CN113393593A - 一种非替换式节约内存的行车记录用*** - Google Patents

Abstract

本发明属于汽车技术领域，具体涉及一种非替换式节约内存的行车记录用***，包括行车记录仪，以及与该行车记录仪相连的云服务器；其中所述行车记录仪用于采集行车影像，并将实时的行车位置数据发送至云服务器；所述云服务器接收行车位置数据，并且计算行车位置的道路危险度指数，将道路危险度指数发送至行车记录仪；所述行车记录仪根据道路危险度指数调节存储视频分辨率。本发明通过行车记录仪确定当前位置，通过云服务器计算当前位置的危险度指数，并根据危险度指数调节存储视频分辨率，优化了存储空间，避免了采取替换式节约存储空间时会出现的漏秒问题。

Description

一种非替换式节约内存的行车记录用***

技术领域

本发明属于汽车技术领域，具体涉及一种非替换式节约内存的行车记录用***。

背景技术

行车记录仪能够记录汽车行驶全过程的视频图像和声音，可为判定交通事故责任提供证据。由于这些文件通常内存较大，经常造成存储卡空间不足，多数行车记录仪会在存储卡存储满后，自动将最新录制好的视频段，以时间顺序替换掉最早录制的视频段，从而保证最新视频段能完整保存好。但这里也涉及到一个常见的问题——漏秒。很多记录仪性能不好的话，会在两个视频段间漏掉几秒无法保存。原因是机器在保存上一段视频的同时，无法同时开始记录下一段视频，只有当上一段视频保存完成后，才会开始记录下一段视频，这个过程就会漏掉几秒无法记录保存。虽然只有几秒钟，但如果交通事故在几秒间发生就会无法取证，造成严重的损失与后果。

基于上述问题，需要一种非替换式节约内存的行车记录用***。

发明内容

本发明的目的是提供一种非替换式节约内存的行车记录用***，以解决节约存储空间时出现漏秒的技术问题。

为了解决上述技术问题，本发明提供了一种非替换式节约内存的行车记录用***，包括行车记录仪，以及与该行车记录仪相连的云服务器；其中所述行车记录仪用于采集行车影像，并将实时的行车位置数据发送至云服务器；所述云服务器接收行车位置数据，并且计算行车位置的道路危险度指数，将道路危险度指数发送至行车记录仪；所述行车记录仪根据道路危险度指数调节存储视频分辨率。

进一步的，所述行车记录仪包括图像传感器模块、FPGA模块、存储模块、GPS模块、通信模块以及控制模块；其中所述GPS模块适于确定车辆当前位置；所述图像传感器模块用于采集行车影像；所述通信模块适于接收云服务器计算的道路危险度指数；所述控制模块与FPGA模块、通信模块以及存储模块电信连接，适于根据通信模块接收的道路危险度指数调节FPGA模块的读数据方式，并将数据存入存储模块以根据不同危险度指数存储不同分辨率的视频。

进一步的，所述云服务器包括数据获取模块，用于通过道路视频监控获取车流量数据、车流量种类数据、道路属性以及事故情况，并划分各路段各时间段的车流量等级、车辆复杂度等级、道路等级；事故算法模型计算模块，用于依据各路段各时间段的车流量等级、车辆复杂度等级、道路等级构建事故算法模型；危险度指数计算模块，用于依据当前路段车流量数据、车流量种类数据、道路属性以及事故算法模型计算当前路段道路危险度指数；传输模块，向行车记录仪的通信模块传输危险度指数。

进一步的，所述事故算法模型计算模块适于建立数据向量x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)、系数向量w＝(w⁽¹⁾，w⁽²⁾，w⁽³⁾)，并使用软间隔SVM，求几何间隔最大的分类超平面，将问题可以表示为约束最优化问题

S.t y_i(w.x_i+b)≥1-ξ_i

ξ_i≥0i＝1，2，...N；其中，x_i为训练的第i个数据向量x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)，x⁽¹⁾为车流量等级，x⁽¹⁾＝1、2……5，x⁽²⁾为车辆复杂度等级，x⁽²⁾＝1、2……5；x⁽³⁾为道路等级，x⁽³⁾＝1、2……5；w^(j)为相应特征x^(j)所对应的系数，j取值为1、2、3；C为惩罚系数；ξ为松弛变量；ξ_i为第i个训练数据的松弛变量；b为偏置，y_i为对应x_i是否出现事故的类标记，其中未出现事故记为1，出现事故记为-1，以及N为训练数据数目。

进一步的，所述事故算法模型计算模块适于使用KKT条件，求最优分类超平面与系数向量的最优解，即为最优分类超平面的法向量：

其中，α_i ^*为拉格朗日乘子向量中对偶问题的解的第i个元素。

进一步的，所述事故算法模型计算模块适于将未出现事故数据在法向量w*投影得到数据均值

出现事故数据在法向量w*投影后所得到的数据的均值

以及依据μ_A、μ_B构建事故算法模型

其中，

N_A为类别y_i＝1的样本数，N_B为类别y_i＝-1的样本数；Z_C＝w*x_C，x_C为当前路段时间段数据向量，D为危险度指数，取值范围为0-1，D值越大，发生事故概率越高。

进一步的，所述危险度指数计算模块适于将当前路段时间段数据向量带入事故算法模型计算当前路段时间段危险度指数D。

进一步的，所述行车记录仪还包括与控制模块相连的人机交互模块；所述人机交互模块适于设定危险度指数阈值K；所述控制模块适于在D≥K时控制FPGA模块对视频数据连续读出，在D<K时控制FPGA模块对视频数据间隔读出。

本发明的有益效果是，本发明通过行车记录仪确定当前位置，通过云服务器计算当前位置的危险度指数，并根据危险度指数调节存储视频分辨率，优化了存储空间，避免了采取替换式节约存储空间时会出现的漏秒问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的行车记录用***的原理框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，本实施例1提供了提供了一种非替换式节约内存的行车记录用***，可以包括行车记录仪，以及与该行车记录仪相连的云服务器；其中所述行车记录仪用于采集行车影像，并将实时的行车位置数据发送至云服务器；所述云服务器接收行车位置数据，并且计算行车位置的道路危险度指数，将道路危险度指数发送至行车记录仪；所述行车记录仪根据道路危险度指数调节存储视频分辨率，具体的，在道路危险度指数高时采用高分辨率，在道路危险度指数低时采用高分辨率。

本实施例提供的行车记录用***通过行车记录仪确定当前位置，通过云服务器计算当前位置的危险度指数，并根据危险度指数调节行车记录仪存储视频分辨率，可以有效优化行车记录仪的存储空间，解决存储卡经常满的问题且不会出现漏秒现象。

在本实施例中，所述云服务器包括数据获取模块，用于通过道路视频监控获取车流量数据、车流量种类数据、道路属性以及事故情况，并划分各路段各时间段的车流量等级、车辆复杂度等级、道路等级；事故算法模型计算模块，用于依据各路段各时间段的车流量等级、车辆复杂度等级、道路等级构建事故算法模型；危险度指数计算模块，用于依据当前路段车流量数据、车流量种类数据、道路属性以及事故算法模型计算当前路段道路危险度指数；传输模块，向行车记录仪的通信模块传输危险度指数。

在本实施例中，所述事故算法模型计算模块适于建立数据向x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)、系数向量w＝(w⁽¹⁾，w⁽²⁾，w⁽³⁾)，并使用软间隔SVM，求几何间隔最大的分类超平面，将问题可以表示为约束最优化问题

S.t y_i(w.x_i+b)≥1-ξ_i

ξ_i≥0 i＝1，2，...N；其中，x_i为训练的第i个数据向量x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)，x⁽¹⁾为车流量等级，x⁽¹⁾＝1、2……5，x⁽²⁾为车辆复杂度等级，x⁽²⁾＝1、2……5；x⁽³⁾为道路等级，x⁽³⁾＝1、2……5；w^(j)为相应特征x^(j)所对应的系数，j取值为1、2、3；C为惩罚系数；ξ为松弛变量；ξ_i为第i个训练数据的松弛变量；b为偏置y_i为对应x_i是否出现事故的类标记，其中未出现事故记为1，出现事故记为-1，以及N为训练数据数目。

在本实施例中，所述事故算法模型计算模块适于使用KKT条件，即卡罗需-库恩-塔克条件，求最优分类超平面与系数向量的最优解，即为最优分类超平面的法向量：

其中，α_i ^*为拉格朗日乘子向量中对偶问题的解的第i个元素。

在本实施例中，所述事故算法模型计算模块适于将未出现事故数据在法向量w*投影得到数据均值

出现事故数据在法向量w*投影后所得到的数据的均值

以及依据μ_A、μ_B构建事故算法模型

其中，

N_A为类别y_i＝1的样本数，N_B为类别y_i＝-1的样本数；Z_C＝w*x_C，x_C为当前路段时间段数据向量，D为危险度指数，取值范围为0-1，D值越大，发生事故概率越高。

在本实施例中，所述危险度指数计算模块适于将当前路段时间段数据向量带入事故算法模型计算当前路段时间段危险度指数D。

综上所述，本实施例提供的行车记录用***在使用时，通过云服务器的算法模型计算模块构建事故算法模型，通过行车记录仪获取当前位置，通过云服务器的危险度指数计算模块计算当前位置的危险度指数，行车记录仪根据当前位置的危险度指数选取存储视频的分辨率，优化了存储空间。

实施例2

在实施例1的基础上，在本实施例2中，所述行车记录仪可以包括图像传感器模块、FPGA模块、存储模块、GPS模块、通信模块以及控制模块；其中所述GPS模块适于确定车辆当前位置；所述图像传感器模块用于采集行车影像；所述通信模块适于接收云服务器计算的道路危险度指数；所述控制模块与FPGA模块、通信模块以及存储模块电信连接，适于根据通信模块接收的道路危险度指数调节FPGA模块的读数据方式，并将数据存入存储模块以根据不同危险度指数存储不同分辨率的视频。可选的，图像传感器模块的像素选取1920x1080，所述FPGA模块搭载有时序控制电路及双口ARM，在道路危险度指数高时对于图像传感器模块写入双口RAM的数据进行连续读出1920x1080像素的视频数据以更清晰地了解周边情况，在道路危险度指数低时对于图像传感器模块写入双口RAM的数据进行间隔读出1280x720像素的视频数据以在节约存储空间的同时保障看清车牌号。所述图像传感器模块可以采用但不限于IMX307，所述控制模块可以采用但不限于ARM处理器，所述存储模块可以采用但不限于AT24C128，所述GPS模块可以采用但不限于G28U8FDTTL，所述通信模块可以采用但不限于4G模块。

在本实施例中，为了便于自行危险度指数设定阈值，所述行车记录仪还包括与控制模块相连的人机交互模块；所述人机交互模块适于设定危险度指数阈值K；所述控制模块适于在D≥K时控制FPGA模块对视频数据连续读出，在D<K时控制FPGA模块对视频数据间隔读出。所述人机交互模块可以采用但不限于RK3510A。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (8)

1.一种非替换式节约内存的行车记录用***，其特征在于，包括：

行车记录仪，以及与该行车记录仪相连的云服务器；其中

所述行车记录仪用于采集行车影像，并将实时的行车位置数据发送至云服务器；

所述云服务器用于接收行车位置数据，并且计算行车位置的道路危险度指数，将道路危险度指数发送至行车记录仪；

所述行车记录仪根据道路危险度指数调节存储视频分辨率。

2.如权利要求1所述的***，其特征在于，

所述行车记录仪包括：

图像传感器模块、FPGA模块、存储模块、GPS模块、通信模块以及控制模块；其中

所述GPS模块适于确定车辆当前位置；

所述图像传感器模块用于采集行车影像；

所述通信模块适于接收云服务器计算的道路危险度指数；

所述控制模块与FPGA模块、通信模块以及存储模块电信连接，适于根据通信模块接收的道路危险度指数调节FPGA模块的读数据方式，并将数据存入存储模块以根据不同危险度指数存储不同分辨率的视频。

3.如权利要求1所述的***，其特征在于，

所述云服务器包括:

数据获取模块，用于通过道路视频监控获取车流量数据、车流量种类数据、道路属性以及事故情况，并划分各路段各时间段的车流量等级、车辆复杂度等级、道路等级；

事故算法模型计算模块，用于依据各路段各时间段的车流量等级、车辆复杂度等级、道路等级构建事故算法模型；

危险度指数计算模块，用于依据当前路段车流量数据、车流量种类数据、道路属性以及事故算法模型计算当前路段道路危险度指数；

传输模块，向行车记录仪的通信模块传输危险度指数。

4.如权利要求3所述的***，其特征在于，

所述事故算法模型计算模块适于建立数据向量x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)、系数向量w＝(w⁽¹⁾，w⁽²⁾，w⁽³⁾)，并使用软间隔SVM，求几何间隔最大的分类超平面，将问题可以表示为约束最优化问题

S.t y_i(w.x_i+b)≥1-ξ_i

ξ_i≥0i＝1，2，...N；

其中，x_i为训练的第i个数据向量x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)，x⁽¹⁾为车流量等级，x⁽¹⁾＝1、2……5，x⁽²⁾为车辆复杂度等级，x⁽²⁾＝1、2……5；x⁽³⁾为道路等级，x⁽³⁾＝1、2……5；w^(j)为相应特征x^(j)所对应的系数，j取值为1、2、3；C为惩罚系数；ξ为松弛变量；ξ_i为第i个训练数据的松弛变量；b为偏置，y_i为对应x_i是否出现事故的类标记，其中未出现事故记为1，出现事故记为-1，以及N为训练数据数目。

5.如权利要求4所述的***，其特征在于，

所述事故算法模型计算模块适于使用KKT条件，求最优分类超平面与系数向量的最优解，即为最优分类超平面的法向量：

其中，α_i ^*为拉格朗日乘子向量中对偶问题的解的第i个元素。

6.如权利要求5所述的***，其特征在于，

所述事故算法模型计算模块适于将未出现事故数据在法向量w*投影得到数据均值

出现事故数据在法向量w*投影后所得到的数据的均值

以及

依据μ_A、μ_B构建事故算法模型

其中，

N_A为类别y_i＝1的样本数，N_B为类别y_i＝-1的样本数；Z_C＝w*x_C，x_C为当前路段时间段数据向量，D为危险度指数，取值范围为0-1，D值越大，发生事故概率越高。

7.如权利要求6所述的***，其特征在于，

所述危险度指数计算模块适于将当前路段时间段数据向量带入事故算法模型计算当前路段时间段危险度指数D。

8.如权利要求2所述的***，其特征在于，

所述行车记录仪还包括与控制模块相连的人机交互模块；

所述人机交互模块适于设定危险度指数阈值K；

所述控制模块适于在D≥K时控制FPGA模块对视频数据连续读出，在D<K时控制FPGA模块对视频数据间隔读出。

Images