一种基于多路况智能识别的汽车远近光灯自动切换方法与流程

本发明涉及智能汽车领域，尤其涉及一种基于多路况智能识别的汽车远近光灯自动切换方法。

背景技术：

汽车扩大了人们日常生活的半径，加速了商品的运输速度。对生活的影响有正反两面。能够提高生活品质，让假期出行更加便利的同时，为快速运输提供可能。但是同时也会造成环境污染以及各种交通事故。

其中，汽车灯光的不规范使用也会造成重大的事故。近光灯用于近距离照明，照射范围大(160度左右)，照射距离短，聚光度也无法调节；而远光灯发出的光会平行射出，光线较为集中，亮度较大，可以照到很远很高的物体。远光灯与近光灯的区别在于：都是用来夜间照明，不过远光角度高距离远，近光角度低距离近。

根据中国相应安全法规的规定，机动车在夜间通过急弯、坡路、拱桥、人行横道或者没有交通信号灯控制的路口时，应当交替使用远近光灯示意以提示车辆或者行人注意安全；同时，在夜间行驶时，当会车的时候，在两车距离小于150米后，要把远光灯改为近光灯，以防止远光灯直射对方驾驶员眼睛，造成对方眩晕，引发事故。传统的方式采用驾驶员手动操控的形式，但由于有些驾驶员疏忽大意或者缺乏安全常识，有些驾驶员驾驶水平有限，手动交替操作极其容易造成交通事故。相关工作人员虽然针对上述问题进行了一定的研究，但是往往研究方向只针对某一小点，方向比较单一，也比较分散，没有集成为一个相互协调的整体。

技术实现要素：

本发明为解决目前的技术不足之处，提供了一种基于多路况智能识别的汽车远近光灯自动切换方法，能够使驾驶员在通过特殊路段时忘记切换灯光时根据具体的路况自动进行灯光切换，提高驾驶安全性。

本发明提供的技术方案为：一种基于多路况智能识别的汽车远近光灯自动切换方法，包括：

开启远光灯后，判断出驾驶员不进行手动干预时，进行路况辨识；当出现特殊路段时，远近灯光闪烁直至特殊路段结束后；

其中，测量与前车会车车距，当车距小于150m时，远光灯切换为近光灯，直至会车结束。

优选的是，所述特殊路段包括：人行横道、十字路口、弯道和坡路；

所述弯道包括直角弯道和s型弯道。

优选的是，所述人行横道、十字路口、弯道的路况辨识具体方法如下：由摄像头摄取路况的原始图像，然后依次进行灰度化处理、滤波处理、图像边缘处理、提取图像特征等预处理，最后得到具体路况判断。

优选的是，所述原始图像经过公式的灰度化处理后得灰度图像，所述公式满足：

y＝0.3r+0.6g+0.1b

其中，y为灰度值；r，g，b分别为原始图像的红、绿、蓝三通道颜色值。

优选的是，所述滤波处理采用中值滤波处理。

优选的是，对所述滤波处理图像采用sobel算法得边缘增强图像，sobel算法满足：

gx＝[f(x-1，y+1)+2f(x，y+1)+f(x+1，y+1)]-

[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]

gy＝[f(x-1，y+1)+2f(x-1，y)+f(x-1，y+1)]-

[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]

其中，gx和gy分别是滤波处理图像在横向及纵向的灰度偏导的近似值；f(x,y)为滤波处理图像中(x,y)处的灰度值；

边缘增强图像的总梯度值为：

优选的是，所述坡路辨识方法为：测量经过道路的坡度角α，并判断是否为坡路：

当α≥α0时，判断为坡路，其中α0为阈值；当α＜α0时，判断为非坡路。

优选的是，坡路辨识采取多传感器信息融合的方法，其数学模型满足：

其中，α为道路坡度角；g为重力加速度；θ为汽车上单摆式角位移传感器转角；为汽车加速度，由加速度传感器测得；z1为汽车车身在前悬架的上下位移；z2为汽车车身在后悬架的上下位移；l为汽车轴距。

优选的是，测量与前车会车车距时采用毫米波雷达测距，当两车即将会车时，依据雷达发射和接收信号的时间差，以及雷达信号的速度，可以计算出两车距离满足：

s＝cδt/2

其中，s为汽车与前车会车车距，δt为雷达发射和接收信号的时间差。

优选的是，其特征在于，

边缘增强后得到的增强图像输入综合处理中心，与所述综合处理中心存储的各种路况特征进行对比，从而判断具体路况。

本发明所述的有益效果：1)与手动操作灯光相比，节约了时间，避免分散驾驶员注意力，并且有效避免了由于驾驶员忘记切换灯光导致的交通事故，实用性高，提高了安全性；2)本发明把所遇工况进行分类讨论，针对不同的工况采用不同的识别技术，更加具有针对性，也提高了工作时的准确度；3)在自动切换灯光的时遵循一定的优先级，保证了在极端复杂路况下，自动灯光变换系统无法适应时，以及系统出错时，驾驶员可以及时手动干预，提高了系统工作的准确性。

附图说明

图1为本发明的特殊路段(弯道、十字路口、人行横道等)识别工作原理流程图。

图2为本发明的坡度识别工作原理图。

图3为本发明的直角弯道特征图。

图4为本发明的s型弯道特征图。

图5为本发明的十字路口特征图。

图6为本发明的人行横道特征图。

图7为本发明的两车距离测量原理。

图8为本发明的确定邻域的采样窗口图。

图9为本发明中采用的正方形式采样窗口。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供了一种基于多路况智能识别的汽车远近光灯自动切换方法，其基于一定的装置基础上完成，本发明的装置基础由路况智能辨识模块、综合处理中心(ecu)、远近灯光切换执行模块组成。

其中，路况智能辨识模块是核心模块。主要作用在于辨识坡路、人行横道、十字路口以及弯道等交通安全法规定的特定路况，以用于远近灯光交替使用；并且在夜晚会车时，实时确定车辆之间的距离，当车距小于150米时，确保使用近光灯。路况智能辨识模块采用以ccd摄像头为主的多传感器集成与信息融合技术，主要包括红外线、ccd摄像头、gpd导航仪、激光、毫米波雷达和各种传感器(汽车上设置的单摆式角位移传感器、加速度传感器和悬架处位移传感器)等。

在汽车的远近光灯的开关上设置触摸传感器，触摸传感器连接综合处理中心。

综合处理中心ecu的作用在于汇总路况智能辨识模块传来的信息，做出综合判断，以最终确定远近灯光应该处于的状态。

远近灯光切换执行模块的作用在于依据ecu综合处理中心传来的命令，执行灯光切换工作。但其重点在于需要保证“手动优先”原则，因为路况复杂多变，系统判别结果可能与实际情况不符，这时驾驶员做出干预，要保证以驾驶员的命令优先。

如图1-7所示，基于多路况智能识别的汽车远近光灯自动切换方法，具体包括：

开启远光灯，判断驾驶员是否手动干预，当判断出驾驶员手动干预，则按照驾驶员意志执行，当判断驾驶与不进行手动干预时，则进行路况辨识；

当路况辨识出现特殊路段时，远近灯光闪烁直至特殊路段结束后进行下一步；

测量与前车会车车距，当车距小于150m时，远光灯切换为近光灯，直至会车结束，当车距大于等于150m时，则直接结束。

综合处理中心根据触摸传感器传输来的数据，了解到驾驶者的手是否放在远近光灯的开关处，以此判断驾驶员是否进行手动干预。当触摸传感器处无手指的触碰时，则判断为驾驶员不干预。

所述特殊路段包括：人行横道、十字路口、弯道和坡路。

所述弯道包括直角弯道和s型弯道。

所述坡路包括带有坡度的路、拱桥。

在路况辨识中，坡路的辨识主要方法如下：测量经过道路的坡度角α，并判断是否为坡路：当α≥α0时，判断为坡路，其中α0为阈值，α0＝6°；当α＜α0时，判断为非坡路。

坡路辨识采取多传感器信息融合的方法，通过汽车上设置的单摆式角位移传感器、加速度传感器和悬架处位移传感器分别实时测量汽车的运行状况，然后将测量的数据通过放大器进行信号放大处理，然后经过数学模型转换，送入综合处理中心ecu，进行如下公式的计算，得出坡度α的大小。其中，多传感器信息融合的方法的数学模型满足：

其中，α为道路坡度角；g为重力加速度；θ为汽车上单摆式角位移传感器转角；为汽车加速度，由加速度传感器测得；z1为汽车车身在前悬架的上下位移；z2为汽车车身在后悬架的上下位移；l为汽车轴距。

路况辨识中的人行横道、十字路口、弯道的路况辨识具体方法如下：由ccd摄像头摄取路况的原始图像，然后依次进行灰度化处理、滤波处理、图像边缘处理、提取图像特征的预处理，最后得到具体路况判断。

图像预处理环节尤其重要，所谓图像预处理，即为对ccd摄像头采集到的原始图像进行简化，并且提取特征信息。其目的在于改善图像质量并且提取图像特征，并最大限度地使数据简化，以提高检测和识别的可靠性。

ccd摄像头摄取到的路况信息的原始图像是彩色，为了降低接下来的处理难度，需要将彩色图像转化为灰度图像，所述原始图像经过公式的灰度化处理后得灰度图像，所述公式满足：

y＝0.3r+0.6g+0.1b

其中，y为灰度值；r，g，b分别为原始图像的红、绿、蓝三通道颜色值。

在得到灰度图之后，由于其受各种随机因素的干扰，均会存在一定的噪声，容易令各种特殊路段的特征不明显，所以需要进行图像滤波处理。这里采用中值滤波的方式进行滤波处理。

所谓中值滤波，是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值(本发明中具体指灰度值)用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点，使画面更加清晰且利于分析。本发明中的具体方式为：

首先需要确定邻域，一般一个采样窗口为一个邻域。所谓采样窗口，是根据摄像头屏幕二进制的特点，进行灰度值采样的方式。比如一个正方形的采样窗口，如图8所示，1就代表对该点灰度值进行采样，0代表不对该点灰度值进行采样，这是各种电子显示屏的通用的二进制原理。常用的采样窗口形式包括“正方形式”、“十字式”、“菱形式”等，每种采样窗口形式都有自己的优缺点，本发明采用“正方形式”的采样窗口形式，再考虑到需要对采样窗口中的灰度值排序并取中值，所以采样窗口中的灰度值总数应尽量为奇数，所以本发明采用5×5式的正方形采样窗口，如图9所示，图中a为采样点处灰度值。

对于取中值的方式，在确定采样窗口形式后，对经过摄像头得到的每一幅灰度图像，以5×5式的正方形采样窗口为单位，对整个灰度图画面都进行滤波。而在每个采样窗口单位中，计算每个点灰度值，都有x1,x2,x3...,x25的一组序列，共25个采样点。首先将25个采样点按数值大小重新排序为x′1≤x′2≤x′3≤...≤x′25，则此序列的中值为，

m＝medium(x′1,x′i,x′3,...,x′25)

其中，x1,x2,x3...,x25为采样窗口中25个采样点的灰度值，x′1,x′i,x′3,...,x′25为把x1,x2,x3...,x25按从小到达排序之后的序列，m为采样窗口中25个灰度值经过中值滤波后，最后输出的滤波灰度值。medium为取中值之意。m＝x′13，其中。经过中值滤波后，整个灰度图将去除大部分噪声，变得特征更加分明。

在进行滤波之后得滤波处理图像，需要进行图像边缘增强。所谓图像边缘，是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，也就是人行横道、十字路口、弯道等路段的特征。

对滤波处理图像采用sobel算法得边缘增强图像，sobel算法满足：

gx＝[f(x-1，y+1)+2f(x，y+1)+f(x+1，y+1)]-

[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]

gy＝[f(x-1，y+1)+2f(x-1，y)+f(x-1，y+1)]-

[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]

其中，gx和gy分别是滤波处理图像在横向及纵向的灰度偏导的近似值；f(x,y)为滤波处理图像中(x,y)处的灰度值；

边缘增强图像的总梯度值为：

边缘增强后得到的增强图像输入综合处理中心，与所述综合处理中心存储的各种路况特征进行对比，从而判断具体路况。弯道、人行横道、十字路口都有其固有的特征，如图3-6所示。

对于夜间会车时的情形，远光灯切换为近光灯，其主要在于对车距的判断，因为雷达反映迅速，并且抗干扰物以及抗恶劣天气的能力强，这里采用基于毫米波雷达的车距判断方式。即在a车上安装毫米波雷达，当两车(a车和b车)即将会车时，依据雷达发射和接收信号的时间差，以及雷达信号的速度，可以计算出两车距离，其原理公式为：

s＝cδt/2

其中，s为汽车与前车会车车距，δt为雷达发射和接收信号的时间差。

通过毫米波雷达不停地接受和发射信号，可以实时的判断出两车间距离，当两车间距离小于150米时，即由远光灯切换为近光灯。当会车结束后，两车已经错过，雷达无法检测到对面车辆，此时即再将近光灯切换为远光灯。工作原理如图7。

同时可在汽车灯头周围装上光敏传感器，与综合处理中心ecu相连，ecu中设有一光强阈值β0。光敏传感器接收对面来车的光强，并实时传给综合处理中心ecu，当对面车灯光强度β＞β0时，即是对面车会车时远光灯没有切换为近光灯，此时ecu模块向执行模块发送命令，远近灯光交替闪烁3秒钟，以提醒对方车辆切换灯光。

在路况辨识模块的工作期间，ecu与路况辨识模块不断交流，汇总多种路况信息，最终确定路况情形，并且确定各种路况的灯光状态的优先级，保证最后的灯光状态最符合实际要求，实时地给执行模块发送命令。在三个模块协调配合工作过程中，当驾驶员手动干预灯光切换时，ecu立刻切断与执行模块的联系，执行模块将只履行驾驶员的意志。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。