CN112365706B - 一种基于多源信息的异常车距辨识方法 - Google Patents

Abstract

本发明公开了一种基于多源信息的异常车距辨识方法，通过路侧雷视设备采集监测路段内的道路及车辆信息，获取监测路段内所有目标车辆的位置信息，对所有目标车辆的位置信息进行处理，得到同一条车道上所有目标车辆之间的前后距离L_i并建立每一条车道的车距高斯正态分布模型；基于车道车距高斯正态分布模型确定当前状态下的疑似异常车距的判定阈值L_is；将同一条车道内目标车辆之间的前后车距L_i与判定距离L_is进行比较，并将前后车距L_i不大于判定距离L_is的车辆的信息，输入到下一步的针对疑似异常车距的判定系统中作进一步异常判定；基于安全跟车距离阈值L_max，对筛选出的疑似异常车距的目标车辆进行异常判定。

Description

一种基于多源信息的异常车距辨识方法

技术领域

本发明属于智能交通系统车路协同主动安全领域，尤其是一种基于多源信息的异常车距辨识方法。

背景技术

随着社会经济的飞速发展，人民对于生活质量的要求也在不断提高。汽车作为出行的代步工具、货物的运载工具，其保有量也在不断增加。但是，随之而来的一系列交通安全问题也引发了政府高度重视。研究表明，如果能在事故发生前几秒及时检测和发现道路中车辆的异常跟车行为，通过有效的措施处理消除异常行为，并将异常行为的相关信息告知附近车辆，则可有效避免90％的汽车追尾事故和60％的汽车正面对撞事故。因此及时有效地检测出车辆异常跟车行为对减小交通事故发生率，挽救生命和财产损失，提高交通安全性具有重大意义。

传统的车辆行为检测主要依赖于人工手段，如车辆巡逻、目击者举报或者人为观看监控视频。这些方法虽然简单直接，但需要占用大量的时间和精力。随着传感器技术、计算机视觉技术、图像处理技术等的不断发展，雷视设备得到了广泛的应用。目前，基于此类设备的异常车距检测方法，无论是从距离上比较(申请公布号CN105336217A等)还是从时间上比较(申请公布号CN110969895A等)，他们都只是对单一项进行比较，虚警率比较高。

发明内容

为了解决现有技术中的不足，本发明提出了一种基于多源信息的异常车距辨识方法，可以对跟车异常的车辆进行分级研判，并且在安全阈值的计算上也融合了人、车、路以及环境等因素，特别是在最终异常车距的判定上，不仅根据车距这一静态参数，还通过加速度这一动态参数对结果进行修正。较好地缓解了传统安全距离阈值设定的不合理性，以及异常车距判定的单一性，在很大程度上减少了虚警现象的发生。

本发明所采用的技术方案如下：

一种基于多源信息的异常车距辨识方法，利用毫米波雷达和视觉传感器协同工作采集监测路段内的道路及车辆信息且得到输出目标车辆的车道信息和车辆的前后距离信息，得到同一条车道上所有目标车辆之间的前后距离L_i并建立每一条车道上目标车辆的车距高斯正态分布模型；在车道车距高斯正态分布模型的基础上确定当前状态下的疑似异常车距的判定阈值L_is；

将同一条车道内目标车辆之间的前后车距L_i与判定距离L_is进行比较，若车距L_i大于判定距离L_is的车辆，进行持续跟踪、统计车距的变化并实时进行车距比对；车距L_i不大于判定距离L_is的车辆，保存相关车辆的类别、速度以及加速度等信息，并输入到下一步的针对疑似异常车距的判定系统中作进一步异常判定；

基于多源信息确定跟车异常距离阈值L_a，对筛选出的疑似异常车距的目标车辆进行异常研判。

进一步，通过雷视一体机采集目标车辆的车道信息、车辆的前后距离信息、

进一步，通过对目标车辆的车道信息以及前后车距信息进行处理计算出各车道的平均车距，并通过车道的区间平均车距建立各车道的车距高斯正态分布模型。

进一步，确定疑似异常车距的判定阈值L_is的方法为：在各个车道的车距高斯正态分布模型上取异常车距发生率，当车道的车距高斯正态分布模型与横坐标所围成的面积等于异常车距发生率时所对应的车距选为疑似异常车距的判定阈值L_is。

进一步，通过雷视一体机采集目标车辆的长度、速度和加速度，并通过公路气象监测系统获取当前路段的视觉能见度、天气状况、路面温度和湿度。确定疑似异常车辆的跟车异常距离阈值L_a：

其中，C为天气能见度修正系数，H为路面温湿度修正系数，a为轿车在良好路面的制动减速度，l_前、l_后为前、后车辆长度修正系数，S_s为停车时安全间距，t₁为驾驶员反映时间，t₂为制动协调时间、t₃为制动减速度增长时间，v_后为后车速度、v_前为前车速度。进一步，最终异常车距判定的过程为：

对于车距L不大于跟车异常距离阈值L_a的车辆，再对前后车辆的加速度α_前车、α_后车进行比较，如果α_前车＞α_后车则表明车距未达到危险，不予异常报警，如果α_前车≤α_后车则表明此时的车距为异常车距，通过预警系统向相关车辆发送预警信息，提醒驾驶员制动减速，当车距脱离疑似范围后警报解除。

本发明的有益效果：

1、对于异常跟车距离的辨识进行分级研判，第一步根据建立的车距高斯模型结合平均车速、历史数据以及容错率，挑出疑似异常的车距，而第二次的阈值计算也仅对疑似车距进行，这在很大程度上减少了系统的计算量，提高了检测预警的实时性。

2、在跟车异常距离阈值计算系统计算中融合了环境等参数信息，针对不同条件下地面的附着能力以及视觉能见度等因素对安全车距的影响，通过公路气象监测系统监控路面变化以及环境视觉变化，并根据这些环境的变化通过修正系数实时改变异常判定阈值提高了系统的合理性，判别精度更高。

3、本发明在对疑似车距进行判别时，不仅根据静态参数车距之间的比较，还在此基础上融合了车辆的加速度这一表征动态趋势的参数信息，在进行异常判定时减少了虚警或频繁报警的现象发生，这使得系统误判率更低、可靠性更强。

附图说明

图1是本发明车距异常行为检测流程图示意图；

图2是车道的车距高斯正态分布模型；

图3是疑似异常判定示意图；

图4是安全阈值计算系统原理流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

如图1所示的一种基于多源信息的异常车距辨识方法，包括如下步骤：

步骤1，多源数据信息的获取，具体为：

利用雷视一体机采集监测路段内的车辆信息，具体为：在监测路段相应位置处架设雷视一体机并对其进行标定，通过利用雷视一体机中毫米波雷达和视觉传感器协同工作采集监测路段内的目标车辆的长度、目标车辆相对于一体机的速度、加速度以及横、纵向距离。

利用公路气象监测系统采集监测路段内的道路环境与天气环境信息，具体为：在监测路段内架设公路气象监测系统，通过该系统对附近的能见度、路面温度和湿度以及天气状况等信息进行采集。

步骤2，判断监测路段内跟车疑似异常的车辆，具体过程为：

步骤2.1，进入监测路段内的所有车辆都是待识别的目标车辆，根据雷视一体机输出的某一时刻监测路段内所有目标车辆的位置，得到同一条车道上所有目标车辆之间的前后距离L_i，i＝1、2、…、m,m为监测路段车道内检测到的车距数，并建立每一条车道上目标车辆的车距高斯正态分布模型，如图2所示，考虑到在相对稳定的车速条件下，各个目标车辆之间的距离大部分都处在一个相对比较固定的区间内。比如在高速公路上车辆的速度处在100km/h左右时，车距的分布也都处在100m左右，因此可以认为车辆间的距离服从高斯正态分布L～N(μ，σ²)。通过对监测区间目标车辆车道信息以及前后车距信息的处理，计算出各车道的平均车距，并通过车道的区间平均车距建立车道的车距高斯正态分布模型如图2所示的曲线抛物线，采用极大似然估计法求取模型的参数。

步骤2.2，根据海量历史数据分析确定在不同车道平均车速下的车距区间分布情况，考虑到异常车距的存在以及异常车距的检测误差，取异常车距发生率为0.1，从而确定不同车道平均车速下的疑似异常车距的判定阈值L_is。在车距异常辨识过程中对雷视一体机获取到的监测路段内车辆速度进行处理，获取各车道的平均车速信息，在车道车距高斯正态分布模型的基础上确定当前状态下的疑似异常车距的判定阈值L_is(即在车道车距高斯正态分布模型中，当阴影面积S为0.1时，对应的车距选为异常车距的判定阈值L_is)。通过采集到的测试样本数据集对此模型进行测试，不断修正此疑似异常车距的判定阈值L_is。

步骤2.3，将同一条车道内目标车辆之间的前后车距L_i与判定距离L_is进行比较，若车距L_i大于判定距离L_is的车辆，进行持续跟踪、统计车距的变化并实时进行车距比对；车距L_i不大于判定距离L_is的车辆，保存相关车辆的类别、速度以及加速度等信息，并输入到下一步的针对疑似异常车距的判定系统中作进一步异常判定如图3。

步骤3，对筛选出的疑似异常车距的目标车辆进行最终异常研判；具体过程为：

步骤3.1，如图4基于疑似异常车距目标车辆的相关信息和当前监测路段的环境状况计算此时状态下的跟车异常距离阈值L_a；由于影响最小安全行车距离的因素很多，但基本上都可以被概括为“人—车—路—环境”这四个方面，因此要构建一个以车为基础、以人为核心、以路及环境为导向的临界安全车距模型。具体过程为：

步骤3.1.1，以车为基础就是首先从汽车的制动性能入手。在车辆跟驰过程中，前车遇到紧急状况进行制动，后车进行识别并相应地采取制动措施。满足如下的代数关系：

L_w＝S_后-S_前+S_s

其中：L_w为临界车距，S_后为后车制动距离，S_前为前车制动距离，S_s为停车时安全间距。

步骤3.1.2，以人为核心就是围绕驾驶员特征进行重点参数优化。对于后车的制动距离主要包括了制动反应阶段距离l₁、制动协调阶段距离l₂、制动力增长阶段距离l₃以及全力制动直至停车阶段距离l₄。即

其中：t₁为驾驶员反映时间，t₂为制动协调时间、t₃为制动减速度增长时间、v_后为后车速度、a_后为后车制动减速度。

步骤3.1.3，考虑到当后车开始制动是以前车制动尾灯亮起为信号，所以对于前车的制动距离只包括全力制动直至停车阶段的距离l₄。即

其中：v_前为前车速度、a_前为前车制动减速度。

步骤3.1.4，结合步骤3.1.1、步骤3.1.2、步骤3.1.3，临界车距L_w可以表示为

步骤3.1.5，在临界车距L_w的基础上综合当前道路及环境状况计算跟车异常距离阈值L_a，L_a表示为：

其中，C为天气能见度修正系数，H为路面温湿度修正系数，a为轿车在良好路面的制动减速度，l_前、l_后为前、后车辆长度修正系数，S_s为停车时安全间距，t₁为驾驶员反映时间，t₂为制动协调时间、t₃为制动减速度增长时间，v_后为后车速度、v_前为前车速度。

考虑到在行车过程中视觉能见度对驾驶员有很大影响，而天气状况又是影响视觉能见度的主要因素，故在阈值计算中引入天气能见度修正系数C这一参数，其中修正系数C的值与能见度的大小成反比；同时，在车辆制动过程中，路面的状况对制动效果有很大影响，其中主要因素就是路面的温度和湿度，所以引入参数路面温湿度修正系数H，温度仅考虑是否低于零摄氏度，在此基础上湿度越高修正系数H取值越大；除了以上影响制动减速度的环境因素外，车辆的质量也会对制动距离产生较大影响，考虑到车辆质量不易获取故引入车辆长度l修正系数这一参数，默认车辆长度越长质量越大对制动距离影响越大修正系数l取值越大。

步骤3.2，对于车距L大于跟车异常距离阈值L_a的车辆，进行持续跟踪、统计车辆相关参数的变化，并实时进行安全阈值计算比对直至疑似被排除；对于车距L不大于跟车异常距离阈值L_a的车辆，再对前后车辆的加速度α_前车、α_后车进行比较，如果α_前车＞α_后车则表明车距未达到危险，不予异常报警，如果α_前车≤α_后车则表明此时的车距为异常车距，通过预警系统向相关车辆发送预警信息，提醒驾驶员制动减速，当车距脱离疑似范围后警报解除。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (2)

1.一种基于多源信息的异常车距辨识方法，其特征在于，利用毫米波雷达和视觉传感器协同工作采集监测路段内的道路及车辆信息且得到输出的某一时刻监测路段内所有目标车辆的位置，得到同一条车道上所有目标车辆之间的前后距离L_i并建立每一条车道上目标车辆的车距高斯正态分布模型；在车道车距高斯正态分布模型的基础上确定当前状态下的疑似异常车距的判定阈值L_is；

将同一条车道内目标车辆之间的前后车距L_i与判定阈值L_is进行比较，若车距L_i大于判定阈值L_is的车辆，进行持续跟踪、统计车距的变化并实时进行车距比对；车距L_i不大于判定阈值L_is的车辆，保存相关车辆的类别、速度以及加速度的信息，并输入到下一步的针对疑似异常车距的判定系统中作进一步异常判定；

通过雷视一体机和公路气象检测系统获取目标车辆的长度、速度、加速度、路面温度湿度、能见度以及天气状况确定跟车异常距离阈值L_a，对筛选出的疑似异常车距的目标车辆进行异常研判；

通过对监测区间内目标车辆车道信息以及前后车距信息的处理，计算出各车道的平均车距，并通过车道的区间平均车距建立各车道的车距高斯正态分布模型；

确定疑似异常车距的判定阈值L_is的方法为：在各个车道的车距高斯正态分布模型上取异常车距发生率，当车道的车距高斯正态分布模型与横坐标所围成的面积等于异常车距发生率时所对应的车距选为疑似异常车距的判定阈值L_is；

确定跟车异常距离阈值L_a：

其中，C为天气能见度修正系数，H为路面温湿度修正系数，a为轿车在良好路面的制动减速度，l_前、l_后为前、后车辆长度修正系数，S_s为停车时安全间距，t₁为驾驶员反映时间，t₂为制动协调时间、t₃为制动减速度增长时间，v_后为后车速度、v_前为前车速度。

2.根据权利要求1所述的一种基于多源信息的异常车距辨识方法，其特征在于，分级研判的过程为：对于车距L不大于跟车异常距离阈值L_a的车辆，再对前后车辆的加速度α_前车、α_后车进行比较，如果α_前车＞α_后车则表明车距未达到危险，不予异常报警，如果α_前车≤α_后车则表明此时的车距为异常车距，通过预警系统向相关车辆发送预警信息，提醒驾驶员制动减速，当车距脱离疑似范围后警报解除。

Images