汪長(zhǎng)春，高尚兵，蔡創(chuàng)新，陳浩霖

1.淮陰工學(xué)院計(jì)算機(jī)與軟件學(xué)院,淮安 223001；2.江蘇省物聯(lián)網(wǎng)移動(dòng)互聯(lián)技術(shù)工程實(shí)驗(yàn)室,淮安 223001

0 引 言

高速公路行駛里程較長(zhǎng)，司機(jī)容易產(chǎn)生打盹、瞌睡等注意力不集中的情況，且由于行駛速度較快，若發(fā)生碰撞事故，會(huì)對(duì)人民生命財(cái)產(chǎn)安全造成嚴(yán)重危害。據(jù)統(tǒng)計(jì)，事故主要包括追尾碰撞、爆胎、刮擦和側(cè)撞等，其中高速追尾和超車變道造成的事故占比最高，造成損失最大。因此，針對(duì)高速公路上行駛的車輛進(jìn)行安全性分析，降低事故的發(fā)生顯得尤為重要。車輛在行車過(guò)程中保持安全距離和對(duì)司機(jī)進(jìn)行有效的預(yù)警是避免事故發(fā)生的基礎(chǔ)。

相關(guān)學(xué)者針對(duì)車輛安全距離和安全預(yù)警模型研究提出了多種方法。洪浩(2016)提出基于視覺(jué)的車輛防碰撞預(yù)警算法，以固定距離作為標(biāo)準(zhǔn)，未對(duì)安全距離進(jìn)行詳細(xì)計(jì)算，不符合實(shí)際情況；楊瀾等人(2017)提出通過(guò)通信技術(shù)構(gòu)建防碰撞模型，但此方法在一些信號(hào)不良的區(qū)域無(wú)法正常使用，同時(shí)對(duì)突發(fā)情況未提供解決方案；劉鍇等人(2018)提出的車路協(xié)同環(huán)境下道路無(wú)信號(hào)交叉口防碰撞系統(tǒng)，該方法受駕駛風(fēng)格影響較大；張立軍等人(2019)提出基于軌跡預(yù)測(cè)和模糊分析的商用車盲區(qū)防碰撞預(yù)警，該方法主要針對(duì)轉(zhuǎn)彎時(shí)的側(cè)方碰撞預(yù)警，對(duì)前方車道的預(yù)警效果不明顯；蔡創(chuàng)新等人(2020)提出車路視覺(jué)協(xié)同的高速公路防碰撞預(yù)警算法，該方法僅能對(duì)前方同車道區(qū)域進(jìn)行安全預(yù)警。Li等人(2021a)提出將避撞減速(deceleration for collision avoidance，DCA)作為指標(biāo)評(píng)估自車與前方其他車輛的碰撞風(fēng)險(xiǎn)，主要是根據(jù)自車的制動(dòng)距離和自車與前車的相對(duì)距離間關(guān)系對(duì)可能發(fā)生的碰撞進(jìn)行預(yù)測(cè)。

基于上述分析，本文提出面向高速公路場(chǎng)景的車路視覺(jué)協(xié)同行車安全預(yù)警算法。實(shí)現(xiàn)車輛目標(biāo)的快速精確定位，重新分析車輛行駛過(guò)程中的安全距離和預(yù)警區(qū)域。依據(jù)車輛在剎車過(guò)程中的力學(xué)特性，忽略車輛自身?yè)p耗，根據(jù)能量變換過(guò)程計(jì)算得到安全距離模型，同時(shí)計(jì)算標(biāo)記車輛與自車間距離，結(jié)合安全距離模型和多車道預(yù)警模型，對(duì)前方多車道中的車輛進(jìn)行安全預(yù)警。所提算法主要由車輛目標(biāo)識(shí)別技術(shù)、安全距離模型和多車道預(yù)警模型3部分組成，如圖1所示。

圖1 總體算法流程圖

本文算法的主要貢獻(xiàn)：1)提出一種深度卷積神經(jīng)網(wǎng)絡(luò)SF_YOLOv4(single feature you look only once v4)對(duì)單一場(chǎng)景下車輛目標(biāo)進(jìn)行快速檢測(cè)，提升對(duì)小目標(biāo)的檢測(cè)效果，增強(qiáng)單一場(chǎng)景下的目標(biāo)檢測(cè)速度與精度；2)提出安全距離模型，考慮了車輛在行駛狀態(tài)下的動(dòng)量和能量守恒，符合車輛在真實(shí)行駛狀況下的力學(xué)特性；3)提出多車道安全預(yù)警模型，對(duì)前方多車道駕駛環(huán)境進(jìn)行安全分析，提供快速安全預(yù)警，保障行車安全。

1 基于SF_YOLOv4的車輛目標(biāo)檢測(cè)

當(dāng)前的目標(biāo)檢測(cè)算法主要分為傳統(tǒng)方法(Li等，2021b)和基于深度學(xué)習(xí)(Zou等，2019)的方法?；谏疃葘W(xué)習(xí)的方法主要是利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)(Shomron和Weiser，2019)提取目標(biāo)特征，進(jìn)行特征融合，最終實(shí)現(xiàn)目標(biāo)預(yù)測(cè)。常用的CNN模型有VGG(Visual Geometry Group)(Haque等，2019)、Inception(Alom等，2021)、ResNets(Shipway等，2021)、DarkNet(Redmon和Farhadi，2018)等。目標(biāo)檢測(cè)算法主要為單步檢測(cè)和雙步檢測(cè)，單步檢測(cè)首先利用圖像分割技術(shù)選出候選區(qū)域，然后采用滑動(dòng)窗口思想對(duì)圖像進(jìn)行分類、回歸操作，主要包括R-CNN(region convolutional neural network(Wang等，2020)、Fast R-CNN(Yang等，2020)和Faster R-CNN(Wan和Goudos，2020)等；雙步檢測(cè)是將目標(biāo)的定位與分類轉(zhuǎn)化為回歸問(wèn)題直接得到目標(biāo)類別概率和坐標(biāo)，主要包括YOLO(Redmon等，2016)，SSD(single shot multibox detector(Raj和Chandan，2018)等。其中YOLO是一種基于CNN的雙步實(shí)時(shí)目標(biāo)檢測(cè)算法，檢測(cè)速度較快，但對(duì)小目標(biāo)物體的檢測(cè)錯(cuò)誤率較高。Bochkovskiy等人(2020)對(duì)YOLO算法進(jìn)行了一系列改進(jìn)，公開了YOLOv4算法(Bochkovskiy等，2020)，算法以CSPDarknet53(cross stage paritial Darknet53)為特征提取主干網(wǎng)絡(luò)，采用SPP(spatial pyramid pooling)(Lian等，2021)和PANet(path aggregation network)(Liu等，2018)構(gòu)建特征融合網(wǎng)絡(luò)，并將CIoU(complete intersection of union)Loss(Zheng等，2020)作為損失函數(shù)。

本文在YOLOv4的基礎(chǔ)上優(yōu)化目標(biāo)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)，增強(qiáng)單一場(chǎng)景下的目標(biāo)檢測(cè)速度與精度，提升對(duì)小目標(biāo)的檢測(cè)效果。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，主干特征提取網(wǎng)絡(luò)使用層數(shù)更少的CSPDarknet17網(wǎng)絡(luò)結(jié)構(gòu)，可以大幅度降低YOLOv4龐大計(jì)算量和參數(shù)量導(dǎo)致檢測(cè)速度低的情況；在特征融合網(wǎng)絡(luò)部分，提出一種改進(jìn)的多尺度特征融合網(wǎng)絡(luò)(four-feature pyramid networks for object detection，F(xiàn)-FPN)，在原有3個(gè)尺度的基礎(chǔ)上增加104×104尺度的特征提取圖，有利于提升小目標(biāo)的檢測(cè)效果，提出的SF_YOLOv4模型可以做到速度與精度的完美契合。

圖2 SF_YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)

1.1 主干特征提取網(wǎng)絡(luò)

由于本文以檢測(cè)高速公路上行駛的車輛為研究目標(biāo)，而高速公路環(huán)境相對(duì)單一，因此只需要進(jìn)行簡(jiǎn)單的特征提取。本文優(yōu)化的CSPDarknet17網(wǎng)絡(luò)將YOLOv4的CSPDarknet53網(wǎng)絡(luò)中重復(fù)執(zhí)行1次、2次、8次、8次、4次殘差網(wǎng)絡(luò)結(jié)構(gòu)減少為均執(zhí)行一次。結(jié)構(gòu)如圖2中CSPDarknet17所示，其中，CONV模塊為卷積操作，BN模塊為正則化操作，Mish和Leaky Relu模塊為激活函數(shù)，Concat模塊為拼接操作，add模塊為疊加操作。首先使用32個(gè)3×3的卷積核對(duì)416×416像素分辨率圖像進(jìn)行卷積作為輸入圖像；然后，對(duì)輸入圖像使用64個(gè)尺寸為3×3、步長(zhǎng)為2的卷積核進(jìn)行下采樣，再對(duì)卷積結(jié)果使用由1×1和3×3組成的殘差塊增加網(wǎng)絡(luò)深度，此時(shí)得到的特征圖尺寸為208×208像素；接著，重復(fù)執(zhí)行該殘差塊，分別得到104×104像素、52×52像素、26×26像素、13×13像素尺度的特征圖，除卷積核與特征圖的尺度不同之外，每一個(gè)殘差塊都相同。其中，下采樣在每個(gè)矩形框上方的卷積層中執(zhí)行，步長(zhǎng)為2。在所有的卷積層上均添加批量標(biāo)準(zhǔn)化(batch normalization layer)加速訓(xùn)練收斂過(guò)程，使用Mish函數(shù)作為激活函數(shù)。

根據(jù)深度學(xué)習(xí)理論(Hu等，2021)，其深度學(xué)習(xí)模型的時(shí)間復(fù)雜度和空間復(fù)雜度為

(1)

(2)

1.2 多尺度預(yù)測(cè)網(wǎng)絡(luò)

SF_YOLOv4網(wǎng)絡(luò)直接在多個(gè)尺度的特征圖上預(yù)測(cè)車輛目標(biāo)和分類。如圖2中F-FPN結(jié)構(gòu)所示，將經(jīng)過(guò)特征提取后的13×13，26×26，52×52，104×104的特征圖輸入F-FPN特征融合網(wǎng)絡(luò)中。該網(wǎng)絡(luò)首先對(duì)主干特征提取網(wǎng)絡(luò)Darknet17提取的13×13尺度的特征圖進(jìn)行卷積，將卷積結(jié)果作為13×13尺度的輸出預(yù)測(cè)；同時(shí)將卷積結(jié)果進(jìn)行卷積和上采樣操作后與Darknet17提取的26×26尺度的特征圖進(jìn)行拼接后，作為26×26尺度的輸出預(yù)測(cè)；同時(shí)再將上述拼接后的結(jié)果進(jìn)行卷積和上采樣操作后與Darknet17提取的52×52尺度的特征圖進(jìn)行拼接，將拼接結(jié)果進(jìn)行卷積和上采樣操作，將其作為與52×52尺度的特征圖所對(duì)應(yīng)的處理結(jié)果，然后將所述處理結(jié)果和Darknet17提取的104×104尺度的特征圖進(jìn)行拼接后再進(jìn)行卷積和下采樣操作，然后與52×52尺度的特征圖所對(duì)應(yīng)的處理結(jié)果進(jìn)行進(jìn)一步拼接，經(jīng)拼接結(jié)果作為52×52尺度特征圖的輸出預(yù)測(cè)。本文改進(jìn)方法將主干特征提取網(wǎng)絡(luò)中的104×104尺度的特征圖加入特征融合，可以增強(qiáng)模型對(duì)于小目標(biāo)的檢測(cè)效果。

2 安全距離模型

2.1 距離計(jì)算

為了有效控制并避免交通事故的發(fā)生，除需要對(duì)前方車輛目標(biāo)和位置進(jìn)行標(biāo)定之外，還需要計(jì)算車輛間的距離，精確的距離計(jì)算可以對(duì)車輛間的相對(duì)位置進(jìn)行準(zhǔn)確的量化描述。根據(jù)我國(guó)高速公路車道線規(guī)格與距離(白虛線長(zhǎng)度為6 m，白虛線與白虛線之間的間隔為9 m，即15 m為1個(gè)周期；白線寬度為0.15 m，車道寬度為3.75 m)。在圖像水平和豎直方向標(biāo)定多個(gè)特征點(diǎn)，根據(jù)特征點(diǎn)將水平與豎直方法分開計(jì)算。

通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)水平方向具有一定的比例關(guān)系，因此水平方向距離計(jì)算式為

L=k1×Lpix

(3)

(4)

式中，L為自車與前方車輛間水平距離，k1為與實(shí)際水平長(zhǎng)度和像素點(diǎn)個(gè)數(shù)相關(guān)的常數(shù)，Lpix為前方車輛沿水平方向在鳥瞰圖的底邊所在直線上的投影到目標(biāo)車輛位置之間的像素點(diǎn)的個(gè)數(shù)，Lref為參照物的實(shí)際水平長(zhǎng)度。Lref_pix為水平方向上該參照物實(shí)際水平長(zhǎng)度相對(duì)應(yīng)的線段所對(duì)應(yīng)的像素點(diǎn)的個(gè)數(shù)。

豎直方向計(jì)算過(guò)程為沿鳥瞰圖中車道線布設(shè)方向依次獲取同一車道線中的子車道線和相鄰子車道線之間的間隔，獲取矩形車道線部分所對(duì)應(yīng)順序數(shù)據(jù)組合的一組實(shí)際豎直長(zhǎng)度，以及鳥瞰圖中沿豎直方向上與各實(shí)際豎直長(zhǎng)度與其對(duì)應(yīng)的像素點(diǎn)的個(gè)數(shù)：(L1,h1)，(L2,h2)，(L3,h1+h2)，(L4,2h1+h2),…,(Lm,n1h1+n2h2)，其中，L1、L2、L3、L4、…、Lm分別為與實(shí)際豎直長(zhǎng)度h1、h2、h1+h2、2h1+h2、…、n1h1+n2h2所對(duì)應(yīng)的像素點(diǎn)的個(gè)數(shù)。其中，通過(guò)采集豎直方向上的車道線的實(shí)際長(zhǎng)度和對(duì)應(yīng)像素關(guān)系擬合曲線如圖3所示。

圖3 曲線擬合圖

擬合得到實(shí)際距離H(單位m)和像素距離x(單位像素)的計(jì)算式為

H=0.073 97x-0.016 29

(5)

式中，x為像素差高度，即為目標(biāo)檢測(cè)框底部中點(diǎn)到攝像機(jī)的豎直方向像素值，H為實(shí)際距離。

最后利用歐氏距離公式，計(jì)算得到目標(biāo)點(diǎn)與檢測(cè)點(diǎn)的實(shí)際距離D(單位m)，即

D=ρ(L,H)

(6)

式中，D為自車與前方檢測(cè)車輛的實(shí)際距離，ρ(·)為歐氏距離，L為橫向?qū)嶋H距離，H為縱向?qū)嶋H距離。

2.2 安全距離模型

安全距離模型是主動(dòng)安全預(yù)警系統(tǒng)的主要研究?jī)?nèi)容。本文在充分考慮車輛在行車過(guò)程中的力學(xué)特性，忽略車輛自身?yè)p耗的前提下，利用動(dòng)量與能量的守恒變換原理提出一種安全距離模型。

根據(jù)駕駛員從發(fā)現(xiàn)前方車輛險(xiǎn)情開始到完成制動(dòng)過(guò)程進(jìn)行分析，該過(guò)程可以分為兩個(gè)子過(guò)程：1)駕駛員發(fā)現(xiàn)前方險(xiǎn)情的反應(yīng)時(shí)間、將險(xiǎn)情傳給大腦并作出判斷的判斷時(shí)間以及抬腳踩剎車的整個(gè)過(guò)程中行駛的距離，由于目前車輛性能的提升，可以忽略車輛的反應(yīng)時(shí)間，即認(rèn)為駕駛員踩下剎車的一瞬間，車輛立即開始制動(dòng)；2)車輛剎車過(guò)程中由于其存在的巨大能量緩沖造成的剎車距離。其中可以認(rèn)為在子過(guò)程1)中車輛做勻速運(yùn)動(dòng)，其行駛距離為s1(單位m)，即s1=vt，v為車速(單位m/s)，通過(guò)速度公式(蔡創(chuàng)新 等，2020)計(jì)算得到，t為反應(yīng)時(shí)間，根據(jù)國(guó)際公約建議使用2 s規(guī)則，即前車與自車之間的最小安全距離取決于自車速度，該距離至少為自車保持當(dāng)前速度行駛2 s的距離，故t=2 s。

在子過(guò)程2)中，根據(jù)動(dòng)量和能量守恒定律，即在車輛剎車過(guò)程中，速度產(chǎn)生的動(dòng)量轉(zhuǎn)化為克服地面摩擦力做功、克服風(fēng)阻力做功以及克服慣性做功的總和，忽略自車剎車損耗，根據(jù)守恒原理計(jì)算得到剎車過(guò)程中的距離s2。計(jì)算過(guò)程為

(7)

Wfriction=Ffrictions2=μms2

(8)

(9)

Winertia=mgs2

(10)

(11)

由上推導(dǎo)可得

(12)

式中，m為車輛重量(單位kg)，v為車輛行駛速度，μ為輪胎與地面的附著系數(shù)，在瀝青路面的高速公路進(jìn)行測(cè)試，取附著系數(shù)μ=0.6，A為車輛前部截面面積(單位：m2)，Cw為風(fēng)阻系數(shù)，g為重力加速度(9.8 m/s2)。式(7)為車輛剎車過(guò)程中的動(dòng)量，Ek為動(dòng)量，式(8)為車輛剎車過(guò)程中摩擦力做功，Wfriction為摩擦力做功，F(xiàn)friction為輪胎與地面摩擦力，式(9)為車輛剎車過(guò)程中風(fēng)阻力做功，Wwind為風(fēng)阻力做功，F(xiàn)wind為風(fēng)阻力，式(10)為車輛剎車過(guò)程中慣性做功，Winertia為慣性做功，式(11)為車輛剎車過(guò)程中能量守恒關(guān)系，式(12)為車輛剎車距離。

最終，整合上述過(guò)程得到整個(gè)過(guò)程中的安全距離模型為

(13)

3 多車道安全預(yù)警模型

高速公路上的汽車在快速行駛時(shí)，本車駕駛員對(duì)前方同車道和相鄰車道中出現(xiàn)的車輛下一刻行為是無(wú)法預(yù)測(cè)的，因此對(duì)前方多車道區(qū)域建立安全預(yù)警算法尤為重要。本文在原有同車道預(yù)警區(qū)域的基礎(chǔ)上重新分析行車過(guò)程，提出多車道安全預(yù)警模型，該模型作為判斷前方多車道行車環(huán)境的輔助手段，主要在原同車道區(qū)域上進(jìn)行擴(kuò)展，能夠?qū)η胺蕉嘬嚨绤^(qū)域進(jìn)行預(yù)警，使車輛在行駛過(guò)程中擁有更加廣泛的安全區(qū)域，充分保證前方行車安全。

多車道安全預(yù)警算法的核心思想是：將車輛檢測(cè)和距離檢測(cè)相結(jié)合，基于安全距離模型構(gòu)建出多車道安全預(yù)警區(qū)域，并通過(guò)判斷車輛距離與預(yù)警區(qū)域的關(guān)系，為司機(jī)提供相應(yīng)的提示。

本文方法充分考慮車輛在行駛過(guò)程中的實(shí)際情況，能對(duì)高速公路行車途中發(fā)生的不同類型碰撞(追尾、超車變道等)事故進(jìn)行有效預(yù)測(cè)，從而保證行車安全性。根據(jù)如圖4所示的安全預(yù)警模型，對(duì)前方多車道中的車輛進(jìn)行預(yù)警，根據(jù)車輛出現(xiàn)的不同位置對(duì)駕駛員提供相應(yīng)的預(yù)警。若前方車輛位于預(yù)警區(qū)域外，則提醒司機(jī)可以安全行駛；若車輛出現(xiàn)在預(yù)警區(qū)域內(nèi)，則根據(jù)被檢測(cè)車輛出現(xiàn)的不同車道對(duì)司機(jī)提供不同的預(yù)警信息。預(yù)警算法流程圖如圖5所示。

圖4 安全預(yù)警模型示意圖

圖5 預(yù)警算法流程圖

4 實(shí)驗(yàn)結(jié)果與分析

4.1 車輛檢測(cè)實(shí)驗(yàn)分析

本文模擬實(shí)際高速行車環(huán)境，在VOC(visual object class)2012數(shù)據(jù)集上提取車輛數(shù)據(jù)與淮安交運(yùn)公司客運(yùn)車輛上行車記錄儀拍攝的自建數(shù)據(jù)共同作為實(shí)驗(yàn)數(shù)據(jù)集。其中自建數(shù)據(jù)包括訓(xùn)練集(13 472幅)、測(cè)試集(8 250幅)和驗(yàn)證集(5 774幅)，共計(jì)27 496幅圖像，包括目標(biāo)car(58 944輛)、truck(17 228輛)、bus(5 650輛)和danger_car(4 258輛)。訓(xùn)練時(shí)通過(guò)翻轉(zhuǎn)、裁剪、縮放與增減對(duì)比度等方式進(jìn)行增強(qiáng)數(shù)據(jù)。根據(jù)對(duì)高速公路上運(yùn)行車輛分析以及發(fā)生事故時(shí)造成的生命財(cái)產(chǎn)安全損失程度，對(duì)車輛目標(biāo)進(jìn)行分類檢測(cè)，主要分類包括car(七座及以下車輛)、bus(大巴及中巴等客運(yùn)車輛)、truck(貨車、卡車等大型車輛)以及Danger_car(?；奋囕v及油罐車輛等)。本文實(shí)驗(yàn)使用pytorch深度學(xué)習(xí)框架，在配置為Inter Core i5-7500 @3.40 GHZ 四核CPU、16 GB主頻為2 400 MHz內(nèi)存和Nvidia GTX 1660 SUPER的PC機(jī)上運(yùn)行。

本文采用均值平均精度(mean average precision, mAP)、檢測(cè)速度(frames per second, FPS)、召回率(recall)、空間復(fù)雜度、時(shí)間復(fù)雜度等對(duì)SF_YOLOv4模型進(jìn)行評(píng)價(jià)。分別改變主干網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表1所示，同時(shí)在自建數(shù)據(jù)集上進(jìn)行不同算法的對(duì)比實(shí)驗(yàn)如表2所示。

如表1所示，對(duì)比第1行與第2行數(shù)據(jù)發(fā)現(xiàn),本文改進(jìn)的主干網(wǎng)絡(luò)(CSPDarknet17)能有效降低模型時(shí)間與空間復(fù)雜度，與原模型相比，其空間復(fù)雜度降低約634萬(wàn)，時(shí)間復(fù)雜度降低近43億，檢測(cè)精度稍有下降，但檢測(cè)速度有所提升；對(duì)比第1行和第3行數(shù)據(jù)發(fā)現(xiàn)本文F-FPN結(jié)構(gòu)與原模型中的SPP+PANet相比，時(shí)間復(fù)雜度降低近52億，空間復(fù)雜度降低2 155萬(wàn)；對(duì)比第1行和第4行數(shù)據(jù)發(fā)現(xiàn)本文提出的SF_YOLOv4模型在時(shí)間復(fù)雜度上降低2 788萬(wàn)，時(shí)間復(fù)雜度上降低94億，在精度上提升0.81%，在檢測(cè)速度13幀/s。在召回率上，本文方法在各分類上均取得最好效果。

表1 消融實(shí)驗(yàn)對(duì)比效果

從表2中可以看出，與YOLO系列算法相比，本文方法在精度上比YOLOv4提高0.81%，在速度上比YOLOv4-Tiny提高9幀/s；與非YOLO系列算法相比，本文方法比SSD算法提升2.05%，檢測(cè)速度明顯提升。

表2 不同算法在自建數(shù)據(jù)集上的實(shí)驗(yàn)對(duì)比

針對(duì)不同類型車輛目標(biāo)及小目標(biāo)檢測(cè)效果如圖6所示。圖中可以看出，本文模型對(duì)于高速公路等單一特定場(chǎng)景下的車輛目標(biāo)分類檢測(cè)和小目標(biāo)檢測(cè)具有較好的魯棒性。

圖6 車輛目標(biāo)分類檢測(cè)效果

4.2 安全距離模型實(shí)驗(yàn)分析

根據(jù)《中華人民共和國(guó)道路交通安全法實(shí)施條例》第80條規(guī)定：機(jī)動(dòng)車在高速公路上行駛，車速超過(guò)每小時(shí)100 km時(shí)，應(yīng)當(dāng)與同車道前車保持100 m以上的距離，車速低于每小時(shí)100 km時(shí)，與同車道前車距離可以適當(dāng)縮短，但最小距離不得少于50 m。交警部門對(duì)此的解釋為：當(dāng)機(jī)動(dòng)車時(shí)速為60 km時(shí)，行車間距應(yīng)為60 m以上；時(shí)速為80 km時(shí)，行車間距為80 m以上，以此類推。

為了驗(yàn)證本文安全距離模型的可靠性，進(jìn)行定量實(shí)驗(yàn)，分別選擇宇通大巴車(ZK6128HQ(雙風(fēng)擋))和小汽車(凱迪拉克XT4)進(jìn)行實(shí)驗(yàn)，兩種類型車輛參數(shù)分別如表3所示，取宇通大巴車的風(fēng)阻系數(shù)為0.7，凱迪拉克XT4的風(fēng)阻系數(shù)為0.4進(jìn)行計(jì)算。實(shí)驗(yàn)結(jié)果如表4所示。

表3 不同實(shí)驗(yàn)車輛參數(shù)

表4 安全距離實(shí)驗(yàn)結(jié)果

通過(guò)表4可以發(fā)現(xiàn)，本文方法計(jì)算得到的安全距離比交通法建議安全距離更加精確，且不同車型的停車距離誤差不超過(guò)0.1 m，當(dāng)車速處于100 km/h時(shí)，本文方法計(jì)算的剎車距離比交通法建議距離提高近8 m。進(jìn)一步說(shuō)明本文方法的可靠性和精確性，同時(shí)驗(yàn)證交通法建議距離的安全性與必要性，若司機(jī)按照交通法建議距離行駛，則可以保證安全行車。

4.3 多車道預(yù)警實(shí)驗(yàn)

馬自達(dá)6(ATENZA)自帶前方防碰撞系統(tǒng)(forward obstruction warning，F(xiàn)OW)是目前國(guó)內(nèi)外先進(jìn)的防碰撞預(yù)警系統(tǒng)，通過(guò)毫米波對(duì)前方車輛進(jìn)行感知，利用提示音進(jìn)行追尾預(yù)警。為驗(yàn)證本文多車道預(yù)警模型對(duì)前方相鄰車道中車輛變道過(guò)程中的預(yù)警效果的時(shí)效性，本文在正中間安裝高清攝像頭的馬自達(dá)6作為測(cè)試車輛，擬采用虛擬仿真和在實(shí)際行車環(huán)境中進(jìn)行實(shí)驗(yàn)分析，以馬自達(dá)車輛發(fā)出預(yù)警點(diǎn)為標(biāo)準(zhǔn)。

將本文方法和蔡創(chuàng)新等人(2020)提出的防碰撞模型、馬自達(dá)6(ATENZA)自帶前方防碰撞系統(tǒng)分別在長(zhǎng)深高速進(jìn)行實(shí)測(cè)。本文模型相比于上述兩種方法能夠精確對(duì)相鄰車道中的車輛變道進(jìn)行安全預(yù)警，能更加直觀地顯示車距。對(duì)前方同車道區(qū)域中的車輛，本文方法較上述兩種方法分別提前0.9 s和1.2 s對(duì)進(jìn)入預(yù)警區(qū)域內(nèi)的車輛進(jìn)行預(yù)警；對(duì)前方預(yù)警區(qū)域內(nèi)的車輛發(fā)生變道時(shí)，本文方法分別提前0.4 s和0.7 s對(duì)發(fā)生變道的車輛進(jìn)行預(yù)警。本文預(yù)警模型效果如圖7所示。當(dāng)前方車輛超出預(yù)警區(qū)域時(shí)，能夠?qū)崟r(shí)顯示安全距離并提示前方車輛處于安全區(qū)域外，效果如圖7(a)所示；當(dāng)前方車道中車輛位于預(yù)警區(qū)域內(nèi)，根據(jù)車輛所處車道提示駕駛員注意行車安全并實(shí)時(shí)顯示車距，預(yù)警效果如圖7(b)所示；針對(duì)高速公路中具有大量車輛時(shí)，對(duì)所有車輛進(jìn)行的安全預(yù)警如圖7(c)所示。上述實(shí)驗(yàn)結(jié)果說(shuō)明本文方法能夠?qū)Σ煌愋偷呐鲎彩鹿蔬M(jìn)行預(yù)警，從而有效地保證行車安全。

圖7 安全預(yù)警效果圖

5 結(jié) 論

本文提出的面向高速公路場(chǎng)景的車路視覺(jué)協(xié)同行車安全預(yù)警算法利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)路況視頻進(jìn)行處理。首先對(duì)圖像中的車輛目標(biāo)進(jìn)行識(shí)別并計(jì)算前方多車道車輛與自車間距離，然后根據(jù)力學(xué)特性構(gòu)建本車與前方相鄰多車道安全距離模型，最后通過(guò)多車道預(yù)警算法對(duì)高速公路多車道可能發(fā)生的追尾、超車碰撞等事故進(jìn)行預(yù)警，并提示駕駛員采取相應(yīng)措施，避免發(fā)生事故。實(shí)驗(yàn)結(jié)果表明，本文算法在車輛檢測(cè)速度、安全距離計(jì)算精確度和多車道安全預(yù)警方面均取得了良好效果，與傳統(tǒng)毫米波雷達(dá)的預(yù)警系統(tǒng)相比，其預(yù)警準(zhǔn)確度高、時(shí)效性好。但本文系統(tǒng)仍存在不足，例如對(duì)車輛檢測(cè)僅局限于良好的天氣條件下，下一步將考慮雨霧、夜間等能見度較低情況下的車輛檢測(cè)和安全預(yù)警研究。