一种侧向车辆防碰撞系统及其方法与流程

本发明申请涉及一种车辆防碰撞系统，特别是一种基于雷达和机器视觉特征融合决策的侧向车辆防碰撞系统及其方法，属于智能驾驶技术领域。

背景技术：

现代道路交通严峻的安全形势使得汽车消费者和政府管理者对车辆安全的期望越来越高，传统的车辆被动安全系统已不能满足现代交通要求，发展以预防为核心的先进车辆主动安全系统则是现代交通的迫切要求。汽车结构的复杂性和外界环境的多变性使得车辆主动安全系统的研究越发复杂。车辆主动避撞系统研究虽然得到了飞速发展并获得了一些成果，但仍然存在很多问题需要深入研究与探讨。现有的研究大部分集中在纵向主动避撞系统上，侧向主动避撞系统的研究与设计相对较少。车辆侧向主动避撞系统能够较少或避免碰撞事故的发生，提高驾驶的安全性。车辆侧向主动避撞系统涉及到行车环境感知、侧向行车安全距离模型及决策等关键技术。

目前，使用机器视觉进行行车环境信息获取时，障碍物与视觉传感器间的相对距离和相对位置的不同，该障碍物成像区域在图像中的大小、位置也发生变化；相对距离远则成像区域小，相对距离近则成像区域大，相对距离与成像区域成倒金字塔的关系。机器视觉中的障碍物检测算法，需要使用一系列不同大小的成像矩形框在整幅图像上进行遍历性的搜索，定位障碍物成像区域位置和大小，严重影响障碍物检测的实时性。

技术实现要素：

本发明申请即是针对目前车辆防碰撞技术领域存在的上述不足之处，提供一种基于雷达和机器视觉特征融合决策的侧向车辆防碰撞系统和方法。

本发明申请的一个目的是提供一种侧向车辆防碰撞系统。

具体的，本发明申请所述的侧向车辆防碰撞系统，包括雷达和机器视觉模块，机器视觉模块通过空间坐标变换模块与雷达连接，通过坐标映射形成统一的信息平面，机器视觉模块通过空间坐标变换模块进行目标识别与分类以及目标特征库匹配建立；雷达通过目标识别及运动信息捕获模块进行目标识别，雷达以及机器视觉模块通过信息融合模块，进行信息综合决策，进而完成侧向防碰撞。

进一步的，所述的机器视觉模块通过空间坐标变换模块与雷达相互连接，通过信息融合模块，形成综合防碰撞。

本发明申请的另一个目的是提供一种侧向车辆防碰撞方法。

本发明申请所述的侧向车辆防碰撞方法，利用安装于车辆上的雷达模块与机器视觉模块实时获取侧方向行车环境的信息，通过研究基于深度学习网络的机器视觉与雷达获取信息融合算法，为侧向车辆主动避撞决策控制提供行车环境数据。

进一步的，所述的侧向车辆防碰撞方法，通过分析机器视觉成像模型，建立机器视觉和像素坐标的转换关系，同时通过建立视觉经验库，对视觉捕获的特征进行非线性的畸变校正；并且根据雷达和摄像机安装位置相对固定的关系，建立雷达和摄像机的坐标转换关系；最终得到雷达坐标系与机器视觉图像像素坐标系空间融合模型，通过空间与时间的融合模型，在图像上建立感兴趣区域，利用基于深度学习网络分类器，在感兴趣特征区域内进行车辆检测。

更进一步的，所述的深度学习网络，通过前端雷达的目标特征数据模块与机器视觉的目标特征数据模块的综合提取和融合，完成信息的深度决策，形成防碰撞策略；深度学习网络与前端雷达感知模块以及机器视觉前端感知模块相互数据交换，前端数据特征接口通过所述深度学习网络，通过雷达特征提取库和机械视觉特征提取库进行特征融合决策。

更进一步的，所述的侧向车辆防碰撞方法，通过捕获机器视觉坐标系和像素坐标系之间的转换关系，结合上述两种转换关系，同时实现雷达坐标系和机器视觉图像像素坐标之间的转换。

进一步的，所述的侧向车辆防碰撞方法，通过获得毫米波雷达探测的前方车辆在机器视觉图像像素平面上的投影点，围绕投影点建立感兴趣区域，完成多传感器数据空间融合，并设计多传感器数据时间融合模型，使两传感器测量数据在时间上同步。

进一步的，所述的侧向车辆防碰撞方法，所述雷达输出的测量数据是多个探测目标与雷达间的侧纵向相对距离、纵向相对速度的测量值，这些测量数据位于雷达二维扫描平面坐标系中，雷达和摄像机安装相对位置关系是固定的、已知的，可获得雷达二维平面坐标系与摄像机坐标系之间的转换关系。

本发明申请基于雷达和机器视觉特征融合决策的侧向车辆防碰撞系统，通过深度学习模型完成空间、时间特征信息融合算法，为车辆侧向主动避撞决策控制提供准确、可靠、具有鲁棒性(robust)的行车环境数据，对提高侧向车辆主动避撞系统性能、减少碰撞事故发生具有重要意义。

附图说明

图1为本发明申请所述的侧向车辆防碰撞系统的雷达和机器视觉数据融合逻辑单元连接图；

图2为本发明申请所述的侧向车辆防碰撞方法的基于深度学习算法的机器视觉与雷达融合决策网络；

图3为本发明申请所述的侧向车辆防碰撞系统的基于深度学习的系统融合框图。

具体实施方式

以下结合附图和具体实施方式对本发明申请所述的技术方案进行说明，目的是为了公众更好地理解所述技术方案，而不是对其进行任意限制。

如附图1中所示，为本发明申请所述的侧向车辆防碰撞系统的雷达和机器视觉数据融合逻辑单元连接图。实现方案由雷达206和机器视觉模块203两部分组成，机器视觉模块203通过空间坐标变换模块201与雷达206连接，通过坐标映射形成统一的信息平面，机器视觉模块203通过空间坐标变换模块201进行目标识别与分类以及目标特征库匹配建立；雷达206通过目标识别及运动信息捕获模块204进行目标识别，雷达206以及机器视觉模块203通过信息融合模块207，进行信息综合决策，进而完成侧向防碰撞。

图2所示基于深度学习算法的机器视觉与雷达融合决策网络；深度学习网络301通过数个雷达前端感知模块303与机器视觉前端感知模块305的综合提取，融合，完成信息的深度决策，形成防止碰撞策略。深度学习网络301与前端雷达感知模块以及机器视觉前端感知模块相互数据交换，前端数据特征接口通过所述深度学习网络，通过雷达特征提取库和机械视觉特征提取库进行特征融合决策302。

图3所示基于深度学习的系统融合框图，特征目标单元404通过深度决策开关矩阵404/405，形成nxm阶开关决策矩阵。并且通过本地特征库407进行验证，404与407之间的连接依靠内部的开关决策矩阵404/405进行。

本发明申请所述的侧向车辆防碰撞方法，利用安装于车辆上的雷达模块与机器视觉模块实时获取侧方向行车环境的信息，通过研究基于深度学习网络的机器视觉与雷达获取信息融合算法，为侧向车辆主动避撞决策控制提供行车环境数据。所述的侧向车辆防碰撞方法，通过分析机器视觉成像模型，建立机器视觉和像素坐标的转换关系，同时通过建立视觉经验库，对视觉捕获的特征进行非线性的畸变校正；并且根据雷达和摄像机安装位置相对固定的关系，建立雷达和摄像机的坐标转换关系；最终得到雷达坐标系与机器视觉图像像素坐标系空间融合模型，通过空间与时间的融合模型，在图像上建立感兴趣区域，利用基于深度学习网络分类器，在感兴趣特征区域内进行车辆检测。所述的深度学习网络，通过前端雷达的目标特征数据模块与机器视觉的目标特征数据模块的综合提取和融合，完成信息的深度决策，形成防碰撞策略；深度学习网络与前端雷达感知模块以及机器视觉前端感知模块相互数据交换，前端数据特征接口通过所述深度学习网络，通过雷达特征提取库和机械视觉特征提取库进行特征融合决策。所述的侧向车辆防碰撞方法，通过获得毫米波雷达探测的前方车辆在机器视觉图像像素平面上的投影点，围绕投影点建立感兴趣区域，完成多传感器数据空间融合，并设计多传感器数据时间融合模型，使两传感器测量数据在时间上同步。所述的侧向车辆防碰撞方法，所述雷达输出的测量数据是多个探测目标与雷达间的侧纵向相对距离、纵向相对速度的测量值，这些测量数据位于雷达二维扫描平面坐标系中，雷达和摄像机安装相对位置关系是固定的、已知的，可获得雷达二维平面坐标系与摄像机坐标系之间的转换关系。

应该理解的是，上述内容包括附图不是对所述技术方案的限制，事实上，在相同或近似的原理下，对所述技术方案进行的改进，包括各部分的形状、尺寸、所用材质，以及相同功能元件的等同替换，都在本发明申请所要求的技术方案之内。