一种产业大脑公交智能车载实时告警方法

技术领域

本发明涉及车辆告警技术领域，尤其是一种产业大脑公交智能车载实时告警方法。

背景技术

产业大脑是以数据资源和数字技术为基础进行赋能发展。当前，公交车已经广泛应用于世界各国的每一个城市中。随着公交车数量的增长，交通事故的发生频率也随之增长。为了减少或避免交通事故等危险情况的出现，需要对公交车的状况进行数据化检测。

公交车需要行驶在拥挤的城市路段，频繁的启动停止，并且公交车周围有更多的人员，因此，为了防止交通事故的发生，监控驾驶员的状态显得尤为重要。现有专利号为CN115311819A的一种智慧公交智能车载实时告警系统及其方法，仅通过对驾驶员的疲劳状态进行监测，以降低公交车交通事故的发生率，但近年来的交通事故诱多数为驾驶员的分心驾驶或是乘客干扰导致，故本发明提出一种产业大脑公交智能车载实时告警方法，对驾驶员的驾驶专注度和驾驶姿态分别进行监测，同时对车辆内的乘客行为进行监测，降低车辆交通事故率的同时提高乘客的人身安全及物品安全。

发明内容

本发明的目的是通过提出一种产业大脑公交智能车载实时告警方法，以解决上述背景技术中提出的缺陷。

本发明采用的技术方案如下：

提供一种产业大脑公交智能车载实时告警方法，包括如下步骤：

S1：通过车载联网系统获取公交车辆运行信息，通过车辆内、外视频进行监控识别；

S2：提取监控信息图像并对图像进行预处理；

S3：分别通过状态监测算法和行为监测算法实时监测公交车内监控信息提取的驾驶员驾驶状态和乘客行为；

S4：控制中心接收公交车辆运行信息和监控信息，并对监测存在的异常信息进行告警。

作为本发明的一种优选技术方案：所述S2中的预处理操作包括图像增强处理、图像归一化处理和图像检测、裁剪处理。

作为本发明的一种优选技术方案：所述S3中的驾驶员驾驶状态包括驾驶专心度和驾驶姿态，分别通过状态监测算法和行为监测算法对驾驶员驾驶专心度和驾驶姿态进行监测。

作为本发明的一种优选技术方案：所述状态监测算法中，通过K-means算法对驾驶员视线集中区域进行划分，所述驾驶员视线集中区域包括车辆左侧，车辆前方和车辆右侧，其中，所述车辆左侧包括左后视镜和左侧车道，所述车辆前方包括前方远处、近处和车内仪表，所述车辆右侧包括右后视镜和右侧车道。

作为本发明的一种优选技术方案：所述K-means算法的步骤如下：

S3.1：输入车辆左侧簇，车辆前方簇和车辆右侧簇的个数3与包含n个对象的数据集，为每个聚类确定一个初始聚类中心点；

S3.2：将数据集中的数据按照欧氏距离原则分配到最邻近簇；

S3.3：使用每个簇中的样本数据均值作为聚类中心；

S3.4：重复步骤S3.2与S3.3直至算法收敛，输出3个结果簇。

作为本发明的一种优选技术方案：所述状态监测算法中，通过K-means算法对驾驶员视线落于车辆左侧，车辆前方和车辆右侧时的视线集中区进行划分，并计算驾驶员视线活跃度

；

其中，

作为本发明的一种优选技术方案：所述行为监测算法中，以骨架序列中关节点的运动特性作为判定异常行为关键帧的指标，对驾驶员的驾驶姿态和车内人员是否存在可疑姿态进行判断；其中，在关键帧的骨架序列上构建时空图

作为本发明的一种优选技术方案：所述混合网络中，通过

作为本发明的一种优选技术方案：所述混合网络的时刻图卷积网络中，卷积过程如下：

；

其中，

对每个混合单元进行如下计算：

；

其中，

作为本发明的一种优选技术方案：所述S4中，控制中心根据车载联网系统上传的车辆运行信息对存在异常的车辆信息进行告警；根据监控信息对驾驶员的异常姿态和存在可疑的乘客行为进行监测、告警。

本发明提供的产业大脑公交智能车载实时告警方法，与现有技术相比，其有益效果有：

本发明通过车载联网系统对车辆运行的数字化数据进行监控，同时通过对监控图像数字化监测，通过状态监测算法和行为监测算法对驾驶员的驾驶专注度和驾驶姿态分别进行监测，同时通过行为监测算法对车辆内可能存在的乘客可疑行为进行监测，降低车辆交通事故率的同时提高乘客的人身安全及物品安全。

附图说明

图1为本发明优选实施例的方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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、完整的描述，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。

参照图1，本发明优选实施例提供了一种产业大脑公交智能车载实时告警方法，包括如下步骤：

S1：通过车载联网系统获取公交车辆运行信息，通过车辆内、外视频进行监控识别；

S2：提取监控信息图像并对图像进行预处理；

S3：分别通过状态监测算法和行为监测算法实时监测公交车内监控信息提取的驾驶员驾驶状态和乘客行为；

S4：控制中心接收公交车辆运行信息和监控信息，并对监测存在的异常信息进行告警。

S2中的预处理操作包括图像增强处理、图像归一化处理和图像检测、裁剪处理。

S3中的驾驶员驾驶状态包括驾驶专心度和驾驶姿态，分别通过状态监测算法和行为监测算法对驾驶员驾驶专心度和驾驶姿态进行监测。

状态监测算法中，通过K-means算法对驾驶员视线集中区域进行划分，驾驶员视线集中区域包括车辆左侧，车辆前方和车辆右侧，其中，车辆左侧包括左后视镜和左侧车道，车辆前方包括前方远处、近处和车内仪表，车辆右侧包括右后视镜和右侧车道。

K-means算法的步骤如下：

S3.1：输入车辆左侧簇，车辆前方簇和车辆右侧簇的个数3与包含n个对象的数据集，为每个聚类确定一个初始聚类中心点；本实施例中，n个对象的数据集样本分别为

；

S3.2：将数据集中的数据按照欧氏距离原则分配到最邻近簇；

S3.3：使用每个簇中的样本数据均值作为聚类中心，初始聚类中心点分别为：

S3.4：重复步骤S3.2与S3.3直至算法收敛，输出3个结果簇。对于l轮迭代可以得到每个样本

；

状态监测算法中，通过K-means算法对驾驶员视线落于车辆左侧，车辆前方和车辆右侧时的视线集中区进行划分；

其中

；

重复进行迭代，直到算法收敛为止。最终，将得到

；

其中，

具体的，为了保证判断精度，通过决策树算法根据输入的特征值来决定时间窗口的大小：

其中，特征为平均注释区域面积，表示一个时间窗口内注释区域的平均面积。具体为：

1.设定初始时间窗口大小为t

2.对于每个时间窗口，计算beta和mean

3.使用决策树算法来决定是否需要调整时间窗口大小。

a.如果beta小于阈值beta

b.如果beta大于阈值beta

c.如果beta在peta

4.使用新的时间窗口大小来重新评估驾驶员的视线活跃度

5.重复步骤2-4，直到达到预设精度。

其次，行为监测算法中，以骨架序列中关节点的运动特性作为判定异常行为关键帧的指标，对驾驶员的驾驶姿态和车内人员是否存在可疑姿态进行判断；其中，在关键帧的骨架序列上构建时空图

混合网络中，通过

混合网络的时刻图卷积网络中，卷积过程如下：

；

其中，

对每个混合单元进行如下计算：

；

其中，

S4中，控制中心根据车载联网系统上传的车辆运行信息对存在异常的车辆信息进行告警；根据监控信息对驾驶员的异常姿态和存在可疑的乘客行为进行监测、告警。

本实施例中，通过车载链条系统获取公交车辆的基本信息，并对车辆行驶状态进行实时监测，当车辆发生异常行驶状态时发出告警，如非拥堵路段和红绿灯路口时，车辆长时停靠，则向监控中心发出异常告警，工作人员可通过提取车辆内、外监控视频图像信息获取实时情况并进行联系处理。

公交车运行过程中，提取车辆内、外监控视频的车辆行驶过程中的车辆内、外图像信息，并对提取的图像信息进行增强、归一化、检测裁剪等预处理操作。通过K-means算法对车辆左侧，包括左后视镜和左侧车道；车辆右侧，包括右后视镜和右侧车道，车辆前方，包括前方远处、前方近处和车内仪表，基于车辆的左侧、右侧和前方的视线动态聚类，获取三个聚类中心，并划分各中心范围，如

；

其中，

再通过行为监测算法分别对驾驶员驾驶姿态和车内乘客行为进行监测，基于骨架序列关节点作为异常姿态和异常行为的识别指标，在人员的骨架序列上构建时空图

其中，时刻图卷积网络采用如下卷积过程：

；

其中，

对每个混合单元进行计算，以第5层为例：

；

其中，

基于上述卷积层对骨架图进行操作，并将激活映射传递给后续图卷积层，瓶颈残差模块的使用，可以保证在减少网络计算复杂度的基础上更深层次的提取行人骨架特征。同时将生成的高级别特征图输入至softmax分类器中进行驾驶员异常行为和乘客可疑行为识别分类。

对于识别驾驶员存在异常驾驶状态且超过一定时间时，向告警中心告警，对于乘客存在可疑行为的情况，通过提示语音进行提示，对于提示后仍存在的可疑行为，向控制中心进行告警，控制中心的工作人员可根据接收的告警信息进行判断并采取相应措施。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。