一种基于车载盲区相机的道路预警方法

摘要

本发明公开了一种基于车载盲区相机的道路预警方法，其利用车载盲区视觉系统检测相邻车道同向行驶车辆，判断该车与自身车辆的相对位置与运动关系以及测量自身车辆与当前车道边缘的距离，并根据驾驶员的转向操作意图，触发相应系统的预警信号。在有驾驶员有转向意图时对盲区可能发生的碰撞情况发出预警信号；在驾驶员无转向意图时，自身车辆偏航情况发出预警信号。此系统涵盖了和变道以及车道保持相关的辅助驾驶功能，硬件成本低，实时性好，集成度高，可以有效提高中高速工况车辆车道保持以及变道行驶的安全性能。本方案适用于车辆辅助驾驶领域。

权利要求

1.一种基于车载盲区相机的道路预警方法，其特征在于，包括前置流程和车道偏离预警流程，所述前置流程包括以下步骤：S001、读取当前车速，如果高于设定阈值则进入步骤S002，如果低于阈值则保持对车速的监测状态；

S002、盲区相机采集图像，并在图像中的ROI区域利用级联分类器进行多尺度滑窗搜索，得到检测车辆候选区域；

S003、对检测车辆候选区域进行车辆特征角点提取及跟踪，得到车辆检测结果部分；

所述车道偏离预警方法包括以下步骤：

S104、通过方向盘转角传感器检测驾驶员是否有变道操作，如果无变道操作，则进入步骤S105，否则保持对方向盘转角的监测状态；

S105、在盲区相机所采集图像中的车道线检测区域中以纯色填充的方式去除车辆检测结果部分，得到精确车道线检测区域；

S106、在精确车道线检测区域内检测拟合车道线并进行跟踪；

S107、将车道线拟合结果投影坐标变换到车辆坐标平面，计算车辆最近车道线相对于该侧前车轮的侧向偏移量K并估算车道车辆超出最近一侧车道线阈值所需的时间TLC；

S108、根据K和TLC判断是否触发预警，如果触发则进入步骤S109，否则返回步骤S104；

S109、产生预警信号，提示驾驶员谨慎驾驶。

2.根据权利要求1所述的一种基于车载盲区相机的道路预警方法，其特征在于，还包括变道预警流程，所述变道预警流程包括以下步骤：S204、通过方向盘转角传感器检测驾驶员是否有变道操作，如果有变道操作，则进入步骤S205，否则保持对方向盘转角的监测状态；

S205、依据车辆特征角点对被检测车辆进行投影变换矩阵计算；

S206、依据投影变换矩阵计算结果估算预碰撞时间；

S207、依据预碰撞时间判断是否触发预警条件，如果触发，则进入步骤S208否则，跳转到步骤S204；

S208、产生预警信号，提示驾驶员谨慎驾驶。

3.根据权利要求1所述的一种基于车载盲区相机的道路预警方法，其特征在于，步骤S003具体为：用FAST或Shi-Tomasi角点对检测车辆候选区域提取角点特征，利用Lucas-Kanade光流方法计算角点特征的运动信息，并且更新角点特征位置。

4.根据权利要求1或3所述的一种基于车载盲区相机的道路预警方法，其特征在于，步骤S106具体为：在车道线检测区域内提取边缘特征，通过车道线宽度、距离和角度阈值设定，过滤掉不符合车道线几何特征的二值化边缘特征；利用固定长度多段直线拟合车道线特征点；通过车道线长度阈值设定，确定车道线类型；利用Kalman滤波，对已检测出的车道线进行跟踪。

5.根据权利要求4所述的一种基于车载盲区相机的道路预警方法，其特征在于，步骤S107具体为：根据车道线检测结果，利用盲区系统相机参数，将车道线拟合结果投影坐标变换到车辆坐标平面，将车道线延伸至与Y轴交点，计算车辆最近车道线相对于该侧前车轮的侧向偏移量：K＝Y0–W/2；利用平面单车运动学模型，估算车辆超出最近一侧车道线阈值K0所需的时间TLC，公式如下：其中，Y0为车辆最近车道线到车辆坐标平面原点的距离，K0为车道偏离距离预警的紧急阈值，θ为前轮转角，W为车身宽度，V为车速。

6.根据权利要求5所述的一种基于车载盲区相机的道路预警方法，其特征在于，步骤S108具体为：若K大于阈值K1,则不触发预警；若K小于阈值K2则触发预警；若K小于阈值K1且大于阈值K2，则根据TLC来判断是否触发预警：当TLC小于阈值T2时，触发预警，反之不触发预警；其中，K1、K2和T2为可配置参数，由实车测试所得。

7.根据权利要求3所述的一种基于车载盲区相机的道路预警方法，其特征在于，步骤S205具体为：根据相邻两帧角点特征跟踪结果，基于区域相似性假设，利用RANSAC方法计算被检测车辆投影变换矩阵,并将被检测车辆底部中心点投影坐标变换到自定义车辆坐标平面。

8.根据权利要求7所述的一种基于车载盲区相机的道路预警方法，其特征在于，步骤S206具体为：定义预碰撞时间TTC为相邻车道车辆按当前车速行驶，进入预警区域所需时间，计算公式如下：TTC＝D/vel

其中D为被检测车辆至预警区域距离，根据将被检测车辆图像区域底部中点位置投影坐标变换到自定义车辆坐标平面获得，vel为被检测车辆相对于当前车辆的速度，由跟踪算法获得。

9.根据权利要求8所述的一种基于车载盲区相机的道路预警方法，其特征在于，步骤S207中，所述依据预碰撞时间判断是否触发预警条件具体为：根据车辆检测以及跟踪结果，若D大于阈值D1,则不预警；若D小于阈值D2则预警；若D小于阈值D1且大于阈值D2，则根据TTC来判断是否预警：当TTC小于阈值T0时，预警，反之不预警；其中，D1、D2和T0为可配置参数，由实车测试所得。

10.根据权利要求1所述的一种基于车载盲区相机的道路预警方法，其特征在于，所述级联分类器采用如下方式训练：利用级联haar特征或LBP特征的boosting分类器，训练车辆检测算法；采用试验车辆所采集的车头正样本图像不少于12000张，负样本图像不少于

20000张，利用难例挖掘和主动学习方法提升训练效果；分类器级联层数为可配置参数。

说明书

一种基于车载盲区相机的道路预警方法

技术领域

[0001] 本发明涉及车辆辅助驾驶领域，尤其是涉及一种基于车载盲区相机的道路预警方法。

背景技术

[0002] 车辆变道辅助预警系统(LCW)与车道偏离预警系统(LDW)是车辆辅助驾驶的主要预警功能。前者的功能在于对驾驶员有变道意图的情况下的车辆盲区范围内的存在快速行驶车辆的情况做出预警，以避免潜在变道交通事故的发生；后者在于对驾驶员无变道意图的情况下的车道偏离现象做出预警，从而避免潜在变道交通事故或违规驾驶行为(实线变道)的发生。通常情况下，两系统功能是由不同的视觉系统完成的(LDW由前视算法实现，LCW则通过盲区算法完成)。

[0003] 现有通过车辆盲区监视实现变道辅助预警(LCW)的系统方案相对较少。主要分为两大类：一类基于毫米波雷达，另一类基于视觉系统。其中，基于毫米波雷达的方案相对成本较高，且中近距离物体检测虚报率偏高。现有基于视觉系统的方案，利用稀疏光流算法聚类具图像ROI区域有相似运动特征的障碍物，算法实时性好，但检测准确性较差，且易受极端天气影响，并且预警策略未能综合考虑目标车辆与自身车辆间相对位置以及相对运动信息。

[0004] 现有车道偏离预警系统(LDW)主要基于前视单目相机的图像分析与处理，提取车道线信息、计算预警指标以及做出预警决策。其主要缺点有：车道线检测易受光照、阴影等影响；基于平面、直线标识等假设，应用范围受限；车道线检测范围为图像固定区域，检测结果易受该区域内出现的其它车辆影响(入拥堵工况)。

发明内容

[0005] 本发明主要是解决现有技术所存在的准确度差、易受干扰等的技术问题，提供一种准确度高、鲁棒性好的基于车载盲区相机的道路预警方法。

[0006] 本发明针对上述技术问题主要是通过下述技术方案得以解决的：一种基于车载盲区相机的道路预警方法，包括前置流程和车道偏离预警流程，所述前置流程包括以下步骤：

[0007] S001、读取当前车速，如果高于设定阈值则进入步骤S002，如果低于阈值则保持对车速的监测状态；

[0008] S002、盲区相机采集图像，并在图像中的ROI(感兴趣)区域利用级联分类器进行多尺度滑窗搜索，得到检测车辆候选区域；ROI区域范围以及检测窗口大小为可配置参数，根据不同的相机安装参数进行调整，对于已经固定的相机来说，由于其相对车身是静止的，因此ROI区域范围及检测窗口设定后即为定量；

[0009] S003、对检测车辆候选区域进行车辆特征角点提取及跟踪，得到车辆检测结果部分；

[0010] 所述车道偏离预警方法包括以下步骤：

[0011] S104、通过方向盘转角传感器(或转向灯信号)检测驾驶员是否有变道操作，如果无变道操作(无转向灯信号)，则进入步骤S105，否则保持对方向盘转角的监测状态；

[0012] S105、在盲区相机所采集图像中的车道线检测区域中以纯色填充的方式去除车辆检测结果部分，得到精确车道线检测区域；车道线检测区域是指以车辆纵向中心线为边界，向左右两侧各三米的地面范围，由于视觉系统的盲区相机相对车身静止，拍摄角度固定，因此可以在图像上直接划定车道线检测区域；此步骤可以去除对应检测区域内的噪声，提升算法准确性，减小两算法图像处理以及检测搜索范围，提升算法时效性；

[0013] S106、在精确车道线检测区域内检测拟合车道线并进行跟踪；

[0014] S107、将车道线拟合结果投影坐标变换到车辆坐标平面，计算车辆最近车道线相对于该侧前车轮的侧向偏移量K并估算车道车辆超出最近一侧车道线阈值所需的时间TLC；投影变换为通过映射表将图像坐标系中的点(单位为像素)转换为地面坐标系的点(单位为米)，映射表可以通过相机参数标定获得；

[0015] S108、根据K和TLC判断是否触发预警，如果触发则进入步骤S109，否则返回步骤S104；

[0016] S109、产生预警信号，提示驾驶员谨慎驾驶。

[0017] 作为优选，一种基于车载盲区相机的道路预警方法还包括变道预警流程，所述变道预警流程包括以下步骤：

[0018] S204、通过方向盘转角传感器检测驾驶员是否有变道操作，如果有变道操作，则进入步骤S205，否则保持对方向盘转角的监测状态；

[0019] S205、依据车辆特征角点对被检测车辆进行投影变换矩阵计算；

[0020] S206、依据投影变换矩阵计算结果估算预碰撞时间；

[0021] S207、依据预碰撞时间判断是否触发预警条件，如果触发，则进入步骤S008，否则跳转到步骤S204；

[0022] S208、产生预警信号，提示驾驶员谨慎驾驶。

[0023] 触发车道偏离预警流程和变道预警流程的车速阈值可以设定成不同值，从而适应不同行车环境的需求，根据方向盘转角信号或转向灯信号可以使两个流程互锁，避免同时触发预警信号。两种流程所触发的预警信号应当设置成不同方式(在视觉和听觉上都具有明显的区分度)，方便驾驶员进行区分。

[0024] 作为优选，步骤S003具体为：用FAST或Shi-Tomasi角点对检测车辆候选区域提取角点特征，利用Lucas-Kanade光流方法计算角点特征的运动信息，并且更新角点特征位置。

[0025] 作为优选，步骤S106具体为：在车道线检测区域内提取边缘特征，通过车道线宽度、距离和角度阈值设定，过滤掉不符合车道线几何特征的二值化边缘特征；利用固定长度多段直线拟合车道线特征点；通过车道线长度阈值设定，确定车道线类型；利用Kalman滤波，对已检测出的车道线进行跟踪。

[0026] 作为优选，步骤S107具体为：根据车道线检测结果，利用盲区系统相机参数，将车道线拟合结果投影坐标变换到车辆坐标平面(原点固定于车辆前轴中点，X方向为车辆后向，Y方向为车辆侧向)，将车道线延伸至与Y轴交点，计算车辆最近车道线相对于该侧前车轮的侧向偏移量：K＝Y0–W/2；利用平面单车运动学模型，估算车辆超出最近一侧车道线阈值K0所需的时间TLC，公式如下：

[0027]

[0028] 其中，Y0为车辆最近车道线到车辆坐标平面原点的距离，K0为车道偏离距离预警的紧急阈值，θ为前轮转角，W为车身宽度，V为车速。

[0029] 作为优选，步骤S108具体为：

[0030] 若K大于阈值K1,则不触发预警；若K小于阈值K2则触发预警；若K小于阈值K1且大于阈值K2，则根据TLC来判断是否触发预警：当TLC小于阈值T2时，触发预警，反之不触发预警；其中，K1、K2和T2为可配置参数，由实车测试所得。

[0031] 作为优选，步骤S205具体为：根据相邻两帧角点特征跟踪结果，基于区域相似性假设(即假设车辆跟踪区域只有尺度变化和图像平面内的平移)，利用RANSAC方法计算被检测车辆投影变换矩阵,并将被检测车辆底部中心点投影坐标变换到自定义车辆坐标平面(原点固定于车辆前轴中点，X方向为车辆后向，Y方向为车辆侧向)。

[0032] 作为优选，步骤S206具体为：定义预碰撞时间TTC为相邻车道车辆按当前车速行驶，进入预警区域所需时间，计算公式如下：

[0033] TTC＝D/vel

[0034] 其中D为被检测车辆至预警区域距离，根据将被检测车辆图像区域底部中点位置投影坐标变换到自定义车辆坐标平面获得(利用相机标定参数)，vel为被检测车辆相对于当前车辆的速度，由跟踪算法获得。

[0035] 作为优选，步骤S207中，所述依据预碰撞时间判断是否触发预警条件具体为：根据车辆检测以及跟踪结果，若D大于阈值D1,则不预警；若D小于阈值D2则预警；若D小于阈值D1且大于阈值D2，则根据TTC来判断是否预警：当TTC小于阈值T0时，预警，反之不预警；其中，D1、D2和T0为可配置参数，由实车测试所得。

[0036] 作为优选，所述级联分类器采用如下方式训练：利用级联haar特征或LBP特征的boosting分类器，训练车辆检测算法；采用试验车辆所采集的车头正样本图像不少于12000张，负样本图像不少于20000张，利用难例挖掘和主动学习方法提升训练效果；分类器级联层数为可配置参数。

[0037] 本发明的优势在于可将原本分属于两个视觉系统的算法模块集成到单一盲区系统中，大大降低系统硬件成本。盲区相机可安装于车辆后视镜下方，朝向车辆侧后方偏下，视野范围覆盖相邻两车道至自身车辆后30米区域。

[0038] 本发明利用车载盲区视觉系统检测相邻车道同向行驶车辆，判断该车与自身车辆的相对位置与运动关系以及测量自身车辆与当前车道边缘的距离，并根据驾驶员的转向操作意图，触发相应系统的预警信号。在有驾驶员有转向意图时对盲区可能发生的碰撞情况发出预警信号；在驾驶员无转向意图时，自身车辆偏航情况发出预警信号。此系统涵盖了和变道以及车道保持相关的辅助驾驶功能，硬件成本低，实时性好，集成度高，可以有效提高中高速工况车辆车道保持以及变道行驶的安全性能。

[0039] 相对于已有LCW以及LDW系统而言，本方法着重解决了如下几方面问题：

[0040] 1.LCW：本发明所采用的算法优势在于结合级联分类器检测与局部光流算法，相比于纯光流算法，在不引入大量计算性能消耗能的前提下，够有效提高盲区车辆检测的准确性。本算法在图像特定ROI区域搜索少许尺度车辆正面特征，并且对已检测到的车辆区域进行特征提取与运动估算，能够有效确保光流计算所利用的特征点大部分都出于车辆本身，特征提取范围更小，同时省略了特征点聚类的过程。本方法在计算车辆相对位置时，引入了道路模型，相对于图像坐标系下的距离运算更为准确。同时检测、跟踪的车辆识别架构能有效消除两者算法单一使用时的误报。相比于基于毫米波雷达的方案，本方法硬件成本较低，且大部分工况下检测效果与毫米波传感器相当。就预警算法而言，综合考虑了车辆间相对运动与相对位置信息，鲁棒性更好。

[0041] 2.LDW：本发明所采用的算法优势在于可适用于直线和转弯多等不同工况。本发明可根据双目视差匹配代价信息动态更新车道线检测区域，显著提升检测准确率。应用车道线距离、宽度、角度阈值滤波，可有效提升检测准确率。本发明可区分虚线与实线，并对二者应用不同的预警阈值。预警算法综合考虑车道偏离距离以及车道偏离时间，考虑驾驶员操纵补偿，鲁棒性更好。预警信号采用视觉与听觉预警结合的方式，具有梯度性、驾驶员响应程度更好。

[0042] 此外，两套算法集成在同一视觉系统中可以相互辅助提升各自性能，如车道线检测可以辅助确定车辆检测范围，盲区车辆检测可以去除车道线检测区域内由车辆边缘产生的误识别等。

[0043] 本发明带来的实质性效果是：本发明LCW系统中所使用的车辆检测及跟踪联合算法ROI区域以及滑窗尺度范围较小，检测时效性好；采用难例挖掘以及主动学习等方法优化级联分类器训练过程，检测效果大幅提升；预警算法综合考虑相对盲区距离d以及预碰撞时间TTC，能够在盲区内已有快速车辆或即将有快速车辆通过时发出有效预警信号；

[0044] 本发明LDW系统在车道线检测区域内规避了运动车辆边缘信息所引入的误检测。利用分段直线的拟合，可兼顾直线与曲线拟合，因此适用于直线和转弯等不同工况。本发明应用车道线距离、宽度、角度阈值滤波，可有效过滤非车道线道路特征，提升检测准确率。本发明可根据车道线长度阈值设定，区分虚线与实线，从而对二者应用不同的预警阈值。预警算法综合考虑车道偏离距离D以及车道偏离时间TLC，鲁棒性更好。预警信号采用视觉与听觉预警结合的方式，预警效果更好。

附图说明

[0045] 图1是本发明的一种预警系统结构示意图；

[0046] 图2是本发明的一种预警方法流程图；

[0047] 图3是本发明的一种以车辆右侧盲区相机视角为例的图片感兴趣区域以及预警区域示意图；图中白线框为车辆检测ROI区域，黑虚线框为车道线检测ROI区域，黑实线框为预警区域；

[0048] 图4是本发明的一种以车辆右侧盲区相机视角为例的阈值计算示意图；

[0049] 图中：1、输入层；2、分析决策层；3、输出层；11、其他车载传感器；12、盲区后视系统；21、图像处理单元；22、预警决策生成单元；31、视觉界面；32、扬声器。

具体实施方式

[0050] 下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

[0051] 实施例：本实施例的一种基于车载盲区相机的道路预警方法，运行于预警系统，如图1所示，预警系统包括输入层1、分析决策层2和输出层3，输入层包括盲区后视系统12(盲区相机)和其他车载传感器11，分析决策层包括图像处理单元21和预警决策生成单元22，输出层包括视觉界面31和扬声器32。盲区后视系统采集图像发送到图像处理单元，由图像处理单元处理后发送到预警决策生成单元。其他车载传感器包括车速、方向盘转角等传感器，所检测到的车速、方向盘转角等信息发送到预警决策生成单元。预警决策生成单元根据收到的信息和预警判断策略，生成视觉预警信号到视觉界面，并生成听觉预警信号到扬声器。

[0052] 盲区相机可安装于车辆后视镜下方，朝向车辆侧后方偏下，视野范围覆盖相邻两车道至自身车辆后30米区域。

[0053] 一种基于车载盲区相机的道路预警方法，如图2所示，包括前置流程和车道偏离预警流程，所述前置流程包括以下步骤：

[0054] S001、读取当前车速，如果高于设定阈值则进入步骤S002，如果低于阈值则保持对车速的监测状态；

[0055] S002、盲区相机采集图像，并在图像中的ROI(感兴趣)区域利用级联分类器进行多尺度滑窗搜索，得到检测车辆候选区域；ROI区域范围以及检测窗口大小为可配置参数，应根据不同的相机安装参数进行调整；

[0056] S003、对检测车辆候选区域进行车辆特征角点提取及跟踪，得到车辆检测结果部分；

[0057] 所述车道偏离预警方法包括以下步骤：

[0058] S104、通过方向盘转角传感器(或转向灯信号)检测驾驶员是否有变道操作，如果无变道操作(无转向灯信号)，则进入步骤S105，否则保持对方向盘转角的监测状态；

[0059] S105、在盲区相机所采集图像中的车道线检测区域中以纯色填充的方式去除车辆检测结果部分，得到精确车道线检测区域；车道线检测区域是指以车辆纵向中心线为边界，向左右两侧各三米的地面范围，由于视觉系统的盲区相机相对车身静止，拍摄角度固定，因此可以在图像上直接划定车道线检测区域；此步骤可以去除对应检测区域内的噪声，提升算法准确性，减小两算法图像处理以及检测搜索范围，提升算法时效性；

[0060] S106、在精确车道线检测区域内检测拟合车道线并进行跟踪；

[0061] S107、将车道线拟合结果投影坐标变换到车辆坐标平面，计算车辆最近车道线相对于该侧前车轮的侧向偏移量K并估算车道车辆超出最近一侧车道线阈值所需的时间TLC；投影变换为通过映射表将图像坐标系中的点(单位为像素)转换为地面坐标系的点(单位为米)，映射表可以通过相机参数标定获得；

[0062] S108、根据K和TLC判断是否触发预警，如果触发则进入步骤S109，否则返回步骤S104；

[0063] S109、产生预警信号，提示驾驶员谨慎驾驶。

[0064] 所述变道预警流程包括以下步骤：

[0065] S204、通过方向盘转角传感器检测驾驶员是否有变道操作，如果有变道操作，则进入步骤S205，否则保持对方向盘转角的监测状态；

[0066] S205、依据车辆特征角点对被检测车辆进行投影变换矩阵计算；

[0067] S206、依据投影变换矩阵计算结果估算预碰撞时间；

[0068] S207、依据预碰撞时间判断是否触发预警条件，如果触发，则进入步骤S008，否则跳转到步骤S204；

[0069] S208、产生预警信号，提示驾驶员谨慎驾驶。

[0070] 触发车道偏离预警流程和变道预警流程的车速阈值可以设定成不同值，从而适应不同行车环境的需求，根据方向盘转角信号或转向灯信号可以使两个流程互锁，避免同时触发预警信号。两种流程所触发的预警信号应当设置成不同方式(在视觉和听觉上都具有明显的区分度)，方便驾驶员进行区分。

[0071] 步骤S003具体为：用FAST或Shi-Tomasi角点对检测车辆候选区域提取角点特征，利用Lucas-Kanade光流方法计算角点特征的运动信息，并且更新角点特征位置。

[0072] FAST：采用机器学习的方法，按如下标准定义特征点：对于某像素点p，以其为中心的16个像素点，若其中有n个连续的像素点亮度值均大于p点亮度加上某阈值t(或小于p点亮度减去某阈值t)，则p为特征点；可设置参数为像素点数n，亮度阈值t以及是否使用非极大值抑制(Non-Maximum Suppression)。此特征点检测是公认的比较快速的特征点检测方法，只利用周围像素比较的信息就可以得到特征点，简单，有效。该方法多用于角点检测。

[0073] Lucas-Kanade光流方法：利用高斯下采样计算n层图像金字塔(n默认为3)，从顶层金字塔自上而下对于每层金字塔i，初始化光流向量Li(利用上一层光流计算结果，顶层以(0，0)初始化)，计算图像x,y方向一阶导数，对输入的角点计算其周围m*m区域内相邻时刻的亮度均方差(m默认为7)，若各层图像金字塔中，沿梯度下降方向迭代更新光流向量Li至该角点相邻时刻对应的图像均方差均小于某一特定阈值Kp，确定该层金字塔的光流向量为Li；如若干循环后，仍无法满足阈值条件，则摒弃该点光流向量。

[0074] 步骤S106具体为：在车道线检测区域内提取边缘特征，通过车道线宽度、距离和角度阈值设定，过滤掉不符合车道线几何特征的二值化边缘特征；利用固定长度多段直线拟合车道线特征点；通过车道线长度阈值设定，确定车道线类型；利用Kalman滤波，对已检测出的车道线进行跟踪。

[0075] 步骤S107具体为：根据车道线检测结果，利用盲区系统相机参数，将车道线拟合结果投影坐标变换到车辆坐标平面(原点固定于车辆前轴中点，X方向为车辆后向，Y方向为车辆侧向)，将车道线延伸至与Y轴交点，计算车辆最近车道线相对于该侧前车轮的侧向偏移量：K＝Y0–W/2；利用平面单车运动学模型，估算车辆超出最近一侧车道线阈值K0所需的时间TLC，公式如下：

[0076]

[0077] 其中，Y0为车辆最近车道线到车辆坐标平面原点的距离，车辆坐标平面原点在车身中轴线上，K0为车道偏离距离预警的紧急阈值，θ为前轮转角，W为车身宽度，V为车速。

[0078] 步骤S108具体为：

[0079] 若K大于阈值K1,则不触发预警；若K小于阈值K2则触发预警；若K小于阈值K1且大于阈值K2，则根据TLC来判断是否触发预警：当TLC小于阈值T2时，触发预警，反之不触发预警；其中，K1、K2和T2为可配置参数，由实车测试所得，典型值如K1＝0.2，K2＝0，T2＝0.3。

[0080] 步骤S205具体为：根据相邻两帧角点特征跟踪结果，基于区域相似性假设(即假设车辆跟踪区域只有尺度变化和图像平面内的平移)，利用RANSAC方法计算被检测车辆投影变换矩阵,并将被检测车辆底部中心点投影坐标变换到自定义车辆坐标平面(原点固定于车辆前轴中点，X方向为车辆后向，Y方向为车辆侧向)。

[0081] 步骤S206具体为：定义预碰撞时间TTC为相邻车道车辆按当前车速行驶，进入预警区域所需时间，计算公式如下：

[0082] TTC＝D/vel

[0083] 其中D为被检测车辆至预警区域距离，根据将被检测车辆图像区域底部中点位置投影坐标变换到自定义车辆坐标平面获得(利用相机标定参数)，vel为被检测车辆相对于当前车辆的速度，由跟踪算法获得。

[0084] 步骤S207中，所述依据预碰撞时间判断是否触发预警条件具体为：根据车辆检测以及跟踪结果，若D大于阈值D1,则不预警；若D小于阈值D2则预警；若D小于阈值D1且大于阈值D2，则根据TTC来判断是否预警：当TTC小于阈值T0时，预警，反之不预警；其中，D1、D2和T0为可配置参数，由实车测试所得，典型的如D1＝18，D2＝0，T0＝0.8。

[0085] 所述级联分类器采用如下方式训练：利用级联haar特征或LBP特征的boosting分类器，训练车辆检测算法，每一级弱分类器的训练过程为：初始化训练数据的权值分布(每个样本赋予同样的权值系数)，训练过程中，若该样本被准确的分类，则降低该样本的权重系数；反之，则提高相应权重系数。反复迭代上述过程，产生若干弱分类器级。最后级联各弱分类器生成最终强分类器(增大误差率小的弱分类器权重系数，减小误差率大的弱分类器权重系数)；采用试验车辆所采集的车头正样本图像不少于12000张，负样本图像不少于20000张，利用难例挖掘(是指手动将分类器难以识别的误检经过筛检重新加入训练样本中进行训练)和主动学习(是指先利用网络收集的相关训练数据预训练一个级联分类器，利用此分类器对的我们相机设备所采集的样本进行粗略检测，根据检测结果人工筛选正负样本，重新训练分类器)提升训练效果；分类器级联层数为可配置参数。

[0086] 本发明的优势在于可将原本分属于两个视觉系统的算法模块集成到单一盲区系统中，大大降低系统硬件成本。

[0087] 本发明利用车载盲区视觉系统检测相邻车道同向行驶车辆，判断该车与自身车辆的相对位置与运动关系以及测量自身车辆与当前车道边缘的距离，并根据驾驶员的转向操作意图，触发相应系统的预警信号。在有驾驶员有转向意图时对盲区可能发生的碰撞情况发出预警信号；在驾驶员无转向意图时，自身车辆偏航情况发出预警信号。此系统涵盖了和变道以及车道保持相关的辅助驾驶功能，硬件成本低，实时性好，集成度高，可以有效提高中高速工况车辆车道保持以及变道行驶的安全性能。

[0088] 相对于已有LCW以及LDW系统而言，本方法着重解决了如下几方面问题：

[0089] 1.LCW：本发明所采用的算法优势在于结合级联分类器检测与局部光流算法，相比于纯光流算法，在不引入大量计算性能消耗能的前提下，够有效提高盲区车辆检测的准确性。本算法在图像特定ROI区域搜索少许尺度车辆正面特征，并且对已检测到的车辆区域进行特征提取与运动估算，能够有效确保光流计算所利用的特征点大部分都出于车辆本身，特征提取范围更小，同时省略了特征点聚类的过程。本方法在计算车辆相对位置时，引入了道路模型，相对于图像坐标系下的距离运算更为准确。同时检测、跟踪的车辆识别架构能有效消除两者算法单一使用时的误报。相比于基于毫米波雷达的方案，本方法硬件成本较低，且大部分工况下检测效果与毫米波传感器相当。就预警算法而言，综合考虑了车辆间相对运动与相对位置信息，鲁棒性更好。

[0090] 2.LDW：本发明所采用的算法优势在于可适用于直线和转弯多等不同工况。本发明可根据双目视差匹配代价信息动态更新车道线检测区域，显著提升检测准确率。应用车道线距离、宽度、角度阈值滤波，可有效提升检测准确率。本发明可区分虚线与实线，并对二者应用不同的预警阈值。预警算法综合考虑车道偏离距离以及车道偏离时间，考虑驾驶员操纵补偿，鲁棒性更好。预警信号采用视觉与听觉预警结合的方式，具有梯度性、驾驶员响应程度更好。

[0091] 此外，两套算法集成在同一视觉系统中可以相互辅助提升各自性能，如车道线检测可以辅助确定车辆检测范围，盲区车辆检测可以去除车道线检测区域内由车辆边缘产生的误识别等。

[0092] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

[0093] 尽管本文较多地使用了变道、偏离、ROI等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。