CN111310696B - 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 - Google Patents
基于泊车异常行为分析的泊车事故识别方法、装置和车辆 Download PDFInfo
- Publication number
- CN111310696B CN111310696B CN202010120601.1A CN202010120601A CN111310696B CN 111310696 B CN111310696 B CN 111310696B CN 202010120601 A CN202010120601 A CN 202010120601A CN 111310696 B CN111310696 B CN 111310696B
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle
- signal data
- abnormal
- accident
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种基于泊车异常行为分析的泊车事故识别方法、装置和车辆。基于泊车异常行为分析的泊车事故识别方法包括:在车辆的车速低于预设阈值时,根据所述车辆的表征驾驶行为的车辆信号数据,判定是否存在先后发生的泊车异常行为;当判定存在先后发生的泊车异常行为时,提取预设时间段内产生的信号数据序列,其中,所述预设时间段包含所述泊车异常行为对应的时刻;所述信号数据序列包括所述车辆泊车时产生的车辆信号数据以及该车辆信号数据相关的时间信息;根据所述信号数据序列,识别所述车辆是否发生泊车事故。能够基于泊车异常行为分析,提高车辆泊车事故识别的准确率,降低车辆泊车事故识别的计算量和硬件成本。
Description
技术领域
本发明涉及泊车事故识别技术领域,特别涉及一种基于泊车异常行为分析的泊车事故识别方法、装置和车辆。
背景技术
随着车辆在生产和生活中应用的逐渐普及和车辆使用场景的日渐丰富,泊车事故识别可作为泊车事故定损等的参考,愈发受到车企和社会大众的关注。目前业界针对车辆泊车事故识别通常有以下几种系统:
首先,基于图像的车辆泊车事故识别系统。这类系统分为车辆集成和车辆后装设备两种方案。前者是在车辆车前车侧车后安装多个摄像头,并保持摄像头常开,车辆实时对摄像头采集的图像进行分析,识别出碰撞等事故,这种车内集成的方案需要的硬件前提是摄像头一直保持实时的图像采集,车内需要有计算力较强、存储容量较大的MCU。这种方案的缺点一是计算量大,会导致电动车车辆的续航里程严重下降;二是需要成本比较高的硬件支撑,廉价的硬件引起发热,图像质量较差等问题,影响事故识别的效果。另一种方案为后装的摄像装置,如在集成在车内行车记录仪的图像人工智能识别系统、车载导航系统等。行车记录仪虽然安装方便,容易普及,但只能采集车前的图像进行分析,对于其他侧的碰撞等事故则无能为力,且行车记录仪不仅容易有发热、图像质量差等缺点,而且硬件成本也较高。
其次,基于三轴加速度的车辆泊车事故识别系统。这类系统同样分为车辆集成和车辆后装设备两种方案。一般也是集成于车辆内部。通过对三轴加速度进行分析,识别发生重大事故时的三轴加速度模式,达到监控重大事故的目的,但对于一般的如中低速车辆碰撞,尤其是泊车时发生的轻微刮擦,由于此时输出的加速度数据与一般的过缓冲带、过颠簸路段、刹车时的输出信号数据区分度较低,所以识别车辆泊车事故的准确率较低。
再者,基于加速度、雷达信号的车辆泊车事故识别系统。此类系统使用车辆集成的数据采集系统,采集车辆的加速度、雷达信号等,通过对加速度及雷达信号等设置阀值,进行监控报警。但由于雷达信号有死区,即存在最小探测距离,加之车辆在正常使用时也有加速度的变化,导致此类系统对车辆泊车事故识别的误差较大。
发明内容
本发明实施例提供了一种基于泊车异常行为分析的泊车事故识别方法、装置和车辆,以克服上述技术问题或者至少部分地解决上述技术问题。技术方案如下:
第一方面,本发明实施例提供了一种基于泊车异常行为分析的泊车事故识别方法,包括:
在车辆的车速低于预设阈值时,根据所述车辆的表征驾驶行为的车辆信号数据,判定是否存在先后发生的泊车异常行为;
当判定存在先后发生的泊车异常行为时,提取预设时间段内产生的信号数据序列,其中,所述预设时间段包含所述泊车异常行为对应的时刻;所述信号数据序列包括所述车辆泊车时产生的车辆信号数据以及该车辆信号数据相关的时间信息;
根据所述信号数据序列,识别所述车辆是否发生泊车事故。
在一种可选的实现方式中,所述泊车异常行为包括泊车中的第一泊车异常行为,其中,所述第一泊车异常行为包括反复倒车;所述判定是否存在先后发生的泊车异常行为,包括:
当根据所述车辆信号数据判断所述车辆在第一预设时长内,第一预设档位与第二预设档位之间切换次数大于第一预设数量,且方向盘转动角度的绝对值大于第一预设角度的正负向来回转动次数大于第二预设数量时,判定存在反复倒车的第一泊车异常行为。
在一种可选的实现方式中,所述泊车异常行为还包括泊车后的第二泊车异常行为,其中,所述第一泊车异常行为先于所述第二泊车异常行为发生;
所述第二泊车异常行为包括下车时方向盘未打正;所述判定是否存在先后发生的泊车异常行为,还包括:当根据所述车辆信号数据判断主驾车门打开,且方向盘角度大于第二预设角度时,判定存在下车时方向盘未打正的第二泊车异常行为;
和/或,所述第二泊车异常行为包括下车后长时间未锁车;所述判定是否存在先后发生的泊车异常行为,包括:当根据所述车辆信号数据判断主驾车门打开后,在第二预设时长内所述车辆未上锁时,判定存在下车后长时间未锁车的第二泊车异常行为。
在一种可选的实现方式中,所述根据所述信号数据序列,识别所述车辆是否发生泊车事故,包括:
将所述信号数据序列作为泊车事故识别模型的输入;
所述泊车事故识别模型根据所述信号数据序列,识别其中的所述车辆信号数据是否满足泊车事故的异常特征,生成至少用于表征是否发生泊车事故的识别结果;所述异常特征包括泊车异常特征、状态异常特征和行为异常特征中的至少一种;
所述识别结果为泊车事故识别模型的输出。
在一种可选的实现方式中,所述泊车异常特征包括:反复倒车和强震动中的至少一种;所述强震动表征所述车辆的加速度数据在至少一个方向上的变化速率大于预设速率;
和/或,所述状态异常特征包括:气囊点爆、雷达异常、双闪灯持续开启时间大于第三预设时长、车灯故障、EPS警告和ABS警告中的至少一种;
和/或,所述行为异常特征包括:停车且未锁车、反复倒车过程或之后雷达异常、雷达异常后下车、下车时方向盘未打正、下车后长时间未锁车中的至少一种;
所述雷达异常表征所述车辆的车载雷达检测到预设距离内有物体。
在一种可选的实现方式中,所述泊车事故识别模型包括泊车事故机器识别模型,通过如下方式训练:
获取由历史泊车事故记录中车辆信号数据依据时序组合形成的样本序列,作为正样本;
获取由历史正常泊车记录中车辆信号数据依据时序组合形成的样本序列,作为负样本;
选取所述样本序列中关联于所述异常特征的车辆信号数据,作为所述正样本和所述负样本的特性信息;
根据预设时间段分别对所述正样本和所述负样本的样本序列标注泊车事故信息;所述预设时间段包含雷达异常对应的时刻;
基于所述正样本和负样本的特性信息以及标注的泊车事故信息,对所述泊车事故识别模型进行二分类训练,得到泊车事故识别模型的参数,确定所述泊车事故识别模型。
在一种可选的实现方式中,所述车辆信号数据包括车辆行驶数据和车辆状态数据;
所述车辆行驶数据包括:车速数据,加速度数据,档位数据,方向盘转角数据的至少一种;
所述车辆状态数据包括:气囊弹出数据,设备故障信号数据,车门开关信号数据,雷达测距数据,双闪灯状态数据的至少一种。
在一种可选的实现方式中,识别出所述车辆发生泊车事故后,还包括如下步骤:
通过所述车辆的摄像头采集所述车辆周围的图像信息,分析所述图像信息以确认所述泊车事故。
第二方面,本发明实施例提供了一种车辆泊车事故识别装置,包括:
判定模块,用于在车辆的车速低于预设阈值时,根据所述车辆的表征驾驶行为的车辆信号数据,判定是否存在先后发生的泊车异常行为;
提取模块,用于当判定存在先后发生的泊车异常行为时,提取预设时间段内产生的信号数据序列,其中,所述预设时间段包含所述泊车异常行为对应的时刻;所述信号数据序列包括所述车辆泊车时产生的车辆信号数据以及该车辆信号数据相关的时间信息;
识别模块,用于根据所述信号数据序列,识别所述车辆是否发生泊车事故。
第三方面,本发明实施例提供了一种存储介质,所述存储介质中存储有程序代码,所述程序代码用于执行本发明实施例的第一方面的任一实现方式中所示方法所执行的操作。
第四方面,本发明实施例提供了一种识别设备,所述识别设备包括处理器和存储器,所述存储器用于存储程序代码,所述程序代码由所述处理器加载并执行以实现本发明实施例的第一方面的任一实现方式中所示方法所执行的操作。
第五方面,本发明实施例提供了一种车辆,包括:泊车事故识别系统,所述泊车事故监控系统用于执行本发明实施例的第一方面的任一实现方式中所示方法所执行的操作。
本发明实施例提供的基于泊车异常行为分析的泊车事故识别方法、装置和车辆,采用在车辆的车速低于预设阈值时,根据所述车辆的表征驾驶行为的车辆信号数据,判定是否存在先后发生的泊车异常行为;当判定存在先后发生的泊车异常行为时,提取预设时间段内产生的信号数据序列,其中,所述预设时间段包含所述泊车异常行为对应的时刻;所述信号数据序列包括所述车辆泊车时产生的车辆信号数据以及该车辆信号数据相关的时间信息;根据所述信号数据序列,识别所述车辆是否发生泊车事故的方式,能够基于泊车异常行为分析,提高车辆泊车事故识别的准确率,降低车辆泊车事故识别的计算量和硬件成本。
附图说明
图1是本发明实施例提供的一种基于泊车异常行为分析的泊车事故识别方法的流程示意图;
图2是本发明实施例提供的一种基于泊车异常行为分析的泊车事故识别装置的结构示意图;
图3是本发明实施例提供的一种识别设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的部分示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本本发明实施例,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“当前”意在表示特定的流程或步骤节点,用以和其他流程或步骤区分开来。此外,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。本文中使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本发明实施例的目的、技术方案和优点更加明显易懂,下面将结合附图和具体实施方式对本发明的实施例作进一步详细的说明。
泊车事故可以为泊车过程中发生的碰撞、刮擦事故等。本发明实施例的全部或部分步骤根据实际需要既可在车辆中(如车载终端或ECU/MCU)执行,亦可以在服务器或其他具备数据处理能力的设备中执行。可以理解,服务器可以为中心服务器、集群服务器或分布式服务器,也可以为实现云计算和/或云存储的云端服务器等。
本发明实施例提供了一种基于泊车异常行为分析的泊车事故识别方法,请参阅图1,本发明实施例的步骤S101中,在车辆的车速低于预设阈值时,根据所述车辆的表征驾驶行为的车辆信号数据,判定是否存在先后发生的泊车异常行为。
可以理解,通过CAN总线等线路可从车辆配置的传感器等设备中实时获取车辆信号数据,车辆信号数可包括车辆行驶数据和车辆状态数据,用于表征车辆行驶情况、车辆设备情况和驾驶行为。举例而言,所述车辆行驶数据包括:车速数据,加速度数据(例如三轴加速度数据),档位数据,方向盘转角数据的至少一种;所述车辆状态数据包括:气囊弹出数据,设备故障信号数据,车门开关信号数据,雷达测距数据,双闪灯状态数据的至少一种。设备故障信号数据可包括表征车灯故障、EPS(Electric Power Steering,电子助力转向系统)警告和ABS(antilock brake system,制动防抱死系统)警告的故障信号数据。通常而言,上述车辆信号数据的获取间隔为秒级。根据各个车辆信号数据及其所对应的产生时间,能够准确反映车辆的泊车情况、车辆设备的状态或驾驶者的行为。可以理解的是,这里所指的驾驶者既可包括司机,也可包括该车辆的自动驾驶系统。在根据车速数据判断车辆的车速低于预设阈值,如10m/s时,可认为此时可能处于泊车状态,进而,根据所述车辆的表征驾驶行为的车辆信号数据,判定是否存在先后发生的泊车异常行为。
在本发明实施例的一种可选实现方式中,所述泊车异常行为包括泊车中的第一泊车异常行为,其中,所述第一泊车异常行为包括反复倒车;判定是否存在先后发生的泊车异常行为,包括:当根据所述车辆信号数据判断所述车辆在第一预设时长内,第一预设档位与第二预设档位之间切换次数大于第一预设数量,且方向盘转动角度的绝对值大于第一预设角度的正负向来回转动次数大于第二预设数量时,判定存在反复倒车的第一泊车异常行为。举例而言,当车辆在为60s内,档位在倒车档(R档)和前进档(D档)切换大于6次,同时方向盘正负向来回转动次数大于6次,且每次转动角度的绝对值都大于400度,则可判定存在反复倒车的第一泊车异常行为。
在本发明实施例的另一种可选实现方式中,所述泊车异常行为还包括泊车后的第二泊车异常行为,其中,第一泊车异常行为先于第二泊车异常行为发生;第二泊车异常行为包括下车时方向盘未打正;所述判定是否存在先后发生的泊车异常行为,还包括:当根据所述车辆信号数据判断主驾车门打开,且方向盘角度大于第二预设角度时,判定存在下车时方向盘未打正的第二泊车异常行为;和/或,所述第二泊车异常行为包括下车后长时间未锁车;所述判定是否存在先后发生的泊车异常行为,包括:当根据所述车辆信号数据判断主驾车门打开后,在第二预设时长内所述车辆未上锁时,判定存在下车后长时间未锁车的第二泊车异常行为。
此外,行车异常行为还可以包括驾驶员疲劳、泊车中档位误挂等。由于泊车事故发生前后往往伴随着驾驶者的泊车异常行为,且可能存在至少两个先后发生的泊车异常行为,因此,通过利用表征驾驶行为的车辆信号数据判定出存在泊车异常行为,可作为泊车事故识别步骤的前置条件或触发条件。
进一步地,本发明实施例的步骤S102中,当判定存在先后发生的泊车异常行为时,提取预设时间段内产生的信号数据序列,其中,所述预设时间段包含所述泊车异常行为对应的时刻;所述信号数据序列包括所述车辆泊车时产生的车辆信号数据以及该车辆信号数据相关的时间信息。
根据泊车时各个车辆信号数据及其相关的时间信息,可实时将这些车辆信号数据依据时序组合形成信号数据序列。可选地,前述步骤S101中,也可利用泊车时产生的信号数据序列来判定是否存在先后发生的泊车异常行为。本发明实施例中,在形成信号数据序列后,车辆可通过车联网等通信连接将信号数据序列传输到云端,使得云端依据信号数据序列判定是否存在泊车异常行为,进而识别所述车辆是否发生泊车事故;当然,也可由车辆将上述车辆信号数据实时向云端传输,在云端形成信号数据序列再执行后续步骤,以降低车辆的计算量。
考虑到泊车异常行为与泊车事故时序相关,本发明实施例可根据行车异常行为对应的时刻,提取包含该时刻的预设时间段内产生的信号数据序列,用于确定是否发生泊车事故。举例而言,预设时间段可包括泊车异常行为对应的时刻前40秒至该时刻后80秒,和/或,预设时间段包括上述第一泊车异常行为发生的时刻至上述第二泊车异常行为发生时刻。
进一步地,本发明实施例的步骤S103中,可以根据所述信号数据序列,识别所述车辆是否发生泊车事故。
通过提取到的信号数据序列,可判断其中的车辆信号数据是否满足泊车事故的相关异常特征,从而识别车辆是否发生泊车事故。例如,当该信号数据序列中的加速度数据在X、Y、Z三轴至少一个方向上的变化速率大于预设速率,即有比较明显的大值输出时,可判断车辆经受较大碰撞而产生了强震动,从而识别出车辆发生泊车事故。通过在判定泊车异常行为的基础上进行行驶事故识别,能够避免车辆经过减速带等情况下的误判,提高泊车事故的识别准确率。
考虑到车辆在实际泊车场景中还存在更为复杂的情况,本发明实施例还可考量更多的异常特征,并引入泊车事故识别模型。一种可行的实现方式中,根据所述信号数据序列,识别所述车辆是否发生泊车事故,包括:将所述信号数据序列作为泊车事故识别模型的输入;所述泊车事故识别模型根据所述信号数据序列,识别其中的所述车辆信号数据是否满足泊车事故的异常特征,生成至少用于表征是否发生泊车事故的识别结果;所述异常特征包括泊车异常特征、状态异常特征和行为异常特征中的至少一种;所述识别结果为泊车事故识别模型的输出。
上述异常特征既可包括单个原始特征,也可包括至少两个原始特征按时序形成的特征组合。作为示例地,所述泊车异常特征包括:反复倒车和强震动中的至少一种;所述强震动表征所述车辆的加速度数据在至少一个方向上的变化速率大于预设速率;和/或,所述状态异常特征包括:气囊点爆、雷达异常、双闪灯持续开启时间大于第三预设时长、车灯故障、EPS警告和ABS警告中的至少一种;和/或,所述行为异常特征包括:停车且未锁车、反复倒车过程或之后雷达异常、雷达异常后下车、下车时方向盘未打正、下车后长时间未锁车中的至少一种;所述雷达异常表征所述车辆的车载雷达检测到预设距离内有物体。
本发明实施例中,泊车事故识别模型可包括预先设置的泊车事故专家识别规则,也可包括泊车事故机器识别模型和/或泊车事故深度识别模型。考虑到实施初期的历史泊车事故记录数量较少,在本发明实施例的一种可选实现方式中,泊车事故专家识别规则预先配置有各个异常特征的判断规则,如具体设置关联于连续型数值的上述预设速率、第一预设角度、第二预设角度、预设加速度值、预设角速度、预设角加速度和预设时长等;以及设置关联于离散型数值的气囊点爆、雷达异常、打双闪灯等异常特征的判断规则为其对应车辆状态数据的值为0或1。利用行驶事故专家识别规则,能够更充分地利用有限的事故样本,来识别所述车辆是否发生泊车事故。
在本发明实施例的另一种可选实现方式中,泊车事故机器识别模型通过如下方式训练:获取由历史泊车事故记录中车辆信号数据依据时序组合形成的样本序列,作为正样本;获取由历史正常泊车记录中车辆信号数据依据时序组合形成的样本序列,作为负样本;选取所述样本序列中关联于所述异常特征的车辆信号数据,作为所述正样本和所述负样本的特性信息;根据预设时间段分别对所述正样本和所述负样本的样本序列标注泊车事故信息;所述预设时间段包含雷达异常对应的时刻;基于所述正样本和负样本的特性信息以及标注的泊车事故信息,对所述泊车事故识别模型进行二分类训练,得到泊车事故识别模型的参数,确定所述泊车事故识别模型。利用泊车事故机器识别模型确定所述车辆是否发生泊车事故,能够减少漏判。可选地,上述泊车事故机器识别模型可采用GBDT、SVM等二分类算法进行训练。在实际应用中,上述历史泊车事故记录可由保险公司的线上事故案例中获取,根据事故案例中的车架号和报案时间,可获取及分析对应车辆泊车时产生的车辆信号数据,进而提取相关样本序列作为正样本用于训练。举例而言,可在历史泊车事故记录中提取雷达异常时刻前40秒至该时刻后80秒的样本序列作为正样本。相应地,可通过按比例采样车辆正常泊车时产生的历史正常泊车记录中,包含雷达发生异常时刻的时间段,如该时刻前40秒至后80秒内的样本序列作为负样本。
在本发明实施例的再一种可选实现方式中,所述泊车事故识别模型包括泊车事故深度识别模型,所述泊车事故深度识别模型通过如下方式训练:获取由历史泊车事故记录中车辆信号数据依据时序组合形成的样本序列;将所述样本序列输入待训练的深度神经网络,经所述深度神经网络提取得到异常特征;根据所述异常特征,输出所述样本序列对应的泊车事故预测值。通过泊车事故深度识别模型,能够在事故样本较多时,提高计算效率并进一步减少漏判。此外,还可以根据经深度神经网络提取得到的异常特征,基于各车辆上传的车辆信号数据判定对应车辆是否发生行驶事故,输出的正/负样本再进行筛选,从而获取更多的样本后,输入前述泊车事故机器识别模型进行训练。
具体实现中,对于泊车事故专家识别规则、泊车事故机器识别模型和泊车事故深度识别模型的输出,可利用投票法选择得分最高的作为结果。例如,当根据提取到的信号数据序列,泊车事故专家识别规则的输出判定发生泊车事故,泊车事故机器识别模型的输出判定未发生泊车事故,而泊车事故深度识别模型输出判定发生泊车事故,由于判定发生泊车事故是2票,所以识别结果为发生泊车事故。
本发明实施例提供的基于泊车异常行为分析的泊车事故识别方法,能够通过在泊车过程中能够基于泊车异常行为分析,提取相应时间段内的信号数据序列,进而识别车辆是否发生泊车事故。本发明实施例不依赖于具体车型,容易通用化和产品化,且无须在车辆安装额外软硬件。提高车辆泊车事故识别的准确率,降低车辆泊车事故识别的计算量和硬件成本。
此外,在步骤S103识别出所述车辆发生泊车事故后,还可包括如下步骤:通过所述车辆的摄像头采集所述车辆周围的图像信息,分析所述图像信息以确认所述泊车事故。举例而言,确定所述车辆发生行驶事故后可触发车辆的哨兵模式,使用车辆的各方位摄像头进行图像采集并上传服务器,进而利用GoogLeNet等算法通过深度学习进行图像二分类从而进一步提高泊车事故识别的准确率,图像后续也可用于保险等作为泊车事故的判定的依据。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
此外,应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本发明实施例还提供了一种泊车事故识别装置50,请参阅图2,该泊车事故识别装置50可以包括:判定模块501、提取模块502和识别模块503,其中
判定模块501,用于在车辆的车速低于预设阈值时,根据所述车辆的表征驾驶行为的车辆信号数据,判定是否存在先后发生的泊车异常行为;
提取模块502,用于当判定存在先后发生的泊车异常行为时,提取预设时间段内产生的信号数据序列,其中,所述预设时间段包含所述泊车异常行为对应的时刻;所述信号数据序列包括所述车辆泊车时产生的车辆信号数据以及该车辆信号数据相关的时间信息;
识别模块503,用于根据所述信号数据序列,识别所述车辆是否发生泊车事故。
本发明实施例提供的泊车事故识别装置50,能够通过在泊车过程中能够基于泊车异常行为分析,提取相应时间段内的信号数据序列,进而识别车辆是否发生泊车事故。本发明实施例不依赖于具体车型,容易通用化和产品化,且无须在车辆安装额外软硬件。提高车辆泊车事故识别的准确率,降低车辆泊车事故识别的计算量和硬件成本。
所属领域的技术人员可以清楚地了解到,本发明实施例提供的泊车事故识别装置50可以是车载终端或车辆或服务器的本身或一部分或运行于其中的程序代码,其实现原理及产生的技术效果和前述方法实施例相同,为描述的方便和简洁,装置实施例部分未提及之处,可参考前述方法实施例中相应内容,在此不再赘述。
本发明实施例还提供了一种识别设备40,请参阅图3,该识别设备40包括处理器401和存储器402,所述存储器402用于存储程序代码,所述程序代码由所述处理器401加载并执行以实现前述方法实施例中的相应内容。
其中,处理器401可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。其可以实现或执行结合本发明实施例公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器801可以是DSP(Digital Signal Processing,数字信号处理)、ASIC(Application Specific Integrated Circuit,特殊应用集成电路)FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。处理器401也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central Processing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器801可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器401还可以包括ECU(Electronic Control Unit,电子控制单元),或AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。处理器401也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
存储器402可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
可选地,识别设备40还可以包括收发器。处理器401和收发器相连,如通过总线相连接。需要说明的是,实际应用中收发器不限于一个,该车辆的结构并不构成对本发明实施例的限定。此外,总线可包括一通路,在上述组件之间或与车身之间传送信息。总线可以是CAN总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。
本发明实施例提供的识别设备40,能够通过在泊车过程中能够基于泊车异常行为分析,提取相应时间段内的信号数据序列,进而识别车辆是否发生泊车事故。本发明实施例不依赖于具体车型,容易通用化和产品化,且无须在车辆安装额外软硬件。提高车辆泊车事故识别的准确率,降低车辆泊车事故识别的计算量和硬件成本。
本发明实施例还提供了一种车辆,该车辆包括泊车事故监控系统,所述行驶事故监控系统用于前述方法实施例中相应内容。
本发明实施例还提供了一种存储介质,该存储介质中存储有程序代码,所述程序代码用于执行前述方法实施例中相应内容。举例而言,该存储介质可以为计算机可读存储介质,其能够在在计算机上运行。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、车辆、存储介质、车载终端或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上对本发明所提供的一种基于泊车异常行为分析的泊车事故识别方法、装置和车辆进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,不应理解为对本发明的限制;同时,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。即对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,做出的改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种基于泊车异常行为分析的泊车事故识别方法,其特征在于,包括:
在车辆的车速低于预设阈值时,根据所述车辆的表征驾驶行为的车辆信号数据,判定是否存在先后发生的泊车异常行为;
当判定存在先后发生的泊车异常行为时,提取预设时间段内产生的信号数据序列,其中,所述预设时间段包含所述泊车异常行为对应的时刻;所述信号数据序列包括所述车辆泊车时产生的车辆信号数据以及该车辆信号数据相关的时间信息;
根据所述信号数据序列,识别所述车辆是否发生泊车事故。
2.根据权利要求1所述的泊车事故识别方法,其特征在于,所述泊车异常行为包括泊车中的第一泊车异常行为,其中,所述第一泊车异常行为包括反复倒车;所述判定是否存在先后发生的泊车异常行为,包括:
当根据所述车辆信号数据判断所述车辆在第一预设时长内,第一预设档位与第二预设档位之间切换次数大于第一预设数量,且方向盘转动角度的绝对值大于第一预设角度的正负向来回转动次数大于第二预设数量时,判定存在反复倒车的第一泊车异常行为。
3.根据权利要求2所述的泊车事故识别方法,其特征在于,所述泊车异常行为还包括泊车后的第二泊车异常行为,其中,所述第一泊车异常行为先于所述第二泊车异常行为发生;
所述第二泊车异常行为包括下车时方向盘未打正;所述判定是否存在先后发生的泊车异常行为,还包括:当根据所述车辆信号数据判断主驾车门打开,且方向盘角度大于第二预设角度时,判定存在下车时方向盘未打正的第二泊车异常行为;
和/或,所述第二泊车异常行为包括下车后长时间未锁车;所述判定是否存在先后发生的泊车异常行为,包括:当根据所述车辆信号数据判断主驾车门打开后,在第二预设时长内所述车辆未上锁时,判定存在下车后长时间未锁车的第二泊车异常行为。
4.根据权利要求3所述的泊车事故识别方法,其特征在于,所述根据所述信号数据序列,识别所述车辆是否发生泊车事故,包括:
将所述信号数据序列作为泊车事故识别模型的输入;
所述泊车事故识别模型根据所述信号数据序列,识别其中的所述车辆信号数据是否满足泊车事故的异常特征,生成至少用于表征是否发生泊车事故的识别结果;所述异常特征包括泊车异常特征、状态异常特征和行为异常特征中的至少一种;
所述识别结果为泊车事故识别模型的输出。
5.根据权利要求4所述的泊车事故识别方法,其特征在于,所述泊车异常特征包括:反复倒车和强震动中的至少一种;所述强震动表征所述车辆的加速度数据在至少一个方向上的变化速率大于预设速率;
和/或,所述状态异常特征包括:气囊点爆、雷达异常、双闪灯持续开启时间大于第三预设时长、车灯故障、EPS警告和ABS警告中的至少一种;
和/或,所述行为异常特征包括:停车且未锁车、反复倒车过程或之后雷达异常、雷达异常后下车、下车时方向盘未打正、下车后长时间未锁车中的至少一种;
所述雷达异常表征所述车辆的车载雷达检测到预设距离内有物体。
6.根据权利要求5所述的泊车事故识别方法,其特征在于,所述泊车事故识别模型包括泊车事故机器识别模型,通过如下方式训练:
获取由历史泊车事故记录中车辆信号数据依据时序组合形成的样本序列,作为正样本;
获取由历史正常泊车记录中车辆信号数据依据时序组合形成的样本序列,作为负样本;
选取所述样本序列中关联于所述异常特征的车辆信号数据,作为所述正样本和所述负样本的特性信息;
根据预设时间段分别对所述正样本和所述负样本的样本序列标注泊车事故信息;所述预设时间段包含雷达异常对应的时刻;
基于所述正样本和负样本的特性信息以及标注的泊车事故信息,对所述泊车事故识别模型进行二分类训练,得到泊车事故识别模型的参数,确定所述泊车事故识别模型。
7.根据权利要求1或6所述的泊车事故识别方法,其特征在于,所述车辆信号数据包括车辆行驶数据和车辆状态数据;
所述车辆行驶数据包括:车速数据,加速度数据,档位数据,方向盘转角数据的至少一种;
所述车辆状态数据包括:气囊弹出数据,设备故障信号数据,车门开关信号数据,雷达测距数据,双闪灯状态数据的至少一种。
8.根据权利要求1所述的泊车事故识别方法,其特征在于,识别出所述车辆发生泊车事故后,还包括如下步骤:
通过所述车辆的摄像头采集所述车辆周围的图像信息,分析所述图像信息以确认所述泊车事故。
9.一种车辆泊车事故识别装置,其特征在于,包括:
判定模块,用于在车辆的车速低于预设阈值时,根据所述车辆的表征驾驶行为的车辆信号数据,判定是否存在先后发生的泊车异常行为;
提取模块,用于当判定存在先后发生的泊车异常行为时,提取预设时间段内产生的信号数据序列,其中,所述预设时间段包含所述泊车异常行为对应的时刻;所述信号数据序列包括所述车辆泊车时产生的车辆信号数据以及该车辆信号数据相关的时间信息;
识别模块,用于根据所述信号数据序列,识别所述车辆是否发生泊车事故。
10.一种存储介质,其特征在于,所述存储介质中存储有程序代码,所述程序代码用于执行权利要求1至8任一项权利要求所述的泊车事故识别方法。
11.一种识别设备,其特征在于,所述识别设备包括处理器和存储器,所述存储器用于存储程序代码,所述程序代码由所述处理器加载并执行以实现如权利要求1至8任一项权利要求所述的方法中所执行的操作。
12.一种车辆,其特征在于,包括:泊车事故识别系统,所述泊车事故监控系统用于执行权利要求1至8任一项所述的泊车事故识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120601.1A CN111310696B (zh) | 2020-02-26 | 2020-02-26 | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120601.1A CN111310696B (zh) | 2020-02-26 | 2020-02-26 | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310696A CN111310696A (zh) | 2020-06-19 |
CN111310696B true CN111310696B (zh) | 2023-09-15 |
Family
ID=71158427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010120601.1A Active CN111310696B (zh) | 2020-02-26 | 2020-02-26 | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310696B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112406767B (zh) * | 2020-11-11 | 2022-08-16 | 广州小鹏汽车科技有限公司 | 车辆陷坑事故的监控方法、监控装置、服务器和存储介质 |
CN113658426B (zh) * | 2021-07-29 | 2023-10-03 | 中寰卫星导航通信有限公司 | 一种车辆事故识别方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957345A (zh) * | 2016-06-08 | 2016-09-21 | 南京航空航天大学 | 车辆行驶数据处理方法 |
CN108961466A (zh) * | 2018-06-19 | 2018-12-07 | 宇龙计算机通信科技(深圳)有限公司 | 一种异常行为的采集方法和设备 |
CN109886820A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技(深圳)有限公司 | 事故车辆识别方法及终端设备 |
-
2020
- 2020-02-26 CN CN202010120601.1A patent/CN111310696B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957345A (zh) * | 2016-06-08 | 2016-09-21 | 南京航空航天大学 | 车辆行驶数据处理方法 |
CN108961466A (zh) * | 2018-06-19 | 2018-12-07 | 宇龙计算机通信科技(深圳)有限公司 | 一种异常行为的采集方法和设备 |
CN109886820A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技(深圳)有限公司 | 事故车辆识别方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111310696A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
CN107848478B (zh) | 低速碰撞的自动识别和评估 | |
Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
Moujahid et al. | Machine learning techniques in ADAS: A review | |
CN111050116B (zh) | 利用时间递归网络进行在线动作检测的系统和方法 | |
CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
Carvalho et al. | Exploiting the use of recurrent neural networks for driver behavior profiling | |
US11518380B2 (en) | System and method for predicted vehicle incident warning and evasion | |
US20210171050A1 (en) | System for evaluating vehicle performance | |
CN109671006A (zh) | 交通事故处理方法、装置及存储介质 | |
CN113392692A (zh) | 以驾驶员为中心的风险评估:经由意图感知驾驶模型的因果推理进行风险对象识别 | |
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 | |
Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
US11829131B2 (en) | Vehicle neural network enhancement | |
US20230103670A1 (en) | Video analysis for efficient sorting of event data | |
CN112287801A (zh) | 车载数据处理方法、装置、服务器和可读存储介质 | |
CN112749210A (zh) | 基于深度学习的车辆碰撞识别方法和系统 | |
Xue et al. | A context-aware framework for risky driving behavior evaluation based on trajectory data | |
US9008857B2 (en) | System and method of detecting drowsy driving | |
CN107644475B (zh) | 一种车辆碰撞检测的方法和装置以及obd盒子 | |
CN108515967B (zh) | 一种基于车牌识别的防撞预警方法及装置 | |
CN116279500B (zh) | 一种车辆碰撞识别方法 | |
Alpar | Corona segmentation for nighttime brake light detection | |
KR20170080869A (ko) | 차량 사고 방지 장치 및 방법 | |
Yu et al. | Vehicle forward collision warning based upon low frequency video data: A hybrid deep learning modeling approach |
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 |