本發(fā)明涉及分心步行安全領(lǐng)域，尤其是一種基于移動(dòng)終端的“分心步行”預(yù)警系統(tǒng)。

背景技術(shù)：

現(xiàn)實(shí)生活中，行人一心二用，即行走時(shí)分心在手機(jī)上發(fā)短信、打電話等從而引發(fā)安全問題的現(xiàn)象越發(fā)頻繁。一項(xiàng)來自于紐約州立大學(xué)石溪分校的研究指出，行走時(shí)分心發(fā)短信的人比正常行走的人要多60％的可能性遭遇交通事故。美國國家安全委員會(huì)的一份報(bào)告指出，2000年到2011年間，行人因手機(jī)分神事故中預(yù)計(jì)共造成了超過1萬人受傷。現(xiàn)有技術(shù)中，利用移動(dòng)終端上的各種傳感器來解決該問題的技術(shù)不斷涌現(xiàn)，如利用GPS判斷位置，利用加速器、陀螺儀判斷手機(jī)狀態(tài)，利用麥克風(fēng)判斷來往車輛等，但都存在一定缺陷，如精度不高、耗能等。利用移動(dòng)終端的攝像頭，對(duì)攝像頭是否拍攝到車輛來判斷行人是否安全的技術(shù)，仍然具備著準(zhǔn)確率不高并且在發(fā)出警報(bào)后留給用戶你對(duì)時(shí)間過短的缺陷。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于，提供一種基于移動(dòng)終端的“分心步行”預(yù)警系統(tǒng)，可以實(shí)現(xiàn)安全預(yù)警。

為解決上述技術(shù)問題，本發(fā)明提供一種基于移動(dòng)終端的“分心步行”預(yù)警系統(tǒng)，包括模型訓(xùn)練模塊和實(shí)時(shí)檢測模塊；模型訓(xùn)練模塊通過對(duì)大量道路特征訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理和模型訓(xùn)練，生成樣本模型用于實(shí)時(shí)檢測；實(shí)時(shí)檢測模塊利用移動(dòng)終端進(jìn)行采樣和預(yù)處理，針對(duì)明顯道路標(biāo)識(shí)特征，根據(jù)模型訓(xùn)練模塊生成的樣本模型對(duì)采集的樣本進(jìn)行分類預(yù)測，根據(jù)分類預(yù)測的結(jié)果進(jìn)行決策判斷，當(dāng)判斷分心的用戶走出人行道時(shí)，對(duì)用戶進(jìn)行預(yù)警。

優(yōu)選的，模型訓(xùn)練模塊包括預(yù)處理單元、模型訓(xùn)練單元和樣本模型，預(yù)處理單元用于對(duì)大量訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理，模型訓(xùn)練單元用于對(duì)預(yù)處理單元處理的數(shù)據(jù)進(jìn)行模型訓(xùn)練從而生產(chǎn)樣本模型；實(shí)時(shí)檢測模型包括樣本采集單元、預(yù)處理單元、分類預(yù)測單元、決策單元和用戶預(yù)警單元，樣本采集單元用于采樣，預(yù)處理單元用于對(duì)采集的樣本進(jìn)行預(yù)處理，分類預(yù)測單元用于根據(jù)模型訓(xùn)練模塊生成的樣本模型對(duì)采集的樣本進(jìn)行分類預(yù)測，決策單元用于對(duì)分類預(yù)測的結(jié)果進(jìn)行決策判斷從而通過用戶預(yù)警單元對(duì)用戶進(jìn)行預(yù)警。

優(yōu)選的，系統(tǒng)檢測的目標(biāo)為盲道，訓(xùn)練數(shù)據(jù)集模擬行人外出，通過后置攝像頭完成數(shù)據(jù)的采集，采集的數(shù)據(jù)為圖像中存在盲道路徑的和圖像中不存在盲道路徑的。

優(yōu)選的，模型訓(xùn)練模塊中的預(yù)處理單元對(duì)大量訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理，包括灰化圖像和調(diào)節(jié)圖像尺寸，考慮多個(gè)參數(shù)值，對(duì)不同參數(shù)生成的模型進(jìn)行測試，選出運(yùn)行時(shí)間和準(zhǔn)確率都理想的模型，記錄對(duì)應(yīng)的參數(shù)值。

優(yōu)選的，樣本采集單元基于用戶使用的移動(dòng)終端的后置攝像頭，攝像頭在后臺(tái)運(yùn)行中的手機(jī)應(yīng)用的控制下，在每一個(gè)運(yùn)行周期的開始啟動(dòng)并獲得此時(shí)攝像頭中的圖像，將圖像傳送給實(shí)時(shí)檢測模塊中的預(yù)處理單元。

優(yōu)選的，在每個(gè)運(yùn)行周期，決策判斷單元接受單個(gè)預(yù)測結(jié)果，并決定在收到該項(xiàng)預(yù)測結(jié)果后，給出用戶是否走在帶有盲道的人行道上的判斷；利用多次圖像的預(yù)測結(jié)果做出判斷，利用該運(yùn)行周期的預(yù)測結(jié)果和前幾次預(yù)測結(jié)果的記錄；決策的結(jié)果為3種：陽性，用戶處于帶盲道的人行道上，在時(shí)間間隔T后進(jìn)入下一個(gè)運(yùn)行周期；陰性，用戶未處于帶盲道的人行道上，在時(shí)間間隔T后進(jìn)入下一個(gè)運(yùn)行周期；無，不給出用戶當(dāng)前狀態(tài)，直接再次采樣，進(jìn)入下一個(gè)運(yùn)行周期。

優(yōu)選的，決策的步驟為：

(1)設(shè)定Treq的值，Treq通常取值1～3，并初始化中間變量Tdet的值為零；

(2)本次運(yùn)行周期的預(yù)測結(jié)果為Pnow，如果在上一個(gè)運(yùn)行周期時(shí)已經(jīng)做出了有結(jié)果的判斷，且判斷結(jié)果Rprv與Pnow相同，那么本次運(yùn)行周期的決策仍然為Rprv，在時(shí)間間隔T后進(jìn)入下一個(gè)運(yùn)行周期的步驟(2)；

(3)若Rprv與Pnow不同，那么判斷Pnow與前一個(gè)運(yùn)行周期的預(yù)測結(jié)果Pprv是否相同；若相同，那么使Tdet的值增加1，并進(jìn)入下一步驟；若不同，則將Tdet的值賦值為零，當(dāng)次的決策結(jié)果為無，然后直接進(jìn)入下一個(gè)運(yùn)行周期的步驟(2)；

(4)判斷Tdet的值是否不小于Treq的值，若是，則本次運(yùn)行周期的決策結(jié)果為Pnow；若不是，當(dāng)次的決策結(jié)果為無，則在時(shí)間間隔T后進(jìn)入下一個(gè)運(yùn)行周期的步驟(2)。

本發(fā)明的有益效果為：當(dāng)用戶手持手機(jī)從人行道走向車行道時(shí)，由于持手機(jī)斜向下的角度，以及持手機(jī)高度的存在，手機(jī)攝像頭捕獲的畫面將為用戶前方的路面，本系統(tǒng)能夠在用戶走道危險(xiǎn)區(qū)域之前便提前給出警告；在無需額外硬件定制的基礎(chǔ)上，能對(duì)“分心步行”的移動(dòng)終端使用者進(jìn)行有效預(yù)警，能夠?qū)η皫状螜z測結(jié)果進(jìn)行有效利用，準(zhǔn)確度高、耗能低，能夠進(jìn)行提前判斷。

附圖說明

圖1是本發(fā)明的整體系統(tǒng)結(jié)構(gòu)示意圖。

圖2是本發(fā)明的決策方法流程示意圖。

圖3是本發(fā)明的用戶使用時(shí)預(yù)警場景圖。

具體實(shí)施方式

如圖1所示，一種基于移動(dòng)終端的“分心步行”預(yù)警系統(tǒng)，包括模型訓(xùn)練模塊和實(shí)時(shí)檢測模塊；模型訓(xùn)練模塊通過對(duì)大量訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理和模型訓(xùn)練，生成樣本模型用于實(shí)時(shí)檢測；實(shí)時(shí)檢測模塊利用移動(dòng)終端進(jìn)行采樣和預(yù)處理，根據(jù)模型訓(xùn)練模塊生成的樣本模型對(duì)采集的樣本進(jìn)行分類預(yù)測，根據(jù)分類預(yù)測的結(jié)果進(jìn)行決策判斷，當(dāng)判斷分心的用戶走出人行道時(shí)，對(duì)用戶進(jìn)行預(yù)警。

系統(tǒng)檢測的目標(biāo)是盲道，訓(xùn)練數(shù)據(jù)集通過模擬行人外出時(shí)，一邊步行一邊使用手機(jī)，通過后置攝像頭來完成采集。采集的數(shù)據(jù)將分為兩類，一類為圖像中存在盲道路徑的，一類為不存在盲道的。兩種數(shù)據(jù)對(duì)應(yīng)于決策判斷結(jié)果的安全區(qū)域與非安全區(qū)域判斷，一次正確的決策判斷能夠?qū)⒋嬖诿さ赖膱D像判斷為安全區(qū)域，將不存在盲道路徑的判斷為非安全區(qū)域。

模型訓(xùn)練模塊首先將訓(xùn)練數(shù)據(jù)集進(jìn)行預(yù)處理，包括灰化圖像和調(diào)節(jié)圖像尺寸，然后用預(yù)處理后的數(shù)據(jù)進(jìn)行訓(xùn)練建立模型。在這一過程中，將考慮多個(gè)參數(shù)值，包括調(diào)節(jié)圖像的尺寸大小，選用的分類器類型等。然后對(duì)不同參數(shù)生成的模型進(jìn)行測試，選出運(yùn)行時(shí)間和準(zhǔn)確率都較理想的模型，紀(jì)錄對(duì)應(yīng)的參數(shù)值，以用于移動(dòng)終端上的實(shí)時(shí)檢測。通過圖像處理和動(dòng)態(tài)采樣特性，提高系統(tǒng)相應(yīng)實(shí)時(shí)性；通過圖像預(yù)處理，包括灰化圖像和調(diào)節(jié)圖像尺寸，選用運(yùn)行時(shí)間和準(zhǔn)確率都比較理想的分類器模型，提高響應(yīng)速度。

在采集到足夠數(shù)量訓(xùn)練數(shù)據(jù)集圖像后，將對(duì)訓(xùn)練數(shù)據(jù)按照設(shè)置的參數(shù)進(jìn)行圖像預(yù)處理，處理步驟包括灰化圖像和調(diào)節(jié)圖像尺寸，其中設(shè)置參數(shù)為圖像尺寸大小。然后模型訓(xùn)練單元將基于預(yù)處理后的訓(xùn)練數(shù)據(jù)集圖像，按照設(shè)置的參數(shù)進(jìn)行模型訓(xùn)練，建立用于實(shí)時(shí)檢測模塊的分類預(yù)測單元的樣本模型，其中設(shè)置的參數(shù)包括采用的分類器類型和圖像中選用的特征點(diǎn)個(gè)數(shù)。依據(jù)這些參數(shù)建立樣本模型后，模型訓(xùn)練單元還將對(duì)建立好的模型進(jìn)行調(diào)參工作，即隨機(jī)使用部分訓(xùn)練樣本依據(jù)不同的參數(shù)值搭配以建立不同的樣本模型后，然后使用該模型對(duì)其他未使用的訓(xùn)練數(shù)據(jù)集進(jìn)行測試預(yù)測，核驗(yàn)預(yù)測結(jié)果與真實(shí)結(jié)果是否一致以計(jì)算出預(yù)測準(zhǔn)確率，同時(shí)記錄該預(yù)測過程的耗時(shí)。統(tǒng)計(jì)出不同的樣本模型的準(zhǔn)確率與耗時(shí)結(jié)果，然后選用出運(yùn)行時(shí)間和準(zhǔn)確率都較理想的樣本模型，使用該模型對(duì)應(yīng)的圖像尺寸大小、分類器類型和特征點(diǎn)個(gè)數(shù)的參數(shù)值以用于建立最終使用的樣本模型。

實(shí)時(shí)檢測模塊中的樣本采集單元基于用戶使用的移動(dòng)終端的后置攝像頭。攝像頭將在后臺(tái)運(yùn)行中的手機(jī)應(yīng)用的控制下，在每一個(gè)運(yùn)行周期的最開始啟動(dòng)并捕獲此時(shí)攝像頭中的畫面，將圖像傳送到預(yù)處理單元。

在每個(gè)運(yùn)行周期，實(shí)時(shí)檢測模塊中的預(yù)處理單元將其獲取的單張圖像進(jìn)行預(yù)處理，預(yù)處理方法與模型訓(xùn)練模塊中預(yù)處理方法一致。

在每個(gè)運(yùn)行周期，實(shí)時(shí)檢測模塊中的分類預(yù)測單元將根據(jù)從模型訓(xùn)練模塊中選出的模型及參數(shù)，來對(duì)該單元獲取的預(yù)處理后的圖像進(jìn)行分類預(yù)測，以判斷圖像中是否包含盲道，預(yù)測結(jié)果將發(fā)送至決策單元。

如圖2所示，在每個(gè)運(yùn)行周期，實(shí)時(shí)檢測模塊中的決策單元將接受單個(gè)預(yù)測結(jié)果，并決定在收到該預(yù)測結(jié)果后，能否給出當(dāng)前環(huán)境的判斷，即用戶是否走在帶有盲道的人行道上的判斷。決策思想在于，單次圖像的預(yù)測并非完全準(zhǔn)確，但如果利用多次圖像的預(yù)測結(jié)果來作出判斷，或者說利用到前幾次預(yù)測結(jié)果的紀(jì)錄，那么作出的判斷準(zhǔn)確率將大大提升。決策的依據(jù)為該運(yùn)行周期的預(yù)測結(jié)果和前幾次預(yù)測結(jié)果的紀(jì)錄。決策的結(jié)果為3種：陽性(用戶處于帶盲道的人行道上，在時(shí)間間隔T后進(jìn)入下一個(gè)運(yùn)行周期)，陰性(用戶未處于帶盲道的人行道上，在時(shí)間間隔T后進(jìn)入下一個(gè)運(yùn)行周期)，無(不給出用戶當(dāng)前狀態(tài)，直接再次采樣，進(jìn)入下一個(gè)運(yùn)行周期)。決策的步驟為：

(1)設(shè)定Treq的值(Treq取值通常為1～3)，其意義為，在考慮本次預(yù)測結(jié)果的基礎(chǔ)上，本次決策還要綜合考慮的之前Treq次運(yùn)行周期的預(yù)測結(jié)果。并初始化中間變量Tdet的值為零，其意義是判斷當(dāng)前已考量的預(yù)測結(jié)果數(shù)目是否滿足Treq要求。

(2)本次運(yùn)行周期的預(yù)測結(jié)果為Pnow，如果在上一個(gè)運(yùn)行周期時(shí)已經(jīng)做出了有結(jié)果的判斷，且判斷結(jié)果Rprv與Pnow相同，那么本次運(yùn)行周期的決策仍然為Rprv，在時(shí)間間隔T后進(jìn)入下一個(gè)運(yùn)行周期的步驟(2)。

(3)若Rprv與Pnow不同，那么判斷Pnow與前一個(gè)運(yùn)行周期的預(yù)測結(jié)果Pprv是否相同。若相同，那么使Tdet的值增加1，并進(jìn)入下一步驟；若不同，則將Tdet的值賦值為零，當(dāng)次的決策結(jié)果為無，然后直接進(jìn)入下一個(gè)運(yùn)行周期的步驟(2)。

(4)判斷Tdet的值是否不小于Treq的值，若是，則本次運(yùn)行周期的決策結(jié)果為Pnow；若不是，當(dāng)次的決策結(jié)果為無，則在時(shí)間間隔T后進(jìn)入下一個(gè)運(yùn)行周期的步驟(2)。

如圖3所示，當(dāng)用戶手持手機(jī)從人行道走向車行道時(shí)，由于持手機(jī)斜向下的角度，以及持手機(jī)高度的存在，手機(jī)攝像頭捕獲的畫面將為用戶前方的路面。也因?yàn)檫@一特點(diǎn)，本系統(tǒng)能夠在用戶走到危險(xiǎn)區(qū)域之前便提前給出警告。

本發(fā)明采用動(dòng)態(tài)的采樣間隔和光敏感特征，減輕系統(tǒng)能耗開銷，預(yù)留用戶更多緊急情況的反應(yīng)時(shí)間。系統(tǒng)將根據(jù)用戶行走軌跡，如果用戶一直走在安全區(qū)域，系統(tǒng)將適當(dāng)增加采樣間隔，降低系統(tǒng)能耗，但同時(shí)約束最大采樣間隔，避免采樣間隔無限擴(kuò)大，降低系統(tǒng)安全性。如果用戶行經(jīng)常行走于不安全區(qū)域，系統(tǒng)將適當(dāng)減少采樣間隔，使系統(tǒng)能夠更好的發(fā)現(xiàn)危險(xiǎn)情況，給予用戶警告。在夜晚或光線不好的場景，用戶如果使用手機(jī)將極大影響行路安全，而系統(tǒng)也不能判斷安全性，將停止工作并持續(xù)報(bào)警，這一操作可以降低系統(tǒng)能耗同時(shí)保證用戶安全。而在上述的決策方法也是本系統(tǒng)的一個(gè)重要的動(dòng)態(tài)調(diào)節(jié)采樣間隔的過程，當(dāng)系統(tǒng)的檢測從之前的人行道判斷到了不同的非人行道判斷時(shí)，系統(tǒng)將跳過采樣間隔，直接進(jìn)行下一次的采樣及檢測。這是由于此情況的發(fā)生源于兩種可能性，檢測錯(cuò)誤和用戶走出人行道，因此需要立即再次檢測以得出正確判斷，如果判斷是用戶走出人行道，那么將給出警告，該方法便能預(yù)留給用戶更多時(shí)間以應(yīng)對(duì)緊急情況。

通過移動(dòng)終端攝像頭檢測道路特征，具有廣泛的適用性。鑒于目前各個(gè)國家均采用在道路設(shè)置標(biāo)記信息的方式提醒行人，例如比利時(shí)在道路上刷白線形成“發(fā)短信專用道”。本發(fā)明可以通過僅僅改變訓(xùn)練數(shù)據(jù)集，而不修改任何軟件的方式，應(yīng)用于新的場景，具有廣泛的適用性。

本系統(tǒng)在改變檢測對(duì)象時(shí)，應(yīng)用于盲道檢測以外場景時(shí)無須調(diào)動(dòng)實(shí)時(shí)檢測模塊，只需要更改模型訓(xùn)練模塊的訓(xùn)練數(shù)據(jù)集，使用相同系統(tǒng)單元及方法對(duì)數(shù)據(jù)集進(jìn)行圖像預(yù)處理、建立樣本模型和調(diào)參，即可得到對(duì)應(yīng)于該檢測對(duì)象的最終樣本模型，用于實(shí)時(shí)檢測模塊使用。而通常檢測的準(zhǔn)確率受到訓(xùn)練數(shù)據(jù)集中不同類樣本的差異程度的影響。在本系統(tǒng)的測試中，除了盲道的檢測，斑馬線的檢測，以及在道路設(shè)置明顯標(biāo)記的檢測也有著優(yōu)異的準(zhǔn)確率及檢測時(shí)間表現(xiàn)。

盡管本發(fā)明就優(yōu)選實(shí)施方式進(jìn)行了示意和描述，但本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，只要不超出本發(fā)明的權(quán)利要求所限定的范圍，可以對(duì)本發(fā)明進(jìn)行各種變化和修改。