基于行人意图识别的网联环境人车碰撞预警系统及方法

摘要

基于行人意图识别的网联环境人车碰撞预警系统及方法属于智慧交通技术领域。本发明通过车联网云平台作为数据交互平台对行人手机以及机动车进行实时的行人行走参数以及机动车运行参数采集，在识别行人运动方向以及预测车辆行驶方向后进行是否发生交通事故的预测从而同时对车辆和行人进行预先报警，从而减少行人和车辆碰撞的交通事故的发生。对于没有报警又发生了交通事故的情况还能进行新的事故模型的建立和保存，进而对整个系统进行完善。本发明实现了人车路的有效协同，能够在交通中全面地保护行人安全，还可以帮助盲人等交通中的弱势群体，为他们提供在道路上自由行走的可能性，存在巨大的发展潜力。

说明书

技术领域

本发明属于智慧交通技术领域，特别是涉及到一种基于行人意图识别的网联环境人车碰撞预警系统及方法。

背景技术

目前汽车行业飞速发展，机动车保有量迅速增加。汽车在给人民带来方便的同时，道路交通事故的频繁发生也给行人带来了生命的威胁。行人作为交通参与者中的弱势群体,提高道路行人的安全性成为汽车主动安全领域的研究热点。目前，国内外对于行人安全保护的研究主要集中在交通分析讨论阶段，更多的还是从交通法规出发保护行人安全。目前关于行人避撞系统的研究，受行人主观意图的影响,行人行走轨迹具有较强的不确定性,使得传统的主动避撞系统具备一定的局限性，不利于广泛推广使用。目前的基于机器视觉的行人检测技术是研究最广泛的行人检测技术，但应用仍具有较大的局限性。随着车路协同的不断发展、精确定位、实时通信技术不断取得突破，基于网联环境设计出较为合理、完善的行人出行智能安全预警系统成为了一种可能。

发明内容

本发明所要解决的技术问题是：提供一种基于行人意图识别的网联环境人车碰撞预警系统及方法用于解决目前关于行人的传统主动避撞系统以及基于机器视觉的行人检测技术都具备一定的局限性，不利于广泛推广使用的技术问题。

基于行人意图识别的网联环境人车碰撞预警系统，包括数据采集模块、数据处理模块、信息判断模块、学习模块和预警执行模块，

所述数据采集模块包括行人数据采集模块和行驶机动车数据采集模块；所述行人数据采集模块安装在行人的智能手机内并与智能手机的控制器连接，行人数据采集模块获取行人的实时地理位置信息、行走速度信息和行走轨迹信息并将采集的信息上传至车联网云平台,行人数据采集模块从车联网云平台获取机动车发送到车联网云平台的预警指令；

所述行驶机动车数据采集模块、数据处理模块、信息判断模块以及学习模块均安装在机动车上，行驶机动车数据采集模块用于获取行驶机动车的信息参数以及机动车周边环境的连续图像并将获取的信息实时上传至车联网云平台的车辆信息接收模块；所述行驶机动车的信息参数包括机动车的坐标位置、行驶路段、行驶速度、加速度、附着系数、车质量、制动器最快制动时间、最短制动距离、转向盘转动角度以及转向盘转动角速度的信息；

所述车联网云平台用于时实更新行驶机动车的信息参数以及行驶机动车周围的环境图像，并将时实更新的行驶机动车的信息参数以及环境图像信息输入到数据处理模块；

所述数据处理模块分别与数据采集模块、信息判断模块、学习模块以及预警执行模块连接，数据处理模块用于识别行人运动方向以及预测机动车行驶方向、将机动车运行工况与事故模型进行匹配以及根据具体模型下的人车安全距离与实际距离计算方法进行运算；所述机动车运行工况包括机动车行驶路段所属类型、机动车行驶方向、行人行走方向以及人车相对位置；

所述信息判断模块，用于判断机动车运行工况与事故模型是否匹配、判断未匹配模型需要保存新建还是删除数据以及判断实际距离是否超出安全距离阈值；

所述学习模块接收信息判断模块发送的保留数据申请后保存相应事故模型特征信息并建立相应模型存储于模型数据库中，学习模块接收到删除数据申请则删除相关信息参数；

所述预警执行模块用于执行预警功能，预警执行模块包括行人的智能手机震动和语音提醒，以及机动车的语音报警。

所述行人的智能手机内安装有微信小程序并配置服务器域名使智能手机连接网络并将信息同步到车联网云平台，该微信小程序具有GPS定位功能、地图导航功能以及预警功能；所述GPS定位功能用于获取行人的实时地理位置信息并将相应的信息传输至车联网云平台；所述地图导航功能用于获取行人行走轨迹及行人行走方向；所述预警功能包括手机震动及语音提醒。

基于行人意图识别的网联环境人车碰撞预警方法，利用所述的基于行人意图识别的网联环境人车碰撞预警系统，其特征是：包括以下步骤，并且以下步骤顺次进行，

步骤S11，在车辆联网的环境下，所有行驶的机动车通过各自的行驶机动车数据采集模块采集并实时将行驶机动车的信息参数上传至车联网云平台的车辆信息接收模块；

行人的智能手机内安装行人数据采集模块，在智能手机上安装相应的微信小程序并配置服务器域名使之能够连接网络将信息同步到车联网云平台，打开该微信小程序，该微信小程序具有GPS定位功能、地图导航功能和预警功能，其中，所述GPS定位功能用于获取行人的实时地理位置信息；所述地图导航功能用于获取行人行走轨迹以及行人行走方向的辅助预测；

行人数据采集模块发送行人的实时地理位置信息、行人行走轨迹信息以及行人行走方向的预测信息给车联网云平台，行人数据采集模块从车联网云平台获取机动车发送到车联网云平台的预警指令；车联网云平台以固定的时间间隔发送行人的信息参数以及该行人指定范围内的行驶机动车的信息参数以及机动车周边环境的连续图像给机动车数据采集模块；

行人在微信小程序中预先选择了导航功能，行人数据采集模块根据行人选择的路线预测行人行走方向；

行人未选择导航功能，或者未按照导航路线行走，行人数据采集模块根据接收车联网云平台发送的机动车周边环境的连续图像，构成图像内行人的运动轨迹，从而预测行人行走方向；

步骤S12，网联机动车的数据处理模块在一定的时间间隔内以一定频率接收该车所处周边环境的连续图像、该车指定范围内行人的信息参数，数据处理模块根据该车的导航路线、该车所处周边环境的连续图像、该行驶机动车的信息参数以及行人的预测轨迹安装设定的时间间隔进行特征提取，获得事故特征数据进而获得相应的危险度值；

将当前场景的事故特征数据与数据处理模块的模型数据库中存储的各碰撞事故模型特征数据进行匹配获得相似度值；

获得的所有相似度值中至少有一个大于或等于设定的匹配相似度阈值，判定为匹配成功，选择与当前场景相似度值最大的碰撞事故模型作为相应的交通事故模型，并根据该交通事故模型中的距离算法以及车联网云平台获取的行人信息参数以及行人周围行驶机动车的信息参数进行安全距离与人车实际距离的计算，并将计算结果发送给信息判断模块；

获得的所有相似度值均小于设定的匹配相似度阈值，判定为匹配未成功，进一步进行危险度判断：

当前场景的危险度值大于或等于设定的危险系数阈值，数据处理模块选择与当前场景相似度值最高的事故模型作为相应的交通事故模型，通过当前场景中行人的信息参数与车辆的信息参数进行是否预警的初次判断，并将判断结果发送给信息判断模块；

当前场景的危险度值小于设定的危险系数阈值，不进行预警，在此场景下发生交通事故，则信息判断模块向学习模块发出保留数据申请，未发生事故则信息判断模块向学习模块发出删除数据申请；

步骤S13，信息判断模块接收数据处理模块的判断结果，判断结果为不预警；

判断结果为安全距离与人车实际距离两个计算结果，则安全距离大于或等于人车实际距离时，不预警；行人与其周围行驶机动车有发生碰撞的危险安全距离小于人车实际距离时，判定行人与其周围行驶机动车有发生碰撞的危险，信息判断模块向预警执行模块发出预警指令；

信息判断模块的判断结果为不预警同时数据处理模块实时获得的人车实际距离出现小于或等于0的情况，则信息判断模块判定发生事故，信息判断模块发送保存该事故模型的信号给学习模块；信息判断模块的判断结果为不预警同时数据处理模块实时获得的人车实际距离没有出现小于或等于0的情况，则信息判断模块判定没有发生交通事故，信息判断模块发送删除数据信号给学习模块；

步骤S14，学习模块接收信息判断模块的保存该事故模型的信号，则保存该事故模型特征信息并建立相应模型存储于模型数据库中，学习模块接收到删除数据信号则删除相关信息参数；

步骤S15，预警执行模块根据信息判断模块发出的预警信号执行对应的预警动作，包括行人端的手机震动和语音提醒，以及机动车端的语音报警。

所述步骤S12中行人的信息参数包括行人坐标位置信息、行人行走速度和行走轨迹信息。

所述步骤S12中行驶机动车的信息参数包括机动车的坐标位置、行驶路段、行驶速度、加速度、附着系数、车质量、制动器最快制动时间、最短制动距离、转向盘转动角度以及转向盘转动角速度的信息。

所述步骤S12中交通事故模型包括线性运动模型或曲线运动模型，在线性运动模型中取行人坐标(x1,y1)，机动车距行人最短距离点的坐标(x2,y2)，人车实际距离X的算法为：

在曲线运动模型中取行人坐标为行人坐标(x1,y1)，机动车的坐标为原点，人车实际距离算法为：

公式中，s代表人车实际弧线距离，x与y分别表示椭圆方程的X轴和Y轴坐标。

所述线性运动模型中机动车行驶方向为直线前进或倒车，其初次判断过程具体为：

当前场景中行人运动方向与机动车运动方向的矢量角度不在(-180°，-90°)范围内，初次判断结果为不预警；

当前场景中行人运动方向与机动车运动方向的矢量角度在(-180°，-90°)范围内，行人与机动车属于相向运动、垂直运动或在此之间的斜向运动，通过线性运动模型中的人车实际距离的算法以及安全距离算法，获得人车实际距离X以及安全距离并作为初次判断结果。

所述曲线运动模型中机动车行驶方向为曲线转弯或掉头，其初次判断过程具体为：

曲线运动模型中路面为交叉路口，当前场景中机动车保持当前的加速度且方向盘转速为恒值，行人直行，机动车转向后进入行人直行道路，

行人运动方向与机动车运动方向的矢量角度不在(90°，180°)范围之内，初次判断结果为不预警；

行人运动方向与机动车运动方向的矢量角度在(90°，180°)范围内，行人与机动车属于相向运动、垂直运动或在此之间的斜向运动，通过曲线运动模型中的人车实际距离算法以及安全距离算法，获得人车实际距离以及安全距离并作为初次判断结果。

所述安全距离D的具体计算过程如下：

机动车在水平路面上制动时的受力为：

其中，Fz1为地面对机动车前轮支持力、Fz2为地面对机动车后轮支持力、G为机动车重力、a为机动车质心至前轴中心线距离、b为机动车质心至后轴中心线距离、m为机动车质量、hg为汽车质心高度，

公式中，L表示轴距，

因此，安全距离D为：

公式中，δ

通过上述设计方案，本发明可以带来如下有益效果：

本发明通过车联网云平台作为数据交互平台对行人手机以及机动车进行实时的行人行走参数以及机动车运行参数采集，在识别行人运动方向以及预测车辆行驶方向后进行是否发生交通事故的预测从而同时对车辆和行人进行预先报警，从而减少行人和车辆碰撞的交通事故的发生。对于没有报警又发生了交通事故的情况还能进行新的事故模型的建立和保存，进而对整个系统进行完善。

本发明能够在交通中全面地保护行人安全，还可以帮助盲人等交通中的弱势群体，为他们提供在道路上自由行走的可能性，存在巨大的发展潜力。

本发明充分实现了人车路的有效协同，实现实时通信，为决策提供了更多的优化方案，一定程度上减少交通事故，提高通行效率，从而形成更加安全高效的道路交通系统。

附图说明

以下结合附图和具体实施方式对本发明作进一步的说明：

图1为本发明中基于行人意图识别的网联环境人车碰撞预警系统的结构框图。

图2为本发明中基于行人意图识别的网联环境人车碰撞预警方法的流程框图。

图3为本发明中行人行人轨迹采集的流程框图。

具体实施方式

为使得本发明的目的、特征、优点能够更加的明显和易懂，下面结合本发明的实施例中的附图，对本发明中的技术方案进行清楚完整地描述。显然，本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。

基于行人意图识别的网联环境人车碰撞预警系统，包括数据采集模块、数据处理模块、信息判断模块、学习模块和预警执行模块，

所述数据采集模块包括行人数据采集模块和行驶机动车数据采集模块；所述行人数据采集模块安装在行人的智能手机内并与智能手机的控制器连接，行人数据采集模块获取行人的实时地理位置信息、行走速度信息和行走轨迹信息并将采集的信息上传至车联网云平台,行人数据采集模块从车联网云平台获取机动车发送到车联网云平台的预警指令；

所述行驶机动车数据采集模块、数据处理模块、信息判断模块以及学习模块均安装在机动车上，行驶机动车数据采集模块用于获取行驶机动车的信息参数以及机动车周边环境的连续图像并将获取的信息实时上传至车联网云平台的车辆信息接收模块；所述行驶机动车的信息参数包括机动车的坐标位置、行驶路段、行驶速度、加速度、附着系数、车质量、制动器最快制动时间、最短制动距离、转向盘转动角度以及转向盘转动角速度的信息；

所述车联网云平台用于时实更新行驶机动车的信息参数以及行驶机动车周围的环境图像，并将时实更新的行驶机动车的信息参数以及环境图像信息输入到数据处理模块；

所述数据处理模块分别与数据采集模块、信息判断模块、学习模块以及预警执行模块连接，数据处理模块用于识别行人运动方向以及预测机动车行驶方向、将机动车运行工况与事故模型进行匹配以及根据具体模型下的人车安全距离与实际距离计算方法进行运算；所述机动车运行工况包括机动车行驶路段所属类型、机动车行驶方向、行人行走方向以及人车相对位置；

所述机动车行驶路段所属类型包括学校、交叉路口、十字路口、市场和小区，但不仅限于以上几种类型。

所述信息判断模块，用于判断机动车运行工况与事故模型是否匹配、判断未匹配模型需要保存新建还是删除数据以及判断实际距离是否超出安全距离阈值；

所述学习模块接收信息判断模块发送的保留数据申请后保存相应事故模型特征信息并建立相应模型存储于模型数据库中，学习模块接收到删除数据申请则删除相关信息参数；

所述预警执行模块用于执行预警功能，预警执行模块包括行人的智能手机震动和语音提醒，以及机动车的语音报警。

所述行人的智能手机内安装有微信小程序并配置服务器域名使智能手机连接网络并将信息同步到车联网云平台，该微信小程序具有GPS定位功能、地图导航功能以及预警功能；所述GPS定位功能用于获取行人的实时地理位置信息并将相应的信息传输至车联网云平台；所述地图导航功能用于获取行人行走轨迹及行人行走方向；所述预警功能包括手机震动及语音提醒。

基于行人意图识别的网联环境人车碰撞预警方法，利用所述的基于行人意图识别的网联环境人车碰撞预警系统，包括以下步骤，并且以下步骤顺次进行，

步骤S11，在车辆联网的环境下，所有行驶的机动车通过各自的行驶机动车数据采集模块采集并实时将行驶机动车的信息参数上传至车联网云平台的车辆信息接收模块；

行人的智能手机内安装行人数据采集模块，在智能手机上安装相应的微信小程序并配置服务器域名使之能够连接网络将信息同步到车联网云平台，打开该微信小程序，该微信小程序具有GPS定位功能、地图导航功能和预警功能，其中，所述GPS定位功能用于获取行人的实时地理位置信息；所述地图导航功能用于获取行人行走轨迹以及行人行走方向的辅助预测；

行人数据采集模块发送行人的实时地理位置信息、行人行走轨迹信息以及行人行走方向的预测信息给车联网云平台，行人数据采集模块从车联网云平台获取机动车发送到车联网云平台的预警指令；车联网云平台以固定的时间间隔发送行人的信息参数以及该行人指定范围内的行驶机动车的信息参数以及机动车周边环境的连续图像给机动车数据采集模块；

行人在微信小程序中预先选择了导航功能，行人数据采集模块根据行人选择的路线预测行人行走方向；

行人未选择导航功能，或者未按照导航路线行走，行人数据采集模块根据接收车联网云平台发送的机动车周边环境的连续图像，构成图像内行人的运动轨迹，从而预测行人行走方向；

步骤S12，网联机动车的数据处理模块在一定的时间间隔内以一定频率接收该车所处周边环境的连续图像、该车指定范围内行人的信息参数，数据处理模块根据该车的导航路线、该车所处周边环境的连续图像、该行驶机动车的信息参数以及行人的预测轨迹安装设定的时间间隔进行特征提取，获得事故特征数据进而获得相应的危险度值；

将当前场景的事故特征数据与数据处理模块的模型数据库中存储的各碰撞事故模型特征数据进行匹配获得相似度值；

获得的所有相似度值中至少有一个大于或等于设定的匹配相似度阈值，判定为匹配成功，选择与当前场景相似度值最大的碰撞事故模型作为相应的交通事故模型，并根据该交通事故模型中的距离算法以及车联网云平台获取的行人信息参数以及行人周围行驶机动车的信息参数进行安全距离与人车实际距离的计算，并将计算结果发送给信息判断模块；

获得的所有相似度值均小于设定的匹配相似度阈值，判定为匹配未成功，进一步进行危险度判断：

当前场景的危险度值大于或等于设定的危险系数阈值，数据处理模块选择与当前场景相似度值最高的事故模型作为相应的交通事故模型，通过当前场景中行人的信息参数与车辆的信息参数进行是否预警的初次判断，并将判断结果发送给信息判断模块；

当前场景的危险度值小于设定的危险系数阈值，不进行预警，在此场景下发生交通事故，则信息判断模块向学习模块发出保留数据申请，未发生事故则信息判断模块向学习模块发出删除数据申请；

所述行人的信息参数包括行人坐标位置信息、行人行走速度和行走轨迹信息。

所述行驶机动车的信息参数包括机动车的坐标位置、行驶路段、行驶速度、加速度、附着系数、车质量、制动器最快制动时间、最短制动距离、转向盘转动角度以及转向盘转动角速度的信息。

步骤S13，信息判断模块接收数据处理模块的判断结果，判断结果为不预警；

判断结果为安全距离与人车实际距离两个计算结果，则安全距离大于或等于人车实际距离时，不预警；行人与其周围行驶机动车有发生碰撞的危险安全距离小于人车实际距离时，判定行人与其周围行驶机动车有发生碰撞的危险，信息判断模块向预警执行模块发出预警指令；

信息判断模块的判断结果为不预警同时数据处理模块实时获得的人车实际距离出现小于或等于0的情况，则信息判断模块判定发生事故，信息判断模块发送保存该事故模型的信号给学习模块；信息判断模块的判断结果为不预警同时数据处理模块实时获得的人车实际距离没有出现小于或等于0的情况，则信息判断模块判定没有发生交通事故，信息判断模块发送删除数据信号给学习模块；

步骤S14，学习模块接收信息判断模块的保存该事故模型的信号，则保存该事故模型特征信息并建立相应模型存储于模型数据库中，学习模块接收到删除数据信号则删除相关信息参数；

步骤S15，预警执行模块根据信息判断模块发出的预警信号执行对应的预警动作，包括行人端的手机震动和语音提醒，例如语音提醒“请注意三米后方来车”以及机动车端的语音报警，例如“请注意三米前方行人”。其中机动车端的报警可以直接执行，行人端的手机报警需要通过车联网云平台进行信号转发后执行。

所述步骤S12中交通事故模型包括线性运动模型或曲线运动模型，在线性运动模型中取行人坐标(x1,y1)，机动车距行人最短距离点的坐标(x2,y2)，人车实际距离X的算法为：

在曲线运动模型中取行人坐标为行人坐标(x1,y1)，机动车的坐标为原点，人车实际距离算法为：

公式中，s代表人车实际弧线距离，x与y分别表示椭圆方程的X轴和Y轴坐标。

所述线性运动模型中机动车行驶方向为直线前进或倒车，其初次判断过程具体为：

当前场景中行人运动方向与机动车运动方向的矢量角度不在(-180°，-90°)范围内，初次判断结果为不预警；

当前场景中行人运动方向与机动车运动方向的矢量角度在(-180°，-90°)范围内，行人与机动车属于相向运动、垂直运动或在此之间的斜向运动，通过线性运动模型中的人车实际距离的算法以及安全距离算法，获得人车实际距离X以及安全距离并作为初次判断结果。

所述曲线运动模型中机动车行驶方向为曲线转弯或掉头，其初次判断过程具体为：

曲线运动模型中路面为交叉路口，当前场景中机动车保持当前的加速度且方向盘转速为恒值，行人直行，机动车转向后进入行人直行道路，

行人运动方向与机动车运动方向的矢量角度不在(90°，180°)范围之内，初次判断结果为不预警；

行人运动方向与机动车运动方向的矢量角度在(90°，180°)范围内，行人与机动车属于相向运动、垂直运动或在此之间的斜向运动，通过曲线运动模型中的人车实际距离算法以及安全距离算法，获得人车实际距离以及安全距离并作为初次判断结果。

所述安全距离D的具体计算过程如下：

机动车在水平路面上制动时的受力为：

其中，Fz1为地面对机动车前轮支持力、Fz2为地面对机动车后轮支持力、G为机动车重力、a为机动车质心至前轴中心线距离、b为机动车质心至后轴中心线距离、m为机动车质量、hg为汽车质心高度，

公式中，L表示轴距，

因此，安全距离D为：

公式中，δ

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利求的保护范围为准。