CN109308467A - 基于机器学习的交通事故预警装置及预警方法 - Google Patents

Abstract

本发明提供了一种基于机器学习的交通事故预警装置及预警方法，包括：数据获取装置，包括视频摄像头和LIDAR系统，视频摄像头获取驾驶员的面部图像，LIADR系统获取实时路况信息；智能车载中枢，包括接收数据单元和处理单元接；收数据单元，接收来自获数据获取装置的面部图像和路况信息数据，将数据传到处理单元；处理单元，处理接收装置接收到的数据，对数据进行处理与分析，然后结合机器学习对接收到的数据进行预测，估算出发生事故的概率；结果播放装置，播放处理单元的估算结果，以提醒司机；机械装置，用于安装并支撑数据获取装置、接收数据单元和结果播放装置。该装置完全智能化，放在车辆前方即可，无需人员的参与，安全方便。

Description

基于机器学习的交通事故预警装置及预警方法

技术领域

本发明涉及人工智能及信息处理技术领域，具体涉及一种基于机器学习的交通事故预警装置及预警方法。

背景技术

随着我国交通事业的飞速发展，交通事故猛增已成为交通管理所面临的严重问题。现在的车辆驾驶，对道路环境以及突发情况的判断主要还是依靠驾驶人员。但是由于驾驶者的反应时长，动作速度以及位移速度等因素，导致不可避免的交通事故。因此有效的对交通事故进行预警，尽可能的避免交通事故的发生是急需解决的问题。针对上述问题，现有技术提供的一种交通事故预警方法及装置，在该现有技术中，只能是事故发生后，通过手机或其他移动终端设备发送交通事故报警信息，往往会错过最佳时机，造成巨大的人员伤亡。现有技术还提供了行车记录仪可以记录车辆行驶途中的影像以及声音，但是它只能作为事故发生后的证据，所以现有的技术无法提前预测及判断事故发生的概率，无法做出提前预警而尽量避免事故的发生或将伤亡减到最低。

发明内容

为了克服现有技术的不足，本发明的目的是提供基于机器学习的交通事故预警装置及预警方法。该装置可以有效的利用智能软件和传感器，并结合图像处理及机器学习相关技术，感知道路环境、车辆位置和突发状况信息，不会影响正常驾驶，通过分析随即通过判断作出最佳的措施，指导驾驶人员提前避免事故的发生。

为了实现上述目的，本发明通过以下技术方案实现：

一种基于机器学习的交通事故预警装置，包括：

数据获取装置，包括视频摄像头和LIDAR系统，视频摄像头用于获取驾驶员的面部图像，LIADR系统用于获取实时路况信息；

智能车载中枢，包括接收数据单元和处理单元

接收数据单元，用于接收来自获数据获取装置的面部图像和路况信息数据，同时将数据传到处理单元；

处理单元，用于处理接收装置接收到的数据，对数据进行处理与分析，然后结合机器学习对接收到的数据进行预测，估算出发生事故的概率；

结果播放装置，用于播放处理单元的估算结果，以提醒司机；

机械装置，用于安装并支撑数据获取装置、接收数据单元和结果播放装置。

所述的LIDAR系统利用激光束在不同的时间、空间进行照射，根据信号的距离和深度，形成一个个的数据点，即得到实时路况信息。

所述的处理单元对面部图像数据进行处理与分析具体包括：

人脸定位：将人脸区域和非人脸区域分开，首先通过图像预处理，便于对人脸的定位与跟踪；然后使用Haar-like特征表示人脸特征，并通过积分图快速计算特征值，通过AdaBoost级联分类器对驾驶员的视频图像进行检测，完成人脸的定位检测工作；

面部疲劳特征提取：包括眼嘴的定位检测，提取眼部疲劳特征参数和嘴部疲劳特征参数；

疲劳状态判断：结合人脸定位和面部疲劳特征提取，根据眼部PERCLOS值和嘴部打哈欠周期时间阈值综合判定驾驶员是否进入疲劳状态。

所述的处理单元对路况信息数据进行处理与分析具体包括：

根据信号的距离和深度，形成一个个的数据点；把数据点的外形跟轮廓定义出来；利用机器学习设计分类器，识别实时路况上的物体的类型，进一步获取物体运动状态，从而感知路况信息。

所述的结果播放装置为语音播放器。

所述的机械装置包括本体和底座，视频摄像头和LIDAR系统设置在本体上端的前面和背面，智能车载中枢设置在本体内部，语音播放器设置在本体下端，本体设置在底座上。

一种基于机器学习的交通事故预警方法，包括以下步骤：

1)获取数据：

外部数据：由LIDAR系统获取的路况信息数据；

内部数据：由视频摄像头获取驾驶员的面部图像数据；

2)对数据进行处理与分析：

对接收到的外部数据与内部数据进行处理，并对面部图像和路况信息数据进行处理与分析，然后结合机器学习对接收到的数据进行预测，估算出发生事故的概率；

3)判断是否需要发出警报：

在进行预测时设定一个阀值，如果处理结果大于阀值则发出语音警报，以提醒司机。

所述的LIDAR系统利用激光束在不同的时间、空间进行照射，根据信号的距离和深度，形成一个个的数据点，进而得到实时路况信息。

步骤2)中，对面部图像数据进行处理与分析具体包括：

人脸定位：将人脸区域和非人脸区域分开，首先通过图像预处理，便于对人脸的定位与跟踪；然后使用Haar-like特征表示人脸特征，并通过积分图快速计算特征值，通过AdaBoost级联分类器对驾驶员的视频图像进行检测，完成人脸的定位检测工作；

面部疲劳特征提取：包括眼嘴的定位检测，提取眼部疲劳特征参数和嘴部疲劳特征参数；

疲劳状态判断：结合人脸定位和面部疲劳特征提取，根据眼部PERCLOS值和嘴部打哈欠周期时间阈值综合判定驾驶员是否进入疲劳状态。

步骤2)中，对路况信息数据进行处理与分析具体包括：

根据信号的距离和深度，形成一个个的数据点；把数据点的外形跟轮廓定义出来；利用机器学习设计分类器，识别实时路况上的物体的类型，进一步获取物体运动状态，从而感知路况信息。

通过与现有技术相比，本发明的优点是：

本发明的基于机器学习的交通事故预警装置，该装置整体功能类似于小型机器人。智能中枢为大脑，视频摄像头，LIDAR系统为眼睛，语音播放器为嘴。通过对驾驶人员和道路环境这两个造成交通事故，最主要因素的分析，做出相应的预警及制定避免事故的措施。该装置的数据通过分别安装在前方与后方的视频摄像头以及LIDAR系统获取。数据被及时送到智能中枢系统，里面包含准确率较高的图像处理及机器学习技术。外部数据主要用于分析道路环境，对突发情况做出正确的判断，降低事故发生率。内部数据主要用于判断驾驶人员的疲劳程度，这也是造成事故发生的主要原因。该装置完全智能化，放在车辆前方即可，无需人员的参与，安全方便。由于设有视频摄像头跟LIDAR系统，分别监测车外环境的安全系数、车内驾驶人员的疲劳程度。由智能中枢对取得的数据进行分析判断，结合现在的智能软件、图像处理和机器学习技术极大的保证判断结果的置信度。语音播放设备传达分析结果，及时提醒驾驶人员。做到对交通事故的提前预知与预防，而不是亡羊补牢，大大减少生命伤亡和财产损失。本发明的分析过程是完全智能化的，没有人员参与，正常驾驶不会受到影响，安全方便。

附图说明

图1为本发明的结构原理框图；

图2为本发明的总体设计示图；

图3为本发明的疲劳检测结构图；

图4为本发明的路况信息监测流程图；

图5为本发明的整体流程图。

具体实施方式

如图1，一种基于机器学习的智能交通预警及避免装置，包括LIDAR系统，视频摄像头，用于图像分析及机器学习的智能中枢，LIDAR系统与视频摄像头的数据都会及时的传至智能中枢。

该设备整体类似于小型智能机器人由视频摄像头、LIDAR系统、智能车载中枢、语音播放器组成，不断的预测事故发生的概率并进行语音提示与指导。其中需要一个视频摄像头，一个LIDAR系统发挥眼睛的作用，智能车载中枢发挥大脑的作用，语音播放器发挥说话的作用。

所述的视频摄像头，目的是获取影像信息。侦测驾驶人员的面部影像，同时将影像传递给智能中枢。

所述的LIDAR系统，利用激光束在不同的时间、空间进行照射，获取信息，激光束打到物体上，形成的反射信号，系统通过信号距离和深度，形成一个个的数据点。

所述的智能中枢，主要是进行图像处理以及机器学习分类与识别。对LIDAR系统的数据进行分析判断，预测由于道路状况发生事故的概率，概率较高时就通过语音播放设备发出警报，提醒驾驶人员可能发生道路事故并制定出最佳的避免措施。对来自车内的影像通过分析判断驾驶人员疲劳程度，一旦处于疲劳驾驶就做出警报，提醒驾驶人员注意驾驶安全。

其中基于面部特征融合的疲劳驾驶检测方法为：首先使用Haar-like特征表示面部特征，并通过积分图快速计算特征值，利用AdaBoost算法将这些弱分类器训练得到若干个强分类器，最后用级联结构串联形成级联分类器，由此定位检测出驾驶员的人脸。在已定位到的脸部区域上，再次通过改进的AdaBoost级联分类器结合“三庭五眼”的分布准确定位出驾驶员人脸图像上的眼部区域和嘴部区域。分别提取眼部疲劳特征参数和嘴部疲劳特征参数，最后根据眼部PERCLOS(PercentageofEyelidClosureOverthePupilTime，眼部疲劳帧占检测时间内总帧数的百分比)值和嘴部打哈欠周期时间阈值综合判定驾驶员是否进入疲劳状态。

路况状况检测方法为：主要是利用LIDAR系统，首先将数据点的外形和轮廓定义出来；然后用机器学习做相应的分类，识别出具体是什么物体；最后就是利用机器学习的主动 学习能力理解和预测该物体的运动形态、速度和不确定性。目的就是对外界路况信息进行3D或者4D的还原。这样就可以感知路况。

所述的语音播放器，主要就是传达智能中枢的分析结果。

参照图2，视频摄像头，LIDAR系统，分别安装在该装置的前后方。

所述的视频摄像头1与LIDAR系统2其作用为数据获取装置。视频摄像头1，主要是获取驾驶员的面部图像，LIADR系统2，主要是获取路况信息，它们的测试结果作为智能中枢3的分析数据，最终的目的是为了通过智能中枢3的图像分析以及机器学习判断发生事故的可能性。

前方视频摄像头1，位置处于该小型机器人头的前方，获取车内驾驶员的面部图像。LIDAR系统2利用激光束在不同的时间、空间进行照射，获取信息。智能车载中枢3，是一种智能软件，包含图像处理技术跟机器学习相关技术，用于对事故发生概率进行预测。

参照图2，语音播放器4，安装在智能装置中下方。语音播放器5，主要作用向驾驶人员传达分析结果。该装置的底座5，可以直接蹲放在车前的前方，方便安全。

该所述的装置外形类似于小型机器人，可以直接放置在车辆前方，小巧方便，无需人工参与，不会影响车辆正常操作。该装置上设置有前方摄像头跟LIDAR系统类似于人眼，分别实时监测车内驾驶人员的疲劳程度跟路况信息，将这两部分的数据传到该智能设备的智能中枢中数据处理中心，对数据进行处理作出判断并预测，结果将会通过语音播放装置播报。

参照图3，是本发明的疲劳检测结构图，具体有：

这一部分主要包括三个主要部分：人脸定位部分、面部疲劳特征提取部分和疲劳状态判断部分。

人脸定位：即将人脸区域和非人脸区域分开。首先通过图像预处理，便于对人脸的定位与跟踪；然后使用Haar-like特征表示人脸特征，通过AdaBoost级联分类器对驾驶员的视频图像进行检测，完成人脸的定位检测工作。

面部疲劳特征提取：包括眼嘴的定位检测，眼部区域和嘴部区域特征的提取，这两部分的特征能够较好地反应驾驶员疲劳状态。

疲劳状态判断：这一部分综合所有的特征，对驾驶员的行车状态做出判定。

参照图4，路况信息监测过程如下：

1)当激光束打到物体上，形成发射信号，系统首先根据信号的距离和深度，形成一个个的数据点。

2)把点的外形跟轮廓定义出来。

3)利用机器学习设计分类器，识别该物体到底是什么(车，行人，石头还是其他)。

4)理解和预测该物体的运动状态、速度和不确定性。

参照图5，是本发明基于机器学习的交通事故预警装置方法，包括以下步骤：

1)获取数据，具体做法是：

外部数据：由LIDAR系统2获取的路况信息数据。

内部数据：由视频摄像头1获取的驾驶员面部图像数据组成。

2)对数据进行分析，具体做法是：

智能中枢3相当于人的大脑，内部含有图像处理技术和机器学习相关算法预测技术，对接收到的外部数据与内部数据进行处理，对数据的分析结果具有比较高准确性，同时可以帮助驾驶人员制作出，能够避免事故或着可以将事故损失降到最低的措施。

3)判断是否需要发出警报，具体做法如下：

在进行预测时设定一个阀值，这个阀值是通过大量的仿真模拟而确定的，具有较高的可信度，如果处理结果大于阀值则发出语音警报。

综上所述，本发明一种基于机器学习的交通事故预警装置，优化了现有的交通事故预警装置，并可实现交通事故的提前预知跟避免，从驾驶人员自身因素以及道路环境这两个发生交通事故最主要因素，降低交通事故的发生率。

Claims (10)

1.一种基于机器学习的交通事故预警装置，其特征在于，包括：

数据获取装置，包括视频摄像头(1)和LIDAR系统(2)，视频摄像头(1)用于获取驾驶员的面部图像，LIADR系统(2)用于获取实时路况信息；

智能车载中枢(3)，包括接收数据单元和处理单元

接收数据单元，用于接收来自获数据获取装置的面部图像和路况信息数据，同时将数据传到处理单元；

处理单元，用于处理接收装置接收到的数据，对数据进行处理与分析，得出道路状况发生事故的概率和驾驶人员疲劳程度信息，然后结合机器学习对处理和分析的数据进行预测，估算出发生事故的概率；

结果播放装置，用于播放处理单元的估算结果，以提醒司机；

机械装置，用于安装并支撑数据获取装置、接收数据单元和结果播放装置。

2.根据权利要求1所述的一种基于机器学习的交通事故预警装置，其特征在于，所述的LIDAR系统(2)利用激光束在不同的时间、空间进行照射，根据信号的距离和深度，形成一个个的数据点，即得到实时路况信息。

3.根据权利要求1所述的一种基于机器学习的交通事故预警装置，其特征在于，所述的处理单元对面部图像数据进行处理与分析具体包括：

人脸定位：将人脸区域和非人脸区域分开，首先通过图像预处理，便于对人脸的定位与跟踪；然后使用Haar-like特征表示人脸特征，并通过积分图快速计算特征值，通过AdaBoost级联分类器对驾驶员的视频图像进行检测，完成人脸的定位检测工作；

面部疲劳特征提取：包括眼嘴的定位检测，提取眼部疲劳特征参数和嘴部疲劳特征参数；

疲劳状态判断：结合人脸定位和面部疲劳特征提取，根据眼部PERCLOS值和嘴部打哈欠周期时间阈值综合判定驾驶员是否进入疲劳状态。

4.根据权利要求1所述的一种基于机器学习的交通事故预警装置，其特征在于，所述的处理单元对路况信息数据进行处理与分析具体包括：

根据信号的距离和深度，形成一个个的数据点；把数据点的外形跟轮廓定义出来；利用机器学习设计分类器，识别实时路况上的物体的类型，进一步获取物体运动状态，从而感知路况信息。

5.根据权利要求1所述的一种基于机器学习的交通事故预警装置，其特征在于，所述的结果播放装置为语音播放器(4)。

6.根据权利要求5所述的一种基于机器学习的交通事故预警装置，其特征在于，所述的机械装置包括本体(6)和底座(5)，视频摄像头(1)和LIDAR系统(2)设置在本体(6)上端的前面和背面，智能车载中枢(3)设置在本体(6)内部，语音播放器(4)设置在本体(6)下端，本体(6)设置在底座(5)上。

7.一种基于机器学习的交通事故预警方法，其特征在于，包括以下步骤：

1)获取数据：

外部数据：由LIDAR系统(2)获取的路况信息数据；

内部数据：由视频摄像头(1)获取驾驶员的面部图像数据；

2)对数据进行处理与分析：

对接收到的外部数据与内部数据进行处理，并对面部图像和路况信息数据进行处理与分析，然后结合机器学习对接收到的数据进行预测，估算出发生事故的概率；

3)判断是否需要发出警报：

在进行预测时设定一个阀值，如果处理结果大于阀值则发出语音警报，以提醒司机。

8.根据权利要求7所述的一种基于机器学习的交通事故预警方法，其特征在于，所述的LIDAR系统(2)利用激光束在不同的时间、空间进行照射，根据信号的距离和深度，形成一个个的数据点，进而得到实时路况信息。

9.根据权利要求7所述的一种基于机器学习的交通事故预警方法，其特征在于，步骤2)中，对面部图像数据进行处理与分析具体包括：

人脸定位：将人脸区域和非人脸区域分开，首先通过图像预处理，便于对人脸的定位与跟踪；然后使用Haar-like特征表示人脸特征，通过AdaBoost级联分类器对驾驶员的视频图像进行检测，完成人脸的定位检测工作；

面部疲劳特征提取：包括眼嘴的定位检测，眼部区域和嘴部区域特征的提取；

疲劳状态判断：结合人脸定位和面部疲劳特征提取，对驾驶员的行车状态做出判定。

10.根据权利要求7所述的一种基于机器学习的交通事故预警方法，其特征在于，步骤2)中，对路况信息数据进行处理与分析具体包括：

根据信号的距离和深度，形成一个个的数据点；把数据点的外形跟轮廓定义出来；利用机器学习设计分类器，识别实时路况上的物体的类型，进一步获取物体运动状态，从而感知路况信息。