本发明涉及车辆，具体为一种基于路况的车辆驾驶安全预警系统及方法。
背景技术：
1、随着全球汽车保有量的持续增长，道路交通安全问题日益受到广泛关注；为了减少交通事故的发生频率并提高驾驶安全性，近年来出现了多种高级驾驶辅助系统，如自动紧急制动、车道偏离预警和自适应巡航控制等；并结合手动驾驶进行紧急状况处理；通常人眼的光谱识别范围主要集中在可见光波段，约380至750纳米，而这一范围内，夜间光线不足使得对路面细节的辨识度大幅降低。此外，某些材料，如湿滑表面反射特性可能与周围环境相似，导致难以通过肉眼察觉潜在危险。
2、但现有技术中，系统主要关注车辆间的相对位置和速度变化，对于路面状况本身的感知和响应能力仍然有限；尤其在夜间人眼对路况辨识度不足的条件下，驾驶员的视力显著受限，尤其是在缺乏足够照明的情况下；这种情况下，对于道路状况的判断变得更加困难，尤其是面对诸如泥泞、积水或冰雪覆盖等特殊路况时；这些路况不仅增加了车辆打滑的风险，而且可能导致车辆陷入困境，进而威胁到行车安全和效率；传统上，驾驶员依赖于前大灯提供的有限视野和自身的经验来应对这些问题，然而，这种方式显然存在诸多局限性。
技术实现思路
1、（一）解决的技术问题
2、针对现有技术的不足，本发明提供了一种基于路况的车辆驾驶安全预警系统及方法，该系统监测路况数据，获取车辆各轮胎与地面之间的阻力反馈，以及各轮胎与地面之间的抓地系数；将路况数据的图像处理结果与来自阻力反馈系统的抓地系数进行数据融合，利用机器学习及历史数据，实时分析评估路况的打滑指数；获取车辆在该路段的打滑指数，并进行该路段的安全判断，对于车辆的动力输出及制动分配进行调整，解决了背景技术中提出的问题。
3、（二）技术方案
4、为实现以上目的，本发明通过以下技术方案予以实现：
5、一种基于路况的车辆驾驶安全预警系统，包括：
6、视觉模块，监测实时路况图像，对路况图像分析并获取路况数据，包括环境亮度、光源检测和路面反射亮度，并将路况数据输出；
7、阻力反馈模块，获取车辆驾驶过程中，轮胎的转速值和压力值，以及车辆的加速度，并计算轮胎与路面的抓地系数，并将抓地系数输出；
8、数据融合与分析模块，通过获取路况数据、车辆的抓地系数和过往的历史数据，将历史数据和实时路况图像融合，利用机器学习识别不同路况条件下路面的反光特征，获取路面识别权重，计算出车辆在当前路况中的打滑指数，并将打滑指数输出；
9、实时响应模块，对打滑指数进行获取，对打滑指数所在的数值范围进行判断，当打滑指数在安全阈值范围内，且超过警戒阈值时，对车辆进行动态调整。
10、进一步地，所述路况数据的获取过程为：
11、以车辆自身作为参照物，构建二维平面参考系，在捕捉实时路况图像后，将实时路况图像映射至二维平面参考系中，进行平移、旋转和缩放，通过几何变换，并为映射后的实时路况图像中的像素分配一对坐标，在二维平面上定位；
12、所述环境亮度的获取过程为：
13、获取实时路况图像，依据实时路况图像，获取环境亮度包括整体亮度和局部亮度。
14、进一步地，所述光源检测的过程为：
15、通过对车辆覆盖正前方r°扇形区域的实时路况图像进行获取，并进行阈值分割，对亮度进行二值化处理；
16、在连续帧中识别和匹配同一光源，并进行跟踪光源，对二值化后的图像进行连通域分析，分离出光源对象，并标记几何属性，通过光流法计算运动轨迹，比较不同时间下光源的亮度变化量。
17、进一步地，所述路面反射亮度的获取过程为：
18、利用平面分割识别路面区域，借助imu获取车辆加速度、角速度信息，确定俯仰角、横滚角姿态，辅助路面区域判断；运用优化后的卡尔曼滤波算法，融合加速度计与陀螺仪数据，对车辆姿态进行最优估计；通过状态转移矩阵描述姿态变化，用协方差矩阵衡量估计不确定性；利用优化卡尔曼增益，结合测量数据修正姿态估计，并更新协方差矩阵；
19、依据光源、环境亮度及车辆姿态确定入射角，根据路面像素灰度值估算反射率，代入朗伯反射模型计算像素反射亮度，经统计计算得到路面反射亮度数值。
20、进一步地，所述机器学习识别不同路况条件下路面的反光特征的过程为：
21、通过对历史数据和实时路况图像进行标注，训练机器学习模型，生成路面反光特征，并将路面反光特征的参数输入模型。
22、进一步地，所述获取车辆在当前路况中的打滑指数的过程：
23、通过对机器学习路面识别权重的获取、环境亮度中的亮度差值和轮胎的抓地系数，以及光源位置变化伴随着光源的亮度变化量，来预测车辆在当前路况条件下的打滑指数。
24、进一步地，所述打滑指数所在的数值范围进行判断的过程为：
25、其中安全阈值为cy，警戒阈值为cq，且满足0<警戒阈值cq<安全阈值为cy，判断为：
26、当打滑指数pav大于安全阈值cy时，打滑指数不在安全阈值范围内，判断为不安全，对驾驶员进行路面打滑紧急危险提示；
27、当打滑指数pav小于等于安全阈值cy时，打滑指数在安全阈值范围内，判断为安全，此次车辆允许在当前路况条件下行驶，并进行警戒阈值判断。
28、进一步地，所述警戒阈值判断的过程为：
29、当打滑指数pav小于等于警戒阈值cq时，打滑指数不处于警戒阈值范围内，判断为无需进行警戒；
30、当打滑指数pav大于警戒阈值cq时，打滑指数处于警戒阈值范围内，判断为需进行警戒，激活相应的车辆控制系统。
31、一种基于路况的车辆驾驶安全预警方法，包括如下步骤：
32、步骤一：监测路况数据，包括环境亮度、光源检测和路面反射亮度；同时获取车辆各轮胎与地面之间的阻力反馈，以及各轮胎与地面之间的抓地系数；并将路况数据和抓地系数输出；
33、步骤二：将路况数据的图像处理结果与来自阻力反馈系统的抓地系数进行数据融合，利用机器学习及历史数据，实时分析评估路况的打滑指数，并将打滑指数输出；
34、步骤三：获取车辆在该路段的打滑指数，并进行该路段的安全判断，对车辆的动力输出及制动分配进行调整。
35、（三）有益效果
36、本发明提供了一种基于路况的车辆驾驶安全预警系统及方法，具备以下有益效果：
37、（1）本方案利用安装在车辆上的多处双目摄像头，如前置、侧置摄像头捕捉实时路况图像，确保所有捕捉到的实时路况图像在时间点上相匹配，以车辆自身为参照物，构建二维平面参考系，在捕捉实时路况图像后，通过图像算法，对实时路况图像进行处理，捕捉更多类型的反射信号，从而更准确地识别黑夜条件下的复杂路况，如泥泞路段；通过增强的感知能力使得系统可以提前发现潜在危险，并立即向驾驶员发出警报。同时，根据具体情况自动启动相应的车辆控制系统，确保车辆在遇到打滑或陷车风险时仍能保持稳定性和控制性，极大地提高了夜间驾驶的安全系数；
38、（2）本方案利用对打滑指数进行获取，对打滑指数所在的数值范围进行判断，当打滑指数在安全阈值范围内，且超过警戒阈值时，激活控制系统，启动循环检测，并根据路况变化和车辆状态动态调整，结合了机器学习和深度学习技术，实现了对图像数据的快速准确解读，识别出具体的危险路况。