CN104670155B - 基于云端车联网的车辆防盗报警系统 - Google Patents
基于云端车联网的车辆防盗报警系统 Download PDFInfo
- Publication number
- CN104670155B CN104670155B CN201510067926.7A CN201510067926A CN104670155B CN 104670155 B CN104670155 B CN 104670155B CN 201510067926 A CN201510067926 A CN 201510067926A CN 104670155 B CN104670155 B CN 104670155B
- Authority
- CN
- China
- Prior art keywords
- theft
- vehicle
- data
- clouds
- car networking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
- B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
- B60R25/102—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device a signal being sent to a remote location, e.g. a radio signal being transmitted to a police station, a security company or the owner
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/40—Support for services or applications
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Burglar Alarm Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于云端车联网的车辆防盗报警系统,包括云端车联网系统和本地车辆防盗系统;所述本地车辆防盗系统包括传感器系统、控制系统、本地预警系统和远程报警系统;所述传感器系统用于实时采集车辆防盗预警数据;所述控制系统用于获取所述车辆防盗预警数据并将所述采集车辆防盗预警数据传送至云端车联网系统,并根据云端车联网系统返回的车辆防盗判断数据控制本地预警系统和/或远程报警系统发出报警信号,或根据所述车辆防盗预警数据控制本地预警系统和/或远程报警系统发出报警信号。本发明借用云端车联网的进行海量车辆异常数据的采集、分析以及深度学习,形成车辆犯罪模式分类器,与传统的本地异常检测相比能有效的提高检测准确率。
Description
技术领域
本发明涉及车辆防盗系统,具体地,涉及一种基于云端车联网的车辆防盗报警系统。
背景技术
现有的车辆防盗产品主要采用的是单一传感器判断异常情况的方法,其明显的不足在于检测的可靠性较差,往往存在误报率较高的问题。而目前基于多传感器协同分析车辆异常的技术文献描述的都是基于本地检测的防盗系统,而一般情况下车辆犯罪发生时,传感器采集到的数据可能相差很大且不容易用统一的模型进行分类,需要对大量的已知车辆犯罪的具体模式进行深度学习进行分类。而云计算平台以其丰富的计算资源和存储单元适合进行大数据的存储和分析,而现有关于云端车联网的技术文献大多涉及的是车辆行驶过程中的异常报警以及危险驾驶行为的监测。本发明通过定义具体车辆犯罪类型,通过云平台整合大量车辆犯罪发生时的多传感器数据进行深度学习获得准确的车辆犯罪分类检测模型,从而能够有效的提高车载防盗系统的可靠性。
经过对现有专利的检索发现,申请号为201010197971.1,名称为一种车辆防盗装置,主要是利用全方位倾斜传感器、视觉传感器、嵌入式系统等组成。全方位倾斜传感器主要用于监测车体的摇晃,全方位视觉传感器用于拍摄车内外的全景图像。嵌入式系统用于接受来自移动设备的控制信号。这样的系统虽然具备一定的车辆防盗监测能力,也同时具备了现场记录和与用户交互的过程,但该技术使用了单一的倾斜传感器进行防盗监测显然有局限性,不能实现多种异常的分类检测。本发明在此基础上用倾角传感器、震动传感器、车内气压传感器以及超声波传感器综合判断异常的类型,实现入车盗窃、车体破坏、车辆搬运等情况作具体的分类。
申请号为201410340163.4,名称为一种适用于车联网领域的一种危险驾驶行为监测方法及系统,在车辆行驶的过程中获取驾驶行为的实时数据,并通过移动互联网上传至云端服务器。判断是否存在危险驾驶行为,如果确认是就将该信息回传本地共车主危险驾驶行为并进行改进。该技术体现了本地车载系统与车联网平台的交互信息交互,但目前没有发现云端车联网应用在车辆防盗领域的相关专利。
经过与现有技术的文献检索发现,于耀东在其硕士学位论文《基于多传感器信息融合技术的汽车防盗系统研究》中,在综合分析盗窃车辆的常用手法基础上,分别针对“整车搬运”、“车体破坏”、“非法开启”和“入车盗窃”四个警报等级,分别确定不同的多传感器融合模型,有效的提高了检测的可靠性。但该技术与本发明相比的不足之处在于该系统是根据人已有的经验判断,预先设定了一套基于某种特定情况(如整车搬运)的传感器检测方法,而车辆犯罪行为的多样性使得即使对应于同一种犯罪类型的传感器检测数据可能差别很大,所以用于实际判断时,准确性还是相对不高。本发明考虑综合大量的车辆犯罪的传感器实际测量值,运用深度学习的方法训练成可靠的异常分类模型,再使用该分类器根据传感器数据进行具体车辆犯罪行为的确定。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于云端车联网的车辆防盗报警系统。通过小规模的对各种已知的车辆犯罪行为进行实际模拟,得到实际测量值并与实际异常标签,即具体犯罪行为对应起来,通过广泛采集车辆传感器的数据进行标签判定决定异常种类。通过将传感器数据以及对应的异常标签进行一定的数据预处理,使之适用于深度学习训练出犯罪模式识别的车辆犯罪模式分类器,将其运用到之后的车辆安全防盗检测中。
根据本发明提供的基于云端车联网的车辆防盗报警系统,包括云端车联网系统和本地车辆防盗系统;
所述本地车辆防盗系统包括传感器系统、控制系统、本地预警系统和远程报警系统;
所述传感器系统用于实时采集车辆防盗预警数据;
所述控制系统用于获取所述车辆防盗预警数据并将所述车辆防盗预警数据传送至云端车联网系统,根据云端车联网系统返回的车辆防盗判断数据控制本地预警系统和/或远程报警系统发出报警信号,或根据所述车辆防盗预警数据直接控制本地预警系统和/或远程报警系统发出报警信号;
所述云端车联网系统包括云端数据存储模块和综合分析判断模块;所述云端数据存储模块用于存储车辆犯罪模式分类器;所述综合分析判断模块用于将根据所述车辆防盗预警数据与所述车辆犯罪模式分类器生成所述车辆防盗判断数据并发送至所述控制系统。
优选地,所述传感器系统包括超声波传感器、震动传感器、倾角传感器和气压传感器;
所述超声波传感器、所述震动传感器、所述倾角传感器和所述气压传感器均连接所述控制系统。
优选地,所述远程报警系统包括通信模块和用户终端;
所述控制系统通过所述通信模块无线连接所述用户终端。
优选地,还包括车载摄像头和GPS模块;
所述车载摄像头和GPS模块均连接所述控制系统;所述GPS模块用于实现车辆的远程定位追踪
优选地,所述车辆犯罪模式分类器采用如下方法获得:
步骤1:针对多种车辆犯罪行为进行实际测试,并将多种对应的车辆盗窃报警数据与对应的类别标签记录下来,作为基本样本数据集存储在云端数据存储模块中;
步骤2:进行无标签的车辆盗窃报警数据的广泛采集,并将车辆盗窃报警数据和车辆正常状态数据与所述基本样本数据集的基本样本数据进行对比;
步骤3:采用K最近邻分类算法将无标签的车辆盗窃报警数据设置类别标签,使无标签的车辆盗窃报警数据与基本样本数据集的格式相同,其中,带有类别标签的基本样本数据和车辆盗窃报警数据构成训练样本集;
步骤4:将训练样本集格式转换,采用卷积神经网络训练后得到车辆犯罪模式分类器。
优选地,所述格式转换,具体为,将训练样本集转换成可供卷积神经网络以计算的格式,即采用分类映射,将基本样本数据和车辆盗窃报警数据的类别标签的字段映射成数据标签。
与现有技术相比,本发明具有如下的有益效果:
1、报警的准确性,本发明借用云端车联网的进行海量车辆异常数据的采集、分析以及深度学习,形成车辆犯罪模式分类器,与传统的本地异常检测相比能有效的提高检测准确率;
2、报警的及时性,在提供本地预警机制的同时,将传感器数据实时上传云端,输入在云端存储的车辆犯罪模式分类器,获取云端车辆网平台的准确判决结果通过移动互联网传回本地,如果确认为某一种异常再通过GSM网络将报警提示信息发送给车主。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的结构示意图;
图2为本发明中本地车辆防盗系统的结构示意图;
图3为本发明中训练车辆犯罪云端模式分类器的流程图;
图4为本发明中适用于卷积神经网络的数据预处理流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
在本实施例中,本发明提供的基于云端车联网的车辆防盗报警系统,包括云端车联网系统和本地车辆防盗系统;所述本地车辆防盗系统包括传感器系统、控制系统、本地预警系统和远程报警系统;所述传感器系统用于实时采集车辆防盗预警数据;所述控制系统用于获取所述车辆防盗预警数据并将所述车辆防盗预警数据传送至云端车联网系统,并根据云端车联网系统返回的车辆防盗判断数据控制本地预警系统和/或远程报警系统发出报警信号,或根据所述车辆防盗预警数据控制本地预警系统和/或远程报警系统发出报警信号;
所述云端车联网系统包括云端数据存储模块和综合分析判断模块;所述云端数据存储模块用于存储车辆犯罪模式分类器;所述综合分析判断模块用于将根据所述车辆防盗预警数据与所述车辆犯罪模式分类器生成所述车辆防盗判断数据并发送至所述控制系统。
所述传感器系统包括超声波传感器、震动传感器、倾角传感器和气压传感器;所述超声波传感器、所述震动传感器、所述倾角传感器和所述气压传感器均连接所述控制系统。所述远程报警系统包括通信模块和用户终端;所述控制系统通过所述通信模块无线连接所述用户终端。
本发明提供的基于云端车联网的车辆防盗报警系统,还包括车载摄像头和GPS模块;
所述车载摄像头和GPS模块均连接所述控制系统;所述GPS模块用于实现车辆的远程定位追踪
所述车辆犯罪模式分类器采用如下方法获得:
步骤1:针对多种车辆犯罪行为进行实际测试,并将多种对应的车辆盗窃报警数据与对应的类别标签记录下来,作为基本样本数据集存储在云端数据存储模块中;
步骤2:进行无标签的车辆盗窃报警数据的广泛采集,并将车辆盗窃报警数据和车辆正常状态数据与所述基本样本数据进行对比;
步骤3:采用K最近邻分类算法将无标签的车辆盗窃报警数据设置类别标签,使无标签的车辆盗窃报警数据与基本样本数据集的格式相同,其中,带有类别标签的基本样本数据和车辆盗窃报警数据构成训练样本集;
步骤4:将训练样本集格式转换,采用卷积神经网络训练后得到车辆犯罪模式分类器。
所述格式转换,具体为,将训练样本集转换成可供卷积神经网络以计算的格式,即采用分类映射,将基本样本数据和车辆盗窃报警数据的类别标签的字段映射成数据标签。
当使用本发明提供的基于云端车联网的车辆防盗报警系统时:
第一阶段:训练车辆犯罪模式分类器,
首先从本地针对三种典型车辆犯罪行为“整车搬运”、“车体破坏”、和“入车盗窃”进行小规模实际测试,获得传感器数据Di(i为数据编号),并将数据与对应标签Li(具体异常种类)记录下来,作为基本样本数据集存储在云端数据存储模块中。之后,车联网系统会在之后进行无标签的车辆盗窃报警数据的广泛采集,搜集车辆处在正常状态以及盗窃行为发生时的传感器模块获取的数据,通过基本样本数据集的比对,采用K最近邻分类算法(KNN)将采集到的无标签的车辆盗窃报警数据进行数据标记,使其与基本样本数据集的格式相同。将标记后的车辆盗窃报警数据与基本样本数据集放在一起,构成训练样本集。通过对训练样本的格式转换,利用卷积神经网络(CNN)训练后得到车辆犯罪模式分类器并存储在云端供本地进行车辆防盗检测。
第二阶段:本地车辆防盗系统将本地检测的数据实时上传云端车联网系统进行分析,云端车联网系统根据传感器数据返回本地异常标签。在可能出现的盗窃事件发生时,在本地建立简单的阈值判定法进行必要的预警,具体为,当任一传感器的数据只要大于预先给定的阈值就激活本地报警模块,同时开启车载摄像头拍摄现场画面。当云端车联网系统在经过模式识别之后判定为某种异常如“整车搬运”、“车体破坏”、和“入车盗窃”时,同时启用GSM模块向用户发送包含具体异常类型的报警短信,特别的,当“整车搬运”情况发生时,系统将启用GPS模块实现车辆的远程定位追踪。
数据标记方法主要采用的是K最近邻分类的算法,利用云端数据存储模块保存的四种异常所对应的传感器数据,将采集到的原始数据进行分类标记,即判定成具体异常类型。这样做的目的是增加用以训练的数据规模,并为后续的标签格式转换做准备。
格式转换主要是将数据以及对应的异常类型转换成可供卷积神经网络(深度学习)可以计算的格式,主要方法是分类映射,即将正常情况与三种定义了的异常类型分别对应成“00”,“01”,“10”,“11”作为数据位之后的标签位。具体方法为,无异常对应“00”,整车搬运对应“01”,车体破坏对应“10”,入车盗窃对应“11”。由此将数据结构统一转换成{D,“XX”},其中,D为传感器数据XX为数据对应的标签,形成训练数据集。组合后的数据块即可作为训练数据集输入到卷积神经网络中进行计算。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (5)
1.一种基于云端车联网的车辆防盗报警系统,其特征在于,包括云端车联网系统和本地车辆防盗系统;
所述本地车辆防盗系统包括传感器系统、控制系统、本地预警系统和远程报警系统;
所述传感器系统用于实时采集车辆防盗预警数据;
所述控制系统用于获取所述车辆防盗预警数据并将所述车辆防盗预警数据传送至云端车联网系统,根据云端车联网系统返回的车辆防盗判断数据控制本地预警系统和/或远程报警系统发出报警信号,或根据所述车辆防盗预警数据直接控制本地预警系统和/或远程报警系统发出报警信号;
所述云端车联网系统包括云端数据存储模块和综合分析判断模块;所述云端数据存储模块用于存储车辆犯罪模式分类器;所述综合分析判断模块用于将根据所述车辆防盗预警数据与所述车辆犯罪模式分类器生成所述车辆防盗判断数据并发送至所述控制系统;
所述车辆犯罪模式分类器采用如下方法获得:
步骤1:针对多种车辆犯罪行为进行实际测试,并将多种对应的车辆盗窃报警数据与对应的类别标签记录下来,作为基本样本数据集存储在云端数据存储模块中;
步骤2:进行无标签的车辆盗窃报警数据的广泛采集,并将车辆盗窃报警数据和车辆正常状态数据与所述基本样本数据集的基本样本数据进行对比;
步骤3:采用K最近邻分类算法将无标签的车辆盗窃报警数据设置类别标签,使无标签的车辆盗窃报警数据与基本样本数据集的格式相同,其中,带有类别标签的基本样本数据和车辆盗窃报警数据构成训练样本集;
步骤4:将训练样本集格式转换,采用卷积神经网络训练后得到车辆犯罪模式分类器。
2.根据权利要求1所述的基于云端车联网的车辆防盗报警系统,其特征在于,所述传感器系统包括超声波传感器、震动传感器、倾角传感器和气压传感器;
所述超声波传感器、所述震动传感器、所述倾角传感器和所述气压传感器均连接所述控制系统。
3.根据权利要求1所述的基于云端车联网的车辆防盗报警系统,其特征在于,所述远程报警系统包括通信模块和用户终端;
所述控制系统通过所述通信模块无线连接所述用户终端。
4.根据权利要求1所述的基于云端车联网的车辆防盗报警系统,其特征在于,还包括车载摄像头和GPS模块;
所述车载摄像头和GPS模块均连接所述控制系统;所述GPS模块用于实现车辆的远程定位追踪。
5.根据权利要求1所述的基于云端车联网的车辆防盗报警系统,其特征在于,所述格式转换,具体为,将训练样本集转换成可供卷积神经网络以计算的格式,即采用分类映射,将基本样本数据和车辆盗窃报警数据的类别标签的字段映射成数据标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510067926.7A CN104670155B (zh) | 2015-02-09 | 2015-02-09 | 基于云端车联网的车辆防盗报警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510067926.7A CN104670155B (zh) | 2015-02-09 | 2015-02-09 | 基于云端车联网的车辆防盗报警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104670155A CN104670155A (zh) | 2015-06-03 |
CN104670155B true CN104670155B (zh) | 2017-08-01 |
Family
ID=53305919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510067926.7A Active CN104670155B (zh) | 2015-02-09 | 2015-02-09 | 基于云端车联网的车辆防盗报警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104670155B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105196965A (zh) * | 2015-09-29 | 2015-12-30 | 上海天奕无线信息科技有限公司 | 一种电动车的报警方法、系统及电动车 |
CN106564466A (zh) * | 2015-10-12 | 2017-04-19 | 安徽大学 | 一种基于行为检测的汽车防盗报警系统 |
CN106585558A (zh) * | 2015-10-14 | 2017-04-26 | 上海汽车集团股份有限公司 | 车辆防盗处理的方法、装置及系统 |
CN105292053A (zh) * | 2015-12-08 | 2016-02-03 | 曾祥峰 | 一种车辆防盗追踪系统 |
CN105539366A (zh) * | 2015-12-17 | 2016-05-04 | 浪潮电子信息产业股份有限公司 | 基于云计算的汽车防盗方法 |
CN107323423B (zh) * | 2016-04-29 | 2020-03-10 | 宇龙计算机通信科技(深圳)有限公司 | 一种车辆防盗方法及系统 |
CN106004736B (zh) * | 2016-06-30 | 2019-04-05 | 大连楼兰科技股份有限公司 | 自动调节汽车电动座椅的方法及系统 |
CN106114453B (zh) * | 2016-07-13 | 2018-09-21 | 广汽本田汽车有限公司 | 一种分布式高安全汽车防盗系统 |
CN106274799A (zh) * | 2016-08-25 | 2017-01-04 | 乐视控股(北京)有限公司 | 一种汽车报警系统和汽车 |
CN106541925A (zh) * | 2016-10-31 | 2017-03-29 | 上海斐讯数据通信技术有限公司 | 基于掌纹读取识别云端通讯录的车辆防盗方法及装置 |
CN106647724B (zh) * | 2017-02-15 | 2017-12-26 | 北京航空航天大学 | 一种基于车辆异常数据监测的t‑box信息安全检测及防护方法 |
CN109784525A (zh) * | 2018-11-13 | 2019-05-21 | 北京码牛科技有限公司 | 基于天空地一体化数据的预警方法及装置 |
US10486649B1 (en) | 2018-12-03 | 2019-11-26 | Ford Global Technologies, Llc | Vehicle security monitoring in a key-off state |
JP2020140401A (ja) * | 2019-02-27 | 2020-09-03 | 株式会社Jvcケンウッド | 異常監視システム、及び、異常監視方法 |
CN112277954A (zh) * | 2020-11-02 | 2021-01-29 | 麻涛涛 | 综合监控车辆安全及人员安全驾驶的方法及其装置 |
CN113895396B (zh) * | 2021-10-22 | 2022-08-09 | 广西中科曙光云计算有限公司 | 基于云边端的车辆防盗系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1209049A2 (en) * | 2000-11-28 | 2002-05-29 | Omron Corporation | Portable communication terminal and communication method, antitheft apparatus and antitheft method, and antitheft system |
GB2389921B (en) * | 2002-05-10 | 2005-06-22 | Ford Motor Co | A system and method for immobilizing a motor vehicle |
CN102085847A (zh) * | 2009-12-08 | 2011-06-08 | 上海千镭星电子科技有限公司 | 一种车辆无线定位防盗追踪系统 |
CN102390351A (zh) * | 2011-10-13 | 2012-03-28 | 大连理工大学 | 多传感器融合的综合汽车防盗系统 |
CN102431523A (zh) * | 2011-11-30 | 2012-05-02 | 深圳市车音网科技有限公司 | 车辆监控系统及方法 |
CN104228768A (zh) * | 2014-07-24 | 2014-12-24 | 华南理工大学 | 多特征融合的车内防盗和防误锁报警系统及其工作方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203078478U (zh) * | 2013-02-23 | 2013-07-24 | 哈尔滨师范大学 | 基于物联网的汽车防盗系统 |
-
2015
- 2015-02-09 CN CN201510067926.7A patent/CN104670155B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1209049A2 (en) * | 2000-11-28 | 2002-05-29 | Omron Corporation | Portable communication terminal and communication method, antitheft apparatus and antitheft method, and antitheft system |
GB2389921B (en) * | 2002-05-10 | 2005-06-22 | Ford Motor Co | A system and method for immobilizing a motor vehicle |
CN102085847A (zh) * | 2009-12-08 | 2011-06-08 | 上海千镭星电子科技有限公司 | 一种车辆无线定位防盗追踪系统 |
CN102390351A (zh) * | 2011-10-13 | 2012-03-28 | 大连理工大学 | 多传感器融合的综合汽车防盗系统 |
CN102431523A (zh) * | 2011-11-30 | 2012-05-02 | 深圳市车音网科技有限公司 | 车辆监控系统及方法 |
CN104228768A (zh) * | 2014-07-24 | 2014-12-24 | 华南理工大学 | 多特征融合的车内防盗和防误锁报警系统及其工作方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104670155A (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104670155B (zh) | 基于云端车联网的车辆防盗报警系统 | |
KR102387240B1 (ko) | 자율 주행 능력들을 갖는 차량들에 대한 위험 처리 | |
JP6599986B2 (ja) | きめの細かい画像分類のためのハイパークラス拡張化および正則化深層学習 | |
CN103176185B (zh) | 用于检测道路障碍物的方法及系统 | |
CN106980113A (zh) | 物体检测装置和物体检测方法 | |
CN113936465B (zh) | 交通事件检测方法及装置 | |
CN108960083B (zh) | 基于多传感器信息融合的自动驾驶目标分类方法及系统 | |
CN112433519A (zh) | 一种无人驾驶检测系统及车辆行驶检测方法 | |
CN106340205A (zh) | 交通监控方法及交通监控装置 | |
CN110782670A (zh) | 基于数据融合的场景还原方法、车辆云平台及存储介质 | |
Qu et al. | Improving maritime traffic surveillance in inland waterways using the robust fusion of AIS and visual data | |
Thiruppathiraj et al. | Automatic pothole classification and segmentation using android smartphone sensors and camera images with machine learning techniques | |
CN114771548A (zh) | 用于高级驾驶辅助系统测试和验证的数据记录 | |
Pooja et al. | An early warning system for traffic and road safety hazards using collaborative crowd sourcing | |
Taherifard et al. | Machine learning-driven event characterization under scarce vehicular sensing data | |
Xu et al. | Tad: A large-scale benchmark for traffic accidents detection from video surveillance | |
Lincy et al. | Road Pothole Detection System | |
Sharma et al. | Towards an AI-based after-collision forensic analysis protocol for autonomous vehicles | |
TWI619099B (zh) | Intelligent multifunctional driving assisted driving recording method and system | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
SB et al. | Real-time pothole detection using YOLOv5 algorithm: a feasible approach for intelligent transportation systems | |
JP6961041B1 (ja) | 異常通知システム及び異常通知方法 | |
Rajan et al. | Deep Learning Based Pothole Detection | |
Rajeshwari et al. | Road Traffic Anamoly Detection using AI Approach: survey paper | |
Maity et al. | Maximising highway safety through ai-enabled detection of pedestrians and animals in v2x environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |