本发明属于行车风险分析领域,涉及一种构建俯视二维世界坐标系车前风险矩阵的方法。
背景技术
中国许多地区道路交通长期存在人车混行的危险情况,行人作为道路交通中的弱势群体,并且在事故人员致死率中常年占据较大比重,理应受到车辆方的避障保护,因此改善汽车对行人安全规避能力重要性不言而喻。
基于汽车板载系统的行人风险分析方法主要使用传感器感知车辆环境信息,并结合行人目标运动状态,评判行人目标危险并据此调整行车决策,实现对危险行人目标的早期保护。基于车载图像的行人风险分析方法是目前主流研究方向,许多研究者通过识别行人目标姿态,分析行人运动趋势以分类危险行人。其中,jokohariyono等人使用光流法分割行人轮廓,并以行人姿态比方法识别行人水平运动趋势,判定存在向车行区域运动行人为危险行人。此外,keller和gavrila等人使用高斯动态过程模型和轨迹概率分层匹配,鉴别图像中行人目标的站立或水平运动状态。
基于车载图像的行人风险分析方法大多直接从图像视角直接分析行人风险,但由于车载图像“近大远小”的成像扭曲,研究者往往只能识别行人运动姿态,而并非把握行人确切运动状态。据此,现有行人风险分析方法通常只能给出行人危险与否的定性二分类判决,因此其主要用途在于为驾驶员提供实时预警,不能为车行决策提供精细数据支持。
为了实现精确驾驶员辅助以及改善智能车载自主巡航性能,公开号:cn107240167a的中国专利申请公开了一种行车记录仪行人监控系统,给出了一种定量式行人风险分析方法。该系统使用感知设备包括体感控制器、红外传感器和测探计,获得车行环境中行人信息,并通过行人深度图像流与行人目标模型匹配方式,计算行人碰撞系数并以此实现行人危险预警。该发明虽然给出了定量的风险分析结果,但风险量化因素来源于行人姿态,实际上判断的是行人对车辆蓄意碰撞的意图,因此量化系数不具备运动学客观性质,不足以反映行人真实运动风险程度。
公开号:cn104239741a的中国专利申请基于汽车风险场的汽车驾驶安全辅助方法,从人、车和路三个综合角度出发,通过分析车行环境的动能场、势能场和行为场,融合构建车辆行驶对障碍物风险的车行风险场模型,量化车辆对道路障碍物的行车风险,以此评估不同程度。该发明通过引入了势场论,赋予行车风险场合理的运动学原理,使其风险量化结果能够客观有效地用于行车决策。
技术实现要素:
为了解决图像视角确定车前风险的问题,本发明提出构建俯视二维世界坐标系车前风险矩阵,其技术方案如下:
一种构建俯视二维世界坐标系车前风险矩阵的方法,将所述二维世界坐标系中各坐标点等势至yw轴,并求取对应坐标点的风险权重,使用与行人轨迹矩阵相同的矩阵映射函数映射为车前风险矩阵。
进一步的,二维世界坐标系的风险等势线由6条关于yw轴的二阶曲线构成,且满足:
y=γ(x)=α1x2+α2x+α3(6)
其中:α1、α2和α3为二阶多项式系数向量,且满足:
进一步的,车前风险权重计算函数如下:
wr为归一化风险强度,某个区域wr值越接近1则该区域越危险,反之越趋向于0则表示越安全;
使用矩阵映射函数,生成车前风险矩阵mv:
(n,m)=fwm(x,y,wr)
(x,y,wr)表示二维世界坐标系坐标点及对应风险强度,(n,m)表示运算矩阵中元素行列位置。
有益效果:单独考虑俯视二维世界坐标系中不同行人目标和车辆之间运动情况,行人之间运动相互不干扰,可根据驾驶员或自主驾驶系统的关注需求,对特定行人目标给予相应关注。
附图说明
图1发明原理图;
图2图像坐标系;
图3世界坐标系;
图4俯视二维世界坐标系;
图5参数图1;
图6参数图2;
图7平视轨迹点图;
图8俯视二维世界坐标系行人轨迹矩阵图;
图9俯视二维世界坐标系车前风险矩阵图;
图10邻近行人风险系数计算方法图;
图11实施例1的邻近行人风险系数计算结果图;
图12实施例2的邻近行人风险系数计算结果图;
图13实施例3的邻近行人风险系数计算结果图;
具体实施方式
下面结合图与具体实时方式对本发明做进一步详细描述:
如图1所示,本发明公开了一种基于二维世界坐标系的俯视行人风险量化方法,可以使用软件实现,可以通过对车载摄像机的视频进行变换,求解俯视条件下行人目标在车前的量化风险程度。
该方法主要实施步骤如下:
第1步:对于尺寸为1920×1080图像(单位:像素),逐帧计算所有n个行人目标的行人轨迹点,获取并更新实时时刻的所有行人目标平视行人轨迹点向量
第2步:将所有平视行人轨迹点映射至二维世界坐标系,并基于二维世界坐标系原点ow,以±10m水平距离和0–20m竖直距离为行人运动分析范围,获得对应n个二维世界坐标系行人轨迹矩阵
第3步,复制n份俯视二维世界坐标系车前风险矩阵副本
第4步,对于行人目标i∈[1,n],使用公式
本公开以下对上述方法作出详细的介绍,该方法针对直接采用图像视角难以精确行人目标风险问题,其原理如图1所示,主要是将行人运动轨迹点映射到俯视角的二维世界坐标系中,并在二维世界坐标系中计算车前风险权重。进一步,通过量化映射生成行人轨迹矩阵和车前风险矩阵,每个行人目标具有独立的行人轨迹矩阵,共享同一个车前风险矩阵,实现量化风险计算,获取不同行人目标的归一化邻近行人风险系数。邻近行人风险系数作为基于二维世界坐标系的俯视行人风险量化方法输出结果,可用于支持辅助驾驶和自主汽车的行车决策模块工作。
本发明技术方案涉及相关图像坐标系、世界坐标系和摄像机参数定义,具体可见示意图见图1、图2、图3和图4。
图像坐标系定义(见图1):以图像左上角为原点o,水平向右为u轴,竖直向下为v轴,定义为图像坐标系。
世界坐标系定义(见图2):以车载摄像机光心对地投影点为原点ow,车行方向为yw正方向,与车辆驾驶平面共面且与yw垂直向右方向为xw轴正方向,指向摄像机所处方向为zw轴正方向,定义为世界坐标系。
二维世界坐标系定义(见图3):忽略世界坐标系zw轴(高度轴)的世界坐标系,被定义为二维世界坐标系。
本发明要求车载摄像机装配方式如图2所示,装配于车顶处并且面向车行方向。车载摄像机需要进行动态拍摄,因此摄像机内在参数和装配参数相对固定,内在参数包括焦距f、感光元件长度dx、感光元件宽度dy、图像长度m和图像宽度n;装配参数包括据地高度h、偏航角γ、俯仰角θ、水平孔径角alphau和竖直孔径角alphav。
本发明内部参数适配值:焦距f为16mm-23mm;感光元件大小无特殊要求;图像长度m常规选用1920像素且不应小于1080像素尺寸;图像宽度n常规选用1080像素且不小于640像素。本发明装配参数适配值:据地高度h适应范围为1.2m至1.6m之间;偏航角理想装配角度为0°,装配误差可接受范围为±1°;俯仰角理想装配角度为0°,装配误差可接受范围为±3°。水平孔近角alphau和竖直孔近角alphav计算方法为:
首先,输入图像中行人轨迹点经逆透视映射转换到世界坐标系,构建二维世界坐标系行人轨迹矩阵mp。
设pt(ut,vt)为输入视频第t帧图像行人轨迹点,其中ut和vt表示图像中列坐标和行坐标;pt'(xt,yt)为视频第t帧图像行人轨迹点在二维世界坐标系中映射坐标,其中xt和yt表示二维世界坐标系中水平坐标和竖直坐标。据此,则有
平视行人轨迹点向量
第一步,计算映射因子rfactor和cfactor(见式(2)),其中u和v为输入值代表图像中逆透视映射点,m和n为定值代表图像宽度和高度;
第二步,计算二维世界坐标初始映射点(x',y')(见式(3)),其中cx、cy和cz为定值代表摄像机在世界坐标系中坐标,通常设定cx=cy=0且cz=h;θ为摄像机与地面俯仰角。
第三步,修正初始映射点获得二维世界坐标系映射坐标点(x,y)(见式(4)),其中γ为定值代表摄像机偏转角。
第四步,利用矩阵映射函数(如式(5)所示),生成行人轨迹矩阵mp。
(n,m)=fwm(x,y)(5)
式(5)中(x,y)表示二维世界坐标系坐标点,(n,m)表示运算矩阵中元素行列位置。构建行人轨迹矩阵mp目的在于以矩阵方法表示二维世界坐标系中车前限定距离内行人轨迹点信息,于是针对逆透视映射效果,本文将二维世界坐标系到运算矩阵映射范围设定为距ow水平±10m和竖直0–20m。据此,可构建如图6中所示二维世界坐标系行人轨迹矩阵mp。
然后,构建与二维世界坐标系行人轨迹矩阵对应的二维世界坐标系车前风险矩阵mv。二维世界坐标系的风险等势线由6条关于yw二阶曲线构成,且满足:
y=γ(x)=α1x2+α2x+α3(6)
式(6)中,α1、α2和α3为二阶多项式系数向量,且满足:
给定受车前距离影响的车前风险权重计算函数如式(8)所示,车前风险权重计算函数本身原型为高斯分布函数。其中,c1和c2为归一化参数,其值设为c1=0.05和c2=47.7;μ和σ为函数期望和方差,其物理意义是受车辆制动能力影响的风险分布参数,其值设为μ=0和σ=8。式(8)中wr为归一化风险强度,某个区域wr值越接近1则该区域越危险,反之越趋向于0表示越安全。
二维世界坐标系中个坐标通过式(6)等势至yw轴,并根据式(8)求取对应风险权重。车前风险矩阵主要用以匹配行人轨迹矩阵,实现行人风险系数量化,因此构建车前风险矩阵选用相同矩阵映射函数。据此,针对二维世界坐标系中各坐标车行风险权重,进一步利用式(5)可映射生成车前风险矩阵mv如图7所示。使用矩阵映射函数,生成车前风险矩阵mv:
(n,m)=fwm(x,y,wr)
(x,y,wr)表示二维世界坐标系坐标点及对应风险强度,(n,m)表示运算矩阵中元素行列位置。
最后,结合二维世界坐标系行人轨迹矩阵mp和二维世界坐标系车前风险矩阵mv计算邻近行人风险系数r。
设连续图像存在n个不同行人目标,且对任意行人目标i∈[1,n]均有唯一平视行人轨迹点向量为
如图8所示,俯视二维世界坐标系车前风险矩阵通过复制出与自身相同副本
式(9)为本发明邻近行人风险系数量化公式,其中ki为行人轨迹点数量,该输出结果ri即为行人目标i的邻近行人风险系数,ri越接近1表示行人目标越危险,反之越接近0则越安全。式(9)计算方法的物理意义是利用行人轨迹矩阵筛选车前风险矩阵,以此获得行人轨迹点位置对应车前风险程度。
本发明是针对车载视频图像行人目标风险程度的量化方法,其作用在于将车辆行驶对行人目标风险量化成归一化风险指标,以此为智能汽车的先进辅助驾驶和自主巡航的行人目标避障功能,提供重要车行决策数据基础。该算法有益效果包括:(1)行人风险分析使用了具有直观视角优势的俯视二维世界坐标系,此举便于驾驶者以更精确视角观测各行人目标运动趋势;(2)俯视二维世界坐标系车前风险矩阵描述的是一种车前区域的静态风险分布,其风险分布情况与城市限速相关,且不受路面环境和车行速度影响,降低了实际应用的复杂程度;(3)单独考虑俯视二维世界坐标系中不同行人目标和车辆之间运动情况,行人之间运动相互不干扰,可根据驾驶员或自主驾驶系统的关注需求,对特定行人目标给予相应关注。(4)量化得到行人目标的归一化邻近行人风险系数,从0到1反映了行人目标不同的风险程度,可用于危险行人分类和车辆行驶避让优先级的确定。
实施例1:
本实施例子针对像素尺寸为1920×1080的实测道路场景车载视频,采用本专利量化图像中2个行人目标的邻近行人风险系数。邻近行人风险系数计算结果可见图11中(a)、(b)、(c)和(d),可见针对图像中两个横穿车前区域行人目标,给出了合理的行人风险量化结果。
实施例2:
本实施例子针对尺寸为1920×1080的实测道路场景车载视频中2个行人目标,给出其邻近行人风险系数计算结果如图12中(a)、(b)、(c)和(d)所示。可见,本发明针对与车辆无关相向而行的行人目标,给出了准确行人风险量化结果。
实施例3:
本实施例子针对车载视频为像素尺寸为1920×1080的实测道路场景图像,量化了连续图像中2个行人目标,其邻近行人风险系数计算结果如图13的(a)、(b)、(c)和(d)所示。可见,对于视频图像中横穿车前区域行人,本发明给出了准确行人风险量化结果。
以上所述,仅为本发明创造较佳的具体实施方式,但本发明创造的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内,根据本发明创造的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明创造的保护范围之内。