CN111845736A - 一种由分心监测触发的车辆碰撞预警系统及控制方法 - Google Patents
一种由分心监测触发的车辆碰撞预警系统及控制方法 Download PDFInfo
- Publication number
- CN111845736A CN111845736A CN202010549463.9A CN202010549463A CN111845736A CN 111845736 A CN111845736 A CN 111845736A CN 202010549463 A CN202010549463 A CN 202010549463A CN 111845736 A CN111845736 A CN 111845736A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- module
- braking
- video image
- collision
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000001960 triggered effect Effects 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000013500 data storage Methods 0.000 claims description 17
- 230000010365 information processing Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 3
- NTSBMKIZRSBFTA-AIDOXSFESA-N Digoxigenin bisdigitoxoside Chemical compound C1[C@H](O)[C@H](O)[C@@H](C)O[C@H]1O[C@@H]1[C@@H](C)O[C@@H](O[C@@H]2C[C@@H]3[C@]([C@@H]4[C@H]([C@]5(CC[C@@H]([C@@]5(C)[C@H](O)C4)C=4COC(=O)C=4)O)CC3)(C)CC2)C[C@@H]1O NTSBMKIZRSBFTA-AIDOXSFESA-N 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000004886 head movement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W2040/0818—Inactivity or incapacity of driver
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种由分心监测触发的车辆碰撞预警系统及控制方法,包括车辆运行信息探测单元、数据处理单元、控制执行单元和注意力信号监测单元;注意力信号监测单元和车辆运行信息探测单元将测得的数据传输到数据处理单元,数据处理单元发出指令给控制执行单元,控制执行单元执行报警和制动;所述注意力信号监测单元对驾驶员身体进行实时录像监测并将信息传输给数据处理单元。本发明通过对驾驶状态进行实时监测,提前对行车安全性进行主动预警,能够避免驾驶辅助功能的误判造成的负面影响,并通过采集车辆运行数据进行碰撞风险计算,进行二次预警或紧急制动,能够进一步提高碰撞预警的准确性,保证驾驶安全,降低交通事故率。
Description
技术领域
本发明涉及车辆预警系统及控制方法,特别涉及一种由分心监测触发的车辆碰撞预警系统及控制方法,属于汽车控制领域。
背景技术
驾驶分心对交通安全有恶劣影响。根据国际标准化组织(ISO)的定义,驾驶分心是指注意力指向与正常驾驶不相关的活动,从而导致驾驶操作能力下降的一种现象。因驾驶人视线偏离或分心产生的注意力不集中是引发交通事故的常见且重要原因,这一诱因在车辆追尾事故中表现尤为显著。尽管随着当前智能汽车驾驶辅助系统的发展,能够对车辆碰撞进行预警,但当前的防碰撞预警系统都是基于车辆的运行信息进行分析和预警,没有从驾驶员的角度出发进行更进一步的主动预警。现有的碰撞预警系统是被动的进行碰撞预警,在真正发生碰撞风险时会产生明显的顿挫感,影响车辆的操纵舒适性,甚至还会由于碰撞危机发生得太过突然导致碰撞无法避免,造成车辆的碰撞损失甚至危及人身安全。
发明内容
发明目的:针对现有技术中存在不足,本发明提供了一种由分心监测触发的车辆碰撞预警系统及控制方法,结合驾驶员的驾驶状态提高车辆碰撞预警的准确性。
技术方案:一种由分心监测触发的车辆碰撞预警系统,包括车辆运行信息探测单元、数据处理单元、控制执行单元;车辆运行信息探测单元将测得的数据传输到数据处理单元,数据处理单元发出指令给控制执行单元,控制执行单元根据指令做出碰撞预警或执行紧急制动;所述数据处理单元还连接有注意力信号监测单元,所述注意力信号监测单元包括高清摄像头;所述数据处理单元包括视频图像数据存储模块、视频图像处理模块和分心状态识别模块,所述高清摄像头对驾驶员身体进行实时录像监测并将视频图像信息传输给图像数据存储模块和视频图像处理模块;视频图像处理模块对实时输入的视频图像和由视频图像存储模块输入的历史视频图像数据进行特征提取并传输给分心状态识别模块;分心状态识别模块将识别结果传输到信息处理模块并触发车辆运行信息探测单元进行工作。本发明通过注意力信号监测单元对驾驶人员的驾驶状态进行实时监测,提前对行车安全性进行预警,能够在一定程度上避免正常行驶时驾驶辅助功能的误判造成的负面影响。
优选项,为了进一步提高碰撞预警的准确性,保证驾驶安全,所述车辆运行信息探测单元包括前毫米波雷达、后毫米波雷达、前激光雷达、后激光雷达、速度传感器;所述数据处理单元包括碰撞风险计算模块、制动判断模块、信息处理模块;所述控制执行单元包括报警装置和制动控制模块;
前毫米波雷达与前激光雷达测得自车与行驶方向前方最近目标之间的相对距离和前方目标的速度,后毫米波雷达与后激光雷达测得自车与行驶方向后方最近目标之间的相对距离和后方目标的速度,速度传感器测得本车的行驶速度,传输到碰撞风险计算模块;碰撞风险计算模块计算碰撞时间传输到制动判断模块;制动判断模块将判断结果传输到信息处理模块;信息处理模块分别与报警装置和制动控制模块连接,制动控制模块根据指令对车辆进行制动控制。
一种由分心监测触发的车辆碰撞预警控制方法,包括以下步骤:
步骤一、高清摄像头对驾驶员的头部和身体异常行为进行实时录像监测,将数据图像发到至图像数据存储模块和视频图像处理模块;
所述头部图像数据包括头部运动、面部表情、眼部运动等;所述身体异常行为包括操作设备、拿东西等手部离开方向盘等动作;所述实时录像监测是以60帧/s的频率对视频进行截图,并将截图数据发送至图像数据存储模块和视频图像处理模块;
步骤二、视频图像处理模块通过HOG特征提取算法对图像特征进行提取,构建图像特征向量;方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。
步骤三、分心状态识别模块采用SVM支持向量机对储存在图像数据存储模块的视频图像历史数据和传输到视频图像处理模块的视频图像实时数据的特征向量进行训练和分类,对驾驶分心状态进行实时识别;
SVM(Support Vector Machine)指的是支持向量机,是常见的一种判别方法;在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。
步骤四、将驾驶分心状态识别结果传输到信息处理模块,若当前状态为驾驶分心则执行步骤九,对碰撞风险进行预警,并触发步骤五及步骤六,车辆信息探测单元和碰撞风险计算模块进行工作,否则返回步骤一;
步骤五、前毫米波雷达和前激光雷达测量自车与行驶方向前方最近目标之间的相对距离Db及目标的速度Vb,后毫米波雷达和后激光雷达测量自车与行驶方向后方最近目标之间的相对距离Dr及目标的速度Vr,速度传感器测得自车当前的运行速度V,并将上述数据发送至碰撞风险计算模块;
步骤六、碰撞风险计算模块计算出最短制动时间Tst、安全制动时间Tsb、自车制动距离Dd1、后方目标运行距离Dd2,并上述计算数据发送至制动判断模块;
步骤七、制动判断模块将最短制动时间Tst与最短安全制动时间Tsb进行比较,若Tst>Tsb,则执行步骤八,否则执行步骤五及步骤九;
步骤八、制动判断模块将后方目标运行距离Dd2与自车制动距离Dd1之差和后方目标距离Dr进行比较,若Dd2-Dd1<Dr,则执行步骤十,否则执行步骤十一;
步骤九、报警装置提醒驾驶人有碰撞风险,注意道路安全;
步骤十、制动控制模块进行制动控制,可对车辆紧急制动;
步骤十一、制动控制模块进行制动控制,对车辆进行自适应减速。
本发明通过高清摄像头对驾驶员驾驶状态进行实时监测,并结合车辆当时的运行状态和周边的环境进行主动预警,提高了碰撞预警的准确性。
优选项,为了提高对采集数据分析的准确性,所述的HOG特征提取方法如下:
1)图像灰度化;
2)采用Gamma矫正法对输入视频图像进行颜色空间的归一化;
3)计算图像的每个像素的梯度;
4)将图像划分成若干小单元格;
5)构建每个小单元格的梯度直方图进行规定权重的投影;
6)将小单元格组合成大的块区,块区内归一化梯度直方图;
7)将所有块区内的直方图向量组合成一个大的HOG特征向量,用于图像的分类。
优选项,为了进一步提高对采集数据分析的准确性,所述的Gamma矫正法公式为:
I(x,y)=I(x,y)gamma
式中:I为图像;(x,y)为像素点坐标。
优选项,为了进一步提高对采集数据分析的准确性,所述的梯度公式为:
Gx(x,y)=H(x+1,y)-H(x-1,y)
Gy(x,y)=H(x,y+1)-H(x,y-1)
式中:Gx(x,y),Gy(x,y),H(x,y)为输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值;G(x,y),α(x,y)为像素点(x,y)处的梯度幅度和梯度方向。
优选项,为了提高对采集数据分析的准确性,所述的SVM支持向量机计算方法为:
1)特征向量数据归一化;
2)使用SVM训练函数模型对储存在视频图像数据存储模块中的历史数据特征向量进行训练和测试,建立分类模型;
3)使用训练好的分类模型对传输到视频图像数据处理模块的实时图像进行分类,判断是否处于驾驶分心状态。
优选项,为了提高碰撞风险计算模块的计算准确性,所述的最短制动时间Tst计算如下:
式中:V为自车速度,单位m/s;amax为自车最大制动减速度,单位m/s2;
所述的安全制动时间Tsb计算如下:
式中:V为自车速度,单位m/s;amax为自车最大制动减速度,单位m/s2;Vb为前方目标速度,单位m/s;Db为自车与前方目标距离,单位m。
优选项,为了进一步降低碰撞风险,所述的自车制动距离Dd1计算如下:
式中:V为自车速度,单位m/s;amax为自车最大制动减速度,单位m/s2;Tst为最短制动时间,单位s。
优选项,为了进一步降低碰撞风险,所述的后方目标运行距离Dd2计算如下:
Dd2=VrTst
式中:Vr为后方目标的速度,单位m/s;Tst为最短制动时间,单位s。
有益效果:本发明通过视频图像识别和SVM算法对驾驶状态进行实时监测,提前对行车安全性进行预警,能够在一定程度上避免正常行驶时驾驶辅助功能的误判造成的负面影响,并通过采集车辆运行数据进行碰撞风险计算,进行二次预警或紧急制动,能够进一步提高碰撞预警的准确性,保证驾驶安全,降低交通事故率。
附图说明
图1为本发明控制原理图;
图2为本发明的控制流程图;
图3为本发明的数据采集与计算示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,一种由分心监测触发的车辆碰撞预警系统,包括注意力信号监测单元、车辆运行信息探测单元、数据处理单元、控制执行单元;注意力信号监测单元和车辆运行信息探测单元将测得的数据传输到数据处理单元,数据处理单元发出指令给控制执行单元,控制执行单元根据指令做出碰撞预警或执行紧急制动;注意力信号监测单元为高清摄像头;车辆运行信息探测单元包括前毫米波雷达、后毫米波雷达、前激光雷达、后激光雷达、速度传感器;数据处理单元包括视频图像数据存储模块、视频图像处理模块、分心状态识别模块、碰撞风险计算模块、制动判断模块、信息处理模块;所述控制执行单元包括报警装置和制动控制模块;
所述高清摄像头对驾驶员身体进行实时录像监测并将视频图像信息传输给图像数据存储模块和视频图像处理模块;视频图像处理模块对实时输入的视频图像和由视频图像存储模块输入的历史视频图像数据进行特征提取并传输给分心状态识别模块;分心状态识别模块将识别结果传输到信息处理模块并触发车辆运行信息探测单元进行工作;前毫米波雷达与前激光雷达测得自车与行驶方向前方最近目标之间的相对距离和前方目标的速度,后毫米波雷达与后激光雷达测得自车与行驶方向后方最近目标之间的相对距离和后方目标的速度,速度传感器测得本车的行驶速度,传输到碰撞风险计算模块;碰撞风险计算模块计算碰撞时间传输到制动判断模块;制动判断模块将判断结果传输到信息处理模块;信息处理模块分别与报警装置和制动控制模块连接,制动控制模块根据指令对车辆进行制动控制。
如图2和3所示,一种由分心监测触发的车辆碰撞预警控制方法,包括以下步骤:
步骤一、高清摄像头对驾驶员的头部和身体异常行为进行实时录像监测,将数据图像发到至图像数据存储模块和视频图像处理模块;
所述头部图像数据包括头部运动、面部表情、眼部运动等;所述身体异常行为包括操作设备、拿东西等手部离开方向盘等动作;所述实时录像监测是以60帧/s的频率对视频进行截图,并将截图数据发送至图像数据存储模块和视频图像处理模块;
步骤二、视频图像处理模块通过HOG特征提取算法对图像特征进行提取,构建图像特征向量;方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。
为了提高对采集数据分析的准确性,所述的HOG特征提取方法如下:
1)图像灰度化;
2)采用Gamma矫正法对输入视频图像进行颜色空间的归一化;
3)计算图像的每个像素的梯度;
4)将图像划分成若干小单元格;
5)构建每个小单元格的梯度直方图进行规定权重的投影;
6)将小单元格组合成大的块区,块区内归一化梯度直方图;
7)将所有块区内的直方图向量组合成一个大的HOG特征向量,用于图像的分类。
为了进一步提高对采集数据分析的准确性,所述的Gamma矫正法公式为:
I(x,y)=I(x,y)gamma
式中:I为图像;(x,y)为像素点坐标。
为了进一步提高对采集数据分析的准确性,所述的梯度公式为:
Gx(x,y)=H(x+1,y)-H(x-1,y)
Gy(x,y)=H(x,y+1)-H(x,y-1)
式中:Gx(x,y),Gy(x,y),H(x,y)为输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值;G(x,y),α(x,y)为像素点(x,y)处的梯度幅度和梯度方向。
步骤三、分心状态识别模块采用SVM支持向量机对储存在图像数据存储模块的视频图像历史数据和传输到视频图像处理模块的视频图像实时数据的特征向量进行训练和分类,对驾驶分心状态进行实时识别;
SVM(Support Vector Machine)指的是支持向量机,是常见的一种判别方法;在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。
为了提高对采集数据分析的准确性,所述的SVM支持向量机计算方法为:
1)特征向量数据归一化;
2)使用SVM训练函数模型对储存在视频图像数据存储模块中的历史数据特征向量进行训练和测试,建立分类模型;
3)使用训练好的分类模型对传输到视频图像数据处理模块的实时图像进行分类,判断是否处于驾驶分心状态。
步骤四、将驾驶分心状态识别结果传输到信息处理模块,若当前状态为驾驶分心则执行步骤九,对碰撞风险进行预警,并触发步骤五及步骤六,车辆信息探测单元和碰撞风险计算模块进行工作,否则返回步骤一;
步骤五、前毫米波雷达和前激光雷达测量自车与行驶方向前方最近目标之间的相对距离Db及目标的速度Vb,后毫米波雷达和后激光雷达测量自车与行驶方向后方最近目标之间的相对距离Dr及目标的速度Vr,速度传感器测得自车当前的运行速度V,并将上述数据发送至碰撞风险计算模块;
步骤六、碰撞风险计算模块计算出最短制动时间Tst、安全制动时间Tsb、自车制动距离Dd1、后方目标运行距离Dd2,并上述计算数据发送至制动判断模块;
为了提高碰撞风险计算模块的计算准确性,所述的最短制动时间Tst计算如下:
式中:V为自车速度,单位m/s;amax为自车最大制动减速度,单位m/s2;
所述的安全制动时间Tsb计算如下:
式中:V为自车速度,单位m/s;amax为自车最大制动减速度,单位m/s2;Vb为前方目标速度,单位m/s;Db为自车与前方目标距离,单位m。
步骤七、制动判断模块将最短制动时间Tst与最短安全制动时间Tsb进行比较,若Tst>Tsb,则执行步骤八,否则执行步骤五及步骤九;
步骤八、制动判断模块将后方目标运行距离Dd2与自车制动距离Dd1之差和后方目标距离Dr进行比较,若Dd2-Dd1<Dr,则执行步骤十,否则执行步骤十一;
为了进一步降低碰撞风险,所述的自车制动距离Dd1计算如下:
式中:V为自车速度,单位m/s;amax为自车最大制动减速度,单位m/s2;Tst为最短制动时间,单位s。
优选项,为了进一步降低碰撞风险,所述的后方目标运行距离Dd2计算如下:
Dd2=VrTst
式中:Vr为后方目标的速度,单位m/s;Tst为最短制动时间,单位s。
步骤九、报警装置提醒驾驶人有碰撞风险,注意道路安全;
步骤十、制动控制模块进行制动控制,可对车辆紧急制动;
步骤十一、制动控制模块进行制动控制,对车辆进行自适应减速。
本发明通过高清摄像头对驾驶员驾驶状态进行实时监测,并结合车辆当时的运行状态和周边的环境进行主动预警,提高了碰撞预警的准确性。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (10)
1.一种由分心监测触发的车辆碰撞预警系统,包括车辆运行信息探测单元、数据处理单元、控制执行单元;车辆运行信息探测单元将测得的数据传输到数据处理单元,数据处理单元发出指令给控制执行单元,控制执行单元根据指令做出碰撞预警或执行紧急制动;其特征在于:所述数据处理单元还连接有注意力信号监测单元,所述注意力信号监测单元包括高清摄像头;所述数据处理单元包括视频图像数据存储模块、视频图像处理模块和分心状态识别模块,所述高清摄像头对驾驶员身体进行实时录像监测并将视频图像信息传输给图像数据存储模块和视频图像处理模块;视频图像处理模块对实时输入的视频图像和由视频图像存储模块输入的历史视频图像数据进行特征提取并传输给分心状态识别模块;分心状态识别模块将识别结果传输到信息处理模块并触发车辆运行信息探测单元进行工作。
2.根据权利要求1所述的由分心监测触发的车辆碰撞预警系统,其特征在于:所述车辆运行信息探测单元包括前毫米波雷达、后毫米波雷达、前激光雷达、后激光雷达、速度传感器;所述数据处理单元包括碰撞风险计算模块、制动判断模块、信息处理模块;所述控制执行单元包括报警装置和制动控制模块;
前毫米波雷达与前激光雷达测得自车与行驶方向前方最近目标之间的相对距离和前方目标的速度,后毫米波雷达与后激光雷达测得自车与行驶方向后方最近目标之间的相对距离和后方目标的速度,速度传感器测得本车的行驶速度,传输到碰撞风险计算模块;碰撞风险计算模块计算碰撞时间传输到制动判断模块;制动判断模块将判断结果传输到信息处理模块;信息处理模块分别与报警装置和制动控制模块连接,制动控制模块根据指令对车辆进行制动控制。
3.根据权利要求2所述的由分心监测触发的车辆碰撞预警控制方法,其特征在于,包括以下步骤:
步骤一、高清摄像头对驾驶员的头部和身体异常行为进行实时录像监测,将数据图像发到至图像数据存储模块和视频图像处理模块;
步骤二、视频图像处理模块通过HOG特征提取算法对图像特征进行提取,构建图像特征向量;
步骤三、分心状态识别模块采用SVM支持向量机对储存在图像数据存储模块的视频图像历史数据和传输到视频图像处理模块的视频图像实时数据的特征向量进行训练和分类,对驾驶分心状态进行实时识别;
步骤四、将驾驶分心状态识别结果传输到信息处理模块,若当前状态为驾驶分心则执行步骤九,对碰撞风险进行预警,并触发步骤五及步骤六,车辆信息探测单元和碰撞风险计算模块进行工作,否则返回步骤一;
步骤五、前毫米波雷达和前激光雷达测量自车与行驶方向前方最近目标之间的相对距离Db及目标的速度Vb,后毫米波雷达和后激光雷达测量自车与行驶方向后方最近目标之间的相对距离Dr及目标的速度Vr,速度传感器测得自车当前的运行速度V,并将上述数据发送至碰撞风险计算模块;
步骤六、碰撞风险计算模块计算出最短制动时间Tst、安全制动时间Tsb、自车制动距离Dd1、后方目标运行距离Dd2,并上述计算数据发送至制动判断模块;
步骤七、制动判断模块将最短制动时间Tst与最短安全制动时间Tsb进行比较,若Tst>Tsb,则执行步骤八,否则执行步骤五及步骤九;
步骤八、制动判断模块将后方目标运行距离Dd2与自车制动距离Dd1之差和后方目标距离Dr进行比较,若Dd2-Dd1<Dr,则执行步骤十,否则执行步骤十一;
步骤九、报警装置提醒驾驶人有碰撞风险,注意道路安全;
步骤十、制动控制模块进行制动控制,可对车辆紧急制动;
步骤十一、制动控制模块进行制动控制,对车辆进行自适应减速。
4.根据权利要求3所述的由分心监测触发的车辆碰撞预警控制方法,其特征在于,所述的HOG特征提取方法如下:
1)图像灰度化;
2)采用Gamma矫正法对输入视频图像进行颜色空间的归一化;
3)计算图像的每个像素的梯度;
4)将图像划分成若干小单元格;
5)构建每个小单元格的梯度直方图进行规定权重的投影;
6)将小单元格组合成大的块区,块区内归一化梯度直方图;
7)将所有块区内的直方图向量组合成一个大的HOG特征向量,用于图像的分类。
5.根据权利要求4所述的由分心监测触发的车辆碰撞预警控制方法,其特征在于,所述的Gamma矫正法公式为:
I(x,y)=I(x,y)gamma
式中:,为图像;(x,y)为像素点坐标。
7.根据权利要求3所述的由分心监测触发的车辆碰撞预警控制方法,其特征在于,所述的SVM支持向量机计算方法为:
1)特征向量数据归一化;
2)使用SVM训练函数模型对储存在视频图像数据存储模块中的历史数据特征向量进行训练和测试,建立分类模型;
3)使用训练好的分类模型对传输到视频图像数据处理模块的实时图像进行分类,判断是否处于驾驶分心状态。
10.根据权利要求3所述的由分心监测触发的车辆碰撞预警控制方法,其特征在于,所述的后方目标运行距离Dd2计算如下:
Dd2=VrTst
式中:Vr为后方目标的速度,单位m/s;Tst为最短制动时间,单位s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549463.9A CN111845736A (zh) | 2020-06-16 | 2020-06-16 | 一种由分心监测触发的车辆碰撞预警系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549463.9A CN111845736A (zh) | 2020-06-16 | 2020-06-16 | 一种由分心监测触发的车辆碰撞预警系统及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111845736A true CN111845736A (zh) | 2020-10-30 |
Family
ID=72986728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010549463.9A Pending CN111845736A (zh) | 2020-06-16 | 2020-06-16 | 一种由分心监测触发的车辆碰撞预警系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111845736A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396096A (zh) * | 2020-11-07 | 2021-02-23 | 山东派蒙机电技术有限公司 | 基于svm的行车风险辨识模型的建立方法、系统及介质 |
CN112622892A (zh) * | 2020-12-14 | 2021-04-09 | 深圳技术大学 | 基于人脸和肢体姿态识别的紧急制动方法及系统 |
CN112644506A (zh) * | 2021-01-05 | 2021-04-13 | 江苏大学 | 一种基于模型长短时记忆神经网络lstm-nn检测驾驶人驾驶分心的方法 |
WO2022188362A1 (zh) * | 2021-03-12 | 2022-09-15 | 上海商汤临港智能科技有限公司 | 分心提醒方法及装置、电子设备和存储介质 |
CN115817423A (zh) * | 2022-12-27 | 2023-03-21 | 交通运输部公路科学研究所 | 营运车辆车路协同精准制动控制系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104627069A (zh) * | 2015-02-06 | 2015-05-20 | 江苏大学 | 一种车辆防追尾系统及其方法 |
CN106383351A (zh) * | 2016-10-21 | 2017-02-08 | 苏州工业职业技术学院 | 一种超声波智能测距报警系统及追尾防撞方法和超车侧向防撞方法 |
CN106740839A (zh) * | 2017-01-23 | 2017-05-31 | 山东交通学院 | 一种汽车车距检测预警装置及预警方法 |
CN108960131A (zh) * | 2018-06-29 | 2018-12-07 | 南京市特种设备安全监督检验研究院 | 机械式车库防人误入检测方法 |
CN109492700A (zh) * | 2018-11-21 | 2019-03-19 | 西安中科光电精密工程有限公司 | 一种基于多维信息融合的复杂背景目标识别方法 |
CN109866763A (zh) * | 2019-01-10 | 2019-06-11 | 苏州工业园区职业技术学院 | 一种面向智能驾驶辅助系统 |
CN110155045A (zh) * | 2019-04-04 | 2019-08-23 | 芜湖伯特利汽车安全系统股份有限公司 | 一种车辆紧急加速自保护系统及其自保护方法 |
CN110775027A (zh) * | 2019-10-29 | 2020-02-11 | 长安大学 | 基于后车驾驶模式的防追尾制动系统和方法 |
CN111062292A (zh) * | 2019-12-10 | 2020-04-24 | 哈尔滨工程大学 | 一种疲劳驾驶检测装置与方法 |
-
2020
- 2020-06-16 CN CN202010549463.9A patent/CN111845736A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104627069A (zh) * | 2015-02-06 | 2015-05-20 | 江苏大学 | 一种车辆防追尾系统及其方法 |
CN106383351A (zh) * | 2016-10-21 | 2017-02-08 | 苏州工业职业技术学院 | 一种超声波智能测距报警系统及追尾防撞方法和超车侧向防撞方法 |
CN106740839A (zh) * | 2017-01-23 | 2017-05-31 | 山东交通学院 | 一种汽车车距检测预警装置及预警方法 |
CN108960131A (zh) * | 2018-06-29 | 2018-12-07 | 南京市特种设备安全监督检验研究院 | 机械式车库防人误入检测方法 |
CN109492700A (zh) * | 2018-11-21 | 2019-03-19 | 西安中科光电精密工程有限公司 | 一种基于多维信息融合的复杂背景目标识别方法 |
CN109866763A (zh) * | 2019-01-10 | 2019-06-11 | 苏州工业园区职业技术学院 | 一种面向智能驾驶辅助系统 |
CN110155045A (zh) * | 2019-04-04 | 2019-08-23 | 芜湖伯特利汽车安全系统股份有限公司 | 一种车辆紧急加速自保护系统及其自保护方法 |
CN110775027A (zh) * | 2019-10-29 | 2020-02-11 | 长安大学 | 基于后车驾驶模式的防追尾制动系统和方法 |
CN111062292A (zh) * | 2019-12-10 | 2020-04-24 | 哈尔滨工程大学 | 一种疲劳驾驶检测装置与方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396096A (zh) * | 2020-11-07 | 2021-02-23 | 山东派蒙机电技术有限公司 | 基于svm的行车风险辨识模型的建立方法、系统及介质 |
CN112622892A (zh) * | 2020-12-14 | 2021-04-09 | 深圳技术大学 | 基于人脸和肢体姿态识别的紧急制动方法及系统 |
CN112644506A (zh) * | 2021-01-05 | 2021-04-13 | 江苏大学 | 一种基于模型长短时记忆神经网络lstm-nn检测驾驶人驾驶分心的方法 |
WO2022188362A1 (zh) * | 2021-03-12 | 2022-09-15 | 上海商汤临港智能科技有限公司 | 分心提醒方法及装置、电子设备和存储介质 |
CN115817423A (zh) * | 2022-12-27 | 2023-03-21 | 交通运输部公路科学研究所 | 营运车辆车路协同精准制动控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111845736A (zh) | 一种由分心监测触发的车辆碰撞预警系统及控制方法 | |
Kumar et al. | Driver drowsiness monitoring system using visual behaviour and machine learning | |
CN112389448B (zh) | 一种基于车辆状态和驾驶员状态的异常驾驶行为识别方法 | |
US11816983B2 (en) | Helmet wearing determination method, helmet wearing determination system, helmet wearing determination apparatus, and program | |
CN103770780B (zh) | 一种车辆主动安全系统告警屏蔽装置 | |
CN108674412A (zh) | 一种采用传感器融合的车辆主动避撞方法 | |
CN105303830A (zh) | 一种驾驶行为分析系统及分析方法 | |
CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
CN107031553A (zh) | 一种用于车辆的防追尾系统及方法 | |
CN107031629A (zh) | 一种3d机器视觉叉车行驶辅助安全系统及方法 | |
WO2022110737A1 (zh) | 车辆防撞预警方法、装置、车载终端设备和存储介质 | |
CN112373467A (zh) | 无人驾驶汽车的智能避障系统 | |
CN112277957B (zh) | 一种用于驾驶员分心纠正的预警方法及其系统、存储介质 | |
CN117022323A (zh) | 一种智能驾驶车辆行为分析与预测系统及方法 | |
WO2023101717A9 (en) | Devices and methods for assisting operation of vehicles based on situational assessment fusing expoential risks (safer) | |
CN109747537A (zh) | 一种汽车无人驾驶预警系统 | |
CN115534994A (zh) | 基于车内外协同感知的人机共驾控制权自适应切换方法 | |
JP7036329B1 (ja) | 作業現場管理システム、作業現場管理方法、及び作業現場管理プログラム | |
CN112180951A (zh) | 无人驾驶汽车的智能避障方法、计算机可读取的存储介质 | |
CN205608963U (zh) | 基于机器视觉的车辆防撞装置 | |
CN210000130U (zh) | 一种汽车自识别减速系统 | |
CN210760742U (zh) | 智能车辆辅助驾驶系统 | |
CN217157480U (zh) | 一种基于人车行为分析的公路隧道风险监测系统 | |
CN109949613A (zh) | 行人警示装置 | |
KR20160089933A (ko) | 차량 충돌 방지 장치 및 차량 충돌 방지 방법 |
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 |