一种基于AVM全景影像的靠边停车安全提醒方法与流程

一种基于avm全景影像的靠边停车安全提醒方法
技术领域
1.本发明涉及汽车智能图像辅助系统的技术领域，尤其涉及一种基于avm全景影像的靠边停车安全提醒方法。


背景技术：

2.随着汽车智能化水平的不断提高，现在越来越多车型开始配置智能、辅助驾驶和停车的功能，其中基于图像的辅助就有多视角模式、全景模式、透明机舱等，一般的智能辅助泊车系统，大多数都是基于汽车环视影像系统(即avm系统)实现智能化泊车；avm系统一般借助汽车的左上角、右上角、左下角、右下角四个摄像头进行系统成像以向用户呈现车身周边环境；avm全景影像像素间的距离可以真实反应现实世界中对应位置的距离。在停车时，开车不小心时可能会触碰到障碍物(墙、台阶等)导致剐蹭，更甚至会有非机动车来时造成更严重的事故。


技术实现要素：

3.本发明的目的是提供一种通过可以在车辆与障碍物距离变得很近或越过安全距离时，自动触发警告或启动刹车等预防措施，避免碰撞事故的发生，起到预警效果的靠边停车安全提醒方法。
4.为了实现上述目的，本发明采用了如下技术方案：
5.一种基于avm全景影像的靠边停车安全提醒方法，步骤如下：
6.步骤1：在车身上安装avm全景影像，通过摄像头采集车身前、后、左、右四张图像，并对采集到的前、后、左、右图像进行去畸变、视觉转换等操作，得到对应的现实距离；
7.步骤2：基于深度网络对步骤1中采集到的全景影像中车周围的障碍物进行定位；
8.步骤3：在完成步骤2后，计算障碍物与车的图像距离s，具体计算过程如下：
9.步骤31：确定相机的参数，包括焦距、主点、像素大小、图像分辨率等；
10.步骤32：通过图像处理技术，确定障碍物在图像中的位置，可以使用特征检测、边缘检测、目标跟踪等方法；
11.步骤33：利用立体视觉的原理，通过双目摄像头或多目摄像头获取障碍物图像在不同摄像头下的图像坐标，进一步推算目标物理空间的三维坐标；
12.步骤34：计算障碍物与车的实际距离；
13.步骤4：结合车行驶动态(速度，方向等)判断t时刻才会与障碍物接触，从而达到提前预警的目的，具体计算过程如下：
14.步骤41：根据avm全景影像的系统获取的障碍物从而计算出车与障碍物之间的距离，并持续监测这个距离随时间的变化；
15.步骤42：需要获取车的速度信息和方向信息，车速和方向都可以通过车载传感器或gps等装置获取，从而可以较精确地获取车辆的实时速度和方向；
16.步骤43：需要结合车辆行驶轨迹的实际情况进行综合判断；例如，当车速较快时，
车与障碍物之间的距离缩短的较快，需要提前判断车与障碍物的碰撞风险；而当车速较慢或静止时，车与障碍物的碰撞风险则相对较低；可以在车辆与障碍物距离变得很近或越过安全距离时，自动触发警告或启动刹车等预防措施，避免碰撞事故的发生。
17.优选地，所述s34步骤中，通过采用三角测量、深度学习、回归模型进行计算。
18.优选地，所述三角测量通过已知的距离及摄像头角度计算未知物体在相机坐标系下的三维坐标，再通过相机的内参和外参进行转换，得到物体在车体坐标系下的距离。
19.优选地，所述深度网络是一种基于多层神经元结构的人工智能学习模型，它的基本结构由多个隐藏层组成，每个隐藏层都包含多个神经元，其中输入层接收数据传入处理，输出层输出最终结果；深度网络通过不断迭代更新参数，使得其具备良好的泛化能力和鲁棒性，可以广泛应用于图像识别、语音识别、自然语言处理等领域；在深度网络应用中，resnet50是一种常用的深度学习模型，用于解决深度网络层数过多导致梯度消失和退化的问题，可以用于图像分类、目标检测等任务。
20.优选地，所述障碍物包括非机动车、行人。
21.与现有技术相比，本发明具备以下有益效果：
22.本发明通过在车身上安装avm全景影像，通过采集的图像在基于“深度网络”这种基于多层神经元结构的人工智能学习模型，采用resnet50深度学习模型，对采集到的全景影像中车周围的障碍物进行定位，确定障碍物在图像中的位置，然后计算障碍物与车的图像距离s；再根据车行驶动态(速度,方向等)判断接下来的t时刻才会与障碍物接触，从而达到提前预警的目的。本发明可以在车辆与障碍物距离变得很近或越过安全距离时，自动触发警告或启动刹车等预防措施，避免碰撞事故的发生。
具体实施方式
23.下面将结合本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
24.本发明提供了一种基于avm全景影像的靠边停车安全提醒方法，步骤如下：
25.步骤1：在车身上安装avm全景影像，通过摄像头采集车身前、后、左、右四张图像，并对采集到的前、后、左、右图像进行去畸变、视觉转换等操作，得到对应的现实距离；
26.步骤2：基于深度网络对步骤1中采集到的全景影像中车周围的障碍物进行定位；
27.步骤3：在完成步骤2后，计算障碍物与车的图像距离s，具体计算过程如下：
28.步骤31：确定相机的参数，包括焦距、主点、像素大小、图像分辨率等；
29.步骤32：通过图像处理技术，确定障碍物在图像中的位置，可以使用特征检测、边缘检测、目标跟踪等方法；
30.步骤33：利用立体视觉的原理，通过双目摄像头或多目摄像头获取障碍物图像在不同摄像头下的图像坐标，进一步推算目标物理空间的三维坐标；
31.步骤34：计算障碍物与车的实际距离；通过采用三角测量、深度学习、回归模型进行计算。三角测量通过已知的距离及摄像头角度计算未知物体在相机坐标系下的三维坐标，再通过相机的内参和外参进行转换，得到物体在车体坐标系下的距离。
32.步骤4：结合车行驶动态(速度，方向等)判断t时刻才会与障碍物接触，从而达到提前预警的目的，具体计算过程如下：
33.步骤41：根据avm全景影像的系统获取的障碍物位置信息计算出车与障碍物之间的距离，并持续监测这个距离随时间的变化；
34.步骤42：需要获取车的速度信息和方向信息，车速和方向都可以通过车载传感器或gps等装置获取，可以较精确地获取车辆的实时速度和方向；
35.步骤43：需要结合车辆行驶轨迹的实际情况进行综合判断；例如，当车速较快时，车与障碍物之间的距离缩短的较快，需要提前判断车与障碍物的碰撞风险；而当车速较慢或静止时，车与障碍物的碰撞风险则相对较低；可以在车辆与障碍物距离变得很近或越过安全距离时，自动触发警告或启动刹车等预防措施，避免碰撞事故的发生。
36.需要注意的是，这种判断模型需要根据实际情况进行精细调参，并使用高精度的传感器和数据处理算法，以确保结果的准确性和稳定性。
37.本发明中描述的深度网络是一种基于多层神经元结构的人工智能学习模型，它的基本结构由多个隐藏层组成，每个隐藏层都包含多个神经元，其中输入层接收数据传入处理，输出层输出最终结果；深度网络通过不断迭代更新参数，使得其具备良好的泛化能力和鲁棒性，可以广泛应用于图像识别、语音识别、自然语言处理等领域；深度网络是一种基于神经元结构的学习模型，而在深度网络应用中resnet50是一种常用的深度学习模型，采用残差块的设计思想，可以解决深度网络层数过多导致的问题，如解决深度网络层数过多导致梯度消失和退化的问题，可以用于图像分类、目标检测等任务等，在许多场景中得到广泛的应用。
38.本发明中所述的障碍物包括非机动车、行人等。
39.本发明通过在车身上安装avm全景影像，通过采集的图像在基于“深度网络”这种基于多层神经元结构的人工智能学习模型，采用resnet50深度学习模型，对采集到的全景影像中车周围的障碍物进行定位，确定障碍物在图像中的位置，然后计算障碍物与车的图像距离s；再根据车行驶动态(速度,方向等)判断接下来的t时刻才会与障碍物接触，从而达到提前预警的目的。本发明可以在车辆与障碍物距离变得很近或越过安全距离时，自动触发警告或启动刹车等预防措施，避免碰撞事故的发生。
40.在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
41.以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于avm全景影像的靠边停车安全提醒方法，其特征在于，步骤如下：步骤1：在车身上安装avm全景影像，通过摄像头采集车身前、后、左、右四张图像，并对采集到的前、后、左、右图像进行去畸变、视觉转换等操作，得到对应的现实距离；步骤2：基于深度网络对步骤1中采集到的全景影像中车周围的障碍物进行定位；步骤3：在完成步骤2后，计算障碍物与车的图像距离s，具体计算过程如下：步骤31：确定相机的参数，包括焦距、主点、像素大小、图像分辨率等；步骤32：通过图像处理技术，确定障碍物在图像中的位置，可以使用特征检测、边缘检测、目标跟踪等方法；步骤33：利用立体视觉的原理，通过双目摄像头或多目摄像头获取障碍物图像在不同摄像头下的图像坐标，进一步推算目标的物理空间的三维坐标；步骤34：计算障碍物与车的实际距离；步骤4：结合车行驶动态(速度，方向等)判断t时刻才会与障碍物接触，从而达到提前预警的目的，具体计算过程如下：步骤41：根据avm全景影像的系统获取的障碍物位置信息计算出车与障碍物之间的距离，并持续监测这个距离随时间的变化；步骤42：需要获取车的速度信息和方向信息，车速和方向都可以通过车载传感器或gps等装置获取，从而较精确地获取车辆的实时速度和方向；步骤43：需要结合车辆行驶轨迹的实际情况进行综合判断；例如，当车速较快时，车与障碍物之间的距离缩短的速度较快，需要提前判断车与障碍物的碰撞风险；而当车速较慢或静止时，车与障碍物的碰撞风险则相对较低；可以在车辆与障碍物距离变得很近或越过安全距离时，自动触发警告或启动刹车等预防措施，避免碰撞事故的发生。2.根据权利要求1所述的一种基于avm全景影像的靠边停车安全提醒方法，其特征在于，所述s34步骤中，通过采用三角测量、深度学习、回归模型进行计算。3.根据权利要求2所述的一种基于avm全景影像的靠边停车安全提醒方法，其特征在于，所述三角测量通过已知的距离及摄像头角度计算未知物体在相机坐标系下的三维坐标，再通过相机的内参和外参进行转换，得到物体在车体坐标系下的距离。4.根据权利要求1所述的一种基于avm全景影像的靠边停车安全提醒方法，其特征在于，所述深度网络是一种基于多层神经元结构的人工智能学习模型，它的基本结构由多个隐藏层组成，每个隐藏层都包含多个神经元，其中输入层接收数据传入处理，输出层输出最终结果；深度网络通过不断迭代更新参数，使得其具备良好的泛化能力和鲁棒性，可以广泛应用于图像识别、语音识别、自然语言处理等领域；在深度网络的应用中，resnet50是一种常用的深度学习模型，用于解决深度网络层数过多导致梯度消失和退化的问题，可以用于图像分类、目标检测等任务。5.根据权利要求1所述的一种基于avm全景影像的靠边停车安全提醒方法，其特征在于，所述障碍物包括非机动车、行人。

技术总结
本发明公开了一种基于AVM全景影像的靠边停车安全提醒方法，方法如下步骤1：在车身上安装AVM全景影像，通过摄像头采集车身前、后、左、右四张图像，并对采集到的前、后、左、右图像进行去畸变、视觉转换等操作，得到对应的现实距离；步骤2：基于深度网络对步骤1中采集到的全景影像中车周围的障碍物进行定位；步骤3：在完成步骤2后，计算障碍物与车的图像距离S；步骤4：结合车行驶动态(速度，方向等)判断T时刻才会与障碍物接触，从而达到提前预警的目的。本发明利用AVM全景图像可以实时看到当前车周围情况，对车身和对车周围的障碍物进行距离判断，从而避免开车门过程带来的剐蹭或者事故发生。生。


技术研发人员：李业 杨文超 陶聚
受保护的技术使用者：长城汽车股份有限公司
技术研发日：2023.08.09
技术公布日：2023/10/7