CN114582132A - 一种基于机器视觉的车辆碰撞检测预警***及方法 - Google Patents
一种基于机器视觉的车辆碰撞检测预警***及方法 Download PDFInfo
- Publication number
- CN114582132A CN114582132A CN202210478357.5A CN202210478357A CN114582132A CN 114582132 A CN114582132 A CN 114582132A CN 202210478357 A CN202210478357 A CN 202210478357A CN 114582132 A CN114582132 A CN 114582132A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sheltered
- early warning
- collision
- obstacle
- 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
Images
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于机器视觉的车辆碰撞检测预警***及方法,包括必要信息采集模块、数据库、碰撞事故分析模块、机器视觉感知模块、图像处理模块和车辆碰撞预警模块。采用上述***后,通过机器视觉感知检测车辆碰撞并进行预警,对图像进行分析处理,预先判断了图像中的目标障碍物是否被遮挡,提前与无效区域中的遮挡车辆进行信息交互,保持了被遮挡车辆的数据实时感知状态,解决了现有技术中车辆被遮挡而无法检测到障碍物、无法预知交通状况的问题,提高了被遮挡车辆行驶的安全程度。
Description
技术领域
本发明涉及车辆碰撞检测技术领域,具体为一种基于机器视觉的车辆碰撞检测预警***及方法。
背景技术
随着社会经济的飞速发展,交通作为人员、物资流动的主要方式,在维持社会发展的同时,也存在很多问题,例如交通事故、交通堵塞等,影响出行安全。为保证人们的生命财产安全,汽车防碰撞预警在辅助驾驶***中起了非常重要的作用。
机器视觉指的是用机器代替人眼来做测量和判断,机器视觉在车辆碰撞检测方面被广泛应用,提高了碰撞检测的精度,帮助及时发出预警信号、提醒车辆注意安全。
然而,现有的车辆碰撞检测预警方式存在一定的弊端:第一,现有技术中大多致力于对前向的车辆进行碰撞检测预警,忽略了对侧向车辆进行碰撞检测,检测方式不全面;第二,车辆本身大小不同,在相邻车道上行驶,小型车辆的视觉传感器进行侧向碰撞检测时容易被大型车辆遮挡,影响检测工作。
所以,人们需要一种基于机器视觉的车辆碰撞检测预警***及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于机器视觉的车辆碰撞检测预警***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于机器视觉的车辆碰撞检测预警***:所述***包括必要信息采集模块、数据库、碰撞事故分析模块、机器视觉感知模块、图像处理模块和车辆碰撞预警模块;
通过所述必要信息采集模块采集车辆上安装的视觉传感器感知范围数据、车辆与障碍物间的安全距离数据以及车辆常用行驶路线上发生的事故信息,将采集到的所有数据传输到所述数据库中;通过所述数据库存储采集到的数据;
通过所述碰撞事故分析模块获取常用行驶路线上所有已发生事故类型,评判各类事故发生的危险率,提醒车辆注意每个地点易发生的事故;
评判各类事故在车辆常用行驶路线上对应地点发生的概率,有利于在车辆行驶到对应地点时及时向司机反馈当前位置最合适的行驶方式,有利于减少出事故的概率,提高行驶安全;
通过所述机器视觉感知模块拍摄侧向道路图像,进行障碍物识别,并检测定位、追踪障碍物;
通过机器视觉进行车辆检测碰撞,有利于提高检测精度,快速检测出障碍物以及判断车辆是否会与障碍物碰撞;
通过所述图像处理模块将机器视觉坐标转换为像素坐标,对图像的无效区域进行边界处理,分析图像中无效区域占比;
若无效区域超出可控范围,通过所述车辆碰撞预警模块控制遮挡与被遮挡车辆间进行信息交互,融合检测数据,预测遮挡车辆自身是否会与障碍物发生碰撞:若遮挡车辆会与障碍物碰撞,进行碰撞危险预警;预测被遮挡车辆是否会与障碍物发生碰撞:若被遮挡车辆会与障碍物碰撞,进行碰撞危险预警;
可控范围指的是车辆行驶到安全距离边界时拍摄的图像中无效区域对感兴趣区域的遮挡范围,若无效区域超出可控范围,则表示在安全距离边界时拍摄的图像中无效区域占据了大部分感兴趣区域,遮挡了障碍物目标。
进一步的,所述必要信息采集模块包括车辆数据采集单元和道路数据采集单元,通过所述车辆数据采集单元采集车辆未与障碍物碰撞的安全距离,以及不同车辆上安装的视觉传感器的感知距离和角度数据;通过所述道路数据采集单元采集车辆常用行驶路线上发生过事故的地点以及对应地点发生过的事故信息,将采集到的数据传输到所述数据库中。
进一步的,所述碰撞事故分析模块包括危险率评判单元和易发事故提醒单元,通过所述危险率评判单元调取所述数据库中存储的事故信息,依据事故信息评判不同地点发生各类事故的危险率;通过所述易发事故提醒单元提醒车辆注意对应地点危险率最高的事故;
预先评判各地点发生事故的危险率,有利于保证车辆在常用行驶路线上的行驶安全。
进一步的,所述图像处理模块包括空间坐标转换单元和无效区域分析单元,通过所述空间坐标转换单元将视觉坐标转换为像素坐标;在对图像作边界处理后,通过所述无效区域分析单元分析无效区域在整个图像中所占比例,设置占比可控阈值,比较无效区域占比与占比可控阈值,将比较结果传输到所述车辆碰撞预警模块中;
对图像作边界处理后,能突出显示无效区域边界轮廓,有利于拟合无效区域边界,进而进行无效区域在图像中的占比计算。
进一步的,所述车辆碰撞预警模块包括信息交互单元、自碰撞预测单元、邻近碰撞预测单元和碰撞危险预警单元,在无效区域占比超过占比可控阈值时,通过所述信息交互单元控制无效区域中的遮挡车辆与被遮挡车辆进行检测信息交互;通过所述自碰撞预测单元预测遮挡车辆自身是否会与障碍物碰撞;通过所述邻近碰撞预测单元预测被遮挡车辆是否会与障碍物碰撞:若会发生碰撞,通过所述碰撞危险预警单元发出碰撞危险预警信号,提醒对应车辆减速;
进行被遮挡车辆和遮挡车辆间的信息交互,有利于将遮挡车辆的视觉感知数据传输给被遮挡车辆,解决了现有技术中被遮挡车辆因被遮挡导致无法通过视觉感知检测车辆碰撞的问题。
一种基于机器视觉的车辆碰撞检测预警方法,包括以下步骤:
S11:采集视觉传感器感知范围、安全距离数据和常用行驶路线上发生的事故数据;
S12:分析所有发生过事故的地点发生各类事故的危险率,提醒注意对应地点最易发生的事故;
S13:拍摄道路图像,识别、定位、追踪障碍物;
S14:判断图像中的无效区域占比是否超出可控占比:若未超出可控占比,继续识别障碍物;若超出可控占比,执行步骤S15;
S15:控制交互信息,分别预测遮挡车辆自身以及被遮挡车辆与障碍物是否会发生碰撞,进行碰撞危险预警。
进一步的,在步骤S11中:利用车辆数据采集单元采集到车辆到障碍物的安全直线距离为d,利用道路数据采集单元采集到车辆常用行驶路线上出过事故的地点共n个,出过的事故共有m类,随机一个地点出过各类事故的次数集合为E={E1,E2,...,Em},对应地点因事故对象行驶不符合要求而造成各类事故的次数集合为E’={E1’,E2’,...,Em’},在步骤S12中:利用危险率评判单元评判不同地点发生各类事故的危险率:根据下列公式计算随机一个地点发生随机一类事故的危险概率pi:
其中,Ei表示随机一个地点发生随机一类事故的次数,Ei’表示随机一个地点因事故对象行驶不符合要求而造成随机一类事故的次数,得到随机一个地点发生各类事故的危险概率集合为p={p1,p2,...,pm},比较危险概率,得到最高危险概率对应的事故,即为对应地点最易发生的事故类型,最高危险概率为pmax,在车辆经过对应地点前提醒注意对应地点最易发生的事故类型;
发生事故的情况大致分为两种:一种是因事故双方违反交通规则而出的事故,另一种是事故双方未违反交通规则而出的事故,在评判危险概率的基础上考虑到事故原因,能够得到排除违反交通规则因素后的危险概率,得到的危险概率更能反映对应地点的出事故概率,有利于帮助司机在对应地点寻找最合适的行驶方式。
进一步的,在步骤S13中:利用机器视觉感知模块拍摄车辆侧向道路图像,在图像上建立感兴趣区域,利用深度学习网络分类器在感兴趣区域内进行障碍物识别检测,在检测到障碍物后,将机器视觉坐标转换为图像像素坐标,对图像作边界处理,在步骤S14中:利用无效区域分析单元分析图像中的无效区域占比:用曲线拟合无效区域边界,得到拟合后的无效区域边界函数为y=f(x),根据下列公式计算无效区域占图像中感兴趣区域的比例Q:
其中,S表示感兴趣区域面积,a和b分别表示积分变量上下限,即为拟合后的无效区域与图像边界相交部分的上下限,获取到当前车辆到障碍物的直线距离为D,得到当车辆到障碍物的直线距离为d时,拍摄到的图像中无效区域占感兴趣区域的比例Q’:,设置安全比例阈值为Q阈,比较Q’和Q阈:若Q’ ≤Q阈,说明无效区域占比未超出可控占比,预测车辆行驶到安全距离出拍摄的图像中无效区域未遮挡感兴趣区域中的障碍物,继续识别障碍物;若Q’>Q阈,说明无效区域占比超出可控占比,预测车辆行驶到安全距离出拍摄的图像中无效区域遮挡了障碍物,执行步骤S15;
由于拍摄的图像中的各区域为不规则图形,利用曲线积分方式计算区域占比有利于提高计算结果的准确性,利用曲线积分方式计算无效区域占图像中感兴趣区域的比例的目的在于分析在车辆行驶到安全距离边界时的无效区域占比,有利于预先判断在安全距离边界上的视觉感知是否有效,提前与无效区域中的遮挡车辆进行信息交互,保持了数据实时感知状态。
进一步的,在步骤S15中:控制交互信息:利用信息交互单元控制无效区域中出现的遮挡车辆和当前被遮挡车辆进行检测信息交互,获取被遮挡车辆的机器视觉感知信息,预测遮挡车辆自身是否会与障碍物碰撞:利用自碰撞预测单元预测遮挡车辆自身是否会与障碍物碰撞:采集到遮挡车辆当前车速为v,遮挡车辆与障碍物的直线距离为L,视觉传感器与正前方的夹角为,视觉传感器的最大感知角度为,最长感知宽度为A,根据下列公式计算遮挡车辆到遮挡车辆直行路线与障碍物直行路线交汇点的距离H:
得到障碍物到交汇点的距离H’:
得到遮挡车辆到交汇点需要的时间t=H/v,障碍物到交汇点需要的时间t’=H’/V,其中,V表示障碍物行动速度,比较t和t’:若t≠t’,预测遮挡车辆与障碍物不会在交汇点处发生碰撞;若t=t’,预测遮挡车辆与障碍物会在交汇点处发生碰撞,利用碰撞危险预警单元向遮挡车辆发送碰撞预警信号,提醒遮挡车辆减速;
在信息交互后,利用遮挡车辆上的视觉传感器感知数据,依据采集到的必要信息计算车辆直行与障碍物直行到交汇点的距离,目的在于得到遮挡车辆和障碍物到达交汇点的时间,预测在交汇点双方是否会发生碰撞,有利于及时提醒遮挡车辆变速,避免发生事故。
进一步的,预测被遮挡车辆是否会与障碍物发生碰撞:利用邻近碰撞预测单元预测被遮挡车辆是否会与障碍物发生碰撞:采集到被遮挡车辆与遮挡车辆间的水平距离为B,车头垂直距离为C,被遮挡车辆当前车速为v’,得到被遮挡车辆行驶到被遮挡车辆直行路线与障碍物直行路线的第二交汇点处所需要的时间T,其中,;得到障碍物到第二交汇点需要的时间T’,其中,,比较T和T’:若T≠T’,预测被遮挡车辆与障碍物不会在第二交汇点处发生碰撞;若T=T’,预测被遮挡车辆与障碍物会在第二交汇点处发生碰撞,利用碰撞危险预警单元向被遮挡车辆发送碰撞预警信号,提醒被遮挡车辆减速;
由于信息间的交互,得到被遮挡车辆的数据,同时依据车辆间的相对距离预测被遮挡车辆与障碍物到达交汇点的时间,解决了现有技术中车辆被遮挡而无法检测到障碍物、无法预知交通状况的问题,提高了被遮挡车辆行驶的安全程度。
与现有技术相比,本发明所达到的有益效果是:
本发明通过碰撞事故分析模块预先评判车辆常用行驶路线上各地点发生各类事故的危险率,减少了出事故的概率,提高行驶安全,同时考虑事故发生原因,得到排除违反交通规则因素后的危险概率,得到的危险概率更能反映对应地点的出事故概率,帮助了司机在对应地点寻找最合适的行驶方式。
通过机器视觉感知检测车辆碰撞并进行预警,对图像进行分析处理,预先判断了图像中的目标障碍物是否被遮挡,提前与无效区域中的遮挡车辆进行信息交互,保持了被遮挡车辆的数据实时感知状态,解决了现有技术中车辆被遮挡而无法检测到障碍物、无法预知交通状况的问题,提高了被遮挡车辆行驶的安全程度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于机器视觉的车辆碰撞检测预警***的结构图;
图2是本发明一种基于机器视觉的车辆碰撞检测预警方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
下面结合图1-图2和具体实施例对本发明作进一步的说明。
实施例一:
如图1所示,本实施例提供了一种基于机器视觉的车辆碰撞检测预警***,上述***包括:必要信息采集模块S1、数据库S2、碰撞事故分析模块S3、机器视觉感知模块S4、图像处理模块S5和车辆碰撞预警模块S6。
必要信息采集模块S1包括车辆数据采集单元和道路数据采集单元,通过车辆数据采集单元采集车辆与障碍物之间的安全距离,以及不同车辆上安装的视觉传感器的感知距离和角度数据;通过道路数据采集单元采集车辆常用行驶路线上发生过事故的地点以及对应地点发生过的事故信息,将采集到的数据传输到数据库S2中。
碰撞事故分析模块S3包括危险率评判单元和易发事故提醒单元,通过危险率评判单元调取数据库S2中存储的事故信息,依据事故信息评判不同地点发生各类事故的危险率;通过易发事故提醒单元提醒车辆注意对应地点危险率最高的事故。
图像处理模块S5包括空间坐标转换单元和无效区域分析单元,通过空间坐标转换单元将视觉坐标转换为像素坐标;在对图像作边界处理后,通过无效区域分析单元分析无效区域在整个图像中所占比例,设置占比可控阈值,比较无效区域占比与占比可控阈值,将比较结果传输到车辆碰撞预警模块S6中。
车辆碰撞预警模块S6包括信息交互单元、自碰撞预测单元、邻近碰撞预测单元和碰撞危险预警单元,在无效区域占比超过占比可控阈值时,通过信息交互单元控制无效区域中的遮挡车辆与被遮挡车辆进行检测信息交互;通过自碰撞预测单元预测遮挡车辆自身是否会与障碍物碰撞;通过邻近碰撞预测单元预测被遮挡车辆是否会与障碍物碰撞:若会发生碰撞,通过碰撞危险预警单元发出碰撞危险预警信号,提醒对应车辆减速。
实施例二:
如图2所示,本实施例提供了一种基于机器视觉的车辆碰撞检测预警方法,其基于实施例中的预警***实现,具体包括以下步骤:
S11:采集视觉传感器感知范围、安全距离数据和常用行驶路线上发生的事故数据,采集到车辆到障碍物的安全直线距离为d=5米,车辆常用行驶路线上出过事故的地点共n=3个,出过的事故共有m=3类,随机一个地点出过各类事故的次数集合为E={E1,E2,E3}={5,10,8},对应地点因事故对象行驶不符合要求而造成各类事故的次数集合为E’={E1’,E2’,E3’}={2,1,3};
S12:分析所有发生过事故的地点发生各类事故的危险率,提醒注意对应地点最易发生的事故,评判不同地点发生各类事故的危险率:根据公式得到随机一个地点发生各类事故的危险概率集合为p={p1,p2,p3}={0.18,0.53,0.29},得到最高危险概率对应的事故,即为对应地点最易发生的事故类型:第二类事故,最高危险概率为pmax=0.53,在车辆经过对应地点前提醒注意对应地点最易发生第二类事故。
S13:拍摄道路图像,识别、定位、追踪障碍物:在图像上建立感兴趣区域,利用深度学习网络分类器在感兴趣区域内进行障碍物识别检测,在检测到障碍物后,将机器视觉坐标转换为图像像素坐标,对图像作边界处理。
S14:判断图像中的无效区域占比是否超出可控占比:若未超出可控占比,继续识别障碍物;若超出可控占比,执行步骤S15:用曲线拟合无效区域边界,得到拟合后的无效区域边界函数为y=f(x)=x3+1,根据公式计算无效区域占图像中感兴趣区域的比例Q≈0.7,S表示感兴趣区域面积,S=12,a=0,b=1,获取到当前车辆到障碍物的直线距离为D=8,得到当车辆到障碍物的直线距离为d=5时,拍摄到的图像中无效区域占感兴趣区域的比例Q’:≈0.44,设置安全比例阈值为Q阈=0.5,Q’<Q阈,说明无效区域占比未超出可控占比,预测车辆行驶到安全距离出拍摄的图像中无效区域未遮挡感兴趣区域中的障碍物,继续识别障碍物;
进一步地,在步骤S14中:用曲线拟合无效区域边界,得到拟合后的无效区域边界函数为y=f(x)=x3+1,根据公式计算无效区域占图像中感兴趣区域的比例Q≈0.85,S表示感兴趣区域面积,S=10,a=0,b=1,获取到当前车辆到障碍物的直线距离为D=8,得到当车辆到障碍物的直线距离为d=5时,拍摄到的图像中无效区域占感兴趣区域的比例Q’:≈0.53,设置安全比例阈值为Q阈=0.5<Q’,说明无效区域占比超出可控占比,预测车辆行驶到安全距离出拍摄的图像中无效区域遮挡了障碍物,执行步骤S15;
步骤S15:控制交互信息,分别预测遮挡车辆自身以及被遮挡车辆与障碍物是否会发生碰撞,进行碰撞危险预警。例如,采集到遮挡车辆当前车速为v=20,遮挡车辆与障碍物的直线距离为L=10,视觉传感器与正前方的夹角为,视觉传感器的最大感知角度为,最长感知宽度为A=5,根据公式计算遮挡车辆到遮挡车辆直行路线与障碍物直行路线交汇点的距离H≈9.7,得到障碍物到交汇点的距离H’:≈2.4,得到遮挡车辆到交汇点需要的时间t=H/v=0.485,障碍物到交汇点需要的时间t’=H’/V=0.8,V表示障碍物行动速度,V=3,比较t和t’:t≠t’,预测遮挡车辆与障碍物不会在交汇点处发生碰撞。若t=t’,预测遮挡车辆与障碍物会在交汇点处发生碰撞,利用碰撞危险预警单元向遮挡车辆发送碰撞预警信号,提醒遮挡车辆减速。
例如,采集到被遮挡车辆与遮挡车辆间的水平距离为B=2,车头垂直距离为C=3,被遮挡车辆当前车速为v’=30,根据计算被遮挡车辆行驶到被遮挡车辆直行路线与障碍物直行路线的第二交汇点处所需要的时间T≈0.22,得到障碍物到第二交汇点需要的时间T’:≈1.47,T≠T’,预测被遮挡车辆与障碍物不会在第二交汇点处发生碰撞。若T=T’,预测被遮挡车辆与障碍物会在第二交汇点处发生碰撞,利用碰撞危险预警单元向被遮挡车辆发送碰撞预警信号,提醒被遮挡车辆减速。
采用上述方法后,通过机器视觉感知检测车辆碰撞并进行预警,对图像进行分析处理,预先判断了图像中的目标障碍物是否被遮挡,提前与无效区域中的遮挡车辆进行信息交互,保持了被遮挡车辆的数据实时感知状态,解决了现有技术中车辆被遮挡而无法检测到障碍物、无法预知交通状况的问题,提高了被遮挡车辆行驶的安全程度。
以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的车辆碰撞检测预警***,其特征在于:所述***包括必要信息采集模块(S1)、数据库(S2)、碰撞事故分析模块(S3)、机器视觉感知模块(S4)、图像处理模块(S5)和车辆碰撞预警模块(S6);
通过所述必要信息采集模块(S1)采集车辆上安装的视觉传感器感知范围数据、车辆与障碍物间的安全距离数据以及车辆常用行驶路线上发生的事故信息,将采集到的所有数据传输到所述数据库(S2)中;通过所述数据库(S2)存储采集到的数据;
通过所述碰撞事故分析模块(S3)获取常用行驶路线上所有已发生事故类型,评判各类事故发生的危险率,提醒车辆注意每个地点易发生的事故;
通过所述机器视觉感知模块(S4)拍摄侧向道路图像,进行障碍物识别,并检测定位、追踪障碍物;
通过所述图像处理模块(S5)将机器视觉坐标转换为像素坐标,对图像的无效区域进行边界处理,分析图像中无效区域占比;
若无效区域超出可控范围,通过所述车辆碰撞预警模块(S6)控制遮挡与被遮挡车辆间进行信息交互,融合检测数据,预测遮挡车辆自身是否会与障碍物发生碰撞:若遮挡车辆会与障碍物碰撞,进行碰撞危险预警;预测被遮挡车辆是否会与障碍物发生碰撞:若被遮挡车辆会与障碍物碰撞,进行碰撞危险预警,可控范围指的是车辆行驶到安全距离边界时拍摄的图像中无效区域对感兴趣区域的遮挡范围。
2.根据权利要求1所述的一种基于机器视觉的车辆碰撞检测预警***,其特征在于:所述必要信息采集模块(S1)包括车辆数据采集单元和道路数据采集单元,通过所述车辆数据采集单元采集车辆未与障碍物碰撞的安全距离,以及不同车辆上安装的视觉传感器的感知距离和角度数据;通过所述道路数据采集单元采集车辆常用行驶路线上发生过事故的地点以及对应地点发生过的事故信息,将采集到的数据传输到所述数据库(S2)中。
3.根据权利要求1所述的一种基于机器视觉的车辆碰撞检测预警***,其特征在于:所述碰撞事故分析模块(S3)包括危险率评判单元和易发事故提醒单元,通过所述危险率评判单元调取所述数据库(S2)中存储的事故信息,依据事故信息评判不同地点发生各类事故的危险率;通过所述易发事故提醒单元提醒车辆注意对应地点危险率最高的事故。
4.根据权利要求1所述的一种基于机器视觉的车辆碰撞检测预警***,其特征在于:所述图像处理模块(S5)包括空间坐标转换单元和无效区域分析单元,通过所述空间坐标转换单元将视觉坐标转换为像素坐标;在对图像作边界处理后,通过所述无效区域分析单元分析无效区域在整个图像中所占比例,设置占比可控阈值,比较无效区域占比与占比可控阈值,将比较结果传输到所述车辆碰撞预警模块(S6)中。
5.根据权利要求1所述的一种基于机器视觉的车辆碰撞检测预警***,其特征在于:所述车辆碰撞预警模块(S6)包括信息交互单元、自碰撞预测单元、邻近碰撞预测单元和碰撞危险预警单元,在无效区域占比超过占比可控阈值时,通过所述信息交互单元控制无效区域中的遮挡车辆与被遮挡车辆进行检测信息交互;通过所述自碰撞预测单元预测遮挡车辆自身是否会与障碍物碰撞;通过所述邻近碰撞预测单元预测被遮挡车辆是否会与障碍物碰撞:若会发生碰撞,通过所述碰撞危险预警单元发出碰撞危险预警信号,提醒对应车辆减速。
6.一种基于机器视觉的车辆碰撞检测预警方法,其特征在于:包括以下步骤:
S11:采集视觉传感器感知范围、安全距离数据和常用行驶路线上发生的事故数据;
S12:分析所有发生过事故的地点发生各类事故的危险率,提醒注意对应地点最易发生的事故;
S13:拍摄道路图像,识别、定位、追踪障碍物;
S14:判断图像中的无效区域占比是否超出可控占比:若未超出可控占比,继续识别障碍物;若超出可控占比,执行步骤S15;
S15:控制交互信息,分别预测遮挡车辆自身以及被遮挡车辆与障碍物是否会发生碰撞,进行碰撞危险预警。
7.根据权利要求6所述的一种基于机器视觉的车辆碰撞检测预警方法,其特征在于:在步骤S11中:利用车辆数据采集单元采集到车辆到障碍物的安全直线距离为d,利用道路数据采集单元采集到车辆常用行驶路线上出过事故的地点共n个,出过的事故共有m类,随机一个地点出过各类事故的次数集合为E={E1,E2,...,Em},对应地点因事故对象行驶不符合要求而造成各类事故的次数集合为E’={E1’,E2’,...,Em’},在步骤S12中:利用危险率评判单元评判不同地点发生各类事故的危险率:根据下列公式计算随机一个地点发生随机一类事故的危险概率pi:
其中,Ei表示随机一个地点发生随机一类事故的次数,Ei’表示随机一个地点因事故对象行驶不符合要求而造成随机一类事故的次数,得到随机一个地点发生各类事故的危险概率集合为p={p1,p2,...,pm},比较危险概率,得到最高危险概率对应的事故,即为对应地点最易发生的事故类型,最高危险概率为pmax,在车辆经过对应地点前提醒注意对应地点最易发生的事故类型。
8.根据权利要求6所述的一种基于机器视觉的车辆碰撞检测预警方法,其特征在于:在步骤S13中:利用机器视觉感知模块(S4)拍摄车辆侧向道路图像,在图像上建立感兴趣区域,利用深度学习网络分类器在感兴趣区域内进行障碍物识别检测,在检测到障碍物后,将机器视觉坐标转换为图像像素坐标,对图像作边界处理,在步骤S14中:利用无效区域分析单元分析图像中的无效区域占比:用曲线拟合无效区域边界,得到拟合后的无效区域边界函数为y=f(x),根据下列公式计算无效区域占图像中感兴趣区域的比例Q:
其中,S表示感兴趣区域面积,a和b分别表示积分变量上下限,即为拟合后的无效区域与图像边界相交部分的上下限,获取到当前车辆到障碍物的直线距离为D,得到当车辆到障碍物的直线距离为d时,拍摄到的图像中无效区域占感兴趣区域的比例Q’:,
设置安全比例阈值为Q阈,比较Q’和Q阈:若Q’≤Q阈,说明无效区域占比未超出可控占比,预测车辆行驶到安全距离出拍摄的图像中无效区域未遮挡感兴趣区域中的障碍物,继续识别障碍物;若Q’>Q阈,说明无效区域占比超出可控占比,预测车辆行驶到安全距离出拍摄的图像中无效区域遮挡了障碍物,执行步骤S15。
9.根据权利要求6所述的一种基于机器视觉的车辆碰撞检测预警方法,其特征在于:在步骤S15中:控制交互信息:利用信息交互单元控制无效区域中出现的遮挡车辆和当前被遮挡车辆进行检测信息交互,获取被遮挡车辆的机器视觉感知信息,预测遮挡车辆自身是否会与障碍物碰撞:利用自碰撞预测单元预测遮挡车辆自身是否会与障碍物碰撞:采集到遮挡车辆当前车速为v,遮挡车辆与障碍物的直线距离为L,视觉传感器与正前方的夹角为,视觉传感器的最大感知角度为,最长感知宽度为A,根据下列公式计算遮挡车辆到遮挡车辆直行路线与障碍物直行路线交汇点的距离H:
得到障碍物到交汇点的距离H’:
得到遮挡车辆到交汇点需要的时间t=H/v,障碍物到交汇点需要的时间t’=H’/V,其中,V表示障碍物行动速度,比较t和t’:若t≠t’,预测遮挡车辆与障碍物不会在交汇点处发生碰撞;若t=t’,预测遮挡车辆与障碍物会在交汇点处发生碰撞,利用碰撞危险预警单元向遮挡车辆发送碰撞预警信号,提醒遮挡车辆减速。
10.根据权利要求9所述的一种基于机器视觉的车辆碰撞检测预警方法,其特征在于:预测被遮挡车辆是否会与障碍物发生碰撞:利用邻近碰撞预测单元预测被遮挡车辆是否会与障碍物发生碰撞:采集到被遮挡车辆与遮挡车辆间的水平距离为B,车头垂直距离为C,被遮挡车辆当前车速为v’,得到被遮挡车辆以车速v’行驶到被遮挡车辆直行路线与障碍物直行路线的第二交汇点处所需要的时间为T,得到障碍物以速度V到达第二交汇点需要的时间T’,比较T和T’:若T≠T’,预测被遮挡车辆与障碍物不会在第二交汇点处发生碰撞;若T=T’,预测被遮挡车辆与障碍物会在第二交汇点处发生碰撞,利用碰撞危险预警单元向被遮挡车辆发送碰撞预警信号,提醒被遮挡车辆减速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210478357.5A CN114582132B (zh) | 2022-05-05 | 2022-05-05 | 一种基于机器视觉的车辆碰撞检测预警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210478357.5A CN114582132B (zh) | 2022-05-05 | 2022-05-05 | 一种基于机器视觉的车辆碰撞检测预警***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114582132A true CN114582132A (zh) | 2022-06-03 |
CN114582132B CN114582132B (zh) | 2022-08-09 |
Family
ID=81778472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210478357.5A Active CN114582132B (zh) | 2022-05-05 | 2022-05-05 | 一种基于机器视觉的车辆碰撞检测预警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114582132B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116101275A (zh) * | 2023-04-12 | 2023-05-12 | 禾多科技(北京)有限公司 | 一种基于自动驾驶的避障方法及*** |
CN116311174A (zh) * | 2023-05-23 | 2023-06-23 | 四川智慧高速科技有限公司 | 一种基于机器视觉的车辆防碰撞方法及*** |
CN116576826A (zh) * | 2023-05-16 | 2023-08-11 | 深圳市科创航空技术有限公司 | 一种基于无人机的航测数据智能处理***及方法 |
Citations (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100036599A1 (en) * | 2008-08-11 | 2010-02-11 | RM Acquisition, LLC d/b/a/ Rand McNally | Safest transportation routing |
CN104575102A (zh) * | 2014-12-16 | 2015-04-29 | 北京中交兴路车联网科技有限公司 | 一种车辆告警***及方法 |
JP2015156191A (ja) * | 2014-02-21 | 2015-08-27 | 株式会社豊田中央研究所 | 警報装置及びプログラム |
CN105260701A (zh) * | 2015-09-14 | 2016-01-20 | 中电海康集团有限公司 | 一种适用于复杂场景下的前方车辆检测方法 |
CN205230373U (zh) * | 2015-12-24 | 2016-05-11 | 厦门理工学院 | 一种交通事故多发地段预报提醒*** |
WO2016135561A1 (en) * | 2015-02-27 | 2016-09-01 | Caring Community Sa | Method and apparatus for determining a safest route within a transportation network |
CN105957403A (zh) * | 2016-07-14 | 2016-09-21 | 乐视控股(北京)有限公司 | 车辆预警方法及装置 |
CN106004655A (zh) * | 2016-06-24 | 2016-10-12 | 深圳市元征科技股份有限公司 | 一种盲点碰撞预警方法及装置 |
CN106167045A (zh) * | 2015-05-21 | 2016-11-30 | Lg电子株式会社 | 驾驶人员辅助装置及其控制方法 |
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN106846863A (zh) * | 2017-01-12 | 2017-06-13 | 叶昊 | 基于增强现实和云端智能决策的车联网事故黑点警告***及方法 |
CN107093331A (zh) * | 2016-02-17 | 2017-08-25 | 上海博泰悦臻网络技术服务有限公司 | 一种事故多发地段预警方法、***以及一种智能车载*** |
CN107428301A (zh) * | 2015-03-31 | 2017-12-01 | 株式会社电装 | 安全装置工作定时控制方法以及装置 |
CN107554430A (zh) * | 2017-09-20 | 2018-01-09 | 京东方科技集团股份有限公司 | 车辆盲区可视化方法、装置、终端、***及车辆 |
WO2018025386A1 (ja) * | 2016-08-04 | 2018-02-08 | 富士通株式会社 | 警告制御プログラム、警告制御方法および情報処理装置 |
CN109145170A (zh) * | 2018-06-27 | 2019-01-04 | 公安部道路交通安全研究中心 | 一种道路交通事故数据挖掘服务器、方法和*** |
CN109410567A (zh) * | 2018-09-03 | 2019-03-01 | 江苏大学 | 一种基于车联网的易发事故道路智慧分析***及方法 |
CN109493600A (zh) * | 2018-11-21 | 2019-03-19 | 合肥工业大学 | 基于事故危险度的交通事故多发路段识别方法 |
CN109733283A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于ar的被遮挡障碍物识别预警***及识别预警方法 |
CN109979238A (zh) * | 2017-12-28 | 2019-07-05 | 北京百度网讯科技有限公司 | 车道内障碍物提醒方法、装置及设备 |
CN110065494A (zh) * | 2019-04-09 | 2019-07-30 | 魔视智能科技(上海)有限公司 | 一种基于车轮检测的车辆防碰撞方法 |
CN110077399A (zh) * | 2019-04-09 | 2019-08-02 | 魔视智能科技(上海)有限公司 | 一种基于道路标线、车轮检测融合的车辆防碰撞方法 |
CN110473418A (zh) * | 2019-07-25 | 2019-11-19 | 平安科技(深圳)有限公司 | 危险路段识别方法、装置、服务器及存储介质 |
CN110481526A (zh) * | 2019-07-22 | 2019-11-22 | 江苏大学 | 一种智能汽车传感器盲区行人检测及主动避撞方法 |
CN110544390A (zh) * | 2019-08-31 | 2019-12-06 | 武汉理工大学 | 一种车车交互式的行人主动避撞方法与装置 |
CN111210662A (zh) * | 2020-03-04 | 2020-05-29 | 五邑大学 | 一种基于机器视觉与dsrc的交叉口安全预警***及其预警方法 |
CN111291786A (zh) * | 2020-01-17 | 2020-06-16 | 清华大学 | 一种车载视觉实时多目标航向角估计方法及装置 |
CN111311917A (zh) * | 2020-03-20 | 2020-06-19 | 王利梅 | 一种基于大数据的道路交通安全管理*** |
CN111409553A (zh) * | 2019-01-08 | 2020-07-14 | 上汽通用五菱汽车股份有限公司 | 一种adas显示装置与方法 |
JP2020115306A (ja) * | 2019-01-18 | 2020-07-30 | 国立大学法人豊橋技術科学大学 | 地点別歩行者事故危険度評価方法および地点別歩行者事故危険度判定システム |
CN111739343A (zh) * | 2020-06-02 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 车辆事故风险的预警方法、装置、介质及电子设备 |
CN113419942A (zh) * | 2021-04-30 | 2021-09-21 | 吉林大学 | 一种基于自然驾驶数据的自动驾驶安全性评价方法 |
CN214273738U (zh) * | 2021-01-22 | 2021-09-24 | 四川九通智路科技有限公司 | 一种基于姿态传感器的隧道车辆撞击预警装置 |
KR20210137861A (ko) * | 2020-05-11 | 2021-11-18 | (주)렌트어때 | 사고 유형에 맞게 사고 위험을 알려주는 스마트 사고 알람 시스템 |
US20210365696A1 (en) * | 2019-02-28 | 2021-11-25 | Shenzhen Sensetime Technology Co., Ltd. | Vehicle Intelligent Driving Control Method and Device and Storage Medium |
CN113859251A (zh) * | 2021-10-29 | 2021-12-31 | 广州文远知行科技有限公司 | 涉及行驶盲区的车速规划方法、驾驶控制方法及相关设备 |
CN114290991A (zh) * | 2021-12-28 | 2022-04-08 | 联通智网科技股份有限公司 | 一种盲区监测方法、装置、存储介质和边缘云平台 |
EP3989198A1 (en) * | 2019-06-18 | 2022-04-27 | IHI Corporation | Travel route generation device and control device |
-
2022
- 2022-05-05 CN CN202210478357.5A patent/CN114582132B/zh active Active
Patent Citations (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100036599A1 (en) * | 2008-08-11 | 2010-02-11 | RM Acquisition, LLC d/b/a/ Rand McNally | Safest transportation routing |
JP2015156191A (ja) * | 2014-02-21 | 2015-08-27 | 株式会社豊田中央研究所 | 警報装置及びプログラム |
CN104575102A (zh) * | 2014-12-16 | 2015-04-29 | 北京中交兴路车联网科技有限公司 | 一种车辆告警***及方法 |
WO2016135561A1 (en) * | 2015-02-27 | 2016-09-01 | Caring Community Sa | Method and apparatus for determining a safest route within a transportation network |
CN107428301A (zh) * | 2015-03-31 | 2017-12-01 | 株式会社电装 | 安全装置工作定时控制方法以及装置 |
CN106167045A (zh) * | 2015-05-21 | 2016-11-30 | Lg电子株式会社 | 驾驶人员辅助装置及其控制方法 |
CN105260701A (zh) * | 2015-09-14 | 2016-01-20 | 中电海康集团有限公司 | 一种适用于复杂场景下的前方车辆检测方法 |
CN205230373U (zh) * | 2015-12-24 | 2016-05-11 | 厦门理工学院 | 一种交通事故多发地段预报提醒*** |
CN107093331A (zh) * | 2016-02-17 | 2017-08-25 | 上海博泰悦臻网络技术服务有限公司 | 一种事故多发地段预警方法、***以及一种智能车载*** |
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN106004655A (zh) * | 2016-06-24 | 2016-10-12 | 深圳市元征科技股份有限公司 | 一种盲点碰撞预警方法及装置 |
CN105957403A (zh) * | 2016-07-14 | 2016-09-21 | 乐视控股(北京)有限公司 | 车辆预警方法及装置 |
WO2018025386A1 (ja) * | 2016-08-04 | 2018-02-08 | 富士通株式会社 | 警告制御プログラム、警告制御方法および情報処理装置 |
CN106846863A (zh) * | 2017-01-12 | 2017-06-13 | 叶昊 | 基于增强现实和云端智能决策的车联网事故黑点警告***及方法 |
CN107554430A (zh) * | 2017-09-20 | 2018-01-09 | 京东方科技集团股份有限公司 | 车辆盲区可视化方法、装置、终端、***及车辆 |
CN109979238A (zh) * | 2017-12-28 | 2019-07-05 | 北京百度网讯科技有限公司 | 车道内障碍物提醒方法、装置及设备 |
CN109145170A (zh) * | 2018-06-27 | 2019-01-04 | 公安部道路交通安全研究中心 | 一种道路交通事故数据挖掘服务器、方法和*** |
CN109410567A (zh) * | 2018-09-03 | 2019-03-01 | 江苏大学 | 一种基于车联网的易发事故道路智慧分析***及方法 |
CN109493600A (zh) * | 2018-11-21 | 2019-03-19 | 合肥工业大学 | 基于事故危险度的交通事故多发路段识别方法 |
CN111409553A (zh) * | 2019-01-08 | 2020-07-14 | 上汽通用五菱汽车股份有限公司 | 一种adas显示装置与方法 |
CN109733283A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于ar的被遮挡障碍物识别预警***及识别预警方法 |
JP2020115306A (ja) * | 2019-01-18 | 2020-07-30 | 国立大学法人豊橋技術科学大学 | 地点別歩行者事故危険度評価方法および地点別歩行者事故危険度判定システム |
US20210365696A1 (en) * | 2019-02-28 | 2021-11-25 | Shenzhen Sensetime Technology Co., Ltd. | Vehicle Intelligent Driving Control Method and Device and Storage Medium |
CN110077399A (zh) * | 2019-04-09 | 2019-08-02 | 魔视智能科技(上海)有限公司 | 一种基于道路标线、车轮检测融合的车辆防碰撞方法 |
CN110065494A (zh) * | 2019-04-09 | 2019-07-30 | 魔视智能科技(上海)有限公司 | 一种基于车轮检测的车辆防碰撞方法 |
EP3989198A1 (en) * | 2019-06-18 | 2022-04-27 | IHI Corporation | Travel route generation device and control device |
CN110481526A (zh) * | 2019-07-22 | 2019-11-22 | 江苏大学 | 一种智能汽车传感器盲区行人检测及主动避撞方法 |
CN110473418A (zh) * | 2019-07-25 | 2019-11-19 | 平安科技(深圳)有限公司 | 危险路段识别方法、装置、服务器及存储介质 |
CN110544390A (zh) * | 2019-08-31 | 2019-12-06 | 武汉理工大学 | 一种车车交互式的行人主动避撞方法与装置 |
CN111291786A (zh) * | 2020-01-17 | 2020-06-16 | 清华大学 | 一种车载视觉实时多目标航向角估计方法及装置 |
CN111210662A (zh) * | 2020-03-04 | 2020-05-29 | 五邑大学 | 一种基于机器视觉与dsrc的交叉口安全预警***及其预警方法 |
CN111311917A (zh) * | 2020-03-20 | 2020-06-19 | 王利梅 | 一种基于大数据的道路交通安全管理*** |
KR20210137861A (ko) * | 2020-05-11 | 2021-11-18 | (주)렌트어때 | 사고 유형에 맞게 사고 위험을 알려주는 스마트 사고 알람 시스템 |
CN111739343A (zh) * | 2020-06-02 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 车辆事故风险的预警方法、装置、介质及电子设备 |
CN214273738U (zh) * | 2021-01-22 | 2021-09-24 | 四川九通智路科技有限公司 | 一种基于姿态传感器的隧道车辆撞击预警装置 |
CN113419942A (zh) * | 2021-04-30 | 2021-09-21 | 吉林大学 | 一种基于自然驾驶数据的自动驾驶安全性评价方法 |
CN113859251A (zh) * | 2021-10-29 | 2021-12-31 | 广州文远知行科技有限公司 | 涉及行驶盲区的车速规划方法、驾驶控制方法及相关设备 |
CN114290991A (zh) * | 2021-12-28 | 2022-04-08 | 联通智网科技股份有限公司 | 一种盲区监测方法、装置、存储介质和边缘云平台 |
Non-Patent Citations (8)
Title |
---|
宁乐然: "《道路交通工程学教程》", 31 January 2005, 中国人民公安大学出版社 * |
张雪梅: "《道路交通安全》", 28 February 2007, 群众出版社 * |
李作敏等: "关于道路交通安全评价的研究", 《北京交通管理干部学院学报》 * |
王岩等: "道路交通事故成因的综合分析", 《湖南公安高等专科学校学报》 * |
程坦: "道路交通事故数据挖掘及应用研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
谢晓华等: "基于道路综合法的事故多发段鉴别研究", 《交通标准化》 * |
赵威: "基于V2X的交叉路口碰撞预警算法", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
饶永明等: "交通事故时空模式可视分析方法", 《计算机科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116101275A (zh) * | 2023-04-12 | 2023-05-12 | 禾多科技(北京)有限公司 | 一种基于自动驾驶的避障方法及*** |
CN116576826A (zh) * | 2023-05-16 | 2023-08-11 | 深圳市科创航空技术有限公司 | 一种基于无人机的航测数据智能处理***及方法 |
CN116576826B (zh) * | 2023-05-16 | 2024-05-03 | 湖北亿立能科技股份有限公司 | 一种基于无人机的航测数据智能处理***及方法 |
CN116576826B8 (zh) * | 2023-05-16 | 2024-06-11 | 湖北亿立能科技股份有限公司 | 一种基于无人机的航测数据智能处理***及方法 |
CN116311174A (zh) * | 2023-05-23 | 2023-06-23 | 四川智慧高速科技有限公司 | 一种基于机器视觉的车辆防碰撞方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114582132B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114582132B (zh) | 一种基于机器视觉的车辆碰撞检测预警***及方法 | |
US9524643B2 (en) | Orientation sensitive traffic collision warning system | |
US10032085B2 (en) | Method and system to identify traffic lights by an autonomous vehicle | |
US9767368B2 (en) | Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system | |
EP2214149B1 (en) | Collision avoidance assisting system for vehicle | |
CN107077795B (zh) | 用于探测车辆周围环境中出现的行驶障碍的辅助*** | |
EP2523174B1 (en) | Vision based night-time rear collision warning system, controller, and method of operating the same | |
KR101103526B1 (ko) | 스테레오 카메라를 이용한 충돌회피 방법 | |
JP4415856B2 (ja) | 周囲感知システムによって路上車両の前方周囲を検出するための方法 | |
CN109671299A (zh) | 一种基于路口摄像探头对行人危险预警的***及方法 | |
CN103373349A (zh) | 自动泊车辅助***的障碍物避碰装置及方法 | |
CN110065494A (zh) | 一种基于车轮检测的车辆防碰撞方法 | |
CN110361741A (zh) | 一种基于视觉和雷达融合的前方碰撞预警方法及其*** | |
GB2489087A (en) | Driver assistance system for recognizing a turn-off maneuver of a preceding vehicle | |
CN112172663A (zh) | 一种基于开车门的危险报警方法及相关设备 | |
CN101934771A (zh) | 车辆碰撞警示*** | |
Suzuki et al. | Sensor fusion-based pedestrian collision warning system with crosswalk detection | |
EP3961580A1 (en) | Apparatus, method, and computer program for object detection | |
JP2008117073A (ja) | 割り込み車両検出装置 | |
CN112193246A (zh) | 车辆及用于执行车辆间距离控制的方法 | |
CN114537374A (zh) | 一种基于可行驶区域的车辆前方防碰撞*** | |
CN116255997A (zh) | 基于视觉导航单元的实时车道检测动态校验*** | |
KR20120086577A (ko) | 카메라를 이용한 측면차량 검출 장치 및 방법 | |
CN115056773A (zh) | 一种低速场景下的行人微碰撞识别方法及*** | |
CN106476689A (zh) | 一种用于车辆的道路限宽提醒设备和方法 |
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 |