CN108428343A - 一种多车驾驶行为分析和危险预警方法及系统 - Google Patents

Abstract

本发明公开了一种多车驾驶行为分析和危险预警方法及系统，首先车辆中的驾驶行为状态分析装置通过车载和车内传感器系统获得一段时间内驾驶员操控和汽车状态特征信息基并将这些特征信息输入训练好的基于神经网络的驾驶行为模型中并确定相应驾驶行为类别；车载无线传输装置将相关车辆信息和驾驶行为类型信息传输到路边的多车危险预测装置计算危险概率，并将危险概率转换为图像和声音危险提醒信息，通过无线传输装置到相关车辆。通过种多车驾驶驾驶行为分析和危险预测方法和系统从而能有效监控掌握的可能发生危险的多个车辆驾驶情况，减少资源的浪费，提高驾驶安全和危险预测效率。

Description

一种多车驾驶行为分析和危险预警方法及系统

技术领域

本发明涉及汽车电子技术领域，具体是一种多车驾驶行为分析和危险预警方法及系统。

背景技术

随着无线网络和多车协同驾驶系统的迅速发展，对各种智能驾驶辅助系统和智能汽车电子需求也逐渐增多，而疲劳驾驶、醉酒驾驶等意外不但严重影响着本车行驶安全还影响其他车辆的安全。

现有技术对驾驶行为的危险评估和预测主要通过在获取机动车内各种传感器内的信息，对驾驶员和车辆状态进行监控并自动发出警告，提醒驾驶员保证机动车的驾驶安全。基于上述传感器的监测系统，其优点是实时和技术比较成熟，并且已经在汽车上广泛应用。但是基于传感器的监测方式对只能对一辆车进行监控，并且往往无法很准确的量化危险级别。而复杂的实际情况，如酒后驾车，疲劳驾驶，驾驶员身体和心里异常，冰雪天气造成的路面结冰，地震等地质灾害造成的道路被毁，往往会导致多部车出现异常驾驶状态，并且异常驾驶状态的车辆产生影响必然还会进一步波及到其他相关处于正常驾驶的车辆。车辆的危险状态不仅仅依赖车辆本身的情况，而与其他车辆的驾驶状态密切相关。

发明内容

本发明的目的在于提供一种多车驾驶行为分析和危险预警方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

多车危险预测装置危险概率计算的方法包括：第一步基于无线传输装置实一种多车驾驶行为分析和危险预警系统，包括中央处理器、图像采集和分析装置、汽车定位装置、汽车方向盘传感器装置、汽车速度传感器装置、前车相对距离和速度检测装置、驾驶行为状态分析装置、车载无线传输装置、路边无线传输装置、路侧的多车预警装置；

一种多车驾驶行为分析和危险预警方法，首先车辆中的驾驶行为状态分析装置通过车载和车内传感器系统获得一段时间内驾驶员操控和汽车状态特征信息基并将这些特征信息输入训练好的基于神经网络的驾驶行为模型中并确定相应驾驶行为类别；

车载无线传输装置将相关车辆信息和驾驶行为类型信息传输到路边的多车危险预测装置计算危险概率，并将危险概率转换为图像和声音危险提醒信息，通过无线传输装置到相关车辆。

进一步的：车载和车内传感器系统获得一段时间内驾驶员操控和汽车状态特征信息，特征信息包括汽车方向盘转角传感器装置获取一段时间内的汽车方向盘转角信息、汽车加速度和速度传感器装置获取一段时间内汽车速度和加速度信息、汽车摄像头获取车辆与车道中线的偏离程度以及获取车辆中轴与车道线的角度；汽车GPS传感器装置获取一段时间内的汽车位置信息；汽车雷达装置获得与前车的相对位置、相对速度、加速度信息、相对加速度信息。

进一步的：时获取每辆车的位置信息、驾驶特征信息、驾驶行为类别；第二步，多车危险预测装置通过每辆车的位置信息和装置内已经安装的好的高精度题图确定每辆车所在的车道以及每辆车的所在车道的前车；第三步、多车危险预测装置确定处于异常跟车和车道转换状态的车辆；多车危险预测装置只选择处于异常跟车和车道转换状态的车辆的所在车道和相邻车道的一定范围内后车计算危险概率；第四步、多车危险预测装置根据一段时间内的驾驶特征和当前驾驶行为状态拟合每一辆车的加速度的高阶多项式模型和误差比值的高斯模型；第五步、多车危险预测装置基于拟合高阶多项式模型和误差比值的高斯模型以及蒙特卡洛方法进行相关车辆进行多次随机模拟；第六步、多车危险预测装置计算每次模拟中相关车辆的与前车的最小距离，如果小于预设的安全距离，就判定本车和本次模拟为危险状态，通过计算处于危险状态模拟的次数在总模拟次数所占百分比作为当前多车驾驶危险概率估计值。

进一步的：所述汽车摄像头获取车辆与车道中线的偏离程度和车辆中轴与车道线的角度的方法是通过摄像头获取道路图像，并计算图像内预定一定范围内的2条车道线的位置；计算2条车道线的中线位置与图像中线的位置的平均距离作为车辆与车道中线的偏离程度度量值，2条车道线的中线与图像中线的平均角度为车辆中轴与车道线的角度的值。

进一步的：所述驾驶行为状态分析装置对车辆驾驶行为状态分析的方法包括，第一步，驾驶行为状态分析装置基于车内和车载装置获取一段时间内的驾驶特征信息；驾驶特征信息包括汽车方向盘转角信息、速度信息、加速度信息、车辆与车道中线的偏离程度、车辆中轴线与车道线的角度信息、与前车的相对距离和相对速度、加速度信息；第二步，驾驶状态分析装置将驾驶特征信息首先输入训练好的神经网络驾驶行为模型中并得到一段时间内的神经网络识别驾驶行为类别；第三步、驾驶行为状态分析装置根据与前车的相对位置和相对时间以及前一时刻的最终驾驶行为状态，确定一个时间窗口值；第四步、驾驶行为状态分析装置分析当前识别驾驶行为状态持续时间，只有当前时刻识别驾驶行为状态持续时间大于时间窗口值，才能确定为当前最终的驾驶行为状态，否则当前时刻最终驾驶行为状态仍然为上一时刻的决定驾驶行为状态。

进一步的：驾驶行为类别分为协同跟车驾驶行为、普通跟车驾驶行为、异常跟车驾驶行为、车道转换行为。

与现有技术相比，本发明的有益效果是：通过接收并分析一段时间内将一段时间内汽车方向盘转角信息、速度信息、加速度信息、车辆与车道中线的偏离程度、车辆中轴线与车道线的角度、与前车的相对距离和相对速度、加速度信息、以及前车的加速度信息，使用基于神经网络和可变时间窗口的驾驶行为识别模型确定驾驶行为类别。而多车危险预测装置通过获取周围驾驶环境中的车辆发出的传感器信息和驾驶行为类别信息，并确定危险概率计算涉及的车辆范围、建立驾驶行为动态模型和计算多车危险概率，并将危险概率转换为声音和图像预警信号无线传输给相应车辆。通过种多车驾驶驾驶行为分析和危险预测方法和系统从而能有效监控掌握的可能发生危险的多个车辆驾驶情况，减少资源的浪费，提高驾驶安全和危险预测效率。

附图说明

图1为一种多车驾驶行为分析和危险预警方法及系统的流程图。

图2为一种多车驾驶行为分析和危险预警方法及系统中摄像头获得车辆与车道中线的偏离程度及车辆中轴与车道线的角度的方法流程图。

图3为一种多车驾驶行为分析和危险预警方法及系统中驾驶行为状态分析方法的流程图。

图4为一种多车驾驶行为分析和危险预警方法及系统中多车危险预测的流程图。

图5为一种多车驾驶行为分析和危险预警系统的结构示意图。

具体实施方式

请参阅图1，一种多车驾驶行为分析和危险预警方法及系统，通过基于无线传输系统，获得并分析一段时间内相关车辆的汽车方向盘转角信息、速度信息、加速度信息、车辆与车道中线的偏离程度、车辆中轴线与车道线的角度、与前车的相对距离和相对速度、加速度信息、前车的加速度信息和驾驶行为类别信息，建立驾驶行为的随机动态模型和选择危险预测的相关多部车辆，并基于多次随机模拟方法的计算危险概率，最终将危险概率转换为不同频率的声音和图像提醒信息，提醒相关车辆的驾驶员。

一种多车驾驶行为分析和危险预警方法，该方法包括步骤：

101、开始驾驶行为识别和危险预测。

102、汽车方向盘转角传感器装置获取一段时间内的汽车方向盘转角信息、汽车加速度和速度传感器装置获取一段时间内汽车速度和加速度信息、汽车摄像头获取车辆与车道中线的偏离程度以及获取车辆中轴与车道线的角度；汽车GPS传感器装置获取一段时间内的汽车位置信息；汽车雷达装置获得与前车的相对位置和相对速度、加速度信息。

103、驾驶状态分析装置将驾驶特征信息首先输入训练好的神经网络驾驶行为模型中并得出现相应的一段时间内的神经网络识别驾驶行为类别。

104、驾驶行为状态分析装置根据与前车的相对位置和相对时间以及前一时刻的最终驾驶行为状态，确定一个时间窗口值。

105、驾驶行为状态分析装置分析当前识别驾驶行为状态持续时间，只有当前时刻识别驾驶行为状态持续时间大于时间窗口值，才能确定为当前最终的驾驶行为状态，否则当前时刻最终驾驶行为状态仍然为上一时刻的决定驾驶行为状态。

106、车载无线传输装置将汽车传感器信息和驾驶行为状态信息无线传输给路边的多车危险预警装置。

107、多车危险预警装置确定危险概率的涉及范围和车辆以及计算危险概率。

108、多车危险预警装置将危险概率转换为不同频率的声音和图像并且无线传输给相关车辆。

109、结束监测。

所述的102中汽车摄像头计算车辆与车道中线的偏离程度及获取车辆中轴与车道线的角度的方法如图2所示：

201、计算开始、获取图像。

202、根据车道线的颜色和手工标记的区域的二值化当前图像。

203、计算2条车道中间线的位置。

204、计算2条车道线的中线位置与图像中线的位置的平均距离作为车辆与车道中线的偏离程度度量值。

205、2条车道线的中线与图像中线的平均角度为车辆中轴与车道线的角

计算结束。

所述的103中驾驶状态分析装置决定驾驶行为类别的方法如图3所示：

301、计算开始

302、获取一段时间内的驾驶特征信息。驾驶特征信息包括汽车方向盘转角信息、速度信息、加速度信息、车辆与车道中线的偏离程度、车辆中轴线与车道线的角度信息、与前车的相对距离和相对速度、加速度信息。

303、驾驶特征信息首先输入训练好的神经网络驾驶行为模型中并得出现相应的一段时间内的神经网络识别驾驶行为类别。

304、根据与前车的相对位置和相对时间以及前一时刻的最终驾驶行为状态，确定一个时间窗口值。

305、根据时间窗口值和识别驾驶行为状态的确定当前的最终驾驶行为状态。只有当前时刻识别驾驶行为状态持续时间大于时间窗口值，才能确定为当前最终的驾驶行为状态，否则当前时刻最终驾驶行为状态仍然为上一时刻的决定驾驶行为状态。

306、计算结束。

其中，训练好的神经网络驾驶行为模型是通过采集大量的真实驾驶行为数据，并手工对每一个时刻的驾驶特征信息进行类别标记。驾驶行为状态分析装置将标记好类别的时序驾驶特征信息输入到神经网络中进行训练，从而获得训练好的神经网络驾驶行为类别模型。其中驾驶行为类别分为协同跟车驾驶行为、普通跟车驾驶行为、异常跟车驾驶行为、车道转换行为；其中协同驾驶行为状态是指驾驶员开启自动跟车系统，并且自动跟车系统能够通过无线跟车系统获取与前车的相对速度、加速度信息、距离和加速度信息，并根据这些信息结合车辆操控系统进行自动跟车控制。普通跟车驾驶行为是指驾驶或者车辆只根据与与前车的相对距离和相对速度、加速度信息调节加速度(或者调节油门和刹车)。而车道转换行为是指驾驶员开始进行车道转换的操作，而车道转换开始操作的起止时间为手工标记。而异常跟车行为为除三个以外的驾驶行为都算做异常跟车驾驶行为。

所述的107多车危险预测相关车辆的状态的方法如图4所示：

401、计算开始

402、通过无线传输系统获取一段时间内的相关车辆的驾驶特征信息和驾驶行为类别。驾驶特征信息包括汽车方向盘转角信息、速度信息、加速度信息、车辆与车道中线的偏离程度、车辆中轴线与车道线的角度信息、与前车的相对距离和相对速度、加速度信息、驾驶行为类别。

403、通过每辆车的位置信息和装置内已经安装的好的高精度题图确定每辆车所在的车道以及每辆车的所在车道的前车。

404、确定处于异常状态的车辆以及危险概率计算涉及的车辆。多车危险预测装置只选择处于异常跟车和车道转换状态的车辆的所在车道和相邻车道的一定范围内后车计算危险概率。

405、根据一段时间内的驾驶特征和当前驾驶行为状态拟合每一辆车的加速度的高阶多项式模型和误差比值的高斯模型，作为当前车的驾驶行为随机动态模型。

406、根据驾驶行为随机动态模型，多次模拟和预测相关车辆10秒后的状态。

407、计算每次模拟中相关车辆的与前车的最小距离，如果小于预设的安全距离，就判定本车和本次模拟为危险状态。通过计算处于危险状态模拟的次数在总模拟次数所占百分比作为当前多车驾驶危险概率估计值。

408、转化为危险概率为实际频率可变物理声音和实际预警图像，并通过无线传输装置到相关车辆中，提醒驾驶员。

409、计算结束。

其中，所述的加速度的高阶多项式拟合模型指的是加速度的高阶多项式模型的输入量包括与一段时间内前车的相对距离、相对速度、相对加速度信息、本车加速度，而输出量为本车当前时刻的加速度，采用在线最小二乘法对高阶多项式模型进行参数估计。

其中，所述的拟合加速度和与实际加速度的误差比值的高斯模型指的是对一段时间内的拟合加速度与实际加速度的误差值与实际加速度的比值基于高斯分布计算均值和方差。

其中所述的基于蒙特卡洛方法进行相关车辆进行多次随机模拟指的是对根据当前车辆驾驶状态预测一段时间后的相关车辆的位置、速度和加速度，其中加速度基于拟合高阶多项式模型进行计算并基于误差比值的高斯模型将计算出的加速度加入高斯噪声作为预测下一时刻的实际加速度。并且每次模拟和每个时刻的高斯噪声是随机的。

而计算相关车辆的危险概率指的是只对异常跟车状态和车道转换车辆的车辆所在车道和相邻车道的车辆基于加速度高阶多项式和误差比值的高斯模型进行加速度、速度和位置预测。其他车辆采用匀速运行模型进行驾驶状态预测。

而多车危险预测装置通过无线传输装置传输到相关车辆危险预警信息，指的是相关车辆的整体危险概率而不是当前车的单独危险概率。

其中，多车危险概率分析后将危险概率估计值转换为红、黄、绿三段警示标志，并根据危险概率估计值转换不同频率的声音，通过无线装置传输到相关车辆，通过图像和声音给相关车辆的驾驶员提示危险状态。

如图5所示，一种多车驾驶行为分析和危险预警系统，包括：

中央处理器501，可以采用PC平台或者ARM的嵌入式处理器。

图像采集和分析装置502，可以为模拟摄像头加DSP，计算2条车道线的中线位置与图像中线的位置的平均距离作为车辆与车道中线的偏离程度度量值。计算2条车道线的中线与图像中线的平均角度为车辆中轴与车道线的角。

汽车定位装置503：为GPS定位模块，输出汽车当前位置信息。

汽车方向盘传感器装置504和汽车速度传感器装置505，输出汽车方向盘的转角、转角变化速率和行驶速度。

前车相对距离和速度检测装置506，输出当前车与前车的相对距离和速度。

驾驶行为状态分析装置507，输出驾驶行为类别。

车载无线传输装置508，输出驾驶行为类别和其他采集到驾驶行为特征信息，以及获取前车加速度信息和危险预警的声音和图像信息。

路边无线传输装置509，获取相关车辆的驾驶行为类别和其他采集到驾驶行为特征信息，输出危险预警的声音和图像信息到相关车辆

路侧的多车预警装置5010，确定危险预测的涉及范围和车辆，计算相关的车辆的整体危险概率，转换危险概率到不同频率的声音和图像。

通过接收并分析一段时间内将一段时间内汽车方向盘转角信息、速度信息、加速度信息、车辆与车道中线的偏离程度、车辆中轴线与车道线的角度、与前车的相对距离和相对速度、加速度信息、以及前车的加速度信息，使用基于神经网络和可变时间窗口的驾驶行为识别模型确定驾驶行为类别。而多车危险预测装置通过获取周围驾驶环境中的车辆发出的传感器信息和驾驶行为类别信息，并确定危险概率计算涉及的车辆范围、建立驾驶行为动态模型和计算多车危险概率，并将危险概率转换为声音和图像预警信号无线传输给相应车辆。通过种多车驾驶驾驶行为分析和危险预测方法和系统从而能有效监控掌握的可能发生危险的多个车辆驾驶情况，减少资源的浪费，提高驾驶安全和危险预测效率。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种多车驾驶行为分析和危险预警系统，其特征在于，包括中央处理器、图像采集和分析装置、汽车定位装置、汽车方向盘传感器装置、汽车速度传感器装置、前车相对距离和速度检测装置、驾驶行为状态分析装置、车载无线传输装置、路边无线传输装置、路侧的多车预警装置。

2.一种应用了如权利要求1所述的多车驾驶行为分析和危险预警系统的方法，其特征在于，首先车辆中的驾驶行为状态分析装置通过车载和车内传感器系统获得一段时间内驾驶员操控和汽车状态特征信息基并将这些特征信息输入训练好的基于神经网络的驾驶行为模型中并确定相应驾驶行为类别；

车载无线传输装置将相关车辆信息和驾驶行为类型信息传输到路边的多车危险预测装置计算危险概率，并将危险概率转换为图像和声音危险提醒信息，通过无线传输装置到相关车辆。

3.根据权利要求2所述的一种多车驾驶行为分析和危险预警方法，其特征在于：车载和车内传感器系统获得一段时间内驾驶员操控和汽车状态特征信息，特征信息包括汽车方向盘转角传感器装置获取一段时间内的汽车方向盘转角信息、汽车加速度和速度传感器装置获取一段时间内汽车速度和加速度信息、汽车摄像头获取车辆与车道中线的偏离程度以及获取车辆中轴与车道线的角度；汽车GPS传感器装置获取一段时间内的汽车位置信息；汽车雷达装置获得与前车的相对位置、相对速度、加速度信息、相对加速度信息。

4.根据权利要求2所述的一种多车驾驶行为分析和危险预警方法，其特征在于：多车危险预测装置危险概率计算的方法包括：第一步基于无线传输装置实时获取每辆车的位置信息、驾驶特征信息、驾驶行为类别；第二步，多车危险预测装置通过每辆车的位置信息和装置内已经安装的好的高精度题图确定每辆车所在的车道以及每辆车的所在车道的前车；第三步、多车危险预测装置确定处于异常跟车和车道转换状态的车辆；多车危险预测装置只选择处于异常跟车和车道转换状态的车辆的所在车道和相邻车道的一定范围内后车计算危险概率；第四步、多车危险预测装置根据一段时间内的驾驶特征和当前驾驶行为状态拟合每一辆车的加速度的高阶多项式模型和误差比值的高斯模型；第五步、多车危险预测装置基于拟合高阶多项式模型和误差比值的高斯模型以及蒙特卡洛方法进行相关车辆进行多次随机模拟；第六步、多车危险预测装置计算每次模拟中相关车辆的与前车的最小距离，如果小于预设的安全距离，就判定本车和本次模拟为危险状态，通过计算处于危险状态模拟的次数在总模拟次数所占百分比作为当前多车驾驶危险概率估计值。

5.根据权利要求3所述的一种多车驾驶行为分析和危险预警方法，其特征在于：所述汽车摄像头获取车辆与车道中线的偏离程度和车辆中轴与车道线的角度的方法是通过摄像头获取道路图像，并计算图像内预定一定范围内的2条车道线的位置；计算2条车道线的中线位置与图像中线的位置的平均距离作为车辆与车道中线的偏离程度度量值，2条车道线的中线与图像中线的平均角度为车辆中轴与车道线的角度的值。

6.根据权利要求2所述的一种多车驾驶行为分析和危险预警方法，其特征在于：所述驾驶行为状态分析装置对车辆驾驶行为状态分析的方法包括，第一步，驾驶行为状态分析装置基于车内和车载装置获取一段时间内的驾驶特征信息；驾驶特征信息包括汽车方向盘转角信息、速度信息、加速度信息、车辆与车道中线的偏离程度、车辆中轴线与车道线的角度信息、与前车的相对距离和相对速度、加速度信息；第二步，驾驶状态分析装置将驾驶特征信息首先输入训练好的神经网络驾驶行为模型中并得到一段时间内的神经网络识别驾驶行为类别；第三步、驾驶行为状态分析装置根据与前车的相对位置和相对时间以及前一时刻的最终驾驶行为状态，确定一个时间窗口值；第四步、驾驶行为状态分析装置分析当前识别驾驶行为状态持续时间，只有当前时刻识别驾驶行为状态持续时间大于时间窗口值，才能确定为当前最终的驾驶行为状态，否则当前时刻最终驾驶行为状态仍然为上一时刻的决定驾驶行为状态。

7.根据权利要求2、4或6所述的一种多车驾驶行为分析和危险预警方法，其特征在于：驾驶行为类别分为协同跟车驾驶行为、普通跟车驾驶行为、异常跟车驾驶行为、车道转换行为。