胡彬

　　（南通大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南通 226019）

       摘要：防碰撞預(yù)警是主動(dòng)安全中的一項(xiàng)重要技術(shù)。提出了一種基于毫米波雷達(dá)的防碰撞預(yù)警技術(shù)。首先在MHT模型下使用毫米波雷達(dá)檢測(cè)出前方車輛，然后利用毫米波雷達(dá)獲取的目標(biāo)的速度和距離提出了以碰撞時(shí)間（Time to Collision, TTC）作為參數(shù)的防碰撞預(yù)警機(jī)制。通過(guò)實(shí)驗(yàn)分析，所提出的方法能夠有效地將本車與前車保持在安全不碰撞的狀態(tài)，可以應(yīng)用到現(xiàn)有的主動(dòng)安全系統(tǒng)中。

　　關(guān)鍵詞：主動(dòng)安全；毫米波雷達(dá)；車輛檢測(cè)；防碰撞預(yù)警

0引言

　　全球每年因交通事故造成的傷亡和經(jīng)濟(jì)損失逐年上升，道路交通事故已經(jīng)成為中國(guó)“傷害死亡”的最主要原因。因此各個(gè)國(guó)家和汽車廠商都在積極地研發(fā)汽車主動(dòng)安全技術(shù)，在交通沖突發(fā)生前對(duì)駕駛員進(jìn)行提示或者介入操控，從而避免交通沖突的發(fā)生［12］。根據(jù)美國(guó)汽車工程師協(xié)會(huì)統(tǒng)計(jì)，85%的交通事故都是由于追尾和爆胎引起的，因此與前車的防碰撞預(yù)警是主動(dòng)安全系統(tǒng)中重要的一項(xiàng)技術(shù)，其關(guān)鍵技術(shù)在于精確地計(jì)算出前方車輛的距離和速度，前方車輛的檢測(cè)和感知是主動(dòng)安全中的一項(xiàng)重點(diǎn)和難點(diǎn)。因視覺(jué)圖像包含信息豐富的特點(diǎn)，國(guó)內(nèi)外采用視覺(jué)進(jìn)行車輛檢測(cè)的研究較多，一般將車輛檢測(cè)分為假設(shè)和驗(yàn)證假設(shè)兩個(gè)步驟［3］，在假設(shè)階段主要利用車輛的線性幾何特征信息、車輛邊緣對(duì)稱性［4］來(lái)對(duì)車輛進(jìn)行粗定位，在驗(yàn)證階段可以利用模板匹配的方法［5］和機(jī)器學(xué)習(xí)的方法［6］來(lái)確定車輛位置。目標(biāo)的距離則可以通過(guò)雙目視覺(jué)得到的深度信息來(lái)計(jì)算［7］，由于立體匹配的問(wèn)題，其計(jì)算比較耗時(shí)。因此基于視覺(jué)的方法雖然可以有效地檢測(cè)出目標(biāo)車輛，但較難獲得目標(biāo)車輛的距離和速度，尤其是速度的獲取鮮有相關(guān)文獻(xiàn)。

　　本文針對(duì)基于視覺(jué)圖像的車輛檢測(cè)存在的這兩個(gè)問(wèn)題，提出了基于毫米波雷達(dá)的車輛檢測(cè)方法，并在此基礎(chǔ)上實(shí)現(xiàn)了以碰撞時(shí)間（Time to Collision, TTC）作為參數(shù)的防碰撞預(yù)警機(jī)制。

1基于毫米波雷達(dá)的車輛檢測(cè)

　　基于毫米波雷達(dá)的車輛檢測(cè)可分為三個(gè)步驟：數(shù)據(jù)獲取、數(shù)據(jù)處理和目標(biāo)維護(hù)。其中數(shù)據(jù)獲取部分為前期基礎(chǔ)工作，旨在取得毫米波雷達(dá)采集到的原始數(shù)據(jù)并整理成供后期處理使用的數(shù)據(jù)結(jié)構(gòu)。數(shù)據(jù)處理部分的目的在于從每幀雷達(dá)采集到的目標(biāo)中提取出目標(biāo)描述序列，把同一個(gè)目標(biāo)關(guān)聯(lián)起來(lái)。目標(biāo)維護(hù)部分則是維護(hù)一個(gè)檢測(cè)到的穩(wěn)定存在的目標(biāo)序列，該目標(biāo)序列就是最終的檢測(cè)結(jié)果［89］。

　　1.1目標(biāo)獲取

　　將雷達(dá)捕獲的一個(gè)目標(biāo)的數(shù)據(jù)描述為如下向量：

　　z=(a,r,s）

　　其中a為目標(biāo)與雷達(dá)的角度，r為目標(biāo)與雷達(dá)的距離，s為目標(biāo)與雷達(dá)的相對(duì)速度，雷達(dá)每掃描一次，其獲取的目標(biāo)集合就可表示為：

　　Z=(z1,z2,...,zn）T

　　直接獲取的雷達(dá)目標(biāo)存在目標(biāo)分裂的情況，即同一個(gè)目標(biāo)返回多個(gè)觀測(cè)值，因此需要將原始數(shù)據(jù)首先進(jìn)行聚類處理，針對(duì)毫米波雷達(dá)數(shù)據(jù)提出了一種基于最近鄰距離的聚類方法，定義數(shù)據(jù)zi與數(shù)據(jù)zj的距離為：

　　設(shè)定一個(gè)閾值，根據(jù)Δ的大小決定是否為同一個(gè)目標(biāo)［8］。

　　1.2基于MHT的雷達(dá)數(shù)據(jù)處理

　　本研究在ＭＨＴ多假設(shè)跟蹤模型下，采用廣義概率數(shù)據(jù)關(guān)聯(lián)算法進(jìn)行數(shù)據(jù)關(guān)聯(lián)［8］，最終可以穩(wěn)定地得到目標(biāo)。

　　1.3目標(biāo)維護(hù)

　　通過(guò)多幀的跟蹤機(jī)制來(lái)維護(hù)檢測(cè)到的目標(biāo)，以保證檢測(cè)系統(tǒng)的穩(wěn)定。本文提出了一種基于概率模型的目標(biāo)維護(hù)方法，為目標(biāo)集合T(k)中的每個(gè)元素設(shè)置一個(gè)概率，通過(guò)檢驗(yàn)該概率來(lái)達(dá)到維護(hù)的目的。

　　對(duì)于一個(gè)新目標(biāo)，定義其概率初值為：

　　P(0)=p0

　　假設(shè)t-1時(shí)刻其概率值為：

　　P(t－1)=p

　　則t時(shí)刻其概率值為：

　　即當(dāng)t時(shí)刻檢測(cè)到該目標(biāo)，則令其概率為p0，否則為α×p，設(shè)定閾值K，當(dāng)t時(shí)刻目標(biāo)概率小于K時(shí)，可以認(rèn)為該目標(biāo)已不存在［8］。

2碰撞預(yù)警分析

　　在檢測(cè)到前方車輛后，可以使用毫米波雷達(dá)獲取的速度和距離信息實(shí)現(xiàn)前方車輛防碰撞預(yù)警，使用TTC作為指標(biāo)參數(shù)：

　　圖1TTC計(jì)算實(shí)景其中，D表示目標(biāo)與本車的距離，ΔV表示目標(biāo)與本車的速度差。本文進(jìn)行了一組實(shí)驗(yàn)來(lái)測(cè)試TTC值，統(tǒng)計(jì)了120幀左右的數(shù)據(jù)，圖1為該應(yīng)用的圖像實(shí)景，在本場(chǎng)景中，在本車前方有一輛車輛，本車距離與其越來(lái)越近，模擬了一次將要碰撞的場(chǎng)景。從圖1中可以看出，兩車距離越來(lái)越接近。圖2表示本車與前方車輛的距離變化圖，兩車距離是越來(lái)越小的，與圖1相吻合。圖3為本車速度變化圖，可以發(fā)現(xiàn)本車處于減速過(guò)程中，圖4為計(jì)算出來(lái)的TTC變化趨勢(shì)圖。從3幅圖比較中可以發(fā)現(xiàn)，距離或者速度都不適合用來(lái)衡量與前車的安全“距離”，觀察TTC圖，100幀之后TTC處于增大的趨勢(shì)，雖然此時(shí)距離仍然在減小，但是TTC在不斷增大，說(shuō)明本車已經(jīng)采取制動(dòng)，車輛與目標(biāo)正在向“安全”的趨勢(shì)發(fā)展，當(dāng)TTC增大到一定閾值時(shí)，便可以認(rèn)為本車不會(huì)與前方車輛發(fā)生碰撞。當(dāng)采用視覺(jué)的方法難以計(jì)算出準(zhǔn)確的D和ΔV時(shí)，對(duì)于TTC的估算也就難以精確，這也是雷達(dá)相較于攝像頭的一大優(yōu)勢(shì)。

3結(jié)論

　　本文通過(guò)毫米波雷達(dá)檢測(cè)到前方目標(biāo)車輛，并根據(jù)雷達(dá)獲取的距離和速度信息分析了TTC的變化，提出了以TTC作為參數(shù)的防碰撞預(yù)警機(jī)制。實(shí)驗(yàn)表明本文的方法能夠有效地將本車與前車保持在安全不碰撞的狀態(tài)，可以應(yīng)用到現(xiàn)有的主動(dòng)安全系統(tǒng)中。

參考文獻(xiàn)

　?。?］ 詹盛. 車輛主動(dòng)安全系統(tǒng)關(guān)鍵預(yù)測(cè)算法研究［D］. 西安：長(zhǎng)安大學(xué), 2014.

　?。?］ 朱向慶, 陳俊洪, 張偉亮,等. 無(wú)線智能交通監(jiān)控系統(tǒng)設(shè)計(jì)［J］. 電子技術(shù)應(yīng)用, 2015, 41(3):6871.

　?。?］ Sun Zehang, BEBIS G, MILLER R. Onroad vehicle detection using optical sensors: A review ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(5):694711.

　?。?］ BENSRHAIR A, BERTOZZI M, BROGGI A, et al. A cooperative approach to visionbased vehicle detection ［A］.Proceedings of Intelligent Transportation Systems［C］. Oakland: IEEE, 2001:207212.

　?。?］ 胡銦，楊靜宇．基于模型的車輛檢測(cè)與跟蹤［J］．中國(guó)圖象圖形學(xué)報(bào)，2008,13（3）：450455.

　?。?］ ANIRUDDHA K, DAVID H, LARRY S. Vehicle detection using partial least squares［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33 (6):12501265.

　?。?］ BERTOZZI M, BROGGI A, FASCIOLI A, et al. Stereo visionbased vehicle detection ［A］. Proceedings of Intelligent Vehicles Symposium ［C］. Dearborn: IEEE, 2000:3944.

　　［8］ 胡彬, 趙春霞. 基于MHT模型的毫米波雷達(dá)車輛檢測(cè)方法［J］. 南京理工大學(xué)學(xué)報(bào), 2012, 36(4):557560.

　?。?］ 胡彬, 趙春霞, 郭劍輝,等. 基于主被動(dòng)傳感器融合的車輛檢測(cè)［J］. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014(12): 128132.