基于云端车联网的车辆防盗报警系统的制作方法
【技术领域】
[0001]本发明涉及车辆防盗系统，具体地，涉及一种基于云端车联网的车辆防盗报警系统。
【背景技术】
[0002]现有的车辆防盗产品主要采用的是单一传感器判断异常情况的方法，其明显的不足在于检测的可靠性较差，往往存在误报率较高的问题。而目前基于多传感器协同分析车辆异常的技术文献描述的都是基于本地检测的防盗系统，而一般情况下车辆犯罪发生时，传感器采集到的数据可能相差很大且不容易用统一的模型进行分类，需要对大量的已知车辆犯罪的具体模式进行深度学习进行分类。而云计算平台以其丰富的计算资源和存储单元适合进行大数据的存储和分析，而现有关于云端车联网的技术文献大多涉及的是车辆行驶过程中的异常报警以及危险驾驶行为的监测。本发明通过定义具体车辆犯罪类型，通过云平台整合大量车辆犯罪发生时的多传感器数据进行深度学习获得准确的车辆犯罪分类检测模型，从而能够有效的提高车载防盗系统的可靠性。
[0003]经过对现有专利的检索发现，申请号为201010197971.1，名称为一种车辆防盗装置，主要是利用全方位倾斜传感器、视觉传感器、嵌入式系统等组成。全方位倾斜传感器主要用于监测车体的摇晃，全方位视觉传感器用于拍摄车内外的全景图像。嵌入式系统用于接受来自移动设备的控制信号。这样的系统虽然具备一定的车辆防盗监测能力，也同时具备了现场记录和与用户交互的过程，但该技术使用了单一的倾斜传感器进行防盗监测显然有局限性，不能实现多种异常的分类检测。本发明在此基础上用倾角传感器、震动传感器、车内气压传感器以及超声波传感器综合判断异常的类型，实现入车盗窃、车体破坏、车辆搬运等情况作具体的分类。
[0004]申请号为201410340163.4，名称为一种适用于车联网领域的一种危险驾驶行为监测方法及系统，在车辆行驶的过程中获取驾驶行为的实时数据，并通过移动互联网上传至云端服务器。判断是否存在危险驾驶行为，如果确认是就将该信息回传本地共车主危险驾驶行为并进行改进。该技术体现了本地车载系统与车联网平台的交互信息交互，但目前没有发现云端车联网应用在车辆防盗领域的相关专利。
[0005]经过与现有技术的文献检索发现，于耀东在其硕士学位论文《基于多传感器信息融合技术的汽车防盗系统研宄》中，在综合分析盗窃车辆的常用手法基础上，分别针对“整车搬运”、“车体破坏”、“非法开启”和“入车盗窃”四个警报等级，分别确定不同的多传感器融合模型，有效的提高了检测的可靠性。但该技术与本发明相比的不足之处在于该系统是根据人已有的经验判断，预先设定了一套基于某种特定情况(如整车搬运)的传感器检测方法，而车辆犯罪行为的多样性使得即使对应于同一种犯罪类型的传感器检测数据可能差别很大，所以用于实际判断时，准确性还是相对不高。本发明考虑综合大量的车辆犯罪的传感器实际测量值，运用深度学习的方法训练成可靠的异常分类模型，再使用该分类器根据传感器数据进行具体车辆犯罪行为的确定。
【发明内容】
[0006]针对现有技术中的缺陷，本发明的目的是提供一种基于云端车联网的车辆防盗报警系统。通过小规模的对各种已知的车辆犯罪行为进行实际模拟，得到实际测量值并与实际异常标签，即具体犯罪行为对应起来，通过广泛采集车辆传感器的数据进行标签判定决定异常种类。通过将传感器数据以及对应的异常标签进行一定的数据预处理，使之适用于深度学习训练出犯罪模式识别的车辆犯罪模式分类器，将其运用到之后的车辆安全防盗检测中。
[0007]根据本发明提供的基于云端车联网的车辆防盗报警系统，包括云端车联网系统和本地车辆防盗系统；
[0008]所述本地车辆防盗系统包括传感器系统、控制系统、本地预警系统和远程报警系统；
[0009]所述传感器系统用于实时采集车辆防盗预警数据；
[0010]所述控制系统用于获取所述车辆防盗预警数据并将所述车辆防盗预警数据传送至云端车联网系统，根据云端车联网系统返回的车辆防盗判断数据控制本地预警系统和/或远程报警系统发出报警信号，或根据所述车辆防盗预警数据直接控制本地预警系统和/或远程报警系统发出报警信号；
[0011]所述云端车联网系统包括云端数据存储模块和综合分析判断模块；所述云端数据存储模块用于存储车辆犯罪模式分类器；所述综合分析判断模块用于将根据所述车辆防盗预警数据与所述车辆犯罪模式分类器生成所述车辆防盗判断数据并发送至所述控制系统。
[0012]优选地，所述传感器系统包括超声波传感器、震动传感器、倾角传感器和气压传感器;
[0013]所述超声波传感器、所述震动传感器、所述倾角传感器和所述气压传感器均连接所述控制系统。
[0014]优选地，所述远程报警系统包括通信模块和用户终端；
[0015]所述控制系统通过所述通信模块无线连接所述用户终端。
[0016]优选地，还包括车载摄像头和GPS模块；
[0017]所述车载摄像头和GPS模块均连接所述控制系统；所述GPS模块用于实现车辆的远程定位追踪
[0018]优选地，所述车辆犯罪模式分类器采用如下方法获得:
[0019]步骤1:针对多种车辆犯罪行为进行实际测试，并将多种对应的车辆盗窃报警数据与对应的类别标签记录下来，作为基本样本数据集存储在云端数据存储模块中；
[0020]步骤2:进行无标签的车辆盗窃报警数据的广泛采集，并将车辆盗窃报警数据和车辆正常状态数据与所述基本样本数据进行对比；
[0021]步骤3:采用K最近邻分类算法将无标签的车辆盗窃报警数据设置类别标签，使无标签的车辆盗窃报警数据与基本样本数据集的格式相同，其中，带有类别标签的基本样本数据和车辆盗窃报警数据构成训练样本集；
[0022]步骤4:将训练样本集格式转换，采用卷积神经网络训练后得到车辆犯罪模式分类器。
[0023]优选地，所述格式转换，具体为，将训练样本集转换成可供卷积神经网络以计算的格式，即采用分类映射，将基本样本数据和车辆盗窃报警数据的类别标签的字段映射成数据标签。
[0024]与现有技术相比，本发明具有如下的有益效果:
[0025]1、报警的准确性，本发明借用云端车联网的进行海量车辆异常数据的采集、分析以及深度学习，形成车辆犯罪模式分类器，与传统的本地异常检测相比能有效的提高检测准确率；
[0026]2、报警的及时性，在提供本地预警机制的同时，将传感器数据实时上传云端，输入在云端存储的车辆犯罪模式分类器，获取云端车辆网平台的准确判决结果通过移动互联网传回本地，如果确认为某一种异常再通过GSM网络将报警提示信息发送给车主。
【附图说明】
[0027]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显:
[0028]图1为本发明的结构示意图；
[0029]图2为本发明中本地车辆防盗系统的结构示意图；
[0030]图3为本发明中训练车辆犯罪云端模式分类器的流程图；
[0031]图4为本发明中适用于卷积神经网络的数据预处理流程图。
【具体实施方式】
[0032]下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0033]在本实施例中，本发明提供的基于云端车联网的车辆防盗报警系统，包括云端车联网系统和本地车辆防盗系统；所述本地车辆防盗系统包括传感器系统、控制系统、本地预警系统和远程报警系统；所述传感器系统用于实时采集车辆防盗预警数据；所述控制系统用于获取所述车辆防盗预警数据并将所述车辆防盗预警数据传送至云端车联网系统，并根据云端车联网系统返回的车辆防盗判断数据控制本地预警系统和/或远程报警系统发出报警信号，或根据所述车辆防盗预警数据控制本地预警系统和/或远程报警系统发出报警信号;
[0034]所述云端车联网系统包括云端数据存储模块和综合分析判断模块；所述云端数据存储模块用于存储车辆犯罪模式