[發明專利]基于雷達攝像頭的信息預警方法及系統

有效

• 申請號: 202110568896.3
• 申請日: 2021-05-25
• 公開（公告）號: CN113253261B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 武學臣;金葉;王逸
• 申請（專利權）人: 蘇州昆承智能車檢測科技有限公司
• 主分類號: G01S13/88
• 分類號: G01S13/88;G01S13/931;G06N20/00;G08B31/00
• 代理公司: 蘇州瞪羚知識產權代理事務所(普通合伙) 32438
• 代理人: 張宇

1.一種基于雷達攝像頭的信息預警方法，其特征在于，應用于服務器，所述服務器與車載終端通信連接，所述方法包括：

獲取車載終端的雷達攝像視頻流數據；

根據所述雷達攝像視頻流數據，以及車載終端中包含的信息預警決策模板的信息，生成目標車載預警狀態分布的信息；其中，所述信息預警決策模板的信息包括深度學習網絡模型對象和對應特征提取結構的預警數據集，所述目標車載預警狀態分布的信息包括目標車載預警狀態分布類型和對應特征提取結構的預警數據集；

根據所述信息預警決策模板的信息確定深度學習網絡模型對象對應所述車載終端的特征提取結構的預警數據集，以及根據所述目標車載預警狀態分布的信息確定目標車載預警狀態分布類型對應所述車載終端的特征提取結構的預警數據集；

根據深度學習網絡模型對象對應所述車載終端的特征提取結構的預警數據集，以及目標車載預警狀態分布類型對應所述車載終端的特征提取結構的預警數據集，確定目標特征提取結構的預警數據集；

所述根據所述雷達攝像視頻流數據，以及車載終端中包含的信息預警決策模板的信息，生成目標車載預警狀態分布的信息的步驟，包括：

對所述雷達攝像視頻流數據中的預警節點分布的預警輸出數據進行數據解析，得到預警節點分布決策數據；

對所述信息預警決策模板的信息進行數據解析，得到所述信息預警決策模板的深度學習網絡模型實例；

將所述預警節點分布決策數據和所述信息預警決策模板的深度學習網絡模型實例輸入預先配置的計算容器中，得到所述目標車載預警狀態分布的信息；

所述根據所述雷達攝像視頻流數據，以及車載終端中包含的信息預警決策模板的信息，生成目標車載預警狀態分布的信息的步驟，還包括：

循環執行將所述計算容器前次輸出的目標車載預警狀態分布的信息進行數據解析得到的深度學習網絡模型實例，以及將所述預警節點分布決策數據輸入所述計算容器中，得到所述計算容器本次輸出的目標車載預警狀態分布的信息，直至所述計算容器輸出預設結束預警節點分布的信息為止；

所述根據所述雷達攝像視頻流數據，以及車載終端中包含的信息預警決策模板的信息，生成目標車載預警狀態分布的信息的步驟，還包括：

獲取目標車載終端的雷達安裝位置列表，以及所述目標車載終端中包含的各預警節點分布；

根據各預警節點分布對應所述目標車載終端的特征提取結構的預警數據集，以及各預警節點分布內容生成各預警節點分布的信息；

對各預警節點分布的信息提取出的深度學習網絡模型實例順序排列得到實例清單；其中，預設初始對象的信息提取出的深度學習網絡模型實例位于所述實例清單的首位，預設末端對象的信息提取出的深度學習網絡模型實例位于所述實例清單的末位；

根據所述雷達安裝位置列表提取出的預警節點分布決策數據，以及所述實例清單中各深度學習網絡模型實例，配置所述計算容器，以學習得到所述預警節點分布決策數據和所述實例清單中的深度學習網絡模型實例組合，與所述預警節點分布的信息之間的對應關系；

所述對所述雷達攝像視頻流數據中的預警節點分布的預警輸出數據進行數據解析，得到預警節點分布決策數據的步驟，包括：

根據所述雷達攝像視頻流數據中各預警節點分布，生成預警節點分布知識空間，所述預警節點分布知識空間中的預警節點分布用于指示所述雷達攝像視頻流數據中對應預警節點分布的空間單元；

對所述預警節點分布知識空間進行數據解析，得到所述預警節點分布決策數據。

2.一種基于雷達攝像頭的信息預警系統，其特征在于，應用于服務器，所述服務器與車載終端通信連接，所述系統包括：

獲取模塊，用于獲取車載終端的雷達攝像視頻流數據；

生成模塊，用于根據所述雷達攝像視頻流數據，以及車載終端中包含的信息預警決策模板的信息，生成目標車載預警狀態分布的信息；其中，所述信息預警決策模板的信息包括深度學習網絡模型對象和對應特征提取結構的預警數據集，所述目標車載預警狀態分布的信息包括目標車載預警狀態分布類型和對應特征提取結構的預警數據集；

第一確定模塊，用于根據所述信息預警決策模板的信息確定深度學習網絡模型對象對應所述車載終端的特征提取結構的預警數據集，以及根據所述目標車載預警狀態分布的信息確定目標車載預警狀態分布類型對應所述車載終端的特征提取結構的預警數據集；

第二確定模塊，用于根據深度學習網絡模型對象對應所述車載終端的特征提取結構的預警數據集，以及目標車載預警狀態分布類型對應所述車載終端的特征提取結構的預警數據集，確定目標特征提取結構的預警數據集；

所述生成模塊通過以下方式生成目標車載預警狀態分布的信息：

對所述雷達攝像視頻流數據中的預警節點分布的預警輸出數據進行數據解析，得到預警節點分布決策數據；

對所述信息預警決策模板的信息進行數據解析，得到所述信息預警決策模板的深度學習網絡模型實例；

將所述預警節點分布決策數據和所述信息預警決策模板的深度學習網絡模型實例輸入預先配置的計算容器中，得到所述目標車載預警狀態分布的信息；

所述生成模塊通過以下方式生成目標車載預警狀態分布的信息：

循環執行將所述計算容器前次輸出的目標車載預警狀態分布的信息進行數據解析得到的深度學習網絡模型實例，以及將所述預警節點分布決策數據輸入所述計算容器中，得到所述計算容器本次輸出的目標車載預警狀態分布的信息，直至所述計算容器輸出預設結束預警節點分布的信息為止；

所述生成模塊通過以下方式生成目標車載預警狀態分布的信息：

獲取目標車載終端的雷達安裝位置列表，以及所述目標車載終端中包含的各預警節點分布；

根據各預警節點分布對應所述目標車載終端的特征提取結構的預警數據集，以及各預警節點分布內容生成各預警節點分布的信息；

對各預警節點分布的信息提取出的深度學習網絡模型實例順序排列得到實例清單；其中，預設初始對象的信息提取出的深度學習網絡模型實例位于所述實例清單的首位，預設末端對象的信息提取出的深度學習網絡模型實例位于所述實例清單的末位；

根據所述雷達安裝位置列表提取出的預警節點分布決策數據，以及所述實例清單中各深度學習網絡模型實例，配置所述計算容器，以學習得到所述預警節點分布決策數據和所述實例清單中的深度學習網絡模型實例組合，與所述預警節點分布的信息之間的對應關系；

所述生成模塊通過以下方式對所述雷達攝像視頻流數據中的預警節點分布的預警輸出數據進行數據解析，得到預警節點分布決策數據：

根據所述雷達攝像視頻流數據中各預警節點分布，生成預警節點分布知識空間，所述預警節點分布知識空間中的預警節點分布用于指示所述雷達攝像視頻流數據中對應預警節點分布的空間單元；

對所述預警節點分布知識空間進行數據解析，得到所述預警節點分布決策數據。