胡彬
(南通大學 計算機科學與技術學院,,江蘇 南通 226019)
摘要:防碰撞預警是主動安全中的一項重要技術,。提出了一種基于毫米波雷達的防碰撞預警技術。首先在MHT模型下使用毫米波雷達檢測出前方車輛,,然后利用毫米波雷達獲取的目標的速度和距離提出了以碰撞時間(Time to Collision, TTC)作為參數(shù)的防碰撞預警機制,。通過實驗分析,所提出的方法能夠有效地將本車與前車保持在安全不碰撞的狀態(tài),,可以應用到現(xiàn)有的主動安全系統(tǒng)中,。
關鍵詞:主動安全;毫米波雷達,;車輛檢測,;防碰撞預警
0引言
全球每年因交通事故造成的傷亡和經濟損失逐年上升,道路交通事故已經成為中國“傷害死亡”的最主要原因,。因此各個國家和汽車廠商都在積極地研發(fā)汽車主動安全技術,,在交通沖突發(fā)生前對駕駛員進行提示或者介入操控,從而避免交通沖突的發(fā)生[12],。根據(jù)美國汽車工程師協(xié)會統(tǒng)計,,85%的交通事故都是由于追尾和爆胎引起的,因此與前車的防碰撞預警是主動安全系統(tǒng)中重要的一項技術,,其關鍵技術在于精確地計算出前方車輛的距離和速度,,前方車輛的檢測和感知是主動安全中的一項重點和難點,。因視覺圖像包含信息豐富的特點,國內外采用視覺進行車輛檢測的研究較多,,一般將車輛檢測分為假設和驗證假設兩個步驟[3],,在假設階段主要利用車輛的線性幾何特征信息、車輛邊緣對稱性[4]來對車輛進行粗定位,,在驗證階段可以利用模板匹配的方法[5]和機器學習的方法[6]來確定車輛位置,。目標的距離則可以通過雙目視覺得到的深度信息來計算[7],由于立體匹配的問題,,其計算比較耗時。因此基于視覺的方法雖然可以有效地檢測出目標車輛,,但較難獲得目標車輛的距離和速度,,尤其是速度的獲取鮮有相關文獻。
本文針對基于視覺圖像的車輛檢測存在的這兩個問題,,提出了基于毫米波雷達的車輛檢測方法,,并在此基礎上實現(xiàn)了以碰撞時間(Time to Collision, TTC)作為參數(shù)的防碰撞預警機制。
1基于毫米波雷達的車輛檢測
基于毫米波雷達的車輛檢測可分為三個步驟:數(shù)據(jù)獲取,、數(shù)據(jù)處理和目標維護,。其中數(shù)據(jù)獲取部分為前期基礎工作,旨在取得毫米波雷達采集到的原始數(shù)據(jù)并整理成供后期處理使用的數(shù)據(jù)結構,。數(shù)據(jù)處理部分的目的在于從每幀雷達采集到的目標中提取出目標描述序列,,把同一個目標關聯(lián)起來。目標維護部分則是維護一個檢測到的穩(wěn)定存在的目標序列,,該目標序列就是最終的檢測結果[89],。
1.1目標獲取
將雷達捕獲的一個目標的數(shù)據(jù)描述為如下向量:
z=(a,r,s)
其中a為目標與雷達的角度,r為目標與雷達的距離,,s為目標與雷達的相對速度,,雷達每掃描一次,其獲取的目標集合就可表示為:
Z=(z1,z2,...,zn)T
直接獲取的雷達目標存在目標分裂的情況,,即同一個目標返回多個觀測值,,因此需要將原始數(shù)據(jù)首先進行聚類處理,針對毫米波雷達數(shù)據(jù)提出了一種基于最近鄰距離的聚類方法,,定義數(shù)據(jù)zi與數(shù)據(jù)zj的距離為:
設定一個閾值,,根據(jù)Δ的大小決定是否為同一個目標[8]。
1.2基于MHT的雷達數(shù)據(jù)處理
本研究在MHT多假設跟蹤模型下,,采用廣義概率數(shù)據(jù)關聯(lián)算法進行數(shù)據(jù)關聯(lián)[8],,最終可以穩(wěn)定地得到目標。
1.3目標維護
通過多幀的跟蹤機制來維護檢測到的目標,,以保證檢測系統(tǒng)的穩(wěn)定,。本文提出了一種基于概率模型的目標維護方法,,為目標集合T(k)中的每個元素設置一個概率,通過檢驗該概率來達到維護的目的,。
對于一個新目標,,定義其概率初值為:
P(0)=p0
假設t-1時刻其概率值為:
P(t-1)=p
則t時刻其概率值為:
即當t時刻檢測到該目標,則令其概率為p0,,否則為α×p,,設定閾值K,當t時刻目標概率小于K時,,可以認為該目標已不存在[8],。
2碰撞預警分析
在檢測到前方車輛后,可以使用毫米波雷達獲取的速度和距離信息實現(xiàn)前方車輛防碰撞預警,,使用TTC作為指標參數(shù):
圖1TTC計算實景其中,,D表示目標與本車的距離,ΔV表示目標與本車的速度差,。本文進行了一組實驗來測試TTC值,,統(tǒng)計了120幀左右的數(shù)據(jù),圖1為該應用的圖像實景,,在本場景中,,在本車前方有一輛車輛,本車距離與其越來越近,,模擬了一次將要碰撞的場景,。從圖1中可以看出,兩車距離越來越接近,。圖2表示本車與前方車輛的距離變化圖,,兩車距離是越來越小的,與圖1相吻合,。圖3為本車速度變化圖,,可以發(fā)現(xiàn)本車處于減速過程中,圖4為計算出來的TTC變化趨勢圖,。從3幅圖比較中可以發(fā)現(xiàn),,距離或者速度都不適合用來衡量與前車的安全“距離”,觀察TTC圖,,100幀之后TTC處于增大的趨勢,,雖然此時距離仍然在減小,但是TTC在不斷增大,,說明本車已經采取制動,,車輛與目標正在向“安全”的趨勢發(fā)展,當TTC增大到一定閾值時,,便可以認為本車不會與前方車輛發(fā)生碰撞,。當采用視覺的方法難以計算出準確的D和ΔV時,,對于TTC的估算也就難以精確,這也是雷達相較于攝像頭的一大優(yōu)勢,。
3結論
本文通過毫米波雷達檢測到前方目標車輛,,并根據(jù)雷達獲取的距離和速度信息分析了TTC的變化,提出了以TTC作為參數(shù)的防碰撞預警機制,。實驗表明本文的方法能夠有效地將本車與前車保持在安全不碰撞的狀態(tài),,可以應用到現(xiàn)有的主動安全系統(tǒng)中。
參考文獻
?。?] 詹盛. 車輛主動安全系統(tǒng)關鍵預測算法研究[D]. 西安:長安大學, 2014.
?。?] 朱向慶, 陳俊洪, 張偉亮,等. 無線智能交通監(jiān)控系統(tǒng)設計[J]. 電子技術應用, 2015, 41(3):6871.
[3] Sun Zehang, BEBIS G, MILLER R. Onroad vehicle detection using optical sensors: A review [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(5):694711.
?。?] BENSRHAIR A, BERTOZZI M, BROGGI A, et al. A cooperative approach to visionbased vehicle detection [A].Proceedings of Intelligent Transportation Systems[C]. Oakland: IEEE, 2001:207212.
?。?] 胡銦,楊靜宇.基于模型的車輛檢測與跟蹤[J].中國圖象圖形學報,,2008,13(3):450455.
[6] ANIRUDDHA K, DAVID H, LARRY S. Vehicle detection using partial least squares[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33 (6):12501265.
?。?] BERTOZZI M, BROGGI A, FASCIOLI A, et al. Stereo visionbased vehicle detection [A]. Proceedings of Intelligent Vehicles Symposium [C]. Dearborn: IEEE, 2000:3944.
?。?] 胡彬, 趙春霞. 基于MHT模型的毫米波雷達車輛檢測方法[J]. 南京理工大學學報, 2012, 36(4):557560.
[9] 胡彬, 趙春霞, 郭劍輝,等. 基于主被動傳感器融合的車輛檢測[J]. 華中科技大學學報(自然科學版), 2014(12): 128132.