技术领域
[0001] 本
发明涉及交通技术领域，具体为一种高速公路防撞预警方法。
背景技术
[0002] 交通事故发生的随机性和突发性导致更多的事故难以
预防，其中，以高速公路追尾事故所占比例最多。因此，如何提高高速公路交通安全己经成为人们的重要研究课题。
[0003] 从20世纪70年代开始，日本最先进行了
汽车碰撞系统的研究，日本的Smart Way计划(智能公路计划)中，指出日本将在车辆上采用诸如车道保持、十字路口防撞、行人避让和车距保持等智能车辆技术[1]；2003年，日本已经开始实施这个智能计划，到本世纪中叶，日[2]本将在它的全国范围内实施这个智能公路计划 ；欧洲代理基金也在进行纵向和侧向防撞技术研究。美国的智能车辆先导计划与通用汽车公司合作，发展了一套自动碰撞预警/防撞系统并开发相关的试验系统[3]；在欧洲和日本的一些轿车上，已经应用了适应性巡航控制(ACC-Adaptive Cruise Control)系统[4]，美国也将很快将这项技术应用于汽车上。目前，适应性
巡航控制系统主要用于控制高速公路上汽车的速度，下一代适应性巡航控制系统将适用于交通拥挤状况[5]。上世纪末，日本三菱公司引入了一套新的驾驶员预警系统，该系统可以对车辆离道进行报警，并借助
机器视觉监视汽车侧面以及后方的交通状况[6]。本田公司、尼桑公司和丰田公司也先后在各自的先进安全性车辆计划中开发了行车安全子系统，这些系统包括；车辆
定位系统、障碍报警系统、自动
制动系统、前车距离控制系统、驾驶员打吨报警系统以及夜间行人报警[7]。欧洲开放基金资助进行驾驶员的监测、视觉增强、道路环境的
感知、汽车距控制和
传感器融合有关方面的研究。美国交通部己经开始了一项五年计划，投入3500万与通用汽车公司合作开发一种前后方防撞系统[8]。
[0004] 在目前的汽车追尾的研究中，国内外主要是从事汽车追尾
硬件系统的研究，国内学者在国外汽车追尾防撞硬件研究的
基础上，对于汽车追尾概率也提出了自己的研究思路。典型的有侯志祥、吴义虎等人运用基于ANFIS的汽车追尾建模及仿真，熊和金、刘清等人基于BP神经网络的模型预测当前时刻追尾发生的概率[9]，以及丁建友等基于BP神经网络的高速公路汽车追尾概率模型的研究[10]。
[0005] [1]Eric Nimako Aidoo,Richard Amoh-Gyimah,Williams Ackaah.The effect of road and environmental characteristics on pedestrian hit-and-run accidents in Ghana[J].Accident Analysis and Prevention.2013,53(53C):23-27.[0006] [2]RO Mujalli,OJ De.Amethod for simplifying the analysis of traffic accidents injury severity on two-lane highways using Bayesian networks[J].Journal of Safety Research.2011,42(5):317-326.
[0007] [3]Anna K.Andersson,Lee Chapman.The impact of climate change on winter road maintenance and traffic accidents in West Midlands,UK[J].Accident Analysis and Prevention.2011,43(1):284-289.
[0008] [4]David D.Clarke,Patrick Ward,et al.Killer crashes:Fatal road traffic accidents in the UK[J].Accident Analysis and Prevention.2010,42(2):764-770.
[0009] [5]S.C.Wong,N.N.Sze,Y.C.Li.Contributory factors to traffic crashes at signalized intersections in Hong Kong[J].Accident Analysis and Prevention.2007,39(6):1107-1113.
[0010] [6]刘志强.道路交通安全研究方法[J].中国安全科学学报.2000,10(6):14.[0011] [7]A.García-Ferrer,A.de Juan,P.Poncela.Forecasting traffic accidents using disaggregated data[J].International Journal of Forecasting.2006,22(2):203-222.
[0012] [8]尹红亮,王炜,王晓红,等.道路交通事故成因的新思考[J].公路交通科技.2000(4):60-64.
[0013] [9]熊和金，刘清，杨杰.汽车追尾事故的BP网络模型研究.武汉交通科技大学学报2000,24(1):1}2.
[0014] [10]丁建友，李
铁柱，李文权.高速公路安全行车间距与追尾事故预防.2007第三届中国智能交通年会论文集.2007第三届中国智能交通年会学术委员会.南京，2007.东南大学出版社，2007:23.
发明内容
[0015] 本发明的目的是：针对
现有技术中高速公路上车辆间容易发生由于车辆
刹车不及时而发生的车辆碰撞的问题，提出一种高速公路防撞预警方法。
[0016] 本发明为了解决上述技术问题采取的技术方案是：一种高速公路防撞预警方法，包括以下步骤：
[0017] 步骤一：获取前方图像；
[0018] 步骤二：对获取的图像进行预处理；
[0019] 步骤三：根据处理后的图像确定图像中是否存在车辆尾部特征；
[0020] 步骤四：对图像进行网格化处理；
[0021] 步骤五：
跟踪车辆特征在网格中的
位置变化，若车辆特征尺寸变大，则进行报警提示，若车辆特征尺寸变小或者不变，则不进行报警提示。
[0022] 进一步的，所述车辆特征至少包括车牌、车灯、
保险杠、后挡
风玻璃、雨刷器或排气筒。
[0023] 进一步的，所述步骤三的详细步骤为：首选判断图像中是否存在车辆尾部特征，若存在，则从图像中提取车辆尾部特征，并提取该特征的轮廓。
[0024] 进一步的，若所述步骤五中车辆特征为车灯特征，则根据图像中车灯的
颜色变化进行报警提示。
[0025] 进一步的，所述图像预处理包括二值化处理、滤波处理。
[0026] 进一步的，所述网格化处理采用matlab实现。
[0027] 本发明的有益效果是：
[0028] 本发明具体通过采集本车道路前方视频图像，通过检测图像中是否存在车辆尾部特征进而判断是否存在近距离车辆，本发明可有效减少高速公路中车辆近距离碰撞的事件发生。
具体实施方式
[0029] 具体实施方式一：本实施方式所述的一种高速公路防撞预警方法，包括以下步骤：
[0030] 步骤一：获取前方图像；
[0031] 步骤二：对获取的图像进行预处理；
[0032] 步骤三：根据处理后的图像确定图像中是否存在车辆尾部特征；
[0033] 步骤四：对图像进行网格化处理；
[0034] 步骤五：跟踪车辆特征在网格中的位置变化，若车辆特征尺寸变大，则进行报警提示，若车辆特征尺寸变小或者不变，则不进行报警提示。
[0035] 本发明具体通过采集本车道路前方视频图像，进而通过分析视频图像以确定本车道路前方是否存在近距离前车以及前车尾部特征显著区域，并通过跟踪前车尾部特征显著区域以及判断前车尾部特征显著区域在视频图像的图像
帧中的位置和/或尺寸变化所对应的车距状态，以供在相应车距状态下发出车辆防碰撞预警。本发明通过获取本车道路前方视频图像，从而可获得本车前方更大的检测
角度，提升检测的效果。此外，本发明通过跟踪前车尾部特征显著区域以确定本车与前车间的车距状态，从而扩大车辆防碰撞预警的多种适用场合，比如停车防溜、前车变道等。
[0036] 具体实施方式二：本实施方式是对具体实施方式一所述的作进一步说明，本实施方式与具体实施方式一的区别是所述车辆特征至少包括车牌、车灯、保险杠、后
挡风玻璃、雨刷器或排气筒。
[0037] 具体实施方式三：本实施方式是对具体实施方式二所述的作进一步说明，本实施方式与具体实施方式二的区别是所述步骤三的详细步骤为：首选判断图像中是否存在车辆尾部特征，若存在，则从图像中提取车辆尾部特征，并提取该特征的轮廓。
[0038] 具体实施方式四：本实施方式是对具体实施方式三所述的作进一步说明，本实施方式与具体实施方式三的区别是若所述步骤五中车辆特征为车灯特征，则根据图像中车灯的颜色变化进行报警提示。
[0039] 具体实施方式五：本实施方式是对具体实施方式一所述的作进一步说明，本实施方式与具体实施方式一的区别是所述图像预处理包括二值化处理、滤波处理和分割处理。
[0040] 具体实施方式六：本实施方式是对具体实施方式一所述的作进一步说明，本实施方式与具体实施方式一的区别是所述网格化处理采用matlab实现。
[0041] 需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明
权利要求书和
说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。
