一种基于单目视觉的高级驾驶模拟系统及方法与流程

本发明属于汽车驾驶训练教学模拟设备领域，涉及一种基于单目视觉的高级驾驶模拟系统及方法。

背景技术：

随着汽车在人们日常生活中的普及和应用，会开车并取得驾驶资格已成为当今社会人们生存的基本需求。每年国内有超千万的人在学习驾驶技术，目前在驾驶技术训练过程中遇到的主要问题是人多车少上车实训的时间不够、交通事故频发、油耗成本居高不下。同时，随着汽车工业技术迅猛发展，各种先进驾驶辅助系统(advanceddriverassistancesystem，adas)搭载在汽车控制系统中有巨大的市场需求和发展空间。为了更加安全有效、节能环保提高人们的驾驶技能，设计一种基于单目视觉的高级驾驶模拟装置，将车道偏离预警模块系统及前向碰撞预警模块系统与gps定位等功能结合一体，应用到模拟驾驶装置上，为进行驾驶训练的学员提供更真实的模拟体验环境，为技术升级产业化应用提供实验载体。

技术实现要素：

发明目的：本发明提供一种基于单目视觉的高级驾驶模拟系统及方法，其目的在于解决目前的驾驶技术训练过程中，人多车少，上车实训的时间不够、交通事故频发、油耗成本居高不下方面存在的问题。

技术方案：

一种基于单目视觉的高级驾驶模拟系统，其特征在于：该系统包括车道偏离预警模块、前向碰撞预警模块、总控模块和驱动控制模块；

其中，车道偏离预警模块负责跟踪车道线，并判断是否将要发生车道偏离，进而相应给出报警信号；

前向碰撞预警模块负责检测跟踪各类目标，估计本车与目标之间的纵向距离、横向距离及碰撞时间，并能在距离较近时发出报警信号；

车道偏离预警模块和前向碰撞预警模块与总控模块连接，总控模块与驱动控制模块连接。

一种如上所述的基于单目视觉的高级驾驶模拟方法，其特征在于：该方法采用的车道偏离预警模块采用深度学习分割方法，用来对车道线进行跟踪，并根据车道线在图像中的位置和车道线斜率的变化判断是否将要发生车道偏离功能，并相应给出报警信号；所述的前向碰撞预警模块采用faster_rcnn深度学习算法，用于估计本车与目标的纵向距离、横向距离、碰撞时间，能让驾驶员始终保持安全距离，并能在距离小于安全距离时发出报警信号。

所述车道偏离预警模块及前向碰撞预警模块系统与gps定位功能结合一体，应用到模拟驾驶装置上，并设定新的驾驶动作控制指令。

本发明的有益效果：

为了更加安全有效、节能环保提高人们的驾驶技能，设计一种基于单目视觉的高级驾驶模拟装置，将基于单目视觉的车道偏离预警模块系统及前向碰撞预警模块系统应用于汽车驾驶adas系统，在提高驾驶安全性能的同时，提升了国内adas系统研发水平，在汽车电子领域具有普适性意义，形成我国在该领域的优势地位。

1)制造运行成本低，使用安全方便；

2)计算没有重复，完全在gpu中完成，运行速度快，效率高；

3)能够获得真实可靠的实验数据。

附图说明

图1为本发明所述的装置流程示意图；

图2为车道偏离检测预警流程图；

图3为前向碰撞检测预警流程图。

具体实施方式：

本发明提供了基于单目视觉的车道偏离预警模块系统及前向碰撞预警模块系统。通过将车道偏离预警模块系统及前向碰撞预警模块系统与gps定位等功能结合一体，应用到模拟驾驶装置上，当检测到车辆存在潜在危险时，会发出警报以及显示屏显示路径的方式，提示驾驶者注意异常的道路情况，及时根据自身意愿进行更改路径，提高驾驶安全性能。

为了达到上述目的，本发明的技术方案包括以下部分：

1)车道偏离预警：对车道线进行跟踪，并根据车道线在图像中的位置和车道线斜率的变化判断是否将要发生车道偏离功能，并相应给出报警信号。车道偏离预警核心算法是车道线检测。通过正确检测本车所在车道，根据本车在车道中的相对位置判断是否会发生车道偏离。在偏离发生时通过语音通知驾驶员，避免事故发生或规范驾驶员的行车习惯。

2)前向碰撞预警：通过估计本车与目标之间的纵向距离、横向距离及碰撞时间，通过语音通知及影相提示给驾驶员，让驾驶员调整驾驶控制，免事故发生或规范驾驶员的行车习惯。前向碰撞预警的核心算法是目标检测、目标跟踪和单目测距。

(1)车道偏离预警

首先，利用深度学习分割方法获得可行驶区域和车道线位置，然后根据目标检测框位置和摄像头标定信息，对车道线进行跟踪，最后根据车道线在图像中的位置和车道线斜率的变化判断是否将要发生车道偏离功能，并相应给出报警信号。具体实施方式见附图2：(anchors:在图像上预设好的不同大小，不同长宽比的参照框)

由(2-1)完成数据采集后进入数据的原始特征提取及网格划分(2-2)建立检查信息的原始特征(2-3)，采用线性整流函数建立注意力提示机制(2-4)，得到特征图像(2-5)，对特征图像进行分类(2-6)，将分类后的图像进行对比分析(2-7)完成图像精准预测(2-8)并做出预警(2-9)。

(2)前向碰撞预警

首先，用faster_rcnn深度学习算法检测各类目标，包括车辆、行人、非机动车。然后对目标进行跟踪：根据前一帧跟踪框位置以及当前帧图像信息和检测信息，确定目标在当前帧位置。最后根据视频序列判断当前图像深度信息，进行通用障碍物检测。具体实施方式见附图3：(rcnn：基于区域的卷积神经网络)

从图3-1到图3-2，再图3-3，完成车辆、行人、非机动车等目标区域生成，特征提取分类及位置确定检测，检测结果最终输入到一个制定网格框架。整个检测过程没有重复，完全在由计算机自动完成，运行速度高。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除