CN110444014A - 基于反向st-mrf车辆跟踪算法的防追尾预警方法 - Google Patents
基于反向st-mrf车辆跟踪算法的防追尾预警方法 Download PDFInfo
- Publication number
- CN110444014A CN110444014A CN201910588040.5A CN201910588040A CN110444014A CN 110444014 A CN110444014 A CN 110444014A CN 201910588040 A CN201910588040 A CN 201910588040A CN 110444014 A CN110444014 A CN 110444014A
- Authority
- CN
- China
- Prior art keywords
- early warning
- distance
- camera
- mrf
- reversed
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于反向ST‑MRF车辆跟踪算法的防追尾预警方法,首先采用反向ST‑MRF模型进行车辆跟踪,当两辆车相互遮挡时,优化处理融合不完整的分割部分进行车辆跟踪,获得前车的交通信息,包括速度、加速度、加速时间;利用单目测距方法,将世界坐标转换为像素坐标,根据标定得到的定焦行车记录仪的焦距、事先确定参数及通过反向ST‑MRF模型获得前方车辆在图像中像素点的位置,计算前后车距离S;再根据驾驶员反应特性和直觉特性得到的后车预警纵向安全距离的理论计算模型,计算预警的纵向距离L;比较纵向预警距离L和前后辆车间距S,当S<L时,系统发出预警。本发明能有效地避免汽车追尾碰撞事故的发生,增加道路的通行能力,确保行车安全。
Description
技术领域
本发明属于交通工程信息管理与控制领域,具体涉及一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法。
背景技术
汽车作为现代人类的交通工具,改变了人们的生活方式,推动了社会经济的发展和人类文化的进步,给人们的生活带来了极大的便利,但同时也带来了严重的交通安全问题。据红十字会统计的数据:全世界每年死于道路交通事故的人数达70万人,另有1000~1500万人受伤,每年因道路交通事故造成的经济损失约为5180亿美元。道路交通事故给家庭、集体和国家都会带来巨大的损失,成为世界性的严重社会问题。而在高速公路事故中,车辆相互冲撞事故约占33.4%,其中大部分为车辆追尾事故。所以研究车辆防追尾预警模型,尽可能的减少交通追尾事故的发生具有十分重要的现实意义。
目前车辆防追尾预警研究大多围绕着利用车载超声波、雷达或激光测距等手段来测量车辆间的相对距离或碰撞时间(time to collision,TTC)进行预警,通过实践表明,采用超声波、雷达或激光等预警装置的预警距离有所限制,当车辆高速行驶时,会因为预警不及时而导致追尾事故;另外,计算机图像处理技术大多针对固定摄像装置拍摄的视频图像,而行车视频会随汽车的运动产生抖动现象,构建既能克服视频抖动又能解决严重遮挡而准确获得车辆运动轨迹成为需解决的关键问题。
发明内容
本发明为了尽可能解决车辆交通事故中的追尾事故,采用反向ST-MRF算法分割遮挡严重的单个车辆区域并得到车辆跟踪算法,获得前车在图像上像素信息和交通信息,包括速度,加速度,加速时间;利用单目测距方法,将世界坐标转换为像素坐标,根据定焦的行车记录仪标定焦距、事先确定参数及通过反向ST-MRF模型获得前方车辆在图像中像素点的位置,计算前后车距离S;最后再根据驾驶员反应特性和直觉特性得到的后车预警纵向安全距离的理论计算模型,提出了一种基于反向ST-MRF的车辆防追尾预警方法。
技术方案
一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,包括以下步骤:
步骤一、采用反向ST-MRF模型进行车辆跟踪,当两辆车相互遮挡时,优化处理融合不完整的分割部分进行车辆跟踪,获得前车在图像上像素信息和交通信息,包括速度、加速度、加速时间的信息;
步骤二、利用单目测距方法,将世界坐标转换为像素坐标,根据标定得到的定焦行车记录仪的焦距,事先确定参数及通过反向ST-MRF模型获得前方车辆在图像中像素点的位置,计算前后车距离S;
步骤三、根据驾驶员反应特性和直觉特性得到的后车预警纵向安全距离的理论计算模型,计算预警的纵向安全距离L;
步骤四、比较纵向安全距离L和前后辆车间距S,当S<L时,系统发出预警。
其中步骤一中的速度、加速度、加速时间等参数的获取通过以下两篇参考文献获得:公路交通科技,2013年第30卷第4期:108-111页,公开了基于反向ST-MRF模型的车辆遮挡分割算法研究,其能在交通量比较大,且车辆出现相互遮挡的情况下较准确地获得车辆跟踪数据,为以后的交通事件检测提供重要的数据基础;农业装备和车辆工程,2016年7月第54卷第7期:15-20页,公开了一种基于图像像素点的前方车辆距离检测方法,其能通过相机标定的内外部参数,获得前方车辆距离。
进一步的:步骤一中ST-MRF模型反向沿着时间轴运用,当车辆的遮挡倒退到前一帧时,运用ST-MRF模型将车辆单独分割开,通过反向ST-MRF模型的过度分割后,适当的分割区域由后验概率决定,检测两辆车是否融入到一个集群,可通过公式判断:
其中:
Nconnect表示帧数,也就是两辆车不同于背景图像通过块连接的部分;Nnoconnect表示与Nconnect相反;(ux2,vy2)和(ux3,vy3)分别代表两辆车的运动矢量;(uxm,vym)代表融合到两辆车分割区域的集群的运动矢量;
通过定义后验概率函数,如两辆车的融合区域进入到一个独立的区域的概率为:总的能量函数为Uconnect+Umv=0时,P为1,为0.5,也就是说当Uconnect+Umv=0时,融合分割区域的发生与不发生的概率是一样的,当总的能量Uconnect+Umv较大时,融合分割部分发生的概率将增加。
进一步的:步骤二中将世界坐标转换为像素坐标的方法:
设P(Xw,Yw,Zw)为世界坐标系上一点,在针孔相机中要经历以下几个变换,最终变成二维图像上像点p(u,v):
1、将P点从世界坐标系通过刚体变换(旋转和平移)变换到相机坐标系,这个变换过程使用的是相机间的相对位置,也就是相机外参数;
2、从相机坐标系,通过透视投影变换到相机成像平面上一点p(x,y);
3、将像点p从图像坐标系通过缩放和平移变换到像素坐标系上的点p(u,v);
相机将场景中的三维点变换成图像中的二维点,也就是各个坐标系变换的组合,将上面变换过程整理为矩阵相乘的形式,如公式:
其中:
Zc是与XC、YC轴组成了相机坐标系;Zc轴与相机光轴与图像平面垂直;(u,v)是p点在图像平面中的像素x轴和y轴坐标;dx是一个像素在x轴的物理距离,单位为mm;dy是一个像素在y轴的物理距离,单位为mm;(u0,v0)是CCD光轴和成像平面交点(x0,y0)的像素坐标,用点O1表示,该点位于图像坐标系的中心处,考虑到制造、安装等原因,O1偏离图像中心,(u0,v0)设(u0,v0)表示xO1y坐标系的坐标原点O1在坐标系uO0v的坐标;f是相机有效焦距;R是世界坐标转换到相机坐标的旋转矩阵,可用3*3的单位矩阵表示;T是世界坐标转换到相机坐标的三维平移向量;(XW,YW,ZW)表示点P在世界坐标系的坐标;ax,ay是相机内部参数,ax=f/dx,ay=f/dy;M1是内部参数;M2是外部参数;M是投影矩阵。
进一步的:上部步骤二中的相机内部参数M1标定的方法:
相机的标定采用张友正经典标定法,棋盘版每一方格的参数为dx=dy=n,n表示一个方格长度,单位为mm,标定具体步骤如下:
1、被标定的相机需要从不同角度对特殊模式图像拍摄15~20张照片;
2、从照片中提取期盼格角点;
3、估计理想无畸变下的内部参数;
4、然后通过最小二乘法找到最优化的相机内部参数,
采用极大似然估计,优化估计值,得到内部参数矩阵
进一步的:前方车辆距离S计算方法:
在进行图像平面和道路平面几何映射是,采用了以下先验知识:
1、假设车辆前方视野内道路是在一个平面内的;
2、相机光轴与地面平行,即在三维空间中Y的值保持不变;
3、点P就是反向ST-MRF检测出的前方车辆位置在像平面的像素点,投影坐标是(x,y),通过几何关系,得到点P和镜头中心水平距离S的计算公式为:
S=h/tan{α+arctan[(y0-y)/f]} 式(3)
其中:
S是车辆距离,即前后车之间距离;f是相机有效焦距;α是相机的俯仰角度;h是相机安装高度(镜头中心到地面的高度);(x0,y0)是光轴与像平面的交点,作为像平面的原点,一般取(0,0)。
预警距离L计算:
从后车追尾和汽车制动距离理论出发,建立后车预警纵向安全距离L的理论计算模型,提出前车静止或者后车前方为静止障碍物、前车减速行驶、前车匀速或加速行驶、前车和后车都静止等4种情况下的后车预警纵向安全距离L的计算公式。
进一步的:步骤三中后车的制动距离的计算:
依据驾驶员行为特性,以及知觉反应特性,确定后车的制动距离,如式(4):
其中:V2:后车的运行车速,单位:km/h;t1:驾驶员反应时间,单位:s;t′2:驾驶员踏下踏板的时间,常数,单位:s;t″2:制动器制动时间,常数,单位:s;jmax:后车的最大减速度,其值等于单位:m/s2;路面附着系数;g:该地区的重力加速度,常数,单位:m/s2。
进一步的:后车的危险预警纵向安全距离L可以分为以下四种理论模型:
1、前车静止或者后车前方为静止障碍物,
L1=0 式(5)
其中:
L1为前车行驶距离,单位:m;d0为后车停车时两车保持的额定安全距离,单位:m;
2、前车减速行驶时,
L1=V1 2/25.92a1 式(7)
其中:
V1为前车行驶速度,车辆跟踪结果所得,单位:km/h;a1为前车的减速度,车辆跟踪结果所得,单位:m/s2;
3、前车匀速或加速行驶时,
其中:
t3为前车加速时间,单位:s;a′1为前车的加速度,车辆跟踪结果所得,单位:m/s2;
4、交通严重堵塞时,前车和后车的速度都为0,此时的预警纵向安全距离L=d0。
进一步的:步骤四中纵向安全距离L实时预警的判断方法:
综上得出S与L的数值后,当辆车之间的距离S<纵向安全距离L时,系统将会发出预警,提醒司机注意行驶安全。
有益效果
1.本发明提出了反向ST-MRF的车辆跟踪模型,实现抖动、严重遮挡下跟踪精度的提高,确保交通信息,包括运动轨迹、速度、加减速度、加速时间的准确获取;
2.本发明将视频检测技术与交通预警相结合,提出了一种基于视频检测技术的汽车防追尾主动预警安全方案,在预警纵向安全距离的计算上采用了车辆跟踪的运动数据,能实时更新纵向安全距离;
3.本发明在车辆在遇到突发事件的情况下确保驾驶人有足够的反应时间进行制动,可以有效地避免公路汽车追尾碰撞事故的发生,同时也为提高车辆平均技术速度、增加道路的通行能力,提高驾驶员的行车安全。
附图说明
图1为实施一种基于反向ST-MRF的车辆防追尾预警方法流程图
图2为防追尾预警示意图。
图3为目标图像的初始。
图4为运动矢量的最优化。
图5为棋盘版模式的图像。
图6距离测量的几何模型。
图7为前车静止或者后车前方为静止障碍物时的效果图。
图8为前车减速行驶或前车以小于后车的匀速或加速行驶时的效果图。
图9为前车以大于的速度后车匀速加速行驶的效果图。
图10为交通堵塞时的效果图。
具体实施方式
一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,流程如图1,包括以下步骤:
步骤一、采用反向ST-MRF模型进行车辆跟踪,当两辆车相互遮挡时,优化处理融合不完整的分割部分进行车辆跟踪,获得前车在图像上像素信息和交通信息,包括速度、加速度、加速时间的信息;步骤二、利用单目测距方法,将世界坐标转换为像素坐标,根据标定得到的定焦行车记录仪的焦距,事先确定参数及通过反向ST-MRF模型获得前方车辆在图像中像素点的位置,计算前后车距离S;步骤三、根据驾驶员反应特性和直觉特性得到的后车预警纵向安全距离的理论计算模型,计算预警的纵向安全距离L;步骤四、比较纵向安全距离L和前后辆车间距S,当S<L时,系统发出预警。
其中步骤一中的速度、加速度、加速时间等参数的获取通过以下两篇参考文献获得:公路交通科技,2013年第30卷第4期:108-111页,公开了基于反向ST-MRF模型的车辆遮挡分割算法研究,其能在交通量比较大,且车辆出现相互遮挡的情况下较准确地获得车辆跟踪数据,为以后的交通事件检测提供重要的数据基础;农业装备和车辆工程,2016年7月第54卷第7期:15-20页,公开了一种基于图像像素点的前方车辆距离检测方法,其能通过相机标定的内外部参数,获得前方车辆距离。
步骤一中ST-MRF模型反向沿着时间轴运用,当车辆的遮挡倒退到前一帧时,运用ST-MRF模型将车辆单独分割开,通过反向ST-MRF模型的过度分割后,适当的分割区域由后验概率决定,检测两辆车是否融入到一个集群,可通过公式判断:
其中:
Nconnect表示帧数,也就是两辆车不同于背景图像通过块连接的部分;Nnoconnect表示与Nconnect相反;(ux2,vy2)和(ux3,vy3)分别代表两辆车的运动矢量;(uxm,vym)代表融合到两辆车分割区域的集群的运动矢量;
通过定义后验概率函数,如两辆车的融合区域进入到一个独立的区域的概率为:总的能量函数为Uconnect+Umv=0时,P为1,为0.5,也就是说当Uconnect+Umv=0时,融合分割区域的发生与不发生的概率是一样的,当总的能量Uconnect+Umv较大时,融合分割部分发生的概率将增加。
步骤二中将世界坐标转换为像素坐标的方法:
设P(Xw,Yw,Zw)为世界坐标系上一点,在针孔相机中要经历以下几个变换,最终变成二维图像上像点p(u,v):
1、将P点从世界坐标系通过刚体变换(旋转和平移)变换到相机坐标系,这个变换过程使用的是相机间的相对位置,也就是相机外参数;
2、从相机坐标系,通过透视投影变换到相机成像平面上一点p(x,y);
3、将像点p从图像坐标系通过缩放和平移变换到像素坐标系上的点p(u,v);
相机将场景中的三维点变换成图像中的二维点,也就是各个坐标系变换的组合,将上面变换过程整理为矩阵相乘的形式,如公式:
其中:
Zc是与XC、YC轴组成了相机坐标系;Zc轴与相机光轴与图像平面垂直;(u,v)是p点在图像平面中的像素x轴和y轴坐标;dx是一个像素在x轴的物理距离,单位为mm;dy是一个像素在y轴的物理距离,单位为mm;(u0,v0)是CCD光轴和成像平面交点(x0,y0)的像素坐标,用点O1表示,该点位于图像坐标系的中心处,考虑到制造、安装等原因,O1偏离图像中心,(u0,v0)设(u0,v0)表示xO1y坐标系的坐标原点O1在坐标系uO0v的坐标;f是相机有效焦距;R是世界坐标转换到相机坐标的旋转矩阵,可用3*3的单位矩阵表示;T是世界坐标转换到相机坐标的三维平移向量;(XW,YW,ZW)表示点P在世界坐标系的坐标;ax,ay是相机内部参数,ax=f/dx,ay=f/dy;M1是内部参数;M2是外部参数;M是投影矩阵。
上部步骤二中的相机内部参数M1标定的方法:
相机的标定采用张友正经典标定法,棋盘版每一方格的参数为dx=dy=n,n表示一个方格长度,单位为mm,标定具体步骤如下:
1、被标定的相机需要从不同角度对特殊模式图像拍摄15~20张照片;
2、从照片中提取期盼格角点;
3、估计理想无畸变下的内部参数;
4、然后通过最小二乘法找到最优化的相机内部参数,
采用极大似然估计,优化估计值,得到内部参数矩阵
前方车辆距离S计算方法:
在进行图像平面和道路平面几何映射是,采用了以下先验知识:
1、假设车辆前方视野内道路是在一个平面内的;
2、相机光轴与地面平行,即在三维空间中Y的值保持不变;
3、点P就是反向ST-MRF检测出的前方车辆位置在像平面的像素点,投影坐标是(x,y),通过几何关系,得到点P和镜头中心水平距离S的计算公式为:
S=h/tan{α+arctan[(y0-y)/f]} 式(3)
其中:
S是车辆距离,即前后车之间距离;f是相机有效焦距;α是相机的俯仰角度;h是相机安装高度(镜头中心到地面的高度);(x0,y0)是光轴与像平面的交点,作为像平面的原点,一般取(0,0)。
预警距离L计算:
从后车追尾和汽车制动距离理论出发,建立后车预警纵向安全距离L的理论计算模型,提出前车静止或者后车前方为静止障碍物、前车减速行驶、前车匀速或加速行驶、前车和后车都静止等4种情况下的后车预警纵向安全距离L的计算公式。
步骤三中后车的制动距离的计算:
依据驾驶员行为特性,以及知觉反应特性,确定后车的制动距离,如式(4):
其中:V2:后车的运行车速,单位:km/h;t1:驾驶员反应时间,单位:s;t′2:驾驶员踏下踏板的时间,常数,单位:s;t″2:制动器制动时间,常数,单位:s;jmax:后车的最大减速度,其值等于单位:m/s2;路面附着系数;g:该地区的重力加速度,常数,单位:m/s2。
图7至图10为4种的行驶状态下效果图,后车的危险预警纵向安全距离L可以分为以下四种理论模型:
1、如图7所示,前车静止或者后车前方为静止障碍物,
L1=0 式(5)
其中:
L1为前车行驶距离,单位:m;d0为后车停车时两车保持的额定安全距离,单位:m;
2、如图8所示,前车减速行驶时,
L1=V1 2/25.92a1 式(7)
其中:
V1为前车行驶速度,车辆跟踪结果所得,单位:km/h;a1为前车的减速度,车辆跟踪结果所得,单位:m/s2;
3、如图9所示,前车匀速或加速行驶时,
其中:
t3为前车加速时间,单位:s;a′1为前车的加速度,车辆跟踪结果所得,单位:m/s2;
4、如图10所示交通严重堵塞时,前车和后车的速度都为0,此时的预警纵向安全距离L=d0。
步骤四中纵向安全距离L实时预警的判断方法:
综上得出S与L的数值后,当辆车之间的距离S<纵向安全距离L时,系统将会发出预警,提醒司机注意行驶安全。
Claims (9)
1.一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,其特征在于,包括以下步骤:
步骤一、采用反向ST-MRF模型进行车辆跟踪,当两辆车相互遮挡时,优化处理融合不完整的分割部分进行车辆跟踪,获得前车在图像上像素信息和交通信息,包括速度、加速度、加速时间的信息;
步骤二、利用单目测距方法,将世界坐标转换为像素坐标,根据标定得到的定焦行车记录仪的焦距,事先确定参数及通过反向ST-MRF模型获得前方车辆在图像中像素点的位置,计算前后车距离S;
步骤三、根据驾驶员反应特性和直觉特性得到的后车预警纵向安全距离的理论计算模型,计算预警的纵向安全距离L;
步骤四、比较纵向安全距离L和前后辆车间距S,当S<L时,系统发出预警。
2.根据权利要求1所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,其特征在于,步骤一中ST-MRF模型反向沿着时间轴运用,当车辆的遮挡倒退到前一帧时,运用ST-MRF模型将车辆单独分割开,通过反向ST-MRF模型的过度分割后,适当的分割区域由后验概率决定,检测两辆车是否融入到一个集群,可通过公式判断:
其中:
Nconnect表示帧数,也就是两辆车不同于背景图像通过块连接的部分;
Nnoconnect表示与Nconnect相反;
(ux2,vy2)和(ux3,vy3)分别代表两辆车的运动矢量;
(uxm,vym)代表融合到两辆车分割区域的集群的运动矢量;
通过定义后验概率函数,如两辆车的融合区域进入到一个独立的区域的概率为:总的能量函数为Uconnect+Umv=0时,P为1,为0.5,也就是说当Uconnect+Umv=0时,融合分割区域的发生与不发生的概率是一样的,当总的能量Uconnect+Umv较大时,融合分割部分发生的概率将增加。
3.根据权利要求1所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,其特征在于,步骤二中将世界坐标转换为像素坐标的方法:
设P(Xw,Yw,Zw)为世界坐标系上一点,在针孔相机中要经历以下几个变换,最终变成二维图像上像点p(u,v):
1、将P点从世界坐标系通过刚体变换(旋转和平移)变换到相机坐标系,这个变换过程使用的是相机间的相对位置,也就是相机外参数;
2、从相机坐标系,通过透视投影变换到相机成像平面上一点p(x,y);
3、将像点p从图像坐标系通过缩放和平移变换到像素坐标系上的点p(u,v);相机将场景中的三维点变换成图像中的二维点,也就是各个坐标系变换的组合,将上面变换过程整理为矩阵相乘的形式,如公式:
其中:
Zc是与XC、YC轴组成了相机坐标系;
Zc轴与相机光轴与图像平面垂直;
(u,v)是p点在图像平面中的像素x轴和y轴坐标;
dx是一个像素在x轴的物理距离,单位为mm;
dy是一个像素在y轴的物理距离,单位为mm;
(u0,v0)是CCD光轴和成像平面交点(x0,y0)的像素坐标,用点O1表示,该点位于图像坐标系的中心处,考虑到制造、安装等原因,O1偏离图像中心,(u0,v0)设(u0,v0)表示xO1y坐标系的坐标原点O1在坐标系uO0v的坐标;
f是相机有效焦距;
R是世界坐标转换到相机坐标的旋转矩阵,可用3*3的单位矩阵表示;
T是世界坐标转换到相机坐标的三维平移向量;
(XW,YW,ZW)表示点P在世界坐标系的坐标;
ax,ay是相机内部参数,ax=f/dx,ay=f/dy;
M1是内部参数;
M2是外部参数;
M是投影矩阵。
4.根据权利要求3所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,其特征在于,相机内部参数M1标定的方法:
相机的标定采用张友正经典标定法,棋盘版每一方格的参数为dx=dy=n,n表示一个方格长度,单位为mm,标定具体步骤如下
1、被标定的相机需要从不同角度对特殊模式图像拍摄15~20张照片;
2、从照片中提取期盼格角点;
3、估计理想无畸变下的内部参数;
4、然后通过最小二乘法找到最优化的相机内部参数,
采用极大似然估计,优化估计值,得到内部参数矩阵
5.根据权利要求3所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,其特征在于,前方车辆距离计算方法;
在进行图像平面和道路平面几何映射是,采用了以下先验知识:
1、假设车辆前方视野内道路是在一个平面内的;
2、相机光轴与地面平行,即在三维空间中Y的值保持不变;
3、点P就是反向ST-MRF检测出的前方车辆位置在像平面的像素点,投影坐标是(x,y),通过几何关系,得到点P和镜头中心水平距离S的计算公式为:
S=h/tan{α+arctan[(y0-y)/f]} 式(3)
其中:
S是车辆距离,即前后车之间距离;
f是相机有效焦距;
α是相机的俯仰角度;
h是相机安装高度(镜头中心到地面的高度);
(x0,y0)是光轴与像平面的交点,作为像平面的原点,一般取(0,0)。
6.根据权利要求1所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,其特征在于,步骤三中纵向预警距离L计算.从后车追尾和汽车制动距离理论出发,建立后车预警纵向安全距离L的理论计算模型,提出前车静止或者后车前方为静止障碍物、前车减速行驶、前车匀速或加速行驶、前车和后车都静止等4种情况下的后车预警纵向安全距离L的计算公式。
7.根据权利要求6所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,其特征在于,步骤三中后车的制动距离的计算:
依据驾驶员行为特性,以及知觉反应特性,确定后车的制动距离,如式(4):
其中:
V2:后车的运行车速,单位:km/h;
t1:驾驶员反应时间,单位:s;
t′2:驾驶员踏下踏板的时间,常数,单位:s;
t″2:制动器制动时间,常数,单位:s;
jmax:后车的最大减速度,其值等于单位:m/s2;
路面附着系数;
g:该地区的重力加速度,常数,单位:m/s2。
8.根据权利要求7所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,其特征在于,在4种不同的行驶状态下,后车的危险预警纵向安全距离L可以分为以下三种理论模型:
1、前车静止或者后车前方为静止障碍物,
L1=0 式(5)
其中:
L1为前车行驶距离,单位:m;
d0为后车停车时两车保持的额定安全距离,单位:m;
2、前车减速行驶时,
L1=V1 2/25.92a1 式(7)
其中:
V1为前车行驶速度,车辆跟踪结果所得,单位:km/h;
a1为前车的减速度,车辆跟踪结果所得,单位:m/s2;
3、前车匀速或加速行驶时,
其中:
t3为前车加速时间,单位:s;
a′1为前车的加速度,车辆跟踪结果所得,单位:m/s2;
4、交通严重堵塞时,前车和后车的速度都为0,此时的预警纵向安全距离L=d0。
9.根据权利要求8所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法,其特征在于,步骤四中纵向安全距离L实时预警的判断方法:
当辆车之间的距离S<纵向安全距离L时,系统将会发出预警,提醒司机注意行驶安全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588040.5A CN110444014A (zh) | 2019-07-01 | 2019-07-01 | 基于反向st-mrf车辆跟踪算法的防追尾预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588040.5A CN110444014A (zh) | 2019-07-01 | 2019-07-01 | 基于反向st-mrf车辆跟踪算法的防追尾预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110444014A true CN110444014A (zh) | 2019-11-12 |
Family
ID=68428978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910588040.5A Pending CN110444014A (zh) | 2019-07-01 | 2019-07-01 | 基于反向st-mrf车辆跟踪算法的防追尾预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110444014A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110884357A (zh) * | 2019-11-20 | 2020-03-17 | 台州学院 | 一种自动驾驶汽车的制动能量回收装置 |
CN110884356A (zh) * | 2019-11-20 | 2020-03-17 | 台州学院 | 一种自动驾驶车辆的能量回收装置 |
CN110920406A (zh) * | 2019-11-20 | 2020-03-27 | 台州学院 | 一种可进行能量回收的自动驾驶车辆 |
CN111429756A (zh) * | 2020-03-30 | 2020-07-17 | 淮阴工学院 | 一种基于视频技术的公路隧道防追尾预警方法 |
CN111767850A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 突发事件的监控方法、装置、电子设备和介质 |
CN111833598A (zh) * | 2020-05-14 | 2020-10-27 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
CN112363510A (zh) * | 2020-11-23 | 2021-02-12 | 西南交通大学 | 一种自动驾驶编组车自动对接方法 |
CN112489496A (zh) * | 2020-12-25 | 2021-03-12 | 深圳市爱培科技术股份有限公司 | 一种基于视频识别的车辆安全预警方法及装置 |
CN112706764A (zh) * | 2020-12-30 | 2021-04-27 | 潍柴动力股份有限公司 | 一种主动防碰撞预警方法、装置、设备和存储介质 |
CN113447948A (zh) * | 2021-05-28 | 2021-09-28 | 淮阴工学院 | 一种基于ros机器人的相机与多激光雷达融合方法 |
CN114613193A (zh) * | 2022-03-22 | 2022-06-10 | 重庆长安汽车股份有限公司 | 基于算力共享的停车位获取方法、存储介质、系统及车辆 |
CN114898540A (zh) * | 2022-04-02 | 2022-08-12 | 大连九州创智科技有限公司 | 一种基于几何部件模型的散料货场设备防碰撞预警方法 |
CN115171414A (zh) * | 2022-06-10 | 2022-10-11 | 哈尔滨工业大学重庆研究院 | 一种基于Frenet坐标系的CACC跟驰车流控制系统 |
CN117246321A (zh) * | 2023-09-14 | 2023-12-19 | 武汉科技大学 | 一种多场景下的前方危险目标检测方法及aeb控制策略 |
CN117864121A (zh) * | 2024-03-05 | 2024-04-12 | 深圳腾信百纳科技有限公司 | 一种距离动态监测方法、系统、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106448259A (zh) * | 2015-08-07 | 2017-02-22 | 腾讯科技(深圳)有限公司 | 一种车辆预警的方法、装置及系统 |
CN106482709A (zh) * | 2015-08-25 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 一种车距测量的方法、装置及系统 |
-
2019
- 2019-07-01 CN CN201910588040.5A patent/CN110444014A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106448259A (zh) * | 2015-08-07 | 2017-02-22 | 腾讯科技(深圳)有限公司 | 一种车辆预警的方法、装置及系统 |
CN106482709A (zh) * | 2015-08-25 | 2017-03-08 | 腾讯科技(深圳)有限公司 | 一种车距测量的方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
吴浩然: "基于驾驶意图与动态环境的车辆纵向碰撞预警研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》 * |
周君,程琳: "基于反向ST-MRF模型的车辆遮挡分割算法", 《公路交通科技》 * |
那田: "基于图像像素点的前方车辆距离检测研究", 《农业装备与车辆工程》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110884356B (zh) * | 2019-11-20 | 2021-06-08 | 台州学院 | 一种自动驾驶车辆的能量回收装置 |
CN110884356A (zh) * | 2019-11-20 | 2020-03-17 | 台州学院 | 一种自动驾驶车辆的能量回收装置 |
CN110920406A (zh) * | 2019-11-20 | 2020-03-27 | 台州学院 | 一种可进行能量回收的自动驾驶车辆 |
CN110884357A (zh) * | 2019-11-20 | 2020-03-17 | 台州学院 | 一种自动驾驶汽车的制动能量回收装置 |
CN110884357B (zh) * | 2019-11-20 | 2021-07-20 | 台州学院 | 一种自动驾驶汽车的制动能量回收装置 |
CN111429756A (zh) * | 2020-03-30 | 2020-07-17 | 淮阴工学院 | 一种基于视频技术的公路隧道防追尾预警方法 |
CN111429756B (zh) * | 2020-03-30 | 2022-02-11 | 淮阴工学院 | 一种基于视频技术的公路隧道防追尾预警方法 |
CN111833598A (zh) * | 2020-05-14 | 2020-10-27 | 山东科技大学 | 一种高速公路无人机交通事件自动监测方法及系统 |
CN111767850A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 突发事件的监控方法、装置、电子设备和介质 |
CN112363510A (zh) * | 2020-11-23 | 2021-02-12 | 西南交通大学 | 一种自动驾驶编组车自动对接方法 |
CN112489496A (zh) * | 2020-12-25 | 2021-03-12 | 深圳市爱培科技术股份有限公司 | 一种基于视频识别的车辆安全预警方法及装置 |
CN112706764A (zh) * | 2020-12-30 | 2021-04-27 | 潍柴动力股份有限公司 | 一种主动防碰撞预警方法、装置、设备和存储介质 |
CN113447948A (zh) * | 2021-05-28 | 2021-09-28 | 淮阴工学院 | 一种基于ros机器人的相机与多激光雷达融合方法 |
CN114613193A (zh) * | 2022-03-22 | 2022-06-10 | 重庆长安汽车股份有限公司 | 基于算力共享的停车位获取方法、存储介质、系统及车辆 |
CN114898540A (zh) * | 2022-04-02 | 2022-08-12 | 大连九州创智科技有限公司 | 一种基于几何部件模型的散料货场设备防碰撞预警方法 |
CN114898540B (zh) * | 2022-04-02 | 2024-01-09 | 大连九州创智科技有限公司 | 一种基于几何部件模型的散料货场设备防碰撞预警方法 |
CN115171414A (zh) * | 2022-06-10 | 2022-10-11 | 哈尔滨工业大学重庆研究院 | 一种基于Frenet坐标系的CACC跟驰车流控制系统 |
CN117246321A (zh) * | 2023-09-14 | 2023-12-19 | 武汉科技大学 | 一种多场景下的前方危险目标检测方法及aeb控制策略 |
CN117864121A (zh) * | 2024-03-05 | 2024-04-12 | 深圳腾信百纳科技有限公司 | 一种距离动态监测方法、系统、设备和存储介质 |
CN117864121B (zh) * | 2024-03-05 | 2024-05-14 | 深圳腾信百纳科技有限公司 | 一种距离动态监测方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110444014A (zh) | 基于反向st-mrf车辆跟踪算法的防追尾预警方法 | |
CN107031623B (zh) | 一种基于车载盲区相机的道路预警方法 | |
CN106240458B (zh) | 一种基于车载双目相机的车辆前方碰撞预警方法 | |
WO2021004077A1 (zh) | 一种检测车辆的盲区的方法及装置 | |
CN110745140B (zh) | 一种基于连续图像约束位姿估计的车辆换道预警方法 | |
CN111429756B (zh) | 一种基于视频技术的公路隧道防追尾预警方法 | |
CN106650708A (zh) | 一种自动驾驶障碍物视觉检测方法与系统 | |
CN202071799U (zh) | 智能化汽车安全警示装置 | |
CN110588623B (zh) | 一种基于神经网络的大型汽车安全驾驶方法及系统 | |
CN108674412A (zh) | 一种采用传感器融合的车辆主动避撞方法 | |
WO2019213983A1 (zh) | 行车风险辨识模型的标定方法和系统 | |
CN112365741B (zh) | 一种基于多车道车距检测的安全预警方法及系统 | |
CN110126824A (zh) | 一种集成双目摄像头和毫米波雷达的商用车aebs系统 | |
CN108528337B (zh) | 一种基于视频投影的内轮差智能预警系统及预警方法 | |
CN110045736A (zh) | 一种基于无人机的弯道障碍物避让方法及其系统 | |
EP3364336B1 (en) | A method and apparatus for estimating a range of a moving object | |
CN108961313B (zh) | 二维世界坐标系的俯视行人风险量化方法 | |
CN103692993A (zh) | 一种双目远红外智能辅助安全驾驶系统 | |
CN110189377A (zh) | 一种基于双目立体视觉的高精度测速方法 | |
CN111055852B (zh) | 一种用于自动驾驶的感兴趣目标搜索区域确定方法 | |
CN112298165A (zh) | 一种基于前向视觉的主动转向控制方法 | |
CN102840853A (zh) | 一种用于车载夜视系统的障碍物检测及报警方法 | |
CN111489560B (zh) | 基于浅层卷积神经网络探测前车起步检测方法及控制方法 | |
CN102314603B (zh) | 智能化汽车安全警示装置 | |
CN108256418A (zh) | 一种基于红外成像的行人预警方法及系统 |
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: 20191112 |
|
RJ01 | Rejection of invention patent application after publication |