1.一种基于动态图像感知的交叉口盲区预警方法，其特征在于，所述方法包括：获取动态视觉传感器采集的交叉口盲区的道路交通信息，记为原始交通点云数据；

对所述原始交通点云数据进行预处理，获得滤噪交通点云数据；

对所述滤噪交通点云数据进行聚类分析，得到车辆和行人目标；

对所述车辆和行人目标进行分类，区分得到车辆目标和行人目标；

跟踪所述车辆目标，提取所述车辆目标的运动状态，所述车辆目标的运动状态包括实时速度和所述车辆目标与路口之间的距离；

根据所述车辆目标的运动状态与碰撞危险等级设定阈值判断车辆的碰撞危险等级；

将所述车辆目标的运动状态和所述车辆的碰撞危险等级发布至驾驶人。

2.根据权利要求1所述的基于动态图像感知的交叉口盲区预警方法，其特征在于，所述对所述滤噪交通点云数据进行聚类分析，得到车辆和行人目标，具体包括：样本相似性度量：设所述滤噪交通点云数据的样本集为D＝((x1,y1),(x2,y2),...,(xm,ym))，用欧氏距离计算样本点与聚类中心点之间的相似度，所述欧氏距离公式为其中，(xm,ym)表示第m个样本点的坐标；

将所述相似度最大的样本点归为一类，形成簇样本集合；

更新簇样本进行簇划分：对所述簇样本进行迭代计算，迭代至设定最大迭代次数或设定阈值，更新当前簇样本集合，输出结果簇划分目标集，即为车辆和行人目标簇。

3.根据权利要求2所述的基于动态图像感知的交叉口盲区预警方法，其特征在于，所述对所述车辆和行人目标进行分类，区分得到车辆目标和行人目标，具体包括：提取输入神经网络的输入层的样本特征：所述样本特征包括所述车辆和行人目标簇中的目标中心点到基准点的相对距离、所述车辆和行人目标簇的样本点数、所述目标中心点所在图像的位置区间和所述车辆和行人目标簇对应的最小外接矩形的长宽比；其中，所述基准点为所述动态视觉传感器在坐标系中的位置；

将所述样本特征输入所述神经网络的输入层；

利用信息前向传播、误差反向传播，将误差展开到所述神经网络的隐藏层、输出层；

由求导的链式法则，对输出层、隐藏层神经元的权重参数求偏导，进行权重参数更新，输出层和隐藏层的偏置参数更新，反复进行学习，最终输出车辆目标分类与行人目标分类。

4.根据权利要求3所述的基于动态图像感知的交叉口盲区预警方法，其特征在于，所述提取输入神经网络的输入层的样本特征，具体包括：利用公式 计算所述车辆和行人目标簇中的目标中心点(xc,yc)到基准点(xo,0)的相对距离L；其中，所述基准点为所述动态视觉传感器在坐标系中的位置；

确定所述车辆和行人目标簇的样本点数；

根据实际交叉口道路场景对机动车道、非机动车道、人行道等在所述动态视觉传感器采集的图像中的位置进行标定，划分位置区间，并以不同代码进行表示，确定所述目标中心点所在图像的位置区间；

在所述图像中对所述车辆和行人目标簇构建最小外接矩形，最小外接矩形长宽比为以像素点数所表示的外接矩形长度与宽度之比。

5.根据权利要求3所述的基于动态图像感知的交叉口盲区预警方法，其特征在于，所述跟踪所述车辆目标，提取所述车辆目标的运动状态，具体包括：利用状态向量、观测向量建立观测模型；根据视频大小、车辆运行情况，设定过程噪声、量测噪声、估计误差的协方差Q、R、P，其中过程噪声的协方差Q比量测噪声的协方差R大；所述状态变量设为目标中心点位置坐标(x,y)及其变化率(Δx，Δy)、外接矩形的长宽(w,h)及其变化率(Δw，Δh)组成的八维向量，所述观测向量为目标中心点位置(x,y)和外接矩形长宽(w,h)组成的4维向量；所述状态向量和所述观测向量分别表示为：xk＝(x,y,w,h,Δx,Δy,Δw,Δh)

zk＝(x,y,w,h)

将目标中心点的相对移动距离和外接矩形的面积作为匹配特征，进行匹配检测；设第k帧图像中的第i个跟踪目标中心点为 面积为 第k+1帧图像中检测到的第j个目标中心点为 面积为 则匹配目标应满足：其中JO表示目标点匹配阈值，JS表示外接矩形面积匹配阈值；

当所述目标中心点满足匹配条件时，确定目标中心点在两帧图像中的像素坐标，计算相邻两帧目标中心点在实际道路中的间隔距离，根据所述间隔距离和相邻两帧图像的采样时间间隔计算目标车辆移动速度。

6.根据权利要求5所述的基于动态图像感知的交叉口盲区预警方法，其特征在于，所述计算相邻两帧目标中心点在实际道路中的间隔距离具体包括：对实际道路长度进行测量标定；

根据所述动态视觉传感器采集的道路几何结构与点云数据图像之间的透视关系，建立统一坐标系；

进行实际道路长度与点云坐标转换与匹配；

在不同像素点条件下的计算目标中心点在实际道路中的实际距离。

7.根据权利要求5所述的基于动态图像感知的交叉口盲区预警方法，其特征在于，所述根据所述车辆目标的运动状态与碰撞危险等级设定阈值判断车辆的碰撞危险等级，具体包括：分别利用公式v2-0＝2a1l1和v2-0＝2a2l2计算碰撞危险等级设定阈值l1、l2；其中v目标车辆移动速度，a1为目标车辆最大减速度，a2为目标车辆平均减速度；

当l2＜l时，判定目标车辆距离路口足够远，预警等级为安全，不会对行驶车辆产生影响；l为车辆目标距路口实时距离；

当l1＜l＜l2时，判定前方有来车，且在到达路口前有能够长的距离进行制动停车，预警等级为警告；

当l1＞l时，判定前方来车，且在到达路口前，按照最大减速度刹车仍不能保证在到达路口前停车，预警等级为危险。

8.一种基于动态图像感知的交叉口盲区预警系统，其特征在于，所述系统包括：数据获取模块，用于获取动态视觉传感器采集的交叉口盲区的道路交通信息，记为原始交通点云数据；

预处理模块，用于对所述原始交通点云数据进行预处理，获得滤噪交通点云数据；

目标识别模块，用于对所述滤噪交通点云数据进行聚类分析，得到车辆和行人目标；

目标分类模块，用于对所述车辆和行人目标进行分类，区分得到车辆目标和行人目标；

目标跟踪模块，用于跟踪所述车辆目标，提取所述车辆目标的运动状态，所述车辆目标的运动状态包括实时速度和所述车辆目标与路口之间的距离；

危险等级判别模块，用于根据所述车辆目标的运动状态与碰撞危险等级设定阈值判断车辆的碰撞危险等级；

预警模块，用于将所述车辆目标的运动状态和所述车辆的碰撞危险等级发布至驾驶人。

9.根据权利要求8所述的基于动态图像感知的交叉口盲区预警系统，其特征在于，所述目标识别模块具体包括：相似度计算子模块，用于样本相似性度量：设所述滤噪交通点云数据的样本集为D＝((x1,y1),(x2,y2),...,(xm,ym))，用欧氏距离计算样本点与聚类中心点之间的相似度，所述欧氏距离公式为 其中，(xm,ym)表示第m个样本点的坐标；

归类子模块，用于将所述相似度最大的样本点归为一类，形成簇样本集合；

类别划分子模块，用于更新簇样本进行簇划分：对所述簇样本进行迭代计算，迭代至设定最大迭代次数或设定阈值，更新当前簇样本集合，输出结果簇划分目标集，即为车辆和行人目标簇。

10.根据权利要求9所述的基于动态图像感知的交叉口盲区预警系统，其特征在于，所述目标分类模块具体包括：样本特征提取子模块，用于提取输入神经网络的输入层的样本特征：所述样本特征包括所述车辆和行人目标簇中的目标中心点到基准点的相对距离、所述车辆和行人目标簇的样本点数、所述目标中心点所在图像的位置区间和所述车辆和行人目标簇对应的最小外接矩形的长宽比；其中，所述基准点为所述动态视觉传感器在坐标系中的位置；

输入子模块，用于将所述样本特征输入所述神经网络的输入层；

建模子模块，用于利用信息前向传播、误差反向传播，将误差展开到所述神经网络的隐藏层、输出层；

训练子模块，用于由求导的链式法则，对输出层、隐藏层神经元的权重参数求偏导，进行权重参数更新，输出层和隐藏层的偏置参数更新，反复进行学习，最终输出车辆目标分类与行人目标分类。