本發(fā)明涉及超車預(yù)警領(lǐng)域，尤其是涉及一種基于可變部件模型算法的汽車超車預(yù)警方法。

背景技術(shù)：

超車是駕駛員最為常見的駕駛行為之一。據(jù)統(tǒng)計(jì)，在高速公路上駕駛員以90km/h行駛100km的距離，途中將進(jìn)行大約50次超車行為。近年來，我國因超車不當(dāng)引發(fā)的交通事故呈明顯上升趨勢(shì)，尤其是在高速公路上，60％以上的交通事故都與超車有關(guān)。實(shí)施超車時(shí)，駕駛員必須根據(jù)當(dāng)前的車速、車輛間距、車流狀態(tài)以及道路交通設(shè)施等周邊環(huán)境信息，實(shí)時(shí)調(diào)整駕駛策略實(shí)現(xiàn)超車行為。避免超車過程引發(fā)的車輛碰撞，可通過控制車輛間的相對(duì)速度和增加車輛縱向間距來實(shí)現(xiàn)。

公開號(hào)為cn105216797a的專利文獻(xiàn)公開了名稱為超車方法及系統(tǒng)的技術(shù)方案，該方案包括檢測(cè)模塊、處理模塊，通過攝像機(jī)和前置雷達(dá)獲得障礙物的行駛速度及位置信息來判斷目標(biāo)車輛能否執(zhí)行超車動(dòng)作；公開號(hào)為cn101326511的專利文獻(xiàn)公開了名稱為用于檢測(cè)或預(yù)測(cè)車輛超車的方法的技術(shù)方案，在該方案的實(shí)施例中，使用無線通信來讀取其他車輛的導(dǎo)航系統(tǒng)，以確定另一車輛是否會(huì)超車。

目前，在國內(nèi)與超車及變道的相關(guān)技術(shù)中，多數(shù)采用雷達(dá)或者短距離信息通訊系統(tǒng)來防止超車時(shí)交通事故的發(fā)生，這種方案因?yàn)椴捎枚喾N傳感器成本巨大，并且在實(shí)時(shí)場景中并不能快速有效的識(shí)別車輛及車道線信息，或者僅僅是預(yù)測(cè)障礙物與車輛之間的距離信息。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)上述問題提供一種基于可變部件模型算法的汽車超車預(yù)警方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于可變部件模型算法的汽車超車預(yù)警方法，所述方法包括下列步驟：

后方車輛超車預(yù)警步驟，汽車通過后視攝像頭結(jié)合可變部件模型算法對(duì)后方車輛進(jìn)行識(shí)別，通過識(shí)別后方車輛與本車以及車道線之間的位置關(guān)系，判斷后方車輛是否進(jìn)行超車并向駕駛員發(fā)出預(yù)警；

前方車輛超車預(yù)警步驟，汽車通過前視攝像頭結(jié)合可變部件模型算法對(duì)前方車輛進(jìn)行識(shí)別，通過識(shí)別前方車輛與本車以及車道線之間的位置關(guān)系，判斷本車是否需要進(jìn)行超車并在超車有危險(xiǎn)時(shí)向駕駛員發(fā)出預(yù)警。

所述后方車輛超車預(yù)警步驟具體為：

a1)汽車根據(jù)可變部件模型算法，檢測(cè)后視攝像頭的拍攝圖像內(nèi)是否出現(xiàn)其他車輛，若是則進(jìn)入步驟a2)，若否則繼續(xù)檢測(cè)；

a2)汽車判斷檢測(cè)到的車輛與本車之間的距離是否減小，若是則進(jìn)入步驟a3)，若否則返回步驟a1)；

a3)汽車對(duì)車道線進(jìn)行識(shí)別，并判斷本車與檢測(cè)到的車輛是否位于同一車道線內(nèi)，若是則向駕駛員發(fā)出預(yù)警，若否則進(jìn)行步驟a4)；

a4)汽車在檢測(cè)到的車輛從后視攝像頭內(nèi)消失后進(jìn)入前方車輛超車預(yù)警步驟。

所述前方車輛超車預(yù)警步驟具體為：

b1)汽車根據(jù)可變部件模型算法，檢測(cè)前視攝像頭的拍攝圖像內(nèi)是否出現(xiàn)其他車輛，若是則進(jìn)入步驟b2)，若否則繼續(xù)檢測(cè)；

b2)汽車判斷檢測(cè)到的車輛與本車之間的距離是否減小，若是則進(jìn)入步驟b3)，若否則返回步驟b1)；

b3)汽車對(duì)車道線進(jìn)行識(shí)別，并判斷本車與檢測(cè)到的車輛是否位于同一車道線內(nèi)，若是則向駕駛員發(fā)出預(yù)警，若否則進(jìn)行步驟b4)；

b4)汽車在檢測(cè)到的車輛從前視攝像頭內(nèi)消失后進(jìn)入后方車輛超車預(yù)警步驟。

所述可變部件模型算法具體為：

a11)根據(jù)后視攝像頭的拍攝圖像，構(gòu)建尺度金字塔；

a12)在尺度金字塔內(nèi)的每個(gè)尺度層內(nèi)，通過滑動(dòng)窗口檢測(cè)方法將圖像與通過可變部件模型算法訓(xùn)練后的模型進(jìn)行匹配，并計(jì)算匹配分?jǐn)?shù)；

a13)選取最高匹配分?jǐn)?shù)對(duì)應(yīng)的尺度層，若該匹配分?jǐn)?shù)超過閾值則表明檢測(cè)到車輛且車輛出現(xiàn)在與該尺度層內(nèi)匹配分?jǐn)?shù)最高所對(duì)應(yīng)的位置。

所述匹配分?jǐn)?shù)具體為：

其中，score為匹配分?jǐn)?shù)，(x0,y0)為錨點(diǎn)，l0為尺度層數(shù)，為根模型的檢測(cè)分?jǐn)?shù)，為第i個(gè)部件模型的響應(yīng)，vi為第i個(gè)部件模型相對(duì)于錨點(diǎn)的偏移量，b為偏移系數(shù)。

所述通過可變部件模型算法訓(xùn)練后的模型具體為：通過采用pca方法對(duì)訓(xùn)練圖片的hog特征降維處理后進(jìn)行特征提取，再通過隱變量支持向量機(jī)分類器進(jìn)行模型訓(xùn)練，得到通過可變部件模型算法訓(xùn)練后的模型。

所述汽車判斷檢測(cè)到的車輛與本車之間的距離具體為：通過安裝于汽車上的激光雷達(dá)進(jìn)行測(cè)距，得到檢測(cè)到的車輛與本車之間的距離。

所述汽車對(duì)車道線進(jìn)行識(shí)別具體為：汽車通過hough變換，掃描圖像中的共線點(diǎn)，實(shí)現(xiàn)對(duì)車道線的識(shí)別。

所述預(yù)警包括通過led預(yù)警面板閃爍實(shí)現(xiàn)預(yù)警和通過蜂鳴器鳴響實(shí)現(xiàn)預(yù)警。

所述led預(yù)警面板上設(shè)有至少分布在前后左右四個(gè)方向的led預(yù)警燈。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

(1)通過可變部件模型算法，對(duì)前視攝像頭和后視攝像頭拍攝到的圖像進(jìn)行車輛識(shí)別，繼而再通過判斷車輛與本車之間的距離關(guān)系和車輛與車道線之間的位置關(guān)系確定車輛與本車是否在超車過程中出現(xiàn)危險(xiǎn)以及本車是否在超車過程中出現(xiàn)危險(xiǎn)，這種方法與現(xiàn)有的通過雷達(dá)或短距離通信來進(jìn)行識(shí)別的方法相比，識(shí)別速度快的同時(shí)識(shí)別的準(zhǔn)確性也比較高，而且通過攝像頭來進(jìn)行識(shí)別的方法與雷達(dá)等相比價(jià)格成本較低。

(2)車輛通過后方車輛超車預(yù)警步驟和前方車輛超車預(yù)警步驟兩個(gè)步驟相結(jié)合，對(duì)靠近本車安全范圍內(nèi)的車輛均實(shí)現(xiàn)全過程跟蹤，即在本車后方的車輛在超車后再通過前方車輛超車預(yù)警步驟來進(jìn)行監(jiān)控，本車在超車后繼續(xù)對(duì)超過的車輛通過后方車輛超車預(yù)警步驟來進(jìn)行監(jiān)控，保證了預(yù)警的完整性。

(3)在通過可變部件模型算法對(duì)車輛進(jìn)行識(shí)別檢測(cè)時(shí)，通過構(gòu)建尺度金字塔保證對(duì)各尺度下的拍攝圖片均進(jìn)行識(shí)別，并選取檢測(cè)得分最高的圖片作為車輛的識(shí)別位置，保證了檢測(cè)的完整性，從而提高預(yù)警的精確程度。

(4)通過可變部件模型算法對(duì)訓(xùn)練圖片進(jìn)行特征提取并訓(xùn)練得到模型，這種方法訓(xùn)練的模型精確程度較高，從而提高了最終預(yù)警的準(zhǔn)確程度。

(5)汽車通過hough變換識(shí)別車道線，繼而可以判斷本車與預(yù)警車輛是否處于同一車道線內(nèi)，從而在二者在同一車道線且距離縮小時(shí)及時(shí)對(duì)駕駛員發(fā)出預(yù)警，及時(shí)避免事故的發(fā)生。

(6)通過led燈閃爍和蜂鳴器鳴響同時(shí)來對(duì)駕駛員進(jìn)行預(yù)警，最大程度的提示駕駛員危險(xiǎn)情況的發(fā)生，提高了預(yù)警的安全性。

(7)led預(yù)警面板上設(shè)有至少分布在前后左右四個(gè)方向的led預(yù)警燈，可以將檢測(cè)到的預(yù)警情況發(fā)生的位置通過led預(yù)警燈來表示出來，便于駕駛員及時(shí)了解預(yù)警發(fā)生的位置，提高了預(yù)警的及時(shí)性。

附圖說明

圖1為后方車輛超車預(yù)警步驟的方法流程圖；

圖2為前方車輛超車預(yù)警步驟的方法流程圖；

圖3為實(shí)現(xiàn)基于可變部件模型算法的汽車超車預(yù)警方法的汽車各模塊布局圖；

圖4為攝像頭的視角范圍示意圖；

圖5為實(shí)施例中超車預(yù)警的整體方法流程圖；

圖6為可變部件模型算法的模型圖，其中，(6a)為第一視角下其中一個(gè)組件的根模型圖，(6b)為第一視角下其中一個(gè)組件的部件模型圖，(6c)為第一視角下的模型變形損失，(6d)為第二視角下其中一個(gè)組件的根模型圖，(6e)為第二視角下其中一個(gè)組件的部件模型圖，(6f)為第二視角下的模型變形損失；

圖7為模型的匹配過程圖；

圖8為led預(yù)警面板示意圖；

其中，111為車輛，301為預(yù)警模塊，302為前視攝像頭，303為數(shù)據(jù)處理模塊，304為后視攝像頭，401～406均為led燈。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

本實(shí)施例提供的是一種基于可變部件模型算法的汽車超車預(yù)警方法包括下列步驟：

后方車輛超車預(yù)警步驟，汽車通過后視攝像頭結(jié)合可變部件模型算法對(duì)后方車輛進(jìn)行識(shí)別，通過識(shí)別后方車輛與本車以及車道線之間的位置關(guān)系，判斷后方車輛是否進(jìn)行超車并向駕駛員發(fā)出預(yù)警，具體為：

a1)汽車根據(jù)可變部件模型算法，檢測(cè)后視攝像頭的拍攝圖像內(nèi)是否出現(xiàn)其他車輛，若是則進(jìn)入步驟a2)，若否則繼續(xù)檢測(cè)：

a11)根據(jù)后視攝像頭的拍攝圖像，構(gòu)建尺度金字塔；

a12)在尺度金字塔內(nèi)的每個(gè)尺度層內(nèi)，通過滑動(dòng)窗口檢測(cè)方法將圖像與通過可變部件模型算法訓(xùn)練后的模型進(jìn)行匹配，并計(jì)算匹配分?jǐn)?shù)；

a13)選取最高匹配分?jǐn)?shù)對(duì)應(yīng)的尺度層，若該匹配分?jǐn)?shù)超過閾值則表明檢測(cè)到車輛且車輛出現(xiàn)在與該尺度層內(nèi)匹配分?jǐn)?shù)最高所對(duì)應(yīng)的位置；

a2)汽車判斷檢測(cè)到的車輛與本車之間的距離是否減小，若是則進(jìn)入步驟a3)，若否則返回步驟a1)；

a3)汽車對(duì)車道線進(jìn)行識(shí)別，并判斷本車與檢測(cè)到的車輛是否位于同一車道線內(nèi)，若是則向駕駛員發(fā)出預(yù)警，若否則進(jìn)行步驟a4)；

a4)汽車在檢測(cè)到的車輛從后視攝像頭內(nèi)消失后進(jìn)入前方車輛超車預(yù)警步驟；

前方車輛超車預(yù)警步驟，汽車通過前視攝像頭結(jié)合可變部件模型算法對(duì)前方車輛進(jìn)行識(shí)別，通過識(shí)別前方車輛與本車以及車道線之間的位置關(guān)系，判斷本車是否需要進(jìn)行超車并在超車有危險(xiǎn)時(shí)向駕駛員發(fā)出預(yù)警，具體為：

b1)汽車根據(jù)可變部件模型算法，檢測(cè)前視攝像頭的拍攝圖像內(nèi)是否出現(xiàn)其他車輛，若是則進(jìn)入步驟b2)，若否則繼續(xù)檢測(cè)；

b2)汽車判斷檢測(cè)到的車輛與本車之間的距離是否減小，若是則進(jìn)入步驟b3)，若否則返回步驟b1)；

b3)汽車對(duì)車道線進(jìn)行識(shí)別，并判斷本車與檢測(cè)到的車輛是否位于同一車道線內(nèi)，若是則向駕駛員發(fā)出預(yù)警，若否則進(jìn)行步驟b4)；

b4)汽車在檢測(cè)到的車輛從前視攝像頭內(nèi)消失后進(jìn)入后方車輛超車預(yù)警步驟。

上述步驟的具體過程如下：

如圖3所示，是實(shí)現(xiàn)基于可變部件模型算法的汽車超車預(yù)警方法的汽車各模塊布局圖，前視攝像頭302安裝與前擋風(fēng)玻璃上方中間，用于收集車輛111前方160°視角的路況信息，后視攝像頭304安裝于后擋風(fēng)玻璃上方中間，用于收集車輛111后方160°視角的路況信息，數(shù)據(jù)處理模塊303分析計(jì)算前視攝像頭302，后視攝像頭304的圖像信息，經(jīng)計(jì)算識(shí)別出圖像中的其他車輛及車道線，追蹤在視野中的車輛，由于其他臨近車輛的超車及變道對(duì)車輛111的安全行駛造成影響時(shí)，數(shù)據(jù)處理模塊303向預(yù)警模塊301發(fā)送信息，預(yù)警模塊301發(fā)出警報(bào)，并將相應(yīng)情況反映在led預(yù)警面板上，預(yù)警模塊301由蜂鳴器及l(fā)ed預(yù)警面板組成，置于中控臺(tái)之上。該攝像頭的視角范圍如圖4所示，本實(shí)施例中，前視攝像頭與后視攝像頭的視角范圍都為160°，所收集的視頻能夠在有效范圍內(nèi)辨識(shí)出相鄰兩車道內(nèi)的車輛及車道線信息。

基于上述部件，最終提出的基于可變部件模型算法的汽車超車預(yù)警方法如圖5所示，主要步驟為：數(shù)據(jù)處理模塊303通過后視攝像頭304的信息，檢測(cè)到有車輛從后方駛來，對(duì)駛來的車輛跟蹤，然后判斷該車輛與本車輛的距離是否縮短，若該車輛已遠(yuǎn)離本車輛，則放棄追蹤。若該車輛與本車輛距離縮短到安全距離之內(nèi)，數(shù)據(jù)處理模塊303通過識(shí)別車道線及該車輛，做出判斷該車輛是否與本車輛處于同一車道線之內(nèi)，若本車輛與該車輛在同一車道線之內(nèi)，則報(bào)警模塊向駕駛員發(fā)出警報(bào)，提醒駕駛員有可能發(fā)生后方車輛追尾事故。若該車輛與本車輛不在同一車道線之內(nèi)，則對(duì)該車輛繼續(xù)追蹤，當(dāng)該車輛消失在后視攝像頭視野中時(shí)，說明該車輛位于本車輛的盲區(qū)之內(nèi)，預(yù)警模塊發(fā)出警報(bào)，提醒駕駛員有車輛位于本車輛的盲區(qū)之內(nèi)，不要再該情況下變道。該車輛繼續(xù)向前行駛，出現(xiàn)在前視攝像頭302的視野之內(nèi)，數(shù)字處理模塊303通過前視攝像頭302檢測(cè)到該車輛，對(duì)該車輛繼續(xù)跟蹤，若該車輛在相鄰車道內(nèi)遠(yuǎn)離本車輛，則停止追蹤，若該車輛從相鄰車道變道到本車所在車道，則預(yù)警模塊向駕駛員發(fā)出報(bào)警，提醒駕駛員前方車輛變道，注意減速避讓。

上述是車輛被其他車輛超越的場景，超越其他的車輛場景下步驟為：數(shù)據(jù)處理模塊303通過前視攝像頭302檢測(cè)到本車輛前方有車輛，對(duì)該車輛跟蹤，若該車輛與本車輛距離變大，停止對(duì)該車輛跟蹤。若該車輛與本車輛距離縮短，則數(shù)據(jù)處理模塊303判斷該車輛是否與本車輛處于同一車道線之內(nèi)。若處于同一車道線之內(nèi)，則預(yù)警模塊301向駕駛員發(fā)出預(yù)警，提醒駕駛員前方可能會(huì)發(fā)生追尾事故，注意減速避讓，若該車輛位于相鄰車道，則繼續(xù)對(duì)該車輛跟蹤，當(dāng)該車輛消失在前視攝像頭302視野中時(shí)，說明該車輛位于本車輛的盲區(qū)內(nèi)，預(yù)警模塊向駕駛員發(fā)出預(yù)警，提醒駕駛員盲區(qū)內(nèi)有車輛，在該請(qǐng)款下不能變道。本車輛超越該車輛繼續(xù)向前行駛，當(dāng)該車輛出現(xiàn)在后視攝像頭304視野中時(shí)，對(duì)該車輛追蹤，該車輛遠(yuǎn)離之后，停止對(duì)該車輛追蹤。

為了將攝像機(jī)采集到環(huán)境數(shù)據(jù)與車輛行駛環(huán)境中的真實(shí)物體相對(duì)應(yīng)，找到攝像機(jī)所生成的圖像像素坐標(biāo)系中的點(diǎn)坐標(biāo)與攝像機(jī)環(huán)境坐標(biāo)系中物點(diǎn)坐標(biāo)之間的轉(zhuǎn)換關(guān)系，需要對(duì)攝像機(jī)進(jìn)行標(biāo)定。本方法采用攝像機(jī)和激光雷達(dá)聯(lián)合標(biāo)定，通過提取標(biāo)定物在單線激光雷達(dá)和圖像上對(duì)應(yīng)的特征點(diǎn)來進(jìn)行攝像機(jī)外部參數(shù)的標(biāo)定，從而完成單線激光坐標(biāo)、攝像機(jī)坐標(biāo)、圖像像素坐標(biāo)傳感器坐標(biāo)的統(tǒng)一，實(shí)現(xiàn)激光雷達(dá)與攝像機(jī)的空間對(duì)準(zhǔn)。

攝像機(jī)和激光雷達(dá)聯(lián)合標(biāo)定，激光雷達(dá)及攝像機(jī)都與汽車為剛性連接，它們各自的相對(duì)姿態(tài)和位移固定不變，在同一空間內(nèi)，每個(gè)激光雷達(dá)的掃描數(shù)據(jù)點(diǎn)都在圖像中存在位移的一個(gè)對(duì)應(yīng)點(diǎn)。因此，通過建立合理的激光雷達(dá)坐標(biāo)系與攝像機(jī)坐標(biāo)系，利用激光雷達(dá)掃描點(diǎn)與攝像機(jī)圖像的空間約束關(guān)系，即可求解兩坐標(biāo)系的空間變換關(guān)系，從而完成激光雷達(dá)與攝像機(jī)的空間對(duì)準(zhǔn)，實(shí)現(xiàn)激光雷達(dá)數(shù)據(jù)與可見光圖像的關(guān)聯(lián)。攝像機(jī)的外部參數(shù)通過約束方程求解后，激光雷達(dá)、攝像機(jī)、圖像和相對(duì)環(huán)境坐標(biāo)系的相對(duì)關(guān)系就完全確定，因此激光雷達(dá)掃描點(diǎn)可以通過攝像機(jī)模型頭投影至圖像像素坐標(biāo)上。其像素級(jí)數(shù)據(jù)融合可由下面的方程完成：其中，為攝像機(jī)的內(nèi)部參數(shù)矩陣。當(dāng)攝像機(jī)與激光雷達(dá)同時(shí)觀測(cè)點(diǎn)p時(shí)，其在攝像機(jī)自身環(huán)境坐標(biāo)系中的坐標(biāo)為pvc(xvc,yvc,zvc)，在可見光圖像中投影點(diǎn)的坐標(biāo)為u＝(uv1)^t在雷達(dá)自身世界坐標(biāo)中的坐標(biāo)為plc(xlc,ylc,zlc)。由于攝像機(jī)與激光雷達(dá)使用了同一個(gè)環(huán)境坐標(biāo)系，則有其中h為激光雷達(dá)的安裝高度。上面兩式聯(lián)立，可得：其中，由激光雷達(dá)的外參標(biāo)定和攝像機(jī)的內(nèi)參標(biāo)定可獲得和xlc。綜上，通過提取足夠多的圖像雷達(dá)對(duì)應(yīng)點(diǎn)對(duì)，通過求解線性方程即可獲得相關(guān)的坐標(biāo)旋轉(zhuǎn)矩陣和坐標(biāo)平移矩陣進(jìn)而可得到激光雷達(dá)數(shù)據(jù)和其對(duì)應(yīng)圖像像素間的變換關(guān)系。

可變部件模型算法，是一種目標(biāo)檢測(cè)算法，可變部件模型采用pca(主成分分析法)對(duì)hog(梯度方向直方圖)特征進(jìn)行降維處理后進(jìn)行特征提??；在模型訓(xùn)練中，采用latentsvm(隱變量支持向量機(jī))分類器，在目標(biāo)檢測(cè)時(shí)，采用滑動(dòng)窗口的檢測(cè)思想；針對(duì)目標(biāo)的多視角問題，采用多組件策略，分別在不同視角下建立不同模型；針對(duì)目標(biāo)的變形問題，采用基于圖結(jié)構(gòu)的部件模型策略。具體的，可變部件模型算法，采用一種星形模型，該星形模型由一個(gè)大體上覆蓋整個(gè)目標(biāo)的根模型及覆蓋目標(biāo)中小部件的高分辨率的部件模型構(gòu)成。根模型定義了檢測(cè)窗口，部件模型放置在分辨率是根所在層的兩倍的特征層中。

可變部件模型算法的特征采用了hog特征，并對(duì)hog特征進(jìn)行了一些改進(jìn)。可變部件模型算法取消了原h(huán)og特征中的block，保留cell，歸一化時(shí)直接將當(dāng)前cell與其周圍的4個(gè)cell所組成的一個(gè)區(qū)域歸一化。計(jì)算梯度方向時(shí)，采用了有符號(hào)梯度(0-360°)和無符號(hào)梯度(0-180°)相結(jié)合的策略。

可變部件模型算法的模型，每一個(gè)組件由一個(gè)根濾模型和多個(gè)部件模型組成。圖6(a)和圖6(b)是其中一個(gè)組件的根模型和部件模型的可視化效果。如圖6(a)根模型比較粗糙，大致呈現(xiàn)一個(gè)車輛的側(cè)面，如圖6(b)部件模型為矩形框內(nèi)的部分，共6個(gè)部分，部件模型的分辨率是根模型的兩倍。圖6(c)為模型的變形損失，越亮的區(qū)域表示變形損失花費(fèi)越大，圓圈中心是部件模型的理性位置，如果檢測(cè)出來的部件模型的位置恰好在此，那變形花費(fèi)就為0，偏離的越遠(yuǎn)變形花費(fèi)越大。對(duì)于多視角問題，采用多組件策略，圖6(a)(b)(c)和圖6(d)(e)(f)分別為兩個(gè)不同視角的組件。

可變部件模型算法，在算法的檢測(cè)方面，可變部件模型采用滑動(dòng)窗口檢測(cè)方式，通過構(gòu)建尺度金字塔在各個(gè)尺度搜索。如圖7所示為某一尺度下檢測(cè)過程，即車輛模型的匹配過程。將模型看作一個(gè)濾波算子，響應(yīng)得分為特征與待匹配模型的相似程度，越相似則得分越高。如圖7所示，左側(cè)為根模型的檢測(cè)流程，越亮的區(qū)域代表響應(yīng)得分越高。右側(cè)為各部件模型的檢測(cè)過程。首先，將特征圖像與模型進(jìn)行匹配得到濾波后的圖像；然后，進(jìn)行相應(yīng)變換：以錨點(diǎn)(即左上角坐標(biāo))為參考位置，綜合部件模型與特征的匹配程度和部件模型相對(duì)理想位置的變形花費(fèi)(偏離損失)，得到最優(yōu)的部件模型位置和相應(yīng)得分。在尺度為l0層，以(x0,y0)為錨點(diǎn)的檢測(cè)得分，如下公式所示：其中，為根模型的檢測(cè)分?jǐn)?shù)。由于同一個(gè)目標(biāo)有多個(gè)組件，而不同組件模型的檢測(cè)分?jǐn)?shù)需要對(duì)齊，所以需要偏移系數(shù)b。為第i個(gè)部件模型的響應(yīng)，由于部件模型的分辨率是根模型的一倍，因此部件模型需要在尺度層l0-λ匹配。因此，錨點(diǎn)的坐標(biāo)也需要重新映射到尺度層l0-λ，即放大了一倍2(x0,y0)，部件模型i相對(duì)于錨點(diǎn)2(x0,y0)的偏移量vi，所以在尺度層l0-λ，部件模型i的理想位置為2(x0,y0)+vi。

hough變換在直線檢測(cè)時(shí)，每個(gè)像素坐標(biāo)點(diǎn)經(jīng)過hough變換成為一系列離散點(diǎn)的集合。通過一個(gè)直線的離散極坐標(biāo)公式，可以表達(dá)出直線的離散點(diǎn)幾何等式如下：r＝xcosθ+ysinθ，其中角度θ指r與x軸之間的夾角，r為到直線幾何垂直距離。我們根據(jù)像素點(diǎn)坐標(biāo)(x,y)的值繪制每個(gè)(r,θ)，那么從圖像笛卡爾坐標(biāo)系轉(zhuǎn)換到極坐標(biāo)hough變換系統(tǒng)，這種熊點(diǎn)到曲線的變換稱為直線的hough變換。變換通過量化hough參數(shù)空間為有限個(gè)值間隔等分或累加格子。hough變換算法開始，每個(gè)像素坐標(biāo)點(diǎn)(x,y)被轉(zhuǎn)換到(r,θ)的曲線點(diǎn)上面，累加到對(duì)應(yīng)的格子數(shù)據(jù)點(diǎn)，當(dāng)一個(gè)波峰出現(xiàn)時(shí)，說明有直線存在。

hough變換算法的檢測(cè)過程如下：首先在參數(shù)空間建立一個(gè)二維計(jì)數(shù)器r(r,θ)，r的范圍是0到圖像對(duì)角線的長度，θ的范圍是0到2π，數(shù)組中的所有值初始化為0；然后，掃描圖像空間中所有像素點(diǎn)(x,y)，hough變換式進(jìn)行圖像空間到參數(shù)空間的變換(r,θ)，并且計(jì)數(shù)器r(r,θ)加1；第三步，設(shè)定閾值thr(r,θ)，即判斷圖像中有多少個(gè)點(diǎn)共線才認(rèn)為存在直線，r(r,θ)大于thr(r,θ)，則組成圖像中的圖像。

圖8是led預(yù)警面板示意圖，面板上有6個(gè)led燈，當(dāng)其他車輛出現(xiàn)在本車左側(cè)盲區(qū)時(shí)led燈401閃爍；當(dāng)其他車輛出現(xiàn)在本車右側(cè)盲區(qū)時(shí)led燈406閃爍；當(dāng)有其他車輛與本車在同一車道并位于本車尾部，該車輛與本車輛距離過小時(shí)，led燈404閃爍；當(dāng)有其他車輛與本車在同一車道并位于本車前方，該車輛與本車輛距離過小時(shí)，led燈403閃爍；前方左側(cè)車道內(nèi)車輛變道到與本車統(tǒng)一車道時(shí)，led燈402閃爍；前方右側(cè)車道內(nèi)車輛變道到與本車統(tǒng)一車道時(shí)，led燈405閃爍。

綜上所述，本實(shí)施例提供了一種基于可變部件模型算法的汽車超車預(yù)警方法，首先通過前視攝像頭及后視攝像頭采集的圖像，對(duì)數(shù)據(jù)處理模塊進(jìn)行訓(xùn)練，使其運(yùn)用訓(xùn)練得出的模型能夠在實(shí)際場景中識(shí)別出車輛及車道線，并對(duì)車輛進(jìn)行跟蹤，從而判斷其他車輛在本車輛周圍變道及超車等可能對(duì)本車輛造成危險(xiǎn)的相關(guān)情況，并向駕駛員發(fā)送對(duì)應(yīng)場景的預(yù)警，從而使駕駛員能夠提早規(guī)避相關(guān)事故的發(fā)生。