本發(fā)明屬于行車記錄儀，特別涉及一種基于熱成像的智能識別行車記錄儀及其控制方法。

背景技術：

1、智能識別行車記錄儀是一種集成了先進智能技術的高效設備，通過高清攝像頭捕捉行車過程中的視頻影像，并利用內置的圖像處理芯片和算法進行實時分析，能夠識別車牌、交通標志、行人和其他車輛等。這種識別技術基于深度學習和人工智能，可以有效提升道路安全，減少交通事故的發(fā)生。

2、如專利文件申請?zhí)枮?01910552168.6，公開了一種基于yolo物象識別的智能行車記錄儀、系統(tǒng)及車輛，包括：第一攝像頭、第二攝像頭、第一芯片、第二芯片、語音轉化芯片、圖像處理器、數(shù)據庫服務器、wifi模塊、車載音響。首先由第一攝像頭和第二攝像頭采集圖像，然后第一芯片通過yolo物象識別算法對經過圖像處理器處理的圖像進行識別，得到物象識別結果；第二芯片對采集的圖像進行測距處理，得到測距結果。得到的物象識別結果和測距結果傳輸至語音轉化芯片，由所述語音轉化芯片進行處理，輸出語音至車載音響，有效的提升車主駕駛安全性，減少事故的發(fā)生。

3、然而，上述智能行車記錄儀在白天和良好光照條件下表現(xiàn)出色，但在夜間或光線較暗的環(huán)境中，其準確性和效果可能會受到一定影響，從而影響對駕駛人員夜間行車的安全性，因此我們需要提出一種基于熱成像的智能識別行車記錄儀及其控制方法來解決上述存在的問題，使其能夠通過檢測物體發(fā)出的紅外輻射來形成圖像，不需要任何外部光源就能成像，使得在夜間或低光條件下也能夠提供清晰的視圖，提高夜間駕駛的安全性。

技術實現(xiàn)思路

1、針對上述問題，本發(fā)明提供了一種基于熱成像的智能識別行車記錄儀，包括行車記錄儀本體，所述行車記錄儀本體的內部設置有能夠在完全無光或光線極弱環(huán)境中清晰捕捉目標物體紅外輻射的熱成像單元、內置ai深度學習算法的數(shù)據處理單元、具備300米遠視距離能力的目標識別單元、用于提供控制信號的控制單元、能夠進行通信和定位的通信單元以及用于進行人機交互操作的人機交互單元，所述熱成像單元與數(shù)據處理單元電性連接，所述數(shù)據處理單元與目標識別單元電性連接，所述目標識別單元與控制單元電性連接，所述控制單元分別與通信單元和人機交互單元電性連接，所述通信單元分別與熱成像單元、數(shù)據處理單元和目標識別單元電性連接。

2、進一步的，所述熱成像單元包括至少一個紅外傳感器，至少一個所述紅外傳感器用于捕捉目標物體的紅外輻射信號，再通過信號處理電路將捕獲的紅外輻射信號轉化為數(shù)字信號，并將轉化后的數(shù)字信號傳輸給數(shù)據處理單元處理。

3、進一步的，所述信號處理電路包括耦合芯片u1，所述耦合芯片u1的發(fā)射端連接有電阻r6，所述耦合芯片u1的接收端連接有放大器q1，所述放大器q1的正極端連接有可調電阻r8，所述可調電阻r8的一端連接有電阻r7，所述電阻r7的一端和可調電阻r8的另一端分別與耦合芯片u1的兩個接收端連接，所述耦合芯片u1的輸出端連接有對地電阻r9。

4、進一步的，所述數(shù)據處理單元包括用于存儲視頻數(shù)據的內存模組和至少一個用于對圖像進行分析和處理的微處理器，所述內存模組與微處理器電性連接，所述微處理器接收到數(shù)字信號后進行圖像的分析和處理，利用ai深度學習算法以識別出圖像中的行人、障礙物或車輛，并進行相應的反應。

5、進一步的，所述微處理器在進行圖像的分析和處理的流程如下：

6、b1、通過卷積運算來提取圖像的關鍵特征，卷積運算公式如下：

7、

8、其中，f為輸入信號，g為卷積核，t為時間變量，τ為虛擬積分變量，dτ為在積分中τ的微小變化；

9、b2、根據卷積運算結果進行池化操作，計算出離散卷積之和ijn，計算公式如下：

10、

11、其中，m為卷積核數(shù)量，x為卷積層輸出區(qū)域的x軸坐標，y為卷積層輸出區(qū)域的y軸坐標；

12、b3、根據如下求值公式找出最大池化后的輸出區(qū)域最大值：

13、ax＝maxixy，

14、其中，ixy是卷積層輸出的一個區(qū)域，ax是經過池化后該區(qū)域的最大值；

15、b4、根據輸出最大值計算第一層權重值w1，第一層權重值計算公式如下：

16、其中，n為第一層權重矩陣；

17、b5、計算第二次權重值w2，計算公式如下：

18、其中，θ為學習率，l為損失函數(shù)；

19、b6、計算第三次權重值w3，計算公式如下：

20、

21、b7、使用輸出公式對新的數(shù)據進行分類和識別，輸出公式如下：

22、其中k是總類別數(shù)。

23、進一步的，所述目標識別單元在識別目標時包括如下步驟：

24、a1、使用數(shù)字過濾器對接收的圖像數(shù)據進行預處理，預處理包括去噪聲、增強對比度和調整圖像大小的操作，便于為后續(xù)分析做準備；

25、a2、從預處理后的圖像中提取關鍵特征，關鍵特征包括邊緣、紋理和形狀；

26、a3、將圖像劃分為多個候選區(qū)域，以便對候選區(qū)域進行單獨處理和分析；

27、a4、使用預先訓練好的卷積神經網絡算法模型來識別和定位圖像中的目標；

28、a5、將特征提取到卷積神經網絡算法模型中計算，輸出識別結果和目標位置；

29、a6、根據識別出的目標種類和位置，結合場景分析判斷目標是否存在潛在風險，若存在潛在風險，則進行預警操作，若不存在潛在風險，則進入下一個圖像識別。

30、進一步的，所述控制單元包括控制電路和隔離電路，所述控制電路與隔離電路連接。

31、進一步的，所述控制電路包括控制芯片u2，所述控制芯片u2的1腳連接有電容c1，所述控制芯片u2的2腳連接有電容c2，且所述電容c2的一端和電容c1的一端均連接在控制芯片u2的5腳上，所述控制芯片u2的9腳連接有呈串聯(lián)設置的電阻r61和運算器u16，所述控制芯片u2的11腳連接有呈串聯(lián)設置的電阻r71和運算器u17，所述控制芯片u2的13腳連接有呈并聯(lián)設置的電阻r81和運算器u18，所述運算器u18的10腳與電容c2的另一端連接，所述控制芯片u2的15腳與24腳之間連接有電阻r13，所述控制芯片u2的21腳連接有電阻r11，所述控制芯片u2的19腳連接有電阻r12，且所述電阻r11的一端和電阻r12的一端均與控制芯片u2的26腳連接。

32、進一步的，所述隔離電路包括呈并聯(lián)設置的耦合芯片u21、耦合芯片u22、耦合芯片u23和耦合芯片u24，所述耦合芯片u21的發(fā)射端連接有電阻r44，所述耦合芯片u22的發(fā)射端連接有電阻r43，所述耦合芯片u23的發(fā)射端連接有電阻r42，所述耦合芯片u24的發(fā)射端連接有電阻r41，且所述電阻r41的一端、電阻r42的一端、電阻r43的一端和電阻r44的一端連接在一起，所述耦合芯片u21的其中一個接收端與耦合芯片u23的其中一個接收端連接，所述耦合芯片u22的其中一個接收端與耦合芯片u24其中一個接收端連接,所述耦合芯片u23的另一個接收端與耦合芯片u24的另一個接收端之間連接有電容c55。

33、基于以上敘述的一種基于熱成像的智能識別行車記錄儀，本發(fā)明還提供一種基于熱成像的智能識別行車記錄儀的控制方法，包括如下步驟：

34、s1、通過熱成像單元捕捉目標物體發(fā)出的紅外輻射信號并將紅外檢測信號轉化為數(shù)字信號；

35、s2、通過數(shù)據處理單元將數(shù)字信號進行分析處理，利用內置的ai深度學習算法識別出圖像中的行人、障礙物或車輛，并根據預設的邏輯做出觸發(fā)警報或提醒注意的反應；

36、s3、通過目標識別單元對數(shù)字信號進行預處理，將提取的特征輸入到預先訓練好的卷積神經網絡模型中，通過多層處理最終輸出識別結果和目標位置；

37、s4、根據識別出的目標種類和位置，結合場景分析，判斷目標是否存在潛在風險，如果存在風險，則進行預警操作；如果不存在風險，則繼續(xù)監(jiān)控下一幀圖像；

38、s5、用戶通過通訊單元與人機交互單元進行遠程傳輸、訪問和控制。

39、本發(fā)明的有益效果是：

40、1、本發(fā)明通過熱成像單元、數(shù)據處理單元、目標識別單元、控制單元、通信單元和人機交互單元的配合，能夠通過檢測物體發(fā)出的紅外輻射來形成圖像，不需要任何外部光源就能成像，使得在夜間或低光條件下也能夠提供清晰的視圖，提高夜間駕駛的安全性。

41、2、本發(fā)明通過數(shù)據處理單元的設置，能夠在接收到數(shù)字信號后進行圖像的分析和處理，利用ai深度學習算法以識別出圖像中的行人、障礙物或車輛，并進行相應的反應，提高對數(shù)據處理的高效性。

42、3、本發(fā)明控制單元的設置，能夠管理和調節(jié)整個電路的功能，確保各個單元之間的正常工作，并按照預定程序執(zhí)行任務，且在電路之間建立隔離屏障，確保信號傳輸?shù)陌踩院涂煽啃裕乐垢邏弘娀蚬收弦鸬陌踩珕栴}。

43、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在說明書、權利要求書以及附圖中所指出的結構來實現(xiàn)和獲得。