CN105205550A - 一种计算事故概率的方法及装置 - Google Patents
一种计算事故概率的方法及装置 Download PDFInfo
- Publication number
- CN105205550A CN105205550A CN201510574188.5A CN201510574188A CN105205550A CN 105205550 A CN105205550 A CN 105205550A CN 201510574188 A CN201510574188 A CN 201510574188A CN 105205550 A CN105205550 A CN 105205550A
- Authority
- CN
- China
- Prior art keywords
- particle
- running data
- population
- accident probability
- optimum position
- 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.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种计算事故概率的方法及装置,该方法包括:收集各类交通事故发生时的第一行驶数据,根据所述第一行驶数据创建经验数据库;每隔设定时间,在载体汽车的至少两个采集位置上,分别采集所述载体汽车的行驶状态图片,其中每个采集位置至少连续采集两张所述行驶状态图片;根据每个采集位置对应的所述行驶状态图片,获取对应的第二行驶数据;根据各个所述第二行驶数据及所述经验数据库,计算所述载体汽车发生交通事故的第二事故概率。该装置包括:创建单元、分析单元、计算单元及至少两个采集单元。本方案能够提高事故预判的准确定。
Description
技术领域
本发明涉及汽车安全领域,特别涉及一种计算事故概率的方法及装置。
背景技术
随着生活水平的提高,汽车成为人们生活中不可或缺的产品,近年来,我国汽车销量持续增加,伴随汽车销量的增加,交通事故的数量也不断攀升,给汽车用户的生命和财产带来巨大的损失。
在现实中,很多交通事故是可以通过预先判断而避免的,但是由于驾驶员在距离、车速的判断方面存在误差,导致采取避险措施不及时,并且驾驶员在采取紧急避险措施时具有很大的随机性,采取了不恰当的紧急避险措施,由于这些原因,导致了本来可以避免的交通事故的发生,从而造成车辆的损坏甚至人员的伤亡。
目前,一些行车安全辅助系统,通过检测与前车之间的距离及相对速度,判断距离及相对速度是否超过设定的阈值,当超过设定的阈值后,相应的向用户发出警告或进行自动刹车。
基于这种单纯的通过车距与车速判断汽车的行驶状态,在很多情况下不能完全识别危险因素,比如后方汽车急速接近的情况,这时传统的行车安全辅助方法会认为当前汽车不存在威胁,相应的不采取任何的避险措施,但最终当前汽车还是发生了交通事故,因此,这种对汽车行驶状态判断的方法,仅单纯的依靠距离和速度,对事故预判的准确性较低。
发明内容
本发明提供一种计算事故概率的方法及装置,能够提高事故预判的准确性。
本发明实施例提供了一种计算事故概率的方法,收集各类交通事故发生时的第一行驶数据,根据所述第一行驶数据创建经验数据库,还包括:
每隔设定时间,在载体汽车的至少两个采集位置上,分别采集所述载体汽车的行驶状态图片,其中每个采集位置至少连续采集两张所述行驶状态图片;
根据每个采集位置对应的所述行驶状态图片,获取对应的第二行驶数据;
根据各个所述第二行驶数据及所述经验数据库,计算所述载体汽车发生交通事故的第二事故概率。
优选地,所述根据每个采集位置对应的所述行驶状态图片,获取对应的第二行驶数据包括:
针对于每一个采集位置,在该采集位置对应的至少两张行驶状态图片上,选择至少一个关键点,通过对每张图片上相同关键点灰度值的对比,获得该采集点对应的第二行驶数据。
优选地,所述根据所述第一行驶数据创建经验数据库包括:
以每个所述交通事故对应的各个第一行驶数据作为粒子,形成第一粒子群,以每一个所述第一行驶数据包括的各个参数作为该粒子的初始位置,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到预设值或所述全局最佳位置满足预设的最小界限,获得第一粒子群的最优值及最终全局最佳位置,其中所述第一粒子群的最优值为第一事故概率,所述最终全局最佳位置为所述第一事故概率对应的最佳第一行驶数据,由各个所述交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成所述经验数据库。
优选地,所述根据各个所述第二行驶数据及所述经验数据库,计算所述载体汽车发生交通事故的第二事故概率包括:
以各个所述第二行驶数据为粒子,形成第二粒子群,以所述经验数据库中的各个所述最佳第一行驶数据为目标值,以每一个所述第二行驶数据包括的各个参数作为该粒子的初始位置,并设置各个粒子对应的速度及所述第二粒子群的最大迭代次数,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到所述最大迭代次数,获得所述第二粒子群的最优值,将所述第二粒子群的最优值与所述经验数据库中的各个所述最佳第一行驶数据进行对比,如果所述第二粒子群的最优值与任意一个当前最佳第一行驶数据的差值小于第一预设值,则所述当前最佳第一行驶数据对应的第一事故概率即为所述第二事故概率。
优选地,该方法进一步包括:
如果所述第二粒子群的最优值与任意一个最佳第一行驶数据的差值均大于所述第一预设值时,将所述第二粒子群的最优值与所述经验数据库中的各个所述第一行驶数据对比,如果所述第二粒子群的最优值与任意一个当前第一行驶数据的差值小于第二预设值,则将所述当前第一行驶数据对应的第一事故概率作为所述第二事故概率。
优选地,所述速度更新通过如下公式完成:
v[]=v[]+[c1×rand()×(pbest[]-present[])+c2×rand()×(gbest[]-present[])]×Experience+Random;
所述位置更新通过如下公式完成:
present[]=persent[]+v[]+Random;
其中,所述v[]为粒子速度,c1及c2为学习因子,rand()为0至1之间的随机数,pbest[]为粒子最佳位置,gbest[]为全局最佳位置,present[]为粒子当前位置,Experience为经验值,Random为随机参数。
本发明实施例还提供了一种计算事故概率的装置,包括:创建单元、分析单元、计算单元及至少两个采集单元;
所述创建单元,用于收集各类交通事故发生时的第一行驶数据,根据所述第一行驶数据创建经验数据库;
所述至少两个采集单元,分别固定于载体汽车的不同采集位置上,用于每隔设定时间,分别采集所述载体汽车的行驶状态图片,其中每个所述采集单元至少连续采集两张所述行驶状态图片;
所述分析单元,用于根据每个所述采集单元采集的至少两张行驶状态图片,获取每个所述采集单元对应的第二行驶数据;
所述计算单元,用于根据所述分析单元获取的各个第二行驶数据及所述创建单元创建的经验数据库,计算所述载体汽车发生交通事故的第二事故概率。
优选地,所述分析单元,用于针对于每一个所述采集单元,在所述采集单元采集的的至少两张行驶状态图片上,选择至少一个关键点,通过对每张图片上相同关键点灰度值的对比,获得该采集点对应的第二行驶数据。
优选地,所述创建单元,用于以每个所述交通事故对应的各个第一行驶数据作为粒子,形成第一粒子群,以每一个所述第一行驶数据包括的各个参数作为该粒子的初始位置,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到预设值或所述全局最佳位置满足预设的最小界限,获得第一粒子群的最优值及最终全局最佳位置,其中所述第一粒子群的最优值为第一事故概率,所述最终全局最佳位置为所述第一事故概率对应的最佳第一行驶数据,由各个所述交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成所述经验数据库。
优选地,所述计算单元,用于以各个所述第二行驶数据为粒子,形成第二粒子群,以所述经验数据库中的各个所述最佳第一行驶数据为目标值,以每一个所述第二行驶数据包括的各个参数作为该粒子的初始位置,并设置各个粒子对应的速度及所述第二粒子群的最大迭代次数,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到所述最大迭代次数,获得所述第二粒子群的最优值,将所述第二粒子群的最优值与所述经验数据库中的各个所述最佳第一行驶数据进行对比,如果所述第二粒子群的最优值与任意一个当前最佳第一行驶数据的差值小于第一预设值,则所述当前最佳第一行驶数据对应的第一事故概率即为所述第二事故概率。
优选地,该装置进一步包括:对比单元;
所述对比单元,用于如果所述第二粒子群的最优值与任意一个最佳第一行驶数据的差值均大于所述第一预设值时,将所述第二粒子群的最优值与所述经验数据库中的各个所述第一行驶数据对比,如果所述第二粒子群的最优值与任意一个当前第一行驶数据的差值小于第二预设值,则将所述当前第一行驶数据对应的第一事故概率作为所述第二事故概率。
本发明实施例提供了一种计算事故概率的方法及装置,预先收集各类交通事故发生时的第一行驶数据,根据每一个交通事故对应的第一行驶数据,创建经验数据库,在载体汽车上设置至少两个采集位置,每隔设定时间,在每一个采集位置连续至少采集两张行驶状态图片,根据每个采集位置对应的至少两张行驶状态图片,获取对应的第二行驶数据,根据各个第二行驶数据及经验数据库,计算载体汽车发生交通事故的第二事故概率,这样,通过多组第二行驶数据,以与经验数据库中的经典事故案例进行比对的方式,获得载体汽车发生交通事故的第二事故概率,相对于直接通过行驶数据判断汽车是否会发生交通事故的方法,提高了事故预判的准确性。
附图说明
图1是本发明一个实施例提供的一种计算事故概率的方法流程图;
图2是本发明另一个实施例提供的一种计算事故概率的方法流程图
图3是本发明一个实施例提供的一种计算事故概率的装置示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅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。
如图1所示,本发明一个实施例提供了一种计算事故概率的方法,包括:
步骤101:收集各类交通事故发生时的第一行驶数据,根据所述第一行驶数据创建经验数据库;
步骤102:每隔设定时间,在载体汽车的至少两个采集位置上,分别采集所述载体汽车的行驶状态图片,其中每个采集位置至少连续采集两张所述行驶状态图片;
步骤103:根据每个采集位置对应的所述行驶状态图片,获取对应的第二行驶数据;
步骤104:根据各个所述第二行驶数据及所述经验数据库,计算所述载体汽车发生交通事故的第二事故概率。
本发明一个实施例提供了一种计算事故概率的方法,预先收集各类交通事故发生时的第一行驶数据,根据每一个交通事故对应的第一行驶数据,创建经验数据库,在载体汽车上设置至少两个采集位置,每隔设定时间,在每一个采集位置连续至少采集两张行驶状态图片,根据每个采集位置对应的至少两张行驶状态图片,获取对应的第二行驶数据,根据各个第二行驶数据及经验数据库,计算载体汽车发生交通事故的第二事故概率,这样,通过多组第二行驶数据,以与经验数据库中的经典事故案例进行比对的方式,获得载体汽车发生交通事故的第二事故概率,相对于直接通过行驶数据判断汽车是否会发生交通事故的方法,提高了事故预判的准确性。
在本发明一个实施例中,在同一个采集位置上,连续采集至少两张行驶状态图片,选择至少一个关键点,通过分析对比每张行驶状态图片上对应相同关键点的灰度值,判断载体汽车与障碍物之间的运动关系,计算出相对运动速度,从而获得各个采集点对应的第二行驶数据,在行驶状态图片上只选取几个关键点进行分析对比,这样可以节省图像分析时间,提高事故预判的速度。
在本发明一个实施例中,收集各类交通事故发生时的第一行驶数据,针对于每一个交通事故,以该交通事故对应的各个第一行驶数据作为粒子,形成第一粒子群,以每一个第一行驶数据包括的各个参数作为该粒子的初始位置,根据各个粒子的初始位置计算对应的适应度,根据适应度更新各个粒子的最佳位置及全局最佳位置,根据各个粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,进行迭代计算,直至迭代次数达到预设值或全局最佳位置位于预设的最小界限之内,获得第一粒子群的最优值及最终全局最佳位置,其中最优值为第一事故概率,最终全局最佳位置为第一事故概率对应的最佳第一行驶数据,计算出每一个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率,由各个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成经验数据库,这样,通过已发生交通事故的行驶数据,通过粒子群优化算法计算对应的事故概率及最佳行驶数据,作为载体汽车事故预判的依据,为事故预判提供准确的标准。
在本发明一个实施例中,以采集到的各个第二行驶数据作为粒子,形成第二粒子群,以经验数据库中的各个最佳第一行驶数据为目标值,以每一个第二行驶数据包括的各个参数作为该粒子的初始位置,并设置各个粒子对应的速度及所述第二粒子群的最大迭代次数,根据初始位置计算各个粒子的适应度,根据适应度更新各个粒子的最佳位置及全局最佳位置,根据各个粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,进行迭代计算,直至迭代次数达到最大迭代次数,获得第二粒子群的最优值,其中该最优值为全局最佳位置收敛的位置,将该最优值与经验数据库中的各个最佳第一行驶数据进行对比,当该最优值与其中一个最佳第一行驶数据的差值小于第一预设值时,将该最佳第一行驶数据对应的第一事故概率作为第二事故概率,以第二行驶数据作为粒子,以数据库中的各个最佳第一行驶数据作为目标,通过粒子群优化算法,计算第二粒子群的最优值,将最优值与各个最佳第一行驶数据进行比对,当与其中一个最佳第一行驶数据的差距小于预设值时,说明载体汽车的行驶状态与该最佳第一行驶数据对应的行驶状态很相似,以该最佳第一行驶数据对应的事故概率作为载体汽车的事故概率,通过这种与已发生事故案例对比的方式,提高事故预判的准确性,另外,设定最大迭代次数,可以减少粒子群计算的时间,尽早对载体汽车做出事故预判。
在本发明一个实施例中,当第二粒子群的最优值与经验数据中的各个最佳第一行驶数据的差值都大于第一预设值时,将第二粒子群的最优值与经验数据库中的各个第一行驶数据进行对比,如果第二粒子群的最优值与其中一个第一行驶数据的差值小于第二预设值,则将该第一行驶数据对应的第一事故概率作为第二事故概率,这样,可以在载体汽车行驶数据的最优值与数据库中的最佳行驶数据不匹配时,进行进一步的匹配,避免事故识别不到位,导致事故预判不全面的情况出现。
在本发明一个实施例中,粒子群优化算法中,速度更新通过公式v[]=v[]+[c1×rand()×(pbest[]-present[])+c2×rand()×(gbest[]-present[])]×Experience+Random完成,位置更新通过公式present[]=persent[]+v[]+Random完成,其中所述v[]为粒子速度,c1及c2为学习因子,rand()为0至1之间的随机数,pbest[]为粒子最佳位置,gbest[]为全局最佳位置,present[]为粒子当前位置,Experience为经验值,Random为随机参数,相对于传统的粒子群算法,对每个粒子添加了随机参数Random和经验值Experience,使得每个粒子有了记忆功能,这样会降低收敛的迭代次数,经验值是达到最优的粒子在运行过程中产生的,可以共享给离它最近的粒子,从而保证粒子群在最少的迭代次数下计算出对应的最优值,提高事故概率预定的速度。
为使本发明的目的、技术方案和优点更加清楚,下面结合附图及具体实施例对本发明作进一步地详细描述。
如图2所示,本发明一个实施例提供了一种计算事故概率的方法,包括:
步骤201:收集各类交通事故发生时的第一行驶数据,通过每一个交通事故对应的各个第一行驶数据,计算各个交通事故对应的最佳第一行驶数据及第一事故概率。
在本发明一个实施例中,通过网络等途径,收集各类已经发生的交通事故在发生时事故车辆与障碍物之间的距离、相对速度及运动方向等行驶数据,由这些行驶数据组成第一行驶数据,由于事故车辆周围包括多个障碍物,所以每个交通事故对应多个第一行驶数据;
针对于每一个交通事故,以该交通事故对应的各个第一行驶数据为粒子,形成第一粒子群,以每个第一行驶数据包括的距离、相对速度及运动方向等参数作为粒子的初始位置,根据各个粒子的初始位置计算对应的适应度,根据粒子的适应度更新粒子的最佳位置及全局最佳位置,根据粒子的最佳位置及全局最佳位置,通过公式v[]=v[]+[c1×rand()×(pbest[]-present[])+c2×rand()×(gbest[]-present[])]×Experience+Random更新粒子的速度,根据粒子的速度,通过公式present[]=persent[]+v[]+Random更新粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到预设值或者全局最佳位置的波动范围小于预设的最小界限,获得第一粒子群的最优值及最终全局最佳位置,其中第一粒子群的最优值为第一事故概率,最终全局最佳位置为第一事故概率对应的最佳第一行驶数据,所述v[]为粒子速度,c1及c2为学习因子,rand()为0至1之间的随机数,pbest[]为粒子最佳位置,gbest[]为全局最佳位置,present[]为粒子当前位置,Experience为经验值,Random为随机参数。
例如,通过网络收集到一个交通事故发生时的20组第一行驶数据,每一组第一行驶数据包括距离、相对速度及运动方向三个参数,以这20组第一行驶数据作为粒子,组成包括20个粒子的第一粒子群,以每一个粒子包括的三个参数作为该粒子的初始位置,进行粒子群优化计算,每一次迭代后更新各个粒子的最佳位置和全局最佳位置,直至全局最佳位置的波动范围位于设置的最小界限之内后,停止迭代计算,此时各个粒子的适应度趋于同一个值,该值即为第一粒子群的最优值,该最优值对应的粒子的位置即为最终全局最佳位置,第一粒子群的最优值即为第一事故概率,最终全局最佳位置为第一事故概率对应的最佳第一行驶数据。
步骤202:创建包括各个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率的经验数据库。
在本发明一个实施例中,通过步骤201后,得到每一个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率后,由各个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成经验数据库。其中,经验数据库是一个缺省的数据库,在收集到新的交通事故案例之后,通过计算获得新交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率后,将新交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率也加入到该经验数据库中,实现对经验数据库的不断完善和补充。例如,共收集到1000个交通事故案例,通过计算分别获得这1000个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率,由这1000个交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成经验数据库。
步骤203:在至少两个采集位置上,每隔设定时间,从每个采集位置连续采集至少两张载体汽车的行驶状态图片。
在本发明一个实施例中,在载体汽车上不同的位置至少安装两个采集装置,每个设定时间,各个采集装置连续采集至少两张载体汽车的行驶状态图片。例如,在载体汽车的四周共布置了30个高速摄像机,设定间隔时间为5秒,每经过5秒钟,每个高速摄像机连续拍摄两张行驶状态图片,共采集到60张行驶状态图片。
步骤204:通过每个采集位置对应的至少两张行驶状态图片进行分析,获取每个采集位置对应的第二行驶数据。
在本发明一个实施例中,针对于同一采集位置采集的至少两张行驶状态图片,选取至少一个关键点,通过每张图片上通过关键点灰度值的对比,获取载体汽车相对于障碍物的距离、相对速度及运动方向等参数,由这些参数组成载体汽车的第二行驶数据,每个采集位置对应一个第二行驶数据。例如,针对于每一个高速摄像机拍摄的两张行驶状态图片,选取障碍物上的一个特征作为关键点,通过两张图片上相同关键点灰度值的对比,获取载体汽车相对于该障碍物的距离、相对速度及运行方向三个参数,由这三个参数组成第二行驶数据,每个高速摄像机对应一个第二行驶数据,共获得30个第二行驶数据。
步骤205:以各个第二行驶数据为粒子,形成第二粒子群,以经验数据库为学习范围,计算第二粒子群的最优值。
在本发明一个实施例中,将各个第二行驶作为粒子,形成第二粒子群,以经验数据中的各个最佳第一行驶数据为目标值,以每一个第二行驶数据包括的距离、相对速度及运行方向等参数作为初始位置,并设置各个粒子对应的速度及第二粒子群的最大迭代次数,根据各个粒子的初始位置计算各个粒子的适应度,根据适应度更新各个粒子的最佳位置及全局最佳位置,根据粒子的最佳位置及全局最佳位置,通过公式v[]=v[]+[c1×rand()×(pbest[]-present[])+c2×rand()×(gbest[]-present[])]×Experience+Random更新粒子的速度,根据粒子的速度,通过公式present[]=persent[]+v[]+Random更新粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到最大迭代次数,获得第二粒子群的最优值,其中该最优值为全局最佳位置趋于的位置。例如,以30个第二行驶数据作为粒子,组成包括30个粒子的第二粒子群,以经验数据库中的1000个最佳第一行驶数据为目标值,进行粒子群优化计算,并设定最大迭代次数,在计算过程中不断更新各个粒子的位置,当达到最大迭代次数时停止迭代计算,第二粒子群的全局最佳位置趋于同一个位置,该位置即为第二粒子群的最优值。
步骤206:将第二粒子群的最优值与经验数据库中的各个最佳第一行驶数据进行对比。
在本发明一个实施例中,将获取到的第二粒子群的最优值包括的各个参数与经验数据库中的各个最佳第一行驶数据包括的各个参数进行对比。例如,将获取到的第二粒子群的最优值包括的距离、相对速度及运动方向依次与经验数据库中1000个最佳第一行驶数据包括距离、相对速度及运动方向进行对比。
步骤207:判断是否存在一个当前最佳第一行驶数据与第二粒子群的最优值的差值小于第一预设值,如果是,执行步骤208,否则执行步骤209。
在本发明一个实施例中,在将第二粒子群的最优值包括的各个参数依次与各个最佳第一行驶数据包括的各个参数进行对比的过程中,如果第二粒子群的最优值包括的各个参数与其中一个当前最佳第一行驶数据包括的各个参数的差值小于第一预设值时,停止继续对比,相应的执行步骤208,如果没有任何一个最佳第一行驶数据包括的各个参数与第二粒子群的最优值包括的各个参数之间的差值均小于第一预设值,相应的执行步骤209。例如,第一预设值包括距离波动、相对速度波动及运动方向波动,设置距离波动为±3m,相对速度波动为±5m/s,运动方向波动为±2°,如果第二粒子群的最优值对应的距离为30m,相对速度为80m/s,运动方向为0°,其中一个当前最佳第一行驶数据对应的距离为28m,相对速度为76m/s,运动方向为0°,由于第二粒子群最优值的各个参数与该当前最佳第一行驶数据的各个参数的差值均小于第一预设值,此时相应的执行步骤208,如果第二粒子群的最优值对应的距离为20m,相对速度为60m/s,运动方向为30°,数据库中没有一个最佳第一行驶数据的各个参数与该第二粒子群的最优值的各个参数的差值小于第一预设值,此时相应的执行步骤209。
步骤208:将当前最佳第一行驶数据对应的第一事故概率作为载体汽车的第二事故概率,并结束当前流程。
在本发明一个实施例中,当第二粒子群的最优值与经验数据库中的当前最佳第一行驶数据的差值小于第一预设值时,将当前最佳第一行驶数据对应的第一事故概率作为载体汽车的第二事故概率,根据第二事故概率,对载体汽车采取相应的避险措置。例如,当前最佳第一行驶数据对应的距离为28m,相对速度为76m/s,运动方向为0°,第一事故概率为50%,那么载体汽车的第二事故概率为50%,根据预先设定的事故概率阈值,当第二事故概率为50%时,向载体汽车的驾驶员发出警告提醒。
步骤209:将第二粒子群的最优值与经验数据库中的各个第一行驶数据进行对比。
在本发明一个实施例中,当第二粒子群的最优值与经验数据库中的各个最佳第一行驶数据匹配不成功时,将第二粒子群的最优值与经验数据库中的各个第一行驶数据进行对比。例如,第二粒子群的最优值对应的距离为20m,相对速度为60m/s,运动方向为30°,与经验数据库中的各个最佳第一行驶数据匹配失败后,将该第二粒子群的最优值与经验数据库中的各个第一行驶数据进行比对。
步骤210:判断是够存在一个当前第一行驶数据与第二粒子群的最优值的差值小于第二预设值,如果是,执行步骤211,否则执行步骤203。
在本发明一个实施例中,设定第二预设值,限制距离、相对速度及运动方向的波动范围,在第二粒子群的最优值与经验数据库中的各个第一行驶数据进行对比过程中,存在一个当前第一行驶数据的各个参数与第二粒子群的最优值的各个参数的差值均小于第二预设值,相应的执行211,如果不存在任何一个第一行驶数据的各个参数与第二粒子群的最优值的各个参数的差值均小于第二预设值,说明当前载体汽车不存在危险因素,不会发生事故,继续检测载体汽车的行驶状态,对应的执行步骤203。例如,设定第二预设值中距离的波动范围为±5m,相对速度的波动范围为±6m/s,运动方向的波动范围为±3°,如果第二粒子群的最优值的距离为20m,相对速度为60m/s,运动方向为30°,经验数据库中包括一个当前第一行驶数据对应的距离为20m,相对速度为65m/s,运动方向为30°,由于第二粒子群的最优值的各个参数与当前第一行驶数据的各个参数的差值均小于第二预设值,相应的执行步骤211,如果第二粒子群的最优值的距离为100m,相对速度为20m/s,运动方向为10°,由于经验数据库中不存在任何一个第一行驶数据的各个参数与第二粒子群的最优值的各个参数的差值均小于第二预设值,说明此时载体汽车不存在危险因素,继续执行步骤203,监控载体汽车的运行状态。
步骤211:将当前最佳第一行驶数据对应的第一事故概率作为载体汽车的第二事故概率。
在本发明一个实施例中,当第二粒子群的最优值与经验数据库中的一个当前第一行驶数据的差值小于第二预设值时,将当前第一行驶数据对应的第一事故概率作为载体汽车的第二事故概率,根据第二事故概率,采取对应的避险措施。例如,当前第一行驶数据对应的距离为20m,相对速度为65m/s,运动方向为30°,第一事故概率为60%,那么载体汽车此时的第二事故概率为60%,根据预先设定的事故概率阈值,当第二事故概率为60%时,向载体汽车的驾驶员发出警告提醒并进行主动制动。
如图3所示,本发明一个实施例提供了一种计算事故概率的装置,包括:创建单元301、分析单元303、计算单元304及至少两个采集单元302;
所述创建单元301,用于收集各类交通事故发生时的第一行驶数据,根据所述第一行驶数据创建经验数据库;
所述至少两个采集单元302,分别固定于载体汽车的不同采集位置上,用于每隔设定时间,分别采集所述载体汽车的行驶状态图片,其中每个所述采集单元至少连续采集两张所述行驶状态图片;
所述分析单元303,用于根据每个所述采集单元302采集的至少两张行驶状态图片,获取每个所述采集单元302对应的第二行驶数据;
所述计算单元304,用于根据所述分析单元303获取的各个第二行驶数据及所述创建单元301创建的经验数据库,计算所述载体汽车发生交通事故的第二事故概率。
在本发明一个实施例中,所述分析单元303,用于针对于每一个所述采集单元302,在所述采集单元302采集的的至少两张行驶状态图片上,选择至少一个关键点,通过对每张图片上相同关键点灰度值的对比,获得该采集点对应的第二行驶数据;
在本发明一个实施例中,所述创建单元301,用于以每个所述交通事故对应的各个第一行驶数据作为粒子,形成第一粒子群,以每一个所述第一行驶数据包括的各个参数作为该粒子的初始位置,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到预设值或所述全局最佳位置满足预设的最小界限,获得第一粒子群的最优值及最终全局最佳位置,其中所述第一粒子群的最优值为第一事故概率,所述最终全局最佳位置为所述第一事故概率对应的最佳第一行驶数据,由各个所述交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成所述经验数据库。
在本发明一个实施例中,所述计算单元304,用于以各个所述第二行驶数据为粒子,形成第二粒子群,以所述经验数据库中的各个所述最佳第一行驶数据为目标值,以每一个所述第二行驶数据包括的各个参数作为该粒子的初始位置,并设置各个粒子对应的速度及所述第二粒子群的最大迭代次数,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到所述最大迭代次数,获得所述第二粒子群的最优值,将所述第二粒子群的最优值与所述经验数据库中的各个所述最佳第一行驶数据进行对比,如果所述第二粒子群的最优值与任意一个当前最佳第一行驶数据的差值小于第一预设值,则所述当前最佳第一行驶数据对应的第一事故概率即为所述第二事故概率。
在本发明一个实施例中,该装置进一步包括:对比单元;
所述对比单元,用于如果所述第二粒子群的最优值与任意一个最佳第一行驶数据的差值均大于所述第一预设值时,将所述第二粒子群的最优值与所述经验数据库中的各个所述第一行驶数据对比,如果所述第二粒子群的最优值与任意一个当前第一行驶数据的差值小于第二预设值,则将所述当前第一行驶数据对应的第一事故概率作为所述第二事故概率。
上述设备内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
根据上述方案,本发明的实施例所提供的一种计算事故概率的方法及装置,至少具有如下有益效果:
1、本发明实施例中,预先收集各类交通事故发生时的第一行驶数据,根据每一个交通事故对应的第一行驶数据,创建经验数据库,在载体汽车上设置至少两个采集位置,每隔设定时间,在每一个采集位置连续至少采集两张行驶状态图片,根据每个采集位置对应的至少两张行驶状态图片,获取对应的第二行驶数据,根据各个第二行驶数据及经验数据库,计算载体汽车发生交通事故的第二事故概率,这样,通过多组第二行驶数据,以与经验数据库中的经典事故案例进行比对的方式,获得载体汽车发生交通事故的第二事故概率,相对于直接通过行驶数据判断汽车是否会发生交通事故的方法,提高了事故预判的准确性。
2、本发明实施例中,获取载体汽车的行驶数据时,通过在同一个位置连续拍摄的至少两张图片上选择至少一个关键点,通过不同图片上相同关键点灰度值的比较,获得载体汽车与障碍物之间的运动关系,计算出相对运动速度,只对选定的的几个关键点进行分析,而不对整个图片进行分析,可以节省图片分析的时间,提高事故预判的速度,保证在载体汽车处于危险状态时及时采取对应的避险措施。
3、本发明实施例中,通过粒子群优化算法计算载体汽车的事故概率,其中粒子群优化算法相对应传统的粒子群算法,增加了随机参数和经验值,使得每个粒子有了记忆功能,这样会降低收敛的迭代次数,经验值是达到最优的粒子在运行过程中产生的,可以共享给离它最近的粒子,从而保证粒子群在最少的迭代次数下计算出对应的最优值,提高事故概率预定的速度。
4、本发明实施例中,经验数据库是一个缺省的数据库,当获得交通事故案例时,通过计算获得对应的第一行驶数据、最佳第一行驶数据及第一事故概率,将其填充到经验数据库中,不断完善和丰富经验数据库,涵盖各类交通事故案例,保证事故概率计算的准确性。
需要说明的是,在本文中,诸如第一和第二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因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种计算事故概率的方法,其特征在于,收集各类交通事故发生时的第一行驶数据,根据所述第一行驶数据创建经验数据库,包括:
每隔设定时间,在载体汽车的至少两个采集位置上,分别采集所述载体汽车的行驶状态图片,其中每个采集位置至少连续采集两张所述行驶状态图片;
根据每个采集位置对应的所述行驶状态图片,获取对应的第二行驶数据;
根据各个所述第二行驶数据及所述经验数据库,计算所述载体汽车发生交通事故的第二事故概率。
2.根据权利要求1所述的方法,其特征在于,所述根据每个采集位置对应的所述行驶状态图片,获取对应的第二行驶数据包括:
针对于每一个采集位置,在该采集位置对应的至少两张行驶状态图片上,选择至少一个关键点,通过对每张图片上相同关键点灰度值的对比,获得该采集点对应的第二行驶数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一行驶数据创建经验数据库包括:
以每个所述交通事故对应的各个第一行驶数据作为粒子,形成第一粒子群,以每一个所述第一行驶数据包括的各个参数作为该粒子的初始位置,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到预设值或所述全局最佳位置满足预设的最小界限,获得第一粒子群的最优值及最终全局最佳位置,其中所述第一粒子群的最优值为第一事故概率,所述最终全局最佳位置为所述第一事故概率对应的最佳第一行驶数据,由各个所述交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成所述经验数据库。
4.根据权利要求3所述的方法,其特征在于,所述根据各个所述第二行驶数据及所述经验数据库,计算所述载体汽车发生交通事故的第二事故概率包括:
以各个所述第二行驶数据为粒子,形成第二粒子群,以所述经验数据库中的各个所述最佳第一行驶数据为目标值,以每一个所述第二行驶数据包括的各个参数作为该粒子的初始位置,并设置各个粒子对应的速度及所述第二粒子群的最大迭代次数,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到所述最大迭代次数,获得所述第二粒子群的最优值,将所述第二粒子群的最优值与所述经验数据库中的各个所述最佳第一行驶数据进行对比,如果所述第二粒子群的最优值与任意一个当前最佳第一行驶数据的差值小于第一预设值,则所述当前最佳第一行驶数据对应的第一事故概率即为所述第二事故概率。
5.根据权利要求4所述的方法,其特征在于,进一步包括:
如果所述第二粒子群的最优值与任意一个最佳第一行驶数据的差值均大于所述第一预设值时,将所述第二粒子群的最优值与所述经验数据库中的各个所述第一行驶数据对比,如果所述第二粒子群的最优值与任意一个当前第一行驶数据的差值小于第二预设值,则将所述当前第一行驶数据对应的第一事故概率作为所述第二事故概率。
6.根据权利要求4至5中任一所述的方法,其特征在于,
所述速度更新通过如下公式完成:
v[]=v[]+[c1×rand()×(pbest[]-present[])+c2×rand()×(gbest[]-present[])]×Experience+Random;
所述位置更新通过如下公式完成:
present[]=persent[]+v[]+Random;
其中,所述v[]为粒子速度,c1及c2为学习因子,rand()为0至1之间的随机数,pbest[]为粒子最佳位置,gbest[]为全局最佳位置,present[]为粒子当前位置,Experience为经验值,Random为随机参数。
7.一种计算事故概率的装置,其特征在于,包括:创建单元、分析单元、计算单元及至少两个采集单元;
所述创建单元,用于收集各类交通事故发生时的第一行驶数据,根据所述第一行驶数据创建经验数据库;
所述至少两个采集单元,分别固定于载体汽车的不同采集位置上,用于每隔设定时间,分别采集所述载体汽车的行驶状态图片,其中每个所述采集单元至少连续采集两张所述行驶状态图片;
所述分析单元,用于根据每个所述采集单元采集的至少两张行驶状态图片,获取每个所述采集单元对应的第二行驶数据;
所述计算单元,用于根据所述分析单元获取的各个第二行驶数据及所述创建单元创建的经验数据库,计算所述载体汽车发生交通事故的第二事故概率。
8.根据权利要求7所述的装置,其特征在于,
所述分析单元,用于针对于每一个所述采集单元,在所述采集单元采集的的至少两张行驶状态图片上,选择至少一个关键点,通过对每张图片上相同关键点灰度值的对比,获得该采集点对应的第二行驶数据;
和/或,
所述创建单元,用于以每个所述交通事故对应的各个第一行驶数据作为粒子,形成第一粒子群,以每一个所述第一行驶数据包括的各个参数作为该粒子的初始位置,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到预设值或所述全局最佳位置满足预设的最小界限,获得第一粒子群的最优值及最终全局最佳位置,其中所述第一粒子群的最优值为第一事故概率,所述最终全局最佳位置为所述第一事故概率对应的最佳第一行驶数据,由各个所述交通事故对应的第一行驶数据、最佳第一行驶数据及第一事故概率组成所述经验数据库。
9.根据权利要求8所述的装置,其特征在于,
所述计算单元,用于以各个所述第二行驶数据为粒子,形成第二粒子群,以所述经验数据库中的各个所述最佳第一行驶数据为目标值,以每一个所述第二行驶数据包括的各个参数作为该粒子的初始位置,并设置各个粒子对应的速度及所述第二粒子群的最大迭代次数,根据初始位置计算各个粒子的适应度,根据所述适应度更新各个粒子的最佳位置及全局最佳位置,根据所述各粒子的最佳位置及全局最佳位置,更新所述各个粒子的速度,根据所述各个粒子的速度,更新所述各个粒子的位置,根据更新后的位置再次计算各个粒子的适应度,重复这一过程,直至迭代次数达到所述最大迭代次数,获得所述第二粒子群的最优值,将所述第二粒子群的最优值与所述经验数据库中的各个所述最佳第一行驶数据进行对比,如果所述第二粒子群的最优值与任意一个当前最佳第一行驶数据的差值小于第一预设值,则所述当前最佳第一行驶数据对应的第一事故概率即为所述第二事故概率。
10.根据权利要求9所述的装置,其特征在于,进一步包括:对比单元;
所述对比单元,用于如果所述第二粒子群的最优值与任意一个最佳第一行驶数据的差值均大于所述第一预设值时,将所述第二粒子群的最优值与所述经验数据库中的各个所述第一行驶数据对比,如果所述第二粒子群的最优值与任意一个当前第一行驶数据的差值小于第二预设值,则将所述当前第一行驶数据对应的第一事故概率作为所述第二事故概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510574188.5A CN105205550A (zh) | 2015-09-10 | 2015-09-10 | 一种计算事故概率的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510574188.5A CN105205550A (zh) | 2015-09-10 | 2015-09-10 | 一种计算事故概率的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105205550A true CN105205550A (zh) | 2015-12-30 |
Family
ID=54953219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510574188.5A Pending CN105205550A (zh) | 2015-09-10 | 2015-09-10 | 一种计算事故概率的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205550A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622895A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆速度检测方法 |
CN103198713A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 基于交通数据和天气数据的减少交通事故的车辆调控方法 |
CN103646281A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于多种群的粒子群算法模型 |
CN104021676A (zh) * | 2014-06-25 | 2014-09-03 | 上海交通大学 | 基于车辆动态视频特征的车辆定位及车速测量方法 |
CN104036186A (zh) * | 2014-07-02 | 2014-09-10 | 浪潮电子信息产业股份有限公司 | 一种防攻击引擎的实现方法 |
-
2015
- 2015-09-10 CN CN201510574188.5A patent/CN105205550A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622895A (zh) * | 2012-03-23 | 2012-08-01 | 长安大学 | 一种基于视频的车辆速度检测方法 |
CN103198713A (zh) * | 2013-03-21 | 2013-07-10 | 东南大学 | 基于交通数据和天气数据的减少交通事故的车辆调控方法 |
CN103646281A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于多种群的粒子群算法模型 |
CN104021676A (zh) * | 2014-06-25 | 2014-09-03 | 上海交通大学 | 基于车辆动态视频特征的车辆定位及车速测量方法 |
CN104036186A (zh) * | 2014-07-02 | 2014-09-10 | 浪潮电子信息产业股份有限公司 | 一种防攻击引擎的实现方法 |
Non-Patent Citations (4)
Title |
---|
杜博英: "道路交通事故与车速建模", 《公路交通科技》 * |
熊惠等: "高速公路运行速度与交通安全关系研究", 《交通信息与安全》 * |
裴玉龙等: "高速公路车速离散性与交通事故的关系及车速管理研究", 《中国公路学报》 * |
郭英: "公路车辆行驶速度与事故关系模型研究", 《中国优秀硕士学位论文全文数据库》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3098798B1 (en) | Data processing method, server and terminal for internet of vehicles | |
CN106448267B (zh) | 基于车联网的道路交通事故链阻断系统 | |
CN104408878A (zh) | 一种车队疲劳驾驶预警监控系统及方法 | |
CN111914687B (zh) | 一种基于车联网主动识别事故的方法 | |
KR102141988B1 (ko) | 자율주행 대중버스에 대한 실시간 버스 신뢰성 통합지표 모니터링 시스템 및 방법 | |
EP3907659A2 (en) | Perception data detection method and apparatus | |
CN112950811B (zh) | 融合整车安全的新能源汽车区域运行风险评估及预警系统 | |
CN102360526A (zh) | 一种快速道路路段状态的实时监测方法 | |
EP3605433A1 (en) | Information processing device, information processing system, information processing method, and program | |
CN111784984B (zh) | 一种分布式预警系统、方法及装置 | |
US20210142659A1 (en) | Method and system for monitoring a roadway segment | |
CN107731007B (zh) | 基于交通冲突随机过程演化的交叉口事故预测方法 | |
CN109900494B (zh) | 一种测试用例的生成方法 | |
CN116110012B (zh) | 用于智慧工地的危险违规动作识别方法及系统 | |
CN111445369A (zh) | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 | |
Doğru et al. | Comparison of clustering techniques for traffic accident detection | |
CN108556770A (zh) | 车辆性能监测系统的实现方法、系统以及可读存储介质 | |
CN110599791A (zh) | 信息监控方法、装置和设备 | |
CN104460622A (zh) | 一种车辆远程监控系统 | |
CN107545735B (zh) | 一种带有道路通行规定信息的共享单车监督管理系统 | |
CN110097144A (zh) | 一种轮胎自动检测大数据与云计算系统及其应用研究 | |
CN106780049B (zh) | 一种车辆金融授信方法及装置 | |
CN105205550A (zh) | 一种计算事故概率的方法及装置 | |
CN204440659U (zh) | 驾驶员安全驾驶辅助系统 | |
CN114691633A (zh) | 轨道交通信号系统的日志管理方法、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151230 |
|
WD01 | Invention patent application deemed withdrawn after publication |