CN110228413A - 大型车辆转弯时避免行人卷入车下的安全预警*** - Google Patents
大型车辆转弯时避免行人卷入车下的安全预警*** Download PDFInfo
- Publication number
- CN110228413A CN110228413A CN201910494515.4A CN201910494515A CN110228413A CN 110228413 A CN110228413 A CN 110228413A CN 201910494515 A CN201910494515 A CN 201910494515A CN 110228413 A CN110228413 A CN 110228413A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- layer
- pedestrian
- warning
- 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.)
- Granted
Links
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D13/00—Steering specially adapted for trailers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/029—Steering assistants using warnings or proposing actions to the driver without influencing the steering system
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种大型车辆转弯时避免行人卷入车下的安全预警***,包括测距雷达传感器、摄像头、转角传感器、信息集成单元、道路危险区域划分单元和报警装置。测距雷达传感器采集车体周围物体距离信息,摄像头采集车辆两侧图像,运用卷积神经网络算法对图像进行识别。转角传感器采集车辆转向角信息,采用K均值聚类分析算法划分为危险区域、预警区域或安全区域。信息集成单元与道路危险区域划分单元对采集的数据信息进行信息融合、处理分析,判断危险区域内是否有行人存在,并将判断结果输出到报警装置进行预警。本发明对大型车辆的环境进行检测,判断危险区域内是否有行人存在,并将判断结果输送到报警装置进行预警,提高了道路交通的安全性。
Description
技术领域
本发明属于道路交通安全技术领域,涉及一种行人安全预警设备,具体涉及一种大型车辆转弯时避免行人卷入车下的安全预警***。
背景技术
目前,大型车辆在转弯时由于转弯内轮差过大以及驾驶员视觉盲区等问题的存在,使得将车两侧的行人卷入车底的事故频繁发生。转弯过程中车辆旁边有行人或骑车的人员,如果驾驶人员或者行人不注意,容易将行人或骑车的人员卷入车底,一旦行人卷入车底,极大可能导致人员的伤亡,甚至可能危及生命。
公开号为CN 108791166 A的发明专利申请公开了“一种具有在转弯道路保护行人的半挂车,包括挂车板和矩形块,包括挂车板和矩形块,挂车板的左右两侧设有收纳槽,收纳槽的左右内壁设有移动槽,矩形块的左右两端固定连接有移动板,移动板与移动槽滑动连接,矩形块的后端通过锁紧机构与收纳槽后侧壁连接,矩形块的下端设有第一存放槽,第一存放槽内部与防护机构连接”。该专利申请通过在半挂车的两侧设置防护机构,将行人隔离在半挂车的安全区域,避免被卷入车底的风险。但是该专利申请没有给行人以及驾驶员双重预警,不适用于大型车辆转弯内轮差过大以及驾驶员视觉盲区引起的事故。
发明内容
本发明的目的是提供一种大型车辆转弯时避免行人卷入车下的安全预警***,在转弯时对车辆左右两边的环境进行检测,识别周围危险环境,给驾驶员以及两侧行人安全预警,保障车辆安全转弯以及车辆周围行人安全,提高道路交通的安全性。
本发明的技术方案是:大型车辆转弯时避免行人卷入车下的安全预警***,包括测距雷达传感器、摄像头、转角传感器、信息集成单元、道路危险区域划分单元和报警装置。测距雷达传感器采集车体周围物体距离信息,采集到的目标距离信息输入到信息集成单元中进行分析处理。摄像头采集车辆两侧图像,运用卷积神经网络算法对图像进行识别,判断测距雷达传感器所识别的目标是否是行人,并获得识别图像中的行人的位置数据信息,传送到信息集成单元。述转角传感器采集车辆转向角信息,道路危险区域划分单元根据转角传感器采集到的信息和汽车性能参数,采用K均值聚类分析算法将大型车辆两侧的区域划分为危险区域、预警区域或安全区域。信息集成单元与道路危险区域划分单元对采集的数据信息进行信息融合、处理分析,判断危险区域内是否有行人存在,并将判断结果输出到报警装置。判断结果若存在危险,报警装置报警,提醒驾驶员,若不存在危险,报警装置不动作。
测距雷达传感器安装在车辆的盲区范围内的车体上,测距雷达传感器通过车辆两边区域发射无线电波,利用接收到的目标反射信号与发射信号的时间延迟测量前方目标的位置信息。摄像头安装在车辆的盲区范围的车体上方。转角传感器安装在方向盘下方的方向柱内。信息集成单元包括数据采集模块,数据处理模块、预警信息分析模块和预警信息输出模块。数据采集模块采集测距雷达传感器、转角传感器和摄像头的输出信息,信息包括危险区域内周围目标与车体之间的距离、车辆转向角和周围环境信息。数据处理模块将测距雷达传感器采集到的周围目标的位置信息与摄像头采集到的目标位置信息进行匹配,将转向角信息导入道路区域划分***中进行区域划分。预警信息分析模块对车辆周围目标所在危险区域的判断结果以及目标是否为行人的判断结果进行分析,判定当前状态下报警装置响应等级。预警信息输出模块将响应等级结果输出给报警装置。汽车性能参数包括轮胎断面宽度、车轮外宽、轴距、前置距和前外轮转角。
采用K均值聚类分析算法对车辆两侧的区域进行等级划分,分为危险区域、预警区域和安全区域三部分,通过离线聚类得到三个离线聚类质心。K均值聚类分析过程如下:
1)根据需要确定聚类个数K=3;
2)初始化聚类质心,以等间距取点确定初始聚类质心;
3)设置最大迭代步数以及质心偏移量:△d=0.0001,J=1000;
其中:△d为质心偏移量;J为最大迭代步数;
4)计算每个对象与聚类质心之间的欧式距离,根据欧氏距离的数值将这些对象分别划归到与之最为相似的簇内;
5)根据聚类结果,重新计算3个簇的各自质心,计算方法是每个聚类各自的算术平方数;
6)重复3、4步骤,直到聚类结果不在变化;
7)将结果输出。
欧氏距离计算公式为:
假设两个n维向量为A=(a1,a2,a3……an)和B=(b1、b2、b3、……bn),则A和B之间的欧式距离为:
式中:ρ(A,B)为欧式距离;
a1,a2,a3……an为A的n个维度;
利用上述方法确定车辆周围路面环境各等级区域的范围。
摄像头应用卷积神经网络(CNN)算法对采集到的图像进行信息处理的过程由六层构成:
第一层为输入层,输入的摄像头采集到的车两侧的图像;
第二层包含两个独立的卷积层C1、C2,卷积核数均为40个;卷积层C1卷积核大小为3×3,大小为12×12×40;卷积层C2卷积核大小为7×7,大小为10×10×40;卷积层通过卷积操作对输入图像进行提取特征,卷积核相当于滤波器,第l层卷积公式为:
式中::l为层数,xm l-1为第l-1个隐层的输入,n、m为二维矩阵值,wn,m l为第l个隐层的映射权值矩阵,bi l为第l个隐层的偏置矩阵,yn l为输入层的输入图像,f为激活函数,采用ReLU函数做非线性映射,表达式为:
y=max(0,x)
式中:y为输出,x为输入;
每个卷积层后面一层是池化层,将图像中不同位置的特征聚合在一起,实现降低特征维度,以及对图像特征进行二次提取,选择最大池化的方式,最大池化把输入图像分割成不重叠的矩阵,每个子区域都输出最大值;
第三层包含两个独立的卷积层C3、C4,卷积核数均为65个;卷积层C1卷积核大小为3×3,大小为5×5×65;卷积层C2卷积核大小为3×3,大小为4×4×65.四个卷积层步长为2;卷积公式、映射方法及池化公式与第二层相同;
第四层为全连接层F1,该层设计有300个神经元,F1的输入来自C1、C2、C3、C4;全连接层可以增强网络非线性映射能力以及限制网络规模大小;F1全连接层的计算公式为:
式中:l为层数,xi l-1为第l-1个隐层的输入,i、j为二维矩阵值,wj,i l为第l个隐层的映射权值矩阵,bj l为第l个隐层的偏置矩阵;
第五层为全连接层F2,计算公式与F1相同;F1、F2采用全连接;
第六层为输出层,由softmax函数判断分类,softmax函数计算公式为:
Xi=wix+b
式中:θ为参数向量,i、j为二维矩阵值,T为温度参数,当T很大时,即趋于正无穷时,所有的激活值对应的激活概率趋近于相同;T很低时,即趋于0时,不同的激活值对应的激活概率差异也就很大;
完成卷积神经网络识别行人过程。
报警装置包括车内报警装置和车外报警装置,车内报警装置由警示灯和车内报警器组成,用于提醒驾驶员注意车外危险。车外报警装置为车外报警器,用于提醒车外行人注意避让车辆。根据行人所在的危险区域等级,报警装置发出车不同等级报警信号,不同等级的报警信号,报警灯的亮度及报警器的声音强度不同。
本发明大型车辆转弯时避免行人卷入车下的安全预警***通过测距雷达传感器、摄像头和转角传感器在转弯时对车辆左右两边的环境进行检测,识别周围危险环境,输入到信息集成单元以及道路危险区域划分***中进行信息融合、处理分析,判断危险区域内是否有行人存在,并将判断结果输入到报警装置进行预警,给驾驶员以及两侧行人安全警示,保障了车辆安全转弯以及车辆周围行人安全,提高了道路交通的安全性。本发明实时有效地预测大型车辆转弯时周围环境是否存在危险,为解决大型车辆转弯安全问题提供了一种新的思路。
附图说明
图1为本发明大型车辆转弯时避免行人卷入车下的安全报警装置的示意图;
图2为报警等级示意图;
其中:1—转角传感器、2—测距雷达传感器、3—摄像头、4—道路危险区域划分单元、5—集成控制单元、6—报警装置、7—数据采集模块、8—数据处理模块、9—预警信息分析模块、10—预警信息输出模块、11—车内报警器、12—警示灯、13—车外报警器。
具体实施方式
下面结合实施例和附图对本发明进行详细说明。本发明保护范围不限于实施例,本领域技术人员在权利要求限定的范围内做出任何改动也属于本发明保护的范围。
本发明大型车辆转弯时避免行人卷入车下的安全预警系如图1所示,包括测距雷达传感器2、摄像头3、转角传感器1、信息集成单元5、道路危险区域划分单元4和报警装置6。信息集成单元5包括数据采集模块7,数据处理模块8、预警信息分析模块9和预警信息输出模块10。报警装置6包括车内报警装置和车外报警装置,车内报警装置由警示灯12和车内报警器11组成,用于提醒驾驶员注意车外危险。车外报警装置为车外报警器13,用于提醒车外行人注意避让车辆。测距雷达传感器和摄像头与数据采集模块通信连通,转角传感器通过道路危险区域划分单元与数据采集模块通信连通。道路危险区域划分单元设有汽车性能参数输入端,汽车性能参数包括轮胎断面宽度、车轮外宽、轴距、前置距和前外轮转角。数据采集模块依次与数据处理模块、预警信息分析模块和预警信息输出模块通信连通,预警信息输出模块与报警装置通信连通。测距雷达传感器采集车体周围物体距离信息,采集到的目标距离信息输入到信息集成单元中进行分析处理。摄像头采集车辆两侧图像,运用卷积神经网络算法对图像进行识别,判断测距雷达传感器所识别的目标是否是行人,并获得识别图像中的行人的位置数据信息,传送到信息集成单元。转角传感器采集车辆转向角信息,道路危险区域划分单元根据转角传感器采集到的信息和汽车性能参数,采用K均值聚类分析算法将大型车辆两侧的区域划分为危险区域、预警区域或安全区域。信息集成单元与道路危险区域划分单元对采集的数据信息进行信息融合、处理分析,判断危险区域内是否有行人存在,并将判断结果输出到报警装置。判断结果若存在危险,报警装置报警,提醒驾驶员,若不存在危险,报警装置不动作。
测距雷达传感器2安装在车辆的盲区范围内的车体上,测距雷达传感器通过车辆两边区域发射无线电波,利用接收到的目标反射信号与发射信号的时间延迟测量前方目标的位置信息。摄像头3安装在车辆的盲区范围的车体上方,转角传感器1安装在方向盘下方的方向柱内。
数据采集模块7采集测距雷达传感器、转角传感器和摄像头的输出信息,信息包括危险区域内周围目标与车体之间的距离、车辆转向角和周围环境信息。数据处理模块8将测距雷达传感器采集的周围目标位置信息与摄像头采集到的目标位置信息进行匹配,将转向角信息导入道路区域划分***中进行区域划分。预警信息分析模块9对车辆周围目标所在危险区域的判断结果以及目标是否为行人的判断结果进行分析,判定当前状态下报警装置响应等级。预警信息输出模块10将响应等级结果输出给报警装置6。
离线聚类的目的是对车辆两边区域进行等级划分,通过离线聚类得到离线聚类质心。将转角传感器采集到的信息和汽车性能参数输入到采用K均值聚类分析算法的道路危险区域划分单元4,将大型车辆两侧将车辆两侧的区域划分为危险区域、预警区域以及安全区域三部分,通过离线聚类得到三个离线聚类质心。K均值聚类分析过程如下:
1)根据需要确定聚类个数K=3;
2)初始化聚类质心,以等间距取点确定初始聚类质心;
3)设置最大迭代步数以及质心偏移量:△d=0.0001,J=1000;
其中:△d为质心偏移量;J为最大迭代步数;
4)计算每个对象与聚类质心之间的欧式距离,根据欧氏距离的数值将这些对象分别划归到与之最为相似的簇内;
5)根据聚类结果,重新计算3个簇的各自质心,计算方法是每个聚类各自的算术平方数;
6)重复3、4步骤,直到聚类结果不在变化;
7)将结果输出。
欧氏距离计算公式为:
假设两个n维向量为A=(a1,a2,a3……an)和B=(b1、b2、b3、……bn),则A和B之间的欧式距离为:
式中ρ(A,B)为欧式距离;
a1,a2,a3……an为A的n个维度;
利用上述方法确定车辆周围路面环境各等级区域的范围。
摄像头应用卷积神经网络(CNN)算法对采集到的图像进行信息处理的过程由六层构成:
第一层为输入层,输入的摄像头采集到的车两侧的图像;
第二层包含两个独立的卷积层C1、C2,卷积核数均为40个;卷积层C1卷积核大小为3×3,大小为12×12×40;卷积层C2卷积核大小为7×7,大小为10×10×40;卷积层通过卷积操作对输入图像进行提取特征,卷积核相当于滤波器,第l层卷积公式为:
式中:l为层数,xm l-1为第l-1个隐层的输入,n、m为二维矩阵值,wn,m l为第l个隐层的映射权值矩阵,bi l为第l个隐层的偏置矩阵,yn l为输入层的输入图像,f为激活函数,采用ReLU函数做非线性映射,表达式为:
y=max(0,x)
式中:y为输出,x为输入;
每个卷积层后面一层是池化层,将图像中不同位置的特征聚合在一起,实现降低特征维度,以及对图像特征进行二次提取,选择最大池化的方式,最大池化把输入图像分割成不重叠的矩阵,每个子区域都输出最大值;
第三层包含两个独立的卷积层C3、C4,卷积核数均为65个;卷积层C1卷积核大小为3×3,大小为5×5×65;卷积层C2卷积核大小为3×3,大小为4×4×65.四个卷积层步长为2;卷积公式、映射方法及池化公式与第二层相同;
第四层为全连接层F1,该层设计有300个神经元,F1的输入来自C1、C2、C3、C4;全连接层可以增强网络非线性映射能力以及限制网络规模大小;F1全连接层的计算公式为:
式中:l为层数,xi l-1为第l-1个隐层的输入,i、j为二维矩阵值,wj,i l为第l个隐层的映射权值矩阵,bj l为第l个隐层的偏置矩阵;
第五层为全连接层F2,计算公式与F1相同;F1、F2采用全连接;
第六层为输出层,由softmax函数判断分类,softmax函数计算公式为:
Xi=wix+b
式中:θ为参数向量,i、j为二维矩阵值,T为温度参数,当T很大时,即趋于正无穷时,所有的激活值对应的激活概率趋近于相同;T很低时,即趋于0时,不同的激活值对应的激活概率差异也就很大;
完成卷积神经网络识别行人过程。
本发明大型车辆转弯时避免行人卷入车下的安全预警***的工作过程,步骤如下:
⑴首先转角传感器1采集车辆转向角信息,将车辆转向角信息输入到道路危险区域划分单元4,对车辆两侧区域间性划分,分成危险区域、预警区域以及安全区域三部分;
⑵测距雷达传感器2通过向前方区域发射无线电波,利用接收到的目标反射信号与发射信号的时间延迟测量前方目标的位置信息,将目标距离信息输入到信息集成单元5中,判定当前目标在哪一个区域内;
⑶安装在车体上的摄像头3采集大型车辆周围的图像信息,运用卷积神经网络算法将图像信息进行结构化处理,识别测距雷达的目标是否为行人;
⑷信息集成单元5与道路危险区域划分单元4对采集的数据信息进行信息融合、处理分析,判断危险区域内是否有行人存在;
⑸将判定结果输入到预警信息处理模块10进行分析,判断目标是否为行人;若判定结果中未识别到行人,则按照目标所在区域向报警装置输入报警等级信息;若判定结果存在行人,则按照行人所在区域的上一级报警等级信息报警;
⑹将报警信息输送到报警装置6,若存在危险,报警装置报警,提醒驾驶员,若不存在危险,报警装置不动作。
本发明的报警装置采用分级报警,如图2所示,当测距雷达以及摄像头判断出当前目标以及目标所在区域后,分级报警装置响应。预警装置一共四个等级,分别为一级报警、二级报警、三级报警以及无响应。如果目标是行人,当行人在危险区域内,采取一级报警;行人在预警区域内,采取二级报警;行人在安全区域内,报警装置无响应。若目标不是行人,则报警等级比行人依次低一级,目标在危险区域内,采取二级报警;目标在预警区域内,采取三级报警,目标在安全区域内,报警装置无响应。
Claims (8)
1.一种大型车辆转弯时避免行人卷入车下的安全预警***,其特征是:所述装置包括测距雷达传感器(2)、摄像头(3)、转角传感器(1)、信息集成单元(5)、道路危险区域划分单元(4)和报警装置(6);所述测距雷达传感器采集车体周围物体距离信息,采集到的目标距离信息输入到信息集成单元中进行分析处理;所述摄像头采集车辆两侧图像,运用卷积神经网络算法对图像进行识别,判断测距雷达传感器所识别的目标是否是行人,并获得识别图像中的行人的位置数据信息,传送到信息集成单元;所述转角传感器采集车辆转向角信息,所述道路危险区域划分单元根据转角传感器采集到的信息和汽车性能参数,采用K均值聚类分析算法将大型车辆两侧的区域划分为危险区域、预警区域或安全区域;所述信息集成单元与道路危险区域划分单元对采集的数据信息进行信息融合、处理分析,判断危险区域内是否有行人存在,并将判断结果输出到报警装置;判断结果若存在危险,报警装置报警,提醒驾驶员,若不存在危险,报警装置不动作。
2.根据权利要求1所述的大型车辆转弯时避免行人卷入车下的安全预警***,其特征是:所述测距雷达传感器(2)安装在车辆的盲区范围内的车体上,测距雷达传感器通过车辆两边区域发射无线电波,利用接收到的目标反射信号与发射信号的时间延迟测量前方目标的位置信息;所述摄像头(3)安装在车辆的盲区范围的车体上方;所述转角传感器(1)安装在方向盘下方的方向柱内。
3.根据权利要求1所述的大型车辆转弯时避免行人卷入车下的安全预警***,其特征是:所述信息集成单元(5)包括数据采集模块(7),数据处理模块(8)、预警信息分析模块(9)和预警信息输出模块(10);所述数据采集模块采集测距雷达传感器、转角传感器和摄像头的输出信息,信息包括危险区域内周围目标与车体之间的距离、车辆转向角和周围环境信息;所述数据处理模块将测距雷达传感器采集的周围目标位置信息与摄像头采集到的目标位置信息进行匹配,将转向角信息导入道路区域划分***中进行区域划分;所述预警信息分析模块对车辆周围目标所在危险区域的判断结果以及目标是否为行人的判断结果进行分析,判定当前状态下报警装置响应等级;所述预警信息输出模块将响应等级结果输出给报警装置。
4.根据权利要求1所述的大型车辆转弯时避免行人卷入车下的安全预警***,其特征是:所述汽车性能参数包括轮胎断面宽度、车轮外宽、轴距、前置距和前外轮转角。
5.根据权利要求1所述的大型车辆转弯时避免行人卷入车下的安全预警***,其特征是:所述采用K均值聚类分析算法对车辆两侧的区域进行等级划分,分为危险区域、预警区域和安全区域三部分,通过离线聚类得到三个离线聚类质心;所述K均值聚类分析过程如下:
1)根据需要确定聚类个数K=3;
2)初始化聚类质心,以等间距取点确定初始聚类质心;
3)设置最大迭代步数以及质心偏移量:△d=0.0001,J=1000;
其中:△d为质心偏移量;J为最大迭代步数;
4)计算每个对象与聚类质心之间的欧式距离,根据欧氏距离的数值将这些对象分别划归到与之最为相似的簇内;
5)根据聚类结果,重新计算3个簇的各自质心,计算方法是每个聚类各自的算术平方数;
6)重复3、4步骤,直到聚类结果不在变化;
7)将结果输出。
6.根据权利要求5所述的大型车辆转弯时避免行人卷入车下的安全预警***,其特征是:所述欧氏距离计算公式为:
假设两个n维向量为A=(a1,a2,a3……an)和B=(b1、b2、b3、……bn),则A和B之间的欧式距离为:
式中:ρ(A,B)为欧式距离;
a1,a2,a3……an为A的n个维度;
利用上述方法确定车辆周围路面环境各等级区域的范围。
7.根据权利要求1所述的大型车辆转弯时避免行人卷入车下的安全预警***,其特征是:所述摄像头应用卷积神经网络(CNN)算法对采集到的图像进行信息处理的过程由六层构成:
第一层为输入层,输入的摄像头采集到的车两侧的图像;
第二层包含两个独立的卷积层C1、C2,卷积核数均为40个;卷积层C1卷积核大小为3×3,大小为12×12×40;卷积层C2卷积核大小为7×7,大小为10×10×40;卷积层通过卷积操作对输入图像进行提取特征,卷积核相当于滤波器,第l层卷积公式为:
式中:l为层数,xm l-1为第l-1个隐层的输入,n、m为二维矩阵值,wn,m l为第l个隐层的映射权值矩阵,bi l为第l个隐层的偏置矩阵,yn l为输入层的输入图像,f为激活函数,采用ReLU函数做非线性映射;表达式为:
y=max(0,x)
式中:y为输出,x为输入;
每个卷积层后面一层是池化层,将图像中不同位置的特征聚合在一起,实现降低特征维度,以及对图像特征进行二次提取,选择最大池化的方式,最大池化把输入图像分割成不重叠的矩阵,每个子区域都输出最大值;
第三层包含两个独立的卷积层C3、C4,卷积核数均为65个;卷积层C1卷积核大小为3×3,大小为5×5×65;卷积层C2卷积核大小为3×3,大小为4×4×65.四个卷积层步长为2;卷积公式、映射方法及池化公式与第二层相同;
第四层为全连接层F1,该层设计有300个神经元,F1的输入来自C1、C2、C3、C4;全连接层可以增强网络非线性映射能力以及限制网络规模大小;F1全连接层的计算公式为:
式中:l为层数,xi l-1为第l-1个隐层的输入,i、j为二维矩阵值,wj,i l为第l个隐层的映射权值矩阵,bj l为第l个隐层的偏置矩阵;
第五层为全连接层F2,计算公式与F1相同;F1、F2采用全连接;
第六层为输出层,由softmax函数判断分类,softmax函数计算公式为:
Xi=wix+b
式中:θ为参数向量,i、j为二维矩阵值,T为温度参数,当T很大时,即趋于正无穷时,所有的激活值对应的激活概率趋近于相同;T很低时,即趋于0时,不同的激活值对应的激活概率差异也就很大;
完成卷积神经网络识别行人过程。
8.根据权利要求1所述的大型车辆转弯时避免行人卷入车下的安全预警***,其特征是:所述报警装置(6)包括车内报警装置和车外报警装置,所述车内报警装置由警示灯(12)和车内报警器(11)组成,用于提醒驾驶员注意车外危险;所述车外报警装置为车外报警器(13),用于提醒车外行人注意避让车辆;根据行人所在的危险区域等级,报警装置发出车不同等级报警信号,不同等级的报警信号,报警灯的亮度及报警器的声音强度不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494515.4A CN110228413B (zh) | 2019-06-10 | 2019-06-10 | 大型车辆转弯时避免行人卷入车下的安全预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910494515.4A CN110228413B (zh) | 2019-06-10 | 2019-06-10 | 大型车辆转弯时避免行人卷入车下的安全预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110228413A true CN110228413A (zh) | 2019-09-13 |
CN110228413B CN110228413B (zh) | 2020-07-14 |
Family
ID=67859441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910494515.4A Expired - Fee Related CN110228413B (zh) | 2019-06-10 | 2019-06-10 | 大型车辆转弯时避免行人卷入车下的安全预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110228413B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110936937A (zh) * | 2019-03-21 | 2020-03-31 | 湖南三一港口设备有限公司 | 自动制动方法及*** |
CN111047822A (zh) * | 2019-12-18 | 2020-04-21 | 万翼科技有限公司 | 一种危险预警设备、危险预警方法及其相关产品 |
CN111505577A (zh) * | 2020-04-27 | 2020-08-07 | 湖南大学 | 基于可见光通信的移动车辆定位方法 |
CN111583336A (zh) * | 2020-04-22 | 2020-08-25 | 深圳市优必选科技股份有限公司 | 一种机器人及其巡检方法和装置 |
CN113212427A (zh) * | 2020-02-03 | 2021-08-06 | 通用汽车环球科技运作有限责任公司 | 带有用于车底危险和外来物体检测的先进车辆相机***的智能车辆 |
CN114516299A (zh) * | 2022-01-21 | 2022-05-20 | 国网甘肃省电力公司综合服务中心 | 一种车辆报警***及其报警方法 |
CN117854046A (zh) * | 2024-03-07 | 2024-04-09 | 北京理工大学前沿技术研究院 | 一种基于视觉融合的一体化定位***及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010027363A1 (en) * | 1999-12-24 | 2001-10-04 | Kazunori Shimazaki | Steering assist apparatus |
US20090212930A1 (en) * | 2005-03-03 | 2009-08-27 | Continental Teves Ag & Co. Ohg | Method and Device for Avoiding a Collision in a Lane Change Maneuver of a Vehicle |
US20160291149A1 (en) * | 2015-04-06 | 2016-10-06 | GM Global Technology Operations LLC | Fusion method for cross traffic application using radars and camera |
CN106740829A (zh) * | 2017-03-23 | 2017-05-31 | 吉林大学 | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警*** |
CN107633220A (zh) * | 2017-09-13 | 2018-01-26 | 吉林大学 | 一种基于卷积神经网络的车辆前方目标识别方法 |
CN107862287A (zh) * | 2017-11-08 | 2018-03-30 | 吉林大学 | 一种前方小区域物体识别及车辆预警方法 |
CN107985200A (zh) * | 2017-11-13 | 2018-05-04 | 西南交通大学 | 一种载重货车右转弯安全预警***及方法 |
CN108629968A (zh) * | 2018-06-26 | 2018-10-09 | 吉林大学 | 一种基于激光雷达的行人过街安全控制装置 |
CN108877261A (zh) * | 2017-05-10 | 2018-11-23 | 杜卡迪摩托控股有限公司 | 具有用于检测从后方靠近的车辆的装置的摩托车 |
CN208498373U (zh) * | 2018-05-25 | 2019-02-15 | 武汉科技大学 | 车辆侧向防撞*** |
-
2019
- 2019-06-10 CN CN201910494515.4A patent/CN110228413B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010027363A1 (en) * | 1999-12-24 | 2001-10-04 | Kazunori Shimazaki | Steering assist apparatus |
US20090212930A1 (en) * | 2005-03-03 | 2009-08-27 | Continental Teves Ag & Co. Ohg | Method and Device for Avoiding a Collision in a Lane Change Maneuver of a Vehicle |
US20160291149A1 (en) * | 2015-04-06 | 2016-10-06 | GM Global Technology Operations LLC | Fusion method for cross traffic application using radars and camera |
CN106740829A (zh) * | 2017-03-23 | 2017-05-31 | 吉林大学 | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警*** |
CN108877261A (zh) * | 2017-05-10 | 2018-11-23 | 杜卡迪摩托控股有限公司 | 具有用于检测从后方靠近的车辆的装置的摩托车 |
CN107633220A (zh) * | 2017-09-13 | 2018-01-26 | 吉林大学 | 一种基于卷积神经网络的车辆前方目标识别方法 |
CN107862287A (zh) * | 2017-11-08 | 2018-03-30 | 吉林大学 | 一种前方小区域物体识别及车辆预警方法 |
CN107985200A (zh) * | 2017-11-13 | 2018-05-04 | 西南交通大学 | 一种载重货车右转弯安全预警***及方法 |
CN208498373U (zh) * | 2018-05-25 | 2019-02-15 | 武汉科技大学 | 车辆侧向防撞*** |
CN108629968A (zh) * | 2018-06-26 | 2018-10-09 | 吉林大学 | 一种基于激光雷达的行人过街安全控制装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110936937A (zh) * | 2019-03-21 | 2020-03-31 | 湖南三一港口设备有限公司 | 自动制动方法及*** |
CN110936937B (zh) * | 2019-03-21 | 2021-03-30 | 湖南三一港口设备有限公司 | 自动制动方法及*** |
CN111047822A (zh) * | 2019-12-18 | 2020-04-21 | 万翼科技有限公司 | 一种危险预警设备、危险预警方法及其相关产品 |
CN113212427A (zh) * | 2020-02-03 | 2021-08-06 | 通用汽车环球科技运作有限责任公司 | 带有用于车底危险和外来物体检测的先进车辆相机***的智能车辆 |
CN111583336A (zh) * | 2020-04-22 | 2020-08-25 | 深圳市优必选科技股份有限公司 | 一种机器人及其巡检方法和装置 |
CN111583336B (zh) * | 2020-04-22 | 2023-12-01 | 深圳市优必选科技股份有限公司 | 一种机器人及其巡检方法和装置 |
CN111505577A (zh) * | 2020-04-27 | 2020-08-07 | 湖南大学 | 基于可见光通信的移动车辆定位方法 |
CN114516299A (zh) * | 2022-01-21 | 2022-05-20 | 国网甘肃省电力公司综合服务中心 | 一种车辆报警***及其报警方法 |
CN117854046A (zh) * | 2024-03-07 | 2024-04-09 | 北京理工大学前沿技术研究院 | 一种基于视觉融合的一体化定位***及装置 |
CN117854046B (zh) * | 2024-03-07 | 2024-05-14 | 北京理工大学前沿技术研究院 | 一种基于视觉融合的一体化定位***及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110228413B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110228413A (zh) | 大型车辆转弯时避免行人卷入车下的安全预警*** | |
US10677894B2 (en) | Vehicle sensing system for classification of vehicle model | |
CN108099786A (zh) | 一种行车侧方盲区排除预警*** | |
CN108638999B (zh) | 一种基于360度环视输入的防碰撞预警***及方法 | |
CN207697623U (zh) | 一种行车侧方盲区排除预警*** | |
CN109153359A (zh) | 一种汽车盲区的监测方法及*** | |
Perumal et al. | An insight into crash avoidance and overtaking advice systems for autonomous vehicles: A review, challenges and solutions | |
CN105512623A (zh) | 基于多传感器雾天行车视觉增强与能见度预警***及方法 | |
CN101934771A (zh) | 车辆碰撞警示*** | |
CN106828304A (zh) | 运用结构光感测障碍的倒车警示方法 | |
CN113276770B (zh) | 基于安全和低成本需求的商用车全盲区监测***和方法 | |
EP3933438A2 (en) | System and method providing truck-mounted sensors to detect trailer following vehicles and trailer conditions | |
CN110378202A (zh) | 一种基于鱼眼镜头的全方位行人碰撞预警方法 | |
CN104104915A (zh) | 基于移动终端的多功能行车监控预警*** | |
CN106740458A (zh) | 一种用于车辆的开门安全提醒***及方法 | |
EP4242062A1 (en) | Pedestrian alert system | |
CN113096387A (zh) | 一种车载路面监测预警方法、***、终端及存储介质 | |
CN112793507A (zh) | 基于惯性器件感知车辆右转运动特性的盲区预警制动*** | |
Sotelo et al. | Blind spot detection using vision for automotive applications | |
Bagi et al. | Sensing structure for blind spot detection system in vehicles | |
CN106778907A (zh) | 一种基于多传感器信息融合的智能行车预警*** | |
CN103177248A (zh) | 一种基于视觉的快速行人检测方法 | |
CN115862383B (zh) | 一种基于不确定性的车辆盲区潜在风险量化方法 | |
CN108256418A (zh) | 一种基于红外成像的行人预警方法及*** | |
Kulhandjian et al. | Pedestrian Detection and Avoidance at Night Using Multiple Sensors and Machine Learning |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200714 Termination date: 20210610 |