CN111267845A - 一种卡车转弯风险预估规避方法及系统 - Google Patents

Abstract

本发明公开了一种卡车转弯风险预估规避方法及系统，包括利用判断模块判断车辆是否出现转弯操作；若所述车辆出现转弯操作，则探测模块采集后视镜上的所有信息并进行所述信息的识别和分析；利用获取模块建立碰撞概率网络模型，获取发生碰撞的概率，并将所述发生碰撞的概率利用传输模块传输至智能驾驶辅助系统；若所述发生碰撞的概率超过碰撞概率阈值，则利用控制模块控制所述车辆进行风险规避操作，解决了现有卡车在转弯过程中均取决于驾驶员对众多后视镜的观察，从而导致驾驶疲劳和对前方路况忽视而容易造成事故的问题，保障了公共安全和驾驶的平顺性。

Description

一种卡车转弯风险预估规避方法及系统

技术领域

本发明涉及车辆人工智能的技术领域，尤其涉及一种卡车转弯风险预估规避方法及系统。

背景技术

卡车，又称作载货汽车，一般称作货车，指主要用于运送货物的汽车，有时也指可以牵引其他车辆的汽车，属于商用车辆类别。一般可依照车的重量分为重型和轻型两种。绝大部分货车都以柴油引擎作为动力来源，但有部分轻型货车使用汽油、石油气或者天然气。

目前，卡车在工程建设和货物运输等方面均扮演着不可取代的作用，随着近年来车辆智能辅助驾驶的高速发展，运用在卡车上的前沿技术也越来越多。考虑到卡车作为大型运载车辆在人流密集区的转弯过程中由于驾驶员无法及时准确判断车身周围的具体情况从而很容易发生交通事故和人员的伤亡，虽然目前很多卡车山均配置有视场广镜，能够对车身周围环境起到一定的观测作用，但这一切均取决于驾驶员的仔细观察，长时间的驾驶很容易造成疲惫，并且同样会导致驾驶员视线集中在众多后视镜的瞬间无法对车身前方进行具体的观察，也会导致交通事故的发生，故此，在卡车上寻求一种能够自动辅助驾驶员转弯的安全方法具有重要意义。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有卡车转弯时存在的问题，提出了本发明。

因此，本发明解决的技术问题是：解决现有卡车在转弯过程中均取决于驾驶员对众多后视镜的观察，从而导致驾驶疲劳和对前方路况忽视而容易造成事故的问题。

为解决上述技术问题，本发明提供如下技术方案：一种卡车转弯风险预估规避方法，包括利用判断模块判断车辆是否出现转弯操作；若所述车辆出现转弯操作，则探测模块采集后视镜上的所有信息并进行所述信息的识别和分析；利用获取模块建立碰撞概率网络模型，获取发生碰撞的概率，并将所述发生碰撞的概率利用传输模块传输至智能驾驶辅助系统；若所述发生碰撞的概率超过碰撞概率阈值，则利用控制模块控制所述车辆进行风险规避操作。

作为本发明所述的卡车转弯风险预估规避方法的一种优选方案，其中：利用所述判断模块判断所述车辆是否出现转弯操作包括设定方向盘上一点作为参考点；实时观测所述参考点的转动角度；若所述参考点在同一方向上的连续转动角度超过转动角度阈值则所述判断模块定义所述车辆出现转弯操作。

作为本发明所述的卡车转弯风险预估规避方法的一种优选方案，其中：所述转动角度阈值为360°。

作为本发明所述的卡车转弯风险预估规避方法的一种优选方案，其中：所述探测模块对所述信息进行识别和分析包括识别出所述信息中的具体图像，并进行其他事物和人的区分；实时获取所述其他事物和人与车辆之间的相对位置关系；实时获取所述其他事物和人与车辆之间的相对速度关系；将获取的所述具体图像、所述相对位置关系和所述相对速度关系实时发送至所述获取模块以建立所述碰撞概率网络模型。

作为本发明所述的卡车转弯风险预估规避方法的一种优选方案，其中：建立的所述碰撞概率网络模型为，

X＝x-R*sin(s”)+R*sin(s”+Tx*dx)

Y＝y-R*cos(s”)+R*cos(s”+Tx*dx)

S’＝s”+Tx*dx

其中，R＝d/Tx，在笛卡尔坐标系下X表示下一时刻的X轴位置，Y表示下一时刻的Y轴位置，S’表示下一时刻相对速度关系，x表示上一时刻的X轴位置，y表示上一时刻的Y轴位置，s”表示上一时刻相对速度关系，R表示车辆相对位置关系，Tx表示摄像头中心距，t表示单位时间。

作为本发明所述的卡车转弯风险预估规避方法的一种优选方案，其中：通过以下公式在所述碰撞概率网络中获取所述发生碰撞的概率，

其中，δ表示发生碰撞的概率；S表示相对速度关系；L表示相对位置关系；d表示视觉传感器视差；f表示视觉传感器焦距；Z表示目标点到成像平面的距离。

作为本发明所述的卡车转弯风险预估规避方法的一种优选方案，其中：当所述探测模块识别出人时，所述碰撞概率阈值为(δ-3S)/π；当所述探测模块未识别出人时，所述碰撞概率阈值为(δ+3S)/π；其中，δ表示发生碰撞的概率；S表示相对速度关系。

作为本发明所述的卡车转弯风险预估规避方法的一种优选方案，其中：所述控制模块控制所述车辆进行风险规避操作包括声音预警和刹车的制动，

其中，通过以下公式实现刹车制动来规避风险，

其中，D’为车辆刹车踏板需踩下的安全距离；D为车辆以时速80km/h紧急制动刹停的距离；δ表示发生碰撞的概率；v表示车辆此时的实时速度；S表示相对速度关系；L表示相对位置关系；Z表示目标点到成像平面的距离。

为解决上述技术问题，本发明还提供如下技术方案：一种卡车转弯风险预估规避系统，包括判断模块，用于判断车辆是否出现转弯操作；探测模块，用于采集后视镜上的所有信息并进行所述信息的识别和分析；获取模块，接收所述探测模块识别和分析的数据，并根据所述数据建立碰撞概率网络模型，获取发生碰撞的概率，并将所述发生碰撞的概率传输至智能驾驶辅助系统；传输模块，传输所述探测模块识别和分析的数据，并传输所述获取模块获取的所述发生碰撞的概率；控制模块，用于控制所述车辆进行风险规避操作。

作为本发明所述的卡车转弯风险预估规避系统的一种优选方案，其中：所述探测模块包括采集单元，用于采集后视镜上的所有信息；识别单元，用于识别出所述信息中的具体图像；区分单元，用于进行所述图像中其他事物和人的区分；获取单元，用于根据特定比例尺分别获取所述其他事物和人与车辆之间的相对位置关系和相对速度关系。

本发明的有益效果：通过本发明提供的一种卡车转弯风险预估规避方法及系统，自动辅助驾驶员转弯，相对于现有技术解决了现有卡车在转弯过程中均取决于驾驶员对众多后视镜的观察，从而导致驾驶疲劳和对前方路况忽视而容易造成事故的问题，保障了公共安全和驾驶的平顺性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的卡车转弯风险预估规避方法的方法流程图；

图2为本发明提供的卡车转弯风险预估规避系统的模块图；

图3为本发明提供的卡车转弯风险预估规避方法中的双目测距原理图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

考虑到卡车作为大型运载车辆在人流密集区的转弯过程中由于驾驶员无法及时准确判断车身周围的具体情况从而很容易发生交通事故和人员的伤亡，虽然目前很多卡车山均配置有视场广镜，能够对车身周围环境起到一定的观测作用，但这一切均取决于驾驶员的仔细观察，长时间的驾驶很容易造成疲惫，并且同样会导致驾驶员视线集中在众多后视镜的瞬间无法对车身前方进行具体的观察，也会导致交通事故的发生。

故此，请参阅图1和图3，本发明提供一种卡车转弯风险预估规避方法：一种卡车转弯风险预估规避方法，包括：

利用判断模块100判断车辆是否出现转弯操作；

若车辆出现转弯操作，则探测模块200采集后视镜上的所有信息并进行信息的识别和分析；

利用获取模块300建立碰撞概率网络模型，获取发生碰撞的概率，并将发生碰撞的概率利用传输模块400传输至智能驾驶辅助系统；

若发生碰撞的概率超过碰撞概率阈值，则利用控制模块500控制车辆进行风险规避操作。

进一步的，利用判断模块100判断车辆是否出现转弯操作包括：

设定方向盘上一点作为参考点；

实时观测参考点的转动角度；

若参考点在同一方向上的连续转动角度超过转动角度阈值则判断模块100定义车辆出现转弯操作。

较佳的，转动角度阈值为360°。

需要说明的是：

①考虑到卡车在行驶过程中就算不转弯，方向盘也会出现正反方向的不断小角度调整，为了更精确的实现是否转弯的判断，将观测量设定为参考点一次性连续转动角度，当在短时间内(将时间量设定为2s)参考点在同一方向上的连续转动角度超过转动角度阈值则定义车辆出现转弯操作。此种观测方法排除了正常直线行驶过程中出现的小角度调整导致的系统误判现象；

②由于实际过程中，为了进一步防止推头现象的发生，卡车的方向盘灵敏度远低于普通的乘用车，一般卡车的方向盘连续转动一周所造成的路线偏离程度要略小于乘用车，根据实际情况下，可以将转动角度阈值设定为270°比较合理，但系统运用至卡车上时，由于卡车在直线驾驶的修正过程中参考点转动的角度也存在较大角度，通过下表1和表2中进行的实验对比可知将转动角度阈值设定为360°是最合适的；

③在车辆启动时，判断模块100通过摄像传感器实时定位预先设定在方向盘上的参考点，并将参考点的位置实时通过3D模型的展示方式呈现在判断模块100中的电子智能设备(IOS，Android，Windows，Web)中具体为：在智能设备上以车辆方向盘中心为中心点，搭建3D环境，以3D模型表示信息，根据测算出的参考点的位置变化，在3D环境中将其展示出来，并检测出参考点距离原先位置处的转动角度。例如：车辆方向盘坐标点为(0，0)，当前车辆车头朝向为正Y坐标0度方向，选用方向盘(设定盘向半径为1)在正Y坐标上的点为参考点，记为(0，1)，通过实时计算两个位置处的弧长从而计算出弧心角，即转动的角度。

表1：不同转动角度阈值设定下系统的判断成功率(一)

转动角度阈值(度)	90	180	270	360	450
						判断成功率(％)	76.41	72.90	85.96	91.14	82.07

表2：不同转动角度阈值设定下系统的判断成功率(二)

转动角度阈值(度)	270	300	330	360	390
						判断成功率(％)	85.96	88.72	86.53	91.14	84.41

由上表1和表2所示，将转动角度阈值设定为360°是最合适的，能够最大限度的实现对车辆是否出现转弯的判断。

进一步的，探测模块200对信息进行识别和分析包括：

识别出信息中的具体图像，并进行其他事物和人的区分；

实时获取其他事物和人与车辆之间的相对位置关系；

实时获取其他事物和人与车辆之间的相对速度关系；

将获取的具体图像、相对位置关系和相对速度关系实时发送至获取模块300以建立碰撞概率网络模型。

其中，探测模块200通过视觉传感器采集后视镜中的具体信息，并运用图像识别算法和人脸识别算法对后视镜中的具体信息进行识别，并进行其他事物和人的区分。

需要说明的是：

①图像识别算法通过视觉传感器首先对后视镜中的图像进行截图，并在算法库中进行分析，具体为：

driver.get_screenshot_as_png()

driver.save_screenshot('file_path')

import pytesseract

from PIL import Image

image＝Image.open('截图.png')

code＝pytesseract.image_to_string(image)

print(code)。

②人脸识别算法：

可选用，现有技术中人脸识别经典算法之一的特征脸方法：获取包含M张人脸图像的集合S；在获取到人脸向量集合S后，计算得到平均图像Ψ；计算每张图像和平均图像的差值Φ；找到M个正交的单位向量un；识别人脸。

本发明对人脸识别算法优选的：首先进行图像的预处理，即将采集到的不同大小的图像裁剪成320*360大小；运用MATLAB图像处理工具中的rgb2gray函数将RGB图像转换成灰度图像，实现程序为：

％读取图像

I＝imread(‘2_2.bmp’)；

％将RGB图像转换为灰度图像

j＝rgb2gray(I)；

figure,imshow(I),figure,imshow(j)

而后运用Sobel算子进行边缘检测后统计像素点位置，具体实现程序如下：

％人脸特征向量提取

％人数

M＝20；

％人脸朝向类别数

N＝5；

％特征向量提取

pixel_value＝feature_extraction(M，N)；

其中，feature_extraction为人脸特征向量提取子函数。提取出的像素点个数用一个100×8的矩阵表示出来，作为LVQ神经网络的输入层。

在运用图像识别算法和人脸识别算法对后视镜中的具体信息进行识别后，探测模块200构建虚拟资源池，将识别后的信息存储至虚拟资源池中。其中，虚拟安全资源池的构建运用了安全虚拟化技术。虚拟化技术是实现基于多租户业务隔离的关键步骤。和传统厂商的虚拟化实现方式不同，安全虚拟化是一种基于容器的完全虚拟化技术。每个安全引擎通过唯一的OS内核对系统硬件资源进行管理，每个虚拟防火墙作为一个容器实例运行在同一个内核之上，虚拟防火墙之间相互独立，每个虚拟防火墙都具备精细化的资源限制能力。在通过分布式安全机框来建设高性能安全资源池时，安全资源完全可以统一调度和分配，管理员可以选择框内多安全模块或者是跨框的安全模块形成一个逻辑引擎组，同时在引擎组内可以定义安全模块之间的备份关系，另外通过在机框I/O入口的策略引流机制，可以实现将不同业务流量引入到不同的安全资源备份组，形成框内流量备份或者框间流量可靠性备份。

③在进行图像识别和人脸识别后，实时获取其他事物和人与车辆之间的相对位置关系和相对速度关系。

对事物与车辆之间的相对位置关系进行测量结合了双目传感器，利用双目传感器进行测距，如图3所示，利用目标点在左右两幅视图上成像的横向坐标直接存在的差异(即视差d)与目标点到成像平面的距离Z存在着反比例关系。利用矩阵：

获得焦距f、视差d、摄像头中心距Tx，得到目标点的三维坐标。

在获得相对位置关系后，通过给定的单位时间t(例如0.5s)内测量出相对位置的移动L，通过S＝L/t计算出相对速度关系。

进一步的，将获取的具体图像、相对位置关系和相对速度关系实时发送至获取模块300以建立碰撞概率网络模型，作车辆相对位置关系为R＝d/Tx，当Tx不为0时，建立的碰撞概率网络模型为：

X＝x-R*sin(s”)+R*sin(s”+Tx*dx)

Y＝y-R*cos(s”)+R*cos(s”+Tx*dx)

S’＝s”+Tx*dx

其中，在笛卡尔坐标系下X表示下一时刻的X轴位置，Y表示下一时刻的Y轴位置，S’表示下一时刻相对速度关系，x表示上一时刻的X轴位置，y表示上一时刻的Y轴位置，s”表示上一时刻相对速度关系，R表示车辆相对位置关系，Tx表示摄像头中心距，t表示单位时间。

更进一步的，通过以下公式在碰撞概率网络中获取发生碰撞的概率：

其中，δ表示发生碰撞的概率；S表示相对速度关系；L表示相对位置关系；d表示视觉传感器视差；f表示视觉传感器焦距；Z表示目标点到成像平面的距离。

不难理解的，当卡车在转弯时，要是边上检测出人的存在，由于相对于只检测出车辆和障碍物时更易发生重大的交通事故，则应该改变碰撞概率阈值，本发明设定两套碰撞概率阈值以提高本发明的实际考虑：

当探测模块200识别出人时，碰撞概率阈值为(δ-3S)/π；

当探测模块200未识别出人时，碰撞概率阈值为(δ+3S)/π；

其中，δ表示发生碰撞的概率；S表示相对速度关系。

能够理解的是，当探测模块200识别出人时，通过降低碰撞概率阈值来提高系统的灵敏度，提高危险等级，根据实际情况作出了最优的判断。

优选的，控制模块500控制车辆进行风险规避操作包括声音预警和刹车的制动。

其中，通过以下公式实现刹车制动来规避风险：

其中，D’为车辆刹车踏板需踩下的安全距离；D为车辆以时速80km/h紧急制动刹停的距离；δ表示发生碰撞的概率；v表示车辆此时的实时速度；S表示相对速度关系；L表示相对位置关系；Z表示目标点到成像平面的距离。

当发生碰撞的概率达到碰撞概率阈值时，车辆通过刹车制动和报警两种方式同时来提高车辆行驶时的安全性和平顺性。

为了验证本发明的有效性，基于ROS平台，建立模型并运行本发明。

在同一模拟场景中，采用驾驶人员在连续驾驶一定时间后，采用本发明和现有技术在进行100次过弯模拟发生危险的概率，对比结果如下表3：

表3：发生危险的概率对比表

有上表3可以明显看出，采用本发明由于是系统辅助驾驶，在连续100次的过弯模拟操作中可以实现很低的发生危险的概率，而现有中由于过弯的安全性完全取决于驾驶人员的观察，而考虑到卡车驾驶员为了能够多获取经济效益，长时间驾驶呈现常态，驾驶疲劳产生已经是经常性的事件，在这种状态下由于观察的不仔细和驾驶疲劳，在模拟平台上连续过弯100次发生危险的概率呈现持续上升的态势，甚至在连续驾驶13h后发生危险的概率达到了65％，对比体现出本发明在卡车过弯的辅助上具有显著的辅助效果，保障了驾驶的安全性和平顺性。

实施例2

请参阅图2，为本发明提供的卡车转弯风险预估规避系统的第一个实施例：一种卡车转弯风险预估规避系统，包括：

判断模块100，用于判断车辆是否出现转弯操作；

探测模块200，用于采集后视镜上的所有信息并进行信息的识别和分析；

获取模块300，接收探测模块200识别和分析的数据，并根据数据建立碰撞概率网络模型，获取发生碰撞的概率，并将发生碰撞的概率传输至智能驾驶辅助系统；

传输模块400，传输探测模块200识别和分析的数据，并传输获取模块300获取的发生碰撞的概率；

控制模块500，用于控制车辆进行风险规避操作。

进一步的，探测模块200包括：

采集单元，用于采集后视镜上的所有信息；

识别单元，用于识别出信息中的具体图像；

区分单元，用于进行图像中其他事物和人的区分；

获取单元，用于根据特定比例尺分别获取其他事物和人与车辆之间的相对位置关系和相对速度关系。

较佳的，

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种卡车转弯风险预估规避方法，其特征在于：包括，

利用判断模块(100)判断车辆是否出现转弯操作；

若所述车辆出现转弯操作，则探测模块(200)采集后视镜上的所有信息并进行所述信息的识别和分析；

利用获取模块(300)建立碰撞概率网络模型，获取发生碰撞的概率，并将所述发生碰撞的概率利用传输模块(400)传输至智能驾驶辅助系统；

若所述发生碰撞的概率超过碰撞概率阈值，则利用控制模块(500)控制所述车辆进行风险规避操作。

2.根据权利要求1所述的卡车转弯风险预估规避方法，其特征在于：利用所述判断模块(100)判断所述车辆是否出现转弯操作包括，

设定方向盘上一点作为参考点；

实时观测所述参考点的转动角度；

若所述参考点在同一方向上的连续转动角度超过转动角度阈值则所述判断模块(100)定义所述车辆出现转弯操作。

3.根据权利要求2所述的卡车转弯风险预估规避方法，其特征在于：所述转动角度阈值为360°。

4.根据权利要求2或3所述的卡车转弯风险预估规避方法，其特征在于：所述探测模块(200)对所述信息进行识别和分析包括，

识别出所述信息中的具体图像，并进行其他事物和人的区分；

实时获取所述其他事物和人与车辆之间的相对位置关系；

实时获取所述其他事物和人与车辆之间的相对速度关系；

将获取的所述具体图像、所述相对位置关系和所述相对速度关系实时发送至所述获取模块(300)以建立所述碰撞概率网络模型。

5.根据权利要求4所述的卡车转弯风险预估规避方法，其特征在于：建立的所述碰撞概率网络模型为，

X＝x-R*sin(s”)+R*sin(s”+Tx*dx)

Y＝y-R*cos(s”)+R*cos(s”+Tx*dx)

S’＝s”+Tx*dx

其中，R＝d/Tx，在笛卡尔坐标系下X表示下一时刻的X轴位置，Y表示下一时刻的Y轴位置，S’表示下一时刻相对速度关系，x表示上一时刻的X轴位置，y表示上一时刻的Y轴位置，s”表示上一时刻相对速度关系，R表示车辆相对位置关系，Tx表示摄像头中心距，t表示单位时间。

6.根据权利要求5所述的卡车转弯风险预估规避方法，其特征在于：通过以下公式在所述碰撞概率网络中获取所述发生碰撞的概率，

其中，δ表示发生碰撞的概率；S表示相对速度关系；L表示相对位置关系；d表示视觉传感器视差；f表示视觉传感器焦距；Z表示目标点到成像平面的距离。

7.根据权利要求1所述的卡车转弯风险预估规避方法，其特征在于：

当所述探测模块(200)识别出人时，所述碰撞概率阈值为(δ-3S)/π；

当所述探测模块(200)未识别出人时，所述碰撞概率阈值为(δ+3S)/π；

其中，δ表示发生碰撞的概率；S表示相对速度关系。

8.根据权利要求1所述的卡车转弯风险预估规避方法，其特征在于：所述控制模块(500)控制所述车辆进行风险规避操作包括声音预警和刹车的制动，

其中，通过以下公式实现刹车制动来规避风险，

其中，D’为车辆刹车踏板需踩下的安全距离；D为车辆以时速80km/h紧急制动刹停的距离；δ表示发生碰撞的概率；v表示车辆此时的实时速度；S表示相对速度关系；L表示相对位置关系；Z表示目标点到成像平面的距离。

9.一种卡车转弯风险预估规避系统，其特征在于：包括，

判断模块(100)，用于判断车辆是否出现转弯操作；

探测模块(200)，用于采集后视镜上的所有信息并进行所述信息的识别和分析；

获取模块(300)，接收所述探测模块(200)识别和分析的数据，并根据所述数据建立碰撞概率网络模型，获取发生碰撞的概率，并将所述发生碰撞的概率传输至智能驾驶辅助系统；

传输模块(400)，传输所述探测模块(200)识别和分析的数据，并传输所述获取模块(300)获取的所述发生碰撞的概率；

控制模块(500)，用于控制所述车辆进行风险规避操作。

10.根据权利要求9所述的卡车转弯风险预估规避系统，其特征在于：所述探测模块(200)包括，

采集单元，用于采集后视镜上的所有信息；

识别单元，用于识别出所述信息中的具体图像；

区分单元，用于进行所述图像中其他事物和人的区分；

获取单元，用于根据特定比例尺分别获取所述其他事物和人与车辆之间的相对位置关系和相对速度关系。

Images