智能车辆防碰撞预警技术多信息检测研究外文翻译资料

 2022-12-10 15:58:15

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

智能车辆防碰撞预警技术多信息检测研究

摘要：车辆的驾驶环境非常复杂，比如道路的多源信息、其他车辆或障碍物之间的相对距离以及驾驶员的状态等。车道，相对距离和周围相对速度的雕像信息目标，可以通过从车辆前面的CCD摄像头接收信息来识别，驾驶员注意状态信息可以通过从CCD摄像机内部接收信息来识别。这可以通过多源信息检测技术有效降低泄漏检测报警率，虚警率和冗余报警率。通过构建基于Dempster-Shafer证据理论的安全机制，实时检测危险和潜在危险驾驶信息，用于分析和判断驾驶员状态，并获得可靠的防撞警告。这样可以有效防止碰撞和死亡，同时优化距离速度和反应时间的控制。同时，为提高使用速度，提高能力和实现自动变速器奠定了良好的基础。

键词：智能车;防碰撞技术;机器视觉;多信息检测;安全机械

一：介绍

高频的全球道路交通事故近年来是常见的社会问题。道路交通事故已成为经济发展，车辆数量和非职业车手数量上升的首要问题，对人与社会构成重大损失，远远大于自然灾害。智能车辆防碰撞预警技术是智能车辆的关键技术，受到越来越多关注，减少交通事故和驾驶安全改善的良好效果。 79％的后端碰撞事故是由于司机分心造成的[1]，根据美国国家公路驾驶安全管理委员会统计。如果司机可以提前一半，后方事故率可以减少60％。梅赛德斯奔驰公司对各种交通事故的研究也显示，如果司机可以在1〜2秒之前实现事故风险，采取纠正措施，则可以避免大多数交通事故。近日，许多科研机构在青岛大学，吉林大学，长安大学，东南大学等车辆碰撞避免研究方面取得了巨大成就。这些国内研究的缺点在于忽视信息检测;安全机械的其他因素，主要集中在检测车辆之间的距离。

实践表明，由于道路环境考虑不足，可能会发生警告，如果只有一种简单的预警方法，则可能会发生虚假警告或发生冗余警告。当出现真正的危险警告时，驱动程序无法正确反应，因为迭代的虚假警告和冗余警告会使它们忽略警报。严格来说，智能车辆防碰撞预警技术包括车道偏离检测技术，车道保护技术，前车检测技术，相对安全距离保持技术和驾驶员状态检测技术。基于单一信息的检测不能满足智能车辆防碰撞预警技术的可靠性和复杂环境的适应性，因此，内部和外部车辆的信息检测应结合起来评估驾驶员的状态减少交通事故，确保行车安全。

2、系统概述

实验平台建立在一辆Excelled轿车上。车内的信息通过CCD摄像机内部得到，车外的信息通过CCD摄像机得到。车道标记检测和车道偏离预警是通过前CCD摄像机进行道路信息检测实现的，同时，前方车辆也可以检测车辆之间的相对距离信息。系统可以根据信息识别危险距离。另外背面的CCD摄像机显示器的司机的面部器官状态是实时的。当司机出现分心状态时，系统可以向司机发出警告。系统可以判断驾驶不安全状况，提醒驾驶员及时纠正不正确的驾驶行为，根据车道位置，车辆距离的实时信息检测，根据危险决策表，实现安全驾驶和防碰撞活动和司机的精神状态。

3、车道线检测技术

车道检测技术是智能车辆防撞系统的重要组成部分，也是驾驶偏差防范的保证。 通过阈值获取二进制图像并除以像到远视觉图像和近视觉图像。将相邻点放在一起，然后适合同一车道，连接不同区域的相似车道，并适合直线和曲线车道。车道检测概述如图1所示。 测试结果显示，无论阳光充足，多云和强照明条件下，均具有良好的鲁棒性[2]。当车道标记不连续或甚至不退出时，车道标记也可以安装在路边。根据左，右车道标志的检测，能够判断车辆是否偏离。它可以反对噪音。这是一种实时可靠的车道检测方法。车道检测结果如下所示：

图像输入

图像平滑（高斯滤波）

设定阈值

基于灰度的边缘检测阈值

路边缘分配函数的建立

动态故障车道的边缘

标记直道、弯道

图1 车道线检测概述

图2 车道线检测结果

  1. 车辆检测技术

基于机器视觉的实时车辆检测需要大量的计算。 车辆存在区域的假设和车辆存在区域的验证的两步法通常用于降低计算量。 该研究假定当基于差分箱计数维度使用阴影梯度的结果和车辆候选区域的纹理特征的分析来检测车辆底部的阴影时的车辆。 消除道路上的其他

干扰，并根据车辆定位车辆边缘。 使用NMI（归一化惯性矩）验证车辆特征[3]，并使用卡尔曼滤波技术预测车辆驾驶状况。 实时跟踪车辆。 车辆定位结果如图3所示。

图3车辆定位结果

在实现车辆检测的基础上，我们可以通过将对象空间坐标系与对象空间坐标系（或称世界坐标系）进行对比，了解相机图像像素位置与场景景点位置之间的关系[4]（型号：DCR-SR46E）------摄像机坐标系，作为平面坐标系和计算机图像坐标系之间的转换。所以我们可以得到车间距检测公式，如图4所示：

图4 距离检测模型

其中：

f：CCD摄像头有效焦距;

x0，y0：光轴与图像平面的交点;

x，y：道路上点P的图像平面投影坐标

CCD相机的俯仰角度

h：CCD相机的安装高度（透镜中心到地平面），根据几何关系，我们可以得到点P和透镜中心的水平距离d。 计算公式如下：

d=h/tan（

校准后: h=1.35m; alpha;=；:图像像素；纵向间距 ：ay=f/dy=1134；dx，dy：一个像素

在x轴和y轴方向上对应于图像平面的物理尺寸。实际测试结果如图5所示。

图5相对距离检测

d1=35m d2=28m d3=25m

  1. 驱动器检测技术

驾驶员分心或疲劳将容易导致汽车关闭车辆或偏离车道，造成后方碰撞，撞车或其他致命交通事故。同时驾驶员注意状态当两辆汽车太近时[5]，车辆的相对速度是影响驾驶安全的重要因素。 根据汽车之间的距离来判断是否有驾驶的危险。

监视驾驶员的头部，眼睛，口腔等运动特征，基于机器视觉，由以下特征曲线表示：

驾驶员头部的侧倾特征曲线：其长度变化可用作头部倾斜度及其角度变化的判断，作为脸部震动的判断。

垂直倾斜特征曲线：曲线长度的变化可以判断俯仰和角度化可以判断头部的抖动。 驾驶员面部视觉信息的综合定量监测，驾驶员分心状态分析，驾驶员右侧或左侧以及其他不安全行为，如过度俯仰，用于实时检测和预警。 检测效果如图6所示。

图6驾驶员注意检测结果

总共有656帧实时测试。 根据实验设计，驱动器对应于红色椭圆形区域的标记区域：在框架98，框架260，框架430和框架585处捕获牵引行为。检测结果如图7所示。 检测系统可以捕获驾驶员分心状态[6]。

图7驾驶员注意检测结果

6、 裁判危险驾驶行为

根据驾驶员驾驶状态信息，车道位置和车辆相对距离的分析，制定危险决策规则表，如图8所示。

注意检测

车辆检测

车道检测

注意力离开曲线

车辆离开曲线

车道离开曲线

D-S评估

警告

图8智能车辆防碰撞检测系统

在信息融合决策层面，通过证据推断来估计司机身份的特征。 将每个测量数据从观察空间更改为证据空间，并将每个信息分配给证据（评估每个信息的可能性）。 根据Dempster规则计算每种可能性及其相应的信用领域[7]。

七： 实验分析

测试设计：同时检测驾驶员的关注，车道偏离信息和车辆信息，获取驾驶员的分心信息，车道偏离信息，车辆相对距离和相对速度信息。 根据预警机制提供预警。 测试一个样品条件：两辆汽车以速度行驶20km / h，相对距离为47m; 测试结果如下：

  1. 选择第八帧作为特征帧：驾驶员的头部在第二和第三帧中都向右转，而两个车辆之间的距离是安全的，因此尽管驾驶员的眼睛部分关闭并且他的注意力没有给出预警 分心 驾驶员的头部在第六和第七个框架中都变得严重，驾驶员的眼睛几乎关闭。 在这种危险的环境下，必须给出警告以纠正司机的行为，因为两辆汽车太近，司机没有集中注意力。 结果如图9所示：

图9驾驶员注意检测结果

  1. 测试没有严重的偏差;
  2. 车辆之间的相对速度和距离如图10所示。

曲线1表示相对距离（单位：m）; 曲线2表示相对速度（单位：m / s）; 曲线3表示车辆之间的临界距离（单位：m）;

图10相对距离和速度检测

结论：根据我们通常所了解到的危险驾驶行为认知，在第1节中，驾驶员的头部在第二和第三框架中俯视时，两个车辆之间的距离是安全的，所以预知尽管驾驶员的注意力分散注意力仍然没有给出警告; 在第2部分中，驾驶员的头部在第六和第七帧中都向左转。 必须给出警告，以纠正驾驶员的行为，并提醒他在这种危险情况下降低速度，因为两辆车太近，司机没有集中注意力。

于D-S证据理论的500个样本分析如下[8]：通过公式计算融合结果和识别结构的功率能集。 选择一段时间的测试数据进行融合，如图11所示：

特

征

值

图11： 图像帧

驾驶员的注意力检测结果：

车 辆 检 测 结 果：

D-S 融 合 结 果：

如图11所示，与单一信息判断模型相比，驾驶员的状态检测精度大大提高，基于D-S融合。 D-S证据理论可以有效克服样本培训不足引起的检测率低的问题。 一般来说，依赖于D-S融合的方法大大提高了检测精度[9]。

在实验中获得了大量司机的状态信息。 有338个“安全”样本，114个“危险趋势”样本和48个“危险”样本。 信息融合的结果如表1所示。

表1：信息融合算法的结果

融合结果

状态估计

测试设计

安全

分心

危险

趋势

驾驶

安全

321

17

0

状态

分心

13

89

12

设计

趋势

危险指数

0

0

48

实验证明：与基于单指数估计的方法相比，依赖于D-S融合的方法大大提高了检测精度。

八、结论

研究依据是基于计算机视觉的驾驶员车道检测，车辆检测和注意力监控系统。实验结果如下：

（1）实验表明，该算法可以实现道路环境检测，实时提取车道偏差信息，并可获得车辆相对距离信息;

（2）创造性地检测和分析“T”特征[10]。我们检测到曲线信息，描绘了驾驶员环顾四周，向下看和抬起头来检测驾驶员的注意力，看他是否专心。

（3）制定车辆驾驶风险规则表。车道检测信息综合判断，车辆检测信息和

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[27615]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章