CN109532662B - 一种车距及碰撞时间计算方法及装置 - Google Patents
一种车距及碰撞时间计算方法及装置 Download PDFInfo
- Publication number
- CN109532662B CN109532662B CN201811457922.XA CN201811457922A CN109532662B CN 109532662 B CN109532662 B CN 109532662B CN 201811457922 A CN201811457922 A CN 201811457922A CN 109532662 B CN109532662 B CN 109532662B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- distance
- front vehicle
- curve
- camera
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000003384 imaging method Methods 0.000 claims description 11
- 238000009795 derivation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
- B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种能够提高车距计算精度及准确实时预警的车距及碰撞时间计算方法及装置。所述方法包括:图像采集:通过本车车载摄像头获取前车图像;前车检测跟踪:通过对图像进行处理,检测前车特征点位置信息;前车距离计算:取预定组所述前车特征点位置信息,计算前车宽度及车距,得出前车宽度均值,根据前车宽度均值修正本车与前车之间的车距;前车碰撞预警:获取相对车距曲线,依据所述车距曲线得出实时相对速度,计算碰撞时间,比较碰撞时间与预警阈值,判断是否触发预警;所述相对车距曲线是通过Bezier样条曲线拟合得出,将修正车距作为所述Bezier样条曲线的输入值。
Description
技术领域
本申请涉及智能交通技术领域,特别是涉及一种车距及碰撞时间计算方法及装置。
背景技术
现有的车载***普遍利用车载雷达测量前方车辆的距离,或者利用超声波传感器、射频发射器检测前后障碍物的距离,并计算碰撞时间,从而发出碰撞预警,但是此类设备昂贵,不便于推广。
还有一种是采用基于单目视觉的车辆测距和碰撞预警:通过单个摄像机采集前方图像,运行训练样本的方法检测前方目标。根据小孔成像原理和几何比例关系计算两车的距离,结合当前本车车速,计算碰撞时间。当计算的碰撞时间小于安全碰撞时间,发出碰撞预警。但是完全依靠图像中车辆检测位置、小孔成像原理和几何比例关系的方法计算的距离,由于路面颠簸不平或车辆检测的误差,在实际应用中会存在很大误差,小孔成像原理计算的误差是与距离成正比,也就是越近时越小,越远时越大。可见,改进前方车辆距离计算精度是实现准确实时预警的关键。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高车距计算精度及准确实时预警的车距及碰撞时间计算方法。
本发明提供了一种车距及碰撞时间计算方法,包括:
图像采集:通过本车车载摄像头获取前车图像;
前车检测跟踪:通过对图像进行处理,检测前车特征点位置信息;
前车距离计算:取预定组所述前车特征点位置信息,计算前车宽度及车距,得出前车宽度均值,根据前车宽度均值修正本车与前车之间的车距;
前车碰撞预警:获取相对车距曲线,依据所述车距曲线得出实时相对速度,计算碰撞时间,比较碰撞时间与预警阈值,判断是否触发预警;所述相对车距曲线是通过Bezier样条曲线拟合得出,将修正车距作为所述Bezier样条曲线的输入值。
可选地,采用n组修正车距d:d1,d2,…,dn,作为Bezier样条曲线的输入值,通过Bezier样条曲线拟合得出所述相对车距曲线,对所述相对车距曲线求导,得出相对速度值:
Vn=d'(tn)=3(1-tn)2d(n-3)+3(1-2tn)d(n-2)+(6tn-9tn 2)d(n-1)+3tn 2dn,其中,n=1、2、3、……N,N是检测的数据值个数。
可选地,采用小孔成像原理和相似三角形原理计算车距。
可选地,所述计算车距,计算公式为:
dyn=H*tan(α-arctan((yn1-Cy)/Fy)),其中,dyn为车距,n=1、2、3、……N,N是检测的数据值个数,H为摄像头的安装高度,α为摄像头安装的俯仰角,yn1为前车底边特征点的y轴坐标,Cy为摄像头的y轴焦点,Fy为摄像头的y轴焦距。
可选地,所述计算前车宽度,计算公式为:
其中,wn为前车宽度,xn2为前车左边特征点的x轴坐标,xn1为前车右边特征点的x轴坐标,dyn为车距,n=1、2、3、……N,N是检测的数据值个数,H为摄像头的安装高度,α为摄像头安装的俯仰角,yn1为前车底边特征点的y轴坐标,Cy为摄像头的y轴焦点,Fy为摄像头的y轴焦距。
可选地,图像处理包括:对前车图像进行滤波处理,得到前车初始轮廓,根据车辆检测算法计算得到所述前车特征点位置信息。
可选地,所述车辆检测算法包括金字塔光流算法和/或均值漂移目标跟踪算法。
另外,本发明还提供了一种车距及碰撞时间计算装置,包括:
图像采集单元,用于通过本车车载摄像头获取前车图像;
前车检测跟踪单元,用于通过对图像进行处理,检测前车特征点位置信息;
前车距离计算单元,用于取预定组所述前车特征点位置信息,计算前车宽度及车距,得出前车宽度均值,根据前车宽度均值修正本车与前车之间的车距;
前车碰撞预警单元,用于获取相对车距曲线,依据所述车距曲线得出实时相对速度,计算碰撞时间,比较碰撞时间与预警阈值,判断是否触发预警;所述相对车距曲线是通过Bezier样条曲线拟合得出,将修正车距作为所述Bezier样条曲线的输入值。
可选地,采用n组修正车距d:d1,d2,…,dn,作为Bezier样条曲线的输入值,通过Bezier样条曲线拟合得出所述相对车距曲线,对所述相对车距曲线求导,得出相对速度值:
Vn=d'(tn)=3(1-tn)2d(n-3)+3(1-2tn)d(n-2)+(6tn-9tn 2)d(n-1)+3tn 2dn,其中,n=1、2、3、……N,N是检测的数据值个数。
可选地,前车距离计算单元计算车距,计算公式为:
dyn=H*tan(α-arctan((yn1-Cy)/Fy)),所述前车距离计算单元计算前车宽度,计算公式为:
其中,wn为前车宽度,xn2为前车左边特征点的x轴坐标,xn1为前车右边特征点的x轴坐标,dyn为车距,n=1、2、3、……N,N是检测的数据值个数,H为摄像头的安装高度,α为摄像头安装的俯仰角,yn1为前车底边特征点的y轴坐标,Cy为摄像头的y轴焦点,Fy为摄像头的y轴焦距。
由上可见,通过改进由于路面颠簸不平、车辆抖动或是车辆检测误差导致的车距计算的不准确性,同时运用Bezier样条曲线模型改进对前车碰撞时间的计算方法,结合本车的行驶状态与车距,动态分析检测结果,增强算法的鲁棒性,对可能发生的碰撞发出预警。
附图说明
图1为一个实施例中车距及碰撞时间计算方法流程图;
图2为一个实施例中前车距离计算流程图;
图3为一个实施例中车辆坐标标示示意图;
图4为一个实施例中颠簸路面上前车在图像中检测位置的示意图;
图5为一个实施例中相对车距Bezier样条拟合曲线示例图;
图6为一个实施例中车距及碰撞时间计算装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明实施例提供了一种车距及碰撞时间计算方法,如图1所示,包括:
S100、图像采集:通过本车车载摄像头获取前车图像;
S200、前车检测跟踪:通过对图像进行处理,检测前车特征点位置信息;
S300、前车距离计算:取预定组所述前车特征点位置信息,计算前车宽度及车距,得出前车宽度均值,根据前车宽度均值修正本车与前车之间的车距;
S400、前车碰撞预警:获取相对车距曲线,依据所述车距曲线得出实时相对速度,计算碰撞时间,比较碰撞时间与预警阈值,判断是否触发预警;所述相对车距曲线是通过Bezier样条曲线拟合得出,将修正车距作为所述Bezier样条曲线的输入值。
在一个实施例中,S100图像采集,是通过安装在车内挡风玻璃后面的单个摄像头,拍摄当前路面的车辆图像;S200前车检测跟踪,包括:摄像头拍摄路面视频;读取当前帧图像,对图像进行滤波处理,获取车辆轮廓位置;采用金字塔光流算法及均值漂移的目标跟踪算法,获取到目标的真实位置,实现对车辆进行跟踪检测,综合两种算法,提高了跟踪准确性。
在一个实施例中,S300前车距离计算,如图2所示,由前车检测跟踪获取的前车特征点位置信息,取前方车辆检测最近的一系列值作为依据,取n个值,n=1、2、3、……N,N是检测的数据值个数,前方车辆检测位置分别是(x12,x11,y12,y11),(x22,x21,y22,y21),…,(xn2,xn1,yn2,yn1),该位置值排列依次是:左边框,右边框,上边框,下边框,如图3所示,依据实际检测的车辆位置计算距离和车宽,根据小孔成像原理和相似三角形计算前n帧检测结果的前车车距分别是dy1,dy2,…,dyn,宽度值w1,w2,…,wn。
前车车距计算公式:
dyn=H*tan(α-arctan((yn1-Cy)/Fy))(1-1),其中H表示摄像头安装点距离地面的高度,α表示摄像头安装时的俯仰角(定义为摄像头中轴线与地面垂直线之间的夹角,该角度对于已经安装好的摄像头是固定的。该值也可以通过摄像头内部参数、盲区点到摄像头的距离、盲区点的成像点和摄像头安装高度等值计算出来),yn1为前车底边特征点的y轴坐标,Cy表示摄像头的y轴焦点,Fy是摄像头的y轴焦距。视野盲区之外的距离可以由上式算出。上式中H、α、Cy、Fy都是固定的,唯一变化的是yn1值。
前车宽度计算公式是:
得到车宽宽度的均值是:
W=(w1+w2+…+wn)/n (1-3),
计算车辆宽度均值为W,依据前方车辆宽度是恒定的,可以通过车辆宽度均值,综合公式(1-1)和(1-2)和图像检测中的车辆宽度绝对值|xn2-xn1|,可以计算出修正的车距:d1,d2,…,dn,对应的时间分别记为t1,t2,…,tn。
修正车距计算公式为公式1-2的逆运算求dyn,将车辆宽度均值代入wn,计算得到修正值dn:
本车信息获取,通过专用设备获取车辆的速度、刹车信息,用于前车碰撞预警;
在一个实施例中,S400前车碰撞预警,依据车辆检测模块检测到的车辆特征点位置信息,直接计算得出的前方车辆和本车的车距,由于颠簸路面使得小孔成像原理计算的距离与实际值有差异,如图4所示,容易造成误报,如果直接用于碰撞时间计算:
TTC表示碰撞时间,D表示相对距离,V表示相对速度。其中其中Δd表示在一段时间Δt内的距离变化。通过比较TTC值与预警阈值,从而决定是否触发预警。但是该值只能用考虑某一段时间的开始点与结束点的两个点,由于路面颠簸等因素,计算的随机性很大。车距经过修正后可以极大减小距离的大幅波动。
在一个实施例中,获取相对车距曲线,通过Bezier样条曲线拟合一段时间内参数曲线,Bezier样条通常是指分段定义的多项式参数曲线,样条曲线是给定一组离散点而拟合得到一条曲线,假设车辆检测时间为0.1s,取n=30,则取3s内的数据作为Bezier样条拟合依据,该方法能够较好拟合检测点值,并且对于一些过大的跳动值能过做过滤,避免误报。
Bezier样条曲线是由多项式混合函数推导出来的,通常n+1个顶点定义一个n次多项式。其数学表达式为:
四个顶点D0、D1、D2、D3可定义一条三次Bezier曲线:
D(t)=(1-t)3D0+3t(1-t2)D1+3t2(1-t)D2+t3D3
Bezier样条曲线是分段定义的。如果给定m+n+1个顶点Di(i=0,1,2,…,m+n),则可定义m+1段n次的参数曲线。连接全部曲线段所组成的整条曲线称为n次B样条曲线。
我们采用三次Bezier样条曲线拟合一段时间内的前车距离值,从而得到鲁棒性比较高的相对车距拟合曲线值。如图5所示,横轴t表示时间,纵轴D表示距离,离散点表示距离的离散值d1,d2,…,dn,曲线表示由离散点拟合的B样条曲线,当前时刻是tn,当前距离是dn。tn之后的是依据前n个距离值拟合出来的曲线估算出来的未来两车距离值,该拟合曲线可以作为碰撞模型来预警。
将得到的修正的车距:d1,d2,…,dn作为Bezier样条曲线的输入值,通过Bezier样条曲线拟合得出所述相对车距曲线,对所述相对车距曲线求导,得出相对速度值:
Vn=d'(tn)=3(1-tn)2d(n-3)+3(1-2tn)d(n-2)+(6tn-9tn 2)d(n-1)+3tn 2dn(1-9),
碰撞时间计算:
假设TTC的阈值是TTCthresh(该值是经验值,一般是2.7s或者可以取其它值),如果TTC>TTCthresh表示不需要发出碰撞预警,TTC<TTCthresh表示可能发生碰撞了,需要发出碰撞预警。
通过改进由于路面颠簸不平、车辆抖动或是车辆检测误差导致的车距计算的不准确性,同时运用Bezier样条曲线模型改进对前车碰撞时间的计算方法,结合本车的行驶状态与车距,动态分析检测结果,增强算法的鲁棒性,对可能发生的碰撞发出预警。
应该理解的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
另外,本发明还提供了一种车距及碰撞时间计算装置,如图6所示,包括:
图像采集单元10,用于通过本车车载摄像头获取前车图像;
前车检测跟踪单元20,用于通过对图像进行处理,检测前车特征点位置信息;
前车距离计算单元30,用于取预定组所述前车特征点位置信息,计算前车宽度及车距,得出前车宽度均值,根据前车宽度均值修正本车与前车之间的车距;
前车碰撞预警单元40,用于获取相对车距曲线,依据所述车距曲线得出实时相对速度,计算碰撞时间,比较碰撞时间与预警阈值,判断是否触发预警;所述相对车距曲线是通过Bezier样条曲线拟合得出,将修正车距作为所述Bezier样条曲线的输入值。
在一个实施例中,所示图像采集单元10是通过安装在车内挡风玻璃后面的单个摄像头,拍摄当前路面的车辆图像;所述前车检测跟踪单元20进行前车检测跟踪,摄像头拍摄路面视频;读取当前帧图像,对图像进行滤波处理,获取车辆轮廓位置;采用金字塔光流算法及均值漂移的目标跟踪算法,获取到目标的真实位置,实现对车辆进行跟踪检测,综合两种算法,提高了跟踪准确性。
在一个实施例中,所述前车距离计算单元30用于前车距离计算,如图2所示,由前车检测跟踪获取的前车特征点位置信息,取前方车辆检测最近的一系列值作为依据,取n个值,n=1、2、3、……N,N是检测的数据值个数,前方车辆检测位置分别是(x12,x11,y12,y11),(x22,x21,y22,y21),…,(xn2,xn1,yn2,yn1),该位置值排列依次是:左边框,右边框,上边框,下边框,如图3所示,依据实际检测的车辆位置计算距离和车宽,根据小孔成像原理和相似三角形计算前n帧检测结果的前车车距分别是dy1,dy2,…,dyn,宽度值w1,w2,…,wn。
前车车距计算公式:
dyn=H*tan(α-arctan((yn1-Cy)/Fy))(1-1),其中H表示摄像头安装点距离地面的高度,α表示摄像头安装时的俯仰角(定义为摄像头中轴线与地面垂直线之间的夹角,该角度对于已经安装好的摄像头是固定的。该值也可以通过摄像头内部参数、盲区点到摄像头的距离、盲区点的成像点和摄像头安装高度等值计算出来),yn1为前车底边特征点的y轴坐标,Cy表示摄像头的y轴焦点,Fy是摄像头的y轴焦距。视野盲区之外的距离可以由上式算出。上式中H、α、Cy、Fy都是固定的,唯一变化的是yn1值。
前车宽度计算公式是:
得到车宽宽度的均值是:
W=(w1+w2+…+wn)/n (1-3),
计算车辆宽度均值为W,依据前方车辆宽度是恒定的,可以通过车辆宽度均值,综合公式(1-1)和(1-2)和图像检测中的车辆宽度绝对值|xn2-xn1|可以计算出修正的车距:d1,d2,…,dn,对应的时间分别记为t1,t2,…,tn。
修正车距计算公式为公式1-2的逆运算求dyn,将车辆宽度均值代入wn,计算得到修正值dn:
本车信息获取,通过专用设备获取车辆的速度、刹车信息,用于前车碰撞预警、前车启动提醒决策;
在一个实施例中,所述前车碰撞预警单元40,依据车辆检测模块检测到的车辆特征点位置信息,直接计算得出的前方车辆和本车的车距,由于颠簸路面使得小孔成像原理计算的距离与实际值有差异,如图4所示,容易造成误报,如果直接用于碰撞时间计算:
TTC表示碰撞时间,D表示相对距离,V表示相对速度。其中其中Δd表示在一段时间Δt内的距离变化。通过比较TTC值与预警阈值,从而决定是否触发预警。但是该值只能用考虑某一段时间的开始点与结束点的两个点,由于路面颠簸等因素,计算的随机性很大。车距经过修正后可以极大减小距离的大幅波动。
在一个实施例中,所述前车碰撞预警单元40获取相对车距曲线是通过Bezier样条曲线拟合一段时间内参数曲线,Bezier样条通常是指分段定义的多项式参数曲线,样条曲线是给定一组离散点而拟合得到一条曲线,假设车辆检测时间为0.1s,取n=30,则取3s内的数据作为Bezier样条拟合依据,该方法能够较好拟合检测点值,并且对于一些过大的跳动值能过做过滤,避免误报。
Bezier样条曲线是由多项式混合函数推导出来的,通常n+1个顶点定义一个n次多项式。其数学表达式为:
四个顶点D0、D1、D2、D3可定义一条三次Bezier曲线:
Bezier样条曲线是分段定义的。如果给定m+n+1个顶点Di(i=0,1,2,…,m+n),则可定义m+1段n次的参数曲线。连接全部曲线段所组成的整条曲线称为n次B样条曲线。
我们采用三次Bezier样条曲线拟合一段时间内的前车距离值,从而得到鲁棒性比较高的相对车距拟合曲线值。如图5所示,横轴t表示时间,纵轴D表示距离,离散点表示距离的离散值d1,d2,…,dn,曲线表示由离散点拟合的B样条曲线,当前时刻是tn,当前距离是dn。tn之后的是依据前n个距离值拟合出来的曲线估算出来的未来两车距离值,该拟合曲线可以作为碰撞模型来预警。
将得到的修正的车距:d1,d2,…,dn作为Bezier样条曲线的输入值,通过Bezier样条曲线拟合得出所述相对车距曲线,对所述相对车距曲线求导,得出相对速度值:
Vn=d'(tn)=3(1-tn)2d(n-3)+3(1-2tn)d(n-2)+(6tn-9tn 2)d(n-1)+3tn 2dn (1-9),
碰撞时间计算:
假设TTC的阈值是TTCthresh(该值是经验值,一般是2.7s或者可以取其它值),如果TTC>TTCthresh表示不需要发出碰撞预警,TTC<TTCthresh表示可能发生碰撞了,需要发出碰撞预警
通过改进由于路面颠簸不平、车辆抖动或是车辆检测误差导致的车距计算的不准确性,同时运用Bezier样条曲线模型改进对前车碰撞时间的计算方法,结合本车的行驶状态与车距,动态分析检测结果,增强算法的鲁棒性,对可能发生的碰撞发出预警。
上述车距及碰撞时间计算装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车距及碰撞时间计算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,如图1所示,所述处理器执行所述计算机程序时实现如下步骤:
S100、图像采集:通过本车车载摄像头获取前车图像;
S200、前车检测跟踪:通过对图像进行处理,检测前车特征点位置信息;
S300、前车距离计算:取预定组所述前车特征点位置信息,计算前车宽度及车距,得出前车宽度均值,根据前车宽度均值修正本车与前车之间的车距;
S400、前车碰撞预警:获取相对车距曲线,依据所述车距曲线得出实时相对速度,计算碰撞时间,比较碰撞时间与预警阈值,判断是否触发预警;所述相对车距曲线是通过Bezier样条曲线拟合得出,将修正车距作为所述Bezier样条曲线的输入值。
一种计算机可读存储介质,其上存储有计算机程序,如图1所示,所述计算机程序被处理器执行时实现如下步骤:
S100、图像采集:通过本车车载摄像头获取前车图像;
S200、前车检测跟踪:通过对图像进行处理,检测前车特征点位置信息;
S300、前车距离计算:取预定组所述前车特征点位置信息,计算前车宽度及车距,得出前车宽度均值,根据前车宽度均值修正本车与前车之间的车距;
S400、前车碰撞预警:获取相对车距曲线,依据所述车距曲线得出实时相对速度,计算碰撞时间,比较碰撞时间与预警阈值,判断是否触发预警;所述相对车距曲线是通过Bezier样条曲线拟合得出,将修正车距作为所述Bezier样条曲线的输入值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车距及碰撞时间计算方法,其特征在于,包括:
图像采集:通过本车车载摄像头获取前车图像;
前车检测跟踪:通过对图像进行处理,检测前车特征点位置信息;
前车距离计算:取预定组所述前车特征点位置信息,计算前车宽度及车距,得出前车宽度均值,根据前车宽度均值修正本车与前车之间的车距;
前车碰撞预警:获取相对车距曲线,依据所述车距曲线得出实时相对速度,计算碰撞时间,比较碰撞时间与预警阈值,判断是否触发预警;所述相对车距曲线是通过Bezier样条曲线拟合得出,将修正车距作为所述Bezier样条曲线的输入值。
2.如权利要求1所述的一种车距及碰撞时间计算方法,其特征在于,采用n组修正车距d:d1,d2,…,dn,作为Bezier样条曲线的输入值,通过Bezier样条曲线拟合得出所述相对车距曲线,对所述相对车距曲线求导,得出相对速度值:
Vn=d'(tn)=3(1-tn)2d(n-3)+3(1-2tn)d(n-2)+(6tn-9tn 2)d(n-1)+3tn 2dn,其中,n=1、2、3、……N,N是检测的数据值个数。
3.如权利要求2所述的一种车距及碰撞时间计算方法,其特征在于,采用小孔成像原理和相似三角形原理计算车距。
4.如权利要求3所述的一种车距及碰撞时间计算方法,其特征在于,所述计算车距,计算公式为:
dyn=H*tan(α-arctan((yn1-Cy)/Fy)),其中,dyn为车距,n=1、2、3、……N,N是检测的数据值个数,H为摄像头的安装高度,α为摄像头安装的俯仰角,yn1为前车底边特征点的y轴坐标,Cy为摄像头的y轴焦点,Fy为摄像头的y轴焦距。
6.如权利要求1至5中任一所述的一种车距及碰撞时间计算方法,其特征在于,图像处理包括:对前车图像进行滤波处理,得到前车初始轮廓,根据车辆检测算法计算得到所述前车特征点位置信息。
7.如权利要求6所述的一种车距及碰撞时间计算方法,其特征在于,所述车辆检测算法包括金字塔光流算法和/或均值漂移目标跟踪算法。
8.一种车距及碰撞时间计算装置,其特征在于,包括:
图像采集单元,用于通过本车车载摄像头获取前车图像;
前车检测跟踪单元,用于通过对图像进行处理,检测前车特征点位置信息;
前车距离计算单元,用于取预定组所述前车特征点位置信息,计算前车宽度及车距,得出前车宽度均值,根据前车宽度均值修正本车与前车之间的车距;
前车碰撞预警单元,用于获取相对车距曲线,依据所述车距曲线得出实时相对速度,计算碰撞时间,比较碰撞时间与预警阈值,判断是否触发预警;所述相对车距曲线是通过Bezier样条曲线拟合得出,将修正车距作为所述Bezier样条曲线的输入值。
9.如权利要求8所述的一种车距及碰撞时间计算装置,其特征在于,采用n组修正车距d:d1,d2,…,dn,作为Bezier样条曲线的输入值,通过Bezier样条曲线拟合得出所述相对车距曲线,对所述相对车距曲线求导,得出相对速度值:
Vn=d'(tn)=3(1-tn)2d(n-3)+3(1-2tn)d(n-2)+(6tn-9tn 2)d(n-1)+3tn 2dn,其中,n=1、2、3、……N,N是检测的数据值个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457922.XA CN109532662B (zh) | 2018-11-30 | 2018-11-30 | 一种车距及碰撞时间计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811457922.XA CN109532662B (zh) | 2018-11-30 | 2018-11-30 | 一种车距及碰撞时间计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109532662A CN109532662A (zh) | 2019-03-29 |
CN109532662B true CN109532662B (zh) | 2020-10-27 |
Family
ID=65851972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811457922.XA Expired - Fee Related CN109532662B (zh) | 2018-11-30 | 2018-11-30 | 一种车距及碰撞时间计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109532662B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110654381B (zh) | 2019-10-09 | 2021-08-31 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
US11680813B2 (en) | 2020-01-21 | 2023-06-20 | Thinkware Corporation | Method, apparatus, electronic device, computer program, and computer readable recording medium for measuring inter-vehicle distance based on vehicle image |
CN111369827A (zh) * | 2020-02-28 | 2020-07-03 | 华域视觉科技(上海)有限公司 | 一种行车安全灯光预警***、方法及车辆 |
CN112562331A (zh) * | 2020-11-30 | 2021-03-26 | 的卢技术有限公司 | 一种基于视觉感知的他方车辆轨迹预测方法 |
CN113188521B (zh) * | 2021-05-11 | 2022-09-23 | 江晓东 | 一种基于单目视觉的车辆撞击预警方法 |
CN114093187B (zh) * | 2021-11-26 | 2023-02-24 | 交通运输部公路科学研究所 | 自动驾驶车辆的风险预警控制方法以及智能网联*** |
CN115472005B (zh) * | 2022-08-09 | 2023-12-19 | 东软睿驰汽车技术(上海)有限公司 | 车辆碰撞预警方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007032698B3 (de) * | 2007-07-13 | 2008-09-25 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zur Ermittlung eines Anzeigebildes |
KR102286174B1 (ko) * | 2015-09-01 | 2021-08-06 | 주식회사 만도 | 운전 지원 장치 및 운전 지원 방법 |
CN106183979B (zh) * | 2016-07-07 | 2017-12-12 | 广州鹰瞰信息科技有限公司 | 一种根据车距对车辆进行提醒的方法和装置 |
CN106952303B (zh) * | 2017-03-09 | 2020-04-24 | 北京旷视科技有限公司 | 车距检测方法、装置和*** |
CN107622500B (zh) * | 2017-09-29 | 2023-05-23 | 吉林大学 | 一种基于视觉传感的重型车后方碰撞预警方法及其装置 |
CN108021899A (zh) * | 2017-12-15 | 2018-05-11 | 郑州日产汽车有限公司 | 基于双目相机的车载智能前车防撞预警方法 |
-
2018
- 2018-11-30 CN CN201811457922.XA patent/CN109532662B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN109532662A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109532662B (zh) | 一种车距及碰撞时间计算方法及装置 | |
US11348266B2 (en) | Estimating distance to an object using a sequence of images recorded by a monocular camera | |
EP3382336B1 (en) | Stereo camera device | |
CN110609274B (zh) | 一种测距方法、装置及*** | |
JP5689907B2 (ja) | 車両において通行物***置検出を向上する方法 | |
EP3070675B1 (en) | Image processor for correcting deviation of a coordinate in a photographed image at appropriate timing | |
JP6950170B2 (ja) | 情報処理装置、撮像装置、機器制御システム、情報処理方法、及びプログラム | |
JP6520740B2 (ja) | 物体検出方法、物体検出装置、およびプログラム | |
JP2018060326A (ja) | トラッキング装置及びプログラム | |
CN113240756B (zh) | 车载bsd摄像头的位姿变动检测方法、设备和存储介质 | |
CN110992710B (zh) | 弯道测速预警方法、装置、控制设备及可读存储介质 | |
US10554951B2 (en) | Method and apparatus for the autocalibration of a vehicle camera system | |
JP6552448B2 (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム | |
CN113866783A (zh) | 车辆测距方法及*** | |
CN112927309A (zh) | 一种车载相机标定方法、装置、车载相机及存储介质 | |
JP2023514163A (ja) | 自動車のカメラピッチをキャリブレーションする方法及び装置、並びにそのための消滅点推定モデルをコンティニュアルラーニングさせる方法 | |
CN114550042A (zh) | 一种道路消失点提取方法、车载传感器标定方法及装置 | |
CN114919584A (zh) | 机动车定点目标测距方法、装置及计算机可读存储介质 | |
US20230281872A1 (en) | System for calibrating extrinsic parameters for a camera in an autonomous vehicle | |
JP7003972B2 (ja) | 距離推定装置、距離推定方法及び距離推定用コンピュータプログラム | |
CN108108706B (zh) | 目标检测中滑动窗口的优化方法及*** | |
CN114290995B (zh) | 透明a柱的实现方法、装置、汽车及介质 | |
US20230186506A1 (en) | Object Detection Device and Object Detection Method | |
CN113942503B (zh) | 一种车道保持方法和装置 | |
CN112477868B (zh) | 碰撞时间计算方法、装置、可读存储介质和计算机设备 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201027 |