本发明属于智能车辆主动安全技术领域，尤其涉及一种车辆周边行人危险等级预测方法及系统。
背景技术：
近年来，在智能车辆领域，行人的安全性获得了越来越多的关注。智能车辆需要对道路上的行人进行及时的感知和危险程度预测，来避免可能的碰撞。
现阶段的行人危险程度探测方法，主要是通过复杂动力学拟合的方法，计算出行人相对于行驶车辆的碰撞时间或碰撞区域，然后通过安全系统设计人员手动对不同的碰撞时间或碰撞区域进行危险等级划分，判别行人的危险程度。针对通过复杂动力学模型计算行人碰撞时间或碰撞区域，存在模型计算成本高、拟合效果差、预判性差、适用场景有限等问题。针对设计人员手动划分不同碰撞时间或碰撞区域的危险等级，存在主观性强、适用场景有限、无法大规模推广等问题。
技术实现要素：
为解决现有技术中行人危险等级预测计算成本高、预判性差、主观性强、适用场景有限的问题。本发明目的在于提供一种车辆周边行人危险等级预测方法及系统，能够降低车辆周边危险等级识别计算成本，增强道路行人危险等级预测的准确性、环境适应性。
本发明的目的是通过下述技术方案实现的：
本发明公开的一种车辆周边行人危险等级预测方法，包括离线危险等级预测器训练和在线危险等级预测两个部分。其中，离线危险等级预测器训练包括以下步骤：
使用车载传感器，采集车辆第一视角下的周边环境信息；
进一步地，通过车载图像采集装置采集车辆周边图像信息，通过激光雷达采集3d点云信息。
根据采集的所述第一视角车辆周边环境信息，提取行人特征参数s；行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc。由于第一视角下取得的行人相对车辆位置、速度变化取决于车辆和行人的合运动，该相对位置和速度的变化隐含了车辆和行人在不同情况下的交互行为。
根据提取得到的行人特征参数s，对于任意时间节点t，以t-tobs至t时间段内的特征参数集合
作为优选，所述时序网络为循环神经网络或长短期记忆神经网络。
根据提取得到的行人特征参数s，用数据驱动方法进行数据聚类分析，对数据进行分类，通过不断优化聚类类别数k及分类的相关参数p，使具有相似特征参数的行人聚到同一类别，具有不同特征参数的行人尽可能远离，最后得到具有不同特征参数的k类行人，不同类别的行人所具有的危险等级不同。聚类结果用标签l∈{r1,r2,...rk}来表示，其中{r1,r2,...rk}分别对应不同的危险等级。根据聚类结果，以行人特征参数s为输入，对应的危险等级l为输出，训练行人危险等级识别器
作为优选，所述数据聚类方法为k-means或谱聚类，所述危险等级识别器为支持向量机或核函数支持向量机。
在线危险等级预测包括以下步骤：
当车辆行驶在道路上时，使用车载传感器，在线采集车辆第一视角下的周边环境信息；
进一步地，通过车载图像采集装置采集车辆周边图像信息，通过激光雷达采集3d点云信息。
根据采集的所述第一视角车辆周边环境信息，提取行人特征参数s；行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc。由于第一视角下取得的行人相对车辆位置、速度变化取决于车辆和行人的合运动，该相对位置和速度的变化隐含了车辆和行人在不同情况下的交互行为。对于任意时间节点t，获得行人t-tobs至t时间段内的特征参数集合
将获得的行人特征参数集合
在行人轨迹拟合器f中，使用数据驱动的时序网络建模方法实现长时轨迹预测，降低传统轨迹预测方法中复杂的动力学建模的计算成本，缩短预测时长；在行人危险等级识别器g中，结合行人轨迹拟合器f预测得到的行人轨迹，采用数据驱动的聚类分析方法对行人危险等级进行划分和判别，避免传统危险判定方法中通过人为划分参数范围来判定危险等级可能带来的不确定性，在降低计算量的同时，保证行人危险程度的预测的可靠性，提高行人危险等级识别效率。
所识别出的行人危险等级有助于驾驶员或无人驾驶系统理解行车过程中周边行人的行为意图，帮助驾驶员或无人驾驶系统预估当前情况下行人和车辆的碰撞风险，从而为调整行车策略提供依据，以规避行车风险，提升驾驶安全性。
另一方面，本发明还公开一种车辆周边行人危险等级预测系统，该系统包括离线危险等级预测器训练部分和在线危险等级预测部分。
其中，离线训练部分包括车辆周边信息采集模块、行人特征参数提取模块、行人轨迹拟合器训练模块、行人危险程度识别器训练模块。
所述车辆周边信息采集模块，用于采集车辆第一视角下的周边环境信息。
所述行人特征参数提取模块，用于根据采集的车辆周边环境信息，提取行人特征参数s，行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc。对于任意时间节点t，得到行人t-tobs至t时间段内的特征参数集合
所述行人轨迹拟合器训练模块，用于根据提取得到的行人特征参数
所述行人危险程度识别器训练模块，用于根据提取得到的行人特征参数s，用数据驱动方法进行数据聚类分析，对数据进行分类，得到具有不同特征参数的k类行人，不同类别的行人所具有的危险等级不同。聚类结果用标签l∈{r1,r2,...rk}来表示，其中{r1,r2,...rk}分别对应不同的危险等级。根据聚类结果，以行人特征参数s为输入，对应的危险等级l为输出，训练行人危险等级识别器
在线危险等级预测部分包括车辆周边信息在线采集模块、行人特征参数提取模块、行人轨迹预测模块、行人危险程度预测模块。
所述车辆周边信息在线采集模块，用于在线采集车辆第一视角下的周边环境信息。
所述行人特征参数提取模块，用于根据采集的车辆周边环境信息，提取行人特征参数s，行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc。对于任意时间节点t，得到行人t-tobs至t时间段内的特征参数集合
所述行人轨迹预测模块，用于根据特征参数集合
所述行人危险程度预测模块，用于根据预测得到的行人移动轨迹
有益效果：
1、本发明公开的一种车辆周边行人危险等级预测方法及系统，基于车载传感器采集车辆第一视角下的周边环境信息，能够提取得到车辆第一视角下周边行人特征参数，包括相对车辆位置信息、速度变化信息，预计碰撞事件信息；所述信息隐含了车辆和行人在不同情况下的交互行为，为驾驶员或无人驾驶系统评估人车碰撞风险程度提供依据。
2、本发明公开的一种车辆周边行人危险等级预测方法及系统，基于车辆第一视角数据进行行人轨迹预测，能够根据提取的行人特征参数对行人的移动轨迹进行预测，使用数据驱动的时序网络建模实现长时轨迹预测，降低传统轨迹预测方法中复杂的动力学建模的计算成本，缩短预测时长，为后续行人危险等级评估提供依据。
3、本发明公开的一种车辆周边行人危险等级预测方法及系统，基于聚类分析和分类器的危险等级识别器，能够使用数据驱动的聚类分析方法将具有不同特征参数的行人聚为k类，不同类别的行人具有不同的危险等级；根据该聚类结果，能够训练行人危险等级识别器，该识别器能够根据特征参数识别行人危险等级，避免传统危险判定方法中通过人为划分参数范围来判定危险等级可能带来的不确定性。
4、本发明公开的一种车辆周边行人危险等级预测方法及系统，是一种基于行人轨迹预测和危险等级识别的行人危险等级预测方法及系统，能够根据训练得到的行人轨迹拟合器预测行人移动轨迹，并根据得到的轨迹提取出行人特征参数集合，根据该特征参数集合，输入到训练得到的行人危险等级识别器中，可对行人危险等级进行预测。所识别出的行人危险等级有助于驾驶员或无人驾驶系统理解行车过程中周边行人的行为意图，帮助驾驶员或无人驾驶系统预估当前情况下行人和车辆的碰撞风险，从而为调整行车策略提供依据，以规避行车风险，提升驾驶安全性。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明公开的一种车辆周边行人危险等级预测方法流程示意图；
图2为本发明公开的一种车辆周边行人危险等级预测系统示意图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
本实施例公开下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
如图1所示，本实施例提供一种车辆周边行人危险等级预测方法，包括离线危险等级预测器训练和在线危险等级预测两个部分。如图1为本实施例所述方法流程示意图。
其中，离线危险等级预测器训练包括以下步骤：
步骤s1101、使用车载传感器，采集车辆第一视角下的周边环境信息；
具体的，通过图像采集装置，如架设在车辆前挡风玻璃处的车载摄像头，采集车辆周边图像信息；通过架设在车辆顶部的激光雷达，采集车辆周边3d点云信息。
步骤s1102、根据采集的车辆周边图像信息、3d点云信息，提取行人特征参数s，包括但不限于：行人相对于数据采集车的空间位置p＝(x,y)、行人相对于数据采集车的移动速度v＝(vx,vy)、行人相对于数据采集车的估计碰撞时间ttc。
提取行人特征参数s的步骤，具体包括：
使用预设的传感器融合算法，根据采集的图像和3d点云信息，获得不同行人在不同时间段内的空间位置p＝(x,y)，包括：
使用预设的行人图像检测器，在图像信息中检测得到行人图像，并进行逐帧跟踪；根据所得行人图像，使用预设的行人点云检测器，在3d点云信息中匹配图像对应行人点云信息，提取行人相对于数据采集车的空间位置，以相对坐标系下的坐标形式p＝(x,y)来表示。
根据所得行人空间位置，使用预设的算法计算行人相对数据采集车的移动速度，包括：计算行人前后两帧的坐标差，将该差值除以帧间隔，即得到行人相对于数据采集车的移送速度，以v＝(vx,vy)表示。
根据所得行人空间位置p＝(x,y)、移动速度v＝(vx,vy)，使用预设的算法估计行人相对于本车的碰撞时间ttc，包括：根据所得行人空间位置p＝(x,y)，计算行人距离本车直线距离d，根据所得行人速度，计算行人在直线距离上的速度分量v'，通过人车直线距离除以直线距离上的速度分量求取行人相对于本车的估计碰撞时间ttc。
对于任意时间节点t，能够得到行人t-tobs至t时间段内的特征参数集合
步骤s1103、根据提取得到的行人特征参数s，训练得到行人轨迹拟合器f，该拟合器可对行人未来的移动轨迹进行预测，包括：将所述行人特征参数s输入预设的拟合器，拟合器输出预测的行人移动轨迹
具体的，建立上述预设的拟合器f，包括：预先采集车辆周边环境信息，并从所述车辆周边信息中提取出行人特征参数s；对于任意时间节点t，以t-tobs至t时间段内的特征参数集合
步骤s1104、根据预先采集车辆周边环境信息预测得到的行人移动轨迹p，用数据驱动方法进行数据聚类分析，将具有不同特征参数的行人聚为k类，获得具有不同特征行人对应的危险等级。根据此聚类结果，训练行人危险等级识别器
具体的，用数据驱动方法进行数据聚类分析，对数据进行分类，包括：通过不断优化聚类类别数k及分类的相关参数p，使具有相似特征参数的行人聚到同一类别，具有不同特征参数的行人尽可能远离，最后得到具有不同特征参数的k类行人，不同类别的行人所具有的危险等级不同。对于不同的k类行人，基于估计碰撞时间ttc越小、行人速度v＝(vx,vy)越大、行人位置p＝(x,y)越近，则该行人越危险的标准，进行类间危险等级排序，从而给予不同类别的行人不同的危险等级标签l∈{r1,r2,...rk}，其中{r1,r2,...rk}分别对应不同的危险等级。
本发明实施例中，所述的聚类类别k可以等于但不限于4类，所对应的危险等级包括但不限于为：低风险、中等风险、高风险、超高风险。
在线危险等级预测包括以下步骤：
步骤s1201、当车辆行驶在道路上时，使用车载传感器，在线采集车辆第一视角下的周边环境信息；
具体的，通过图像采集装置，如架设在车辆前挡风玻璃处的车载摄像头，采集车辆周边图像信息；通过架设在车辆顶部的激光雷达，采集车辆周边3d点云信息。
步骤s1202、根据采集的车辆周边图像信息、3d点云信息，提取行人特征参数s，包括但不限于：行人相对于数据采集车的空间位置p＝(x,y)、行人相对于数据采集车的移动速度v＝(vx,vy)、行人相对于数据采集车的估计碰撞时间ttc。
对于任意时间节点t，可得到行人t-tobs至t时间段内的特征参数集合
步骤s1203、将获得的行人特征参数集合
本发明实施例中，最终所预测的行人危险等级包括但不限于为：低风险、中等风险、高风险、超高风险。
实施例2
如图2所示，本实施例提供一种车辆周边行人危险等级预测系统，包括离线危险等级预测器训练部分和在线危险等级预测部分。
其中，离线训练部分包括车辆周边信息在线采集模块、行人特征参数提取模块、行人轨迹拟合器训练模块、行人危险程度识别器训练模块。
车辆周边信息采集模块，用于采集车辆第一视角下的周边环境信息。
具体的，通过图像采集装置，如架设在车辆前挡风玻璃处的车载摄像头，采集车辆周边图像信息；通过架设在车辆顶部的激光雷达，采集车辆周边3d点云信息。
行人特征参数提取模块，用于根据采集的车辆周边环境信息，提取行人特征参数s，行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc。对于任意时间节点t，得到行人t-tobs至t时间段内的特征参数集合
具体的，使用预设的传感器融合算法，根据采集的图像和3d点云信息，获得不同行人在不同时间段内的空间位置p＝(x,y)；根据所得行人空间位置p＝(x,y)，使用预设的算法计算行人相对数据采集车的移动速度v＝(vx,vy)；根据所得行人空间位置p＝(x,y)、移动速度v＝(vx,vy)，使用预设的算法估计行人相对于本车的碰撞时间ttc。
行人轨迹拟合器训练模块，用于根据提取得到的行人特征参数
行人危险程度识别器训练模块，用于根据提取得到的行人特征参数s，用数据驱动方法进行数据聚类分析，对数据进行分类，得到具有不同特征参数的k类行人，不同类别的行人所具有的危险等级不同。聚类结果用标签l∈{r1,r2,...rk}来表示，其中{r1,r2,...rk}分别对应不同的危险等级。根据聚类结果，以行人特征参数s为输入，对应的危险等级l为输出，训练行人危险等级识别器
在线危险等级预测部分包括车辆周边信息在线采集模块、行人特征参数提取模块、行人轨迹预测模块、行人危险程度预测模块。
车辆周边信息采集模块，用于在线采集车辆第一视角下的周边环境信息；
具体的，通过图像采集装置，如架设在车辆前挡风玻璃处的车载摄像头，采集车辆周边图像信息；通过架设在车辆顶部的激光雷达，采集车辆周边3d点云信息。
行人特征参数提取模块，用于根据采集的车辆周边环境信息，提取行人特征参数s，行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc。对于任意时间节点t，得到行人t-tobs至t时间段内的特征参数集合
具体的，使用预设的传感器融合算法，根据采集的图像和3d点云信息，获得不同行人在不同时间段内的空间位置p＝(x,y)；根据所得行人空间位置p＝(x,y)，使用预设的算法计算行人相对数据采集车的移动速度v＝(vx,vy)；根据所得行人空间位置p＝(x,y)、移动速度v＝(vx,vy)，使用预设的算法估计行人相对于本车的碰撞时间ttc。
行人轨迹预测模块，通过行人轨迹拟合器
具体的，将所述行人特征参数
行人危险程度识别模块，用于根据预测得到的行人移动轨迹
本发明实施例中，所述的危险程度等级包括但不限于为：低风险、中等风险、高风险、超高风险。
需要说明的是，上述实施例之间，其相同或相似之处可相互借鉴。尤其对于系统实施例而言，由于其基本相似与方法实施例，所以，描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种车辆周边行人危险等级预测方法，其特征在于：包括离线危险等级预测器训练和在线危险等级预测两个部分；
离线危险等级预测器训练包括以下步骤，
使用车载传感器，采集车辆第一视角下的周边环境信息；
根据采集的所述第一视角车辆周边环境信息，提取行人特征参数s；行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc；由于第一视角下取得的行人相对车辆位置、速度变化取决于车辆和行人的合运动，该相对位置和速度的变化隐含了车辆和行人在不同情况下的交互行为；
根据提取得到的行人特征参数s，对于任意时间节点t，以t-tobs至t时间段内的特征参数集合
根据提取得到的行人特征参数s，用数据驱动方法进行数据聚类分析，对数据进行分类，通过不断优化聚类类别数k及分类的相关参数p，使具有相似特征参数的行人聚到同一类别，具有不同特征参数的行人尽可能远离，最后得到具有不同特征参数的k类行人，不同类别的行人所具有的危险等级不同；聚类结果用标签l∈{r1,r2,...rk}来表示，其中{r1,r2,...rk}分别对应不同的危险等级；根据聚类结果，以行人特征参数s为输入，对应的危险等级l为输出，训练行人危险等级识别器
在线危险等级预测包括以下步骤，
当车辆行驶在道路上时，使用车载传感器，在线采集车辆第一视角下的周边环境信息；
根据采集的所述第一视角车辆周边环境信息，提取行人特征参数s；行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc；由于第一视角下取得的行人相对车辆位置、速度变化取决于车辆和行人的合运动，该相对位置和速度的变化隐含了车辆和行人在不同情况下的交互行为；对于任意时间节点t，获得行人t-tobs至t时间段内的特征参数集合
将获得的行人特征参数集合
在行人轨迹拟合器f中，使用数据驱动的时序网络建模方法实现长时轨迹预测，降低传统轨迹预测方法中复杂的动力学建模的计算成本，缩短预测时长；在行人危险等级识别器g中，结合行人轨迹拟合器f预测得到的行人轨迹，采用数据驱动的聚类分析方法对行人危险等级进行划分和判别，避免传统危险判定方法中通过人为划分参数范围来判定危险等级可能带来的不确定性，在降低计算量的同时，保证行人危险程度的预测的可靠性，提高行人危险等级识别效率。
2.如权利要求1所述的一种车辆周边行人危险等级预测而方法，其特征在于：所识别出的行人危险等级有助于驾驶员或无人驾驶系统理解行车过程中周边行人的行为意图，帮助驾驶员或无人驾驶系统预估当前情况下行人和车辆的碰撞风险，从而为调整行车策略提供依据，以规避行车风险，提升驾驶安全性。
3.如权利要求1或2所述的一种车辆周边行人危险等级预测而方法，其特征在于：通过车载图像采集装置采集车辆周边图像信息，通过激光雷达采集3d点云信息。
4.如权利要求1或2所述的一种车辆周边行人危险等级预测而方法，其特征在于：所述时序网络为循环神经网络或长短期记忆神经网络。
5.如权利要求1或2所述的一种车辆周边行人危险等级预测而方法，其特征在于：所述数据聚类方法为k-means或谱聚类，所述危险等级识别器为支持向量机或核函数支持向量机。
6.一种车辆周边行人危险等级预测系统，其特征在于：包括离线危险等级预测器训练部分和在线危险等级预测部分；
其中，离线训练部分包括车辆周边信息采集模块、行人特征参数提取模块、行人轨迹拟合器训练模块、行人危险程度识别器训练模块；
所述车辆周边信息采集模块，用于采集车辆第一视角下的周边环境信息；
所述行人特征参数提取模块，用于根据采集的车辆周边环境信息，提取行人特征参数s，行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc；对于任意时间节点t，得到行人t-tobs至t时间段内的特征参数集合
所述行人轨迹拟合器训练模块，用于根据提取得到的行人特征参数
所述行人危险程度识别器训练模块，用于根据提取得到的行人特征参数s，用数据驱动方法进行数据聚类分析，对数据进行分类，得到具有不同特征参数的k类行人，不同类别的行人所具有的危险等级不同；聚类结果用标签l∈{r1,r2,...rk}来表示，其中{r1,r2,...rk}分别对应不同的危险等级；根据聚类结果，以行人特征参数s为输入，对应的危险等级l为输出，训练行人危险等级识别器
在线危险等级预测部分包括车辆周边信息在线采集模块、行人特征参数提取模块、行人轨迹预测模块、行人危险程度预测模块；
所述车辆周边信息在线采集模块，用于在线采集车辆第一视角下的周边环境信息；
所述行人特征参数提取模块，用于根据采集的车辆周边环境信息，提取行人特征参数s，行人特征参数s包括但不限于行人相对车辆位置p＝(x,y)、相对车辆移动速度v＝(vx,vy)、估计碰撞时间ttc；对于任意时间节点t，得到行人t-tobs至t时间段内的特征参数集合
所述行人轨迹预测模块，用于根据特征参数集合
所述行人危险程度预测模块，用于根据预测得到的行人移动轨迹
7.如权利要求6所述的一种车辆周边行人危险等级预测系统，其特征在于：所述时序网络为循环神经网络或长短期记忆神经网络。
8.如权利要求6所述的一种车辆周边行人危险等级预测系统，其特征在于：所述数据聚类方法为k-means或谱聚类，所述危险等级识别器为支持向量机或核函数支持向量机。
技术总结