CN102409599A - 道路路面检测方法及系统 - Google Patents
道路路面检测方法及系统 Download PDFInfo
- Publication number
- CN102409599A CN102409599A CN2011102839703A CN201110283970A CN102409599A CN 102409599 A CN102409599 A CN 102409599A CN 2011102839703 A CN2011102839703 A CN 2011102839703A CN 201110283970 A CN201110283970 A CN 201110283970A CN 102409599 A CN102409599 A CN 102409599A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- gaussian distribution
- vertical direction
- gauss model
- mixed gauss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Road Repair (AREA)
- Traffic Control Systems (AREA)
Abstract
一种道路路面检测方法,包括如下步骤:通过路面行驶采集加速度;根据采集到的垂直方向的加速度确定混合高斯模型;通过匹配检验判断所述垂直方向的加速度与混合高斯模型是否匹配,若否,则传输所述采集到的加速度。上述道路路面检测方法及系统,在路面行驶过程中采集垂直方向上的加速度作为特征,在混合高斯模型中进行匹配检验,以得到不与混合高斯模型相匹配的加速度,这一加速度为垂直方向上的加速度,因此对应了车辆经过减速带或者井盖、坑、土包时的加速度,如果垂直方向的加速度与混合高斯模型匹配时,则对采集到的加速度进行数据传输,在不丢失信息的情况下降低了数据传输量和计算量,节省网络带宽。
Description
【技术领域】
本发明涉及信号处理技术,特别是涉及一种道路路面检测方法及系统。
【背景技术】
传统的道路路面检测过程主要是通过对道路路面进行人工抽查后形成书面检测报告以及群众自发报告的方式进行,但是这两种方式存在着以下缺点:需要耗费巨大的人工成本,无法有效选择重点监测区域,检查周期长,监测效率低,且检查的范围也非常有限。因此,为了克服上述缺点,采用了设置于车辆中的车载传感器系统进行道路状况的监测。
车载传感器系统在车辆行驶过程中进行数据采集后将采集到的数据传输到服务器中。然而,由于车载传感器系统不对采集到的数据进行处理便将其进行传输,而对道路路面检测仅仅需要车辆经过减速带或者井盖、坑、土包时采集到的数据,因此车载传感器系统所传输的数据中只有小部分是有效数据,耗费了极大的数据传输量。
【发明内容】
基于此,有必要提供一种能降低数据传输量的道路路面检测方法。
此外,还有必要提供一种能降低数据传输量的道路路面检测系统。
一种道路路面检测方法,包括如下步骤:
通过路面行驶采集加速度;
根据采集到的垂直方向的加速度确定混合高斯模型;
通过匹配检验判断所述采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则
传输所述采集到的加速度。
优选地,所述根据采集到的垂直方向的加速度确定混合高斯模型的步骤为:根据所述采集到的垂直方向的加速度构建混合高斯模型;
对所述混合高斯模型中的参数进行初始化处理,并形成初始化处理后的混合高斯模型;
通过所述初始化处理后的混合高斯模型判断是否存在至少一个高斯分布与采集到的垂直方向的加速度相匹配,若是,则
根据设定的学习速率以及与所述加速度相匹配的高斯分布中对应的参数更新与所述加速度相匹配的高斯分布,并通过设定的学习速率更新所有高斯分布的权系数。
优选地,所述根据采集到的垂直方向的加速度确定混合高斯模型的步骤还包括:
当判断到不存在至少一个高斯分布与采集到的垂直方向的加速度相匹配时,获取每一高斯分布对应的权系数及标准差;
计算所述每一高斯分布中权系数与标准差之间的比值;
提取所述比值最小的高斯分布,并通过重新赋初值对所述比值最小的高斯分布进行更新。
优选地,所述根据采集到的垂直方向的加速度确定混合高斯模型的步骤还包括:
对更新后的混合高斯模型计算高斯分布中权系数与标准差之间的比值;
按照所述权系数与标准差之间的比值大小对高斯分布进行重新排列;
从排列的高斯分布中按照所述权系数与标准差之间的比值从大到小的顺序提取预设数量的高斯分布;
由所述提取的高斯分布生成混合高斯模型。
优选地,所述传输所述采集到的加速度的步骤之前还包括:
当判断到所述采集到的加垂直方向的速度均与混合高斯模型匹配,则查询所述匹配检验的阈值系数是否为第一阈值系数,若是,则
取第二阈值系数进行匹配检验,判断所述采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则
进入传输所述采集到的加速度的步骤。
一种道路路面检测系统,包括:
加速度采集模块,用于根据路面行驶采集加速度;
处理模块,用于通过采集到的垂直方向的加速度确定混合高斯模型;
匹配检验模块,用于通过匹配检验判断所述采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则通知传输模块;
所述传输模块用于传输所述采集到的加速度。
优选地,所述处理模块包括:
模型构建单元,用于根据所述采集到的垂直方向的加速度构建混合高斯模型;
初始化单元,用于对所述混合高斯模型中的参数进行初始化处理,并形成初始化处理后的混合高斯模型;
高斯分布检验单元,用于通过所述初始化处理后的混合高斯模型判断是否存在至少一个高斯分布与采集到的垂直方向的加速度相匹配,若是,则通知更新单元;
所述更新单元用于根据设定的学习速率以及与所述加速度相匹配的高斯分布中对应的参数更新与所述加速度相匹配的高斯分布,并通过设定的学习速率更新所有高斯分布的权系数。
优选地,所述处理模块还包括:
均值获取单元,用于当所述高斯分布检验单元判断到不存在至少一个高斯分布与采集到的垂直方向的加速度相匹配时,获取每一高斯分布对应的权系数及标准差;
比值计算单元,用于计算所述每一高斯分布中权系数与标准差之间的比值;
所述更新单元还用于提取所述比值最小的高斯分布,并通过重新赋初值对所述比值最小的高斯分布进行更新。
优选地,所述处理模块还包括:
高斯分布比值计算单元,用于对更新后的混合高斯模型计算高斯分布中权系数与标准差之间的比值;
排列单元,用于按照所述权系数与标准差之间的比值大小对高斯分布进行重新排列;
提取单元,用于从排列的高斯分布中按照所述权系数与标准差之间的比值从大到小的顺序提取预设数量的高斯分布,并由所述提取的高斯分布生成混合高斯模型。
优选地,还包括:
查询模块,用于当判断到所述采集到的垂直方向的加速度均与混合高斯模型匹配,则查询所述匹配检验的阈值系数是否为第一阈值系数,若是,则通知所述匹配检验模块;
所述匹配检验模块还用于取第二阈值系数进行匹配检验,判断所述采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则通知所述传输模块。
上述道路路面检测方法及系统,在路面行驶过程中采集加速度作为特征,在混合高斯模型中进行匹配检验,以得到不与混合高斯模型相匹配的垂直方向的加速度,因此对应了车辆经过减速带或者井盖、坑、土包时的垂直方向的加速度,仅在此时对加速度进行数据传输,在不丢失信息的情况下降低了数据传输量和计算量,节省网络带宽。
上述道路路面检测方法及系统,由于采集到的垂直方向上的加速度是不断变化的,因此需要根据加速度以及对应的高斯分布进行更新,使得混合高斯模型被不断地学习更新,提高道路路面检测的准确性,适应检测场景的变化。
上述道路路面检测方法及系统在进行了匹配检验后,如果判断到所有采集到的加速度都不与混合高斯模型相匹配,则需要查询当前所用的阈值系数是否为第一阈值系数,如果此时使用的是第一阈值系统,则应当使用第二阈值系统进行匹配检验以再次对所有采集的加速度进行匹配检验,以防止漏检的情况发生,降低了检测过程中的漏检率。
【附图说明】
图1为一个实施例中道路路面检测方法的流程图;
图2为一个实施例中根据采集到的垂直方向的加速度确定混合高斯模型的方法流程图;
图3为另一个实施例中根据采集到的垂直方向的加速度确定混合高斯模型的方法流程图;
图4为另一个实施例中道路路面检测方法的流程图;
图5为一个实施例中道路路面检测系统的结构示意图;
图6为一个实施例中处理模块的结构示意图;
图7为另一个实施例中处理模块的结构示意图;
图8为一个实施例中在包含了土坑的道路路面中行驶得到的原始波形图;
图9为一个实施例中在包含了土坑的道路路面中行驶得到的事件标示图;
图10为一个实施例中在包含了土坑的道路路面中行驶得到的经混合高斯模型处理的波形图;
图11为一个实施例中在包含了石块的道路路面中行驶得到的原始波形图;
图12为一个实施例中在包含了石块的道路路面中行驶得到的事件标示图;
图13为一个实施例中在包含了石块的道路路面中行驶得到的经混合高斯模型处理的波形图;
图14为一个实施例中在包含了搓板路的道路路面中行驶得到的原始波形图;
图15为一个实施例中在包含了搓板路的道路路面中行驶得到的事件标示图;
图16为一个实施例中在包含了搓板路的道路路面中行驶得到的经混合高斯模型处理的波形图;
图17为一个实施例中在包含了波浪路的道路路面中行驶得到的原始波形图;
图18为一个实施例中在包含了波浪路的道路路面中行驶得到的事件标示图;
图19为一个实施例中在包含了波浪路的道路路面中行驶得到的经混合高斯模型处理的波形图;
图20为一个实施例中在包含了减速带的道路路面中行驶得到的原始波形图;
图21为一个实施例中在包含了减速带的道路路面中行驶得到的事件标示图;
图22为一个实施例中在包含了减速带的道路路面中行驶得到的经混合高斯模型处理的波形图。
【具体实施方式】
图1示出了一个实施例中道路路面检测的方法流程,包括以下步骤:
步骤S110,通过路面行驶采集加速度。
本实施例中,路面通常是平坦的,但是由于道路质量等方面的缺陷,也存在着凸起或者凹陷的地方,例如,道路路面上可能会出现减速带、土包等凸起的地方,也可能会出现井盖、土坑等凹陷的地方,因此采集加速度可有效反映道路路面的变化,采集的加速度包括了三维空间中三个方向上的加速度,即包括了垂直方向的加速度。在道路路面的行驶过程中,任何晃动、跌落、上升以及下降等各种移动变化所对应的加速度均被采集得到一系列的加速度序列。
步骤S130,根据采集到的垂直方向的加速度确定混合高斯模型。
本实施例中,由于采集到的垂直方向的加速度中某些特定的加速度分布是满足了背景模型的分布的,因此,可通过建立一个合适的背景模型来对采集到一系列垂直方向的加速度序列进行分割筛选。中值滤波器、卡尔曼滤波器、单高斯分布法和混合高斯模型等都被广泛应用于背景建模当中,但是中值滤波器建立背景模型需要非常大的存储空间;而使用卡尔曼滤波器建立背景模型时,每一个像素都需要使用一个卡尔曼滤波器描述,背景恢复比较慢,运算时间也比较长;若运用单高斯分布法建立背景模型通常在仿真环境下能够获得比较好的效果,但是还未能成功地应用于现实中,因此,应当选用混合高斯模型来对采集到的垂直方向的加速度进行分割筛选。
采集到的垂直方向的加速度中某些特定的加速度分布是满足了高斯分布的,因此采集混合高斯模型来对采集到的垂直方向的加速度进行筛选可得到最佳的结果。在采集到加速度之后,通过采集到的一系列垂直方向的加速度序列确定混合高斯模型。
根据混合高斯模型采集到的垂直方向的加速度序列将分为前景和背景。背景指的是车辆在一段平坦的、没有任何凸起或凹陷的道路路面行驶时采集到的垂直方向的加速度;前景指的是行驶于道路路面上的井盖、减速带、土坑以及土包待异常路面时采集到的垂直方向的加速度,加速度序列在混合高斯模型的作用下所分割筛选出的前景即为道路路面检测过程中的有效数据。
在一个具体的实施例中,如图2所示,上述根据采集到的加速度确定混合高斯模型的具体过程为:
步骤S131,根据采集到的垂直方向的加速度构建混合高斯模型。
本实施例中,针对每一个垂直方向的加速度分别用预设数量个高斯分布构成的混合高斯模型来建模,即混合高斯模型公式如下式所示:
其中,P(Xt)表示垂直方向的加速度X在t时刻属于背景的概率;K为混合高斯模型中高斯分布的预设数量,可取K=4,Xt是在t时刻的垂直方向的加速度值;ωit表示t时刻混合高斯模型中第i个高斯分布的权系数的估计值;μit和分别表示在t时刻混合高斯模型中第i个高斯分布的均值和方差;η表示高斯分布概率密度函数。
步骤S132,对混合高斯模型中的参数进行初始化处理,并形成初始化处理后的混合高斯模型。
本实施例中,混合高斯模型中的参数包括每个高斯分布的权系数ωit和均值μit以及方差等。在进行初始化的过程中,将混合高斯模型中每个高斯分布的权系数ωit和均值μit初始化为0,对方差赋予一个较大的初值,在优选的实施例中,这一初值为45。在完成了参数的初始化处理后将初始化后的参数输入混合高斯模型公式中形成初始化处理后的混合高斯模型。
步骤S133,通过初始化处理后的混合高斯模型判断是否存在至少一个高斯分布与采集到的垂直方向的加速度相匹配,若是,则进入步骤S134,若否,则进入步骤S135。
本实施例中,随着道路路面的检测是在不断发生变化的,随着道路路面的检测场景的变化,加速度的混合高斯模型都需要被不断地学习更新。由于根据不同的检测场景变化所使用的更新方式也是各不相同的,因此,需要对每一个垂直方向的加速度及对应的高斯分布进行匹配检验,具体的匹配检验过程如以下过程所示:
|Xt-μi,t-1|<Vth×ρ0
其中,Vth为阈值系数,可以取0.25或者0.20。
步骤S134,根据设定的学习速率以及与加速度相匹配的高斯分布中对应的参数更新与加速度相匹配的高斯分布,并通过设定的学习速率更新所有高斯分布的权系数。
本实施例中,当判断到存在至少一个高斯分布与采集到的垂直方向的加速度相匹配时,对于混合高斯分布模型中与垂直方向的加速度不相匹配的高斯分布,均值和方差将保持不变;对于与垂直方向的加速度相匹配的高斯分布,按照以下公式对其进行更新:
μit=(1-δ)×μi,t-1+δ×Xt
在完成与垂直方向的加速度相匹配的高斯分布的更新后,将更新所有高斯分布在时刻t的权系数ωit,权系数更新过程如以下公式所示:
ωit=(1-α)×ωi,t-1+α×Fit
其中,Fit为二值逻辑,如果高斯分布与t时刻的加速度Xt匹配,则取值为1,若否,则取值为0。
步骤S135,获取每一高斯分布对应的权系数及标准差。
本实施例中,当判断到不存在与采集到的垂直方向的加速度相匹配的高斯分布时,需要获取每一高斯分布所对应的权系数ωit及标准差ρit。
步骤S136,计算每一高斯分布中权系数与标准差之间的比值。
步骤S137,提取比值最小的高斯分布,并对比值最小的高斯分布进行重新赋初值。
本实施例中,通过以下公式对比值最小的高斯分布进行重新赋初值:
j=arg mink{ωit}
其中,W0是一个预先给定的较小的正值,可为0.15;X0为初始时刻的加速度。
在另一个实施例中,如图3所示,上述根据采集到的垂直方向的加速度确定混合高斯模型的步骤还包括:
步骤S301,对更新后的混合高斯模型计算高斯分布中权系数与标准差之间的比值。
步骤S303,按照权系数与标准差之间的比值大小对高斯分布进行重新排列。
本实施例中,根据权系数与标准差之间的比值按照从大到小的顺序对更新好的高斯分布进行重新排列,则最可能为背景的高斯分布将位于序列的顶部,最不可能是背景的高斯分布将滑向序列的底部。
步骤S305,从排列的高斯分布中按照权系数与标准差之间的比值从大到小的顺序提取预设数量的高斯分布。
步骤S307,由提取的高斯分布生成混合高斯模型。
本实施例中,按照以下公式以比值中从大到小的顺序提取预设数量的高斯分布生成混合高斯模型:
其中,T为高斯模型中属于背景的高斯分布所应占的总比例,如果T过小,将容易陷入单高斯分布模型中,如果T过大,则会把因为背景的扰动而产生的高斯分布也融入新生成的混合高斯模型中,故T优选为0.7。
步骤S150,通过匹配检验判断采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则进入步骤S170,若是,则结束。
本实施例中,在混合高斯模型确定了之后,应当对采集到的所有垂直方向的加速度进行匹配检测,当判断到采集的垂直方向的加速度与混合高斯模型相匹配,则对应的垂直方向的加速度为背景,不是道路路面检测过程中的有效数据,不能体现道路路面的状况;当判断到采集的垂直方向的加速度与混合高斯模型不相匹配,则对应垂直方向的的加速度为前景,是道路路面检测过程中的有效数据,应当将包含了这一垂直方向的加速度的三维空间中三个方向上的加速度传输到服务器。
步骤S170,传输采集到的加速度。
其它实施例中,如图4所示,上述传输采集到的加速度的步骤之前还包括了以下步骤:
步骤S410,当判断到采集到的垂直方向的加速度均与混合高斯模型匹配,则查询匹配检验的阈值系数是否为第一阈值系数,若是,则进入步骤S430,若否,则进入步骤S170。
本实施例中,为了降低道路路面检测过程中的漏检率,在判断到采集的垂直方向的加速度均与混合高斯模型匹配时,说明道路路面是非常平坦的,因此保证检测的准确性,可查询匹配检验过程中所使用的阈值系数Vth是否为第一阈值系数,若是,则应当取第二阈值系数作为阈值系数进行匹配检验。在优选的实施例中,第一阈值系数为0.25,第二阈值系数为0.2。
步骤S430,取第二阈值系数进行匹配检验,判断采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则进入步骤S170,若是,则结束。
本实施例中,在使用第二阈值系数进行匹配检验发现存在着采集到的垂直方向的加速度与混合高斯模型不相匹配,则说明在第一阈值系数的匹配检验过程中可能发生了漏检,此时,将与混合高斯模型不匹配的加速传输出去。
图5示出了一个实施例中道路路面检测系统,包括加速度采集模块10、处理模块20、匹配检验模块30以及传输模块40。
加速度采集模块10,用于根据路面行驶采集加速度。
本实施例中,路面通常是平坦的,但是由于道路质量等方面的缺陷,也存在着凸起或者凹陷的地方,例如,道路路面上可能会出现减速带、土包等凸起的地方,也可能会出现井盖、土坑等凹陷的地方,因此加速度采集模块10采集加速度可有效反映道路路面的变化,采集的加速度包括了三维空间中三个方向上的加速度,即包括了垂直方向的加速度。在道路路面的行驶过程中,任何晃动、跌落、上升以及下降等各种移动变化所对应的加速度均被加速度采集模块10采集得到一系列的加速度序列。在优选的实施例中,加速度采集模块10为三维重力加速度传感器。
处理模块20,用于通过采集到的垂直方向的加速度确定混合高斯模型。
本实施例中,由于采集到的垂直方向的加速度中某些特定的加速度分布是满足了背景模型的分布的,因此,处理模块20可通过建立一个合适的背景模型来对采集到一系列垂直方向的加速度序列进行分割筛选。中值滤波器、卡尔曼滤波器、单高斯分布法和混合高斯模型等都被广泛应用于背景建模当中,但是中值滤波器建立背景模型需要非常大的存储空间;而使用卡尔曼滤波器建立背景模型时,每一个像素都需要使用一个卡尔曼滤波器描述,背景恢复比较慢,运算时间也比较长;若运用单高斯分布法建立背景模型通常在仿真环境下能够获得比较好的效果,但是还未能成功地应用于现实中,因此,处理模块20应当选用混合高斯模型来对采集到的垂直方向的加速度进行分割筛选。
采集到的垂直方向的加速度中某些特定的加速度分布是满足了高斯分布的,因此采集混合高斯模型来对采集到的垂直方向的加速度进行筛选可得到最佳的结果。处理模块20在采集到加速度之后,通过采集到的一系列垂直方向的加速度序列确定混合高斯模型。
根据混合高斯模型采集到的垂直方向的加速度序列将分为前景和背景。背景指的是车辆在一段平坦的、没有任何凸起或凹陷的道路路面行驶时采集到的垂直方向的加速度;前景指的是行驶于道路路面上的井盖、减速带、土坑以及土包待异常路面时采集到的垂直方向的加速度,加速度序列在混合高斯模型的作用下所分割筛选出的前景即为道路路面检测过程中的有效数据。
在一个实施例中,如图6所示,处理模块20包括模型构建单元210、初始化单元220、高斯分布检验单元230、更新单元240、均值获取单元250以及比值计算单元260。
模型构建单元210,用于根据采集到的垂直方向的加速度构建混合高斯模型。
本实施例中,模型构建单元210针对每一个垂直方向的加速度分别用预设数量个高斯分布构成的混合高斯模型来建模,即混合高斯模型公式如下式所示:
其中,P(Xt)表示垂直方向的加速度X在t时刻属于背景的概率;K为混合高斯模型中高斯分布的预设数量,可取K=4,Xt是在t时刻的垂直方向的加速度值;ωit表示t时刻混合高斯模型中第i个高斯分布的权系数的估计值;μit和分别表示在t时刻混合高斯模型中第i个高斯分布的均值和方差;η表示高斯分布概率密度函数。
初始化单元220,用于对混合高斯模型中的参数进行初始化处理,并形成初始化处理后的混合高斯模型。
本实施例中,混合高斯模型中的参数包括每个高斯分布的权系数ωit和均值μit以及方差等。在进行初始化的过程中,初始化单元220将混合高斯模型中每个高斯分布的权系数ωit和均值μit初始化为0,对方差赋予一个较大的初值,在优选的实施例中,这一初值为45。在完成了参数的初始化处理后将初始化后的参数输入混合高斯模型公式中形成初始化处理后的混合高斯模型。
高斯分布检验单元230,用于通过初始化处理后的混合高斯模型判断是否存在至少一个高斯分布与采集到的垂直方向的加速度相匹配,若是,则通知更新单元240,若否,则通知均值获取单元250。
本实施例中,随着道路路面的检测是在不断发生变化的,随着道路路面的检测场景的变化,加速度的混合高斯模型都需要被不断地学习更新。由于根据不同的检测场景变化所使用的更新方式也是各不相同的,因此,高斯分布检验单元230需要对每一个垂直方向的加速度及对应的高斯分布进行匹配检验,具体的匹配检验过程如以下过程所示:
|Xt-μi,t-1|<Vth×ρ0
其中,Vth为阈值系数,可以取0.25或者0.20。
更新单元240,用于根据设定的学习速率以及与加速度相匹配的高斯分布中对应的参数更新与加速度相匹配的高斯分布,并通过设定的学习速率更新所有高斯分布的权系数。
本实施例中,当判断到存在至少一个高斯分布与采集到的垂直方向的加速度相匹配时,对于混合高斯分布模型中与垂直方向的加速度不相匹配的高斯分布,均值和方差将保持不变;对于与垂直方向的加速度相匹配的高斯分布,更新单元240按照以下公式对其进行更新:
μit=(1-δ)×μi,t-1+δ×Xt
在完成与垂直方向的加速度相匹配的高斯分布的更新后,更新单元240将更新所有高斯分布在时刻t的权系数ωit,权系数更新过程如以下公式所示:ωit=(1-α)×ωi,t-1+α×Fit
其中,Fit为二值逻辑,如果高斯分布与t时刻的加速度Xt匹配,则取值为1,若否,则取值为0。
均值获取单元250,用于当高斯分布检验单元230判断到不存在至少一个高斯分布与采集到的垂直方向的加速度相匹配时,获取每一高斯分布对应的权系数及标准差。
比值计算单元260,用于计算每一高斯分布中权系数与标准差之间的比值。
本实施例中,比值计算单元260计算每一高斯分布中权系数与标准差之间的比值,高斯分布中权系数与标准差之间的比值越高,高斯分布为背景的可能性也越高;比值越低,高斯分布为背景的可能性也就越低。
更新模块240还用于提取比值最小的高斯分布,并通过重新赋初值对比值最小的高斯分布进行更新。
本实施例中,更新模块240通过以下公式对比值最小的高斯分布进行重新赋初值:
j=arg mink{ωit}
其中,W0是一个预先给定的较小的正值,可为0.15;X0为初始时刻的加速度。
在另一个实施例中,如图7所示,处理模块20还包括了高斯分布比值计算单元270、排列单元280以及提取单元290。
高斯分布比值计算单元270,用于对更新后的混合高斯模型计算高斯分布中权系数与标准差之间的比值。
排列单元280,用于按照权系数与标准差之间的比值大小对高斯分布进行重新排列。
本实施例中,排列单元280根据权系数与标准差之间的比值按照从大到小的顺序对更新好的高斯分布进行重新排列,则最可能为背景的高斯分布将位于序列的顶部,最不可能是背景的高斯分布将滑向序列的底部。
提取单元290,用于从排列的高斯分布中按照权系数与标准差之间的比值从小大到的顺序提取预设数量的高斯分布,并由提取的高斯分布生成混合高斯模型。
本实施例中,提取单元290按照以下公式以比值中从大到小的顺序提取预设数量的高斯分布生成混合高斯模型:
其中,T为高斯模型中属于背景的高斯分布所应占的总比例,如果T过小,将容易陷入单高斯分布模型中,如果T过大,则会把因为背景的扰动而产生的高斯分布也融入新生成的混合高斯模型中,故T优选为0.7。
匹配检验模块30,用于通过匹配检验判断采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则通知传输模块40,若是,则停止执行。
本实施例中,在混合高斯模型确定了之后,匹配检验模块30应当对采集到的所有垂直方向的加速度进行匹配检测,当判断到采集的垂直方向的加速度与混合高斯模型相匹配,则对应的垂直方向的加速度为背景,不是道路路面检测过程中的有效数据,不能体现道路路面的状况;当判断到采集的垂直方向的加速度与混合高斯模型不相匹配,则对应的垂直方向的加速度为前景,是道路路面检测过程中的有效数据,应当将包含了这一垂直方向的加速度的三维空间中三个方向上的加速度传输到服务器。
传输模块40,用于传输采集到的加速度。
在另一个实施例中,上述道路路面检测系统还包括了查询模块,该查询模块用于当判断到采集到的垂直方向的加速度均与混合高斯模型匹配时,则查询匹配检验的阈值系统是否为第一阈值系数,若是,则通知匹配检验模块30,若否,则通知传输模块40。
本实施例中,为了降低道路路面检测过程中的漏检率,在判断到采集的垂直方向的加速度均与混合高斯模型匹配时,说明道路路面是非常平坦的,因此保证检测的准确性,查询模块可查询匹配检验过程中所使用的阈值系数Vth是否为第一阈值系数,若是,则应当通知匹配检验模块30取第二阈值系数作为阈值系数进行匹配检验。在优选的实施例中,第一阈值系数为0.25,第二阈值系数为0.2。
匹配检验模块30还用于取第二阈值系数进行匹配检验,判断采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则通知传输模块40,若是,则结束。
本实施例中,在使匹配检验模块30用第二阈值系数进行匹配检验发现存在着采集到的垂直方向的加速度与混合高斯模型不相匹配,则说明在第一阈值系数的匹配检验过程中可能发生了漏检,此时,将与混合高斯模型不匹配的加速传输出去。
下面结合具体的实验数据来详细阐述上述道路路面检测方法及系统。三维加速度传感器安装于试验车的副驾驶位置前面的平板上,实验场一圈是6公里,主要做了坑、搓板路、石块路、波浪路中的道路路面检测实验。每种路型在正常的车速(一般是40km/时左右)下跑了9次,在实验场的外面又做了减速带的实验9次,得到如下结果:
在得到的波形图中,横轴为采样点数,在原始波形图中,纵轴表示垂直方向加速度;在事件标示图中纵轴是事件发生的符号标志,即当一段平整的路面上出现一些诸如井盖、减速带、土坑、石块时,事件发生的符号为1,否,则事件发生的符号为0;经混合高斯模型处理的波形图中,纵轴表示通过混合高斯模型后的加速度,即指在减速带、土坑、石块、井盖等路段的加速度。
如图8至10所示,针对道路路面上的土坑,车速控制在10Km/时左右,并且实验车从3个坑上经过。
如图11至13所示,在石块路中以车速48km/时行驶。
如图14至16所示,试验车在包含了搓板路的道路中行驶,其中有3段搓板路,车速为56km/时。
如图17至19所示,试验车在波浪路中行驶,车速为46km/时。
如图20至22所示,试验车在包含减速带的道路中行驶,其中有6个减速带,车速为30km/时。
由上述原始波形图与对原始波形图处理的波形图进行比较,可以非常明显地看出,在经过混合高斯模型后,有效地筛选出了试验车经过土坑、石块路、搓板路、波浪路以及减速带时的加速度,大大地减少了数据量。
上述道路路面检测方法及系统,在路面行驶过程中采集三维空间中三个轴的加速度作为特征,在混合高斯模型中进行匹配检验,以得到不与混合高斯模型相匹配的垂直方向的加速度,这一垂直方向的加速度对应了车辆经过减速带或者井盖、坑、土包时的垂直方向的加速度,此时仅对与这一垂直方向的加速度相对应的三维空间中三个轴的加速度进行数据传输,在不丢失信息的情况下降低了数据传输量和计算量,节省网络带宽。
上述道路路面检测方法及系统,在路面行驶过程中采集三维空间中三个轴的加速度作为特征,在混合高斯模型中进行匹配检验,以得到不与混合高斯模型相匹配的垂直方向的加速度,这一加速度对应了车辆经过减速带或者井盖、坑、土包时的垂直方向的加速度,仅对与这一加速度相对应的三维空间中三个轴的加速度进行数据传输,降低了数据传输量。
上述道路路面检测方法及系统,由于采集到的垂直方向上的加速度是不断变化的,因此需要根据加速度以及对应的高斯分布进行更新,使得混合高斯模型被不断地学习更新,提高道路路面检测的准确性,适应检测场景的变化。
上述道路路面检测方法及系统在进行了匹配检验后,如果判断到所有采集到的加速度都不与混合高斯模型相匹配,则需要查询当前所用的阈值系数是否为第一阈值系数,如果此时使用的是第一阈值系统,则应当使用第二阈值系统进行匹配检验以再次对所有采集的加速度进行匹配检验,以防止漏检的情况发生,降低了检测过程中的漏检率。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种道路路面检测方法,包括如下步骤:
通过路面行驶采集加速度;
根据采集到的垂直方向的加速度确定混合高斯模型;
通过匹配检验判断所述采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则
传输所述采集到的加速度。
2.根据权利要求1所述的道路路面检测方法,其特征在于,所述根据采集到的垂直方向的加速度确定混合高斯模型的步骤为:
根据所述采集到的垂直方向的加速度构建混合高斯模型;
对所述混合高斯模型中的参数进行初始化处理,并形成初始化处理后的混合高斯模型;
通过所述初始化处理后的混合高斯模型判断是否存在至少一个高斯分布与采集到的垂直方向的加速度相匹配,若是,则
根据设定的学习速率以及与所述加速度相匹配的高斯分布中对应的参数更新与所述加速度相匹配的高斯分布,并通过设定的学习速率更新所有高斯分布的权系数。
3.根据权利要求2所述的道路路面检测方法,其特征在于,所述根据采集到的垂直方向的加速度确定混合高斯模型的步骤还包括:
当判断到不存在至少一个高斯分布与采集到的垂直方向的加速度相匹配时,获取每一高斯分布对应的权系数及标准差;
计算所述每一高斯分布中权系数与标准差之间的比值;
提取所述比值最小的高斯分布,并通过重新赋初值对所述比值最小的高斯分布进行更新。
4.根据权利要求1或2所述的道路路面检测方法,其特征在于,所述根据采集到的垂直方向的加速度确定混合高斯模型的步骤还包括:
对更新后的混合高斯模型计算高斯分布中权系数与标准差之间的比值;
按照所述权系数与标准差之间的比值大小对高斯分布进行重新排列;
从排列的高斯分布中按照所述权系数与标准差之间的比值从大到小的顺序提取预设数量的高斯分布;
由所述提取的高斯分布生成混合高斯模型。
5.根据权利1所述的道路路面检测方法,其特征在于,所述传输所述采集到的加速度的步骤之前还包括:
当判断到所述采集到的垂直方向的加速度与混合高斯模型匹配,则查询所述匹配检验的阈值系数是否为第一阈值系数,若是,则
取第二阈值系数进行匹配检验,判断所述采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则
进入传输所述采集到的加速度的步骤。
6.一种道路路面检测系统,其特征在于,包括:
加速度采集模块,用于根据路面行驶采集加速度;
处理模块,用于通过采集到的垂直方向的加速度确定混合高斯模型;
匹配检验模块,用于通过匹配检验判断所述采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则通知传输模块;
所述传输模块用于传输所述采集到的加速度。
7.根据权利要求6所述的道路路面检测方法,其特征在于,所述处理模块包括:
模型构建单元,用于根据所述采集到的垂直方向的加速度构建混合高斯模型;
初始化单元,用于对所述混合高斯模型中的参数进行初始化处理,并形成初始化处理后的混合高斯模型;
高斯分布检验单元,用于通过所述初始化处理后的混合高斯模型判断是否存在至少一个高斯分布与采集到的垂直方向的加速度相匹配,若是,则通知更新单元;
所述更新单元用于根据设定的学习速率以及与所述加速度相匹配的高斯分布中对应的参数更新与所述加速度相匹配的高斯分布,并通过设定的学习速率更新所有高斯分布的权系数。
8.根据权利要求7所述的道路路面检测方法,其特征在于,所述处理模块还包括:
均值获取单元,用于当所述高斯分布检验单元判断到不存在至少一个高斯分布与采集到的垂直方向的加速度相匹配时,获取每一高斯分布对应的权系数及标准差;
比值计算单元,用于计算所述每一高斯分布中权系数与标准差之间的比值;
所述更新单元还用于提取所述比值最小的高斯分布,并通过重新赋初值对所述比值最小的高斯分布进行更新。
9.根据权利要求6或7所述的道路路面检测系统,其特征在于,所述处理模块还包括:
高斯分布比值计算单元,用于对更新后的混合高斯模型计算高斯分布中权系数与标准差之间的比值;
排列单元,用于按照所述权系数与标准差之间的比值大小对高斯分布进行重新排列;
提取单元,用于从排列的高斯分布中按照所述权系数与标准差之间的比值从大到小的顺序提取预设数量的高斯分布,并由所述提取的高斯分布生成混合高斯模型。
10.根据权利要求6所述的道路路面检测系统,其特征在于,还包括:
查询模块,用于当判断到所述采集到的垂直方向的加速度均与混合高斯模型匹配,则查询所述匹配检验的阈值系数是否为第一阈值系数,若是,则通知所述匹配检验模块;
所述匹配检验模块还用于取第二阈值系数进行匹配检验,判断所述采集到的垂直方向的加速度与混合高斯模型是否匹配,若否,则通知所述传输模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110283970 CN102409599B (zh) | 2011-09-22 | 2011-09-22 | 道路路面检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110283970 CN102409599B (zh) | 2011-09-22 | 2011-09-22 | 道路路面检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102409599A true CN102409599A (zh) | 2012-04-11 |
CN102409599B CN102409599B (zh) | 2013-09-04 |
Family
ID=45911921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110283970 Active CN102409599B (zh) | 2011-09-22 | 2011-09-22 | 道路路面检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102409599B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366158A (zh) * | 2013-06-27 | 2013-10-23 | 东南大学 | 基于三维结构和色彩模型的单目视觉路面检测方法 |
CN104236566A (zh) * | 2014-09-24 | 2014-12-24 | 深圳先进技术研究院 | 基于智能手机的地图匹配方法 |
CN104442827A (zh) * | 2014-11-12 | 2015-03-25 | 上海交通大学 | 基于智能手机的路面坑洞探测方法 |
CN104929024A (zh) * | 2015-06-15 | 2015-09-23 | 广西大学 | 路面平整度检测仪及路面平整度测量方法 |
CN105705906A (zh) * | 2013-11-12 | 2016-06-22 | 富士通株式会社 | 凹凸分析程序、凹凸分析方法、以及凹凸分析装置 |
CN105723183A (zh) * | 2013-11-13 | 2016-06-29 | 富士通株式会社 | 凹凸分析程序、凹凸分析方法、凹凸分析装置以及记录介质 |
CN106910334A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种基于大数据预测路段状况的方法及装置 |
CN108803594A (zh) * | 2017-04-28 | 2018-11-13 | 通用汽车环球科技运作有限责任公司 | 用于自主车辆中的障碍物避让及路径规划的系统和方法 |
CN109082984A (zh) * | 2018-06-29 | 2018-12-25 | 浙江大学城市学院 | 一种基于窗口划分以及动态时间规整的道路异常检测模型 |
CN109131335A (zh) * | 2018-08-20 | 2019-01-04 | 中国联合网络通信集团有限公司 | 一种路面状况识别方法、装置及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101499214A (zh) * | 2009-02-27 | 2009-08-05 | 北京大学深圳研究生院 | 一种基于图像信息熵的交通参数自动提取方法 |
CN101614822A (zh) * | 2009-07-17 | 2009-12-30 | 北京大学 | 基于灾后高分辨率遥感影像检测道路损毁的方法 |
US7657394B1 (en) * | 2007-03-12 | 2010-02-02 | Livermore Software Technology Corporation | Direct determination of rigid body motion using data collected from independent accelerometers |
CN101729872A (zh) * | 2009-12-11 | 2010-06-09 | 南京城际在线信息技术有限公司 | 一种基于视频监控图像自动判别道路交通状态的方法 |
WO2011023247A1 (en) * | 2009-08-25 | 2011-03-03 | Tele Atlas B.V. | Generating raster image representing road existence probability based on probe measurements |
-
2011
- 2011-09-22 CN CN 201110283970 patent/CN102409599B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7657394B1 (en) * | 2007-03-12 | 2010-02-02 | Livermore Software Technology Corporation | Direct determination of rigid body motion using data collected from independent accelerometers |
CN101499214A (zh) * | 2009-02-27 | 2009-08-05 | 北京大学深圳研究生院 | 一种基于图像信息熵的交通参数自动提取方法 |
CN101614822A (zh) * | 2009-07-17 | 2009-12-30 | 北京大学 | 基于灾后高分辨率遥感影像检测道路损毁的方法 |
WO2011023247A1 (en) * | 2009-08-25 | 2011-03-03 | Tele Atlas B.V. | Generating raster image representing road existence probability based on probe measurements |
CN101729872A (zh) * | 2009-12-11 | 2010-06-09 | 南京城际在线信息技术有限公司 | 一种基于视频监控图像自动判别道路交通状态的方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366158A (zh) * | 2013-06-27 | 2013-10-23 | 东南大学 | 基于三维结构和色彩模型的单目视觉路面检测方法 |
CN105705906A (zh) * | 2013-11-12 | 2016-06-22 | 富士通株式会社 | 凹凸分析程序、凹凸分析方法、以及凹凸分析装置 |
CN105723183A (zh) * | 2013-11-13 | 2016-06-29 | 富士通株式会社 | 凹凸分析程序、凹凸分析方法、凹凸分析装置以及记录介质 |
CN105723183B (zh) * | 2013-11-13 | 2018-08-31 | 富士通株式会社 | 凹凸分析方法、凹凸分析装置以及记录介质 |
CN104236566A (zh) * | 2014-09-24 | 2014-12-24 | 深圳先进技术研究院 | 基于智能手机的地图匹配方法 |
CN104442827B (zh) * | 2014-11-12 | 2017-02-22 | 上海交通大学 | 基于智能手机的路面坑洞探测方法 |
CN104442827A (zh) * | 2014-11-12 | 2015-03-25 | 上海交通大学 | 基于智能手机的路面坑洞探测方法 |
CN104929024A (zh) * | 2015-06-15 | 2015-09-23 | 广西大学 | 路面平整度检测仪及路面平整度测量方法 |
CN104929024B (zh) * | 2015-06-15 | 2017-02-01 | 广西大学 | 路面平整度检测仪及路面平整度测量方法 |
CN106910334A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种基于大数据预测路段状况的方法及装置 |
CN106910334B (zh) * | 2015-12-22 | 2019-12-24 | 阿里巴巴集团控股有限公司 | 一种基于大数据预测路段状况的方法及装置 |
US10977933B2 (en) | 2015-12-22 | 2021-04-13 | Alibaba Group Holding Limited | Method and apparatus for predicting road conditions based on big data |
CN108803594A (zh) * | 2017-04-28 | 2018-11-13 | 通用汽车环球科技运作有限责任公司 | 用于自主车辆中的障碍物避让及路径规划的系统和方法 |
CN109082984A (zh) * | 2018-06-29 | 2018-12-25 | 浙江大学城市学院 | 一种基于窗口划分以及动态时间规整的道路异常检测模型 |
CN109131335A (zh) * | 2018-08-20 | 2019-01-04 | 中国联合网络通信集团有限公司 | 一种路面状况识别方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102409599B (zh) | 2013-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102409599B (zh) | 道路路面检测方法及系统 | |
CN111179585B (zh) | 自动驾驶车辆的场地测试方法及装置 | |
JP6997301B2 (ja) | デジタル地図のデジタルモデルを作成および/または更新するためのシステム | |
CN102932812B (zh) | 一种面向道路路况的车载传感器协同监测方法 | |
CN109357167A (zh) | 一种燃气管道漏点检测装置及检测方法 | |
CN103077610A (zh) | 一种路段旅行时间估计的方法和系统 | |
CN103065124B (zh) | 一种烟检测方法、装置及火灾检测装置 | |
CN109472393A (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
CN112633120B (zh) | 一种基于半监督学习的智能路侧感知系统的模型训练方法 | |
CN113240886A (zh) | 一种地质灾害监测方法、系统及电子设备 | |
CN111797000A (zh) | 一种基于梯度提升决策树模型的场景复杂度评估方法 | |
CN102665294A (zh) | 基于d-s证据理论的车载传感器网络事件区域检测方法 | |
Fox et al. | Crowdsourcing undersampled vehicular sensor data for pothole detection | |
CN108460685A (zh) | 用于挖掘车险风险因子之间的关联规则的方法和装置 | |
CN109162182B (zh) | 一种基于在线预测的城市道路全面养护系统 | |
CN104537649A (zh) | 一种基于图像模糊度比较的车辆转向判断方法及系统 | |
EP3682417B1 (en) | Method and apparatus for evaluating a weight of the vehicle | |
CN116901975B (zh) | 一种车载ai安防监控系统及其方法 | |
CN110458214A (zh) | 驾驶员更换识别方法和装置 | |
CN102519577B (zh) | 道路中路面的识别方法及系统 | |
CN115238958A (zh) | 一种基于复杂交通场景的危险事件链提取方法及系统 | |
Mercelis et al. | Towards detection of road weather conditions using large-scale vehicle fleets | |
Ferreira et al. | Vehicular sensing: Emergence of a massive urban scanner | |
CN113340392B (zh) | 基于加速度传感器的车辆载重检测方法及装置 | |
CN112668786B (zh) | 一种矿车车辆安全评估预测方法、终端设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230105 Address after: 512029 Building 42, Huangshaping Innovation Park, Guanshaocheng Phase I, Wujiang District, Shaoguan City, Guangdong Province Patentee after: Guangdong Carbon Neutralization Research Institute (Shaoguan) Address before: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue Patentee before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES |
|
TR01 | Transfer of patent right |