胡彬

　　（南通大学 计算机科学与技术学院，江苏 南通 226019）

       摘要：防碰撞预警是主动安全中的一项重要技术。提出了一种基于毫米波雷达的防碰撞预警技术。首先在MHT模型下使用毫米波雷达检测出前方车辆，然后利用毫米波雷达获取的目标的速度和距离提出了以碰撞时间（Time to Collision, TTC）作为参数的防碰撞预警机制。通过实验分析，所提出的方法能够有效地将本车与前车保持在安全不碰撞的状态，可以应用到现有的主动安全系统中。

　　关键词：主动安全；毫米波雷达；车辆检测；防碰撞预警

0引言

　　全球每年因交通事故造成的伤亡和经济损失逐年上升，道路交通事故已经成为中国“伤害死亡”的最主要原因。因此各个国家和汽车厂商都在积极地研发汽车主动安全技术，在交通冲突发生前对驾驶员进行提示或者介入操控，从而避免交通冲突的发生［12］。根据美国汽车工程师协会统计，85%的交通事故都是由于追尾和爆胎引起的，因此与前车的防碰撞预警是主动安全系统中重要的一项技术，其关键技术在于精确地计算出前方车辆的距离和速度，前方车辆的检测和感知是主动安全中的一项重点和难点。因视觉图像包含信息丰富的特点，国内外采用视觉进行车辆检测的研究较多，一般将车辆检测分为假设和验证假设两个步骤［3］，在假设阶段主要利用车辆的线性几何特征信息、车辆边缘对称性［4］来对车辆进行粗定位，在验证阶段可以利用模板匹配的方法［5］和机器学习的方法［6］来确定车辆位置。目标的距离则可以通过双目视觉得到的深度信息来计算［7］，由于立体匹配的问题，其计算比较耗时。因此基于视觉的方法虽然可以有效地检测出目标车辆，但较难获得目标车辆的距离和速度，尤其是速度的获取鲜有相关文献。

　　本文针对基于视觉图像的车辆检测存在的这两个问题，提出了基于毫米波雷达的车辆检测方法，并在此基础上实现了以碰撞时间（Time to Collision, TTC）作为参数的防碰撞预警机制。

1基于毫米波雷达的车辆检测

　　基于毫米波雷达的车辆检测可分为三个步骤：数据获取、数据处理和目标维护。其中数据获取部分为前期基础工作，旨在取得毫米波雷达采集到的原始数据并整理成供后期处理使用的数据结构。数据处理部分的目的在于从每帧雷达采集到的目标中提取出目标描述序列，把同一个目标关联起来。目标维护部分则是维护一个检测到的稳定存在的目标序列，该目标序列就是最终的检测结果［89］。

　　1.1目标获取

　　将雷达捕获的一个目标的数据描述为如下向量：

　　z=(a,r,s）

　　其中a为目标与雷达的角度，r为目标与雷达的距离，s为目标与雷达的相对速度，雷达每扫描一次，其获取的目标集合就可表示为：

　　Z=(z1,z2,...,zn）T

　　直接获取的雷达目标存在目标分裂的情况，即同一个目标返回多个观测值，因此需要将原始数据首先进行聚类处理，针对毫米波雷达数据提出了一种基于最近邻距离的聚类方法，定义数据zi与数据zj的距离为：

　　设定一个阈值，根据Δ的大小决定是否为同一个目标［8］。

　　1.2基于MHT的雷达数据处理

　　本研究在ＭＨＴ多假设跟踪模型下，采用广义概率数据关联算法进行数据关联［8］，最终可以稳定地得到目标。

　　1.3目标维护

　　通过多帧的跟踪机制来维护检测到的目标，以保证检测系统的稳定。本文提出了一种基于概率模型的目标维护方法，为目标集合T(k)中的每个元素设置一个概率，通过检验该概率来达到维护的目的。

　　对于一个新目标，定义其概率初值为：

　　P(0)=p0

　　假设t-1时刻其概率值为：

　　P(t－1)=p

　　则t时刻其概率值为：

　　即当t时刻检测到该目标，则令其概率为p0，否则为α×p，设定阈值K，当t时刻目标概率小于K时，可以认为该目标已不存在［8］。

2碰撞预警分析

　　在检测到前方车辆后，可以使用毫米波雷达获取的速度和距离信息实现前方车辆防碰撞预警，使用TTC作为指标参数：

　　图1TTC计算实景其中，D表示目标与本车的距离，ΔV表示目标与本车的速度差。本文进行了一组实验来测试TTC值，统计了120帧左右的数据，图1为该应用的图像实景，在本场景中，在本车前方有一辆车辆，本车距离与其越来越近，模拟了一次将要碰撞的场景。从图1中可以看出，两车距离越来越接近。图2表示本车与前方车辆的距离变化图，两车距离是越来越小的，与图1相吻合。图3为本车速度变化图，可以发现本车处于减速过程中，图4为计算出来的TTC变化趋势图。从3幅图比较中可以发现，距离或者速度都不适合用来衡量与前车的安全“距离”，观察TTC图，100帧之后TTC处于增大的趋势，虽然此时距离仍然在减小，但是TTC在不断增大，说明本车已经采取制动，车辆与目标正在向“安全”的趋势发展，当TTC增大到一定阈值时，便可以认为本车不会与前方车辆发生碰撞。当采用视觉的方法难以计算出准确的D和ΔV时，对于TTC的估算也就难以精确，这也是雷达相较于摄像头的一大优势。

3结论

　　本文通过毫米波雷达检测到前方目标车辆，并根据雷达获取的距离和速度信息分析了TTC的变化，提出了以TTC作为参数的防碰撞预警机制。实验表明本文的方法能够有效地将本车与前车保持在安全不碰撞的状态，可以应用到现有的主动安全系统中。

参考文献

　　［1］ 詹盛. 车辆主动安全系统关键预测算法研究［D］. 西安：长安大学, 2014.

　　［2］ 朱向庆, 陈俊洪, 张伟亮,等. 无线智能交通监控系统设计［J］. 电子技术应用, 2015, 41(3):6871.

　　［3］ Sun Zehang, BEBIS G, MILLER R. Onroad vehicle detection using optical sensors: A review ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(5):694711.

　　［4］ BENSRHAIR A, BERTOZZI M, BROGGI A, et al. A cooperative approach to visionbased vehicle detection ［A］.Proceedings of Intelligent Transportation Systems［C］. Oakland: IEEE, 2001:207212.

　　［5］ 胡铟，杨静宇．基于模型的车辆检测与跟踪［J］．中国图象图形学报，2008,13（3）：450455.

　　［6］ ANIRUDDHA K, DAVID H, LARRY S. Vehicle detection using partial least squares［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33 (6):12501265.

　　［7］ BERTOZZI M, BROGGI A, FASCIOLI A, et al. Stereo visionbased vehicle detection ［A］. Proceedings of Intelligent Vehicles Symposium ［C］. Dearborn: IEEE, 2000:3944.

　　［8］ 胡彬, 赵春霞. 基于MHT模型的毫米波雷达车辆检测方法［J］. 南京理工大学学报, 2012, 36(4):557560.

　　［9］ 胡彬, 赵春霞, 郭剑辉,等. 基于主被动传感器融合的车辆检测［J］. 华中科技大学学报(自然科学版), 2014(12): 128132.