CN106114505A

CN106114505A - 一种车辆辅助驾驶系统的前车碰撞预警方法

Info

Publication number: CN106114505A
Application number: CN201610528023.9A
Authority: CN
Inventors: 王勋; 孙杰; 王慧燕
Original assignee: Zhejiang Gongshang University
Current assignee: Zhejiang Gongshang University
Priority date: 2016-07-04
Filing date: 2016-07-04
Publication date: 2016-11-16

Abstract

本发明公开了一种车辆辅助驾驶系统的前车碰撞预警方法，其利用车尾在前后两帧图像中的宽度来确定变化率，用以实时计算碰撞时间。本发明方法无需用户标定参数，也无需计算两车的绝对距离，只要能稳定的检测出车尾即可，并且当遇到暴雨、逆光、顺光等极端天气时，只需要加入在极端天气下的车尾训练正样本，使得算法能识别出车尾，即可计算出前车碰撞时间，算法稳定性和用户体验较传统方法都得到了提升。此外，本发明方法没有额外过多的运算，性能也较传统算法高。

Description

一种车辆辅助驾驶系统的前车碰撞预警方法

技术领域

本发明属于车辆辅助驾驶技术领域，具体涉及一种车辆辅助驾驶系统的前车碰撞预警方法。

背景技术

根据国外公司的一项调查数据显示，对于前向碰撞，如果能够提前2秒察觉危险并提醒驾驶员，那么减少的事故发生概率在95％以上，而提前1.5秒进行预警，前车追尾以及转弯碰撞事故也能降低至10％。可以说，拥有前向防碰撞系统等于为汽车多上了一份安全保险。面对马路上出现的越来越多的车辆以及日益复杂的行路状况，辅助驾驶的工具愈发成为驾驶员们所迫切需要的智能配置。

传统的前车碰撞预警算法是通过计算当前车辆与前车的距离和相对速度，从而得到碰撞时间，当碰撞时间小于设定的阈值时，触发报警，如下公式：

T＝S/ΔV

其中：S即两车的距离，ΔV是两车的相对速度，T是碰撞时间；ΔV计算如下：

ΔV＝ΔS/ΔT

其中：ΔS可由视频序列中连续两帧之间的距离差获得，ΔT可根据连续两帧之间的时间差获得。从以上公式可知，如预获得碰撞时间，关键在于精确的计算出两车的距离，计算距离一般有两种方法，第一种是通过激光、雷达等传感器获得，该方法的优点是测算出的距离精确，缺点也明显，成本较高，目前难以在民用领域大规模使用；第二种是通过图像处理的方法，估算出两车的距离，该方法的优点是成本低，缺点也比较明显，即精确不高。现有的图像处理算法一般通过几何变换的方法估算距离，原理如图1所示。

图1展示了传统的距离计算方法，假设摄像头跟地平线平行，镜头焦距是f，前车车尾距离摄像头的距离为Z，摄像头距离地面的高度为H，前车车尾与地面交线的点映射到图像的点的高度是y，则根据几何性质，有如下等式：

Z = \frac{f H}{y}

从以上原理可知，f已知的情况下，需计算摄像头距离地面高度以及前车车尾与地面交线在图像中的位置，前者需要用户标定，后者则需要车尾检测器精确的定位，如检测不准，几个像素的误差就会导致计算出的距离出差较大的误差，从而碰撞时间也会不准确。以上分析可知，如果不借助其他传感器，传统的前车碰撞预警算法对用户和算法都有非常高的要求，可行性和稳定性都不高。

发明内容

针对以上缺陷，本发明转变思路提供了一种车辆辅助驾驶系统的前车碰撞预警方法，不再求两车的绝对距离，而是通过车尾框的变化率求得碰撞预警时间，当前后几帧的车尾框变化率过大并超过设定的阈值，则输出报警信息。

一种车辆辅助驾驶系统的前车碰撞预警方法，包括如下步骤：

首先，通过训练关于车尾的强分类器用以对输入图像进行车尾检测，若当前帧输入图像中包含车尾，则进一步计算当前时刻对应的碰撞时间T；若当前帧输入图像中不包含车尾，则检测下一帧输入图像；

然后，利用车尾变化率S计算当前时刻对应的碰撞时间T，即：

其中：w_当前表示当前帧输入图像中车尾的宽度，w_前一表示前一通过车尾检测的输入图像中同一车尾的宽度，Δt表示当前帧输入图像与前一通过车尾检测的输入图像的采集时间差；

最后，依据当前时刻对应的碰撞时间T进行前车碰撞预警。

所述训练强分类器的具体过程为：大量采集各种路况下的行车记录仪数据，从中获取正样本和负样本，正样本为包含车尾的图像且车尾面积至少占整个正样本面积的90％，负样本为不包含车尾的图像；从正样本和负样本中提取Haar特征，使Haar特征作为输入采用Adaboost算法进行训练，从而得到关于车尾的强分类器，其输出结果分为两类：一类是车尾，另一类不是车尾。

所述对输入图像进行车尾检测的具体过程为：提取输入图像的ROI(感兴趣区域)，所述的ROI中只包含距离本车最近的车；将ROI缩放为多级不同尺度的窗口图像，进而提取窗口图像的Haar特征逐个输入强分类器中进行检测，若超过一定比例的窗口图像通过检测为车尾，则判定输入图像中包含车尾并对输入图像信息进行保存。

所述前车碰撞预警的具体实现方案为：若碰撞时间T大于等于3秒，则当前车辆处于安全状态；碰撞时间T小于3秒，则当前车辆处进入危险状态并开始计数，若连续三次判断到碰撞时间T均小于3秒，则说明当前车辆与前车车尾距离过近，输出报警信息。

本发明方法无需用户标定参数，也无需计算两车的绝对距离，只要能稳定的检测出车尾即可，并且当遇到暴雨、逆光、顺光等极端天气时，只需要加入在极端天气下的车尾训练正样本，使得算法能识别出车尾，即可计算出前车碰撞时间，算法稳定性和用户体验较传统方法都得到了提升。此外，本发明方法没有额外过多的运算，性能也较传统算法高。

附图说明

图1为车距估算的原理示意图。

图2是本发明方法的流程示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

本发明车辆辅助驾驶系统的前车碰撞预警方法的具体实现主要分为两大模块：一是前车车尾检测，二是根据相邻帧之间的车尾宽度变化率计算碰撞时间；方法流程如图2所示。

模块一：车尾检测。

大量采集各种路况的行车记录仪数据，包括城市道路、高速高架、乡间道路等，并从中获取正样本和负样本，正样本为包含车尾的图像，车尾面积约占整个正样本面积的90％左右，负样本为不包含车尾图像的图像，将正负样本统一到24×24像素的图像，从正样本和负样本中提取Haar特征，对从这些特征用Adaboost算法进行训练，得到Haar特征组成的强分类器，分类结果分为两类：一类是输入窗口是车尾，另一类不是车尾。

当车尾模型训练完后，需要在输入图像中检测车尾。先将图像提取出感兴趣区域，这个区域只包含距离本车最近的车，从而减小搜索范围提高性能，然后把感兴趣区域缩小为多级不同尺度的图像，并从小到大排列，从第一个尺度开始检测，每一个窗口用强分类器进行分类，如果结果是车尾窗口，则记录窗口信息并保存，供下一个模块使用。

模块二：根据车尾变化率计算碰撞时间。

根据相机的透视投影可知如下公式：

w_{t} = \frac{f W}{Z_{t}}

其中，w_t是t时刻车尾在图像中的宽度，Z_t是距离前车车尾的距离，W是车尾的实际宽度，f是相机的焦距；车尾在图像中的宽度可通过车尾的边缘像素提取计算获得。

假设S作为前后两帧车尾的变化率：

S = \frac{w_{1}}{w_{0}} = \frac{\frac{f W}{Z_{1}}}{\frac{f W}{Z_{0}}} = \frac{Z_{0}}{Z_{1}}

而两帧之间的距离又满足如下条件：

Z₁＝Z₀+V*Δt

所以假设碰撞时间为T，有如下公式：

T = \frac{Z_{1}}{V} = \frac{Δ t}{S - 1}

因此，前车碰撞时间只与车尾的宽度变化率相关，无需用户标定额外参数。另外，对于同一个车尾，用于计算车尾宽度变化率的两帧间隔可任意，既可相邻两帧，也可间隔多帧。

当在t时刻的碰撞时间计算完成后，则需要判断当前车辆是否处于距离过近的危险状态。经相关研究表明，对于前车碰撞，如果提前2秒察觉危险并提醒驾驶员，那么减少的事故发生概率在95％以上。鉴于此，我们将报警时间继续放宽，设在3秒。当T大于3秒时，当前车辆处于安全状态，当小于3秒时，则进入危险状态，并开始计数，如果T连续三次都小于3秒，则说明当前车辆与前车车尾距离过近，输出报警信息。

我们将本发明集成到行车记录仪中，能正常运行后将行车记录仪安装到小轿车上，调整相机的角度，使得相机画面中中线与天际线重合。安装完成后，启动轿车，行车记录仪会自动启动，并实时获取行驶数据传入ADAS系统分析当前车辆安全状态，当车距过近时，行车记录仪会发出报警声，提醒司机注意安全车距。

上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims

1.一种车辆辅助驾驶系统的前车碰撞预警方法，包括如下步骤：

最后，依据当前时刻对应的碰撞时间T进行前车碰撞预警。

2.根据权利要求1所述的前车碰撞预警方法，其特征在于：所述训练强分类器的具体过程为：大量采集各种路况下的行车记录仪数据，从中获取正样本和负样本，正样本为包含车尾的图像且车尾面积至少占整个正样本面积的90％，负样本为不包含车尾的图像；从正样本和负样本中提取Haar特征，使Haar特征作为输入采用Adaboost算法进行训练，从而得到关于车尾的强分类器，其输出结果分为两类：一类是车尾，另一类不是车尾。

3.根据权利要求1所述的前车碰撞预警方法，其特征在于：所述对输入图像进行车尾检测的具体过程为：提取输入图像的ROI，所述的ROI中只包含距离本车最近的车；将ROI缩放为多级不同尺度的窗口图像，进而提取窗口图像的Haar特征逐个输入强分类器中进行检测，若超过一定比例的窗口图像通过检测为车尾，则判定输入图像中包含车尾并对输入图像信息进行保存。

4.根据权利要求1所述的前车碰撞预警方法，其特征在于：所述前车碰撞预警的具体实现方案为：若碰撞时间T大于等于3秒，则当前车辆处于安全状态；碰撞时间T小于3秒，则当前车辆处进入危险状态并开始计数，若连续三次判断到碰撞时间T均小于3秒，则说明当前车辆与前车车尾距离过近，输出报警信息。