一种车辆报警方法、系统及车辆与流程

本技术涉及辅助驾驶，特别涉及一种车辆报警方法、系统及车辆。

背景技术：

1、当前车载上搭载了很多的摄像头，应用了大量的智能驾驶功能，使得汽车越来越智能化。比如盲区检测bsd(blind spot detection)、变道辅助lca(lane changingassist)、车门开启预警dow(door open warning)等等，以视觉lca为例，传统的标准流程是做基于视觉的目标检测模块、多目标跟踪模块、计算单元(坐标变换与状态值估计)和报警策略模块，其中计算单元里面有很多的状态估计值，比如目标是否在区域内、目标车速限制、目标朝向、碰撞时间ttc(time to collision)估计等；报警模块使用以上估计值并设置了大量的逻辑判断，综合决策是否需要报警。

2、上述方法中的计算单元，需要从图像中检测目标，利用相机标定参数，估计在世界坐标系下的位置，估计速度、方向、ttc等信息，较多的估计参数项，导致估计参数与实际值均有偏差；同时，报警模块中人工规则下的报警逻辑在未知的边缘场景中的泛化能力差，所以这种报警策略方法会影响整体的报警准确率，进而对交通安全性会产生不利的影响。

技术实现思路

1、本技术为解决现有技术中因为在进行报警分析时，具有较多的目标估计参数项，导致估计参数与实际值有偏差，同时人工规则下的报警逻辑在未知的边缘场景中的泛化能力差，所导致的报警准确率低的技术问题，提供一种车辆报警方法、系统及车辆。

2、具体的，本技术提供一种车辆报警方法，包括以下步骤：

3、s100：实时获取初始车身数据、初始航迹数据和渲染数据。

4、s200：根据所述初始航迹数据和渲染数据获取目标特征图，并通过预设分析模型对所述目标特征图和初始车身数据进行报警分析，以获取报警概率数组。

5、s300：根据所述报警概率数组进行报警。

6、在上述技术方案中，实时获取车身数据、航迹数据和渲染数据，并通过预设分析模型进行实时的报警分析，这有助于及时识别和响应潜在的危险情况，提高驾驶安全性；通过根据初始航迹数据和渲染数据获取目标特征图，可以更加准确地描述周围环境中的目标对象，这有助于提高报警分析的准确性和鲁棒性；使用预设分析模型对目标特征图和初始车身数据进行报警分析，可以基于规则、统计或机器学习等方法，更全面地评估潜在的碰撞风险，以进一步提高报警的准确性和可靠性，同时相比于人工规则下的报警逻辑具有较强的泛化能力。

7、进一步的，在执行步骤s100之前，包括：

8、采集n组车身数据样本和图像数据样本，对所述车身数据样本和图像数据样本进行训练，以获取预设分析模型。

9、在上述技术方案中，使用训练数据样本可以帮助预设分析模型更好地识别和学习特征，并提高预测的准确性和鲁棒性，这有助于减少误报警和漏报警等问题，提高报警的可靠性；训练数据样本可以涵盖更多的场景和条件，提高预设分析模型的泛化能力，对各种未知场景和条件可以给出更加稳定和准确的预测。

10、进一步的，所述步骤s100中的获取初始航迹数据和渲染数据，包括：

11、获取目标车辆初始关键点信息，并对所述初始关键点信息进行滤波处理，以获取目标关键点信息；同时获取目标车辆在世界坐标系下的初始位置信息，并将所述初始位置信息转换至预设图像坐标系下，以获取目标位置信息。

12、根据所述目标关键点信息获取初始航迹数据，并融合所述目标关键点信息和目标位置信息，以获取渲染数据。

13、在上述技术方案中，通过对初始关键点信息进行滤波处理，可以降低关键点数据中的噪声和不确定性，提高目标关键点信息的稳定性和准确性；将目标车辆在世界坐标系下的初始位置信息转换至预设图像坐标系下，可以更好地与图像数据对应，这有助于将车辆的实际位置信息与图像数据进行匹配，减少误差，并提供更准确的目标位置信息；通过融合目标关键点信息和目标位置信息，可以将目标车辆在图像中进行虚拟渲染，以模拟真实行车环境，使得后续的报警分析更加准确可靠。

14、进一步的，所述步骤s200中的获取目标特征图，包括：

15、对初始航迹数据进行三维数据转换，以获取目标航迹数据；同时对所述渲染数据进行第一特征提取，以获取初始特征图。

16、对所述目标航迹数据和初始特征图进行第二特征提取，以获取目标特征图。

17、在上述技术方案中，通过对初始航迹数据进行三维数据转换，可以将目标车辆在平面上的运动轨迹转化为三维空间中的运动轨迹，提高航迹数据的准确度；这里的特征提取均通过cnn特征提取网络进行，其中，经过cnn特征提取网络获取初始特征图，可以提取出具有区分性和语义信息的特征标识，为后续的提取任务提供更加准确的输入；而第二次使用cnn特征提取网络则是通过了多通道特征输入，增强了目标特征图信息的完整性、准确性和可靠性。

18、进一步的，所述步骤s200中的获取报警概率数组，包括：

19、对所述初始车身数据进行归一化处理，以获取目标车身数据。

20、融合所述目标车身数据和目标特征图，并设置预设加权参数，以获取最终特征图。

21、通过预设分析模型对最终特征图进行报警分析，以计算报警概率和不报警概率，并根据所述报警概率和不报警概率组成报警概率数组。

22、在上述技术方案中，对初始车身数据进行归一化处理可以使得不同种类的车身数据在相同的尺度范围内，避免了因特征数据差异过大而引起的不平衡问题，这有助于在融合和分析阶段更好地利用不同类型数据的信息；通过相关数据的融合，可以提供更全面、更准确的特征输入；融合过程中设置的预设加权参数可以根据具体需求来调整不同数据和特征对最终特征图的贡献程度，以适应不同场景和任务需求；此外，报警分析过程基于训练好的模型评估当前车辆的危险情况，进而获取出报警概率，来为后续的报警决策提供依据。

23、进一步的，所述步骤s300包括：

24、根据所述报警概率数组获取报警标签值；若所述报警标签值为第一标签值，则进行报警；若所述报警标签值为第二标签值，则不进行报警。

25、在上述技术方案中，通过基于报警概率数组获取报警标签值，并根据不同报警标签值进行报警与否的判断，可以提高报警的准确性；报警概率数组是通过多个步骤(归一化处理、特征融合、分析模型等)得到的，能够综合考虑多个因素，减少误报和漏报的情况，提高报警决策的准确性。

26、进一步的，所述步骤s300中的进行报警时，还包括：获取所述报警概率对应的报警等级并输出。

27、在上述技术方案中，通过获取报警概率对应的报警等级，可以对不同的报警情况进行细分和分类，不同的报警等级对应不同的报警严重程度或紧急程度，可以更加准确地描述当前车辆的危险情况；不同的报警等级可能需要采取不同的措施或行动，包括发出声音警报、闪烁警示灯、触发自动制动系统等，这样可以为驾驶员或相关人员提供明确的指导，使他们能够快速、准确地采取应对措施，提高对于危险情况的处理效率。

28、基于同一构思，本技术还提供一种车辆报警系统，所述系统包括：

29、获取模块：用于实时获取初始车身数据、初始航迹数据和渲染数据。

30、分析模块：用于根据所述初始航迹数据和渲染数据获取目标特征图，并通过预设分析模型对所述目标特征图和初始车身数据进行报警分析，以获取报警概率数组。

31、报警模块：用于根据所述报警概率数组进行报警。

32、在上述技术方案中，该系统可以实现对车辆状态的实时监测和判断，为驾驶员和乘客提供实时的报警服务；其中，该系统采用初始车身数据、初始航迹数据和渲染数据进行处理，可以从多个数据源获取目标信息，提高了系统的准确性和鲁棒性；并且通过采用预设分析模型进行报警分析可以更好地判断车辆的异常行为或状态，并及时发出报警信息，同时相比于人工规则下的报警逻辑具有较强的泛化能力；此外，根据报警概率数组进行报警决策，可以减少误报和漏报的情况，提高系统的准确性和可靠性。

33、进一步的，所述系统还包括：

34、训练模块：用于采集n组车身数据样本和图像数据样本，对所述车身数据样本和图像数据样本进行训练，以获取预设分析模型。

35、输出模块：用于当进行报警时，根据所述报警概率数组获取对应的报警等级并输出。

36、在上述技术方案中，通过训练模块采集并训练车身数据样本和图像数据样本，系统能够自适应不同场景下的目标特征和报警模式，训练模块可以从数据中学习和捕捉车辆的特定行为和异常模式，从而提高系统的准确性和适应性；并且可以不断采集新的数据样本并进行模型训练，以实现对预设分析模型的更新和优化，使得本系统可以更好地适应各种场景；此外，通过输出模块根据报警概率数组获取报警等级并进行输出，可以使报警信息更加直观和易于理解。

37、基于同一构思，本技术还提供一种车辆，配置有车辆报警系统，所述系统采用所述车辆报警方法来根据实时获取到的初始车身数据、初始航迹数据和渲染数据进行报警工作。

38、与现有技术相比，本技术的有益效果在于：

39、本技术实时获取初始车身数据、初始航迹数据和渲染数据，并根据初始航迹数据和渲染数据获取目标特征图，以通过预设分析模型对目标特征图和初始车身数据进行报警分析，然后根据分析结果获取报警概率数组，进而根据该报警概率数组进行报警。本技术可以及时识别和响应潜在的危险情况，提高驾驶安全性；并且使用预设分析模型对目标特征图和初始车身数据进行报警分析，可以更全面地评估潜在的碰撞风险，以进一步提高报警的准确性和可靠性，同时相比于人工规则下的报警逻辑具有较强的泛化能力。