CN111976598A - 车辆盲区监测方法及系统 - Google Patents

车辆盲区监测方法及系统 Download PDF

Info

Publication number
CN111976598A
CN111976598A CN202010895215.XA CN202010895215A CN111976598A CN 111976598 A CN111976598 A CN 111976598A CN 202010895215 A CN202010895215 A CN 202010895215A CN 111976598 A CN111976598 A CN 111976598A
Authority
CN
China
Prior art keywords
vehicle
determining
current
blind area
information
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
Application number
CN202010895215.XA
Other languages
English (en)
Inventor
万国强
张斯怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingwei Hirain Tech Co Ltd
Original Assignee
Beijing Jingwei Hirain Tech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingwei Hirain Tech Co Ltd filed Critical Beijing Jingwei Hirain Tech Co Ltd
Priority to CN202010895215.XA priority Critical patent/CN111976598A/zh
Publication of CN111976598A publication Critical patent/CN111976598A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R1/00—Optical viewing arrangements; Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供车辆盲区监测方法及系统。该方法包括：获取驾驶员当前的头面部特征和注意力状态；头面部特征和注意力状态通过对当前的驾驶员头像数据识别得到，驾驶员头像数据由车内设置的驾驶员监控摄像头采集得到；根据注意力状态决策驾驶员当前的行车意图；根据头面部特征和当前的行车意图确定当前的视觉盲区；通过多源传感器实时检测障碍物，得到融合障碍物信息集合；多源传感器包括毫米波雷达、车外摄像头和激光雷达中的至少两种；根据车辆当前的定位信息、高精地图信息，以及融合障碍物信息集合，判断视觉盲区内是否存在障碍物；若判定存在障碍物，进行报警。

Description

车辆盲区监测方法及系统
技术领域
本发明涉及汽车电子技术领域，特别涉及车辆盲区监测方法及系统。
背景技术
由于汽车车身结构的遮挡，在行车过程中，存在视觉盲区，通常车辆的盲区示意图如图1所示。盲区内的车辆、行人等，将无法被驾驶员发现。存在安全风险。
因此，如何进行盲区监测，是目前研究的热门。
发明内容
有鉴于此，本发明实施例提供车辆盲区监测方法及系统，以在行车过程中进行盲区监测，提高行车安全性。
为实现上述目的，本发明实施例提供如下技术方案：
一种车辆盲区监测方法，包括：
获取驾驶员当前的头面部特征和注意力状态；所述头面部特征和所述注意力状态通过对当前的驾驶员头像数据识别得到，所述驾驶员头像数据由车内设置的驾驶员监控摄像头采集得到；
根据所述注意力状态决策驾驶员当前的行车意图；
根据所述头面部特征和所述当前的行车意图确定当前的视觉盲区；
通过多源传感器实时检测障碍物，得到融合障碍物信息集合；所述多源传感器包括毫米波雷达、车外摄像头和激光雷达中的至少两种；
根据车辆当前的定位信息、高精地图信息，以及所述融合障碍物信息集合，判断所述视觉盲区内是否存在障碍物；
若判定存在障碍物，进行报警。
一种车辆盲区监测系统，包括：
识别单元，用于：
获取驾驶员的头面部特征和注意力状态；所述头面部特征和注意力状态通过对当前的驾驶员头像数据识别得到，所述驾驶员头像数据由车内设置的驾驶员监控摄像头采集得到；
根据所述注意力状态决策驾驶员当前的行车意图；
盲区计算单元，用于：
根据所述头面部特征和所述行车意图确定当前的视觉盲区；
盲区障碍物检测单元，用于：
通过多源传感器实时检测障碍物，得到融合障碍物信息集合；所述多源传感器包括毫米波雷达、摄像头和激光雷达中的至少两种；
根据车辆当前的定位信息、高精地图信息，以及所述融合障碍物信息集合，判断所述视觉盲区内是否存在障碍物；
若判定存在障碍物，进行报警。
可见，在本发明实施例中，会基于注意力状态决定其行车意图，根据行车意图确定视觉盲区。同时，融合多种传感器的探测信息得到融合障碍物信息集合，最后根据多种信息(定位信息、高精地图信息，融合障碍物信息集合等)综合判断视觉盲区内是否存在障碍物，若存在，予以报警，从而实现了在行车过程中进行盲区监测，提高了行车安全性。
附图说明
图1为通常的车辆盲区示意图；
图2为本发明实施例提供的盲区监测报警示意图；
图3为本发明实施例提供的车辆盲区监测系统综合利用其他系统信息的示意图；
图4为本发明实施例提供的车辆盲区监测方法的一种示例性的交互流程；
图5为本发明实施例提供的车辆盲区监测方法的另一种示例性的交互流程；
图6为本发明实施例提供的将全局坐标系下的盲区投到高精地图中的示意图；
图7为本发明实施例提供的环境感知系统的示例性结构；
图8为本发明实施例提供的道路元素剔除示意图；
图9为本发明实施例提供的HMI系统的示例性结构；
图10为本发明实施例提供的车道类型为直道类型时，后向盲区的示意图；
图11为本发明实施例提供的车道类型为弯道类型时，后向盲区的示意图；
图12为本发明实施例提供的迟滞判断的示例性流程；
图13a为本发明实施例提供的前向盲区的示意图；
图13b为本发明实施例提供的根据弯道确实前向盲区的示意图；
图14为本发明实施例提供的剔除初始障碍物集合得到关键障碍物集合；
图15为本发明实施例提供的剔除初始障碍物集合得到关键障碍物集合的示例性流程；
图16为本发明实施例提供的预盲区检测的示例性流程；
图17为本发明实施例提供的对障碍物的盲区检测的示例性流程；
图18为本发明实施例提供的车辆盲区监测系统的一种示例性结构。
具体实施方式
现有盲区监测系统又叫并线辅助系统(BSD，Blind Spot Detection)，是汽车上驾驶员辅助系统(Advanced Driving Assistance System，ADAS)的细分系统。其主要功能之一是扫除后视镜盲区，通过毫米波雷达(通常采用24GHz毫米波雷达Radar，目前也有采用77-79GHz的Radar)探测车辆两侧的后视镜盲区中的超车车辆，给驾驶者以提醒，从而避免在变道过程中由于未关注后视镜盲区而发生交通事故。
具体请参见图2，BSD系统在车辆行驶速度大于一定速度时(通常为15km/h，取决于配置的毫米波雷达性能)自动启动，并通过在汽车后保检杠内安装的左右两个毫米波雷达，实时向左右一定距离(通常为3-5米)以及后方一定距离(8-15米)范围发出探测信号，BSD系统对反射回的信号进行分析处理，识别后面车辆的距离、速度和运动方向等信息，通过盲区监测算法，排除静止物体和远离的物体，当探测到后视镜盲区内有车辆靠近时，相应侧后视镜的指示灯闪烁，此时即使驾驶员看不到后视镜盲区内的车辆，但是也能通过指示灯知道后方有车辆驶来，变道存在碰撞的危险；如果此时驾驶员仍然没有注意到指示灯闪烁，打了转向灯，准备变道，那么BSD系统就会发出语音警报声，再次提醒驾驶员此时变道有危险，不宜变道。
现有盲区监测系统采用的传感器主要是毫米波雷达，也有采用摄像头的方案，然而，无论是毫米波雷达还是摄像头都是单一传感器方案，均存在一定的问题：
例如毫米波雷达角分辨率比较低，障碍物横向探测精度较低，对于静止物体和非金属尤其是低反射率的物体识别较差，存在漏识别问题；而摄像头识别容易受到环境的影响，例如光照(逆光、低光照等)、雨雪等影响。
此外，盲区监测算法及系统没有融合其它系统的信息，不仅存在较多漏识别和误识别，而且未充分识别和配合驾驶员的行车意图，影响驾乘体验和安全性。
为此，本发明提供车辆盲区监测方法及系统，以解决上述问题。
本发明实施例提供的车辆盲区监测系统可为硬件架构，至少包括控制器。具体的可为BSD控制器，或ADAS域控制器(自动驾驶域控制器)，或其他独立的控制器。
或者，整个车辆盲区监测系统可为软件形态，部署在BSD控制器、ADAS域控制器或其他独立的控制器上。当然，也可由不同的控制器实现系统内不同单元的功能，在此不作赘述。
在本发明技术方案中，请参见图3，车辆盲区监测系统可综合利用车内驾驶员状态监测系统(例如车内摄像头)、环境感知系统(包括车外摄像头、毫米波雷达、超声波雷达、激光雷达等中的至少两种)、定位系统、高精地图、车身传感器采集的车身信息(例如车速)、HMI系统(人机交互系统)，实现车辆盲区监测，帮助驾驶员提高行车安全。
图4示出了由车辆盲区监测系统(以下称为控制器)所执行的车辆盲区监测方法的一种示例性的交互流程，其可包括：
S40：启动盲区监测功能。
在一些实施例中，盲区监测功能是可选择开启状态的，使用者可通过HMI选择是否关闭该功能。当然，在其他一些实施例中，盲区监测功能也可以是固定配置，不能关闭。
在一个示例中，在选择开启该功能后，为了提高准确性，减少误报漏报，可设计为当车辆行驶速度大于设定值时(一般为10-15km/h)时，控制器的盲区监测功能被触发启动。车辆行驶速度可由前述车身传感器采集。
触发启动时，可进行初始化。在设计时，请参见图5，可判断车速是否大于设定值，若大于进行下一步操作。
此外，还可设计车速大于设定值，且满足其他条件(例如挂了D档)，控制器的盲区监测功能被触发启动。
S41：获取驾驶员的头面部特征和注意力状态。
在一个示例中，上述头面部特征具体包括：当前的头部姿态和当前的眼睛位置。
头部姿态包括三维空间中的位置和方向。也可说，头部姿态可包括头部位置和头部方向。
上述注意力状态则可包括：表征驾驶员注意力集中的第一状态信息，或表征驾驶员注意力不集中的第二状态信息。其中，通过识别注意力集中或者不集中的技术可采用现有技术，这里不再赘述。
上述头面部特征和注意力状态是通过对当前的驾驶员头像数据识别得到，而驾驶员头像数据则由车内设置的驾驶员监控摄像头(图3中的车内摄像头)采集得到。
车内摄像头可属于车内驾驶员状态监测系统，或者，也可直接属于车辆盲区监测系统，或者说，可同时为两系统提供拍摄服务。
在一个示例中，可由控制器完成头面部特征和注意力状态的识别，也可由车内摄像头识别得到，再输出包含头面部特征和注意力状态的驾驶员信息给控制器。
以头部位置为例，简单介绍如何对其进行识别：
驾驶员监控摄像头(即车内摄像头)识别出驾驶员头部并计算其在相机坐标系的位置，然后根据自身在车身坐标系下的安装位置以及相机的内参和外参，就可以计算驾驶员在车身坐标系下的头部位置。
这里的外参指外部参数，例如在车身坐标系下的安装位置、角度，内参指摄像头的内部参数，例如畸变参数等。
如何识别头部姿态和眼睛位置可参考现有方式，未来如出现新识别方法也可使用，本申请不作限制。
S42：根据注意力状态决策驾驶员当前的行车意图。
在一个示例中，可根据上述头面部特征和注意力状态决策行车意图。
具体的，若注意力状态包括第一状态信息(也即注意力集中)，并且识别出的头部姿态与参考头部姿态的偏离值不大于第一阈值，判定当前的行车意图为“沿车道行驶”。
而若注意力状态包括第一状态信息，并且识别出的头部姿态与参考头部姿态的偏离值大于第一阈值，则可判定当前的行车意图为“换道”。此外，还可进一步判定当前的行车意图是左侧换道还是右侧换道。
前已述及，头部姿态可包括位置和方向，上述偏离值也可进一步包括位置偏离值和方向偏离值(角度)。并且，由于是在三维空间，则位置偏离值可包含在三个维度上的三个位置偏离值，同理，方向偏离值也可包含在三个维度上的三个方向偏离值。
相应的，第一阈值也可进一步包括位置阈值和方向阈值。具体的，可设计方向和位置上均偏离相应阈值时，再判定当前的行车意图为换道。也可设计在方向或位置上有至少一方面(特别是方向)偏离相应阈值，即可判定当前的行车意图为换道。位置阈值和方向阈值可预先标定，或根据经验值设定。
在其他实施例中，除了头部姿态的偏离，还可结合其他信息判定行车意图，例如结合车身传感器采集的转向灯操作信息、方向盘转角信息等判定行车意图。举例来讲，假定驾驶员操作了转向灯，左转向灯亮，则可综合判定其行车意图为左侧换道，同理，根据方向盘转角也可综合判定其行车意图。当然，在注意力状态包括第一状态信息时，也可以基于转向灯操作信息或方向盘转角信息判别当前的行车意图。
此外，请参见图5，若注意力状态包含第二状态信息(也即不集中)，可返回最初的步骤，进行初始化，或者，可返回步骤S41，并可通过HMI(Human Machine Interface，人机接口)系统进行提示注意力不集中。
S43：根据头面部特征和当前的行车意图确定当前的视觉盲区。
视觉盲区可称为盲区ROI(region of interest，感兴趣区域)。
在一个示例中，可进行如下设计：
若当前的行车意图为沿车道行驶，可根据当前的眼睛位置以及车辆两侧A柱的位置计算前向盲区(车辆前行方向为前向，与之相反的方向为后向)；而若当前的行车意图为换道，则可根据当前的车速、所在车道的车道类型计算后向盲区。
这样设计的目的在于：在驾驶员无换道意图时，更关注前向盲区(例如A柱遮挡造成的盲区)。而若有换道意图时，一般驾驶员已通过观察，确认前向无障碍物后才会决定换道，则在换道时，更关注后向盲区的计算。当然，有换道意图时，也可同时计算前向盲区。
此外，若盲区是以车身坐标系来确定的，后续还可将盲区从车身坐标系转化到全局坐标系，其公式如下：
Figure BDA0002658231190000051
其中，R为旋转矩阵(3*3)，T为平移矩阵(3*1)，ax-az表示全局坐标系下的三维坐标，bx-bz表示车身坐标系下的三维坐标，R和T均可通过传感器标定确定。此为现有方式，在此不作赘述。
之后，可根据车辆定位信息、高精地图，可以将全局坐标系下的盲区投到高精地图中(请参见图6中的阴影部分)。
本文后续将介绍计算盲区的示例性方式。
S44：通过多源传感器实时检测障碍物，得到融合障碍物信息集合。
多源传感器是环境感知系统组成部分。环境感知系统一般包括车外摄像头、毫米波雷达、超声波雷达、激光雷达等中的至少两种。
一种典型的环境感知系统配置如图7所示，包括：S01—前向摄像头1个(也可叫车外摄像头)，S02—角雷达4个，S03—毫米波雷达2个，S04—固态激光雷达1个，S05—超声波雷达12个(一般在泊车时使用)。
以多源传感器包括车外摄像头、毫米波雷达和激光雷达为例，融合障碍物信息集合可通过如下方式获得：
通过毫米波雷达实时检测障碍物，输出各时刻所检测到的障碍物的相关信息(第一障碍物信息)；
通过车外摄像头实时检测障碍物，输出各时刻所检测到的障碍物的相关信息(第二障碍物信息)；
通过激光雷达实时检测障碍物，输出各时刻所检测到的障碍物的相关信息(第三障碍物信息)；
对第一至第三障碍物信息进行融合处理，得到融合障碍物信息集合。
在一个示例中，无论是毫米波雷达、激光雷达还是车外摄像头，障碍物相关信息可包含所检测到的每一障碍物的标识(ID)，种类(类型，例如，行人、小轿车、大卡车等)，每一障碍物的状态量X和状态量的方差信息P_X，其中，状态量X又进一步包含位置、速度、加速度等。
需要说明的是，激光雷达、毫米波雷达和车外摄像头测量得到的障碍物相关信息都会转换到车辆坐标系下，车辆坐标系的原点位于后轴中心，x轴正方向朝前，y轴正方向朝左，z轴正方向朝上。
在车辆坐标系下，状态量X可采用下述通用表达式表示：
X＝[x y vx vy ax ay]T
其中，状态量X中的“x”(单位为“m”)为障碍物纵向位置，“y”(单位为“m”)为障碍物横向位置，vx(单位为“m/s”)为障碍物纵向速度，vy(单位为“m/s”)为障碍物横向速度，ax(单位为“m/s2”)为障碍物纵向加速度，ay(单位为“m/s2”)为障碍物横向加速度。
方差信息P_X可采用下述通用表达式表示：
Figure BDA0002658231190000061
P_X为状态量的协方差矩阵，其中，“σ”如果两下标不相同，则表示是对应两个量的协方差，如果两下标相同，则表示是方差。
在进行融合处理之前，还可对多源传感器输出的障碍物的相关信息进行时空同步，然后进行追踪和融合处理，得到融合障碍物信息集合。
追踪和融合有多种方式，在此不作赘述。
相比单一地使用毫米波雷达或摄像头，多源传感器融合可以得到更为精确的障碍物信息(如位置、速度、障碍物类型等)、更高的识别准确率(更低的漏报率和误报率)等。精确的障碍物位置信息对于准确判断障碍物是否位于盲区范围内(特别是在弯道工况)具有重要的意义，可有效提升盲区报警的准确率。
融合障碍物信息集合所采用的坐标系可为车辆坐标系。
S45：根据车辆当前的定位信息、高精地图信息，以及融合障碍物信息集合，判断视觉盲区内是否存在障碍物。
在一个示例中，请参见图8，可根据车辆当前的定位信息、高精地图信息，剔除融合障碍物信息集合中的静态道路元素(可简称为道路元素剔除)，得到初始障碍物集合；
然后根据盲区检测算法得到盲区内的障碍物。
盲区检测算法有多种，本文后续将示例性介绍一种检测方式。
S46：若判定存在障碍物，进行报警。
在一个示例中，可将BSD报警信息和视觉盲区中存在的障碍物的视频信息(即由车外摄像头获取的车外视频信息)发送至HMI，由HMI对所述报警信息和视频信息进行显示。
在发送之前，可对视频信息按障碍物进行筛选和分类，再将相应障碍物的视频信息发至HMI。
为便于称呼，可将视觉盲区中存在的障碍物称为目标障碍物。
请参见图9，HMI可进一步包括：中央大屏显示器M01、右侧A柱显示器M03和左侧A柱显示器M02。
可进一步根据行车意图选择不同的显示器对报警信息和视频信息加以显示。
例如，当行车意图为沿车道行驶时，在中央大屏显示器M01上显示报警信息和视频信息。
当行车意图为左侧换道时，在左侧A柱显示器M02上显示报警信息和视频信息，或者在中央大屏显示器M01和左侧A柱显示器M02同时显示。
当行车意图为右侧换道时，在右侧A柱显示器M03上显示报警信息和视频信息。或者在中央大屏显示器M01和右侧A柱显示器M03同时显示。
可见，在本发明实施例中，会基于识别出的驾驶员的头面部特征和注意力状态决定其行车意图，根据行车意图确定视觉盲区。同时，融合多种传感器的探测信息得到融合障碍物信息集合，最后根据多种信息(定位信息、高精地图信息，融合障碍物信息集合等)综合判断视觉盲区内是否存在障碍物，若存在，予以报警，从而实现了在行车过程中进行盲区监测，提高了行车安全性。
下面将详细介绍如何确定视觉盲区。
先介绍如何计算后向盲区。
在本实施例中，可将车道类型分为两大类：直道类型和弯道类型。
在一个示例中，上述车道类型根据定位信息和高精地图的道路信息确定。
具体的，可根据当前的定位信息和高精地图的道路信息，定位当前所在车道，由于高精地图的道路信息中包含车道类型，在定位所在车道后，即可得到车道类型。
在另一个示例中，可根据前向摄像头(即图3中的车外摄像头)拍摄的车道线确定车道是直道还是弯道。
在又一个示例中，也可根据定位信息、高精地图的道路信息和前向摄像头拍摄的车道线综合确定车道类型。
在车道类型为直道类型，请参见图10(图10阴影部分为后向盲区)，前述的“根据当前的车速、所在车道的车道类型计算后向盲区”可进一步包括如下步骤：
步骤a，确定第一边界线L1；L1平行于车辆中心线，与车身左侧外缘间的最小距离为S1；L1位于车身左侧外缘的左边；
步骤b，确定第二边界线L2；L2平行于车辆中心线，与车身左侧外缘间的最小距离为S2；S2小于S1；L2位于车身左侧外缘的左边；
步骤c，确定第三边界线L3；L3平行于车辆中心线，与车身右侧外缘间的最小距离为S3；L3位于车身右侧外缘的右边；
步骤d，确定第四边界线L4；L4平行于车辆中心线，与车身右侧外缘间的最小距离为S4；S3小于S4；L4位于车身右侧外缘的右边；
步骤e，确定第五边界线L5；L5垂直于车辆中心线，并位于后视镜的位置(一般为通过两个后视镜或者与其边缘线切的直线，可用于限定后向盲区)；
步骤f，确定第六边界线L6；L6垂直于车辆中心线，并位于车辆后缘的位置(或者说，与车辆后缘上的一点相切)；
步骤g，确定第七边界线L7；L7平行于L6，位于L6的后方(与行驶方向相反的方向，为后向或后方)，与L6的距离为S7；其中，S7＝Ssafe+V*t，Ssafe表示安全距离，V表示当前车速，t为时间常数；S1、S2、S3、S4和Ssafe根据路况标定确定；
具体的，路况可包括车辆密集度(可由环境感知传感器探测计算得到)，可将车辆密集度分为不同的等级，每一等级对应S1、S2、S3、S4和Ssafe不同的标定值。
请参见图10，在车道类型为直道类型时，后向盲区可包括：
由L1、L2、L5和L7围成的车辆左侧盲区区域；
由L3、L4、L5和L7围成的车辆右侧盲区区域；
由L2、L3、L6和L7围成的车辆后侧盲区区域。
在车道类型为弯道类型，请参见图11(图11阴影部分为后向盲区)，前述的“根据当前的车速、所在车道的车道类型计算后向盲区”可进一步包括如下步骤：
步骤a，确定第一参考边界线Q1；
Q1的变化函数为：yQ1＝W/2+D1+f(s)；
f(s)为车道线的变化函数；
其中，s表示在第一方向(例如车辆坐标系下的x轴方向)上的自变量，也可理解为车道线上任一点在第一方向上与坐标系原点间的距离(也即车道线上任一点与坐标系原点间距离在第一方向上的投影距离)；yQ1表示Q1的变化函数，或Q1上任一点在第二方向(例如车辆坐标系下的y轴方向)上与坐标系原点之间的距离。
其中，第一方向为行驶方向；第二方向为与行驶方向相垂直的方向。
f(s)可由摄像头根据所拍摄到的车道线计算得到。或者，也可根据查询或者拟合高精地图存储的车道线数据得到。
步骤b，确定第二参考边界线Q2；
Q2的变化函数为：yQ2＝W/2+D2+f(s)；yQ2表示Q2上的任一点在第二方向上与坐标系原点间的距离；
步骤c，确定第三参考边界线Q3；
Q3的变化函数为：yQ3＝-W/2-D3+f(s)；yQ3表示Q3上的任一点在第二方向上与坐标系原点间的距离；
步骤d，确定第四参考边界线Q4；
Q4的变化函数为：yQ4＝-W/2-D4+f(s)；yQ4表示Q4上的任一点在第二方向上与坐标系原点间的距离的位置；
步骤e，确定第五参考边界线Q5；
Q5垂直于车辆中心线，并位于后视镜的位置；
步骤f，确定第六参考边界线Q6；
Q6垂直于车辆中心线，并位于车辆后缘的位置(或者说，与车辆后缘上的一点相切)；
步骤g，确定第七参考边界线Q7；
Q7垂直于车道方向，位于Q6的后方，并沿车道路径与Q6的距离为S7；
其中，S7＝Ssafe+V*t，Ssafe表示安全距离，V表示车速，t为时间常数。
上述D1、D2、D3、D4和Ssafe根据路况标定确定。
具体的，路况可包括车辆密集度(可由环境感知传感器探测计算得到)，可将车辆密集度分为不同的等级，每一等级对应D1、D2、D3、D4和Ssafe不同的标定值。
仍请参见图11，在车道类型为弯道类型时，后向盲区可包括：
由Q1、Q2、Q5和Q7围成的车辆左侧盲区区域；
由Q3、Q4、Q5和Q7围成的车辆右侧盲区区域；
由Q2、Q3、Q6和Q7围成的车辆后侧盲区区域。
介绍完如何计算后向盲区，再介绍如何计算前向盲区。
前向盲区可进一步包括前向左侧盲区范围和前向左侧盲区范围。
在一个示例中，在确定盲区过程中可包括如下步骤：
步骤A：根据当前眼睛位置确定目标眼睛位置和目标视线方向；
目标眼睛位置和目标视线方向用于计算前向盲区。
视线方向过两眼连线中心，且垂直于两眼睛连线。因此，在确定了目标眼睛位置后，结合头部姿态就可确定目标视线方向。
在驾驶过程中，眼睛位置可能有小幅变化，而如直接根据实时获取的眼睛位置确定盲区，进而检测盲区内的障碍物，可能会出现盲区变化过于频繁的问题。
为了更好地识别驾驶员的意图，防止因盲区变化得过于频繁而影响盲区内障碍物的检测，可进行迟滞判断。
请参见图12，迟滞判断可包括初始化阶段和后续阶段，各有如下操作：
初始化阶段：
S121：初始化计数器和位置向量。
计数器用于计数，位置向量用于存储眼睛位置。
位置向量进一步可包括两个向量，一个用于存储左眼位置，一个用于存储右眼位置，可用E1*和E2*表示。
初始化后，计算器的取值为0；位置向量为空。
S122：将当前的眼睛位置确定为目标眼睛位置并存储。
摄像头会周期性采集图像，进行计算得到眼睛位置。每一次计算得到的眼睛位置都可称为当前的眼睛位置。
在初始化时，直接将驾驶员眼睛位置，作为计算盲区所用的目标眼睛位置E1’与E2’(因为有两只眼睛，所以用E1’与E2’表示两只眼睛的位置)。
此外，初始化后得到的头部姿态可作为前述的参考头部姿态。
后续阶段：
S123：判断当前眼睛位置与已存储的目标眼睛位置之间的距离是否大于第二阈值。若否，进入S124，若是，进入S125；
眼睛的位置有两个，也即一个向量，这里的距离可为当前眼睛位置向量与目标眼睛位置向量之间的欧式距离。
S124：对计数器执行清零操作，返回S123。
此外，也可对位置向量执行清空操作。
即当驾驶员的眼睛位置与E1’，E2’的欧式距离在第二阈值范围内时(即眼睛位置变化不大时)，则后续保持使用E1’，E2’来计算盲区位置。
在本发明其他实施例中，也可另开启一计数器，记录当前采集的眼睛位置与已存储的目标眼睛位置之间的距离小于第二阈值的持续帧数，在大于或达到预设帧数(例如2帧、3帧)时，再执行S124。
S125：将当前的眼睛位置(以E1，E2表示)存入位置向量(E1*和E2*)，并对计数器执行递增操作(对应图12中的Count++)。
也即，若驾驶员眼睛位置与E1’，E2’的欧式距离超过第二阈值时(即眼睛位置变化较大时)，则将当前的眼睛位置暂存到向量E1*与E2*中，并使用计数器进行计数。
S126：判断计数器的取值是否到达第三阈值，若是，进入S127，否则，返回S123。
第二阈值和第三阈值可视需要进行灵活设计，一般取经验值，在此不作赘述。
S127：使用位置向量中的眼睛位置计算出新的目标眼睛位置并存储，进入S124。
也即，本实施例实现的是：
当计数器的取值到达第三阈值前，保持使用前述的E1’，E2’计算盲区。
当计数器的取值到达第三阈值后，说明驾驶员眼睛位置已持续一段时间与E1’，E2’的欧式距离超过第二阈值，则判定驾驶员注视的方向发生了变化。此时将使用向量E1*与E2*的均值或中位数作为新的E1’与E2’用以计算盲区。由此，可避免计算盲区时出现过于频繁的不必要的抖动，同时又可保证当驾驶员注视的方向发生变化时，可以及时地调整盲区的计算。
步骤B：确定第一前向边界线B1；
请参见图13a(图13a为俯视图)，B1为垂直于车辆行驶方向，并与左侧A柱(图13a以A1表示)后侧相切的直线；
步骤C：确定第二前向边界线B2；
请参见图13a，B2为垂直于车辆行驶方向，并与右侧A柱(图13a以A2表示)后侧相切的直线；
步骤D：确定第三前向边界线B3；
请参见图13a，B3为车辆前方外轮廓线。
步骤E：根据目标眼睛位置确定驾驶员的第一视野边界线C1和第二视野边界线C2；
目标眼睛位置包括第一位置和第二位置，在图13a中分别以E1和E2表示。
请参见图13a，C1为过E1与驾驶员视线方向(也即目标视线方向)夹角为θ的直线，并且，直线C1与过E1的视线方向相比，更靠近A1；
C2为过E2与驾驶员视线方向夹角为θ的直线，并且，直线C2与过E2的视线方向相比，更靠近A2。其中，θ为驾驶员视野角度，可由车速查表得到。
C1和C2表示了驾驶员视野范围。
步骤F：确定第四前向边界线C3；
请参见图13a，C3为经过E1且和左侧A柱在第一预设点d1相切的直线；第一预设点d1为位于左侧A柱(A1)上，并且与过E1的直线相切的最内侧点(从驾驶员的角度看为最内侧点)。
步骤G：确定第五前向边界线C4；C4为经过第二位置，且和右侧A柱(A2)在第二预设点d2相切的直线；第二预设点d2为右侧A柱(A2)上最内侧点(从驾驶员的角度看为最内侧点)；
步骤H：根据B1、B3、C1、C3和左侧A柱确定前向左侧盲区范围；
请参见图13a，由于C1穿过A1，实际上图13a的前向左侧盲区范围由B1、B3、C3和左侧A柱确定。
当然，在现实场景下，可能出现C1比C3更靠近E1的情况，此种情况下，可根据B1、B3、C1和左侧A柱确定左侧盲区范围。
步骤I：根据B2、B3、C2、C4和右侧A柱确定前向右侧盲区范围；
请参见图13a，由于C2比C4更靠近E2，实际上图13a的前向右侧盲区范围由B2、B3、C2和右侧A柱(A2)确定。
当然，在现实场景下，可能出现C4比C2更靠近E2的情况，此种情况下，可根据B2、B3、C4和右侧A柱(A2)确定右侧盲区范围。
在本发明其他实施例中，还可结合车辆当前的定位信息、导航信息、高精地图信息来确定盲区范围。
具体的，可根据车辆当前的定位信息、导航信息、高精地图信息来预测行驶路线。若根据预测出的行驶路线判断出在行驶方向上将进入直道，则可根据图13a所示的方式确定盲区范围。
而若根据预测出的行驶路线，判断行驶方向上将出现弯道或路口，可根据弯道或路口来进一步确定盲区范围。
以弯道为例，请参见图13b，在确定出第一前向边界线B1、第二前向边界线B2、第三前向边界线B3、第一视野边界线C1、第二视野边界线C2、第四前向边界线C3、第五前向边界线C4后，可根据B1、B3、C1、C3、左侧A柱，以及，弯道的外侧边缘线C5，确定前向左侧盲区范围；前向右侧盲区范围可根据B2、B3、C2、C4、右侧A柱，以及，弯道的外侧边缘线C6确定。
在介绍完如何计算盲区后，下面介绍如何根据车辆当前的定位信息、高精地图信息，以及融合障碍物信息集合，判断视觉盲区内是否存在障碍物。
在一个示例中，请参见图14，可先剔除融合障碍物信息集合中的静态道路元素，得到初始障碍物集合，再引入预盲区ROI，判断障碍物是否在预盲区ROI内，剔除初始障碍物集合中不在预盲区ROI内的障碍物(可称预盲区ROI筛选)，得到关键障碍物集合。
图15示出了一种更为详细的流程，包括：
S151：根据车辆当前的定位信息、导航信息和高精地图信息，剔除融合障碍物信息集合中的静态道路元素，得到初始障碍物集合。
具体的，可进行如下操作完成剔除：
步骤a：结合高精地图信息和定位信息(定位系统提供)，将融合障碍物信息集合投影到全局坐标系下的高精地图中。
这里使用的高精地图信息主要包括车道信息和静止的道路元素(如护栏、路灯杆等)等。
步骤b：将融合障碍物信息集合和静止道路元素进行匹配，将感知到的道路元素从融合障碍物信息集合中剔除，得到初始障碍物集合。
具体的，可在高精地图的全局坐标系下，比较融合障碍物与道路静止元素的坐标与速度，当两者距离差、速度差(若传感器可以识别出障碍物类型，也可以用来匹配)在一定阈值内时，判定两者为同一物体，即实现了匹配。
S152：对视觉盲区ROI法向膨胀预设距离Expand_dis(m)，得到预盲区ROI；
可根据实际需要灵活设计预设距离的取值，例如0.5米、0.4米等等，在此不作赘述。
S153：将初始障碍物集合中，在预盲区中持续出现的帧数达到第四阈值的障碍物划分至关键障碍物集合。
在一个示例中，可统计初始障碍物集合中每一障碍物，在预盲区中出现的帧数count_in，以及，在预盲区外出现的帧数count_out；
若count_in达到第四阈值(threshold1)，则将相应障碍物的预报警标识flag设置1(表征该障碍物出现在预盲区中)；
而若count_out达到第六阈值(threshold2)，对count_in、count_out重新初始化。
将初始障碍物集合中，预报警标识flag为1的障碍物放进关键障碍物集合。
对某一障碍物的预盲区检测的相关操作可参见图16。
S154：若关键障碍物集合中的障碍物在视觉盲区中持续出现的帧数达到第五阈值，确定视觉盲区中存在障碍物。
关键障碍物集合中的障碍物均被判定出现在预盲区中，事实上当障碍物判定为在预盲区内时，其已持续在预盲区内存在了一定时间，即该目标的可信度较高。因此，可以使用较小的阈值来判断物体是否已进入了盲区，从而提高了障碍物进入盲区后系统的反应速度。
换言之，若没有预盲区的检测，要判定一个障碍物是否进入了视觉盲区，需要持续检测更长的时间，才能有效避免误报。
在一个示例中，可统计关键障碍物集合中每一障碍物，在视觉盲区中出现的帧数count_in`，以及，在视觉盲区外出现的帧数count_out`；
若count_in`达到第五阈值(threshold3)，则将相应障碍物的盲区报警标识flag设置1；
而若count_out`达到第七阈值(threshold4)，对count_in`、count_out`重新初始化。
对某一障碍物的盲区检测的相关操作可参见图17。
后续，如果关键障碍物集合中有任一障碍物的盲区报警flag为1，则输出报警信息；直到关键障碍物集合中所有障碍物盲区报警flag都不为1，则取消报警信息。
其中，第四至第七阈值的取值为标定值，可根据行驶工况变化。
Threshold1-threshold4可根据实际需要灵活设计取值，在此不作赘述。
下面介绍车辆盲区监测系统，图18示出了车辆盲区监测系统的一种示例性的结构，包括：
识别单元1801，用于：
获取驾驶员的头面部特征和注意力状态；头面部特征和注意力状态通过对当前的驾驶员头像数据识别得到，驾驶员头像数据由车内设置的驾驶员监控摄像头采集得到；
根据注意力状态决策驾驶员当前的行车意图；
盲区计算单元1802，用于：
根据头面部特征和当前的行车意图确定当前的视觉盲区；
盲区障碍物检测单元1803，用于：
通过多源传感器实时检测障碍物，得到融合障碍物信息集合；多源传感器包括毫米波雷达、摄像头和激光雷达中的至少两种；
根据车辆当前的定位信息、高精地图信息，以及融合障碍物信息集合，判断视觉盲区内是否存在障碍物；
若判定存在障碍物，进行报警。
具体细节请参见前述介绍，在此不作赘述。
盲区监测系统可为硬件架构，至少包括控制器。具体的可为BSD控制器，或ADAS域控制器(自动驾驶域控制器)，或其他独立的控制器。
或者，整个车辆盲区监测系统可为软件形态，部署在BSD控制器、ADAS域控制器或其他独立的控制器上。当然，也可由不同的控制器实现系统内不同单元的功能，在此不作赘述。
在本发明其他实施例中，头面部特征包括：当前的头部姿态和当前的眼睛位置；注意力状态包括：表征驾驶员注意力集中的第一状态信息，或表征驾驶员注意力不集中的第二状态信息。
在根据注意力状态决策驾驶员当前的行车意图的方面，上述所有实施例中的识别单元1801可具体用于：
若注意力状态包括第一状态信息，并且识别出的头部姿态与参考头部姿态的偏离值不大于第一阈值，判定当前的行车意图为沿车道行驶；
若注意力状态包括第一状态信息，并且识别出的头部姿态与参考头部姿态的偏离值大于第一阈值，判定当前的行车意图为换道。
具体细节请参见前述介绍，在此不作赘述。
在本发明其他实施例中，在根据头面部特征和行车意图确定驾驶员当前的视觉盲区的方面，上述所有实施例中的盲区计算单元1802可具体用于：
若当前的行车意图为沿车道行驶，根据当前的眼睛位置以及车辆两侧A柱的位置计算前向盲区；
若当前的行车意图为换道，根据当前的车速、所在车道的车道类型计算后向盲区；
其中，车速由车身传感器采集；
车道类型根据定位信息和高精地图的道路信息确定，或者根据前向摄像头拍摄的车道线确定，或者，根据定位信息、高精地图的道路信息和前向摄像头拍摄的车道线综合确定；定位信息由定位系统采集。
具体细节请参见前述介绍，在此不作赘述。
在本发明其他实施例中，若车道类型为直道类型，在根据当前的车速、所在车道的车道类型计算后向盲区的方面，盲区计算单元1802可具体用于：
确定第一边界线L1；L1平行于车辆中心线，与车身左侧外缘间的最小距离为S1；
确定第二边界线L2；L2平行于车辆中心线，与车身左侧外缘间的最小距离为S2；S2小于S1；
确定第三边界线L3；L3平行于车辆中心线，与车身右侧外缘间的最小距离为S3；
确定第四边界线L4；L4平行于车辆中心线，与车身右侧外缘间的最小距离为S4；S3小于S4；
确定第五边界线L5；L5垂直于所述车辆中心线，并位于后视镜的位置；
确定第六边界线L6；L6垂直于所述车辆中心线，并位于车辆后缘的位置；
确定第七边界线L7；L7平行于L6，位于L6的后方，与L6的距离为S7；其中，S7＝Ssafe+V*t，Ssafe表示安全距离，V表示车速，t为时间常数；S1、S2、S3、S4和Ssafe根据路况标定确定；
后向盲区包括：
由L1、L2、L5和L7围成的车辆左侧盲区区域；
由L3、L4、L5和L7围成的车辆右侧盲区区域；
由L2、L3、L6和L7围成的车辆后侧盲区区域。
具体细节请参见前述介绍，在此不作赘述。
在本发明其他实施例中，若车道类型为弯道类型，在根据当前的车速、所在车道的车道类型计算后向盲区的方面，盲区计算单元1802可具体用于：
确定第一参考边界线Q1；Q1的变化函数为：yQ1＝W/2+D1+f(s)；f(s)为车道线变化函数；s表示在预设坐标系下在第一方向上的自变量；yQ1表示Q1上的任一点在第二方向上与坐标系原点间的距离；所述第一方向为行驶方向；第二方向为与所述行驶方向相垂直的方向；
确定第二参考边界线Q2；Q2的变化函数为：yQ2＝W/2+D2+f(s)；yQ2表示Q2上的任一点在第二方向上与坐标系原点间的距离；
确定第三参考边界线Q3；Q3的变化函数为：yQ3＝-W/2-D3+f(s)；yQ3表示Q3上的任一点在第二方向上与坐标系原点间的距离；
确定第四参考边界线Q4；Q4的变化函数为：yQ4＝-W/2-D4+f(s)；yQ4表示Q4上的任一点在第二方向上与坐标系原点间的距离；
确定第五参考边界线Q5；Q5平行于车辆前缘上预设两点的连线，并位于后视镜的位置；
确定第六参考边界线Q6；Q6为车辆后缘上预设两点的连线的延长线；
确定第七参考边界线Q7；Q7垂直于车道方向，位于Q6的后方，并沿车道路径与Q6的距离为S7；其中，S7＝Ssafe+V*t，Ssafe表示安全距离，V表示车速，t为时间常数；W为车身宽度，D1、D2、D3和D4根据路况标定确定；
后向盲区包括：
由Q1、Q2、Q5和Q7围成的车辆左侧盲区区域；
由Q3、Q4、Q5和Q7围成的车辆右侧盲区区域；
由Q2、Q3、Q6和Q7围成的车辆后侧盲区区域。
具体细节请参见前述介绍，在此不作赘述。
在本发明其他实施例中，在根据当前的眼睛位置以及车辆两侧A柱的位置计算前向盲区的方面，盲区计算单元1802可具体用于：
根据当前眼睛位置确定目标眼睛位置；目标眼睛位置包括第一位置和第二位置；
根据第一位置和第二位置确定目标视线方向；
确定第一前向边界线B1；B1为垂直于车辆行驶方向，并与左侧A柱后侧相切的直线；
确定第二前向边界线B2；B2为垂直于车辆行驶方向，并与右侧A柱后侧相切的直线；
确定第三前向边界线B3；B3为车辆前方外轮廓线；
根据目标眼睛位置确定驾驶员的第一视野边界线C1和第二视野边界线C2；C1为过第一位置与目标视线方向夹角为θ的直线，C2为过第二位置与目标视线方向夹角为θ的直线；θ为驾驶员视野角度；
确定第四前向边界线C3；C3为经过第一位置，且和左侧A柱在第一预设点相切的直线；第一预设点为左侧A柱上最靠近第一位置的点；
确定第五前向边界线C4；C4为经过第二位置，且和右侧A柱在第二预设点相切的直线；第二预设点为右侧A柱上最靠近第二位置的点；
根据B1、B3、C1、C3和左侧A柱确定前向左侧盲区范围；
根据B2、B3、C2、C4和右侧A柱确定前向右侧盲区范围；
前向盲区包括前向左侧盲区范围和前向左侧盲区范围。
具体细节请参见前述介绍，在此不作赘述。
在本发明其他实施例中，在初始化阶段，在根据当前眼睛位置确定目标眼睛位置的方面，盲区计算单元1802可具体用于：
初始化计数器和位置向量；初始化后，计算器的取值为0；位置向量为空；
将当前眼睛位置确定为目标眼睛位置并存储；
初始化阶段结束后，在根据当前眼睛位置确定目标眼睛位置的方面，盲区计算单元1802可具体用于：
判断当前眼睛位置与已存储的目标眼睛位置之间的距离是否大于第二阈值；
若小于(或小于等于)，对计算器执行清零操作；
若大于，将当前眼睛位置存入位置向量，并对计数器执行递增操作；
判断计数器的取值是否到达第三阈值；
若到达，使用位置向量中的眼睛位置计算出新的目标眼睛位置并存储。
具体细节请参见前述介绍，在此不作赘述。
在本发明其他实施例中，在根据车辆当前的定位信息、导航信息、高精地图信息，以及融合障碍物信息集合，判断视觉盲区内是否存在障碍物的方面，盲区障碍物检测单元1803可具体用于：
根据车辆当前的定位信息和高精地图信息，剔除融合障碍物信息集合中的静态道路元素，得到初始障碍物集合；
对视觉盲区法向膨胀预设距离，得到预盲区；
将初始障碍物集合中，在预盲区中持续出现的帧数达到第四阈值的障碍物划分至关键障碍物集合；
若关键障碍物集合中的障碍物在视觉盲区中持续出现的帧数达到第五阈值，确定视觉盲区中存在障碍物。
具体细节请参见前述介绍，在此不作赘述。
在本发明其他实施例中，在进行报警的方面，盲区障碍物检测单元1803可具体用于：
将报警信息和视觉盲区中存在的障碍物的视频信息发送至给人机交互系统HMI，由HMI对报警信息和视频信息进行显示。
具体细节请参见前述介绍，在此不作赘述。
视觉盲区中存在的障碍物为目标障碍物；
HMI包括：中央大屏显示器、右侧A柱显示器和左侧A柱显示器；
具体的，由HMI对报警信息和视频信息进行显示可包括：
当行车意图为沿车道行驶时，在中央大屏显示器上显示报警信息和视频信息；
当行车意图为左侧换道时，在左侧A柱显示器上显示报警信息和视频信息；
当行车意图为右侧换道时，在右侧A柱显示器上显示报警信息和视频信息。
具体细节请参见前述介绍，在此不作赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及模型步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或模型的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、WD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车辆盲区监测方法，其特征在于，包括：
获取驾驶员当前的头面部特征和注意力状态；所述头面部特征和所述注意力状态通过对当前的驾驶员头像数据识别得到，所述驾驶员头像数据由车内设置的驾驶员监控摄像头采集得到；
根据所述注意力状态决策驾驶员当前的行车意图；
根据所述头面部特征和所述当前的行车意图确定当前的视觉盲区；
通过多源传感器实时检测障碍物，得到融合障碍物信息集合；所述多源传感器包括毫米波雷达、车外摄像头和激光雷达中的至少两种；
根据车辆当前的定位信息、高精地图信息，以及所述融合障碍物信息集合，判断所述视觉盲区内是否存在障碍物；
若判定存在障碍物，进行报警。
2.如权利要求1所述的方法，其特征在于，
所述头面部特征包括：当前的头部姿态和当前的眼睛位置；
所述注意力状态包括：表征驾驶员注意力集中的第一状态信息，或表征驾驶员注意力不集中的第二状态信息；
所述根据注意力状态决策驾驶员当前的行车意图包括：
若所述注意力状态包括所述第一状态信息，并且识别出的当前的头部姿态与参考头部姿态的偏离值不大于第一阈值，判定所述当前的行车意图为沿车道行驶；
若所述注意力状态包括所述第一状态信息，并且识别出的当前的头部姿态与参考头部姿态的偏离值大于所述第一阈值，判定所述当前的行车意图为换道。
3.如权利要求2的方法，其特征在于，所述根据所述头面部特征和所述当前的行车意图确定驾驶员当前的视觉盲区包括：
若所述当前的行车意图为沿车道行驶，根据当前的眼睛位置以及车辆两侧A柱的位置计算前向盲区；
若所述当前的行车意图为换道，根据当前的车速、所在车道的车道类型计算后向盲区；
其中，所述车速由车身传感器采集；
所述车道类型根据定位信息和高精地图的道路信息确定，或者根据前向摄像头拍摄的车道线确定，或者，根据所述定位信息、所述高精地图的道路信息和所述前向摄像头拍摄的车道线综合确定；所述定位信息由定位系统采集。
4.如权利要求3所述的方法，其特征在于，
所述车道类型为直道类型；
所述根据当前的车速、所在车道的车道类型计算后向盲区包括：
确定第一边界线L1；L1平行于车辆中心线，与车身左侧外缘间的最小距离为S1；
确定第二边界线L2；L2平行于车辆中心线，与车身左侧外缘间的最小距离为S2；S2小于S1；
确定第三边界线L3；L3平行于车辆中心线，与车身右侧外缘间的最小距离为S3；
确定第四边界线L4；L4平行于车辆中心线，与车身右侧外缘间的最小距离为S4；S3小于S4；
确定第五边界线L5；L5垂直于所述车辆中心线，并位于后视镜的位置；
确定第六边界线L6；L6垂直于所述车辆中心线，并位于车辆后缘的位置；
确定第七边界线L7；L7平行于L6，位于L6的后方，与L6的距离为S7；其中，S7＝Ssafe+V*t，Ssafe表示安全距离，V表示车速，t为时间常数；S1、S2、S3、S4和Ssafe根据路况标定确定；
所述后向盲区包括：
由L1、L2、L5和L7围成的车辆左侧盲区区域；
由L3、L4、L5和L7围成的车辆右侧盲区区域；
由L2、L3、L6和L7围成的车辆后侧盲区区域。
5.如权利要求3所述的方法，其特征在于，
所述车道类型为弯道类型；
所述根据当前的车速、所在车道的车道类型计算后向盲区包括：
确定第一参考边界线Q1；Q1的变化函数为：yQ1＝W/2+D1+f(s)；f(s)为车道线变化函数；s表示在预设坐标系下在第一方向上的自变量；yQ1表示Q1上的任一点在第二方向上与坐标系原点间的距离；所述第一方向为行驶方向；第二方向为与所述行驶方向相垂直的方向；
确定第二参考边界线Q2；Q2的变化函数为：yQ2＝W/2+D2+f(s)；yQ2表示Q2上的任一点在第二方向上与坐标系原点间的距离；
确定第三参考边界线Q3；Q3的变化函数为：yQ3＝-W/2-D3+f(s)；yQ3表示Q3上的任一点在第二方向上与坐标系原点间的距离；
确定第四参考边界线Q4；Q4的变化函数为：yQ4＝-W/2-D4+f(s)；yQ4表示Q4上的任一点在第二方向上与坐标系原点间的距离；
确定第五参考边界线Q5；Q5平行于车辆前缘上预设两点的连线，并位于后视镜的位置；
确定第六参考边界线Q6；Q6为车辆后缘上预设两点的连线的延长线；
确定第七参考边界线Q7；Q7垂直于车道方向，位于Q6的后方，并沿车道路径与Q6的距离为S7；其中，S7＝Ssafe+V*t，Ssafe表示安全距离，V表示车速，t为时间常数；W为车身宽度，D1、D2、D3和D4根据路况标定确定；
所述后向盲区包括：
由Q1、Q2、Q5和Q7围成的车辆左侧盲区区域；
由Q3、Q4、Q5和Q7围成的车辆右侧盲区区域；
由Q2、Q3、Q6和Q7围成的车辆后侧盲区区域。
6.如权利要求3的方法，其特征在于，所述根据当前的眼睛位置以及车辆两侧A柱的位置计算前向盲区包括：
根据所述当前的眼睛位置确定目标眼睛位置和目标视线方向；所述目标眼睛位置包括第一位置和第二位置；
确定第一前向边界线B1；B1为垂直于车辆行驶方向，并与左侧A柱后侧相切的直线；
确定第二前向边界线B2；B2为垂直于车辆行驶方向，并与右侧A柱后侧相切的直线；
确定第三前向边界线B3；B3为车辆前方外轮廓线；
根据所述目标眼睛位置确定驾驶员的第一视野边界线C1和第二视野边界线C2；C1为过第一位置与所述目标视线方向夹角为θ的直线，C2为过第二位置与所述目标视线方向夹角为θ的直线；θ为驾驶员视野角度；
确定第四前向边界线C3；C3为经过第一位置，且和左侧A柱在第一预设点相切的直线；
确定第五前向边界线C4；C4为经过第二位置，且和右侧A柱在第二预设点相切的直线；
根据B1、B3、C1、C3和左侧A柱确定前向左侧盲区范围；
根据B2、B3、C2、C4和右侧A柱确定前向右侧盲区范围；
所述前向盲区包括前向左侧盲区范围和前向左侧盲区范围。
7.如权利要求6所述的方法，其特征在于，
在初始化阶段，所述根据当前眼睛位置确定目标眼睛位置包括：
初始化计数器和位置向量；初始化后，所述计算器的取值为0；所述位置向量为空；
将当前眼睛位置确定为所述目标眼睛位置并存储；
初始化阶段结束后，所述根据当前眼睛位置确定目标眼睛位置包括：
判断当前眼睛位置与所述已存储的目标眼睛位置之间的距离是否大于第二阈值；
若小于，对所述计算器执行清零操作；
若大于，将当前眼睛位置存入所述位置向量，并对所述计数器执行递增操作；
判断所述计数器的取值是否到达第三阈值；
若到达，使用所述位置向量中的眼睛位置计算出新的目标眼睛位置并存储。
8.如权利要求1所述的方法，其特征在于，所述根据车辆当前的定位信息、高精地图信息，以及所述融合障碍物信息集合，判断所述视觉盲区内是否存在障碍物包括：
根据车辆当前的定位信息和高精地图信息，剔除所述融合障碍物信息集合中的静态道路元素，得到初始障碍物集合；
对所述视觉盲区法向膨胀预设距离，得到预盲区；
将所述初始障碍物集合中，在所述预盲区中持续出现的帧数达到第四阈值的障碍物划分至关键障碍物集合；
若所述关键障碍物集合中的障碍物在所述视觉盲区中持续出现的帧数达到第五阈值，确定所述视觉盲区中存在障碍物。
9.如权利要求1所述的方法，其特征在于，
所述视觉盲区中存在的障碍物为目标障碍物；
所述进行报警包括：
将报警信息和视觉盲区中存在的障碍物的视频信息发送至给人机交互系统HMI；所述HMI包括：中央大屏显示器、右侧A柱显示器和左侧A柱显示器；
当行车意图为沿车道行驶时，在所述中央大屏显示器上显示所述报警信息和所述视频信息；
当行车意图为左侧换道时，在所述左侧A柱显示器上显示所述报警信息和所述视频信息；
当行车意图为右侧换道时，在所述右侧A柱显示器上显示所述报警信息和所述视频信息。
10.一种车辆盲区监测系统，其特征在于，包括：
识别单元，用于：
获取驾驶员的头面部特征和注意力状态；所述头面部特征和注意力状态通过对当前的驾驶员头像数据识别得到，所述驾驶员头像数据由车内设置的驾驶员监控摄像头采集得到；
根据所述注意力状态决策驾驶员当前的行车意图；
盲区计算单元，用于：
根据所述头面部特征和所述行车意图确定当前的视觉盲区；
盲区障碍物检测单元，用于：
通过多源传感器实时检测障碍物，得到融合障碍物信息集合；所述多源传感器包括毫米波雷达、摄像头和激光雷达中的至少两种；
根据车辆当前的定位信息、高精地图信息，以及所述融合障碍物信息集合，判断所述视觉盲区内是否存在障碍物；
若判定存在障碍物，进行报警。
CN202010895215.XA 2020-08-31 2020-08-31 车辆盲区监测方法及系统 Pending CN111976598A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010895215.XA CN111976598A (zh) 2020-08-31 2020-08-31 车辆盲区监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010895215.XA CN111976598A (zh) 2020-08-31 2020-08-31 车辆盲区监测方法及系统

Publications (1)

Publication Number Publication Date
CN111976598A true CN111976598A (zh) 2020-11-24

Family

ID=73440446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010895215.XA Pending CN111976598A (zh) 2020-08-31 2020-08-31 车辆盲区监测方法及系统

Country Status (1)

Country Link
CN (1) CN111976598A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113043952A (zh) * 2021-04-09 2021-06-29 新疆爱华盈通信息技术有限公司 一种汽车盲区监测系统及方法
CN113065393A (zh) * 2021-02-25 2021-07-02 惠州华阳通用电子有限公司 一种基于后视摄像头的盲区监测方法
CN113147749A (zh) * 2021-04-25 2021-07-23 重庆长安汽车股份有限公司 转弯a柱盲区障碍物提醒系统
CN113276769A (zh) * 2021-04-29 2021-08-20 深圳技术大学 车辆盲区防撞预警系统及方法
CN113362606A (zh) * 2021-07-23 2021-09-07 重庆智和慧创科技有限公司 一种基于车联网的车路协同防碰撞综合控制系统
CN113415287A (zh) * 2021-07-16 2021-09-21 恒大新能源汽车投资控股集团有限公司 车辆道路行驶指示方法及装置、计算机可读存储介质
CN113459951A (zh) * 2021-08-12 2021-10-01 集度汽车有限公司 车外环境显示方法和装置、车辆、设备和存储介质
CN113744532A (zh) * 2021-09-14 2021-12-03 东风汽车集团股份有限公司 一种基于车路协同的城市交通客车盲区预警方法及装置
CN113879266A (zh) * 2021-11-11 2022-01-04 深圳市尖峰时刻电子有限公司 一种利用bsd盲区影像控制车辆刹车的系统及方法
CN114290990A (zh) * 2021-12-24 2022-04-08 浙江吉利控股集团有限公司 车辆a柱盲区的障碍物预警系统、方法和信号处理装置
CN114582165A (zh) * 2022-03-02 2022-06-03 浙江海康智联科技有限公司 一种基于v2x协作式变道安全辅助预警方法及系统
CN115064005A (zh) * 2022-06-08 2022-09-16 中国第一汽车股份有限公司 一种车辆盲区预警方法、系统和存储介质
CN117197786A (zh) * 2023-11-02 2023-12-08 安徽蔚来智驾科技有限公司 驾驶行为检测方法、控制装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1878618A2 (en) * 2006-07-12 2008-01-16 Aisin AW Co., Ltd. Driving support method and apparatus
CN103832380A (zh) * 2012-11-23 2014-06-04 深圳华一汽车科技有限公司 一种基于机器视觉的盲区车辆检测及警告系统及方法
US9616809B1 (en) * 2016-08-01 2017-04-11 Denso International America, Inc. Lane change prediction and turn signal activation upon observation of head and eye movement
CN107953827A (zh) * 2016-10-18 2018-04-24 杭州海康威视数字技术股份有限公司 一种车辆盲区预警方法及装置
CN109144262A (zh) * 2018-08-28 2019-01-04 广东工业大学 一种基于眼动的人机交互方法、装置、设备及存储介质
CN109624972A (zh) * 2018-12-06 2019-04-16 北京百度网讯科技有限公司 车辆防止碰撞的方法、装置、设备及可读存储介质
CN109910754A (zh) * 2019-04-23 2019-06-21 北京七鑫易维科技有限公司 一种盲区画面获取的方法以及终端设备
CN111267734A (zh) * 2020-04-01 2020-06-12 上海神添实业有限公司 大型运输车辆安全防护系统及其预警方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1878618A2 (en) * 2006-07-12 2008-01-16 Aisin AW Co., Ltd. Driving support method and apparatus
CN103832380A (zh) * 2012-11-23 2014-06-04 深圳华一汽车科技有限公司 一种基于机器视觉的盲区车辆检测及警告系统及方法
US9616809B1 (en) * 2016-08-01 2017-04-11 Denso International America, Inc. Lane change prediction and turn signal activation upon observation of head and eye movement
CN107953827A (zh) * 2016-10-18 2018-04-24 杭州海康威视数字技术股份有限公司 一种车辆盲区预警方法及装置
CN109144262A (zh) * 2018-08-28 2019-01-04 广东工业大学 一种基于眼动的人机交互方法、装置、设备及存储介质
CN109624972A (zh) * 2018-12-06 2019-04-16 北京百度网讯科技有限公司 车辆防止碰撞的方法、装置、设备及可读存储介质
CN109910754A (zh) * 2019-04-23 2019-06-21 北京七鑫易维科技有限公司 一种盲区画面获取的方法以及终端设备
CN111267734A (zh) * 2020-04-01 2020-06-12 上海神添实业有限公司 大型运输车辆安全防护系统及其预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴淑杰: "《汽车文化概论》", 31 July 2017, 天津科学技术出版社 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065393B (zh) * 2021-02-25 2024-04-02 惠州华阳通用电子有限公司 一种基于后视摄像头的盲区监测方法
CN113065393A (zh) * 2021-02-25 2021-07-02 惠州华阳通用电子有限公司 一种基于后视摄像头的盲区监测方法
CN113043952A (zh) * 2021-04-09 2021-06-29 新疆爱华盈通信息技术有限公司 一种汽车盲区监测系统及方法
CN113147749A (zh) * 2021-04-25 2021-07-23 重庆长安汽车股份有限公司 转弯a柱盲区障碍物提醒系统
CN113276769A (zh) * 2021-04-29 2021-08-20 深圳技术大学 车辆盲区防撞预警系统及方法
CN113415287A (zh) * 2021-07-16 2021-09-21 恒大新能源汽车投资控股集团有限公司 车辆道路行驶指示方法及装置、计算机可读存储介质
CN113362606A (zh) * 2021-07-23 2021-09-07 重庆智和慧创科技有限公司 一种基于车联网的车路协同防碰撞综合控制系统
CN113459951A (zh) * 2021-08-12 2021-10-01 集度汽车有限公司 车外环境显示方法和装置、车辆、设备和存储介质
CN113744532A (zh) * 2021-09-14 2021-12-03 东风汽车集团股份有限公司 一种基于车路协同的城市交通客车盲区预警方法及装置
CN113879266A (zh) * 2021-11-11 2022-01-04 深圳市尖峰时刻电子有限公司 一种利用bsd盲区影像控制车辆刹车的系统及方法
CN114290990A (zh) * 2021-12-24 2022-04-08 浙江吉利控股集团有限公司 车辆a柱盲区的障碍物预警系统、方法和信号处理装置
CN114582165A (zh) * 2022-03-02 2022-06-03 浙江海康智联科技有限公司 一种基于v2x协作式变道安全辅助预警方法及系统
CN115064005A (zh) * 2022-06-08 2022-09-16 中国第一汽车股份有限公司 一种车辆盲区预警方法、系统和存储介质
CN117197786A (zh) * 2023-11-02 2023-12-08 安徽蔚来智驾科技有限公司 驾驶行为检测方法、控制装置及存储介质
CN117197786B (zh) * 2023-11-02 2024-02-02 安徽蔚来智驾科技有限公司 驾驶行为检测方法、控制装置及存储介质

Similar Documents

Publication Publication Date Title
CN111976598A (zh) 车辆盲区监测方法及系统
EP3298604B1 (en) Safety system for a vehicle to detect and warn of a potential collision
JP4420011B2 (ja) 物体検知装置
WO2018076855A1 (zh) 车辆行驶窄道辅助系统
JP5345350B2 (ja) 車両の運転支援装置
JP4847051B2 (ja) 車両周囲監視方法およびシステム
US8903638B2 (en) Warning method and system for detecting lane-changing condition of rear-approaching vehicles
US9586525B2 (en) Camera-assisted blind spot detection
US20070126565A1 (en) Process for monitoring blind angle in motor vehicles
US10173586B1 (en) System and method for automatically activating turn indicators in a vehicle
EP2579231A1 (en) Image processing apparatus for vehicle
JP6103138B2 (ja) ドライバ支援システム
CN112349144B (zh) 一种基于单目视觉的车辆碰撞预警方法及系统
EP3190021A1 (en) System and method for collision warning
US10421397B2 (en) Forward maneuvering assistance using head-up display
US10410514B2 (en) Display device for vehicle and display method for vehicle
JP7056632B2 (ja) 運転支援装置
JP3941770B2 (ja) 衝突可能性判定装置
KR20210127267A (ko) 차량 및 그 제어방법
US20180162274A1 (en) Vehicle side-rear warning device and method using the same
JP2018127084A (ja) 自動運転車両
WO2022062000A1 (zh) 一种基于透明a柱的辅助驾驶方法
CN114179726A (zh) 驾驶辅助信息展示方法、装置、设备、介质及程序产品
CN115593403A (zh) 一种车辆侧方盲区防碰撞的预警方法
CN113920734B (zh) 一种基于logistics模型的变道预警方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 4 / F, building 1, No.14 Jiuxianqiao Road, Chaoyang District, Beijing 100020

Applicant after: Beijing Jingwei Hengrun Technology Co.,Ltd.

Address before: 8 / F, block B, No. 11, Anxiang Beili, Chaoyang District, Beijing 100101

Applicant before: Beijing Jingwei HiRain Technologies Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201124