基于反向ST-MRF车辆跟踪算法的防追尾预警方法
专利汇可以提供基于反向ST-MRF车辆跟踪算法的防追尾预警方法专利检索，专利查询，专利分析的服务。并且本 发明 公开一种基于反向ST-MRF车辆 跟踪 算法 的防追尾预警方法，首先采用反向ST-MRF模型进行车辆跟踪，当两辆车相互遮挡时，优化处理融合不完整的分割部分进行车辆跟踪，获得前车的交通信息，包括速度、 加速 度、加速时间；利用单目测距方法，将世界坐标转换为 像素 坐标，根据标定得到的定焦 行车记录仪 的焦距、事先确定参数及通过反向ST-MRF模型获得 前方车辆 在图像中像素点的 位置 ，计算前后车距离S；再根据驾驶员反应特性和直觉特性得到的后车预警纵向安全距离的理论计算模型，计算预警的纵向距离L；比较纵向预警距离L和前后辆车间距S，当S 汽车 追尾碰撞事故的发生，增加道路的通行能 力 ，确保行车安全。，下面是基于反向ST-MRF车辆跟踪算法的防追尾预警方法专利的具体信息内容。
1.一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法，其特征在于，包括以下步骤：
步骤一、采用反向ST-MRF模型进行车辆跟踪，当两辆车相互遮挡时，优化处理融合不完整的分割部分进行车辆跟踪，获得前车在图像上像素信息和交通信息，包括速度、加速度、加速时间的信息；
步骤二、利用单目测距方法，将世界坐标转换为像素坐标，根据标定得到的定焦行车记录仪的焦距，事先确定参数及通过反向ST-MRF模型获得前方车辆在图像中像素点的位置，计算前后车距离S；
步骤三、根据驾驶员反应特性和直觉特性得到的后车预警纵向安全距离的理论计算模型，计算预警的纵向安全距离L；
步骤四、比较纵向安全距离L和前后辆车间距S，当S
其中：
Nconnect表示帧数，也就是两辆车不同于背景图像通过块连接的部分；
Nnoconnect表示与Nconnect相反；
(ux2,vy2)和(ux3,vy3)分别代表两辆车的运动矢量；
(uxm,vym)代表融合到两辆车分割区域的集群的运动矢量；
通过定义后验概率函数，如两辆车的融合区域进入到一个独立的区域的概率为：
总的能量函数为Uconnect+Umv＝0时，P为1， 为0.5，也就是说当Uconnect+Umv＝0时，融合分割区域的发生与不发生的概率是一样的，当总的能量Uconnect+Umv较大时，融合分割部分发生的概率将增加。
3.根据权利要求1所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法，其特征在于，步骤二中将世界坐标转换为像素坐标的方法：
设P(Xw,Yw,Zw)为世界坐标系上一点，在针孔相机中要经历以下几个变换，最终变成二维图像上像点p(u,v)：
1、将P点从世界坐标系通过刚体变换(旋转和平移)变换到相机坐标系，这个变换过程使用的是相机间的相对位置，也就是相机外参数；
2、从相机坐标系，通过透视投影变换到相机成像平面上一点p(x,y)；
3、将像点p从图像坐标系通过缩放和平移变换到像素坐标系上的点p(u,v)；相机将场景中的三维点变换成图像中的二维点，也就是各个坐标系变换的组合，将上面变换过程整理为矩阵相乘的形式，如公式：
其中：
Zc是与XC、YC轴组成了相机坐标系；
Zc轴与相机光轴与图像平面垂直；
(u,v)是p点在图像平面中的像素x轴和y轴坐标；
dx是一个像素在x轴的物理距离，单位为mm；
dy是一个像素在y轴的物理距离，单位为mm；
(u0，v0)是CCD光轴和成像平面交点(x0,y0)的像素坐标，用点O1表示，该点位于图像坐标系的中心处，考虑到制造、安装等原因，O1偏离图像中心，(u0，v0)设(u0，v0)表示xO1y坐标系的坐标原点O1在坐标系uO0v的坐标；
f是相机有效焦距；
R是世界坐标转换到相机坐标的旋转矩阵，可用3*3的单位矩阵表示；
T是世界坐标转换到相机坐标的三维平移向量；
(XW,YW,ZW)表示点P在世界坐标系的坐标；
ax，ay是相机内部参数，ax＝f/dx，ay＝f/dy；
M1是内部参数；
M2是外部参数；
M是投影矩阵。
4.根据权利要求3所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法，其特征在于，相机内部参数M1标定的方法：
相机的标定采用张友正经典标定法，棋盘版每一方格的参数为dx＝dy＝n，n表示一个方格长度，单位为mm，标定具体步骤如下
1、被标定的相机需要从不同角度对特殊模式图像拍摄15～20张照片；
2、从照片中提取期盼格角点；
3、估计理想无畸变下的内部参数；
4、然后通过最小二乘法找到最优化的相机内部参数，
采用极大似然估计，优化估计值，得到内部参数矩阵
5.根据权利要求3所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法，其特征在于，前方车辆距离计算方法；
在进行图像平面和道路平面几何映射是，采用了以下先验知识：
1、假设车辆前方视野内道路是在一个平面内的；
2、相机光轴与地面平行，即在三维空间中Y的值保持不变；
3、点P就是反向ST-MRF检测出的前方车辆位置在像平面的像素点，投影坐标是(x,y)，通过几何关系，得到点P和镜头中心水平距离S的计算公式为：
S＝h/tan{α+arctan[(y0-y)/f]} 式(3)
其中：
S是车辆距离,即前后车之间距离；
f是相机有效焦距；
α是相机的俯仰角度；
h是相机安装高度(镜头中心到地面的高度)；
(x0,y0)是光轴与像平面的交点，作为像平面的原点，一般取(0，0)。
6.根据权利要求1所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法，其特征在于，步骤三中纵向预警距离L计算.从后车追尾和汽车制动距离理论出发，建立后车预警纵向安全距离L的理论计算模型，提出前车静止或者后车前方为静止障碍物、前车减速行驶、前车匀速或加速行驶、前车和后车都静止等4种情况下的后车预警纵向安全距离L的计算公式。
7.根据权利要求6所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法，其特征在于，步骤三中后车的制动距离的计算：
依据驾驶员行为特性，以及知觉反应特性，确定后车的制动距离，如式(4)：
其中：
V2：后车的运行车速，单位：km/h；
t1：驾驶员反应时间，单位：s；
t′2：驾驶员踏下踏板的时间，常数，单位：s；
t″2：制动器制动时间，常数，单位：s；
2
jmax：后车的最大减速度，其值等于 单位：m/s ；
路面附着系数；
g：该地区的重力加速度，常数，单位：m/s2。
8.根据权利要求7所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法，其特征在于，在4种不同的行驶状态下，后车的危险预警纵向安全距离L可以分为以下三种理论模型：
1、前车静止或者后车前方为静止障碍物，
L1＝0 式(5)
其中：
L1为前车行驶距离，单位：m；
d0为后车停车时两车保持的额定安全距离，单位：m；
2、前车减速行驶时，
L1＝V12/25.92a1 式(7)
其中：
V1为前车行驶速度，车辆跟踪结果所得，单位：km/h；
2
a1为前车的减速度，车辆跟踪结果所得，单位：m/s；
3、前车匀速或加速行驶时，
其中：
t3为前车加速时间，单位：s；
a′1为前车的加速度，车辆跟踪结果所得，单位：m/s2；
4、交通严重堵塞时，前车和后车的速度都为0，此时的预警纵向安全距离L＝d0。
9.根据权利要求8所述的一种基于反向ST-MRF车辆跟踪算法的防追尾预警方法，其特征在于，步骤四中纵向安全距离L实时预警的判断方法：
当辆车之间的距离S<纵向安全距离L时，系统将会发出预警，提醒司机注意行驶安全。
基于反向ST-MRF车辆跟踪算法的防追尾预警方法
技术领域
背景技术
发明内容
＝0时，融合分割区域的发生与不发生的概率是一样的，当总的能量Uconnect+Umv较大时，融合分割部分发生的概率将增加。
具体实施方式
＝0时，融合分割区域的发生与不发生的概率是一样的，当总的能量Uconnect+Umv较大时，融合分割部分发生的概率将增加。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种气隙不均情况下铝蜂窝板结构三维电磁消旋力矩计算方法 | 2020-08-24 | 0 |
| 一种基于力反馈主从控制的带电作业机器人支接引线搭接方法 | 2020-10-01 | 1 |
| 一种对铁磁目标远场磁矩矢量的测量方法 | 2020-12-06 | 0 |
| 一种视频编码系统和应用该系统的视频编码方法 | 2021-06-04 | 0 |
| 一种偏转型矢量推进器及水下航行器 | 2021-01-16 | 0 |
| 基于三维角度多普勒补偿的杂波抑制方法 | 2020-06-18 | 0 |
| 用于基于运动补偿的视频压缩的错误跟踪和减轻 | 2022-02-10 | 2 |
| Method and apparatus for encoding and decoding motion vector based on reduced motion vector predictor candidates | 2021-05-12 | 1 |
| Image processing apparatus, image processing method, and recording medium | 2023-06-30 | 0 |
| FRAME PROJECTION FOR AUGMENTED REALITY ENVIRONMENTS | 2021-02-02 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
