CN109101939B - 车辆运动状态的确定方法、系统、终端及可读存储介质 - Google Patents
车辆运动状态的确定方法、系统、终端及可读存储介质 Download PDFInfo
- Publication number
- CN109101939B CN109101939B CN201810964649.3A CN201810964649A CN109101939B CN 109101939 B CN109101939 B CN 109101939B CN 201810964649 A CN201810964649 A CN 201810964649A CN 109101939 B CN109101939 B CN 109101939B
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- mot
- road
- motion
- blurred
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于交通监控领域,提供了一种车辆运动状态的确定方法,包括:获取目标车辆在检测区域的检测视频中的位置集合;根据所述位置集合中的坐标信息确定所述目标车辆的位移矢量,以所述位移矢量确定所述目标车辆的运动轨迹;根据所述目标车辆的运动轨迹,采用模糊运动状态来确定所述目标车辆的运动状态。本发明实施例通过模糊运动状态来衡量目标车辆的运动状态,能够在目标车辆的轨迹时刻变化时,在检测区域中确定目标车辆的运动状态。
Description
技术领域
本发明属于交通监控领域,尤其涉及一种车辆运动状态的确定方法、系统、终端及可读存储介质。
背景技术
近年来,交通监控视频技术的发展和其旺盛的实际需求吸引了大量的国内外研究者对视频中的交通异常检测及相关算法展开了深入研究。
Nilakorn Seenouvong等人提出了基于计算机视觉的车辆计数算法,计数的精确度高,提高了对车流量监测的准确程度;Nowosielski,A等人基于Camshift算法,提出了一种新的车辆轨迹模式识别算法,能够对车辆的非法停车或非法转弯等行为准确分析识别;Daw-Tung Lin等人则提出Superpixel跟踪算法和车辆轨迹分析技术,并应用于十字路口的交通监控;Sang Hai-feng等人提出了一种通过检测和跟踪车辆轨迹判断车辆是否逆行和超速的系统;Li等人采用了提取特征点来检测分析交通异常的方法,准确性上有所提升;Hanlin Tan则提出一种基于稀疏光流法的异常检测算法,可以检测逆行和横穿马路等交通异常情况;Li Ning等人则提出了一种综合多种交通信息对异常情况进行分析的算法,提高了系统分析的适用性;Ahmed Tageldin等人提出了一种在特定时间内道路上目标间距离来判断交通情况的方法,并以此来解决高度拥堵的交通状态下行人与车辆的冲突问题;杨志勇等人通过融合模糊逻辑和改进的增量比较算法,建立了一种基于模糊逻辑的高速公路交通事件检测模型,该模型通过提取车辆速度和车流量信息来进行事件分析,但由于交通状况十分复杂,该模型检测的前提有一定的局限性。Siyuan Liu等人则提出利用GPS提取城市出租车的轨迹数据,分析出租车移动速度来检测城市道路拥堵情况。
然而,基于GPS定位的异常检测虽然精度高,但也大大提高了检测成本,实用性不足。同时,在现有技术中,由于目标车辆的轨迹时刻处于变化状态,量化地输出其位移距离和矢量方向难以界定目标车辆的运动状态。
发明内容
本发明所要解决的技术问题在于提供一种车辆运动状态的确定方法、系统、终端及可读存储介质,旨在解决现有技术中,由于目标车辆的轨迹时刻处于变化状态,量化地输出其位移距离和矢量方向难以界定目标车辆的运动状态的问题。
本发明是这样实现的,一种车辆运动状态的确定方法,包括:
获取目标车辆在检测区域的检测视频中的位置集合;
根据所述位置集合中的坐标信息确定所述目标车辆的位移矢量,以所述位移矢量确定所述目标车辆的运动轨迹;
根据所述目标车辆的运动轨迹,采用模糊运动状态来确定所述目标车辆的运动状态。
进一步地,所述获取目标车辆在检测区域的检测视频中的位置集合包括:
采集道路上预先划定的检测区域的检测视频,所述检测视频中包含有所述目标车辆;
获取所述目标车辆在所述检测视频中每一帧图片上的位置,得到所述目标车辆在所述检测视频中的位置集合TrajObj;
TrajObj={p1,p2,…,pm}={(x1,y1),(x2,y2),…,(xm,ym)},其中,(x1,y1)表示起点,(xm,ym)表示终点。
进一步地,所述根据所述位置集合中的坐标信息确定所述目标车辆的位移矢量,以所述位移矢量确定所述目标车辆的运动轨迹包括:
当xs≠0时,表示所述目标车辆Obj在x轴方向上有运动;当ys≠0时,表示所述目标车辆Obj在y轴正方向上有运动;
所述检测区域S的下边界为y=L,所述检测区域中车流方向沿y轴为正方向,若ym≥L,则确定所述目标车辆Obj正在或已经驶出检测区域,否ym<L,则确定说明所述目标车辆未能正常驶出检测区域,最终得到所述目标车辆在所述检测区域内的运动轨迹。
进一步地,所述根据所述目标车辆的运动轨迹,采用模糊运动状态来确定所述目标车辆的运动状态包括:
设所述目标车辆Obj的模糊运动状态motθ包括:向右横穿马路Ra、正常行驶Nm、向左横穿马路La和逆行Re;
所述目标车辆Obj的运动状态motθ对应的隶属度函数包括:
若fRa(θ)越大,则表示模糊运动状态motθ属于向右横穿马路Ra的程度越大,当或时,模糊运动状态motθ为向右横穿马路Ra;当时,模糊运动状态motθ处于向右横穿马路Ra和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向右横穿马路Ra和逆行Re的临界状态;
若fNm(θ)越大,则表示模糊运动状态motθ属于正常行驶Nm的程度越大,当时,模糊运动状态motθ为正常行驶Nm;当时,模糊运动状态motθ处于正常行驶Nm和向右横穿马路Ra的临界状态;当时,模糊运动状态motθ处于正常行驶Nm和向左横穿马路La的临界状态;
若fLa(θ)越大,则表示模糊运动状态motθ属于向左横穿马路La的程度越大,当时,模糊运动状态motθ为向左横穿马路La;当时,模糊运动状态motθ处于向左横穿马路La和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向左横穿马路La和逆行Re的临界状态;
若fRe(θ)越大,则表示模糊运动状态motθ属于逆行Re的程度越大,当时,模糊运动状态motθ为逆行Re;当时,模糊运动状态motθ处于逆行Re和向左横穿马路La的临界状态;当时,模糊运动状态motθ处于逆行Re和向右横穿马路Ra的临界状态。
本发明实施例还提供了一种车辆运动状态的确定系统,包括:
位置获取单元,用于获取目标车辆在检测区域的检测视频中的位置集合;
轨迹获取单元,用于根据所述位置集合中的坐标信息确定所述目标车辆的位移矢量,以所述位移矢量确定所述目标车辆的运动轨迹;
状态确定单元,用于根据所述目标车辆的运动轨迹,采用模糊运动状态来确定所述目标车辆的运动状态。
进一步地,所述位置获取单元具体用于:
采集道路上预先划定的检测区域的检测视频,所述检测视频中包含有所述目标车辆;
获取所述目标车辆在所述检测视频中每一帧图片上的位置,得到所述目标车辆在所述检测视频中的位置集合TrajObj;
TrajObj={p1,p2,…,pm}={(x1,y1),(x2,y2),…,(xm,ym)},其中,(x1,y1)表示起点,(xm,ym)表示终点。
进一步地,所述轨迹获取单元具体用于:
当xs≠0时,表示所述目标车辆Obj在x轴方向上有运动;当ys≠0时,表示所述目标车辆Obj在y轴正方向上有运动;
所述检测区域S的下边界为y=L,所述检测区域中车流方向沿y轴为正方向,若ym≥L,则确定所述目标车辆Obj正在或已经驶出检测区域,否ym<L,则确定说明所述目标车辆未能正常驶出检测区域,最终得到所述目标车辆在所述检测区域内的运动轨迹。
进一步地,所述状态确定单元具体用于:
设所述目标车辆Obj的模糊运动状态motθ包括:向右横穿马路Ra、正常行驶Nm、向左横穿马路La和逆行Re;
所述目标车辆Obj的运动状态motθ对应的隶属度函数包括:
若fRa(θ)越大,则表示模糊运动状态motθ属于向右横穿马路Ra的程度越大,当或时,模糊运动状态motθ为向右横穿马路Ra;当时,模糊运动状态motθ处于向右横穿马路Ra和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向右横穿马路Ra和逆行Re的临界状态;
若fNm(θ)越大,则表示模糊运动状态motθ属于正常行驶Nm的程度越大,当时,模糊运动状态motθ为正常行驶Nm;当时,模糊运动状态motθ处于正常行驶Nm和向右横穿马路Ra的临界状态;当时,模糊运动状态motθ处于正常行驶Nm和向左横穿马路La的临界状态;
若fLa(θ)越大,则表示模糊运动状态motθ属于向左横穿马路La的程度越大,当时,模糊运动状态motθ为向左横穿马路La;当时,模糊运动状态motθ处于向左横穿马路La和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向左横穿马路La和逆行Re的临界状态;
若fRe(θ)越大,则表示模糊运动状态motθ属于逆行Re的程度越大,当时,模糊运动状态motθ为逆行Re;当时,模糊运动状态motθ处于逆行Re和向左横穿马路La的临界状态;当时,模糊运动状态motθ处于逆行Re和向右横穿马路Ra的临界状态。
本发明实施例还提供了一种终端,包括存储器、处理器及存储在所述存储器上且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,实现如上述所述的车辆运动状态的确定方法中的各个步骤。
本发明实施例还提供了一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述所述的车辆运动状态的确定方法中的各个步骤。
本发明与现有技术相比,有益效果在于:本发明实施例通过获取目标车辆在检测区域的检测视频中的位置集合,根据该位置集合中的坐标信息确定该目标车辆的位移矢量,以该位移矢量确定所述目标车辆的运动轨迹,根据该目标车辆的运动轨迹,采用模糊运动状态来确定该目标车辆的运动状态。本发明实施例通过模糊运动状态来衡量目标车辆的运动状态,能够在目标车辆的轨迹时刻变化时,在检测区域中确定目标车辆的运动状态。
附图说明
图1是本发明实施例提供的车辆运动状态的确定方法的流程图;
图2是本发明实施例提供的检测区域的示意图;
图3是本发明实施例提供的车辆运动状态的确定系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1示出了本发明实施例提供的车辆运动状态的确定方法,包括:
S101,获取目标车辆在检测区域的检测视频中的位置集合;
S102,根据所述位置集合中的坐标信息确定所述目标车辆的位移矢量,以所述位移矢量确定所述目标车辆的运动轨迹;
S103,根据所述目标车辆的运动轨迹,采用模糊运动状态来确定所述目标车辆的运动状态。
下面对本发明实施例进行详细的阐述:
在实际应用中,交通场景往往复杂多样,在一个交通场景中往往存在与交通无关的区域,如路边的树木、蓝天等等,为了减少这些区域对交通信息参数的影响,同时提高实时性,本发明实施例在交通场景中根据车道形状划定一个梯形区域用于检测操作,将该区域记为检测区域S,如图2中的阴影区为异常检测区域S,交通场景的左上角设为坐标原点O。
a)车辆的位移矢量:
本发明实施例通过对交通目标提取和跟踪进而获取目标车辆的运动轨迹。假设在正常交通情况下,运动的目标车辆Obj通过检测区域S的时间为Δt,其通过S区域的轨迹用它在检测视频中各帧上的位置的集合表示,即:
TrajObj={p1,p2,…,pm}={(x1,y1),(x2,y2),…,(xm,ym)}
根据实际交通情况,当xs≠0,说明目标车辆Obj在x轴方向上有运动,可能是车辆正常变换车道或行人/车辆横穿马路等情况;当ys≠0,说明目标车辆Obj在y轴正方向上有运动,可能是正常行驶、逆向行车或意外停车。
设S的下边界为y=L,车流方向沿y轴正方向,本发明实施例讨论的方向以直行方向为准。当ym>L说明目标车辆正在或已经驶出检测区域;否则,说明目标车辆未能正常驶出检测区域。
b)模糊运动状态:
由于目标车辆的轨迹时刻处于变化状态,量化地输出其位移距离和矢量方向难以界定目标车辆的运动状态。为此,本发明实施例采用模糊运动状态来衡量运动的目标车辆的运动状态,设目标车辆Obj的模糊运动状态motθ有如下几种情况:向右横穿马路、正常行驶、向左横穿马路、逆行4种,分别用Ra、Nm、La、Re表示。目标车辆的运动状态motθ对应的隶属度函数如下:
从式(1)可以看出,fRa(θ)越大,说明motθ属于Ra的程度越大。当时,模糊运动状态为Ra(右横穿);当时,模糊运动状态处于Ra(右横穿)和Nm(正常)的临界状态;当时,模糊运动状态处于Ra(右横穿)和Re(逆行)的临界状态。
从式(2)可以看出,fNm(θ)越大,说明motθ属于Nm的程度越大。当时,模糊运动状态为Nm(正常);当时,模糊运动状态处于Nm(正常)和Ra(右横穿)的临界状态;当时,模糊运动状态处于Nm(正常)和La(左横穿)的临界状态。
从式(3)可以看出,fLa(θ)越大,说明motθ属于La的程度越大。当时,模糊运动状态为La(左横穿);当时,模糊运动状态处于La(左横穿)和Nm(正常)的临界状态;当时,模糊运动状态处于La(左横穿)和Re(逆行)的临界状态。
从式(4)可以看出,fRe(θ)越大,说明motθ属于Re的程度越大。当时,模糊运动状态为Re(逆行);当时,模糊运动状态处于Re(逆行)和La(左横穿)的临界状态;当时,模糊运动状态处于Re(逆行)和Ra(右横穿)的临界状态。
图3示出了本发明实施例提供的一种车辆运动状态的确定系统,包括:
位置获取单元301,用于获取目标车辆在检测区域的检测视频中的位置集合;
轨迹获取单元302,用于根据所述位置集合中的坐标信息确定所述目标车辆的位移矢量,以所述位移矢量确定所述目标车辆的运动轨迹;
状态确定单元303,用于根据所述目标车辆的运动轨迹,采用模糊运动状态来确定所述目标车辆的运动状态。
进一步地,位置获取单元301具体用于:
采集道路上预先划定的检测区域的检测视频,所述检测视频中包含有所述目标车辆;
获取所述目标车辆在所述检测视频中每一帧图片上的位置,得到所述目标车辆在所述检测视频中的位置集合TrajObj;
TrajObj={p1,p2,…,pm}={(x1,y1),(x2,y2),…,(xm,ym)},其中,(x1,y1)表示起点,(xm,ym)表示终点。
进一步地,轨迹获取单元302具体用于:
当xs≠0时,表示所述目标车辆Obj在x轴方向上有运动;当ys≠0时,表示所述目标车辆Obj在y轴正方向上有运动;
所述检测区域S的下边界为y=L,所述检测区域中车流方向沿y轴为正方向,若ym≥L,则确定所述目标车辆Obj正在或已经驶出检测区域,否ym<L,则确定说明所述目标车辆未能正常驶出检测区域,最终得到所述目标车辆在所述检测区域内的运动轨迹。
进一步地,状态确定单元303具体用于:
设所述目标车辆Obj的模糊运动状态motθ包括:向右横穿马路Ra、正常行驶Nm、向左横穿马路La和逆行Re;
所述目标车辆Obj的运动状态motθ对应的隶属度函数包括:
若fRa(θ)越大,则表示模糊运动状态motθ属于向右横穿马路Ra的程度越大,当或时,模糊运动状态motθ为向右横穿马路Ra;当时,模糊运动状态motθ处于向右横穿马路Ra和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向右横穿马路Ra和逆行Re的临界状态;
若fNm(θ)越大,则表示模糊运动状态motθ属于正常行驶Nm的程度越大,当时,模糊运动状态motθ为正常行驶Nm;当时,模糊运动状态motθ处于正常行驶Nm和向右横穿马路Ra的临界状态;当时,模糊运动状态motθ处于正常行驶Nm和向左横穿马路La的临界状态;
若fLa(θ)越大,则表示模糊运动状态motθ属于向左横穿马路La的程度越大,当时,模糊运动状态motθ为向左横穿马路La;当时,模糊运动状态motθ处于向左横穿马路La和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向左横穿马路La和逆行Re的临界状态;
若fRe(θ)越大,则表示模糊运动状态motθ属于逆行Re的程度越大,当时,模糊运动状态motθ为逆行Re;当时,模糊运动状态motθ处于逆行Re和向左横穿马路La的临界状态;当时,模糊运动状态motθ处于逆行Re和向右横穿马路Ra的临界状态。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种车辆运动状态的确定方法及系统的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种车辆运动状态的确定方法,其特征在于,包括:
获取目标车辆在检测区域的检测视频中的位置集合,
所述获取目标车辆在检测区域的检测视频中的位置集合包括:
采集道路上预先划定的检测区域的检测视频,所述检测视频中包含有所述目标车辆;
获取所述目标车辆在所述检测视频中每一帧图片上的位置,得到所述目标车辆在所述检测视频中的位置集合TrajObj;
TrajObj={p1,p2,…,pm}={(x1,y1),(x2,y2),…,(xm,ym)},其中,(x1,y1)表示起点,(xm,ym)表示终点;
根据所述位置集合中的坐标信息确定所述目标车辆的位移矢量,以所述位移矢量确定所述目标车辆的运动轨迹,
所述根据所述位置集合中的坐标信息确定所述目标车辆的位移矢量,以所述位移矢量确定所述目标车辆的运动轨迹包括:
当xs≠0时,表示所述目标车辆Obj在x轴方向上有运动;当ys≠0时,表示所述目标车辆Obj在y轴方向上有运动;
所述检测区域S的下边界为y=L,所述检测区域中车流方向沿y轴为正方向,若ym≥L,则确定所述目标车辆Obj正在或已经驶出检测区域,否ym<L,则确定说明所述目标车辆未能正常驶出检测区域,最终得到所述目标车辆在所述检测区域内的运动轨迹;
根据所述目标车辆的运动轨迹,采用模糊运动状态来确定所述目标车辆的运动状态,其中,
设所述目标车辆Obj的模糊运动状态motθ包括:向右横穿马路Ra、正常行驶Nm、向左横穿马路La和逆行Re;
所述目标车辆Obj的运动状态motθ对应的隶属度函数包括:
若fRa(θ)越大,则表示模糊运动状态motθ属于向右横穿马路Ra的程度越大,当或时,模糊运动状态motθ为向右横穿马路Ra;当时,模糊运动状态motθ处于向右横穿马路Ra和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向右横穿马路Ra和逆行Re的临界状态;
若fNm(θ)越大,则表示模糊运动状态motθ属于正常行驶Nm的程度越大,当时,模糊运动状态motθ为正常行驶Nm;当时,模糊运动状态motθ处于正常行驶Nm和向右横穿马路Ra的临界状态;当时,模糊运动状态motθ处于正常行驶Nm和向左横穿马路La的临界状态;
若fLa(θ)越大,则表示模糊运动状态motθ属于向左横穿马路La的程度越大,当时,模糊运动状态motθ为向左横穿马路La;当时,模糊运动状态motθ处于向左横穿马路La和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向左横穿马路La和逆行Re的临界状态;
2.一种车辆运动状态的确定系统,其特征在于,包括:
位置获取单元,用于获取目标车辆在检测区域的检测视频中的位置集合,
所述位置获取单元具体用于:
采集道路上预先划定的检测区域的检测视频,所述检测视频中包含有所述目标车辆;
获取所述目标车辆在所述检测视频中每一帧图片上的位置,得到所述目标车辆在所述检测视频中的位置集合TrajObj;
TrajObj={p1,p2,…,pm}={(x1,y1),(x2,y2),…,(xm,ym)},其中,(x1,y1)表示起点,(xm,ym)表示终点;
轨迹获取单元,用于根据所述位置集合中的坐标信息确定所述目标车辆的位移矢量,以所述位移矢量确定所述目标车辆的运动轨迹,
所述轨迹获取单元具体用于:
当xs≠0时,表示所述目标车辆Obj在x轴方向上有运动;当ys≠0时,表示所述目标车辆Obj在y轴方向上有运动;
所述检测区域S的下边界为y=L,所述检测区域中车流方向沿y轴为正方向,若ym≥L,则确定所述目标车辆Obj正在或已经驶出检测区域,否ym<L,则确定说明所述目标车辆未能正常驶出检测区域,最终得到所述目标车辆在所述检测区域内的运动轨迹;
状态确定单元,用于根据所述目标车辆的运动轨迹,采用模糊运动状态来确定所述目标车辆的运动状态,
所述状态确定单元具体用于:
设所述目标车辆Obj的模糊运动状态motθ包括:向右横穿马路Ra、正常行驶Nm、向左横穿马路La和逆行Re;
所述目标车辆Obj的运动状态motθ对应的隶属度函数包括:
若fRa(θ)越大,则表示模糊运动状态motθ属于向右横穿马路Ra的程度越大,当或时,模糊运动状态motθ为向右横穿马路Ra;当时,模糊运动状态motθ处于向右横穿马路Ra和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向右横穿马路Ra和逆行Re的临界状态;
若fNm(θ)越大,则表示模糊运动状态motθ属于正常行驶Nm的程度越大,当时,模糊运动状态motθ为正常行驶Nm;当时,模糊运动状态motθ处于正常行驶Nm和向右横穿马路Ra的临界状态;当时,模糊运动状态motθ处于正常行驶Nm和向左横穿马路La的临界状态;
若fLa(θ)越大,则表示模糊运动状态motθ属于向左横穿马路La的程度越大,当时,模糊运动状态motθ为向左横穿马路La;当时,模糊运动状态motθ处于向左横穿马路La和正常行驶Nm的临界状态;当时,模糊运动状态motθ处于向左横穿马路La和逆行Re的临界状态;
3.一种终端,包括存储器、处理器及存储在所述存储器上且在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1所述的车辆运动状态的确定方法中的各个步骤。
4.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1所述的车辆运动状态的确定方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964649.3A CN109101939B (zh) | 2018-08-23 | 2018-08-23 | 车辆运动状态的确定方法、系统、终端及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964649.3A CN109101939B (zh) | 2018-08-23 | 2018-08-23 | 车辆运动状态的确定方法、系统、终端及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109101939A CN109101939A (zh) | 2018-12-28 |
CN109101939B true CN109101939B (zh) | 2021-04-06 |
Family
ID=64850847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810964649.3A Active CN109101939B (zh) | 2018-08-23 | 2018-08-23 | 车辆运动状态的确定方法、系统、终端及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101939B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111316127A (zh) * | 2018-12-29 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 目标航迹确定方法、目标跟踪系统与车辆 |
CN109849903B (zh) * | 2019-01-15 | 2020-10-16 | 北京百度网讯科技有限公司 | 车体周围物体行为识别方法、装置、设备和可读存储介质 |
CN111125624A (zh) * | 2019-11-29 | 2020-05-08 | 浙江维尔科技有限公司 | 一种拨杆档位判定方法及装置 |
CN111611901B (zh) * | 2020-05-15 | 2023-10-03 | 北京百度网讯科技有限公司 | 车辆逆行检测方法、装置、设备以及存储介质 |
CN112530170A (zh) * | 2020-12-16 | 2021-03-19 | 济南博观智能科技有限公司 | 一种车辆行驶状态检测方法、装置、电子设备及存储介质 |
CN113791435B (zh) * | 2021-11-18 | 2022-04-05 | 智道网联科技(北京)有限公司 | Gnss信号异常值的检测方法、装置及电子设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1996194A (zh) * | 2005-12-31 | 2007-07-11 | 清华大学 | 一种运动物体定位纠偏系统及其运动跟踪方法 |
CN103121451A (zh) * | 2013-03-19 | 2013-05-29 | 大连理工大学 | 一种弯路换道轨迹的跟踪控制方法 |
CN106370190A (zh) * | 2015-07-20 | 2017-02-01 | 腾讯科技(深圳)有限公司 | 车辆导航、位置标记方法、装置及系统 |
-
2018
- 2018-08-23 CN CN201810964649.3A patent/CN109101939B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1996194A (zh) * | 2005-12-31 | 2007-07-11 | 清华大学 | 一种运动物体定位纠偏系统及其运动跟踪方法 |
CN103121451A (zh) * | 2013-03-19 | 2013-05-29 | 大连理工大学 | 一种弯路换道轨迹的跟踪控制方法 |
CN106370190A (zh) * | 2015-07-20 | 2017-02-01 | 腾讯科技(深圳)有限公司 | 车辆导航、位置标记方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109101939A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101939B (zh) | 车辆运动状态的确定方法、系统、终端及可读存储介质 | |
Chen et al. | A review of vision-based traffic semantic understanding in ITSs | |
Tsugawa et al. | An architecture for cooperative driving of automated vehicles | |
CN105513349B (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN111771207A (zh) | 增强的车辆跟踪 | |
CN114333330B (zh) | 一种基于路侧边缘全息感知的交叉口事件检测系统 | |
US20210389133A1 (en) | Systems and methods for deriving path-prior data using collected trajectories | |
Yu et al. | Traffic danger recognition with surveillance cameras without training data | |
Laureshyn et al. | Application of automated video analysis for behavioural studies: concept and experience | |
Liu et al. | Extending the detection range for low-channel roadside LiDAR by static background construction | |
US20220237919A1 (en) | Method, Apparatus, and Computing Device for Lane Recognition | |
CN111160132B (zh) | 障碍物所在车道的确定方法、装置、电子设备和存储介质 | |
Kim et al. | Visual extensions and anomaly detection in the pNEUMA experiment with a swarm of drones | |
Haris et al. | Lane line detection and departure estimation in a complex environment by using an asymmetric kernel convolution algorithm | |
CN114694078A (zh) | 一种基于多目标跟踪的交通行为判定方法 | |
Liu et al. | Lane-level and full-Cycle Multi-Vehicle Tracking Using Low-channel Roadside LiDAR | |
CN113468911B (zh) | 一种车载闯红灯检测方法、装置、电子设备及存储介质 | |
Wang et al. | Planning autonomous driving with compact road profiles | |
CN116503818A (zh) | 一种多车道车速检测方法及系统 | |
CN109063675B (zh) | 车流密度计算方法、系统、终端及计算机可读存储介质 | |
Zaki et al. | Comprehensive safety diagnosis using automated video analysis: Applications to an urban intersection in Edmonton, Alberta, Canada | |
Xiong et al. | Fast and robust approaches for lane detection using multi‐camera fusion in complex scenes | |
CN115762153A (zh) | 倒车检测方法及装置 | |
Yu et al. | MPP: A novel algorithm for estimating vehicle space headways from a single image | |
Chai et al. | Automatic vehicle classification and tracking method for vehicle movements at signalized intersections |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |