[发明专利]基于人眼视觉与机器视觉耦合的外周视野危险识别方法

权利要求书

1.一种基于人眼视觉和机器视觉耦合的外周视野危险识别方法，其特征在于：

首先采用眼动仪跟踪眼跳过程，根据眼动仪实验获得驾驶员眼动数据，采用卡尔曼滤波算法识别注视和扫视的坐标点，判断注视点是否转移，之后对驾驶员前方视野进行区域划分，识别驾驶员注视点所在区域，提取出反映驾驶员视线类型为注视的坐标点区域；然后对摄像头图像进行基于人眼成像原理的3个标准区域划分，将驾驶员注视点区域与标准划分区域比对，并剔除该注视点区域所属的标准划分区域；最后对其余2个标准划分区域按照优先级进行处理，提取驾驶员注视区域以外的图像区域，采用机器视觉进行模式识别，按照由外周视野至中央视野的优先级顺序识别刺激物的运动速度，并启动预警程序，识别出物体是否运动并判断该物体是否对本车造成危险；

包括如下具体步骤：

步骤1：驾驶员注视点位置识别：采用眼动仪获取驾驶人视觉表征参数，依据卡尔曼滤波算法，利用眼动数据视线点坐标数据，对扫视、注视行为的坐标点进行筛选，并将注视点进行保留；

步骤2：从车辆仪表盘控制器局域网总线中提取当前车速V；

步骤3：对驾驶员前方视野进行区域划分：依据人眼成像的基本理论，采用openCV中的图像分割模块，对摄像头获取的前方视野图像进行标准区域划分；

步骤4：驾驶员注视点所在视野区域的识别：采用拉依达准则，剔除步骤1中保留下来的注视点坐标数据中的异常坐标点；得到注视点的区域范围Z₀；

步骤5：摄像头需处理的区域Z₁的确定，Z₁内刺激物Z_r区域的识别：依据像素坐标将驾驶员注视区域Z₀与标准划分区域进行比对，判断摄像头需处理的区域Z₁，将Z₁图像分为若干单元，提取每个单元的色调、饱和度和亮度三个特征生成特征图；设置特征权重值，将特征图与原图进行加权融合，得到各单元的特征融合图，然后进一步合并各个单元，得到区域Z₁显著图SM；通过计算各单元的显著值，对显著值最高的单元中心坐标采用k-means聚类算法，得到刺激物Z_r区域；

步骤6：对刺激物出现区域Z_r是否危险进行识别：设定标准区域优先级，按照优先级顺序对区域Z_r判断是否为运动物体，根据物体速度判断运动物体对本车的危险程度。

2.根据权利要求1所述的基于人眼视觉和机器视觉耦合的外周视野危险识别方法，其特征在于：

所述步骤1依据卡尔曼滤波算法，利用眼动数据视线点坐标数据，对扫视、注视行为的坐标点进行筛选具体过程如下：

步骤1-1：利用眼动仪追踪驾驶员的视线点，获取驾驶员眼睛眼跳时长，注视点位置，注视时间，并在建立的平面直角坐标系中标记出坐标点；

步骤1-2：采用卡尔曼滤波算法对注视、扫视行为的坐标点进行识别筛选，留下满足注视条件的视线点；注视点横坐标x_k，注视点纵坐标y_k，该点的横竖坐标公式如下：其中θ_x(k)代表采样点水平方向坐标，θ_y(k)代表采样点垂直方向坐标；K代表时间值；

为坐标变换矩阵，H_k＝[1 0]标准化矩阵；Δt为系统采样时间间隔，产生的噪声标准差R_k＝δ²＝1°；因为眼睛在注视时会轻微抖动，此时的抖动矩阵δ²为噪声方差；

利用公式对视线点坐标进行计算，τ为驾驶员注视阈值；

当时，坐标点类型为注视，则保留该视线点；当时，τ为驾驶员注视阈值，坐标点类型为扫视，则保留该视线点；

其中为卡尔曼滤波自身速度预测值；为采样点实际计算所得实际速度值；p为采样窗口大小；δ为采样时间内采样点速度的标准方差。

3.根据权利要求1所述的基于人眼视觉和机器视觉耦合的外周视野危险识别方法，其特征在于：

所述步骤2的具体过程如下：将上位机通过OBD接口与汽车CAN线相连接，通过CANoe软件读取汽车实时速度V。