[發明專利]一種基于深度學習的車輛前向碰撞預警方法

有效

• 申請號: 201710975371.5
• 申請日: 2017-10-16
• 公開（公告）號: CN107972662B
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 周智恒;曹前
• 申請（專利權）人: 華南理工大學
• 主分類號: B60W30/08
• 分類號: B60W30/08;B60W30/16;G06K9/00;G06K9/62;G06N3/04;G06T7/73
• 代理公司: 44245 廣州市華學知識產權代理有限公司
• 代理人: 李斌

本發明公開了一種基于深度學習的車輛前向碰撞預警方法，包括：通過車載攝像頭實時獲取車輛前方圖像信息，并對圖像進行預處理；利用多尺度的深度卷積神經網絡提取圖像中的車輛特征，實現車輛目標的識別和定位；根據圖像中車輛位置，基于幾何關系投影與攝像機參數計算出當前車輛與前方車輛的距離；由主車與前車的實時距離的變化計算出相對速度；由兩車間的相對速度與距離計算出碰撞距離，并依據計算結果對車輛的危險等級做出判斷，進而調動對應的碰撞預警策略。該方法能實時地獲取前方車輛信息，并準確估計與前方車輛距離及碰撞時間，做出恰當的預警措施，保證安全駕駛，減少交通事故發生。

技術領域

本發明涉及模式識別技術領域和汽車主動安全技術領域，特別涉及一種基于深度學習的車輛前向碰撞預警方法。

背景技術

隨著人們生活水平的逐漸提高，越來越多的人購買汽車作為代步工具，汽車的數量也與日俱增。交通安全成為日益嚴峻的問題，也越來越為人們重視。交通事故的頻繁發生，究其原因，一是駕駛員的疏忽大意，二是汽車安全性能不夠。

輔助駕駛系統是一種主動安全系統，能實時監測道路信息以及駕駛員狀態，能判斷本車與前方車輛行人的距離，是否有相撞的可能，甚至能在危急時刻，接管車輛駕駛權，主動制動，避免事故的發生。現在，人們需要的是能預防事故發生，而不僅僅是在事故發生后減少傷害的系統，汽車前向碰撞預警系統有著十分重要的研究意義和發展前景。

目前，主動安全系統中，常用的有雷達、激光、超聲波等技術，但這些技術所需設備昂貴，不利于在所有車輛上推廣使用。駕駛汽車所需的環境信息，80％以上是通過視覺得到的，相對于其他傳感器，視覺傳感器能更好的模擬駕駛員的行為，具有無可比擬的優勢。

現有的基于視覺的的車輛前向預警技術有車牌測距、車底陰影測距等，主要通過人工提取車輛特征，如顏色特征、紋理特征、輪廓特征、幾何特征等來識別車輛，進而進行測距。人工提取車輛特征的方法耗時費力，且不能的充分利用車輛信息，在遇到車輛遮擋或天氣惡劣致圖像模糊時，無法達到較高檢測的準確性，魯棒性較差。

深度學習通過學習一種深層的非線性網絡結構，實現復雜函數逼近和輸入數據表征，展現出強大的數據集本質特征的學習能力。卷積神經網絡，作為一種典型的深度學習方法，是為二維圖像處理而特別設計的一個多層感知器。卷積神經網絡不需要人為參與特征的選取過程，可以自動地學習大量數據集中的目標特征。其權值共享和局部連接機制使得它具備優于傳統技術的優點：對幾何變換、形變、光照具有一定程度的不變性，同時具有良好的容錯能力、并行處理能力和自學習能力。這些優點使得卷積神經網絡在處理環境信息復雜、推理規則不明確情況下的問題時具有較大優勢，并能容忍車輛的尺度變化，旋轉變形等問題。

R-CNN(Regions with Convolutional Neural Network Features)通過一個感興趣區域提取的步驟得到不同尺寸的建議區域，然后將這些建議區域縮放到固定尺寸后輸入卷積神經網絡，不過這種方法計算量大且不能達到實時性要求。Faster-RCNN利用一個感興趣區域生成網絡實現了端到端的檢測，然而，這種方法通過一組卷積核在固定的特征圖上滑動生成多尺度目標的區域建議，導致了造成了可變目標尺寸和固定特征圖感受野尺寸之前的矛盾，不能適應真實環境中目標尺寸的多樣性。因此，需要一個適應多尺度目標的卷積神經網絡，用于解決車輛前向碰撞預警系統中車輛的端到端的自動檢測，保證車輛前向碰撞預警系統準確地、穩定地獲取車輛信息，實現實時準確的碰撞預警。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提供一種基于深度學習的車輛前向碰撞預警方法，該方法提高了車輛檢測的準確度，保證了實際距離測量的可靠性，有效實現實時的碰撞預警，減少交通事故的發生。

本發明的目的通過以下的技術方案實現：一種基于深度學習的車輛前向碰撞預警方法，包括以下步驟：