CN116901975A - 一种车载ai安防监控系统及其方法 - Google Patents
一种车载ai安防监控系统及其方法 Download PDFInfo
- Publication number
- CN116901975A CN116901975A CN202311167837.0A CN202311167837A CN116901975A CN 116901975 A CN116901975 A CN 116901975A CN 202311167837 A CN202311167837 A CN 202311167837A CN 116901975 A CN116901975 A CN 116901975A
- Authority
- CN
- China
- Prior art keywords
- model
- unit
- data
- prediction
- module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 21
- 239000000284 extract Substances 0.000 claims abstract description 4
- 230000006872 improvement Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- B60W40/08—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 drivers or passengers
-
- 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
- B60W40/02—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 ambient conditions
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- 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
-
- 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
- G06V20/59—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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- B60W40/08—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 drivers or passengers
- B60W2040/0818—Inactivity or incapacity of driver
- B60W2040/0827—Inactivity or incapacity of driver due to sleepiness
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及安防监控技术领域,具体为一种车载AI安防监控系统及其方法,包括图像采集与处理模块、特征提取模型模块、云端模型模块和预测与响应模块。本发明中,首先图像采集与处理模块收集和处理车辆外部和内部的图像数据,将图像数据发送给特征提取模型模块,特征提取模型模块利用算法模型提取图像数据特征,将数据特征发送给云端模型模块和预测与响应模块,预测与响应模块根据数据特征利用算法模型进行报警结果预测,将数据和结果发送给云端模型模块,云端模型模块接收特征提取模型模块和预测与响应模块发送的数据,根据最新的数据进行模型更新,并将更新的参数发送给特征提取模型模块和预测与响应模块。
Description
技术领域
本发明涉及安防监控技术领域,具体为一种车载AI安防监控系统及其方法。
背景技术
车载安防监控系统对车辆周围进行环境图像收集,利用事前定义的规则和算法对图像数据进行是否报警预测,然而,传统的车载安防监控系统往往会有一些弊端。
一方面,传统的车载安防监控系统是基于预定义的规则和算法进行图像处理检测,并且只对车辆外部环境进行报警预测,缺乏智能性和多功能性;
另一方面,传统的车载安防监控系统在更新预定义规则时需要大量专业人员进行维护,耗时耗力,缺乏自适应性和升级性。
发明内容
本发明的目的在于提供一种车载AI安防监控系统及其方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种车载AI安防监控系统及,其包括图像采集与处理模块、特征提取模型模块、云端模型模块和预测与响应模块,其中:
所述图像采集与处理模块用于收集和处理车辆周围的环境图像数据和驾驶员行为图像数据,并将数据发送给特征提取模型模块;
所述特征提取模型模块接收图像采集与处理模块发送的图像数据和云端模型模块发送的参数,利用算法模型提取图像数据特征,并将提取的数据特征发送给云端模型模块和预测与响应模块;
所述预测与响应模块接收特征提取模型模块发送的数据特征和云端模型模块发送的参数,根据数据特征预测外部环境报警和人物是否疲惫的结果,基于结果响应不同的报警装置;
所述云端模型模块接收特征提取模型模块和预测与响应模块发送的数据,用于更新训练模型的参数,并将改进后的参数发送给特征提取模型模块和预测与响应模块。
作为本技术方案的进一步改进,所述图像采集与处理模块包括摄像头单元和图像处理单元,所述摄像头单元用于车辆周围的环境图像数据,并将数据发送给图像处理单元;所述图像处理单元利用算法提高图片数据质量,并将数据发送给特征提取模型模块中的提取模型单元。
作为本技术方案的进一步改进,所述特征提取模型模块包括提取参数更新单元和提取模型单元,所述提取参数更新单元接收参数改进单元发送的参数,用于更新模型的参数;所述提取模型单元接收图像处理单元发送的图像数据,用于提取图像的数据特征,并将数据特征发送给更新数据接收单元和预测模型单元。
作为本技术方案的进一步改进,所述预测与响应模块包括预测参数更新单元、预测模型单元和报警决策单元,所述预测参数更新单元接收参数改进单元发送的参数,用于更新模型的参数;所述预测模型单元接收提取模型单元发送的数据特征,根据数据特征预测外部环境报警和人物是否疲惫结果,将结果发送给报警决策单元;所述报警决策单元根据预测结果响应不同的报警装置。
作为本技术方案的进一步改进,所述云端模型模块包括更新数据接收单元、模型更新单元和参数改进单元,所述更新数据接收单元接收提取模型单元和预测模型单元发送的数据,用于将数据发送给模型更新单元中不同的模型;所述模型更新单元根据更新数据接收单元发送的数据进行模型训练,将训练完成的模型参数发送给参数改进单元;所述参数改进单元将不同模型的参数分别发送给提取参数更新单元和预测参数更新单元。
本发明目的之二在于,提供了一种车载AI安防监控系统方法包括上述中任意一项所述的车载AI安防监控系统,包括如下方法步骤:
S1、部署收集车辆周围环境和车内驾驶员图像数据摄像头,并处理收集的图像数据;
S2、利用提取特征算法模型提取图像数据特征,并将数据特征发送给云端进行模型更新;
S3、利用预测算法模型根据图像数据特征进行外部环境报警和人物是否疲惫的预测,并将数据与预测结果发送给云端进行模型更新;
S4、根据预测结果,响应不同的报警装置;
S5、云端根据接受最新的数据对提取特征算法模型和预测算法模型进行模型更新,并将参数发送给对应模型。
作为本技术方案的进一步改进,所述利用提取特征算法模型提取图像数据特征,并将数据特征发送给云端进行模型更新,具体包括:
输入图像:将车辆周围的环境图像和驾驶员行为图像输入到卷积神经网络中;
卷积层、池化层和全连接层:通过卷积层来提取图像中的边缘、纹理和形状,通过池化层来减少特征图的大小,从而降低计算量,通过全连接层将前一层的特征图展平为一维向量;
输出层:通过输出层的分类器和回归器来判断图像中是否存在特定目标和位置信息,将特定目标的作为数据特征,位置信息作为数据特征值。
作为本技术方案的进一步改进,所述利用预测算法模型根据图像数据特征进行外部环境报警和人物是否疲惫的预测,并将数据与预测结果发送给云端进行模型更新,具体包括:
前向传播:将输入的数据特征从输入层传递到输出层,每一层的节点根据权重和偏置进行计算,并将结果传递给下一层;
输出预测:根据前向传播的输出结果利用激活函数产生预测结果,其中,模型由输入层、隐藏层、分支层和输出层组成,其中的一个分支层用于外部环境报警预测任务的特定分支层,另一个分支层用于人物是否疲惫预测任务的特定分支层。
作为本技术方案的进一步改进,所述根据预测结果,响应不同的报警装置,具体包括:
当外部环境报警的预测值为1时,触发环境异常报警,连接车内扬声器发出报警声音,若在行驶过程中,采取紧急制动措施;
当人物是否疲惫的预测值为1时,触发疲劳驾驶警示,连接车内扬声器发出报警声音,并连接车内导航判断是否在高速公路,若在高速公路,则连接车内导航提示驾驶员去最近服务区休息,否则提醒驾驶员将车停靠在规定区域内休息。
与现有技术相比,本发明的有益效果是:
1、该一种车载AI安防监控系统及其方法不仅收集车外的环境数据,而且收集车内的驾驶员图像数据,首先利用深度学习算法模型提取图像数据特征,再利用神经网络算法模型进行外部环境报警和人物是否疲惫的预测,并根据预测结果响应不同的报警装置,使得监控系统具有多功能性和智能分析处理数据的优越性。
2、该一种车载AI安防监控系统及其方法利用云端接收算法模型实时分析得出的数据结果,根据最新的数据结果在云端进行模型训练,将训练的参数发送利用无线通信的方式发送给应用模型,使得模型具有自适应和升级性,并且减少消耗了专业人员手动更新预定义规则的人力资源。
附图说明
图1为本发明的整体模块示意图;
图2为本发明的各个模块单元示意图;
图3为本发明的整体方法流程元示意图。
图中:100、图像采集与处理模块;101、摄像头单元;102、图像处理单元;200、特征提取模型模块;201、提取参数更新单元;202、提取模型单元;300、云端模型模块;301、更新数据接收单元;302、模型更新单元;303、参数改进单元;400、预测与响应模块;401、预测参数更新单元;402、预测模型单元;403、报警决策单元。
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3,本发明提供一种技术方案:一种车载AI安防监控系统及其方法,包括图像采集与处理模块100、特征提取模型模块200、云端模型模块300和预测与响应模块400。
S1、为了收集车辆周围环境和驾驶员的实时图像数据,图像采集与处理模块100中的摄像头单元101将摄像头放置在车辆的前部、后部、两侧和室内,分别收集车辆周围的环境图像和驾驶员行为图像,并将采集到的图像发送给图像处理单元102进行处理。图像处理单元102利用图像去噪算法去除图像中噪声的影响,提高图像的清晰度和细节,利用图像增强算法,通过调整图像的像素值分布,提高图像的视觉效果,为了防止由于摄像头的安装位置或角度等原因而产生畸变或失真,使用图像校正算法对图像进行几何变换,使其恢复到原始场景的几何形状和比例,将处理好的图像数据发送给环境与人物特征提取模型模块200中的提取模型单元202。
S2、提取模型单元202根据已集成好的卷积神经网络模型提取图像中的特征,过程如下:
输入图像:将车辆周围的环境图像和驾驶员行为图像输入到卷积神经网络中;
卷积层、池化层和全连接层:通过卷积层来提取图像中的边缘、纹理和形状,通过池化层来减少特征图的大小,从而降低计算量,通过全连接层将前一层的特征图展平为一维向量;
输出层:通过输出层的分类器和回归器来判断图像中是否存在特定目标和位置信息,将特定目标的作为数据特征,位置信息作为数据特征值。
提取模型单元202将提取过的数据特征发送给预测与响应模块400中的预测模型单元402进行实时预测,并将原始图片数据和对应的特征标签发送给云端模型模块300中的更新数据接收单元301进行模型更新。
S3、预测模型单元402利用已集成好的神经网络模型根据接收到的实时数据进行报警预测,具体包括:
前向传播:将输入的数据特征从输入层传递到输出层,每一层的节点根据权重和偏置进行计算,并将结果传递给下一层;
输出预测:根据前向传播的输出结果,利用激活函数产生预测结果,其中,模型由输入层、隐藏层、分支层和输出层组成,其中的一个分支层用于外部环境报警预测任务的特定分支层,另一个分支层用于人物是否疲惫预测任务的特定分支层。
预测模型单元402就将预测结果发送给报警决策单元403进行决策,并将数据特征和对应的预测结果发送给云端模型模块300中的更新数据接收单元301进行模型更新。
S4、报警决策单元403接收预测模型单元402预测的结果,并根据预测的不同结果响应不同的报警装置,具体包括:
当外部环境报警的预测值为1时,触发环境异常报警,若在行驶过程中,可能是周围有碰撞风险,采取紧急制动措施,防止发生碰撞;
当人物是否疲惫的预测值为1时,触发疲劳驾驶警示,连接车内扬声器发出报警声音,并连接车内导航判断是否在高速公路,若在高速公路,则连接车内导航提示驾驶员去最近服务区休息,否则提醒驾驶员将车停靠在规定区域内休息。
S5、云端模型模块300中的更新数据接收单元301接收提取模型单元202和预测模型单元402发送的数据特征和对应的标签,将提取模型单元202发送的数据给模型更新单元302中提取模型进行训练,将预测模型单元402中发送的数据给模型更新单元302中预测模型进行训练,模型更新单元302将训练好的模型参数发送给参数改进单元303,参数改进单元303将提取模型训练过的参数和预测模型训练过的参数分别发送给提取参数更新单元201和预测参数更新单元401。其中,预测模型训练的过程如下:
数据划分:将数据集切分为两份,百分之80为训练集,百分之20为验证集;
模型训练:模型由输入层、隐藏层、分支层和输出层组成,输入层将特征作为输入,将其连接到隐藏层,其中的一个分支层用于外部环境报警任务的特定分支层,另一个分支层用于人物是否疲惫预测任务的特定分支层,分支层接收隐藏层的输出作为输入,并通过自身的全连接神经元和激活函数进行进一步处理,以预测外部环境报警和人物是否疲惫;神经网络将输入数据从输入层传递到输出层,其中的输出由激活函数和各层之间的权重来计算;在前向传播之后,将神经网络得到的预测结果与对应的标签值进行比较,计算出一个损失函数的数值,其中损失函数衡量了预测结果与实际标签之间的差异;利用损失函数将误差反向传递回网络中,计算每个参数对于损失的贡献,通过链式法则,从输出层向输入层反向计算梯度,并根据梯度的方向更新每个参数的值,以最小化损失函数,最后根据计算得到的梯度信息,更新神经网络中的参数;
模型评估:计算出模型预测的标签数组与验证集的标签数组之间准确预测的样本数目,将准确预测的样本数目除以验证集的样本数目乘以百分比得到准确率,当准确率≥百分之90,则该模型训练成功,将训练好的模型参数发送给参数改进单元303;
模型调优:将评估不合格的模型通过增加神经网络的深度、宽度和调整神经元数量参数值来对模型进行调优。
云端模型模块300与特征提取模型模块200和预测与响应模块400之间利用无线通线的方式进行数据通信,通过云端模型模块300采集各个车辆的行驶数据,更新模型参数,实时更新模型的准确率,降低车辆事故率。特征提取模型模块200中的提取参数更新单元201和预测与响应模块400中的预测参数更新单元401将接收到的参数分别发送给提取模型单元202和预测模型单元402进行模型更新。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种车载AI安防监控系统,其特征在于:包括图像采集与处理模块(100)、特征提取模型模块(200)、云端模型模块(300)和预测与响应模块(400),其中:
所述图像采集与处理模块(100)用于收集和处理车辆周围的环境图像数据和驾驶员行为图像数据,并将数据发送给特征提取模型模块(200);
所述特征提取模型模块(200)接收图像采集与处理模块(100)发送的图像数据和云端模型模块(300)发送的参数,利用算法模型提取图像数据特征,并将提取的数据特征发送给云端模型模块(300)和预测与响应模块(400);
所述预测与响应模块(400)接收特征提取模型模块(200)发送的数据特征和云端模型模块(300)发送的参数,根据数据特征预测外部环境报警和人物是否疲惫的结果,基于结果响应不同的报警装置;
所述云端模型模块(300)接收特征提取模型模块(200)和预测与响应模块(400)发送的数据,用于更新训练模型的参数,并将改进后的参数发送给特征提取模型模块(200)和预测与响应模块(400)。
2.根据权利要求1所述的车载AI安防监控系统,其特征在于:所述图像采集与处理模块(100)包括摄像头单元(101)和图像处理单元(102),所述摄像头单元(101)用于车辆周围的环境图像数据,并将数据发送给图像处理单元(102);所述图像处理单元(102)利用算法提高图片数据质量,并将数据发送给特征提取模型模块(200)中的提取模型单元(202)。
3.根据权利要求1所述的车载AI安防监控系统,其特征在于:所述特征提取模型模块(200)包括提取参数更新单元(201)和提取模型单元(202),所述提取参数更新单元(201)接收参数改进单元(303)发送的参数,用于更新模型的参数;所述提取模型单元(202)接收图像处理单元(102)发送的图像数据,用于提取图像的数据特征,并将数据特征发送给更新数据接收单元(301)和预测模型单元(402)。
4.根据权利要求1所述的车载AI安防监控系统,其特征在于:所述预测与响应模块(400)包括预测参数更新单元(401)、预测模型单元(402)和报警决策单元(403),所述预测参数更新单元(401)接收参数改进单元(303)发送的参数,用于更新模型的参数;所述预测模型单元(402)接收提取模型单元(202)发送的数据特征,根据数据特征预测外部环境报警和人物是否疲惫结果,将结果发送给报警决策单元(403);所述报警决策单元(403)根据预测结果响应不同的报警装置。
5.根据权利要求1所述的车载AI安防监控系统,其特征在于:所述云端模型模块(300)包括更新数据接收单元(301)、模型更新单元(302)和参数改进单元(303),所述更新数据接收单元(301)接收提取模型单元(202)和预测模型单元(402)发送的数据,用于将数据发送给模型更新单元(302)中不同的模型;所述模型更新单元(302)根据更新数据接收单元(301)发送的数据进行模型训练,将训练完成的模型参数发送给参数改进单元(303);所述参数改进单元(303)将不同模型的参数分别发送给提取参数更新单元(201)和预测参数更新单元(401)。
6.一种用于权利要求5所述的车载AI安防监控系统的监控方法,其特征在于,其方法步骤如下:
S1、部署收集车辆周围环境和车内驾驶员图像数据摄像头,并处理收集的图像数据;
S2、利用提取特征算法模型提取图像数据特征,并将数据特征发送给云端进行模型更新;
S3、利用预测算法模型根据图像数据特征进行外部环境报警和人物是否疲惫的预测,并将数据与预测结果发送给云端进行模型更新;
S4、根据预测结果,响应不同的报警装置;
S5、云端根据接受最新的数据对提取特征算法模型和预测算法模型进行模型更新,并将参数发送给对应模型。
7.根据权利要求6所述的监控方法,其特征在于:所述利用提取特征算法模型提取图像数据特征,并将数据特征发送给云端进行模型更新,具体包括:
输入图像:将车辆周围的环境图像和驾驶员行为图像输入到卷积神经网络中;
卷积层、池化层和全连接层:通过卷积层来提取图像中的边缘、纹理和形状,通过池化层来减少特征图的大小,从而降低计算量,通过全连接层将前一层的特征图展平为一维向量;
输出层:通过输出层的分类器和回归器来判断图像中是否存在特定目标和位置信息,将特定目标的作为数据特征,位置信息作为数据特征值。
8.根据权利要求7所述的监控方法,其特征在于:所述利用预测算法模型根据图像数据特征进行外部环境报警和人物是否疲惫的预测,并将数据与预测结果发送给云端进行模型更新,具体包括:
前向传播:将输入的数据特征从输入层传递到输出层,每一层的节点根据权重和偏置进行计算,并将结果传递给下一层;
输出预测:根据前向传播的输出结果利用激活函数产生预测结果,其中,模型由输入层、隐藏层、分支层和输出层组成,其中的一个分支层用于外部环境报警预测任务的特定分支层,另一个分支层用于人物是否疲惫预测任务的特定分支层。
9.根据权利要求8所述的监控方法,其特征在于:所述根据预测结果,响应不同的报警装置,具体包括:
当外部环境报警的预测值为1时,触发环境异常报警,连接车内扬声器发出报警声音,若在行驶过程中,采取紧急制动措施;
当人物是否疲惫的预测值为1时,触发疲劳驾驶警示,连接车内扬声器发出报警声音,并连接车内导航判断是否在高速公路,若在高速公路,则连接车内导航提示驾驶员去最近服务区休息,否则提醒驾驶员将车停靠在规定区域内休息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167837.0A CN116901975B (zh) | 2023-09-12 | 2023-09-12 | 一种车载ai安防监控系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167837.0A CN116901975B (zh) | 2023-09-12 | 2023-09-12 | 一种车载ai安防监控系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116901975A true CN116901975A (zh) | 2023-10-20 |
CN116901975B CN116901975B (zh) | 2023-11-21 |
Family
ID=88360604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311167837.0A Active CN116901975B (zh) | 2023-09-12 | 2023-09-12 | 一种车载ai安防监控系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116901975B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151346A (zh) * | 2023-10-30 | 2023-12-01 | 中国民航大学 | 一种基于智慧学习的民航专业教学培训系统 |
CN117155727A (zh) * | 2023-10-24 | 2023-12-01 | 图林科技(深圳)有限公司 | 一种面向物联网的智能家居管理系统及其运行方法 |
CN117423060A (zh) * | 2023-11-03 | 2024-01-19 | 深圳市泰越电子有限公司 | 基于ai人型追踪预警自动备份的安防监控系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654753A (zh) * | 2016-01-08 | 2016-06-08 | 北京乐驾科技有限公司 | 一种智能车载安全驾驶辅助方法及系统 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN108446644A (zh) * | 2018-03-26 | 2018-08-24 | 刘福珍 | 一种用于新能源电动汽车的虚拟显示系统 |
WO2020237664A1 (zh) * | 2019-05-31 | 2020-12-03 | 驭势(上海)汽车科技有限公司 | 驾驶提醒方法、驾驶状态检测方法和计算设备 |
US20210012127A1 (en) * | 2018-09-27 | 2021-01-14 | Beijing Sensetime Technology Development Co., Ltd. | Action recognition method and apparatus, driving action analysis method and apparatus, and storage medium |
CN113479211A (zh) * | 2021-07-27 | 2021-10-08 | 广东机电职业技术学院 | 基于机器视觉的汽车驾驶安全行为识别和提醒方法及系统 |
CN114987500A (zh) * | 2022-05-31 | 2022-09-02 | 深圳市航盛电子股份有限公司 | 驾驶员状态监控方法、终端设备及存储介质 |
CN115424120A (zh) * | 2022-09-05 | 2022-12-02 | 浙江吉利控股集团有限公司 | 一种驾驶员监控系统控制方法、装置及车辆 |
-
2023
- 2023-09-12 CN CN202311167837.0A patent/CN116901975B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654753A (zh) * | 2016-01-08 | 2016-06-08 | 北京乐驾科技有限公司 | 一种智能车载安全驾驶辅助方法及系统 |
CN107301383A (zh) * | 2017-06-07 | 2017-10-27 | 华南理工大学 | 一种基于Fast R‑CNN的路面交通标志识别方法 |
CN108446644A (zh) * | 2018-03-26 | 2018-08-24 | 刘福珍 | 一种用于新能源电动汽车的虚拟显示系统 |
US20210012127A1 (en) * | 2018-09-27 | 2021-01-14 | Beijing Sensetime Technology Development Co., Ltd. | Action recognition method and apparatus, driving action analysis method and apparatus, and storage medium |
WO2020237664A1 (zh) * | 2019-05-31 | 2020-12-03 | 驭势(上海)汽车科技有限公司 | 驾驶提醒方法、驾驶状态检测方法和计算设备 |
CN113479211A (zh) * | 2021-07-27 | 2021-10-08 | 广东机电职业技术学院 | 基于机器视觉的汽车驾驶安全行为识别和提醒方法及系统 |
CN114987500A (zh) * | 2022-05-31 | 2022-09-02 | 深圳市航盛电子股份有限公司 | 驾驶员状态监控方法、终端设备及存储介质 |
CN115424120A (zh) * | 2022-09-05 | 2022-12-02 | 浙江吉利控股集团有限公司 | 一种驾驶员监控系统控制方法、装置及车辆 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117155727A (zh) * | 2023-10-24 | 2023-12-01 | 图林科技(深圳)有限公司 | 一种面向物联网的智能家居管理系统及其运行方法 |
CN117151346A (zh) * | 2023-10-30 | 2023-12-01 | 中国民航大学 | 一种基于智慧学习的民航专业教学培训系统 |
CN117151346B (zh) * | 2023-10-30 | 2024-02-09 | 中国民航大学 | 一种基于智慧学习的民航专业教学培训系统 |
CN117423060A (zh) * | 2023-11-03 | 2024-01-19 | 深圳市泰越电子有限公司 | 基于ai人型追踪预警自动备份的安防监控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116901975B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116901975B (zh) | 一种车载ai安防监控系统及其方法 | |
CN112417953B (zh) | 道路状况检测和地图数据更新方法、装置、系统及设备 | |
WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
CN109686108B (zh) | 一种车辆目标轨迹跟踪系统及车辆轨迹跟踪方法 | |
CN110119714B (zh) | 一种基于卷积神经网络的驾驶员疲劳检测方法及装置 | |
CN110728236B (zh) | 车辆定损方法及其专用设备 | |
CN110147707B (zh) | 一种高精度车辆识别方法及系统 | |
CN112639495A (zh) | 一种电池检测的方法和装置 | |
CN109145843A (zh) | 一种卡口高清相机全车信息识别系统及方法 | |
CN112489072B (zh) | 一种车载视频感知信息传输负载优化方法及装置 | |
WO2018145308A1 (en) | Filter reusing mechanism for constructing robust deep convolutional neural network | |
CN115546742A (zh) | 一种基于单目热红外摄像头的铁轨异物识别方法及系统 | |
CN117237884A (zh) | 一种基于泊位定位的互动式巡检机器人 | |
KR102186974B1 (ko) | 차량의 주차면 분석을 위한 지능형 cctv 시스템 | |
CN114821462A (zh) | 基于多分支并行混合空洞编码神经网络的目标检测方法 | |
CN113971775A (zh) | 一种基于优化yolov4算法的违章行为识别方法及系统 | |
CN114048536A (zh) | 一种基于多任务神经网络的道路结构预测与目标检测方法 | |
CN110781730B (zh) | 智能驾驶感知方法及感知装置 | |
CN116736409A (zh) | 汽车安全预警方法、装置、设备及存储介质 | |
CN108873097B (zh) | 无人停车库中载车板停车时的安全检测方法及装置 | |
CN113283286B (zh) | 一种驾驶员异常行为检测方法和装置 | |
CN115439692A (zh) | 一种图像处理方法、装置、电子设备及介质 | |
CN114863680A (zh) | 预测处理方法、装置、计算机设备及存储介质 | |
JP2019053377A (ja) | 車両行動予測装置、車両行動予測方法および車両行動予測用のニューラルネットワークの学習方法 | |
CN115640828A (zh) | 一种基于对抗生成网络的车载数字孪生欺骗检测方法 |
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 |