一种基于卫星通信和云计算技术的黑匣子系统的制作方法

1.本发明涉及安全领域，尤其涉及一种基于卫星通信和云计算技术的黑匣子系统。


背景技术：

2.汽车黑匣子，是对车辆行驶速度、时间、里程以及有关车辆行驶的其他状态信息进行记录、存储并可通过接口实现数据输出的数字式电子记录装置。但是，现有汽车黑匣子缺少对驾驶员的状态的记录，主要是因为视频监控需要占用比较大的存储空间。这就导致黑匣子中记录的数据不够全面，不利于发生事故后正确分析事故的起因。


技术实现要素：

3.鉴于上述问题，本发明的目的在于提供一种基于卫星通信和云计算技术的黑匣子系统，包括数据获取模块、数据存储模块、数据备份模块和卫星通信模块；
4.所述数据获取模块用于获取汽车的状态数据和驾驶员的状态数据；
5.所述数据存储模块用于本地存储所述汽车的状态数据和驾驶员的状态数据；
6.所述数据备份模块用于通过所述卫星通信模块将所述汽车的状态数据和驾驶员的状态数据发送至基于云计算技术的监控中心。
7.作为优选，所述数据获取模块包括第一获取数据获取单元和第二数据获取单元；
8.所述第一数据获取单元用于与汽车中设置的传感器进行连接，通过所述传感器获取所述汽车的状态数据；
9.所述第二数据获取单元用于与汽车中设置的摄像头以及司机佩戴的健康手环进行连接，通过所述摄像头和所述健康手环获取驾驶员的状态数据。
10.作为优选，所述监控中心用于备份存储所述汽车的状态数据和驾驶员的状态数据，以及用于根据汽车的状态数据和驾驶员的状态数据对汽车的安全状态进行监控。
11.作为优选，所述汽车的状态数据包括车速数据、转向数据、刹车数据、油量数据、信号灯数据和位置数据。
12.作为优选，所述驾驶员的状态数据包括疲劳驾驶数据、心率数据、血氧数据和体温数据。
13.作为优选，所述摄像头用于获取驾驶员的状态图像，并将所述状态图像传输至所述第一数据获取单元；
14.所述第一数据获取单元用于对所述状态图像进行图像识别处理，获取所述疲劳驾驶数据；
15.所述健康手环用于获取驾驶员的心率数据、血氧数据和体温数据。
16.作为优选，所述基于卫星通信的黑匣子系统还包括短程通信模块和远程通信模块；
17.所述短程通信模块包括ble通信单元和wifi通信单元；
18.所述远程通信模块包括4g通信单元和5g通信单元。
19.作为优选，所述基于卫星通信的黑匣子系统还包括定位模块，所述定位模块用于获取所述位置数据。
20.作为优选，所述ble通信单元用于分别与所述第一数据获取单元、所述健康手环连接；
21.所述健康手环用于通过所述ble通信单元将所述心率数据、血氧数据和体温数据传输至所述第一数据获取单元。
22.作为优选，所述疲劳驾驶数据包括驾驶员处于疲劳驾驶状态或驾驶员没有处于疲劳驾驶状态。
23.本发明通过同时获取并存储汽车的状态数据和驾驶员的状态数据，并对相应的状态数据进行存储，使得黑匣子中的数据更为全面，有利于发生事故后正确分析事故的起因。同时，本发明在本地对驾驶员的状态图像进行识别后，将识别结果，即疲劳驾驶数据进行存储以及发送至监控中心进行备份，这种设置方式有利于降低卫星通信的压力和降低卫星通信的费用。
附图说明
24.利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
25.图1，为本发明一种基于卫星通信和云计算技术的黑匣子系统的一种示例性实施例图。
具体实施方式
26.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
27.如图1所示的一种实施例，本发明提供了一种基于卫星通信和云计算技术的黑匣子系统，包括数据获取模块、数据存储模块、数据备份模块和卫星通信模块；
28.所述数据获取模块用于获取汽车的状态数据和驾驶员的状态数据；
29.所述数据存储模块用于本地存储所述汽车的状态数据和驾驶员的状态数据；
30.所述数据备份模块用于通过所述卫星通信模块将所述汽车的状态数据和驾驶员的状态数据发送至基于云计算技术的监控中心。
31.具体的，监控中心用于根据汽车的状态数据和驾驶员的状态数据对行车过程进行监控，例如，将汽车的状态数据和驾驶员的状态数据以热点地图、仿真仪表、能力图、数据表格等方式进行可视化展示，使得监控中心的人员能够直观地了解汽车的状态和驾驶员的状态，方便监控中心的人员及时地发现行车过程中的问题。
32.监控中心包括设置在本地的终端和设置在云服务器的云端；云端主要用于接收数据备份模块发送过来的汽车的状态数据和驾驶员的状态数据，并根据汽车的状态数据和驾驶员的状态数据对行车过程进行监控，
33.而终端则是用来将汽车的状态数据和驾驶员的状态数据以热点地图、仿真仪表、
能力图、数据表格等方式进行可视化展示，使得监控中心的人员能够直观地了解汽车的状态和驾驶员的状态，方便监控中心的人员及时地发现行车过程中的问题。
34.作为优选，所述数据获取模块包括第一获取数据获取单元和第二数据获取单元；
35.所述第一数据获取单元用于与汽车中设置的传感器进行连接，通过所述传感器获取所述汽车的状态数据；
36.所述第二数据获取单元用于与汽车中设置的摄像头以及司机佩戴的健康手环进行连接，通过所述摄像头和所述健康手环获取驾驶员的状态数据。
37.汽车中设置的传感器包括车速传感器、转向传感器、刹车传感器、油位传感器等。这些传感器分别用于获取汽车的车速数据、转向数据、刹车数据、油量数据等。
38.作为优选，所述监控中心用于备份存储所述汽车的状态数据和驾驶员的状态数据，以及用于根据汽车的状态数据和驾驶员的状态数据对汽车的安全状态进行监控。
39.具体的，可以根据汽车的状态数据和驾驶员的状态数据建立驾驶员画像、车辆画像、线路画像等，然后基于这些画像对汽车的安全状态进行监控。
40.驾驶员画像主要是通过对驾驶员的行车态度、驾驶技能等级、不良习惯、身体健康状况等建立。可以建立驾驶员风格库，实现对驾驶员的分类管理和教育。
41.驾驶员画像可以用来进行驾驶员画像对比分析，进行科学的分类，实现对驾驶员的精细化管理和排版建议。
42.线路画像可以用来通过adas、后台数据结合数字地图，采集识别弯道、斑马线、岔路口、桥隧、事故黑点、危险路段等并进行标识，形成线路画像，实现线路风险点管理及预警，第一时间通知驾驶员。
43.作为优选，所述汽车的状态数据包括车速数据、转向数据、刹车数据、油量数据、信号灯数据和位置数据。
44.信号灯数据可以通过与行车电脑进行连接获取。
45.作为优选，所述驾驶员的状态数据包括疲劳驾驶数据、心率数据、血氧数据和体温数据。
46.作为优选，所述摄像头用于获取驾驶员的状态图像，并将所述状态图像传输至所述第一数据获取单元；
47.所述第一数据获取单元用于对所述状态图像进行图像识别处理，获取所述疲劳驾驶数据；
48.所述健康手环用于获取驾驶员的心率数据、血氧数据和体温数据。
49.具体的，对所述状态图像进行图像识别处理，获取所述疲劳驾驶数据，包括：
50.对所述状态图像进行抖动程度判断，计算所述状态图像的抖动系数；
51.若所述抖动系数小于预设的抖动系数阈值，则对所述状态图像进行下一步处理；
52.若所述抖动系数大于等于预设的抖动系数阈值，则控制摄像头重新获取驾驶员的状态图像。
53.所述下一步处理包括：
54.对所述状态图像进行光线调节处理，获得光线调节图像；
55.将所述光线调节图像转换为灰度图像；
56.对所述灰度图像进行滤波处理，获得滤波图像；
57.获取所述滤波图像中的前景图像；
58.使用特征提取算法提取所述前景图像中包含的特征数据；
59.将所述数据与标准的疲劳驾驶图像的特征数据进行匹配，若匹配成功，则表示所述驾驶员处于疲劳驾驶状态，若匹配失败，则表示所述驾驶员没有处于疲劳驾驶状态。
60.通过抖动系数实现对状态图像是否模糊进行判断，从而避免模糊图像进入后续的处理过程，避免第一数据获取单元获得错误的数据，有利于提高本发明的安全性。
61.可以通过高斯滤波等方式对灰度图像进行滤波处理。通过对滤波图像进行图像分割的方式能够获得其中包含的前景图像，例如使用otsu算法对滤波图像进行图像分割处理。这里的特征提取算法可以是hog算法，lbp算法等。
62.是否匹配成功可以通过两种特征数据之间的相似度进行判断，相似度越大，匹配成功的概率越大。
63.具体的，计算所述状态图像的抖动系数，包括：
64.对所述状态图像进行小波分解处理，获得小波高频系数h1和小波低频系数l1；
65.采用软阈值处理函数对所述小波高频系数h1进行处理，获得处理后的小波高频系数h2；
66.采用非局部均值降噪算法对小波低频系数l1进行处理，获得处理后的小波低频系数l2；
67.将h1和l2进行重构，获得重构图像img1；
68.将h2和l1进行重构，获得重构图像img2；
69.分别获取img1和img2在lab颜色模型中的l分量的图像img
1,l
和img
2,l
；
70.使用以下公式计算img
1,l
和img
2,l
的在l分量的综合边界特征图像：
[0071][0072][0073][0074]
式中，td1表示img
1,l
和img
2,l
在l分量的综合边界特征图像，k表示预设的常数系数，a和b表示预设的整数型参数，w1表示预设的第一调节系数，
[0075]
分别对img1和img2进行降维处理，获得降维图像img
1,sp
和img
2,sp
；
[0076]
使用以下公式计算矩阵分别计算img
1,sp
和img
2,sp
的在降维图像中的综合边界特征图像：
[0077][0078][0079][0080]
式中，td2表示img
1,l
和img
2,l
在降维图像中的综合边界特征图像；
[0081]
通过下述方式计算状态图像的抖动系数：
[0082][0083]
式中，dfidx表示抖动系数，α和β表示预设的比例系数，α β＝1。
[0084]
本发明上述实施方式，在计算状态图像的抖动系数时，通过先将状态图像进行小波分解获得小波高频系数和小波低频系数，然后分别对小波高频系数和小波低频系数进行处理，并将处理前的小波高频系数和处理后的小波低频系数进行重构，以及将处理前的小波低频系数和处理后的小波高频系数进行重构，获得两幅重构图像。然后分别在l分量图像和降维图像中获取两幅重构图像的综合边界特征图像，最后根据两种综合边界特征图像来计算得到抖动系数，这种处理方式相较于现有的直接根据方差来判断图像是否抖动的方式，得到的结果更为准确。因为如果背景比较单一，获得的方差显然就会偏大或者偏小，使得最终的结果不够准确。而本发明则是能够很好地避免这个问题，重构图像img1由于是由经过对小波低频系数进行处理的结果重构得到的，因此img1中包含有比较多的轮廓信息，重构图像img2由于是由经过对小波高频系数进行处理的结果重构得到的，因此img2中包含有比较多的细节信息，通过分别将img1和img2至于不同的颜色空间中获得综合边界特征图像，能够综合反映img1和img2中的细节信息和轮廓信息的含量，若抖动系数越大，表示img1和img2中的细节信息和轮廓信息的含量越小，则状态图像抖动幅度比较大，反之则表示状态图像抖动幅度比较小，从而能够准确地筛选出抖动幅度较大的图像，实现准确的图像筛选，有利于为后续的计算提供高质量的图像。
[0085]
具体的，分别对img1和img2进行降维处理，获得降维图像img
1,sp
和img
2,sp
，包括：
[0086]
使用以下公式对img1进行降维处理：
[0087]
img
1,sp
(x)＝c1×
img
1,r
(x) c2×
img
1,g
(x) c3×
img
1,b
(x)
[0088]
式中，img
1,sp
(x)表示像素点x在降维图像img
1,sp
中的像素值，c1、c2、c3表示预设的权重参数，img
1,r
(x)、img
1,g
(x)、img
1,b
(x)分别表示像素点x在红色分量图像、绿色分量图像、蓝色分量图像中的像素值，红色分量图像、绿色分量图像、蓝色分量图像分别表示img1在rgb颜色模型中的r分量、g分量、b分量的图像。
[0089]
对img2进行降维处理的过程与对img1进行降维处理的过程一致，这里不再赘述。
[0090]
对图像进行降维，将图像从rgb颜色模型中的3种变量变成只有1种变量，能够显著降低后续的运算量，从而提高本发明的第一数据获取单元相应速度，进而保证本发明的用户体验。
[0091]
具体的，所述对所述状态图像进行光线调节处理，获得光线调节图像，包括：
[0092]
获取所述状态图像在lab颜色模型中的l分量图像wgimg
l
；
[0093]
对于wgimg
l
中的像素点n，判断其所属类型；
[0094]
若像素点n为第一类型像素点，则采用下述公式对像素点n进行光线调节处理：
[0095][0096]
若像素点n为第二类型像素点，则采用下述公式对像素点n进行光线调节处理：
[0097][0098]
式中，awgimg
l
表示光线调节图像，awgimg
l
(n)表示像素点n在光线调节图像中的像素值，kc表示预设的控制系数，top1表示wgimg
l
中像素值大于midf的像素点的像素值的均值，top2表示wgimg
l
中像素值小于midf的像素点的像素值的均值，midf表示wgimg
l
中的像素值中值，wgimg
l
(n)表示像素点n在wgimg
l
中的像素值，t表示常数系数，t∈[5,9]，avf表示wgimg
l
中的像素值均值，bcf表示在wgimg
l
中，像素点n的q
×
q大小的邻域中的像素点的像素值的均值；jud表示判断函数，若jud(avew(n)
‑
wgimg
l
(n))大于0，则jud(avew(n)
‑
wgimg
l
(n))的值为1，若jud(avew(n)
‑
wgimg
l
(n))等于0，则jud(avew(n)
‑
wgimg
l
(n))的值为0，若jud(avew(n)
‑
wgimg
l
(n))的值小于0，则jud(avew(n)
‑
wgimg
l
(n))的值为
‑
1；tc表示预设的调节参数，tc∈(0,1)，u(n)表示像素点n的q
×
q大小的邻域中的像素点的集合，wgimg
l
(q)表示u(n)中的像素点q的像素值，avew(n)表示u(n)中的像素点的像素值的标准差。
[0099]
由于状态图像获取的环境多变，因此状态图像中的光线分布可能不均匀，因此，需要进行光线调节处理。现有的光线调节处理一般是使用同一种处理函数对所有的像素点进行全局的调节处理，显然这种处理方式并没有针对性，并没有为不同所属类型的像素点提供不同的处理函数进行光照调节处理，使得处理的结果不够准确。而本发明则是通过像素点的所属类型为不同的像素点提供不同的处理函数进行处理，有效地提高了处理结果的准确性。
[0100]
具体的，通过以下方式判断像素点n的所属类型：
[0101][0102]
其中，judidx(n)表示像素点n的类型参数，φ表示对wgimg
l
进行高斯滤波的标准
差，long(q,n)表示q和n之间的距离，u(n)表示像素点n的q
×
q大小的邻域中的像素点的集合，wgimg
l,d
(q)和wgimg
l,d
(n)分别表示中的像素点q和n的梯度幅值，q表示u(n)中包含的像素点，
[0103]
若|judidx(n)
‑
wgimg
l
(n)|小于预设的比较阈值thr，则表示像素点n为第一类型像素点，否则，像素点n为第二类型像素点。
[0104]
在判断所属类型时，本发明通过计算当前的像素点n和其邻域中的像素点在梯度幅值以及距离这两方面的差距来综合判断像素点的所属类型，若|judidx(n)
‑
wgimg
l
(n)|比较小，表示像素点n与其邻域中的像素点之间差异比较小，因此采用第一类型像素点的处理函数对其进行处理，而在第一类型像素点的处理函数中也引入了像素点n的邻域的均值这样的参数，从而有效提升光线调节的准确性。
[0105]
作为优选，所述基于卫星通信的黑匣子系统还包括短程通信模块和远程通信模块；
[0106]
所述短程通信模块包括ble通信单元和wifi通信单元；
[0107]
所述远程通信模块包括4g通信单元和5g通信单元。
[0108]
具体的，短程通信模块主要用于与外界设备进行短距离无线通信，例如通过ble单元与健康手环、智能手机等进行连接，通过wifi通信单元与宽带网络进行连接，将黑匣子中存储的数据传输至监控中心进行备份。
[0109]
而4g通信单元和5g通信单元则是主要用于汽车在行驶过程将黑匣子获取的数据传输至数据中心进行备份。而如果汽车行驶到无线蜂窝网络覆盖不到位的地区，则是通过卫星通信的方式与数据中心进行通信。由于卫星通信资费比较贵，而且传输速度有限，因此本发明通过先在本地对驾驶员的状态图像进行识别后，将识别结果在传输至监控中心进行备份。
[0110]
作为优选，所述基于卫星通信的黑匣子系统还包括定位模块，所述定位模块用于获取所述位置数据。
[0111]
定位模块包括北斗定位芯片和gps定位芯片，通过两种定位方式的冗余设置，保证监控中心能够实时获取汽车的位置。
[0112]
作为优选，所述ble通信单元用于分别与所述第一数据获取单元、所述健康手环连接；
[0113]
所述健康手环用于通过所述ble通信单元将所述心率数据、血氧数据和体温数据传输至所述第一数据获取单元。
[0114]
作为优选，所述疲劳驾驶数据包括驾驶员处于疲劳驾驶状态或驾驶员没有处于疲劳驾驶状态。
[0115]
本发明通过同时获取并存储汽车的状态数据和驾驶员的状态数据，并对相应的状态数据进行存储，使得黑匣子中的数据更为全面，有利于发生事故后正确分析事故的起因。同时，本发明在本地对驾驶员的状态图像进行识别后，将识别结果，即疲劳驾驶数据进行存储以及发送至监控中心进行备份，这种设置方式有利于降低卫星通信的压力和降低卫星通信的费用。
[0116]
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。