·758· 智能系统学报 第14卷 根据图8所示数据对提出的碰撞预警方法进 X,distance0.7m;行人P2与车辆的纵向距离 行分析：1)视频开始处车辆驶入路口准备左转， Y2 distance~8m,横向距离X,_distance~2m。3)在 此时未检测到前方行人，驾驶员头部水平转角 28~30s时间段，驾驶员头部水平转角(yaw)最大 (yaw)在-12°-10°之间，此时不存在风险。2)在 达到28°，驾驶员注意力集中于道路右侧。与此 18~20s时间段，驾驶员出现注意力不集中情况， 同时，道路图像中检测到行人P,其纵向距离 头部水平转角(yaw)最大达到-30°，此时驾驶员 Y,distance~2m,横向距离X,distance4.5m. 头部朝向左侧。在同一时间段的道路图像序列中 取行人的纵向距离Y distance与横向距离 检测到2个行人，分别记为P,与P2。行人P,与 Y_distance,驾驶员头部水平转角yaw3个输入参 车辆的纵向距离Y,distance≈20m,横向距离 数构建模糊推理系统，如图9所示。 输人 1.0[close med far 0.5 0 2 4 68101214161820 输人变量“Y distance 行人纵向距离m 输出 mid high veryhigh 1.0[close 1.0 Dlow med far 模糊推理系统 0.5 0.5 Mandani规则 质心法去模糊化 0 0.10.30.30.40.50.60.70.80.91.0 00.51.01.52.02.53.03.54.04.55.0 输H变量“Risk Level' input variable"X distance' 碰撞风险等级 行人横向距离/m 1.0 fleft center right 051 -20-100 102030 input variable“Ydistance” 驾驶员头部水平转角() 图93个输入(Y_distance,Y_distance,.Yaw)的模糊推理系统 Fig.9 Fuzzy inference system of three inputs(Y_distance,X_distance,Yaw) 通过模糊推理得到的碰撞风险等级解模糊平为=30s时的解模糊平面，模糊推理系统的输出 面如图10所示。图10()为=19s时的解模糊平为0.1195，由此得到的碰撞风险等级为低风险 面，模糊推理系统对行人P1的输出为0.1266，判 low-risk)。在Core i5CPU.8 GB RAM,GTX1060 断为低风险(Iow-sk)等级，对行人P2的输出为GPU运行环境下，该碰撞预警系统可以达到4~ 0.6471,判断为高风险(high-risk)等级。图10(b) 5s的运行速度，基本可以满足实时性的要求。 0.8 0.6 0.7 0.5 0.6 0.4 0.3 0.3 0.2 0.2 30 2010 10 10 -10-203020 Yaw Y distance 15 15 2054 X distance (a)=19s (b)=30s 图10碰撞风险等级的解模糊平面 Fig.10 Defuzzified surface of the collision risk level 结合图7中道路与驾驶员图像，分析系统对 息表明驾驶员视线落在车辆左边区域，无法有效 于风险判断的有效性：1)在19s处，车辆内部信 掌握前方路况信息，因而处于危险状态；车辆外根据图 8 所示数据对提出的碰撞预警方法进 行分析：1) 视频开始处车辆驶入路口准备左转， 此时未检测到前方行人，驾驶员头部水平转角 (yaw) 在−12°~−10°之间，此时不存在风险。2) 在 18~20 s 时间段，驾驶员出现注意力不集中情况， 头部水平转角 (yaw) 最大达到−30°，此时驾驶员 头部朝向左侧。在同一时间段的道路图像序列中 检测到 2 个行人，分别记为 P1 与 P2。行人 P1 与 车辆的纵向距离 Y1 _distance≈20 m，横向距离 X1 _distance≈0.7 m；行人 P2 与车辆的纵向距离 Y2_distance≈8 m，横向距离 X2_distance≈2 m。3) 在 28~30 s 时间段，驾驶员头部水平转角 (yaw) 最大 达到 28°，驾驶员注意力集中于道路右侧。与此 同时，道路图像中检测到行人 P1，其纵向距离 Y1_distance≈2 m，横向距离 X1_distance≈4.5 m。 取行人的纵向距离 Y_distance 与横向距离 X_distance，驾驶员头部水平转角 yaw 3 个输入参 数构建模糊推理系统，如图 9 所示。 输入 模糊推理系统 Mandani 规则 质心法去模糊化 行人纵向距离/m 行人横向距离/m 驾驶员头部水平转角/(°) 1.0 close 输入变量 “Y_distance” med far 0.5 0 ２ 4 6 8 10 12 14 16 18 20 close med far 1.0 input variable “X_distance” 0.5 0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 1.0 input variable “X_distance” 0.5 0 −13 −20 −10 0 10 20 30 left center right 输出 碰撞风险等级 1.0 输出变量 “Risk_Level” 0.5 0 0.1 0.3 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 low mid high veryhigh 图 9 3 个输入 (Y_distance, X_distance, Yaw) 的模糊推理系统 Fig. 9 Fuzzy inference system of three inputs (Y_distance, X_distance, Yaw) 通过模糊推理得到的碰撞风险等级解模糊平 面如图 10 所示。图 10(a) 为 t=19 s 时的解模糊平 面，模糊推理系统对行人 P1 的输出为 0.126 6，判 断为低风险 (low-risk) 等级，对行人 P2 的输出为 0.647 1，判断为高风险 (high-risk) 等级。图 10(b) 为 t=30 s 时的解模糊平面，模糊推理系统的输出 为 0.119 5，由此得到的碰撞风险等级为低风险 (low-risk)。在 Core i5 CPU，8 GB RAM，GTX1060 GPU 运行环境下，该碰撞预警系统可以达到 4~ 5 f/s 的运行速度，基本可以满足实时性的要求。 (a) t=19 s 0 30 0.2 5 0.3 20 P1 0.4 Risk Y_distance 10 10 0.5 Yaw 0 0.6 −10 15 −20−30 20 P2 (b) t=30 s 0.2 0 0.3 0.4 0.5 Risk0.6 5 0 0.7 P1 0.8 1 Y_distance 10 2 X_distance 15 3 4 20 5 图 10 碰撞风险等级的解模糊平面 Fig. 10 Defuzzified surface of the collision risk level 结合图 7 中道路与驾驶员图像，分析系统对 于风险判断的有效性：1) 在 19 s 处，车辆内部信 息表明驾驶员视线落在车辆左边区域，无法有效 掌握前方路况信息，因而处于危险状态；车辆外 ·758· 智 能 系 统 学 报 第 14 卷