行之知识产权综合服务平台

技术领域

本发明涉及汽车后视系统，特别是涉及一种成本低，系统结构简单的汽车 后视系统及方法。

背景技术

随着中国汽车保有量的飞速增加，人们对于行驶安全的意识也逐渐提高。 目前较为热点的几个驾驶安全辅助功能包括倒车影像、盲点检测与车道偏离预 警。其中，倒车影像功能在中国市场普及程度较高。传统的盲点检测、车道偏 离检测存在不同程度的后视盲区范围大，检测系统复杂、视角不集中、视距近 以及受环境影响严重等缺陷，而无法满足现代车群、车速及驾驶安全的需求。

发明内容

基于此，有必要提供一种成本低，系统结构简单的汽车后视系统及方法。

一种汽车后视系统，包括采集模块、控制模块及显示模块，所述采集模块 安装于所述汽车的尾部，所述采集模块用于采集所述汽车尾部的图像数据，并 将所述图像数据输出给所述控制模块，所述控制模块用于根据所述图像数据分 析出所述汽车的盲点数据、车道偏离数据及倒车影像数据中的至少一种；所述 显示模块用于接收并显示所述盲点数据、车道偏离数据及倒车影像数据。

在其中一个实施例中，所述采集模块为超广角摄像头，并安装于汽车尾部 的中央位置。

在其中一个实施例中，还包括与所述控制模块连接的盲点检测模块，所述 控制模块用于将所述盲点数据输出给所述盲点检测模块，所述盲点检测模块用 于根据所述盲点数据获取所述汽车的盲点区域图像。

在其中一个实施例中，所述盲点检测模块包括滤波层、池化层、部件检测 层、形变层、遮挡层及处理层；

所述滤波层用于对所述盲点数据进行滤波处理；

所述池化层用于将滤波后的盲点数据利用平均池化压缩特征表示；

所述部件检测层用于根据所述池化层处理后的盲点数据计算出盲点数据中 包含的汽车、车道的检测分数；

所述形变层用于根据所述池化层处理后的盲点数据计算出盲点数据中包含 的汽车、车道的形变参数；

所述遮挡层根据所述检测分数及所述形变参数输出遮挡参数；

所述处理层根据所述检测分数、所述形变参数及所述遮挡参数获取所述汽 车的盲点区域图像。

在其中一个实施例中，还包括与所述控制模块连接的车道偏离检测模块， 所述控制模块用于将所述车道偏离数据输出给所述车道偏离检测模块，所述车 道偏离检测模块用于根据所述车道偏离数据获取所述汽车的车道偏离参数。

在其中一个实施例中，所述车道偏离检测模块包括曲线模型单元、车道线 计算单元及第一处理单元；

所述曲线模型单元用于建立表征车道线信息的曲线模型；

所述车道线计算单元用于根据所述曲线模型计算出车道线的参数；

所述第一处理单元用于根据似然函数对所述车道线的参数进行优化，并计 算出车道偏离参数。

在其中一个实施例中，所述车道偏离检测模块包括直线模型单元、车道线 提取单元及第二处理单元；

所述直线模型单元用于建立表征车道线信息的直线模型；

所述车道线提取单元根据所述直线模型提取出车道线的参数；

所述第二处理单元用于对所述车道线的参数进行hough变换，并计算出车 道偏离参数。

在其中一个实施例中，还包括与所述控制模块连接的倒车影像检测模块； 所述控制模块用于将所述倒车影像数据输出给所述倒车影像检测模块，所述倒 车影像检测模块用于根据所述倒车影像数据获取所述汽车的倒车影像。

在其中一个实施例中，所述倒车影像检测模块包括转弯预测单元及车辆路 径预测单元；

所述转弯预测单元根据所述倒车影像预测车辆转弯路径；

所述车辆路径预测单元用于根据当前车辆的方向，并利用世界坐标到所述采集模 块成像平面的几何转换关系，获取车辆的路径轨迹图像。

一种汽车后视方法，包括以下步骤：

将采集模块安装于汽车的尾部，并采集汽车尾部的图像数据；

根据所述图像数据分析出所述汽车的盲点数据、车道偏离数据及倒车影像 数据中的至少一种；

接收并显示所述盲点数据、车道偏离数据及倒车影像数据。

上述汽车后视系统及方法通过在汽车尾部安装采集模块，通过采集模块采 集汽车的盲点数据、车道偏离数据及倒车影像数据。因此，仅利用采集模块就 能够获取汽车的盲点数据、车道偏离数据及倒车影像数据，无需设置多个采集 模块分别获取汽车的盲点数据、车道偏离数据及倒车影像数据。因而，降低了 系统结构的复杂性，减少了系统所需的模块，从而使得上述汽车后视系统的成 本低，且系统结构简单。

附图说明

图1为汽车后视系统的模块图；

图2为盲点检测示意图；

图3为车道偏离预警示意图；

图4为倒车影像示意图；

图5为汽车后视方法的流程图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。 附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来 实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对 本发明的公开内容的理解更加透彻全面。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一 个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元 件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用 的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目 的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术 领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术 语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的 术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1所示，为汽车后视系统的模块图。

一种汽车后视系统，包括采集模块101、控制模块112及显示模块105，所 述采集模块101安装于所述汽车的尾部，所述采集模块101用于采集所述汽车 尾部的图像数据，并将所述图像数据输出给所述控制模块112，所述控制模块 112用于根据所述图像数据分析出所述汽车的盲点数据、车道偏离数据及倒车影 像数据中的至少一种；所述显示模块105用于接收并显示所述盲点数据、车道 偏离数据及倒车影像数据。

在本实施例中，采集模块101用于采集汽车尾部的图像数据，包括汽车尾 部的车道图像信息、附近车辆图像信息。采集模块101采集的图像数据实时传 输给控制模块112。

采集模块101为超广角摄像头，并安装于汽车尾部的中央位置。

在本实施例中，通常说的后视镜盲点指的是被车辆B柱挡住的视野，在驾 驶员斜后方。盲区内的车辆从后视镜是无法看到的。在车辆变道时，司机容易 因看不到盲点内的侧后方同向行驶车辆而产生侧撞事故。

以盲点数据为例。

由于采集模块101安装于汽车尾部，再采用超广角摄像头，因此，以采集 模块101的安装位置为原点，向汽车两侧辐射出160°的扇形摄像范围，而现有 的摄像范围则不能达到160°的扇形摄像范围，因此，相对于现有的摄像范围， 本发明中超出的摄像范围即为盲点数据。控制模块112基于实时图像数据分析 出的盲点数据对应的盲点区域的盲点图像发送给显示模块105，显示模块105实 时显示盲点区域的盲点图像。因而，能够帮助驾驶员检测盲点区域的情况，避 免与在盲点区域出现的行人、车辆及障碍物发生碰撞。

以车道偏离数据为例。

采集模块101采集的图像数据中包含车道信息，控制模块112根据车道信 息的走向及汽车的行驶趋势来判断汽车是否会出现车道偏离的情况。具体的， 根据车道信息能够判断出车道当前是直线趋势还是曲线趋势。根据汽车的行驶 能够判断出汽车当前是直行趋势还是拐弯趋势。

若当前车道是直线趋势，且汽车是直行，那么能够判断出汽车不会超出车 道，即不会出现车道偏离的情况。

若当前车道是直线趋势，但汽车出现拐弯趋势，则必然会出现车道偏离的 情况，此时，则要判断驾驶员是否在控制汽车拐弯。若是驾驶员控制拐弯，则 无需报警。若不是驾驶员控制拐弯，则向驾驶员发出车道偏离的预警信号。

因此，根据车道信息及汽车行驶趋势，能够判断出是主动偏离当前车道还 是被动偏离当前车道，而在被动偏离当前车道时，向驾驶员发出车道偏离的预 警信号。具体判断过程和上述判断过程类似，在此不再赘述。

以倒车影像数据为例。

由于采集模块101安装于汽车尾部，再采用超广角摄像头，因此，以采集 模块101的安装位置为原点，向汽车两侧辐射出160°的扇形摄像范围。控制模 块112基于实时图像数据分析出的倒车影像数据对应的倒车区域的倒车图像发 送给显示模块105，显示模块105实时显示倒车区域的倒车图像。因而，能够帮 助驾驶员检测倒车区域的情况，避免与在倒车区域出现的行人、车辆及障碍物 发生碰撞。

基于上述所有实施例，控制模块112接收实时图像数据后，会实时分析出 盲点数据、车道偏离数据及倒车影像数据，三者之间的分析过程并不会出现冲 突，也不会互相影响。

在本实施例中，汽车后视系统还包括与所述控制模块112连接的盲点检测 模块102，所述控制模块112用于将所述盲点数据输出给所述盲点检测模块102， 所述盲点检测模块102用于根据所述盲点数据获取所述汽车的盲点区域图像。

在本实施例中，采用广角摄像头，因此，检测范围可以覆盖大部分盲区。 通过基于深度学习的计算机视觉技术检测并识别车辆的侧面来判断盲区中是否 有车辆。即使只有部分车身在检测范围内也能识别。

盲点检测模块102包括滤波层121、池化层122、部件检测层123、形变层 124、遮挡层125及处理层126；

所述滤波层121用于对所述盲点数据进行滤波处理；

所述池化层122用于将滤波后的盲点数据利用平均池化压缩特征表示；

所述部件检测层123用于根据所述池化层122处理后的盲点数据计算出盲 点数据中包含的汽车、车道的检测分数；

所述形变层124用于根据所述池化层122处理后的盲点数据计算出盲点数 据中包含的汽车、车道的形变参数；

所述遮挡层125根据所述检测分数及所述形变参数输出遮挡参数；

所述处理层126根据所述检测分数、所述形变参数及所述遮挡参数获取所 述汽车的盲点区域图像。

请结合图2。

具体的，在检测车辆侧面时，检测的特征主要包括车窗、车门等部件。由 于只能检测到部分车身，因此这些部件会有一部分被“遮挡”。为解决这一问题， 我们利用深度学习(deeplearning)方法将特征提取、部件检测器、形变、遮挡等 模块统一到同一个框架，进行联合优化。联合优化可以加强各模块间的协同， 进而取得比各自独立优化更好的结果。由学习得到的特征可以更好的定位部件， 更好的定位部件也有利于学习和优化局部特征。

具体的模型包括以下几个部分，1)滤波层，利用卷积神经网络对图像进行 滤波；2)池化层，利用平均池化(averagepooling)压缩特征表示；3)部件检 测层，计算各部件的检测分数；4)形变层，处理部件间的形变；5)遮挡层，结合 部件层和形变层输出估计遮挡，进而计算最终盲点检测结果。

因此，盲点检测模块102用于检测盲点区域内是否有车辆。若检测到盲点 内有车辆，且本车正要向该方向变道，会发出警报。同时盲点内的图像也会显 示在显示模块105中上，供驾驶员参考。

汽车后视系统还包括与控制模块112连接的车道偏离检测模块103，控制模 块112用于将车道偏离数据输出给所述车道偏离检测模块103，所述车道偏离检 测模块103用于根据所述车道偏离数据获取所述汽车的车道偏离参数。

请结合图3。

在本实施例中，采集模块101(广角摄像头)拍摄车辆后方图像，车道偏离 检测模块103使用计算机视觉算法从图像中识别车道线，测量它的宽度、弧度、 间距等信息，并根据这些信息向前预测约一个车身长度的车道线，当车辆接触 到预测的车道线时，判断车辆已经偏离车道。再根据车辆是否开启了转向灯来 选择是否发出警报。即驾驶员未开启转向灯时，对驾驶员发出警报信号、

在本实施例中，预测车道线时根据实际情况分别使用直线模型和曲线模型。 直线模型用于较为平直的高速公路，曲线模型用于弯道等情形。

在一个实施例中，车道偏离检测模块103包括曲线模型单元131、车道线计 算单元132及第一处理单元133；

所述曲线模型单元131用于建立表征车道线信息的曲线模型；

所述车道线计算单元132用于根据所述曲线模型计算出车道线的参数；

所述第一处理单元133用于根据似然函数对所述车道线的参数进行优化， 并计算出车道偏离参数。

曲线模型如下：

u-n₀＝B(v-m₀)+K/(v-m₀)

根据曲线模型，K，B_L，B_R，n₀四个参数可以完全的表征车道线的信息。使 用曲线模型时，采用最大后验概率估计的方法来求取车道线的参数K，B_L，B_R， n₀。令x＝[K，B_L，B_R，n₀]。，则车道线参数x的估计为：

x ^ = arg max x ∈ R 4 p ( x ) p ( P s e t | x ) ]]>

从上式的要素可以得出，最大后验概率估计的关键步骤变成构造先验概率 分布p(x)和似然函数p(P_set|x)。此处采用的似然函数为：

p ( P s e t | x ) ∝ Σ ( m , n ) ∈ P s e t ( 1 - exp ( g r a d ( m , n ) 2 σ 1 2 ) ) ( exp ( - ( n - mB L - K / m - n 0 ) 2 ( mσ 2 ) 2 ) + exp ( - ( n - mB R - K / m - n 0 ) 2 ( mσ 2 ) 2 ) ) ]]>

由于最大似然函数是非单调函数，无法用传统的方法求得其最有解。若用 遍历的方法在限定的范围里搜索最优解，即便根据经验将x的取值范围缩小， 遍历的计算量也是很大的，因此就需要找一种智能的算法来以最快的速度，得 到最优的解。采用改进的微粒群优化的方法来得到车道参数的最优解。这种算 法具有概念简单、容易实现、参数较少、收敛速度较快、鲁棒性好的优点。

在另一个实施例中，车道偏离检测模块103包括直线模型单元134、车道线 提取单元135及第二处理单元136；

所述直线模型单元134用于建立表征车道线信息的直线模型；

所述车道线提取单元135根据所述直线模型提取出车道线的参数；

所述第二处理单元136用于对所述车道线的参数进行hough变换，并计算 出车道偏离参数。

在将车道线设定为直线时，车道线模型可以表示为：

u＝B_LRv+D_LR

式中u和v为车道线上的点在图像中的坐标，B_LR，D_LR为车道线模型参数。 这样的情况只需要将提取后的车道线数据分别做Hough变换就可以得到较好的 效果。

汽车后视系统还包括与控制模块112连接的倒车影像检测模块104；控制模 块112用于将倒车影像数据输出给所述倒车影像检测模块104，所述倒车影像检 测模块104用于根据所述倒车影像数据获取所述汽车的倒车影像。

倒车影像检测模块104包括转弯预测单元141及车辆路径预测单元142；

所述转弯预测单元141根据所述倒车影像预测车辆转弯路径；

所述车辆路径预测单元142用于根据当前车辆的方向，并利用世界坐标到所述采 集模块成像平面的几何转换关系，获取车辆的路径轨迹图像。

请结合图4。

在本实施例中，在倒车时实时显示车辆后方影像，帮助驾驶员顺利进入车位。由 于使用了超广角摄像头，比普通倒车影响视角更广。预测车辆转弯路径，更好辅助驾 驶员停车。预测车辆路径时，系统会根据当前车轮的方向，利用世界坐标到摄像头成 像平面的几何转换关系，将车辆未来的轨迹在图像中画出来(假设车轮方向保持不变)。

基于上述所有实施例，请结合图5，一种汽车后视方法，包括以下步骤：

步骤S510，将采集模块安装于汽车的尾部，并采集汽车尾部的图像数据。

步骤S520，根据所述图像数据分析出所述汽车的盲点数据、车道偏离数据 及倒车影像数据中的至少一种。

步骤S530，接收并显示所述盲点数据、车道偏离数据及倒车影像数据。

在本实施例中，步骤S520包括：

A、根据图像数据分析出汽车的盲点数据；

B、根据图像数据分析出汽车的车道偏离数据；

C、根据图像数据分析出汽车的倒车影像数据。

在本实施例中，步骤A包括：

A1、对所述盲点数据进行滤波处理；

A2、将滤波后的盲点数据利用平均池化压缩特征表示；

A3、根据所述池化处理后的盲点数据计算出盲点数据中包含的汽车、车道 的检测分数；

A4、根据所述池化处理后的盲点数据计算出盲点数据中包含的汽车、车道 的形变参数；

A5、根据所述检测分数及所述形变参数输出遮挡参数；

A6、根据所述检测分数、所述形变参数及所述遮挡参数获取所述汽车的盲 点区域图像。

在本实施例中，步骤B包括：

步骤B1、建立表征车道线信息的曲线模型；

步骤B2、根据所述曲线模型计算出车道线的参数；

步骤B3、根据似然函数对所述车道线的参数进行优化，并计算出车道偏离 参数。

在又一个实施例中，步骤B还包括：

步骤B4、建立表征车道线信息的直线模型；

步骤B5、根据所述直线模型提取出车道线的参数；

步骤B6、对所述车道线的参数进行hough变换，并计算出车道偏离参数。

在本实施例中，步骤C包括：

步骤C1、根据所述倒车影像预测车辆转弯路径；

步骤C2、于根据当前车辆的方向，并利用世界坐标到所述采集模块成像平面的 几何转换关系，获取车辆的路径轨迹图像。

上述汽车后视系统及方法使用车尾的广角摄像头实现盲点检测、车道偏离 检测及倒车影像三个功能。

上述汽车后视系统及方法可结合智能后视镜。传统的中央后视镜为光学后 视镜。视线较为狭窄，易被后座乘客和杂物遮挡。当后车开远光灯时，驾驶员 无法通过后视镜观察后方情况。汽车后视系统包含一个显示模块105(智能后视 镜)，将广角摄像头拍摄到的图像显示在显示模块上，代替传统的中央后视镜。 这样就避免了遮挡和强光眩目的问题。同时，盲点检测、车道偏离检测和倒车 影像的结果也可以同时显示在智能后视镜中。

上述汽车后视系统及方法用单个广角摄像头实现原来共需要多个摄像头的 驾驶辅助的三大功能，整合了系统，降低了成本。

上述汽车后视系统及方法通过在汽车尾部安装采集模块101，通过采集模块 101采集汽车的盲点数据、车道偏离数据及倒车影像数据。因此，仅利用采集模 块101就能够获取汽车的盲点数据、车道偏离数据及倒车影像数据，无需设置 多个采集模块101分别获取汽车的盲点数据、车道偏离数据及倒车影像数据。 因而，降低了系统结构的复杂性，减少了系统所需的模块，从而使得上述汽车 后视系统的成本低，且系统结构简单。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对 上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技 术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的 普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改 进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权 利要求为准。