CN107274513A - 预警式行车记录仪 - Google Patents
预警式行车记录仪 Download PDFInfo
- 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
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
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。
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)
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)
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 |
-
2016
- 2016-04-06 CN CN201610207486.5A patent/CN107274513B/zh active Active
Patent Citations (4)
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)
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. |