CN114255614A - 一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统 - Google Patents

Abstract

本发明公开了一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统，其步骤包括：1、通过行车记录仪进行图像识别得到当前路面状态并传递至手机app模块；2、通过车载传感器获取自车和前车信息传递至app模块；3、车道识别，判断是否存在侧向变道超车；4、手机app端由动态附着系数拟合公式计算动态附着系数，由安全距离模型判断是否需要减速并语音播报提醒，当前方存在侧向变道超车车辆时，以语音形式提醒驾驶员控制车速。本系统综合考虑路面状态、道路坡度、车辆行驶状态等对行车环境进行综合评估，采用车道识别技术和动态附着系数算法提高精度，减少误报，为普通车辆提供一套可靠的减速预警系统，提高了高速公路车辆行驶的安全性。

Description

一种基于车载智能手机及行车记录仪的高速公路车辆智能减 速预警方法与系统

技术领域

本发明属于汽车安全驾驶领域，特别涉及采用车载智能手机及行车记录仪，可以在车车辆行驶过程中对路面状态进行分析并预警的一种高速公路车辆减速预警系统。

背景技术

随着我国基础设施的建设，我国的高速总里程数已迈上了一个全新的台阶，并且还处于增长趋势。据研究数据统计，汽车追尾碰撞是高速道路交通事故的主要形式之一，占高速道路中交通事故的40％左右，死亡率高达一半以上。通过对多起高速追尾交通事故的分析得到以下结论：驾驶员在高速行车过程中由于周围的环境变换和车况变换较小，容易产生精力不集中，对前方路况判断迟缓或者无法做出正确的判断，最终导致事故的发生。

为了在事后清晰地分析事故发生的原因，同时为交通执法提供依据，基本上所有在高速行驶的车辆都会主动或者被动的安装行车记录仪。但是目前市面上已经产品化的行车记录仪仅有摄像、录音、拍照等功能，并未加入对前方路况或者车况的分析功能。已公开专利CN107204055A提出了一种智能联网行车记录仪，这项发明虽然很好的解决了前后车辆的预警问题，但是并没有针对路面的状态进行分析，没有办法对不同路面状态下的行车过程进行安全预警。已公开专利 CN110285825A提出了一种基于行车记录仪的语音辅助驾驶员防追尾系统，虽然有对路面的状态进行的分析判断，但是计算安全距离时采用的不同路面状态下附着系数是常量，没有考虑除路面状态外的其他因素如速度、坡度等对附着系数的影响；而且其提出的跟车预警模型过于简化单一，安全距离过大不符合高速行驶时的实际情况，使得道路使用率较低；并且因为采用双目摄像头进行距离测量，受天气影响较大，在部分恶劣天气无法使用。故针对安全驾驶需求，本发明设计了一种利用行车记录仪进行路面状态及超车风险识别，并能通过车载智能手机动态计算路面附着系数的高速减速预警系统。

发明内容

本发明的目的在于提供一种利用行车记录仪进行路面状态及超车风险识别，并能通过车载智能手机动态计算路面附着系数的高速公路车辆减速预警系统。根据行驶车辆前方的路面状态和与前方车辆的相对距离，进行分析，在存在发生事故的可能时可以及时提醒车辆驾驶员，并给出合理的跟车速度，这样可以有效的避免追尾事故的发生，增加高速行驶的安全性。

为实现上述目的，本发明提供如下技术方案：

一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统，包括行车记录仪、高清视频传输连接设备、图像识别处理器、毫米波雷达、倾斜度角度传感器、进行传感器数据收集的单片机模块、一种进行减速预警的手机APP。

所述行车记录仪获取车辆行驶过程中前方道路和路面图像，并利用所述高清视频传输给连接设备与所述图像识别处理器进行数据通信。

所述图像识别处理设备通过接收行车记录仪传递的图像数据，将其分别传递给图像处理器模块的车道线识别系统和路面状态识别系统。其中车道线识别系统将图像数据转化为灰度信息进行车道线检测从而判别车辆是否超车。所述的路面状态识别系统融合卷积神经网络，实现数据增强和参数的对比分析，提升模型的准确性。识别系统架构分为算法层，模型层，训练层，根据图像的特点进行智能分类从而识别出道路的基本状况。最终将识别结果利用蓝牙发送到手机APP中进后续处理。

所述毫米波雷达获取跟随的前方车辆的相对距离和相对速度；所述倾斜度角度传感器获取车辆行驶所在路面的纵向俯仰角变化。最终与所述单片机模块连接，进行数据初步分析。

所述单片机模块与车辆的CAN总线连接，获取车辆行驶速度，利用单片机配套的蓝牙模块与安装有所述手机APP的手机蓝牙连接，进行数据的传输通信。

所述手机APP是一款能够进行最终数据分析运算、安全预警、信息共享的APP。利用上述单片机模块和图像识别处理器发送的数据，代入内置的高速跟车模型进行分析，将结果以语音播报的形式反馈给车辆驾驶员，并同时将路面状态信息发送给后面车辆，进行安全减速预警。

与现有技术相比，本发明具有以下有益效果：

1)本发明与任何普通的行车记录仪都可以配合使用，并且测量前车距离和相对速度采用毫米波雷达的方式，降低了恶劣天气对本发明的不良影响，使本系统更易普及；

2)本发明将不同路面状态下紧急制动距离的变化考虑到跟车模型内，能够有效降低不同天气下高速公路追尾事故的发生；

3)本发明采用了卷积神经网络区分路面状态，结合网联监测数据校核后，再通过路面附着系数的双指数模型算法，计算动态附着系数，有效的提高了不同路面状态、不同行车速度下的附着系数精度，更加精确的进行减速预警模型计算；

4)本发明采用车道识别的方式，将侧方超车考虑到的预警范围内，降低了跟车预警的误报，同时减少了高速上快速超车无法及时反映情况的发生；

5)本发明在保证安全跟车距离及行车速度的前提下，可以提高不同车速下的高速公路交通流密度，增加高速公路的道路利用率。

附图说明

下面结合附图和实施方式对本发明进一步说明。

图1是一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统的整体结构示意图。

图2是所述进行传感器数据收集的单片机模块的结构示意图。

图3是所述手机APP的程序流程示意图。

图4是车辆行驶状态一的示意图。

图5是车辆行驶状态二分情况讨论的V-t图像。

图6是车辆行驶状态二的示意图。

图7是车辆行驶状态三的示意图。

图8是在路面状态为沥青(潮湿)的情况下，前车速度为95km/h的情况下，本车速度在80-120km/h范围内的最小跟车距离的比较。

图9是不同路面状态下，车速在60-120km/h范围内的紧急制动距离比较。

图10是在路面状态为沥青(潮湿)，前车速度为95Km/h的情况下，本车速度在80-120Km/h范围内时，本模型与传统模型理论交通流密度的比较。

图11是在本车速度为100km/h下，道路纵坡度对干燥和潮湿的沥青路面理论刹车距离的影响。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行进一步清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。

系统总体设计如图1所示，主要包括单片机和传感器模块、行车记录仪和图像识别处理器模块、驾驶员手机和APP构成的终端三大部分组成。

行车记录仪和图像识别处理器模块的主要工作原理：行车记录仪在车辆行驶过程中的路面图像信息，对获取待识别路面图像并进行标准化处理：将图像的尺寸放缩到与训练图像一致，然后进行归一化操作，然后将其传递给图像识别处理模块。所使用的卷积神经网络结构为卷积层1、2个不同规格的模块网络、卷积层2、平均池化层以及全连接层构成。其中模块网络能够起到数据增强和减少过拟合的作用。该神经网络在大规模自制数据集进行训练，将数据集划分为训练集、验证集和测试集并进行标准化处理；将训练集的数据用于预训练模型的迁移学习，并使用验证集来调整超参数，最后通过测试集检验模型效果。网络模型的输出为一多维向量，其维数与所需识别的道路状况数量相同，数值最大的一维代表识别的最终结果。与此同时，车道线识别系统将获取的图像信息转化为灰度信息，图像中噪声太严重将会影响对目标的分割提取，所以需要对图像进行平滑滤波，降低图像噪声和减小细节的同时，还能保留边界。再使用边缘检测算法将车道线从原图像中提取出来，本专利使用canny算法进行图像边缘提取，其计算梯度时使用了卷积，计算方向[0、45、90、135]度间的梯度值，最后使用ROI区域选择和霍夫线变换得到识别的车道线的位置，从而判断路旁车辆的超车行为，减少减速系统的误报。

单片机和传感器模块的具体结构设计如图2所示。单片机stm32通过CAN 收发器直接与车辆的CAN总线连接，从车辆CAN总线上直接读取车辆行驶速度 V1；毫米波雷达实时对前方车辆进行测量，通过探头发送接收毫米波信号，测量与前车的相对距离D和相对速度，将结果发送给单片机stm32，单片机stm32并利用V1计算出前车行驶速度V2；倾斜度角度传感器动态测量车辆行驶路面的纵向俯仰角i，将测量数据发送给单片机stm32。最终利用配套的蓝牙模块，将V1、 V2、i三个测量数据发送到手机内的APP中。

手机APP程序流程如图3所示。当手机收到单片机模块和图像识别处理器传输的数据后，利用内置的算法模型进行刹车距离和最大跟车速度的计算，判断是否存在追尾事故的风险，若存在风险，利用手机的话筒，通过语音的形式反馈给车辆驾驶员，提醒进行减速，并给出建议速度。

进一步的，在本发明中提出了一种完整的高速跟车模型，本高速跟车模型将高速车辆行驶分为三种状态，每种情况有不同的计算方法，现结合附图和公式进行具体的介绍。

优选的，状态一如图4所示为前车静止，此时的制动，就是正常情况下的紧急制动。此状态下的制动距离如公式(1)所示，当满足公式(2)时紧急制动安全：

D-X≥d (2)

其中：t_x是制动器协调时间；t_s是制动减速度增长时间；t_h是驾驶员反应时间； d为最小安全距离。

优选的，状态二为前车匀速或者加速行驶，此时还需要分情况讨论。当前车速度大于后车速度时，由图5的V-t图像可以很清楚地知道，无论是前车匀速或者加速行驶，在此情况下，不会发生追尾事故。

而当前车速度小于后车速度，如图6时，在前车匀速的情况下有最危险的时刻，这个时刻是后车减速到和前车车速恰好相等的时刻。在前车匀速行驶，后车紧急制动，均不会发生追尾事故的条件下，若前车加速运动，也一定不会发生事故。在此状态下的本车制动距离和前车的制动距离分别由公式(3)和(4)所示，当满足公式(6)时紧急制动安全：

其中：

D+X₂-X₁≥d (6)

优选的，状态三如图7，为前车减速或者加速停止行驶，在此状态下，最危险的时刻是当两车车速相同的时刻，但是为了计算简便，并且更加安全，将最危险的时刻定义为前车完全停止的时刻。同时为了防止其他意外因素，此情况不在考虑动态时间，只考虑制动过程中两车的位移的极限情况，当后车和前车都完全静止的情况下，没有发生追尾，那么在此行驶条件下，均不会发生追尾。在此状态下的本车制动距离和前车的制动距离分别由公式(7)和(8)所示，当满足公式(9)时紧急制动安全：

D+X₂-X₁≥d (9)

以上为手机APP中的高速跟车模型，手机按照模型进行计算，判断后车是否有追尾的风险。本发明的模型在以往的基础上进行可很大程度而定改进，细化了不同行车情况的不同紧急制动状态，例如本模型的情况三与以往的单一模型比较，最小跟车距离大幅度缩短，具体比较见图8。通过对安全跟车距模型的优化，克服了以往传统跟车模型(已公开专利CN110285825A)的单一，更加符合实际高速行驶状态，在安全的前提下更加合理利用高速交通资源，并且能够结合道路环境更加精确的预测安全跟车距离，相对与传统模型能够在一定程度上减小误报，在道路环境恶劣导致刹车距离增大时能够实现更加安全的预测。在模型中的车辆减速加速度按照公式(10)进行计算。

a＝g*(μ+0.01i) (10)

其中：g为当地的重力加速度，μ为轮胎与地面的附着系数。

进一步的，在实际的高速行驶中由于车速较大，车辆的减速加速度对刹车距离影响很大，为了精确计算车辆的减速加速度，本发明在前人研究的基础上提出了一种基于双指数模型的附着系数计算方法，将现有的理论计算方法进行了合理的简化和修改，在保证数据结果准确性的前提下简化了计算方式和影响参数，加快了计算速度，保证高速行驶过程中计算的需要，并进一步提高系统稳定性。具体的计算公式由(11)所示。

μ＝0.89*0.113^δ+0.002*e^δ(60-V) (11)

其中：V为车辆的行驶速度，δ为路面状态附着系数影响因子，不同的路面状态对应不同的δ进行计算，通过数据拟合的方式得出不同路面状态的影响因子δ，各种路面状态对应的影响因子值如表1所示：

表1常见路面的影响因子

进一步的，手机APP会根据图像识别处理器提供的路面状态进行路面影响因子δ的选取，并按照选取的δ进行模型的计算。通过计算分析可以发现，在高速行驶的情况下，路面状态对紧急制动距离有很大的影响，并且行车速度越大，影响越大，距离数据见图9，因此采用动态里面附着系数的计算可以大幅度降低发生追尾的风险，有利于高速行车安全。并且APP还会根据图像识别处理器的数据，判断是否有车辆正在超车，如有车辆正在进行超车，会以语音的形式提醒车辆驾驶员注意，从而减小事故的发生概率。APP还会根据GPS定位，为后方1-2km内的车辆发送当前的路面状态，为后车进行路面状态的预警。

以上所述仅为本发明的较佳实施例，并非限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (6)

1.一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统，其特征在于：

手机app模块通过内置的安全距离模型计算自车需要减速时，调用手机的语音系统提醒驾驶员减速，并考虑路面状态提供建议的最大安全速度；当存在侧向超车时，提醒驾驶员注意侧向距离并控制车速。

2.如权利要求1所述的一种基于行车记录仪图像识别的高速公路智能减速预警方法与系统，其特征在于：

手机app模块内置的安全距离模型考虑三种高速跟车行驶中的紧急减速模型，每种情况有不同的计算方法，由此计算得到安全速度临界值，具体步骤如下：

1)前车静止，后车此时的制动，就是正常情况下的紧急制动。此状态下的制动距离如公式(1)所示，当满足公式(2)时紧急制动安全：

D-X≥d (2)

其中：t_x是制动器协调时间；t_s是制动减速度增长时间；t_h是驾驶员反应时间；d为最小安全距离。

2)当前车速度大于后车速度时，无论是前车匀速或者加速行驶，在此情况下，不会发生追尾事故。

3)当前车速度小于后车速度，在前车匀速的情况下有最危险的时刻，这个时刻是后车减速到和前车车速恰好相等的时刻。在前车匀速行驶，后车紧急制动，均不会发生追尾事故的条件下，若前车加速运动，也一定不会发生最为事故。在此状态下的本车制动距离和前车的制动距离分别由公式(3)和(4)所示，当满足公式(6)时紧急制动安全：

其中：

D+X₂-X₁≥d (6)

当前车减速或者减速停止行驶时，在此状态下，最危险的时刻是两车车速相同的时刻，但是为了计算简便，并且出于更加安全的目的，将最危险的时刻定义为前车完全停止的时刻。同时为了防止其他意外因素，此况不在考虑动态时间，只考虑制动过程中两车的位移的极限情况，当后车和前车都完全静止的情况下，没有发生追尾，那么在此行驶条件下，均不会发生追尾。在此状态下的本车制动距离和前车的制动距离分别由公式(7)和(8)所示，当满足公式(9)时紧急制动安全：

D+X₂-X₁≥d (9)

以上为手机APP中的高速跟车模型，手机按照模型进行计算，判断后车是否有追尾的风险。在模型中的车辆减速加速度按照公式(10)进行计算。

a＝g*(μ+0.01i) (10)

其中：g为当地的重力加速度，μ为轮胎与地面的附着系数。

3.如权利要求1所述的一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统，其特征在于：

手机app模块内置了提出的一种考虑自车车速和路面状态的基于双指数模型的附着系数计算方法，以提升图像识别估计附着系数的准确性。具体的计算公式如下所示。

μ＝0.89*0.113^δ+0.002*e^δ(60-V)

其中：V为车辆的行驶速度，δ为路面状态附着系数影响因子，不同的路面状态对应不同的δ进行计算，通过数据拟合的方式得出不同路面状态的影响因子δ，各种路面状态对应的影响因子值如表1所示：

各种路面状态对应的影响因子值如表1所示：

表1常见路面的影响因子

4.如权利要求1所述的一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统，其特征在于：

利用行车记录仪图像进行路面及车道图像采集，图像识别处理器利用行车记录仪截取的图像进行基于Tensor flow的路面状态及车道识别，一方面为手机app模块提供路面状态数据；另一方面车道线识别系统将图像数据转化为灰度信息进行车道线检测，从而判断侧向车道是否存在超车并变道或靠近本车道的行为，以提醒驾驶员注意减速。

5.一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统，其特征在于：

手机app模块与单片机模块和图像识别处理器模块间通过蓝牙实现数据传输，app端同时联网获取路面状态实时监测信息，两种路面监测信息数据相互校核，为将到达此路段车辆的减速预警控制速度提供可靠的实时路面状态信息，以减小事故发生率。

6.一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统，其特征在于：

车载传感器模块包括配置有毫米波雷达和倾斜度角度传感器，模块收集数据后传输给单片机模块，并通过单片机直接读取车辆的can总线数据获取自车车速及其与前车距离，最后通过蓝牙设备传输至手机端，最终通过手机APP模块内置的减速预警方法求得建议的速度控制值。

Images