孫鴻杰 馬海龍 俞嘉瑩 馬新娟

摘要：目前，車輛安全事故多發(fā)，多車型智能駕駛輔助系統(tǒng)較為不完善，大部分車輛駕駛者不能有效預(yù)防即將到來的危險，與之相關(guān)的車輛安全駕駛輔助技術(shù)研究日益受到重視。本文主要介紹了一種基于人工智能的多功能車輛安全輔助系統(tǒng)的研究，該系統(tǒng)面對多種路況、多種駕駛環(huán)境，采用人工智能嵌入式學(xué)習(xí)系統(tǒng)，結(jié)合深度學(xué)習(xí)的機器視覺圖像檢測技術(shù)，實現(xiàn)對小車前方道路狀況進行實時監(jiān)測，尤其是突然出現(xiàn)的行車障礙如行人、汽車、動物等，輔助小車駕駛系統(tǒng)進行智能的緊急剎車或避障，從而有效提高汽車駕駛的安全性及智能性，大幅降低意外事故發(fā)生率。

關(guān)鍵詞：智能駕駛輔助系統(tǒng);人工智能;安全輔助系統(tǒng)

中圖分類號：U463 文獻標(biāo)識碼：A

前言

汽車行業(yè)發(fā)展至今，駕駛速度與使用舒適度日臻趨于完美，但常規(guī)車輛的使用安全性，受到車輛本身的可靠性以及駕駛員技術(shù)和狀態(tài)的影響，暫無確切標(biāo)準(zhǔn)衡量，每年都有大量在操作不當(dāng)和不及時預(yù)防導(dǎo)致事故的報道，因此危險預(yù)測關(guān)系到人員生命和財產(chǎn)安全的大事，也是許多汽車廠商和用戶所車廠商和用戶所關(guān)心的眾多問題之一。

我國歷年交通事故雖有下降，其主要原因在于汽車性能不斷提升和人們道路安全意識的不斷提高，團隊將當(dāng)前的路況分析和駕駛環(huán)境模塊向著深度學(xué)習(xí)和人工智能方向改進，并將各個模塊融合成一個系統(tǒng)，應(yīng)對多種駕駛環(huán)境。本系統(tǒng)順應(yīng)人工智能發(fā)展趨勢，合理考慮人性化非侵入式設(shè)計，刨除廠商車身結(jié)構(gòu)限制，提供多適應(yīng)獨立系統(tǒng)安裝。

1.裝置原理

碰撞危險預(yù)防部分

碰撞危險預(yù)防部分采用opencv模型圖像數(shù)據(jù)庫跑入，用python全網(wǎng)爬取路況分析資料給模型庫，將實時路況全景采集，并將盲區(qū)圖像進行深度學(xué)習(xí)識別和車載處理器層進行通信。車載處理器對危險進行分析之后將危險信息傳給車內(nèi)單片機并連接車內(nèi)主機顯示報警信息并且發(fā)出警報?？紤]到攝像頭旋轉(zhuǎn)空白問題和因能見度低引起的識別空白，本系統(tǒng)加入雷達測距系統(tǒng)。在攝像頭識別空白的區(qū)域進行3d測距測速，同樣通過單片機進行數(shù)據(jù)傳輸，使用單片機連接、傳導(dǎo)，在接收端屏幕顯示3d距離并與危險距離對比。為了避免一些相對小型目標(biāo)出現(xiàn)在視野空白，本系統(tǒng)還添加紅外線傳感器，檢測小型移動熱源，實現(xiàn)車流量密集下熱源數(shù)量的檢測。通過單片機共同傳到總檢測系統(tǒng)終端，終端計算并判斷危險性，從而增加保障。本系統(tǒng)采用多傳感系統(tǒng)，降低了平均檢出時間并提升了檢測精度。

（2）路況分析部分

路況分析部分采用基于yolo3和opencv的視頻分析和deepsort算法框架融合，將YOLOv3算法和DeepSort算法結(jié)合，展開車流量檢測研究。本系統(tǒng)采用YOLOv3算法在Darknet-53圖像特征提取網(wǎng)絡(luò)結(jié)構(gòu)下訓(xùn)練車輛目標(biāo)檢測模型，獲得性能優(yōu)良的YOLOv3檢測器。再將其檢測結(jié)果作為后續(xù)跟蹤的輸入，結(jié)合DeepSort算法框架，利用運動模型和表觀信息進行數(shù)據(jù)關(guān)聯(lián)，實現(xiàn)端到端多目標(biāo)視覺跟蹤，進行視頻車流量檢測，使車輛目標(biāo)在光照、快速移動、遮擋等復(fù)雜情況下獲得良好的跟蹤效果，提升了傳統(tǒng)車流量檢測算法的性能和魯棒性。

（3）面部識別部分

面部識別部分基于opencv和yolo3深度學(xué)習(xí)的視頻分析技術(shù)提出了一種基于面部特征融合的駕駛員疲勞識別算法。該算法構(gòu)建了一個三級識別模型：前期處理、特征級與決策級。前期處理主要使用現(xiàn)有技術(shù)進行人臉、眼唇檢測與追蹤。特征級中，針對眼部、唇部以及面部表情的特征提取方式做出了兩種疲勞識別算法：基于圖像金字塔局部二進制模式的疲勞識別算法和基于局部二進制模式與重構(gòu)方向梯度直方圖融合的疲勞識別算法。隨后，將這兩種算法與基于局部二進制模式、基于方向梯度直方圖及其擴展模式的疲勞識別算法等進行了對比仿真實驗，驗證算法的性能，以選出最合適的各個證據(jù)源的疲勞判別方式，完善特征級模型。在決策級，針對面部疲勞表情、眼部疲勞狀態(tài)、唇部疲勞狀態(tài)以及上一時刻判別的疲勞狀態(tài)這四種證據(jù)源，使用改進的基于Dempster-Shafer 證據(jù)理論的多信息決策層融合算法融合以實現(xiàn)綜合判決。最后，進行仿真對比實驗，以完善決策級融合框架。

（4）胎溫胎壓檢測部分

為提高轎車胎溫胎壓自動監(jiān)測能力，本發(fā)明提出基于機器視覺的轎車胎溫胎壓儀表讀數(shù)自動校驗方法。構(gòu)建轎車胎溫胎壓儀表讀數(shù)的視覺信息檢測模型，采用傳感器監(jiān)測方法進行轎車胎溫胎壓儀表讀數(shù)信息采集，對采集的轎車胎溫胎壓儀表讀數(shù)數(shù)據(jù)進行信息融合處理，提取轎車胎溫胎壓儀表讀數(shù)的相關(guān)性特征量，采用匹配檢測方法進行轎車胎溫胎壓儀表讀數(shù)的誤差調(diào)節(jié)，構(gòu)建轎車胎溫胎壓儀表讀數(shù)的自動檢驗機器視覺分析模型，實現(xiàn)機器視覺下的轎車胎溫胎壓儀表讀數(shù)自動校驗。仿真結(jié)果表明，采用該方法進行轎車胎溫胎壓儀表讀數(shù)自動校驗的準(zhǔn)確性較高，誤差較小，提高了胎溫胎壓監(jiān)測的精度。

與此同時，針對汽車輪胎內(nèi)TPMS模塊不易拆卸的特點，設(shè)計一種通過無線方式自動獲取輪胎內(nèi)傳感器模塊ID號并重置汽車儀表終端內(nèi)可監(jiān)測傳感器模塊ID號的智能輔助終端。

產(chǎn)品主要包括主控制系統(tǒng)設(shè)計、無線通信系統(tǒng)設(shè)計、顯示觸摸系統(tǒng)設(shè)計、充電系統(tǒng)及電源系統(tǒng)設(shè)計等。其設(shè)計選用32位Cortex-M3內(nèi)核的ARM微控制器作為控制核心，其高效快速的數(shù)據(jù)處理能力可以承擔(dān)系統(tǒng)數(shù)據(jù)通信及外圍模塊控制任務(wù);無線通信系統(tǒng)包括方案選取、射頻參數(shù)設(shè)計、天線網(wǎng)絡(luò)設(shè)計及軟件設(shè)計，并對可能引起系統(tǒng)誤碼率和穩(wěn)定性的因素進行了多方面分析;采用TFT彩色液晶顯示器作為人機交互操作終端，采用觸控方式以獲得良好操控體驗，顯示觸摸系統(tǒng)設(shè)計包括硬件接口設(shè)計、觸摸屏校準(zhǔn)、人機交互界面UI設(shè)計及系統(tǒng)軟件設(shè)計等。

2工作流程

（1）碰撞危險預(yù)防部分基于原理設(shè)計的流程圖如下圖所示，圖1是車身碰撞盲區(qū)示意圖，圖2是碰撞危險預(yù)防系統(tǒng)結(jié)構(gòu)設(shè)計圖，圖3是碰撞危險系統(tǒng)軟件設(shè)計圖。

（2）多路況分析部分基于原理設(shè)計的流程圖如下圖所示，

圖4、圖5、圖6為多路況分析流程圖。

3系統(tǒng)測試分析及綜合框架

將多傳感器智能安全駕駛輔助系統(tǒng)與單一傳感器系統(tǒng)測試精度進行對比，其具體結(jié)果如圖7、圖8所示。

在本階段實驗室環(huán)境下，團隊將模擬車輛進行產(chǎn)品結(jié)構(gòu)預(yù)安裝如圖9所示，車模系統(tǒng)安裝模擬如圖10所示，三大系統(tǒng)層次框架圖如圖11所示，功能框架圖如圖12、圖13所示，創(chuàng)新點框架圖如圖14所示。

4產(chǎn)品創(chuàng)新方向

（1）本產(chǎn)品將當(dāng)前的路況分析和駕駛環(huán)境模塊向著深度學(xué)習(xí)和人工智能方向改進，推進人工智能神經(jīng)網(wǎng)絡(luò)系統(tǒng)對安全駕駛分散化不成體系模塊的總和使用。采用舵機旋轉(zhuǎn)視頻拍攝和雷達測距多傳感器融合碰撞危險預(yù)防技術(shù)，將原本四個攝像頭遮擋重疊區(qū)域過多和融合色差問題得到改善，一定程度上降低了運行復(fù)雜度并提高了準(zhǔn)確性。

（2）本產(chǎn)品增加了人性化的非侵入式設(shè)計，采用攝像頭提取面部進行人工智能分析識別駕駛員疲勞狀態(tài)，保證安全駕駛的狀態(tài)。

（3）本產(chǎn)品包括輪胎溫度和輪胎壓強范圍檢驗，在現(xiàn)實應(yīng)用中還未普及化。且即使配備TPMS模塊，若汽車輪胎損壞或TPMS模塊損壞需要更換，如何高效穩(wěn)定地實現(xiàn)對汽車儀表終端內(nèi)ID編碼進行更新也是亟待解決的痛點。而本系統(tǒng)采用高效處理和信號傳輸?shù)奶幚砥飨到y(tǒng)并采用機器視覺高精度識別儀表盤數(shù)據(jù)?？梢杂行p少因車身安全度不足導(dǎo)致的事故。

參考文獻：

[1] 夏明.汽車倒車輔助系統(tǒng)的設(shè)計[J].裝備制造技術(shù)，2017，（4）：209- 211.

[2] 胡鵬，秦會斌.基于紅外測距汽車倒車?yán)走_預(yù)警系統(tǒng)設(shè)計[J].傳感器與微系統(tǒng)，2018，第37卷（7）：114-116，126.

[3] 張弘揚.基于單片機的汽車倒車?yán)走_設(shè)計[J].數(shù)碼世界，2017，（10）： 36.

[4] 喬亞楠，劉新寬，劉平等.高強度鍍鋅鋼絲表面硬度與扭轉(zhuǎn)性能關(guān)系研究[J].功能材料， 2017，第48卷.（8）：8053-8057.

[5] 廖曉文，賴香功.金屬熱處理工藝對齒輪材料性能的影響[J].世界有色金屬， 2019， （21）：159-160.

[6] 單新平，蔣云峰，劉宗健.基于超聲波倒車?yán)走_的研究[J].汽車電器， 2019，（7）：20-22.