具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的不良视距弯道会车安全方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

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。

下面结合附图具体的说明本发明所提供的一种基于人工智能的不良视距弯道会车安全方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的不良视距弯道会车安全方法流程图，该方法包括：

步骤S1：获取弯道连续多帧的道路图像；根据道路图像获得道路边缘和目标车辆的状态信息。

在道路旁设置监控设备，监控设备视角为斜俯视视角，通过监控设备获取弯道的图像并经过透视变换后将视角转换为正俯视视角，获得连续多帧的道路图像。

为了获得道路图像内的道路边缘和目标车辆的状态信息，需要在道路图像中分割出道路边缘和车辆包围框，通过连续多帧的道路图像中的车辆包围框和道路边缘获得车辆的状态信息。状态信息包括：行驶方向、行驶速度和车辆位置。具体包括：

1）以图像中沿着道路延伸方向前后的两条图像边界线中心点分别记做边界点A和边界点B。

2）以车辆包围框中心点作为车辆中心点，计算连续多帧图像中车辆中心点到边界点A的距离变化。若距离变大则说明车辆从边界点A侧到边界点B侧行驶，行驶方向记=0，其中表示图像中车辆编号。反之行驶方向记=1。

3）通过连续帧之间的采样时间间隔和距离变化量获得行驶速度。

4）通过行驶方向判断车辆包围框中的车头边界，以车头边界中心点坐标作为车辆位置。

在本发明实施例中，通过DNN网络对道路图像进行分割，分割出背景像素、弯道像素和车辆像素。

步骤S2：根据行驶速度获得目标车辆的视野角度；根据车辆位置、视野角度和道路边缘获得弯道有效视野；根据弯道的道路边缘获得对应的直道边缘，根据直道边缘和视野角度获得直道有效视野；根据弯道有效视野和直道有效视野获得目标车辆的不良视距影响程度。

请参阅图2，其示出了本发明一个实施例提供的道路有效视野示意图。可通过多组行车数据拟合，获得行驶速度和视野角度的相关关系，通过行驶速度可获得目标车辆的视野角度，具体包括：

其中，为第i个车辆的视野角度，为第i个车辆的行驶速度。

以车辆位置为原点，根据视野角度构建视野边缘，视野边缘与道路边缘的外侧边缘相交于点，与道路边缘内侧边缘交与点。

弯道内侧会对视野造成遮挡作用，造成不良视距，过车辆位置做道路边缘的切线，该切线与道路边缘的内侧边缘交点为，与道路边缘内侧边缘交点为。

以切线、视野边缘和道路边缘的外侧边缘组成的区域为第一有效视野，即点、、组成第一有效视野。以切线、视野边缘和道路边缘的内侧边缘组成的区域为第二有效视野，即点、、组成第二有效视野。第一有效视野和第二有效视野组成弯道有效视野。可通过连续多帧的道路图像，获得不同车辆位置下对应的弯道有效视野。

请参阅图3，其示出了本发明一个实施例提供的弯道对应的直道有效视野示意图。通过对弯道道路的特征模拟出该弯道对应的直道，通过直道中的视野边缘和直道边缘获得弯道有效视野对应的直道有效视野。具体包括：以弯道的内侧边缘长度作为直道的直道边缘长度，即以弯道曲线以弯道的宽作为所述直道的宽，获得直道边缘和。根据弯道上的车辆位置，在直道上获得车辆位置。在直道上获得与弯道上相同的视野边缘，视野边缘与直道边缘的交点为和。以视野边缘和直道边缘构成的区域作为直道有效视野，即点、、、、构成直道有效视野。

通过弯道有效视野和直道有效视野的对比可获得不良视距的影响程度。

根据弯道有效视野和直道有效视野获得不良视距影响程度包括：通过不良视距影响程度公式计算不良视距影响程度，不良视距影响程度公式包括：

其中，为不良视距影响程度，为弯道有效视野的面积，为直道有效视野的面积。

车辆在弯道中的不同位置与道路边缘内侧边缘的切线斜率也会不同，即弯道有效视野会随着车辆位置变化，通过不同位置的弯道有效视野和对应的直道有效视野，可获得不同位置下的不良视距影响程度。

步骤S3：根据状态信息预测会车车辆的会车位置；根据会车位置处车辆的不良视距影响程度获得第一选择指标。

不良视距在车辆会车时会对车辆造成不良影响，因此需要在车辆改变速度后，在会车位置处的不良视距影响程度尽可能的小。

在本发明实施例中，将车辆的状态信息输入会车信息推理网络中输出会车位置。会车信息推理网络具体包括：

1）以包含会车车辆的图像作为训练数据，在本发明实施例中，通过3D模拟器模拟会车场景，以获得多组图像数据。

2）通过3D模拟器模拟出图像数据中车辆的状态信息对应的会车位置坐标

3）以状态信息作为训练数据，会车位置坐标作为标签数据输入至会车信息推理网络中，通过交叉熵损失函数进行训练。

根据会车位置处的不良视距影响程度获得第一选择指标包括：通过第一选择指标获取公式获得第一选择指标；第一选择指标获取公式为：

其中，为第一选择指标，为目标车辆的不良视距影响程度，为会车车辆的不良视距影响程度。在本发明实施例中，和取值范围均为，因此的取值范围也为，越大，对应的速度选取程度越大。

步骤S4：根据状态信息获得会车车辆出现在对方弯道视野范围内时会车车辆之间的第一路程；根据第一路程获得第二选择指标。

当两辆车出现在对方弯道有效视野时，路程越大越便于车辆进行调整。对于每辆车在弯道上的位置都可通过步骤S2得到对应的弯道有效视野，当会车车辆在弯道上的弯道有效视野发生重合时认为会车车辆互相出现在对方的弯道视野范围内。以此时车辆位置坐标在道路边缘内侧边缘上的投影点之间的边缘长度作为第一路程。

以第一路程和道路图像中弯道的总长度的比作为第二选择指标。

步骤S5：根据第一选择指标和第二选择指标获得第三选择指标；根据状态信息获得与目标车辆同一行驶方向的车辆的追尾概率；以追尾概率为零时且第三选择指标最大的状态信息对应的行驶速度作为最优行驶速度。

在会车过程中，不仅要考虑会车车辆之间的状态，还需要考虑在同一行驶方向的车辆是否会发生追尾情况，可根据车辆的状态信息获得同一行驶方向的车辆的追尾概率。

追尾概率具体获取方法包括：获得同一行驶方向的相邻车辆的间隔距离。当间隔距离大于预设距离阈值时，认为相邻车辆间距离足够大，可以通过调整速度避免追尾，追尾概率为零。当间隔距离不大于预设距离阈值时，获得相邻车辆中前后车辆在同一时间段内的行驶距离差。若行驶距离差不小于间隔距离，则判断所述相邻车辆会发生追尾，追尾概率为一。反之追尾概率为零。在本发明实施例中，距离阈值通过道路车辆行驶大数据获得。

以第一选择指标和第二选择指标的和作为第三选择指标，当追尾概率为零时，第三选择指标最大的状态信息对应的行驶速度，满足了：1.在会车点处受到的不良视距影响小；2.当会车车辆出现在对方弯道有效视野时车辆间的第一路程大，可以留给相关车辆足够的调整时间；3.同一行驶方向的车辆不会发生追尾现象。以该行驶速度作为推荐目标车辆的最优行驶速度，保障了目标车辆与前后车辆的行驶安全，通过车联网系统提供给对应车辆的驾驶人员。

综上所述，本发明实施例通过道路图像获得目标车辆的状态信息和道路边缘。通过目标车辆的状态信息和道路边缘获得弯道的弯道有效视野和对应的直道有效视野，进而获得不良视距影响程度。根据会车位置处的不良视距影响程度获得第一选择指标。根据会车车辆出现在对方弯道有效视野时之间的第一路程获得第二选择指标。根据第一选择指标和第二选择指标获得第三选择指标，当目标车辆追尾概率为零时，以第三选择指标最大的状态信息对应的行驶速度作为目标车辆的最优行驶速度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。