一种基于深度学习的行人攻击车辆意图识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的行人攻击车辆意图识别方法及系统，包括以下步骤，采集模块实时采集车辆周围的环境视频；深度学习模块构建深度神经网络模型并训练其检测人体关键点；将所述环境视频输入深度学习模块进行逐帧检测，识别并判断环境中是否存在具有攻击意图的行人；若判断环境中存在具有攻击意图的行人，报警模块进行报警处理。本发明专利技术的有益效果：能够在攻击者袭击到车辆前,提前预判出攻击意图,并做出相应的预警反应,而不是等到车辆受到破坏后才进行报警，从而减少车主因车辆被攻击或盗窃所产生的损失,提升汽车的安全性。

A method and system of pedestrian attack vehicle intention recognition based on deep learning

【技术实现步骤摘要】
一种基于深度学习的行人攻击车辆意图识别方法及系统
本专利技术涉及智能汽车的
，尤其涉及一种基于深度学习的行人攻击车辆意图识别方法及系统。
技术介绍
近年来，随着汽车智能化程度的不断提高，市面上常见的智能汽车的系统也逐渐增加，例如智能驾驶系统、生活服务系统、安全防护系统、位置服务系统和用车辅助系统等，现有的汽车安全防护系统主要是车辆防盗和车辆追踪用于防止车辆盗窃造成的车主损失。但除了车辆盗窃外，日常中也存在很多由于人为的破坏导致车辆损伤的事件，例如小偷砸破车窗进行盗窃，用石头、小刀等工具划伤车身、轮胎的行为，针对这种情况，目前市面上的车辆基本不配有通过计算机视觉来提前预判车身周围是否有行人有攻击车辆意图的系统,且现有的报警系统基本基于车身震动或者门窗被破坏而出发报警机制,从而使车身鸣笛或双闪产生报警警示效果，判断方法较为单一。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利本文档来自技高网...

【技术保护点】
1.一种基于深度学习的行人攻击车辆意图识别方法，其特征在于：包括以下步骤，/n采集模块(100)实时采集车辆周围的环境视频；/n深度学习模块(200)构建深度神经网络模型并训练其检测人体关键点；/n将所述环境视频输入深度学习模块(200)进行逐帧检测，识别并判断环境中是否存在具有攻击意图的行人；/n若判断环境中存在具有攻击意图的行人，报警模块(300)进行报警处理。/n

【技术特征摘要】
1.一种基于深度学习的行人攻击车辆意图识别方法，其特征在于：包括以下步骤，
采集模块(100)实时采集车辆周围的环境视频；
深度学习模块(200)构建深度神经网络模型并训练其检测人体关键点；
将所述环境视频输入深度学习模块(200)进行逐帧检测，识别并判断环境中是否存在具有攻击意图的行人；
若判断环境中存在具有攻击意图的行人，报警模块(300)进行报警处理。


2.如权利要求1所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述深度学习模块(200)基于MXNET深度学习框架搭建深度神经网络模型，所述深度神经网络模型的输入参数为图像,输出参数为预测到的人体关键点在输入图中的像素坐标信息以及相对应点的置信度。


3.如权利要求1或2所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述深度神经网络模型的训练还包括以下步骤，
采集模块(100)采集包含人体的图像作为训练数据；
通过标注模块(400)对训练数据进行标注得到标注数据；
将训练数据输入深度学习模块(200)的深度神经网络模型中得到检测数据；
利用损失函数计算检测数据与标注数据之间的误差，并通过梯度优化器对深度神经网络模型的参数进行更新；
对参数更新后的深度神经网络模型反复训练，直至训练指标达标。


4.如权利要求3所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述损失函数为softmax函数和交叉熵函数，计算公式如下：






其中，L是损失，Sj是softmax其中输出向量S的第j个值，表示的是这个样本属于第j个类别的概率，j的范围是1到总类别数T，标签y是一个1*T的向量，里面有T个值，只有一个值是1，即真实标签对应...

【专利技术属性】
技术研发人员：刘效廷，
申请(专利权)人：的卢技术有限公司，
类型：发明
国别省市：江苏;32