[发明专利]一种基于深度学习的车辆防碰撞预警方法及系统

说明书

本发明提供了一种基于深度学习的车辆防碰撞预警方法及系统，本方法通过使用改进后的YOLOv3算法对视频中的车辆进行识别检测，得到车辆在图像中的位置信息；车道线检测技术对视频图像中的车道线进行检测和追踪，得到稳定、准确的车道线；车速检测技术利用图像处理技术计算出当前车辆的行驶速度；根据车速、车道线检测结果和驾驶员的行为特性以及知觉反应特性，在本车前方绘制一块随车速实时变化的安全制动预警区域；碰撞事故预警技术根据车辆在图像中的位置信息，结合实时安全预警区域的计算结果，对公路上可能发生的碰撞事故进行预测。采用本发明可对驾驶员的行车决策提供帮助，保证驾驶员的行车安全并最大限度的降低碰撞的概率。

技术领域

本发明属于计算机视觉、智能驾驶领域，具体涉及一种基于深度学习的车辆防碰撞预警方法及系统。

背景技术

随着我国高速公路里程和汽车保有量的不断增加，汽车不仅提高了人们的现代化生活水平，而且在一定程度上推动了国民经济健康稳定的发展。但这也使得高速公路的事故发生率越来越高，一方面造成了国民经济损失，另一方面严重威胁人民生命财产安全，因此对高速公路发生的交通事故进行针对性的分析和有效的预防变的尤为重要。

基于深度学习的高速公路车辆防碰撞预警系统，运用计算机视觉技术，对行车记录仪所提供的以司机第一视角拍摄的视频进行分析处理。该系统包括车辆识别检测技术，车道线检测跟踪技术，当前车辆前方安全区实时计算技术三大核心技术。三大核心技术的国内外研究现状综述如下：

(1)基于YOLOv3的车辆识别检测技术

为了对图像中的车辆进行识别和检测，各国学者提出了不同的算法，这些算法可以归结为两类，第一类是传统的车辆识别算法，它将车辆识别过程分为特征提取和目标分类两个阶段，特征提取需要人工构建，且构建效率低下，特别在复杂的交通环境中，识别结果易受到光照、天气、环境等因素的影响，识别结果不理想；第二类是基于深度神经网络的目标识别检测算法，其主要优势在于它将特征提取、分类、边框定位统一到一个深度网络框架内，大大提高了目标检测的效率和准确度，同时对于目标旋转、位移具有不变性，对复杂的目标检测场景有较强的适应能力。目前，基于深度神经网络的目标识别检测算法是最为准确的方法，它超越了传统目标检测算法的性能，其中具有代表性的深度神经网络有R-CNN、Fast R-CNN、Mask R-CNN、GoogleNet、SSD等，但这些方法仍然存在计算速度慢，无法达到实时性的要求。

(2)车道线检测技术

当前针对车道线识别的方法很多，其中采用直线模型结合霍夫变换(HoughTransform)方法以及应用其改进方法，如改进的概率霍夫变换PPHT(ProgressiveProbabilistic Hough Transform)较为常见，此外还有Menthon提出的利用道路两边相反方向的边缘点来重建3D模型，Kluge首先对边缘图像进行二值化，然后利用最小均方误差来估计车道的样条曲线模型，Broggi利用在逆透视变换与霍夫变换来检测车道线。这些方法在智能车领域都取得了不错的效果，但是这些基于边缘检测的方法难以应对复杂的城市道路，易受到其他边缘噪声的影响。

(3)当前车辆前方安全区实时计算技术

安全距离模型具有代表性的有MAZDA模型、HONDA模型、伯克利模型、Jaguar模型和NHSTA模型相继被提出。密歇根大学基于ICC FOT(Inter Company Case Fill on Time)数据库对上述5种模型的漏报率和误报率进行了评价，其中美国高速公路交通安全署的NHSTA模型表现的性能最好，但报警精确性仅有23％，因此现有模型算法仍有很大的改进空间。

发明内容

发明目的：本发明提供一种基于深度学习的车辆防碰撞预警方法及系统，对驾驶员的行车决策提供帮助，保证驾驶员的行车安全并最大限度的降低碰撞的概率。

技术方案：本发明所述一种基于深度学习的车辆防碰撞预警方法包括以下步骤：