CN116682264A - 一种港口车辆主动安全防控系统 - Google Patents
一种港口车辆主动安全防控系统 Download PDFInfo
- Publication number
- CN116682264A CN116682264A CN202310841772.7A CN202310841772A CN116682264A CN 116682264 A CN116682264 A CN 116682264A CN 202310841772 A CN202310841772 A CN 202310841772A CN 116682264 A CN116682264 A CN 116682264A
- Authority
- CN
- China
- Prior art keywords
- port
- subarea
- sub
- monitoring
- vehicle
- 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.)
- Granted
Links
- 230000002265 prevention Effects 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 204
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 15
- 210000000744 eyelid Anatomy 0.000 claims description 14
- 230000004399 eye closure Effects 0.000 claims description 9
- 208000003464 asthenopia Diseases 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及汽车安全分析技术领域,具体公开一种港口车辆主动安全防控系统,包括区域划分模块、信息获取模块、信息提取模块、人员分析模块、安全监控终端、港口预警终端和参考信息库,通过获取各港口子区域中各监测车辆的驾驶视频,筛选出各港口子区域中各监测车辆对应各子视频段的各监测图像,综合分析得出各港口子区域中各监测车辆的行车安全评估系数,进而筛选得出各港口子区域中危险驾驶车辆,保证了行驶车辆的安全性,为港口驾驶人员提供了有力的数据支撑,有效保障了港口驾驶人员分析的科学性和可靠性,并且也为后续港口驾驶人员预警提供了准确的数据,提高了驾驶人员安全预警的及时性,提高了港口作业安全性和稳定性。
Description
技术领域
本发明涉及汽车安全分析技术领域,尤其涉及一种港口车辆主动安全防控系统。
背景技术
随着营口港业务的迅速发展,港口内部交通日趋频繁,同时进港作业车辆不断新增、运输规模不断增大,同时车辆在作业过程中,易发生驾驶员危险驾驶行为导致港口内重大交通事故的发生,严重影响着港口生产作业的正常运营,也给生产作业公司及车队的管理带来了极大的困扰。
当前技术对危险驾驶分析还存在一定的局限性和不完善性,很显然还存在以下问题:
1、当前技术没有根据多维度进行分析,无法保证行驶车辆的安全性,威胁到国家和人民的生命财产安全,为港口作业运输埋下了安全隐患;
2、当前技术无法提高驾驶人员安全预警的及时性,使得驾驶人员疲劳驾驶的可能性增高,使得港口作业安全性和稳定性不高,无法有效的保障驾驶人员行驶过程中的专注力,进而导致事故的发生;
3、当前技术当前没有对此港口区域行驶危险权重等级进行分析,无法为港口驾驶人员提供有力的数据支撑,同时也无法为港口驾驶人员的驾驶安全提供有力的保障,无法有效的保障港口驾驶人员分析的科学性和可靠性,并且也无法为后续港口驾驶人员预警提供准确的数据。
发明内容
本发明针对现有技术的不足,提供了一种港口车辆主动安全防控系统。
本发明通过以下技术手段实现解决上述技术问题的:一种港口车辆主动安全防控系统,包括:
区域划分模块,用于获取目标港口对应的平面图,并将其按照平面网格式的划分方式划分为各子港口区域,进而获取各港口子区域的位置;
信息获取模块,用于根据各港口子区域布设的监测仪器,进而得出各港口子区域中各监测车辆的参考信息,并将各港口子区域中各监测车辆的参考信息输入至安全监控终端;
信息提取模块,用于根据各港口子区域中各监测车辆的参考信息,进而从安全监控终端提取出各港口子区域中各监测车辆的驾驶视频,进而依据其提取出各港口子区域中各监测车辆对应各子视频段的各监测图像;
人员分析模块,用于依据各港口子区域中各监测车辆对应各子视频段的各监测图像,结合各监测车辆布设的监测仪器,进而综合分析得出各港口子区域中各监测车辆的行车安全评估系数,进而筛选得出各港口子区域中危险驾驶车辆,并同步获取各港口子区域中各危险驾驶车辆的参考信息和所处港口子区域编号,发送至港口预警终端;
安全监控终端,用于存储各参考信息对应监测车辆的驾驶视频;
港口预警终端,用于接收各港口子区域中各危险驾驶车辆的参考信息和所处港口子区域编号,进而进行预警处理。
示例性地,所述各港口子区域中各监测车辆的参考信息包括车牌号码。
示例性地,所述提取出各港口子区域中各监测车辆对应各子视频段的各监测图像,具体提取过程如下:
获取各港口子区域中各监测车辆的驾驶视频,从中提取出各港口子区域中各监测车辆进入目标港口的时间点,进而从各港口子区域中各监测车辆的驾驶视频中截取以各港口子区域中各监测车辆进入目标港口的时间点为起始时间点的视频段;
将以各港口子区域中各监测车辆进入目标港口的时间点为起始时间点的视频段标记为各港口子区域中各监测车辆的视频段,将其按照预设时长划分为各子视频段,由此得到各港口子区域中各监测车辆的各子视频段,同步获取各港口子区域中各监测车辆的各子视频段的时长,并将各港口子区域中各监测车辆的各子视频段按照预设帧节点分割为各监测图像,进一步获取各港口子区域中各监测车辆对应各子视频段的各监测图像。
示例性地,所述综合分析得出各港口子区域中各监测车辆的行车安全评估系数,分析过程包括如下步骤:
W1、将各港口子区域中各监测车辆对应各子视频段的各监测图像聚焦在驾驶人员眼部,进而得出各港口子区域中各监测车辆对应各子视频段的人员各眼部图像,进而从中提取出各港口子区域中各监测车辆对应各子视频段中人员各眼部图像的眼角距离和眼睑距离,将其进行相互比对筛选得出各港口子区域中各监测车辆对应各子视频段中最大眼角距离和最大眼睑距离,将其分别标记为和/>其中,i表示为各子视频段对应的编号,i=1,2,......n,u表示为各监测车辆对应的编号,u=1,2,......f,g表示为各港口子区域对应的编号,g=1,2,......r,;
W2、将各港口子区域中各监测车辆对应各子视频段的人员各眼部图像导入参考面部直角坐标系中,由此得出各港口子区域中各监测车辆对应各子视频段的人员各眼部图像的各眼部特征点坐标,将其构成眼部特征点坐标集合Gy={ky 1111,ky 2222,...ky igju,...,ky nrmf},其中,j表示为眼部图像对应的编号,j=1,2,.......m,y表示为各眼部特征点,y=y1、y2、y3、y4、y5或y6,ky igju表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的第j个眼部图像的各眼部特征点坐标;
W3、根据各港口子区域中各监测车辆对应各子视频段的人员各眼部图像,从中识别出各港口子区域中各监测车辆对应各子视频段的人员各闭眼图像数目以及各港口子区域中各监测车辆对应各子视频段的图像总数目,并将其分别标记为进而通过计算公式/>计算得出各港口子区域中各监测车辆对应的人员眼部疲劳系数δgu,其中,/>和/>分别表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的人员的眨眼频率、眼部纵横向量比和眼部闭合面积,n表示为子视频段总数目,e表示为自然常数,a1、a2和a3分别表示为设定的眨眼频率、眼部纵横向量和眼部闭合面积对应的影响因子。
示例性地,所述各港口子区域中各监测车辆对应各子视频段的人员的眨眼频率、眼部纵横向量比和眼部闭合面积,计算公式分别如下:
通过计算公式计算得出各港口子区域中各监测车辆对应各子视频段的人员的眨眼频率/>通过计算公式计算得出各港口子区域中各监测车辆对应各子视频段的人员的眼部纵横向量比/>通过计算公式计算得出各港口子区域中各监测车辆对应各子视频段的人员的眼部闭合面积/>其中,/>分别表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的第j个眼部图像的眼角距离和眼睑距离,m表示为人员眼部图像总数目,/>分别表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的第j个人员眼部图像的第y1、y2、y3、y4、y5、y6个眼部特征点坐标,||||表示为范数。
示例性地,所述综合分析得出各港口子区域中各监测车辆的行车安全评估系数,分析过程还包括如下:
E1、依据各港口子区域中各监测车辆对应各子视频段的各监测图像,从中获取各港口子区域中各监测车辆对应各子视频段的各监测图像中人员眼部中心点距地面高度和眼部中心点距离前杠最前沿的水平距离,并分别标记为和/>r表示各监测图像对应的编号,r=1,2,......s;
E2、根据各监测车辆布设的监测仪器,进而得出各港口子区域中各监测车辆对应各时间节点对应的油门踏板压力值、制动踏板压力值和方向盘握力值,进而依据各港口子区域中各监测车辆进入目标港口的时间点筛选出各港口子区域中各监测车辆对应各参考时间点对应的油门踏板压力值、制动踏板压力值和方向盘握力值,将其分别标记为和/>v表示为各参考时间点对应的编号,v=1,2,......t;
E3、将各港口子区域中各监测车辆对应各子视频段的各监测图像中人员眼部中心点距地面高度和眼部中心点距离前杠最前沿的水平距离以及各港口子区域中各监测车辆对应各参考时间点对应的油门踏板压力值、制动踏板压力值和方向盘握力值进行归一化处理,利用计算公式计算得出各港口子区域中各监测车辆对应的人员行为疲劳系数ξgu,进而计算得出各港口子区域中各监测车辆的行车安全评估系数/>其中,/>
其中,t表示为参考时间点总数目,τ′、ρ′、ψ′分别表示为参考信息库存储的参考油门踏板压力值、参考制动踏板压力值、参考方向盘握力值,Δτ、Δρ、Δψ分别表示为预定义的油门踏板压力许可差值、制动踏板压力许可差值、方向盘握力许可差值。
示例性地,所述计算得出各港口子区域中各监测车辆的行车安全评估系数,计算公式如下:
通过计算公式计算得出各港口子区域中各监测车辆的行车安全评估系数/>其中,λ1和λ2分别表示为预定义的人员眼部和人员行为对应的权重因子。
示例性地,所述筛选得出各港口子区域中危险驾驶车辆,筛选过程如下:
将各港口子区域中各监测车辆的行车安全评估系数与参考信息库中存储的参考行车安全评估系数进行比对,若某港口子区域中某监测车辆的行车安全评估系数小于参考行车安全评估系数,则将该港口子区域中该监测车辆标记为危险驾驶车辆,由此得出各港口子区域中危险驾驶车辆。
示例性地,所述系统还包括参考信息库,用于存储参考行车安全评估系数,还用于存储参考油门踏板压力值、参考制动踏板压力值、参考方向盘握力值。
本发明的有益效果:
(1)本发明提供的一种港口车辆主动安全防控系统,通过获取各港口子区域中各监测车辆的驾驶视频,筛选出各港口子区域中各监测车辆对应各子视频段的各监测图像,综合分析得出各港口子区域中各监测车辆的行车安全评估系数,进而筛选得出各港口子区域中危险驾驶车辆,有效的解决了当前技术对于疲劳驾驶还存在不足的问题,保证了行驶车辆的安全性,保护了人民的生命财产安全,避免为港口作业运输埋下安全隐患。
(2)本发明实施例一方面有效的提高了驾驶人员安全预警的及时性,使得驾驶人员疲劳驾驶的可能性降低,提高了港口作业安全性和稳定性,有效的保障驾驶人员行驶过程中的专注力,另一方面,为港口驾驶人员的驾驶安全提供了有力的保障,有效的保障了港口驾驶人员分析的科学性和可靠性,为后续港口驾驶人员预警提供了准确的数据。
附图说明
图1为本发明的系统模块连接结构示意图。
图2为人员眼部特征点分布图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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所示,一种港口车辆主动安全防控系统,包括区域划分模块、信息获取模块、信息提取模块、人员分析模块、安全监控终端、港口预警终端和参考信息库;
所述参考信息库与人员分析模块连接,人员分析模块与信息提取模块、港口预警终端连接,安全监控终端与信息获取模块和信息提取模块连接。
所述区域划分模块,用于获取目标港口对应的平面图,并将其按照平面网格式的划分方式划分为各子港口区域,进而获取各港口子区域的位置。
所述信息获取模块,用于根据各港口子区域布设的监测仪器,进而得出各港口子区域中各监测车辆的参考信息,并将各港口子区域中各监测车辆的参考信息输入至安全监控终端。
上述提到的所述各港口子区域中各监测车辆的参考信息包括车牌号码。
所述信息提取模块,用于根据各港口子区域中各监测车辆的参考信息,进而从安全监控终端提取出各港口子区域中各监测车辆的驾驶视频,进而依据其提取出各港口子区域中各监测车辆对应各子视频段的各监测图像。
上述提到的所述提取出各港口子区域中各监测车辆对应各子视频段的各监测图像,具体提取过程如下:
获取各港口子区域中各监测车辆的驾驶视频,从中提取出各港口子区域中各监测车辆进入目标港口的时间点,进而从各港口子区域中各监测车辆的驾驶视频中截取以各港口子区域中各监测车辆进入目标港口的时间点为起始时间点的视频段;
将以各港口子区域中各监测车辆进入目标港口的时间点为起始时间点的视频段标记为各港口子区域中各监测车辆的视频段,将其按照预设时长划分为各子视频段,由此得到各港口子区域中各监测车辆的各子视频段,同步获取各港口子区域中各监测车辆的各子视频段的时长,并将各港口子区域中各监测车辆的各子视频段按照预设帧节点分割为各监测图像,进一步获取各港口子区域中各监测车辆对应各子视频段的各监测图像。
所述人员分析模块,用于依据各港口子区域中各监测车辆对应各子视频段的各监测图像,结合各监测车辆布设的监测仪器,进而综合分析得出各港口子区域中各监测车辆的行车安全评估系数,进而筛选得出各港口子区域中危险驾驶车辆,并同步获取各港口子区域中各危险驾驶车辆的参考信息和所处港口子区域编号,发送至港口预警终端。
上述提到的所述综合分析得出各港口子区域中各监测车辆的行车安全评估系数,分析过程包括如下步骤:
W1、将各港口子区域中各监测车辆对应各子视频段的各监测图像聚焦在驾驶人员眼部,进而得出各港口子区域中各监测车辆对应各子视频段的人员各眼部图像,进而从中提取出各港口子区域中各监测车辆对应各子视频段中人员各眼部图像的眼角距离和眼睑距离,将其进行相互比对筛选得出各港口子区域中各监测车辆对应各子视频段中最大眼角距离和最大眼睑距离,将其分别标记为和/>其中,i表示为各子视频段对应的编号,i=1,2,......n,u表示为各监测车辆对应的编号,u=1,2,......f,g表示为各港口子区域对应的编号,g=1,2,......r,;
请参阅图2所示,W2、将各港口子区域中各监测车辆对应各子视频段的人员各眼部图像导入参考面部直角坐标系中,由此得出各港口子区域中各监测车辆对应各子视频段的人员各眼部图像的各眼部特征点坐标,将其构成眼部特征点坐标集合Gy={ky 1111,ky 2222,...ky igju,...,ky nrmf},其中,j表示为眼部图像对应的编号,j=1,2,.......m,y表示为各眼部特征点,y=y1、y2、y3、y4、y5或y6,ky igju表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的第j个眼部图像的各眼部特征点坐标;
在一个具体的实施例中,得出各港口子区域中各监测车辆对应各子视频段的人员各眼部图像的各眼部特征点坐标,具体获取过程如下:
根据参考面部直角坐标系中的各港口子区域中各监测车辆对应各子视频段的人员各眼部图像,进而任意选取各港口子区域中各监测车辆对应各子视频段的人员的左边眼部图像,将各港口子区域中各监测车辆对应各子视频段的人员的左边眼部图像放大直至显示帧格,选取各港口子区域中各监测车辆对应各子视频段的人员的左边眼部图像最高点的下面一行帧格的最左边点为y2,各港口子区域中各监测车辆对应各子视频段的人员的左边眼部图像最高点的下面一行帧格最右边点为y3,以各港口子区域中各监测车辆对应各子视频段的人员的左边眼部图像最左边点为y1,各港口子区域中各监测车辆对应各子视频段的人员的左边眼部图像最左边点为y4,选取各港口子区域中各监测车辆对应各子视频段的人员的左边眼部图像最低点的上面一行帧格的最左边点为y6,各港口子区域中各监测车辆对应各子视频段的人员的左边眼部图像最低点的上面一行帧格最右边点为y5。
W3、根据各港口子区域中各监测车辆对应各子视频段的人员各眼部图像,从中识别出各港口子区域中各监测车辆对应各子视频段的人员各闭眼图像数目以及各港口子区域中各监测车辆对应各子视频段的图像总数目,并将其分别标记为进而通过计算公式/>计算得出各港口子区域中各监测车辆对应的人员眼部疲劳系数δgu,其中,/>和/>分别表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的人员的眨眼频率、眼部纵横向量比和眼部闭合面积,n表示为子视频段总数目,e表示为自然常数,a1、a2和a3分别表示为设定的眨眼频率、眼部纵横向量和眼部闭合面积对应的影响因子。
上述提到的所述各港口子区域中各监测车辆对应各子视频段的人员的眨眼频率、眼部纵横向量比和眼部闭合面积,计算公式分别如下:
通过计算公式计算得出各港口子区域中各监测车辆对应各子视频段的人员的眨眼频率/>通过计算公式计算得出各港口子区域中各监测车辆对应各子视频段的人员的眼部纵横向量比/>通过计算公式计算得出各港口子区域中各监测车辆对应各子视频段的人员的眼部闭合面积/>其中,/>分别表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的第j个眼部图像的眼角距离和眼睑距离,m表示为人员眼部图像总数目,/>分别表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的第j个人员眼部图像的第y1、y2、y3、y4、y5、y6个眼部特征点坐标,||||表示为范数。
上述提到的所述综合分析得出各港口子区域中各监测车辆的行车安全评估系数,分析过程还包括如下:
E1、依据各港口子区域中各监测车辆对应各子视频段的各监测图像,从中获取各港口子区域中各监测车辆对应各子视频段的各监测图像中人员眼部中心点距地面高度和眼部中心点距离前杠最前沿的水平距离,并分别标记为和/>r表示各监测图像对应的编号,r=1,2,......s;
E2、根据各监测车辆布设的监测仪器,进而得出各港口子区域中各监测车辆对应各时间节点对应的油门踏板压力值、制动踏板压力值和方向盘握力值,进而依据各港口子区域中各监测车辆进入目标港口的时间点筛选出各港口子区域中各监测车辆对应各参考时间点对应的油门踏板压力值、制动踏板压力值和方向盘握力值,将其分别标记为和/>v表示为各参考时间点对应的编号,v=1,2,......t;
在一个具体的实施例中,筛选出各港口子区域中各监测车辆对应各参考时间点对应的油门踏板压力值,具体筛选过程如下:
将各港口子区域中各监测车辆对应各时间节点对应的油门踏板压力值标记为各港口子区域中各监测车辆对应油门踏板压力值的各时间节点,并将其与各港口子区域中各监测车辆进入目标港口的时间点进行比对,若前者大于后者,则将该港口子区域中该监测车辆对应油门踏板压力值的该时间节点标记为参考时间点,由此得出各港口子区域中各监测车辆对应各参考时间点对应的油门踏板压力值。
在一个具体的实施例中,依据各港口子区域中各监测车辆对应各参考时间点对应的油门踏板压力值的筛选方式同理筛选得出各港口子区域中各监测车辆对应各参考时间点对应的制动踏板压力值和方向盘握力值。
E3、将各港口子区域中各监测车辆对应各子视频段的各监测图像中人员眼部中心点距地面高度和眼部中心点距离前杠最前沿的水平距离以及各港口子区域中各监测车辆对应各参考时间点对应的油门踏板压力值、制动踏板压力值和方向盘握力值进行归一化处理,利用计算公式计算得出各港口子区域中各监测车辆对应的人员行为疲劳系数ξgu,进而计算得出各港口子区域中各监测车辆的行车安全评估系数/>其中,/>
其中,t表示为参考时间点总数目,τ′、ρ′、ψ′分别表示为参考信息库存储的参考油门踏板压力值、参考制动踏板压力值、参考方向盘握力值,Δτ、Δρ、Δψ分别表示为预定义的油门踏板压力许可差值、制动踏板压力许可差值、方向盘握力许可差值。
上述提到的所述计算得出各港口子区域中各监测车辆的行车安全评估系数,计算公式如下:
通过计算公式计算得出各港口子区域中各监测车辆的行车安全评估系数/>其中,λ1和λ2分别表示为预定义的人员眼部和人员行为对应的权重因子。
上述提到的所述筛选得出各港口子区域中危险驾驶车辆,筛选过程如下:
将各港口子区域中各监测车辆的行车安全评估系数与参考信息库中存储的参考行车安全评估系数进行比对,若某港口子区域中某监测车辆的行车安全评估系数小于参考行车安全评估系数,则将该港口子区域中该监测车辆标记为危险驾驶车辆,由此得出各港口子区域中危险驾驶车辆。
所述安全监控终端,用于存储各参考信息对应监测车辆的驾驶视频。
所述港口预警终端,用于接收各港口子区域中各危险驾驶车辆的参考信息和所处港口子区域编号,进而进行预警处理。
所述参考信息库,用于存储参考行车安全评估系数,还用于存储参考油门踏板压力值、参考制动踏板压力值、参考方向盘握力值。
本发明提供的一种港口车辆主动安全防控系统,通过获取各港口子区域中各监测车辆的驾驶视频,筛选出各港口子区域中各监测车辆对应各子视频段的各监测图像,综合分析得出各港口子区域中各监测车辆的行车安全评估系数,进而筛选得出各港口子区域中危险驾驶车辆,有效的解决了当前技术对于疲劳驾驶还存在不足的问题,保证了行驶车辆的安全性,保护了人民的生命财产安全,避免为港口作业运输埋下安全隐患。
本发明实施例一方面有效的提高了驾驶人员安全预警的及时性,使得驾驶人员疲劳驾驶的可能性降低,提高了港口作业安全性和稳定性,有效的保障驾驶人员行驶过程中的专注力,另一方面,为港口驾驶人员的驾驶安全提供了有力的保障,有效的保障了港口驾驶人员分析的科学性和可靠性,为后续港口驾驶人员预警提供了准确的数据。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种港口车辆主动安全防控系统,其特征在于,该系统包括:
区域划分模块,用于获取目标港口对应的平面图,并将其按照平面网格式的划分方式划分为各子港口区域,进而获取各港口子区域的位置;
信息获取模块,用于根据各港口子区域布设的监测仪器,进而得出各港口子区域中各监测车辆的参考信息,并将各港口子区域中各监测车辆的参考信息输入至安全监控终端;
信息提取模块,用于根据各港口子区域中各监测车辆的参考信息,进而从安全监控终端提取出各港口子区域中各监测车辆的驾驶视频,进而依据其提取出各港口子区域中各监测车辆对应各子视频段的各监测图像;
人员分析模块,用于依据各港口子区域中各监测车辆对应各子视频段的各监测图像,结合各监测车辆布设的监测仪器,进而综合分析得出各港口子区域中各监测车辆的行车安全评估系数,进而筛选得出各港口子区域中危险驾驶车辆,并同步获取各港口子区域中各危险驾驶车辆的参考信息和所处港口子区域编号,发送至港口预警终端;
安全监控终端,用于存储各参考信息对应监测车辆的驾驶视频;
港口预警终端,用于接收各港口子区域中各危险驾驶车辆的参考信息和所处港口子区域编号,进而进行预警处理。
2.根据权利要求1所述的一种港口车辆主动安全防控系统,其特征在于,所述各港口子区域中各监测车辆的参考信息包括车牌号码。
3.根据权利要求1所述的一种港口车辆主动安全防控系统,其特征在于,所述提取出各港口子区域中各监测车辆对应各子视频段的各监测图像,具体提取过程如下:
获取各港口子区域中各监测车辆的驾驶视频,从中提取出各港口子区域中各监测车辆进入目标港口的时间点,进而从各港口子区域中各监测车辆的驾驶视频中截取以各港口子区域中各监测车辆进入目标港口的时间点为起始时间点的视频段;
将以各港口子区域中各监测车辆进入目标港口的时间点为起始时间点的视频段标记为各港口子区域中各监测车辆的视频段,将其按照预设时长划分为各子视频段,由此得到各港口子区域中各监测车辆的各子视频段,同步获取各港口子区域中各监测车辆的各子视频段的时长,并将各港口子区域中各监测车辆的各子视频段按照预设帧节点分割为各监测图像,进一步获取各港口子区域中各监测车辆对应各子视频段的各监测图像。
4.根据权利要求1所述的一种港口车辆主动安全防控系统,其特征在于,所述综合分析得出各港口子区域中各监测车辆的行车安全评估系数,分析过程包括如下步骤:
W1、将各港口子区域中各监测车辆对应各子视频段的各监测图像聚焦在驾驶人员眼部,进而得出各港口子区域中各监测车辆对应各子视频段的人员各眼部图像,进而从中提取出各港口子区域中各监测车辆对应各子视频段中人员各眼部图像的眼角距离和眼睑距离,将其进行相互比对筛选得出各港口子区域中各监测车辆对应各子视频段中最大眼角距离和最大眼睑距离,将其分别标记为和/>其中,i表示为各子视频段对应的编号,i=1,2,......n,u表示为各监测车辆对应的编号,u=1,2,......f,g表示为各港口子区域对应的编号,g=1,2,......r,;
W2、将各港口子区域中各监测车辆对应各子视频段的人员各眼部图像导入参考面部直角坐标系中,由此得出各港口子区域中各监测车辆对应各子视频段的人员各眼部图像的各眼部特征点坐标,将其构成眼部特征点坐标集合Gy={ky 1111,ky 2222,...ky igju,...,ky nrmf},其中,j表示为眼部图像对应的编号,j=1,2,.......m,y表示为各眼部特征点,y=y1、y2、y3、y4、y5或y6,ky igju表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的第j个眼部图像的各眼部特征点坐标;
W3、根据各港口子区域中各监测车辆对应各子视频段的人员各眼部图像,从中识别出各港口子区域中各监测车辆对应各子视频段的人员各闭眼图像数目以及各港口子区域中各监测车辆对应各子视频段的图像总数目,并将其分别标记为进而通过计算公式/>计算得出各港口子区域中各监测车辆对应的人员眼部疲劳系数δgu,其中,/>和/>分别表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的人员的眨眼频率、眼部纵横向量比和眼部闭合面积,n表示为子视频段总数目,e表示为自然常数,a1、a2和a3分别表示为设定的眨眼频率、眼部纵横向量和眼部闭合面积对应的影响因子。
5.根据权利要求4所述的一种港口车辆主动安全防控系统,其特征在于,所述各港口子区域中各监测车辆对应各子视频段的人员的眨眼频率、眼部纵横向量比和眼部闭合面积,计算公式分别如下:
通过计算公式计算得出各港口子区域中各监测车辆对应各子视频段的人员的眨眼频率/>通过计算公式计算得出各港口子区域中各监测车辆对应各子视频段的人员的眼部纵横向量比/>通过计算公式计算得出各港口子区域中各监测车辆对应各子视频段的人员的眼部闭合面积/>其中,/>分别表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的第j个眼部图像的眼角距离和眼睑距离,m表示为人员眼部图像总数目,/>分别表示为第g个港口子区域中第u个监测车辆对应第i个子视频段的第j个人员眼部图像的第y1、y2、y3、y4、y5、y6个眼部特征点坐标,||||表示为范数。
6.根据权利要求4所述的一种港口车辆主动安全防控系统,其特征在于,所述综合分析得出各港口子区域中各监测车辆的行车安全评估系数,分析过程还包括如下:
E1、依据各港口子区域中各监测车辆对应各子视频段的各监测图像,从中获取各港口子区域中各监测车辆对应各子视频段的各监测图像中人员眼部中心点距地面高度和眼部中心点距离前杠最前沿的水平距离,并分别标记为和/>r表示各监测图像对应的编号,r=1,2,......s;
E2、根据各监测车辆布设的监测仪器,进而得出各港口子区域中各监测车辆对应各时间节点对应的油门踏板压力值、制动踏板压力值和方向盘握力值,进而依据各港口子区域中各监测车辆进入目标港口的时间点筛选出各港口子区域中各监测车辆对应各参考时间点对应的油门踏板压力值、制动踏板压力值和方向盘握力值,将其分别标记为和v表示为各参考时间点对应的编号,v=1,2,......t;
E3、将各港口子区域中各监测车辆对应各子视频段的各监测图像中人员眼部中心点距地面高度和眼部中心点距离前杠最前沿的水平距离以及各港口子区域中各监测车辆对应各参考时间点对应的油门踏板压力值、制动踏板压力值和方向盘握力值进行归一化处理,利用计算公式计算得出各港口子区域中各监测车辆对应的人员行为疲劳系数ξgu,进而计算得出各港口子区域中各监测车辆的行车安全评估系数其中,/>
其中,t表示为参考时间点总数目,τ′、ρ′、ψ′分别表示为参考信息库存储的参考油门踏板压力值、参考制动踏板压力值、参考方向盘握力值,Δτ、Δρ、Δψ分别表示为预定义的油门踏板压力许可差值、制动踏板压力许可差值、方向盘握力许可差值。
7.根据权利要求6所述的一种港口车辆主动安全防控系统,其特征在于,所述计算得出各港口子区域中各监测车辆的行车安全评估系数,计算公式如下:
通过计算公式计算得出各港口子区域中各监测车辆的行车安全评估系数/>其中,λ1和λ2分别表示为预定义的人员眼部和人员行为对应的权重因子。
8.根据权利要求7所述的一种港口车辆主动安全防控系统,其特征在于,所述筛选得出各港口子区域中危险驾驶车辆,筛选过程如下:
将各港口子区域中各监测车辆的行车安全评估系数与参考信息库中存储的参考行车安全评估系数进行比对,若某港口子区域中某监测车辆的行车安全评估系数小于参考行车安全评估系数,则将该港口子区域中该监测车辆标记为危险驾驶车辆,由此得出各港口子区域中危险驾驶车辆。
9.根据权利要求1所述的一种港口车辆主动安全防控系统,其特征在于,所述系统还包括参考信息库,用于存储参考行车安全评估系数,还用于存储参考油门踏板压力值、参考制动踏板压力值、参考方向盘握力值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841772.7A CN116682264B (zh) | 2023-07-11 | 2023-07-11 | 一种港口车辆主动安全防控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841772.7A CN116682264B (zh) | 2023-07-11 | 2023-07-11 | 一种港口车辆主动安全防控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116682264A true CN116682264A (zh) | 2023-09-01 |
CN116682264B CN116682264B (zh) | 2023-12-26 |
Family
ID=87787440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310841772.7A Active CN116682264B (zh) | 2023-07-11 | 2023-07-11 | 一种港口车辆主动安全防控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682264B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273571A (zh) * | 2023-10-12 | 2023-12-22 | 江苏泓鑫科技有限公司 | 一种基于区块链的智慧港口作业数据管理系统与方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872171A (zh) * | 2009-04-24 | 2010-10-27 | 中国农业大学 | 基于信息融合的驾驶员疲劳状态识别方法和系统 |
US20180170393A1 (en) * | 2015-06-17 | 2018-06-21 | Init Innovative Informatikanwendungen In Transport-, Verkehrs- Und Leitsystemen Gmbh | Method and system for evaluating the driving behaviour of a vehicle operator with a motor vehicle |
CN110991324A (zh) * | 2019-11-29 | 2020-04-10 | 中通服咨询设计研究院有限公司 | 一种基于多种动态特征和物联网技术的疲劳驾驶检测方法 |
CN114743349A (zh) * | 2022-04-12 | 2022-07-12 | 广州工商学院 | 适用于交通安全管理的疲劳驾驶判别及信息传输系统 |
CN115937828A (zh) * | 2022-11-02 | 2023-04-07 | 星河智联汽车科技有限公司 | 一种疲劳驾驶检测方法、装置及车辆 |
CN116279561A (zh) * | 2023-03-22 | 2023-06-23 | 重庆赛力斯新能源汽车设计院有限公司 | 车辆疲劳驾驶的预警方法、装置、设备及可读存储介质 |
-
2023
- 2023-07-11 CN CN202310841772.7A patent/CN116682264B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872171A (zh) * | 2009-04-24 | 2010-10-27 | 中国农业大学 | 基于信息融合的驾驶员疲劳状态识别方法和系统 |
US20180170393A1 (en) * | 2015-06-17 | 2018-06-21 | Init Innovative Informatikanwendungen In Transport-, Verkehrs- Und Leitsystemen Gmbh | Method and system for evaluating the driving behaviour of a vehicle operator with a motor vehicle |
CN110991324A (zh) * | 2019-11-29 | 2020-04-10 | 中通服咨询设计研究院有限公司 | 一种基于多种动态特征和物联网技术的疲劳驾驶检测方法 |
CN114743349A (zh) * | 2022-04-12 | 2022-07-12 | 广州工商学院 | 适用于交通安全管理的疲劳驾驶判别及信息传输系统 |
CN115937828A (zh) * | 2022-11-02 | 2023-04-07 | 星河智联汽车科技有限公司 | 一种疲劳驾驶检测方法、装置及车辆 |
CN116279561A (zh) * | 2023-03-22 | 2023-06-23 | 重庆赛力斯新能源汽车设计院有限公司 | 车辆疲劳驾驶的预警方法、装置、设备及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273571A (zh) * | 2023-10-12 | 2023-12-22 | 江苏泓鑫科技有限公司 | 一种基于区块链的智慧港口作业数据管理系统与方法 |
CN117273571B (zh) * | 2023-10-12 | 2024-04-02 | 江苏泓鑫科技有限公司 | 一种基于区块链的智慧港口作业数据管理系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116682264B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112389448B (zh) | 一种基于车辆状态和驾驶员状态的异常驾驶行为识别方法 | |
CN108469806B (zh) | 交替式人机共驾中驾驶权转移方法 | |
KR101748121B1 (ko) | 객체 인지 기반의 실시간 영상 검지 시스템 및 그 방법 | |
CN107657237A (zh) | 基于深度学习的汽车碰撞检测方法及系统 | |
CN108860166A (zh) | 无人驾驶汽车事故发生处理系统及处理方法 | |
CN109649091A (zh) | 基于计算机视觉的汽车轮胎监测系统 | |
CN116682264B (zh) | 一种港口车辆主动安全防控系统 | |
CN111401414B (zh) | 一种基于自然驾驶数据的危险场景提取及分类方法 | |
CN116110012B (zh) | 用于智慧工地的危险违规动作识别方法及系统 | |
Gao et al. | Predicting hazardous driving events using multi-modal deep learning based on video motion profile and kinematics data | |
CN115205796B (zh) | 轨道线路异物侵限监测与风险预警方法及系统 | |
Rezaee et al. | Real-time intelligent alarm system of driver fatigue based on video sequences | |
Sun et al. | Online distraction detection for naturalistic driving dataset using kinematic motion models and a multiple model algorithm | |
CN111985295A (zh) | 一种电动自行车行为识别方法、系统、工控机及摄像头 | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及系统、设备 | |
Sanjurjo-De-No et al. | Driver pattern identification in road crashes in spain | |
Zhang | Multi-object trajectory extraction based on YOLOv3-DeepSort for pedestrian-vehicle interaction behavior analysis at non-signalized intersections | |
CN110619256A (zh) | 道路监控检测方法及装置 | |
CN111775948B (zh) | 一种驾驶行为分析方法及装置 | |
Fu et al. | A case study in China to determine whether GPS data and derivative indicator can be used to identify risky drivers | |
CN112418000B (zh) | 基于单目摄像头的不良驾驶行为检测方法及系统 | |
CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
Ameksa et al. | Toward flexible data collection of driving behaviour | |
Yokoyama et al. | Do drivers' behaviors reflect their past driving histories?-large scale examination of vehicle recorder data | |
Kyriakou et al. | Do vehicles sense pavement surface anomalies? |
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 |