TheApplication of Computer Vision in AutomotiveCollision WarningSystems

Zhao Shengtian，Zhang Qiang (Zhengzhou Shengda University，Zhengzhou ，China）

【Abstract】Aiming at the detection limitations of traditional automotive collsion early warning systems in complex scenarios，this study proposes a visual perceptionalgorithmbased onthe improved YOLOv5-DeepSort fusion architecture. The test verificationwascariedoutfrom three aspects：basic detection performance，environmental adaptabilityand reliabilityof human-computerinteraction.Thetestresultsshowthatthevisualalgorithmbasedonmulti-sensor fusion exhibitsa strong environmental perceptionabilityinconventionaldriving scenarios.Itcanefectively identifythemotion characteristics of typical traic targetsand achieve risk earlywarningina timely manner.

【Key words】computer vision；automobile colision warning system；object detection;YOLOv5；multi-sensor fusion

0 引言

歷經(jīng)多年的發(fā)展與迭代，汽車碰撞預(yù)警系統(tǒng)已能有效降低事故發(fā)生概率。早期，該系統(tǒng)主要依賴?yán)走_(dá)、超聲波等設(shè)備對(duì)車輛周圍環(huán)境進(jìn)行監(jiān)控，在應(yīng)對(duì)車輛偏離車道、預(yù)防車輛追尾等情況時(shí)表現(xiàn)良好。然而，面對(duì)行人隨意橫穿馬路、駕駛員突然改變行駛路線等復(fù)雜道路場(chǎng)景，單一傳感器的局限性逐漸凸顯。例如，雷達(dá)在判斷靜止物體種類時(shí)容易出現(xiàn)誤判，而相機(jī)受光照條件影響較大，在光線不佳時(shí)難以準(zhǔn)確辨識(shí)目標(biāo)信息。因此，本研究聚焦于計(jì)算機(jī)視覺技術(shù)的優(yōu)化，旨在為提升智能駕駛系統(tǒng)的場(chǎng)景泛化能力提供理論與實(shí)踐參考。

1汽車碰撞預(yù)警系統(tǒng)概述

1.1汽車碰撞預(yù)警系統(tǒng)的定義與發(fā)展

汽車碰撞預(yù)警系統(tǒng)是一種主動(dòng)安全技術(shù)，通過實(shí)時(shí)監(jiān)測(cè)車輛周圍環(huán)境，預(yù)測(cè)潛在碰撞風(fēng)險(xiǎn)，并及時(shí)向駕駛員發(fā)出警示。該系統(tǒng)的發(fā)展經(jīng)歷了從單一傳感器到多傳感器融合的過程。早期的碰撞預(yù)警系統(tǒng)主要依靠雷達(dá)或超聲波傳感器，但這些傳感器探測(cè)范圍有限，誤報(bào)率較高，且無法準(zhǔn)確識(shí)別目標(biāo)類型。隨著計(jì)算機(jī)視覺技術(shù)的引入，攝像頭成為關(guān)鍵傳感器。通過圖像識(shí)別技術(shù)，系統(tǒng)能夠區(qū)分行人、車輛與非機(jī)動(dòng)車等目標(biāo)，并結(jié)合雷達(dá)的測(cè)距功能，大幅提高了檢測(cè)精度[]

1.2碰撞預(yù)警系統(tǒng)的工作原理

碰撞預(yù)警系統(tǒng)的工作原理如圖1所示。系統(tǒng)首先通過毫米波雷達(dá)持續(xù)發(fā)射電磁波，并接收前方物體的反射信號(hào)，以此探測(cè)周圍車輛的位置信息。雷達(dá)通過分析反射波的傳播時(shí)間計(jì)算本車與目標(biāo)的實(shí)時(shí)距離，依據(jù)反射波頻率變化推算相對(duì)速度，同時(shí)結(jié)合多組反射信號(hào)的空間分布判斷目標(biāo)的方位角度2。隨后，系統(tǒng)將獲取的車距、車速及角度等數(shù)據(jù)輸入安全車距預(yù)警模型。該模型綜合考慮當(dāng)前車速、路面附著條件和駕駛員反應(yīng)時(shí)間等因素，動(dòng)態(tài)計(jì)算安全跟車距離閾值。當(dāng)實(shí)際車距持續(xù)低于安全閾值，且兩車相對(duì)速度超過臨界值時(shí)，系統(tǒng)判定存在追尾風(fēng)險(xiǎn)。一旦確認(rèn)潛在危險(xiǎn)，系統(tǒng)立即啟動(dòng)分級(jí)預(yù)警機(jī)制：處于低風(fēng)險(xiǎn)時(shí)，通過儀表盤圖標(biāo)閃爍向駕駛員提示；中等風(fēng)險(xiǎn)時(shí)，疊加蜂鳴報(bào)警；高風(fēng)險(xiǎn)狀態(tài)下，則觸發(fā)急促警示音，并聯(lián)動(dòng)自動(dòng)制動(dòng)系統(tǒng)預(yù)備介入[3]。

1.3基于計(jì)算機(jī)視覺汽車碰撞預(yù)警系統(tǒng)設(shè)計(jì)

計(jì)算機(jī)視覺技術(shù)為碰撞預(yù)警系統(tǒng)提供了非接觸式的環(huán)境感知能力。在系統(tǒng)設(shè)計(jì)過程中，需對(duì)硬件架構(gòu)、算法流程與預(yù)警邏輯進(jìn)行協(xié)同優(yōu)化。如表1所示，系統(tǒng)采用模塊化設(shè)計(jì)理念，主要包含視覺感知層、數(shù)據(jù)處理層、決策層與人機(jī)交互層4大核心模塊，并通過多線程任務(wù)調(diào)度機(jī)制實(shí)現(xiàn)實(shí)時(shí)運(yùn)算與資源合理分配。在設(shè)計(jì)過程中，著重解決動(dòng)態(tài)目標(biāo)跟蹤、深度估計(jì)精度、復(fù)雜光照適應(yīng)這3大技術(shù)難題，確保系統(tǒng)在有限硬件資源條件下，滿足功能安全標(biāo)準(zhǔn)要求。

系統(tǒng)設(shè)計(jì)遵循3層技術(shù)路線：在感知層，雙目攝像頭與慣性導(dǎo)航單元構(gòu)成空間感知基礎(chǔ)，通過立體匹配算法獲取目標(biāo)三維坐標(biāo)，在 10m 檢測(cè)范圍內(nèi)，深度估計(jì)誤差可控制在 0.3m 內(nèi)，相比單目視覺精度提升了 62% 。數(shù)據(jù)處理層采用輕量化的YOLOv5目標(biāo)檢測(cè)網(wǎng)絡(luò)，在嵌入式平臺(tái)上可實(shí)現(xiàn) 80ms 級(jí)的處理速度，并配合DeepSort算法實(shí)現(xiàn)多目標(biāo)的持續(xù)跟蹤，ID切換率低于 5% 。決策層將車輛動(dòng)力學(xué)參數(shù)（如車速、橫擺角速度）與視覺感知數(shù)據(jù)相融合，基于碰撞時(shí)間（TTC）模型構(gòu)建3級(jí)預(yù)警機(jī)制：當(dāng)碰撞時(shí)間t_TTC<2.5s 時(shí)觸發(fā)1級(jí)預(yù)警； t_TC<1.5s 時(shí)啟動(dòng)2級(jí)緊急報(bào)警； t_TC<0.8s 時(shí)則激活自動(dòng)制動(dòng)預(yù)備指令。測(cè)試結(jié)果表明，該設(shè)計(jì)在保持 95.2% 檢測(cè)精度的同時(shí)，系統(tǒng)功耗控制在28W以內(nèi)，滿足車載ECU的供電約束條件。

2 試驗(yàn)設(shè)計(jì)

2.1 試驗(yàn)場(chǎng)景

為全面驗(yàn)證碰撞預(yù)警系統(tǒng)的實(shí)際性能，試驗(yàn)場(chǎng)景涵蓋了典型駕駛環(huán)境與極端工況。在城市道路場(chǎng)景中，重點(diǎn)模擬行人突然橫穿馬路、電動(dòng)車變道搶行等高風(fēng)險(xiǎn)行為，例如行人從視覺盲區(qū)（如綠化帶、?？寇囕v之間）突然出現(xiàn)，或非機(jī)動(dòng)車在路口違規(guī)穿插。此類場(chǎng)景要求系統(tǒng)能夠快速捕捉目標(biāo)的運(yùn)動(dòng)趨勢(shì)，并準(zhǔn)確判斷碰撞風(fēng)險(xiǎn)的時(shí)間窗口。在高速公路場(chǎng)景中，設(shè)計(jì)了長(zhǎng)距離跟車、緊急制動(dòng)等測(cè)試項(xiàng)目，如前車突然減速或相鄰車道車輛快速切入，以此驗(yàn)證系統(tǒng)對(duì)高速運(yùn)動(dòng)目標(biāo)的持續(xù)跟蹤能力及誤報(bào)抑制效果。此外，還增設(shè)了雨霧、逆光等惡劣環(huán)境場(chǎng)景，通過模擬低能見度條件（如暴雨天氣導(dǎo)致攝像頭圖像模糊、雷達(dá)反射信號(hào)衰減）和強(qiáng)光干擾（如隧道出入口的光照突變），評(píng)估多傳感器協(xié)同工作的魯棒性。所有場(chǎng)景均在封閉試驗(yàn)場(chǎng)按照標(biāo)準(zhǔn)測(cè)試流程進(jìn)行復(fù)現(xiàn)，確保試驗(yàn)條件可控且貼近真實(shí)駕駛環(huán)境。

2.2 評(píng)價(jià)指標(biāo)

碰撞預(yù)警系統(tǒng)的效能評(píng)估需要構(gòu)建多維量化指標(biāo)體系，該體系涵蓋基礎(chǔ)檢測(cè)性能、環(huán)境適應(yīng)能力及人機(jī)交互可靠性3個(gè)層面?；A(chǔ)性能指標(biāo)主要關(guān)注算法核心功能的實(shí)現(xiàn)情況，環(huán)境適應(yīng)性指標(biāo)用于驗(yàn)證系統(tǒng)在復(fù)雜工況下的穩(wěn)定性，人機(jī)交互指標(biāo)則反映預(yù)警信息傳遞的有效性?；?.1節(jié)設(shè)計(jì)的試驗(yàn)場(chǎng)景特征，本研究選取5類關(guān)鍵指標(biāo)構(gòu)建評(píng)價(jià)指標(biāo)（表2），指標(biāo)設(shè)計(jì)兼顧國(guó)際標(biāo)準(zhǔn)符合性（如ISO26262、SAEJ3016）與實(shí)際駕駛需要。

指標(biāo)體系構(gòu)建體現(xiàn)出3個(gè)技術(shù)關(guān)聯(lián)性。首先，目標(biāo)檢測(cè)準(zhǔn)確率(TruePositiveRate，TPR)與試驗(yàn)場(chǎng)景中行人橫穿、電動(dòng)車變道等高風(fēng)險(xiǎn)行為直接相關(guān)，通過目標(biāo)跟蹤算法在連續(xù)幀間的軌跡一致性進(jìn)行測(cè)量。其次，雨霧場(chǎng)景TPR衰減率專門針對(duì)低能見度環(huán)境設(shè)計(jì)，通過計(jì)算正常與惡劣環(huán)境下TPR的差值，驗(yàn)證多傳感器融合策略的有效性。最后，預(yù)警認(rèn)知時(shí)間通過眼動(dòng)儀與操作記錄儀同步采集，量化駕駛員從系統(tǒng)告警到實(shí)際制動(dòng)的時(shí)間差，該指標(biāo)與人機(jī)界面設(shè)計(jì)密切相關(guān)。在高速公路長(zhǎng)跟車場(chǎng)景中，對(duì)誤報(bào)率(FalsePositiveRate，F(xiàn)PR)設(shè)置了更嚴(yán)苛的閾值L (≤1.2s/h) ，因?yàn)檎`報(bào)可能導(dǎo)致駕駛員頻繁緊張。所有指標(biāo)測(cè)量均采用激光雷達(dá)基準(zhǔn)系統(tǒng)進(jìn)行標(biāo)定，時(shí)間同步誤差控制在 ±5ms 以內(nèi)，確保數(shù)據(jù)具有可比性。該指標(biāo)體系不僅滿足功能安全標(biāo)準(zhǔn)要求，還通過細(xì)分場(chǎng)景指標(biāo)揭示系統(tǒng)性能瓶頸，為優(yōu)化決策提供量化依據(jù)。

3結(jié)果分析

3.1計(jì)算機(jī)視覺在碰撞檢測(cè)中的表現(xiàn)

作為碰撞預(yù)警系統(tǒng)的核心感知模塊，計(jì)算機(jī)視覺技術(shù)直接影響目標(biāo)檢測(cè)與軌跡預(yù)測(cè)的準(zhǔn)確性。試驗(yàn)數(shù)據(jù)顯示，視覺算法在不同場(chǎng)景下的性能表現(xiàn)存在顯著差異，其性能與目標(biāo)特征復(fù)雜度、環(huán)境干擾強(qiáng)度密切相關(guān)。如表3所示，視覺模塊在典型場(chǎng)景中的基礎(chǔ)性能滿足設(shè)計(jì)要求，但在極端條件下，仍需依賴多傳感器協(xié)同工作來提升可靠性。

數(shù)據(jù)分析表明，在城市道路場(chǎng)景中，由于目標(biāo)輪廓清晰、光照條件穩(wěn)定，視覺算法的目標(biāo)檢測(cè)準(zhǔn)確率TPR達(dá)到 98.2% 。然而，在暴雨環(huán)境下，TPR下降至 85.6% ，主要原因是雨水噪點(diǎn)導(dǎo)致圖像模糊，增加了目標(biāo)邊緣特征提取的難度。在復(fù)雜路口場(chǎng)景中，F(xiàn)PR上升至 2.1s/h ，這與多目標(biāo)相互遮擋引發(fā)的誤關(guān)聯(lián)有關(guān)。值得注意的是，在逆光場(chǎng)景下，視覺模塊的響應(yīng)延遲RT延長(zhǎng)至 165ms ，較基準(zhǔn)值增加了 23% ，反映出光照突變對(duì)特征計(jì)算速度的影響。與毫米波雷達(dá)的對(duì)比試驗(yàn)顯示，視覺模塊在橫向運(yùn)動(dòng)目標(biāo)檢測(cè)中具有 12.7% 的精度優(yōu)勢(shì)，但在惡劣天氣下的漏檢率是雷達(dá)的2.3倍，進(jìn)一步驗(yàn)證了多傳感器融合的必要性。

3.2系統(tǒng)整體性能評(píng)價(jià)

系統(tǒng)整體效能需要從感知精度、環(huán)境適應(yīng)性與人機(jī)交互等多個(gè)維度進(jìn)行綜合評(píng)估。如表4所示，系統(tǒng)在標(biāo)準(zhǔn)化測(cè)試中展現(xiàn)出較好的魯棒性，但在部分極端工況下，性能仍存在衰減，有待進(jìn)一步優(yōu)化。關(guān)鍵指標(biāo)的表現(xiàn)驗(yàn)證了硬件架構(gòu)與算法設(shè)計(jì)的有效性，同時(shí)也指出了后續(xù)改進(jìn)的方向。

從數(shù)據(jù)分布來看，系統(tǒng)基礎(chǔ)性能指標(biāo)全面達(dá)到設(shè)計(jì)要求，其中TPR達(dá)標(biāo)率為 100% ，表明多傳感器融合策略有效提升了檢測(cè)可靠性。雨霧場(chǎng)景TPR衰減率控制在 7.2% ，優(yōu)于NHTSA標(biāo)準(zhǔn)（ ?10% )，但與理想值仍存在差距，主要瓶頸在于視覺與雷達(dá)的數(shù)據(jù)對(duì)齊精度不足。在人機(jī)交互維度，預(yù)警認(rèn)知時(shí)間為 0.75s ，滿足行業(yè)標(biāo)準(zhǔn)，但駕駛員信任度評(píng)分僅為4.3分（滿分5分），說明部分用戶對(duì)頻繁預(yù)警存在疑慮。通過分析日志發(fā)現(xiàn)， 15.6% 的預(yù)警發(fā)生在駕駛員已主動(dòng)制動(dòng)的場(chǎng)景，這提示需要進(jìn)一步對(duì)預(yù)警閾值進(jìn)行個(gè)性化調(diào)整。在資源消耗方面，系統(tǒng)平均功耗為23W，滿足車載ECU的供電約束，但在復(fù)雜場(chǎng)景下，峰值功耗達(dá)到38W，可能影響硬件的長(zhǎng)期穩(wěn)定性。這些結(jié)果為系統(tǒng)的迭代優(yōu)化提供了明確的技術(shù)方向。

4結(jié)論

本文通過試驗(yàn)驗(yàn)證了計(jì)算機(jī)視覺技術(shù)在汽車碰撞預(yù)警系統(tǒng)中的可行性與優(yōu)化潛力。試驗(yàn)結(jié)果表明，基于多傳感器融合的視覺算法在常規(guī)駕駛場(chǎng)景中展現(xiàn)出較強(qiáng)的環(huán)境感知能力，能夠有效識(shí)別典型交通目標(biāo)的運(yùn)動(dòng)特征，并及時(shí)實(shí)現(xiàn)風(fēng)險(xiǎn)預(yù)警。未來研究可在增強(qiáng)環(huán)境適應(yīng)性、優(yōu)化人機(jī)協(xié)同決策以及推進(jìn)輕量化部署等方向深入探索，從而推動(dòng)碰撞預(yù)警技術(shù)從試驗(yàn)室研究向大規(guī)模實(shí)際應(yīng)用轉(zhuǎn)化。

參考文獻(xiàn)

[1]孫建偉，喬彥超，金雅旋，等.基于雙目視覺傳感器的前向碰撞預(yù)警算法改進(jìn)[J].北華大學(xué)學(xué)報(bào)（自然科學(xué)版），2025，26(1):99-106.

[2]孫靜格，李忠利，陳廣修，等.基于機(jī)器視覺的汽車碰撞預(yù)警圖標(biāo)識(shí)別方法研究[J].自動(dòng)化儀表，2024，45（10）：86-91，98.

[3]王文宇.基于視覺選擇性注意的車載儀表盤界面交互設(shè)計(jì)研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2024.

[4]馬雷.基于深度學(xué)習(xí)和雙目視覺的汽車防碰撞預(yù)警系統(tǒng)研究[D].成都：西南交通大學(xué)，2023.

(編輯林子衿）