本发明涉及车联网领域，尤其是一种基于自编码网络的碰撞检测方法、系统以及对应的计算机可读存储介质。
背景技术：
随着汽车保有量的不断增加，对碰撞的实时检测，对于事故的及时抢救具有重要意义。
传统的事故应急处理办法是通过驾乘人员在发生事故(碰撞)时主动报警求救，该方式对于严重碰撞事故并不适用。后来，出现了根据行车数据(obd上传数据)进行建模分析，来对行车数据进行实时检测的方式进行碰撞检测，当前碰撞检测主要是通过规则学习，人工寻找特征，往往很难发现特征之间的相关性，同时对开发者的专业技能特别实在统计概率要求极高。往往还伴随着低下的学习效率、较高的误报率。
另外，大量实践证明，神经网络在特征提取上具有很好的效果，已经广泛用于包括车辆行为检测在内的各个场景。针对以上存在的问题，本发明设计了基于神经网络来进行碰撞检测的方案。
技术实现要素：
本发明的发明目的在于：针对上述存在的问题，提供一种基于自编码网络的碰撞检测方法。以充分考虑碰撞发生时，行车数据间的关联性在时间上持续的特征，来作为判断待测数据是否发生碰撞的判断依据，从而提高碰撞检测的准确性和检测精度。
本发明还提供了一种基于自编码网络的碰撞检测系统。
本发明还提供了一种计算机可读存储介质。
本发明采用的技术方案如下：
一种基于自编码网络的碰撞检测方法，其包括以下步骤：
将待检测数据输入已训练的自编码网络中进行检测，当检测输出的重构误差大于预定阈值时，则判定为发生碰撞；
其中，自编码网络构建方法包括以下步骤a～c，将对应于发生碰撞的训练样本数据输入到构建出的自编码网络进行训练，以最小化重构误差；
a.特征构造步骤
对于样本在时间上连续的行车数据，分别提取若干段持续时间相同的时间内的行车数据以构造出若干维特征，各维特征在时间上均存在重合；
b.特征检测步骤
构建若干特征检测层，每一层均执行以下操作：
对上一层输出的数据分别经过若干不同尺寸的卷积核进行处理；其中，第一层特征检测层的输入数据为特征构造步骤所构造出的若干维特征；层次越深的特征检测层通道数越少；
将各卷积核的处理结果进行结合，进行最大池化处理；
c.数据重构步骤
构建与每一特征检测层一一对应的数据重构层，每一层均执行以下操作：
对上一层输出的数据，基于对应特征检测层的最大池化处理过程进行上采样，再依次经过卷积和非线性矫正单元处理，其中卷积过程为进行滤波处理，第一层数据重构层的输入数据为特征检测步骤输出的结果。
上述将对应于发生碰撞的训练样本数据输入到自编码网络中是指训练集和验证集均使用发生碰撞的数据集。
数据重构层和特征检测层一一对应，成对称关系，包括处理尺寸、数据位置和通道数的对应，所谓的数据位置是指最大池化时选取的数据位置和上采样时恢复数据的位置一致。在碰撞中，严重碰撞的数据影响在时间的跨度较大，而轻微碰撞在时间跨度上较小，所以碰撞主要影响的位置信息差异较大，为了捕捉到两种不同的碰撞差异，分别针对各种等级的碰撞选择相应的卷积核进行处理，再进行通道叠加，从而可以兼顾各种碰撞情形，使得碰撞检测具备较高的检测精度。使用多层检测和重构的方案可以逐步减小通道数，进而提高训练和检测效率。通过多次训练，可以最小化重构误差，进而提高碰撞检测的准确性。
进一步的，所述步骤b中，每一特征检测层的最大池化处理过程均保存有相应的池化索引；所述步骤c中数据重构层的上采样过程为：通过对应池化索引，匹配出与对应最大池化处理过程相应的上采样尺寸和位置，以对数据进行上采样。
通过池化索引进行关联的方式，使数据重构步骤执行简单、高效。
进一步的，所述特征检测层为四层。实验证明，四层结构的特征检测(对应的数据重构层也为四层)的网络结构在训练效率、准确性和检测精度上的效果最佳。
进一步的，所述特征检测层中的卷积核为两个。
进一步的，两个所述卷积和的尺寸分别为3*3和5*5。
两个卷积核分别对应于轻微碰撞和严重碰撞两种情况，实现对碰撞情形的针对性训练，从而使得所训练的网络可以兼顾各种碰撞情形。
进一步的，所述步骤a中所构造出的特征至少具备三个维度。碰撞数据在时间上具备一定的关联性，因此，构造至少三个维度的特征使得在考虑行车数据与碰撞的关系之外，还重点突出了行车数据在时间上的持续特征，这样可以充分考虑碰撞情况的固有特征，使得网络检测结果更为准确。
进一步的，所述行车数据至少包括车速数据、三轴加速度数据、方向数据和角速度数据。选取最具代表性的数据进行分析训练，通过较小的数据计算量即可获得较佳的训练结果。
本发明提供了一种计算机可读存储介质，其存储有计算机程序，运行该程序可执行上述的碰撞检测方法。
本发明提供了一种基于自编码网络的碰撞检测系统，其包括处理器和上述的计算机可读存储介质，所述处理器用于运行所述计算机可读存储介质中存储的计算机程序。
本发明提供了一种基于自编码网络的碰撞检测系统，其运行上述的基于自编码网络的碰撞检测方法。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明的自编码网络在时间上构建多维特征，充分考虑了碰撞情形在参数和时间上的特征，所训练出的网络对于碰撞的检测具备较高的准确性。
2、本发明的方法针对于不同等级的碰撞，设置了对应的卷积核进行处理，兼顾了不同的碰撞情形，提高了碰撞检测的精度。
3、本发明的方法所涉及的网络结构简单，训练效率高，网络检测的准确性高。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是block层结构的一个实施例。
图2是upsample层结构的一个实施例。
图3是自编码网络结构的一个实施例。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
实施例一
本实施例公开了一种基于自编码网络的碰撞检测方法，其包括以下步骤：
将待检测的数据输入到已训练的自编码网络中进行检测，当检测出的重构误差大于预定阈值时，则判定为发生碰撞。通常情况下，预定阈值不会超过1，一般取0.01～0.2之间。
自编码网络的设计如下：
1.特征构造
对于样本在时间上连续的行车数据，分别提取若干段持续时间相同的时间内的行车数据以构造出若干维特征，各维特征在时间上均存在重合。所谓的时间上存在重合，即各维度特征(行车数据)的时间起始点均会落入其他维度特征的时间范围内，例如某一维度的特征为时间0～t1的行车数据，另一维度特征的时间为t2～t1 t2的行车数据，t2位于0～t1内。
2.特征检测
在碰撞中，严重碰撞的数据影响在时间的跨度较大，而轻微碰撞在时间跨度上较小，所以碰撞主要影响的位置信息差异较大，为了捕捉到不同碰撞情形间的差异，本网络设计了若干种不同尺寸的卷积核。
构建若干特征检测层，每一层均执行以下操作：
对上一层输出的数据分别经过若干不同尺寸的卷积核进行处理；其中，第一层特征检测层的输入数据为特征构造步骤所构造出的若干维特征；层次越深的特征检测层通道数越少；将各卷积核的处理结果进行结合(通道叠加)，进行最大池化处理。
3.数据重构
构建与每一特征检测层一一对应的数据重构层，每一层均执行以下操作：
对上一层输出的数据，基于对应特征检测层的最大池化处理过程进行上采样，再依次经过卷积和非线性矫正单元处理，其中卷积过程为进行滤波处理，第一层数据重构层的输入数据为特征检测步骤输出的结果。
将发生碰撞的行车数据样本集分别利用上述自编码网络进行训练，同时利用发生碰撞的行车数据样本集对训练的自编码网络进行准确率验证，以最小化重构误差。
实施例二
本实施例公开了一种基于自编码网络的碰撞检测方法，其包括以下步骤：
1、特征构造
车辆的速度、三轴加速度、角速度和方向数据，车辆的行车数据在某时间点上是关联的，时间上连续的行车数据之间又相互影响，因此，本实施例在一段连续时间的行车数据内，取k段固定时长内的行车数据构造了k维的特征：
第一维：时间从0到t1；
第二维：时间从t2到t1 t2；
第三维：时间从t3到t1 t3；
……
第k维：时间从tk到t1 tk；
其中，t2、t3……tk均位于时间0～t1内。
这样，不仅考虑到在时间上速度、三轴加速度、方向、角速度的关系，还考虑到各个时间内行车数据间的关系。
在一个实施例中，构造的特征为三维特征，对应时间如下：
第一维：时间从0到t；
第二维：时间从k到t k；
第三维：时间从m到t m；
k、m均位于时间0～t内。当然，也可以为其他多余三个维度的特征。
2、网络设计
1.特征检测
在碰撞中，严重碰撞的数据影响在时间的跨度较大，而轻微碰撞在时间跨度上较小，所以碰撞主要影响的位置信息差异较大，为了捕捉到不同碰撞情形间的碰撞差异，分别针对轻微碰撞和严重碰撞情形设计了若干种尺寸的卷积核，以分别针对各类碰撞情形进行特征提取。将输入数据分别运用各个卷积和进行运算后，再将各个卷积结果进行通道叠加，对叠加结果进行最大池化处理，保存最大池化的池化索引，以实现对多种碰撞的兼顾。本实施例将此过程设定为block层。如图1所示，在一个实施例中，卷积核设置为3*3和5*5的两个卷积核，3*3对应于轻微碰撞情形，5*5对应于严重碰撞情形。在本实施例中，共设计了四个连续的block层。对于第一个block层而言，其输入数据为特征构造步骤所构造的多维特征，其余block层的输入数据为上一block层的输出数据。层次越深的block层的通道数(映射出的通道数)越少。
2.数据重构
如图2所示，在数据恢复阶段，使用一个上采样层，然后紧跟一个卷积层，该卷积层仅做滤波操作，卷积层后设计非线性矫正单元，以对数据进行线性矫正，在一个实施例中，非线性矫正单元采用relu(rectifiedlinearunit，线性整流函数)。本实施例将此过程设定为upsample层。upsample层与block层一一对应，为对称结构，即本实施例中的upsample层同样为四层，最上一层upsample层连接最下一层block层，upsample层的上采样层通过池化索引与对应的block层之间实现关联。
如图3所示为本实施例所设计出的自编码网络的结构。
3.使用训练样本集(对应于发生碰撞情形)去训练网络，以最小化重构误差。
3、检测
将待检测数据输入到训练出的自编码网络进行检测，当检测出的重构误差大于a(预设值)，则判定为发生碰撞，否则判定为正常行驶情况。
实施例三
本实施例公开了一种计算机可读存储介质，其存储有计算机程序，运行该程序可执行上述实施例一或二中的碰撞检测方法。
实施例四
本实施例公开了一种基于自编码网络的碰撞检测系统，其包括处理器和实施例三中的计算机可读存储介质，所述处理器用于运行计算机可读存储介质中存储的计算机程序。
实施例五
本实施例公开了一种基于自编码网络的碰撞检测系统，其运行上述实施例一或二的基于自编码网络的碰撞检测方法。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
1.一种基于自编码网络的碰撞检测方法，其特征在于，包括以下步骤：
将待检测数据输入已训练的自编码网络中进行检测，当检测输出的重构误差大于预定阈值时，则判定为发生碰撞；
其中，自编码网络构建方法包括以下步骤a～c，将对应于发生碰撞的训练样本数据输入到构建出的自编码网络进行训练，以最小化重构误差；
a.特征构造步骤
对于样本在时间上连续的行车数据，分别提取若干段持续时间相同的时间内的行车数据以构造出若干维特征，各维特征在时间上均存在重合；
b.特征检测步骤
构建若干特征检测层，每一层均执行以下操作：
对上一层输出的数据分别经过若干不同尺寸的卷积核进行处理；其中，第一层特征检测层的输入数据为特征构造步骤所构造出的若干维特征；层次越深的特征检测层通道数越少；
将各卷积核的处理结果进行结合，进行最大池化处理；
c.数据重构步骤
构建与每一特征检测层一一对应的数据重构层，每一层均执行以下操作：对上一层输出的数据，基于对应特征检测层的最大池化处理过程进行上采样，再依次经过卷积和非线性矫正单元处理，其中卷积过程为进行滤波处理，第一层数据重构层的输入数据为特征检测步骤输出的结果。
2.如权利要求1所述的基于自编码网络的碰撞检测方法，其特征在于，所述步骤b中，每一特征检测层的最大池化处理过程均保存有相应的池化索引；所述步骤c中数据重构层的上采样过程为：通过对应池化索引，匹配出与对应最大池化处理过程相应的上采样尺寸和位置，以对数据进行上采样。
3.如权利要求1所述的基于自编码网络的碰撞检测方法，其特征在于，所述特征检测层为四层。
4.如权利要求1所述的基于自编码网络的碰撞检测方法，其特征在于，所述特征检测层中的卷积核为两个。
5.如权利要求4所述的基于自编码网络的碰撞检测方法，其特征在于，两个所述卷积和的尺寸分别为3*3和5*5。
6.如权利要求1所述的基于自编码网络的碰撞检测方法，其特征在于，所述步骤a中所构造出的特征至少具备三个维度。
7.如权利要求1所述的基于自编码网络的碰撞检测方法，其特征在于，所述行车数据至少包括车速数据、三轴加速度数据、方向数据和角速度数据。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，运行该程序可执行如权利要求1～7任一所述的基于自编码网络的碰撞检测方法。
9.一种基于自编码网络的碰撞检测系统，其特征在于，包括处理器和如权利要求8所述的计算机可读存储介质，所述处理器用于运行所述计算机可读存储介质中存储的计算机程序。
10.一种基于自编码网络的碰撞检测系统，其特征在于，其运行如权利要求1～7任一所述的基于自编码网络的碰撞检测方法。
技术总结