CN107479061A - 一种基于图像识别与雷达测距的安全预警方法及系统 - Google Patents
一种基于图像识别与雷达测距的安全预警方法及系统 Download PDFInfo
- Publication number
- CN107479061A CN107479061A CN201710741514.6A CN201710741514A CN107479061A CN 107479061 A CN107479061 A CN 107479061A CN 201710741514 A CN201710741514 A CN 201710741514A CN 107479061 A CN107479061 A CN 107479061A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- distance
- front obstacle
- speed
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000000926 separation method Methods 0.000 claims description 30
- 230000004888 barrier function Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 12
- 238000006243 chemical reaction Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000002787 reinforcement Effects 0.000 description 8
- 238000009434 installation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000035484 reaction time Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 235000014676 Phragmites communis Nutrition 0.000 description 2
- 241000135164 Timea Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000324343 Causa Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于图像识别与雷达测距的安全预警方法及系统,该方法包括:获取车辆内的图像,对图像进行预处理;判断检测图像是否满足预设图形条件;判断速度vb是否等于0,若否,则采用激光雷达对该车辆的前方障碍物进行扫描,获取该车辆以及前方障碍物的行驶状态信息;根据车辆的制动减速度和行驶状态信息,确定临界距离,判断临界距离是否大于该车辆与前方障碍物的安全距离,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。还涉及一种系统,该系统包括:监测模块、雷达测距模块、综合判断报警模块。通过本发明判断驾驶员是否在观看手机,然后根据计算出的距离与实际测得的距离之间的实时比较,大大地提高了安全的预测效果。
Description
技术领域
本发明属于车辆安全驾驶领域,尤其涉及一种基于图像识别与雷达测距的安全预警方法及系统。
背景技术
在如今的生活中,手机已经是人们日常生活的一部分,人们在出行时也离不开手机。虽然人们知道在开车时看手机容易造成很大的危害,但有因为某些必要的原因不得不看手机。因此,通过倡导人们在开车时不要看手机这条方法看起来会收效甚微,只有通过外部的设备来对人们开车看手机这一现象进行预警,但是目前,国内外对于开车玩手机的车内监测预警还在无人驾驶、辅助驾驶和开发手机软件的层面上,对于开发车内监测驾驶员开车玩手机预警系统并没有太多的研究成果,无法及时地提醒驾驶员安全驾驶。
发明内容
本发明所要解决的技术问题是:目前国内外对于开车玩手机的车内监测预警还在无人驾驶、辅助驾驶和开发手机软件的层面上,对于开发车内监测驾驶员开车玩手机预警系统并没有太多的研究成果,无法及时地提醒驾驶员安全驾驶。
为解决上面的技术问题,本发明提供了一种基于图像识别与雷达测距的安全预警方法,该安全预警方法包括:
S1,获取车辆内的图像,采用opencv图像处理对所述图像进行预处理,得到检测图像;
S2,判断所述检测图像是否满足预设图形条件,若满足,则执行步骤S3;
S3,判断所述车辆的速度vb是否等于0,若否,则采用激光雷达对该车辆的前方障碍物进行扫描,获取该车辆以及前方障碍物的行驶状态信息;
S4,根据所述车辆的制动减速度和所述行驶状态信息,确定车辆的临界距离,判断所述临界距离是否大于该车辆与所述前方障碍物的安全距离,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
本发明的有益效果:通过上述的方法可以对每个驾驶员的反应时间、本车的制动能力、本车的车速、前车的运动状态进行检测,能够时刻有效地预防事故的安全距离,同时根据本车速度,本车制动减速度,前方障碍物的速度等实际数据结合理论自动计算出临界距离(最小安全距离),然后将计算出的距离与实际测得的距离进行实时的比较,从而作出相应的反应,大大地提高了安全的预测效果。
进一步地,所述S1中包括:获取车内的图像,采用opencv图像处理对所述图像进行边缘检测、轮廓提取、背景过滤和膨胀筛选处理,得到所述检测图像。
上述进一步地有益效果:利用手机屏幕反光和发光其周围光点多的特点,对照片进行,边缘检测,轮廓提取,背景过滤,膨胀筛选等进一步处理得到最终的检测图像,并将判断图片中是否有手机。这样提高了判断的准确率。
进一步地,所述S2具体包括:
S21,在所述检测图像中查找被轮廓线包围的最小面积的矩形,确定所述矩形的左上和右下两顶点的坐标位置,并根据所述坐标位置计算出所述矩形的长度、宽度和长宽比;
S22,判断所述最小面积的矩形的长度、宽度和长宽比是否满足预设矩形条件,若满足,则执行步骤S3。
上述进一步地有益效果:通过利用最小矩形左上和右下的两个点,得出其坐标位置,通过计算得出最小外接矩形的长度和宽度以及长宽比,这样能够精确地得到驾驶员是否在观看手机,大大减少了错误判断的概率。
进一步地,所述S3中具体包括:判断本车辆的速度vb是否等于0,若否,则采用所述激光雷达对所述前方障碍物进行扫描,当扫描完一圈360°或者扫描时间超过设定时间后,获取本车辆以及所述前方障碍物的行驶状态信息。
进一步地,所述行驶状态信息包括:车辆的速度vb、车辆与所述前方障碍物的距离L、所述前方障碍物的速度vq、所述激光雷达以其自身为原点坐标系下的角度α、车辆的横向距离Lh和车辆的纵向距离Lz;其中,所述横向距离Lh和纵向距离Lz是根据L和α确定的,所述前方障碍物的速度vq是根据车辆的车速vb和车辆与前障碍物之间的纵向距离Lz的变化率确定的。
进一步地,所述S4中具体包括:
S41,根据所述车辆的速度vb、车辆的制动减速度和所述前方障碍物的速度vq,确定所述车辆的临界横向距离d0;
S42,判断所述临界横向距离d0是否大于所述横向距离Lh,若大于,则判断所述前方障碍物的速度vq是否等于0,若是,则确定该车辆与所述前方障碍物之间的最小安全距离S,判断所述最小安全距离S是否小于所述纵向距离Lz,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
上述进一步地有益效果:当vq等于零的时候,前方障碍物静止,其最小安全距离就是制动距离。
进一步地,所述S42中还包括:若所述前方障碍物的速度vq不等于0,则判断前方障碍物的加速度aq是否大于0,若大于,则确定本车辆与所述前方障碍物之间的最小安全距离S,判断所述最小安全距离S是否小于所述纵向距离Lz,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
上述进一步地有益效果:当vq不等于零时,前方障碍物处于运动状态,再通过前方障碍物的加速度aq来判断其运动状态,可能为加速运动、匀速运动或者减速运动。由于雷达采集数据的频率较大,整个系统的滞后性较小,可以做到实时的处理。若当前方障碍物的速度vq>vb,两者的纵向距离Lz将增大,行车相对安全。若前方障碍物速度vq≤vb,两者纵向距离将缩短,存在碰撞的危险。
本发明还涉及一种基于图像识别与雷达测距的安全预警系统,该系统包括:监测模块、雷达测距模块、综合判断报警模块;
所述监测模块,用于获取车辆内的图像,采用opencv图像处理对所述图像进行预处理,得到检测图像,判断所述检测图像是否满足预设图形条件;
所述雷达测距模块,用于判断所述车辆的速度vb是否等于0,若否,则采用激光雷达对该车辆的前方障碍物进行扫描,获取该车辆以及前方障碍物的行驶状态信息;
所述综合判断报警模块,用于根据所述车辆的制动减速度和所述行驶状态信息,确定车辆的临界距离,判断所述临界距离是否大于该车辆与所述前方障碍物的安全距离,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
本发明的有益效果:通过上述的系统,可以对每个驾驶员的反应时间、本车的制动能力、本车的车速、前车的运动状态进行检测,能够时刻有效地预防事故的安全距离,同时根据本车速度,本车制动减速度,前方障碍物的速度等实际数据结合理论自动计算出临界距离(最小安全距离),然后将计算出的距离与实际测得的距离进行实时的比较,从而作出相应的反应,大大地提高了安全的预测效果。
进一步地,所述监测模块包括:获取单元;所述获取单元,用于获取车内的图像,采用opencv图像处理对所述图像进行边缘检测、轮廓提取、背景过滤和膨胀筛选处理,得到所述检测图像。
上述进一步的有益效果:利用手机屏幕反光和发光其周围光点多的特点,对照片进行,边缘检测,轮廓提取,背景过滤,膨胀筛选等进一步处理得到最终的检测图像,并将判断图片中是否有手机。这样提高了判断的准确率。
进一步地,所述监测模块包括:监测单元和判断单元;
所述监测单元,用于在所述检测图像中查找被轮廓线包围的最小面积的矩形,确定所述矩形的左上和右下两顶点的坐标位置,并根据所述坐标位置计算出所述矩形的长度、宽度和长宽比;
所述判断单元,用于判断所述最小面积的矩形的长度、宽度和长宽比是否满足预设矩形条件。
上述进一步地有益效果:通过利用最小矩形左上和右下的两个点,得出其坐标位置,通过计算得出最小外接矩形的长度和宽度以及长宽比,这样能够精确地得到驾驶员是否在观看手机,大大减少了错误判断的概率。
附图说明
图1为本发明的一种基于图像识别与雷达测距的安全预警方法的流程图;
图2为本实施例中前方障碍物静止仿真曲线的示意图;
图3为本实施例中前方障碍物加速仿真曲线的示意图;
图4为本实施例中前方障碍物匀速仿真曲线的示意图;
图5为本实施例中前方障碍物减速仿真曲线的示意图;
图6为本实施中一种基于图像识别与雷达测距的安全预警系统的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本实施例是一种基于图像识别与雷达测距的安全预警方法,该安全预警方法包括:
S1,获取车辆内的图像,采用opencv图像处理对所述图像进行预处理,得到检测图像;
S2,判断所述检测图像是否满足预设图形条件,若满足,则执行步骤S3;
S3,判断所述车辆的速度vb是否等于0,若否,则采用激光雷达对该车辆的前方障碍物进行扫描,获取该车辆以及前方障碍物的行驶状态信息;
S4,根据所述车辆的制动减速度和所述行驶状态信息,确定车辆的临界距离,判断所述临界距离是否大于该车辆与所述前方障碍物的安全距离,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
在本实施例中通过上述的方法可以对每个驾驶员的反应时间、本车的制动能力、本车的车速、前车的运动状态进行检测,能够时刻有效地预防事故的安全距离,同时根据本车速度,本车制动减速度,前方障碍物的速度等实际数据结合理论自动计算出临界距离(最小安全距离),然后将计算出的距离与实际测得的距离进行实时的比较,从而作出相应的反应,大大地提高了安全的预测效果。
可选地,在另一实施例中所述S1中包括:获取车内的图像,采用opencv图像处理对所述图像进行边缘检测、轮廓提取、背景过滤和膨胀筛选处理,得到所述检测图像。
需要说明的是,在本实施例中对图像进行处理,主要是主要利用opencv语言的图像处理。对摄像头设置1.5秒抓拍一次的照片进行处理,利用手机屏幕反光和发光其周围光点多的情况,首先运用opencv中的canny算法进行图像的边缘检测,在利用findcontours函数获取到图像的所有轮廓,然后通过增大阈值将背景干扰轮廓进行进一步的过滤,得到预处理后的图像,得到图像会有比较散碎的轮廓,为了进一步的将轮廓提取出来,对该图像进行膨胀操作,将相邻的零星线条集中在一起得到膨胀图,在膨胀图的基础上可以运用外接圆或者外接矩形的方法进行处理,为了能够进一步的筛选提高准确率,通过设置最小外接矩形的宽度LengWidth以及长宽比lengthwidthRatio得到最终的检测图像,根据设定的矩形或者圆形条件将手机识别出来。
其次,此次图像识别主要是运用了opencv3中的边缘检测的Canny()函数和寻找轮廓findContours()的函数,绘制轮廓的drawContours()函数以及最小外接矩形的minAreaRrct()函数。
(1)边缘检测的Canny()函数
Canny边缘检测利用canny算子来进行图像的边缘检测。具有低错误率,高定位性,以及最小响应等优点。主要通过消除噪声,计算梯度幅值和方向,非极大值抑制和滞后阈值四个步骤来进行检测
(2)寻找轮廓findContours的函数和绘制轮廓的drawContours
一个轮廓一般对应一系列的点,也就是图像中的一条曲线通过提取所有轮廓建立网状的轮廓结构,并绘制出来。
可选地,在另一实施例中所述S2具体包括:
S21,在所述检测图像中查找被轮廓线包围的最小面积的矩形,确定所述矩形的左上和右下两顶点的坐标位置,并根据所述坐标位置计算出所述矩形的长度、宽度和长宽比;
S22,判断所述最小面积的矩形的长度、宽度和长宽比是否满足预设矩形条件,若满足,则执行步骤S3。
需要说明的是,在本实施例中最小外接矩形的minAreaRrct()其是通过给定的2D点集寻找最小面积的包围矩形,利用最小矩形左上和右下的两个点,得出其坐标位置,通过计算得出最小外接矩形的长度和宽度以及长宽比。设置最小宽度和长宽比,当满足这一条件时,则默认为图像上有手机,然后自动地向单片机发送1,否则发送0,这是图像识别最关键的一步。
通过上述的方法,根据摄像头的安装位置,检测驾驶员的双手动作,手中是否有手机,再利用手机屏幕的反光和发光效果,手机周围的光点图像中的要多很多,通过增大阈值的方法,过滤掉光点小的区域,通过识别最终检测图像中有无外接矩形,若检测到有矩形则默认为驾驶员是在看手机。
因此,通过利用最小矩形左上和右下的两个点,得出其坐标位置,通过计算得出最小外接矩形的长度和宽度以及长宽比,这样能够精确地得到驾驶员是否在观看手机,大大减少了错误判断的概率。
可选地,在另一实施例中所述S3中具体包括:判断本车辆的速度vb是否等于0,若否,则采用所述激光雷达对所述前方障碍物进行扫描,当扫描完一圈360°或者扫描时间超过设定时间后,获取本车辆以及所述前方障碍物的行驶状态信息。
可选地,在另一实施例中所述行驶状态信息包括:车辆的速度vb、车辆与所述前方障碍物的距离L、所述前方障碍物的速度vq、所述激光雷达以其自身为原点坐标系下的角度α、车辆的横向距离Lh和车辆的纵向距离Lz;其中,所述横向距离Lh和纵向距离Lz是根据L和α确定的,所述前方障碍物的速度vq是根据车辆的车速vb和车辆与前障碍物之间的纵向距离Lz的变化率确定的。
需要说明的是,在本实施例中为了对车辆前方障碍物的实时预警,避免出现交通事故,本车与前方障碍物的距离必须大于一定的数值(安全距离)。由于每个驾驶员的反应时间、本车的制动能力、本车的车速、前车的运动状态等因素的影响,能够有效预防事故的安全距离是时刻在变化的,所以本模型不是预先设定一个固定的安全距离,而是根据本车速度,本车制动减速度,前方障碍物的速度等实际数据结合理论自动计算出临界安全距离(最小安全距离),然后将计算出的距离与实际测得的距离进行实时的比较从而作出相应的反应。以下建立数学模型:
首先,主要的参数设定
本车车速vbm/s
前障碍物速度vqm/s
本车与障碍物的距离Lm,雷达扫描仪自身坐标系下的角度α
雷达扫描仪的有效扫描角度φ,雷达扫描仪与前方障碍物连线方向与车辆行驶方向的夹角θ
雷达扫描仪到车辆引擎盖最前方的距离cm
车辆宽度bm
雷达扫描仪转动一圈检测的时间间隔Δts
前障碍物加速度aqm/s2
驾驶员反应时间和制动传力时间之和tps,制动增力时间trs
本车的最大制动减速度amaxm/s2
本车与前方障碍物的相对速度vxm/s
其次,数据获取和计算
(1)在本作品的潜在事故风险综合判断模块的障碍物风险判断模型中,需要雷达RPLIDAR获取的与前方障碍物的距离L和雷达自身坐标系下的角度α及本车车速vb等数据。由于该距离L是与前方各方向障碍物的直接距离,而常作为道路安全距离的指标有横向距离Lh和纵向距离Lz,所以需要通过获取的距离L和角度α计算出横向距离Lh和纵向距离Lz。
将雷达扫描仪安装车辆引擎盖中央,α是雷达扫描仪自身坐标系下的角度(雷达水平放置,扫描的为一个二维平面,不考虑仰角或俯角),由于雷达是360°旋转并采取数据,而所需要的数据只是车辆前方障碍物的,所以通过程序筛选方式屏蔽部分数据,只留下φ角范围内的数据。雷达与前方障碍连线方向与车辆行驶方向的夹角为θ,雷达到车辆引擎盖最前方的距离为c,车辆宽度为b(不包括两边的后视镜,普通小汽车车身宽度在不超过1900mm,针对本试验车b值取1800mm)。φ、c的值因雷达的安装位置而改变。汽车在正常的行驶(不包含变道、超车等)时是平行于车道行驶的,根据驾驶员的行为特性,驾驶员开车看手机一般仅存在于正常行驶过程中。驾驶员计算得出:
横向距离:Lh=Lsinθ-0.5b
纵向距离:Lz=Lcosθ-c
当α<360-0.5φ,θ=(360-0.5φ)-α
当α>360-0.5φ,θ=α-(360-0.5φ)
(2)本车车速vb可以通过霍尔式车速传感器获得,然后通过本车车速vb和车辆前障碍物之间纵向距离Lz的变化率从而可以计算出来前方障碍物的速度vq。由于仪器精度和价格的原因,雷达的测量范围较小且受前方障碍物速度的影响,所以本作品的测试环境是在低速下运行的,通过给定一定的小速度,进行实物的测试。但是模型本身是可适用于各种道路环境,不仅限于低速环境。
(3)由于本车与障碍物之间的纵向距离Lz是时时刻刻都在变化的,它受本车车速vb和前方障碍物的速度vq共同影响。设本车与前方障碍物的纵向距离的变化量为ΔLz,Δt是一段极短的时间,为Δt时间内的平均速度。则可得:由求导公式可知(当由于雷达数据的采样频率很高,可将一圈采样时间内纵向距离的变化率作为两者之间的相对速度vx=vq-vb的近似值,在根据本车速度vb便可得到前方障碍物的速度vq。同理由求导公式得:可将作为前障碍物的加速度aq的近似值。而本车的将以最大减速度amax制动,确保不与前方障碍物发生碰撞,此模型下得到的是最小安全距离,后面将以此作为设定警报的依据。
可选地,在另一实施例中所述S4中具体包括:
S41,根据所述车辆的速度vb、车辆的制动减速度和所述前方障碍物的速度vq,确定所述车辆的临界横向距离d0;
S42,判断所述临界横向距离d0是否大于所述横向距离Lh,若大于,则判断所述前方障碍物的速度vq是否等于0,若是,则确定该车辆与所述前方障碍物之间的最小安全距离S,判断所述最小安全距离S是否小于所述纵向距离Lz,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
需要说明的是,在本实施例中横向距离是评判车与周边障碍物是否安全的指标之一,汽车运动会引起周围气压的变化,对其周边距离较近的行人、车辆会产生一定的影响。而开车看手机对车辆的横移会产生影响,Klauer(2006)等在研究自然驾驶试验中,指出开车看手机会明显增大车辆车道偏离次数。Reed和Green(1999)以车辆的横向偏移作为指标进行测量,发现驾驶员在开车看手机时,其偏移速度显著增加,由控制条件下的0.049m/s,增加到0.07m/s。为保证行车安全需要考虑横向距离,由于在开车看手机过程中,车辆会发生偏移,而此过程中偏移角度不会很大,因此本模型忽略偏移角度,设置一个固定的横向安全距离d0。
当横向距离Lh>d0(横向安全距离一般为1.0~1.4m,考虑到本系统的测试环境,这里d0取值1.0m),可将前方障碍物看作是安全的。当Lh<d0,前方障碍物存在危险,横向安全距离过小,当纵向距离小于安全距离,可能发生碰撞。当Lh<d0,当纵向距离小于安全距离,可能将会发生碰撞。通过横向距离Lh,可以进一步对道路复杂的路况信息进行筛选。
可选地,在另一实施例中所述S42中还包括:若所述前方障碍物的速度vq不等于0,则判断前方障碍物的加速度aq是否大于0,若大于,则确定本车辆与所述前方障碍物之间的最小安全距离S,判断所述最小安全距离S是否小于所述纵向距离Lz,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
需要说明的是,在本实施例中车辆制动过程分为四个阶段,驾驶员的反应阶段、制动传力延迟阶段、制动增力阶段、持续制动阶段。
在驾驶员反应阶段和制动出传力延迟阶段内,车辆做匀速运动,驾驶员反应时间为t1,制动延迟时间为t2,本车辆的车速为vb,则驾驶员反应时间内车辆行驶的距离为s1=vbt1,制动传力阶段内车辆行驶距离为s2=vbt2。驾驶员正常反应时间与驾驶员的年龄、驾驶员的性别,行驶车速等因素有关,一般取值在0.8~1.3s之间。但是在看手机时驾驶员的反应时间比正常慢35%,因此在本模型中t1取值为1.6s。制动传力延迟时间t2与制动踏板的系统结构、踩踏板的速度等因素有关。对于气压制动系统,t2不超过0.6s;对于液压制动系统,t2不超过0.3s。对于现在的小轿车大多采用液压制动系统,所以本模型t2取值0.3s。由于在这两个阶段车辆都是在匀速运动,因此将这两个阶段的用时合为tp,而这两个阶段行驶的总路sp=vbtp。
在制动增力阶段内,可以将车辆减速度的增长当做是线性的。制动增长时间为tr,可以得到在该阶段内任意t时刻速度满足对其积分求出该阶段的末速度行驶距离tr一般取值0.1~0.2s,本模型tr取值0.2s。
在持续制动阶段,车辆以恒定减速度amax制动,其初速度为vm,末速度为vn,则该阶段内的行驶距离最大制动减速度主要与制动力矩与前、后轮的附着系数相关。对于具体车型,在制动形式确定之后,紧急制动时的制动力矩也基本确定,因此对持续制动阶段影响较大是前、后轮的附着系数。一般条件下取值6~8m/s2,本模型amax取6m/s2。则总的制动距离忽略微元量,因此总的制动距离可简化为当vn=0时(即车辆减速到停止),总制动距离
由于车辆在制动增力阶段的时间很短,速度的减少量很小,为了便于模型的求解且保证模型在实际运行下是安全的,将该阶段也看作是匀速的。以下是前方障碍物各种运动状态下的安全距离求解。
图2所示的仿真曲线图:
vq等于零的时候,前方障碍物静止,其最小安全距离就是制动距离,但是车与障碍物之间要有一个最小距离d1,d1一般取值2~5m,此模型中d1取5m,所以该情况下的安全距离为:
当vq不等于零时,前方障碍物处于运动状态,再通过前方障碍物的加速度aq来判断其运动状态,可能为加速运动、匀速运动或者减速运动。由于雷达采集数据的频率较大,整个系统的滞后性较小,可以做到实时的处理。若当前方障碍物的速度vq>vb,两者的纵向距离Lz将增大,行车相对安全。若前方障碍物速度vq≤vb,两者纵向距离将缩短,存在碰撞的危险。
(1)前方障碍物处于加速运动状态(aq>0),由于本车的速度比前方障碍物大,两者纵向距离将缩短,某一时刻本车发出安全警报,本车开始制动,当两者速度相等时有最短纵向距离。设相同速度为vc。
则有:
求得:
本车的行驶距离:
前车的行驶距离:
则两者之间的安全距离:
如图3所示为曲线仿真图:
假定前方障碍物的速度vb=12m/s,加速度为aq=4m/s2,进行仿真.
(2)前方障碍物处于匀速状态(aq=0),某一时刻本车发出安全警报,本车开始制动,当vb=vq时,有最短纵向距离。
本车的行驶距离:
前车的行驶距离:
则两者之间的安全距离:
如图4所示:
假定前方障碍物速度为vq=12m/s。
(3)前方障碍物处于制动减速状态(aq<0),某一时刻本车发出安全警报,本车开始制动。
本车的行驶距离:
前车的行驶距离:
则两者之间的安全距离:
如图5为曲线仿真图:
假定前方障碍物速度vb=12m/s,加速度aq=-4m/s2。
当检测到本车速度不为0时,本车处于行驶状态,嵌入式系统模块中的潜在事故风险综合判断模块对数据进行处理,当横行距离Lh<d0时,前方障碍物可能存在碰撞危险,然后进行纵向距离的判断,纵向距离的判断是根据前方障碍物的状态分别计算出其安全距离,再与实际测得的纵向距离进行比较,如果计算得到的安全距离小于实测的纵向距离,则前方障碍物是危险的。
通过上述的方法,在现实生活中,当前方有行人障碍物时,整个试验过程中驾驶员始终保持低车速,在驾驶员低头玩手机时,前方出现行人也在玩手机,两人都未注意到危险靠近,当车辆与人之间的距离达到实现设置好的危险距离时,蜂鸣器就开始报警,提醒驾驶员采取紧急措施,
当前方有电线杆障碍物时,驾驶员在低头玩手机时,车辆偏离了正常行驶道路,当车辆快要装上电线杆时,之间的距离达到预设值,蜂鸣器开始报警,提醒驾驶员采取紧急措施。
当前方有横穿马路的行人时,驾驶员低头玩手机的过程中,有行人从路旁的广告牌后面窜出来横穿马路,当两者之间的距离达到预设值时,蜂鸣器开始报警,驾驶员采取紧急制动。
当前方为正在行驶的车辆,前方车辆为小汽车,两辆车在道路上正常行驶,此间保持较大的距离。驾驶员低头玩手机,未注意到两车之间的安全距离,当车辆快要发生追尾的时候,距离达到预设值,蜂鸣器开始报警,提醒驾驶员采取紧急措施。、
如图6所示,在另一实施例中还涉及一种基于图像识别与雷达测距的安全预警系统,该系统包括:监测模块、雷达测距模块、综合判断报警模块;
所述监测模块,用于获取车辆内的图像,采用opencv图像处理对所述图像进行预处理,得到检测图像,判断所述检测图像是否满足预设图形条件;
所述雷达测距模块,用于判断所述车辆的速度vb是否等于0,若否,则采用激光雷达对该车辆的前方障碍物进行扫描,获取该车辆以及前方障碍物的行驶状态信息;
所述综合判断报警模块,用于根据所述车辆的制动减速度和所述行驶状态信息,确定车辆的临界距离,判断所述临界距离是否大于该车辆与所述前方障碍物的安全距离,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
需要说明的是,通过上述的系统,可以对每个驾驶员的反应时间、本车的制动能力、本车的车速、前车的运动状态进行检测,能够时刻有效地预防事故的安全距离,同时根据本车速度,本车制动减速度,前方障碍物的速度等实际数据结合理论自动计算出临界距离(最小安全距离),然后将计算出的距离与实际测得的距离进行实时的比较,从而作出相应的反应,大大地提高了安全的预测效果。
可选地,在另一实施例中所述监测模块包括:获取单元;所述获取单元,用于获取车内的图像,采用opencv图像处理对所述图像进行边缘检测、轮廓提取、背景过滤和膨胀筛选处理,得到所述检测图像。
需要说明的是,在本实施例中对图像进行处理,主要是主要利用opencv语言的图像处理。对摄像头设置1.5秒抓拍一次的照片进行处理,利用手机屏幕反光和发光其周围光点多的情况,首先运用opencv中的canny算法进行图像的边缘检测,在利用findcontours函数获取到图像的所有轮廓,然后通过增大阈值将背景干扰轮廓进行进一步的过滤,得到预处理后的图像,得到图像会有比较散碎的轮廓,为了进一步的将轮廓提取出来,对该图像进行膨胀操作,将相邻的零星线条集中在一起得到膨胀图,在膨胀图的基础上可以运用外接圆或者外接矩形的方法进行处理,为了能够进一步的筛选提高准确率,通过设置最小外接矩形的宽度LengWidth以及长宽比lengthwidthRatio得到最终的检测图像,根据设定的矩形或者圆形条件将手机识别出来。
其次,此次图像识别主要是运用了opencv3中的边缘检测的Canny()函数和寻找轮廓findContours()的函数,绘制轮廓的drawContours()函数以及最小外接矩形的minAreaRrct()函数。
(1)边缘检测的Canny()函数
Canny边缘检测利用canny算子来进行图像的边缘检测。具有低错误率,高定位性,以及最小响应等优点。主要通过消除噪声,计算梯度幅值和方向,非极大值抑制和滞后阈值四个步骤来进行检测
(2)寻找轮廓findContours的函数和绘制轮廓的drawContours
一个轮廓一般对应一系列的点,也就是图像中的一条曲线通过提取所有轮廓建立网状的轮廓结构,并绘制出来。
可选地,在另一实施例中所述监测模块包括:监测单元和判断单元;
所述监测单元,用于在所述检测图像中查找被轮廓线包围的最小面积的矩形,确定所述矩形的左上和右下两顶点的坐标位置,并根据所述坐标位置计算出所述矩形的长度、宽度和长宽比;
所述判断单元,用于判断所述最小面积的矩形的长度、宽度和长宽比是否满足预设矩形条件。
需要说明的是,在本实施例中最小外接矩形的minAreaRrct()其是通过给定的2D点集寻找最小面积的包围矩形,利用最小矩形左上和右下的两个点,得出其坐标位置,通过计算得出最小外接矩形的长度和宽度以及长宽比。设置最小宽度和长宽比,当满足这一条件时,则默认为图像上有手机,然后自动地向单片机发送1,否则发送0,这是图像识别最关键的一步。
通过上述的系统,根据摄像头的安装位置,检测驾驶员的双手动作,手中是否有手机,再利用手机屏幕的反光和发光效果,手机周围的光点图像中的要多很多,通过增大阈值的方法,过滤掉光点小的区域,通过识别最终检测图像中有无外接矩形,若检测到有矩形则默认为驾驶员是在看手机。
因此,通过利用最小矩形左上和右下的两个点,得出其坐标位置,通过计算得出最小外接矩形的长度和宽度以及长宽比,这样能够精确地得到驾驶员是否在观看手机,大大减少了错误判断的概率。
可选地,在另一实施例中所述综合判断报警模块,其具体用于断本车辆的速度vb是否等于0,若否,则采用所述激光雷达对所述前方障碍物进行扫描,当扫描完一圈360°或者扫描时间超过设定时间后,获取本车辆以及所述前方障碍物的行驶状态信息。
可选地,在另一实施例中所述行驶状态信息包括:车辆的速度vb、车辆与所述前方障碍物的距离L、所述前方障碍物的速度vq、所述激光雷达自身坐标系下的角度α、车辆的横向距离Lh和车辆的纵向距离Lz;其中,所述横向距离Lh和纵向距离Lz是根据L和α确定的,所述前方障碍物的速度vq是根据车辆的车速vb和车辆与车辆前障碍物之间的纵向距离Lz的变化率确定的。
需要说明的是,在本实施例中为了对车辆前方障碍物的实时预警,避免出现交通事故,本车与前方障碍物的距离必须大于一定的数值(安全距离)。由于每个驾驶员的反应时间、本车的制动能力、本车的车速、前车的运动状态等因素的影响,能够有效预防事故的安全距离是时刻在变化的,所以本模型不是预先设定一个固定的安全距离,而是根据本车速度,本车制动减速度,前方障碍物的速度等实际数据结合理论自动计算出临界安全距离(最小安全距离),然后将计算出的距离与实际测得的距离进行实时的比较从而作出相应的反应。以下建立数学模型:
首先,主要的参数设定
本车车速vbm/s
前障碍物速度vqm/s
本车与障碍物的距离Lm,雷达扫描仪自身坐标系下的角度α
雷达扫描仪的有效扫描角度φ,雷达扫描仪与前方障碍物连线方向与车辆行驶方向的夹角θ
雷达扫描仪到车辆引擎盖最前方的距离cm
车辆宽度bm
雷达扫描仪转动一圈检测的时间间隔Δt s
前障碍物加速度aqm/s2
驾驶员反应时间和制动传力时间之和tps,制动增力时间trs
本车的最大制动减速度amaxm/s2
本车与前方障碍物的相对速度vxm/s
其次,数据获取和计算
(1)在本作品的潜在事故风险综合判断模块的障碍物风险判断模型中,需要雷达RPLIDAR获取的与前方障碍物的距离L和雷达自身坐标系下的角度α及本车车速vb等数据。由于该距离L是与前方各方向障碍物的直接距离,而常作为道路安全距离的指标有横向距离Lh和纵向距离Lz,所以需要通过获取的距离L和角度α计算出横向距离Lh和纵向距离Lz。
将雷达扫描仪安装车辆引擎盖中央,α是雷达扫描仪自身坐标系下的角度(雷达水平放置,扫描的为一个二维平面,不考虑仰角或俯角),由于雷达是360°旋转并采取数据,而所需要的数据只是车辆前方障碍物的,所以通过程序筛选方式屏蔽部分数据,只留下φ角范围内的数据。雷达与前方障碍连线方向与车辆行驶方向的夹角为θ,雷达到车辆引擎盖最前方的距离为c,车辆宽度为b(不包括两边的后视镜,普通小汽车车身宽度在不超过1900mm,针对本试验车b值取1800mm)。φ、c的值因雷达的安装位置而改变。汽车在正常的行驶(不包含变道、超车等)时是平行于车道行驶的,根据驾驶员的行为特性,驾驶员开车看手机一般仅存在于正常行驶过程中。驾驶员计算得出:
横向距离:Lh=Lsinθ-0.5b
纵向距离:Lz=Lcosθ-c
当α<360-0.5φ,θ=(360-0.5φ)-α
当α>360-0.5φ,θ=α-(360-0.5φ)
(2)本车车速vb可以通过霍尔式车速传感器获得,然后通过本车车速vb和车辆前障碍物之间纵向距离Lz的变化率从而可以计算出来前方障碍物的速度vq。由于仪器精度和价格的原因,雷达的测量范围较小且受前方障碍物速度的影响,所以本作品的测试环境是在低速下运行的,通过给定一定的小速度,进行实物的测试。但是模型本身是可适用于各种道路环境,不仅限于低速环境。
(3)由于本车与障碍物之间的纵向距离Lz是时时刻刻都在变化的,它受本车车速vb和前方障碍物的速度vq共同影响。设本车与前方障碍物的纵向距离的变化量为ΔLz,Δt是一段极短的时间,为Δt时间内的平均速度。则可得:由求导公式可知(当)。由于雷达数据的采样频率很高,可将一圈采样时间内纵向距离的变化率作为两者之间的相对速度vx=vq-vb的近似值,在根据本车速度vb便可得到前方障碍物的速度vq。同理由求导公式得:可将作为前障碍物的加速度aq的近似值。而本车的将以最大减速度amax制动,确保不与前方障碍物发生碰撞,此模型下得到的是最小安全距离,后面将以此作为设定警报的依据。
可选地,在另一实施例中所述综合判断报警模块,具体还用于根据所述车辆的速度vb、车辆的制动减速度和所述前方障碍物的速度vq,确定所述车辆的临界横向距离d0;判断所述临界横向距离d0是否大于所述横向距离Lh,若大于,则判断所述前方障碍物的速度vq是否等于0,若是,则确定该车辆与所述前方障碍物之间的最小安全距离S,判断所述最小安全距离S是否小于所述纵向距离Lz,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
需要说明的是,在本实施例中横向距离是评判车与周边障碍物是否安全的指标之一,汽车运动会引起周围气压的变化,对其周边距离较近的行人、车辆会产生一定的影响。而开车看手机对车辆的横移会产生影响,Klauer(2006)等在研究自然驾驶试验中,指出开车看手机会明显增大车辆车道偏离次数。Reed和Green(1999)以车辆的横向偏移作为指标进行测量,发现驾驶员在开车看手机时,其偏移速度显著增加,由控制条件下的0.049m/s,增加到0.07m/s。为保证行车安全需要考虑横向距离,由于在开车看手机过程中,车辆会发生偏移,而此过程中偏移角度不会很大,因此本模型忽略偏移角度,设置一个固定的横向安全距离d0。
当横向距离Lh>d0(横向安全距离一般为1.0~1.4m,考虑到本系统的测试环境,这里d0取值1.0m),可将前方障碍物看作是安全的。当Lh<d0,前方障碍物存在危险,横向安全距离过小,当纵向距离小于安全距离,可能发生碰撞。当Lh<d0,当纵向距离小于安全距离,可能将会发生碰撞。通过横向距离Lh,可以进一步对道路复杂的路况信息进行筛选。
可选地,在另一实施例中所述综合判断报警模块,具体还用于若所述前方障碍物的速度vq不等于0,则判断前方障碍物的加速度aq是否大于0,若大于,则确定本车辆与所述前方障碍物之间的最小安全距离S,判断所述最小安全距离S是否小于所述纵向距离Lz,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
需要说明的是,在本实施例中车辆制动过程分为四个阶段,驾驶员的反应阶段、制动传力延迟阶段、制动增力阶段、持续制动阶段。
在驾驶员反应阶段和制动出传力延迟阶段内,车辆做匀速运动,驾驶员反应时间为t1,制动延迟时间为t2,本车辆的车速为vb,则驾驶员反应时间内车辆行驶的距离为s1=vbt1,制动传力阶段内车辆行驶距离为s2=vbt2。驾驶员正常反应时间与驾驶员的年龄、驾驶员的性别,行驶车速等因素有关,一般取值在0.8~1.3s之间。但是在看手机时驾驶员的反应时间比正常慢35%,因此在本模型中t1取值为1.6s。制动传力延迟时间t2与制动踏板的系统结构、踩踏板的速度等因素有关。对于气压制动系统,t2不超过0.6s;对于液压制动系统,t2不超过0.3s。对于现在的小轿车大多采用液压制动系统,所以本模型t2取值0.3s。由于在这两个阶段车辆都是在匀速运动,因此将这两个阶段的用时合为tp,而这两个阶段行驶的总路sp=vbtp。
在制动增力阶段内,可以将车辆减速度的增长当做是线性的。制动增长时间为tr,可以得到在该阶段内任意t时刻速度满足对其积分求出该阶段的末速度行驶距离tr一般取值0.1~0.2s,本模型tr取值0.2s。
在持续制动阶段,车辆以恒定减速度amax制动,其初速度为vm,末速度为vn,则该阶段内的行驶距离最大制动减速度主要与制动力矩与前、后轮的附着系数相关。对于具体车型,在制动形式确定之后,紧急制动时的制动力矩也基本确定,因此对持续制动阶段影响较大是前、后轮的附着系数。一般条件下取值6~8m/s2,本模型amax取6m/s2。则总的制动距离忽略微元量,因此总的制动距离可简化为当vn=0时(即车辆减速到停止),总制动距离
由于车辆在制动增力阶段的时间很短,速度的减少量很小,为了便于模型的求解且保证模型在实际运行下是安全的,将该阶段也看作是匀速的。以下是前方障碍物各种运动状态下的安全距离求解。
如图2所示的仿真曲线图:
当vq等于零的时候,前方障碍物静止,其最小安全距离就是制动距离,但是车与障碍物之间要有一个最小距离d1,d1一般取值2~5m,此模型中d1取5m,所以该情况下的安全距离为:
当vq不等于零时,前方障碍物处于运动状态,再通过前方障碍物的加速度aq来判断其运动状态,可能为加速运动、匀速运动或者减速运动。由于雷达采集数据的频率较大,整个系统的滞后性较小,可以做到实时的处理。若当前方障碍物的速度vq>vb,两者的纵向距离Lz将增大,行车相对安全。若前方障碍物速度vq≤vb,两者纵向距离将缩短,存在碰撞的危险。
(1)前方障碍物处于加速运动状态(aq>0),由于本车的速度比前方障碍物大,两者纵向距离将缩短,某一时刻本车发出安全警报,本车开始制动,当两者速度相等时有最短纵向距离。设相同速度为vc。
则有:
求得:
本车的行驶距离:
前车的行驶距离:
则两者之间的安全距离:
如图3所示为曲线仿真图:
假定前方障碍物的速度vb=12m/s,加速度为aq=4m/s2,进行仿真.
(2)前方障碍物处于匀速状态(aq=0),某一时刻本车发出安全警报,本车开始制动,当vb=vq时,有最短纵向距离。
本车的行驶距离:
前车的行驶距离:
则两者之间的安全距离:
如图4所示:
假定前方障碍物速度为vq=12m/s。
(3)前方障碍物处于制动减速状态(aq<0),某一时刻本车发出安全警报,本车开始制动。
本车的行驶距离:
前车的行驶距离:
则两者之间的安全距离:
如图5为曲线仿真图:
假定前方障碍物速度vb=12m/s,加速度aq=-4m/s2。
当检测到本车速度不为0时,本车处于行驶状态,嵌入式系统模块中的潜在事故风险综合判断模块对数据进行处理,当横行距离Lh<d0时,前方障碍物可能存在碰撞危险,然后进行纵向距离的判断,纵向距离的判断是根据前方障碍物的状态分别计算出其安全距离,再与实际测得的纵向距离进行比较,如果计算得到的安全距离小于实测的纵向距离,则前方障碍物是危险的。
通过上述的系统,在现实生活中,当前方有行人障碍物时,整个试验过程中驾驶员始终保持低车速,在驾驶员低头玩手机时,前方出现行人也在玩手机,两人都未注意到危险靠近,当车辆与人之间的距离达到实现设置好的危险距离时,蜂鸣器就开始报警,提醒驾驶员采取紧急措施,
当前方有电线杆障碍物时,驾驶员在低头玩手机时,车辆偏离了正常行驶道路,当车辆快要装上电线杆时,之间的距离达到预设值,蜂鸣器开始报警,提醒驾驶员采取紧急措施。
当前方有横穿马路的行人时,驾驶员低头玩手机的过程中,有行人从路旁的广告牌后面窜出来横穿马路,当两者之间的距离达到预设值时,蜂鸣器开始报警,驾驶员采取紧急制动。
当前方为正在行驶的车辆,前方车辆为小汽车,两辆车在道路上正常行驶,此间保持较大的距离。驾驶员低头玩手机,未注意到两车之间的安全距离,当车辆快要发生追尾的时候,距离达到预设值,蜂鸣器开始报警,提醒驾驶员采取紧急措施。
在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别与雷达测距的安全预警方法,其特征在于,该方法包括:
S1,获取车辆内的图像,采用opencv图像处理对所述图像进行预处理,得到检测图像;
S2,判断所述检测图像是否满足预设图形条件,若满足,则执行步骤S3;
S3,判断所述车辆的速度vb是否等于0,若否,则采用激光雷达对该车辆的前方障碍物进行扫描,获取该车辆以及前方障碍物的行驶状态信息;
S4,根据所述车辆的制动减速度和所述行驶状态信息,确定车辆的临界距离,判断所述临界距离是否大于该车辆与所述前方障碍物的安全距离,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
2.根据权利要求1所述的安全预警方法,其特征在于,所述S1中包括:获取车内的图像,采用opencv图像处理对所述图像进行边缘检测、轮廓提取、背景过滤和膨胀筛选处理,得到所述检测图像。
3.根据权利要求1或2所述的安全预警方法,其特征在于,所述S2具体包括:
S21,在所述检测图像中查找被轮廓线包围的最小面积的矩形,确定所述矩形的左上和右下两顶点的坐标位置,并根据所述坐标位置计算出所述矩形的长度、宽度和长宽比;
S22,判断所述最小面积的矩形的长度、宽度和长宽比是否满足预设矩形条件,若满足,则执行步骤S3。
4.根据权利要求1或2所述的安全预警方法,其特征在于,所述S3中具体包括:判断本车辆的速度vb是否等于0,若否,则采用所述激光雷达对所述前方障碍物进行扫描,当扫描完一圈360°或者扫描时间超过设定时间后,获取本车辆以及所述前方障碍物的行驶状态信息。
5.根据权利要求4所述的安全预警方法,其特征在于,所述行驶状态信息包括:车辆的速度vb、车辆与所述前方障碍物的距离L、所述前方障碍物的速度vq、所述激光雷达以其自身为原点坐标系下的角度α、车辆的横向距离Lh和车辆的纵向距离Lz;其中,所述横向距离Lh和纵向距离Lz是根据L和α确定的;所述前方障碍物的速度vq是根据车辆的车速vb和车辆与前障碍物之间的纵向距离Lz的变化率确定的。
6.根据权利要求5所述的安全预警方法,其特征在于,所述S4中具体包括:
S41,根据所述车辆的速度vb、车辆的制动减速度和所述前方障碍物的速度vq,确定所述车辆的临界横向距离d0;
S42,判断所述临界横向距离d0是否大于所述横向距离Lh,若大于,则判断所述前方障碍物的速度vq是否等于0,若是,则确定该车辆与所述前方障碍物之间的最小安全距离S,判断所述最小安全距离S是否小于所述纵向距离Lz,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
7.根据权利要求6所述的安全预警方法,其特征在于,所述S42中还包括:若所述前方障碍物的速度vq不等于0,则判断前方障碍物的加速度aq是否大于0,若大于,则确定本车辆与所述前方障碍物之间的最小安全距离S,判断所述最小安全距离S是否小于所述纵向距离Lz,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
8.一种基于图像识别与雷达测距的安全预警系统,其特征在于,该系统包括:监测模块、雷达测距模块、综合判断报警模块;
所述监测模块,用于获取车辆内的图像,采用opencv图像处理对所述图像进行预处理,得到检测图像,判断所述检测图像是否满足预设图形条件;
所述雷达测距模块,用于判断所述车辆的速度vb是否等于0,若否,则采用激光雷达对该车辆的前方障碍物进行扫描,获取该车辆以及前方障碍物的行驶状态信息;
所述综合判断报警模块,用于根据所述车辆的制动减速度和所述行驶状态信息,确定车辆的临界距离,判断所述临界距离是否大于该车辆与所述前方障碍物的安全距离,若否,则发送预警信号,以提醒该车辆的驾驶员进行安全驾驶。
9.根据权利要求8所述的安全预警系统,其特征在于,所述监测模块包括:获取单元;所述获取单元,用于获取车内的图像,采用opencv图像处理对所述图像进行边缘检测、轮廓提取、背景过滤和膨胀筛选处理,得到所述检测图像。
10.根据权利要求8或9所述的安全预警系统,其特征在于,所述监测模块包括:监测单元和判断单元;
所述监测单元,用于在所述检测图像中查找被轮廓线包围的最小面积的矩形,确定所述矩形的左上和右下两顶点的坐标位置,并根据所述坐标位置计算出所述矩形的长度、宽度和长宽比;
所述判断单元,用于判断所述最小面积的矩形的长度、宽度和长宽比是否满足预设矩形条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710741514.6A CN107479061A (zh) | 2017-08-25 | 2017-08-25 | 一种基于图像识别与雷达测距的安全预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710741514.6A CN107479061A (zh) | 2017-08-25 | 2017-08-25 | 一种基于图像识别与雷达测距的安全预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107479061A true CN107479061A (zh) | 2017-12-15 |
Family
ID=60602436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710741514.6A Pending CN107479061A (zh) | 2017-08-25 | 2017-08-25 | 一种基于图像识别与雷达测距的安全预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107479061A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108819844A (zh) * | 2018-07-18 | 2018-11-16 | 厦门镭通智能科技有限公司 | 一种自适应安全预警装置及方法 |
CN109087356A (zh) * | 2018-06-29 | 2018-12-25 | 齐鲁工业大学 | 基于机器视觉的医学载玻片的识别定位方法、系统及装置 |
CN109398367A (zh) * | 2018-11-19 | 2019-03-01 | 江苏师范大学 | 一种基于超声波的车辆智能防撞预警系统 |
CN109696676A (zh) * | 2019-01-24 | 2019-04-30 | 福瑞泰克智能系统有限公司 | 一种有效障碍物目标确定方法、装置和车辆 |
CN109765571A (zh) * | 2018-12-27 | 2019-05-17 | 合肥工业大学 | 一种车辆障碍物检测系统及方法 |
CN109855568A (zh) * | 2019-01-16 | 2019-06-07 | 北京百度网讯科技有限公司 | 自动驾驶传感器的检测方法、装置、电子设备及存储介质 |
CN109974731A (zh) * | 2019-03-15 | 2019-07-05 | 深兰科技(上海)有限公司 | 一种无人驾驶系统路径规划目标选择的方法和设备 |
CN110414486A (zh) * | 2019-08-15 | 2019-11-05 | 利卓创新(北京)科技有限公司 | 一种红外可见光成像识别一体化设备及工作方法 |
CN110597269A (zh) * | 2019-09-30 | 2019-12-20 | 潍柴动力股份有限公司 | 一种车辆自主避障方法及车辆自主避障系统 |
CN111231827A (zh) * | 2020-02-27 | 2020-06-05 | 江苏大学 | 一种雨雾天气显示车辆前方碰撞风险区域的装置和方法 |
CN112505708A (zh) * | 2020-11-19 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 一种自动驾驶人体测距识别电路、装置及汽车 |
CN112526522A (zh) * | 2020-11-25 | 2021-03-19 | 湖北工业大学 | 一种车载毫米波防撞雷达工作模式自动控制方法 |
CN114488350A (zh) * | 2022-01-18 | 2022-05-13 | 重庆交通大学 | 一种基于雷达图信息处理的山地城市短时降雨预报方法 |
CN117697180A (zh) * | 2024-02-06 | 2024-03-15 | 山东森峰激光装备有限公司 | 一种具有预防人身伤害的激光切割系统及方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1738362A (zh) * | 2005-09-09 | 2006-02-22 | 沈阳敏像科技有限公司 | 用于能识别商品真伪手机上的摄像模组及其控制方法 |
JP2007295183A (ja) * | 2006-04-24 | 2007-11-08 | Fujifilm Corp | 画像再生装置、画像再生方法、画像再生プログラム及び撮像装置 |
CN201057570Y (zh) * | 2007-04-05 | 2008-05-07 | 武汉武大英康集成媒体有限公司 | 智能识别图像监视彩信报警装置 |
CN102063725A (zh) * | 2010-12-30 | 2011-05-18 | Tcl集团股份有限公司 | 一种基于深度信息的多目标跟踪方法 |
CN102592143A (zh) * | 2012-01-09 | 2012-07-18 | 清华大学 | 一种驾驶员行车中手持电话违规行为检测方法 |
CN103279750A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 基于肤色范围的驾驶员手持电话行为检测方法 |
US20130228839A1 (en) * | 2012-03-05 | 2013-09-05 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor memory device |
CN103366506A (zh) * | 2013-06-27 | 2013-10-23 | 北京理工大学 | 一种驾驶员行车途中接打手机行为的自动监控装置及方法 |
CN203325377U (zh) * | 2013-07-08 | 2013-12-04 | 魏国营 | 一种基于oled技术的汽车动态智能尾灯系统 |
CN104036262A (zh) * | 2014-06-30 | 2014-09-10 | 南京富士通南大软件技术有限公司 | 一种lpr车牌筛选识别的方法和系统 |
CN204117550U (zh) * | 2014-06-24 | 2015-01-21 | 哈尔滨雪娃文化发展有限公司 | 一种基于车载移动wifi的交互信息展示装置 |
CN104780217A (zh) * | 2015-04-24 | 2015-07-15 | 福建师范大学 | 检测用户工作效率的方法、系统及客户端 |
CN204586732U (zh) * | 2015-04-16 | 2015-08-26 | 重庆交通大学 | 车用手机信号智能阻断系统 |
CN104882014A (zh) * | 2015-04-30 | 2015-09-02 | 重庆交通大学 | 车辆诱导系统及其控制方法 |
CN105313769A (zh) * | 2015-10-14 | 2016-02-10 | 武汉理工大学 | 一种基于毫米波雷达的车载主动预警方法、系统及装置 |
CN105590466A (zh) * | 2016-03-14 | 2016-05-18 | 重庆邮电大学 | 一种云平台下的驾驶员危险操作行为监测系统及方法 |
CN105913682A (zh) * | 2016-06-27 | 2016-08-31 | 重庆交通大学 | 基于rfid技术的智能反向寻车方法及系统 |
CN105946575A (zh) * | 2016-05-30 | 2016-09-21 | 安徽富煌和利时科技股份有限公司 | 一种实时采集司机状态的公交车智能车载主机 |
CN106251687A (zh) * | 2016-08-22 | 2016-12-21 | 重庆交通大学 | 一种车库智能泊车管理系统 |
CN106679575A (zh) * | 2016-12-29 | 2017-05-17 | 重庆交通大学 | 一种基于激光标定的车辆超高超宽检测系统及方法 |
CN206201987U (zh) * | 2016-11-15 | 2017-05-31 | 天津中德应用技术大学 | 防止开车时玩手机的装置 |
CN110660072A (zh) * | 2019-09-20 | 2020-01-07 | 北京神工科技有限公司 | 一种直线边缘的识别方法、装置、存储介质及电子设备 |
-
2017
- 2017-08-25 CN CN201710741514.6A patent/CN107479061A/zh active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1738362A (zh) * | 2005-09-09 | 2006-02-22 | 沈阳敏像科技有限公司 | 用于能识别商品真伪手机上的摄像模组及其控制方法 |
JP2007295183A (ja) * | 2006-04-24 | 2007-11-08 | Fujifilm Corp | 画像再生装置、画像再生方法、画像再生プログラム及び撮像装置 |
CN201057570Y (zh) * | 2007-04-05 | 2008-05-07 | 武汉武大英康集成媒体有限公司 | 智能识别图像监视彩信报警装置 |
CN102063725A (zh) * | 2010-12-30 | 2011-05-18 | Tcl集团股份有限公司 | 一种基于深度信息的多目标跟踪方法 |
CN102592143A (zh) * | 2012-01-09 | 2012-07-18 | 清华大学 | 一种驾驶员行车中手持电话违规行为检测方法 |
US20130228839A1 (en) * | 2012-03-05 | 2013-09-05 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor memory device |
CN103279750A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 基于肤色范围的驾驶员手持电话行为检测方法 |
CN103366506A (zh) * | 2013-06-27 | 2013-10-23 | 北京理工大学 | 一种驾驶员行车途中接打手机行为的自动监控装置及方法 |
CN203325377U (zh) * | 2013-07-08 | 2013-12-04 | 魏国营 | 一种基于oled技术的汽车动态智能尾灯系统 |
CN204117550U (zh) * | 2014-06-24 | 2015-01-21 | 哈尔滨雪娃文化发展有限公司 | 一种基于车载移动wifi的交互信息展示装置 |
CN104036262A (zh) * | 2014-06-30 | 2014-09-10 | 南京富士通南大软件技术有限公司 | 一种lpr车牌筛选识别的方法和系统 |
CN204586732U (zh) * | 2015-04-16 | 2015-08-26 | 重庆交通大学 | 车用手机信号智能阻断系统 |
CN104780217A (zh) * | 2015-04-24 | 2015-07-15 | 福建师范大学 | 检测用户工作效率的方法、系统及客户端 |
CN104882014A (zh) * | 2015-04-30 | 2015-09-02 | 重庆交通大学 | 车辆诱导系统及其控制方法 |
CN105313769A (zh) * | 2015-10-14 | 2016-02-10 | 武汉理工大学 | 一种基于毫米波雷达的车载主动预警方法、系统及装置 |
CN105590466A (zh) * | 2016-03-14 | 2016-05-18 | 重庆邮电大学 | 一种云平台下的驾驶员危险操作行为监测系统及方法 |
CN105946575A (zh) * | 2016-05-30 | 2016-09-21 | 安徽富煌和利时科技股份有限公司 | 一种实时采集司机状态的公交车智能车载主机 |
CN105913682A (zh) * | 2016-06-27 | 2016-08-31 | 重庆交通大学 | 基于rfid技术的智能反向寻车方法及系统 |
CN106251687A (zh) * | 2016-08-22 | 2016-12-21 | 重庆交通大学 | 一种车库智能泊车管理系统 |
CN206201987U (zh) * | 2016-11-15 | 2017-05-31 | 天津中德应用技术大学 | 防止开车时玩手机的装置 |
CN106679575A (zh) * | 2016-12-29 | 2017-05-17 | 重庆交通大学 | 一种基于激光标定的车辆超高超宽检测系统及方法 |
CN110660072A (zh) * | 2019-09-20 | 2020-01-07 | 北京神工科技有限公司 | 一种直线边缘的识别方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
彭博: "基于三维虚拟路面的裂缝自动检测算法" * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087356A (zh) * | 2018-06-29 | 2018-12-25 | 齐鲁工业大学 | 基于机器视觉的医学载玻片的识别定位方法、系统及装置 |
CN108819844A (zh) * | 2018-07-18 | 2018-11-16 | 厦门镭通智能科技有限公司 | 一种自适应安全预警装置及方法 |
CN109398367A (zh) * | 2018-11-19 | 2019-03-01 | 江苏师范大学 | 一种基于超声波的车辆智能防撞预警系统 |
CN109765571B (zh) * | 2018-12-27 | 2021-07-23 | 合肥工业大学 | 一种车辆障碍物检测系统及方法 |
CN109765571A (zh) * | 2018-12-27 | 2019-05-17 | 合肥工业大学 | 一种车辆障碍物检测系统及方法 |
CN109855568A (zh) * | 2019-01-16 | 2019-06-07 | 北京百度网讯科技有限公司 | 自动驾驶传感器的检测方法、装置、电子设备及存储介质 |
US11933604B2 (en) | 2019-01-16 | 2024-03-19 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Detection method and apparatus for automatic driving sensor, and electronic device |
CN109696676A (zh) * | 2019-01-24 | 2019-04-30 | 福瑞泰克智能系统有限公司 | 一种有效障碍物目标确定方法、装置和车辆 |
CN109974731A (zh) * | 2019-03-15 | 2019-07-05 | 深兰科技(上海)有限公司 | 一种无人驾驶系统路径规划目标选择的方法和设备 |
CN110414486A (zh) * | 2019-08-15 | 2019-11-05 | 利卓创新(北京)科技有限公司 | 一种红外可见光成像识别一体化设备及工作方法 |
CN110597269A (zh) * | 2019-09-30 | 2019-12-20 | 潍柴动力股份有限公司 | 一种车辆自主避障方法及车辆自主避障系统 |
CN111231827A (zh) * | 2020-02-27 | 2020-06-05 | 江苏大学 | 一种雨雾天气显示车辆前方碰撞风险区域的装置和方法 |
CN112505708A (zh) * | 2020-11-19 | 2021-03-16 | 武汉中海庭数据技术有限公司 | 一种自动驾驶人体测距识别电路、装置及汽车 |
CN112526522A (zh) * | 2020-11-25 | 2021-03-19 | 湖北工业大学 | 一种车载毫米波防撞雷达工作模式自动控制方法 |
CN114488350A (zh) * | 2022-01-18 | 2022-05-13 | 重庆交通大学 | 一种基于雷达图信息处理的山地城市短时降雨预报方法 |
CN114488350B (zh) * | 2022-01-18 | 2024-04-30 | 重庆交通大学 | 一种基于雷达图信息处理的山地城市短时降雨预报方法 |
CN117697180A (zh) * | 2024-02-06 | 2024-03-15 | 山东森峰激光装备有限公司 | 一种具有预防人身伤害的激光切割系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107479061A (zh) | 一种基于图像识别与雷达测距的安全预警方法及系统 | |
CN106240458B (zh) | 一种基于车载双目相机的车辆前方碰撞预警方法 | |
CN101870293B (zh) | 基于切道行为检测的车辆驾驶状态评价方法 | |
CN108189838B (zh) | 一种融合型自适应巡航弯道控制方法及装置 | |
CN104290753B (zh) | 一种前方车辆运动状态追踪预测装置及其预测方法 | |
CN105620489A (zh) | 驾驶辅助系统及车辆实时预警提醒方法 | |
CN107590470B (zh) | 一种车道线检测方法及装置 | |
US20120300078A1 (en) | Environment recognizing device for vehicle | |
CN106004884A (zh) | 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 | |
CN102556066B (zh) | 一种客运车辆车道偏离预警装置及其判断方法 | |
CN102862574A (zh) | 基于智能手机实现车辆主动安全的方法 | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN101875348A (zh) | 基于计算机视觉的误将油门当刹车错误操作防止装置 | |
CN102288121A (zh) | 一种基于单目视觉的车道偏离距离测量及预警方法 | |
CN103453892B (zh) | 一种桥梁裂缝实时监测及快速预警装置 | |
CN109353337B (zh) | 一种智能车换道阶段碰撞概率安全预测方法 | |
CN104527427A (zh) | 基于行车录像仪的限速标识识别及车速控制方法及系统 | |
CN110843786B (zh) | 用于确定和显示涉水状况的方法和系统及具有该系统的车辆 | |
CN103577809A (zh) | 一种基于智能驾驶的地面交通标志实时检测的方法 | |
CN110033621A (zh) | 一种危险车辆检测方法、装置及系统 | |
CN108466581A (zh) | 一种基于机器学习的具有汽车涉水预警及救险功能的系统 | |
CN114241750A (zh) | 基于智能道路交通风险预警方法的车路协同信息交互系统及方法 | |
CN114715168A (zh) | 一种道路标线缺失环境下的车辆偏航预警方法和系统 | |
CN110843775B (zh) | 一种基于压力传感器的障碍物识别方法 | |
CN116255997A (zh) | 基于视觉导航单元的实时车道检测动态校验系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |