CN113562005A - 轨道列车司机行为智能监测和障碍物侵限智能侦测系统 - Google Patents

轨道列车司机行为智能监测和障碍物侵限智能侦测系统 Download PDF

Info

Publication number
CN113562005A
CN113562005A CN202111132092.5A CN202111132092A CN113562005A CN 113562005 A CN113562005 A CN 113562005A CN 202111132092 A CN202111132092 A CN 202111132092A CN 113562005 A CN113562005 A CN 113562005A
Authority
CN
China
Prior art keywords
module
monitoring
early warning
driver
image
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
Application number
CN202111132092.5A
Other languages
English (en)
Inventor
戴相龙
李学钧
蒋勇
王晓鹏
何成虎
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.)
Jiangsu Haohan Information Technology Co ltd
Original Assignee
Jiangsu Haohan Information 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 Jiangsu Haohan Information Technology Co ltd filed Critical Jiangsu Haohan Information Technology Co ltd
Priority to CN202111132092.5A priority Critical patent/CN113562005A/zh
Publication of CN113562005A publication Critical patent/CN113562005A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61C—LOCOMOTIVES; MOTOR RAILCARS
    • B61C17/00—Arrangement or disposition of parts; Details or accessories not otherwise provided for; Use of control gear and control systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明提供了一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统。司机行为监测子系统：用于通过设置在驾驶室内的AI摄像头实时监测司机行为，并获取司机行为信息；障碍物侵限监测子系统：用于通过车辆顶部设置的高速视觉采集设备采集侵入侵限内的障碍物，并获取障碍物信息；预警子系统：用于通过AI模块的边缘计算技术，处理所述司机行为信息和障碍物信息，进行防碰撞和不安全驾驶行为检测，判断是否进行预警，并将处理后的司机行为信息和障碍物信息传输至大数据中心。

Description

轨道列车司机行为智能监测和障碍物侵限智能侦测系统
技术领域
本发明涉及轨道交通技术领域，特别涉及一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统。
背景技术
目前，城市轨道交通列车司机长时间驾驶产生的疲劳，势必影响行车安全。目前主要是通过规章制度及警惕按钮来保证，这样既增加司机的劳动强度，也对司机疲劳驾驶检测效果有限。目前，几乎还没有城市轨道交通列车司机疲劳驾驶检测和预警方法成熟有效的研究，故本发明针对城轨列车司机特殊的作业环境，开发了一套车载、实时的基于面部特征以及司机行为规范识别的列车司机疲劳驾驶检测预警系统。
与此同时，轨道障碍物入侵，障碍物侵限也是地铁安全运营的主要隐患，为影响系统安全的重要因素。为了更为有效的避免地铁路轨障碍物侵限隐患，需要智能实时侦测系统可以满足地铁列车全天候运行环境，实时侦测地铁列车前方路轨障碍物侵限，准确侦测障碍物侵限的形态和性质，并且在列车有效刹车距离外及时准确的对障碍物侵限状况进行实时预警。
发明内容
本发明提供一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，用以解决轨道情况复杂，容易出现事故，对于轨道的磨损、修饰和衔接情况，也无法及时观察，容易发生事故情况。
一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，包括：
司机行为监测子系统：用于通过设置在驾驶室内的AI摄像头实时监测司机行为，并获取司机行为信息；
障碍物侵限监测子系统：用于通过车辆顶部设置的高速视觉采集设备采集侵入侵限内的障碍物，并获取障碍物信息；
预警子系统：用于通过AI模块的边缘计算技术，处理所述司机行为信息和障碍物信息，并将处理后的司机行为信息和障碍物信息传输至大数据中心，进行防碰撞和不安全驾驶行为检测，判断是否进行预警。
作为本发明的一种实施例：所述司机行为监测子系统包括：
图像获取模块：用于通过所述AI摄像头获取驾驶室内的场景图像，其中，
所述场景图像包括：司机面部图像、司机行为图像和驾驶室环境图像；
所述AI摄像头不低于2个，所述AI摄像头包括：朝前的AI摄像头，一个面向司机的AI摄像头
司机疲劳驾驶监测模块：用于根据所述司机面部图像，判断司机疲劳程度，根据所述疲劳程度进行报警；
司机身份判断模块：用于通过所述司机面部图像，基于人脸识别，判断司机是否为当前行驶列车授权的驾驶司机；
不安全驾驶行为监测模块：用于通过所述司机行为图像和驾驶室环境图像判断是否存在不安全驾驶行为；其中，
所述不安全驾驶行为至少包括：打哈欠、遮挡摄像头、离开驾驶室。
作为本发明的一种实施例：所述图像获取模块还包括：
图像清晰化单元：用于对所述场景图片进行处理，并根据预设标准对所述场景图片进行调整，加强所述场景图片的清晰度；其中，
加强所述场景图片清晰度包括：
确定所述场景图像中的像素点；
判断每个像素点与预设标准的偏差值；
根据所述偏差值，调整所述场景图像中的像素点的参数，并通过编码处理，生成编码像素点；其中，
所述调整后的编码像素点中的字节长度与所述预设标准要求的标准图像的像素点的字节长度相同；
根据所述编码像素点，重新组合生成加强清晰度的场景图片。
作为本发明的一种实施例：所述障碍物侵限监测子系统包括：
侵限监测模块：用于通过车辆顶部设置的高速视觉采集设备内置的高精度三维探测技术，获取列车行驶方向的侵限内部图像；其中，
所述侵限内部图像包括障碍物侵限的形态和性质；
结构光模块：用于在所述高速视觉采集设备获取列车行驶方向的侵限内部图像时，通过调节结构光，控制采集的图像更加清晰；
防碰撞监测模块：用于根据所述侵限内部图像判断是否存在障碍物；其中，
所述障碍物包括：人员、障碍物或动物；
信息采集模块：用于在判断所述侵限内部图像存在障碍物时，获取所述障碍物的相关信息。
作为本发明的一种实施例：所述障碍物侵限监测子系统还包括：
速度监测模块：用于获取当前列车的实时速度，并根据所述实时速度，确定控制所述高速采集设备的速度参数；
设备调节模块：用于根据所述速度参数，调节所述高速采集设备的灵敏度，并根据实时的速度参数和灵敏度构建平衡采集模型。
作为本发明的一种实施例：所述预警子系统包括：
图像处理模块：用于对司机行为信息和所述障碍物信息的源图像进行叠进式数据建模，并通过叠进式数据模型处理所述司机行为信息和障碍物信息；
AI计算模块：用于获取所述司机行为信息和所述障碍物信息，并将所述司机行为信息和所述障碍物信息通过3D融合技术和深度算法进行处理，确定预警等级；
预警规则模块：用于根据所述预警等级，设定报警；
其中所述预警等级包括：语音预警、制动预警和紧急制动预警；其中，
所述语音预警对应侵限内部存在人员或动物式进行报警；
所述制动预警对应预设时间内没有解除报警，并启动降速或紧急制动模式；
所述紧急制行预警对应预设时间内接触报警；
报警模块：用于根据所述预警规则，所述预设报警装置进行报警。
作为本发明的一种实施例：所述预警子系统还包括：
深度优化模块：用于确定所述司机行为信息和所述障碍物信息的源图像的图像特征，并基于多模型特征实时并发监测，对所述图像特征进行优化；
质量判断模块：用于对所述司机行为信息和所述障碍物信息的源图像进行质量检测，判断图像模糊程度；
图像压缩模块：用于对所述司机行为信息和所述障碍物信息的源图像通过压缩算法进行处理，降低图像的特征文件大小。
作为本发明的一种实施例，所述系统还包括后台监控子系统：
后台监控模块：用于通过后台监控的终端设备实时调取监控数据，并可以通过所述后台监控的终端设备，实时调取监控数据；
后台连接模块：用于将后台监控设备和大数据中心连通，实时将监控数据和控制数据通过大数据中心进行数据交换；
标记模块：用于判断所述监控中是否夹带有预警信息，并对所述预警信息进行显示标记；
预警模块：用于根据所述显示标记，获取具体的信息内容，并对所述预警信息进行等级划分，确定预警等级，并通过预警等级进行预警报警。
作为本发明的一种实施例：所述传输模块建立多通道同步传输的步骤包括：
步骤S1、获取后台监控设备唯一标示信息，确定大数据中心对应的数据传输地址；
步骤S2、根据所述传输地址，判断所述传输地址可连接的链路通道，依次对可连接的链路通道进行编号，并根据编号连接所述可连接的链路通道；
步骤S3、根据所述编号，依次对可连接的链路通道设置不同的数据传输规则，并根据所述数据传输规则，设定所述可连接的链路通道均衡数据传输策略，控制所述可连接的链路通道均通过同一传输速度进行数据传输；
步骤S4、在所述同一传输速度下，控制所述传输模块进行同步数据传输。
作为本发明的一种实施例：所述预警模块确定对应的事故等级，包括：
步骤1：获取所述司机行为特征和障碍物侵限特征，构建所述预警信息的不规则排列模型：
Figure 489328DEST_PATH_IMAGE001
其中，
Figure 225203DEST_PATH_IMAGE002
表示司机行为特征的不规则排列的最大个数；
Figure 879563DEST_PATH_IMAGE003
表示第
Figure 220545DEST_PATH_IMAGE004
个司机行为特征 的权重；
Figure 869702DEST_PATH_IMAGE005
表示第
Figure 561714DEST_PATH_IMAGE004
个障碍物侵限特征的排列状况；
Figure 485677DEST_PATH_IMAGE006
表示第
Figure 212324DEST_PATH_IMAGE004
个障碍物侵限特征的第
Figure 907748DEST_PATH_IMAGE007
种排列位置；
Figure 336324DEST_PATH_IMAGE008
，n表示司机行为特征的个数；
Figure 814710DEST_PATH_IMAGE009
， m表示预障碍物侵限特征的不规则排列方式的个数；
步骤2：获取预先设置的预警特征，构建所述预警特征的不规则排列模型：
Figure 851323DEST_PATH_IMAGE010
其中，
Figure 124173DEST_PATH_IMAGE011
表示司机预警特征的不规则排列的最大个数；
Figure 384253DEST_PATH_IMAGE012
表示第
Figure 650018DEST_PATH_IMAGE013
个司机预警特 征的权重；
Figure 351258DEST_PATH_IMAGE014
表示第
Figure 247538DEST_PATH_IMAGE013
个障碍物预警的排列状况；
Figure 667018DEST_PATH_IMAGE015
表示第
Figure 736475DEST_PATH_IMAGE013
个障碍物预警的第
Figure 354538DEST_PATH_IMAGE016
种排列位置；
Figure 500348DEST_PATH_IMAGE017
，
Figure 331425DEST_PATH_IMAGE018
表示司机预警的个数；
Figure 283201DEST_PATH_IMAGE019
，
Figure 959033DEST_PATH_IMAGE020
表示障碍物预警的不规则排方式的个数；
步骤3：根据所述司机行为特征、障碍物侵限特征和预警特征的不规则排列模型，构建预警模型：
Figure 993854DEST_PATH_IMAGE021
步骤4：将所述司机行为特征、障碍物侵限特征和预警特征依次代入所述布局模 型，获取当
Figure 60030DEST_PATH_IMAGE022
时为高等级预警，当
Figure 736868DEST_PATH_IMAGE023
时为低等级预警。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统的系统组成图；
图2为本发明实施例中司机行为监测子系统的系统组成图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发发明作为轨道车辆的智能监测系统，主要通过边缘计算的深度算法，其原因为：车辆驾驶室内空间狭小，布置本地图像处理服务器不太方便，而且服务器运行噪声较大，影响司乘人员的工作效率。如果采用后端处理方式，在地铁公司控制调度室内布置远程服务器，由于地铁的特殊环境，数据传输速度和可靠性均不能保证。因此，要满足实时性、可靠性和环境适应性的要求，必须采用边缘计算的方式。
边缘计算的核心控制主板体积小，所以采用的各种元器件性能不高，算力低。图像处理数据量大，各种优化和识别运算相当复杂，要实现边缘计算必须具备核心运算软件容量小、运算效率高、功耗低等技术性能。而我公司的核心技术恰恰完全满足这些条件的要求。
本系统应用的嵌入式边缘计算核心控制模块，采用最先进的人工智能 AI 处理器和高速图像处理芯片，并根据自主核心软件特点进行器件选择和设计优化，相比较云计算和同行业边缘计算技术具备更快的响应速度和占用更小的组件资源，并且结合边缘计算和云计算功能，在识别精度方面有了显著的提高，本发明的设备可以实现小尺寸、大智能。
实施例1：
本发明为一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，包括：
司机行为监测子系统：用于通过设置在驾驶室内的AI摄像头实时监测司机行为，并获取司机行为信息；
障碍物侵限监测子系统：用于通过车辆顶部设置的高速视觉采集设备采集侵入侵限内的障碍物，并获取障碍物信息；
预警子系统：用于通过AI模块的边缘计算技术和三维深度计算技术处理所述司机行为信息和障碍物信息，并将处理后的司机行为信息和障碍物信息传输至大数据中心，进行防碰撞和不安全驾驶行为检测，判断是否进行预警。
上述技术方案原理和有益效果在于：本发明针对列车司机监控的需求和列车的侵限监测需求，基于深度学习图像识别算法基础，进行软件和硬件的开发的驾驶安全辅助终端系统，本发明研发的基于图像识别技术的人工智能设备能够通过司机行为检测、障碍物侵限监测和预警子系统对司机的驾驶状态和障碍物侵限进行内置了自主研发的先进的图像智能处理核心算法，能够对司机疲劳状态、不安全驾驶行为、司机身份识别和列车行进过程中防碰撞等进行实时监控，及时提供语音安全预警，并上报管理平台，从而带给司机更主动、更智能的安全保障，降低安全事故发生率。本发明可以实时超远距离监测：突破车辆高速运行、350~500m超远距离的地铁侵限障碍物隐患识别关键技术，满足地铁车辆安全制动距离要求。全天候适应地铁复杂多变的运行环境，定制相机高透雾性，适应白天、黑夜、雨雾等特殊环境，以及隧道低照度等环境条件。高速三维障碍物检测技术，基于高速相机和结构光，实现地铁环境的超远距离高速高精度三维探测，可准确表达障碍物侵限的形态和性质。
作为本发明的一种实施例：如附图2所示，所述司机行为监测子系统包括：
图像获取模块：用于通过所述AI摄像头获取驾驶室内的场景图像，其中，
所述场景图像包括：司机面部图像、司机行为图像和驾驶室环境图像；
所述AI摄像头不低于2个，所述AI摄像头包括：朝前的AI摄像头，一个面向司机的AI摄像头
司机疲劳驾驶监测模块：用于根据所述司机面部图像，判断司机疲劳程度，根据所述疲劳程度进行报警；
司机身份判断模块：用于通过所述司机面部图像，基于人脸识别，判断司机是否为当前行驶列车授权的驾驶司机；
不安全驾驶行为监测模块：用于通过所述司机行为图像和驾驶室环境图像判断是否存在不安全驾驶行为；其中，
所述不安全驾驶行为至少包括：打哈欠、遮挡摄像头、离开驾驶室。
上述技术方案的原理和有益效果在于：本发明的司机行为识别包括三部分：司机疲劳驾驶实时监控并语音警示，通过眼睛和面部变化检测司机的疲劳程度，并给出不同等级告警，根据车速自适应调整告警灵敏度和全天候环境适应。司机身份合法性识别，确保合法司机驾驶：人脸识别核心算法3秒钟内身份识别完成，驾驶人员身份注册、认证、查询功能，支持识别结果语音提示及上报功能，不安全驾驶行为监控、抓拍、上报平台：开车打哈欠、疲劳驾驶行为监控及上报像头遮挡告警上报，开车离开驾驶视线提示及上报，不规范司机行车规范告警。
作为本发明的一种实施例：所述图像获取模块还包括：
图像清晰化单元：用于对所述场景图片进行处理，并根据预设标准对所述场景图片进行调整，加强所述场景图片的清晰度；其中，
加强所述场景图片清晰度包括：
确定所述场景图像中的像素点；
判断每个像素点与预设标准的偏差值；
根据所述偏差值，调整所述场景图像中的像素点的参数，并通过编码处理，生成编码像素点；其中，
所述调整后的编码像素点中的字节长度与所述预设标准要求的标准图像的像素点的字节长度相同；
根据所述编码像素点，重新组合生成加强清晰度的场景图片。
上述技术方案的原理和有益效果在于：本发明中因为摄像头是处于室内环境中的，因此很可能收到环境的影响，例如温度导致水蒸气上升，镜头模糊或者镜头不清晰，进而导致摄像获取的图像是不清晰的，此时通过对场景图片进行清晰化处理，得到最终的图像。通过这些图像发现异常情况的时候，也可以通知运维人员通过轨道检测车在进行精确检测处理。
作为本发明的一种实施例：所述障碍物侵限监测子系统包括：
侵限监测模块：用于通过车辆顶部设置的高速视觉采集设备内置的高精度三维探测技术，获取列车行驶方向的侵限内部图像；其中，
所述侵限内部图像包括障碍物侵限的形态和性质；
结构光模块：用于在所述高速视觉采集设备获取列车行驶方向的侵限内部图像时，通过调节结构光，控制采集的图像更加清晰；
防碰撞监测模块：用于根据所述侵限内部图像判断是否存在障碍物；其中，
所述障碍物包括：人员、障碍物或动物；
信息采集模块：用于在判断所述侵限内部图像存在障碍物时，获取所述障碍物的相关信息。
上述技术方案的原理和有益效果在于：本发明具有实时预警功能的地铁防撞和侵限监测设备，在机车顶部和驾驶室内安装远距离视觉采集设备，同时在机车驾驶室内部安装和结构光+高速视觉采集设备，在一个可选实施列zhon给：可300米内检测侵限障碍物和人员并报警，最大限度的保证车辆安全。前方物体防碰撞报警，识别侵入车辆限界的障碍物/障碍物和人员，输出所识别的障碍物目标的相关信息。适应车速范围：小于100km/h，识别范围 ≥ 300米；障碍物精确区分：区分35*35cm以上障碍物及人员检测。
作为本发明的一种实施例：所述障碍物侵限监测子系统还包括：
速度监测模块：用于获取当前列车的实时速度，并根据所述实时速度，确定控制所述高速采集设备的速度参数；
设备调节模块：用于根据所述速度参数，调节所述高速采集设备的灵敏度，并根据实时的速度参数和灵敏度构建平衡采集模型。
上述技术方案的原理和有益效果在于：首先，本发明处理的是车载式轨道侵限障碍物智能实时侦测系统由于轨道交通应用场景的特殊性质，需满足在线不间断连续超远距离侦测、瞬时信号响应、实时数据采集、运算识别和预警输出等要求，在此过程中适应车辆高速运行、超越距离、低照度、环境噪声等因素的轨道交通应用场景。因此，本发明的速度调节模块是因为高速采集设备在不同的速度环境下们都会存在不同的采集灵敏度，因此通过速度控制控制采集灵敏度，根据采集的灵敏度实现动态平衡的数据采集。
作为本发明的一种实施例：所述预警子系统包括：
图像处理模块：用于对司机行为信息和所述障碍物信息的源图像进行叠进式数据建模，并通过叠进式数据模型处理所述司机行为信息和障碍物信息；
AI计算模块：用于获取所述司机行为信息和所述障碍物信息，并将所述司机行为信息和所述障碍物信息通过3D融合技术和深度算法进行处理，确定预警等级；
预警规则模块：用于根据所述预警等级，设定报警；
其中所述预警等级包括：语音预警、制动预警和紧急制动预警；其中，
所述语音预警对应侵限内部存在人员或动物式进行报警；
所述制动预警对应预设时间内没有解除报警，并启动降速或紧急制动模式；
所述紧急制行预警对应预设时间内接触报警；
报警模块：用于根据所述预警规则，所述预设报警装置进行报警。
上述技术放哪的原理和有益效果在于：本发明在进行预警的时候，通过图像处理获取司机的司机行为信息和障碍物信息，这些信息的获取方式是通过AI模块运用边缘计算技术将采集到的视频图像进行处理分析，AI模块将分析结果发送到预警系统和本地数据中心，预警系统接收到不同报警信号可进行不同方式的现场预警。本发明的AI模块采用了国际学术界最新、最先进深度学习算法，将目前最先进算法进行融合和改造，同时加入增强学习技术和迁移学习技术，通过大量实验分析与比较对算法做大幅度修改和优化，对图像中特定目标特征进行叠进式数据建模，极大提升了图像识别算法准确度。整套硬件系统结合软件后台的使用，使得现场操作人员和后台监控人员可以同时接收到报警信息，以便进行下一步的预处理措施，更加快捷高效的维护轨道运营。本发明的预警是通过报警规则，例如：报警规则前方出现侵限行人或者障碍物，则语音警报；驾驶员在10s内不解除报警，则启动降速和紧急制动模式；驾驶员在10s内拍击报警解除按键，则报警解除，不启动降速和紧急制动模式。
作为本发明的一种实施例：所述预警子系统还包括：
深度优化模块：用于确定所述司机行为信息和所述障碍物信息的源图像的图像特征，并基于多模型特征实时并发监测，对所述图像特征进行优化；
质量判断模块：用于对所述司机行为信息和所述障碍物信息的源图像进行质量检测，判断图像模糊程度；
图像压缩模块：用于对所述司机行为信息和所述障碍物信息的源图像通过压缩算法进行处理，降低图像的特征文件大小。
上述技术方案的原理和有益效果在于：多模型特征的实时并发监测，可以配合采集设备在的采集状态显著提升，提高跟踪精度，实现对内置实时图像质量判断引擎的，避免图像模型不清，识别精度不高。基于特征压缩算法，更优的兼顾“层数“涉及，兼顾性能和复杂度。
在一个实施例中，本发明判断图像的模糊程度包括包括如下步骤：
步骤1：预先构建模糊测试数据库；模糊测试数据库中存在大量用于进行图像评估对比的图片。
步骤2：确定模糊测试数据库中不同模糊程度的测试图的质量评价系数；模糊测试数据库中每张侧视图都预先设定有质量评价系数，质量评价系数也是模糊程度。
步骤3：将所述测试图和源图像进行线性拟合，通过下式确定线性相关系数：
Figure 329523DEST_PATH_IMAGE024
其中，
Figure 817136DEST_PATH_IMAGE025
表示线性相关系数；
Figure 619876DEST_PATH_IMAGE026
表示测试图的最大质量评价系数；
Figure 585558DEST_PATH_IMAGE027
表示测 试图的最小质量评价系数；
Figure 32720DEST_PATH_IMAGE028
表示测试图的最平均质量评价系数；
Figure 943432DEST_PATH_IMAGE029
表示第
Figure 984200DEST_PATH_IMAGE030
张源图像的 图像特征；
Figure 2841DEST_PATH_IMAGE031
表示第
Figure 976613DEST_PATH_IMAGE032
张测试图的质量评价系数；
Figure 868345DEST_PATH_IMAGE033
，
Figure 707994DEST_PATH_IMAGE034
表示源图像 的总数量；
Figure 749900DEST_PATH_IMAGE035
，
Figure 296287DEST_PATH_IMAGE036
表示测试图的总数量；
步骤4：根据获取所述线性相关系数的值，当所述线性相关系数的值为1时，第
Figure 296605DEST_PATH_IMAGE030
张 源图像的模糊程度等于第
Figure 171020DEST_PATH_IMAGE032
张测试图的质量评价系数。
通过步骤3的线性回归拟合，可以计算出每张司机行为信息和所述障碍物信息的源图像的图像质量。
作为本发明的一种实施例，所述系统还包括后台监控子系统：
后台监控模块：用于通过后台监控的终端设备实时调取监控数据，并可以通过所述后台监控的终端设备，实时调取监控数据；
后台连接模块：用于将后台监控设备和大数据中心连通，实时将监控数据和控制数据通过大数据中心进行数据交换；
标记模块：用于判断所述监控中是否夹带有预警信息，并对所述预警信息进行显示标记；
预警模块：用于根据所述显示标记，获取具体的信息内容，并对所述预警信息进行等级划分，确定预警等级，并通过预警等级进行预警报警。
上述技术方案的原理和有益效果在于：后台监控软件系统从数据中心采集信息，查看列车司机现场操作情况进行干预和处理，并且后台和本地数据中心通信，支持视频回看以便后期取证。后台模块控制的AI摄像头目前已经广泛应用于司机安全驾驶行为采集中，同时支持不同光线环境下以及列车相对颠簸状况下的稳定图像获取。
作为本发明的一种实施例：所述传输模块建立多通道同步传输的步骤包括：
步骤S1、获取后台监控设备唯一标示信息，确定大数据中心对应的数据传输地址；
步骤S2、根据所述传输地址，判断所述传输地址可连接的链路通道，依次对可连接的链路通道进行编号，并根据编号连接所述可连接的链路通道；
步骤S3、根据所述编号，依次对可连接的链路通道设置不同的数据传输规则，并根据所述数据传输规则，设定所述可连接的链路通道均衡数据传输策略，控制所述可连接的链路通道均通过同一传输速度进行数据传输；（例如：第一类编号的只能传输侵限内侧数据，第二类编号也进行传输）并根据所述数据传输规则，设定所述可连接的链路通道均衡数据传输策略（即通过多个通道同时进行数据传输，对于可传输数据量多的通道实现多态数据，对于丢包率多的通道实现补充数据包实现均衡数据），控制所述可连接的链路通道均通过同一传输速度进行数据传输；
步骤S4、在所述同一传输速度下，控制所述传输模块进行同步数据传输。
上述技术方案的原理在于：本发明通过唯一标识信息，确定传输地址，然后通过对传输地址的处理连接到可能链接的链路而链路的编号也是传输规则和链路规则的不同设置方式的链路。最后在同意传输速度下实现同步传输，是的数据传输时不会因为干扰而导致数据传输中断。
作为本发明的一种实施例：所述预警模块确定对应的事故等级，包括：
步骤1：获取所述司机行为特征和障碍物侵限特征，构建所述预警信息的不规则排列模型：
Figure 799972DEST_PATH_IMAGE001
其中，
Figure 951598DEST_PATH_IMAGE002
表示司机行为特征的不规则排列的最大个数；
Figure 372084DEST_PATH_IMAGE003
表示第
Figure 733795DEST_PATH_IMAGE004
个司机行为 特征的权重；
Figure 117503DEST_PATH_IMAGE005
表示第
Figure 700800DEST_PATH_IMAGE004
个障碍物侵限特征的排列状况；
Figure 980603DEST_PATH_IMAGE006
表示第
Figure 95190DEST_PATH_IMAGE004
个障碍物侵限 特征的第
Figure 797435DEST_PATH_IMAGE007
种排列位置；
Figure 923654DEST_PATH_IMAGE008
，n表示司机行为特征的个数；
Figure 764571DEST_PATH_IMAGE009
，m表示预障碍物侵限特征的不规则排列方式的个数；
步骤2：获取预先设置的预警特征，构建所述预警特征的不规则排列模型：
Figure 290755DEST_PATH_IMAGE010
其中，
Figure 485107DEST_PATH_IMAGE011
表示司机预警特征的不规则排列的最大个数；
Figure 777417DEST_PATH_IMAGE012
表示第
Figure 523656DEST_PATH_IMAGE013
个司机预警特 征的权重；
Figure 222622DEST_PATH_IMAGE014
表示第
Figure 532249DEST_PATH_IMAGE013
个障碍物预警的排列状况；
Figure 492115DEST_PATH_IMAGE015
表示第
Figure 346939DEST_PATH_IMAGE013
个障碍物预警的第
Figure 782468DEST_PATH_IMAGE016
种排列位置；
Figure 380940DEST_PATH_IMAGE017
，
Figure 460891DEST_PATH_IMAGE018
表示司机预警的个数；
Figure 942076DEST_PATH_IMAGE019
，
Figure 412371DEST_PATH_IMAGE020
表示障碍物预警的不规则排方式的个数；
步骤3：根据所述司机行为特征、障碍物侵限特征和预警特征的不规则排列模型，构建预警模型：
Figure 611271DEST_PATH_IMAGE021
步骤4：将所述司机行为特征、障碍物侵限特征和预警特征依次代入所述布局模 型，获取当
Figure 732680DEST_PATH_IMAGE022
时为高等级预警，当
Figure 132568DEST_PATH_IMAGE037
时为低等级预警。
上述技术方案的原理和有益效果在于：本发明在计算事预警等级的时候分为三个阶段，首先对司机行为特征和障碍物侵限特征进行不规则排列，表现出了司司机行为特征和障碍物侵限特征的多种可能性；通过对预先构建的预警特征来建立不规则的排列模型将司机行为特征和预警信息可以完美的融合，最后通过融合预警，实现了对预警等级情况的判定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，包括：
司机行为监测子系统：用于通过设置在驾驶室内的AI摄像头实时监测司机行为，并获取司机行为信息；
障碍物侵限监测子系统：用于通过车辆顶部设置的高速视觉采集设备采集列车行进前方的高清照片；
预警子系统：用于通过AI模块的边缘计算技术，处理所述司机行为信息和前方照片信息，进行防碰撞和不安全驾驶行为检测，判断是否进行预警，并将处理后的司机行为信息和障碍物信息传输至大数据中心。
2.如权利要求1所述的一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，所述司机行为监测子系统包括：
图像获取模块：用于通过所述AI摄像头获取驾驶室内的场景图像，其中，
所述场景图像包括：司机面部图像、司机行为图像和驾驶室环境图像；
所述AI摄像头不低于2个，所述AI摄像头包括：朝前的AI摄像头，一个面向司机的AI摄像头；
司机疲劳驾驶监测模块：用于根据所述司机面部图像，判断司机疲劳程度，根据所述疲劳程度进行报警；
司机身份判断模块：用于通过所述司机面部图像，基于人脸识别，判断司机是否为当前行驶列车授权的驾驶司机；
不安全驾驶行为监测模块：用于通过所述司机行为图像和驾驶室环境图像判断是否存在不安全驾驶行为；其中，
所述不安全驾驶行为至少包括：打哈欠、遮挡摄像头、离开驾驶室。
3.如权利要求2所述的一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，所述图像获取模块还包括：
图像清晰化单元：用于对所述场景图片进行处理，并根据预设标准对所述场景图片进行调整，加强所述场景图片的清晰度；其中，
加强所述场景图片清晰度包括：
确定所述场景图像中的像素点；
判断每个像素点与预设标准的偏差值；
根据所述偏差值，调整所述场景图像中的像素点的参数，并通过编码处理，生成编码像素点；其中，
所述调整后的编码像素点中的字节长度与所述预设标准要求的标准图像的像素点的字节长度相同；
根据所述编码像素点，重新组合生成加强清晰度的场景图片。
4.如权利要求1所述的一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，所述障碍物侵限监测子系统包括：
侵限监测模块：用于通过车辆顶部设置的高速视觉采集设备内置的高精度三维探测技术，获取列车行驶方向的侵限内部图像；其中，
所述侵限内部图像包括障碍物侵限的形态和性质；
结构光模块：用于在所述高速视觉采集设备获取列车行驶方向的侵限内部图像时，通过调节结构光，控制采集的图像更加清晰；
防碰撞监测模块：用于根据所述侵限内部图像判断是否存在障碍物；其中，
所述障碍物包括：人员、障碍物或动物；
信息采集模块：用于在判断所述侵限内部图像存在障碍物时，获取所述障碍物的相关信息。
5.如权利要求1所述的一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，其特征在于，所述障碍物侵限监测子系统还包括：
速度监测模块：用于获取当前列车的实时速度，并根据所述实时速度，确定控制所述高速采集设备的速度参数；
设备调节模块：用于根据所述速度参数，调节所述高速采集设备的灵敏度，并根据实时的速度参数和灵敏度构建平衡采集模型。
6.如权利要求1所述的一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，所述预警子系统包括：
图像处理模块：用于对司机行为信息和所述障碍物信息的源图像进行叠进式数据建模，并通过叠进式数据模型处理所述司机行为信息和障碍物信息；
AI计算模块：用于获取所述司机行为信息和所述障碍物信息，并将所述司机行为信息和所述障碍物信息通过3D融合技术和深度算法进行处理，确定预警等级；
预警规则模块：用于根据所述预警等级，设定报警；
其中所述预警等级包括：语音预警、制动预警和紧急制动预警；其中，
所述语音预警对应侵限内部存在人员或动物式进行报警；
所述制动预警对应预设时间内没有解除报警，并启动降速或紧急制动模式；
所述紧急制行预警对应预设时间内接触报警；
报警模块：用于根据所述预警规则，所述预设报警装置进行报警。
7.如权利要求1所述的一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，所述预警子系统还包括：
深度优化模块：用于确定所述司机行为信息和所述障碍物信息的源图像的图像特征，并基于多模型特征实时并发监测，对所述图像特征进行优化；
质量判断模块：用于对所述司机行为信息和所述障碍物信息的源图像进行质量检测，判断图像模糊程度；
图像压缩模块：用于对所述司机行为信息和所述障碍物信息的源图像通过压缩算法进行处理，降低图像的特征文件大小。
8.权利要求1所述的一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，所述系统还包括后台监控子系统：
后台监控模块：用于通过后台监控的终端设备实时调取监控数据，并可以通过所述后台监控的终端设备，实时调取监控数据；
后台连接模块：用于将后台监控设备和大数据中心连通，实时将监控数据和控制数据通过大数据中心进行数据交换；
标记模块：用于判断所述监控中是否夹带有预警信息，并对所述预警信息进行显示标记；
预警模块：用于根据所述显示标记，获取具体的信息内容，并对所述预警信息进行等级划分，确定预警等级，并通过预警等级进行预警报警。
9.如权利要求1所述的一种轨道列车司机行为智能监测和障碍物侵限智能侦测系统，其特征在于，所述传输模块建立多通道同步传输的步骤包括：
步骤S1、获取后台监控设备唯一标示信息，确定大数据中心对应的数据传输地址；
步骤S2、根据所述传输地址，判断所述传输地址可连接的链路通道，依次对可连接的链路通道进行编号，并根据编号连接所述可连接的链路通道；
步骤S3、根据所述编号，依次对可连接的链路通道设置不同的数据传输规则，并根据所述数据传输规则，设定所述可连接的链路通道均衡数据传输策略，控制所述可连接的链路通道均通过同一传输速度进行数据传输；
步骤S4、在所述同一传输速度下，控制所述传输模块进行同步数据传输。
CN202111132092.5A 2021-09-27 2021-09-27 轨道列车司机行为智能监测和障碍物侵限智能侦测系统 Pending CN113562005A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111132092.5A CN113562005A (zh) 2021-09-27 2021-09-27 轨道列车司机行为智能监测和障碍物侵限智能侦测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111132092.5A CN113562005A (zh) 2021-09-27 2021-09-27 轨道列车司机行为智能监测和障碍物侵限智能侦测系统

Publications (1)

Publication Number Publication Date
CN113562005A true CN113562005A (zh) 2021-10-29

Family

ID=78174686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111132092.5A Pending CN113562005A (zh) 2021-09-27 2021-09-27 轨道列车司机行为智能监测和障碍物侵限智能侦测系统

Country Status (1)

Country Link
CN (1) CN113562005A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114212122A (zh) * 2021-11-18 2022-03-22 哈尔滨恒通机械设备有限公司 一种基于机器视觉的站段专用线调车作业辅助系统及方法
CN116279673A (zh) * 2023-04-19 2023-06-23 西北铁道电子股份有限公司 一种列车运行线路及驾驶状态在线监测系统及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106781284A (zh) * 2016-12-31 2017-05-31 中国铁道科学研究院电子计算技术研究所 基于多信息融合的机车司机疲劳驾驶预警系统
CN110962886A (zh) * 2019-12-12 2020-04-07 杭州国翌科技有限公司 轨道智能监控预警系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106781284A (zh) * 2016-12-31 2017-05-31 中国铁道科学研究院电子计算技术研究所 基于多信息融合的机车司机疲劳驾驶预警系统
CN110962886A (zh) * 2019-12-12 2020-04-07 杭州国翌科技有限公司 轨道智能监控预警系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘家栋等: "现代有轨电车辅助驾驶系统应用研究", 《现代城市轨道交通》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114212122A (zh) * 2021-11-18 2022-03-22 哈尔滨恒通机械设备有限公司 一种基于机器视觉的站段专用线调车作业辅助系统及方法
CN116279673A (zh) * 2023-04-19 2023-06-23 西北铁道电子股份有限公司 一种列车运行线路及驾驶状态在线监测系统及装置

Similar Documents

Publication Publication Date Title
JP7188394B2 (ja) 画像処理装置及び画像処理方法
CN109377726B (zh) 一种基于车联网的高速公路团雾精确警示、诱导系统及方法
CN105015548B (zh) 一种纵向避撞提醒和自动跟随集成系统及方法
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
US20210004607A1 (en) Identification and classification of traffic conflicts
US20220327406A1 (en) Systems and methods for classifying driver behavior
CN103770780B (zh) 一种车辆主动安全系统告警屏蔽装置
CN112180605B (zh) 一种基于增强现实的辅助驾驶系统
CN108860166A (zh) 无人驾驶汽车事故发生处理系统及处理方法
CN113562005A (zh) 轨道列车司机行为智能监测和障碍物侵限智能侦测系统
CN105185160A (zh) 路面检测系统及其检测方法
CN113359709B (zh) 一种基于数字孪生的无人驾驶运动规划方法
CN108268849A (zh) 基于ai技术的公交车载视觉智能感知系统
CN104875681A (zh) 一种基于应用场景进行车载摄像头动态控制的方法
KR102282800B1 (ko) 라이다와 영상카메라를 이용한 멀티 표적 추적 방법
CN115877343B (zh) 基于雷达目标跟踪的人车匹配方法、装置和电子设备
WO2022126485A1 (zh) 一种基于车流量的智慧交通管理系统
CN109606285A (zh) 一种基于云端交互的adas数据监控分析方法
CN109389060A (zh) 一种基于视觉的车周碰撞预警方法
CN114387785A (zh) 一种基于智慧公路的安全管控方法、系统及可存储介质
CN111260915B (zh) 一种高速公路交通异常区域行人逗留的预警提醒方法
CN106548627A (zh) 一种基于车联网的rfid传感道路监控系统
CN111243291B (zh) 一种对高速公路急弯路段交通异常点后方车辆进行预警的方法
CN110727269B (zh) 车辆控制方法及相关产品
KR102103450B1 (ko) 분산 시뮬레이션 기반 첨단 운전자 지원 시스템

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

Application publication date: 20211029

RJ01 Rejection of invention patent application after publication