本发明涉及视频感应探测器，尤其涉及具有自主学习分析判断是否剐蹭行为的视频感应探测器。
背景技术：
1、视频感应探测器是一种利用视频图像处理和分析技术，通过感知和识别视频中的特定事件、行为或目标，并输出相关信息或触发特定操作的设备或系统，视频感应探测器通常通过从实时视频流或录制的视频中提取特征并使用计算机视觉和机器学习算法来实现对感兴趣事件的检测和识别，这些事件可以包括人体活动、车辆运动、物体出现或消失等，其被广泛的应用到车辆系统中；
2、现有技术中应用于车辆系统的视频感应探测器，其大多不具备自主学习分析并判断是否存在剐蹭行为的功能，其对于剐蹭行为的判断是利用已经录入的视频进行计算分析，当车辆出现新的运动轨迹时，则不能够准确判断，判断精准度较低，不能满足使用需求，综合上述情况，因此提出了具有自主学习分析判断是否剐蹭行为的视频感应探测器。
技术实现思路
1、基于背景技术存在的技术问题，本发明提出了具有自主学习分析判断是否剐蹭行为的视频感应探测器。
2、本发明提出的具有自主学习分析判断是否剐蹭行为的视频感应探测器，包括视频输入模块、视频预处理模块、特征提取和选择模块、数据标注模块、模型训练和优化模块、剐蹭行位分类与判断模块以及输出与告警模块；
3、所述视频输入模块通过摄像头、监控系统等设备获取需要进行剐蹭行为检测的视频数据；
4、所述视频预处理模块对视频进行预处理，包括帧差分、灰度化、图像分割等操作，可以使用帧差法识别动态变化的区域，灰度化将彩色图像转换为灰度图像，图像分割可以提取出感兴趣的区域；
5、所述特征提取和选择模块从预处理后的视频中提取出与剐蹭行为相关的特征，这些特征可以包括车辆的位置、运动轨迹、速度、边缘特征等，可以使用轮廓检测、轮廓描述提取、光流分析等技术来提取这些特征；
6、所述数据标注模块用于帮助模型学习剐蹭行为的模式，可准备一个标注数据集，该数据集包含已经手动标注好的正负样本，这些样本用于训练机器学习算法；
7、所述模型训练和优化模块使用机器学习算法(支持向量机)，对提取的特征进行训练，并优化模型，以提高剐蹭行为的检测性能；
8、所述剐蹭行位分类与判断模块用于将训练好的模型应用于实时视频输入，对每一帧的视频进行剐蹭行为的分类和判断，根据学习到的模式，能够判断当前视频中是否存在剐蹭行为；
9、所述输出与告警模块用于输出适当的结果和告警，如果检测到剐蹭行为，触发警报、发送通知或触发其他反应以进行处理。
10、优选地，所述视频预处理模块的运行过程包括以下内容：
11、视频解码：将视频文件解码成原始的视频帧序列，使其可以被后续的处理步骤识别和处理；
12、视频尺寸调整：根据需要，将视频帧的尺寸进行调整，在调整时包括缩小、放大或裁剪视频帧，以便适应不同的应用场景；
13、视频帧率调整：根据需要，调整视频帧的帧率，包括增加或减少原始视频帧的数量，以达到控制播放速度或数据传输速度的目的，在调整帧率时使用线性插值的方法进行调整，其表达式为：插值后帧的时间＝(t_i-t_prev)*比例因子+t_prev，其中被插值帧的时间为t_i，前一帧的时间为t_prev；
14、色彩空间转换：在一些情况下，需要将视频帧的色彩空间转换为其他格式，比如将rgb颜色空间转换为yuv颜色空间；
15、视频降噪：对视频帧进行降噪处理，提高视频质量；
16、视频去抖动：通过去抖动算法对视频进行稳定处理，减少画面抖动；
17、视频增强：对视频进行增强处理，比如增加对比度、调整颜色饱和度、锐化图像等，以提升视频质量；
18、视频特征提取：从视频中提取特定的信息或特征，如运动目标检测、人脸识别等，通过运动分析、目标跟踪或图像识别等算法，提取视频中的相关特征。
19、优选地，所述特征提取和选择模块的运行过程包括以下内容：
20、运动检测：通过帧差法或光流分析等技术，检测视频中的运动目标，这可以帮助确定车辆是否发生了剐蹭行为，其中使用帧差法时使用的表达式为：diff(x,y,t)＝|i(x,y,t)-i(x,y,t-1)|，其中diff(x,y,t)表示在位置(x,y)处的像素在相邻两帧(t和t-1)之间的灰度差异。i(x,y,t)表示在位置(x,y)处的像素在第t帧的灰度值，使用光流分析法时使用的数学表达式为：i_x*u+i_y*v＝-i_t，i_x和i_y分别表示图像中像素的x和y方向的梯度，u和v是光流向量的x和y分量，i_t表示相邻帧之间的灰度差；
21、车辆分割：使用图像分割技术将视频中的车辆目标从背景中分离出来，基于像素颜色、形状、纹理等特征的阈值进行分割；
22、车辆跟踪：使用卡尔曼滤波器跟踪分割出的车辆目标，获取车辆的运动轨迹和速度信息；
23、车辆形态特征提取：使用形态学操作从跟踪到的车辆目标中提取形态特征，例如车辆的长度、宽度、面积等；
24、车辆颜色特征提取：使用直方图均衡化法从车辆目标中提取颜色特征，例如车辆的颜色直方图、颜色矩等；
25、车辆边缘特征提取：可以使用边缘检测算法(如sobel)来提取车辆目标的边缘特征，边缘特征可以捕捉到车辆的轮廓信息，其使用的表达式为：
26、gx＝(i(x+1,y-1)+2i(x+1,y)+i(x+1,y+1))-(i(x-1,y-1)+2i(x-1,y)+i(x-1,y+1))gy＝(i(x-1,y+1)+2i(x,y+1)+i(x+1,y+1))-(i(x-1,y-1)+2i(x,y-1)+i(x+1,y-1))；g＝sqrt(gx^2+gy^2)，其中i(x,y)表示图像上坐标为(x,y)的像素灰度值，gx和gy分别表示在x和y方向上的灰度梯度，g为像素的边缘强度；
27、特征选择：使用相关性分析法选择对剐蹭行为检测有较大贡献的、具有区分能力的特征。
28、优选地，所述模型训练和优化模块的运行过程包括以下内容：
29、数据准备：将已提取的视频特征整理为一个特征矩阵，并将对应的样本标签准备好；
30、特征缩放：对特征矩阵进行归一化或标准化，使得每个特征维度的数值范围相近；这有助于避免某些特征对模型训练的影响过大；
31、数据划分：将数据集划分为训练集和测试集，将大部分数据用于训练模型，少部分用于测试模型性能的验证；
32、模型选择：根据具体问题，选择支持向量机适应的核函数，如线性核和径向基函数(rbf)核等，选择合适的核函数可以提升模型的表现能力，其中线性核使用的表达式为：w^t*x+b＝0，其中w是超平面的法向量，x是输入的特征向量，b是偏置项，径向基函数(rbf)核使用的表达式为：f(x)＝sign(∑α_iy_ik(x_i,x)+b)，其中f(x)表示预测的类别；α_i是支持向量机的拉格朗日乘子；y_i是对应样本的类别标签；k(x_i,x)是核函数的计算结果，表示样本x_i与x的相似程度；b是偏置项；
33、参数优化：使用训练集数据对支持向量机(svm)模型进行优化，优化的目标是找到最佳的超参数组合，超参数包括惩罚系数c、核函数的参数以及其他与模型性能相关的参数；
34、模型训练：基于优化后的超参数组合，使用训练集数据对svm模型进行训练，构建一个能够最好地分离正负样本的决策边界；
35、模型评估：使用测试集数据对训练好的模型进行评估，计算模型在新数据上的准确率、召回率、f1值等性能指标，评估结果可以帮助判断模型的泛化能力和是否过拟合；
36、参数调整和模型优化：根据评估结果，适时调整超参数，重新训练模型并进行评估，以改进模型的性能。
37、优选地，所述剐蹭行位分类与判断模块的运行过程包括以下内容：
38、使用训练好的模型对输入的特征进行推理和分类，通过学习剐蹭行为的模式，可以判断当前视频帧是否存在剐蹭行为，其在推理分类时使用逻辑回归模型推理函数，其表达式为：y＝sigmoid(w.t*x+b)，其中y表示模型的输出，w是权重向量，x是特征向量，b是偏置项，sigmoid函数将线性组合的结果映射到0到1之间的概率值；
39、根据模型的分类结果，来判断当前视频帧是否为剐蹭行为，可以输出二元分类结果(有/无剐蹭行为)，也可以输出置信度或概率，表示剐蹭行为的程度；
40、对于实时视频流，可以连续对多帧视频进行判断，通过对连续帧的分析和比较，进一步提升剐蹭行为的识别准确度。
41、优选地，所述输出与告警模块可以使用相应的函数表达式输出结果或触发告警，其中输出函数用于将模型的分类结果映射为具体的标签或概率值，表达式为：y＝f(x)，其中y表示输出结果，x表示模型的分类结果，f(x)是一个函数，具体形式取决于输出结果的类型和需求，可以是一个映射函数或者线性函数；告警函数用于判断模型的输出是否满足某种条件从而触发告警，其表达式为：w(x)＝1(触发告警)或w(x)＝0(未触发告警)，其中w(x)表示告警函数的输出结果，x表示模型的输出结果。
42、优选地，所述数据标注模块的运行过程包括以下内容：
43、建立标注工具：将标记信息添加到视频数据中，这可以是一个自定义的标注界面，用于手动标记关键点、标记目标或事件等；
44、选择标注类型：根据视频感应探测器的应用场景和需求，选择合适的标注类型，其标注类型包括目标检测、目标跟踪、行为识别和姿态估计等，在目标检测中，标注工具可以允许用户在视频帧中绘制边界框，标记出感兴趣的目标物体；
45、样本选择和管理：根据需要，选择要标注的样本视频，并有效地管理已标注和未标注的数据；
46、数据标注和质量控制：在标注工具中，用户使用适当的标注方式来标记视频数据，并进行质量控制，确保标注结果的准确性和一致性；
47、数据集导出和格式转换：将标注完成的视频数据导出为特定格式，以供后续的训练或评估使用，常见的格式包括xml、json、csv等。
48、与现有的技术相比，本发明的有益效果是：
49、1、通过视频输入模块、视频预处理模块、特征提取和选择模块、数据标注模块、模型训练和优化模块、剐蹭行位分类与判断模块以及输出与告警模块相配合，能够根据车辆的运行轨迹，对数据进行采集分析并利用自主学习分析的方式，判断出剐蹭行位，此种判断方式，精准度较高；
50、本发明能够通过自主学习分析判断是否存在剐蹭行为，精准度较高，可有效的降低因出现新的运动轨迹，导致无法准确判断的情况，为车辆系统提供便利。
1.具有自主学习分析判断是否剐蹭行为的视频感应探测器，其特征在于，包括视频输入模块、视频预处理模块、特征提取和选择模块、数据标注模块、模型训练和优化模块、剐蹭行位分类与判断模块以及输出与告警模块；
2.根据权利要求1所述的具有自主学习分析判断是否剐蹭行为的视频感应探测器，其特征在于，所述视频预处理模块的运行过程包括以下内容：
3.根据权利要求1所述的具有自主学习分析判断是否剐蹭行为的视频感应探测器，其特征在于，所述特征提取和选择模块的运行过程包括以下内容：
4.根据权利要求1所述的具有自主学习分析判断是否剐蹭行为的视频感应探测器，其特征在于，所述模型训练和优化模块的运行过程包括以下内容：
5.根据权利要求1所述的具有自主学习分析判断是否剐蹭行为的视频感应探测器，其特征在于，所述剐蹭行位分类与判断模块的运行过程包括以下内容：
6.根据权利要求1所述的具有自主学习分析判断是否剐蹭行为的视频感应探测器，其特征在于，所述输出与告警模块可以使用相应的函数表达式输出结果或触发告警，其中输出函数用于将模型的分类结果映射为具体的标签或概率值，表达式为：y＝f(x)，其中y表示输出结果，x表示模型的分类结果，f(x)是一个函数，具体形式取决于输出结果的类型和需求，可以是一个映射函数或者线性函数；告警函数用于判断模型的输出是否满足某种条件从而触发告警，其表达式为：w(x)＝1(触发告警)或w(x)＝0(未触发告警)，其中w(x)表示告警函数的输出结果，x表示模型的输出结果。
7.根据权利要求1所述的具有自主学习分析判断是否剐蹭行为的视频感应探测器，其特征在于，所述数据标注模块的运行过程包括以下内容：
