【技术实现步骤摘要】
本专利技术涉及汽车事故自动检测领域，具体提供了多模态传感器的汽车事故自动检测系统及方法。
技术介绍
1、随着汽车保有量的日益提高，驾驶行为分析的应用已经成为一个重要的研究领域。驾驶行为分析的结果对于汽车和智能交通行业、汽车保险以及控制基础设施和公共交通的政府组织具有重要意义。目前的研究方向主要涉及驾驶员的行为分析，而专门针对事故检测的检测系统仍不够完善。
2、事故检测是近年来兴起的研究事故模式的应用，即通过安装在汽车上的自动盒子，检测微小事故、碰撞、加速和刹车操纵造成的汽车损害，将车队运营商的服务和开销检查成本降到最低。然而在这方面，关于使用机器学习进行事故检测的研究很少。一方面，在事故检测等研究案例中，往往无法供充足的标记数据，同时准备一个包含事故事件的大型真实世界数据库不仅昂贵和耗时，而且还受到竞争激烈的汽车行业和数据隐私问题的阻碍。另一方面事故事件本身的复杂性也对机器学习提出了巨大的挑战，监测系统需要在极短的时间内完成状态识别并给出提醒才能满足实际工作环境的要求。
技术实现思路
1、本专利技术针对
技术介绍
中的问题，提出了一种基于多模态传感器的汽车事故自动检测系统及方法，可以直接利用基本的车内网络数据进行事故检测，使用多模态传感融合用以自动驾驶辅助方向，实现驾驶过程中危险行为(碰撞等行为)的提前检测预防。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于多模态传感器的汽车事故自动检测系统及方法，所述自动检测系统包括行车记录仪、加
4、s1、通过数据处理模块采集车辆信息，通过行车记录仪获取车辆行驶过程中的视频数据，采样频率为30hz；通过加速度计获取车辆的三轴加速度数据，采样频率为10hz；通过陀螺仪获得车辆的三轴角速度数据，采样频率为10hz；通过gps获得车辆的经纬度、海拔高度、速度、水平和垂直加速度、车头方向角，采样频率为1hz，将采集到的信息传送到数据预处理模块；
5、s2、对于输入的30hz数据，采用取平均值的方式，将其下采样至10hz，对于1hz数据，采用插值的方式，将其上采样至10hz；
6、s3、使用卡尔曼滤波对采集到的原始数据进行降噪处理，通过系统输入和输出的观测状态对系统真实状态进行最优估计，实现对噪声的消除；
7、s4、采用离差标准化的方法对采集到的数据进行处理，将传感器的值处理到0-1的范围内；
8、s5、采用滑动时间窗的分割方法对归一化后的数据进行分割，本线段长度设置为t＝100，对应的时间约为2.5s，设置重叠因子为50％来分割时间序列；
9、s6、对分割后的每个时间窗口vn＝(vt1,vt2,…,vti,…,vtn,)添加对应的异常驾驶行为类型标签，异常驾驶行为类型包括急加速、急刹车、急转向、急变道、危险超车(蛇形变道)、跟车过近、超速、碰撞，其中t是时间窗的长度取t＝100，s是传感器通道的数量取s＝4；
10、s7、使用smote算法对标记为1包含事故信息的样本进行上采样，然后在模型的损失函数中提高包含事故信息的样本的权重，使得不同类别样本的总数与权重的乘积相等，最后以3阶张量的形式将采集到的数据输入到神经网络模型中；
11、s8、将汽车行驶特征信息输入自动检测系统中，通过深度学习网络，实时输出检测结果。
12、进一步地，所述s3处理算法为：
13、xk＝a*xk-1+b*uk+wk-1
14、zk＝h*xk+vk
15、其中，xk表示真实矩阵状态，zk表示观测状态矩阵，a表示状态转移矩阵，b表示控制输入矩阵，h表示状态观测矩阵，wk-1表示过程噪音，vk表示测量噪音。
16、进一步地，所述s4处理算法为：
17、
18、其中x表示样本集合，xi表示第i个样本，表示第i个样本标准化后的值，且
19、进一步地，所述s8中检测结果由两部分组成，分别为危险驾驶行为检测和交通事故预防检测，具体步骤如下：
20、s8-1、危险驾驶行为检测
21、s8-1-1、根据静态符号化算法，基于数据的车辆行驶类型标签将数据划分到多个区间进行符号化处理，并标准化处理，获得标准化静态符号化的时间序列数据{si[x(i)]|i＝1,2,3,…,n}，作为第2通道中卷积模块2的输入数据；
22、s8-1-2、根据动态符号化算法，基于异常驾驶行为样本数据集中的时间序列速度值的变化率将数据集中的数据进行动态符号化处理，并标准化处理，获得标准化动态符号化的时间序{di[x(i)]|i＝1.2,3,…,n}作为第3通道中卷积模块3的输入数据；
23、s8-1-3、将之前提到的三组数据：标准化的输入数据vn＝(vt1,vt2,…,vti,…,vtn,)、标准化的静态符号化的时间序列数据{si[x(i)]|i＝1,2,3,…,n}与标准化的动态符号化时间序列{di[x(i)]|i＝1.2,3,…,n}分别作为通道1、通道2与通道3的卷积模块的输入，传输分配到各自独立且初始化参数不同的3个卷积神经网络模型中，经过一维卷积层、线性整流层、dropout层，获得参数
24、s8-1-4、利用concatenate函数合并3组独立的卷积神经网络模型输出的参数获得输出参数再将输入到一个独立的卷积神经网络模型中，其初始参数与上述三个模型不同，其构成组件包括一维卷积层、线性整流层、随机舍弃层、池化层等；
25、s8-1-5、将合并卷积运算的输出数据，铺展成一维的特征向量，作为全连接层的输入，输入到模型的分类识别结构部分，其有两个全连接层以及softmax函数层组成，最终得到模型的分类识别结果；
26、s8-1-6、根据模型的分类识别结果在led显示器上显示对应的提醒标识；
27、s8-2交通事故预防检测
28、s8-2-1、根据s8输出的视频特征信息计算生成的未来帧和真实帧在rgb像素级的偏差，来计算事故序列中的每一帧之间的psnr，对每个视频序列中的所有帧之间的psnr值进行归一化计算，psnr的值越高，证明预测帧与真实帧在像素级别上越相似即不存在大的偏差，则认为没有发生交通事故，否则该帧是交通事故发生帧；
29、
30、
31、式中s(t)为预测帧的表观一致性参数，i和分别表示真实帧和预测帧；
32、s8-2-2、利用预测目标物位置的方法，生成第σ帧后的目标物的边界框，即在每个时间t中，每个目标物都具有从时间t-σ到预测的t-1个边界框，随后计算每一帧内目标物的边界框与真实检测的目标框的位置之间的交并比，然后对每一个序列中计算的所有iou值进行归一化操作来判断事故发生程度；iou的值越高说明目标框之间具有较大的一致性，证明目标物位置没有发本文档来自技高网...
【技术保护点】
1.一种基于多模态传感器的汽车事故自动检测系统及方法，其特征在于：所述自动检测系统包括行车记录仪、加速度计、陀螺仪、GPS、led显示器、数据处理模块、事故检测模块和数据存储模块；所述自动检测方法具体步骤如下：
2.如权利要求1所述的一种基于多模态传感器的汽车事故自动检测系统及方法，其特征在于：所述S3处理算法为：
3.如权利要求1或2所述的一种基于多模态传感器的汽车事故自动检测系统及方法，其特征在于：所述S4处理算法为：
4.如权利要求1所述的一种基于多模态传感器的汽车事故自动检测系统及方法，其特征在于：所述S8中检测结果由两部分组成，分别为危险驾驶行为检测和交通事故预防检测，具体步骤如下：
5.如权利要求4所述的一种基于多模态传感器的汽车事故自动检测系统及方法，其特征在于：所述S8-2-3具体为：首先将预测帧和真实帧中的信息差异用PSNR表示，然后利用Mask-RCNN对真实帧进行目标检测，最后将相关对象调整为同一大小；计算公式如下：
【技术特征摘要】
1.一种基于多模态传感器的汽车事故自动检测系统及方法，其特征在于：所述自动检测系统包括行车记录仪、加速度计、陀螺仪、gps、led显示器、数据处理模块、事故检测模块和数据存储模块；所述自动检测方法具体步骤如下：
2.如权利要求1所述的一种基于多模态传感器的汽车事故自动检测系统及方法，其特征在于：所述s3处理算法为：
3.如权利要求1或2所述的一种基于多模态传感器的汽车事故自动检测系统及方法，其特征在于：所述s4处理算法为：...
【专利技术属性】
技术研发人员：刘新华，贺之彬，曹戎格，徐通，郝敬宾，华德正，刘晓帆，周皓，徐林浩，
申请(专利权)人：江苏北斗星通汽车电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。