一种智能启停方法及系统与流程

本发明涉及汽车节能系统领域，特别涉及一种智能启停方法及系统。

背景技术：

启停系统旨在发动机怠速时关闭发动机。当发动机停止运行后，启停系统将控制汽车不再消耗燃料和产生排放，常规的启停系统为一套控制车辆动力总成启动和停止的系统，通过控制单元判断车辆的状态，例如车辆在红灯、堵塞等停滞状态，系统控制发动机自动停止运行，变速箱断开动力传输，而当驾驶员有起步需求，例如松开制动踏板或踩下油门踏板时，发动机立即重启，变速箱同时响应发动机的重启请求，迅速地啮合离合器，保证舒适起步。启停系统在车辆怠速时关闭发动机，降低了发动机空转时的燃料消耗和二氧化碳排放，减小了车辆噪音，相关实验证明，启停系统能减少综合工况下约8%的能耗和排放，在拥堵的市区节能效果能达到10%-15%，安装启停系统的增量成本不大，对现有动力传动系统改动很小，但是十分适合城市路况行驶，有很强的实用价值，而且除了节油本身的优势，更加符合当下大力倡导的低碳社会的建设理念。

然而，当前的发动机启停技术大多来源于国外，在欧洲或美洲等国家的良好路况下有较好的表现，但在中国更为复杂的路况下，特别是特别拥堵的路况，启停技术非但起不到原本应有的节能的作用，还因为频繁地在拥堵时启停，极大降低了用户的驾乘舒适性。

现有技术中，为了提高实用性，部分解决方案采用了与车辆网结合的方式，通过网络获取车辆当前位置的道路拥堵情况来控制对启停系统启用或者关闭。但是这种方法需要增加远程通讯系统，同时对网络也有较高的要求，实际应用的意义不是很大。

技术实现要素：

本发明为了解决上述技术问题，提供一种智能启停方法及系统。

一种智能启停方法，通过车前方图像数据获取道路拥堵状态以及交通灯识别状态，从而允许或者抑制启停系统的介入；获取道路拥堵状态以及交通灯识别状态包括如下步骤：

s1、通过图像识别方式识别车辆前方是否存在交通灯以及交通灯状态；通过图像识别方式获得图像识别范围内的车辆的车速，同时结合自身车速以及所述交通灯状态判定道路拥堵状态；

s2、当当前道路拥堵状态判定为交通拥堵时，抑制启停系统的介入；否则判定当前道路拥堵状态为路况良好，允许启停系统介入。

进一步的，所述步骤s1中对单路拥堵状态判定包括如下判定条件中的最少一个：

当自身汽车车速以及图像识别范围内汽车车速小于低速阈值，且当前为非红灯状态时，判定为交通拥堵状态；

当当前自身汽车车速或图像识别范围内有汽车车速大于高速阈值，或当前为红灯状态时，判定为路况良好状态。

作为上述方法的进一步优化，所述道路拥堵状态还包括暂时拥堵状态，当处于所述暂时拥堵状态时，允许启停系统介入。

进一步的，所述步骤s1中对单路拥堵状态判定包括如下判定条件中的最少一个：

当自身汽车车速以及图像识别范围内汽车车速小于低速阈值，且当前为非红灯状态时，判定为交通拥堵状态；

当当前自身汽车车速或图像识别范围内有汽车车速大于高速阈值，判定为路况良好状态；

当道路拥堵状态处于路况良好，且满足交通拥堵状态时，需要先进入暂时拥堵状态，当处于所述暂时拥堵状态的时长超过第一缓冲阈值时，判定为交通拥堵状态；

当道路拥堵状态处于交通拥堵，自身车速为零的时间超过第二缓冲阈值使，或当前为红灯状态时，判定为暂时拥堵状态。

作为上述方法的进一步细化，所述步骤s1中对图像识别范围内的交通灯状态识别方法包括如下步骤：

s111、获取当前时刻车辆前方的图像信息，并做预处理；

s112、通过hog特征检测法对交通灯进行检测，若当前图像信息中存在交通灯则对检测到的交通灯进行标记并分割出识别区域图像；

s113、通过卷积神经网络分析识别区域图像中的交通灯的信号类型，并输出。

作为上述方法的进一步细化，所述步骤s1中对图像识别范围内的车辆识别方法包括如下步骤：

s121、获取当前时刻车辆前方的图像信息，并做预处理；

s122、通过hog特征检测法对图像内存在的车辆进行检测，若当前图像信息中存在车辆则对检测到的车辆进行标记；

s123、根据图像内车辆的方位以及面积获取前方车辆与本车的实际相对位置以及距离。

其中，所述步骤s122包括如下子步骤：

s1221、对图像gamma空间和颜色空间进行标准化处理；

s1222、计算图像梯度，为每个细胞单元构建梯度方向直方图；

s1223、把细胞单元组合成大块，并在块内归一化梯度直方图；

s1224、统计并分析hog特征，从而实现车辆检测。

进一步的，所述图像识别范围内的车辆包括汽车正前方的车辆和/或前方相邻车道的车辆。

优选的，所述低速阈值为10km/h~20km/h之间的任意值；所述高速阈值为28km/h~32km/h之间的任意值；所述第一缓冲阈值为1min；所述第二缓冲阈值为1min。

另外，本发明还提供一种智能启停系统，包括摄像头以及采集并分析所述摄像头所获取图像的处理器；处理器的工作方法采用了上述智能启停方法。

本发明的智能启停方法及系统所起到的有益效果包括：

1、本发明通过结合摄像头对前方的视觉处理，得出前方车辆目标及红绿灯的状态进而判断当前的交通环境，最重要的是得出当前是否处于交通拥堵的状态，解决了启停系统广泛抱怨的在堵车时频繁启停的问题。

2、应用本专利将能够规避拥堵时90%的启停动作，同时也提高了发动机、启停系统、畜电池的寿命。

附图说明

图1为本发明实施例1中的智能启停系统架构原理图。

图2为本发明实施例2中的方法原理图。

图3为本发明实施例2中的车辆检测示意图。

图4为本发明实施例3中的道路拥堵状态转换示意图。

图5为本发明实施例4中的交通灯状态识别方法流程图。

图6为本发明实施例4中的卷积神经网络分析架构图。

图7为本发明实施例5中的车辆相对位置以及车速识别方法流程图。

图8为本发明实施例5中的hog车辆检测方法流程图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。

实施例1：

本实施提供一种智能启停系统，该智能启停系统如图1所示，其包括摄像头、处理器以及启动控制器。

其中，启动控制其用于根据处理器的指令对发动机的点火和熄火实施控制，而摄像头设置在汽车的正前方或者是前挡风玻璃处。本实施例所采用的摄像头是单目摄像头，其可以实现对前方160米距离、50°覆盖角的图形采集。从而应用于车道检测、前方车辆检测、交通标志识别等视觉检测。

处理器采集了摄像头获取的图像后，对当前道路的拥堵状态以及前方交通灯状态进行判断，从而结合交通灯状态以及拥堵状态来控制是否允许启停系统接入行车过程中，从而大大提高启停系统的智能程度以及实用程度，达到在正常等待红绿灯时发挥启停系统的优势，并且减少在拥堵时频繁启停给用户带来的困扰。

实施例2：

本实施在实施例1的基础上，提供一种智能启停方法，其通过对车前方图像数据分析，从而获取汽车当前位形式路段的道路拥堵状态，如果该路段存在交通灯，则对交通灯的状态进行识别，继而根据识别的结果允许或者抑制启停系统的介入。具体的，如图2所示，获取道路拥堵状态以及交通灯识别状态包括如下步骤：

s1、一方面，通过图像识别方式判断车辆前方是否存在交通灯，如果存在交通灯则识别该交通灯的状态。另一方面，通过图像识别方式获得图像识别范围内的车辆的车速。同时结合自身车速以及交通灯状态判定道路拥堵状态。

其中本实施例中，图像识别范围内的车辆包括汽车正前方的车辆和/或前方相邻车道的车辆，如图3所示。

而道路拥堵状态则包括路况良好的状态以及交通拥堵的状态。

s2、在完成当前道路拥堵状态的识别后，当当前道路拥堵状态判定为交通拥堵时，抑制启停系统的介入；否则判定当前道路拥堵状态为路况良好，允许启停系统介入。

本实施对于道路拥堵状态的判定如下：

首先是交通拥堵状态的判定：当自身汽车车速以及图像识别范围内汽车车速小于低速阈值，且当前为非红灯状态时，判定为交通拥堵状态；

而路况良好状态的判定为：当当前自身汽车车速或图像识别范围内有汽车车速大于高速阈值，或当前为红灯状态时，判定为路况良好状态。

其中优选的，本实施例中的低速阈值为10km/h~20km/h之间的任意值；进一步优选为15km/h。而高速阈值为28km/h~32km/h之间的任意值，进一步优选为30km/h。

实施例3：

作为实施例2的优化，本实施例与实施例1的区别在于：如图4所示，本实施例中对道路拥堵状态界定分为路况良好、暂时拥堵以及交通拥堵三个状态。所增加的暂时拥堵状态是为了提供在路况良好以及交通拥堵两个状态之间提供一个缓冲状态，使启停系统更加稳定可靠，同时避免增加拥堵的状况。

其中当处于路况良好以及暂时拥堵两个状态时，系统仍然允许启停系统的介入，即当满足启停系统介入要求时，汽车仍然会停车熄火。当处于交通拥堵的状态时，则通过抑制启停系统的介入，即及时满足启停系统介入要求时，汽车也不会停车熄火。

具体的，参见图4，上述三个状态之间的转换条件如下：

条件1：自车速小于低速阈值，且正前方车辆车速低速阈值，且左右方车辆数量≥2，且左右方车辆速度低速阈值，且当前非等红灯状态。

条件2：自车速大于或等于高速阈值，或者正前方车辆车速高速阈值，或者左右方车辆数量<2，或者左右方车辆速度高速阈值，或者当前为等红灯状态。

条件3：系统处于暂时拥堵状态时间大于或等于第一缓冲时间。

条件4：自车速为0km/h时间持续超过第二缓冲时间，或者前方为等红灯状态。

条件5：自车速大于或等于高速阈值，或者正前方车辆车速大于或等于高速阈值，或者左右方车辆数量<2，或者左右方车辆速度大于或等于高速阈值。

本实施例中，第一缓冲时间为1分钟，第二缓冲时间为1分钟。

实施例4：

作为实施例2以及3的补充，本实施例与实施例2或3的区别在于：本实施例对步骤s1中对图像识别范围内的交通灯状态识别方法包括如下步骤，如图5和图6所示：

s111、激活摄像头，获取当前时刻车辆前方的图像信息，并做预处理。

s112、通过hog（histogramoforientedgradient,方向梯度直方图）特征检测法对交通灯进行检测，若当前图像信息中存在交通灯则对检测到的交通灯进行标记并分割出识别区域图像。

s113、通过卷积神经网络分析识别区域图像中的交通灯的信号类型，其中，卷积神经网络分析如图6所示，被分割出来的识别区域图像经过下采样层进行分析后，最终回归到三种交通灯信号之一，实行输出。

实施例5：

作为实施例2以及3的补充，本实施例与实施例2或3的区别在于：所述步骤s1中对图像识别范围内的车辆识别方法采用hog+svm（supportvectormachine，支持向量机）方法对前方车辆进行目标检测，如图7所示，并给出车辆位置包括如下步骤：

s121、获取当前时刻车辆前方的图像信息，并做预处理；

s122、通过hog特征检测法对图像内存在的车辆进行检测，若当前图像信息中存在车辆则对检测到的车辆进行标记；

s123、根据图像内车辆的方位以及面积获取前方车辆与本车的实际相对位置以及距离，在相对位置分析方面，可以通过预先标顶的方式，分析前车在图像中的位置来获取与本车的实际相对距离。在确定了车辆的相对位置后，通过连续时间内获取多个图像并进行分析，实现对前方车辆的联系捕捉和跟踪。并记录在预设时间段内前车与本车相对距离的变化。从而结合车辆实时车速来判断前车车速。

其中，参见图8，所述步骤在hog特征检测方面，s122具体包括如下子步骤：

s1221、对图像gamma空间和颜色空间进行标准化处理；

s1222、计算图像梯度，为每个细胞单元构建梯度方向直方图；

s1223、把细胞单元组合成大块，并在块内归一化梯度直方图；

s1224、统计并分析hog特征，从而实现车辆检测。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。