝0平面的投影与y_v轴之间的夹角，θ是摄像机光轴偏离z_v＝0平面的角度，2α是车载摄像机的是角范围，R_x是摄像机的水平分辨率，R_y是摄像机的垂直分辨率；

b、对逆透视变换后的道路图像进行预处理，预处理过程包括道路图像的车道线的边缘提取，具体过程如下：

使用Robert算子提取图像中的单边缘信息，具体计算方法如下：

用R(i,代j)替原图像像素点(i,j)的灰度值，得到车道标志线的边缘图像；

c、采用阈值分割算法对二值化的图像进行处理，增强车道标志线的边缘信息，具体计算方法如下：

(1)选择初始阈值其中g_max，g_min是车道标志线的边缘图像中灰度值的最大值和最小值；

(2)根据初始阈值M₀将车道标志线的边缘图像分为两个区域，求取两个区域的平均灰度如下：

$\left\{\begin{array}{c}{g}_1=\frac{\underset{g(i,j)\≥M_0}{\mathrm{\Σ}}g(i,j)}{\underset{g(i,j)\≥M_0}{\mathrm{\Σ}}1}\\ g_2=\frac{\underset{g(i,j)\≤M_0}{\mathrm{\Σ}}g(i,j)}{\underset{g(i,j)\≤M_0}{\mathrm{\Σ}}1}\end{array}\right.,k=0,1,2,...$

(3)更新阈值过程，求取新的阈值为

(4)重复步骤(2)和(3)过程，直到M_k+1＝M_k时算法停止，得到最佳阈值为M_k+1；

d、在二值化图像中进行标志线起始点检测、跟踪与拟合，获取道路模型，完成车道标志线提取，具体计算方法如下：

(1)车道标志线起始点检测、跟踪；

根据摄像机在车体中的安装位置，在逆透视投影变换后的道路图像中，车辆的位置应该位于图像底部的中间位置附近；首先，采用Hough变换计算得到车道标志线的斜率k；具体过程如下：选取图像底部W×0.1H的区域作为Hough变换的搜索区域，W是图像的宽度，H是图像的高度；假设Δρ为1像素，Δθ为1°，为每一个小单元(Δρ,Δθ)设置累加器A(ρ_i,θ_j)，其中然后搜索出B(θ_j)最大数组元素对应的θ₀，可以求出车道标志线的斜率k＝tan(θ₀-90)；

其次，判断出车辆所在车道的左右标志线对应白点分布情况统计图中的哪两条尖峰，求出两条尖峰在投影轴x_v上的位置坐标为X_i,X_j；

最后，根据尖峰对应的投影轴坐标计算出车道标志线起始点的坐标为(x_i,0)和(x_j,0)，其中：

检测得到车道标志线的起始点坐标后，可以从起始点开始，沿着起始方向逐段跟踪检测车道标志线，并用多条首尾相连的直线段近似表示车道标志线；

(2)车道标志线拟合；假设车道标志线模型为Y＝Xφ+ε，φ为求的车道标志线模型参数，X,Y是第跟踪检测得到的车道标志线信息点，ε是随机噪声，采用最小二乘法求出车道标志线模型参数为φ＝(X^TX)^-1X^TY；

e、采用基于AR模型的时间序列预测方法估计车辆的行驶轨迹；

f、根据检测的道路模型与估计的车辆行驶轨迹求取车道偏离点的位置坐标，并计算相应的车道偏离时间M；

假设预测得到的相对于车道中线的侧向偏移量序列为{Δ_i},i＝1,2,...,20，左右车道标志线的参数方程为：y_l(x)＝b_l0+b_l1x+b_l2x²和y_r(x)＝b_r0+b_r1x+b_r2x²，算出20个预测点的坐标为(x_i,y_i)分别为y_i＝50i-49，x_i＝x_mi+Δ_i，其中x_mi可以通过联立以下方程求得：

$\left\{\begin{array}{c}{x}_{mi}=\frac{x_{li}+x_{ri}}{2}\\ y_i=b_{l0}+b_{l1}{x}_{li}+b_{l2}{x_{li}}^2\\ y_i=b_{r0}+b_{r1}{x}_{ri}+b_{r2}{x_{ri}}^2\end{array}\right.$

算出20个预测点的位置坐标后，将其依次连接起来得到的预测的车辆行驶轨迹曲线，与左右车道标志线的参数方程联立可以求出当前时刻到车道偏离时刻车辆将行驶的距离D，假设车辆的速度为v，求得M＝D/v；

g、根据设置的阈值判断车辆是否存在偏离车道的危险，在系统中设定一个阈值M_t，若M＜M_t，则认为车辆存在车道偏离的危险，系统对驾驶员发出告警；反之则认为暂时不存在车道偏离的危险。

4.一种基于复合传感实现路情实时识别和危险判断的系统，其特征在于：该系统包括汽车中央控制器、车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统和车辆运动控制与通信系统，所述汽车中央控制器通过CAN总线分别和车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统相连接，实现对车辆周围障碍物检测系统、驾驶员状态检测系统、车道偏离预警系统、车辆运动控制与通信系统信息融合和决策。

5.根据权利要求4所述的基于复合传感实现路情实时识别和危险判断的系统，其特征在于：

所述车辆运动控制与通信系统：包括控制器DSP四、电子制动器、车轮、执行器、方向盘、无线通信系统、电子点火器、发动机，所述控制器DSP四通过电子制动器和车轮相连接，所述控制器DSP四通过执行器和方向盘相连接，所述控制器DSP四通过电子点火器和发动机相连接，所述控制器DSP四和无线通信系统相连接。

6.根据权利要求4所述的基于复合传感实现路情实时识别和危险判断的系统，其特征在于：

所述车道偏离预警系统：车道偏离预警系统包括控制器DSP三、CCD摄像头、视频解码芯片、车轮转速传感器、存储器、显示器、加速度传感器、报警系统，CCD摄像头采集道路原始模拟视频信息，经过视频解码芯片转换为数字视频后输入给控制器DSP三，通过车道识别算法检测车道线，并计算出车辆在车道中的具体位置和偏离角度，根据偏离报警模型判断车辆是否偏离了原有车道，根据阈值判断车辆是否处于安全行车状态，当车辆不是处在安全行车状态时，给出报警信息。

7.根据权利要求4所述的基于复合传感实现路情实时识别和危险判断的系统，其特征在于：

驾驶员状态检测系统：驾驶员状态检测系统包括CMOS摄像头、AD转换器、电子断路开关、控制器DSP二、酒精传感器和声音报警器，所述CMOS摄像头通过AD转换器和控制器DSP二相连接，所述控制器DSP二分别和电子断路开关、酒精传感器以及声音报警器相连接，CMOS摄像头采集车辆驾驶员行车过程中的视频图像信息，经AD转换器后输入给控制器DSP二，控制器DSP二通过处理并分析数字视频信息，判断驾驶员是否处于疲劳驾驶状态，酒精传感器检测驾驶员是否处于酒驾，当驾驶员处于疲劳驾驶状态或酒驾状态时，控制器DSP二通过声音报警器给出报警提示信息；当驾驶员开始启动车辆时，如果酒精传感器检测驾驶员呼气中酒精含量超标，将通过电子断路开关断开发动机电源。

8.根据权利要求4所述的基于复合传感实现路情实时识别和危险判断的系统，其特征在于：

车辆周围障碍物检测系统：车辆周围障碍物检测系统包括控制器DSP一、近距离超声波传感器、雷达传感器、温度传感器和报警器，所述控制器DSP一分别和近距离超声波传感器、雷达传感器、温度传感器和报警器相连接。