本發(fā)明涉及超車預警領域，尤其是涉及一種基于可變部件模型算法的汽車超車預警方法。

背景技術：

超車是駕駛員最為常見的駕駛行為之一。據(jù)統(tǒng)計，在高速公路上駕駛員以90km/h行駛100km的距離，途中將進行大約50次超車行為。近年來，我國因超車不當引發(fā)的交通事故呈明顯上升趨勢，尤其是在高速公路上，60％以上的交通事故都與超車有關。實施超車時，駕駛員必須根據(jù)當前的車速、車輛間距、車流狀態(tài)以及道路交通設施等周邊環(huán)境信息，實時調整駕駛策略實現(xiàn)超車行為。避免超車過程引發(fā)的車輛碰撞，可通過控制車輛間的相對速度和增加車輛縱向間距來實現(xiàn)。

公開號為cn105216797a的專利文獻公開了名稱為超車方法及系統(tǒng)的技術方案，該方案包括檢測模塊、處理模塊，通過攝像機和前置雷達獲得障礙物的行駛速度及位置信息來判斷目標車輛能否執(zhí)行超車動作；公開號為cn101326511的專利文獻公開了名稱為用于檢測或預測車輛超車的方法的技術方案，在該方案的實施例中，使用無線通信來讀取其他車輛的導航系統(tǒng)，以確定另一車輛是否會超車。

目前，在國內與超車及變道的相關技術中，多數(shù)采用雷達或者短距離信息通訊系統(tǒng)來防止超車時交通事故的發(fā)生，這種方案因為采用多種傳感器成本巨大，并且在實時場景中并不能快速有效的識別車輛及車道線信息，或者僅僅是預測障礙物與車輛之間的距離信息。

技術實現(xiàn)要素：

本發(fā)明的目的是針對上述問題提供一種基于可變部件模型算法的汽車超車預警方法。

本發(fā)明的目的可以通過以下技術方案來實現(xiàn)：

一種基于可變部件模型算法的汽車超車預警方法，所述方法包括下列步驟：

后方車輛超車預警步驟，汽車通過后視攝像頭結合可變部件模型算法對后方車輛進行識別，通過識別后方車輛與本車以及車道線之間的位置關系，判斷后方車輛是否進行超車并向駕駛員發(fā)出預警；

前方車輛超車預警步驟，汽車通過前視攝像頭結合可變部件模型算法對前方車輛進行識別，通過識別前方車輛與本車以及車道線之間的位置關系，判斷本車是否需要進行超車并在超車有危險時向駕駛員發(fā)出預警。

所述后方車輛超車預警步驟具體為：

a1)汽車根據(jù)可變部件模型算法，檢測后視攝像頭的拍攝圖像內是否出現(xiàn)其他車輛，若是則進入步驟a2)，若否則繼續(xù)檢測；

a2)汽車判斷檢測到的車輛與本車之間的距離是否減小，若是則進入步驟a3)，若否則返回步驟a1)；

a3)汽車對車道線進行識別，并判斷本車與檢測到的車輛是否位于同一車道線內，若是則向駕駛員發(fā)出預警，若否則進行步驟a4)；

a4)汽車在檢測到的車輛從后視攝像頭內消失后進入前方車輛超車預警步驟。

所述前方車輛超車預警步驟具體為：

b1)汽車根據(jù)可變部件模型算法，檢測前視攝像頭的拍攝圖像內是否出現(xiàn)其他車輛，若是則進入步驟b2)，若否則繼續(xù)檢測；

b2)汽車判斷檢測到的車輛與本車之間的距離是否減小，若是則進入步驟b3)，若否則返回步驟b1)；

b3)汽車對車道線進行識別，并判斷本車與檢測到的車輛是否位于同一車道線內，若是則向駕駛員發(fā)出預警，若否則進行步驟b4)；

b4)汽車在檢測到的車輛從前視攝像頭內消失后進入后方車輛超車預警步驟。

所述可變部件模型算法具體為：

a11)根據(jù)后視攝像頭的拍攝圖像，構建尺度金字塔；

a12)在尺度金字塔內的每個尺度層內，通過滑動窗口檢測方法將圖像與通過可變部件模型算法訓練后的模型進行匹配，并計算匹配分數(shù)；

a13)選取最高匹配分數(shù)對應的尺度層，若該匹配分數(shù)超過閾值則表明檢測到車輛且車輛出現(xiàn)在與該尺度層內匹配分數(shù)最高所對應的位置。

所述匹配分數(shù)具體為：

其中，score為匹配分數(shù)，(x0,y0)為錨點，l0為尺度層數(shù)，為根模型的檢測分數(shù)，為第i個部件模型的響應，vi為第i個部件模型相對于錨點的偏移量，b為偏移系數(shù)。

所述通過可變部件模型算法訓練后的模型具體為：通過采用pca方法對訓練圖片的hog特征降維處理后進行特征提取，再通過隱變量支持向量機分類器進行模型訓練，得到通過可變部件模型算法訓練后的模型。

所述汽車判斷檢測到的車輛與本車之間的距離具體為：通過安裝于汽車上的激光雷達進行測距，得到檢測到的車輛與本車之間的距離。

所述汽車對車道線進行識別具體為：汽車通過hough變換，掃描圖像中的共線點，實現(xiàn)對車道線的識別。

所述預警包括通過led預警面板閃爍實現(xiàn)預警和通過蜂鳴器鳴響實現(xiàn)預警。

所述led預警面板上設有至少分布在前后左右四個方向的led預警燈。

與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

(1)通過可變部件模型算法，對前視攝像頭和后視攝像頭拍攝到的圖像進行車輛識別，繼而再通過判斷車輛與本車之間的距離關系和車輛與車道線之間的位置關系確定車輛與本車是否在超車過程中出現(xiàn)危險以及本車是否在超車過程中出現(xiàn)危險，這種方法與現(xiàn)有的通過雷達或短距離通信來進行識別的方法相比，識別速度快的同時識別的準確性也比較高，而且通過攝像頭來進行識別的方法與雷達等相比價格成本較低。

(2)車輛通過后方車輛超車預警步驟和前方車輛超車預警步驟兩個步驟相結合，對靠近本車安全范圍內的車輛均實現(xiàn)全過程跟蹤，即在本車后方的車輛在超車后再通過前方車輛超車預警步驟來進行監(jiān)控，本車在超車后繼續(xù)對超過的車輛通過后方車輛超車預警步驟來進行監(jiān)控，保證了預警的完整性。

(3)在通過可變部件模型算法對車輛進行識別檢測時，通過構建尺度金字塔保證對各尺度下的拍攝圖片均進行識別，并選取檢測得分最高的圖片作為車輛的識別位置，保證了檢測的完整性，從而提高預警的精確程度。

(4)通過可變部件模型算法對訓練圖片進行特征提取并訓練得到模型，這種方法訓練的模型精確程度較高，從而提高了最終預警的準確程度。

(5)汽車通過hough變換識別車道線，繼而可以判斷本車與預警車輛是否處于同一車道線內，從而在二者在同一車道線且距離縮小時及時對駕駛員發(fā)出預警，及時避免事故的發(fā)生。

(6)通過led燈閃爍和蜂鳴器鳴響同時來對駕駛員進行預警，最大程度的提示駕駛員危險情況的發(fā)生，提高了預警的安全性。

(7)led預警面板上設有至少分布在前后左右四個方向的led預警燈，可以將檢測到的預警情況發(fā)生的位置通過led預警燈來表示出來，便于駕駛員及時了解預警發(fā)生的位置，提高了預警的及時性。

附圖說明

圖1為后方車輛超車預警步驟的方法流程圖；

圖2為前方車輛超車預警步驟的方法流程圖；

圖3為實現(xiàn)基于可變部件模型算法的汽車超車預警方法的汽車各模塊布局圖；

圖4為攝像頭的視角范圍示意圖；

圖5為實施例中超車預警的整體方法流程圖；

圖6為可變部件模型算法的模型圖，其中，(6a)為第一視角下其中一個組件的根模型圖，(6b)為第一視角下其中一個組件的部件模型圖，(6c)為第一視角下的模型變形損失，(6d)為第二視角下其中一個組件的根模型圖，(6e)為第二視角下其中一個組件的部件模型圖，(6f)為第二視角下的模型變形損失；

圖7為模型的匹配過程圖；

圖8為led預警面板示意圖；

其中，111為車輛，301為預警模塊，302為前視攝像頭，303為數(shù)據(jù)處理模塊，304為后視攝像頭，401～406均為led燈。

具體實施方式

下面結合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。

本實施例提供的是一種基于可變部件模型算法的汽車超車預警方法包括下列步驟：

后方車輛超車預警步驟，汽車通過后視攝像頭結合可變部件模型算法對后方車輛進行識別，通過識別后方車輛與本車以及車道線之間的位置關系，判斷后方車輛是否進行超車并向駕駛員發(fā)出預警，具體為：

a1)汽車根據(jù)可變部件模型算法，檢測后視攝像頭的拍攝圖像內是否出現(xiàn)其他車輛，若是則進入步驟a2)，若否則繼續(xù)檢測：

a11)根據(jù)后視攝像頭的拍攝圖像，構建尺度金字塔；

a12)在尺度金字塔內的每個尺度層內，通過滑動窗口檢測方法將圖像與通過可變部件模型算法訓練后的模型進行匹配，并計算匹配分數(shù)；

a13)選取最高匹配分數(shù)對應的尺度層，若該匹配分數(shù)超過閾值則表明檢測到車輛且車輛出現(xiàn)在與該尺度層內匹配分數(shù)最高所對應的位置；

a2)汽車判斷檢測到的車輛與本車之間的距離是否減小，若是則進入步驟a3)，若否則返回步驟a1)；

a3)汽車對車道線進行識別，并判斷本車與檢測到的車輛是否位于同一車道線內，若是則向駕駛員發(fā)出預警，若否則進行步驟a4)；

a4)汽車在檢測到的車輛從后視攝像頭內消失后進入前方車輛超車預警步驟；

前方車輛超車預警步驟，汽車通過前視攝像頭結合可變部件模型算法對前方車輛進行識別，通過識別前方車輛與本車以及車道線之間的位置關系，判斷本車是否需要進行超車并在超車有危險時向駕駛員發(fā)出預警，具體為：

b1)汽車根據(jù)可變部件模型算法，檢測前視攝像頭的拍攝圖像內是否出現(xiàn)其他車輛，若是則進入步驟b2)，若否則繼續(xù)檢測；

b2)汽車判斷檢測到的車輛與本車之間的距離是否減小，若是則進入步驟b3)，若否則返回步驟b1)；

b3)汽車對車道線進行識別，并判斷本車與檢測到的車輛是否位于同一車道線內，若是則向駕駛員發(fā)出預警，若否則進行步驟b4)；

b4)汽車在檢測到的車輛從前視攝像頭內消失后進入后方車輛超車預警步驟。

上述步驟的具體過程如下：

如圖3所示，是實現(xiàn)基于可變部件模型算法的汽車超車預警方法的汽車各模塊布局圖，前視攝像頭302安裝與前擋風玻璃上方中間，用于收集車輛111前方160°視角的路況信息，后視攝像頭304安裝于后擋風玻璃上方中間，用于收集車輛111后方160°視角的路況信息，數(shù)據(jù)處理模塊303分析計算前視攝像頭302，后視攝像頭304的圖像信息，經(jīng)計算識別出圖像中的其他車輛及車道線，追蹤在視野中的車輛，由于其他臨近車輛的超車及變道對車輛111的安全行駛造成影響時，數(shù)據(jù)處理模塊303向預警模塊301發(fā)送信息，預警模塊301發(fā)出警報，并將相應情況反映在led預警面板上，預警模塊301由蜂鳴器及l(fā)ed預警面板組成，置于中控臺之上。該攝像頭的視角范圍如圖4所示，本實施例中，前視攝像頭與后視攝像頭的視角范圍都為160°，所收集的視頻能夠在有效范圍內辨識出相鄰兩車道內的車輛及車道線信息。

基于上述部件，最終提出的基于可變部件模型算法的汽車超車預警方法如圖5所示，主要步驟為：數(shù)據(jù)處理模塊303通過后視攝像頭304的信息，檢測到有車輛從后方駛來，對駛來的車輛跟蹤，然后判斷該車輛與本車輛的距離是否縮短，若該車輛已遠離本車輛，則放棄追蹤。若該車輛與本車輛距離縮短到安全距離之內，數(shù)據(jù)處理模塊303通過識別車道線及該車輛，做出判斷該車輛是否與本車輛處于同一車道線之內，若本車輛與該車輛在同一車道線之內，則報警模塊向駕駛員發(fā)出警報，提醒駕駛員有可能發(fā)生后方車輛追尾事故。若該車輛與本車輛不在同一車道線之內，則對該車輛繼續(xù)追蹤，當該車輛消失在后視攝像頭視野中時，說明該車輛位于本車輛的盲區(qū)之內，預警模塊發(fā)出警報，提醒駕駛員有車輛位于本車輛的盲區(qū)之內，不要再該情況下變道。該車輛繼續(xù)向前行駛，出現(xiàn)在前視攝像頭302的視野之內，數(shù)字處理模塊303通過前視攝像頭302檢測到該車輛，對該車輛繼續(xù)跟蹤，若該車輛在相鄰車道內遠離本車輛，則停止追蹤，若該車輛從相鄰車道變道到本車所在車道，則預警模塊向駕駛員發(fā)出報警，提醒駕駛員前方車輛變道，注意減速避讓。

上述是車輛被其他車輛超越的場景，超越其他的車輛場景下步驟為：數(shù)據(jù)處理模塊303通過前視攝像頭302檢測到本車輛前方有車輛，對該車輛跟蹤，若該車輛與本車輛距離變大，停止對該車輛跟蹤。若該車輛與本車輛距離縮短，則數(shù)據(jù)處理模塊303判斷該車輛是否與本車輛處于同一車道線之內。若處于同一車道線之內，則預警模塊301向駕駛員發(fā)出預警，提醒駕駛員前方可能會發(fā)生追尾事故，注意減速避讓，若該車輛位于相鄰車道，則繼續(xù)對該車輛跟蹤，當該車輛消失在前視攝像頭302視野中時，說明該車輛位于本車輛的盲區(qū)內，預警模塊向駕駛員發(fā)出預警，提醒駕駛員盲區(qū)內有車輛，在該請款下不能變道。本車輛超越該車輛繼續(xù)向前行駛，當該車輛出現(xiàn)在后視攝像頭304視野中時，對該車輛追蹤，該車輛遠離之后，停止對該車輛追蹤。

為了將攝像機采集到環(huán)境數(shù)據(jù)與車輛行駛環(huán)境中的真實物體相對應，找到攝像機所生成的圖像像素坐標系中的點坐標與攝像機環(huán)境坐標系中物點坐標之間的轉換關系，需要對攝像機進行標定。本方法采用攝像機和激光雷達聯(lián)合標定，通過提取標定物在單線激光雷達和圖像上對應的特征點來進行攝像機外部參數(shù)的標定，從而完成單線激光坐標、攝像機坐標、圖像像素坐標傳感器坐標的統(tǒng)一，實現(xiàn)激光雷達與攝像機的空間對準。

攝像機和激光雷達聯(lián)合標定，激光雷達及攝像機都與汽車為剛性連接，它們各自的相對姿態(tài)和位移固定不變，在同一空間內，每個激光雷達的掃描數(shù)據(jù)點都在圖像中存在位移的一個對應點。因此，通過建立合理的激光雷達坐標系與攝像機坐標系，利用激光雷達掃描點與攝像機圖像的空間約束關系，即可求解兩坐標系的空間變換關系，從而完成激光雷達與攝像機的空間對準，實現(xiàn)激光雷達數(shù)據(jù)與可見光圖像的關聯(lián)。攝像機的外部參數(shù)通過約束方程求解后，激光雷達、攝像機、圖像和相對環(huán)境坐標系的相對關系就完全確定，因此激光雷達掃描點可以通過攝像機模型頭投影至圖像像素坐標上。其像素級數(shù)據(jù)融合可由下面的方程完成：其中，為攝像機的內部參數(shù)矩陣。當攝像機與激光雷達同時觀測點p時，其在攝像機自身環(huán)境坐標系中的坐標為pvc(xvc,yvc,zvc)，在可見光圖像中投影點的坐標為u＝(uv1)^t在雷達自身世界坐標中的坐標為plc(xlc,ylc,zlc)。由于攝像機與激光雷達使用了同一個環(huán)境坐標系，則有其中h為激光雷達的安裝高度。上面兩式聯(lián)立，可得：其中，由激光雷達的外參標定和攝像機的內參標定可獲得和xlc。綜上，通過提取足夠多的圖像雷達對應點對，通過求解線性方程即可獲得相關的坐標旋轉矩陣和坐標平移矩陣進而可得到激光雷達數(shù)據(jù)和其對應圖像像素間的變換關系。

可變部件模型算法，是一種目標檢測算法，可變部件模型采用pca(主成分分析法)對hog(梯度方向直方圖)特征進行降維處理后進行特征提取；在模型訓練中，采用latentsvm(隱變量支持向量機)分類器，在目標檢測時，采用滑動窗口的檢測思想；針對目標的多視角問題，采用多組件策略，分別在不同視角下建立不同模型；針對目標的變形問題，采用基于圖結構的部件模型策略。具體的，可變部件模型算法，采用一種星形模型，該星形模型由一個大體上覆蓋整個目標的根模型及覆蓋目標中小部件的高分辨率的部件模型構成。根模型定義了檢測窗口，部件模型放置在分辨率是根所在層的兩倍的特征層中。

可變部件模型算法的特征采用了hog特征，并對hog特征進行了一些改進。可變部件模型算法取消了原h(huán)og特征中的block，保留cell，歸一化時直接將當前cell與其周圍的4個cell所組成的一個區(qū)域歸一化。計算梯度方向時，采用了有符號梯度(0-360°)和無符號梯度(0-180°)相結合的策略。

可變部件模型算法的模型，每一個組件由一個根濾模型和多個部件模型組成。圖6(a)和圖6(b)是其中一個組件的根模型和部件模型的可視化效果。如圖6(a)根模型比較粗糙，大致呈現(xiàn)一個車輛的側面，如圖6(b)部件模型為矩形框內的部分，共6個部分，部件模型的分辨率是根模型的兩倍。圖6(c)為模型的變形損失，越亮的區(qū)域表示變形損失花費越大，圓圈中心是部件模型的理性位置，如果檢測出來的部件模型的位置恰好在此，那變形花費就為0，偏離的越遠變形花費越大。對于多視角問題，采用多組件策略，圖6(a)(b)(c)和圖6(d)(e)(f)分別為兩個不同視角的組件。

可變部件模型算法，在算法的檢測方面，可變部件模型采用滑動窗口檢測方式，通過構建尺度金字塔在各個尺度搜索。如圖7所示為某一尺度下檢測過程，即車輛模型的匹配過程。將模型看作一個濾波算子，響應得分為特征與待匹配模型的相似程度，越相似則得分越高。如圖7所示，左側為根模型的檢測流程，越亮的區(qū)域代表響應得分越高。右側為各部件模型的檢測過程。首先，將特征圖像與模型進行匹配得到濾波后的圖像；然后，進行相應變換：以錨點(即左上角坐標)為參考位置，綜合部件模型與特征的匹配程度和部件模型相對理想位置的變形花費(偏離損失)，得到最優(yōu)的部件模型位置和相應得分。在尺度為l0層，以(x0,y0)為錨點的檢測得分，如下公式所示：其中，為根模型的檢測分數(shù)。由于同一個目標有多個組件，而不同組件模型的檢測分數(shù)需要對齊，所以需要偏移系數(shù)b。為第i個部件模型的響應，由于部件模型的分辨率是根模型的一倍，因此部件模型需要在尺度層l0-λ匹配。因此，錨點的坐標也需要重新映射到尺度層l0-λ，即放大了一倍2(x0,y0)，部件模型i相對于錨點2(x0,y0)的偏移量vi，所以在尺度層l0-λ，部件模型i的理想位置為2(x0,y0)+vi。

hough變換在直線檢測時，每個像素坐標點經(jīng)過hough變換成為一系列離散點的集合。通過一個直線的離散極坐標公式，可以表達出直線的離散點幾何等式如下：r＝xcosθ+ysinθ，其中角度θ指r與x軸之間的夾角，r為到直線幾何垂直距離。我們根據(jù)像素點坐標(x,y)的值繪制每個(r,θ)，那么從圖像笛卡爾坐標系轉換到極坐標hough變換系統(tǒng)，這種熊點到曲線的變換稱為直線的hough變換。變換通過量化hough參數(shù)空間為有限個值間隔等分或累加格子。hough變換算法開始，每個像素坐標點(x,y)被轉換到(r,θ)的曲線點上面，累加到對應的格子數(shù)據(jù)點，當一個波峰出現(xiàn)時，說明有直線存在。

hough變換算法的檢測過程如下：首先在參數(shù)空間建立一個二維計數(shù)器r(r,θ)，r的范圍是0到圖像對角線的長度，θ的范圍是0到2π，數(shù)組中的所有值初始化為0；然后，掃描圖像空間中所有像素點(x,y)，hough變換式進行圖像空間到參數(shù)空間的變換(r,θ)，并且計數(shù)器r(r,θ)加1；第三步，設定閾值thr(r,θ)，即判斷圖像中有多少個點共線才認為存在直線，r(r,θ)大于thr(r,θ)，則組成圖像中的圖像。

圖8是led預警面板示意圖，面板上有6個led燈，當其他車輛出現(xiàn)在本車左側盲區(qū)時led燈401閃爍；當其他車輛出現(xiàn)在本車右側盲區(qū)時led燈406閃爍；當有其他車輛與本車在同一車道并位于本車尾部，該車輛與本車輛距離過小時，led燈404閃爍；當有其他車輛與本車在同一車道并位于本車前方，該車輛與本車輛距離過小時，led燈403閃爍；前方左側車道內車輛變道到與本車統(tǒng)一車道時，led燈402閃爍；前方右側車道內車輛變道到與本車統(tǒng)一車道時，led燈405閃爍。

綜上所述，本實施例提供了一種基于可變部件模型算法的汽車超車預警方法，首先通過前視攝像頭及后視攝像頭采集的圖像，對數(shù)據(jù)處理模塊進行訓練，使其運用訓練得出的模型能夠在實際場景中識別出車輛及車道線，并對車輛進行跟蹤，從而判斷其他車輛在本車輛周圍變道及超車等可能對本車輛造成危險的相關情況，并向駕駛員發(fā)送對應場景的預警，從而使駕駛員能夠提早規(guī)避相關事故的發(fā)生。