图像处理实时预警系统及方法与流程

本发明涉及一种交通安全预警系统，具体涉及一种图像处理实时预警系统及方法。

背景技术：

随着车辆数量的不断增加，交通安全在日常生活中变得越来越重要，因此汽车危险预警系统变得非常重要，现有技术中，一般采用激光测距仪进行距离感应和预警，但专业级高精度三维激光测距仪价格昂贵，并且不适用于普通车辆识别车型、测距、预警；而普通大众适用的激光测距仪精度不高，干扰因素很多，数据不可靠。

技术实现要素：

为了解决上述问题，提供一种结构简单、使用方便、价格低廉、精确度较高的预警系统，本发明设计了一种图像处理实时预警系统及方法。

本发明所采取的具体技术方案为：一种图像处理实时预警系统，包括以下模块，用于监测周围车辆运行状态及形状的感测模块；用于根据感测模块监测信息进行计算的处理模块；用于根据处理模块所得出结果进行警示的报警模块；用于对感测模块、处理模块和报警模块提供电力供应的电源模块；

感测模块包括摄像头和激光测距仪，感测模块内设有定时发送单元；

处理模块包括，用于对周围车辆图像进行边缘化处理的图像边缘化处理单元；用于计算出单位时间内边缘化图像面积占比变化趋势的面积计算单元；用于与速率计算单元同步得出本体车辆与周围车辆相对距离变化趋势的间距计算单元；用于将面积计算单元与间距计算单元得出数据进行计算得出周围车辆单位时间内运动速率的速率计算单元；用于与本体车辆速度进行对比得出相对运动状态的速率对比单元；用于根据速率计算单元与速率对比单元得出结果对危险系数进行预算的危险预算单元；用于存储车型及各类车型信息的存储单元；用于对边缘化处理后的图片与存储单元内存储信息的进行匹配的模型匹配单元。

优选地，报警模块为扬声器，处理模块内设有将危险预算单元结果发送至报警模块的语音驱动单元。

优选地，本装置设置在汽车上，若干感测模块对应设置在汽车周围。激光测距仪包括激光发射端、激光接收端。

优选地，存储单元内设有针对感测模块的监测图像的图像存储分区；处理模块中设有针对图像存储分区的定时清理单元。

一种图像处理实时预警方法，包括以下步骤，

a.通过感测模块对周围车辆进行监测，并将感测模块所监测到的图像及距离信息定时传输至处理模块；

b.图像边缘化处理单元对接收到的图像信息进行边缘化处理，计算单位时间内边缘化图像相对图像总面积占比大小的变化趋势，并根据感测模块监测数据同步得出本体车辆与周围车辆的相对间距变化趋势；

c.设置存储车型及各类车型信息的数据库，将边缘化图像得出的图形与数据库内数据进行对比得出周围车辆所属类型；

d.根据面积占变化趋势与间距变化趋势通过运算得出周围车辆单位时间内的运动速率；

e.导入本体车辆运动状态信息，结合步骤d所得出的本体与周围车辆单位时间内的相对运动信息，根据相对运动关系进行危险系数及按照当前状态运动可能发生的结果进行预算；

f.将危险系数及可能发生的结果发送至报警模块。

优选地，数据库内设有针对感测模块的监测图像的图像存储分区；对图像存储分区内存储的图片进行定时清理。

优选地，将本方法用于车辆预警，报警模块为扬声器。

进一步地，定时发送单元定时将监测到的距离信息与图像信息进行传输，当发现周围车辆与本体车辆距离小到一个固定值时，实时监测并传输。

进一步地，存储单元中存储有基本车型的各个角度的模型，包括二轮、三轮、四轮的车头、车尾、斜视模型等；除此之外，包含有对应各车辆类型性能参数，比如动力性能参数(最高车速、制动时间等)、结构参数(车宽、车长等)。

进一步地，感测模块设置在车辆室内能看清周围的地方，或者感测模块设在车辆的外侧四周，一般为避雨的车沿下，安装区域为人眼的盲点，比如车后、车左右两侧等。

有益技术效果：结构简单，通过对周围车辆的图像变化趋势及相对距离变化得出该车的速度，导入本体车辆的运动状态，通过计算得出周围车辆的相对运动状态；将监测到的周围车辆与存储单元中所存储的各种车辆信息进行比对确定该周围车辆的性能，通过运算得出该车是否对本体车辆有危险，通过警示模块将警示信息进行播放，有效提醒驾驶员注意驾驶盲区车辆，避免发生意外交通事故。

附图说明

图1为本系统结构简图；

图2为本系统模块简图；

图3为本发明操作流程简图。

图例说明：

设置本系统的本体车辆1

周围车辆2

感测模块3

具体实施方式

实施例一一种图像处理实时预警系统，参见图1-3：包括以下模块，用于监测周围车辆运行状态及形状的感测模块；用于根据感测模块监测信息进行计算的处理模块；用于根据处理模块所得出结果进行警示的报警模块；用于对感测模块、处理模块和报警模块提供电力供应的电源模块；

所述感测模块包括摄像头和激光测距仪，感测模块内设有定时发送单元；

所述处理模块包括，用于对周围车辆图像进行边缘化处理的图像边缘化处理单元；用于计算出单位时间内边缘化图像面积占比变化趋势的面积计算单元；

用于与速率计算单元同步得出本体车辆与周围车辆相对距离变化趋势的间距计算单元；用于将面积计算单元与间距计算单元得出数据进行计算得出周围车辆单位时间内运动速率的速率计算单元；用于与本体车辆速度进行对比得出相对运动状态的速率对比单元；用于根据速率计算单元与速率对比单元得出结果对危险系数进行预算的危险预算单元；用于存储车型及各类车型信息的存储单元；

用于对边缘化处理后的图片与存储单元内存储信息的进行匹配的模型匹配单元。

进一步地，定时发送单元定时将监测到的距离信息与图像信息进行传输，当发现周围车辆与本体车辆距离小到一个固定值时，实时监测并传输。

进一步地，存储单元中存储有基本车型的各个角度的模型，包括二轮、三轮、四轮的车头、车尾、斜视模型等；除此之外，包含有对应各车辆类型性能参数，比如动力性能参数(最高车速、制动时间等)、结构参数(车宽、车长等)。

进一步地，感测模块设置在室内能看清周围的地方，或者感测模块设在车的外侧四周，一般为避雨的车沿下，安装区域为人眼的盲点，比如车后、车左右两侧等。

图像边缘处理单元对图像进行边缘检测及提取，包括以下步骤：首先采用高斯函数对图像进行滤波得到一个已平滑数据阵列，进行梯度计算，当知道了梯度的方向后，可以将边缘方向以45°划分八个方向，通过梯度方向，可以找到这个像素梯度方向的邻接像素。为了确保边缘定位准确，并且保持单一相应，对梯度幅值图像中的屋脊带进行细化，保留幅值局部变化最大的点，在非极大抑制过程中，对于图像的每一个点以及上一步中得到的梯度方向，将其与梯度方向上的值进行比较，如果小于，说明该点不是局部最大值，则将对应的边缘表示为0，即该点不是边缘点。设定双阈值方法检测和连接边缘需要的低阈值和高阈值，对梯度图像进行双阈值化处理，梯度幅值大于高阈值的是边缘，梯度幅值小于低阈值的不是边缘，梯度幅值介于两者之间的，判断该像素的八领域像素中是否存在大于高阈值的边缘像素，若存在则它是边缘像素，否则不是，确定一边缘点后，不断搜索跟踪边缘，边缘点连接起来后；将整个图像的边缘提取，通过提取的边缘化对图像信息中的图像进行划分，实现目标物与背景的分割。

模型匹配单元将已边缘化处理的图像进行车辆类型的识别，具体步骤包括：对车辆图像经过处理后能得到车辆对外边界，显示了车辆的形状，呈一条封闭曲线。对一条封闭曲线按相等间隔取n个采样点，得到坐标序列，该坐标序列是周期函数，以曲线的周长为周期。在一个周期内对坐标序列进行快速离散傅里叶变换，车辆的运动和摄像头的视场会造成上述曲线的平移、放大和fft起始点的变化，因此需要提取曲线不随上述因素变化的参数。结合存储单元的数据，当离散度趋近于0时，表示两辆车形状基本一致；离散度越大，说明车辆形状的差异越大。

面积计算单元计算单位时间内每帧图像已边缘化处理的周围车辆图像的面积x在整张图像面积y中所占的面积比，进而统计该单位时间内该面积比f(x,y)，分析该面积比f(x,y)的大小变化趋势f’(x,y)。

间距计算单元统计单位时间内的车距数据g(z)，分析该车距数据的大小变化趋势g’(z)。

速率计算单元用于得到周围车辆与本体车辆的相对速率，比较该面积比的大小变化趋势f’(x,y)和该车距数据的大小变化趋g’(z)，若两者在单位时间内相差在0～10％以内，则任取一值，求得在单位时间内的速率值v。若两者在单位时间内相差超过10％以内，取两者的平均值v＝[f’(x,y)+g’(z)]/2，求得在单位时间内的速率值v；

速率对比单元用于得到周围车辆的速度，导入本车在该单位时间内的速度值f(v)，若v值大于1，则表示对方为靠近,且速率为v1＝f(v)+v值，方向按具体感测模块布置的位置而定。若v值小于1，则表示对方为远离,且速率为v2＝f(v)-v值，方向按具体感测模块布置的位置而定。若v值等于1，则表示b车与a车速度相同。

危险预算单元结合模型匹配单元对比成功的车型的性能参数与监测到的该车的速率、该车的行驶方向，计算得到刹车距离，将该刹车距离与该速度对应的正常车距进行对比，以及计算按照此速度行驶未来多长时间内可能发生事故等数据结果。将有可能发生事故的计算结果、与本车的运动状态结合进行语音播报预警。计算结果包括：车辆类型、与本车行驶方向、车速、预计按该车运动状态可能发生的事故。

本发明结构简单，通过对周围车辆的图像变化趋势及相对距离变化得出该车的速率值，引入本体车辆的速率，通过计算得出周围车辆的相对运动方向；将监测到的周围车辆与存储单元中所存储的各种车辆信息进行比对确定该周围车辆的性能，通过运算得出该车是否对本体车辆有危险，通过警示模块将警示信息进行播放，有效提醒驾驶员注意驾驶盲区车辆，避免发生意外交通事故。

实施例二一种图像处理实时预警系统，参见图1-3：包括以下模块，用于监测周围车辆运行状态及形状的感测模块；用于根据感测模块监测信息进行计算的处理模块；用于根据处理模块所得出结果进行警示的报警模块；用于对感测模块、处理模块和报警模块提供电力供应的电源模块；

所述感测模块包括摄像头和激光测距仪，感测模块内设有定时发送单元；

所述处理模块包括，用于对周围车辆图像进行边缘化处理的图像边缘化处理单元；用于计算出单位时间内边缘化图像面积占比变化趋势的面积计算单元；

用于与速率计算单元同步得出本体车辆与周围车辆相对距离变化趋势的间距计算单元；用于将面积计算单元与间距计算单元得出数据进行计算得出周围车辆单位时间内运动速率的速率计算单元；用于与本体车辆速度进行对比得出相对运动状态的速率对比单元；用于根据速率计算单元与速率对比单元得出结果对危险系数进行预算的危险预算单元；用于存储车型及各类车型信息的存储单元；用于对边缘化处理后的图片与存储单元内存储信息的进行匹配的模型匹配单元。

报警模块为扬声器，处理模块内设有将危险预算单元结果发送至报警模块的语音驱动单元。

本装置设置在汽车上，若干感测模块对应设置在汽车周围。激光测距仪包括激光发射端、激光接收端。

存储单元内设有针对感测模块的监测图像的图像存储分区；处理模块中设有针对图像存储分区的定时清理单元。

定时发送单元定时将监测到的距离信息与图像信息进行传输，当发现周围车辆与本体车辆距离小到一个固定值时，实时监测并传输。

存储单元中存储有基本车型的各个角度的模型，包括二轮、三轮、四轮的车头、车尾、斜视模型等；除此之外，包含有对应各车辆类型性能参数，比如动力性能参数(最高车速、制动时间等)、结构参数(车宽、车长等)。

感测模块设置在室内能看清周围的地方，或者感测模块设在车的外侧四周，一般为避雨的车沿下，安装区域为人眼的盲点，比如车后、车左右两侧等。

结构简单，通过对周围车辆的图像变化趋势及相对距离变化得出该车的速率值，引入本体车辆的速率，通过计算得出周围车辆的相对运动方向；将监测到的周围车辆与存储单元中所存储的各种车辆信息进行比对确定该周围车辆的性能，通过运算得出该车是否对本体车辆有危险，通过警示模块将警示信息进行播放，有效提醒驾驶员注意驾驶盲区车辆，避免发生意外交通事故。

设置图像存储分区，能够对图像或录像进行保存，使本装置具有行车距离仪的作用；设置定时清理单元，定时清理无用视频或图像，减少内存占用率。

实施例三一种图像处理实时预警系统，参见图1-3：包括以下模块，用于监测周围车辆运行状态及形状的感测模块；

用于根据感测模块监测信息进行计算的处理模块；

用于根据处理模块所得出结果进行警示的报警模块；

用于对感测模块、处理模块和报警模块提供电力供应的电源模块；

感测模块包括摄像头和激光测距仪，感测模块内设有定时发送单元；

处理模块包括，

用于对周围车辆图像进行边缘化处理的图像边缘化处理单元；

用于计算出单位时间内边缘化图像面积占比变化趋势的面积计算单元；

用于与速率计算单元同步得出本体车辆与周围车辆相对距离变化趋势的间距计算单元；

用于将面积计算单元与间距计算单元得出数据进行计算得出周围车辆单位时间内运动速率的速率计算单元；

用于与本体车辆速度进行对比得出相对运动状态的速率对比单元；

用于根据速率计算单元与速率对比单元得出结果对危险系数进行预算的危险预算单元；

用于存储车型及各类车型信息的存储单元；

用于对边缘化处理后的图片与存储单元内存储信息的进行匹配的模型匹配单元。

报警模块为扬声器，所述处理模块内设有将危险预算单元结果发送至报警模块的语音驱动单元。

本装置设置在汽车上，所述若干感测模块对应设置在汽车周围。所述激光测距仪包括激光发射端、激光接收端。

存储单元内设有针对感测模块的监测图像的图像存储分区；所述处理模块中设有针对图像存储分区的定时清理单元。

一种图像处理实时预警方法，包括一下步骤，

a.通过感测模块对周围车辆进行监测，并将感测模块所监测到的图像及距离信息定时传输至处理模块；

b.图像边缘化处理单元对接收到的图像信息进行边缘化处理，计算单位时间内边缘化图像相对总面积占比大小的变化趋势，并根据感测模块监测数据同步得出本体车辆与周围车辆的相对间距变化趋势；

c.设置存储车型及各类车型速度的数据库，将边缘化图像得出的图形与数据库内数据进行对比得出周围车辆所属类型；

d.根据面积占变化趋势与间距变化趋势通过运算得出周围车辆单位时间内的运动速率；

e.导入本体车辆运动，结合步骤d所得出的本体与周围车辆单位时间内的相对运动信息，根据相对运动关系进行危险系数及按照当前状态运动可能发生的结果进行预算；

f.将危险系数及可能发生的结果发送至报警模块。

数据库内设有针对感测模块的监测图像的图像存储分区；对图像存储分区内存储的图片进行定时清理。

将本方法用于车辆预警，所述报警模块为扬声器。

定时发送单元定时将监测到的距离信息与图像信息进行传输，当发现周围车辆与本体车辆距离小到一个固定值时，不间断监测并传输。

存储单元中存储有基本车型的各个角度的模型，包括二轮、三轮、四轮的车头、车尾、斜视模型等；除此之外，包含有对应各车辆类型性能参数，比如动力性能参数(最高车速、制动时间等)、结构参数(车宽、车长等)。

感测模块设置在室内能看清周围的地方，或者感测模块设在车的外侧四周，一般为避雨的车沿下，安装区域为人眼的盲点，比如车后、车左右两侧等。

图像边缘化处理算法如下：其中所述图像边缘化处理单元对图像信息的图像进行边缘检测及提取；

边缘检测及提取包括以下步骤：首先采用高斯函数作对图像f(x，y)进行滤波得到一个已平滑数据阵列：

s(x，y)＝f(x，y)*g(x，y，σ)

其中σ是高斯函数的散步参数，它反映平滑程度。

其次，进行梯度计算，已平滑数据阵列s(x，y)的梯度可用2×2一阶有限差分近似式来计算x与y偏导数的两个阵列p(x，y)与q(x，y)。

在2×2正方形内求有限差分的均值，计算在图像中的同一点x和y的偏导数梯度，幅值和方位角分别如下式所示。

θ(x，y)＝arctan(q(x，y)/p(x，y))

式中，反正切函数含有两个参量，计算结果是一个角度，取值方式为圆周范围。

当知道了梯度的方向θ(x，y)后，可以将边缘方向以45°划分八个方向，通过梯度方向，可以找到这个像素梯度方向的邻接像素。

为了确保边缘定位准确，并且保持单一相应，对梯度幅值图像m(x，y)中的屋脊带进行细化，保留幅值局部变化最大的点，在非极大抑制过程中，对于图像的每一个点m(x，y)以及上一步中得到的梯度方向，将其与梯度方向上的2个值进行比较，如果m(x，y)小于梯度方向上的2个梯度幅值，说明该点不是局部最大值，则将m(x，y)对应的边缘表示为0，即该点不是边缘点。

设定双阈值方法检测和连接边缘需要的低阈值lth和高阈值hth，对梯度图像进行双阈值化处理，梯度幅值大于高阈值hth的是边缘，梯度幅值小于低阈值lth的不是边缘，梯度幅值介于两者之间的，判断该像素的八领域像素中是否存在大于高阈值hth的边缘像素，若存在则它是边缘像素，否则不是，确定一边缘点后，不断搜索跟踪边缘，边缘点连接起来后；将整个图像的边缘提取，通过提取的边缘化对图像信息中的图像进行划分，实现目标物与背景的分割。

模型匹配单元的具体算法为：对车辆图像经过处理后能得到车辆对外边界，显示了车辆的形状，呈一条封闭曲线。对一条封闭曲线按相等间隔取n个采样点，在xy平面上从任意点(x0,y0)开始，沿逆时针方向得到n个边界点(x0,y0),(x1,y1),(x2,y2),…,(xk,yk)，k＝0,1,2,…,n-1，用复变量表示为s(k)＝xk+jyk，该坐标序列是周期函数，以曲线的周长为周期。在一个周期内对坐标序列进行快速离散傅里叶变换fft:

复系数f(u)即边界的傅里叶描述子，该数组描述了边界的变化。当该曲线旋转θ角、平移(δx,δy)和放大r倍，fft变换边界起始点沿着封闭曲线移动了a个采样点后，复系数为：

f′(u)＝fft[(x′+y′)r·e^jθ+(δx+iδy)]

＝r·e^jθfft(x′+y′)+fft(δx+iδy)

＝r·e^iθ·e^-j2πk/ns(k)+fft(δx+iδy)

式中，xk′+iyk′＝xk+a+iyk+a，车辆的运动和摄像头的视场会造成上述曲线的平移、放大和fft起始点的变化，因此需要提取曲线不随上述因素的参数。观察发现，当曲线平移时，只有k＝0分量的fft(δx+iδy)值发生改变。k＝0为低频系数，对应于u＝n/2。因此把每一个复系数(u＝n/2除外)的幅值除以f(n/2)，得到归一化傅里叶描述子d(u)：

d(u)＝||f(u)||/||f(n/2)||，u＝0，1，2，…，n-1

归一化后的傅里叶描述子d(u)可以计算任意2个车辆i和j间的相似程度，定义为离散度：

当de趋近于0时，表示两辆车形状基本一致；de越大，说明车辆形状的差异越大。

计算单位时间内每帧图像的该模型的面积x在整张图像面积y中所占的面积比，进而统计该单位时间内该面积比f(x，y)，分析该面积比f(x，y)的大小变化趋势f’(x，y)。

统计单位时间内的车距数据g(z)，分析该车距数据的大小变化趋势g’(z)。

比较该面积比的大小变化趋势f’(x，y)和该车距数据的大小变化趋g’(z)，若两者在单位时间内相差在0～10％以内，则任取一值，求得在单位时间内的速率值v。若两者在单位时间内相差超过10％以内，取两者的平均值v＝[f’(x，y)+g’(z)]/2，求得在单位时间内的速率值v；

导入本车在该单位时间内的速度值f(v)，若v值大于1，则表示对方为靠近，且速率为v1＝f(v)+v值，方向按具体感测模块布置的位置而定。若v值小于1，则表示对方为远离,且速率为v2＝f(v)-v值，方向按具体感测模块布置的位置而定。若v值等于1，则表示b车与a车速度相同。

结合模型匹配单元对比成功的车型的性能参数与监测到的该车的速率、该车的行驶方向，计算得到刹车距离，将该刹车距离与该速度对应的正常车距进行对比，以及计算按照此速度行驶未来多长时间内可能发生事故等数据结果。将有可能发生事故的计算结果、与本车的运动状态结合进行语音播报预警。计算结果包括：车辆类型、与本车行驶方向、车速、预计按该车运动状态可能发生的事故。

在确定了周围车辆的速度(速率、行驶方向)、车型、用激光测距仪得到两车之间的车距之后，处理模块结合该车的性能参数进行分析：

1.二轮车，若对方的速度在10km/h-30km/h，则为普通自行车；若对方的速度在30km/h以上则认为摩托车。若行驶方向为远离，则不必计算；若行驶方向为靠近，则根据v值，根据b车的性能得到刹车距离。比较刹车距离和此时两者的车距s，若刹车距离小于或等于车距s，则报警；若刹车距离大于车距s不报警。

2.三轮车，若对方的速度在10km/h-20km/h，则为人力三轮车；若对方的速度在20km/h以上则认为三轮摩托车。若行驶方向为远离，则不必计算；若行驶方向为靠近，则根据v值，根据周围车辆的性能得到刹车距离。比较刹车距离和此时两者的车距s，若刹车距离小于或等于车距s，则报警；若刹车距离大于车距s不报警。

3.四轮车，若行驶方向为远离，则不必计算；若行驶方向为靠近，则根据v值，根据b车的性能得到刹车距离。比较刹车距离和此时两者的车距s，若刹车距离小于或等于车距s，则报警；若刹车距离大于车距s不报警。

第3点中的四轮车可分为：

1、微型车(a00)

(1)车长小于3.7m；

(2)轴距小于：2.35m；

(3)代表车型：qq、bydf0；

2、小型车(a0)

(1)车长小于4.3m；

(2)轴距小于：2.5m；

(3)代表车型：206、polo；

3、紧凑型车(a)

(1)车长小于4.6m；

(2)轴距小于：2.7m；

(3)代表车型：focus、sagitar、307；

4、中型车(b)

(1)车长小于4.9m；

(2)轴距小于：2.8m；

(3)代表车型：passat、magton、audia4；

5、中大型车(c)

(1)车长小于5.1m；

(2)轴距小于：2.9m；

(3)代表车型：audia6、bmw5；

6、豪华车(d)

(1)车长大于5.1m；

(2)轴距大于：2.9m；

(3)代表车型：audia8、bmw7；

7.大货车等。

根据不同车型得到该车型的惯性系数、该车的行驶速度v值得到刹车距离，比较刹车距离和此时两者的车距s，若刹车距离小于或等于车距s，则报警；若刹车距离大于车距s不报警。

在上述实施例中，若周围车辆与本体车辆在平行直线上行驶，则分为2种情况：一是前后行驶，二是不在同一条直线的左右行驶。第二种情况不产生危险，若前后行驶时为相反方向也不产生危险。

若周围车辆与本体车辆不在平行直线上行驶，则行驶方向具有一个角度a,该角度可由激光测距仪测出，则周围车辆在该a角度按一定速率行驶，则算出的周围车辆速率值也是按a角度行驶的。若按相反方向行驶，也不产生危险。