一种基于移动终端的“分心步行”预警系统的制作方法

本发明涉及分心步行安全领域，尤其是一种基于移动终端的“分心步行”预警系统。

背景技术：

现实生活中，行人一心二用，即行走时分心在手机上发短信、打电话等从而引发安全问题的现象越发频繁。一项来自于纽约州立大学石溪分校的研究指出，行走时分心发短信的人比正常行走的人要多60％的可能性遭遇交通事故。美国国家安全委员会的一份报告指出，2000年到2011年间，行人因手机分神事故中预计共造成了超过1万人受伤。现有技术中，利用移动终端上的各种传感器来解决该问题的技术不断涌现，如利用GPS判断位置，利用加速器、陀螺仪判断手机状态，利用麦克风判断来往车辆等，但都存在一定缺陷，如精度不高、耗能等。利用移动终端的摄像头，对摄像头是否拍摄到车辆来判断行人是否安全的技术，仍然具备着准确率不高并且在发出警报后留给用户你对时间过短的缺陷。

技术实现要素：

本发明所要解决的技术问题在于，提供一种基于移动终端的“分心步行”预警系统，可以实现安全预警。

为解决上述技术问题，本发明提供一种基于移动终端的“分心步行”预警系统，包括模型训练模块和实时检测模块；模型训练模块通过对大量道路特征训练数据集进行预处理和模型训练，生成样本模型用于实时检测；实时检测模块利用移动终端进行采样和预处理，针对明显道路标识特征，根据模型训练模块生成的样本模型对采集的样本进行分类预测，根据分类预测的结果进行决策判断，当判断分心的用户走出人行道时，对用户进行预警。

优选的，模型训练模块包括预处理单元、模型训练单元和样本模型，预处理单元用于对大量训练数据集进行预处理，模型训练单元用于对预处理单元处理的数据进行模型训练从而生产样本模型；实时检测模型包括样本采集单元、预处理单元、分类预测单元、决策单元和用户预警单元，样本采集单元用于采样，预处理单元用于对采集的样本进行预处理，分类预测单元用于根据模型训练模块生成的样本模型对采集的样本进行分类预测，决策单元用于对分类预测的结果进行决策判断从而通过用户预警单元对用户进行预警。

优选的，系统检测的目标为盲道，训练数据集模拟行人外出，通过后置摄像头完成数据的采集，采集的数据为图像中存在盲道路径的和图像中不存在盲道路径的。

优选的，模型训练模块中的预处理单元对大量训练数据集进行预处理，包括灰化图像和调节图像尺寸，考虑多个参数值，对不同参数生成的模型进行测试，选出运行时间和准确率都理想的模型，记录对应的参数值。

优选的，样本采集单元基于用户使用的移动终端的后置摄像头，摄像头在后台运行中的手机应用的控制下，在每一个运行周期的开始启动并获得此时摄像头中的图像，将图像传送给实时检测模块中的预处理单元。

优选的，在每个运行周期，决策判断单元接受单个预测结果，并决定在收到该项预测结果后，给出用户是否走在带有盲道的人行道上的判断；利用多次图像的预测结果做出判断，利用该运行周期的预测结果和前几次预测结果的记录；决策的结果为3种：阳性，用户处于带盲道的人行道上，在时间间隔T后进入下一个运行周期；阴性，用户未处于带盲道的人行道上，在时间间隔T后进入下一个运行周期；无，不给出用户当前状态，直接再次采样，进入下一个运行周期。

优选的，决策的步骤为：

(1)设定Treq的值，Treq通常取值1～3，并初始化中间变量Tdet的值为零；

(2)本次运行周期的预测结果为Pnow，如果在上一个运行周期时已经做出了有结果的判断，且判断结果Rprv与Pnow相同，那么本次运行周期的决策仍然为Rprv，在时间间隔T后进入下一个运行周期的步骤(2)；

(3)若Rprv与Pnow不同，那么判断Pnow与前一个运行周期的预测结果Pprv是否相同；若相同，那么使Tdet的值增加1，并进入下一步骤；若不同，则将Tdet的值赋值为零，当次的决策结果为无，然后直接进入下一个运行周期的步骤(2)；

(4)判断Tdet的值是否不小于Treq的值，若是，则本次运行周期的决策结果为Pnow；若不是，当次的决策结果为无，则在时间间隔T后进入下一个运行周期的步骤(2)。

本发明的有益效果为：当用户手持手机从人行道走向车行道时，由于持手机斜向下的角度，以及持手机高度的存在，手机摄像头捕获的画面将为用户前方的路面，本系统能够在用户走道危险区域之前便提前给出警告；在无需额外硬件定制的基础上，能对“分心步行”的移动终端使用者进行有效预警，能够对前几次检测结果进行有效利用，准确度高、耗能低，能够进行提前判断。

附图说明

图1是本发明的整体系统结构示意图。

图2是本发明的决策方法流程示意图。

图3是本发明的用户使用时预警场景图。

具体实施方式

如图1所示，一种基于移动终端的“分心步行”预警系统，包括模型训练模块和实时检测模块；模型训练模块通过对大量训练数据集进行预处理和模型训练，生成样本模型用于实时检测；实时检测模块利用移动终端进行采样和预处理，根据模型训练模块生成的样本模型对采集的样本进行分类预测，根据分类预测的结果进行决策判断，当判断分心的用户走出人行道时，对用户进行预警。

系统检测的目标是盲道，训练数据集通过模拟行人外出时，一边步行一边使用手机，通过后置摄像头来完成采集。采集的数据将分为两类，一类为图像中存在盲道路径的，一类为不存在盲道的。两种数据对应于决策判断结果的安全区域与非安全区域判断，一次正确的决策判断能够将存在盲道的图像判断为安全区域，将不存在盲道路径的判断为非安全区域。

模型训练模块首先将训练数据集进行预处理，包括灰化图像和调节图像尺寸，然后用预处理后的数据进行训练建立模型。在这一过程中，将考虑多个参数值，包括调节图像的尺寸大小，选用的分类器类型等。然后对不同参数生成的模型进行测试，选出运行时间和准确率都较理想的模型，纪录对应的参数值，以用于移动终端上的实时检测。通过图像处理和动态采样特性，提高系统相应实时性；通过图像预处理，包括灰化图像和调节图像尺寸，选用运行时间和准确率都比较理想的分类器模型，提高响应速度。

在采集到足够数量训练数据集图像后，将对训练数据按照设置的参数进行图像预处理，处理步骤包括灰化图像和调节图像尺寸，其中设置参数为图像尺寸大小。然后模型训练单元将基于预处理后的训练数据集图像，按照设置的参数进行模型训练，建立用于实时检测模块的分类预测单元的样本模型，其中设置的参数包括采用的分类器类型和图像中选用的特征点个数。依据这些参数建立样本模型后，模型训练单元还将对建立好的模型进行调参工作，即随机使用部分训练样本依据不同的参数值搭配以建立不同的样本模型后，然后使用该模型对其他未使用的训练数据集进行测试预测，核验预测结果与真实结果是否一致以计算出预测准确率，同时记录该预测过程的耗时。统计出不同的样本模型的准确率与耗时结果，然后选用出运行时间和准确率都较理想的样本模型，使用该模型对应的图像尺寸大小、分类器类型和特征点个数的参数值以用于建立最终使用的样本模型。

实时检测模块中的样本采集单元基于用户使用的移动终端的后置摄像头。摄像头将在后台运行中的手机应用的控制下，在每一个运行周期的最开始启动并捕获此时摄像头中的画面，将图像传送到预处理单元。

在每个运行周期，实时检测模块中的预处理单元将其获取的单张图像进行预处理，预处理方法与模型训练模块中预处理方法一致。

在每个运行周期，实时检测模块中的分类预测单元将根据从模型训练模块中选出的模型及参数，来对该单元获取的预处理后的图像进行分类预测，以判断图像中是否包含盲道，预测结果将发送至决策单元。

如图2所示，在每个运行周期，实时检测模块中的决策单元将接受单个预测结果，并决定在收到该预测结果后，能否给出当前环境的判断，即用户是否走在带有盲道的人行道上的判断。决策思想在于，单次图像的预测并非完全准确，但如果利用多次图像的预测结果来作出判断，或者说利用到前几次预测结果的纪录，那么作出的判断准确率将大大提升。决策的依据为该运行周期的预测结果和前几次预测结果的纪录。决策的结果为3种：阳性(用户处于带盲道的人行道上，在时间间隔T后进入下一个运行周期)，阴性(用户未处于带盲道的人行道上，在时间间隔T后进入下一个运行周期)，无(不给出用户当前状态，直接再次采样，进入下一个运行周期)。决策的步骤为：

(1)设定Treq的值(Treq取值通常为1～3)，其意义为，在考虑本次预测结果的基础上，本次决策还要综合考虑的之前Treq次运行周期的预测结果。并初始化中间变量Tdet的值为零，其意义是判断当前已考量的预测结果数目是否满足Treq要求。

(2)本次运行周期的预测结果为Pnow，如果在上一个运行周期时已经做出了有结果的判断，且判断结果Rprv与Pnow相同，那么本次运行周期的决策仍然为Rprv，在时间间隔T后进入下一个运行周期的步骤(2)。

(3)若Rprv与Pnow不同，那么判断Pnow与前一个运行周期的预测结果Pprv是否相同。若相同，那么使Tdet的值增加1，并进入下一步骤；若不同，则将Tdet的值赋值为零，当次的决策结果为无，然后直接进入下一个运行周期的步骤(2)。

(4)判断Tdet的值是否不小于Treq的值，若是，则本次运行周期的决策结果为Pnow；若不是，当次的决策结果为无，则在时间间隔T后进入下一个运行周期的步骤(2)。

如图3所示，当用户手持手机从人行道走向车行道时，由于持手机斜向下的角度，以及持手机高度的存在，手机摄像头捕获的画面将为用户前方的路面。也因为这一特点，本系统能够在用户走到危险区域之前便提前给出警告。

本发明采用动态的采样间隔和光敏感特征，减轻系统能耗开销，预留用户更多紧急情况的反应时间。系统将根据用户行走轨迹，如果用户一直走在安全区域，系统将适当增加采样间隔，降低系统能耗，但同时约束最大采样间隔，避免采样间隔无限扩大，降低系统安全性。如果用户行经常行走于不安全区域，系统将适当减少采样间隔，使系统能够更好的发现危险情况，给予用户警告。在夜晚或光线不好的场景，用户如果使用手机将极大影响行路安全，而系统也不能判断安全性，将停止工作并持续报警，这一操作可以降低系统能耗同时保证用户安全。而在上述的决策方法也是本系统的一个重要的动态调节采样间隔的过程，当系统的检测从之前的人行道判断到了不同的非人行道判断时，系统将跳过采样间隔，直接进行下一次的采样及检测。这是由于此情况的发生源于两种可能性，检测错误和用户走出人行道，因此需要立即再次检测以得出正确判断，如果判断是用户走出人行道，那么将给出警告，该方法便能预留给用户更多时间以应对紧急情况。

通过移动终端摄像头检测道路特征，具有广泛的适用性。鉴于目前各个国家均采用在道路设置标记信息的方式提醒行人，例如比利时在道路上刷白线形成“发短信专用道”。本发明可以通过仅仅改变训练数据集，而不修改任何软件的方式，应用于新的场景，具有广泛的适用性。

本系统在改变检测对象时，应用于盲道检测以外场景时无须调动实时检测模块，只需要更改模型训练模块的训练数据集，使用相同系统单元及方法对数据集进行图像预处理、建立样本模型和调参，即可得到对应于该检测对象的最终样本模型，用于实时检测模块使用。而通常检测的准确率受到训练数据集中不同类样本的差异程度的影响。在本系统的测试中，除了盲道的检测，斑马线的检测，以及在道路设置明显标记的检测也有着优异的准确率及检测时间表现。

尽管本发明就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。