[发明专利]一种基于人工智能的行车安全智能检测系统及方法

权利要求书

1.一种基于人工智能的行车安全智能检测方法，其特征在于：包括以下步骤：

S100：采集大数据网络中所有发生违章的车辆信息和相应车辆轨迹信息，形成车辆信息集和历史轨迹集，采集当前状态下登录智能检测系统的车辆信息，将所述车辆设为关注车辆，并采集所述关注车辆利用广角摄像头获取的一定时间段内的图像数据，形成图像数据集；

S200：获取车辆信息集和历史轨迹集，并获取登录云平台的车辆信息及其相应的图像数据集，利用数字签名算法将数据进行加密存储处理；

S300：对存储的图像数据集进行提取，从图像数据集中的每一张图像分析不同时间下各图像特征点的变化规律，进一步判断所述各图像特征点的状态是静态还是动态；

S400：对确认为动态特征点的特征点轨迹进行拟合，构建二维平面坐标系，提取向y轴聚合的特征点，根据所述关注车辆和所述车辆信息集的关系，并将动态特征数据同所述历史轨迹集进行匹配，利用匹配的结果分析各动态特征点的危险性，进一步分析所述关注车辆当前状态下的危险程度；

S500：对所述关注车辆出现危险程度超过阈值的情况进行提醒。

2.根据权利要求1所述的一种基于人工智能的行车安全智能检测方法，其特征在于：所述步骤S100包括：

S110：对大数据网络中各个发生违章的车辆信息和相应的车辆轨迹信息进行采集，分别形成车辆信息集A＝{a1,a2,…,an}和历史轨迹集B＝{b1,b2,…,bn}，其中，a1,a2,…,an表示第1、2、…、n个车辆的信息，b1,b2,…,bn表示第1、2、…、n个车辆的所有历史轨迹信息；

S120：智能检测系统识别到某一关注车辆信息aν登录，则利用关注车辆aν的广角摄像头对一定时间序列下拍摄到的的图像数据进行采集，形成图像数据集：C＝{c1,c2,…,cm}，其中，c1,c2,…,cm表示第1、2、…、m个时间点拍摄的图像数据。

3.根据权利要求2所述的一种基于人工智能的行车安全智能检测方法，其特征在于：所述步骤S300包括：

S310：对存储的关注车辆aν的图像数据集C进行提取，利用LBP特征算法将图像数据集C中的m个图像特征化；对m个特征化后的图像特征值进行获取，形成像素点特征集合D＝{d1,d2,…,dh}，其中，d1,d2,…,dh表示m个图像中第1、2、…、h个像素特征值；基于像素特征集合D中任意像素点di，得到像素一致性公式：α＝1-！(d(i+k)-di),其中k＝1,2,…,h-i，若α＝0，则表示像素特征值一致，将其归为一类，并用同一种颜色进行标识，反之，若α＝1，则表示像素特征值不同，利用不同颜色进行标识；

S320：对每一张进行颜色标记的图像特征数据构建二维平面坐标系，分别形成m个图像坐标集：L(j)＝{(x1,y1),(x2,y2),…,(xz,yz)}，其中，j＝1,2,…,m，

(x1,y1),(x2,y2),…,(xz,yz)表示任意第j个图像的1、2、…、z个像素点坐标；遍历m个图像坐标集L(j)，判断任意两个相同颜色的特征点(xγ,yγ),(xδ,yδ)之间的距离：若√[(xγ-xδ)²+(yγ-yδ)²]β；其中，β表示距离阈值，则将各个相同颜色的特征点进行融合并以其区域中心显示成新的同种颜色的特征点；

S330：基于特征点融合后的m个图像坐标集，对第m个时间点的图像特征数据进行提取，针对所述图像特征点的颜色标识将其它前m-1个图像中未出现相同颜色标识的特征点进行剔除；进一步利用重合算法依次叠加各个图像数据，最终形成新的一个图像坐标集Ls；

S340：获取图像叠加的过程，利用拟合算法将原本不同图像中相同颜色标识的特征点坐标进行拟合处理，分别形成U个特征点轨迹集：Ls＝{l1,l2,…,lU}，其中，l1,l2,…,lU表示第1、2、…、U个特征点轨迹；基于特征点轨迹集Ls中任意一个特征点轨迹Lp，得到Lp和其他特征点轨迹的相似度：λp＝|Lp∩Lp+e|/|Lp∪Lp+e|,e＝1,2,…,U-p；

S350：分析轨迹相似度，判断各图像特征点的状态是静态还是动态：若不存在相似度λpη，其中，η表示相似度阈值，说明特征点轨迹Lp和其他特征点轨迹均不相似，则判定所述特征点的状态为动态，标记为动态特征点；反之，若存在相似度λpη，则标记为静态特征点。