一种基于卷积神经网络的前向碰撞预警优化方法及系统与流程

1.本发明涉及车辆辅助驾驶技术领域，尤其是涉及一种基于卷积神经网络的前向碰撞预警优化方法及系统。


背景技术：

2.随着汽车数量的增多，汽车安全性成为很重要的因素，目前碰撞是影响汽车安全的最大因素。尤其是当需要进行超车时，更容易产生车辆之间的碰撞。
3.如cn109835251a公开了一种车辆前向碰撞预警系统，主要是通过摄像头和传感器对外界障碍物进行获取判断，并对本车的信息进行获取，然后判断是否有碰撞危险并发出预警。
4.上述技术虽然对障碍物进行的信息获取，但是由于前向碰撞预警对实时性要求很高，仅使用现有技术的方法，很难对动态的车辆精确的做出碰撞预警。


技术实现要素：

5.本发明提供一种基于卷积神经网络的前向碰撞预警优化方法及系统，采用车辆间通信以及卷积神经网络两种方式对车辆进行前向碰撞预警，提高了前向碰撞预警的准确度。
6.本发明的上述发明目的是通过以下技术方案得以实现的：
7.一种基于卷积神经网络的前向碰撞预警优化方法，包括以下步骤：
8.获取主车的相关信息，并发送给其他车辆；
9.筛选周围有效车辆并获取有效车辆的基本信息；
10.判断周围有效车辆的行车方向；
11.判断前车是否满足被超车条件；
12.在前车满足被超车条件时，筛选与主车行驶方向相反的有效车辆并获取筛选基本信息，搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息；
13.根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆，并对主车进行预警。
14.通过采用上述技术方案，通过车辆间的通信进行信息的交互，使主车可以获得周围其他车辆的基本信息，然后根据车辆的基本信息车辆的判断其他车辆的行驶方向，在超车时，跟主车行驶方向相反的有效车辆作为可能发生碰撞的车辆进行判断，通过与主车逆向行驶的车辆的信息和卷积神经网络获得的车辆定位信息，可以判断车辆的驾驶倾向，然后判断出最具有碰撞危险的有效车辆，对主车进行预警提示，这种方法大大提高了对碰撞预警判断的准确度。
15.可选的，所述判断周围有效车辆的行车方向的步骤包括：
16.判断周围有效车辆的航向角是否与主车相同；
17.判断两车的横向距离差是否在阈值范围内；
18.当周围有效车辆的航向角与主车相同且两车的横向距离差在阈值范围内时，有效车辆与主车视为在同一车道上。
19.通过采用上述技术方案，根据需要预警的范围设置阈值范围，然后进行有效车辆行驶方向的判断，排除掉一些范围较广不容易存在碰撞风险的情况。
20.可选的，所述判断前车是否满足被超车条件的步骤包括：
21.判断前车是否为直行状态；
22.判断车辆的左右转向灯是否为关闭的状态。
23.通过采用上述技术方案，通过对前车的判断保障进行超车时处于安全的状态。
24.可选的，所述搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息的步骤包括：
25.对与主车行驶方向相反的有效车辆进行图像采集；
26.将采集后的图像数据输入posenet卷积神经网络进行计算；
27.经过多次迭代和训练得到与主车行驶方向相反的有效车辆的运动特征；
28.最终从采集后的图像数据中获取与主车行驶方向相反的有效车辆的定位信息。
29.通过采用上述技术方案，通过posenet卷积神经网络进行定位信息的获取，提高了对车辆位置获取的准确度，使主车可以更好的进行前向碰撞预警。
30.可选的，所述根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆的步骤包括：
31.根据筛选基本信息判断车辆的第一驾驶倾向；
32.根据定位信息判断车辆的第二驾驶倾向；
33.根据第一驾驶倾向和第二驾驶倾向结合预估车辆的驾驶倾向；
34.根据车辆的驾驶倾向确定最具有碰撞危险的有效车辆。
35.通过采用上述技术方案，首先根据车辆间的信息获取可以对车辆进行第一驾驶倾向的判断，其次卷积神经网络获取了车辆的实时定位信息，也可以对车辆进行第二驾驶倾向的预估，然后综合第一驾驶倾向和第二驾驶倾向预估车辆的驾驶倾向，使主车对车辆驾驶倾向的判断更加准确，提高前向碰撞预警的精度。
36.可选的，当判断存在最具有碰撞危险的有效车辆后，对碰撞时间进行计算，其步骤包括：
37.根据筛选基本信息和第一驾驶倾向的判断进行车辆前向碰撞时间计算；
38.根据posenet卷积神经网络的定位信息和第二驾驶倾向进行车辆前向碰撞时间计算；
39.取两种计算得出的碰撞时间最小值作为碰撞时间。
40.通过采用上述技术方案，采取最小值最为碰撞时间，使主车尽可能的对前向碰撞预警做出正确的反应，避免由于碰撞时间判断不合理导致的安全问题。
41.本发明的上述发明目的是通过以下技术方案得以实现的：
42.一种基于卷积神经网络的前向碰撞预警优化系统，包括：
43.信息收发模块，发送主车的相关信息给其他车辆，并获取有效车辆的基本信息；
44.定位模块，搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息
45.处理模块，根据有效车辆的基本信息判断有效车辆的行车方向，判断前车是否满
足被超车条件，并在前车满足被超车条件时，筛选与主车行驶方向相反的有效车辆并获取筛选基本信息，根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆；
46.主车预警模块，当存在具有碰撞危险的有效车辆时，对主车进行预警。
47.可选的，所述定位模块包括：
48.图像采集单元，用于采集与主车行驶方向相反的有效车辆的图像；
49.图像处理单元，将采集后的图像数据输入posenet卷积神经网络进行计算；经过多次迭代和训练得到与主车行驶方向相反的有效车辆的运动特征；最终从采集后的图像数据中获取与主车行驶方向相反的有效车辆的定位信息。
50.可选的，所述处理模块包括第一处理单元和第二处理单元，
51.第一处理单元根据筛选基本信息判断车辆的第一驾驶倾向；
52.第二处理单元根据定位信息判断车辆的第二驾驶倾向；
53.处理模块根据第一驾驶倾向和第二驾驶倾向结合预估车辆的驾驶倾向；
54.处理模块根据车辆的驾驶倾向确定最具有碰撞危险的有效车辆。
55.本发明的上述发明目的是通过以下技术方案得以实现的：
56.一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的卷积神经网络的前向碰撞预警优化方法。
57.综上所述，本发明包括以下至少一种有益技术效果：
58.本发明采用车辆之间通信的方式获取其他车辆的信息，以此来判断车辆的行驶方向和超车条件，更加准确的了解其他车辆的当前动态；然后使用卷积神经网络进行其他车辆定位信息的获取，使对车辆的实时定位更加准确，方便进一步对车辆驾驶倾向的判断，提高了前向碰撞预警判断的准确性和精度。
附图说明
59.图1是本发明实施例的一种基于卷积神经网络的前向碰撞预警优化方法流程示意图。
60.图2是本发明实施例的一种基于卷积神经网络的前向碰撞预警优化系统结构框图。
具体实施方式
61.以下结合附图1-2对本发明作进一步详细说明。
62.参照图1，一种基于卷积神经网络的前向碰撞预警优化方法，包括以下步骤：
63.步骤s100，获取主车的相关信息，并发送给其他车辆；
64.基于v2x通信技术，在道路交通中，车辆与车辆之间通过该项技术进行数据交互，将自身的各项基本信息，如位置信息，经度纬度，速度信息，航向角信息等，车辆的状态信息发送给其他车辆，同时也将接收其他车辆的基本信息然后进行算法处理操作，判断出车辆在借道超车的的过程中，是否存在与对向车辆存在碰撞的危险。
65.步骤s200，筛选周围有效车辆并获取有效车辆的基本信息；
66.本实施例中，有效车辆指一定范围内在行驶的车辆，排除正在停车等情况下的车辆。
67.步骤s300，判断周围有效车辆的行车方向；其步骤包括：
68.判断周围有效车辆的航向角是否与主车相同；
69.判断两车的横向距离差是否在阈值范围内；
70.当周围有效车辆的航向角与主车相同且两车的横向距离差在阈值范围内时，有效车辆与主车视为在同一车道上。
71.根据自己的需求设置阈值范围，保障主车与有可能产生碰撞的车辆的横向距离差均在阈值范围内，这里的横向距离差指的是两车距离的相对宽度。
72.步骤s400，判断前车是否满足被超车条件；其步骤包括：
73.判断前车是否为直行状态；
74.判断车辆的左右转向灯是否为关闭的状态。
75.在日常行驶中已知，只有当前车保持直行时才能进行超车，通过此判断也可以避免当前车发生偏移而主车未察觉导致的安全隐患，主车可以及时避开风险。
76.步骤s500，在前车满足被超车条件时，筛选与主车行驶方向相反的有效车辆并获取筛选基本信息，搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息；
77.步骤s600，根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆，并对主车进行预警。
78.通过车辆间的通信进行信息的交互，使主车可以获得周围其他车辆的基本信息，然后根据车辆的基本信息车辆的判断其他车辆的行驶方向，在超车时，跟主车行驶方向相反的有效车辆作为可能发生碰撞的车辆进行判断，通过与主车逆向行驶的车辆的信息和卷积神经网络获得的车辆定位信息，可以判断车辆的驾驶倾向，然后判断出最具有碰撞危险的有效车辆，对主车进行预警提示，这种方法大大提高了对碰撞预警判断的准确度。
79.步骤s500中搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息的的步骤包括：
80.步骤s510，对与主车行驶方向相反的有效车辆进行图像采集；
81.步骤s520，将采集后的图像数据输入posenet卷积神经网络进行计算；
82.步骤s530，经过多次迭代和训练得到与主车行驶方向相反的有效车辆的运动特征；
83.步骤s540，最终从采集后的图像数据中获取与主车行驶方向相反的有效车辆的定位信息。
84.posenet是一种用于6自由度相机实时定位的卷积神经网络，通过系统训练的一个卷积神经网络，将输入为单个的rgb图像进行深度回归，得到的输出为相机的6自由度位姿矩阵。该算法可在室内和室外实时运行，每帧计算时间为5ms。对于大型室外场景，其精度约为2m和3
°
，室内精度约为0.5m和5
°
。同时，posenet采用两种技术来克服卷积神经网络训练时依赖于非常大的标记图像数据集所带来的昂贵成本的限制：其中一种技术是自动标记数据，其使用运动结构生成相机位姿的大型回归数据集。另一种技术是迁移学习：在巨大的图像识别数据集上训练位姿回归器，将其预先训练为分类器。与从头开始的训练相比，即使使用非常稀疏的训练集，这种方法也能在更短时间内收敛到更小的误差。
85.posenet的网络模型搭建：输出的6自由度位姿矩阵中的位置向量p，由3d相机坐标x给出，而方向则由四元数q表示，上述参数可表示为公式：p＝[x,q]。选择四元数作为方向
表示是因为任意的四维值很容易通过将它们标准化为单位长度来映射到标准的旋转。
[0086]
本实施例中，由于采用posenet，可以对其他车辆进行多角度的图像采集，然后从被采集的图像中分别截取待测区域的图像，对待测区域的图像分别进行处理后，进行多次迭代和训练，以保障可以得到车辆的运动特征，然后根据图像的数据得到车辆的定位信息。由于车辆一直在行驶，所以获取定位信息的过程是不间断的获取实时的定位信息，可以将获取的信息储存到车辆的处理模块中，方便根据posenet得到的结果进行碰撞预警的判断。
[0087]
步骤s600根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆的步骤包括：
[0088]
步骤s610，根据筛选基本信息判断车辆的第一驾驶倾向；
[0089]
首先根据车辆的行驶方向对车辆进行分类，然后根据车辆的航向角、速度等信息，结合主车与有效车辆之间的距离信息，预估车辆的第一驾驶倾向，在满足超车条件的情况下，这里的第一驾驶倾向主要需要注意逆向驾驶的车辆倾向。
[0090]
步骤s620，根据定位信息判断车辆的第二驾驶倾向；
[0091]
由于卷积神经网络获取车辆的实时位置信息，因此根据多个实时位置信息可以总结并预估车辆的第二驾驶倾向。这里的驾驶倾向主要根据位置变动的规律得到。
[0092]
步骤s630，根据第一驾驶倾向和第二驾驶倾向结合预估车辆的驾驶倾向；
[0093]
将两种驾驶倾向结合后，不同的实时位置有对应的航向角、速度和转向等信息，可以得到更加准确的驾驶倾向，更好的对前向碰撞预警进行预估判断。
[0094]
步骤s640，根据车辆的驾驶倾向确定最具有碰撞危险的有效车辆。
[0095]
确定最具有碰撞危险的有效车辆时，可以将驾驶倾向为最具有靠近主车倾向的车辆判断为最具有碰撞危险，也可以采用其他判断标准。
[0096]
当判断存在最具有碰撞危险的有效车辆后，对碰撞时间进行计算，其步骤包括：
[0097]
根据筛选基本信息和第一驾驶倾向的判断进行车辆前向碰撞时间计算；
[0098]
根据posenet卷积神经网络的定位信息和第二驾驶倾向进行车辆前向碰撞时间计算；
[0099]
取两种计算得出的碰撞时间最小值作为碰撞时间。
[0100]
上个步骤得到了第一驾驶倾向和第二驾驶倾向，因此这里分别对两种驾驶倾向进行碰撞时间的计算，虽然对于车辆总的驾驶倾向是第一驾驶倾向和第二驾驶倾向的叠加，但是在碰撞时间上是取最小值，目的是可以更好的向主车提出前向碰撞预警，如果采用平均值，有可能存在实际碰撞时间是最小值的情况，因此尽可能的为主车规避这种情况。
[0101]
参照图2，一种基于卷积神经网络的前向碰撞预警优化系统，包括：
[0102]
信息收发模块，发送主车的相关信息给其他车辆，并获取有效车辆的基本信息；
[0103]
定位模块，搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息
[0104]
处理模块，根据有效车辆的基本信息判断有效车辆的行车方向，判断前车是否满足被超车条件，并在前车满足被超车条件时，筛选与主车行驶方向相反的有效车辆并获取筛选基本信息，根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆；
[0105]
主车预警模块，当存在具有碰撞危险的有效车辆时，对主车进行预警。
[0106]
处理模块不仅对信息进行接收判断，还会对采集的信息进行存储，使进行前向碰撞预警，可以参考车辆连续的信息，做出更为准确的判断。
[0107]
所述定位模块包括：
[0108]
图像采集单元，用于采集与主车行驶方向相反的有效车辆的图像；在本实施例中可以设置为摄像头和传感器等信息采集部件。
[0109]
图像处理单元，将采集后的图像数据输入posenet卷积神经网络进行计算；经过多次迭代和训练得到与主车行驶方向相反的有效车辆的运动特征；最终从采集后的图像数据中获取与主车行驶方向相反的有效车辆的定位信息。设置在处理模块上，主要进行卷积神经网络搭建后的使用。
[0110]
所述处理模块包括第一处理单元和第二处理单元，
[0111]
第一处理单元根据筛选基本信息判断车辆的第一驾驶倾向；
[0112]
第二处理单元根据定位信息判断车辆的第二驾驶倾向；
[0113]
处理模块根据第一驾驶倾向和第二驾驶倾向结合预估车辆的驾驶倾向；
[0114]
处理模块根据车辆的驾驶倾向确定最具有碰撞危险的有效车辆。
[0115]
一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的卷积神经网络的前向碰撞预警优化方法。
[0116]
存在以下应用场景：
[0117]
设置有a、b、c、d四辆车，其中a为主车的前车，b和c为逆向行驶的车，d为正在停车的车，进行有效车辆筛选时，首先排除d，然后对a、b、c的行驶方向进行判断后，确定a符合超车条件，此时对b、c是否存在碰撞风险进行判断，通过第一驾驶倾向得到b的碰撞时间为2分钟，c的碰撞时间为2分30秒，通过第二驾驶倾向得到b的碰撞时间为1分30秒，c的碰撞时间为2分钟，此时可以判断b是最具有碰撞危险的有效车辆，且预计的碰撞时间为1分30秒，通过车辆内的扬声器或显示屏等设备，对驾驶员进行预警，使主车的驾驶员根据预警信息进行超车等操作，保障自身安全。
[0118]
本发明采用车辆之间通信的方式获取其他车辆的信息，以此来判断车辆的行驶方向和超车条件，更加准确的了解其他车辆的当前动态；然后使用卷积神经网络进行其他车辆定位信息的获取，使对车辆的实时定位更加准确，方便进一步对车辆驾驶倾向的判断，提高了前向碰撞预警判断的准确性和精度。
[0119]
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
[0120]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0121]
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。

技术特征：
1.一种基于卷积神经网络的前向碰撞预警优化方法，其特征在于，包括以下步骤：获取主车的相关信息，并发送给其他车辆；筛选周围有效车辆并获取有效车辆的基本信息；判断周围有效车辆的行车方向；判断前车是否满足被超车条件；在前车满足被超车条件时，筛选与主车行驶方向相反的有效车辆并获取筛选基本信息，搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息；根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆，并对主车进行预警。2.根据权利要求1所述的方法，其特征在于，所述判断周围有效车辆的行车方向的步骤包括：判断周围有效车辆的航向角是否与主车相同；判断两车的横向距离差是否在阈值范围内；当周围有效车辆的航向角与主车相同且两车的横向距离差在阈值范围内时，有效车辆与主车视为在同一车道上。3.根据权利要求1所述的方法，其特征在于，所述判断前车是否满足被超车条件的步骤包括：判断前车是否为直行状态；判断车辆的左右转向灯是否为关闭的状态。4.根据权利要求1所述的方法，其特征在于，所述搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息的步骤包括：对与主车行驶方向相反的有效车辆进行图像采集；将采集后的图像数据输入posenet卷积神经网络进行计算；经过多次迭代和训练得到与主车行驶方向相反的有效车辆的运动特征；最终从采集后的图像数据中获取与主车行驶方向相反的有效车辆的定位信息。5.根据权利要求1所述的方法，其特征在于，所述根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆的步骤包括：根据筛选基本信息判断车辆的第一驾驶倾向；根据定位信息判断车辆的第二驾驶倾向；根据第一驾驶倾向和第二驾驶倾向结合预估车辆的驾驶倾向；根据车辆的驾驶倾向确定最具有碰撞危险的有效车辆。6.根据权利要求5所述的方法，其特征在于，当判断存在最具有碰撞危险的有效车辆后，对碰撞时间进行计算，其步骤包括：根据筛选基本信息和第一驾驶倾向的判断进行车辆前向碰撞时间计算；根据posenet卷积神经网络的定位信息和第二驾驶倾向进行车辆前向碰撞时间计算；取两种计算得出的碰撞时间最小值作为碰撞时间。7.一种基于卷积神经网络的前向碰撞预警优化系统，其特征在于，包括：信息收发模块，发送主车的相关信息给其他车辆，并获取有效车辆的基本信息；定位模块，搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息
处理模块，根据有效车辆的基本信息判断有效车辆的行车方向，判断前车是否满足被超车条件，并在前车满足被超车条件时，筛选与主车行驶方向相反的有效车辆并获取筛选基本信息，根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆；主车预警模块，当存在具有碰撞危险的有效车辆时，对主车进行预警。8.根据权利要求7所述的系统，其特征在于，所述定位模块包括：图像采集单元，用于采集与主车行驶方向相反的有效车辆的图像；图像处理单元，将采集后的图像数据输入posenet卷积神经网络进行计算；经过多次迭代和训练得到与主车行驶方向相反的有效车辆的运动特征；最终从采集后的图像数据中获取与主车行驶方向相反的有效车辆的定位信息。9.根据权利要求7所述的系统，其特征在于，所述处理模块包括第一处理单元和第二处理单元，第一处理单元根据筛选基本信息判断车辆的第一驾驶倾向；第二处理单元根据定位信息判断车辆的第二驾驶倾向；处理模块根据第一驾驶倾向和第二驾驶倾向结合预估车辆的驾驶倾向；处理模块根据车辆的驾驶倾向确定最具有碰撞危险的有效车辆。10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6任意一项所述的卷积神经网络的前向碰撞预警优化方法。

技术总结
本发明涉及车辆辅助驾驶技术领域，公开了一种基于卷积神经网络的前向碰撞预警优化方法及系统，方法包括获取主车的相关信息，并发送给其他车辆；筛选周围有效车辆并获取有效车辆的基本信息；判断周围有效车辆的行车方向；判断前车是否满足被超车条件；在前车满足被超车条件时，筛选与主车行驶方向相反的有效车辆并获取筛选基本信息，搭建卷积神经网络获取与主车行驶方向相反的有效车辆的定位信息；根据筛选基本信息和定位信息判断出最具有碰撞危险的有效车辆，并对主车进行预警。采用车辆间通信以及卷积神经网络两种方式对车辆进行前向碰撞预警，提高了前向碰撞预警的准确度。提高了前向碰撞预警的准确度。提高了前向碰撞预警的准确度。


技术研发人员：李采薇 吕颖
受保护的技术使用者：一汽（南京）科技开发有限公司
技术研发日：2023.03.31
技术公布日：2023/7/4