CN207233199U - 一种基于深度学习的自动声检测的飙车行为自动识别装置 - Google Patents

Abstract

本实用新型公开了一种基于深度学习的自动声检测的飙车行为自动识别装置，包括控制单元，所述控制单元分别与用于机动车飙车噪声识别及抓拍的自动声检测单元、用于机动车超速识别与抓拍的超速检测单元、用于发布监控信息的监控单元和用于存储信息的存储单元信号连接，所述自动声检测单元分别与用于音频信息捕捉识别的噪音检测单元和用于抓怕机动车车牌信息的第一抓拍单元信号连接，所述超速检测单元分别与用于超速检测的测速单元和用于捕获高速运动目标信息的第二抓拍单元信号连接；本实用新型通过自动声检测单元与超速检测单元的相互配合，可有效地获取飙车对象的具体信息，提高了飙车行为识别的准确率，实现了对飙车行为的有效监测。

Description

一种基于深度学习的自动声检测的飙车行为自动识别装置

技术领域

本实用新型涉及车辆信息监测技术领域，具体为一种基于深度学习的自动声检测的飙车行为自动识别装置。

背景技术

飙车在法律上被称为在道路上驾驶机动车“追逐竞驶”，如果情节恶劣则构成危险驾驶罪。2011年5月1日实施的《刑法修正案(八)》将驾驶机动车追逐竞驶行为规定为犯罪，规定：“在道路上驾驶机动车追逐竞驶，情节恶劣的，处拘役，并处罚金”。“有前款行为，同时构成其他犯罪的，依照处罚较重的规定定罪处罚”。这为治理此类危险驾驶行为提供了重要法律依据。

然而目前的道路监控系统仍多为以车速监控的手段对飙车行为进行监控，但是这种方式因车速过快，无法有效的识别飙车行为，检测结果多为机动车超速行驶，需要人为的对飙车行为进行判定，效率低下，难以做到及时有效的对飙车对象的各种信息进行捕捉，相应的监管部门无法及时获取相关信息，无法及时的对飙车对象进行布控抓捕，不利于飙车行为的有效治理。

如何改善现有技术缺陷，是现今急需解决的问题。

实用新型内容

本实用新型的目的在于克服现有技术的不足，提供了一种基于深度学习的自动声检测的飙车行为自动识别装置，以解决现有技术中飙车行为判定困难、效率低和难以获取有用信息的技术问题。

本实用新型是通过以下技术方案实现的：一种基于深度学习的自动声检测的飙车行为自动识别装置，包括控制单元，所述控制单元分别与用于机动车飙车噪声识别及抓拍的自动声检测单元、用于机动车超速识别与抓拍的超速检测单元、用于发布监控信息的监控单元和用于存储信息的存储单元信号连接，所述自动声检测单元分别与用于音频信息捕捉识别的噪音检测单元和用于抓怕机动车车牌信息的第一抓拍单元信号连接，所述超速检测单元分别与用于超速检测的测速单元和用于捕获高速运动目标信息的第二抓拍单元信号连接。

进一步，所述第一抓拍单元抓拍对象具体为所述噪音识别单元捕捉对象。

进一步，，所述第二抓拍单元抓拍对象具体为测速模块检测对象。

本实用新型相比现有技术具有以下优点：本实用新型提供一种基于深度学习的自动声检测的飙车行为自动识别装置，是一种基于噪声检测、超速检测、人脸识别、车牌识别技术为核心的机动车飙车行为实时检测和识别一体化装置，该装置融合飙车车辆噪声特征和超速行为识别、视频图像智能分析和快速检索技术，将图像与事件描述之间建立一种映射关系，使计算机从纷繁的视频图像中快速分辩、识别出飙车目标的发动机噪声及其驾驶人人脸特征、车牌特征、超速等。识别精度高、识别结果清晰可辨、识别智能化程度、识别效率高，并为公共安全、交通安全、社会面智能监控提供高技术含量的核心数据，为管理部门辅助决策，提供高可靠性数据支撑。

附图说明

图1是本实用新型一种基于深度学习的自动声检测的飙车行为自动识别装置的原理框图。

图中：1、控制单元；2、自动声检测单元；3、超速检测单元；4、监控单元；5、存储单元；6、噪音检测单元；7、第一抓拍单元；8、测速单元；9、第二抓拍单元。

具体实施方式

下面将结合本实用新型实施例中的附图，对本实用新型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实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，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，都属于本实用新型保护的范围。

请参阅图1，本实用新型提供的一种实施例：一种基于深度学习的自动声检测的飙车行为自动识别装置，包括控制单元1，控制单元1分别与用于机动车飙车噪声识别及抓拍的自动声检测单元2、用于机动车超速识别与抓拍的超速检测单元3、用于发布监控信息的监控单元4和用于存储信息的存储单元5信号连接，自动声检测单元2分别与用于音频信息捕捉识别的噪音检测单元6和用于抓拍机动车车牌信息的第一抓拍单元7信号连接，超速检测单元3分别与用于超速检测的测速单元8和用于捕获高速运动目标信息的第二抓拍单元9信号连接；

第一抓拍单元7抓拍对象具体为噪音识别单元捕捉对象；

第二抓拍单元9抓拍对象具体为测速模块检测对象；

设备的运行步骤包括：

步骤1：检测并锁定大噪声机动车目标，同时对锁定的目标进行车牌信息进行捕获；

步骤2：机动车超速行为检测及锁定，并捕获高速运动目标的视频与图像，具体包括车牌信息、人脸信息、车辆信息等；

步骤3：对比步骤1和步骤2所捕获的信息，当步骤1和步骤2所获取的车牌信息一致时判定为飙车行为，当步骤1和步骤2所获取的信息不一致时，判定为非飙车行为；

步骤4：将步骤3中判定为飙车行为时所获取的车辆及车辆驾驶员的详细信息发送给公安、交通等管理部门；

步骤5：将步骤1和步骤2所获取的信息进行存储。

工作原理，噪音检测单元6可对监测区域内的大噪音进行捕捉并将捕捉的信息反馈给自动声检测单元2，自动声检测单元2采用基于循环神经网络回归模型和多普勒效应分析的飙车车辆噪声自动识别方式对信息进行综合分析与识别，所谓多普勒效应就是当发射源与接收体之间存在相对运动时，接收体接收的发射源发射信息的频率与发射源发射信息频率不相同，这种现象称为多普勒效应，接收频率与发射频率之差称为多普勒频移。声音的传播也存在多普勒效应，当声源与接收体之间有相对运动时，接收体接收的声波频率f'与声源频率f存在多普勒频移Δf(doppler shift)即Δf＝f'-f

当接收体与声源相互靠近时，接收频率f'大于发射频率f即：Δf>0

当接收体与声源相互远离时，接收频率f'小于发射频率即：Δf<0

可以证明若接收体与声源相互靠近或相互远离的速度为v，声速为c，则接收体接收声波的多普勒频率为：f'＝f·(c+-v1)/(c-+v2)

对实时捕获的数据，进行特征提取并降维，识别不同声音样本分类，并设计相应循环神经网络回归模型。

实现流程包含以下几个部分：

读取样本模块：读取声音采样数据，并按照分帧要求进行预处理；

特征提取和回归模块：将数据输入到循环神经网络回归得到具体的多普勒效应系数。

回归及其评价模块：在训练集上根据多普勒效应系数对样本预测的结果做损失分析进行训练，在测试集上利用预估出来的多普勒效应系数进行飚车还是未飚车的判断分类，采用本算法可稳定的实时采集声音数据并进行自动声识别处理，准确率高于95％，当判定机动车辆为飙车状态时，第一抓拍单元7启动抓拍噪音检测单元6锁定激动车辆的车牌信息，并将抓拍的信息反馈给自动声检测单元2，自动声检测单元2将处理分析后的信息反馈给控制单元1，与此同时，测速单元8检测监测区域过往机动车的车速，对超速行驶的机动车进行锁定并测速，同时启动第二抓拍单元9对超速机动车的车牌、驾驶室图像等信息进行采集，超速检测单元3接受来自测速单元8和第二抓拍单元9的信息并进行综合分析及处理并反馈给控制单元1，控制单元1对分别来自自动声检测单元2和超速检测单元3的信息进行分析和对比，当第一抓拍单元7所获取的车牌信息与第二抓拍单元9所获取的车牌信息一致时，判定该机动车处于飙车状态，并对第二抓拍单元9所获取的影像资料进行分析，获取驾驶人员的面部信息，进行人脸识别，并将分析后所得到的信息反馈给监控单元4和存储单元5，监控单元4可及时将监测的信息发送给交通监管部门，发送的信息包括识别时间、区域、地点、超速、噪音等重要信息，以便于对飙车对象进行布控，当第一抓拍单元7所获取的车牌信息与第二抓拍单元9所获取的车牌信息不一致时，判定该机动车处于非飙车状态，系统循环运行，存储单元5可有效地对系统产生的信息进行存储。

Claims (3)

1.一种基于深度学习的自动声检测的飙车行为自动识别装置，包括控制单元，其特征在于，所述控制单元分别与用于机动车飙车噪声识别及抓拍的自动声检测单元、用于机动车超速识别与抓拍的超速检测单元、用于发布监控信息的监控单元和用于存储信息的存储单元信号连接，所述自动声检测单元分别与用于音频信息捕捉识别的噪音检测单元和用于抓怕机动车车牌信息的第一抓拍单元信号连接，所述超速检测单元分别与用于超速检测的测速单元和用于捕获高速运动目标信息的第二抓拍单元信号连接。

2.根据权利要求1所述的一种基于深度学习的自动声检测的飙车行为自动识别装置，其特征在于，所述第一抓拍单元抓拍对象具体为所述噪音识别单元捕捉对象。

3.根据权利要求1所述的一种基于深度学习的自动声检测的飙车行为自动识别装置，其特征在于，所述第二抓拍单元抓拍对象具体为测速模块检测对象。