大型車輛右側(cè)盲區(qū)碰撞預(yù)警方法研究

葛如海，洪志福

(1江蘇大學 汽車與交通工程學院，江蘇 鎮(zhèn)江 212013；2 無錫職業(yè)技術(shù)學院 汽車與交通學院，江蘇 無錫 214121)

?

大型車輛右側(cè)盲區(qū)碰撞預(yù)警方法研究

葛如海1,2，洪志福1

(1江蘇大學 汽車與交通工程學院，江蘇 鎮(zhèn)江 212013；2 無錫職業(yè)技術(shù)學院 汽車與交通學院，江蘇 無錫 214121)

為減少大型車輛右轉(zhuǎn)彎碰撞事故對行人的傷害，提出一種基于模式識別的右側(cè)盲區(qū)碰撞預(yù)警方法。分析了右轉(zhuǎn)彎事故的主要原因，建立了內(nèi)輪差的數(shù)學模型并計算其大小。利用車輛動力學的仿真軟件(TRUCKSIM)搭建某型客車右轉(zhuǎn)彎仿真模型，得到該工況下車輛運行參數(shù)，得到了合理的內(nèi)輪差取值。采用單目視覺模型實現(xiàn)行人和車輛間距離的測量。在此基礎(chǔ)上，選取訓練和識別樣本的有效特征指標，用模糊動態(tài)聚類的方法對采集樣本進行分析，獲得預(yù)警方法所需的標準模型。最后計算標準模型和待識別樣本間的隸屬度，對待識別樣本進行危險等級分類。實驗證明該方法能有效地對危險情況進行識別。

右轉(zhuǎn)彎碰撞；車輛動力學仿真軟件(TRUCKSIM)；單目測距；預(yù)警方法；模糊模式識別

近年來，由于經(jīng)濟發(fā)展和工業(yè)運輸?shù)男枰笮蛙囕v(包括貨車、大客車和專用車輛等)的保有量不斷增加，相應(yīng)地大型車輛交通事故也不斷發(fā)生，每年造成嚴重的人員傷亡和經(jīng)濟損失[1]。據(jù)統(tǒng)計，2012—2015年國內(nèi)大型車輛交通事故造成54 592人死亡，約占交通事故死亡人數(shù)的29%，接近1/3[2]。大型車輛重大傷亡事故頻繁發(fā)生引起了社會各界的關(guān)注，其中大型車輛盲區(qū)監(jiān)測為主要的關(guān)注焦點。

我國于2013年頒布了國家標準《機動車輛間接視野裝置性能和安裝要求》(GB 15804—2013)[3]，明確指出大型車輛必須在乘員一側(cè)和駕駛員一側(cè)各安裝1個補盲外視鏡作為避免側(cè)面碰撞的重要裝置。國內(nèi)外學者對盲區(qū)監(jiān)測進行了相關(guān)研究，例如：三菱重工的行人識別系統(tǒng)[4]就在重型貨車前面布置一個立體攝像系統(tǒng),利用行人檢測技術(shù)和測距技術(shù)測定出車輛前面行人的精確位置，并對駕駛員進行報警提醒，減少前盲區(qū)的碰撞事故；Leanne等[5]將全景式視覺傳感器作為一種輔助駕駛工具,用來監(jiān)視車輛附近的視覺盲區(qū)；Todd等[6]在建筑工程車輛中應(yīng)用激光掃描儀形成點云圖，處理后得到車輛盲區(qū)的三維距離圖；Michael等[7]使用4個雷達傳感器構(gòu)成的雷達網(wǎng)絡(luò)探測車輛尾部盲區(qū)的情況；李軍等[8]基于CAN總線、“蠅眼”理論和超聲波測距技術(shù)，將測距節(jié)點和主控節(jié)點組網(wǎng)后建立起一個“蠅眼”傳感網(wǎng)絡(luò)，將其應(yīng)用于大型車輛的防撞預(yù)警中; 李守曉等[9]采用了頻率為76.125 GHz左右的毫米波來感應(yīng)物體的存在，并以此計算出換道時目標車輛的速度、距離及角度。

目前較少涉及通過對大型車輛右前輪盲區(qū)的研究來減少右轉(zhuǎn)彎事故的發(fā)生和提高對駕駛員與行人的保護效果。因此，根據(jù)《機動車輛間接視野裝置性能和安裝要求》[3]，筆者利用單目視覺測距技術(shù)和模糊模式識別的原理，確定盲區(qū)內(nèi)行人的位置，并給出相應(yīng)的預(yù)警方法。

1　大型車輛右轉(zhuǎn)彎仿真模型

大型車輛在路口右轉(zhuǎn)彎時，行人進入車輛右前輪盲區(qū)，在駕駛員毫不知情的情況下，由于內(nèi)輪差的存在，右前輪或駕駛室與行人可能發(fā)生側(cè)面碰撞，右后輪會碾壓行人。

1.1內(nèi)輪差

內(nèi)輪差定義為車輛在轉(zhuǎn)彎過程中內(nèi)側(cè)前輪和后輪的轉(zhuǎn)彎半徑差。在最大轉(zhuǎn)向角的情況下產(chǎn)生最大內(nèi)輪差，此時車輛左前輪轉(zhuǎn)彎產(chǎn)生的軌跡圓弧半徑等于最小轉(zhuǎn)彎半徑。如果駕駛員在轉(zhuǎn)彎時沒有考慮內(nèi)輪差，可能發(fā)生前輪安全通過然而后輪與行人或車輛碰撞的事故。為了獲得車輛右轉(zhuǎn)彎時的安全距離模型，需要計算其最大內(nèi)輪差。車輛右轉(zhuǎn)彎時的數(shù)學模型如圖1所示。最大內(nèi)輪差計算公式如下：

(1)

不同車型計算得到的不一樣的內(nèi)輪差。本研究采用的車型為宇通ZK6115BEV2,其各項相關(guān)參數(shù)見表1。由式(1)計算可得不同車型車輛的內(nèi)輪差，如表2所示。

圖1　車輛右轉(zhuǎn)彎時的數(shù)學模型

車型ZK6115BEV2輪距/m1．86總質(zhì)量/kg16500軸距/m5．25長，寬，高/m10．7，2．5，3．2最小轉(zhuǎn)彎半徑/m11．4

表2　不同車型的內(nèi)輪差

由表2可知：最小轉(zhuǎn)彎半徑r、軸距l(xiāng)和輪距d越大內(nèi)輪差越大，越容易發(fā)生事故。采用計算得到的內(nèi)輪差作為車輛右轉(zhuǎn)彎時右側(cè)安全距離范圍，即與車輛右側(cè)車身橫向距離在1.527 m以內(nèi)的都屬于危險區(qū)域。

1.2右側(cè)盲區(qū)

汽車盲區(qū)是指汽車正常行駛時，由于自車車身的遮擋駕駛員視線達不到的區(qū)域。大型車輛存在著許多盲區(qū)，由于本文針對的是右轉(zhuǎn)彎行駛工況，所以只對車輛右前輪盲區(qū)進行探討。本文采用探測目標信息完整且更符合人的認知習慣的視覺傳感器，通過合理的傳感器安裝位置來消除該盲區(qū)，攝像頭安裝在車輛的右后側(cè)，見圖2。這樣可以有效地覆蓋車輛的右前輪盲區(qū)，對盲區(qū)內(nèi)的行人進行監(jiān)測，很好地解決了盲區(qū)問題。圖 3 為大型車輛右轉(zhuǎn)彎的危險區(qū)域。

圖2　攝像頭的安裝位置

圖3　大型車輛右轉(zhuǎn)彎的危險區(qū)域

1.3右轉(zhuǎn)彎仿真分析

由于進行大型車輛右轉(zhuǎn)向的實車實驗難度較大，本文利用車輛動力學仿真軟件TRUCKSIM進行某型大客車右轉(zhuǎn)向的模擬仿真。通過仿真模型調(diào)試與驗證，意在取代實車實驗。TRUCKSIM 由美國機械仿真軟件公司開發(fā)，主要用于預(yù)測和仿真汽車整車的動力性、制動性、操縱穩(wěn)定性、平順性和經(jīng)濟性。

研究發(fā)現(xiàn)：一般大型車輛右轉(zhuǎn)彎時其縱向速度都會保持在16～32 km/h。根據(jù)表1、表2對車輛參數(shù)和右轉(zhuǎn)彎仿真分別進行設(shè)置。仿真設(shè)置：車速為vx=20 km/h，轉(zhuǎn)向盤轉(zhuǎn)角由 180°轉(zhuǎn)至 0°。進行轉(zhuǎn)向盤轉(zhuǎn)角角階躍輸入下的大型車輛右轉(zhuǎn)彎仿真試驗，得到運行軌跡、轉(zhuǎn)向盤轉(zhuǎn)角、側(cè)向加速度、側(cè)向速度等曲線，其中宇通大客車的仿真結(jié)果如圖4～7所示。

仿真實驗結(jié)果表明：右轉(zhuǎn)彎行駛時，車輛具有較好的轉(zhuǎn)向性能，不會由于轉(zhuǎn)向盤轉(zhuǎn)角趨于最大值而發(fā)生失控；另外，每個變量都趨于穩(wěn)定且合理；計算得到的內(nèi)輪差誤差小于2%，所以取ΔR=1.527 m是合理的。

圖4　車輛運行軌跡曲線

圖5　轉(zhuǎn)向盤轉(zhuǎn)角曲線

圖6　側(cè)向加速度曲線

圖7　側(cè)向速度曲線

2　單目視覺測距

本文采用單目視覺測距來對大型車輛與行人間的距離進行測量。利用圖像變換理論、成像模型和視覺測量坐標系,建立了單目視覺測距模型。

2.1常用坐標系

視覺測量中常用到如下一些坐標系,其定義分別如下(見圖8)：

1) 世界坐標系(Xw,Yw,Zw)，即絕對坐標系，通常表示環(huán)境中物體的位置。

2) 攝像機坐標系(Xc,Yc,Zc)，鏡頭的光心為原點，光軸為Zc軸，Zc軸、Yc軸分別與圖像平面的水平軸、垂直軸平行。

3) 圖像像素坐標系(u,v)，即幀存坐標,單位為像素，原點為圖像左上角端點。

4) 圖像物理坐標系(x,y)，原點為光軸與圖像平面相交點，x和y軸分別平行于u和v軸。

圖8　攝像機模型與各坐標系

2.2圖像像素坐標系和物理坐標系的轉(zhuǎn)換關(guān)系

如圖9所示，設(shè)dx，dy為單位像素在x， y 軸方向的大小，則有：

(2)

o2(u0,v0)為光軸與相平面相交點幀存坐標。理論上該點在圖像的中心，但由于攝像機制作存在誤差使得交點出現(xiàn)偏差，所以需要標定攝像機。標定的結(jié)果如表3所示。

圖9　幀存坐標和圖像物理坐標

參數(shù)標定結(jié)果光學中心坐標u0/pixel152．3v0/pixel109．4有效焦距fx/mm769．2fy/mm767．8

2.3世界坐標系和攝像機坐標系的轉(zhuǎn)換關(guān)系

考慮到本文針對的是大型車輛危險區(qū)域內(nèi)的行人測量，所有的距離因素都是相對車輛來說的，所以這里采用車輛坐標系來表示行人在行車環(huán)境中的位置，即對車輛坐標系和攝像機坐標系之間的轉(zhuǎn)換進行研究。由攝像機的安裝位置可以得到攝像機與車輛之間的幾何關(guān)系，如圖10所示。

圖10　車輛與攝像機的幾何關(guān)系

(3)

其中：

(4)

2.4圖像坐標系與攝像機坐標系變換關(guān)系

單目視覺的圖像采集是將三維場景投影到攝像機的二維像平面[10]，該過程可以用針孔成像模型來表示，如圖11所示，其中：H為攝像機安裝高度(m)； (x0,y0)為圖像坐標系原點，取(0,0)；(x,y)為路面上任一點P在像平面的投影坐標(mm)；f為攝像機有效焦距(mm)。根據(jù)幾何關(guān)系得到點P與鏡頭中心的縱向距離Z和橫向距離X的計算公式：

(5)

圖11　針孔成像模型

由式(2)和式(5)可以得到空間點P與像點p的之間的坐標變換關(guān)系,以齊次坐標表示:

(6)

令fx=f/dx,fy=f/dy，則式(6)可改寫成：

(7)

根據(jù)式(7)可以計算車輛與行人之間的縱向和橫向距離，即得到單目視覺測距模型。

3　預(yù)警方法

模糊模式識別在汽車行業(yè)通常應(yīng)用于車型的分類，本文將其應(yīng)用于碰撞預(yù)警方法的研究屬于首創(chuàng)。通過聚類分析距離、時間信息得到預(yù)警標準模型，利用模糊模式識別的方法來判別待檢樣本的危險程度。

3.1模糊集合和隸屬函數(shù)

模糊集合[11-13]是一種以數(shù)學語言來表示歸屬問題模糊性的集合，定義如下:給定論域U，對于任意的x0∈U，都有一個隸屬度u(0≤u≤1)與一個模糊集合A對應(yīng)，稱u為集合A的隸屬度，記作u=A(x0),x為U中的任一元素，則x對A的隸屬函數(shù)表示為uA(x)。uA(x)值越大，則隸屬于A的程度越高。

1) 模糊樣本與模糊集合依據(jù)最大隸屬度原則進行歸屬判別。其數(shù)學描述：設(shè)論域U存在l個模糊子集Ai(i=1,2,…,l)，?x∈U，使得

(8)

當UAi(x)值最大，則說明x隸屬于模糊子集Ai，即樣本x屬于Ai類。

2) 模糊集合與模糊集合依據(jù)就近原則來判別。其數(shù)學描述：設(shè)論域U存在由個模糊子集Ai(i=1,2,…,l)所組成的標準模式集，模糊子集B待識別，則貼近度可由式(9)得到。

(9)

當N(B,Ai)值最大時，則說明待識別子集B與Ai最大相似，即B屬于Ai類。

對于集合中的樣本，用模糊矩陣R=?rij」n×n來表示樣本間的相似性，如果R中元素有rii=1,rij=rji，此時R為模糊相似矩陣。一般用夾角余弦法計算:

(10)

其中rij表示xi和xj的相似關(guān)系。

當兩個集合間不僅為模糊相似關(guān)系，還存在傳遞性時，則稱其為模糊等價關(guān)系。

傳遞閉包一般用以下方法構(gòu)造：

(11)

根據(jù)式(11)進行有限次運算后，可得到一個整數(shù)k(2k≤n),使得R2k=R2k+2，則R2k即為需要的模糊等價矩陣t(R)。

令R*=?rij」n×n為模糊等價矩陣，?λ∈[0，1]可得λ-截矩陣Rλ的計算公式：

(12)

3.2特征指標的選取

由本文第2節(jié)可得到車輛右轉(zhuǎn)彎時的狀態(tài)參數(shù)，其中對本文預(yù)警模型有關(guān)的參數(shù)有：車輛的位置信息，包括內(nèi)輪差ΔR、轉(zhuǎn)向角和運行軌跡；速度信息，包括側(cè)向加速度ay、縱向速度vx和側(cè)向速度vy。本文特征指標的選取是為了表示行人和車輛間的距離，這是一個二維坐標的問題，只需要求取橫向和縱向距離信息即可，這里將位置和時間特征作為預(yù)警模型的評價指標。當檢測到行人時，依據(jù)車輛行駛工況，可以計算出縱向距離X和橫向距離Y及所需的時間。因為vx=16 km/h，所以縱向時間tx可由X值計算得出?？v向時間tx是冗余特征，不但影響計算速度(實時性)，還會對魯棒性產(chǎn)生影響。因此，選取車輛與行人的縱向距離X和橫向時間tx作為模糊評價指標。

橫向時間ty：根據(jù)車輛轉(zhuǎn)向盤轉(zhuǎn)角輸入下的穩(wěn)態(tài)響應(yīng)特性 (圖6和圖7)，得ay=0.38 m/s2，橫向初始速度vy0=1.17 km/h。車輛的內(nèi)輪差可近似看成Y方向的距離。因此，在計算橫向時間時，必須考慮車輛的內(nèi)輪差，ΔR=1.527 m,則橫向時間ty的計算公式如下：

(13)

3.3模糊聚類分析和模式識別

模糊模式識別系統(tǒng)一般主要由兩大部分組成，算法流程如圖12所示。

圖12　模糊模式識別算法流程

1) 樣本分類。對一定數(shù)量的樣本數(shù)量進行訓練，依據(jù)分類函數(shù)建立標準模式的類別庫，即模糊動態(tài)聚類分析。

2) 樣本識別。選取模式識別方法，計算隸屬度函數(shù)進而判斷待識別樣本在標準模式類別庫中的歸屬類型。其中設(shè)模式類別的有e個樣本，則該類模式的類中心計算公式如下:

(14)

3.4右轉(zhuǎn)彎盲區(qū)預(yù)警實驗分析

本文的實驗設(shè)備包括一輛宇通ZK6115BEV2客車、一臺筆記本電腦、型號為 MV-130UM 的CCD攝像機。攝像機安裝位置與本文所述一致。

樣本采集過程：在車輛右側(cè)隨機選取至少 30個點，測量出點與車輛的縱向距離和橫向距離，讓行人站在隨機點上，利用攝像機采集圖片，采集的部分樣本如圖13所示。

圖13　模糊聚類部分樣本

3.4.1聚類分析實驗分析

因為行人位置具有不確定性，所以在聚類時采集的訓練樣本應(yīng)該足夠多，訓練后標準模型具有更準確的識別結(jié)果。本文包含的情況比較合理。

1) 利用3單目視覺測距模型可得本車和行人間的距離信息，即由式(13)計算出訓練樣本的評價指X和ty，如表4所示。

2) 由表4構(gòu)造訓練樣本矩陣P2×30。表4中tymin=0.700 0，經(jīng)過多次實驗驗證，tymin值在小范圍內(nèi)對聚類分析結(jié)果沒有影響。

3) 由式(10)、(11)可計算出模糊等價矩陣R*。

4) 依據(jù)λ截矩陣式(12)，可以得出模糊等價矩陣R*相對應(yīng)的λ截矩陣Rλ，將R*中的數(shù)按大小排序如下：

1.000 0>0.999 8>0.999 7>0.999 6>0.999 3>0.998 8>0.998 0>0.997 8>0.995 0>0.994 4>0.992 5>0.988 3>0.984 4>0.971 9>0.971 8>0.971 4>0.962 7>0.949 5>0.942 8>0.932 4>0.930 0>0.899 1>0.895 3>0.888 5>0.857 1

依次選取以上各數(shù)為λ的水平進行聚類，結(jié)果如圖14所示。

表4　訓練樣本的特征值

圖14　模糊動態(tài)聚類

依據(jù)實際需求，設(shè)定4種最終分類結(jié)果：非常安全、較安全、較危險和非常危險。根據(jù)圖14，聚類結(jié)果與λ值相關(guān)。當λ=8 992，樣本被分為4類，但是樣本 22 作為單獨一類，對比其與其他樣本的數(shù)值大小，該類標準特征值不具全面性和代表性，因此該情況不合適；當λ=0.932 5，有6種類別的樣本分類，不符合本文研究需要；當λ=0.930 1，樣本被分為5類，樣本22作為單獨一類，但是，根據(jù)本文第1節(jié)的安全距離模型，樣本22和15，24，26，28在危險區(qū)域范圍外且數(shù)值相近，所以這這些樣本歸屬為同一類，所以取λ=0.930 1最為合理?？梢缘玫阶詈蟮姆诸惤Y(jié)果如下：

非常危險D1={p1,p2,p3,p4,p5,p19,p21}，為危險等級Ⅰ。該類別樣本的各項特征指標均最小，車輛和行人相距過近，此時車輛的行駛狀態(tài)最危險。

較危險D2={p6,p7,p8,p17,p18,p20}，為危險等級Ⅱ。該類別樣本的各項特征指標較小，行人處在車輛轉(zhuǎn)彎的危險區(qū)域邊緣，發(fā)生碰撞的可能性較大，安全性較差。

較安全D3={p15,p24,p26,p28,p22}，為危險等級Ⅲ。該類別樣本的距離特征指標較大，時間指標較小，發(fā)生碰撞的可能性較小。行駛過程中與行人的距離會過近，若雨雪等惡劣天氣車輛側(cè)滑則存在一定可能與行人碰撞。但總體來說，安全性一般。

非常安全D4={p9,p10,p11,p12,p13,p14,p16,p23,p25,p27,p29,p30}為危險等級Ⅳ。該類別樣本的各項特征指標都較大。即此時行人與車輛間相距較遠，不會發(fā)生碰撞，安全性較高。

5) 利用加權(quán)平均法計算出標準模型{A1,A2,A3,A4},即由式(14)可得其聚類中心，標準指標特征矩陣Y為

且A1={7.565};A2={8.6123.502};A3=(8.6123.502);A4={8.6123.502}。

3.4.2模糊模式識別實驗分析

在模式識別時，采用擇近原則，而貼近度的計算方法采用格貼近度，待識別樣本隨機獲取，部分樣本如圖15所示，共10組數(shù)據(jù)。為驗證模式識別的效果，進行識別前人為標定待檢測樣本，如表5所示。

圖15　待識別樣本

實驗的基本過程如下:

1) 數(shù)據(jù)標準化：對待識別樣本組成的新矩陣進行標準化。

2) 由式(9)可得出標準模型和待識別樣本間的貼近度，依據(jù)擇近原則對其歸屬進行識別，結(jié)果如表6所示。

表5　標準模型和待檢樣本數(shù)據(jù)

表6　識別結(jié)果

由表6可得：X1，X3和X10與4類標準模型間的格貼近度的數(shù)值相差較小，即對其隸屬程度相近。這是因為：兩個特征指標(時間、位置特征)很大程度上是隨機的，沒有一定的關(guān)聯(lián)性，若樣本各特征指標處在標準模型分類臨界范圍內(nèi)，就產(chǎn)生該樣本對標準模型具有相近的隸屬程度。對比表5、6，發(fā)現(xiàn)樣本 5與樣本10識別結(jié)果與標定結(jié)果不符合，雖然存在不同的歸屬判定程度，但都歸屬危險類別，而不是危險與安全的本質(zhì)區(qū)別。另外 8 組樣本的標定和識別結(jié)果相同，表明該方法有良好的識別效果。

4　結(jié)束語

從仿真結(jié)果可知，車輛尺寸和軸距越大，右轉(zhuǎn)彎過程中產(chǎn)生的內(nèi)輪差越大。大型車輛的內(nèi)輪差一般可達1.5～2.5 m。

在模糊聚類分析的條件下，對車輛右轉(zhuǎn)彎時的狀態(tài)參數(shù)進行分析，選取縱向距離X和橫向時間兩個優(yōu)良特征作為模糊評價指標。

基于模糊模式識別的預(yù)警方法，可以準確地對行人的位置信息進行危險等級分類，具有較好的識別效果。

本文只研究了大型車輛右側(cè)盲區(qū)的碰撞預(yù)警，而未涉及盲區(qū)內(nèi)行人檢測和跟蹤算法的研究。如何獲取行人運動軌跡，使行人得到更好的保護，今后可進一步研究探討。

[1]李宗烜.大型商用車右側(cè)碰撞預(yù)警系統(tǒng)[D].武漢:武漢理工大學,2014.

[2]姚丁茂.大客車防撞預(yù)警系統(tǒng)仿真平臺的開發(fā)研究[D].西安:長安大學,2014.

[3]GB15804—2013,機動車輛間接視野裝置性能和安裝要求[S].

[4]文彤.戴姆勒-奔馳重型貨車的未來駕駛輔助系統(tǒng)[J].新技術(shù)與應(yīng)用，2013 (10):38-42.

[5]LEANNE M，ALEXANDER ZELINSKY.Stereo Panoramic Vision for Monitoring Vehicle Blind-spots[C]//2014 IEEE Intelligent Vehicles Symposium.Parma:IEEE，2014：14-17.

[6]TODD R.Evaluation of a radar-based proximity warning system for off-highway dump trucks [J].Accident Analysis and Prevention,2013(38):92-98.

[7]MICHAEL K,HERMANN ROHLING.24 GHz radar sensors for automotive applications [J].Journal of Telecommunications and Information Technology,2015(4):11-14.

[8]李軍，魏民祥.基于“蠅眼”傳感網(wǎng)絡(luò)的大型車輛防撞系統(tǒng)研究[J].農(nóng)業(yè)裝備與車輛工程,2012(3):3-6.

[9]李守曉，畢欣.毫米波雷達汽車盲點檢測系統(tǒng)研究與設(shè)計[J].機械設(shè)計與制造，2013(9)：25-31.

[10]章毓晉.圖像理解與計算機視覺[M].北京:清華大學出版社,2013.

[11]孫慶聲,繆旭東.一種基于模糊集的艦空導(dǎo)彈作戰(zhàn)通道決策模型[J].四川兵工學報,2009,30(5):22-24.

[12]宋凌怡,舒濤,周德榮.基于超模糊集的Canny邊緣檢測在花椒圖像中的應(yīng)用[J].重慶工商大學學報(自然科學版),2016(3):38-42.

[13]陳水利,李敬功,王向公.模糊集理論及其應(yīng)用[M].北京：科學出版社,2012.

(責任編輯劉舸)

Research on Collision Warning of the Right Blind Area for Large Vehicles

GE Ru-hai1, 2, HONG Zhi-fu1

(1.School of Automotive and Traffic Engineering, Jiangsu University, Zhenjiang 212013, China；2. School of Automobile and Traffic, Wuxi Institute of Technology, Wuxi 214121, China)

In order to reduce injuries of pedestrians on right-turning collision of large vehicles, a collision warning method of right blind based on pattern recognition was proposed. Firstly, the main reasons for the right-turning accident were analyzed to establish the mathematical model of the inner wheels difference and to calculate its size. Using the vehicle dynamics simulation software (TRUCKSIM), we built right-turn simulation model of a passenger car to obtain the operating parameters of vehicle in this condition, as well as to verify the validity of the inner wheels difference. At the same time, the distance measurement between the vehicle and pedestrians was achieved by the use of monocular vision ranging model. Based on which, selecting some valid features indicators of samples in training and recognizing and analyzing samples collected by fuzzy dynamic clustering are to gain the standard model of early warning methods needed. Finally, wee calculated the membership grade between standard model and hazard level of samples to be recognized was classified. Experiments show that this method can effectively identify dangerous situations.

right-turing collision; dynamics simulation software (TRUCKSIM); monocular ranging; warning method; fuzzy pattern recognition

2016-03-11；

2016-04-28

國家自然科學基金資助項目(61403172，51275211)；中國博士后科學基金資助項目(2013M541607)

葛如海(1957—)，男，江蘇如皋人，博士，教授，主要從事汽車被動安全性及汽車輕量化研究；通訊作者 洪志福(1990—)，男，福建泉州人，碩士研究生，主要從事汽車主被動安全研究，E-mail：achilles_h@yeah.net。

format：GE Ru-hai, HONG Zhi-fu.Research on Collision Warning of the Right Blind Area for Large Vehicles [J].Journal of Chongqing University of Technology(Natural Science)，2016(10):1-10.

10.3969/j.issn.1674-8425(z).2016.10.001

U471.15

A

1674-8425(2016)10-0001-10

引用格式：葛如海，洪志福.大型車輛右側(cè)盲區(qū)碰撞預(yù)警方法研究[J].重慶理工大學學報(自然科學)，2016(10):1-10.