基于信号灯倒计时识别的自学习智能起停系统的制作方法

本发明涉及发动机怠速起停控制技术领域，尤其涉及信号灯倒计时时间识别和智能控制系统的自学习性。

背景技术：

随着车辆排放标准越来越严格，很多车辆为了满足标准都安装了自动起停系统。在NEDC(New European Driving Cycle)工况下，自动起停系统的节油率能够达到3.37％-5.04％。NEDC是欧洲油耗及排放评定标准，如今国内的汽车企业，在评价开发车型相对同级别其他竞争车型的燃油经济性优劣时，也通常采用NEDC循环工况油耗来进行对比分析。但是在国内，与NEDC工况不同，车辆主体以私家车为主，主要用于上下班出行，绝大部分时间都行驶于城市道路。城市道路上设置了密集的信号灯，导致车辆频繁地怠速起停。频繁地怠速起停带来了很多负面影响：1)车载电气系统的故障率明显增高；2)严重缩短蓄电池的使用寿命；3)大大加剧起动机的磨损；4)短时间怠速，启动发动机将比怠速带来更多的燃油消耗。有学者研究表示，一台排量1489mL、直列4缸16气门的发动机，怠速时的油耗是0.18mL/s，启动一次发动机的油耗为1.2mL，怠速时间6.7s以上才能节约燃油消耗，这也就意味着大量的红绿灯导致的短时怠速起停发动机造成了更大的燃油消耗。

技术实现要素：

本发明针对现有的自动起停技术的不足，提供了一种基于信号灯倒计时识别的自学习智能怠起停系统，能够综合考虑交通信号灯的倒计时时间和汽车运行工况数据判断汽车在红灯前的怠速时间，并能够在实际的应用中，根据不同交通环境和当前驾驶人的驾驶习惯进行自学习，适应多变的环境和不同驾驶员的驾驶习惯。

本发明包括数据采集及预处理模块、交通信号灯倒计时数据识别模块、智能起停控制模块和自学习模块；

数据采集及预处理模块在各种不同的交通环境下采集车前方交通场景视频和速度时间序列数据；

交通信号灯倒计时数据识别模块检测出信号灯倒计时的位置，并识别出倒计时的颜色和数字；

智能起停控制模块根据当前车辆的速度与车辆和信号灯之间的距离，预测车辆到达信号灯前的时间，并根据倒计时数字信息，使用智能起停控制算法判断车辆是否需要关闭发动机；

自学习模块，实际的交通场景复杂多变，在每次预测后，将根据实际的情况存储数据，并在积累一定的数据后，重新训练模型，使用新的模型完成控制算法的判断。

所述的数据采集及预处理模块在各种不同交通环境下采集车前方交通场景视频和速度时间序列数据；对恶劣天气图像使用暗通道假设，向导滤波等进行图像预处理；对预处理后视频图像转换成等尺寸图像，并与速度时间序列一一对应。

所述的交通信号灯倒计时数据识别模块对信号灯倒计时检测，通过对不同颜色空间的通道分量设定阈值获得信号灯倒计时的候选区域，并通过大小、位置、形状信息对候选区域进行筛选，并通过机器学习算法确定候选区域中的倒计时信号灯的位置；信号灯倒计时数字识别，根据信号灯倒计时的位置截取信号灯图像，并将两位倒计时数字分成两幅个位数字图像，并通过机器学习算法识别出数字。

所述的智能起停控制模块预测从识别出信号灯倒计时起车辆到达停止线的时间，由于信号灯的安装都遵循道路交通信号灯设置与安装规范(国标GB14886-2006)，所以信号灯倒计时实际装置的大小是确定的，在图像中可以检测出信号灯的大小，并根据车辆的速度计算车辆当前距离倒计时停止线的距离，并结合速度信息预测到达停止线的时间；根据控制算法判断车辆是否需要停止发动机，如遇红灯，识别出的倒计时时间与预测的差值小于6s，则不需要停止发动机，如遇绿灯，别出的倒计时时间与预测的差值小于0，则需要停止发动机。

所述的自学习模块车辆到达停止线预测时间的判断及存储，在预测的结果中，信号灯与停止线之间的距离是根据马路宽度随机变化，是不可知量，为了尽量较少它对预测结果的影响，系统增加了自学习模块，每次存储实际停止的时间和图像；重新训练模型，当存储数据累计到一定数量时，重新训练模型，并使用新的模型预测车辆到达停止线的时间。

本发明的有益效果：

能够综合考虑交通信号灯的倒计时时间和汽车运行工况数据判断汽车在红灯前的怠速时间，并能够在实际的应用中，根据不同交通环境和当前驾驶人的驾驶习惯进行自学习，适应多变的环境和不同驾驶员的驾驶习惯。

附图说明

图1是本发明中系统流程图。

图2是本发明中交通信号灯倒计时识别流程图。

图3是车辆与信号灯之间距离计算说明图。

图4是本发明中控制起停策略流程图。

图5是本发明中结果判定策略流程图。

图6本发明的实施例中支持向量机模型的结构示意图。

图7是本发明中自学习模块流程图。

具体实施方式

参见图1，本发明包括以下步骤：

首先，利用计算机视觉知识，使用图像检测和识别方法，实时识别出当前视频帧中的信号灯倒计时的颜色和数字。本发明中的视频帧图像是由视频采集装置实时采集，并实时进行处理。信号灯信息的采集及处理流程详见图2。将原始的RGB彩色图像分别转换为LAB彩色空间和HSV彩色空间，并通过同时对LAB的A通道，HSV的H通道以及RGB空间的G通道与R通道的差值设定阈值来选定候选区域。采用公式如下：

conditions:H(a,b)∈(th_Hmin,th_Hmax)|A(a,b)∈(th_Amin,th_Amax)|R(a,b)-G(a,b)＞th_RG

其中，I(a,b)表示图像中的像素值，th_Hmin和th_Hmax为H(HSV)通道的阈值，th_Amin和th_Amax为A(Lab)通道的阈值，th_RG为R(RGB)通道与G(RGB)通道差值的阈值。使用颜色获取候选区域后，通过大小、形状和位置信息进行筛选，将筛选后的候选区域输入支持向量机模型，通过二分类方法判断是否为信号灯倒计时区域。截取出最终确定的信号灯倒计时区域，并将两位数图像拆分成两幅一位数的图像，并通过支持向量机分类器，使用OVA算法完成信号灯数字的多分类(总计10个类别0-9)。

然后，计算车辆与信号灯之间的距离，并结合车速等信息，根据起停控制策略控制起停。如图3所示，为t时刻车辆与最近的信号灯之间的距离，f为摄像头的视野宽度，w_s为信号灯板的长度，是图像的宽度，为真实场景下信号灯的宽度η。根据如下公式，可以计算出车辆与信号灯之间的距离

综合考虑车辆的速度、车辆与信号灯之间的距离以及信号灯倒计时时间，根据起停控制策略控制车辆起停，具体控制策略参见图4。其中T_predict的计算方式如下：

为车辆当前位置与信号灯之间的距离，d_{before_marking}为预测的停止线与信号灯之间的距离，预测是通过对当前图像中的交通场景分类完成的，分类方法同样采用支持向量机。当信号灯倒计时为绿色时：1)如果信号灯倒计时时间T_light大于T_predict，即车辆能够绿灯时间内驶过信号灯，则无需停止发动机；2)如果信号灯倒计时时间T_light小于T_predict，即车辆无法在绿灯时间内驶过路口，信号灯变成红色后，则许重新判断是否起停。当信号灯为红色时：1)当T_light与T_predict的差值大于阈值时，关闭发动机并在(T_light-T_predict)时长后启动发动机；2)当T_light与T_predict的差值小于阈值时，保持怠速状态无需关闭发动机。

在完成一次起停操作后，系统将根据实际的运行工况，判断本次起停控制的准确性，并将正确结果保存用于自学习。在真实环境的实验表明，信号灯倒计时识别的准确率较高，能够达到要求，所以影响起停控制准确率较大的是对d_{before_marking}的预测。因此自学习模块也是针对d_{before_marking}的预测模型完成自学习。自学习模块一共分为三步：d_{before_marking}预测模型结果判断；存储正确的结果；重新训练模型。d_{before_marking}预测模型结果判断策略参见图5。如果T_real与T_predict之间的差值的绝对值在设定的阈值范围内，则认为d_{before_marking}预测结果正确；(T_real-T_predict)大于设定阈值，则d_{before_marking}＝(T_predict-T_real)*v；(T_predict-T_real)大于设定阈值，则d_{before_marking}＝(T_real-T_predict)*v。这个阈值设定是考虑到不同驾驶员在发动机启动与移动车辆会有一定时间上的延迟，即使预测完全准确的情况下，预测的时间和实际操作的时间也不一定完全一致，所以需要设定这一阈值。在对预测结果判定后，将如图7所示完成自学习过程，如果预判准确则保存预判的结果，如果不准确则保存校对后的结果。到存储量达到存储阈值后，将重新完成支持向量机模型的训练，训练过程如图6所示。

综上，本发明提供的技术方案，怠速停车时长和信号灯的状态考虑为控制发动机停机的因素，综合考虑车况、驾驶员需求及路况信息，实现对发动机的直接起停控制，从而进一步提高发动机怠速起停控制的智能化，减少不必要的停机操作，避免因频繁起动造成的发动机燃油消耗率和排放性能的不良影响，有效提高机动车的燃油经济性，减少尾气排放。而且本发明提出的自学习方法，能够在系统的使用过程中，通过自学习方法更加适应当前路况和当前驾驶员的需求。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。