一种基于图像处理技术的地下无轨人车的下车预警安全管理系统

技术领域

本发明涉及数据采集技术领域，更具体地说，本发明涉及一种用于地下无轨人车的下车预警安全管理系统。

背景技术

目前地下无轨人车的下车预警安全管理系统是相对新兴的技术领域，因此可能存在技术成熟度不足的问题。系统的稳定性、准确性和可靠性方面仍然需要进一步的验证和改进，人车安全管理是一个重要的问题，因此对于下车预警系统的需求较大，然而，相对于其他行业，这个市场规模较小，地下无轨人车的下车预警安全管理系统需要处理大量的数据信息，包括车辆行驶状态、环境监测数据，由于地下环境的复杂性，数据处理的算法和模型设计较为困难，系统的实时性和稳定性容易受到影响。

本实施与现有技术相比，在地下无轨人车的下车预警安全管理系统中的信息采集模块、数据处理模块、安全指数计算模块、下车行为监测模块、安全隐患预警模块方面的区别主要体现在以下几个方面：

本实施通过优化的数据处理方法，系统能够从复杂的数据中提取有价值的信息，支持安全指数计算和安全隐患预警功能，基于收集到的数据信息，使用先进的算法和模型计算安全指数，该指数能够综合考虑各种因素，车辆行驶状态、环境风险，准确评估下车区域的安全性水平，对车辆和人员的下车行为进行实时监测和分析，通过识别行为模式和异常行为，系统可以提供实时的下车行为监测和预警。

发明内容

为了克服现有技术的上述缺陷，本发明实施例提供一种基于图像处理技术的地下无轨人车的下车预警安全管理系统，通过数据分析技术，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供下技术方案：一种基于图像处理技术的地下无轨人车的下车预警安全管理系统。

信息采集模块：用于采集车辆周围的图像数据、车辆运行状态和乘员的数据，包括摄像头单元、陀螺仪单元、GPS单元以及IMU单元；

数据处理模块：用于对信息采集模块采集的数据进行预处理，包括图像去噪单元、数据滤波单元、几何校正单元、图像增强单元、数据集成单元；

安全指数计算模块：用于实时分析和处理数据处理模块预处理后的数据，包括车辆运行稳定性指数计算单元、乘客历史行为指数计算单元、乘客基本信息系数计算单元、综合安全评估指数计算单元；

下车行为监测模块：用于监测乘客的下车行为，包括下车行为检测单元和行为识别单元；

安全隐患预警模块：用于根据综合安全评估指数判断和预警潜在的安全隐患，包括隐患识别单元和优化输出单元。

优选的，获取地下无轨人车系统中信息，所述信息采集模块具体包括：

摄像头单元：用于实时监测乘客的行为、车厢内的情况以及周围环境的异常情况；

陀螺仪单元：用于测量车厢的倾斜角度和旋转角度，获取车辆的姿态信息；

GPS单元：用于定位和导航，获取车厢的位置和速度信息；

IMU单元：获取车厢的姿态和加速度信息。

优选的，对从信息采集模块获取到的原始数据进行处理和优化，所述数据处理模块具体包括：

图像去噪单元：用于去除摄像头传感器采集的图像中的噪声；

数据滤波单元：对传感器数据进行滤波操作；

几何校正单元：用于对图像进行校正和矫正，处理图像中的畸变；

图像增强单元：用于对图像进行增强操作，例调整对比度、饱和度；

数据集成单元：对整合后的数据进行排序处理，整合后的数据具体包括：加速度r

优选的，根据所收集和处理的数据，计算地下无轨人车系统的综合安全评估指数，所述安全指数计算模块具体包括：

车辆运行稳定性指数计算单元：根据加速度、速度、车辆位置、倾斜角、振动幅度，振动频率计算车辆运行稳定性指数：

乘客历史行为指数计算单元：根据接近站台距离、座位选择、乘车时间、乘车持续时间、与车载系统的交互次数、反馈、越过安全线、擅自开启紧急出口、阻碍车门计算乘客历史行为指数：

乘客基本信息系数计算单元：根据乘客人脸图像像素数据、乘客画像数据、上车站点、下车站点计算乘客基本信息系数：

综合安全评估指数计算单元：根据车辆运行稳定性指数、乘客历史行为指数及乘客基本信息系数计算综合安全评估指数：

优选的，监测乘客的下车行为，实时监测乘客的动作和行为，所述下车行为监测模块具体包括：

下车行为检测单元：用于检测乘客下车的行为，乘客离开座位、准备下车、到达车门动作的检测；

行为识别单元：用于对下车行为进行识别和分类，确定乘客是否准备下车、是否有异常行为、是否需要关注。

优选的，发现潜在的安全风险并预警，所述安全隐患预警模块具体包括：

隐患识别单元：用于识别可能存在的安全隐患；

优化输出单元：用于对预警信息进行优化和处理，根据乘客数量、车辆运行状况、紧急情况的优先级，输出预设的安全隐患预警，并传递至相应的输出端。

本发明的技术效果和优点：

1. 提高乘客安全性：通过安全指数计算模块和安全隐患预警模块的应用，该系统能够及时监测和评估乘车过程中的安全状况，并提供实时预警和安全措施，有效减少潜在的安全风险，提高乘客的安全性。

2. 提升运行稳定性：利用车辆运行稳定性指数计算模块，该系统可以实时监测车辆的运行状态，减少突发情况和意外事件的发生，提高地下无轨人车系统的运行稳定性。

3. 优化乘车体验：下车行为监测模块可以识别乘客的下车行为，确保乘客顺利下车，并提供对应的反馈和处理。这有助于提高乘客的乘车体验，减少不必要的停留时间和不便之处。

4. 实时报警和快速处理：安全隐患预警模块可以快速识别潜在的安全隐患，并及时向相关人员发送实时报警信息。这有助于系统管理人员能够快速采取措施应对安全问题，及时处理事件，减少潜在的损失和风险。

5. 数据支持和决策依据：各模块所收集和处理的数据可以提供重要的信息支持和决策依据。通过对数据的分析和统计，可以进一步优化系统运营管理，提高效率和安全性。

附图说明

图1为本发明的系统流程图。

图2为本发明的系统使用流程图。

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。

本实施例提供了图1所示一种基于图像处理技术的地下无轨人车的下车预警安全管理系统，包括模块：信息采集模块、数据处理模块、安全指数计算模块、下车行为监测模块、安全隐患预警模块。

其中，负责采集车辆周围的数据，包括图像、传感器数据、车辆状态信息，采集到的数据通过接口或者通信协议传输到数据处理模块，所述数据处理模块接收并处理从信息采集模块传输过来的数据，数据处理模块对采集到的原始数据进行格式转换、预处理、清洗和分析操作，以提取有用的特征和信息，处理后的数据会被传输给安全指数计算模块、下车行为监测模块和安全隐患预警模块，使用接收到的数据进行安全指数的计算和评估，该模块会根据事先设定的算法和模型，对数据进行分析和处理，计算出一个表示车辆安全状态的指数，下车行为监测模块接收数据处理模块的输出数据，并进行下车行为的检测和识别，通过使用计算机视觉技术和行为识别算法，实时监测乘客的下车行为，并判断是否存在安全隐患，下车行为监测模块可以向安全隐患预警模块提供有关下车行为的信息，安全隐患预警模块：接受来自数据处理模块、安全指数计算模块和下车行为监测模块的数据，利用这些数据，该模块可以识别和预警潜在的安全隐患，例障碍物、交通流量，安全隐患预警模块会在检测到潜在安全隐患时发出相应的预警信息，以提醒操作人员注意潜在的安全风险，这样，各模块之间形成了连接逻辑，实现了数据传输、计算、分析和报警处理功能。

本实施与现有技术的区别主要在于其采用了集成化和模块化设计：本实施采用了集成化和模块化的设计思路，通过将各个功能模块进行集成和独立开发，提升系统的整体性能和灵活性，在电气控制和仪表控制方面采用了自动化控制技术，引入了可编程逻辑控制器和自动化算法，减少了人为操作的干预和错误，提高了生产过程的稳定性和一致性，本实施中的数据整合模块、数据计算模块和数据分析模块提供了更强大的数据采集、处理和分析能力，可以整合多个数据源并生成准确和有价值的数据分析结果，帮助优化生产过程，本实施中的人机界面模块和报警处理模块提供了远程监控和控制的能力，操作人员可以通过网络连接远程查看数据和状态，并及时采取措施进行控制和处理，提高工作效率和安全性，上述过程是现有技术不具备的。

如图 2 本实施例提供基于图像处理技术的地下无轨人车的下车预警安全管理系统的系统使用流程图，具体包括下列步骤:

101、基于图像处理技术的地下无轨人车的下车预警安全管理系统的信息采集模块，具体实施方式下：

A1. 摄像头单元：安装摄像头来获取车辆周围的图像信息。可以使用普通摄像头或者特殊的计算机视觉摄像头，将其安装在车辆上方的适当位置，以覆盖下车区域；

A2. 陀螺仪单元：安装陀螺仪传感器来测量车辆的角速度和角度变化，这些传感器可以安装在车辆的导航系统中，通过检测车辆的旋转和转弯来获取车辆的运动状态信息；

A3. GPS（全球定位系统）单元：使用GPS模块获取车辆的位置信息，GPS单元可以安装在车辆上，通过接收卫星信号来获取车辆的经纬度坐标；

A4. IMU单元（惯性测量单元）：集成陀螺仪、加速度计和磁力计传感器，用于测量车辆的加速度、倾斜角度、方向信息，IMU单元可以提供更全面和准确的车辆运动状态数据；

这些传感器和单元可以分别或者结合使用来采集车辆的运行状态和乘员的数据，摄像头单元提供图像信息，陀螺仪单元、GPS单元和IMU单元提供车辆的运动状态数据，这些数据将作为系统的输入，后续会经过数据处理模块进行预处理，以便进行安全指数计算、下车行为监测和安全隐患预警功能的实现，需要根据具体实际情况选择合适的传感器设备和配置方案；

102、数据处理模块在地下无轨人车的下车预警安全管理系统中起着重要的作用，通过对采集到的数据进行预处理，为后续功能模块提供可靠的数据支持，下面是数据处理模块的几个具体实施方式：

B1. 图像去噪单元：使用图像处理算法对采集到的图像进行去噪处理，消除图像中的噪声和干扰，提高图像质量，常用的图像去噪技术包括均值滤波、中值滤波、高斯滤波；

B2. 数据滤波单元：对车辆运动状态数据进行滤波处理，平滑和清除噪声，常见的滤波算法包括卡尔曼滤波、滑动窗口平均滤波，可以保留有用的信号信息，同时抑制噪声；

B3. 几何校正单元：对图像进行几何校正，纠正图像因为相机安装角度、镜头畸变原因引起的畸变，校正可以通过相机标定来实现，从而获得更加准确和稳定的图像；

B4. 图像增强单元：应用图像增强算法对图像进行增强处理，提升图像的对比度、亮度、清晰度视觉效果，常用的图像增强技术包括直方图均衡化、对比度增强、边缘增强；

B5. 数据集成单元：将来自不同传感器的数据进行整合和融合，以产生更全面和一致的数据，数据集成可以通过传感器融合算法、多模态数据融合方式实现，得到更完整的车辆和乘员数据；

这些数据处理方式可以根据实际需求和系统要求进行选择和组合，通常情况下，数据处理模块需要使用相应的算法和技术，以提高数据的质量和准确性，为后续的安全指数计算、下车行为监测和安全隐患预警模块提供可靠的输入数据；

103、安全指数计算模块是地下无轨人车的下车预警安全管理系统中的重要组成部分，用于分析和处理预处理后的数据，计算出车辆下车区域的安全指数，下面是安全指数计算模块的几个具体实施方式：

C1. 车辆运行稳定性指数计算单元：根据车辆的运动状态数据，包括加速度、角速度、倾斜角度，采用稳定性评估算法来计算车辆的运行稳定性指数，这可以包括通过模型预测算法或基于历史数据训练的机器学习算法来评估车辆的稳定性；

C2. 乘客历史行为指数计算单元：通过分析乘客的行为特征和模式，结合下车区域的实际情况，采用合理性评估算法来计算乘客行为的合理性指数，这可以基于行为模式识别、乘客轨迹分析技术方法来实现，判断乘客的行为是否符合预期和安全要求；

C3. 乘客基本信息系数计算单元：根据乘客的基本信息和历史数据，年龄、性别、身体状况，使用相关算法计算乘客基本信息系数，这可以根据乘客的特征和统计数据，评估乘客对下车区域安全的影响程度；

C4. 综合安全评估指数计算单元：将车辆运行稳定性指数、乘客历史行为指数和乘客基本信息系数因素进行综合考量，使用综合安全评估算法计算出最终的安全评估指数，这可以通过加权计算、规则引擎、模糊逻辑方法来实现，以综合考虑各种因素的权重和关联性；

通过以上的具体实施方式，安全指数计算模块可以根据车辆运行状态、乘客行为和基本信息因素进行综合分析和计算，得出下车区域的安全指数，这个指数可以作为预警系统的依据，帮助操作人员判断下车区域的安全水平，并采取相应措施以确保乘客的安全，需要根据实际需求和系统要求选择合适的算法和模型，并结合实时数据来进行安全指数的计算。

在实施安全指数计算模块时，需要注意以下几点：

D1. 数据质量和准确性：安全指数计算模块的准确性依赖于输入数据的质量，确保采集到的数据准确、完整，并经过预处理和清洗，以排除异常值和噪声，使用合适的传感器和设备来获取数据，并进行校准和验证，以确保数据的准确性和一致性；

D2. 算法选择和模型训练：选择适合的算法和模型用于安全指数计算，可以使用统计方法、机器学习或深度学习技术来构建模型，根据特定的问题和数据特征，进行算法的选择，并使用合适的算法进行模型训练与验证；

D3. 特征选择和权重设定：根据具体应用场景和需求，选择合适的特征并设定相应的权重，考虑到不同特征对安全指数的贡献程度，可以采用经验法、专家判断或数据驱动的方法来设定特征的权重，以确保对不同因素的充分考虑；

D4. 模型评估和优化：对安全指数模型进行评估和优化，以提高其预测准确度和稳定性，使用合适的评估指标和测试集对模型进行评估，准确度、召回率、精确度，根据评估结果和实际需求，对模型进行调整和优化，以提高其性能和鲁棒性；

D5. 实时性和响应性：安全指数计算模块需要实时计算和响应，以及快速更新输出结果，优化算法和模型的运行效率，采用并行计算、缓存和预处理技术，提高计算速度和响应时间，确保系统能够及时地对数据进行处理和分析，提供实时的安全指数评估；

D6. 监控和维护：持续监控安全指数计算模块的运行状态，并及时进行维护和更新，定期检查模型的准确性和稳定性，对新的数据进行分析和训练，以保证其有效性和适应性，同时，注意模型的演化和更新，以适应变化的环境和需求。

104、下车行为监测模块是地下无轨人车的下车预警安全管理系统中的关键模块，用于监测乘客的下车行为并进行行为识别，下面是下车行为监测模块的详细具体实施方式：

E1. 下车行为检测单元：使用计算机视觉技术和图像处理算法来检测乘客的下车行为，该单元可以通过对车辆周围图像进行实时分析，判断乘客是否准备下车，常见的检测方法包括物体检测、行人检测、人体姿态估计；

E2. 行为识别单元：通过分析乘客的姿态和动作来进行行为识别，利用机器学习算法和深度学习模型可以训练和识别不同的下车行为，例乘客下车的动作模式、行走路径，行为识别单元可以使用图像序列、运动轨迹、姿态估计特征，结合训练的模型完成乘客下车行为的识别；

具体实施方式可以包括以下步骤：

F1. 数据采集：通过摄像头单元获取车辆周围的图像序列数据；

F2. 物体检测：使用目标检测算法，基于深度学习的目标检测算法Faster R-CNN（一种CNN网络目标检测方法）、YOLO（将输入图像划分为SxS个网格，并为每个网格预测B个边界框，以及每个边界框的物体类别和置信度9。它使用一个单的卷积神经网络(CNN)同时预测所有网格的边界框和分类置信度），对图像中的人进行检测，确定乘客的位置；

F3. 行人姿态估计：利用行人姿态估计算法，OpenPose（是基于卷积神经网络和监督学习并以caffe为框架写成的开源库，可以实现人的面部表情、躯干和四肢甚至手指的跟踪，不仅适用于单人也适用于多人，同时具有较好的鲁棒性）、HRNet（高分辨率网络），对乘客进行姿态估计，获取乘客的关键点位置信息，并进一步判断乘客是否准备下车；

F4. 行为识别：使用机器学习或深度学习算法，支持向量机、卷积神经网络，对乘客的下车行为进行识别，通过训练模型，可以识别出常见的下车行为，举手、走向车门；

F5. 实时监测和警报：根据下车行为识别的结果，对于被识别为下车行为的乘客，系统可以向操作人员发出实时警报，提醒其采取相应的安全措施；

通过以上的具体实施方式，下车行为监测模块可以实时检测和识别乘客的下车行为，为预警系统提供准确的乘车行为信息，帮助操作人员采取适当的措施，确保乘客的安全，需要根据具体需求和系统要求选择合适的算法和模型，并结合实时数据来进行下车行为监测和识别。

105、安全隐患预警模块是地下无轨人车的下车预警安全管理系统中的关键模块，用于识别和预警潜在的安全隐患，主要包括隐患识别单元和优化输出单元，下面是该模块的详细具体实施方式：

隐患识别单元：

G1. 障碍物检测：使用计算机视觉算法，目标检测算法，检测并识别车辆周围的障碍物，常见的算法包括YOLO、SSD模型（单阶段检测模型），通过分析图像数据，可以实时识别出车辆周围的障碍物，其他车辆、行人、路障；

G2.交通流量检测：利用图像处理和计算机视觉算法，对车辆周围的交通情况进行分析和检测，通过车辆计数、流量监测方式，判断交通流量是否超出预设阈值，以及是否存在过于拥堵或异常的情况；

G3. 环境异常检测：通过分析传感器数据，温度、湿度、气体浓度，检测车辆周围环境是否存在异常情况，火灾、烟雾；

优化输出单元：

H1.隐患分析和评估：基于隐患识别单元获取的数据，对潜在的安全隐患进行分析和评估，根据隐患的严重程度、紧急性指标，对安全隐患进行分类和优先级排序；

H2.预警信息生成：基于隐患分析和评估结果，生成相应的预警信息，预警信息可以是文本、音频、图像形式，明确指示发生的隐患和采取的应对措施；

H2.输出优化和决策支持：对预警信息进行优化处理，包括去除重复信息、合并相似信息，以避免信息重复和冗余，同时，为操作人员提供决策支持，建议适当的措施和应对策略；

通过隐患识别和优化输出，安全隐患预警模块可以及时识别和预警车辆周围的潜在安全隐患，并向操作人员发出警报，以提醒注意可能存在的安全风险，需要根据实际需求和系统要求，选择合适的算法和模型，结合图像处理、计算机视觉技术和传感器数据分析，对隐患进行准确的识别和分析，为预警系统提供有效的安全排查和预警功能。

最后：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，凡在本发明的精神和原则之内，所作的任何修改、同替换、改进，均应包含在本发明的保护范围之内。