CN105844904A - 一种基于dsrc的异常车辆行为检测及追踪方法 - Google Patents
一种基于dsrc的异常车辆行为检测及追踪方法 Download PDFInfo
- Publication number
- CN105844904A CN105844904A CN201610256806.6A CN201610256806A CN105844904A CN 105844904 A CN105844904 A CN 105844904A CN 201610256806 A CN201610256806 A CN 201610256806A CN 105844904 A CN105844904 A CN 105844904A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- trackside
- mac address
- speed
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于DSRC的车辆异常行为检测及追踪方法。该方法可以通过路侧专用通信单元获取来自车载设备的信息,路基计算机将该信息运算得出车辆的速度、路段的车流量及交通密度,并通过车辆异常检测模块运用阈值比较法进行车速异常判断,通过设计算法判断车辆违章停车与逆行。本发明利用车路间DSRC通信技术,提出了微观交通量:车辆速度,宏观交通量:交通流量和交通密度的计算方法,解决了车联网环境下低成本准确识别车辆异常行为并对其进行追踪的问题。
Description
技术领域
本发明涉及车联网技术及DSRC通信技术,具体涉及一种基于DSRC的异常车辆行为检测及追踪方法,属于计算机技术领域。
背景技术
2013年机动车保有量1.37亿,2014年底机动车保有量2.64亿,2015年底机动车保有量2.79亿。随着车辆保有量的增加,与车辆有关的违法犯罪事故层出不穷。2012年发生机动车事故190756起,死亡人数57277人,受伤人数210554人。2013年发生机动车事故183404起,机动车交通事故死亡人数55316人,机动车交通事故受伤人数198317人。2014年机动车交通事故18321起,死亡人数54944人,受伤人数194887人。为了减少事故数,研究人员研究出了各种监控车辆异常行为及追踪异常车辆的方法与技术。基于交通视频的车辆检测与追踪研究较早,目前各项技术也较为成熟,能够对违法行为提供有力证据。但却算法复杂,对天气依赖程度高,成本高。作为智能交通系统的重要组成部分,DSRC技术是基于长距离RFID射频识别的微波无线传输技术,是一种高效的无限通信技术,由车载单元、路侧专用通信设备以及专用短程通信协议组成,可以在小范围内实时、可靠、准确传输图像、语音和数据,大幅度降低通信延迟,保障高速、拓扑结构频繁变化的车辆网络质量。DSRC技术搭建了智能交通系统中的通信平台,可以提供如下服务:信息提供服务、数据交换服务、实时检测服务、数据加密服务,另外还可以被用用于交通管理、旅行者信息提供、公共运输管理、车辆控制与安全等多个子项目中。
发明内容
本发明的目的是为了解决上述问题,方便人、车、管理中心交互实现信息的共享,随着移动互联网、物联网和无线传感器网络技术的广泛应用,车联网日益成为实现未来智能交通的有效途径,成为当前全球研究和关注的焦点。在此背景下,本发明所述基于DSRC的异常车辆行为检测及追踪方法能够与车联网系统完美融合。在避免了视频方法对天气依赖程度高及遮挡车牌、改装车型问题,有效保障车辆用户数据隐私的情况下,,本方法满足了对车辆异常行为的检测及对异常车辆追踪的功能。另外,本方法也可对车联网环境下利用网络进行的入侵进行简单初步的检测。
一种基于DSRC的异常车辆检测与追踪方法,具体的步骤包括:
步骤一:路侧专用通信单元与车载终端进行通信,获取车载终端发送的车辆mac地址;
步骤二:路基计算机单元与路侧专用通信单元进行socket通信,获取路侧专用通信单元发送的来自车载终端的车辆mac地址,更新获得该信息的时间,存入数据库,获取车辆出现时间及离去时间;
步骤三:路基计算机单元利用车辆出现时间、离去时间获取车辆速度、道路密度及车流量,并将参数存入数据库,发送至管理中心计算机;
步骤四:路基计算机单元对异常车辆进行判断,存入数据库,向管理中心计算机发送;
步骤五:管理中心调用数据库数据,显示异常车辆信息,追踪异常车辆;
管理中心根据各路侧单元上传的车辆mac地址及出现时间、地点,筛选出异常车辆的mac地址及出现时间、地点。
本发明的优点在于:
(1)本发明利用车路间DSRC通信技术,提出了微观交通量:车辆速度,宏观交通量:交通流量和交通密度的计算方法。
(2)本发明利用车路间DSRC通信技术,解决了车联网环境下低成本准确识别车辆异常行为并对其进行追踪的问题。
(3)本发明基于车路间DSRC通信技术,提出一种车辆异常行为识别方法,能够快速准确地识别车辆的异常行为。
(4)本发明基于车路间DSRC通信技术及远程宽带,提出了路基计算机单元单元检测异常车辆,管理中心对异常车辆进行追踪的分布式异常车辆检测追踪系统,保留准确率的同时节约能量。
(5)本发明基于车路间DSRC通信技术及远程宽带,将路基计算机单元单元数据发送至管理中心,提出了管理中心进行异常拥挤判断的思路。
附图说明
图1为本发明的异常检测及追踪场景图。
图2为本发明的路基计算机单元单元整体结构示意图。
图3为本发明的方法整体流程图。
图4为本发明的出现时间、离去时间流程图。
图5为本发明的速度计算流程图。
图6为本发明的密度计算流程图。
图7为本发明的车流量计算流程图。
图8为本发明的异常检测及追踪流程图。
图9为本发明的车速异常判断模块具体流程图。
图10为本发明的正态分布更新算法流程图。
图11为本发明的判断违章停车异常行为流程图。
图12为判断车辆逆行异常行为流程图。
图13为管理中心追踪流程图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明的一种基于DSRC的异常车辆行为检测及追踪装置,如图1所示,包括车载终端、路侧专用短程通信单元、路基计算机单元和管理中心计算机;
车载终端记为OBU,车载终端安装在机动车上;
路侧专用短程通信单元记为RSU,设在被检测区域道路路侧,路侧专用短程通信单元包括一个天线阵列和一个多入多出收发硬件平台,天线阵列通过馈线与多入多出信息收发硬件平台连接,多入多出信息收发硬件平台通过网线与路基计算机单元连接;路侧专用短程通信单元支持MIMO技术,多入多出信息收发硬件平台为现场可编程门阵列,路侧专用通信单元相隔有效通信距离网格状分布;
路基计算机单元通过网线与管理中心计算机连接,
所述一套检测与追踪硬件设备包括一个管理中心计算机,与检测区域道路长度成正比的数量个路侧专用通信单元,与路侧专用通信单元同数量个路基计算机单元,其检测与追踪软件包括OBU与RSU内部通信软件,路侧专用通信单元与路基计算机单元通信软件,路基计算机单元数据库,路基计算机单元计算程序,路基计算机单元显示程序,管理中心数据库程序,管理中心计算机显示程序。所述OBU与RSU内部通信软件,运行在OBU与RSU系统内部,为OBU与RSU自带程序。所述路侧专用通信单元与路基计算机单元通信软件分别位于路侧通信单元内部及路基计算机单元上。
本发明实现在需要检测的区域内,辅助管理者进行异常车辆及非法车辆的发现、追踪工作,具体的:
路侧专用通信单元通过路侧专用通信单元与车载终端的通信获取车载终端发送的数据包
路基计算机单元通过计算机与路侧专用通信单元的socket通信获取路侧专用通信单元发送的来自车载终端的车辆标识信息,更新获得该信息的时间,存入数据库。
路基计算机单元利用车辆标识信息及获得信息时间计算微观交通参数:车辆速度,宏观交通参数:道路密度及车流量,存入数据库,发送至管理中心计算机。
路基计算机单元利用算法得出异常车辆信息,存入数据库,向管理中心计算机发送。
路基计算机单元调用数据库数据,显示异常车辆信息。
管理中心调用数据库数据,显示异常车辆信息,追踪异常车辆。
附图1为本发明的异常检测及追踪场景图,该场景描述车辆异常检测及追踪的基本过程。每个车辆上装备一个车载终端。路侧专用通信单元相隔有效通信距离网格状分布,每个路侧专用通信单元连接一个路基计算机。路基计算机通过宽带网络与管理中心计算机连接。
具体过程为,首先,在路侧专用短程通信单元有效通信距离l内的车载终端通过DSRC网络将车辆的信息数据包发送至该路侧专用短程通信单元,路侧专用通信单元通过网线将该数据包发送至路基计算机单元。路基计算机单元解包获得车辆唯一标识信息:mac地址,并从网络获取获得该信息的时间ti,通过标识信息及时间计算出车辆出现时间t0、车辆离去时间t、车辆速度v、车流量q及密度K。经过异常行为判断后将异常信息及时间地点汇总至管理中心计算机,管理中心计算机进行报警及对异常车辆进行追踪。
附图2所示为本发明路基计算机单元的系统结构简图,由四部分组成:1)信息采集部分,该部分包括:socket接收模块、原始数据处理模块、数据库模块,其中,socket接收模块用来获取车辆的标识信息,将其存入数据库模块,原始数据处理模块获取时间信息并将其存入数据库。2)交通参数计算模块,该部分包括:车辆出现及离去时间判定模块、车速计算模块、车流量计算模块、交通密度计算模块。其中车辆出现及离去时间判定模块输入的参数为数据库内存储的mac址及时间信息;车速计算模块输入路侧专用通信单元的有效通信距离信息及车辆的出现时间及离去时间,输出本车的速度;车流量计算的是车辆正常情况下通过该路段的最长行驶时间K秒的车流量,输入与车速计算模块输入相同,输出K秒的车流量;交通密度计算模块计算某时刻该路侧专用通信单元的有效通信距离内的车辆数。3)异常行为判断模块,该部分输入mac地址、车速,通过mac地址判断模块、异常车速判断模块判断出异常车辆。4)异常显示及上传模块,显示屏幕提供异常信息并将异常信息上传至管理中心计算机;车流量及密度上传至管理中心计算机,管理中心计算机进行异常拥挤判断及显示。
本发明的一种基于DSRC的异常车辆检测与追踪方法,该方法实现在需要检测的区域内,辅助管理者进行异常车辆及非法车辆的发现、追踪工作,流程如附图3所示,具体的步骤包括:
步骤一:路侧专用通信单元与车载终端进行通信,获取车载终端发送的数据包;
其中,数据包包括车辆唯一标识的mac地址;
步骤二:路基计算机单元与路侧专用通信单元进行socket通信,获取路侧专用通信单元发送的来自车载终端的车辆标识信息,更新获得该信息的时间,存入数据库,通过算法获取车辆出现时间及离去时间。
图4为本发明的车辆在路侧专用通信单元有效通信距离内出现时间、离去时间计算的流程图,设K秒为车辆在路侧专用通信单元有效通信距离内正常行驶的最短时间,且小于一辆车离开后重返该路段的最小时间。计算车辆出现时间、离去时间的基本步骤为:
(1)车辆通过车载单元发送至路侧专用通信单元的数据包被路侧专用通信单元发送至路基计算机时,路基计算机将车辆mac地址及接收时间存入数据库,判断该mac地址是否在其此次接收之前的K秒内出现,若没有出现过则将该mac地址的接收时间定义为出现时间,若出现过,则表明该mac地址代表的车辆在此前就已进入路侧专用通信单元的有效通信距离,跳入步骤(2)判断离去时间。
(2)判断自接收该mac地址起的后K~2K秒时间段内,该mac地址是否仍被接收。若不被接收,则将后K秒时间段内的最后出现时间记为离去时间;若仍被接收,则将车辆标记为停止车辆,将该车辆的mac地址及出现时间存入数据库。
步骤三:路基计算机单元利用车辆出现时间、离去时间计算微观交通参数:车辆速度,宏观交通参数:道路密度及车流量,并将参数存入数据库,发送至管理中心计算机。
图5为本发明的车速计算流程图,输入信息为该路侧专用通信单元的有效通信距离L,步骤二中求得的车辆到达时间t0及离去时间t1。具体步骤如下:
1)获取该路侧专用通信单元的有效通信距离
2)判断是否有车辆离去,若有车辆离去则进行车速计算,若无车辆离去,则不进行计算。
3)获取通行时间t,t=t1-t0,其中,t1为离去时间,t0为到达时间。
4)利用速度公式v=l/t,求得车辆的速度。将其连同车辆Mac地址及车辆出现时间与离去时间一同存入数据库。
图6为本发明的道路密度计算流程图,此处道路密度是指该路段路侧专用通信距离范围内的车辆数量,以K秒为单位进行一次计算,密度为第K秒的密度。具体步骤如下:
1)将密度初始化为上一K秒的密度;
2)将此K秒的所有出现车辆计数,记为n出现;
3)将此K秒及之前所有仍停止的车辆计数,记为n停;
4)将此K秒内所有离去的车辆计数,记为n离去;
5)利用公式:k=k0+(n出现+n停止-n离去)/l,计算该K秒密度并将该K秒时间段及密度存入数据库,其中k代表密度,k0表示初始密度,l代表有效通信距离。
6)继续进行下一K秒密度计算。
图7为本发明的车流量计算流程图,此处车流量为K秒时间内经过该路段的所有车辆的总和。具体步骤如下:
1)将车流量初始值记为0。
2)车流量p即为上面获取的K秒内离去车辆n离去,将该K秒时间段连同车流量记入数据库。
3)计算下一K秒的车流量。
步骤四:路基计算机单元对异常车辆进行判断,存入数据库,向管理中心计算机发送,显示异常车辆并进行追踪。
图8为本发明的异常检测及追踪流程图,首先将合法的mac地址存入数据库中,将每一路侧专用通信单元有效通信距离范围内的路段进行编号,具体步骤如下:
1)接收到一个新的mac地址后,启动mac地址异常检测模块,将非法的mac地址选出来,将其连同出现时间及路段编号,上传入管理中心数据库。
2)若mac地址合法,则启动车速异常检测模块,车速异常,则记录异常车辆mac地址及其出现时间及路段编号,上传入管理中心数据库。
图9为车速异常检测算法的具体步骤,将由步骤四计算出的车速做统计。当所得车速数量还未到达次数临界值N时,将当前求得的该车速v与预设阈值Vmax及Vmin进行比较,若v大于Vmax,则车量超速,若v小于Vmin,则车辆速度过低,可能为黑客车辆在进行网络探测,将异常车辆mac地址及所在路段编号存入数据库,上传至管理中心计算机。当所得车速数量到达N这一次数临界值时,启用正态分布模型对Vmax及Vmin及前述K进行更新。
图10为具体的正态分布更新算法流程图,步骤如下:
利用已获得的存入数据库中的N个车速Vi,根据点估计极大似然估计法得出车速正态分布的均值及方差。
1>极大似然估计法:
似然函数为
其中,vi代表某一具体的车辆速度;
μ代表所要求得的正态分布的平均值;
σ代表所要求得正态分布的标准差;
n代表车速数量;
对公式两边取对数得
令
解之得(μ,σ2)的最大似然估计值为
其中:代表正态分布的参数平均值的估计值;
代表正态分布的参数方差的估计值;
代表车辆速度平均值;
Vi代表某一具体的车速;
由此可得车速的准确正态分布,即
2>利用3δ原则,得出车速最大阈值Vmax及Vmin,存入数据库,方便以后使用时直
接调用。
根据P(|V-μ|<3σ)≈0.9973,根据小概率原理,认为|V-μ|>3σ在一次观测中是不可能发生的。因此可令:
3>利用速度公式的变形
K=l/Vmin
根据已知的路侧专用通信单元及Vmin,求得车辆最大通行时间K,存入数据库,方便
以后使用时进行调用。
3)如附图11所示,根据数据库中,停止车辆信息以及该路段是否禁止车辆停止判断是否有车辆违章停车。具体做法如下:
1>判断是否有车辆停止,如果有车辆停止,则进一步判断该车辆出现在哪一路侧专用通信单元附近;如果没有车辆停止,则等待出现停止车辆
2>得知车辆出现在哪一路侧专用通信单元附近停止后,对该路侧专用通信单元的允许车辆停止与否进行查询;
3>判断停止车辆出现时间与该路段禁止停车时间是否匹配;匹配则表明有车辆违章停车,记为异常车辆。
4)如图12所示,将相邻路侧计算机的数据库记录进行对比,从中发现车辆通过该路线的行驶方向,从而判断车辆是否逆行,具体步骤如下:
1>各路侧计算机单元发送至管理中心有车辆出现在该路侧专用通信单元的时间,车辆mac地址,路侧专用通信单元的编号,将该数据库按照相邻路侧专用通信单元的编号,mac地址对出现时间进行排序,判断出现时间之差是否在合理范围内,若在合理范围内,则该车辆通过该两个相邻路侧专用通信单元的方向即可确定;
2>对该路段的允许通行方向进行查询;
3>判断车辆行驶方向与允许通行方向是否相符,若不相符则表明车辆逆行,记为异常车辆,将车辆mac地址存入数据库,若相符则车辆行驶方向正常。
步骤五:管理中心调用数据库数据,显示异常车辆信息,追踪异常车辆。
附图13所示为本发明管理中心的异常车辆追踪流程图。管理中心根据各路侧单元上传的车辆mac地址及出现时间、地点,筛选出异常车辆的mac地址及出现时间、地点,每一异常车辆按照出现时间顺序排列出现地点,即可得知车辆路线。
Claims (11)
1.一种基于DSRC的异常车辆检测与追踪方法,具体的步骤包括:
步骤一:路侧专用通信单元与车载终端进行通信,获取车载终端发送的车辆mac地址;
步骤二:路基计算机单元与路侧专用通信单元进行socket通信,获取路侧专用通信单元发送的来自车载终端的车辆mac地址,更新获得该信息的时间,存入数据库,获取车辆出现时间及离去时间;
步骤三:路基计算机单元利用车辆出现时间、离去时间获取车辆速度、道路密度及车流量,并将参数存入数据库,发送至管理中心计算机;
步骤四:路基计算机单元对异常车辆进行判断,存入数据库,向管理中心计算机发送;
步骤五:管理中心调用数据库数据,显示异常车辆信息,追踪异常车辆;
管理中心根据各路侧单元上传的车辆mac地址及出现时间、地点,筛选出异常车辆的mac地址及出现时间、地点。
2.根据权利要求1所述的一种基于DSRC的异常车辆检测与追踪方法,所述的步骤二具体为:
设K秒为车辆在路侧专用通信单元有效通信距离内正常行驶的最短时间,且小于一辆车离开后重返该路段的最小时间,计算车辆出现时间、离去时间的步骤为:
(1)车辆通过车载单元发送至路侧专用通信单元的数据包被路侧专用通信单元发送至路基计算机时,路基计算机将车辆mac地址及接收时间存入数据库,判断该mac地址是否在其此次接收之前的K秒内出现,若没有出现过则将该mac地址的接收时间定义为出现时间,若出现过,则表明该mac地址代表的车辆在此前就已进入路侧专用通信单元的有效通信距离,跳入步骤(2)判断离去时间;
(2)判断自接收该mac地址起的后K~2K秒时间段内,该mac地址是否仍被接收;若不被接收,则将后K秒时间段内的最后出现时间记为离去时间;若仍被接收,则将车辆标记为停止车辆,将该车辆的mac地址及出现时间存入数据库。
3.根据权利要求1所述的一种基于DSRC的异常车辆检测与追踪方法,所述的步骤三中,车辆速度的获取步骤具体为:
1)获取该路侧专用通信单元的有效通信距离L;
2)判断是否有车辆离去,若有车辆离去则进行车速计算,若无车辆离去,则不进行计算;
3)获取通行时间t,t=t1-t0,其中,t1为离去时间,t0为到达时间;
4)利用速度公式v=L/t,求得车辆的速度,将其连同车辆Mac地址及车辆出现时间与离去时间一同存入数据库。
4.根据权利要求1所述的一种基于DSRC的异常车辆检测与追踪方法,所述的步骤三中,设道路密度为该路段路侧专用通信距离范围内的车辆数量,以K秒为单位进行一次计算,密度为第K秒的密度,道路密度的获取步骤具体为:
1)将密度初始化为上一K秒的密度;
2)将此K秒的所有出现车辆计数,记为n出现;
3)将此K秒及之前所有仍停止的车辆计数,记为n停;
4)将此K秒内所有离去的车辆计数,记为n离去;
5)利用公式:k=k0+(n出现+n停止-n离去)/L,计算该K秒密度并将该K秒时间段及密度存入数据库,其中k代表密度,k0表示初始密度,L代表有效通信距离;
6)继续进行下一K秒密度计算。
5.根据权利要求1所述的一种基于DSRC的异常车辆检测与追踪方法,所述的步骤三中,设车流量为K秒时间内经过该路段的所有车辆的总和,车流量获取步骤具体为:
1)将车流量初始值记为0;
2)车流量p即为获取的K秒内离去车辆n离去,将该K秒时间段连同车流量记入数据库;
3)计算下一K秒的车流量。
6.根据权利要求1所述的一种基于DSRC的异常车辆检测与追踪方法,所述的步骤四中,首先将合法的mac地址存入数据库中,将每一路侧专用通信单元有效通信距离范围内的路段进行编号,具体步骤如下:
1)接收到一个新的mac地址后,启动mac地址异常检测模块,将非法的mac地址选出来,将其连同出现时间及路段编号,上传入管理中心数据库;
2)若mac地址合法,则启动车速异常检测模块,车速异常,则记录异常车辆mac地址及其出现时间及路段编号,上传入管理中心数据库;
3)根据数据库中,停止车辆信息以及该路段是否禁止车辆停止判断是否有车辆违章停车;
4)将相邻路侧计算机的数据库记录进行对比,从中发现车辆通过该路线的行驶方向,从而判断车辆是否逆行。
7.根据权利要求5所述的一种基于DSRC的异常车辆检测与追踪方法,所述的车速异常检测算法具体为:当所得车速数量未到达次数临界值N时,将当前求得的该车速v与预设阀值Vmax及Vmin进行比较,若v大于Vmax,则车量超速,若v小于Vmin,则车辆速度过低,将异常车辆mac地址及所在路段编号存入数据库,上传至管理中心计算机;当所得车速数量到达N时,启用正态分布模型对Vmax及Vmin及K进行更新。
8.根据权利要求6所述的一种基于DSRC的异常车辆检测与追踪方法,所述的正态分布模型对Vmax及Vmin及K进行更新,利用已获得的存入数据库中的N个车速Vi,根据点估计极大似然估计法得出车速正态分布的均值及方差,具体包括:
1>极大似然估计法:
似然函数为
其中,vi代表某一具体的车辆速度;μ代表所要求得的正态分布的平均值;σ代表所要求得正态分布的标准差;n代表车速数量;
对公式两边取对数得
令
解之得(μ,σ2)的最大似然估计值为
其中:代表正态分布的参数平均值的估计值;代表正态分布的参数方差的估计值;代表车辆速度平均值;Vi代表某一具体的车速,由此可得车速的准确正态分布,即
2>利用3δ原则,得出车速最大阀值Vmax及Vmin,存入数据库;
令:
3>利用速度公式的变形
K=1/Vmin
根据已知的路侧专用通信单元及Vmin,求得车辆最大通行时间K,存入数据库。
9.根据权利要求5所述的一种基于DSRC的异常车辆检测与追踪方法,所述的步骤3)具体包括:
1>判断是否有车辆停止,如果有车辆停止,则进一步判断该车辆出现在哪一路侧专用通信单元附近,如果没有车辆停止,则等待出现停止车辆;
2>得知车辆出现在哪一路侧专用通信单元附近停止后,对该路侧专用通信单元的允许车辆停止与否进行查询;
3>判断停止车辆出现时间与该路段禁止停车时间是否匹配,匹配则表明有车辆违章停车,记为异常车辆。
10.根据权利要求5所述的一种基于DSRC的异常车辆检测与追踪方法,所述的步骤4)具体包括:
1>各路侧计算机单元发送至管理中心有车辆出现在该路侧专用通信单元的时间,车辆mac地址,路侧专用通信单元的编号,将该数据库按照相邻路侧专用通信单元的编号,mac地址对出现时间进行排序,判断出现时间之差是否在合理范围内,若在合理范围内,则该车辆通过该两个相邻路侧专用通信单元的方向即可确定;
2>对该路段的允许通行方向进行查询;
3>判断车辆行驶方向与允许通行方向是否相符,若不相符则表明车辆逆行,记为异常车辆,将车辆mac地址存入数据库,若相符则车辆行驶方向正常。
11.根据权利要求1所述的一种基于DSRC的异常车辆检测与追踪方法,所述的步骤五中,将每一异常车辆按照出现时间顺序排列出现地点,得到知车辆路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610256806.6A CN105844904B (zh) | 2016-04-22 | 2016-04-22 | 一种基于dsrc的异常车辆行为检测及追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610256806.6A CN105844904B (zh) | 2016-04-22 | 2016-04-22 | 一种基于dsrc的异常车辆行为检测及追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844904A true CN105844904A (zh) | 2016-08-10 |
CN105844904B CN105844904B (zh) | 2019-09-27 |
Family
ID=56588719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610256806.6A Expired - Fee Related CN105844904B (zh) | 2016-04-22 | 2016-04-22 | 一种基于dsrc的异常车辆行为检测及追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844904B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107567005A (zh) * | 2017-06-12 | 2018-01-09 | 华东师范大学 | 基于人工免疫系统的车联网车辆异常行为检测方法及系统 |
CN108171980A (zh) * | 2018-02-06 | 2018-06-15 | 长沙智能驾驶研究院有限公司 | 交通违章检测方法、系统及计算机可读存储介质 |
CN108900522A (zh) * | 2018-07-12 | 2018-11-27 | 北京航空航天大学 | 一种电动汽车的安全防护方法、装置及系统 |
CN109005173A (zh) * | 2018-08-02 | 2018-12-14 | 北京航空航天大学 | 一种基于交通流密度差异的车联网异常入侵检测方法 |
CN109118786A (zh) * | 2018-08-20 | 2019-01-01 | 浙江工业大学 | 一种基于量化自适应卡尔曼滤波的车辆速度预测方法 |
CN109147316A (zh) * | 2018-07-23 | 2019-01-04 | 重庆邮电大学 | 一种基于v2x通信和高精度定位的城市车道车辆统计方法 |
CN109191869A (zh) * | 2018-09-30 | 2019-01-11 | 河南机电职业学院 | 一种判断车辆超速的方法 |
CN110473402A (zh) * | 2019-08-20 | 2019-11-19 | 河北德冠隆电子科技有限公司 | 一种基于目标异常行为轨迹分析的异常事件检测预警系统 |
CN111369799A (zh) * | 2019-05-20 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种检测改装车辆的方法、装置及系统 |
CN112365721A (zh) * | 2020-09-14 | 2021-02-12 | 江苏大学 | 一种车辆异常行为识别、预警方法 |
CN112585657A (zh) * | 2020-02-29 | 2021-03-30 | 华为技术有限公司 | 一种安全驾驶监测的方法和装置 |
CN112614345A (zh) * | 2020-12-15 | 2021-04-06 | 平安国际智慧城市科技股份有限公司 | 车辆速度的计算方法、装置、设备及存储介质 |
CN113167881A (zh) * | 2018-12-11 | 2021-07-23 | 法国大陆汽车公司 | 用于估计认证装置与机动车辆相隔的距离的方法 |
CN113299072A (zh) * | 2021-03-31 | 2021-08-24 | 北京汽车研究总院有限公司 | 违停车辆的监控方法及装置 |
CN114005292A (zh) * | 2021-10-28 | 2022-02-01 | 中汽创智科技有限公司 | 违禁车辆限速限扭矩的方法、车辆和物联网系统 |
CN114040406A (zh) * | 2021-10-27 | 2022-02-11 | 海信集团控股股份有限公司 | 一种车载设备的异常信息检测方法及装置 |
CN114170807A (zh) * | 2020-09-11 | 2022-03-11 | 北京聚利科技有限公司 | 车辆轨迹信息获取方法、装置、设备和存储介质 |
EP4095633A4 (en) * | 2020-01-20 | 2023-07-19 | Panasonic Intellectual Property Corporation of America | FAULT DETECTION DEVICE, FAULT DETECTION METHOD, AND PROGRAM |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004199571A (ja) * | 2002-12-20 | 2004-07-15 | Nippon Signal Co Ltd:The | パークアンドライドシステム |
CN103377556A (zh) * | 2012-04-26 | 2013-10-30 | 上海竞天科技股份有限公司 | 套牌车辆的检测装置、检测系统及其检测方法 |
CN103914979A (zh) * | 2013-01-06 | 2014-07-09 | 上海市城市建设设计研究总院 | 采用蓝牙技术的交通状态感知系统及其感知方法 |
CN104299415A (zh) * | 2014-10-13 | 2015-01-21 | 浙江警察学院 | 基于蓝牙技术的分布式交通状态检测系统及其方法 |
CN105336166A (zh) * | 2015-11-02 | 2016-02-17 | 同济大学 | 基于车载蓝牙的交通特征参数提取方法 |
-
2016
- 2016-04-22 CN CN201610256806.6A patent/CN105844904B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004199571A (ja) * | 2002-12-20 | 2004-07-15 | Nippon Signal Co Ltd:The | パークアンドライドシステム |
CN103377556A (zh) * | 2012-04-26 | 2013-10-30 | 上海竞天科技股份有限公司 | 套牌车辆的检测装置、检测系统及其检测方法 |
CN103914979A (zh) * | 2013-01-06 | 2014-07-09 | 上海市城市建设设计研究总院 | 采用蓝牙技术的交通状态感知系统及其感知方法 |
CN104299415A (zh) * | 2014-10-13 | 2015-01-21 | 浙江警察学院 | 基于蓝牙技术的分布式交通状态检测系统及其方法 |
CN105336166A (zh) * | 2015-11-02 | 2016-02-17 | 同济大学 | 基于车载蓝牙的交通特征参数提取方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107567005A (zh) * | 2017-06-12 | 2018-01-09 | 华东师范大学 | 基于人工免疫系统的车联网车辆异常行为检测方法及系统 |
CN108171980A (zh) * | 2018-02-06 | 2018-06-15 | 长沙智能驾驶研究院有限公司 | 交通违章检测方法、系统及计算机可读存储介质 |
CN108900522A (zh) * | 2018-07-12 | 2018-11-27 | 北京航空航天大学 | 一种电动汽车的安全防护方法、装置及系统 |
CN109147316B (zh) * | 2018-07-23 | 2022-05-03 | 重庆邮电大学 | 一种基于v2x通信和高精度定位的城市车道车辆统计方法 |
CN109147316A (zh) * | 2018-07-23 | 2019-01-04 | 重庆邮电大学 | 一种基于v2x通信和高精度定位的城市车道车辆统计方法 |
CN109005173B (zh) * | 2018-08-02 | 2020-08-07 | 北京航空航天大学 | 一种基于交通流密度差异的车联网异常入侵检测方法 |
CN109005173A (zh) * | 2018-08-02 | 2018-12-14 | 北京航空航天大学 | 一种基于交通流密度差异的车联网异常入侵检测方法 |
CN109118786A (zh) * | 2018-08-20 | 2019-01-01 | 浙江工业大学 | 一种基于量化自适应卡尔曼滤波的车辆速度预测方法 |
CN109191869A (zh) * | 2018-09-30 | 2019-01-11 | 河南机电职业学院 | 一种判断车辆超速的方法 |
CN113167881A (zh) * | 2018-12-11 | 2021-07-23 | 法国大陆汽车公司 | 用于估计认证装置与机动车辆相隔的距离的方法 |
CN111369799A (zh) * | 2019-05-20 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种检测改装车辆的方法、装置及系统 |
CN111369799B (zh) * | 2019-05-20 | 2021-11-23 | 杭州海康威视系统技术有限公司 | 一种检测改装车辆的方法、装置及系统 |
CN110473402A (zh) * | 2019-08-20 | 2019-11-19 | 河北德冠隆电子科技有限公司 | 一种基于目标异常行为轨迹分析的异常事件检测预警系统 |
EP4095633A4 (en) * | 2020-01-20 | 2023-07-19 | Panasonic Intellectual Property Corporation of America | FAULT DETECTION DEVICE, FAULT DETECTION METHOD, AND PROGRAM |
CN112585657A (zh) * | 2020-02-29 | 2021-03-30 | 华为技术有限公司 | 一种安全驾驶监测的方法和装置 |
CN114170807A (zh) * | 2020-09-11 | 2022-03-11 | 北京聚利科技有限公司 | 车辆轨迹信息获取方法、装置、设备和存储介质 |
CN112365721A (zh) * | 2020-09-14 | 2021-02-12 | 江苏大学 | 一种车辆异常行为识别、预警方法 |
CN112365721B (zh) * | 2020-09-14 | 2021-10-12 | 江苏大学 | 一种车辆异常行为识别、预警方法 |
CN112614345A (zh) * | 2020-12-15 | 2021-04-06 | 平安国际智慧城市科技股份有限公司 | 车辆速度的计算方法、装置、设备及存储介质 |
CN113299072A (zh) * | 2021-03-31 | 2021-08-24 | 北京汽车研究总院有限公司 | 违停车辆的监控方法及装置 |
CN114040406A (zh) * | 2021-10-27 | 2022-02-11 | 海信集团控股股份有限公司 | 一种车载设备的异常信息检测方法及装置 |
CN114040406B (zh) * | 2021-10-27 | 2024-04-26 | 海信集团控股股份有限公司 | 一种车载设备的异常信息检测方法及装置 |
CN114005292A (zh) * | 2021-10-28 | 2022-02-01 | 中汽创智科技有限公司 | 违禁车辆限速限扭矩的方法、车辆和物联网系统 |
CN114005292B (zh) * | 2021-10-28 | 2023-07-25 | 中汽创智科技有限公司 | 违禁车辆限速限扭矩的方法、车辆和物联网系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105844904B (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844904A (zh) | 一种基于dsrc的异常车辆行为检测及追踪方法 | |
CN103500503B (zh) | 一种基于众包模式的精准路况分析方法及系统 | |
CN110176153B (zh) | 一种基于边缘计算的盲区车辆碰撞预警方法 | |
CN105590346B (zh) | 基于路径识别系统的收费公路网交通信息采集与诱导系统 | |
CN104134344B (zh) | 一种基于车联网的道路交通网络应急疏散路径生成方法 | |
CN103164962B (zh) | 一种山区公路急弯路段实时车速预警方法 | |
CN109637137A (zh) | 基于车路协同的交通管理系统 | |
CN112489433B (zh) | 交通拥堵分析方法及装置 | |
CN109584567A (zh) | 基于车路协同的交通管理方法 | |
CN104376729B (zh) | 一种基于车车通信的高速公路对向车道拥塞提示方法 | |
CN107564313A (zh) | 高速公路交通拥堵预告系统及预告方法 | |
CN107481530A (zh) | 交通违规行为的监控方法、系统及计算机可读存储介质 | |
CN106710306A (zh) | 车辆驾驶行为监控方法及装置 | |
CN108966145A (zh) | 使用v2x通信来跟踪肇事逃逸犯罪者 | |
CN111882867A (zh) | 一种基于物联网的城市智慧交通预警系统 | |
CN107240289A (zh) | 一种公交车线路优化管理方法及系统 | |
CN106991725A (zh) | 区域高速公路网车辆行驶路径分析装置及分析方法 | |
CN111882690A (zh) | Etc多传感信息融合轨迹还原的高速收费方法及系统 | |
CN109387218B (zh) | 车载设备及道路维护辅助管理系统 | |
CN108476553A (zh) | 无线网格网络分布式视觉交通标记器及其方法 | |
CN108039046A (zh) | 一种基于c-v2x的城市交叉路口行人检测识别系统 | |
CN106601005A (zh) | 一种基于rfid和微信平台的城市智能交通诱导方法 | |
CN102778238A (zh) | 一种基于车辆识别的行驶里程统计装置及其工作方法 | |
CN109903565A (zh) | 一种车路协同的疲劳驾驶判定方法及系统 | |
CN103824456B (zh) | 一种车载传感器网络实时路况事件推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190927 |