CN116030662B - 一种基于大数据的智能安全检测系统及方法 - Google Patents

Abstract

本发明公开了一种基于大数据的智能安全检测系统及方法，涉及智能安全检测技术领域。所述方法包括利用遥感影像建立智慧社区路段网络；利用智慧社区路段网络路口的监控装置采集进入智慧社区路段网络内的目标车辆上驾驶员所在的位置，构建车辆安全检测区域；利用智慧社区路段网络路口的监控装置检测车辆安全检测区域内车辆的停放情况，采集停放车辆的车辆信息，构建车辆视野盲区模型；利用智慧社区路段网络路口的监控装置检测到车辆视野盲区内行人的存在情况，采集行人的姿态特征，构建危险程度预测模型；设置危险程度阈值，构建分级预警模型，根据车辆视野盲区的危险程度预测值进行分级预警提醒。

Description

一种基于大数据的智能安全检测系统及方法

技术领域

本发明涉及智能安全检测技术领域，具体为一种基于大数据的智能安全检测系统及方法。

背景技术

在日常生活中，随着人们生活水平的提高，越来越多人拥有私家车，当社区停车库的停车位不足以使用时，社区会规划更多的地上停车位，与此同时会带来的问题是当人们驾驶汽车进入社区后，地上停车位停放的车辆会对驾驶员造成一定的视野盲区，在这样的视野盲区下出现行人，尤其是老人和小孩时，驾驶员不易察觉，容易造成驾驶员因行人突然冲出道路而来不及刹车发生碰撞的危险情况。

发明内容

本发明的目的在于提供一种基于大数据的智能安全检测系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：

一种基于大数据的智能安全检测方法，所述方法包括以下步骤：

S1：利用遥感影像建立智慧社区路段网络，采集智慧社区路段网络内所有停车位的位置，进行标记；

S2：构建时刻表数据，以T₀为采样周期，利用智慧社区路段网络路口的监控装置采集进入智慧社区路段网络内的目标车辆上驾驶员所在的位置，构建车辆安全检测区域；

S3：利用智慧社区路段网络路口的监控装置检测车辆安全检测区域内车辆的停放情况，当车辆安全检测区域存在停放车辆时，采集停放车辆的车辆信息，基于目标车辆上驾驶员所在的位置和停放车辆的车辆信息，构建车辆视野盲区模型；

S4：利用智慧社区路段网络路口的监控装置检测到车辆视野盲区内行人的存在情况，当车辆视野盲区内存在行人时，采集行人的姿态特征，基于行人的姿态特征，构建危险程度预测模型；

S5：设置危险程度阈值，构建分级预警模型，根据车辆视野盲区的危险程度预测值进行分级预警提醒。

进一步的，在步骤S1-S2中，利用遥感影像采集智慧社区的全景布局图，建立智慧社区路段网络，根据交叉路口的位置对智慧社区路段网络进行划分，采集智慧社区路段网络内所有停车位的位置生成集合A，A＝{a₁、a₂、...、a_m}；

构建时刻表数据，以T₀为采样周期，生成采样周期集合T，T＝{T₁、T₂、...、T_n}；其中，T₁、T₂、...、T_n分别表示第1、2、……、n个采样周期；

利用智慧社区路段网络路口的监控装置采集进入智慧社区路段网络的目标车辆上驾驶员所在的位置，生成集合B，B＝{b₁、b₂、...、b_n}；

所述车辆安全检测区域是以驾驶员所在的位置为圆心，以l为半径的驾驶员正面朝向的前半部分；对应的各个车辆安全检测区域生成集合D，D＝{d₁、d₂、...、d_n}；其中， 其中，d₁、d₂、...、d_n分别表示驾驶员在位置b₁、b₂、...、b_n生成的车辆安全检测区域。

在上述技术方案中，采集智慧社区路段网络内所有停车位的位置为检测停车位上有无停放车辆作准备的，考虑到驾驶员驾驶车辆不断前进，需要对车辆前方的道路停车状况进行检测，那么以驾驶员所在的位置为圆心，以一定的长度距离为半径，生成的车辆安全检测区域是驾驶员正面朝向的前半部分，随着驾驶员位置的不断前移，车辆安全检测区域也在不断前移，能够达到一个持续检测的效果。

进一步的，在步骤S3中，利用智慧社区路段网络路口的监控装置检测车辆安全检测区域内车辆的停放情况；

当车辆安全检测区域内不存在停放车辆时，车辆正常行驶；

当检测到目标车辆在第i个采样周期的车辆安全检测区域内存在停放车辆时，采集停放车辆的车辆信息；

获取停放车辆的高度，记为p_j；

获取驾驶员当前位置b_i与停放车辆靠近驾驶员一侧的车头的夹角，记为θ_i；

获取驾驶员当前位置b_i与停放车辆远离驾驶员一侧的车尾的夹角，记为γ_i；

获取驾驶员当前位置b_i与道路边缘的直线距离，记为L_i；

构建车辆视野盲区：

S_i＝L_i*|(tanγ_i-tanθ_i)|*p_j

其中，S_i表示停放车辆对驾驶员当前位置b_i造成的车辆视野盲区；tanγ_i表示夹角γ_i的正弦值；tanθ_i表示夹角θ_i的正弦值。

在上述技术方案中，当车辆安全检测区域检测到停放车辆时，停放车辆就会对驾驶员当前位置造成车辆视野盲区，由于车辆的形状是不规则的，在利用车辆的长宽高构建的一个长方体下形成的视野盲区对驾驶员视野的遮挡范围是最大的，进而在这样一个长方体模型轮廓下车辆的车头车尾是一样，此时，只要有行人出现在视野盲区中就可能发生危险情况，因此可以进行提前预警，提前提醒驾驶员减速慢行，以保证行人人身安全以及驾驶员安全驾驶。

进一步的，在步骤S4中，所述构建危险程度预测模型包括：

检测目标车辆的当前位置的车辆视野盲区内是否存在行人；

当车辆视野盲区内不存在行人时，判定当前车辆视野盲区安全，车辆正常行驶；

当车辆视野盲区内存在行人时，获取车辆视野盲区内行人的姿态特征；

所述行人的姿态特征包括行人身高、行人姿势、行人移动速度和行人行走方向；

设置行人身高阈值，记为E₀；

构建身高影响因子h₁；其中，h₁≥1；

当行人身高超出阈值时，身高影响因子h₁＝1；

构建行人姿势、行人移动速度和行人行走方向的权重比例，分别为h₂、h₃和h₄；

构建危险程度预测模型：

W＝(h₂*Q₂+h₃*Q₃+h₄*Q₄)*h₁

其中，W表示危险程度的预测值；h₂表示行人姿势的权重比例；Q₂表示行人姿势的转化值；h₃表示行人移动速度的权重比例；Q₃表示行人移动速度的转化值；h₄表示行人行走方向的权重比例；Q₄表示行人行走方向的转化值。

在上述技术方案中，在对行人的姿态特征分析时，从行人身高、行人姿势、行人移动速度和行人行走方向进行考虑，主要是存在这样的几种情况，首先，当车辆视野盲区中存在儿童时，一般儿童的身高处在1.2及以下，普遍低于车高，驾驶员不易察觉儿童的存在，相较于大人而言，没有安全意识且身高过低的儿童发生危险情况的可能性更高；其次，当车辆视野盲区中的行人处于站立或行走姿势时，相较于坐的姿势而言，站立或行走的行人发生危险情况的可能性更高；然后，当车辆视野盲区中行人移动的速度比较快时，相较于缓慢行走，快速行走的行人发生危险情况的可能性更高；最后，当车辆视野盲区中行人行走的方向为朝向移动车辆时，相较于背向移动车辆而言，朝向移动车辆行走发生危险情况的可能性更高，从予不同的姿势特征考虑，能够提高危险程度预测的准确性。

进一步的，在步骤S5中，构建分级预警模型包括：

设置危险程度阈值，记为W₀；

当危险程度的预测值未超出阈值时，不进行预警提醒；

当危险程度的预测值超出阈值时，进行分级预警提醒；

将危险程度分为低度危险、中度危险和高度危险三种级别；

设置低度危险和中度危险的分界值，记为W₁；设置中度危险和高度危险的分界值，记为W₂；设置高度危险的阈值，记为W₃；

构建分级预警函数ρ：

其中，ρ＝1表示危险程度处于低度危险；ρ＝2表示危险程度处于中度危险；ρ＝3表示危险程度处于高度危险。

在上述技术方案中，在不同的情况下会得到不同的危险程度预测值，根据不同的危险程度预测值，给予驾驶员不同等级的预警提醒，可以让驾驶员根据预警提醒的等级作出不同的判断，当危险预测值处于低度危险范围内，可以采用灯光提示；当危险预测值处于中度危险范围内，可以采用语音提示；当危险预测值处于高度危险范围内，可以采用灯光加语音提示。

一种基于大数据的智能安全检测系统，所述系统包括多源数据采集模块、安全检测区域构建分析模块、视野盲区构建分析模块、危险程度预测分析模块和分级提醒模块；

所述多源数据采集模块用于利用不同的装置采集不同的数据；所述安全检测区域构建分析模块用于根据进入智慧社区路段网络内的目标车辆上驾驶员所在的位置构建车辆安全检测区域，并分析车辆安全检测区域内车辆的停放情况；所述视野盲区构建分析模块用于基于目标车辆上驾驶员所在的位置和安全检测区域内停放车辆的车辆信息，构建车辆视野盲区模型，分析车辆视野盲区内行人的存在情况；所述危险程度预测分析模块用于基于车辆视野盲区内行人的姿态特征，构建危险程度预测模型，分析车辆视野盲区的危险程度；所述分级提醒模块用于根据危险程度构建分级预警模型，按照不同的危险程度等级进行预警提醒；

所述多源数据采集模块的输出端与所述安全检测区域构建分析模块的输入端相连接；所述安全检测区域构建分析模块的输出端与所述视野盲区构建分析模块的输入端相连接；所述视野盲区构建分析模块的输出端与所述危险程度预测分析模块的输入端相连接；所述危险程度预测分析模块的输出端与所述分级提醒模块的输入端相连接。

进一步的，所述多源数据采集模块包括遥感影像采集单元和监控信息采集单元；

所述遥感影像采集单元用于采集智慧社区的全景布局图，建立智慧社区路段网络，并采集智慧社区路段网络内所有停车位的位置，进行标记；

所述监控信息采集单元用于采集进入智慧社区路段网络内的目标车辆上驾驶员所在的位置、检测车辆安全检测区域内车辆的停放情况、检测车辆视野盲区内行人的存在情况和采集行人的姿态特征；

所述遥感影像采集单元的输出端与所述监控信息采集单元的输入端相连接；所述监控信息采集单元的输出端与所述安全检测区域构建分析模块的输入端相连接。

进一步的，所述安全检测区域构建分析模块包括安全检测区域构建单元和第一分析单元；

所述安全检测区域构建单元用于构建车辆安全检测区域；所述第一分析单元用于分析车辆安全检测区域内车辆的停放情况；

所述安全检测区域构建单元的输出端与所述第一分析单元的输入端相连接；所述第一分析单元的输出端与所述视野盲区构建分析模块的输入端相连接。

进一步的，所述视野盲区构建分析模块包括车辆视野盲区模型构建单元和第二分析单元；

所述车辆视野盲区模型构建单元用于构建车辆视野盲区模型；所述第二分析单元用于分析车辆视野盲区内行人的存在情况；

所述车辆视野盲区模型构建单元的输出端与所述第二分析单元的输入端相连接；所述第二分析单元的输出端与所述危险程度预测分析模块的输入端相连接。

进一步的，所述危险程度预测分析模块包括危险程度预测模块和第三分析单元；

所述危险程度预测模块用于构建危险程度预测模型；所述第三分析单元用于基于车辆视野盲区内行人的姿态特征，分析车辆视野盲区的危险程度；

所述危险程度预测模块的输出端与所述第三分析单元的输入端相连接；所述第三分析单元的输出端与所述分级提醒模块的输入端相连接；

所述分级提醒模块包括分级预警模型构建单元和预警提醒单元；

所述分级预警模型构建单元用于构建分级预警模型；所述预警提醒单元按照不同的危险程度等级进行预警提醒；

所述分级预警模型构建单元的输出端与所述预警提醒单元的输入端相连接。

与现有技术相比，本发明所达到的有益效果是：

1、本发明能够基于智慧社区路段网络内的目标车辆上驾驶员所在的位置，构建车辆安全检测区域，检测车辆安全检测区域内车辆的停放情况，为构建车辆视野盲区模型提高依据；

2、本发明能够构建车辆视野盲区模型；分析车辆视野盲区内行人的存在情况，采集行人的姿态特征，构建危险程度预测模型，为驾驶员提供预警信息；

3、本发明能够解决当地上停车位停放的车辆对驾驶员造成一定的视野盲区时，有效地分析视野盲区内行人存在的情况，为驾驶员提供危险预警提醒，有效地降低驾驶员因行人突然冲出道路而来不及刹车发生碰撞的危险情况，保障社区居民人身安全以及社区道路安全。

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是本发明一种基于大数据的智能安全检测方法的流程示意图；

图2是本发明一种基于大数据的智能安全检测系统及方法的车辆视野盲区平面示意图；

图中：1、目标车辆；2、驾驶员；3、停放车辆。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图2，本发明提供技术方案：

一种基于大数据的智能安全检测方法，所述方法包括以下步骤：

S1：利用遥感影像建立智慧社区路段网络，采集智慧社区路段网络内所有停车位的位置，进行标记；

S2：构建时刻表数据，以T₀为采样周期，利用智慧社区路段网络路口的监控装置采集进入智慧社区路段网络内的目标车辆上驾驶员所在的位置，构建车辆安全检测区域；

S3：利用智慧社区路段网络路口的监控装置检测车辆安全检测区域内车辆的停放情况，当车辆安全检测区域存在停放车辆时，采集停放车辆的车辆信息，基于目标车辆上驾驶员所在的位置和停放车辆的车辆信息，构建车辆视野盲区模型；

S4：利用智慧社区路段网络路口的监控装置检测到车辆视野盲区内行人的存在情况，当车辆视野盲区内存在行人时，采集行人的姿态特征，基于行人的姿态特征，构建危险程度预测模型；

S5：设置危险程度阈值，构建分级预警模型，根据车辆视野盲区的危险程度预测值进行分级预警提醒。

进一步的，在步骤S1-S2中，利用遥感影像采集智慧社区的全景布局图，建立智慧社区路段网络，根据交叉路口的位置对智慧社区路段网络进行划分，采集智慧社区路段网络内所有停车位的位置生成集合A，A＝{a₁、a₂、...、a_m}；

构建时刻表数据，以T₀为采样周期，生成采样周期集合T，T＝{T₁、T₂、...、T_n}；其中，T₁、T₂、...、T_n分别表示第1、2、……、n个采样周期；

利用智慧社区路段网络路口的监控装置采集进入智慧社区路段网络的目标车辆上驾驶员所在的位置，生成集合B，B＝{b₁、b₂、...、b_n}；

所述车辆安全检测区域是以驾驶员所在的位置为圆心，以l为半径的驾驶员正面朝向的前半部分；对应的各个车辆安全检测区域生成集合D，D＝{d₁、d₂、...、d_n}；其中， 其中，d₁、d₂、...、d_n分别表示驾驶员在位置b₁、b₂、...、b_n生成的车辆安全检测区域。

进一步的，在步骤S3中，利用智慧社区路段网络路口的监控装置检测车辆安全检测区域内车辆的停放情况；

当车辆安全检测区域内不存在停放车辆时，车辆正常行驶；

当检测到目标车辆在第i个采样周期的车辆安全检测区域内存在停放车辆时，采集停放车辆的车辆信息；

获取停放车辆的高度，记为p_j；

获取驾驶员当前位置b_i与停放车辆靠近驾驶员一侧的车头的夹角，记为θ_i；

获取驾驶员当前位置b_i与停放车辆远离驾驶员一侧的车尾的夹角，记为γ_i；

获取驾驶员当前位置b_i与道路边缘的直线距离，记为L_i；

构建车辆视野盲区：

S_i＝L_i*|(tanγ_i-tanθ_i)|*p_j

其中，S_i表示停放车辆对驾驶员当前位置b_i造成的车辆视野盲区；tanγ_i表示夹角γ_i的正弦值；tanθ_i表示夹角θ_i的正弦值。

进一步的，在步骤S4中，所述构建危险程度预测模型包括：

检测目标车辆的当前位置的车辆视野盲区内是否存在行人；

当车辆视野盲区内不存在行人时，判定当前车辆视野盲区安全，车辆正常行驶；

当车辆视野盲区内存在行人时，获取车辆视野盲区内行人的姿态特征；

所述行人的姿态特征包括行人身高、行人姿势、行人移动速度和行人行走方向；

设置行人身高阈值，记为E₀；

构建身高影响因子h₁；其中，h₁≥1；

当行人身高超出阈值时，身高影响因子h₁＝1；

构建行人姿势、行人移动速度和行人行走方向的权重比例，分别为h₂、h₃和h₄；

构建危险程度预测模型：

W＝(h₂*Q₂+h₃*Q₃+h₄*Q₄)*h₁

其中，W表示危险程度的预测值；h₂表示行人姿势的权重比例；Q₂表示行人姿势的转化值；h₃表示行人移动速度的权重比例；Q₃表示行人移动速度的转化值；h₄表示行人行走方向的权重比例；Q₄表示行人行走方向的转化值。

进一步的，在步骤S5中，构建分级预警模型包括：

设置危险程度阈值，记为W₀；

当危险程度的预测值未超出阈值时，不进行预警提醒；

当危险程度的预测值超出阈值时，进行分级预警提醒；

将危险程度分为低度危险、中度危险和高度危险三种级别；

设置低度危险和中度危险的分界值，记为W₁；设置中度危险和高度危险的分界值，记为W₂；设置高度危险的阈值，记为W₃；

构建分级预警函数ρ：

其中，ρ＝1表示危险程度处于低度危险；ρ＝2表示危险程度处于中度危险；ρ＝3表示危险程度处于高度危险。

一种基于大数据的智能安全检测系统，所述系统包括多源数据采集模块、安全检测区域构建分析模块、视野盲区构建分析模块、危险程度预测分析模块和分级提醒模块；

所述多源数据采集模块用于利用不同的装置采集不同的数据；所述安全检测区域构建分析模块用于根据进入智慧社区路段网络内的目标车辆上驾驶员所在的位置构建车辆安全检测区域，并分析车辆安全检测区域内车辆的停放情况；所述视野盲区构建分析模块用于基于目标车辆上驾驶员所在的位置和安全检测区域内停放车辆的车辆信息，构建车辆视野盲区模型，分析车辆视野盲区内行人的存在情况；所述危险程度预测分析模块用于基于车辆视野盲区内行人的姿态特征，构建危险程度预测模型，分析车辆视野盲区的危险程度；所述分级提醒模块用于根据危险程度构建分级预警模型，按照不同的危险程度等级进行预警提醒；

所述多源数据采集模块的输出端与所述安全检测区域构建分析模块的输入端相连接；所述安全检测区域构建分析模块的输出端与所述视野盲区构建分析模块的输入端相连接；所述视野盲区构建分析模块的输出端与所述危险程度预测分析模块的输入端相连接；所述危险程度预测分析模块的输出端与所述分级提醒模块的输入端相连接。

进一步的，所述多源数据采集模块包括遥感影像采集单元和监控信息采集单元；

所述遥感影像采集单元用于采集智慧社区的全景布局图，建立智慧社区路段网络，并采集智慧社区路段网络内所有停车位的位置，进行标记；

所述监控信息采集单元用于采集进入智慧社区路段网络内的目标车辆上驾驶员所在的位置、检测车辆安全检测区域内车辆的停放情况、检测车辆视野盲区内行人的存在情况和采集行人的姿态特征；

所述遥感影像采集单元的输出端与所述监控信息采集单元的输入端相连接；所述监控信息采集单元的输出端与所述安全检测区域构建分析模块的输入端相连接。

进一步的，所述安全检测区域构建分析模块包括安全检测区域构建单元和第一分析单元；

所述安全检测区域构建单元用于构建车辆安全检测区域；所述第一分析单元用于分析车辆安全检测区域内车辆的停放情况；

所述安全检测区域构建单元的输出端与所述第一分析单元的输入端相连接；所述第一分析单元的输出端与所述视野盲区构建分析模块的输入端相连接。

进一步的，所述视野盲区构建分析模块包括车辆视野盲区模型构建单元和第二分析单元；

所述车辆视野盲区模型构建单元用于构建车辆视野盲区模型；所述第二分析单元用于分析车辆视野盲区内行人的存在情况；

所述车辆视野盲区模型构建单元的输出端与所述第二分析单元的输入端相连接；所述第二分析单元的输出端与所述危险程度预测分析模块的输入端相连接。

进一步的，所述危险程度预测分析模块包括危险程度预测模块和第三分析单元；

所述危险程度预测模块用于构建危险程度预测模型；所述第三分析单元用于基于车辆视野盲区内行人的姿态特征，分析车辆视野盲区的危险程度；

所述危险程度预测模块的输出端与所述第三分析单元的输入端相连接；所述第三分析单元的输出端与所述分级提醒模块的输入端相连接；

所述分级提醒模块包括分级预警模型构建单元和预警提醒单元；

所述分级预警模型构建单元用于构建分级预警模型；所述预警提醒单元按照不同的危险程度等级进行预警提醒；

所述分级预警模型构建单元的输出端与所述预警提醒单元的输入端相连接。

实施例：

利用遥感影像采集智慧社区的全景布局图，建立智慧社区路段网络，根据交叉路口的位置对智慧社区路段网络进行划分，采集智慧社区路段网络内所有停车位的位置生成集合B，A＝{a₁、a₂、...、a_m}；

构建时刻表数据，以T₀为采样周期，生成采样周期集合T，T＝{T₁、T₂、...、T_n}；其中，T₁、T₂、...、T_n分别表示第1、2、……、n个采样周期；

利用智慧社区路段网络路口的监控装置采集进入智慧社区路段网络的目标车辆上驾驶员所在的位置，生成集合B，B＝{b₁、b₂、...、b_n}；

以驾驶员所在的位置为圆心，以l＝3为半径生成车辆安全检测区域，对应的各个车辆安全检测区域生成集合D，D＝{d₁、d₂、...、d_n}；其中，d₁＝d₂＝...＝d_n＝4.5π；

当检测到目标车辆在第5个采样周期的车辆安全检测区域内存在停放车辆时，采集停放车辆的车辆信息；

获取停放车辆的高度，记为p_j＝1.5m；

获取驾驶员当前位置b₅与停放车辆靠近驾驶员一侧的车头的夹角θ₅＝60°；

获取驾驶员当前位置b₅与停放车辆远离驾驶员一侧的车尾的夹角γ₅＝30°；

获取驾驶员当前位置b₅与道路边缘的直线距离L₅＝4m；

构建车辆视野盲区：

其中，S_i表示停放车辆对驾驶员当前位置b_i造成的车辆视野盲区；tanγ_i表示夹角γ_i的正弦值；tanθ_i表示夹角θ_i的正弦值；

当车辆视野盲区内存在行人时，获取车辆视野盲区内行人的姿态特征；

获取行人身高、行人姿势、行人移动速度和行人行走方向；

设置行人姿势、行人移动速度和行人行走方向的权重比例分别为h₂＝0.2、h₃＝0.3和h₄＝0.2；

设置行人身高阈值E₀＝1.2m；设置身高影响因子h₁＝1.5；

获取车辆视野盲区内行人身高为1m；

因为行人身高未超出阈值，故身高影响因子h₁＝1.5；

此时，行人姿势的转化值Q₂＝60；行人移动速度的转化值Q₃＝70；行人行走方向的转化值Q₄＝80；

则，危险程度预测值W为：

W＝(h₂*Q₂+h₃*Q₃+h₄*Q₄)*h₁＝73.5

设置危险程度阈值W₀＝40；

设置低度危险和中度危险的分界值W₁＝55；设置中度危险和高度危险的分界值W₂＝70；设置高度危险的阈值，记为W₃＝90；

因为W>W₀，故进行分级预警提醒；

因为W∈[W₂,W₃]，故系统进行高度危险预警提醒。

需要说明的是，在本文中，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“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、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于大数据的智能安全检测方法，其特征在于，所述方法包括以下步骤：

S1：利用遥感影像建立智慧社区路段网络，采集智慧社区路段网络内所有停车位的位置，进行标记；

S2：构建时刻表数据，以T₀为采样周期，利用智慧社区路段网络路口的监控装置采集进入智慧社区路段网络内的目标车辆上驾驶员所在的位置，构建车辆安全检测区域；

S3：利用智慧社区路段网络路口的监控装置检测车辆安全检测区域内车辆的停放情况，当车辆安全检测区域存在停放车辆时，采集停放车辆的车辆信息，基于目标车辆上驾驶员所在的位置和停放车辆的车辆信息，构建车辆视野盲区模型；

S4：利用智慧社区路段网络路口的监控装置检测到车辆视野盲区内行人的存在情况，当车辆视野盲区内存在行人时，采集行人的姿态特征，基于行人的姿态特征，构建危险程度预测模型；

S5：设置危险程度阈值，构建分级预警模型，根据车辆视野盲区的危险程度预测值进行分级预警提醒；

在步骤S3中，利用智慧社区路段网络路口的监控装置检测车辆安全检测区域内车辆的停放情况；

当车辆安全检测区域内不存在停放车辆时，车辆正常行驶；

当检测到目标车辆在第i个采样周期的车辆安全检测区域内存在停放车辆时，采集停放车辆的车辆信息；

获取停放车辆的高度，记为p_j；

获取驾驶员当前位置b_i与停放车辆靠近驾驶员一侧的车头的夹角，记为θ_i；

获取驾驶员当前位置b_i与停放车辆远离驾驶员一侧的车尾的夹角，记为γ_i；

获取驾驶员当前位置b_i与道路边缘的直线距离，记为L_i；

构建车辆视野盲区：

S_i＝L_i*|(tanγ_i-tanθ_i)|*p_j

其中，S_i表示停放车辆对驾驶员当前位置b_i造成的车辆视野盲区；tanγ_i表示夹角γ_i的正弦值；tanθ_i表示夹角θ_i的正弦值。

2.根据权利要求1所述的一种基于大数据的智能安全检测方法，其特征在于：在步骤S1-S2中，利用遥感影像采集智慧社区的全景布局图，建立智慧社区路段网络，根据交叉路口的位置对智慧社区路段网络进行划分，采集智慧社区路段网络内所有停车位的位置生成集合A，A＝{a₁、a₂、...、a_m}；

构建时刻表数据，以T₀为采样周期，生成采样周期集合T，T＝{T₁、T₂、...、T_n}；其中，T₁、T₂、...、T_n分别表示第1、2、……、n个采样周期；

利用智慧社区路段网络路口的监控装置采集进入智慧社区路段网络的目标车辆上驾驶员所在的位置，生成集合B，B＝{b₁、b₂、...、b_n}；

所述车辆安全检测区域是以驾驶员所在的位置为圆心，以l为半径的驾驶员正面朝向的前半部分；对应的各个车辆安全检测区域生成集合D，D＝{d₁、d₂、...、d_n}；其中，其中，d₁、d₂、...、d_n分别表示驾驶员在位置b₁、b₂、...、b_n生成的车辆安全检测区域。

3.根据权利要求1所述的一种基于大数据的智能安全检测方法，其特征在于：在步骤S4中，所述构建危险程度预测模型包括：

检测目标车辆的当前位置的车辆视野盲区内是否存在行人；

当车辆视野盲区内不存在行人时，判定当前车辆视野盲区安全，车辆正常行驶；

当车辆视野盲区内存在行人时，获取车辆视野盲区内行人的姿态特征；

所述行人的姿态特征包括行人身高、行人姿势、行人移动速度和行人行走方向；

设置行人身高阈值，记为E₀；

构建身高影响因子h₁；其中，h₁≥1；

当行人身高超出阈值时，身高影响因子h₁＝1；

构建行人姿势、行人移动速度和行人行走方向的权重比例，分别为h₂、h₃和h₄；

构建危险程度预测模型：

W＝(h₂*Q₂+h₃*Q₃+h₄*Q₄)*h₁

其中，W表示危险程度的预测值；h₂表示行人姿势的权重比例；Q₂表示行人姿势的转化值；h₃表示行人移动速度的权重比例；Q₃表示行人移动速度的转化值；h₄表示行人行走方向的权重比例；Q₄表示行人行走方向的转化值。

4.根据权利要求1所述的一种基于大数据的智能安全检测方法，其特征在于：在步骤S5中，构建分级预警模型包括：

设置危险程度阈值，记为W₀；

当危险程度的预测值未超出阈值时，不进行预警提醒；

当危险程度的预测值超出阈值时，进行分级预警提醒；

将危险程度分为低度危险、中度危险和高度危险三种级别；

设置低度危险和中度危险的分界值，记为W₁；设置中度危险和高度危险的分界值，记为W₂；设置高度危险的阈值，记为W₃；

构建分级预警函数ρ：

其中，ρ＝1表示危险程度处于低度危险；ρ＝2表示危险程度处于中度危险；ρ＝3表示危险程度处于高度危险。

5.应用权利要求1-4所述的任意一项的一种基于大数据的智能安全检测方法的基于大数据的智能安全检测系统，其特征在于：所述系统包括多源数据采集模块、安全检测区域构建分析模块、视野盲区构建分析模块、危险程度预测分析模块和分级提醒模块；

所述多源数据采集模块用于利用不同的装置采集不同的数据；所述安全检测区域构建分析模块用于根据进入智慧社区路段网络内的目标车辆上驾驶员所在的位置构建车辆安全检测区域，并分析车辆安全检测区域内车辆的停放情况；所述视野盲区构建分析模块用于基于目标车辆上驾驶员所在的位置和安全检测区域内停放车辆的车辆信息，构建车辆视野盲区模型，分析车辆视野盲区内行人的存在情况；所述危险程度预测分析模块用于基于车辆视野盲区内行人的姿态特征，构建危险程度预测模型，分析车辆视野盲区的危险程度；所述分级提醒模块用于根据危险程度构建分级预警模型，按照不同的危险程度等级进行预警提醒；

所述多源数据采集模块的输出端与所述安全检测区域构建分析模块的输入端相连接；所述安全检测区域构建分析模块的输出端与所述视野盲区构建分析模块的输入端相连接；所述视野盲区构建分析模块的输出端与所述危险程度预测分析模块的输入端相连接；所述危险程度预测分析模块的输出端与所述分级提醒模块的输入端相连接。

6.根据权利要求5所述的一种基于大数据的智能安全检测系统，其特征在于：所述多源数据采集模块包括遥感影像采集单元和监控信息采集单元；

所述遥感影像采集单元用于采集智慧社区的全景布局图，建立智慧社区路段网络，并采集智慧社区路段网络内所有停车位的位置，进行标记；

所述监控信息采集单元用于采集进入智慧社区路段网络内的目标车辆上驾驶员所在的位置、检测车辆安全检测区域内车辆的停放情况、检测车辆视野盲区内行人的存在情况和采集行人的姿态特征；

所述遥感影像采集单元的输出端与所述监控信息采集单元的输入端相连接；所述监控信息采集单元的输出端与所述安全检测区域构建分析模块的输入端相连接。

7.根据权利要求5所述的一种基于大数据的智能安全检测系统，其特征在于：所述安全检测区域构建分析模块包括安全检测区域构建单元和第一分析单元；

所述安全检测区域构建单元用于构建车辆安全检测区域；所述第一分析单元用于分析车辆安全检测区域内车辆的停放情况；

所述安全检测区域构建单元的输出端与所述第一分析单元的输入端相连接；所述第一分析单元的输出端与所述视野盲区构建分析模块的输入端相连接。

8.根据权利要求5所述的一种基于大数据的智能安全检测系统，其特征在于：所述视野盲区构建分析模块包括车辆视野盲区模型构建单元和第二分析单元；

所述车辆视野盲区模型构建单元用于构建车辆视野盲区模型；所述第二分析单元用于分析车辆视野盲区内行人的存在情况；

所述车辆视野盲区模型构建单元的输出端与所述第二分析单元的输入端相连接；所述第二分析单元的输出端与所述危险程度预测分析模块的输入端相连接。

9.根据权利要求5所述的一种基于大数据的智能安全检测系统，其特征在于：所述危险程度预测分析模块包括危险程度预测模块和第三分析单元；

所述危险程度预测模块用于构建危险程度预测模型；所述第三分析单元用于基于车辆视野盲区内行人的姿态特征，分析车辆视野盲区的危险程度；

所述危险程度预测模块的输出端与所述第三分析单元的输入端相连接；所述第三分析单元的输出端与所述分级提醒模块的输入端相连接；

所述分级提醒模块包括分级预警模型构建单元和预警提醒单元；

所述分级预警模型构建单元用于构建分级预警模型；所述预警提醒单元按照不同的危险程度等级进行预警提醒；

所述分级预警模型构建单元的输出端与所述预警提醒单元的输入端相连接。