一种车辆安全监控方法、装置及安全监控设备与流程

本申请涉及互联网安全监控技术领域，具体涉及一种车辆安全监控方法、装置及安全监控设备。

背景技术：

随着互联网技术的不断发展，各种各样的互联应用不断出现。其中，网约车的出现使得人们的出行变得更加便利，然而，新事物成长的过程总伴随着一些问题，“安全问题”一直是网约车摘不掉的问题标签。

虽然，网约车制度虽日益完善，但近期出现的网约车造成司机或乘客遇害的问题，使得用户心存忌惮。目前网约车服务平台在其相应的客户端上增加紧急求助功能，当用户察觉所处环境存在危险时，可以通过触发客户端的紧急求助按钮实现报警功能。然而，该项功能的实现依赖于用户主动察觉，并且需要用户手动操作。当用户未及时察觉到危险或者被控制时，无法实现主动报警，仍无法保证人身安全。因此，如何可以在出现危险情况时，实现自动报警，提高乘车安全是亟需解决的问题。

技术实现要素：

有鉴于此，本申请实施例提供一种车辆安全监控方法、装置及安全监控设备，以实现自动报警，提高乘车安全。

为解决上述问题，本申请实施例提供的技术方案如下：

在本申请实施例第一方面，提供了一种车辆安全监控方法，所述方法应用于安全监控设备，所述安全监控设备安装于所述车辆，所述安全监控设备包括声音采集模块，所述方法包括：

接收所述声音采集模块所采集的车辆内的声音信号；

利用深度学习网络模型识别所述声音信号是否为告警信息；所述深度学习网络模型为利用训练样本预先生成的网络模型；

当所述声音信号为所述告警信息时，控制警报模块发送警报信号。

在一种可能的实现方式中，所述控制警报模块发送警报信号，包括：

控制警报模块的警示灯闪烁；和/或，控制警报模块的扬声器发出警报声。

在一种可能的实现方式中，当所述声音信号为告警信息时，所述方法还包括：

向车辆管理平台和/或安全监管平台发送报警信息，以使得所述车辆管理平台和/或所述安全监管平台根据所述报警信息采取相应措施，所述报警信息至少包括所述车辆标识。

在一种可能的实现方式中，当所述声音信号为告警信息时，所述方法还包括：

将所述声音信号发送给安全监管平台，以便所述安全监管平台从所述声音信号提取加害者的声纹信息，并对所述声纹信息进行存储。

在一种可能的实现方式中，当所述深度学习网络模型无法识别所述声音信号是否为告警信息，所述方法还包括：

将所述声音信号以及所述声音信号对应的分类标签作为训练样本对所述深度学习网络模型进行训练。

在一种可能的实现方式中，在利用深度学习网络模型识别所述声音信号是否为告警信息之前，所述方法还包括：

预先通过所述声音采集模块获得所述车辆内在正常状态下的背景声音信号；

从所述声音信号中减去所述背景声音信号。

在本申请实施例第二方面，提供了一种车辆安全监控装置，所述装置应用于安全监控设备，所述安全监控设备安装于所述车辆，所述安全监控设备包括声音采集模块，所述装置包括：

接收单元，用于接收所述声音采集模块所采集的车辆内的声音信号；

识别单元，用于利用深度学习网络模型识别所述声音信号为告警信息；所述深度学习网络模型为利用训练样本预先生成的网络模型；

第一发送单元，用于当所述声音信号为所述告警信息时，控制警报模块发送警报信号。

在一种可能的实现方式中，当所述声音信号为告警信息时，所述第一发送单元，具体用于控制警报模块的警示灯闪烁；和/或，控制警报模块的扬声器发出警报声。

在一种可能的实现方式中，当所述声音信号为告警信息时，所述装置还包括：

第二发送单元，用于向车辆管理平台和/或安全监管平台发送报警信息，以使得所述车辆管理平台和/或所述安全监管平台根据所述报警信息采取相应措施，所述报警信息至少包括所述车辆标识。

在一种可能的实现方式中，当所述声音信号为告警信息时，所述装置还包括：

第三发送单元，用于将所述声音信号发送给安全监管平台，以便所述安全监管平台从所述声音信号提取加害者的声纹信息，并对所述声纹信息进行存储。

在一种可能的实现方式中，当所述深度学习网络模型无法识别所述声音信号是否为告警信息，所述装置还包括：

训练单元，用于将所述声音信号以及所述声音信号对应的分类标签作为训练样本对所述深度学习网络模型进行训练。

在一种可能的实现方式中，所述装置还包括：

获取单元，用于在执行所述识别单元之前，预先通过所述声音采集模块获得所述车辆内在正常状态下的背景声音信号；

去除单元，用于从所述声音信号中减去所述背景声音信号。

在本申请实施例第三方面，提供了一种安全监控设备，所述安全监控设备包括：

声音采集模块，用于采集车辆内的声音信号，并发送给控制器；

所述控制器，用于利用深度学习网络模型识别所述声音信号是否为告警信息；所述深度学习网络模型为利用训练样本预先生成的网络模型；

所述控制器，还用于当所述声音信号为所述告警信息时，控制警报模块发送警报信号。

在一种可能的实现方式中，所述声音采集模块为麦克风阵列，所述麦克风阵列至少包括2个麦克风，所述麦克风部署在所述安全监控设备的边缘。

在一种可能的实现方式中，所述警报模块包括警示灯和/或扬声器。

在本申请实施例第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行第一方面所述的车辆安全监控方法。

在本申请实施例第五方面，提供了一种车辆安全监控设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现第一方面所述的车辆安全监控方法。

由此可见，本申请实施例具有如下有益效果：

本申请实施例中安全监控设备首先通过声音采集模块采集车辆内的声音信号，然后利用深度学习网络模型对该声音信号进行识别，以识别出所采集的声音信号是否为告警信息。如果识别出声音信号为告警信息时，则控制警报装置发送警报信号。也就是，通过独立的安全监控设备实现对车辆内情况的监控，当车辆内发生紧急情况时，安全监控设备可以通过深度学习网络模型自动识别出紧急情况，并进行警报，以引起周围人群的注意，帮助用户及时脱离危险。

附图说明

图1为本申请实施例提供的一种场景示例图；

图2为本申请实施例提供的一种车辆安全监控方法流程图；

图3为本申请实施例提供的一种车辆安全监控装置结构图；

图4为本申请实施例提供的一种安全监控设备结构图；

图5为本申请实施例提供的另一种安全监控设备结构图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。

为便于理解，参见图1所示场景实施例，其中，安全监控设备10安装于车辆内，并通过声音采集模块实时采集车辆内的声音信号。然后，利用深度学习网络模型对采集的声音信号进行识别，如果识别结果为不为告警信息，则不进行任何处理，继续监控车辆；如果识别结果为告警信息，则安全监控设备控制警报模块发送报警信号，以引起周围的行人的注意。

此外，安全监控设备还可以在识别出声音信号为告警信息时，向车辆管理平台(图中所示服务器20)和/或安全监管平台(图中所示服务器30)发送报警信息，从而使得车辆管理平台和/或安全监管平台采取相应措施。

具体地，警报模块包括警示灯和/或扬声器，当声音信号为告警信息时，可以控制控制警示灯闪烁和/或扬声器发出警报声。其中，警示灯可以由发光二极管组成，声音采集模块为麦克风单元，设置在安全监控设备边缘上，麦克风单元包括多个麦克风，麦克风的个数至少为2个。

需要说明的是，图1所示的框架示意图仅是本申请的实施方式可以在其中得以实现的一个示例，本申请实施方式的适用范围不受到该框架任何方面的限制。

基于上述描述，下面将结合附图对本申请实施例提供的车辆安全监控方法进行说明，参见图2，该图为本申请实施例提供的一种车辆安全监控方法流程图，如图2所示，所述方法应用于安全监控设备，所述安全监控设备安装于所述车辆，所述安全监控设备包括声音采集模块，所述方法包括：

s201：接收所述声音采集模块所采集的车辆内的声音信号。

本实施例中，安全监控设备的声音采集模块实时处于工作状态，以便采集车辆内的声音信号。当声音采集模块采集到车辆内的声音信号后，将该声音信号发送给安全监控设备的控制器，以便控制器利用该声音信号进行后续的识别。

在具体实现时，司机可能在车辆内听广播或者乘客观看视频时，声音采集模块在采集车辆内的声音信号时，会采集到广播的声音信号或视频播放的声音信号，而这些声音信号中有时会包括一些危险声音，导致在执行s202时出现虚假告警。为避免采集的声音信号中包括噪声信号，在控制器利用接收的声音信号执行s202之前，还可以进行除噪，将背景声音信号去除，提高后续识别的准确性。

具体地，预先通过声音采集模块获得车辆内在正常状态下的背景声音信号，并存储在控制器中。在控制器执行s202之前，将声音采集系统发送的声音信号中减去背景声音信号，然后再利用除噪后的声音信号执行s202，避免背景声音信号对识别结果的影响。

s202：利用深度学习网络模型识别声音信号是否为告警信息。

控制器在接收到声音信号后，利用深度学习网络模型识别声音信号是否为告警信息，具体地，将所接收的声音信号作为输入数据输入深度学习网络模型中，获取深度学习网络模型输出的识别结果，该识别结果可以表征所述输入的声音信号是否为告警信息。

其中，深度学习网络模型为利用训练样本预先生成的网络模型，具体地，可以采集大量的声音信号，并对每种声音信号进行分类标注，将每种声音信号以及该种声音信号对应的分类标签作为一组训练样本训练初始网络模型。在实际训练时，既要采集正训练样本(分类标签为告警信息)，也要采集负训练样本(分类标签为非告警信息)，从而保证训练生成的深度学习网络模型识别结果更加准确。

可以理解的是，在实际应用过程中，可能会出现深度学习网络模型无法准确识别某种声音信号的情况，也就是说，声音采集模块所采集的声音信号可能为比较少见的声音信号，此时，为提高深度学习网络模型的泛化能力，可以通过人工标注的方式确定该声音信号对应的分类标签。然后，再将该声音信号以及该声音信号对应的分类标签作为训练样本对深度学习网络模型重新进行训练。

s203：当声音信号为告警信息时，控制警报模块发送警报信号。

当深度学习网络模型输出的识别结果为告警信息时，则控制警报模型发送警报信号，从而引起周围人群的注意，为受害者提供帮助。具体地，警报模块可以包括警示灯和/或扬声器，控制器可以控制警示灯闪烁，和/或控制扬声器发送警报声，引起人群的关注。

在实际应用时，控制器在控制警报模块发送警报信号的同时，还可以通过无线网络向车辆管理平台和/或安全监管平台发送报警信息，以使得车辆管理平台和/或安全监管平台根据报警信息采取相应措施，其中，报警信息至少包括车辆标识。即，当出现危险情况时，安全监控设备还可以向第三方发送报警信息，以使得第三方可以及时介入。具体地，当车辆管理平台接收到报警信息时，可以根据报警信息中的车辆标识，向对应车辆发送紧急制动信息或者对车辆人员进行紧急呼叫。其中，车辆标识可以为车牌号码、发动机型号等信息。

另外，报警信息中还可以包括车辆位置信息，当安全监管平台(公安监管平台)接收到报警信息时，可以根据车辆位置信息通知附近的安全管理人员及时到达现场。

此外，为进一步提高社会安全，当深度学习网络模型识别出声音信号为告警信息时，控制器还可以将声音信号发送给安全监管平台，以便安全监管平台从声音信号中提取加害者的声纹信息，并对该声纹信息进行存储。当在发生治安性等案件时，可以通过声纹信息比对确定目标人物。

基于上述描述可知，安全监控设备首先通过声音采集模块采集车辆内的声音信号，然后利用深度学习网络模型对该声音信号进行识别，以识别出所采集的声音信号是否为告警信息。如果识别出声音信号为告警信息时，则控制警报装置发送警报信号。也就是，通过独立的安全监控设备实现对车辆内情况的监控，当车辆内发生紧急情况时，安全监控设备可以通过深度学习网络模型自动识别出紧急情况，并进行警报，以引起周围人群的注意，帮助用户及时脱离危险。

基于上述方法实施例，本申请实施例提供了一种车辆安全监控装置，如图3所示，该装置可以包括：

接收单元301，用于接收所述声音采集模块所采集的车辆内的声音信号；

识别单元302，用于利用深度学习网络模型识别所述声音信号为告警信息；所述深度学习网络模型为利用训练样本预先生成的网络模型；

第一发送单元303，用于当所述声音信号为所述告警信息时，控制警报模块发送警报信号。

在一种可能的实现方式中，当所述声音信号为告警信息时，所述第一发送单元，具体用于控制警报模块的警示灯闪烁；和/或，控制警报模块的扬声器发出警报声。

在一种可能的实现方式中，当所述声音信号为告警信息时，所述装置还包括：

第二发送单元，用于向车辆管理平台和/或安全监管平台发送报警信息，以使得所述车辆管理平台和/或所述安全监管平台根据所述报警信息采取相应措施，所述报警信息至少包括所述车辆标识。

在一种可能的实现方式中，当所述声音信号为告警信息时，所述装置还包括：

第三发送单元，用于将所述声音信号发送给安全监管平台，以便所述安全监管平台从所述声音信号提取加害者的声纹信息，并对所述声纹信息进行存储。

在一种可能的实现方式中，当所述深度学习网络模型无法识别所述声音信号是否为告警信息，所述装置还包括：

训练单元，用于将所述声音信号以及所述声音信号对应的分类标签作为训练样本对所述深度学习网络模型进行训练。

在一种可能的实现方式中，所述装置还包括：

获取单元，用于在执行所述识别单元之前，预先通过所述声音采集模块获得所述车辆内在正常状态下的背景声音信号；

去除单元，用于从所述声音信号中减去所述背景声音信号。

需要说明的是，本实施例中各个单元的实现可以参见上述方法实施例，本实施例在此不再赘述。

本申请实施例还提供了一种安全监控设备，参见图4，该图为本申请实施例提供的一种安全监控设备结构图，如图4所示，该设备可以包括：

声音采集模块401，用于采集车辆内的声音信号，并发送给控制器；

所述控制器402，用于利用深度学习网络模型识别所述声音信号是否为告警信息；所述深度学习网络模型为利用训练样本预先生成的网络模型；

所述控制器，还用于当所述声音信号为所述告警信息时，控制警报模块403发送警报信号。

在一种可能的实现方式中，所述声音采集模块为麦克风阵列，所述麦克风阵列至少包括2个麦克风，所述麦克风部署在所述安全监控设备的边缘。

在一种可能的实现方式中，所述警报模块包括警示灯和/或扬声器。

在一种可能的实现方式中，安全监控设备还可以包括通信模块，该通信模块，用于向车辆管理平台和/或安全监管平台发送报警信息。

需要说明的是，本实施例中各个模块的实现可以参见上述方法实施例，本实施例在此不再赘述。

具体地，安全监控设备的结构如图5所示，该图以安全监控设备为圆形结构为例进行说明。该安全监控设备包括固定扣501、麦克风502、扬声器503、led504、控制器505以及通信模块506。其中，该安全监控设备包括6个麦克风。

本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行所述的车辆安全监控方法。

本申请实施例提供了一种车辆安全监控设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的车辆安全监控方法。

基于上述描述可知，安全监控设备首先通过声音采集模块采集车辆内的声音信号，然后利用深度学习网络模型对该声音信号进行识别，以识别出所采集的声音信号是否为告警信息。如果识别出声音信号为告警信息时，则控制警报装置发送警报信号。也就是，通过独立的安全监控设备实现对车辆内情况的监控，当车辆内发生紧急情况时，安全监控设备可以通过深度学习网络模型自动识别出紧急情况，并进行警报，以引起周围人群的注意，帮助用户及时脱离危险。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。