CN107274513A - 预警式行车记录仪 - Google Patents

预警式行车记录仪 Download PDF

Info

Publication number
CN107274513A
CN107274513A CN201610207486.5A CN201610207486A CN107274513A CN 107274513 A CN107274513 A CN 107274513A CN 201610207486 A CN201610207486 A CN 201610207486A CN 107274513 A CN107274513 A CN 107274513A
Authority
CN
China
Prior art keywords
early warning
grid
pixel
video
pedestrian
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.)
Granted
Application number
CN201610207486.5A
Other languages
English (en)
Other versions
CN107274513B (zh
Inventor
吴媛媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Jige Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Jige Technology Co Ltd filed Critical Chengdu Jige Technology Co Ltd
Priority to CN201610207486.5A priority Critical patent/CN107274513B/zh
Publication of CN107274513A publication Critical patent/CN107274513A/zh
Application granted granted Critical
Publication of CN107274513B publication Critical patent/CN107274513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种车用预警设备，特别涉及一种预警式行车记录仪。通过图像摄取设备与预警处理器的连接，运用特定的方法进行预警。上述结构和方法结合智能移动终端，实现对行车安全的有效预警，它是防止汽车发生碰撞的一种智能系统，它能够自动发现并追踪可能与汽车发生碰撞的车辆、行人或者其他障碍物，当目标和汽车距离低于预先设定的安全限制时发出警报，同时采取制动或规避等措施，避免碰撞的发生；通过光学成像系统对道路标记进行辨别，当车辆运行轨迹偏离当前行驶轨道并超过预设限值时，系统发出预警；记录车辆行驶途中的影像及声音等相关讯息。与此同时，该行车安全预警系统设备还具有尺寸小、成本低、易安装等特点。

Description

预警式行车记录仪
技术领域
本发明涉及一种车用预警设备，特别涉及一种预警式行车记录仪。
背景技术
行车记录仪可说是汽车使用的黑匣子，借由发动引擎随即可以录像录影的功能，透过高清镜头摄影记录车辆行驶途中的影像及声音，当意外发生时，立刻提出证据，保障驾驶人自我权利。安装行车记录仪后，能够记录汽车行驶全过程的视频图像和声音，内部的传感器能够设置冲击力的敏感度，当外界的冲击力大于所设置值，导致该冲击力的现场数据将被记录下来，可为交通事故提供证据。
但是目前的行车记录仪只能记录图像与声音，与一个摄像机的功能是一样的，汽车在行驶的时候，还需要各种不同的预警设备，比如停车传感器等，但是汽车行驶过程中，这些预警设备却失去了作用，而目前生活中车辆越来越多，很多意外情况无法避免，只能通过驾驶员的经验或者及时判断来避免交通事故的发生，安全性很低。
发明内容
本发明的目的在于，提供了一种安全性高的预警式行车记录仪。
本发明解决其技术问题所采用的技术方案是：一种预警式行车记录仪，包括图像摄取设备、预警处理器，其特征在于：图像摄取设备与预警处理器连接，预警处理器预警处理的步骤如下；
第一步，图像网格采样，将图像摄取设备摄取的视频图片进行采样，获取稀疏的图像像素点；
第二步，连续帧网格点轨迹获取，对网格像素点在连续的至少两个视频帧进行跟踪；
第三步，网格点轨迹分块处理，将视频帧图像分割成几十个图像小块，对属于同一个图像小块的所有网格像素点轨迹组建一个数据矩阵,并利用主成分分析法提取主分量轨迹；
第四步，剔除背景网格点，去除主分量轨迹，得到残余轨迹分量，并计算自适应的阈值，判定其残余轨迹分量小于阈值的网格像素点属于背景点，大于阈值的网格像素点属于潜在的运动目标点；
第五步，快速行人检测与车辆检测，预先对大量的交通道路上的汽车图片和行人图片进行学习，分别提取正负样本图像的特征，利用支持向量机进行样本训练，得到行人分类器和汽车分类器，通过只对潜在运动目标点进行特征提取，再结合预先学习得到的行人分类器和汽车分类器，从而实现快速检测行人和车辆；
第六步，目标运动轨迹预测，采用非线性的扩展卡尔曼滤波或粒子滤波，并结合运动目标前连续帧的坐标位置，预测下一时刻目标的位置；
第七步，计算得到结果，对驾驶员进行预警。
本发明的进一步设置为：将网格像素点坐标设为P(Xm,Yn)，网格像素点坐标计算方法为，Xm＝(m-1)*D1+1；Yn＝(n-1)*D2+1，其中，m为网格列数，n为网格行数，D1为网格宽度，D2为网格高度。
本发明的进一步设置为：每个网格点的在每一视频的坐标位置为，P(Xm(t),Yn(t))＝F(P(Xm(t-1),Yn(t-1))，F(P)为跟踪算法，P(Xm(t-1),Yn(t-1))为列数为m,行数为n的像素点在第t-1视频帧中的坐标，P(Xm(t),Yn(t))为列数为m,行数为n的像素点在第t视频帧中的坐标。
本发明的进一步设置为：所述的预警为碰撞预警、轨道偏离预警。
上述结构和方法结合智能移动终端，实现对行车安全的有效预警，具有如下主要功能：(1)车辆碰撞预警：它是防止汽车发生 碰撞的一种智能系统。它能够自动发现并追踪可能与汽车发生碰撞的车辆、行人或者其他障碍物。当目标和汽车距离低于预先设定的安全限制时发出警报，同时采取制动或规避等措施，避免碰撞的发生；(2)轨道偏离预警：通过光学成像系统对道路标记进行辨别。当车辆运行轨迹偏离当前行驶轨道并超过预设限值时，系统发出预警；(3)行车记录；记录车辆行驶途中的影像及声音等相关讯息。与此同时，该行车安全预警系统设备还具有尺寸小、成本低、易安装等特点。
具体实施方式
本发明一种预警式行车记录仪，包括图像摄取设备、预警处理器，其特征在于：图像摄取设备与预警处理器连接，预警处理器预警处理的步骤如下；
第一步，图像网格采样，将图像摄取设备摄取的视频图片进行采样，获取稀疏的图像像素点；
第二步，连续帧网格点轨迹获取，对网格像素点在连续的至少两个视频帧进行跟踪；
第三步，网格点轨迹分块处理，将视频帧图像分割成几十个图像小块，对属于同一个图像小块的所有网格像素点轨迹组建一个数据矩阵,并利用主成分分析法提取主分量轨迹；
第四步，剔除背景网格点，去除主分量轨迹，得到残余轨迹分量，并计算自适应的阈值，判定其残余轨迹分量小于阈值的网格像素点属于背景点，大于阈值的网格像素点属于潜在的运动目标点；
第五步，快速行人检测与车辆检测，预先对大量的交通道路上的汽车图片和行人图片进行学习，分别提取正负样本图像的特征，利用支持向量机进行样本训练，得到行人分类器和汽车分类器，通过只对潜在运动目标点进行特征提取，再结合预先学习得到的行人分类器和汽车分类器，从而实现快速检测行人和车辆；
第六步，目标运动轨迹预测，采用非线性的扩展卡尔曼滤波或 粒子滤波，并结合运动目标前连续帧的坐标位置，预测下一时刻目标的位置；
第七步，计算得到结果，对驾驶员进行预警。
本发明的进一步设置为：将网格像素点坐标设为P(Xm,Yn)，网格像素点坐标计算方法为，Xm＝(m-1)*D1+1；Yn＝(n-1)*D2+1，其中，m为网格列数，n为网格行数，D1为网格宽度，D2为网格高度。
本发明的进一步设置为：每个网格点的在每一视频的坐标位置为，P(Xm(t),Yn(t))＝F(P(Xm(t-1),Yn(t-1))，F(P)为跟踪算法，P(Xm(t-1),Yn(t-1))为列数为m,行数为n的像素点在第t-1视频帧中的坐标，P(Xm(t),Yn(t))为列数为m,行数为n的像素点在第t视频帧中的坐标。
本发明的进一步设置为：所述的预警为碰撞预警、轨道偏离预警。
下面详细解释实施例中各个步骤的过程和作用。
图像网格采样：主要用于获取稀疏的图像像素点而又不失像素点的分布均匀性，达到减少跟踪点数量，提高系统运算速度的目的。网格像素点坐标计算方法如下:
Xm＝(m-1)*D1+1；Yn＝(n-1)*D2+1；
其中：m为网格列数，n为网格行数，D1为网格宽度，D2为网格高度；(网格像素点为P(Xm,Yn))
连续T帧网格点轨迹获取：对网格像素点P(Xm,Yn)在连续的T个视频帧进行跟踪，其中每个网格点的在每一视频的坐标位置如下：
P(Xm(t),Yn(t))＝F(P(Xm(t-1),Yn(t-1)))；
其中：F(P)为跟踪算法，P(Xm(t-1),Yn(t-1))为列数为m,行数为n的像素点在第t-1视频帧中的坐标，P(Xm(t),Yn(t))为列数为m,行数为n的像素点在第t视频帧中的坐标。
网格点轨迹分块处理：将视频帧图像分割成几十个图像小块，对属于同一个图像小块的所有网格像素点轨迹组建一个数据矩阵M,并利用主成分分析法(PCA)提取主分量轨迹M＇。
主成分分析法(PCA)介绍：对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性,一时难以综合。这时就需要借助主成分分析(principalcomponent analysis)来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。
任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。
主成分的一般定义设有随机变量X1，X2，…，Xp，样本标准差记为S1，S2，…，Sp。首先作标准化变换
有如下的定义：
(1)若C1＝a11x1+a12x2+…+a1pxp，且使Var(C1)最大，则称C1为第一主成分；
(2)若C2＝a21x1+a22x2+…+a2pxp，，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分；
(3)类似地，可有第三、四、五…主成分，至多有p个。
这一性质说明，主成分是原变量的线性组合，是对原变量信息的一种改组，主成分不增加总信息量，也不减少总信息量。
主成分C1，C2，…，Cp具有如下几个性质：
(1)主成分间互不相关，即对任意i和j，Ci和Cj的相关系数
Corr(Ci，Cj)＝0 i≠j
(2)组合系数(ai1，ai2，…，aip)构成的向量为单位向量，
(3)各主成分的方差是依次递减的，即
Var(C1)≥Var(C2)≥…≥Var(Cp)
(4)总方差不增不减，即
Var(C1)+Var(C2)+…+Var(Cp)＝Var(x1)+Var(x2)+…+Var(xp)＝p
(5)主成分和原变量的相关系数Corr(Ci，xj)＝aij＝aij；
(6)令X1，X2，…，Xp的相关矩阵为R,(ai1，ai2，…，aip)则是相关矩阵R的第i个特征向量(eigenvector)。而且，特征值li就是第i主成分的方差，即
Var(Ci)＝li
其中li为相关矩阵R的第i个特征值(eigenvalue)
l1≥l2≥…≥lp≥0
通过上述的计算方法就能提出各个主分量特征,并建立主分量轨迹M＇。
剔除背景网格点：去除主分量轨迹，得到残余轨迹分量，并计算自适应的阈值，判定其残余轨迹分量小于阈值的网格像素点属于背景点，大于阈值的网格像素点属于潜在的运动目标点。
快速行人检测与车辆检测：采用基于学习的算法对行人和车辆进行检测：预先对大量的交通道路上的汽车图片和行人图片进行学习，分别提取正负样本图像的HOG和LBP特征，利用支持向量机SVG或adaboost分类器进行样本训练，得到行人分类器和汽车分类器。通过只对潜在运动目标点进行特征提取，再结合预先学 习得到的行人分类器和汽车分类器，从而实现快速检测行人和车辆。
目标运动轨迹预测:采用非线性的扩展卡尔曼滤波或粒子滤波，并结合运动目标前T帧的坐标位置，预测下一时刻目标的位置。
根据计算的结果，进行预警提醒，比如预测碰撞、偏离轨道，预警的方式也很多，可以是灯光、声音、图案等方式，当然这种处理结构可以输出至汽车的处理器中，进行自动制动或其他动作，使用非常方便，安全性大大提高了。
显然，上述实施例仅仅是为了清楚的说明所做的举例，而并非对实施方式的限定。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (4)

1.一种预警式行车记录仪，包括图像摄取设备、预警处理器，其特征在于：图像摄取设备与预警处理器连接，预警处理器预警处理的步骤如下；
第一步，图像网格采样，将图像摄取设备摄取的视频图片进行采样，获取稀疏的图像像素点；
第二步，连续帧网格点轨迹获取，对网格像素点在连续的至少两个视频帧进行跟踪；
第三步，网格点轨迹分块处理，将视频帧图像分割成几十个图像小块，对属于同一个图像小块的所有网格像素点轨迹组建一个数据矩阵,并利用主成分分析法提取主分量轨迹；
第四步，剔除背景网格点，去除主分量轨迹，得到残余轨迹分量，并计算自适应的阈值，判定其残余轨迹分量小于阈值的网格像素点属于背景点，大于阈值的网格像素点属于潜在的运动目标点；
第五步，快速行人检测与车辆检测，预先对大量的交通道路上的汽车图片和行人图片进行学习，分别提取正负样本图像的特征，利用支持向量机进行样本训练，得到行人分类器和汽车分类器，通过只对潜在运动目标点进行特征提取，再结合预先学习得到的行人分类器和汽车分类器，从而实现快速检测行人和车辆；
第六步，目标运动轨迹预测，采用非线性的扩展卡尔曼滤波或粒子滤波，并结合运动目标前连续帧的坐标位置，预测下一时刻目标的位置；
第七步，计算得到结果，对驾驶员进行预警。
2.按照权利要求1所述的预警式行车记录仪，其特征在于：将网格像素点坐标设为P(Xm,Yn)，网格像素点坐标计算方法为，Xm＝(m-1)*D1+1；Yn＝(n-1)*D2+1，其中，m为网格列数，n为网格行数，D1为网格宽度，D2为网格高度。
3.按照权利要求2所述的预警式行车记录仪，其特征在于：每个网格点的在每一视频的坐标位置为，P(Xm(t),Yn(t))＝F(P(Xm(t-1),Yn(t-1))，F(P)为跟踪算法，P(Xm(t-1),Yn(t-1))为列数为m,行数为n的像素点在第t-1视频帧中的坐标，P(Xm(t),Yn(t))为列数为m,行数为n的像素点在第t视频帧中的坐标。
4.按照权利要求1或2或3所述的预警式行车记录仪，其特征在于：所述的预警为碰撞预警、轨道偏离预警。
CN201610207486.5A 2016-04-06 2016-04-06 预警式行车记录仪 Active CN107274513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610207486.5A CN107274513B (zh) 2016-04-06 2016-04-06 预警式行车记录仪

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610207486.5A CN107274513B (zh) 2016-04-06 2016-04-06 预警式行车记录仪

Publications (2)

Publication Number Publication Date
CN107274513A true CN107274513A (zh) 2017-10-20
CN107274513B CN107274513B (zh) 2019-12-17

Family

ID=60052247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610207486.5A Active CN107274513B (zh) 2016-04-06 2016-04-06 预警式行车记录仪

Country Status (1)

Country Link
CN (1) CN107274513B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145805A (zh) * 2018-08-15 2019-01-04 深圳市豪恩汽车电子装备股份有限公司 车载环境下的移动目标检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100271480A1 (en) * 2006-01-27 2010-10-28 Leonid Bezborodko Vehicular surveillance system
CN103000202A (zh) * 2011-09-16 2013-03-27 株式会社东芝 视频服务器及视频服务器的控制方法
CN104190065A (zh) * 2014-08-31 2014-12-10 陆俊 一种人体运动状态检测装置及方法
CN104952121A (zh) * 2015-04-30 2015-09-30 广州视声光电有限公司 一种行车记录仪

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100271480A1 (en) * 2006-01-27 2010-10-28 Leonid Bezborodko Vehicular surveillance system
CN103000202A (zh) * 2011-09-16 2013-03-27 株式会社东芝 视频服务器及视频服务器的控制方法
CN104190065A (zh) * 2014-08-31 2014-12-10 陆俊 一种人体运动状态检测装置及方法
CN104952121A (zh) * 2015-04-30 2015-09-30 广州视声光电有限公司 一种行车记录仪

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145805A (zh) * 2018-08-15 2019-01-04 深圳市豪恩汽车电子装备股份有限公司 车载环境下的移动目标检测方法及系统

Also Published As

Publication number Publication date
CN107274513B (zh) 2019-12-17

Similar Documents

Publication Publication Date Title
Ijjina et al. Computer vision-based accident detection in traffic surveillance
Adu-Gyamfi et al. Automated vehicle recognition with deep convolutional neural networks
CN113676702B (zh) 基于视频流的目标追踪监测方法、系统、装置及存储介质
Chang et al. Video analytics in smart transportation for the AIC'18 challenge
CN114170580A (zh) 一种面向高速公路的异常事件检测方法
CN114926422B (zh) 一种上下车客流量检测方法及系统
CN115909223A (zh) 一种wim系统信息与监控视频数据匹配的方法和系统
Wang et al. Vision-based highway traffic accident detection
CN107274513A (zh) 预警式行车记录仪
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备
Al Jarouf et al. A hybrid method to detect and verify vehicle crash with haar-like features and svm over the web
CN115376037A (zh) 一种基于视频的车站关键区域安全状态监测方法
Kataoka et al. Joint pedestrian detection and risk-level prediction with motion-representation-by-detection
KR20220067271A (ko) 영상취득장치 및 영상취득방법
Gokasar et al. Real-time prediction of traffic density with deep learning using computer vision and traffic event information
Malbog et al. PED-AI: Pedestrian Detection for Autonomous Vehicles using YOLOv5
Shirazi et al. Investigation of safety analysis methods using computer vision techniques
CN114821795B (zh) 一种基于ReID技术的人员跑动检测和预警方法及系统
Yang et al. A Deep Learning Approach for Automated Detection of Railroad Trespassers
Zaman et al. Deep Learning Approaches for Vehicle and Pedestrian Detection in Adverse Weather
CN117496446B (zh) 一种基于目标检测和级联匹配的人流量统计方法
CN114299456B (zh) 一种基于实时轨迹检测的交叉口行人过街风险评估方法
Dharmadasa et al. Video-based road accident detection on highways: A less complex YOLOv5 approach
Cummaragunta et al. Wrong Side Driving Detection
Gayathri et al. REAL-TIME VEHICLE DETECTION USING OPENCV AND PYTHON

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200807

Address after: No.1, East Third Road, erxianqiao, Chengdu, Sichuan Province

Patentee after: Chengdu University of Technology

Address before: 610000 No. 6, No. 505, D zone, Tianfu Software Park, 599 century South Road, Tianfu District, Chengdu, Sichuan

Patentee before: CHENGDU JIGE TECHNOLOGY Co.,Ltd.