自动驾驶技术在人工智能和汽车行业的飞速发展下逐步成为业界焦点,但现有技术仍未成熟,尤其是实现高精度、实时的行人检测具有一定难度。机动车行驶过程中,及时发现车前行人并对驾驶员做出预警是保证行人安全关键的技术。因此,车载环境下人—车碰撞风险预警对于提升行人交通安全和促进自动驾驶技术的成熟具有很大的研究意义。本文基于突变理论、以突变级数法和交通事故分析原则作为依据,提出一种动态系数的人车碰撞风险实时预警模型,并以车载视频作为主要数据验证模型的可行性和可靠性。首先,运用视频分析技术,结合道路条件下行人数据集,对CSPDarknet53网络权重进一步优化训练,再对车载摄像头进行人工标定,最后对车载视频中的行人进行检测与测距,实验表明,在光照条件良好,近距离条件下行人检测平均精度达95%,25m内行人测距误差也在实验允许范围内。其次,从车载视频图像分析及车辆仪表等设备中实时获取车辆动态基本参数,例如行人距离车辆的距离、角度、车辆时速等,对各项参数标准化处理与关联度分析;针对位于道路两侧的行人,建立行人过街决策概率Binary Logistic模型;基于突变级数法建立碰撞系数模型,构建人车碰撞风险实时预警模型,并将基本参数划分为不同区间代入模型,得出人车碰撞风险实时预警阈值。最后,通过车载视频采集街道信息,将具体实例与Matlab模拟行人分布结合,对人车碰撞风险预警模型进行验证,将模型结果与TC＆CS风险矩阵判定结果、利用Beam NGdrive仿真的人工判定结果进行对比。结果表明,该模型准确率达到88%,且符合安全导向原则。该模型不仅避免了传统模型系数所造成的主观性,而且相比于传统模型有更好的适用性。统计实验中所有实例结果,通过分析四项特征系数占比,画出高风险行人热力图,发现距离特征和角度特征是高风险碰撞的主要因素,在距离15～20m处的行人由于对远距离车辆速度感知不强烈,且车辆相对速度较高,此时更易发生严重的人—车碰撞事故。