本發(fā)明涉及發(fā)動機怠速起?？刂萍夹g(shù)領(lǐng)域，尤其涉及信號燈倒計時時間識別和智能控制系統(tǒng)的自學(xué)習(xí)性。

背景技術(shù)：

隨著車輛排放標(biāo)準(zhǔn)越來越嚴(yán)格，很多車輛為了滿足標(biāo)準(zhǔn)都安裝了自動起停系統(tǒng)。在NEDC(New European Driving Cycle)工況下，自動起停系統(tǒng)的節(jié)油率能夠達到3.37％-5.04％。NEDC是歐洲油耗及排放評定標(biāo)準(zhǔn)，如今國內(nèi)的汽車企業(yè)，在評價開發(fā)車型相對同級別其他競爭車型的燃油經(jīng)濟性優(yōu)劣時，也通常采用NEDC循環(huán)工況油耗來進行對比分析。但是在國內(nèi)，與NEDC工況不同，車輛主體以私家車為主，主要用于上下班出行，絕大部分時間都行駛于城市道路。城市道路上設(shè)置了密集的信號燈，導(dǎo)致車輛頻繁地怠速起停。頻繁地怠速起停帶來了很多負(fù)面影響：1)車載電氣系統(tǒng)的故障率明顯增高；2)嚴(yán)重縮短蓄電池的使用壽命；3)大大加劇起動機的磨損；4)短時間怠速，啟動發(fā)動機將比怠速帶來更多的燃油消耗。有學(xué)者研究表示，一臺排量1489mL、直列4缸16氣門的發(fā)動機，怠速時的油耗是0.18mL/s，啟動一次發(fā)動機的油耗為1.2mL，怠速時間6.7s以上才能節(jié)約燃油消耗，這也就意味著大量的紅綠燈導(dǎo)致的短時怠速起停發(fā)動機造成了更大的燃油消耗。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有的自動起停技術(shù)的不足，提供了一種基于信號燈倒計時識別的自學(xué)習(xí)智能怠起停系統(tǒng)，能夠綜合考慮交通信號燈的倒計時時間和汽車運行工況數(shù)據(jù)判斷汽車在紅燈前的怠速時間，并能夠在實際的應(yīng)用中，根據(jù)不同交通環(huán)境和當(dāng)前駕駛?cè)说鸟{駛習(xí)慣進行自學(xué)習(xí)，適應(yīng)多變的環(huán)境和不同駕駛員的駕駛習(xí)慣。

本發(fā)明包括數(shù)據(jù)采集及預(yù)處理模塊、交通信號燈倒計時數(shù)據(jù)識別模塊、智能起?？刂颇K和自學(xué)習(xí)模塊；

數(shù)據(jù)采集及預(yù)處理模塊在各種不同的交通環(huán)境下采集車前方交通場景視頻和速度時間序列數(shù)據(jù)；

交通信號燈倒計時數(shù)據(jù)識別模塊檢測出信號燈倒計時的位置，并識別出倒計時的顏色和數(shù)字；

智能起停控制模塊根據(jù)當(dāng)前車輛的速度與車輛和信號燈之間的距離，預(yù)測車輛到達信號燈前的時間，并根據(jù)倒計時數(shù)字信息，使用智能起停控制算法判斷車輛是否需要關(guān)閉發(fā)動機；

自學(xué)習(xí)模塊，實際的交通場景復(fù)雜多變，在每次預(yù)測后，將根據(jù)實際的情況存儲數(shù)據(jù)，并在積累一定的數(shù)據(jù)后，重新訓(xùn)練模型，使用新的模型完成控制算法的判斷。

所述的數(shù)據(jù)采集及預(yù)處理模塊在各種不同交通環(huán)境下采集車前方交通場景視頻和速度時間序列數(shù)據(jù)；對惡劣天氣圖像使用暗通道假設(shè)，向?qū)V波等進行圖像預(yù)處理；對預(yù)處理后視頻圖像轉(zhuǎn)換成等尺寸圖像，并與速度時間序列一一對應(yīng)。

所述的交通信號燈倒計時數(shù)據(jù)識別模塊對信號燈倒計時檢測，通過對不同顏色空間的通道分量設(shè)定閾值獲得信號燈倒計時的候選區(qū)域，并通過大小、位置、形狀信息對候選區(qū)域進行篩選，并通過機器學(xué)習(xí)算法確定候選區(qū)域中的倒計時信號燈的位置；信號燈倒計時數(shù)字識別，根據(jù)信號燈倒計時的位置截取信號燈圖像，并將兩位倒計時數(shù)字分成兩幅個位數(shù)字圖像，并通過機器學(xué)習(xí)算法識別出數(shù)字。

所述的智能起?？刂颇K預(yù)測從識別出信號燈倒計時起車輛到達停止線的時間，由于信號燈的安裝都遵循道路交通信號燈設(shè)置與安裝規(guī)范(國標(biāo)GB14886-2006)，所以信號燈倒計時實際裝置的大小是確定的，在圖像中可以檢測出信號燈的大小，并根據(jù)車輛的速度計算車輛當(dāng)前距離倒計時停止線的距離，并結(jié)合速度信息預(yù)測到達停止線的時間；根據(jù)控制算法判斷車輛是否需要停止發(fā)動機，如遇紅燈，識別出的倒計時時間與預(yù)測的差值小于6s，則不需要停止發(fā)動機，如遇綠燈，別出的倒計時時間與預(yù)測的差值小于0，則需要停止發(fā)動機。

所述的自學(xué)習(xí)模塊車輛到達停止線預(yù)測時間的判斷及存儲，在預(yù)測的結(jié)果中，信號燈與停止線之間的距離是根據(jù)馬路寬度隨機變化，是不可知量，為了盡量較少它對預(yù)測結(jié)果的影響，系統(tǒng)增加了自學(xué)習(xí)模塊，每次存儲實際停止的時間和圖像；重新訓(xùn)練模型，當(dāng)存儲數(shù)據(jù)累計到一定數(shù)量時，重新訓(xùn)練模型，并使用新的模型預(yù)測車輛到達停止線的時間。

本發(fā)明的有益效果：

能夠綜合考慮交通信號燈的倒計時時間和汽車運行工況數(shù)據(jù)判斷汽車在紅燈前的怠速時間，并能夠在實際的應(yīng)用中，根據(jù)不同交通環(huán)境和當(dāng)前駕駛?cè)说鸟{駛習(xí)慣進行自學(xué)習(xí)，適應(yīng)多變的環(huán)境和不同駕駛員的駕駛習(xí)慣。

附圖說明

圖1是本發(fā)明中系統(tǒng)流程圖。

圖2是本發(fā)明中交通信號燈倒計時識別流程圖。

圖3是車輛與信號燈之間距離計算說明圖。

圖4是本發(fā)明中控制起停策略流程圖。

圖5是本發(fā)明中結(jié)果判定策略流程圖。

圖6本發(fā)明的實施例中支持向量機模型的結(jié)構(gòu)示意圖。

圖7是本發(fā)明中自學(xué)習(xí)模塊流程圖。

具體實施方式

參見圖1，本發(fā)明包括以下步驟：

首先，利用計算機視覺知識，使用圖像檢測和識別方法，實時識別出當(dāng)前視頻幀中的信號燈倒計時的顏色和數(shù)字。本發(fā)明中的視頻幀圖像是由視頻采集裝置實時采集，并實時進行處理。信號燈信息的采集及處理流程詳見圖2。將原始的RGB彩色圖像分別轉(zhuǎn)換為LAB彩色空間和HSV彩色空間，并通過同時對LAB的A通道，HSV的H通道以及RGB空間的G通道與R通道的差值設(shè)定閾值來選定候選區(qū)域。采用公式如下：

conditions:H(a,b)∈(th_Hmin,th_Hmax)|A(a,b)∈(th_Amin,th_Amax)|R(a,b)-G(a,b)＞th_RG

其中，I(a,b)表示圖像中的像素值，th_Hmin和th_Hmax為H(HSV)通道的閾值，th_Amin和th_Amax為A(Lab)通道的閾值，th_RG為R(RGB)通道與G(RGB)通道差值的閾值。使用顏色獲取候選區(qū)域后，通過大小、形狀和位置信息進行篩選，將篩選后的候選區(qū)域輸入支持向量機模型，通過二分類方法判斷是否為信號燈倒計時區(qū)域。截取出最終確定的信號燈倒計時區(qū)域，并將兩位數(shù)圖像拆分成兩幅一位數(shù)的圖像，并通過支持向量機分類器，使用OVA算法完成信號燈數(shù)字的多分類(總計10個類別0-9)。

然后，計算車輛與信號燈之間的距離，并結(jié)合車速等信息，根據(jù)起?？刂撇呗钥刂破鹜?。如圖3所示，為t時刻車輛與最近的信號燈之間的距離，f為攝像頭的視野寬度，w_s為信號燈板的長度，是圖像的寬度，為真實場景下信號燈的寬度η。根據(jù)如下公式，可以計算出車輛與信號燈之間的距離

綜合考慮車輛的速度、車輛與信號燈之間的距離以及信號燈倒計時時間，根據(jù)起停控制策略控制車輛起停，具體控制策略參見圖4。其中T_predict的計算方式如下：

為車輛當(dāng)前位置與信號燈之間的距離，d_{before_marking}為預(yù)測的停止線與信號燈之間的距離，預(yù)測是通過對當(dāng)前圖像中的交通場景分類完成的，分類方法同樣采用支持向量機。當(dāng)信號燈倒計時為綠色時：1)如果信號燈倒計時時間T_light大于T_predict，即車輛能夠綠燈時間內(nèi)駛過信號燈，則無需停止發(fā)動機；2)如果信號燈倒計時時間T_light小于T_predict，即車輛無法在綠燈時間內(nèi)駛過路口，信號燈變成紅色后，則許重新判斷是否起停。當(dāng)信號燈為紅色時：1)當(dāng)T_light與T_predict的差值大于閾值時，關(guān)閉發(fā)動機并在(T_light-T_predict)時長后啟動發(fā)動機；2)當(dāng)T_light與T_predict的差值小于閾值時，保持怠速狀態(tài)無需關(guān)閉發(fā)動機。

在完成一次起停操作后，系統(tǒng)將根據(jù)實際的運行工況，判斷本次起?？刂频臏?zhǔn)確性，并將正確結(jié)果保存用于自學(xué)習(xí)。在真實環(huán)境的實驗表明，信號燈倒計時識別的準(zhǔn)確率較高，能夠達到要求，所以影響起?？刂茰?zhǔn)確率較大的是對d_{before_marking}的預(yù)測。因此自學(xué)習(xí)模塊也是針對d_{before_marking}的預(yù)測模型完成自學(xué)習(xí)。自學(xué)習(xí)模塊一共分為三步：d_{before_marking}預(yù)測模型結(jié)果判斷；存儲正確的結(jié)果；重新訓(xùn)練模型。d_{before_marking}預(yù)測模型結(jié)果判斷策略參見圖5。如果T_real與T_predict之間的差值的絕對值在設(shè)定的閾值范圍內(nèi)，則認(rèn)為d_{before_marking}預(yù)測結(jié)果正確；(T_real-T_predict)大于設(shè)定閾值，則d_{before_marking}＝(T_predict-T_real)*v；(T_predict-T_real)大于設(shè)定閾值，則d_{before_marking}＝(T_real-T_predict)*v。這個閾值設(shè)定是考慮到不同駕駛員在發(fā)動機啟動與移動車輛會有一定時間上的延遲，即使預(yù)測完全準(zhǔn)確的情況下，預(yù)測的時間和實際操作的時間也不一定完全一致，所以需要設(shè)定這一閾值。在對預(yù)測結(jié)果判定后，將如圖7所示完成自學(xué)習(xí)過程，如果預(yù)判準(zhǔn)確則保存預(yù)判的結(jié)果，如果不準(zhǔn)確則保存校對后的結(jié)果。到存儲量達到存儲閾值后，將重新完成支持向量機模型的訓(xùn)練，訓(xùn)練過程如圖6所示。

綜上，本發(fā)明提供的技術(shù)方案，怠速停車時長和信號燈的狀態(tài)考慮為控制發(fā)動機停機的因素，綜合考慮車況、駕駛員需求及路況信息，實現(xiàn)對發(fā)動機的直接起停控制，從而進一步提高發(fā)動機怠速起?？刂频闹悄芑瑴p少不必要的停機操作，避免因頻繁起動造成的發(fā)動機燃油消耗率和排放性能的不良影響，有效提高機動車的燃油經(jīng)濟性，減少尾氣排放。而且本發(fā)明提出的自學(xué)習(xí)方法，能夠在系統(tǒng)的使用過程中，通過自學(xué)習(xí)方法更加適應(yīng)當(dāng)前路況和當(dāng)前駕駛員的需求。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。