CN208969813U - 一种孩童遗留车内报警系统 - Google Patents
一种孩童遗留车内报警系统 Download PDFInfo
- Publication number
- CN208969813U CN208969813U CN201821879649.5U CN201821879649U CN208969813U CN 208969813 U CN208969813 U CN 208969813U CN 201821879649 U CN201821879649 U CN 201821879649U CN 208969813 U CN208969813 U CN 208969813U
- Authority
- CN
- China
- Prior art keywords
- child
- leaves
- interior
- car
- connect
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本实用新型公开一种孩童遗留车内报警系统,包括:车内孩童检测主机,分别与所述车内孩童检测主机连接的熄火车门检测装置、孩童遗留报警装置、孩童危险分级装置、危险情况处理装置。本实用新型通过车内孩童检测主机检测是否有孩童遗留在车内,若检测到车内有孩童遗留,则启动孩童遗留报警装置和孩童危险分级装置,孩童遗留报警装置给车主和后台监管人员发送孩童遗留车内的信息,孩童危险分级装置获取车内的环境状况并对车内环境进行危险分级,当车内的环境已经影响到车内遗留的孩童的生命安全时,危险情况处理装置将开启前后玻璃并解锁车辆,以便解救车内遗留的孩童。
Description
技术领域
本实用新型涉及车载报警系统,尤其涉及一种孩童遗留车内报警系统。
背景技术
目前私家车保有量不断上涨,不少家长带小孩出行时由于安全意识淡薄,为贪图方便将小孩单独留在车内,自己下车锁车后由于事情耽搁或遗忘,造成小孩独自长时间遗留在密闭的车里,导致缺氧或高温闷死,特别是在夏季,炎热的天气汽车熄火关闭空调后,车内温度能在短瞬间升高,造成孩童被热死、闷死,此类事件屡见不鲜。
另外现在幼儿园、小学上学因距离家远,不少家长因上班时间与小孩上学时间冲突,选择让小孩坐校车往返家和学校,由于有些小孩上学离家远,起床时间早导致睡眠时间不足,另小孩处于成长期,容易在车上睡着。加之随车老师、校车驾驶员责任心、安全意识等容易造成将小孩遗留车内,一年内造成多起小孩遗留校车内死亡的事件,对家庭、社会造成巨大的伤害。
因此,现有技术存在缺陷,需要改进。
实用新型内容
本实用新型要解决的技术问题是:提供一种孩童遗留车内报警系统,避免出现孩童遗留车内对家庭和社会造成的悲剧。
本实用新型的技术方案如下:提供一种孩童遗留车内报警系统,包括:车内孩童检测主机,分别与所述车内孩童检测主机连接的熄火车门检测装置、孩童遗留报警装置;所述车内孩童检测主机包括:控制模块,分别与所述控制模块连接的广角摄像头、声音传感器、红外传感器;所述熄火车门检测装置包括:点烟器电路输出端口、与所述点烟器电路输出端口连接的电源转换电路、与所述电源转换电路连接可充电电池、与所述控制模块连接的车门关闭传感器;所述孩童遗留报警装置包括:与所述控制模块连接的无线通讯模块、与所述无线通讯模块连接的云服务器、与所述云服务器连接的车主的智能终端。所述车内孩童检测主机用于检测车内是否有遗留孩童,所述广角摄像头用于获取车内的影像,并将影像发送给控制模块分析是否有孩童遗留,所述声音传感器、红外传感器用于进一步确认车内是否有孩童遗留,避免控制模块误判。所述熄火车门检测装置用于检测汽车主电源是否关闭、车门是否关闭,当汽车主电源关闭、车门关闭后,点烟器电路输出端口将断电,电源转换电路将切换电源,可充电电池给孩童遗留车内报警系统供电。所述孩童遗留报警装置用于给车主的智能终端和云服务器发送警告信息,通知车主和云服务器后台监管人员采取相应措施。
进一步地,所述孩童遗留车内报警系统,还包括:分别与所述车内孩童检测主机连接的孩童危险分级装置、危险情况处理装置,与所述控制模块连接的TF卡接口;孩童危险分级装置包括:分别与所述控制模块连接的温度检测模块、氧气检测模块;所述危险情况处理装置包括:与所述控制模块连接的CAN控制器模块,所述CAN控制器模块与车载电脑连接。所述温度检测模块用于检测车内的温度,所述氧气检测模块用于检测车内氧气浓度,通过检测车内的温度和车内氧气的浓度来对车内遗留孩童的危险进行分级。当危险等级对车内遗留孩童比较危急时,控制模块通过CAN控制模块与车载电脑连接,车载电脑控制车辆前后玻璃开启并解锁车辆,从而解救车内遗留的孩童。
进一步地,所述熄火车门检测装置还包括:与所述点烟器电路输出端口连接的充电管理电路、与所述可充电电池连接的升压电路,所述充电管理电路与所述可充电电池连接。汽车主电源开启,汽车主电源会给点烟器电路输出端口供电,点烟器电路输出端口可通过所述充电管理电路给可充电电池充电。所述升压电路用于给可充电电池输出的电压升压,以满足不同电子元器件的供电需求。
进一步地,所述控制模块为R16芯片,所述CAN控制器模块为MCP2510。
进一步地,所述无线通讯模块为Wi-Fi模块或4G通讯模块或NB-IoT通讯模块。
进一步地,所述无线通讯模块为4G通讯模块。
进一步地,所述广角摄像头为可旋转摄像头,可获取车内的全部影像。
进一步地,所述广角摄像头、声音传感器、红外传感器均安装在车内顶部中间区域。
采用前述的孩童遗留车内报警装置的报警方法,包括以下步骤:
S1:熄火车门检测装置检测车门是否关闭,若检测到车门关闭,进入步骤S2,若没有检测到发动机熄火和车门关闭,熄火车门检测装置继续检测。
S2:车内孩童检测主机中的广角摄像头拍摄车内影像,并将拍摄的影像发送给控制模块,控制模块采用基于多任务卷积神经网络识别算法识别孩童的特征并实时捕捉移动目标检测是否有孩童遗留,若识别为有孩童遗留,则进入步骤S3;识别孩童的特征包括人脸识别、人体躯干及四肢识别。
S3:声音传感器采集车内声音数据、红外传感器采集车内红外数据并发送给控制模块分析,识别是否有孩童遗留,若识别到有孩童遗留,进入步骤S4。
S4:控制模块通过孩童遗留报警装置持续发出报警信息给后台和车主,启动孩童危险分级装置、危险情况处理装置。
S5:孩童危险分级装置对车内遗留孩童的危险进行分级,当危险等级对车内遗留孩童比较危急时,控制模块通过危险情况处理装置与车载电脑连接,车载电脑控制车辆前后玻璃开启并解锁车辆,解救车内遗留孩童。
进一步地,在步骤S2中,对于人脸识别,所述基于多任务卷积神经网络识别算法包括:模型训练阶段和检测阶段。
所述模型训练阶段包括如下步骤:
Q11:输入原始图像,从数据库中选取人脸数据作为样本图像,所述数据库包括数据集LFW和自己采集的数据,共100000副图片。
Q12:标注样本图像:对收集到的人脸数据进行标注,标注的信息包括人脸信息、人脸姿态信息以及人脸其他特征信息,人脸其它特征信息包括左眼、右眼、左嘴角、右嘴角以及鼻子的信息。
每张图像包括第一标注、第二标注以及第三标注,所述第一标注代表人脸信息,其用“a0”或“a1”表示,“a0”代表图像不包含人脸信息,“a1”代表图像包含人脸信息;所述第二标注代表人脸姿态信息,其用“B”、“b0”、“b1”、“b2”、“b3”或“b4”表示,其中“B”代表无人脸姿态信息,“b0”代表正面,“b1”代表左侧,“b2”代表右侧、“b3”代表角度大于15°朝下侧,“b4”代表角度大于15°朝上侧;所述第三标注代表人脸其他特征信息,其用大写“C”、或小写“c”与位于小写“c”后的五个数字表示,大写“C”表示无其他人脸特征信息,小写“c”后的第一个数字包括“0”、“1”、“2”、“3”、“4”,“0”代表右眼,“1”代表左眼,“2”代表鼻子,“3”代表右嘴角,“4”代表左嘴角,小写“c”后的第二个数字至第三个数字代表在图像X轴的坐标位置,小写“c”后的第四个数字至第五个数字代表在图像Y轴的坐标位置。例如标注为a1b2c10203。
Q13:MTDCNN训练:采用多任务卷积神经网络对图像进行训练,获取多任务深度学习人脸检测模型。
Q14:损失函数计算:分别计算人脸检测损失函数、人脸姿态损失函数、人脸其他特征点损失函数以及模型总的损失函数。
进一步地,所述检测阶段包括如下步骤:
Q21:输入原始图像:将广角摄像头采集的图像作为检测阶段的检测图像。
Q22:人脸特征提取:运用多任务深度学习人脸检测模型提取人脸特征,包括提取人脸信息、人脸姿态信息以及人脸其他特征信息,并将提取到的信息输入。
Q23:输出人体特征、捕获:采用canny边缘检测算法提取人脸特征的边缘特征并输出特征,根据提取的人体特征点反馈给控制模块控制广角摄像头摆动,聚焦移动目标。
进一步地,在步骤S2中,对于人体躯干及四肢识别,包括以下步骤:
Q31:根据前述人脸识别的人脸朝向提取人脸边界及人体头像的像素灰度范围,从而确定整个人体的像素灰度范围;根据识别到的人脸朝向估算出人体所在的位置区域。
Q32:在人体所在的位置区域内,根据整个人体的像素灰度范围,确定人体的位置,分离人体头像、躯干、四肢的边界区域。
Q33:分离的人体头像、躯干、四肢的边界区域的比例是否落入人体正常的比例范围,如落入,即视为识别到人。
进一步地,在步骤S2中,还包括控制模块先对采集的图像进行预处理,所述预处理包括图像去噪和图像增强;图像进行预处理后,控制模块再采用基于多任务卷积神经网络识别算法识别孩童特征并实时捕捉移动目标检测是否有孩童遗。
进一步地,多任务卷积神经网络包括:第一至第三卷积层、第一池化层、第二池化层、第一ReLU层、第二ReLU层、第一至第八全连接层、第一至第三dropout层以及损失层,第一卷积层后面为第一池化层,第一池化层后面为第二卷积层,第二卷积层后面为第三卷积层,第三卷积层后面为第二池化层,第二池化层后面为第一全连接层,然后网络分出三个分支;第一分支用来进行人脸检测,其包括第二全连接层以及位于第二全连接层后的第三全连接层,来自第一全连接层的输出送入第二全连接层,然后再送入第三全连接层,最后送入到softmax函数;第二分支用来进行人脸姿态检测,其包括第四全连接层以及位于第四全连接层后的第五全连接层,来自第一全连接层的输出送入第四全连接层,然后再送入第五全连接层,最后送入到softmax函数;第三分支用来进行其他特征点检测,其包括第六全连接层、位于第六全连接层后面的第七全连接层以及位于第七全连接层后的第八全连接层,来自第一全连接层的输出依次送入第六全连接层、第七全连接层、第八全连接层,最后送入到带权重的均方误差函数;所述第一ReLU层位于第一卷积层后面,第二ReLU层位于第二卷积层后面。
进一步地,第一层卷积网络卷积核大小为5X5,卷积层数为32,第一池化层大小为2X2;第二层卷积网络卷积核大小为3X3,卷积层数为32,第三层卷积网络卷积核大小为3X3,卷积层数为24,第三池化层大小为2X2,第一全连接层包含512个神经元,第二全连接层包括128个神经元,第三全连接层包括2个神经元,第四全连接层包括128个神经元,第五全连接层包括5个神经元,第六全连接层包括256个神经元,第七全连接层包括196个神经元,第八全连接层包括14个神经元。
所述人脸损失函数公式如下:
所述人脸朝向损失函数公式如下:
所述人脸其他特征点损失函数公式如下:
所述模型总的损失函数公式如下:
采用上述方案,本实用新型提供一种孩童遗留车内报警系统,通过车内孩童检测主机检测是否有孩童遗留在车内,若检测到车内有孩童遗留,则启动孩童遗留报警装置和孩童危险分级装置,孩童遗留报警装置给车主和后台监管人员发送孩童遗留车内的信息,孩童危险分级装置获取车内的环境状况并对车内环境进行危险分级,当车内的环境已经影响到车内遗留的孩童的生命安全时,危险情况处理装置将开启前后玻璃并解锁车辆,以便解救车内遗留的孩童,避免出现孩童遗留车内对家庭和社会造成的悲剧。
附图说明
图1为本实用新型的功能模块图;
图2为本实用新型的点烟器电路输出端口的电路原理图;
图3为本实用新型的电源切换电路的电路原理图;
图4为本实用新型的充电管理电路的电路原理图;
图5为本实用新型的升压电路的电路原理图;
图6为本实用新型的温度检测模块的电路原理图;
图7为本实用新型的氧气检测模块的电路原理图;
图8为本实用新型的CAN控制器模块的电路原理图;
图9为本实用新型的TF卡接口的电路原理图;
图10为本实用新型的广角摄像头在车内的结构示意图;
图11为本实用新型的方法的流程图;
图12为本实用新型的基于多任务深度卷积网络识别算法对人脸识别的模拟训练阶段的流程图;
图13为本实用新型的基于多任务深度卷积网络识别算法对人脸识别的检测阶段的流程图;
图14为本实用新型的基于多任务深度卷积网络识别算法对人体躯干及四肢识别的流程图;
图15为本实用新型的多任务卷积神经网络的结构示意图。
具体实施方式
以下结合附图和具体实施例,对本实用新型进行详细说明。
请参阅图1、图2、图3和图10,本实用新型提供一种孩童遗留车内报警系统,包括:车内孩童检测主机10,分别与所述车内孩童检测主机10连接的熄火车门检测装置30、孩童遗留报警装置50;所述车内孩童检测主机10包括:控制模块11,分别与所述控制模块11连接的广角摄像头12、声音传感器13、红外传感器14;所述熄火车门检测装置30包括:点烟器电路输出端口31、与所述点烟器电路输出端口31连接的电源转换电路32、与所述电源转换电路32连接可充电电池33、与所述控制模块连接的车门关闭传感器36;所述孩童遗留报警装置50包括:与所述控制模块11连接的无线通讯模块51、与所述无线通讯模块51连接的云服务器52、与所述云服务器52连接的车主的智能终端53。所述车内孩童检测主机10用于检测车内是否有遗留孩童,所述广角摄像头12用于获取车内的影像,并将影像发送给控制模块11分析是否有孩童遗留,所述声音传感器13、红外传感器14用于进一步确认车内是否有孩童遗留,避免控制模块11误判。所述熄火车门检测装置30用于检测汽车主电源是否关闭、车门是否关闭,当汽车主电源关闭、车门关闭后,点烟器电路输出端口31将断电,电源转换电路32将切换电源,可充电电池33给孩童遗留车内报警系统供电。所述孩童遗留报警装置50用于给车主的智能终端53和云服务器52发送警告信息,通知车主和云服务器52后台监管人员采取相应措施。
请参阅图1、图6-图9,所述孩童遗留车内报警系统,还包括:分别与所述车内孩童检测主机10连接的孩童危险分级装置70、危险情况处理装置90,与所述控制模块连接的TF卡接口21;孩童危险分级装置70包括:分别与所述控制模块11连接的温度检测模块71、氧气检测模块72;所述危险情况处理装置90包括:与所述控制模块11连接的CAN控制器模块91,所述CAN控制器模块91与车载电脑连接。所述温度检测模块71用于检测车内的温度,所述氧气检测模块72用于检测车内氧气浓度,通过检测车内的温度和车内氧气的浓度来对车内遗留孩童的危险进行分级。当危险等级对车内遗留孩童比较危急时,控制模块11通过CAN控制模块91与车载电脑连接,车载电脑控制车辆前后玻璃开启并解锁车辆,从而解救车内遗留的孩童。
请参阅图1、图4和图5,所述熄火车门检测装置30还包括:与所述点烟器电路输出端口31连接的充电管理电路34、与所述可充电电池33连接的升压电路35,所述充电管理电路34与所述可充电电池33连接。汽车主电源开启后,汽车主电源会给点烟器电路输出端口31供电,点烟器电路输出端口31可通过所述充电管理电路34给可充电电池33充电。所述升压电路35用于给可充电电池33输出的电压升压,以满足不同电子元器件的供电需求。
在本实施例中,所述控制模块11为R16芯片,所述CAN控制器模块91为MCP2510。所述无线通讯模块51为4G通讯模块。
请参阅图10,在本实施例中,所述广角摄像头12为可旋转摄像头,可获取车内的全部影像。所述广角摄像头12、声音传感器13、红外传感器14均安装在车内顶部中间区域。
请参阅图11,采用前述的孩童遗留车内报警装置的报警方法,包括以下步骤:
S1:熄火车门检测装置检测车门是否关闭,若检测到车门关闭,进入步骤S2,若没有检测到发动机熄火和车门关闭,熄火车门检测装置继续检测。
S2:车内孩童检测主机中的广角摄像头12拍摄车内影像,并将拍摄的影像发送给控制模块11,控制模块11采用基于多任务卷积神经网络识别算法识别孩童的特征并实时捕捉移动目标检测是否有孩童遗留,若识别为有孩童遗留,则进入步骤S3;识别孩童的特征包括人脸识别、人体躯干及四肢识别。
S3:声音传感器采集车内声音数据、红外传感器采集车内红外数据并发送给控制模块11分析,识别是否有孩童遗留,若识别到有孩童遗留,进入步骤S4。
S4:控制模块11通过孩童遗留报警装置持续发出报警信息给后台和车主,启动孩童危险分级装置、危险情况处理装置。
S5:孩童危险分级装置对车内遗留孩童的危险进行分级,当危险等级对车内遗留孩童比较危急时,控制模块11通过危险情况处理装置与车载电脑连接,车载电脑控制车辆前后玻璃开启并解锁车辆,解救车内遗留孩童。
请参阅图12,在步骤S2中,对于人脸识别,所述基于多任务卷积神经网络识别算法包括:模型训练阶段和检测阶段。
所述模型训练阶段包括如下步骤:
Q11:输入原始图像,从数据库中选取人脸数据作为样本图像。
Q12:标注样本图像:对收集到的人脸数据进行标注,标注的信息包括人脸信息、人脸姿态信息以及人脸其他特征信息,人脸其它特征信息包括左眼、右眼、左嘴角、右嘴角以及鼻子的信息。
每张图像包括第一标注、第二标注以及第三标注,所述第一标注代表人脸信息,其用“a0”或“a1”表示,“a0”代表图像不包含人脸信息,“a1”代表图像包含人脸信息;所述第二标注代表人脸姿态信息,其用“B”、“b0”、“b1”、“b2”、“b3”或“b4”表示,其中“B”代表无人脸姿态信息,“b0”代表正面,“b1”代表左侧,“b2”代表右侧、“b3”代表角度大于15°朝下侧,“b4”代表角度大于15°朝上侧;所述第三标注代表人脸其他特征信息,其用大写“C”、或小写“c”与位于小写“c”后的五个数字表示,大写“C”表示无其他人脸特征信息,小写“c”后的第一个数字包括“0”、“1”、“2”、“3”、“4”,“0”代表右眼,“1”代表左眼,“2”代表鼻子,“3”代表右嘴角,“4”代表左嘴角,小写“c”后的第二个数字至第三个数字代表在图像X轴的坐标位置,小写“c”后的第四个数字至第五个数字代表在图像Y轴的坐标位置。
Q13:MTDCNN训练:采用多任务卷积神经网络对图像进行训练,获取多任务深度学习人脸检测模型。
请参阅图15,所述多任务卷积神经网络包括:第一至第三卷积层102-104、第一池化层、第二池化层、第一至第八全连接层105-112、第一至第三dropout层、损失层。
101为输入的图像,第一卷积层102卷积核大小为5X5,卷积层数为32,其后面为第一池化层,第一池化层大小为2X2;第一池化层后面为第二卷积层103,第二卷积层3卷积核大小为3X3,卷积层数为32;第二卷积层3后面为第三卷积层104,第三卷积层104卷积核大小为3X3,卷积层数为24,其后面为第二池化层,第二池化层大小为2X2;
所述多任务卷积神经网络还包括第一ReLU层以及第二ReLU层,第一ReLU层位于第一卷积层102后面,第二ReLU层位于第二卷积层3后面,第一ReLU层以及第二ReLU层作为激活函数以加快网络收敛,第三卷积层104后不加ReLU层以保留重要的特征信息。
第二池化层后面为第一全连接层105,其包含512个神经元,然后网络分出三个分支。
第一分支用来进行人脸检测,其包括第二全连接层106以及位于第二全连接层106后的第三全连接层107,第二全连接层106包括128个神经元,第三全连接层107包括2个神经元,来自第一全连接层105的输出送入第二全连接层106,然后再送入第三全连接层107,最后送入到softmax函数。结果为“1”代表包含人脸信息,结果为“0”代表不包含人脸信息。第二全连接层6后设有第一dropout层。
第二分支用来进行人脸姿态检测,其包括第四全连接层108以及位于第四全连接层108后的第五全连接层109,第四全连接层108包括128个神经元,第五全连接层109包括5个神经元,来自第一全连接层105的输出送入第四全连接层108,然后再送入第五全连接层109,最后送入到softmax函数。结果为“0”代表正面、“1”代表左侧、“2”代表右侧、“3”代表大于15°朝下侧、或“4”代表大于15°朝上侧。第四全连接层8后设有第二dropout层。
第三分支用来进行其他特征点检测,其包括第六全连接层110、位于第六全连接层110后面的第七全连接层111以及位于第七全连接层111后的第八全连接层112,第六全连接层10包括256个神经元,第七全连接层11包括196个神经元,第八全连接层112包括14个神经元,来自第一全连接层105的输出依次送入第六全连接层110、第七全连接层111、第八全连接层112,最后送入到带权重的均方误差函数,结果为“0”右眼、“1”左眼、“2”鼻子、“3”右嘴角或“4”左嘴角在图像中的坐标位置。第六全连接层110后设有第三dropout层,第七全连接层111后设有损失层。
Q14:损失函数计算:分别计算人脸检测损失函数、人脸姿态损失函数、人脸其他特征点损失函数以及模型总的损失函数。
所述人脸损失函数公式如下:
其中,yi代表为第一分支中softmax函数输出的结果,代表是人脸或非人脸的概率。当检测结果为人脸时,t1=1,t2=0;当检测结果非人脸时,t1=0,t2=1。
所述人脸朝向损失函数公式如下:
其中,yi代表为第二分支中softmax函数输出的结果,代表人脸朝向的概率。当人脸朝向为正面时,t1=1,若非正面,t1=0。当人脸朝向为左侧时,t2=1,若非左侧,t2=0。当人脸朝向为右侧时,t3=1,若非右侧,t3=0。当人脸朝向为大于15°朝下侧面时,t4=1,若否,则t4=0。当人脸朝向为大于15°朝上侧面时,t5=1,若否,则t5=0。举例说明,当人脸朝向为正面时,ti值为(1,0,0,0,0),当人脸朝向为左侧时,ti值为(0,1,0,0,0),当人脸朝向为正面且大于15°朝下侧面时,ti值为(1,0,0,1,0)。
所述人脸其他特征点损失函数公式如下:
其中,yi代表第三分支中带权重的均方误差函数的输出结果。W代表对应人脸特征点的权重值,z代表输入图像的位置,n取10,每个人脸特征的坐标包含x和y两个值。
由于本实用新型使用的是多任务深度学习,而输入的图像可能只包含某个检测信息,如图像中只有一部分人脸信息,而人脸其他特征不全,为了不影响模型训练收敛,将所有任务综合训练,并设置不同的权重,模型总的损失函数公式如下:
ai代表不同任务的权重值,所有任务的权重值之和等于1;任务越重要ai值越大,L代表上述的L1、L2或L3。
请参阅图13,所述检测阶段包括如下步骤:
Q21:输入原始图像:将广角摄像头12采集的图像作为检测阶段的检测图像。
Q22:人脸特征提取:运用多任务深度学习人脸检测模型提取人脸特征,包括提取人脸信息、人脸姿态信息以及人脸其他特征信息,并将提取到的信息输入。
Q23:输出人体特征、捕获:采用canny边缘检测算法提取人脸特征的边缘特征并输出特征,根据提取的人体特征点反馈给控制模块11控制广角摄像头12摆动,聚焦移动目标。
请参阅图14,对于人体躯干及四肢识别,包括以下步骤:
Q31:根据前述人脸识别的人脸朝向提取人脸边界及人体头像的像素灰度范围,从而确定整个人体的像素灰度范围;根据识别到的人脸朝向估算出人体所在的位置区域。
Q32:在人体所在的位置区域内,根据整个人体的像素灰度范围,确定人体的位置,分离人体头像、躯干、四肢的边界区域。
Q33:分离的人体头像、躯干、四肢的边界区域的比例是否落入人体正常的比例范围,如落入,即视为识别到人。
在步骤S2中,还包括控制模块11先对采集的图像进行预处理,所述预处理包括图像去噪和图像增强;图像进行预处理后,控制模块11再采用基于多任务卷积神经网络识别算法识别孩童特征并实时捕捉移动目标检测是否有孩童遗。
综上所述,本实用新型提供一种孩童遗留车内报警系统,通过车内孩童检测主机检测是否有孩童遗留在车内,若检测到车内有孩童遗留,则启动孩童遗留报警装置和孩童危险分级装置,孩童遗留报警装置给车主和后台监管人员发送孩童遗留车内的信息,孩童危险分级装置获取车内的环境状况并对车内环境进行危险分级,当车内的环境已经影响到车内遗留的孩童的生命安全时,危险情况处理装置将开启前后玻璃并解锁车辆,以便解救车内遗留的孩童,避免出现孩童遗留车内对家庭和社会造成的悲剧。本
以上仅为本实用新型的较佳实施例而已,并不用于限制本实用新型,凡在本实用新型的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本实用新型的保护范围之内。
Claims (4)
1.一种孩童遗留车内报警系统,其特征在于,包括:车内孩童检测主机,分别与所述车内孩童检测主机连接的熄火车门检测装置、孩童遗留报警装置;所述车内孩童检测主机包括:控制模块,分别与所述控制模块连接的广角摄像头、声音传感器、红外传感器;所述熄火车门检测装置包括:点烟器电路输出端口、与所述点烟器电路输出端口连接的电源转换电路、与所述电源转换电路连接可充电电池、与所述控制模块连接的车门关闭传感器;所述孩童遗留报警装置包括:与所述控制模块连接的无线通讯模块、与所述无线通讯模块连接的云服务器、与所述云服务器连接的车主的智能终端。
2.根据权利要求1所述的一种孩童遗留车内报警系统,其特征在于,还包括:分别与所述车内孩童检测主机连接的孩童危险分级装置、危险情况处理装置,与所述控制模块连接的TF卡接口;孩童危险分级装置包括:分别与所述控制模块连接的温度检测模块、氧气检测模块;所述危险情况处理装置包括:与所述控制模块连接的CAN控制器模块,所述CAN控制器模块与车载电脑连接。
3.根据权利要求2所述的一种孩童遗留车内报警系统,其特征在于,所述熄火车门检测装置还包括:与所述点烟器电路输出端口连接的充电管理电路、与所述可充电电池连接的升压电路,所述可充电管理电路与所述可充电电池连接。
4.根据权利要求3所述的一种孩童遗留车内报警系统,其特征在于,所述控制模块为R16芯片,所述CAN控制器模块为MCP2510;
所述无线通讯模块为Wi-Fi模块或4G通讯模块或NB-IoT通讯模块;
所述广角摄像头、声音传感器、红外传感器均安装在车内顶部中间区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201821879649.5U CN208969813U (zh) | 2018-11-14 | 2018-11-14 | 一种孩童遗留车内报警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201821879649.5U CN208969813U (zh) | 2018-11-14 | 2018-11-14 | 一种孩童遗留车内报警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN208969813U true CN208969813U (zh) | 2019-06-11 |
Family
ID=66765414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201821879649.5U Active CN208969813U (zh) | 2018-11-14 | 2018-11-14 | 一种孩童遗留车内报警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN208969813U (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345770A (zh) * | 2018-11-14 | 2019-02-15 | 深圳市尼欧科技有限公司 | 一种孩童遗留车内报警系统及孩童遗留车内报警方法 |
CN110866451A (zh) * | 2019-10-22 | 2020-03-06 | 中国第一汽车股份有限公司 | 一种车内生命体检测方法、装置、系统以及存储介质 |
CN112426641A (zh) * | 2020-12-11 | 2021-03-02 | 成都天空燃控科技股份有限公司 | 一种生命舱应急逃生控制系统 |
CN116135614A (zh) * | 2023-03-28 | 2023-05-19 | 重庆长安汽车股份有限公司 | 车内滞留人员保护方法、装置及车辆 |
-
2018
- 2018-11-14 CN CN201821879649.5U patent/CN208969813U/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345770A (zh) * | 2018-11-14 | 2019-02-15 | 深圳市尼欧科技有限公司 | 一种孩童遗留车内报警系统及孩童遗留车内报警方法 |
CN110866451A (zh) * | 2019-10-22 | 2020-03-06 | 中国第一汽车股份有限公司 | 一种车内生命体检测方法、装置、系统以及存储介质 |
CN112426641A (zh) * | 2020-12-11 | 2021-03-02 | 成都天空燃控科技股份有限公司 | 一种生命舱应急逃生控制系统 |
CN116135614A (zh) * | 2023-03-28 | 2023-05-19 | 重庆长安汽车股份有限公司 | 车内滞留人员保护方法、装置及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345770A (zh) | 一种孩童遗留车内报警系统及孩童遗留车内报警方法 | |
CN208969813U (zh) | 一种孩童遗留车内报警系统 | |
CN106611169B (zh) | 一种基于深度学习的危险驾驶行为实时检测方法 | |
CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
CN108351967A (zh) | 一种多人脸检测方法、装置、服务器、系统及存储介质 | |
CN106295568A (zh) | 基于表情和行为双模态结合的人类自然状态情感识别方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN107995982B (zh) | 一种目标识别方法、装置和智能终端 | |
Qing et al. | A perclos-based driver fatigue recognition application for smart vehicle space | |
CN202257856U (zh) | 驾驶员疲劳驾驶监控装置 | |
CN108609019A (zh) | 一种基于人工智能平台的电动车自动驾驶方法 | |
CN109284698A (zh) | 一种基于图像识别技术的疲劳驾驶行为检测方法 | |
CN105868690A (zh) | 识别驾驶员打手机行为的方法和装置 | |
CN111401188B (zh) | 一种基于人体关键点特征的交警手势识别方法 | |
CN106096504A (zh) | 一种基于无人机机载平台的车型识别方法 | |
CN108960145A (zh) | 人脸图像检测方法、装置、存储介质和电子设备 | |
CN104134364A (zh) | 具有自我学习能力的实时交通信号识别方法及系统 | |
CN103500342A (zh) | 一种基于加速度计的人体行为识别方法 | |
CN106295474A (zh) | 船舶驾驶员的疲劳检测方法、系统和服务器 | |
CN108108651B (zh) | 基于视频人脸分析的驾驶员非专心驾驶检测方法及系统 | |
WO2021098855A1 (zh) | 用户信息的检测方法及系统、电子设备 | |
CN111310844B (zh) | 车辆识别模型构建方法及装置、识别方法及装置 | |
CN105160285A (zh) | 基于立体视觉的自动人体跌倒识别方法及系统 | |
CN112052829B (zh) | 一种基于深度学习的飞行员行为监控方法 | |
CN106682638A (zh) | 一种定位机器人智能互动的系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230519 Address after: 2105, Weisheng Technology Building, No. 9966 Shennan Avenue, Maling Community, Yuehai Street, Nanshan District, Shenzhen, Guangdong Province, 518000 Patentee after: Shenzhen Xunbao Technology Co.,Ltd. Address before: 518000 Room 201, building F, Baoguan science and Technology Park, No. 168, East District, Zhangge village, Zhangge community, Fucheng street, Longhua District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN NIOU TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |