本发明涉及计算机视觉、交通工程领域，尤其是一种基于高实时性行人检测的人车冲突危险判别方法。
背景技术：
1、统计显示，2021年全国交通事故发生数达27万，交通事故受伤人数为28万人，其中死亡人数约为6.2万人。行人与机动车发生碰撞导致事故的发生占很大比率。因此，为了有效减少交通事故的发生，找到一种方法及时对人车存在的潜在碰撞做出预警，提醒驾驶员减速或主动采取制动等措施具有重要意义。
2、现有的基于摄像头和传感器的事故检测研究方法主要集中在两个方面，一是在不使用复杂昂贵的雷达、激光或超声波传感器或任何其他昂贵的硬件组件的情况下，通过预先检测道路上的障碍物来估计实时距离，以避免碰撞；二是使用嵌入在单板计算机上的低成本视觉传感器和图像处理技术来实现同样的目的。由于事故预警对目标检测的实时性有较高的要求，低成本低精度的工具具有局限性，因此，本发明提出一种基于深度学习的高实时性行人检测与冲突预警的方法，包括实时物体识别、距离估计以及危险预警，能有效提升检测速度并保证精度，提高了行人检测与冲突预警的可靠性。
技术实现思路
1、本发明的目的在于提供一种高实时性行人检测并进行交通冲突预警的方法，能够快速识别车辆行驶过程中行人位置并估计人车距离，进行危险性判别，提供碰撞危险预警，在保持检测精度的同时提高检测速度。
2、为达成上述目的，本发明所采用的技术方案如下：
3、s1、计算车辆行驶过程中进行紧急制动产生的最小停车距离；
4、s2、在仪表盘上安装摄像头传感器，用于捕获图像；
5、s3、构建基于深度学习的动态实时计算模型，识别步骤s2中捕获的图像特征并进行人车距离预测；
6、s4、当步骤s3中预测的实时距离达到s1中计算的最小停车距离时，结合行人与车辆之间的夹角，判别是否危险；
7、s5、在s4中判别为危险的情况下发出预警信号。
8、进一步地，所述步骤s1中，由于紧急制动产生的最大摩擦力进一步产生最大减速度，车辆将在最小停车距离时停车，由运动方程可算出最小停车距离。
9、进一步地，所述步骤s2中，利用图像中出现的障碍物的尺寸估计其与车辆之间的距离，由于相机镜头的凸性，适用于所有类型的cmos相机，并且与焦距无关。
10、进一步地，所述步骤s3中，构建基于深度学习的动态实时计算神经网络模型，检测车辆前方物体并识别其图像特征，使用单镜头多盒检测(ssd)逐帧搜索检测出捕获图像中的障碍物，使用轻量级网络moblienet识别障碍物的图像特征并分类。
11、进一步地，所述步骤s3中，模型的输入为摄像头传感器捕获的图像，输出为所识别的图像特征、位置以及置信度信息，模型由交替使用的卷积层、relu层、池化层和全连接层组成，通过多轮递归更新参数使训练数据被拟合，将物体位置的实时变化转化为视觉传感器平面上的尺寸变化。
12、进一步地，所述步骤s4中，考虑了行人与车辆的夹角，若行人与车辆的夹角较大，即车辆前方的行人与车辆行驶轨迹的偏移程度较大，则不会造成直接的碰撞威胁。
13、进一步地，所述步骤s5中，为了防止错误触发对驾驶员进行打扰，尽管识别的障碍物在不安全区域内，即小于停止距离，但如果识别物体与车辆的夹角未满足警告标准，则不会产生警告信号。
14、本发明的有益效果为：
15、(1)本发明结合深度学习模型进行算法开发，能够更快地检测分类，精确地测量距离，能够以最小的执行时间实时产生人车碰撞的预警信号。
16、(2)本发明中使用单镜头多盒检测(ssd)，一次拍摄就可检测出一帧中的多个对象，与mobilenet图像分类架构相结合，能够提供适当的精度和更好的处理速度。
17、(3)本发明考虑到车辆前方不同角度行人位置，在达到危险距离时结合行人与车辆的夹角，能够减少错误触发警告的机率。
18、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
1.一种基于高实时性行人检测的人车冲突危险判别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于高实时性行人检测的人车冲突危险判别方法，其特征在于：所述步骤s1中，由于紧急制动产生的最大摩擦力进一步产生最大减速度，车辆将在最小停车距离时停车，由运动方程可算出最小停车距离。
3.根据权利要求1所述的一种基于高实时性行人检测的人车冲突危险判别方法，其特征在于：所述步骤s2中，利用图像中出现的障碍物的尺寸估计其与车辆之间的距离，由于相机镜头的凸性，适用于所有类型的cmos相机，并且与焦距无关。
4.根据权利要求1所述的一种基于高实时性行人检测的人车冲突危险判别方法，其特征在于：所述步骤s3中，构建基于深度学习的动态实时计算神经网络模型，检测车辆前方物体并识别其图像特征，使用单镜头多盒检测(ssd)逐帧搜索检测出捕获图像中的障碍物，使用轻量级网络moblienet识别障碍物的图像特征并分类。
5.根据权利要求1所述的一种基于高实时性行人检测的人车冲突危险判别方法，其特征在于：所述步骤s3中，模型的输入为摄像头传感器捕获的图像，输出为所识别的图像特征、位置以及置信度信息，模型由交替使用的卷积层、relu层、池化层和全连接层组成，通过多轮递归更新参数使训练数据被拟合，将物体位置的实时变化转化为视觉传感器平面上的尺寸变化。
6.根据权利要求1所述的一种基于高实时性行人检测的人车冲突危险判别方法，其特征在于：所述步骤s4中，考虑了行人与车辆的夹角，若行人与车辆的夹角较大，即车辆前方的行人与车辆行驶轨迹的偏移程度较大，则不会造成直接的碰撞威胁。
7.根据权利要求1所述的一种基于高实时性行人检测的人车冲突危险判别方法，其特征在于：所述步骤s5中，为了防止错误触发对驾驶员进行打扰，尽管识别的障碍物在不安全区域内，即小于停止距离，但如果识别物体与车辆的夹角未满足警告标准，则不会产生警告信号。
