农村公路超视距风险点安全监测预警方法及其系统与流程

本技术涉及智能化预警，且更为具体地，涉及一种农村公路超视距风险点安全监测预警方法及其系统。

背景技术：

1、农村公路地形复杂，路窄、坡陡、弯道多、车辆遇到弯道时，司机对前方交通状况缺乏足够的了解，短暂的应变时间会使司机发生误判从而导致交通事故。虽然交通公路管理部门设立了多种多样的提示标语与警示标志，像常规的广角镜、标志牌等，但预防交通事故的效果还是不够理想。

2、因此，期待一种农村公路超视距风险点安全监测预警方案，其能够及时地提醒司机谨慎驾驶，起到超视距预警的作用。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种农村公路超视距风险点安全监测预警方法及其系统，其获取由激光雷达提供的回波探测信号和由摄像头提供的探测图像；采用基于深度学习的人工智能技术，以回波探测信号和探测图像双重检测的方式，挖掘所述回波探测信号和所述探测图像中关于农村公路上的对向来车的隐含特征关联信息，以此关联特征信息来准确地进行对向来车检测预警。这样，可以提高对于对向来车检测的精准度，进而避免农村公路的交通事故，保证司机行驶的安全性。

2、根据本技术的一个方面，提供了一种农村公路超视距风险点安全监测预警方法，其包括以下步骤：

3、s110：获取由激光雷达提供的回波探测信号和由摄像头提供的探测图像，其中，所述激光雷达和所述摄像头可通信地连接于led显示屏；

4、s120：将所述探测图像通过使用空间注意力机制的卷积神经网络模型以得到图像探测特征图；

5、s130：将所述回波探测信号通过使用通道注意力机制的卷积神经网络模型以得到回波探测特征图；

6、s140：融合所述图像探测特征图和所述回波探测特征图以得到分类特征图；

7、s150：将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生对向来车预警提示；

8、s160：在所述led显示屏，显示所述分类结果。

9、在上述农村公路超视距风险点安全监测预警方法中，所述将所述探测图像通过使用空间注意力机制的卷积神经网络模型以得到图像探测特征图，包括：使用所述使用空间注意力机制的卷积神经网络模型的卷积编码部分对所述探测图像进行深度卷积编码以得到探测卷积特征图；将所述探测卷积特征图输入所述使用空间注意力机制的卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述探测卷积特征图的按位置点乘以得到所述图像探测特征图。

10、在上述农村公路超视距风险点安全监测预警方法中，所述将所述回波探测信号通过使用通道注意力机制的卷积神经网络模型以得到回波探测特征图，包括：将所述回波探测信号输入所述使用通道注意力机制的卷积神经网络模型的多层卷积层以得到回波探测卷积特征图；计算所述回波探测卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；将所述通道特征向量输入sigmoid激活函数以得到通道注意力权重向量；以及，以所述通道注意力权重向量中各个位置的特征值作为权重分别对所述回波探测卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述回波探测特征图。

11、在上述农村公路超视距风险点安全监测预警方法中，所述融合所述图像探测特征图和所述回波探测特征图以得到分类特征图，包括：融合所述图像探测特征图和所述回波探测特征图以得到初始分类特征图；将所述初始分类特征图展开为分类特征向量；对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量；以及，将所述优化分类特征向量进行维度重构以得到所述分类特征图。

12、在上述农村公路超视距风险点安全监测预警方法中，所述融合所述图像探测特征图和所述回波探测特征图以得到初始分类特征图，包括：以如下公式融合所述图像探测特征图和所述回波探测特征图以得到初始分类特征图；其中，所述公式为：

13、

14、其中，表示所述初始分类特征图，表示所述图像探测特征图，表示所述回波探测特征图，“”表示所述图像探测特征图和所述回波探测特征图相对应位置处的元素相加，和表示用于控制所述图像探测特征图和所述回波探测特征图之间的平衡的加权参数。

15、在上述农村公路超视距风险点安全监测预警方法中，所述对所述分类特征向量进行向量的有序希尔伯特完备化以得到优化分类特征向量，包括：以如下公式对所述分类特征向量进行向量的有序希尔伯特完备化以得到所述优化分类特征向量；其中，所述公式为：

16、

17、其中，和分别是所述分类特征向量和所述优化分类特征向量，是所述分类特征向量的转置向量，表示所述分类特征向量的二范数的平方，是所述分类特征向量的各特征值按大小次序排列的有序向量，且所述分类特征向量是列向量形式，表示向量相乘，表示按位置点乘。

18、在上述农村公路超视距风险点安全监测预警方法中，所述将所述分类特征图通过分类器以得到分类结果，包括：将所述分类特征图按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

19、根据本技术的另一个方面，提供了一种农村公路超视距风险点安全监测预警系统，其包括：

20、数据获取模块，用于获取由激光雷达提供的回波探测信号和由摄像头提供的探测图像，其中，所述激光雷达和所述摄像头可通信地连接于led显示屏；

21、空间注意力模块，用于将所述探测图像通过使用空间注意力机制的卷积神经网络模型以得到图像探测特征图；

22、通道注意力模块，用于将所述回波探测信号通过使用通道注意力机制的卷积神经网络模型以得到回波探测特征图；

23、融合模块，用于融合所述图像探测特征图和所述回波探测特征图以得到分类特征图；

24、预警提示结果生成模块，用于将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否产生对向来车预警提示；以及

25、显示模块，用于在所述led显示屏，显示所述分类结果。

26、在上述农村公路超视距风险点安全监测预警系统中，所述空间注意力模块，包括：卷积编码单元，用于使用所述使用空间注意力机制的卷积神经网络模型的卷积编码部分对所述探测图像进行深度卷积编码以得到探测卷积特征图；空间注意力单元，用于将所述探测卷积特征图输入所述使用空间注意力机制的卷积神经网络模型的空间注意力部分以得到空间注意力图；激活单元，用于将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；以及，图像探测特征计算单元，用于计算所述空间注意力特征图和所述探测卷积特征图的按位置点乘以得到所述图像探测特征图。

27、在上述农村公路超视距风险点安全监测预警系统中，所述通道注意力模块，包括：多层卷积单元，用于将所述回波探测信号输入所述使用通道注意力机制的卷积神经网络模型的多层卷积层以得到回波探测卷积特征图；全局均值单元，用于计算所述回波探测卷积特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；激活单元，用于将所述通道特征向量输入sigmoid激活函数以得到通道注意力权重向量；以及，加权单元，用于以所述通道注意力权重向量中各个位置的特征值作为权重分别对所述回波探测卷积特征图的沿通道维度的各个特征矩阵进行加权以得到所述回波探测特征图。

28、与现有技术相比，本技术提供的农村公路超视距风险点安全监测预警方法及其系统，其获取由激光雷达提供的回波探测信号和由摄像头提供的探测图像；采用基于深度学习的人工智能技术，以回波探测信号和探测图像双重检测的方式，挖掘所述回波探测信号和所述探测图像中关于农村公路上的对向来车的隐含特征关联信息，以此关联特征信息来准确地进行对向来车检测预警。这样，可以提高对于对向来车检测的精准度，进而避免农村公路的交通事故，保证司机行驶的安全性。