[发明专利]一种基于机器视觉的安全车距检测方法

权利要求书

1.一种基于机器视觉的安全车距检测方法，其特征在于，通过以下步骤来实现：

a).建立训练素材库，利用安装于车辆上的预警装置，采集多种行驶场景下其前方货车和小型车辆的图片作为训练素材，所采集的图片要保证车辆的车牌是完全可见的，并将图片处理为统一的正方形；预警装置包括摄像头、电源和语音提示模块；

b).图片标注，对经步骤a)处理后的图片进行手工标注，标注内容为图片中车牌所在区域和车牌类型，得到多种行驶场景下车辆的各类车牌数据集；

c).获得车牌检测模型，建立基于深度学习卷积神经网络和多框目标检测CAFFE-SSD的车牌检测网络的训练模型，经步骤b)中的数据集划分为训练集、测试集和验证集，将训练集数据进行特征提取处理，按照建立的神经网络模型进行训练，获得用于车牌检测的目标检测模型；

d).建立车距检测模型，根据摄像头成像过程中的相似三角形原理建立车距检测数学模型，并将该算法加入训练好的车牌检测模型中；

设预警装置的摄像头距离车辆前端的距离为L，实际车距为d，摄像头的成像焦距为f，车牌的实际宽度为H，车牌在成像传感器上对应的像素宽度为h，根据摄像头成像过程中的相似三角形原理可得：

f/(d+L)＝h/H (1)

由公式(1)可得：

d＝f*H/h-L (2)

e).获得车距检测模型，以CAFFE-SSD为训练神经网络，并在训练中调整神经网络参数，使得网络在迭代过程中损失函数趋于收敛，最终形成车距检测的神经网络目标检测模型；

f).建立车辆实时相对车速与车距的分段函数算法，并加入车距检测模型算法中；

g).算法模型部署，将训练好的车距检测模型以及相对车速与车距的分段函算法进行部署并同步实时检测，当检测出司机因疲劳驾驶忽略安全车距时，语音提示模块自动报警，以避免交通事故的发生。

2.根据权利要求1所述的基于机器视觉的安全车距检测方法，其特征在于：步骤f)中，车距根据车牌在当前图片中的成像大小，利用步骤d)中的公式(2)进行求取；相对车速根据相邻两帧图片所对应的车距变化来求取，其求取公式如下：

公式(3)中，v为当前相对车速，d₂为根据当前图片所获取的车距，d₁为根据前一图片所获取的车距；t₂为当前图片所获取的时刻，t₁为前一图片所获取的时刻。

3.根据权利要求1或2所述的基于机器视觉的安全车距检测方法，其特征在于，步骤f)中所建立的车辆实时相对车速与车距的分段函数算法中：

相对车速不大于20km/h时，车距小于10m，则认为不满足安全车距要求；

相对车速在20～30km/h时，车距小于15m，则认为不满足安全车距要求；

相对车速在30～40km/h时，车距小于25m，则认为不满足安全车距要求；

相对车速在40～50km/h时，车距小于35m，则认为不满足安全车距要求；

相对车速在50～60km/h时，车距小于45m，则认为不满足安全车距要求；

相对车速在60～70km/h时，车距小于65m，则认为不满足安全车距要求；

相对车速在70～80km/h时，车距小于75m，则认为不满足安全车距要求；

相对车速在80～90km/h时，车距小于85m，则认为不满足安全车距要求；

相对车速在90～100km/h时，车距小于95m，则认为不满足安全车距要求。