无人驾驶汽车的乘客行为监督方法与装置转让专利
申请号 : CN202110854320.3
文献号 : CN113313087B
文献日 : 2021-11-02
发明人 : 穆振东 , 王平 , 徐军莉
申请人 : 江西科技学院
摘要 :
权利要求 :
1.一种无人驾驶汽车的乘客行为监督方法,其特征在于,所述方法应用于一车载系统,所述车载系统设置于相对应的无人驾驶汽车中,所述方法包括:当所述无人驾驶汽车满足启动条件时,实时获取视频采集装置采集到的所述无人驾驶汽车中当前乘客的当前视频数据,所述视频采集装置设置于所述无人驾驶汽车的车内;
将所述当前视频数据输入至预设的行为监督模型中进行行为识别,以判断所述当前视频数据中是否存在与所述监督模型存储的异常行为数据匹配的特征数据,所述行为监督模型由卷积网络、递归网络、融合网络和分类网络组成,所述卷积网络用于提取视频中每一帧的特征,所述递归网络用于对视频中帧与帧之间的时序关系进行建模,所述融合网络用于对训练特征数据进行融合,所述分类网络用于输出每一帧属于各个异常行为的概率;
若所述当前视频数据中存在与所述监督模型存储的异常行为数据匹配的特征数据,则控制车内报警装置发出报警信息,同时存储所述当前乘客的乘客信息与相应的异常行为数据之间的对应关系;
在每位所述当前乘客完成乘坐之后,通过服务器存储每位当前乘客的人脸识别数据以及在乘坐过程中所产生的异常行为信息,所述异常行为信息至少包括异常行为类别;
所述方法还包括:
当每位所述当前乘客进入到所述无人驾驶汽车内时,获取所述当前乘客的人脸识别数据,所述人脸识别数据至少包括乘客性别以及乘客年龄;
根据所述乘客性别以及所述乘客年龄确认所述当前乘客的类型,根据所述当前乘客的类型,在服务器中查找与所述当前乘客的类型相对应的最高频的异常行为种类;
根据所述最高频的异常行为种类,生成对应的行为提示语音以规范所述当前乘客的行为;
所述方法还包括:
统计每位所述当前乘客在预设时间段内每次搭乘时对应的当前分值,并根据多个所述当前分值计算得到平均分值;
判断所述平均分值是否小于对应的分数阈值;
若是,则根据所述平均分值计算并向对应的乘客推送相应金额的优惠券链接;
其中,所述优惠券对应的金额的计算公式表示为:其中, 为优惠券对应的金额, 为校正系数, 为所述平均分值, 为当前乘客乘坐无人驾驶汽车的累积消费金额,平均分值 为多个所述当前分值的平均值。
2.根据权利要求1所述的无人驾驶汽车的乘客行为监督方法,其特征在于,将所述当前视频数据输入至预设的行为监督模型中进行行为识别,以判断所述当前视频数据中是否存在与所述监督模型存储的异常行为数据匹配的特征数据的步骤之后,所述方法还包括:若所述当前视频数据中存在与所述监督模型存储的异常行为数据匹配的特征数据,则记录所述当前乘客产生的异常行为的类别以及次数;
根据所述当前乘客产生的异常行为的类别以及次数,计算所述当前乘客的本次搭乘的当前分值。
3.根据权利要求2所述的无人驾驶汽车的乘客行为监督方法,其特征在于,根据所述当前乘客产生的异常行为的类别以及次数,计算所述当前乘客的本次搭乘的当前分值的步骤中,采用下式计算所述当前乘客的本次搭乘的当前分值:G=a1*b1* c1+ a2*b2* c2+…+ai*bi* ci其中,G表示所述当前分值,a1表示产生第1类异常行为的次数,b1表示第1类异常行为对应的权重值,c1表示产生一次第1类异常行为所产生的基础扣分;
a2表示产生第2类异常行为的次数,b2表示第2类异常行为对应的权重值,c2表示产生一次第2类异常行为所产生的基础扣分;ai表示产生第i类异常行为的次数,bi表示第i类异常行为对应的权重值,ci表示产生一次第i类异常行为所产生的基础扣分,i为正整数。
4.根据权利要求3所述的无人驾驶汽车的乘客行为监督方法,其特征在于,根据所述当前乘客产生的异常行为的类别以及次数,计算所述当前乘客的本次搭乘的当前分值的步骤之后,所述方法还包括:
当所述当前分值大于或等于分数阈值时,根据所述当前分值的大小,将所述当前乘客列入相应等级的黑名单;其中,不同等级的黑名单对应不同的分数阈值以及不同的限乘规则。
5.根据权利要求1所述的无人驾驶汽车的乘客行为监督方法,其特征在于,当所述无人驾驶汽车满足启动条件时,实时获取视频采集装置采集到的所述无人驾驶汽车中当前乘客的当前视频数据的步骤之前,所述方法还包括:获取所述视频采集装置采集到的所述当前乘客的当前人脸识别数据,以及指纹装置采集到的所述当前乘客的当前指纹识别数据,所述指纹装置采集设置于所述无人驾驶汽车的车内;
判断所述当前人脸识别数据与服务器中存储的发起乘车请求的用户的人脸识别数据是否匹配,以及所述当前指纹识别数据与服务器中存储的发起乘车请求的用户的指纹识别数据是否匹配;
若当前人脸识别数据与服务器中存储的发起乘车请求的用户的人脸识别数据匹配,且所述当前指纹识别数据与服务器中存储的发起乘车请求的用户的指纹识别数据匹配,则判定所述无人驾驶汽车满足启动条件;
若当前人脸识别数据与服务器中存储的发起乘车请求的用户的人脸识别数据不匹配,和/或所述当前指纹识别数据与服务器中存储的发起乘车请求的用户的指纹识别数据不匹配,则判定所述无人驾驶汽车不满足启动条件。
6.根据权利要求1所述的无人驾驶汽车的乘客行为监督方法,其特征在于,在所述无人驾驶汽车内设有一远程通讯设备、无线健康监测手环以及急救箱,所述方法还包括:通过所述无线健康监测手环对当前乘客的当前生理状态进行监测以获得监测数据,其中所述监测数据至少包括乘客的心率值以及血压值;
若所述当前乘客的心率值或血压值超出对应的预设阈值,且所述无人驾驶汽车处于行驶状态时,则生成语音救助提示信息,并自动打开所述急救箱;
且通过所述远程通讯设备向距离最近的急救中心发送求救信号,并立即规划导航行驶至最近的急救中心,其中所述求救信号包括所述当前乘客的身份信息以及监测数据。
7.一种无人驾驶汽车的乘客行为监督装置,其特征在于,所述装置应用于一车载系统,所述车载系统设置于相对应的无人驾驶汽车中,所述装置包括:第一获取模块,用于当所述无人驾驶汽车满足启动条件时,实时获取视频采集装置采集到的所述无人驾驶汽车中当前乘客的当前视频数据,所述视频采集装置设置于所述无人驾驶汽车的车内;
第一判断模块,用于将所述当前视频数据输入至预设的行为监督模型中进行行为识别,以判断所述当前视频数据中是否存在与所述监督模型存储的异常行为数据匹配的特征数据,所述行为监督模型由卷积网络、递归网络、融合网络和分类网络组成,所述卷积网络用于提取视频中每一帧的特征,所述递归网络用于对视频中帧与帧之间的时序关系进行建模,所述融合网络用于对训练特征数据进行融合,所述分类网络用于输出每一帧属于各个异常行为的概率;
输出模块,用于若所述当前视频数据中存在与所述监督模型存储的异常行为数据匹配的特征数据,则控制车内报警装置发出报警信息,同时存储所述当前乘客的乘客信息与相应的异常行为数据之间的对应关系;
在每位所述当前乘客完成乘坐之后,通过服务器存储每位当前乘客的人脸识别数据以及在乘坐过程中所产生的异常行为信息,所述异常行为信息至少包括异常行为类别;
所述装置还用于:
当每位所述当前乘客进入到所述无人驾驶汽车内时,获取所述当前乘客的人脸识别数据,所述人脸识别数据至少包括乘客性别以及乘客年龄;
根据所述乘客性别以及所述乘客年龄确认所述当前乘客的类型,根据所述当前乘客的类型,在服务器中查找与所述当前乘客的类型相对应的最高频的异常行为种类;
根据所述最高频的异常行为种类,生成对应的行为提示语音以规范所述当前乘客的行为;
所述装置还用于:
统计每位所述当前乘客在预设时间段内每次搭乘时对应的当前分值,并根据多个所述当前分值计算得到平均分值;
判断所述平均分值是否小于对应的分数阈值;
若是,则根据所述平均分值计算并向对应的乘客推送相应金额的优惠券链接;
其中,所述优惠券对应的金额的计算公式表示为:其中, 为优惠券对应的金额, 为校正系数, 为所述平均分值, 为当前乘客乘坐无人驾驶汽车的累积消费金额,平均分值 为多个所述当前分值的平均值。
8.根据权利要求7所述的无人驾驶汽车的乘客行为监督装置,其特征在于,所述装置还包括:
记录模块,用于若所述当前视频数据中存在与所述监督模型存储的异常行为数据匹配的特征数据,则记录所述当前乘客产生的异常行为的类别以及次数;
计算模块,用于根据所述当前乘客产生的异常行为的类别以及次数,计算所述当前乘客的本次搭乘的当前分值;
列入模块,用于当所述当前分值大于或等于分数阈值时,将所述当前乘客列入黑名单,所述黑名单中的乘客在预设时间内被禁止使用无人驾驶汽车;
所述计算模块还用于采用下式计算所述当前乘客的本次搭乘的当前分值:G=a1*b1* c1+ a2*b2* c2+…+ai*bi* ci其中,G表示所述当前分值,a1表示产生第1类异常行为的次数,b1表示第1类异常行为对应的权重值,c1表示产生一次第1类异常行为所产生的基础扣分;
a2表示产生第2类异常行为的次数,b2表示第2类异常行为对应的权重值,c2表示产生一次第2类异常行为所产生的基础扣分;ai表示产生第i类异常行为的次数,bi表示第i类异常行为对应的权重值,ci表示产生一次第i类异常行为所产生的基础扣分,i为正整数。
说明书 :
无人驾驶汽车的乘客行为监督方法与装置
技术领域
背景技术
厂商都已经推出了无人驾驶汽车。
全。然而,现有技术中,缺乏对无人驾驶汽车的乘客行为监督的解决方案。
发明内容
内;
督模型由卷积网络、递归网络、融合网络和分类网络组成,所述卷积网络用于提取视频中每
一帧的特征,所述递归网络用于对视频中帧与帧之间的时序关系进行建模,所述融合网络
用于对训练特征数据进行融合,所述分类网络用于输出每一帧属于各个异常行为的概率;
行为数据之间的对应关系。
行为监督模型中进行行为识别,通过监督模型来判断当前视频数据中是否存在与所述监督
模型存储的异常行为数据匹配的特征数据,由于行为监督模型由卷积网络、递归网络、融合
网络和分类网络组成,能够有效对当前视频数据中存在的异常行为进行识别,若当前视频
数据中存在与所述监督模型存储的异常行为数据匹配的特征数据,则控制车内报警装置发
出报警信息,提醒乘客停止危险行为,从而提升行驶安全,同时存储当前乘客的乘客信息与
相应的异常行为数据之间的对应关系,便于后续统计分析。
的步骤之后,所述方法还包括:
异常行为对应的权重值,ci表示产生一次第i类异常行为所产生的基础扣分,i为正整数。
乘规则。
车的车内;
识别数据是否匹配;
配,则判定所述无人驾驶汽车满足启动条件;
据不匹配,则判定所述无人驾驶汽车不满足启动条件。
行为类别;
系进行建模。
无人驾驶汽车的车内;
征数据,所述行为监督模型由卷积网络、递归网络、融合网络和分类网络组成,所述卷积网
络用于提取视频中每一帧的特征,所述递归网络用于对视频中帧与帧之间的时序关系进行
建模,所述融合网络用于对训练特征数据进行融合,所述分类网络用于输出每一帧属于各
个异常行为的概率;
与相应的异常行为数据之间的对应关系。
行为监督模型中进行行为识别,通过监督模型来判断当前视频数据中是否存在与所述监督
模型存储的异常行为数据匹配的特征数据,由于行为监督模型由卷积网络、递归网络、融合
网络和分类网络组成,能够有效对当前视频数据中存在的异常行为进行识别,若当前视频
数据中存在与所述监督模型存储的异常行为数据匹配的特征数据,则控制车内报警装置发
出报警信息,提醒乘客停止危险行为,从而提升行驶安全,同时存储当前乘客的乘客信息与
相应的异常行为数据之间的对应关系,便于后续统计分析。
异常行为对应的权重值,ci表示产生一次第i类异常行为所产生的基础扣分,i为正整数。
则。
置于所述无人驾驶汽车的车内;
请求的用户的指纹识别数据是否匹配;
指纹识别数据匹配,则判定所述无人驾驶汽车满足启动条件;
请求的用户的指纹识别数据不匹配,则判定所述无人驾驶汽车不满足启动条件。
系进行建模。
附图说明
具体实施方式
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。
骤S101 S103:
~
的车内。
明实施例中并不对此进行限定。视频采集装置可以根据实际需要设置在车辆内的相应位
置,也可以根据实际需要设置一个或多个。具体实施时,通常设置多个视频采集装置以对车
内各个角度都能够进行视频拍摄。
驶汽车是否满足启动条件的步骤,包括步骤S1011 S1014。
~
驾驶汽车的车内。
的指纹识别数据是否匹配;
据匹配,则判定所述无人驾驶汽车满足启动条件;
识别数据不匹配,则判定所述无人驾驶汽车不满足启动条件。
服务器中存储的发起乘车请求的用户的指纹识别数据匹配的前提下,才判定无人驾驶汽车
满足启动条件,才能启动无人驾驶汽车,能够最大程度的保护乘客的利益以及乘坐安全性,
避免其他用户干扰合法用户的乘车行为。
行为监督模型由卷积网络、递归网络、融合网络和分类网络组成,所述卷积网络用于提取视
频中每一帧的特征,所述递归网络用于对视频中帧与帧之间的时序关系进行建模,所述融
合网络用于对训练特征数据进行融合,所述分类网络用于输出每一帧属于各个异常行为的
概率。
坏车内设施等。
以有效地解决网络层数过深出现的梯度消失问题。
统递归神经网络的隐含层替换为长短时结构单元,从而能够有效地捕获时序数据之间的动
态依赖与长时依赖。
异常行为数据之间的对应关系。
前视频数据中存在与监督模型存储的异常行为数据匹配的特征数据,则存储当前乘客的乘
客信息与相应的异常行为数据之间的对应关系,便于后续统计分析。
的异常行为数据匹配的特征数据的步骤之后,所述方法还包括:
异常行为对应的权重值,ci表示产生一次第i类异常行为所产生的基础扣分,i为正整数。其
中,可以为不同的异常行分配对应的权重值。
名乘客尽快改正自己的乘车行为。
以及不同的限乘规则,黑名单等级以及相应的分数阈值和限乘规则例如为下表。
2级 (60,70] 两个月内无法使用无人驾驶汽车
3级 (70,80] 三个月内无法使用无人驾驶汽车
4级 (80,90] 六个月内无法使用无人驾驶汽车
5级 >90 一年内无法使用无人驾驶汽车
行为监督模型中进行行为识别,通过监督模型来判断当前视频数据中是否存在与所述监督
模型存储的异常行为数据匹配的特征数据,由于行为监督模型由卷积网络、递归网络、融合
网络和分类网络组成,能够有效对当前视频数据中存在的异常行为进行识别,若当前视频
数据中存在与所述监督模型存储的异常行为数据匹配的特征数据,则控制车内报警装置发
出报警信息,提醒乘客停止危险行为,从而提升行驶安全,同时存储当前乘客的乘客信息与
相应的异常行为数据之间的对应关系,便于后续统计分析。
驾驶汽车的乘客行为监督方法。
类别。例如,异常行为类别包括:抽烟、未系安全带以及将头伸出窗外等。
类。
集并统计了一些各类型人群对应的高频异常行为。例如,中年男子的高频异常行为是抽烟,
未成年人对应的高频异常行为是未系安全带以及将头伸出窗外。
客的行为。
四实施例提出一种无人驾驶汽车的乘客行为监督方法,在无人驾驶汽车内设有一远程通讯
设备、无线健康监测手环以及急救箱,用于当乘客发生突发疾病时进行急救,具体包括如下
步骤:
客从急救箱中拿取对应的药物进行自救。
包括当前乘客的身份信息以及监测数据。
客如何展开自救,并自动开启车内设置的急救箱,以便于乘客从急救箱中拿取对应的药物
进行自救。
小于对应的分数阈值,则执行步骤S503。在本实施例中,对应的分数阈值为50分。
述无人驾驶汽车的车内;
特征数据,所述行为监督模型由卷积网络、递归网络、融合网络和分类网络组成,所述卷积
网络用于提取视频中每一帧的特征,所述递归网络用于对视频中帧与帧之间的时序关系进
行建模,所述融合网络用于对训练特征数据进行融合,所述分类网络用于输出每一帧属于
各个异常行为的概率;
息与相应的异常行为数据之间的对应关系。
异常行为对应的权重值,ci表示产生一次第i类异常行为所产生的基础扣分,i为正整数。
则。
设置于所述无人驾驶汽车的车内;
车请求的用户的指纹识别数据是否匹配;
的指纹识别数据匹配,则判定所述无人驾驶汽车满足启动条件;
车请求的用户的指纹识别数据不匹配,则判定所述无人驾驶汽车不满足启动条件。
关系进行建模。
行为监督模型中进行行为识别,通过监督模型来判断当前视频数据中是否存在与所述监督
模型存储的异常行为数据匹配的特征数据,由于行为监督模型由卷积网络、递归网络、融合
网络和分类网络组成,能够有效对当前视频数据中存在的异常行为进行识别,若当前视频
数据中存在与所述监督模型存储的异常行为数据匹配的特征数据,则控制车内报警装置发
出报警信息,提醒乘客停止危险行为,从而提升行驶安全,同时存储当前乘客的乘客信息与
相应的异常行为数据之间的对应关系,便于后续统计分析。
指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执
行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设
备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传
输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装
置。
(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存
储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的
介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其
他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下
列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路
的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场
可编程门阵列(FPGA)等。
点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不
一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何
的一个或多个实施例或示例中以合适的方式结合。
发明的范围由权利要求及其等同物限定。