CN110866427A - 一种车辆行为检测方法及装置 - Google Patents
一种车辆行为检测方法及装置 Download PDFInfo
- Publication number
- CN110866427A CN110866427A CN201810986173.3A CN201810986173A CN110866427A CN 110866427 A CN110866427 A CN 110866427A CN 201810986173 A CN201810986173 A CN 201810986173A CN 110866427 A CN110866427 A CN 110866427A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- server
- mounted intelligent
- behavior
- video frame
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims description 62
- 230000005856 abnormality Effects 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 41
- 230000005540 biological transmission Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 18
- 238000002360 preparation method Methods 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000007405 data analysis Methods 0.000 abstract description 7
- 230000006399 behavior Effects 0.000 description 89
- 230000006870 function Effects 0.000 description 39
- 230000008859 change Effects 0.000 description 35
- 230000008569 process Effects 0.000 description 29
- 238000003062 neural network model Methods 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000012805 post-processing Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000002860 competitive effect Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 238000012916 structural analysis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆行为检测方法,包括:车载智能设备连续采集视频帧;车载智能设备通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;车载智能设备将所述车辆异常判断结果上传至服务器;所述服务器根据所述车辆异常判断结果进行车辆行为报警。本申请能够识别各种违章驾驶,交通事故类型,并且利用车载智能设备和大数据分析解决了监控盲点问题,在道路全程都能监督车辆安全行驶以及在监控盲点进行事故处理。
Description
技术领域
本申请涉及机器视觉领域,尤其涉及一种车辆行为的检测方法及装置。
背景技术
随着社会的不断进步,视频分析的应用范围越来越广。现有的数字监控系统远远不能满足于许多应用场合的需要,主要体现在智能化程度不够高以及应用不够广泛。以交通事故检测领域为例,一方面,目前仅在各个卡口,路口配备监控进行简单的违章取证,不仅监控盲点很大,而且在任何地方发生事故,依然需要交警到达现场进行事故和责任鉴定,在拥堵道路上则严重影响交通;另一方面,基于深度学习技术的行为识别近年来已经开始被应用于一些基于人的动作识别方面,但是对于车辆的事故或是违章识别却没有被关注。
目前,已有类似技术的专利申请,例如US20180121731A1,其公开了一种采用3D卷积网络对图像进行合成,采用LSTM网络实现车身图像分析和判断的方法,然而其是采用外界的摄像头用于采集车辆等所包括的图形或者文字,以识别出该图形或文字,并未公开可以采用车载终端的视频检测装置识别交通违章或者事故;例如CN108133172A,其公开了一种采用机器学习的方法采集目标车辆信息,并对视频图像和运动轨迹进行分析,从而判断出交通违章以及事故,然而其未公开可以采用车载终端的视频检测装置来进行图像采集和传输。
因此,在基于视频分析的车辆行为检测领域,如何及时有效的识别各种违章驾驶、交通事故类型,仍属于亟待解决和改进的问题。
发明内容
本申请的目的是通过以下技术方案实现的。
一种车辆行为检测方法,包括:
车载智能设备连续采集视频帧;
车载智能设备通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
车载智能设备将所述车辆异常判断结果上传至服务器;
所述服务器根据所述车辆异常判断结果进行车辆行为报警。
其中,所述车载智能设备通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果包括:
车载智能设备将所述视频帧输入神经网络,通过神经网络对所述视频帧进行特征抽取,生成多维的行为特征向量,对所述多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
其中,所述车载智能设备将所述车辆异常判断结果上传至服务器包括:
将车辆异常的类型上传至服务器,所述车辆异常的类型包括危险驾驶和/或交通事故;
将用于判断为所述车辆异常的视频帧上传至所述服务器。
其中,所述车载智能设备连续采集视频帧之前,包括:
以当前车载智能设备所属的车辆为中心,设定检测范围,对所述检测范围内的一个或多个车辆进行视频帧的采集;
所述用于判断为所述车辆异常的视频帧,包括:将所述检测范围内的一个或多个车辆判断为车辆异常的多个视频帧。
其中,所述服务器根据所述车辆异常判断结果进行车辆行为报警包括:
向被判断为车辆异常的车辆、以及与被判断为车辆异常的车辆距离一定范围内的多个车辆发出报警信息。
其中,所述车载智能设备连续采集视频帧包括:所述车载智能设备的摄像模块每隔固定帧数保存一个视频帧。
一种车辆行为检测方法,包括:
车载智能设备连续采集视频帧;
车载智能设备将所述视频帧上传至服务器;
所述服务器通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
所述服务器根据所述车辆异常判断结果进行车辆行为报警。
其中,所述车载智能设备连续采集视频帧之前,包括:
以当前车载智能设备所属的车辆为中心,设定检测范围,对所述检测范围内的一个或多个车辆进行视频帧的采集;
所述车载智能设备将所述视频帧上传至服务器包括:
将所述检测范围内的一个或多个车辆的多个视频帧上传至服务器。
其中,所述服务器通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果包括:
所述服务器将所述视频帧输入神经网络,通过神经网络对所述视频帧进行特征抽取,生成多维的行为特征向量,对所述多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
其中,所述服务器根据所述车辆异常判断结果进行车辆行为报警包括:
向被判断为车辆异常的车辆、以及与被判断为车辆异常的车辆距离一定范围内的多个车辆发出报警信息,所述车辆异常包括危险驾驶和/或交通事故。
其中,所述车载智能设备连续采集视频帧包括:车载智能设备的摄像模块每隔固定帧数保存一个视频帧。
一种车辆行为检测装置,包括:
数据采集模块,用于连续采集视频帧;
数据处理模块,用于通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
数据传输模块,用于将所述车辆异常判断结果上传至服务器;
综合报警模块,用于根据所述车辆异常判断结果进行车辆行为报警。
一种车辆行为检测装置,包括:
数据采集模块,用于连续采集视频帧;
数据传输模块,用于将所述视频帧上传至服务器;
数据处理模块,用于通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
综合报警模块,用于根据所述车辆异常判断结果进行车辆行为报警。
一种车辆行为检测系统,包括:
车载智能设备,所述车载智能设备包括摄像模块;
服务器;
该系统用于实现下述的车辆行为检测方法:
车载智能设备连续采集视频帧;
车载智能设备通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
车载智能设备将所述车辆异常判断结果上传至服务器;
所述服务器根据所述车辆异常判断结果进行车辆行为报警。
其中,所述车载智能设备通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果包括:
车载智能设备将所述视频帧输入神经网络,通过神经网络对所述视频帧进行特征抽取,生成多维的行为特征向量,对所述多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
其中,所述车载智能设备将所述车辆异常判断结果上传至服务器包括:
将车辆异常的类型上传至服务器,所述车辆异常的类型包括危险驾驶和/或交通事故;
将用于判断为所述车辆异常的视频帧上传至所述服务器。
其中,所述车载智能设备连续采集视频帧之前,包括:
以当前车载智能设备所属的车辆为中心,设定检测范围,对所述检测范围内的一个或多个车辆进行视频帧的采集;
所述用于判断为所述车辆异常的视频帧,包括:
将所述检测范围内的一个或多个车辆判断为车辆异常的多个视频帧。
其中,所述服务器根据所述车辆异常判断结果进行车辆行为报警包括:
向被判断为车辆异常的车辆、以及与被判断为车辆异常的车辆距离一定范围内的多个车辆发出报警信息。
其中,所述车载智能设备连续采集视频帧包括:所述车载智能设备的摄像模块每隔固定帧数保存一个视频帧。
其中,所述服务器为云分析服务器。
一种车辆行为检测系统,包括:
车载智能设备,所述车载智能设备包括摄像模块;
服务器;
该系统用于实现下述的车辆行为检测方法:
车载智能设备连续采集视频帧;
车载智能设备将所述视频帧上传至服务器;
所述服务器通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
所述服务器根据所述车辆异常判断结果进行车辆行为报警。
其中,所述车载智能设备连续采集视频帧之前,包括:
以当前车载智能设备所属的车辆为中心,设定检测范围,对所述检测范围内的一个或多个车辆进行视频帧的采集;
所述车载智能设备将所述视频帧上传至服务器包括:
将所述检测范围内的一个或多个车辆的多个视频帧上传至服务器。
其中,所述服务器通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果包括:
所述服务器将所述视频帧输入神经网络,通过神经网络对所述视频帧进行特征抽取,生成多维的行为特征向量,对所述多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
其中,所述服务器根据所述车辆异常判断结果进行车辆行为报警包括:
向被判断为车辆异常的车辆、以及与被判断为车辆异常的车辆距离一定范围内的多个车辆发出报警信息,所述车辆异常包括危险驾驶和/或交通事故。
其中,所述车载智能设备连续采集视频帧包括:车载智能设备的摄像模块每隔固定帧数保存一个视频帧。
其中,所述服务器为云分析服务器。
本申请提出如下方案:基于车载智能设备如行车记录仪,或者智能手机进行视频采集,并进行本地处理识别车辆行为、事故类型,将信息上传服务器,通过大数据分析进行车辆报警,用以加强道路行驶安全以及加速小微事故处理速度,以辅助提升城市交通效率。
根据本申请所提出的方案,至少能达到如下的有益效果:
1.能够识别各种违章驾驶,交通事故类型;
2.利用车载智能设备和大数据分析解决监控盲点问题,在道路全程都能监督车辆安全行驶以及在监控盲点进行事故处理;
3.充分利用车载智能设备的本地处理能力,减少服务器端的数据处理压力,可以降低对服务器的硬件需求,通过本地处理、服务器判断报警使得车辆报警有更高的实时性,实现了加强道路安全和/或加速事故的处理的技术效果。
本申请还提出如下方案:基于车载智能设备如行车记录仪,或者智能手机进行视频采集,将信息上传服务器,通过大数据分析识别车辆行为、事故类型,并发出报警信息,用以加强道路行驶安全以及加速小微事故处理速度,以辅助提升城市交通效率。
根据本申请所提出的方案,至少能达到如下的有益效果:
1.能够识别各种违章驾驶,交通事故类型;
2.利用车载智能设备和大数据分析解决监控盲点问题,在道路全程都能监督车辆安全行驶以及在监控盲点进行事故处理;
3.可以降低对车载智能设备的硬件需求,充分利用无线传输的便捷性与高效率,在服务器端进行完备的数据处理和分析,通过实时数据传输、服务器端数据处理使得车辆报警有更高的准确度,实现了加强道路安全和/或加速事故的处理的技术效果。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
附图1为根据本申请一种实施方式的车辆行为检测方法流程图;
附图2为根据本申请一种实施方式的车辆行为检测装置示意图;
附图3为根据本申请另一种实施方式的车辆行为检测方法流程图;
附图4为根据本申请另一种实施方式的车辆行为检测装置示意图;
附图5为相关技术中CNN编码过程示意图;
附图6为根据本申请实施方式的3D CNN编码过程示意图;
附图7为根据本申请一种实施方式的车辆行为检测系统的报警过程的示意图;
附图8为根据本申请另一种实施方式的车辆行为检测系统的报警过程的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
根据本申请的一种实施方式,提出一种车辆行为检测方法,如图1所示,包括:
步骤101:数据采集步骤
具体地,该步骤包括车载智能设备的摄像模块连续采集视频帧,每隔固定帧数保存一个视频帧。
示例性地,车载智能设备包括行车记录仪、移动通信设备、或者其他具有数据传输功能的摄像装置。车载智能设备通过其摄像模块采集视频,获取视频文件,所述视频文件包括多个视频帧,该视频文件所包括的多个视频帧为摄像模块所采集的视频中相隔固定帧数的多个视频帧。
步骤102:数据处理步骤
具体地,该步骤包括车载智能设备将保存的视频帧图片输入神经网络(neuralnetwork),通过神经网络对视频帧图片进行特征抽取,生成多维的行为特征向量;对多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
示例性地,上述车辆异常判断结果,其含义为判断得出该车辆属于危险驾驶或者交通事故,得出车辆异常判断结果的判别规则是根据神经网络模型所输出的逻辑分类的结果是否大于该类型所对应的车辆异常的预设阈值,判断得出。即,如果逻辑分类后的结果大于危险驾驶的预设阈值,那么判断得出当前视频帧的情形属于危险驾驶。如果逻辑分类后的结果大于交通事故的预设阈值,那么得出当前视频帧的情形属于交通事故。其中,每一类危险驾驶或者交通事故都有其区别判断标准,即有其各自的预设阈值,该预设阈值是通过大量样本训练神经网络模型。神经网络模型的训练过程,在此不再赘述。
所述车辆异常判断结果包括某一车辆是否属于危险驾驶或者交通事故的结果数据。危险驾驶包括追逐竞驾、醉酒驾驶以及疲劳驾驶,其中,追逐竞驾的判断包括通过前后车位置、距离随时间变化的视频帧的情况,醉酒驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机身体躯干的晃动情况等,疲劳驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机眼睛的睁开与闭合情况、司机双手位置等;交通事故包括某一类型/形态的交通事故,其中,所述交通事故在类型上包括追尾事故、超车事故、左转弯事故、有转变事故等,在形态上包括碰撞、刮擦、碾压、翻车、坠车、失火等。
示例性地,所述神经网络包括但不限于深度神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆(LSTM)神经网络等。
示例性地,特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,sigmoid函数是二分类的,每个类都能输出独立的置信度,因而在类间差异较小的时候能同时给出几个置信度较高的类别输出,训练模型时不会因此抑制相似类别特征,从而获得较好的模型性能。
示例性地,步骤102属于智能设备本地执行。上述智能设备本地执行,其含义为在步骤102的执行过程中,车辆本地的智能设备不需将所采集的数据上传至服务器,仅在单个车辆本地的车载智能设备中进行上述数据处理过程。
步骤103:数据传输步骤
具体地,该步骤包括车载智能设备将道路中的所有车辆行驶行为相关数据以及车辆异常判断结果实时上传服务器。
示例性地,将结构化分析数据及关键视频数据上传服务器。所述结构化分析数据包括以数据库形式体现的车辆异常判断结果和/或中间过程数据。所述关键视频数据包括用于判断出危险驾驶或者事故类别的多个帧。
示例性地,所述数据传输的方式包括无线网络通信模式。
步骤104:综合报警步骤
具体地,该步骤包括服务器进行车辆行为分析与报警。
示例性地,通过对步骤103上传的某一区域的道路中所有车辆的车辆异常判断结果进行分析,进行报警和后处理。其中,所述报警包括,由服务器根据接收到的车辆异常判断结果经由无线网络通过车载智能设备对该车辆发出报警信息,并经由无线网络通过车载智能设备对该车辆的周围车辆发出报警信息;所述后处理包括针对某一类型/形态的交通事故对事故类型进行处理,轻微事故直接给出判罚与后续清道措施,使道路交通尽快恢复正常,以辅助提升城市交通效率。
示例性地,所述周围车辆包括在设定范围内的开启该网络接收功能的所有车辆。
上述发出报警信息的实现方式包括对驾驶员发出音频、视频、体感等多种形式的报警信息,还包括对副驾驶或者乘客发出音频、视频、体感等多种形式的报警信息。
与上述步骤相应地,本申请提出一种车辆行为检测装置,如图2所示,包括:
数据采集模块201,用于通过车载智能设备的摄像模块连续采集视频帧,每隔固定帧数保存一个视频帧;
示例性地,车载智能设备包括行车记录仪、移动通信设备、或者其他具有数据传输功能的摄像装置。车载智能设备通过其摄像模块采集视频,获取视频文件,所述视频文件包括多个视频帧,该视频文件所包括的多个视频帧为摄像模块所采集的视频中相隔固定帧数的多个视频帧。
数据处理模块202,用于通过车载智能设备将采集好的视频帧图片输入神经网络(neural network),通过神经网络对视频帧图片进行特征抽取,生成多维的行为特征向量;对多维的行为特征向量中的每一维采用逻辑分类,分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常;
示例性地,上述车辆异常判断结果,其含义为判断得出该车辆属于危险驾驶或者交通事故,得出车辆异常判断结果的判别规则是根据神经网络模型所输出的逻辑分类的结果是否大于该类型所对应的车辆异常的预设阈值,判断得出。即,如果逻辑分类后的结果大于危险驾驶的预设阈值,那么判断得出当前视频帧的情形属于危险驾驶。如果逻辑分类后的结果大于交通事故的预设阈值,那么得出当前视频帧的情形属于交通事故。其中,每一类危险驾驶或者交通事故都有其区别判断标准,即有其各自的预设阈值,该预设阈值是通过大量样本训练神经网络模型。神经网络模型的训练过程,在此不再赘述。
所述车辆异常判断结果包括某一车辆是否属于危险驾驶或者交通事故的结果数据。危险驾驶包括追逐竞驾、醉酒驾驶以及疲劳驾驶,其中,追逐竞驾的判断包括通过前后车位置、距离随时间变化的视频帧的情况,醉酒驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机身体躯干的晃动情况等,疲劳驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机眼睛的睁开与闭合情况等;交通事故包括某一类型/形态的交通事故,其中,所述交通事故在类型上包括追尾事故、超车事故、左转弯事故、有转变事故等,在形态上包括碰撞、刮擦、碾压、翻车、坠车、失火等。
示例性地,所述神经网络包括但不限于深度神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆(LSTM)神经网络等。
示例性地,特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,sigmoid函数是二分类的,每个类都能输出独立的置信度,因而在类间差异较小的时候能同时给出几个置信度较高的类别输出,训练模型时不会因此抑制相似类别特征,从而获得较好的模型性能。
示例性地,数据处理模块202设置于智能设备本地。上述智能设备本地的含义为在模块202的执行过程中,车辆本地的车载智能设备不需将所采集的数据上传至服务器,仅在单个车辆本地的车载智能设备中进行上述数据处理过程。
数据传输模块203,用于将道路中的所有车辆行驶行为相关数据以及车辆异常判断结果实时上传服务器;
示例性地,将结构化分析数据及关键视频数据上传服务器。所述结构化分析数据包括以数据库形式体现的车辆异常判断结果和/或中间过程数据。所述关键视频数据包括用于判断出危险驾驶或者事故类别的多个帧。
示例性地,所述数据传输的方式包括无线网络通信模式。
综合报警模块204,用于采用服务器利用大数据分析进行车辆行为分析与报警。
示例性地,通过对数据传输模块203上传的某一区域的道路中所有车辆的车辆异常判断结果进行分析,进行报警和后处理。其中,所述报警包括,由服务器根据接收到的车辆异常判断结果经由无线网络通过车载智能设备对该车辆发出报警信息,并经由无线网络通过车载智能设备对该车辆的周围车辆发出报警信息;所述后处理包括针对某一类型/形态的交通事故对事故类型进行处理,轻微事故直接给出判罚与后续清道措施,使道路交通尽快恢复正常,以辅助提升城市交通效率。
示例性地,所述周围车辆包括在设定范围内的开启该网络接收功能的所有车辆。
上述发出报警信息的实现方式包括对驾驶员发出音频、视频、体感等多种形式的报警信息,还包括对副驾驶或者乘客发出音频、视频、体感等多种形式的报警信息。
根据本申请的另一种实施方式,提出一种车辆行为检测方法,如图3所示,包括:
步骤111:数据采集步骤
具体地,该步骤包括通过智能设备的摄像模块连续采集视频帧,每隔固定帧数保存一个视频帧。
示例性地,车载智能设备包括行车记录仪、移动通信设备、或者其他具有数据传输功能的摄像装置。车载智能设备通过其摄像模块采集视频,获取视频文件,所述视频文件包括多个视频帧,该视频文件所包括的多个视频帧为摄像模块所采集的视频中相隔固定帧数的多个视频帧。
步骤112:数据传输步骤
具体地,该步骤包括将步骤111中所采集的视频帧数据实时上传至服务器。
示例性地,所述数据传输的方式包括无线网络通信模式。
步骤113:数据处理步骤
具体地,该步骤包括服务器将采集好的视频帧图片输入神经网络(neuralnetwork),通过神经网络对视频帧图片进行特征抽取,生成多维的行为特征向量;对多维的行为特征向量中的每一维采用逻辑分类,分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
示例性地,上述车辆异常判断结果,其含义为判断得出该车辆属于危险驾驶或者交通事故,得出车辆异常判断结果的判别规则是根据神经网络模型所输出的逻辑分类的结果是否大于该类型所对应的车辆异常的预设阈值,判断得出。即,如果逻辑分类后的结果大于危险驾驶的预设阈值,那么判断得出当前视频帧的情形属于危险驾驶。如果逻辑分类后的结果大于交通事故的预设阈值,那么得出当前视频帧的情形属于交通事故。其中,每一类危险驾驶或者交通事故都有其区别判断标准,即有其各自的预设阈值,该预设阈值是通过大量样本训练神经网络模型。神经网络模型的训练过程,在此不再赘述。
所述车辆异常判断结果包括某一车辆是否属于危险驾驶或者交通事故的结果数据。危险驾驶包括追逐竞驾、醉酒驾驶以及疲劳驾驶,其中,追逐竞驾的判断包括通过前后车位置、距离随时间变化的视频帧的情况,醉酒驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机身体躯干的晃动情况等,疲劳驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机眼睛的睁开与闭合情况等;交通事故包括某一类型/形态的交通事故,其中,所述交通事故在类型上包括追尾事故、超车事故、左转弯事故、有转变事故等,在形态上包括碰撞、刮擦、碾压、翻车、坠车、失火等。
示例性地,所述神经网络包括但不限于深度神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆(LSTM)神经网络等。
示例性地,特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。
在服务器侧识别各种违章驾驶、交通事故,可以降低对车载智能设备的硬件需求,充分利用无线传输的便捷性与高效率,在服务器端进行完备的数据处理和分析,通过实时数据传输、服务器端数据处理使得车辆报警有更高的准确度,实现了加强道路安全和/或加速事故的处理的技术效果。
步骤114:综合报警步骤
具体地,该步骤包括服务器进行车辆行为分析与报警。
示例性地,通过对步骤113得出的车辆异常判断结果,进行报警和后处理。其中,所述报警包括,根据车辆异常判断结果经由无线网络通过车载智能设备对该车辆发出报警信息,并经由无线网络通过车载智能设备对该车辆的周围车辆发出报警信息;所述后处理包括针对某一类型/形态的交通事故对事故类型进行处理,轻微事故直接给出判罚与后续清道措施,使道路交通尽快恢复正常,以辅助提升城市交通效率。
示例性地,所述周围车辆包括在设定范围内的开启该网络接收功能的所有车辆。
上述发出报警信息的实现方式包括对驾驶员发出音频、视频、体感等多种形式的报警信息,还包括对副驾驶或者乘客发出音频、视频、体感等多种形式的报警信息。
与上述步骤相应地,本申请提出一种车辆行为检测装置,如图4所示,包括:
数据采集模块211,用于通过车载智能设备的摄像模块连续采集视频帧,每隔固定帧数保存一个视频帧;
示例性地,车载智能设备包括行车记录仪、移动通信设备、或者其他具有数据传输功能的摄像装置。车载智能设备通过其摄像模块采集视频,获取视频文件,所述视频文件包括多个视频帧,该视频文件所包括的多个视频帧为摄像模块所采集的视频中相隔固定帧数的多个视频帧。
数据传输模块212,用于将数据采集模块211中所保存的视频帧数据实时上传至服务器;
示例性地,所述数据传输的方式包括无线网络通信模式。
数据处理模块213,用于采用服务器将采集好的视频帧图片输入神经网络(neuralnetwork),通过神经网络对视频帧图片进行特征抽取,生成多维的行为特征向量;对多维的行为特征向量中的每一维采用逻辑分类,分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常;
示例性地,上述车辆异常判断结果,其含义为判断得出该车辆属于危险驾驶或者交通事故,得出车辆异常判断结果的判别规则是根据神经网络模型所输出的逻辑分类的结果是否大于该类型所对应的车辆异常的预设阈值,判断得出。即,如果逻辑分类后的结果大于危险驾驶的预设阈值,那么判断得出当前视频帧的情形属于危险驾驶。如果逻辑分类后的结果大于交通事故的预设阈值,那么得出当前视频帧的情形属于交通事故。其中,每一类危险驾驶或者交通事故都有其区别判断标准,即有其各自的预设阈值,该预设阈值是通过大量样本训练神经网络模型。具体的神经网络模型训练过程,在此不再赘述。
综合报警模块214,用于采用服务器利用大数据分析进行车辆行为分析与报警。
示例性地,通过对数据处理模块213得出的车辆异常判断结果,进行报警和后处理。其中,所述报警包括,根据车辆异常判断结果经由无线网络通过车载智能设备对该车辆发出报警信息,并经由无线网络通过车载智能设备对该车辆的周围车辆发出报警信息;所述后处理包括针对某一类型/形态的交通事故对事故类型进行处理,轻微事故直接给出判罚与后续清道措施,使道路交通尽快恢复正常,以辅助提升城市交通效率。
示例性地,所述周围车辆包括在设定范围内的开启该网络接收功能的所有车辆。
上述发出报警信息的实现方式包括对驾驶员发出音频、视频、体感等多种形式的报警信息,还包括对副驾驶或者乘客发出音频、视频、体感等多种形式的报警信息。
本申请的可选实施例提供一种车辆行为检测方法,包括:步骤101:数据采集步骤
采用车载智能设备进行视频采集,对于车载智能设备的摄像模块所采集的视频帧,每隔0.1秒将所采集的多个视频帧送入后续步骤进行计算。例如,后续步骤需要每隔0.1秒给出一次计算结果,视频全帧率是50帧/秒,则隔帧采样的结果是每隔0.1秒送5帧图片进入后续步骤。
其中,车载智能设备包括行车记录仪、移动通信设备、或者其他具有数据传输功能的摄像装置。
步骤102:数据处理步骤,具体包括如下步骤:
步骤102-1:将采集的连续视频帧图片例如5帧图片输入神经网络,通过神经网络对连续帧图片例如5帧图片进行特征抽取,生成行为特征向量。其中,使用3D卷积网络进行视频序列的特征提取,使用LSTM网络对特征进行历史信息的融合后输出最终特征向量。
相关技术中,对视频的操作是将视频帧单独进行CNN特征编码,然后使用LSTM对各帧特征进行处理,如图5所示,对视频帧Image(t-2)、Image(t-1)、Image(t)分别进行CNN特征编码,然后采用LSTM对编码后的各帧特征进行处理,其中,h(x)是LSTM的隐含状态,S(t)是输出的结果向量,S(t-3)、S(t-2)、S(t-1)是过程向量,输出S(t)作为计算最终结果。
但是上述方法中存在如下问题:单张视频帧图片无法准确反映连续的视频片段状态,且前几张图片的LSTM网络输出无法参与训练。因此在本申请的步骤中,将图5的流程简化,如图6所示,将一段视频的5帧作为1个输入,使用3D卷积进行特征编码,然后使用LSTM对特征编码后的帧特征进行处理,其中,h(x)是LSTM的隐含状态,S(t)是输出的结果向量,S(t-5)是过程向量,输出S(t)作为本次计算最终结果。
步骤102-2:对特征向量S(t)采用逻辑分类,输出大于预设阈值的类别
采用sigmoid函数对特征向量S(t)进行最终的类别输出。
具体地,采用sigmoid函数对步骤102中的特征向量S(t)进行类别输出,sigmoid函数由以下公式定义:
其中,x为各个事件通过神经网络特征提取后产生的多维特征向量S(t),每个所输出的类别f(x)都对应着特征向量上的一维。将f(x)与预设阈值(危险驾驶或者某一类型/形态的交通事故的区别判断标准)相比较,大于该预设阈值,则判断属于危险驾驶或者某一类型/形态的交通事故,得到车辆异常判断结果。
步骤102属于智能设备本地执行。上述智能设备本地执行,其含义为在步骤102的执行过程中,车辆本地的智能设备不需将所采集的数据上传至服务器,仅在单个车辆本地的车载智能设备中进行上述数据处理过程。
这样车载智能设备能够识别各种违章驾驶,交通事故类型;如果充分利用车载智能设备的本地处理能力,车载智能设备上实现该功能,那么可以减少服务器端的数据处理压力,可以降低对服务器的硬件需求,通过本地处理、服务器判断报警使得车辆报警有更高的实时性,实现了加强道路安全和/或加速事故的处理的技术效果。
步骤103:数据传输步骤
该步骤包括将步骤102得出的车辆异常判断结果,以及道路中的所有车辆行驶行为数据(结构化分析数据及关键视频数据)通过无线通信网络实时上传服务器。所述结构化分析数据包括网络模型的输出f(x)所表征的事件类别,以及相关的视频帧数据、中间结果数据。
步骤104:综合报警步骤
该步骤包括在服务器,进行车辆行为分析与报警。
通过上述车辆异常判断结果,当车辆被判别为危险驾驶的时候,根据GPS以及车牌识别(车牌识别通过采样视频的中间帧图像来进行)信息的综合定位,向危险驾驶车辆周围一定范围内(示例性地,半径100米的圆周范围内)的车辆进行报警,输出危险驾驶车辆与本车的相对位置。GPS由于精度所限,不能精准地给出危险驾驶车辆与本车的相对位置,所以采用GPS给定范围,范围内的车辆通过各车所能看到的车牌在图像中的相对位置来构成整体的位置信息。
通过上述车辆异常判断结果,当车辆被判别为事故车辆的时候,根据GPS以及车牌识别(车牌识别通过采样视频的中间帧图像来进行)信息的综合定位,向事故车辆周围100米范围内的车辆进行报警,输出事故车辆与本车的相对位置。GPS信息由于精度所限,不能精准地给出事故车辆与本车的相对位置,所以采用GPS给定范围,范围内的车辆通过各车所能看到的车牌在图像中的相对位置来构成整体的位置信息。
本申请的可选实施例提供一种车辆行为检测方法,包括:步骤111:数据采集步骤
采用车载智能设备进行视频采集,对于车载智能设备的摄像模块所采集的视频帧,每隔0.1秒将所采集的多个视频帧送入后续步骤进行计算。例如,后续步骤需要每隔0.1秒给出一次计算结果,视频全帧率是50帧/秒,则隔帧采样的结果是每隔0.1秒送5帧图片进入后续步骤。
其中,智能设备包括行车记录仪、移动通信设备、或者其他具有数据传输功能的摄像装置。
步骤112:数据传输步骤
具体地,该步骤包括将步骤111中所保存的视频帧数据实时上传至服务器。
示例性地,所述数据传输的方式包括无线网络通信模式。
步骤113:数据处理步骤,具体包括在服务器执行如下步骤:
步骤113-1:将上传的连续视频帧图片例如5帧图片输入神经网络,通过神经网络对连续帧图片例如5帧图片进行特征抽取,生成行为特征向量。其中,使用3D卷积网络进行视频序列的特征提取,使用LSTM网络对特征进行历史信息的融合后输出最终特征向量。
相关技术中,对视频的操作是将视频帧单独进行CNN特征编码,然后使用LSTM对各帧特征进行处理,如图5所示,对视频帧Image(t-2)、Image(t-1)、Image(t)分别进行CNN特征编码,然后采用LSTM对编码后的各帧特征进行处理,其中,h(x)是LSTM的隐含状态,S(t)是输出的结果向量,S(t-3)、S(t-2)、S(t-1)是过程向量,输出S(t)作为计算最终结果。
但是上述方法中存在如下问题:单张视频帧图片无法准确反映连续的视频片段状态,且前几张图片的LSTM网络输出无法参与训练。因此在本申请的步骤中,将图5的流程简化,如图6所示,将一段视频的5帧作为1个输入,使用3D卷积进行特征编码,然后使用LSTM对特征编码后的帧特征进行处理,其中,h(x)是LSTM的隐含状态,S(t)是输出的结果向量,S(t-5)是过程向量,输出S(t)作为本次计算最终结果。
步骤113-2:对特征向量S(t)采用逻辑分类,输出大于预设阈值的类别
采用sigmoid函数对特征向量S(t)进行最终的类别输出。
具体地,采用sigmoid函数对步骤112中的特征向量S(t)进行类别输出,sigmoid函数由以下公式定义:
其中,x为各个事件通过神经网络特征提取后产生的多维特征向量S(t),每个所输出的类别f(x)都对应着特征向量上的一维。将f(x)与预设阈值(危险驾驶或者某一类型/形态的交通事故的区别判断标准)相比较,大于该预设阈值,则判断属于危险驾驶或者某一类型/形态的交通事故,得到车辆异常判断结果。
步骤114:综合报警步骤
该步骤包括在服务器,进行车辆行为分析与报警。
通过上述车辆异常判断结果,当车辆被判别为危险驾驶的时候,根据GPS以及车牌识别(车牌识别通过采样视频的中间帧图像来进行)信息的综合定位,向危险驾驶车辆周围一定范围内(示例性地,半径100米的圆周范围内)的车辆进行报警,输出危险驾驶车辆与本车的相对位置。GPS由于精度所限,不能精准地给出危险驾驶车辆与本车的相对位置,所以采用GPS给定范围,范围内的车辆通过各车所能看到的车牌在图像中的相对位置来构成整体的位置信息。
通过上述车辆异常判断结果,当车辆被判别为事故车辆的时候,根据GPS以及车牌识别(车牌识别通过采样视频的中间帧图像来进行)信息的综合定位,向事故车辆周围100米范围内的车辆进行报警,输出事故车辆与本车的相对位置。GPS信息由于精度所限,不能精准地给出事故车辆与本车的相对位置,所以采用GPS给定范围,范围内的车辆通过各车所能看到的车牌在图像中的相对位置来构成整体的位置信息。
根据本申请的实施方式,还提出一种车辆行为检测系统,包括:
车载智能设备,所述车载智能设备包括摄像模块;
服务器;
该系统用于实现下述的车辆行为检测方法:
步骤101:数据采集步骤
具体地,该步骤包括车载智能设备的摄像模块连续采集视频帧,每隔固定帧数保存一个视频帧。
示例性地,车载智能设备包括行车记录仪、移动通信设备、或者其他具有数据传输功能的摄像装置。车载智能设备通过其摄像模块采集视频,获取视频文件,所述视频文件包括多个视频帧,该视频文件所包括的多个视频帧为摄像模块所采集的视频中相隔固定帧数的多个视频帧。
步骤102:数据处理步骤
具体地,该步骤包括车载智能设备将保存的视频帧图片输入神经网络(neuralnetwork),通过神经网络对视频帧图片进行特征抽取,生成多维的行为特征向量;对多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
示例性地,上述车辆异常判断结果,其含义为判断得出该车辆属于危险驾驶或者交通事故,得出车辆异常判断结果的判别规则是根据神经网络模型所输出的逻辑分类的结果是否大于该类型所对应的车辆异常的预设阈值,判断得出。即,如果逻辑分类后的结果大于危险驾驶的预设阈值,那么判断得出当前视频帧的情形属于危险驾驶。如果逻辑分类后的结果大于交通事故的预设阈值,那么得出当前视频帧的情形属于交通事故。其中,每一类危险驾驶或者交通事故都有其区别判断标准,即有其各自的预设阈值,该预设阈值是通过大量样本训练神经网络模型。神经网络模型的训练过程,在此不再赘述。
所述车辆异常判断结果包括某一车辆是否属于危险驾驶或者交通事故的结果数据。危险驾驶包括追逐竞驾、醉酒驾驶以及疲劳驾驶,其中,追逐竞驾的判断包括通过前后车位置、距离随时间变化的视频帧的情况,醉酒驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机身体躯干的晃动情况等,疲劳驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机眼睛的睁开与闭合情况等;交通事故包括某一类型/形态的交通事故,其中,所述交通事故在类型上包括追尾事故、超车事故、左转弯事故、有转变事故等,在形态上包括碰撞、刮擦、碾压、翻车、坠车、失火等。
示例性地,所述神经网络包括但不限于深度神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆(LSTM)神经网络等。
示例性地,特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,sigmoid函数是二分类的,每个类都能输出独立的置信度,因而在类间差异较小的时候能同时给出几个置信度较高的类别输出,训练模型时不会因此抑制相似类别特征,从而获得较好的模型性能。。
示例性地,步骤102属于智能设备本地执行。上述智能设备本地执行,其含义为在步骤102的执行过程中,车辆本地的智能设备不需将所采集的数据上传至服务器,仅在单个车辆本地的车载智能设备中进行上述数据处理过程。
示例性地,所述服务器可以是云分析服务器。
步骤103:数据传输步骤
具体地,该步骤包括车载智能设备将道路中的所有车辆行驶行为相关数据以及车辆异常判断结果实时上传服务器。
示例性地,将结构化分析数据及关键视频数据上传服务器。所述结构化分析数据包括以数据库形式体现的车辆异常判断结果和/或中间过程数据。所述关键视频数据包括用于判断出危险驾驶或者事故类别的多个帧。
示例性地,所述数据传输的方式包括无线网络通信模式。
示例性地,所述服务器可以是云分析服务器。
步骤104:综合报警步骤
具体地,该步骤包括服务器进行车辆行为分析与报警。
示例性地,通过对步骤103上传的某一区域的道路中所有车辆的车辆异常判断结果进行分析,进行报警和后处理。其中,所述报警包括,由服务器根据接收到的车辆异常判断结果经由无线网络通过车载智能设备对该车辆发出报警信息,并经由无线网络通过车载智能设备对该车辆的周围车辆发出报警信息;所述后处理包括针对某一类型/形态的交通事故对事故类型进行处理,轻微事故直接给出判罚与后续清道措施,使道路交通尽快恢复正常,以辅助提升城市交通效率。
示例性地,所述周围车辆包括在设定范围内的开启该网络接收功能的所有车辆。
示例性地,上述发出报警信息的实现方式包括对驾驶员发出音频、视频、体感等多种形式的报警信息,还包括对副驾驶或者乘客发出音频、视频、体感等多种形式的报警信息。
示例性地,所述服务器可以是云分析服务器。
图7示出了该车辆行为检测系统综合报警步骤的示意图,当前车辆的车载智能设备通过步骤102进行车辆异常判断后,通过步骤103将车辆异常判断结果发送至服务器,服务器通过步骤104向判断为异常车辆的车载智能设备、判断为异常车辆的周围车辆的车载智能设备、120急救平台、交通管理机构平台等发出报警信息。
根据本申请的另一种实施方式,提出一种车辆行为检测系统,包括:
车载智能设备,所述车载智能设备包括摄像模块;
服务器;
该系统用于实现下述的车辆行为检测方法:
步骤111:数据采集步骤
具体地,该步骤包括通过智能设备的摄像模块连续采集视频帧,每隔固定帧数保存一个视频帧。
示例性地,车载智能设备包括行车记录仪、移动通信设备、或者其他具有数据传输功能的摄像装置。车载智能设备通过其摄像模块采集视频,获取视频文件,所述视频文件包括多个视频帧,该视频文件所包括的多个视频帧为摄像模块所采集的视频中相隔固定帧数的多个视频帧。
步骤112:数据传输步骤
具体地,该步骤包括将步骤111中所采集的视频帧数据实时上传至服务器。
示例性地,所述数据传输的方式包括无线网络通信模式。
示例性地,所述服务器可以是云分析服务器。
步骤113:数据处理步骤
具体地,该步骤包括服务器将采集好的视频帧图片输入神经网络(neuralnetwork),通过神经网络对视频帧图片进行特征抽取,生成多维的行为特征向量;对多维的行为特征向量中的每一维采用逻辑分类,分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
示例性地,上述车辆异常判断结果,其含义为判断得出该车辆属于危险驾驶或者交通事故,得出车辆异常判断结果的判别规则是根据神经网络模型所输出的逻辑分类的结果是否大于该类型所对应的车辆异常的预设阈值,判断得出。即,如果逻辑分类后的结果大于危险驾驶的预设阈值,那么判断得出当前视频帧的情形属于危险驾驶。如果逻辑分类后的结果大于交通事故的预设阈值,那么得出当前视频帧的情形属于交通事故。其中,每一类危险驾驶或者交通事故都有其区别判断标准,即有其各自的预设阈值,该预设阈值是通过大量样本训练神经网络模型。神经网络的训练过程可以通过神经网络分类实现,在此不再赘述。
所述车辆异常判断结果包括某一车辆是否属于危险驾驶或者交通事故的结果数据。危险驾驶包括追逐竞驾、醉酒驾驶以及疲劳驾驶,其中,追逐竞驾的判断包括通过前后车位置、距离随时间变化的视频帧的情况,醉酒驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机身体躯干的晃动情况等,疲劳驾驶的判断包括通过车辆行驶轨迹的变化、司机本体变化的视频帧的情况,例如司机眼睛的睁开与闭合情况,或者司机双手位置等;交通事故包括某一类型/形态的交通事故,其中,所述交通事故在类型上包括追尾事故、超车事故、左转弯事故、有转变事故等,在形态上包括碰撞、刮擦、碾压、翻车、坠车、失火等。
示例性地,所述神经网络包括但不限于深度神经网络(DNN)、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆(LSTM)神经网络等。
示例性地,特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。
示例性地,所述服务器可以是云分析服务器。
步骤114:综合报警步骤
具体地,该步骤包括服务器进行车辆行为分析与报警。
示例性地,通过对步骤113得出的车辆异常判断结果,进行报警和后处理。其中,所述报警包括,根据车辆异常判断结果经由无线网络通过车载智能设备对该车辆发出报警信息,并经由无线网络通过车载智能设备对该车辆的周围车辆发出报警信息;所述后处理包括针对某一类型/形态的交通事故对事故类型进行处理,轻微事故直接给出判罚与后续清道措施,使道路交通尽快恢复正常,以辅助提升城市交通效率。
示例性地,所述周围车辆包括在设定范围内的开启该网络接收功能的所有车辆。
示例性地,上述发出报警信息的实现方式包括对驾驶员发出音频、视频、体感等多种形式的报警信息,还包括对副驾驶或者乘客发出音频、视频、体感等多种形式的报警信息。
示例性地,所述服务器可以是云分析服务器。
图8示出了该车辆行为检测系统综合报警步骤的示意图,当前车辆的车载智能设备通过步骤112将步骤111所采集的视频帧发送至服务器,服务器通过步骤113对车辆异常进行判断后,通过步骤114向判断为异常车辆的车载智能设备、判断为异常车辆的周围车辆的车载智能设备、120急救平台、交通管理机构平台等发出报警信息。
根据本申请的实施方式,还提出一种车辆行为检测设备,包括:
一个或多个处理器,存储一个或多个程序的存储装置;当所述一个或多个程序被所述一个或多个处理器执行时,实现上述车辆行为检测方法的步骤。
根据本申请的实施方式,还提出一种计算机可读存储介质,其上存储有计算机程序,当计算机程序被处理器执行时,实现上述车辆行为检测方法的步骤。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (26)
1.一种车辆行为检测方法,其特征在于,包括:
车载智能设备连续采集视频帧;
车载智能设备通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
车载智能设备将所述车辆异常判断结果上传至服务器;
所述服务器根据所述车辆异常判断结果进行车辆行为报警。
2.根据权利要求1所述的方法,其特征在于,所述车载智能设备通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果包括:
车载智能设备将所述视频帧输入神经网络,通过神经网络对所述视频帧进行特征抽取,生成多维的行为特征向量,对所述多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
3.根据权利要求1所述的方法,其特征在于,所述车载智能设备将所述车辆异常判断结果上传至服务器包括:
将车辆异常的类型上传至服务器,所述车辆异常的类型包括危险驾驶和/或交通事故;
将用于判断为所述车辆异常的视频帧上传至所述服务器。
4.根据权利要求3所述的方法,其特征在于,
所述车载智能设备连续采集视频帧之前,包括:
以当前车载智能设备所属的车辆为中心,设定检测范围,对所述检测范围内的一个或多个车辆进行视频帧的采集;
所述用于判断为所述车辆异常的视频帧,包括:将所述检测范围内的一个或多个车辆判断为车辆异常的多个视频帧。
5.根据权利要求1所述的方法,其特征在于,所述服务器根据所述车辆异常判断结果进行车辆行为报警包括:
向被判断为车辆异常的车辆、以及与被判断为车辆异常的车辆距离一定范围内的多个车辆发出报警信息。
6.根据权利要求1所述的方法,其特征在于,所述车载智能设备连续采集视频帧包括:所述车载智能设备的摄像模块每隔固定帧数保存一个视频帧。
7.一种车辆行为检测方法,其特征在于,包括:
车载智能设备连续采集视频帧;
车载智能设备将所述视频帧上传至服务器;
所述服务器通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
所述服务器根据所述车辆异常判断结果进行车辆行为报警。
8.根据权利要求7所述的方法,其特征在于,
所述车载智能设备连续采集视频帧之前,包括:
以当前车载智能设备所属的车辆为中心,设定检测范围,对所述检测范围内的一个或多个车辆进行视频帧的采集;
所述车载智能设备将所述视频帧上传至服务器包括:
将所述检测范围内的一个或多个车辆的多个视频帧上传至服务器。
9.根据权利要求7所述的方法,其特征在于,所述服务器通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果包括:
所述服务器将所述视频帧输入神经网络,通过神经网络对所述视频帧进行特征抽取,生成多维的行为特征向量,对所述多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
10.根据权利要求7所述的方法,其特征在于,所述服务器根据所述车辆异常判断结果进行车辆行为报警包括:
向被判断为车辆异常的车辆、以及与被判断为车辆异常的车辆距离一定范围内的多个车辆发出报警信息,所述车辆异常包括危险驾驶和/或交通事故。
11.根据权利要求7所述的方法,其特征在于,所述车载智能设备连续采集视频帧包括:车载智能设备的摄像模块每隔固定帧数保存一个视频帧。
12.一种车辆行为检测装置,其特征在于,包括:
数据采集模块,用于连续采集视频帧;
数据处理模块,用于通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
数据传输模块,用于将所述车辆异常判断结果上传至服务器;
综合报警模块,用于根据所述车辆异常判断结果进行车辆行为报警。
13.一种车辆行为检测装置,其特征在于,包括:
数据采集模块,用于连续采集视频帧;
数据传输模块,用于将所述视频帧上传至服务器;
数据处理模块,用于通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
综合报警模块,用于根据所述车辆异常判断结果进行车辆行为报警。
14.一种车辆行为检测系统,包括:
车载智能设备,所述车载智能设备包括摄像模块;
服务器;其特征在于,
该系统用于实现下述的车辆行为检测方法:
车载智能设备连续采集视频帧;
车载智能设备通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
车载智能设备将所述车辆异常判断结果上传至服务器;
所述服务器根据所述车辆异常判断结果进行车辆行为报警。
15.根据权利要求14所述的系统,其特征在于,
所述车载智能设备通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果包括:
车载智能设备将所述视频帧输入神经网络,通过神经网络对所述视频帧进行特征抽取,生成多维的行为特征向量,对所述多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值时,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
16.根据权利要求14所述的系统,其特征在于,
所述车载智能设备将所述车辆异常判断结果上传至服务器包括:
将车辆异常的类型上传至服务器,所述车辆异常的类型包括危险驾驶和/或交通事故;
将用于判断为所述车辆异常的视频帧上传至所述服务器。
17.根据权利要求16所述的系统,其特征在于,
所述车载智能设备连续采集视频帧之前,包括:
以当前车载智能设备所属的车辆为中心,设定检测范围,对所述检测范围内的一个或多个车辆进行视频帧的采集;
所述用于判断为所述车辆异常的视频帧,包括:
将所述检测范围内的一个或多个车辆判断为车辆异常的多个视频帧。
18.根据权利要求14所述的系统,其特征在于,
所述服务器根据所述车辆异常判断结果进行车辆行为报警包括:
向被判断为车辆异常的车辆、以及与被判断为车辆异常的车辆距离一定范围内的多个车辆发出报警信息。
19.根据权利要求14所述的系统,其特征在于,
所述车载智能设备连续采集视频帧包括:所述车载智能设备的摄像模块每隔固定帧数保存一个视频帧。
20.根据权利要求14-19中任一项所述的系统,其特征在于,
所述服务器为云分析服务器。
21.一种车辆行为检测系统,包括:
车载智能设备,所述车载智能设备包括摄像模块;
服务器;其特征在于,
该系统用于实现下述的车辆行为检测方法:
车载智能设备连续采集视频帧;
车载智能设备将所述视频帧上传至服务器;
所述服务器通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果;
所述服务器根据所述车辆异常判断结果进行车辆行为报警。
22.根据权利要求21所述的系统,其特征在于,
所述车载智能设备连续采集视频帧之前,包括:
以当前车载智能设备所属的车辆为中心,设定检测范围,对所述检测范围内的一个或多个车辆进行视频帧的采集;
所述车载智能设备将所述视频帧上传至服务器包括:
将所述检测范围内的一个或多个车辆的多个视频帧上传至服务器。
23.根据权利要求21所述的系统,其特征在于,
所述服务器通过所述视频帧进行车辆行为识别判断,得出车辆异常判断结果包括:
所述服务器将所述视频帧输入神经网络,通过神经网络对所述视频帧进行特征抽取,生成多维的行为特征向量,对所述多维的行为特征向量中的每一维采用逻辑分类,当分类结果大于该类型所对应的车辆异常的预设阈值,则所述车辆异常判断结果为属于该类型所对应的车辆异常。
24.根据权利要求21所述的系统,其特征在于,所述服务器根据所述车辆异常判断结果进行车辆行为报警包括:
向被判断为车辆异常的车辆、以及与被判断为车辆异常的车辆距离一定范围内的多个车辆发出报警信息,所述车辆异常包括危险驾驶和/或交通事故。
25.根据权利要求21所述的系统,其特征在于,
所述车载智能设备连续采集视频帧包括:车载智能设备的摄像模块每隔固定帧数保存一个视频帧。
26.根据权利要求21-25中任一项所述的系统,其特征在于,
所述服务器为云分析服务器。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986173.3A CN110866427A (zh) | 2018-08-28 | 2018-08-28 | 一种车辆行为检测方法及装置 |
PCT/CN2019/101807 WO2020042984A1 (zh) | 2018-08-28 | 2019-08-21 | 一种车辆行为检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810986173.3A CN110866427A (zh) | 2018-08-28 | 2018-08-28 | 一种车辆行为检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110866427A true CN110866427A (zh) | 2020-03-06 |
Family
ID=69643922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810986173.3A Pending CN110866427A (zh) | 2018-08-28 | 2018-08-28 | 一种车辆行为检测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110866427A (zh) |
WO (1) | WO2020042984A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768617A (zh) * | 2020-06-02 | 2020-10-13 | 苏州赛格车圣导航科技有限公司 | 一种闭环式车联网警情处理的监控模式 |
CN111914707A (zh) * | 2020-07-22 | 2020-11-10 | 上海大学 | 一种醉酒行为检测系统及方法 |
CN112633057A (zh) * | 2020-11-04 | 2021-04-09 | 北方工业大学 | 一种公交车内异常行为智能监控方法 |
CN112686090A (zh) * | 2020-11-04 | 2021-04-20 | 北方工业大学 | 一种公交车内异常行为智能监控系统 |
CN112700653A (zh) * | 2020-12-21 | 2021-04-23 | 上海眼控科技股份有限公司 | 一种车辆违法变道的判定方法、装置、设备及存储介质 |
CN113033471A (zh) * | 2021-04-15 | 2021-06-25 | 北京百度网讯科技有限公司 | 交通异常检测方法、装置、设备、存储介质以及程序产品 |
CN113610030A (zh) * | 2021-08-13 | 2021-11-05 | 北京地平线信息技术有限公司 | 行为识别方法和行为识别装置 |
US11232313B2 (en) * | 2018-12-10 | 2022-01-25 | Toyota Jidosha Kabushiki Kaisha | Abnormality detection device, abnormality detection system, and abnormality detection program |
CN115394104A (zh) * | 2022-08-23 | 2022-11-25 | 白犀牛智达(北京)科技有限公司 | 一种用于智能车辆的问题数据管理系统 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627215A (zh) * | 2020-05-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的视频图像识别方法及相关设备 |
CN113744498B (zh) * | 2020-05-29 | 2023-10-27 | 杭州海康汽车软件有限公司 | 驾驶员注意力监测的系统和方法 |
CN111898457A (zh) * | 2020-07-06 | 2020-11-06 | 信利光电股份有限公司 | 一种行车违章违法行为智能识别方法及设备 |
CN112016625B (zh) * | 2020-08-30 | 2024-06-18 | 北京嘀嘀无限科技发展有限公司 | 车辆异常检测方法、装置、电子设备及存储介质 |
CN113705373B (zh) * | 2021-08-10 | 2023-12-26 | 江苏钮玮动力科技有限公司 | 一种可调节自适应强的驾驶员面部表情识别系统 |
CN114323143A (zh) * | 2021-12-30 | 2022-04-12 | 上海商汤临港智能科技有限公司 | 一种车辆数据检测方法、装置、计算机设备及存储介质 |
CN114419739A (zh) * | 2022-03-31 | 2022-04-29 | 深圳市海清视讯科技有限公司 | 行为识别模型的训练方法、行为识别方法及设备 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202563686U (zh) * | 2012-04-25 | 2012-11-28 | 杭州海康威视数字技术股份有限公司 | 道路交通事件自动取证系统 |
CN104408941A (zh) * | 2014-11-11 | 2015-03-11 | 四川北斗导航应用技术有限公司 | 基于北斗卫星导航的车辆管理系统及方法 |
CN104882001A (zh) * | 2015-06-30 | 2015-09-02 | 北京奇虎科技有限公司 | 基于行车记录仪的驾驶行为监控方法、装置及系统 |
CN104952253A (zh) * | 2015-06-30 | 2015-09-30 | 公安部第三研究所 | 一种交通违章行为记录和预警系统及方法 |
CN105070098A (zh) * | 2015-07-14 | 2015-11-18 | 安徽清新互联信息科技有限公司 | 一种基于车牌位置的车距检测方法 |
DE102015006814A1 (de) * | 2014-05-28 | 2015-12-03 | Scania Cv Ab | Fahrerwarnung |
CN105261225A (zh) * | 2015-09-30 | 2016-01-20 | 肖建辉 | 改良驾驶行为习惯的监测系统 |
US20160150070A1 (en) * | 2013-07-18 | 2016-05-26 | Secure4Drive Communication Ltd. | Method and device for assisting in safe driving of a vehicle |
CN106097479A (zh) * | 2016-05-30 | 2016-11-09 | 北京奇虎科技有限公司 | 行车信息的记录方法和装置 |
CN106778480A (zh) * | 2016-11-22 | 2017-05-31 | 武汉大学 | 一种基于车牌的高精度近距离车距测量方法 |
CN107085946A (zh) * | 2017-06-13 | 2017-08-22 | 深圳市麦谷科技有限公司 | 一种基于图片识别技术的车辆定位方法及系统 |
CN107403541A (zh) * | 2017-08-01 | 2017-11-28 | 无锡南理工科技发展有限公司 | 实时人眼识别监控疲劳驾驶的系统 |
CN107506712A (zh) * | 2017-08-15 | 2017-12-22 | 成都考拉悠然科技有限公司 | 一种基于3d深度卷积网络的人类行为识别的方法 |
US20180007429A1 (en) * | 2015-01-26 | 2018-01-04 | Hangzhou Hikvision Digital Technology Co., Ltd. | Intelligent processing method and system for video data |
CN107563332A (zh) * | 2017-09-05 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于确定无人车的驾驶行为的方法和装置 |
CN108171134A (zh) * | 2017-12-20 | 2018-06-15 | 中车工业研究院有限公司 | 一种操作动作辨识方法及装置 |
CN108216252A (zh) * | 2017-12-29 | 2018-06-29 | 中车工业研究院有限公司 | 一种地铁司机车载驾驶行为分析方法、车载终端及系统 |
CN108230669A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 基于大数据和云分析的道路车辆违法检测方法及系统 |
KR20180082105A (ko) * | 2017-01-10 | 2018-07-18 | 삼성전자주식회사 | 차량 단말 장치 및 그 제어 방법 |
JP2018128974A (ja) * | 2017-02-10 | 2018-08-16 | トヨタ自動車株式会社 | ドライバ状態監視装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297281B (zh) * | 2016-08-09 | 2018-10-09 | 北京奇虎科技有限公司 | 车辆违章检测的方法及设备 |
US10896601B2 (en) * | 2016-09-21 | 2021-01-19 | Drive Safe Enforcement, Llc | Mobile traffic violation detection, recording and evidence processing system |
CN107481530A (zh) * | 2017-09-12 | 2017-12-15 | 深圳市易成自动驾驶技术有限公司 | 交通违规行为的监控方法、系统及计算机可读存储介质 |
CN108182815A (zh) * | 2017-12-28 | 2018-06-19 | 大陆汽车投资(上海)有限公司 | 车辆智能提醒方法 |
-
2018
- 2018-08-28 CN CN201810986173.3A patent/CN110866427A/zh active Pending
-
2019
- 2019-08-21 WO PCT/CN2019/101807 patent/WO2020042984A1/zh active Application Filing
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202563686U (zh) * | 2012-04-25 | 2012-11-28 | 杭州海康威视数字技术股份有限公司 | 道路交通事件自动取证系统 |
US20160150070A1 (en) * | 2013-07-18 | 2016-05-26 | Secure4Drive Communication Ltd. | Method and device for assisting in safe driving of a vehicle |
DE102015006814A1 (de) * | 2014-05-28 | 2015-12-03 | Scania Cv Ab | Fahrerwarnung |
CN104408941A (zh) * | 2014-11-11 | 2015-03-11 | 四川北斗导航应用技术有限公司 | 基于北斗卫星导航的车辆管理系统及方法 |
US20180007429A1 (en) * | 2015-01-26 | 2018-01-04 | Hangzhou Hikvision Digital Technology Co., Ltd. | Intelligent processing method and system for video data |
CN104882001A (zh) * | 2015-06-30 | 2015-09-02 | 北京奇虎科技有限公司 | 基于行车记录仪的驾驶行为监控方法、装置及系统 |
CN104952253A (zh) * | 2015-06-30 | 2015-09-30 | 公安部第三研究所 | 一种交通违章行为记录和预警系统及方法 |
CN105070098A (zh) * | 2015-07-14 | 2015-11-18 | 安徽清新互联信息科技有限公司 | 一种基于车牌位置的车距检测方法 |
CN105261225A (zh) * | 2015-09-30 | 2016-01-20 | 肖建辉 | 改良驾驶行为习惯的监测系统 |
CN106097479A (zh) * | 2016-05-30 | 2016-11-09 | 北京奇虎科技有限公司 | 行车信息的记录方法和装置 |
CN106778480A (zh) * | 2016-11-22 | 2017-05-31 | 武汉大学 | 一种基于车牌的高精度近距离车距测量方法 |
CN108230669A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 基于大数据和云分析的道路车辆违法检测方法及系统 |
KR20180082105A (ko) * | 2017-01-10 | 2018-07-18 | 삼성전자주식회사 | 차량 단말 장치 및 그 제어 방법 |
US20180232588A1 (en) * | 2017-02-10 | 2018-08-16 | Toyota Jidosha Kabushiki Kaisha | Driver state monitoring device |
JP2018128974A (ja) * | 2017-02-10 | 2018-08-16 | トヨタ自動車株式会社 | ドライバ状態監視装置 |
CN107085946A (zh) * | 2017-06-13 | 2017-08-22 | 深圳市麦谷科技有限公司 | 一种基于图片识别技术的车辆定位方法及系统 |
CN107403541A (zh) * | 2017-08-01 | 2017-11-28 | 无锡南理工科技发展有限公司 | 实时人眼识别监控疲劳驾驶的系统 |
CN107506712A (zh) * | 2017-08-15 | 2017-12-22 | 成都考拉悠然科技有限公司 | 一种基于3d深度卷积网络的人类行为识别的方法 |
CN107563332A (zh) * | 2017-09-05 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于确定无人车的驾驶行为的方法和装置 |
CN108171134A (zh) * | 2017-12-20 | 2018-06-15 | 中车工业研究院有限公司 | 一种操作动作辨识方法及装置 |
CN108216252A (zh) * | 2017-12-29 | 2018-06-29 | 中车工业研究院有限公司 | 一种地铁司机车载驾驶行为分析方法、车载终端及系统 |
Non-Patent Citations (5)
Title |
---|
MOHAMMAD AHMAR KHAN 等: "IoT based framework for Vehicle Over-speed detection", 《2018 1ST INTERNATIONAL CONFERENCE ON COMPUTER APPLICATIONS & INFORMATION SECURITY (ICCAIS)》 * |
吴玉枝 等: "基于卷积神经网络的违章停车事件检测", 《现代计算机》 * |
曾锐利: "多信息融合的城市交通监控系统若干关键技术研究", 《《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》》 * |
贾永华 等: "一种基于车辆轨迹的交通违法行为检测方法", 《中国公共安全(综合版)》 * |
马立民 等: "《创享科技》", 30 June 2018 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11232313B2 (en) * | 2018-12-10 | 2022-01-25 | Toyota Jidosha Kabushiki Kaisha | Abnormality detection device, abnormality detection system, and abnormality detection program |
CN111768617A (zh) * | 2020-06-02 | 2020-10-13 | 苏州赛格车圣导航科技有限公司 | 一种闭环式车联网警情处理的监控模式 |
CN111914707A (zh) * | 2020-07-22 | 2020-11-10 | 上海大学 | 一种醉酒行为检测系统及方法 |
CN112633057A (zh) * | 2020-11-04 | 2021-04-09 | 北方工业大学 | 一种公交车内异常行为智能监控方法 |
CN112686090A (zh) * | 2020-11-04 | 2021-04-20 | 北方工业大学 | 一种公交车内异常行为智能监控系统 |
CN112633057B (zh) * | 2020-11-04 | 2024-01-30 | 北方工业大学 | 一种公交车内异常行为智能监控方法 |
CN112686090B (zh) * | 2020-11-04 | 2024-02-06 | 北方工业大学 | 一种公交车内异常行为智能监控系统 |
CN112700653A (zh) * | 2020-12-21 | 2021-04-23 | 上海眼控科技股份有限公司 | 一种车辆违法变道的判定方法、装置、设备及存储介质 |
CN113033471A (zh) * | 2021-04-15 | 2021-06-25 | 北京百度网讯科技有限公司 | 交通异常检测方法、装置、设备、存储介质以及程序产品 |
CN113610030A (zh) * | 2021-08-13 | 2021-11-05 | 北京地平线信息技术有限公司 | 行为识别方法和行为识别装置 |
CN115394104A (zh) * | 2022-08-23 | 2022-11-25 | 白犀牛智达(北京)科技有限公司 | 一种用于智能车辆的问题数据管理系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020042984A1 (zh) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
US11840239B2 (en) | Multiple exposure event determination | |
CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
Carvalho et al. | Exploiting the use of recurrent neural networks for driver behavior profiling | |
CN102765365B (zh) | 基于机器视觉的行人检测方法及行人防撞预警系统 | |
CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
Alluhaibi et al. | Driver behavior detection techniques: A survey | |
US11884285B2 (en) | Systems for characterizing a vehicle collision | |
CN113676702A (zh) | 基于视频流的目标追踪监测方法、系统、装置及存储介质 | |
CN110901385B (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
CN110992709A (zh) | 一种基于驾驶员疲劳状态的主动限速系统 | |
US20240127695A1 (en) | Methods for characterizing a low-impact vehicle collision using high-rate acceleration data | |
CN112698660B (zh) | 基于9轴传感器的驾驶行为视觉感知装置及方法 | |
CN111310696B (zh) | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 | |
CN113239827A (zh) | 基于深度学习的智能防撞方法、系统、设备及存储介质 | |
CN116279500A (zh) | 一种车辆碰撞识别方法 | |
CN114283361A (zh) | 状态信息的确定方法和装置、存储介质及电子装置 | |
Gao et al. | Perceiving driving hazards in a data-fusion way using multi-modal net and semantic driving trajectory | |
Srilakshmi et al. | Automated Driver Drowsiness Detection System using Computer Vision and Machine Learning | |
CN113128540A (zh) | 非机动车盗车行为的检测方法、装置及电子设备 | |
EP4040326A1 (en) | Systems for characterizing a vehicle collision | |
EP4372713A1 (en) | Methods for characterizing a low-impact vehicle collision using high-rate acceleration data | |
US11853741B2 (en) | Federated learning for connected camera | |
Ramzi et al. | Road obstacle detection |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200306 |