CN115171431A - 一种交叉口多视角大型车辆盲区预警方法 - Google Patents

一种交叉口多视角大型车辆盲区预警方法 Download PDF

Info

Publication number
CN115171431A
CN115171431A CN202210989407.6A CN202210989407A CN115171431A CN 115171431 A CN115171431 A CN 115171431A CN 202210989407 A CN202210989407 A CN 202210989407A CN 115171431 A CN115171431 A CN 115171431A
Authority
CN
China
Prior art keywords
vehicle
blind area
picture
intersection
view
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
CN202210989407.6A
Other languages
English (en)
Inventor
李松明
彭丽娟
李志斌
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.)
Donglan Nanjing Intelligent Technology Co ltd
Original Assignee
Donglan Nanjing Intelligent Technology 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 Donglan Nanjing Intelligent Technology Co ltd filed Critical Donglan Nanjing Intelligent Technology Co ltd
Priority to CN202210989407.6A priority Critical patent/CN115171431A/zh
Publication of CN115171431A publication Critical patent/CN115171431A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Abstract

本发明提出了一种交叉口多视角大型车辆盲区预警方法，通过在交叉口内部布设多机位摄像头的方式，对交叉口内大型车辆与行人目标形成多视角检测，识别采用训练好的YOLOv5模型，通过多视角单应性变换实现人车坐标的俯视图重构与转换，提出主视角闵可夫斯基加权算法对多视角捕获到的目标进行同源锁定，提出多视角遮挡率加权修正算法对大型车状态空间进行融合修正，提出CTARA模型对大型车辆进行轨迹预测，提出建立自适应盲区模型库，通过车辆特征信息实现大型车辆盲区的自适应匹配，最后基于盲区重合度提出全盲区及半盲区两类形式，实现多视角下大型车辆的盲区预警。相比于现有的盲区预警方法，本发明弥补了单目摄像头视野范围受限的缺点，提高了车辆盲区范围的针对性，避免了车载装置存在数据交互不统一与推广困难的问题。

Description

一种交叉口多视角大型车辆盲区预警方法
技术领域
本发明涉及智能交通设施技术与车辆预警技术领域，特别涉及到一种多视角下的大型车辆盲区预警方法。
背景技术
随着公共交通与货物运输需求的上升，大型车辆在道路交通流中的占比也在增加，针对大型车视野受限与因盲区造成的交通事故较其他车型具有严重性，大型车辆的盲区预警已逐渐成为道路设施优化重点与车辆行车安全的重要保障。
目前针对大型车辆的盲区预警，大多采用的是加装车载装置的方式，通过单目视觉成像，或借助雷达、超声波等微波技术，或结合多种传感器来实现车辆的盲区预警。然而当前的方法都存在一定的限制与缺陷：一是没有考虑不同车型、不同姿态等各类情况下的预警范围，缺少针对性和泛化能力；二是采用的单目视觉成像等方法存在识别范围受限，难以提供其他盲区的视角情况，无法覆盖交叉口的全部区域等问题；三是采用的微波技术易受天气因素的影响，精度缺乏保障。
此外目前的预警方法也还存在易受障碍物遮挡影响、目标识别不够全面、在目标距离较远时会精度出现下降、算法的鲁棒性有待提升等问题；同时车辆加装外设装置的方式也存在推广成本较高、面向对象受限等缺点，因此寻找一种新的大型车辆盲区预警方法来实现车辆多方位的识别与多目标数据的整合具有必要性与创新性。
发明内容
为克服当前在道路交叉口存在的大型车辆盲区预警技术存在的不足与缺陷，本发明提供了一种交叉口多视角大型车辆盲区预警方法，具体包括以下实施步骤：
S10：多视角大型车辆与行人检测识别。采用训练好的具备可用于识别大型车种 类、车辆姿态以及行人的权重的YOLOv5模型对车辆目标与行人目标进行识别。提出在交叉 口内布设多机位摄像头的方式，对交叉口内采集多角度画面并对画面赋予编号
Figure 668728DEST_PATH_IMAGE001
；当第
Figure 585868DEST_PATH_IMAGE001
角度 画面检测到出现大型车辆时，将所述画面作为主视角画面，将所述车辆作为关键目标，采集 所述目标的车辆尺寸信息与特征信息，进行S20；当第
Figure 896764DEST_PATH_IMAGE001
角度画面检测到出现行人时，进行 S60；
S20：大型车辆坐标转换与同源匹配。对各视角画面与对应交叉口俯视图坐标进行 标定，通过单应性变换，将各画面内获取的大型车坐标转换到世界坐标系下；在同一坐标系 下多视角坐标的基础上，提出主视角闵可夫斯基加权算法对各画面获取到的所述交叉口坐 标(
Figure 291973DEST_PATH_IMAGE002
)进行目标划分，实现不同视角下同一目标的锁定；
S30：大型车辆状态空间修正。采用所述YOLOv5模型，通过视角转换，输出各角度画 面内大型车在二维世界坐标系
Figure 637504DEST_PATH_IMAGE003
下的状态空间
Figure 459967DEST_PATH_IMAGE004
；由各角度画面内大型车的受遮 挡情况提出遮挡率
Figure 258158DEST_PATH_IMAGE005
概念，并在此基础上提出多视角遮挡率加权修正算法，对所述同一大 型车的所有状态空间
Figure 457058DEST_PATH_IMAGE006
进行修正，得到大型车的修正状态空间
Figure 657096DEST_PATH_IMAGE007
；构成大型车所述状态空 间的特征量包括交叉口坐标(
Figure 650459DEST_PATH_IMAGE002
)、偏航角
Figure 935947DEST_PATH_IMAGE008
、速度
Figure 672959DEST_PATH_IMAGE009
、加速度
Figure 727503DEST_PATH_IMAGE010
以及角加速度
Figure 157347DEST_PATH_IMAGE011
；
S40：预测大型车辆的短时未来轨迹。以当前时刻为初始帧，提出CTARA（Constant Turn Acceleration Rate and Acceleration）模型对所述目标进行轨迹预测，以40毫秒为 间隔，得到未来1秒内大型车辆的预测状态空间
Figure 398973DEST_PATH_IMAGE012
；
S50：自适应车辆盲区匹配与计算。提出自适应大型车盲区模型库的建立，通过S10 所述车辆尺寸信息调取对应盲区模型库，得到各预测坐标(
Figure 205255DEST_PATH_IMAGE013
)下的盲区范围；对所述 范围进行重叠累计，设定出全盲区与半盲区范围；所述自适应大型车盲区模型库包括自适 应静态视觉盲区与右转向轨迹盲区；
S60：行人位置与盲区预警范围重合度检测。通过所述单应性变换，将行人的所述 画面坐标(
Figure 848725DEST_PATH_IMAGE014
)转换到所述交叉口坐标(
Figure 715050DEST_PATH_IMAGE002
)，判断是否在盲区预警范围内，是则进行 S70；否则回到S40；
S70：对来车方向进行LED文字滚动与语音提示警报。对所述全盲区采取持续预警，即存在行人即刻启动预警；对所述半盲区采取选择性预警，即当存在行人时，仅车辆靠近后启动预警。
进一步的，所述S10对大型车采集的所述车辆尺寸信息包括：车辆轴数
Figure 443972DEST_PATH_IMAGE015
、轴距
Figure 62734DEST_PATH_IMAGE016
、 车身长度
Figure 560711DEST_PATH_IMAGE017
以及车身宽度
Figure 863517DEST_PATH_IMAGE018
；所述车辆特征信息包括车头左右车灯、驾驶室挡风玻璃边角、 左右后视镜、车牌、前后车轮、左右侧窗玻璃边角、车辆货箱，车厢边缘点、车尾灯以及后围 板玻璃四角；
进一步的，所述S20主视角闵可夫斯基加权算法过程如下：
S21：以交叉口平面几何中心作为原点建立二维世界坐标系
Figure 814155DEST_PATH_IMAGE019
，以视频画 面左上角为原点建立像素坐标系
Figure 227819DEST_PATH_IMAGE020
，得到第
Figure 111461DEST_PATH_IMAGE001
画面中大型车的二位检测框中心点在所 述像素坐标系中的画面坐标(
Figure 54010DEST_PATH_IMAGE014
)，通过单应性变换，将所述画面坐标(
Figure 23103DEST_PATH_IMAGE014
)转换到所述二 维世界坐标系下的交叉口坐标(
Figure 443720DEST_PATH_IMAGE002
)；
S22：由主视角画面获取到的大型车交叉口坐标与速度生成目标判别空间
Figure 447448DEST_PATH_IMAGE021
，其余 画面获取到的大型车交叉口坐标与速度生成
Figure 560897DEST_PATH_IMAGE022
；
Figure 17286DEST_PATH_IMAGE023
Figure 241594DEST_PATH_IMAGE024
S23：若两所述目标判别空间符合以下关系：
Figure 303091DEST_PATH_IMAGE025
则说明第
Figure 118600DEST_PATH_IMAGE026
画面与第
Figure 531127DEST_PATH_IMAGE001
画面（主视角画面）识别到相同目标，进入S50；否则说明存在 第二目标，继续寻找符合所述关系的坐标点，直到所有所述坐标都锁定了对应目标；式中
Figure 90285DEST_PATH_IMAGE027
为大型车在第
Figure 271867DEST_PATH_IMAGE001
画面（主视角画面）内的交叉口坐标，
Figure 992699DEST_PATH_IMAGE028
为大型车在第
Figure 892521DEST_PATH_IMAGE026
画面内 的交叉口坐标，
Figure 989790DEST_PATH_IMAGE029
、、
Figure 291459DEST_PATH_IMAGE030
为量纲权重值，
Figure 183191DEST_PATH_IMAGE031
为其他视角与主视角目标判定空间的闵可夫斯 基加权距离，
Figure 570310DEST_PATH_IMAGE032
为分类误差值；
进一步的，所述S30大型车偏航角
Figure 471270DEST_PATH_IMAGE008
采用余弦向量转换得到，过程如下：
S31：采用所述训练好的YOLOv5模型，输出各画面内大型车当前在车辆坐标系
Figure 361866DEST_PATH_IMAGE020
下的偏航角
Figure 690079DEST_PATH_IMAGE033
，由
Figure 298915DEST_PATH_IMAGE034
得到车辆坐标系
Figure 3566DEST_PATH_IMAGE035
下的车辆朝向量
Figure 14247DEST_PATH_IMAGE036
；
S32：通过S20所述多视角单应性变换，得到大型车在各画面中世界坐标系
Figure 513362DEST_PATH_IMAGE003
下的偏航角
Figure 609494DEST_PATH_IMAGE008
：
Figure 855186DEST_PATH_IMAGE037
Figure 720374DEST_PATH_IMAGE038
式中，
Figure 390389DEST_PATH_IMAGE039
为从车辆坐标系
Figure 973817DEST_PATH_IMAGE020
转换到世界坐标系
Figure 754692DEST_PATH_IMAGE003
的单应性矩阵，
Figure 739965DEST_PATH_IMAGE040
为世界坐标系
Figure 580882DEST_PATH_IMAGE003
下的车辆朝向量；
进一步的，在所述S42之后，所述大型车辆状态空间修正过程如下：
S33：所述大型车在各画面内的遮挡率
Figure 651606DEST_PATH_IMAGE005
有如下表达式：
Figure 236171DEST_PATH_IMAGE041
式中，
Figure 75952DEST_PATH_IMAGE042
为大型车二维检测框长与宽，
Figure 87770DEST_PATH_IMAGE043
为当前二维检测框受遮挡部份的长 与宽，
Figure 380211DEST_PATH_IMAGE044
为识别到的S11所述大型车特征信息的数量；
Figure 237309DEST_PATH_IMAGE045
为当前大型车受遮挡而未识别到的 所述大型车特征，
Figure 462753DEST_PATH_IMAGE046
为尺寸修正指数项，
Figure 114315DEST_PATH_IMAGE047
为特征修正指数项；
S34：对所述状态空间
Figure 690790DEST_PATH_IMAGE006
进行多视角遮挡率加权修正：
Figure 85999DEST_PATH_IMAGE006
的表达式为：
Figure 165950DEST_PATH_IMAGE048
式中，(
Figure 253992DEST_PATH_IMAGE002
)为第
Figure 52184DEST_PATH_IMAGE001
画面内大型车的交叉口坐标，
Figure 251084DEST_PATH_IMAGE008
、
Figure 185542DEST_PATH_IMAGE009
、
Figure 444485DEST_PATH_IMAGE049
以及
Figure 198814DEST_PATH_IMAGE011
分别为第
Figure 466985DEST_PATH_IMAGE001
画面 内大型车的偏航角、速度、加速度、角加速度；
权向量各元素
Figure 990370DEST_PATH_IMAGE050
的表达式为：
Figure 951373DEST_PATH_IMAGE051
式中，
Figure 927419DEST_PATH_IMAGE005
为第
Figure 999280DEST_PATH_IMAGE001
画面内大型车的遮挡率；
通过多视角遮挡率加权修正，有修正状态空间
Figure 642751DEST_PATH_IMAGE007
：
Figure 509076DEST_PATH_IMAGE052
进一步的，S40中提出的所述CTARA模型对大型车辆的预测过程如下：
S41：所述预测状态空间
Figure 237997DEST_PATH_IMAGE012
有
Figure 847970DEST_PATH_IMAGE053
Figure 345948DEST_PATH_IMAGE054
S42：输出大型车短时未来在交叉口内的25个预测坐标点
Figure 852015DEST_PATH_IMAGE055
；
进一步的，在所述S42之后，对大型车的自适应盲区适配过程为：
S51：以S42所述的各交叉口坐标
Figure 596462DEST_PATH_IMAGE056
作为车辆的几何中心，由车身长度
Figure 478967DEST_PATH_IMAGE017
、车身 宽度
Figure 362610DEST_PATH_IMAGE018
与偏航角
Figure 305158DEST_PATH_IMAGE057
确定大型车二维下的四顶点在
Figure 274251DEST_PATH_IMAGE058
时刻下的交叉口坐标位置；
Figure 694868DEST_PATH_IMAGE059
Figure 698596DEST_PATH_IMAGE060
Figure 546466DEST_PATH_IMAGE061
Figure 2855DEST_PATH_IMAGE062
式中，
Figure 227163DEST_PATH_IMAGE063
为车辆的几何中心，
Figure 554239DEST_PATH_IMAGE064
为车头左侧顶点，
Figure 369749DEST_PATH_IMAGE065
为车头右侧顶 点，
Figure 782275DEST_PATH_IMAGE066
为车尾左侧顶点，
Figure 75854DEST_PATH_IMAGE067
为车尾右侧顶点；
S52：对识别到的大型车进行分类：基于S11所述车辆尺寸信息得车型分类值
Figure 257436DEST_PATH_IMAGE068
：
Figure 243847DEST_PATH_IMAGE069
当
Figure 143670DEST_PATH_IMAGE070
时判定车辆为Ⅰ型大型车，
Figure 240939DEST_PATH_IMAGE071
时判定车辆为Ⅱ型大型车；式中，
Figure 277028DEST_PATH_IMAGE072
为车 型分类阈值，
Figure 434340DEST_PATH_IMAGE017
为车身长，
Figure 821459DEST_PATH_IMAGE018
为车身宽，
Figure 925681DEST_PATH_IMAGE015
为车辆轴数，
Figure 613014DEST_PATH_IMAGE016
为车辆轴距，
Figure 410069DEST_PATH_IMAGE073
、
Figure 550063DEST_PATH_IMAGE074
、
Figure 723556DEST_PATH_IMAGE075
、
Figure 265395DEST_PATH_IMAGE076
为车型分类值 常数；
S53：对大型车的各预测点位适配自适应静态视觉盲区；
S54：计算预测状态空间第一点与最终点的偏航角差值
Figure 233351DEST_PATH_IMAGE077
与横坐标差值
Figure 860642DEST_PATH_IMAGE078
：
Figure 306667DEST_PATH_IMAGE079
若满足以下条件：
Figure 437434DEST_PATH_IMAGE080
则说明车辆将向右转，此时对大型车适配右转向轨迹盲区；式中，
Figure 107449DEST_PATH_IMAGE081
为转向差，
Figure 690877DEST_PATH_IMAGE082
为
Figure 471752DEST_PATH_IMAGE083
时刻下大型车在正面视角下的画面横坐标；
S55：对所述预测点盲区范围内点进行区域重叠并计算重叠累计，得到预测盲区总 范围与重叠累计值
Figure 457025DEST_PATH_IMAGE084
，超过重叠累计阈值
Figure 300872DEST_PATH_IMAGE085
则为大型车全盲区，否则为大型车半盲区；
进一步的，对所述S62所述自适应大型车盲区模型库具体包括：
Ⅰ型大型车的所述自适应静态视觉盲区范围表达模型为：
车前
Figure 371596DEST_PATH_IMAGE086
区：
Figure 956161DEST_PATH_IMAGE087
式中，
Figure 795941DEST_PATH_IMAGE088
为Ⅰ型大型车
Figure 807760DEST_PATH_IMAGE086
区范围值，
Figure 100201DEST_PATH_IMAGE089
、
Figure 957298DEST_PATH_IMAGE090
为Ⅰ型大型车
Figure 182743DEST_PATH_IMAGE086
区中心平衡系数，
Figure 834304DEST_PATH_IMAGE091
为盲 区内某一坐标点，
Figure 410779DEST_PATH_IMAGE064
为车头左侧顶点，
Figure 805989DEST_PATH_IMAGE065
为车头右侧顶点；
车身
Figure 885940DEST_PATH_IMAGE092
区：
Figure 973982DEST_PATH_IMAGE093
Figure 772173DEST_PATH_IMAGE094
式中，
Figure 705494DEST_PATH_IMAGE095
、
Figure 374373DEST_PATH_IMAGE096
为Ⅰ型大型车
Figure 164475DEST_PATH_IMAGE092
区左侧盲区角，
Figure 653225DEST_PATH_IMAGE097
、
Figure 186974DEST_PATH_IMAGE098
为右侧盲区角，
Figure 710360DEST_PATH_IMAGE091
为盲区内某一坐标点，
Figure 405783DEST_PATH_IMAGE064
为车头左侧顶点，
Figure 647409DEST_PATH_IMAGE065
为车头右侧顶点，
Figure 719270DEST_PATH_IMAGE066
为车 尾左侧顶点，
Figure 97161DEST_PATH_IMAGE067
为车尾右侧顶点；
车尾
Figure 229066DEST_PATH_IMAGE099
区：
Figure 692408DEST_PATH_IMAGE100
Figure 36802DEST_PATH_IMAGE101
式中，
Figure 65937DEST_PATH_IMAGE102
为Ⅰ型大型车
Figure 572005DEST_PATH_IMAGE099
区盲区角，
Figure 319381DEST_PATH_IMAGE103
为Ⅰ型大型车
Figure 201887DEST_PATH_IMAGE099
区盲区半径，
Figure 85529DEST_PATH_IMAGE104
为Ⅰ型大 型车
Figure 762498DEST_PATH_IMAGE099
区中心坐标，
Figure 731591DEST_PATH_IMAGE091
为盲区内某一坐标点，
Figure 417787DEST_PATH_IMAGE066
为车尾左侧顶点，
Figure 164725DEST_PATH_IMAGE067
为车尾右侧 顶点；
Ⅱ型大型车的所述自适应静态视觉盲区范围表达模型为：
车前
Figure 278175DEST_PATH_IMAGE086
区：
Figure 203405DEST_PATH_IMAGE105
式中，
Figure 958872DEST_PATH_IMAGE106
为Ⅱ型大型车
Figure 285948DEST_PATH_IMAGE086
区范围值，
Figure 101457DEST_PATH_IMAGE091
为盲区内某一坐标点，
Figure 248405DEST_PATH_IMAGE064
为车头左 侧顶点，
Figure 807562DEST_PATH_IMAGE065
为车头右侧顶点；
车身
Figure 989145DEST_PATH_IMAGE092
区：
Figure 975555DEST_PATH_IMAGE107
Figure 875378DEST_PATH_IMAGE108
式中，
Figure 972647DEST_PATH_IMAGE109
为Ⅱ型大型车
Figure 8736DEST_PATH_IMAGE092
区左侧盲区角，
Figure 634890DEST_PATH_IMAGE110
为右侧盲区角，
Figure 287588DEST_PATH_IMAGE091
为盲区内某 一坐标点，
Figure 657389DEST_PATH_IMAGE064
为车头左侧顶点，
Figure 344723DEST_PATH_IMAGE065
为车头右侧顶点，
Figure 141777DEST_PATH_IMAGE066
为车尾左侧顶点，
Figure 281772DEST_PATH_IMAGE067
为车尾右侧顶点；
车尾
Figure 189685DEST_PATH_IMAGE099
区：
Figure 731525DEST_PATH_IMAGE111
Figure 699481DEST_PATH_IMAGE112
式中，
Figure 326771DEST_PATH_IMAGE113
为Ⅱ型大型车
Figure 38375DEST_PATH_IMAGE099
区盲区角，
Figure 169142DEST_PATH_IMAGE114
为Ⅱ型大型车
Figure 839158DEST_PATH_IMAGE099
区盲区半径，
Figure 157007DEST_PATH_IMAGE115
为Ⅱ 型大型车
Figure 203460DEST_PATH_IMAGE099
区中心坐标，
Figure 188734DEST_PATH_IMAGE091
为盲区内某一坐标点，
Figure 29651DEST_PATH_IMAGE066
为车尾左侧顶点，
Figure 834796DEST_PATH_IMAGE067
为车尾 右侧顶点；
S63所述大型车右转向轨迹盲区范围表达模型为：
Figure 419361DEST_PATH_IMAGE116
式中，
Figure 259141DEST_PATH_IMAGE117
为大型车转向中心，
Figure 739801DEST_PATH_IMAGE118
为车辆右侧后轮坐标，
Figure 828980DEST_PATH_IMAGE091
为盲区内某一 坐标点，
Figure 420498DEST_PATH_IMAGE119
为
Figure 914452DEST_PATH_IMAGE001
型大型车平均内轮差，
Figure 566013DEST_PATH_IMAGE120
为预测状态空间第一点与最终点的偏航角差值。
与当前技术相比较，本发明的有益效果在于：
1、本发明采取在道路交叉口布置多机位摄像头的方式，形成了多视角覆盖的交叉口视频检测，极大的提升了对车辆目标与行人目标在交叉口内的识别范围；
2、本发明通过整对多机位摄像头捕捉到的车辆视频信息进行整合，可以弥补某一角度因视野范围受限或出现障碍物遮挡而导致识别失效的缺点；
3、本发明考虑了不同类别的大型车辆具有不同盲区范围的问题，建立了基于大型车辆特征的自适应盲区模型库，提高了盲区预警的精确度与有效性；
4、本发明在硬件设施方面仅采用了安装于交叉口内部的摄像头，无需任何车载设施，避免了车载装置存在数据交互不统一与推广困难的问题。
附图说明
图1为本发明的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图进行实例操作，以对本发明中的技术方案进行更清楚、完整地描述。显然，所描述的实施例仅为本发明用作说明的一部分实施例，而非对本发明范围的限制。
实施例：
本发明公开了一种交叉口多视角大型车辆盲区预警方法，所提出的方法的流程示意图如图1所示，该方法有如下具体步骤：
步骤1：人车目标多视角识别与修正，具体包括以下四个步骤：
多视角摄像头布置与识别模型建立：
以视野开阔的十字交叉口为例，为实现人车目标全方位的识别，需要在交叉口各进口道对向上布设摄像头，来对各方向进去交叉口的车辆进行识别。我们所使用的摄像头位置及参数如表1：
表1：交叉口摄像头参数
Figure 876909DEST_PATH_IMAGE121
我们应用的交叉口道路参数如表2：
表2：交叉口道路参数
各进口车道数 3
车道宽度 3.5m
进口道数 4
信号灯相位数 4
通过视频采集，对获取到的交叉口大型车辆与行人的训练集进行深度学习，得到具备可用于识别大型车种类、车辆姿态以及行人的权重的YOLOv5模型。
人车目标识别及坐标的转换锁定：
以东向南一侧摄像头捕获画面为例，对该画面标记为1号画面，当某大型车首次出现在该画面中后，将该画面定义为该大型车的主视角画面，对大型车采集画面坐标（ui，vi），车辆轴数N、轴距T、车身长度L和车身宽度W等车辆尺寸信息以及车头左右车灯、驾驶室挡风玻璃边角、左右后视镜、车牌、前后车轮、左右侧窗玻璃边角、车辆货箱，车厢边缘点、车尾灯以及后围板玻璃四角等车辆特征信息；
而后采用单应性变换，将车辆在像素坐标系下的画面坐标转换到二维世界坐标系下的交叉口坐标(Xwi,Ywi)，变换方法如下：
Figure RE-691513DEST_PATH_IMAGE097
Figure RE-137538DEST_PATH_IMAGE098
Figure RE-674830DEST_PATH_IMAGE099
Figure RE-813687DEST_PATH_IMAGE100
其中An为由n(n>4)对已知两坐标系下对应点构成的对应点对矩阵：H为对An采用SVD算法降噪后，采用DLT算法计算求解得到标定好的单应性矩阵； (ui,vi)为大型车画面坐标；(Xwi,Ywi)为大型车交叉口坐标。
同源目标锁定：
当多画面内均有大型车辆的识别信息后，需要进一步对目标进行同一性锁定，具体为计算其余视角与主视角各大型车目标间的主视角闵可夫斯基加权距离，小于分类误差值时则认定为同一目标，否则作为第二目标继续寻找同源目标，本例中提出的主视角闵可夫斯基加权算法过程如下：
Figure RE-DEST_PATH_IMAGE101
Figure RE-928274DEST_PATH_IMAGE102
Figure RE-DEST_PATH_IMAGE103
其中Ei为主视角画面获取到的大型车交叉口坐标与速度生成的目标判别空间； Fj 为其余画面获取到的大型车交叉口坐标与速度生成的目标判别空间；distmk为其他视角与 主视角目标判定空间的闵可夫斯基加权距离；d1、d2、d3为量纲权重值；
Figure RE-335247DEST_PATH_IMAGE017
分类误差值。
大型车姿态修正：
同源目标锁定后，需要对多视角获取到的车辆信息进行整合修正，采用训练好的 YOLOv5模型，计算输出各画面内大型车包含交叉口坐标(
Figure RE-320520DEST_PATH_IMAGE001
)、偏航角
Figure RE-161437DEST_PATH_IMAGE003
、速度
Figure RE-232161DEST_PATH_IMAGE004
、加速 度
Figure RE-692093DEST_PATH_IMAGE005
以及角加速度
Figure RE-531873DEST_PATH_IMAGE006
的状态空间
Figure RE-543691DEST_PATH_IMAGE104
，本发明通过提出多视角遮挡率加权修正算法，对所 述同一大型车的所有状态空间
Figure RE-836132DEST_PATH_IMAGE104
进行修正，得到大型车的修正状态空间
Figure RE-DEST_PATH_IMAGE105
。偏航角
Figure RE-349022DEST_PATH_IMAGE003
余 弦向量转换算法过程如下：
Figure RE-574467DEST_PATH_IMAGE106
Figure RE-226028DEST_PATH_IMAGE107
Figure RE-271344DEST_PATH_IMAGE108
其中
Figure RE-73078DEST_PATH_IMAGE109
为各画面内大型车当前在车辆坐标系
Figure RE-621871DEST_PATH_IMAGE011
下的偏航角；
Figure RE-241072DEST_PATH_IMAGE022
为车辆 坐标系
Figure RE-508105DEST_PATH_IMAGE011
下的车辆朝向量；
Figure RE-595753DEST_PATH_IMAGE110
为从车辆坐标系
Figure RE-264632DEST_PATH_IMAGE011
转换到世界坐标系
Figure RE-54733DEST_PATH_IMAGE002
的单应性矩阵，
Figure RE-543484DEST_PATH_IMAGE024
为世界坐标系
Figure RE-952599DEST_PATH_IMAGE002
下的车辆朝向量。
多视角遮挡率加权修正算法过程如下：
Figure RE-DEST_PATH_IMAGE111
Figure RE-475985DEST_PATH_IMAGE112
Figure RE-171408DEST_PATH_IMAGE113
Figure RE-413034DEST_PATH_IMAGE114
其中
Figure RE-609529DEST_PATH_IMAGE025
为第i画面内大型车的遮挡率；l、w为大型车二维检测框长与宽； l´、w´为 当前二维检测框受遮挡部份的长与宽；M为识别到的S11所述大型车特征信息的数量；w´为 当前大型车受遮挡而未识别到的所述大型车特征；γ为尺寸修正指数项，η为特征修正指数 项；Zi为各画面内大型车的状态空间；βi为权向量各元素； Zk为同一大型车修正状态空间。
步骤2：大型车自适应盲区预测。具体包括以下两个步骤：
大型车短时轨迹预测：
基于多视角修正后的大型车状态空间，下一步本发明提出通过CTARA（ConstantTurn Acceleration Rate and Acceleration）模型对大型车辆进行轨迹预测，得到未来1秒内以40毫秒为间隔的大型车辆预测状态空间Zk+m，CTARA模型算法过程如下：
Figure RE-987420DEST_PATH_IMAGE116
Figure RE-119324DEST_PATH_IMAGE118
其中Zk+m为大型车未来预测状态空间，(xk+m, yk+m)为未来预测坐标点。
自适应盲区匹配：
得到大型车辆未来的运动状态后，在下一步本发明提出建立包括自适应静态视觉盲区与右转向轨迹盲区的自适应大型车盲区模型库，根据多视角画面采集到的大型车车辆尺寸信息调取对应盲区模型库，得到各预测坐标(Xwn,Ywn)下的盲区范围。大型车二维下的四顶点在k时刻下的交叉口坐标位置计算过程如下：
Figure RE-582667DEST_PATH_IMAGE120
Figure RE-333585DEST_PATH_IMAGE122
Figure RE-831562DEST_PATH_IMAGE124
Figure RE-868789DEST_PATH_IMAGE126
其中
Figure RE-85006DEST_PATH_IMAGE040
为车辆的几何中心；
Figure RE-967512DEST_PATH_IMAGE041
为车头左侧顶点；
Figure RE-477253DEST_PATH_IMAGE042
为车头右侧顶 点；
Figure RE-154222DEST_PATH_IMAGE043
为车尾左侧顶点；
Figure RE-123315DEST_PATH_IMAGE044
为车尾右侧顶点。
对识别到的大型车进行分类，基于S11所述车辆尺寸信息得车型分类值S，判定当
Figure RE-809511DEST_PATH_IMAGE046
时车辆为Ⅰ型大型车，判定
Figure RE-423026DEST_PATH_IMAGE047
时车辆为Ⅱ型大型车，具体过程如下：
Figure RE-536476DEST_PATH_IMAGE127
其中
Figure RE-992865DEST_PATH_IMAGE128
为车型分类阈值；L为车身长；W为车身宽；N为车辆轴数；T为车辆轴距；a、b、 c、d为车型分类值常数。
大型车自适应静态视觉盲区适配过程如下：
Ⅰ型大型车车前A区：
Figure RE-DEST_PATH_IMAGE129
其中
Figure RE-217173DEST_PATH_IMAGE130
为Ⅰ型大型车A区范围值；
Figure RE-200041DEST_PATH_IMAGE131
、
Figure RE-484392DEST_PATH_IMAGE132
为Ⅰ型大型车A区中心平衡系数；
Figure RE-162498DEST_PATH_IMAGE133
为盲区 内某一坐标点；
Figure RE-190497DEST_PATH_IMAGE134
为车头左侧顶点；
Figure RE-778604DEST_PATH_IMAGE135
为车头右侧顶点。
Ⅰ型大型车车身B区：
Figure RE-233856DEST_PATH_IMAGE137
Figure RE-664837DEST_PATH_IMAGE139
其中
Figure RE-230948DEST_PATH_IMAGE065
、
Figure RE-421364DEST_PATH_IMAGE066
为Ⅰ型大型车B区左侧盲区角；
Figure RE-47518DEST_PATH_IMAGE067
、
Figure RE-700216DEST_PATH_IMAGE068
为右侧盲区角；
Figure RE-70018DEST_PATH_IMAGE060
为盲区内某一坐标点；
Figure RE-632717DEST_PATH_IMAGE041
为车头左侧顶点；
Figure RE-429772DEST_PATH_IMAGE042
为车头右侧顶点；
Figure RE-38608DEST_PATH_IMAGE043
为车尾左侧顶点；
Figure RE-477679DEST_PATH_IMAGE044
为车尾右侧顶点。
Ⅰ型大型车车尾C区：
Figure RE-488361DEST_PATH_IMAGE140
Figure RE-112109DEST_PATH_IMAGE142
其中
Figure RE-208241DEST_PATH_IMAGE143
为Ⅰ型大型车C区盲区角；
Figure RE-451003DEST_PATH_IMAGE073
为Ⅰ型大型车C区盲区半径；
Figure RE-581770DEST_PATH_IMAGE074
为Ⅰ型 大型车C区中心坐标；
Figure RE-127152DEST_PATH_IMAGE060
为盲区内某一坐标点；
Figure RE-445001DEST_PATH_IMAGE043
为车尾左侧顶点；
Figure RE-491455DEST_PATH_IMAGE044
为车 尾右侧顶点。
Ⅱ型大型车车前A区：
Figure RE-476728DEST_PATH_IMAGE144
其中
Figure RE-943744DEST_PATH_IMAGE076
为Ⅱ型大型车A区范围值；
Figure RE-748889DEST_PATH_IMAGE060
为盲区内某一坐标点；
Figure RE-802295DEST_PATH_IMAGE041
为车头左侧 顶点；
Figure RE-173234DEST_PATH_IMAGE042
为车头右侧顶点。
Ⅱ型大型车车身B区：
Figure RE-DEST_PATH_IMAGE145
Figure RE-60418DEST_PATH_IMAGE146
其中
Figure RE-618439DEST_PATH_IMAGE081
为Ⅱ型大型车B区左侧盲区角；
Figure RE-741116DEST_PATH_IMAGE082
为右侧盲区角；
Figure RE-700981DEST_PATH_IMAGE060
为盲区内 某一坐标点；
Figure RE-8335DEST_PATH_IMAGE041
为车头左侧顶点；
Figure RE-788072DEST_PATH_IMAGE042
为车头右侧顶点；
Figure RE-714440DEST_PATH_IMAGE043
为车尾左侧顶 点；
Figure RE-528812DEST_PATH_IMAGE044
为车尾右侧顶点。
Ⅱ型大型车车尾C区：
Figure RE-351274DEST_PATH_IMAGE147
Figure RE-24832DEST_PATH_IMAGE149
其中
Figure RE-223732DEST_PATH_IMAGE086
为Ⅱ型大型车C区盲区角；
Figure RE-423770DEST_PATH_IMAGE087
为Ⅱ型大型车C区盲区半径；
Figure RE-417133DEST_PATH_IMAGE088
为 Ⅱ型大型车C区中心坐标；
Figure RE-337509DEST_PATH_IMAGE060
为盲区内某一坐标点；
Figure RE-340100DEST_PATH_IMAGE043
为车尾左侧顶点；
Figure RE-394644DEST_PATH_IMAGE044
为车尾右侧顶点。
大型车右转向轨迹盲区适配过程如下：
首先计算预测状态空间第一点与最终点的偏航角差值
Figure RE-558909DEST_PATH_IMAGE150
与横坐标差值
Figure RE-207059DEST_PATH_IMAGE049
，当满 足条件时，即判定发生右转，对大型车增加右转盲区适配。判定过程如下：
Figure RE-747762DEST_PATH_IMAGE151
Figure RE-656812DEST_PATH_IMAGE152
其中
Figure RE-257558DEST_PATH_IMAGE052
为转向差，uk为K时刻下大型车在正面视角下的画面横坐标。
大型车右转向轨迹盲区范围适配过程为：
Figure RE-376692DEST_PATH_IMAGE153
其中
Figure RE-721086DEST_PATH_IMAGE154
为大型车转向中心，
Figure RE-484642DEST_PATH_IMAGE155
为车辆右侧后轮坐标，
Figure RE-256289DEST_PATH_IMAGE060
为盲区内某 一坐标点，
Figure RE-206928DEST_PATH_IMAGE092
为i型大型车平均内轮差，
Figure RE-495958DEST_PATH_IMAGE093
为预测状态空间第一点与最终点的偏航角差 值。
步骤三：对来车与行人进行危险预警，具体包括以下两个步骤：
盲区内行人存在判断：
对所述预测点盲区范围内点进行区域重叠并计算重叠累计，得到预测盲区总范围与重叠累计值 τ´，超过重叠累计阈值τ则为大型车全盲区，否则为大型车半盲区。下一步对行人坐标点与盲区范围进行重叠判断，若判断为存在行人，则启动预警功能，否则回到步骤3继续对大型车进行轨迹预测；
警报提示：
对全盲区采取持续预警，即存在行人即刻启动预警；对半盲区采取选择性预警，即当存在行人时，仅车辆靠近后启动预警。预警方式为：对来车方向进行LED文字滚动与语音提示警报。

Claims (8)

1.一种交叉口多视角大型车辆盲区预警方法，其特征在于：
包括以下步骤：
S10：多视角大型车辆与行人检测识别，采用训练好的具备可用于识别大型车种类、车辆姿态以及行人的权重的YOLOv5模型对车辆目标与行人目标进行识别，提出在交叉口内布设多机位摄像头的方式，对交叉口内采集多角度画面并对画面赋予编号i；当第i角度画面检测到出现大型车辆时，将所述画面作为主视角画面，将所述车辆作为关键目标，采集所述目标的车辆尺寸信息与特征信息，进S20；当第i角度画面检测到出现行人时，进行S60；
S20：大型车辆坐标转换与同源匹配，对各视角画面与对应交叉口俯视图坐标进行标定，通过单应性变换，将各画面内获取的大型车坐标转换到世界坐标系下；在同一坐标系下多视角坐标的基础上，提出主视角闵可夫斯基加权算法对各画面获取到的所述交叉口坐标(X_wi,Y_wi)进行目标划分，实现不同视角下同一目标的锁定；
S30：大型车辆状态空间修正，采用所述YOLOv5模型，通过视角转换，输出各角度画面内大型车在二维世界坐标系O_w-X_w Y_w下的状态空间Z_i；由各角度画面内大型车的受遮挡情况提出遮挡率θ_i概念，并在此基础上提出多视角遮挡率加权修正算法，对所述同一大型车的所有状态空间Z_i进行修正，得到大型车的修正状态空间Z_k；构成大型车所述状态空间的特征量包括交叉口坐标(X_wi,Y_wi)、偏航角φ_i、速度v_i、加速度α_i以及角加速度ω_i；
S40：预测大型车辆的短时未来轨迹，以当前时刻为初始帧，提出CTARA（Constant TurnAcceleration Rate and Acceleration）模型对所述目标进行轨迹预测，以40毫秒为间隔，得到未来1秒内大型车辆的预测状态空间Z_(k+m)；
S50：自适应车辆盲区匹配与计算，提出自适应大型车盲区模型库的建立，通过S10所述车辆尺寸信息调取对应盲区模型库，得到各预测坐标(X_wn,Y_wn)下的盲区范围；对所述范围进行重叠累计，设定出全盲区与半盲区范围；所述自适应大型车盲区模型库包括自适应静态视觉盲区与右转向轨迹盲区；
S60：行人位置与盲区预警范围重合度检测，通过所述单应性变换，将行人的所述画面坐标(u_i,v_i)转换到所述交叉口坐标(X_wi,Y_wi)，判断是否在盲区预警范围内，是则进行 S70；否则回到S40；
S70：对来车方向进行LED文字滚动与语音提示警报，对所述全盲区采取持续预警，即存在行人即刻启动预警；对所述半盲区采取选择性预警，即当存在行人时，仅车辆靠近后启动预警。
2.根据权利要求1所述的一种交叉口多视角大型车辆盲区预警方法，其特征在于：对大型车采集的所述车辆尺寸信息包括：车辆轴数N、轴距T、车身长度L以及车身宽度W；所述车辆特征信息包括车头左右车灯、驾驶室挡风玻璃边角、左右后视镜、车牌、前后车轮、左右侧窗玻璃边角、车辆货箱，车厢边缘点、车尾灯以及后围板玻璃四角。
3.根据权利要求1与2所述的一种交叉口多视角大型车辆盲区预警方法，其特征在于：所述主视角闵可夫斯基加权算法过程如下：
S21：以交叉口平面几何中心作为原点建立二维世界坐标系
Figure 45910DEST_PATH_IMAGE001
，以视频画面左上 角为原点建立像素坐标系
Figure 963050DEST_PATH_IMAGE002
，得到第
Figure 273946DEST_PATH_IMAGE003
画面中大型车的二位检测框中心点在所述像素 坐标系中的画面坐标(
Figure 669155DEST_PATH_IMAGE004
)，通过单应性变换，将所述画面坐标(
Figure 14686DEST_PATH_IMAGE004
)转换到所述二维世界 坐标系下的交叉口坐标(
Figure 837149DEST_PATH_IMAGE005
)；
S22：由主视角画面获取到的大型车交叉口坐标与速度生成目标判别空间
Figure 635340DEST_PATH_IMAGE006
，其余画面 获取到的大型车交叉口坐标与速度生成
Figure 834240DEST_PATH_IMAGE007
；
Figure 34278DEST_PATH_IMAGE008
Figure 27641DEST_PATH_IMAGE009
S23：若两所述目标判别空间符合以下关系：
Figure 313129DEST_PATH_IMAGE010
则说明第
Figure 50141DEST_PATH_IMAGE011
画面与第
Figure 104685DEST_PATH_IMAGE003
画面（主视角画面）识别到相同目标，进入S50；否则说明存在第二 目标，继续寻找符合所述关系的坐标点，直到所有所述坐标都锁定了对应目标；式中
Figure 534529DEST_PATH_IMAGE012
为大型车在第
Figure 307313DEST_PATH_IMAGE003
画面（主视角画面）内的交叉口坐标，
Figure 582437DEST_PATH_IMAGE013
为大型车在第
Figure 757066DEST_PATH_IMAGE011
画面内 的交叉口坐标，
Figure 92232DEST_PATH_IMAGE014
、
Figure 821154DEST_PATH_IMAGE015
、
Figure 431127DEST_PATH_IMAGE016
为量纲权重值，
Figure 929104DEST_PATH_IMAGE017
为其他视角与主视角目标判定空间的闵可夫 斯基加权距离，
Figure 231910DEST_PATH_IMAGE018
为分类误差值。
4.根据权利要求1与3所述的一种交叉口多视角大型车辆盲区预警方法，其特征在于： 所述大型车偏航角
Figure 182548DEST_PATH_IMAGE019
采用余弦向量转换得到，过程如下：
S31：采用所述训练好的YOLOv5模型，输出各画面内大型车当前在车辆坐标系
Figure 605001DEST_PATH_IMAGE002
下 的偏航角
Figure 957485DEST_PATH_IMAGE020
，由
Figure 431192DEST_PATH_IMAGE021
得到车辆坐标系
Figure 869126DEST_PATH_IMAGE022
下的车辆朝向量
Figure 820902DEST_PATH_IMAGE023
；
S32：通过S20所述多视角单应性变换，得到大型车在各画面中世界坐标系
Figure 293471DEST_PATH_IMAGE024
下 的偏航角
Figure 938079DEST_PATH_IMAGE019
：
Figure 863310DEST_PATH_IMAGE025
Figure 618776DEST_PATH_IMAGE026
式中，
Figure 680273DEST_PATH_IMAGE027
为从车辆坐标系
Figure 964624DEST_PATH_IMAGE002
转换到世界坐标系
Figure 908309DEST_PATH_IMAGE024
的单应性矩阵，
Figure 936308DEST_PATH_IMAGE028
为 世界坐标系
Figure 649049DEST_PATH_IMAGE024
下的车辆朝向量。
5.根据权利要求5所述的一种交叉口多视角大型车辆盲区预警方法，其特征在于：在所述S32之后，所述大型车辆状态空间修正过程如下：
S33：所述大型车在各画面内的遮挡率
Figure 838722DEST_PATH_IMAGE029
有如下表达式：
Figure 269703DEST_PATH_IMAGE030
式中，
Figure 835814DEST_PATH_IMAGE031
为大型车二维检测框长与宽，
Figure 668641DEST_PATH_IMAGE032
为当前二维检测框受遮挡部份的长与 宽，
Figure 29215DEST_PATH_IMAGE033
为识别到的S11所述大型车特征信息的数量；
Figure 947492DEST_PATH_IMAGE034
为当前大型车受遮挡而未识别到的所 述大型车特征，
Figure 317294DEST_PATH_IMAGE035
为尺寸修正指数项，
Figure 739048DEST_PATH_IMAGE036
为特征修正指数项；
S34：对所述状态空间
Figure 536103DEST_PATH_IMAGE037
进行多视角遮挡率加权修正：
Figure 676097DEST_PATH_IMAGE037
的表达式为：
Figure 849589DEST_PATH_IMAGE038
式中，(
Figure 860271DEST_PATH_IMAGE005
)为第
Figure 359385DEST_PATH_IMAGE003
画面内大型车的交叉口坐标，
Figure 455517DEST_PATH_IMAGE019
、
Figure 698280DEST_PATH_IMAGE039
、
Figure 563467DEST_PATH_IMAGE040
以及
Figure 233483DEST_PATH_IMAGE041
分别为第
Figure 816911DEST_PATH_IMAGE003
画面内大型 车的偏航角、速度、加速度、角加速度；
权向量各元素
Figure 597785DEST_PATH_IMAGE042
的表达式为：
Figure 583059DEST_PATH_IMAGE043
式中，
Figure 426906DEST_PATH_IMAGE029
为第
Figure 497630DEST_PATH_IMAGE003
画面内大型车的遮挡率；
通过多视角遮挡率加权修正，有修正状态空间
Figure 551037DEST_PATH_IMAGE044
：
Figure 921975DEST_PATH_IMAGE045
。
6.根据权利要求5所述的一种交叉口多视角大型车辆盲区预警方法，其特征在于：提出的所述CTARA模型对大型车辆的预测过程如下：
S41：所述预测状态空间
Figure 402635DEST_PATH_IMAGE046
有
Figure 226234DEST_PATH_IMAGE047
Figure 83332DEST_PATH_IMAGE049
S42：输出大型车短时未来在交叉口内的25个预测坐标点
Figure 308777DEST_PATH_IMAGE050
。
7.根据权利要求1、5、7所述的一种交叉口多视角大型车辆盲区预警方法，其特征在于：在S42之后，对大型车的自适应盲区适配过程为：
S51：以S42所述的各交叉口坐标
Figure 960338DEST_PATH_IMAGE051
作为车辆的几何中心，由车身长度
Figure 536813DEST_PATH_IMAGE052
、车身宽度
Figure 932022DEST_PATH_IMAGE053
与偏航角
Figure 11974DEST_PATH_IMAGE054
确定大型车二维下的四顶点在
Figure 100016DEST_PATH_IMAGE055
时刻下的交叉口坐标位置；
Figure 898207DEST_PATH_IMAGE056
Figure 97107DEST_PATH_IMAGE057
Figure 500407DEST_PATH_IMAGE058
Figure 290508DEST_PATH_IMAGE059
式中，
Figure 44838DEST_PATH_IMAGE060
为车辆的几何中心，
Figure 313008DEST_PATH_IMAGE061
为车头左侧顶点，
Figure 836393DEST_PATH_IMAGE062
为车头右侧顶点，
Figure 797396DEST_PATH_IMAGE063
为车尾左侧顶点，
Figure 773442DEST_PATH_IMAGE064
为车尾右侧顶点；
S52：对识别到的大型车进行分类：基于S11所述车辆尺寸信息得车型分类值
Figure 845304DEST_PATH_IMAGE065
：
Figure 488774DEST_PATH_IMAGE066
当
Figure 355099DEST_PATH_IMAGE067
时判定车辆为Ⅰ型大型车，
Figure 84021DEST_PATH_IMAGE068
时判定车辆为Ⅱ型大型车；式中，
Figure 693994DEST_PATH_IMAGE069
为车型分类 阈值，
Figure 191971DEST_PATH_IMAGE052
为车身长，
Figure 229197DEST_PATH_IMAGE053
为车身宽，
Figure 445415DEST_PATH_IMAGE070
为车辆轴数，
Figure 859079DEST_PATH_IMAGE071
为车辆轴距，
Figure 211563DEST_PATH_IMAGE072
、
Figure 685269DEST_PATH_IMAGE073
、
Figure 123204DEST_PATH_IMAGE074
、
Figure 543821DEST_PATH_IMAGE075
为车型分类值常数；
S53：对大型车的各预测点位适配自适应静态视觉盲区；
S54：计算预测状态空间第一点与最终点的偏航角差值
Figure 544620DEST_PATH_IMAGE076
与横坐标差值
Figure 392490DEST_PATH_IMAGE077
：
Figure 848879DEST_PATH_IMAGE078
若满足以下条件：
Figure 73187DEST_PATH_IMAGE079
则说明车辆将向右转，此时对大型车适配右转向轨迹盲区；式中，
Figure 931421DEST_PATH_IMAGE080
为转向差，
Figure 215772DEST_PATH_IMAGE081
为K时 刻下大型车在正面视角下的画面横坐标；
S55：对所述预测点盲区范围内点进行区域重叠并计算重叠累计，得到预测盲区总范围 与重叠累计值
Figure 159458DEST_PATH_IMAGE082
，超过重叠累计阈值
Figure 921877DEST_PATH_IMAGE083
则为大型车全盲区，否则为大型车半盲区。
8.根据权利要求1与8所述的一种交叉口多视角大型车辆盲区预警方法，其特征在于：对S50所述自适应大型车盲区模型库包括自适应静态视觉盲区与右转向轨迹盲区，具体为：
Ⅰ型大型车的所述自适应静态视觉盲区范围表达模型为：
车前A区：
Figure 103460DEST_PATH_IMAGE084
式中，
Figure 89870DEST_PATH_IMAGE085
为Ⅰ型大型车
Figure 989693DEST_PATH_IMAGE086
区范围值，
Figure 86962DEST_PATH_IMAGE087
、
Figure 123051DEST_PATH_IMAGE088
为Ⅰ型大型车
Figure 280363DEST_PATH_IMAGE086
区中心平衡系数，
Figure 667482DEST_PATH_IMAGE089
为盲区内 某一坐标点，
Figure 302863DEST_PATH_IMAGE061
为车头左侧顶点，
Figure 459038DEST_PATH_IMAGE062
为车头右侧顶点；
车身
Figure 787251DEST_PATH_IMAGE090
区：
Figure 396087DEST_PATH_IMAGE091
Figure 100738DEST_PATH_IMAGE092
式中，
Figure 111419DEST_PATH_IMAGE093
、
Figure 610533DEST_PATH_IMAGE094
为Ⅰ型大型车
Figure 706665DEST_PATH_IMAGE090
区左侧盲区角，
Figure 152690DEST_PATH_IMAGE095
、
Figure 814616DEST_PATH_IMAGE096
为右侧盲区角，
Figure 953473DEST_PATH_IMAGE089
为 盲区内某一坐标点，
Figure 68060DEST_PATH_IMAGE061
为车头左侧顶点，
Figure 317775DEST_PATH_IMAGE062
为车头右侧顶点，
Figure 834207DEST_PATH_IMAGE063
为车尾左侧 顶点，
Figure 143966DEST_PATH_IMAGE064
为车尾右侧顶点；
车尾
Figure 745848DEST_PATH_IMAGE097
区：
Figure 799255DEST_PATH_IMAGE098
Figure 170194DEST_PATH_IMAGE099
式中，
Figure 650854DEST_PATH_IMAGE100
为Ⅰ型大型车
Figure 477383DEST_PATH_IMAGE097
区盲区角，
Figure 334480DEST_PATH_IMAGE101
为Ⅰ型大型车
Figure 559925DEST_PATH_IMAGE097
区盲区半径，
Figure 211486DEST_PATH_IMAGE102
为Ⅰ型大型车C 区中心坐标，
Figure 256803DEST_PATH_IMAGE089
为盲区内某一坐标点，
Figure 183171DEST_PATH_IMAGE063
为车尾左侧顶点，
Figure 731964DEST_PATH_IMAGE064
为车尾右侧顶点；
Ⅱ型大型车的所述自适应静态视觉盲区范围表达模型为：
车前
Figure 351164DEST_PATH_IMAGE086
区：
Figure 618197DEST_PATH_IMAGE103
式中，
Figure 82676DEST_PATH_IMAGE104
为Ⅱ型大型车
Figure 751555DEST_PATH_IMAGE086
区范围值，
Figure 541657DEST_PATH_IMAGE089
为盲区内某一坐标点，
Figure 30407DEST_PATH_IMAGE061
为车头左侧顶 点，
Figure 564156DEST_PATH_IMAGE062
为车头右侧顶点；
车身
Figure 87542DEST_PATH_IMAGE090
区：
Figure 782965DEST_PATH_IMAGE105
Figure 24591DEST_PATH_IMAGE106
式中，
Figure 565293DEST_PATH_IMAGE107
为Ⅱ型大型车
Figure 474343DEST_PATH_IMAGE090
区左侧盲区角，
Figure 75089DEST_PATH_IMAGE108
为右侧盲区角，
Figure 69590DEST_PATH_IMAGE089
为盲区内某一坐 标点，
Figure 413984DEST_PATH_IMAGE061
为车头左侧顶点，
Figure 443119DEST_PATH_IMAGE062
为车头右侧顶点，
Figure 949187DEST_PATH_IMAGE063
为车尾左侧顶点，
Figure 696563DEST_PATH_IMAGE064
为车尾右侧顶点；
车尾
Figure 579069DEST_PATH_IMAGE097
区：
Figure 462711DEST_PATH_IMAGE109
Figure 139680DEST_PATH_IMAGE110
式中，
Figure 108773DEST_PATH_IMAGE111
为Ⅱ型大型车
Figure 794969DEST_PATH_IMAGE097
区盲区角，
Figure 533118DEST_PATH_IMAGE112
为Ⅱ型大型车
Figure 646568DEST_PATH_IMAGE097
区盲区半径，
Figure 102957DEST_PATH_IMAGE113
为Ⅱ型大型 车
Figure 327265DEST_PATH_IMAGE097
区中心坐标，
Figure 654341DEST_PATH_IMAGE089
为盲区内某一坐标点，
Figure 478639DEST_PATH_IMAGE063
为车尾左侧顶点，
Figure 625587DEST_PATH_IMAGE064
为车尾右侧顶 点；
S53所述大型车右转向轨迹盲区范围表达模型为：
Figure 184744DEST_PATH_IMAGE114
式中，
Figure 366327DEST_PATH_IMAGE115
为大型车转向中心，
Figure 352737DEST_PATH_IMAGE116
为车辆右侧后轮坐标，
Figure 252560DEST_PATH_IMAGE089
为盲区内某一坐标 点，
Figure 349829DEST_PATH_IMAGE117
为i型大型车平均内轮差，
Figure 385918DEST_PATH_IMAGE118
为预测状态空间第一点与最终点的偏航角差值。
CN202210989407.6A 2022-08-17 2022-08-17 一种交叉口多视角大型车辆盲区预警方法 Pending CN115171431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210989407.6A CN115171431A (zh) 2022-08-17 2022-08-17 一种交叉口多视角大型车辆盲区预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210989407.6A CN115171431A (zh) 2022-08-17 2022-08-17 一种交叉口多视角大型车辆盲区预警方法

Publications (1)

Publication Number Publication Date
CN115171431A true CN115171431A (zh) 2022-10-11

Family

ID=83482112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210989407.6A Pending CN115171431A (zh) 2022-08-17 2022-08-17 一种交叉口多视角大型车辆盲区预警方法

Country Status (1)

Country Link
CN (1) CN115171431A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116543594A (zh) * 2023-05-10 2023-08-04 青岛成建网络科技有限公司 一种应用数据分析技术的智慧城市分析管理系统及方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0949818A2 (en) * 1998-04-07 1999-10-13 Matsushita Electric Industrial Co., Ltd. On-vehicle image display apparatus, image transmission system, image transmission apparatus, and image capture apparatus
CN106303456A (zh) * 2016-08-31 2017-01-04 苏州佳世达电通有限公司 一种防死角通讯方法及系统
CN106476697A (zh) * 2016-10-27 2017-03-08 深圳市元征科技股份有限公司 一种行车指示方法及装置
CN109671299A (zh) * 2019-01-04 2019-04-23 浙江工业大学 一种基于路口摄像探头对行人危险预警的系统及方法
CN110430401A (zh) * 2019-08-12 2019-11-08 腾讯科技（深圳）有限公司 车辆盲区预警方法、预警装置、mec平台和存储介质
CN110992683A (zh) * 2019-10-29 2020-04-10 山东科技大学 一种基于动态图像感知的交叉口盲区预警方法及系统
CN111554124A (zh) * 2020-04-16 2020-08-18 天津职业技术师范大学(中国职业培训指导教师进修中心) 交叉路口大货车右转弯防撞预警系统及预警方法
WO2021004077A1 (zh) * 2019-07-09 2021-01-14 华为技术有限公司 一种检测车辆的盲区的方法及装置
CN112466159A (zh) * 2020-11-30 2021-03-09 浙江科技学院 一种大型车辆右转弯安全性预警系统
CN112991818A (zh) * 2021-01-22 2021-06-18 浙江合众新能源汽车有限公司 一种汽车避免因盲区发生碰撞的方法及系统
CN113196362A (zh) * 2018-12-20 2021-07-30 欧姆龙株式会社 检测装置、移动体系统以及检测方法
CN113356101A (zh) * 2021-07-13 2021-09-07 合肥工业大学 一种大型车辆右转盲区的城市道路警示标线设计方法
CN114801993A (zh) * 2022-06-28 2022-07-29 鹰驾科技（深圳）有限公司 一种汽车盲区监控系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0949818A2 (en) * 1998-04-07 1999-10-13 Matsushita Electric Industrial Co., Ltd. On-vehicle image display apparatus, image transmission system, image transmission apparatus, and image capture apparatus
CN106303456A (zh) * 2016-08-31 2017-01-04 苏州佳世达电通有限公司 一种防死角通讯方法及系统
CN106476697A (zh) * 2016-10-27 2017-03-08 深圳市元征科技股份有限公司 一种行车指示方法及装置
CN113196362A (zh) * 2018-12-20 2021-07-30 欧姆龙株式会社 检测装置、移动体系统以及检测方法
CN109671299A (zh) * 2019-01-04 2019-04-23 浙江工业大学 一种基于路口摄像探头对行人危险预警的系统及方法
WO2021004077A1 (zh) * 2019-07-09 2021-01-14 华为技术有限公司 一种检测车辆的盲区的方法及装置
CN110430401A (zh) * 2019-08-12 2019-11-08 腾讯科技（深圳）有限公司 车辆盲区预警方法、预警装置、mec平台和存储介质
CN110992683A (zh) * 2019-10-29 2020-04-10 山东科技大学 一种基于动态图像感知的交叉口盲区预警方法及系统
CN111554124A (zh) * 2020-04-16 2020-08-18 天津职业技术师范大学(中国职业培训指导教师进修中心) 交叉路口大货车右转弯防撞预警系统及预警方法
CN112466159A (zh) * 2020-11-30 2021-03-09 浙江科技学院 一种大型车辆右转弯安全性预警系统
CN112991818A (zh) * 2021-01-22 2021-06-18 浙江合众新能源汽车有限公司 一种汽车避免因盲区发生碰撞的方法及系统
CN113356101A (zh) * 2021-07-13 2021-09-07 合肥工业大学 一种大型车辆右转盲区的城市道路警示标线设计方法
CN114801993A (zh) * 2022-06-28 2022-07-29 鹰驾科技（深圳）有限公司 一种汽车盲区监控系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚佼: "基于货车运行特征的交叉口安全评价", 《物流科技》, pages 68 - 72 *
李奕安: "基于视觉融合与深度学习的智能道路协同感知方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 034 - 49 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116543594A (zh) * 2023-05-10 2023-08-04 青岛成建网络科技有限公司 一种应用数据分析技术的智慧城市分析管理系统及方法
CN116543594B (zh) * 2023-05-10 2024-01-09 青岛成建网络科技有限公司 一种应用数据分析技术的智慧城市分析管理系统及方法

Similar Documents

Publication Publication Date Title
US10551485B1 (en) Fitting points to a surface
CN113276769B (zh) 车辆盲区防撞预警系统及方法
CN108909624B (zh) 一种基于单目视觉的实时障碍物检测和定位方法
Gandhi et al. Pedestrian protection systems: Issues, survey, and challenges
EP2924653B1 (en) Image processing apparatus and image processing method
JP5297078B2 (ja) 車両の死角における移動物体を検知するための方法、および死角検知装置
CN109703460B (zh) 多摄像头的复杂场景自适应车辆碰撞预警装置及预警方法
Gandhi et al. Pedestrian collision avoidance systems: A survey of computer vision based recent studies
EP1671216B1 (en) Moving object detection using low illumination depth capable computer vision
CN112215306B (zh) 一种基于单目视觉与毫米波雷达融合的目标检测方法
US20130088578A1 (en) Image processing apparatus and vehicle
CN107031623A (zh) 一种基于车载盲区相机的道路预警方法
JP5178276B2 (ja) 画像認識装置
TW201704067A (zh) 防撞方法、實現該防撞方法之電腦程式產品及防撞系統
LU101647B1 (en) Road pedestrian classification method and top-view pedestrian risk quantitative method in two-dimensional world coordinate system
KR20120034352A (ko) 장애물 감지 시스템 및 방법
CN115171431A (zh) 一种交叉口多视角大型车辆盲区预警方法
Yoneda et al. Simultaneous state recognition for multiple traffic signals on urban road
Kim et al. An intelligent and integrated driver assistance system for increased safety and convenience based on all-around sensing
Monwar et al. Vision-based potential collision detection for reversing vehicle
Cardarelli et al. 44 Vision-Based Blind Spot Monitoring
Labayrade et al. Obstacle detection based on fusion between stereovision and 2d laser scanner
Lai et al. Sensor fusion of camera and MMW radar based on machine learning for vehicles
CN116721547B (zh) 一种面向交叉口右转区域大货车的安全指导系统与方法
Kuo et al. Fast Estimation of Pedestrian Movement.

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