1.本发明涉及汽车辅助驾驶技术领域，具体涉及一种基于驾驶习惯的车道偏离预警方法。
背景技术：2.交通事故的发生大多是由汽车在驾驶过程中偏离自身车道而引起的。现有的车道偏离预警算法是基于霍夫变换和卡尔曼滤波相结合的模型，通过利用霍夫变换检测出车道线，然后结合卡尔曼滤波来预测车道线和跟踪车道线。根据横向距离来发出偏离警告。在此过程中，仅仅是根据横向距离来做出判断，没有考虑驾驶员主观的因素。考虑到驾驶员因其驾驶习惯不同，从而导致对危险情况感知程度不同，需要一种基于驾驶习惯的车道偏离预警算法。
技术实现要素：3.针对现有技术的不足，本发明旨在提供一种基于驾驶习惯的车道偏离预警方法。
4.为了实现上述目的，本发明采用如下技术方案：
5.一种基于驾驶习惯的车道偏离预警方法，具体过程为：
6.s1、二值图像获取和预处理：
7.利用单目摄像头作为传感器进行环境感知，对单目摄像头采集到的图像依次进行畸变矫正、尺寸裁剪、灰度处理以及边缘检测；
8.s2、车道线检测：
9.采用滑动窗口机制进行滑动搜索，所使用的滑动窗口采用重叠式滑动机制，对步骤s1得到的二值图像进行车道线检测；具体过程为：
10.s2.1、参数初始化，参数包括窗口高度w
hei
、窗口宽度w
wid
、图像高度p
hei
、滑动窗口步长s
len
、当前滑动窗口数量∈、滑动窗口总数w
all
、左侧当前窗口横坐标w
nowm_zuo
和右侧当前窗口横坐标w
nowm_you
；
11.s2.2、滑动窗口，更新窗口坐标位置：
12.如果∈大于或等于w
all
，跳转至步骤s2.4；如果∈小于w
all
，窗口上边缘和下边缘的纵坐标分别更新为p
hei
‑
∈*s
len
‑
w
hei
和p
hei
‑
∈*s
len
，左侧窗口的左边缘和右边缘的横坐标分别更新为和右侧窗口的左边缘和右边缘的横坐标分别更新为
13.s2.3、提取左窗口和右窗口内的像素信息：
14.图像中所有非零像素的横坐标m和纵坐标n位置坐标存储在z
none
数组，对z
none
数组所有元素进行分类判断，对满足左窗口上下左右边缘范围内和右窗口上下左右边缘范围内的元素，依次分别存入左车道线和右车道线的坐标索引数组ind
zuo
和ind
you
；如果左车道线和右车道线的坐标索引数组长度分别大于像素阈值ф，则说明此时左窗口和右窗口内的像
素数量已经满足设定的阈值，则进行下一左窗口和右窗口的扫描，将下一个左窗口和右窗口的中心坐标分别定位在当前左窗口和右窗口所有非零像素坐标的平均位置上，并将下一左窗口和右窗口的中心坐标存入左窗口和右窗口内拟定车道线位置坐标数组nh
zuo
和nh
you
；当前滑动窗口数量∈加1，转到步骤s2.2；
15.s2.4、根据左车道线和右车道线的坐标数组拟合车道线；
16.对nh
zuo
和nh
you
数组进行拆分得到用于拟合的左侧车道线横坐标数组和纵坐标数组nh
zuo_m
、nh
zuo_n
，以及右侧车道线横坐标数组和纵坐标数组nh
you_m
、nh
you_n
；利用左侧车道线横纵坐标数组进行二次多项式拟合出左侧车道线，利用右侧车道线横纵坐标数组进行二次多项式拟合出右侧车道线，由此可得到俯视视角下左车道线和右车道线的位置，从而完成车道线检测；
17.s3、基于驾驶习惯的车道偏离预警：
18.车道偏离预警分为两部分，分别是预测部分以及决策部分；预测部分主要是对车辆的压线时间进行预测，同时作为决策部分的输入；决策部分负责对驾驶员的驾驶习惯进行统计，计算出不同压线时间下采取主动保持车道行为的概率，来完成分级预警。
19.进一步地，步骤s1中，边缘检测的具体过程为：
20.(1)初始化参数：bin
sob
、bin
sobx
、bin
sig
、bin
can
分别为经过sobel算子、sobel算子在x方向、单通道、canny算子处理后的二值图像；
ó
，为加权系数；
21.如果bin
sob
&bin
sobx
为真，则临时像素矩阵bin
temp1
为1；如果bin
sob
&bin
sobx
为假，则判断bin
sob
&bin
sig
：若为真，则临时像素矩阵bin
temp1
为1，否则为0；
22.如果bin
can
&bin
sob
为真，则临时像素矩阵bin
temp2
为1，否则为0；如果bin
temp2
&bin
sig
为真，则临时像素矩阵bin
temp3
为1，否则为0；最终加权融合后的二值图像为1，否则为0；最终加权融合后的二值图像
23.(2)不断调整加权系数直至找到效果最好的二值图像；
24.(3)最后步骤(2)得到的二值图像进行透视变换成俯视视角下的二值图像。
25.进一步地，步骤s3中，压线时间ω通过计算，其中λ＝ω
p
‑
ω
v
；υ为车辆横向速度，γ为车辆轮胎距离车道边界的最短距离，ω
p
和ω
v
分别为道路和车辆行驶的向心加速度，λ为道路和车辆行驶的向心加速度之差；通过公式得到的压线时间并结合卡尔曼滤波，预测下一时刻的压线时间т
forecast
。
26.进一步地，步骤s3中，根据不同压线时间下采取主动保持车道行为的概率来完成分级预警的具体过程为：首先需要建立概率统计模型，建立概率统计模型的依据是对固定时间段内的驾驶数据进行模糊线性统计；将预测部分得到的压线时间作为所述概率统计模型的输入，可得到预警概率p
habit
。
27.更进一步地，驾驶数据包括速度、车胎离车道边界距离、转向次数，对驾驶数据进行固定时间段内的统计，根据一定数量的时间段，可以得到驾驶数据内各个变量的变化趋势，则建立起概率统计模型；不同的压线时间对应着不同的预警，包括初级预警、中级预警、高级预警以及不预警；根据对固定时间段内的数据的分析，可以计算出当前时间段的压线时间，按照压线时间的大小，对预警概率在[0,1]分段，最后利用预测得到的压线时间便可得到预警概率p
habit
。
[0028]
再进一步地，分级预警的规则如下：
[0029]
如果т
forecast
≤т
latest
，进行高级预警；
[0030]
如果т
forecast
≥т
earliest
，不预警；
[0031]
如果(т
latest
<т
forecast
<т
earliest
)&(p
habit
≥p
strong
)，进行中级预警；
[0032]
如果(т
latest
<т
forecast
<т
earliest
)&(p
weak
<p
habit
<p
strong
)，进行初级预警；
[0033]
如果(т
latest
<т
forecast
<т
earliest
)&p
habit
≤p
weak
，不预警；
[0034]
其中т
earliest
、т
latest
分别为最早预警时间阈值、最晚预警时间阈值；p
strong
、p
weak
分别为强预警概率阈值、弱预警概率阈值。
[0035]
本发明的有益效果在于：本发明在单目视觉传感器下进行环境感知，基于驾驶习惯统计模型的车道偏离预警算法，该统计模型以对驾驶员的驾驶习惯统计为核心，根据此统计模型可以对偏离车道的车辆进行自适应预警，将危险情况进行分级并为驾驶员提供更多的情况判断，能够降低车辆因偏离车道发生危险的概率。本发明可以应用在车道偏离预警系统等汽车辅助驾驶系统中，为交通事故的减少提供一定帮助，为人们的生命安全提供一份保障。
具体实施方式
[0036]
以下将对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
[0037]
本实施例提供一种基于驾驶习惯的车道偏离预警方法，具体过程为：
[0038]
s1、二值图像获取和预处理。
[0039]
本实施例方法利用单目摄像头作为传感器进行环境感知，对单目摄像头采集到的图像依次进行畸变矫正、尺寸裁剪、灰度处理以及边缘检测。
[0040]
其中，边缘检测作为图像预处理的一个步骤，对后续车道线检测的效果有着重要作用。当前存在多种边缘检测算子实现边缘特征的提取，但所提取到的边缘特征各有差异。本实施例提出一种边缘特征检测融合算法，通过不同边缘检测算子以及图像间的加权融合，使边缘检测的效果更好，可以更好地提取到强连通性的边缘特征，具体过程为：
[0041]
(1)初始化参数：bin
sob
、bin
sobx
、bin
sig
、bin
can
分别为经过sobel算子、sobel算子在x方向、单通道、canny算子处理后的二值图像；
ó
，为加权系数。
[0042]
如果bin
sob
&bin
sobx
为真，则临时像素矩阵bin
temp1
为1；如果bin
sob
&bin
sobx
为假，则判断bin
sob
&bin
sig
：若为真，则临时像素矩阵bin
temp1
为1，否则为0。
[0043]
如果bin
can
&bin
sob
为真，则临时像素矩阵bin
temp2
为1，否则为0。如果bin
temp2
&bin
sig
为真，则临时像素矩阵bin
temp3
为1，否则为0。最终加权融合后的二值图像为1，否则为0。最终加权融合后的二值图像
[0044]
(2)不断调整加权系数直至找到效果最好的二值图像。
[0045]
(3)最后将边缘检测后得到的二值图像进行透视变换成俯视视角下的二值图像。
[0046]
s2、车道线检测。
[0047]
基于车道线的像素在图像中表现出集中且所占像素宽度较为固定的特点，采用滑动窗口机制进行滑动搜索可以减小图像计算量，达到较好的检测效果。在此基础上，本实施例方法所使用的滑动窗口采用重叠式滑动机制，对步骤s1得到的俯视视角下的二值图像进
行车道线检测。充分利用车道线像素信息的同时且较大程度保证车道线检测的精准度。具体过程为：
[0048]
s2.1、参数初始化，参数包括窗口高度w
hei
、窗口宽度w
wid
、图像高度p
hei
、滑动窗口步长s
len
、当前滑动窗口数量∈、滑动窗口总数w
all
、左侧当前窗口横坐标w
nowm_zuo
和右侧当前窗口横坐标w
nowm_you
。
[0049]
s2.2、滑动窗口，更新窗口坐标位置：
[0050]
如果∈大于或等于w
all
，跳转至步骤s2.4；如果∈小于w
all
，窗口上边缘和下边缘的纵坐标分别更新为p
hei
‑
∈*s
len
‑
w
hei
和p
hei
‑
∈*s
len
，左侧窗口的左边缘和右边缘的横坐标分别更新为和右侧窗口的左边缘和右边缘的横坐标分别更新为
[0051]
s2.3、提取左窗口和右窗口内的像素信息：
[0052]
图像中所有非零像素的横坐标m和纵坐标n位置坐标存储在z
none
数组，对z
none
数组所有元素进行分类判断，对满足左窗口上下左右边缘范围内和右窗口上下左右边缘范围内的元素，依次分别存入左车道线和右车道线的坐标索引数组ind
zuo
和ind
you
；如果左车道线和右车道线的坐标索引数组长度分别大于像素阈值ф，则说明此时左窗口和右窗口内的像素数量已经满足设定的阈值，则进行下一左窗口和右窗口的扫描，将下一个左窗口和右窗口的中心坐标分别定位在当前左窗口和右窗口所有非零像素坐标的平均位置上，并将下一左窗口和右窗口的中心坐标存入左窗口和右窗口内拟定车道线位置坐标数组nh
zuo
和nh
you
；当前滑动窗口数量∈加1，转到步骤s2.2。
[0053]
s2.4、根据左车道线和右车道线的坐标数组拟合车道线。
[0054]
对nh
zuo
和nh
you
数组进行拆分得到用于拟合的左侧车道线横坐标数组和纵坐标数组nh
zuo_m
、nh
zuo_n
，以及右侧车道线横坐标数组和纵坐标数组nh
you_m
、nh
you_n
；利用左侧车道线横纵坐标数组进行二次多项式拟合出左侧车道线，利用右侧车道线横纵坐标数组进行二次多项式拟合出右侧车道线，由此可得到俯视视角下左车道线和右车道线的位置，从而完成车道线检测。
[0055]
s3、基于驾驶习惯的车道偏离预警。
[0056]
本实施例方法将驾驶员的驾驶习惯作为一个因素引入到车道偏离预警算法中。所述车道偏离预警算法中主要分为两部分，分别是预测部分以及决策部分。预测部分主要是对车辆的压线时间进行预测，同时作为决策部分的输入。压线时间ω可以通过计算，其中λ＝ω
p
‑
ω
v
。υ为车辆横向速度，γ为车辆轮胎距离车道边界的最短距离，ω
p
和ω
v
分别为道路和车辆行驶的向心加速度，λ为道路和车辆行驶的向心加速度之差。通过公式得到的压线时间并结合卡尔曼滤波，可预测下一时刻的压线时间т
forecast
。
[0057]
需要说明的是，卡尔曼滤波有两个过程，为预测和更新。预测是根据上一时刻的状态来预测下一时刻的状态，更新则是利用测量值来修正估计值，利用更新的当前状态下的协方差矩阵进行迭代，完成状态的跟踪。而通过公式得到的压线时间作为状态变量是预测
过程的输入，可预测下一时刻的压线时间т
forecast
。
[0058]
决策部分负责对驾驶员的驾驶习惯进行统计，计算出不同压线时间下采取主动保持车道行为的概率，来完成分级预警。首先需要建立概率统计模型，建立概率统计模型的依据是对固定时间段内的驾驶数据进行模糊线性统计。将预测部分得到的压线时间作为所述概率统计模型的输入，可得到预警概率p
habit
。
[0059]
需要说明的是，驾驶数据包括速度、车胎离车道边界距离、转向次数等，对驾驶数据进行固定时间段内的统计，根据一定数量的时间段，可以得到驾驶数据内各个变量的变化趋势，则建立起概率统计模型。不同的压线时间对应着不同的预警，包括初级预警、中级预警、高级预警以及不预警。根据对固定时间段内的数据的分析，可以计算出当前时间段的压线时间，按照压线时间的大小，可以对预警概率在[0,1]分段，最后利用预测得到的压线时间便可得到预警概率p
habit
。
[0060]
建立规则集合：
[0061]
如果т
forecast
≤т
latest
，进行高级预警；
[0062]
如果т
forecast
≥т
earliest
，不预警；
[0063]
如果(т
latest
<т
forecast
<т
earliest
)&(p
habit
≥p
strong
)，进行中级预警；
[0064]
如果(т
latest
<т
forecast
<т
earliest
)&(p
weak
<p
habit
<p
strong
)，进行初级预警；
[0065]
如果(т
latest
<т
forecast
<т
earliest
)&p
habit
≤p
weak
，不预警；
[0066]
依次判断规则条件即可实现分级预警。
[0067]
其中т
earliest
、т
latest
分别为最早预警时间阈值、最晚预警时间阈值。p
strong
、p
weak
分别为强预警概率阈值、弱预警概率阈值。
[0068]
对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。
