[发明专利]一种基于深度学习的行人攻击车辆意图识别方法及系统

权利要求书

1.一种基于深度学习的行人攻击车辆意图识别方法，其特征在于：包括以下步骤，

采集模块(100)实时采集车辆周围的环境视频；

深度学习模块(200)构建深度神经网络模型并训练其检测人体关键点；

将所述环境视频输入深度学习模块(200)进行逐帧检测，识别并判断环境中是否存在具有攻击意图的行人；

若判断环境中存在具有攻击意图的行人，报警模块(300)进行报警处理。

2.如权利要求1所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述深度学习模块(200)基于MXNET深度学习框架搭建深度神经网络模型，所述深度神经网络模型的输入参数为图像,输出参数为预测到的人体关键点在输入图中的像素坐标信息以及相对应点的置信度。

3.如权利要求1或2所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述深度神经网络模型的训练还包括以下步骤，

采集模块(100)采集包含人体的图像作为训练数据；

通过标注模块(400)对训练数据进行标注得到标注数据；

将训练数据输入深度学习模块(200)的深度神经网络模型中得到检测数据；

利用损失函数计算检测数据与标注数据之间的误差，并通过梯度优化器对深度神经网络模型的参数进行更新；

对参数更新后的深度神经网络模型反复训练，直至训练指标达标。

4.如权利要求3所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述损失函数为softmax函数和交叉熵函数，计算公式如下：

其中，L是损失，Sj是softmax其中输出向量S的第j个值，表示的是这个样本属于第j个类别的概率，j的范围是1到总类别数T，标签y是一个1*T的向量，里面有T个值，只有一个值是1，即真实标签对应的位置的值，其他均为0。

5.如权利要求4所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述训练指标为平均精度均值，当平均精度均值达到98％及以上时，认为深度神经网络模型的训练指标达标，结束训练。

6.如权利要求4或5所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述对环境视频逐帧检测还包括以下步骤，

深度学习模块(200)对所述环境视频进行逐帧读取；

读取到的每一帧图像通过所述深度神经网络模型进行检测；

将检测结果编写成数组，并判断环境中是否存在具有攻击意图的行人。

7.如权利要求6所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述将检测结果编写成的数组为n*2*17维的数组，其中n为图像中出现的行人的数量,2为图像中x轴和y轴两组坐标,17为17个人体关键点的坐标。

8.如权利要求7所述的基于深度学习的行人攻击车辆意图识别方法，其特征在于：所述报警处理包括以下步骤，

开启汽车的喇叭进行鸣笛，开启汽车车灯进行双闪；

采集模块(100)录制实时视频并保存。

9.一种基于深度学习的行人攻击车辆意图识别系统，其特征在于：包括，

采集模块(100)，所述采集模块(100)能够对周围环境进行视频采集；

深度学习模块(200)，所述深度学习模块(200)用于构建深度神经网络模型并进行行人攻击意图的检测；

报警模块(300)，所述报警模块(300)能够在检测到具有攻击意图的行人时进行报警。

10.如权利要求9所述的基于深度学习的行人攻击车辆意图识别系统，其特征在于：还包括，

标注模块(400)，所述标注模块(400)能够在训练时对训练数据进行标注得到标注数据。