CN116721547B - 一种面向交叉口右转区域大货车的安全指导系统与方法 - Google Patents

一种面向交叉口右转区域大货车的安全指导系统与方法 Download PDF

Info

Publication number
CN116721547B
CN116721547B CN202310973480.9A CN202310973480A CN116721547B CN 116721547 B CN116721547 B CN 116721547B CN 202310973480 A CN202310973480 A CN 202310973480A CN 116721547 B CN116721547 B CN 116721547B
Authority
CN
China
Prior art keywords
large truck
motor vehicle
microprocessor
intersection
time
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.)
Active
Application number
CN202310973480.9A
Other languages
English (en)
Other versions
CN116721547A (zh
Inventor
任传祥
万永健
尹唱唱
付芳芳
任英伟
刘丹
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310973480.9A priority Critical patent/CN116721547B/zh
Publication of CN116721547A publication Critical patent/CN116721547A/zh
Application granted granted Critical
Publication of CN116721547B publication Critical patent/CN116721547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向交叉口右转区域大货车的安全指导系统及方法，属于交通控制系统领域，包括车外子系统、车内子系统；车外子系统包括第一微处理器、视频采集模块；车内子系统包括第二微处理器、语音模块、车载导航系统，车载导航系统、语音模块均与第二微处理器相连；第一微处理器与第二微处理器相连；第一微处理器根据得到的信息预测大货车与非机动车有无轨迹交叉点、大货车与行人的距离，并生成大货车经过交叉口的指导方式；第一微处理器将生成的大货车经过交叉口的指导方式传递给第二微处理器，并通过语音模块进行播报。本发明对交叉口右转区域通行的大货车进行指导，以提高交叉口交通安全性和效率。

Description

一种面向交叉口右转区域大货车的安全指导系统与方法
技术领域
本发明属于交通运输技术领域，具体涉及一种面向交叉口右转区域大货车的安全指导系统与方法。
背景技术
随着国民经济的迅速发展以及人们需求的增加，我国大货车的数量迅速增加，这为货物的运输提供了强有力的保障。然而，大货车数量的不断增加也导致了交通事故的不断发生，特别是大货车在城市交叉口造成的交通事故频繁发生，严重影响了人们的出行安全。尤其是在交叉口的右转区域，通常无右转专用信号，再加上大货车由于本身设计的特性，存在右转盲区较大，因此在交叉口右转区域经常发生大货车与非机动车、大货车与行人的碰撞事故，特别是交叉口处无右转红灯，大货车右转不受约束，与正在通过斑马线的行人发生碰撞，以及与直行通过交叉口非机动车辆发生碰撞等。
为了解决大货车在交叉口右转区域经常与行人或非机动车发生碰撞而造成交通事故的问题，许多研究集中在对大货车本身的改造上，通过安装特定的装置使得驾驶员能够观察到盲区的非机动车辆以及行人，进而避免事故发生。该种装置仍然依赖于驾驶员本身的观察，存在着主观上的疏忽。
基于以上问题，本发明提出一种面向交叉口右转区域大货车的安全指导系统与方法，通过视频图像对交叉口右转区域大货车与右侧直行非机动车以及大货车与过斑马线行人之间的交通安全进行客观检测，对该区域通行的大货车进行指导，以提高交叉口交通安全性和效率。
发明内容
本发明的目的是为克服上述现有技术的不足，提供一种面向交叉口右转区域大货车的安全指导系统。
为实现上述目的，本发明采用如下技术方案：
一种面向交叉口右转区域大货车的安全指导系统，包括安装在交叉口区域上部的车外子系统以及安装在大货车驾驶室内的车内子系统；
所述车外子系统包括相连的第一微处理器、视频采集模块；
所述车内子系统包括第二微处理器、语音模块以及大货车的车载导航系统，所述车载导航系统、语音模块均与第二微处理器相连；
所述第一微处理器与交叉口右转区域内大货车上的第二微处理器相连；
所述视频采集模块采集交叉口处非机动车、行人的视频图像，所述第一微处理器对视频采集模块采集到的图像信息进行处理得到交叉口处非机动车的实时位置、实时速度信息以及行人的实时位置信息；
所述第二微处理器通过车载导航系统获得大货车的实时位置、实时速度信息并传递给第一微处理器；
所述第一微处理器根据得到的信息预测大货车与非机动车有无轨迹交叉点、大货车与行人的距离，并生成大货车经过交叉口的指导方式；
所述第一微处理器将生成的大货车经过交叉口的指导方式传递给第二微处理器，并通过语音模块进行播报。
优选的，所述视频采集模块为高清摄像头。
优选的，所述第一微处理器与交叉口右转区域内大货车上的第二微处理器之间通过通信模块相连。
优选的，所述通信模块采用WiFi通信模块或者5G通信模块。
本发明还提供一种面向交叉口右转区域大货车的安全指导方法。
一种面向交叉口右转区域大货车的安全指导方法，采用面向交叉口右转区域大货车的安全指导系统进行实施，包括以下步骤：
步骤1：第一微处理器获取经纬度坐标系下大货车的实时位置坐标以及大货车实时速度/>，其中/>=1,2,3…，/>=1,2…/>；/>为大货车/>在/>时刻的经度坐标，/>为大货车/>在/>时刻的纬度坐标；
步骤2：视频采集模块采集交叉口处非机动车、行人的视频图像，第一微处理器对视频采集模块采集到的图像信息进行处理得到图像坐标系下交叉口处非机动车的实时位置坐标、非机动车实时速度/>，其中 />=1,2,3…，/>=1,2…/>以及行人的实时位置坐标/>，其中/>=1,2,3…，/>=1,2…/>；
为非机动车/>在/>时刻的横坐标，/>为非机动车/>在/>时刻的纵坐标；
为行人/>在/>时刻的横坐标，/>为行人/>在/>时刻的纵坐标；
步骤3：第一微处理器对大货车右转的运动轨迹进行预测；
步骤4：第一微处理器对非机动车的运动轨迹进行预测；
步骤5：第一微处理器对大货车与非机动车运动轨迹冲突进行预测，并根据预测给出指导方式；
步骤6：第一微处理器对大货车与行人运动轨迹冲突进行预测，并根据预测给出指导方式。
优选的，所述步骤2中，第一微处理器对视频采集模块采集到的图像信息进行处理得到交叉口处非机动车实时位置、实时速度以及行人实时位置的方法包括以下步骤：
步骤21：建立非机动车目标匹配模板库和行人目标匹配模板库；
步骤22：对视频采集模块采集到的视频图像进行降噪预处理；
步骤23：对视频图像中的运动目标进行提取；
步骤24：识别提取的非机动车和行人；
步骤25：得到交叉口处非机动车的实时位置坐标、非机动车实时速度，其中/>=1,2,3…，/>=1,2…/>以及行人的实时位置坐标/>，其中/>=1,2,3…，/>=1,2…/>，方法如下：
步骤251：建立基于图像左上角第一个像素点作为坐标原点O、水平向右方向为x轴、垂直向下方向为y轴的图像坐标系；
步骤252：根据非机动车的边缘确定重心位置，将非机动车的重心位置作为非机动车在图像坐标系的位置；
将图像中行人双脚边缘的中点作为行人在该图像坐标系的位置；
步骤253：根据确定的非机动车、行人在图像坐标系内的位置，得到交叉口处非机动车的实时位置坐标，其中 />=1,2,3…，/>=1,2…/>以及行人的实时位置坐标/> ，其中/>=1,2,3…，/>=1,2…/>；
步骤254：根据步骤253得到的每帧图像中非机动车的位置以及帧间时间得到非机动车/>的实时速度/>。
优选的，所述步骤3中，第一微处理器对大货车右转的运动轨迹进行预测，具体方法如下：
步骤31：根据大货车在交叉口右转区域通行的实际情况，以交叉口大货车右转车道中心线以及与右转车道中心线相接的直线段作为大货车的运动轨迹曲线；
步骤32：将经纬度坐标系与图像坐标系进行转换，具体如下：
确定图像坐标系下图像右下角像素点的坐标值；
确定图像坐标系下坐标原点对应位置在经纬度坐标系下的实际经纬度坐标以及图像右下角像素点对应位置在经纬度坐标系下实际经纬度坐标/>；
经纬度坐标系下位置坐标与图像坐标系下对应位置的坐标/>之间的关系为：
（3-1）
（3-2）
步骤33：根据步骤32中坐标系的转换，由大货车经纬度坐标系下的实时位置坐标得到图像坐标系下的坐标/>；
（3-3）
（3-4）
其中=1,2,3…，/>=1,2…/>；
为大货车/>在/>时刻的横坐标，/>为大货车/>在/>时刻的纵坐标；
步骤34：根据步骤32中坐标系的转换，获得大货车运动轨迹曲线在图像坐标系下的方程；
（3-5）
式（3-5）中，大货车右转车道中心线用圆的方程表示，其中大货车右转车道中心线所在圆的圆心O1在图像坐标系下的坐标为、半径为/>；
大货车右转车道中心线起始点O2在图像坐标系下的坐标为，大货车右转车道中心线终点O3在图像坐标系下的坐标为/>；
其中由大货车右转车道中心线起始点O2在经纬度坐标系下的坐标转换得到；
由大货车右转车道中心线终点O3在经纬度坐标系下的坐标/>转换得到；
由大货车右转车道中心线所在圆的圆心O1在经纬度坐标系下的坐标转换得到。
优选的，所述步骤4中，第一微处理器预测非机动车运动轨迹的方法为：
通过拟合多项式来表示非机动车的轨迹曲线，设其模型为：
（4-1）
式（4-1）中，,/>,…,/>为模型系数；
,/>,…,/>，则有：
（4-2）
根据最小二乘法的原理，为得到模型系数，令：
（4-3）
对式（4-3）中的函数求偏导数，并令其为零，即：
/> （4-4）
可得：
/>（4-5）
以内积的形式表示为：
/> （4-6）
将式（4-6）写成矩阵的形式为：
（4-7）
将非机动车的实时位置坐标 />=1,2…/>代入式（4-7），则其相应的方程组为：
（4-8）
根据线性方程组求解方法可以求出的唯一解，设为：，从而求出拟合的非机动车的轨迹曲线，即
（4-9）。
优选的，所述步骤5中，第一微处理器对大货车与非机动车运动轨迹冲突进行预测并给出指导方式的步骤如下：
步骤51：根据步骤3预测的大货车右转的运动轨迹、步骤4预测的非机动动车的运动轨迹，确定大货车与非机动车运动轨迹的交点坐标，之后进行步骤52；
步骤52：计算大货车由当前时刻到达交点的时间，具体方法如下：
当前时刻大货车位置P1的坐标为，交点P2的坐标为/>；
大货车右转车道中心线所在圆中弦P1P2中点Q的坐标为，其中，
（5-1）
（5-2）
计算P1、Q两点间的距离，即：
（5-3）
则可以得到弧P1P2对应的圆心角为：
（5-4）
计算弧P1P2的弧长，即：
（5-5）
则大货车由当前时刻的位置P1到达交点P2的时间为：
（5-6）
式（5-6）中，为大货车当前时刻的速度；
步骤53：计算非机动车由当前时刻到达交点的时间，具体方法如下：
当前时刻非机动车的位置P3的坐标为，计算非机动车由当前位置P3到交点P2的距离/>；
（5-7）
则非机动车由当前时刻的位置P3到达交点P2的时间为：
（5-8）
式（5-8）中，为非机动车当前时刻的速度；
步骤54：对、/>进行比较：
若，非机动车先于大货车到达交点，则非机动车到达交点时大货车与非机动车之间的间距/>为：
（5-9）
确定非机动车先于大货车到达交点时大货车与非机动车之间的安全间距；
（5-10）
（5-11）
（5-12）
其中，为基于大货车驾驶员反应时间的运动距离，/>为大货车的制动距离；
大货车轮胎与路面之间的附着系数，/>为道路纵坡度；
若，大货车先于非机动车到达交点，则大货车到达交点时大货车与非机动车之间的间距/>为：
（5-13）
确定大货车先于非机动车到达交点时大货车与非机动车之间的安全间距；
（5-14）
（5-15）
（5-16）
其中，为基于非机动车驾驶员反应时间的运动距离，/>为非机动车的制动距离；
非机动车轮胎与路面之间的附着系数，/>为道路纵坡度；
步骤55：判定大货车安全状态，并给出指导方式：
若，判定大货车的安全状态为危险，第一微处理器生成“右前方非机动车辆驶近，请减速停车让行”的指导方式并通过语音模块进行播报；
若且/>，判定大货车的安全状态为安全，第一微处理器生成“右转弯安全，匀速通过”的指导方式并通过语音模块进行播报；
若且/>，判定大货车的安全状态为较危险，第一微处理器生成“右前方非机动车辆驶近，请减速让行”的指导方式并通过语音模块进行播报；
若且/>，判定大货车的安全状态为安全，第一微处理器生成“右转弯安全，匀速通过”的指导方式并通过语音模块进行播报；
若且/>，判定大货车的安全状态为较危险，第一微处理器生成“右前方非机动车辆驶近，请减速让行”的指导方式并通过语音模块进行播报。
优选的，所述步骤6中，第一微处理器对大货车与行人运动轨迹冲突进行预测并给出指导方式的步骤如下：
步骤61：获取大货车与最近行人之间的距离；
当前时刻大货车的位置P1的坐标为，根据当前时刻图像中各个行人的位置坐标计算各个行人与大货车当前位置P1的距离，选取距离最短的行人目标作为距离大货车最近行人目标，其位置点为P4；
最近行人P4的坐标为；
计算大货车与最近行人之间的距离，则
（6-1）
步骤62：判定大货车安全状态，并给出指导方式：
若，判定大货车为安全状态，第一微处理器生成“右转安全，请匀速通过”的指导方式并通过语音模块进行播报；
若，判定大货车为较危险状态，第一微处理器生成“行人靠近大货车，请立即减速，注意观察”的指导方式并通过语音模块进行播报；
若，判定大货车为危险状态，第一微处理器生成“大货车附近行人危险，请立即停车”的指导方式并通过语音模块进行播报。
本发明的有益效果是：
本发明利用车外子系统和车内子系统针对大货车、非机动车辆以及行人进行动态的监测，通过对视频图像中运动目标的提取，对交叉口右转区域大货车与右侧直行非机动车以及大货车与过斑马线行人之间的交通安全进行客观检测，对该区域通行的大货车进行指导，以提高交叉口交通安全性和效率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明面向交叉口右转区域大货车的安全指导系统的流程示意图；
图2是大货车右转与非机动车直行轨迹交点的示意图；
其中：
1-车外子系统，11-第一微处理器，12-视频采集模块，13-第一存储模块，14-第一电源模块；
2-车内子系统，21-第二微处理器，22-语音模块，23-车载导航系统，24-第二存储模块，25-第二电源模块；
3-通信模块。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中，术语如“上”、“下”、“底”、“顶”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。
本发明中，术语如“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体化连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。
下面结合附图和实施例对本发明进一步说明。
实施例1：
如图1所示，一种面向交叉口右转区域大货车的安全指导系统，包括安装在交叉口区域上部的车外子系统1以及安装在大货车驾驶室内的车内子系统2；
所述车外子系统1包括相连的第一微处理器11、视频采集模块12，其中所述视频采集模块12对交叉口区域的视频图像进行俯拍采集；
所述车内子系统2包括第二微处理器21、语音模块22以及大货车的车载导航系统23，所述车载导航系统23、语音模块22均与第二微处理器21相连；
所述第一微处理器11与交叉口右转区域内大货车上的第二微处理器21相连；
所述视频采集模块12采集交叉口处非机动车、行人的视频图像，其中视频采集模块12可以拍摄到距离交叉口一定范围的非机动车、右转大货车以及斑马线附近的行人；所述第一微处理器11对视频采集模块12采集到的图像信息进行处理得到交叉口处非机动车的实时位置、实时速度信息以及行人的实时位置信息；
所述第二微处理器21通过车载导航系统23获得大货车的实时位置、实时速度信息并传递给第一微处理器11；
所述第一微处理器11根据得到的信息预测大货车与非机动车有无轨迹交叉点、大货车与行人的距离，并生成大货车经过交叉口的指导方式；
所述第一微处理器11将生成的大货车经过交叉口的指导方式传递给第二微处理器21，并通过语音模块22进行播报。
优选的，所述视频采集模块12为高清摄像头。本申请中高清摄像头拍摄固定方位的视频图像。
优选的，所述第一微处理器11与交叉口右转区域内大货车上的第二微处理器21之间通过通信模块3相连。
优选的，所述通信模块3采用WiFi通信模块或者5G通信模块。
优选的，所述第一微处理器11与第一存储模块13相连；
所述第一存储模块13对第一微处理器11接收的信息以及处理得到的信息进行存储，所述第一微处理器11能够对第一存储模块13存储的信息进行调取。
优选的，所述第一微处理器11与用来供电的第一电源模块14相连，第一电源模块14采用市电和太阳能，实现对车外子系统1的供电。
优选的，所述第二微处理器21与第二存储模块24相连；
所述第二存储模块24对第二微处理器21接收的信息进行存储，即存储大货车的实时位置、实时速度以及大货车经过交叉口的指导方式，所述第二微处理器21能够对第二存储模块24存储的信息进行调取。
优选的，所述第二微处理器21与用来供电的第二电源模块25相连，第二电源模块25采用车载电源，实现对车内子系统2的供电。
实施例2：
一种面向交叉口右转区域大货车的安全指导方法，采用实施例1中的面向交叉口右转区域大货车的安全指导系统进行实施，包括以下步骤：
步骤1：第一微处理器11获取经纬度坐标系下大货车的实时位置坐标以及大货车实时速度/>，其中/>=1,2,3…，/>=1,2…/>；/>为大货车/>在/>时刻的经度坐标，/>为大货车/>在/>时刻的纬度坐标；
步骤2：视频采集模块12采集交叉口处非机动车、行人的视频图像，第一微处理器11对视频采集模块12采集到的图像信息进行处理得到图像坐标系下交叉口处非机动车的实时位置坐标、非机动车实时速度/>，其中 />=1,2,3…，/>=1,2…/>以及行人的实时位置坐标/>，其中/>=1,2,3…，/>=1,2…/>；
为非机动车/>在/>时刻的横坐标，/>为非机动车/>在/>时刻的纵坐标；
为行人/>在/>时刻的横坐标，/>为行人/>在/>时刻的纵坐标；
具体地，所述步骤2中，第一微处理器11对视频采集模块12采集到的图像信息进行处理得到交叉口处非机动车实时位置、实时速度以及行人实时位置的方法包括以下步骤：
步骤21：建立非机动车目标匹配模板库和行人目标匹配模板库；
目标匹配模板是进行目标匹配，进而从图像中获得目标的基础。目标匹配模板通常为一幅已知的小图像，即为目标图像。根据目标匹配模板，可以在一幅大图像中搜寻目标。
其中，建立非机动车目标匹配模板库和行人目标匹配模板库包括以下步骤：
步骤211：拍摄交叉口右转区域的含有非机动车和行人的图像；
步骤212：在拍摄的图像中选择非机动车和行人所在的目标区域；
步骤213：从选择的目标区域中提取非机动车和行人目标轮廓特征；
应用Canny边缘检测算法来检测图像中的非机动车和行人目标边缘；Canny算法通过计算图像梯度，找到梯度变化较大的地方，从而得到边缘信息；然后根据Canny边缘检测的结果，使用轮廓追踪算法来提取目标的轮廓特征；
步骤214：对提取的非机动车和行人目标轮廓特征图像进行缩放和标准化；
对提取的非机动车和行人目标轮廓特征图像进行缩放和标准化，以确保它们在不同的图像中具有相同的规模和尺度；
采用双立方插值的算法对提取的目标轮廓特征图像进行缩放，双立方插值算法是一种基于周围16个像素值进行加权求和的算法，以获取新图像中的像素值，从而实现缩放；
使用灰度值的Z-score标准化方法对于缩放后的图像进行标准化，即对每个像素进行标准化；该方法会将灰度值分布拉伸到均值为0，标准差为1的范围内，使得不同图像的灰度值变化范围保持一致，方便后续的处理。
标准化的步骤如下：
首先对需要标准化的灰度图计算像素灰度值、均值和标准差，并对每个像素的灰度值进行如下标准化操作：
标准化后的灰度值=（原始像素灰度值-像素灰度值均值）/像素灰度值标准差
最后将标准化后的像素灰度值缩放到指定范围内，例如[0, 255]，便于后续处理。
步骤215：将标准化的非机动车和行人目标轮廓特征图像作为目标匹配模板；
步骤216：重复步骤211～步骤215，获得非机动车的若干个目标匹配模板以及行人的若干个目标匹配模板，将所有的非机动车目标匹配模版存储在非机动车目标匹配模板库中、所有的行人目标匹配模版存储在行人目标匹配模板库中，将非机动车目标匹配模板库、行人目标匹配模板库预先存储在车外子系统1中的第一存储模块13中，以便于通过后续步骤将非机动车和行人从图像中识别出来。
步骤22：对视频采集模块12采集到的视频图像进行降噪预处理；
由于受到外部环境的影响，视频采集模块12采集到的视频图像常常具有噪声，为此需要将图像噪声除掉，即图像的预处理。对图像噪声的处理方法采用滤波处理方法，具体为方形窗口尺寸的中值滤波方法，运用此方法，能够在去除噪声的同时很好的保持图像的边缘。
方形窗口尺寸的中值滤波方法对图像进行预处理，就是用一个含有奇数个像素的窗口在图像中滑动，将窗口中心点的灰度值用窗口内各点的灰度值的中值代替。例如，采用3×3的方形窗口为采样窗口，设某位置窗口中的像素灰度值分别为：
将灰度值元素按从小到大的顺序排列，结果为5、9、10、15、16、20、21、30、80，其中中间位置上的数值为16，于是窗口中心的灰度值80就由窗口的中值16所代替。如果80是一个尖峰的噪声，那么就将被滤除掉。
步骤23：对视频图像中的运动目标进行提取；
非机动车和行人属于视频图像中的运动目标，要识别非机动车和行人需先进行运动目标提取。基于图像中运动目标与背景的不同，采用背景差分法对图像中的运动目标进行提取。背景差分法适用于摄像机固定放置的情况，可以获得关于目标运动区域的比较完整精确的描述。
背景差分法是利用当前帧图像与背景帧图像的差分对运动目标进行检测，如果背景帧能够反映出当前帧中的实际背景情况，就可以提取比较完整的目标。
具体地，所述步骤23中，采用背景差分法对视频图像中的运动目标进行提取，包括以下步骤：
步骤231：采用灰度归并法建立背景模型；
由于交叉口右转区域为室外环境，光照等外界条件在不断地发生变化，虽然肉眼可能感觉不出来，但拍摄的视频图像像素值却在发生变化。所以，需要通过建立数学模型来描述不断变化的背景。
采用灰度归并法建立背景模型的方法具体为：连续对相邻两帧图像对应像素点的灰度差进行计算，运用该灰度差值对该像素点灰度进行分类，选择频率最高的灰度值，用来作为该点处背景像素的灰度值。
这种方法可以直接从含有运动前景的场景图像中进行背景的重构；灰度归并算法对于背景建模的过程主要包括划分像素点的灰度平稳区间、计算平稳区间的平均灰度值、根据平均灰度值进行分类、统计像素点的频率以及获得背景灰度值五个步骤。其中采用灰度归并法建立背景模型的方法为现有技术，在此不再赘述其具体实施方法。
步骤232：对视频图像的背景进行更新；
为适用于背景变化相对比较缓慢的情况，例如光照变化所产生的背景缓慢变化。根据灰度归并背景建模算法，采用定时背景更新法，即在规定的时间段（如5～10min）内，抽取最后10～20s的图像序列，进行灰度归并重构背景，作为下一个时间段的背景参考帧。
步骤233：提取运动目标轮廓特征；
将车外装置子系统1通过视频采集模块12获得的视频图像经过预处理后，与建立的背景模型进行差分，从而得到图像中的运动目标，其中通过与建立的背景模型进行差分以得到图像中运动目标的技术为现有技术，在此不再赘述其具体的实施方法。然后应用Canny边缘检测算法来检测图像中的图像中的运动目标边缘。Canny算法通过计算图像梯度，找到梯度变化较大的地方，从而得到边缘信息。最后根据Canny边缘检测的结果，使用轮廓追踪算法来提取运动目标的轮廓特征，得到运动目标的轮廓特征图像；运动目标包含了非机动车、行人以及机动车。
步骤234：对提取的运动目标轮廓特征图像进行缩放和标准化；
对提取的运动目标轮廓特征图像进行缩放和标准化，以确保它们在不同的图像中具有相同的规模和尺度；
采用双立方插值的算法对提取的目标轮廓特征图像进行缩放，双立方插值算法是一种基于周围16个像素值进行加权求和的算法，以获取新图像中的像素值，从而实现缩放；
使用灰度值的Z-score标准化方法对于缩放后的图像进行标准化，即对每个像素进行标准化；该方法会将灰度值分布拉伸到均值为0，标准差为1的范围内，使得不同图像的灰度值变化范围保持一致，方便后续的处理。
标准化的步骤如下：
首先对需要标准化的灰度图计算像素灰度值、均值和标准差，并对每个像素的灰度值进行如下标准化操作：
标准化后的灰度值=（原始像素灰度值-像素灰度值均值）/像素灰度值标准差
最后将标准化后的像素灰度值缩放到指定范围内，例如[0, 255]，便于后续处理。
步骤24：识别提取的非机动车和行人；
将提取到的运动目标轮廓特征图像与预先储存的非机动车目标匹配模板库和行人目标匹配模板库中的目标匹配模板进行一一匹配，进而实现对非机动车目标和行人目标的识别。具体采用归一化相关系数（）完成对非机动车目标和行人目标的识别，归一化相关系数（NCC）如下所示：
（2-1）
式（2-1）中，
表示运动目标/>轮廓特征图像特征区域中/>像素点处的像素值；
表示目标匹配模板/>轮廓特征图像特征区域中/>像素点处的像素值；
表示运动目标/>轮廓特征图像特征区域的平均像素值；
表示目标匹配模板/>轮廓特征图像特征区域的平均像素值；
表示运动目标A轮廓特征图像特征区域的像素值标准差；
表示目标匹配模板/>轮廓特征图像特征区域的像素值标准差；
表示运动目标/>轮廓特征图像特征区域的像素数量，在经过缩放与标准化之后，其中运动目标/>轮廓特征图像特征区域的像素数量与目标匹配模板/>轮廓特征图像特征区域的像素数量相同；/>
通过计算归一化相关系数，可以得到相关程度的度量，值的范围在-1到1之间。相关性越接近1，表示两个轮廓特征的匹配程度越高。
设定归一化相关系数阈值为0.5，当时，则认为运动目标A与目标匹配模板/>匹配成功，运动目标/>与目标匹配模板/>所表示的目标类型一致，即若目标匹配模板为非机动车，则运动目标/>识别为非机动车，若目标匹配模板/>为行人，则运动目标/>识别为行人；
当时，则认为运动目标/>与目标匹配模板/>不匹配，将运动目标/>继续与其它目标匹配模板进行匹配，直至匹配成功对其识别；当运动目标/>与所有的目标匹配模板均不匹配时，则不识别运动目标/>。
步骤25：得到交叉口处非机动车的实时位置坐标、非机动车实时速度，其中/>=1,2,3…，/>=1,2…/>以及行人的实时位置坐标/>，其中/>=1,2,3…，/>=1,2…/>；
具体地，所述步骤25中，得到交叉口处非机动车的实时位置坐标、非机动车实时速度/>，其中/>=1,2,3…，/>=1,2…/>以及行人的实时位置坐标/>，其中/>=1,2,3…，/>=1,2…/>，方法如下：
步骤251：建立基于图像左上角第一个像素点作为坐标原点O、水平向右方向为x轴、垂直向下方向为y轴的图像坐标系；
步骤252：根据非机动车的边缘确定重心位置，将非机动车的重心位置作为非机动车在图像坐标系的位置；进一步的，非机动车重心为图像中非机动车边缘的外接长方形对角线的交点；
将图像中行人双脚边缘的中点作为行人在该图像坐标系的位置；
步骤253：根据确定的非机动车、行人在图像坐标系内的位置，得到交叉口处非机动车的实时位置坐标，其中 />=1,2,3…，/>=1,2…/>以及行人的实时位置坐标/> ，其中/>=1,2,3…，/>=1,2…/>；
步骤254：根据步骤253得到的每帧图像中非机动车的位置以及帧间时间得到非机动车/>的实时速度/>。
步骤3：第一微处理器11对大货车右转的运动轨迹进行预测，具体包括以下步骤：
步骤31：根据大货车在交叉口右转区域通行的实际情况，以交叉口大货车右转车道中心线以及与右转车道中心线相接的直线段作为大货车的运动轨迹曲线；其中本申请中大货车右转车中心线指的弯道的中心弧线；
步骤32：将经纬度坐标系与图像坐标系进行转换，具体如下：
确定图像坐标系下图像右下角像素点的坐标值；/>
确定图像坐标系下坐标原点对应位置在经纬度坐标系下的实际经纬度坐标以及图像右下角像素点对应位置在经纬度坐标系下的实际经纬度坐标/>；
经纬度坐标系下位置坐标与图像坐标系下对应位置的坐标/>之间的关系为：
（3-1）
（3-2）
步骤33：根据步骤32中坐标系的转换，由大货车经纬度坐标系下的实时位置坐标得到图像坐标系下的坐标/>；
（3-3）
（3-4）
其中=1,2,3…，/>=1,2…/>；
为大货车/>在/>时刻的横坐标，/>为大货车/>在/>时刻的纵坐标；
步骤34：根据步骤32中坐标系的转换，获得大货车运动轨迹曲线在图像坐标系下的方程；
（3-5）
式（3-5）中，大货车右转车道中心线用圆的方程表示，其中大货车右转车道中心线所在圆的圆心O1在图像坐标系下的坐标为、半径为/>；
大货车右转车道中心线起始点O2在图像坐标系下的坐标为，大货车右转车道中心线终点O3在图像坐标系下的坐标为/>；
其中由大货车右转车道中心线起始点O2在经纬度坐标系下的坐标转换得到；
由大货车右转车道中心线终点O3在经纬度坐标系下的坐标/>转换得到；
由大货车右转车道中心线所在圆的圆心O1在经纬度坐标系下的坐标转换得到。
其中大货车右转车道中心线起始点O2、终点O3在经纬度坐标下的坐标以及大货车右转车道中心线所在圆的圆心O1在经纬度坐标系下的坐标均可以采用现有技术提前勘探获取；在已知圆上两点坐标以及圆心坐标的情况下，采用现有技术就能获得圆的方程；
具体地：
（3-6）
（3-7）
（3-8）
（3-9）
（3-10）
（3-11）
（3-12）
经过上述步骤，由车外子系统1拍摄到的图像建立的基于像素点的坐标，与大货车车内子系统2得到的经纬度坐标一一对应起来，实现了由车内子系统2得到的车辆经纬度到图像基于像素点坐标的转换，从而可以确定出大货车在图像坐标系下的实时位置坐标。
步骤4：第一微处理器11对非机动车的运动轨迹进行预测；
具体地，所述步骤4中，第一微处理器11预测非机动车运动轨迹的方法为：
通过拟合多项式来表示非机动车的轨迹曲线，设其模型为：
（4-1）
式（4-1）中，,/>,…,/>为模型系数；
,/>,…,/>，则有：
（4-2）/>
根据最小二乘法的原理，为得到模型系数，令：
（4-3）
对式（4-3）中的函数求偏导数，并令其为零，即：
/> （4-4）
可得：
/>（4-5）
以内积的形式表示为：
/> （4-6）
将式（4-6）写成矩阵的形式为：
（4-7）
将非机动车的实时位置坐标 />=1,2…/>代入式（4-7），则其相应的方程组为：
（4-8）
根据线性方程组求解方法可以求出的唯一解，设为：，从而求出拟合的非机动车的轨迹曲线，即
（4-9）
步骤5：第一微处理器11对大货车与非机动车运动轨迹冲突进行预测，并根据预测给出指导方式；
具体地，所述步骤5中，第一微处理器11对大货车与非机动车运动轨迹冲突进行预测并给出指导方式的步骤如下：
步骤51：如图2所示，根据步骤3预测的大货车右转的运动轨迹、步骤4预测的非机动动车的运动轨迹，确定大货车与非机动车运动轨迹的交点坐标，之后进行步骤52；具体地，当非机动车直行时，能够获得非机动车的轨迹曲线方程，与大货车的标定运动轨迹曲线联立，就能得到交点P2的坐标；
步骤52：计算大货车由当前时刻到达交点的时间，具体方法如下：
当前时刻大货车位置P1的坐标为，交点P2的坐标为/>；
大货车右转车道中心线所在圆中弦P1P2中点Q的坐标为，其中，
（5-1）
（5-2）
计算P1、Q两点间的距离，即：
（5-3）
则可以得到弧P1P2对应的圆心角为：
（5-4）
计算弧P1P2的弧长，即：
（5-5）
则大货车由当前时刻的位置P1到达交点P2的时间为：
（5-6）/>
式（5-6）中，为大货车当前时刻的速度；
步骤53：计算非机动车由当前时刻到达交点的时间，具体方法如下：
当前时刻非机动车的位置P3的坐标为，计算非机动车由当前位置P3到交点P2的距离/>，由于非机动车为直行，因此直接采用两点间距离的计算公式进行计算；
（5-7）
则非机动车由当前时刻的位置P3到达交点P2的时间为：
（5-8）
式（5-8）中，为非机动车当前时刻的速度；
步骤54：对、/>进行比较：
若，非机动车先于大货车到达交点，则非机动车到达交点时大货车与非机动车之间的间距/>为：
（5-9）
确定非机动车先于大货车到达交点时大货车与非机动车之间的安全间距；
（5-10）
（5-11）
（5-12）
其中，为基于大货车驾驶员反应时间的运动距离，/>为大货车的制动距离；
大货车轮胎与路面之间的附着系数，/>为道路纵坡度；
驾驶员从接到包含减速的安全通行指导信息，做出判断，再到执行减速需要一定的时间。一般来说，完成判断所用时间约1.5s，作用时间约为1s，因此，从感知、判断、开始制动到制动减速发生效力全部时间总和约为2.5~3s；本申请中大货车驾驶员反应时间和非机动车驾驶员反应时间均取3s计算；
若，大货车先于非机动车到达交点，则大货车到达交点时大货车与非机动车之间的间距/>为：/>
（5-13）
确定大货车先于非机动车到达交点时大货车与非机动车之间的安全间距；
（5-14）
（5-15）
（5-16）
其中，为基于非机动车驾驶员反应时间的运动距离，/>为非机动车的制动距离；
非机动车轮胎与路面之间的附着系数，/>为道路纵坡度；
步骤55：判定大货车安全状态，并给出指导方式：
若，表示大货车与非机动车同时到达交点，判定大货车的安全状态为危险，第一微处理器11生成“右前方非机动车辆驶近，请减速停车让行”的指导方式并通过语音模块22进行播报；
若且/>，表示大货车晚于非机动车到达交点，并且与非机动车的间距大于安全间距，大货车与非机动车不会发生碰撞，判定大货车的安全状态为安全，第一微处理器11生成“右转弯安全，匀速通过”的指导方式并通过语音模块22进行播报；
若且/>，表示大货车晚于非机动车到达交点，并且与非机动车的间距小于等于安全间距，大货车与非机动车有可能发生碰撞，判定大货车的安全状态为较危险，第一微处理器11生成“右前方非机动车辆驶近，请减速让行”的指导方式并通过语音模块22进行播报；
若且/>，表示大货车先于非机动车到达交点，并且与非机动车的间距大于安全间距，大货车与非机动车不会发生碰撞，判定大货车的安全状态为安全，第一微处理器11生成“右转弯安全，匀速通过”的指导方式并通过语音模块22进行播报；
若且/>，表示大货车先于非机动车到达交点，并且与非机动车的间距小于等于安全间距，大货车与非机动车有可能发生碰撞，判定大货车的安全状态为较危险，第一微处理器11生成“右前方非机动车辆驶近，请减速让行”的指导方式并通过语音模块22进行播报；
步骤6：第一微处理器11对大货车与行人运动轨迹冲突进行预测，并根据预测给出指导方式；
具体地，所述步骤6中，第一微处理器11对大货车与行人运动轨迹冲突进行预测并给出指导方式的步骤如下：
步骤61：获取大货车与最近行人之间的距离；/>
当前时刻大货车的位置P1的坐标为，根据当前时刻图像中各个行人的位置坐标计算各个行人与大货车当前位置P1的距离，选取距离最短的行人目标作为距离大货车最近行人目标，其位置点为P4；
最近行人P4的坐标为；
计算大货车与最近行人之间的距离，则
（6-1）
步骤62：判定大货车安全状态，并给出指导方式：
若，表示大货车与最近行人之间的距离大于较危险距离，大货车相对于行人没有危险，判定大货车为安全状态，第一微处理器11生成“右转安全，请匀速通过”的指导方式并通过语音模块22进行播报；
若，则表示大货车与最近行人之间的距离在危险距离与较危险距离之间，此时对于行人存在危险，判定大货车为较危险状态，第一微处理器11生成“行人靠近大货车，请立即减速，注意观察”的指导方式并通过语音模块22进行播报；
若，表示大货车与最近行人之间的距离小于危险距离，此时对于行人极其危险，判定大货车为危险状态，第一微处理器11生成“大货车附近行人危险，请立即停车”的指导方式并通过语音模块22进行播报。
本发明利用车外子系统和车内子系统针对大货车、非机动车辆以及行人进行动态的监测，通过对视频图像中运动目标的提取，对交叉口右转区域大货车与右侧直行非机动车以及大货车与过斑马线行人之间的交通安全进行客观检测，对该区域通行的大货车进行指导，以提高交叉口交通安全性和效率。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种面向交叉口右转区域大货车的安全指导方法，其特征在于，采用面向交叉口右转区域大货车的安全指导系统进行实施，所述面向交叉口右转区域大货车的安全指导系统包括安装在交叉口区域上部的车外子系统以及安装在大货车驾驶室内的车内子系统；
所述车外子系统包括相连的第一微处理器、视频采集模块；
所述车内子系统包括第二微处理器、语音模块以及大货车的车载导航系统，所述车载导航系统、语音模块均与第二微处理器相连；
所述第一微处理器与交叉口右转区域内大货车上的第二微处理器相连；
所述视频采集模块采集交叉口处非机动车、行人的视频图像，所述第一微处理器对视频采集模块采集到的图像信息进行处理得到交叉口处非机动车的实时位置、实时速度信息以及行人的实时位置信息；
所述第二微处理器通过车载导航系统获得大货车的实时位置、实时速度信息并传递给第一微处理器；
所述第一微处理器根据得到的信息预测大货车与非机动车有无轨迹交叉点、大货车与行人的距离，并生成大货车经过交叉口的指导方式；
所述第一微处理器将生成的大货车经过交叉口的指导方式传递给第二微处理器，并通过语音模块进行播报；
所述安全指导方法包括以下步骤：
步骤1：第一微处理器获取经纬度坐标系下大货车的实时位置坐标以及大货车实时速度/>，其中/>=1,2,3…，/>=1,2…/>；/>为大货车/>在/>时刻的经度坐标，为大货车/>在/>时刻的纬度坐标；
步骤2：视频采集模块采集交叉口处非机动车、行人的视频图像，第一微处理器对视频采集模块采集到的图像信息进行处理得到图像坐标系下交叉口处非机动车的实时位置坐标、非机动车实时速度/>，其中/>=1,2,3…，/>=1,2…/>以及行人的实时位置坐标/>，其中/>=1,2,3…，/>=1,2…/>；
为非机动车/>在/>时刻的横坐标，/>为非机动车/>在/>时刻的纵坐标；
为行人/>在/>时刻的横坐标，/>为行人/>在/>时刻的纵坐标；
步骤3：第一微处理器对大货车右转的运动轨迹进行预测；
步骤4：第一微处理器对非机动车的运动轨迹进行预测；
步骤5：第一微处理器对大货车与非机动车运动轨迹冲突进行预测，并根据预测给出指导方式；
步骤6：第一微处理器对大货车与行人运动轨迹冲突进行预测，并根据预测给出指导方式；
所述步骤2中，第一微处理器对视频采集模块采集到的图像信息进行处理得到交叉口处非机动车实时位置、实时速度以及行人实时位置的方法包括以下步骤：
步骤21：建立非机动车目标匹配模板库和行人目标匹配模板库；
步骤22：对视频采集模块采集到的视频图像进行降噪预处理；
步骤23：对视频图像中的运动目标进行提取；
步骤24：识别提取的非机动车和行人；
步骤25：得到交叉口处非机动车的实时位置坐标、非机动车实时速度/>，其中/>=1,2,3…，/>=1,2…/>以及行人的实时位置坐标/>，其中/>=1,2,3…，/>=1,2…/>，方法如下：
步骤251：建立基于图像左上角第一个像素点作为坐标原点O、水平向右方向为x轴、垂直向下方向为y轴的图像坐标系；
步骤252：根据非机动车的边缘确定重心位置，将非机动车的重心位置作为非机动车在图像坐标系的位置；
将图像中行人双脚边缘的中点作为行人在该图像坐标系的位置；
步骤253：根据确定的非机动车、行人在图像坐标系内的位置，得到交叉口处非机动车的实时位置坐标，其中 />=1,2,3…，/>=1,2…/>以及行人的实时位置坐标 ，其中/>=1,2,3…，/>=1,2…/>；
步骤254：根据步骤253得到的每帧图像中非机动车的位置以及帧间时间得到非机动车/>的实时速度/>；
所述步骤3中，第一微处理器对大货车右转的运动轨迹进行预测，具体方法如下：
步骤31：根据大货车在交叉口右转区域通行的实际情况，以交叉口大货车右转车道中心线以及与右转车道中心线相接的直线段作为大货车的运动轨迹曲线；
步骤32：将经纬度坐标系与图像坐标系进行转换，具体如下：
确定图像坐标系下图像右下角像素点的坐标值；
确定图像坐标系下坐标原点对应位置在经纬度坐标系下的实际经纬度坐标以及图像右下角像素点对应位置在经纬度坐标系下实际经纬度坐标/>；
经纬度坐标系下位置坐标与图像坐标系下对应位置的坐标/>之间的关系为：
（3-1）
（3-2）
步骤33：根据步骤32中坐标系的转换，由大货车经纬度坐标系下的实时位置坐标得到图像坐标系下的坐标/>；
（3-3）
（3-4）
其中=1,2,3…，/>=1,2…/>；
为大货车/>在/>时刻的横坐标，/>为大货车/>在/>时刻的纵坐标；
步骤34：根据步骤32中坐标系的转换，获得大货车运动轨迹曲线在图像坐标系下的方程；
（3-5）
式（3-5）中，大货车右转车道中心线用圆的方程表示，其中大货车右转车道中心线所在圆的圆心O1在图像坐标系下的坐标为、半径为/>；
大货车右转车道中心线起始点O2在图像坐标系下的坐标为，大货车右转车道中心线终点O3在图像坐标系下的坐标为/>；
其中由大货车右转车道中心线起始点O2在经纬度坐标系下的坐标/>转换得到；
由大货车右转车道中心线终点O3在经纬度坐标系下的坐标/>转换得到；
由大货车右转车道中心线所在圆的圆心O1在经纬度坐标系下的坐标/>转换得到；
所述步骤4中，第一微处理器预测非机动车运动轨迹的方法为：
通过拟合多项式来表示非机动车的轨迹曲线，设其模型为：
（4-1）
式（4-1）中，,/>,…,/>为模型系数；
,/>,…,/>，则有：
（4-2）
根据最小二乘法的原理，为得到模型系数，令：
（4-3）
对式（4-3）中的函数求偏导数，并令其为零，即：
/> （4-4）
可得：
/>（4-5）
以内积的形式表示为：
（4-6）
将式（4-6）写成矩阵的形式为：
（4-7）
将非机动车的实时位置坐标 =1,2…/>代入式（4-7），则其相应的方程组为：
（4-8）
根据线性方程组求解方法可以求出的唯一解，设为：，从而求出拟合的非机动车的轨迹曲线，即
（4-9）；
所述步骤5中，第一微处理器对大货车与非机动车运动轨迹冲突进行预测并给出指导方式的步骤如下：
步骤51：根据步骤3预测的大货车右转的运动轨迹、步骤4预测的非机动动车的运动轨迹，确定大货车与非机动车运动轨迹的交点坐标，之后进行步骤52；
步骤52：计算大货车由当前时刻到达交点的时间，具体方法如下：
当前时刻大货车位置P1的坐标为，交点P2的坐标为/>；
大货车右转车道中心线所在圆中弦P1P2中点Q的坐标为，其中，
（5-1）
（5-2）
计算P1、Q两点间的距离，即：
（5-3）
则可以得到弧P1P2对应的圆心角为：
（5-4）
计算弧P1P2的弧长，即：
（5-5）
则大货车由当前时刻的位置P1到达交点P2的时间为：
（5-6）
式（5-6）中，为大货车当前时刻的速度；
步骤53：计算非机动车由当前时刻到达交点的时间，具体方法如下：
当前时刻非机动车的位置P3的坐标为，计算非机动车由当前位置P3到交点P2的距离/>；
（5-7）
则非机动车由当前时刻的位置P3到达交点P2的时间为：
（5-8）
式（5-8）中，为非机动车当前时刻的速度；
步骤54：对、/>进行比较：
若，非机动车先于大货车到达交点，则非机动车到达交点时大货车与非机动车之间的间距/>为：
（5-9）
确定非机动车先于大货车到达交点时大货车与非机动车之间的安全间距；
（5-10）
（5-11）
（5-12）
其中，为基于大货车驾驶员反应时间的运动距离，/>为大货车的制动距离；
大货车轮胎与路面之间的附着系数，/>为道路纵坡度；
若，大货车先于非机动车到达交点，则大货车到达交点时大货车与非机动车之间的间距/>为：
（5-13）
确定大货车先于非机动车到达交点时大货车与非机动车之间的安全间距；
（5-14）
（5-15）
（5-16）
其中，为基于非机动车驾驶员反应时间的运动距离，/>为非机动车的制动距离；
非机动车轮胎与路面之间的附着系数，/>为道路纵坡度；
步骤55：判定大货车安全状态，并给出指导方式：
若，判定大货车的安全状态为危险，第一微处理器生成“右前方非机动车辆驶近，请减速停车让行”的指导方式并通过语音模块进行播报；
若且/>，判定大货车的安全状态为安全，第一微处理器生成“右转弯安全，匀速通过”的指导方式并通过语音模块进行播报；
若且/>，判定大货车的安全状态为较危险，第一微处理器生成“右前方非机动车辆驶近，请减速让行”的指导方式并通过语音模块进行播报；
若且/>，判定大货车的安全状态为安全，第一微处理器生成“右转弯安全，匀速通过”的指导方式并通过语音模块进行播报；
若且/>，判定大货车的安全状态为较危险，第一微处理器生成“右前方非机动车辆驶近，请减速让行”的指导方式并通过语音模块进行播报。
2.如权利要求1所述的面向交叉口右转区域大货车的安全指导方法，其特征在于，所述视频采集模块为高清摄像头。
3.如权利要求1所述的面向交叉口右转区域大货车的安全指导方法，其特征在于，所述第一微处理器与交叉口右转区域内大货车上的第二微处理器之间通过通信模块相连。
4.如权利要求3所述的面向交叉口右转区域大货车的安全指导方法，其特征在于，所述通信模块采用WiFi通信模块或者5G通信模块。
5.如权利要求1所述的面向交叉口右转区域大货车的安全指导方法，其特征在于，所述步骤6中，第一微处理器对大货车与行人运动轨迹冲突进行预测并给出指导方式的步骤如下：
步骤61：获取大货车与最近行人之间的距离；
当前时刻大货车的位置P1的坐标为，根据当前时刻图像中各个行人的位置坐标计算各个行人与大货车当前位置P1的距离，选取距离最短的行人目标作为距离大货车最近行人目标，其位置点为P4；
最近行人P4的坐标为；
计算大货车与最近行人之间的距离，则
（6-1）
步骤62：判定大货车安全状态，并给出指导方式：
若，判定大货车为安全状态，第一微处理器生成“右转安全，请匀速通过”的指导方式并通过语音模块进行播报；
若，判定大货车为较危险状态，第一微处理器生成“行人靠近大货车，请立即减速，注意观察”的指导方式并通过语音模块进行播报；
若，判定大货车为危险状态，第一微处理器生成“大货车附近行人危险，请立即停车”的指导方式并通过语音模块进行播报。
CN202310973480.9A 2023-08-04 2023-08-04 一种面向交叉口右转区域大货车的安全指导系统与方法 Active CN116721547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310973480.9A CN116721547B (zh) 2023-08-04 2023-08-04 一种面向交叉口右转区域大货车的安全指导系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310973480.9A CN116721547B (zh) 2023-08-04 2023-08-04 一种面向交叉口右转区域大货车的安全指导系统与方法

Publications (2)

Publication Number Publication Date
CN116721547A CN116721547A (zh) 2023-09-08
CN116721547B true CN116721547B (zh) 2023-10-20

Family

ID=87868223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310973480.9A Active CN116721547B (zh) 2023-08-04 2023-08-04 一种面向交叉口右转区域大货车的安全指导系统与方法

Country Status (1)

Country Link
CN (1) CN116721547B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000251A1 (zh) * 2018-06-27 2020-01-02 潍坊学院 基于摄像机协同接力的路口违章视频识别方法
CN111319677A (zh) * 2018-12-17 2020-06-23 本田技研工业株式会社 行驶轨迹确定装置和自动驾驶装置
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
CN112634320A (zh) * 2019-09-24 2021-04-09 成都通甲优博科技有限责任公司 一种交叉路口识别物体运动方向的方法及系统
CN113312760A (zh) * 2021-05-14 2021-08-27 东南大学 一种基于交通仿真的网联机动车右转轨迹规划方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000251A1 (zh) * 2018-06-27 2020-01-02 潍坊学院 基于摄像机协同接力的路口违章视频识别方法
CN111319677A (zh) * 2018-12-17 2020-06-23 本田技研工业株式会社 行驶轨迹确定装置和自动驾驶装置
CN112634320A (zh) * 2019-09-24 2021-04-09 成都通甲优博科技有限责任公司 一种交叉路口识别物体运动方向的方法及系统
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
CN113312760A (zh) * 2021-05-14 2021-08-27 东南大学 一种基于交通仿真的网联机动车右转轨迹规划方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向右转内轮差的大货车交叉口与非机动车的碰撞预警模型;刘佳昆;韩印;姬玉乐;龚晓伟;;物流科技(03);101-104 *

Also Published As

Publication number Publication date
CN116721547A (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN109190523B (zh) 一种基于视觉的车辆检测跟踪预警方法
US9311711B2 (en) Image processing apparatus and image processing method
EP2549457B1 (en) Vehicle-mounting vehicle-surroundings recognition apparatus and vehicle-mounting vehicle-surroundings recognition system
CN105825185B (zh) 车辆防碰撞预警方法及装置
CN111369541B (zh) 一种智能汽车恶劣天气条件下车辆检测方法
CN103984950B (zh) 一种适应白天检测的运动车辆刹车灯状态识别方法
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
Fernández et al. Free space and speed humps detection using lidar and vision for urban autonomous navigation
CN102419820A (zh) 一种快速检测视频与图像中汽车车标的方法
KR101663574B1 (ko) 야간 환경에서의 운전자 보조 시스템을 위한 위험 보행자 검출 방법 및 시스템
CN104504363A (zh) 基于时空关联的人行道实时识别方法
CN102073852A (zh) 基于最优阈值和随机标号法的多车辆分割方法
CN103577809A (zh) 一种基于智能驾驶的地面交通标志实时检测的方法
CN114898296A (zh) 基于毫米波雷达与视觉融合的公交车道占用检测方法
CN114415171A (zh) 一种基于4d毫米波雷达的汽车可行驶区域检测方法
Cao et al. Real-time vehicle trajectory prediction for traffic conflict detection at unsignalized intersections
CN103295003A (zh) 一种基于多特征融合的车辆检测方法
CN109815836A (zh) 一种城市道路路面导向箭头检测识别方法
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
CN115171431A (zh) 一种交叉口多视角大型车辆盲区预警方法
Beresnev et al. Automated Driving System based on Roadway and Traffic Conditions Monitoring.
Yu et al. A traffic light detection method
Lai et al. Sensor fusion of camera and MMW radar based on machine learning for vehicles
Gao et al. Crossing road monitoring system based on adaptive decision for illegal situation
Tai et al. Automatic contour initialization for image tracking of multi-lane vehicles and motorcycles

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
GR01 Patent grant
GR01 Patent grant