CN109747642A - 车辆行驶控制方法及设备 - Google Patents

Abstract

本发明公开了一种车辆行驶控制方法和设备，所述方法包括：获取车辆运动轨迹；根据所述车辆的运动轨迹，判断车辆的运动状况；根据所述车辆的运动状况，控制车辆的停止和行驶。本发明实施例的方法，可以根据车辆的运动轨迹判断车辆的运动状况，根据运动状况控制车辆的停止和行驶，可以在交通事故未发生之前提前做出相应的处理，避免交通事故的发生，降低交通事故的发生几率。

Description

车辆行驶控制方法及设备

技术领域

本发明涉及交通领域，更具体地说，本发明涉及车辆行驶控制方法及设备。

背景技术

在我国，交通事故每年造成的死亡人数在十万左右，每年因交通事故造成的损失高达数百亿。

交通事故不可避免，但是可以预防。现有的预防方法只是普及交通安全行驶的观念，设置更多的交通信号灯，但是现有的预防方法无法根据车辆的实时行驶状况、驾驶人的实时状况来预测交通事故的发生，因而还无法有效地进行事故救援和处理，还无法有效的减少由于交通事故产生交通延误及避免二次事故的发生。

发明内容

本发明的目的是提供一种车辆行驶控制方法，能降低交通事故的几率。

为了实现根据本发明的这些目的和其它优点，提供了以下技术方案：

第一方面，提供了一种车辆行驶控制方法，所述方法包括：

获取车辆运动轨迹；

根据所述车辆的运动轨迹，判断车辆的运动状况；

根据所述车辆的运动状况，控制车辆的停止和行驶。

可选的，所述车辆的运动状况包括：

正常行驶；或

逆行；或

停止。

可选的，所述获取车辆运动轨迹，包括：

将监控时间段分为多个检测周期，在每个检测周期内：

获取多个采样时刻对应的多帧监控图像；

根据首个采样时刻的监控图像，获取车辆数量；

对每一辆车，分配一个身份识别信息；

判断当前检测周期内的车辆是否与上一个检测周期内的车辆是相同车辆；

若车辆相同，则根据当前检测周期内的多帧监控图像，获取每一个身份识别信息对应的车辆的运动轨迹。

可选的，若车辆不同，则：

对新增车辆分配一个身份识别信息；

根据当前检测周期内的多帧监控图像，获取每一个身份识别信息对应的车辆的运动轨迹。

可选的，若车辆不同，则：

对上一个检测周期内存在但当前检测周期内不存在的车辆，做标记处理。

可选的，所述做标记处理之后，所述方法还包括：

在当前检测周期之后的预设数量的检测周期中，判断所述标记处理的车辆是否存在，若存在，则根据多个检测周期内的多帧监控录像，获取所述标记车辆的运动轨迹。

可选的，所述获取车辆的运动轨迹，包括：

利用yolo算法检测出所述监控图像中的车辆区域；

提取所述车辆区域内的Shi-Tomasi特征点；

利用多维度金字塔的Lucas-Kanade光流法对所述Shi-Tomasi特征点进行跟踪；

根据所述跟踪的特征点，获取车辆的运动轨迹。

可选的，所述根据车辆的运动轨迹，判断车辆的运动状况，包括：

若当前检测周期内的所述车辆运动轨迹的长度小于预设阈值，则判断所述车辆的运动状况为停止；

若当前检测周期内的所述车辆的运动轨迹与车道方向相反，则判断所述车辆的运动状况为逆行；

若当前检测周期内的所述车辆的运动轨迹与车道方向相同，则判断所述车辆的运动状况为正常行驶。

可选的，根据所述车辆的运动状况，控制车辆的停止和行驶，包括：

若车辆逆行，则告警；

若车辆停止，则告警。

第二方面，提供了一种车辆行驶控制设备，所述设备包括：

轨迹获取单元，用于获取车辆运动轨迹；

判断单元，用于根据所述车辆的运动轨迹，判断车辆的运动状况；

控制单元，用于根据所述车辆运动状况，控制车辆的停止和行驶。

本发明至少包括以下有益效果：

本发明实施例提供了一种车辆行驶控制方法，所述方法包括：获取车辆运动轨迹；根据所述车辆的运动轨迹，判断车辆的运动状况；根据所述车辆的运动状况，控制车辆的停止和行驶。本发明实施例的方法，可以根据车辆的运动轨迹判断车辆的运动状况，根据运动状况控制车辆的停止和行驶，可以在交通事故未发生之前提前做出相应的处理，避免交通事故的发生，降低交通事故的发生几率。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1是根据本发明一个实施例的车辆行驶控制方法的流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得；在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本发明提供了一种车辆行驶控制方法，所述方法包括：

步骤110，获取车辆运动轨迹；

步骤120，根据所述车辆的运动轨迹，预测车辆的运动状况；

步骤130，根据所述预测的车辆的运动状况，控制车辆的停止和行驶。

其中，步骤120中，所述车辆的运动状况包括：

正常行驶；或

逆行；或

停止。

本发明实施例中，所述获取车辆运动轨迹，包括：

将监控时间段分为多个检测周期，在每个检测周期内：

获取多个采样时刻对应的多帧监控图像；

根据首个采样时刻的监控图像，获取车辆数量；

对每一辆车，分配一个身份识别信息；

判断当前检测周期内的车辆是否与上一个检测周期内的车辆是相同车辆；

若车辆相同，则根据当前检测周期内的多帧监控图像，获取每一个身份识别信息对应的车辆的运动轨迹。

可选的，若车辆不同，则：

对新增车辆分配一个身份识别信息；

根据当前检测周期内的多帧监控图像，获取每一个身份识别信息对应的车辆的运动轨迹。

可选的，若车辆不同，则：

对上一个检测周期内存在但当前检测周期内不存在的车辆，做标记处理。

可选的，所述做标记处理之后，所述方法还包括：

在当前检测周期之后的预设数量的检测周期中，判断所述标记处理的车辆是否存在，若存在，则根据多个检测周期内的多帧监控录像，获取所述标记车辆的运动轨迹。

公路上，特别是高速公路上，监控录像是24小时的，这么长的时间段中，车辆变动还是很多的，因此本发明实施例中将监控时间段分为了多个检测周期。

在每一个检测周期内，对每一辆车，分配一个身份识别信息，该身份识别信息是为了区分不同车辆，可以是身份ID等，或可以是身份编码，或可以是车牌号码。

本发明实施例中，要对每一个监控图像中的车辆进行监控，所以对于不同检测周期内的车辆要分配身份识别信息，且根据身份识别信息判断该车辆在哪些检测周期内被拍摄到，即在哪些检测周期内“存在”。

因为监控图像可能存在不清晰，或者汽车之间的遮挡，或者其他情况，所以有些车辆在当前检测周期内被识别出来了，在其他检测周期内有可能没有被拍摄到，或者没有被识别出来，所以本发明实施例中，每个检测周期的首个采样时刻，获取一次车辆数量，并且识别车辆身份，避免遗漏车辆。

本发明实施例中，根据所述预测的车辆的运动状况，控制车辆的停止和行驶，可以是人为干预，以控制车辆的停止和行驶，或可以是对具有自动驾驶功能的车辆的自动控制，或可以是采用其他方式，在此不再赘述。

本发明实施例提供了一种车辆行驶控制方法，所述方法包括：获取车辆运动轨迹；根据所述车辆的运动轨迹，判断车辆的运动状况；根据所述车辆的运动状况，控制车辆的停止和行驶。本发明实施例的方法，可以根据车辆的运动轨迹判断车辆的运动状况，根据运动状况控制车辆的停止和行驶，可以在交通事故未发生之前提前做出相应的处理，避免交通事故的发生，降低交通事故的发生几率。

本发明实施例中，所述获取车辆的运动轨迹，包括：

利用yolo算法检测出所述监控图像中的车辆区域；

提取所述车辆区域内的Shi-Tomasi特征点；

利用多维度金字塔的Lucas-Kanade光流法对所述Shi-Tomasi特征点进行跟踪；

根据所述跟踪的特征点，获取车辆的运动轨迹。

本发明实施例中，通过yolov2检测画面中的车辆，然后对车辆区域提取光流进而实现跟踪。光流法检测的运动方向相比于yolov2检测框顺次连接的方法更加稳定，二者的融合既避免了计算稠密光流带来的计算资源的浪费，同时可以得到稳定的运动轨迹，再有由于yolov2已经检测到了车辆，因此可以识别画面中停止行驶的车辆，从而使其更加适用于实际高速公路停车事件检测。

下面简要介绍一下Shi-Tomasi特征点。

J.Shi和C.Tomasi在1994年发表了论文“Good Features to Track”，提出了Shi-Tomasi算法。Shi-Tomasi方法认为纯粹的平移对于图像运动来说，并不是适当的模型，而仿射变换(包含了线性变形及平移)却可以。然后提出了一种通过牛顿-拉夫逊方法Newton-Raphson来估计图像仿射变换的方法，但是其并没有用仿射运动来估计图像运动向量，而是使用了同KLT一致的平移运动来估计块的运动，因为实际上如果帧间运动比较小的情况下，平移比仿射运动估计效果更好。

随着图像帧的推进，图像强度改变模式会一种复杂的方式变化，我们可以简单地将图像运动视为如下公式：

I(x,y,t+τ)＝I(x-ξ(x,y,t,τ),y-η(x,y,t,τ))

这个运动为像素点的平移向量δ＝(ξ,η)，可以写成仿射变换形式：

δ＝Dx+d

其中是一个变形矩阵，而是特征窗口中心的平移向量，在第一帧的像素点移动到第二帧的Ax+d位置，这里A＝I+D，即

J(Ax+d)＝I(x)

那么接下来，我们需要估计与里共6个参数，而这个估计的质量依赖于窗口的大小、窗口内的纹理程度、帧间的运动，如果窗口太小，那么将会很难估计，因为小的窗口内估计运动数目太小，所有估计并不可靠，而创口小却更适合跟踪，因为减少跟踪后图像的不连续性。所以来说，纯粹的平移在跟踪过程中更好。

这两个运动模型的最好结合是纯粹平移作为跟踪，而仿射运动作为比较特征匹配质量。虽然我们没办法让运动估计完美，但我们可以使估计后不相似程度最小，即使以下公式最小：

ε＝∫∫_W[J(Ax+d)-I(x)]²w(x)dx

仍有泰勒近似为：

J(Ax+d)＝J(x)+g^T(u)

与KLT方法里纯粹的平移不同的是，这里的拥有6个参数。由此得到如下的6×6系统：

Tz＝a

其中，z^T＝[d_xx d_yx d_xy d_yy d_x d_y]。误差向量为：

取决于两幅图像的不同程度，以及一个6×6的矩阵，它可由一张图片计算而来。其中，

与的值我们也是可以求出来的，然后就能估计的值，这里我们仍然可以通过牛顿迭代法获得比较精确的值。

在跟踪过程中，我们可以只应用纯粹的平移运动估计(此时假设为0)，即可以得到运动估计。这里的先前已经得到，而可以是的最后两个元素值。

Zd＝e

总而言之，这个方法是通过来确定前后两个帧图像之间的相似性，而通过来估计图像间的运动。

Shi-Tomasi算法是Harris算法的改进，在Harris算法中，是根据协方差矩阵M的两个特征值的组合来判断是否角点。而在Shi-Tomasi算法中，是根据较小的特征值是否大于阈值来判断是否角点。这个判断依据是：较小的特征值表示在该特征值方向上的方差较小，较小的方差如果都能够大于阈值，在这个方向上的变化满足是角点的判断要求。如果的两个特征值分别为λ₁和λ₂，那么Harris角点检测的打分公式为R＝λ₁λ₂-k(λ₁+λ₂)²，而Shi-Tomasi焦点检测的打分公式为R＝min(λ₁,λ₂)，如果R>λ，才被认为是一个角点，其中是预设的阈值。

下面简要介绍Lucas-Kanade光流法。

计算机视觉中，Lucas-Kanade光流法是一种两帧差分的光流估计算法，它由BruceD.Lucas和Takeo Kanade提出。该算法基于以下三个假设：

亮度恒定。图像场景中目标的像素在帧间运动时外观上保持不变。对于灰度图像(L-K算法也可用于彩色图像)，需要假设像素被逐帧跟踪时其亮度不发生变化。

时间连续或者运动是“小运动”。图像的运动随时间的变化比较缓慢。实际应用中指的是时间变化相对图像中运动的比例要足够小，这样目标在帧间的运动就比较小。

空间一致。一个场景中统一表面上邻近的点具有相似的运动，在图像平面上的投影也在邻近区域。

L-K算法计算两帧在时间到t+δt之间每个像素点位置的移动。由于它是基于图像信号的泰勒级数，这种方法称为差分，这就是对于空间和时间坐标使用偏导数。

图像约束方程可以写为:

I(x,y,z,t)＝I(x+δx,y+δy,z+δz,t+δt)

其中，I(x,y,z,t)为在(x,y,z)位置的体素。

我们假设移动足够的小，那么对图像约束方程使用泰勒公式，我们可以得到：

H.O.T.指更高阶，在移动足够小的情况下可以忽略。

从这个方程中我们可以得到

进而得到

其中，V_x,V_y,V_z分别是I(x,y,z,t)的光流向量中x,y,z的组成。和则是图像在(x,y,z,t)这一点向相应方向的差分。所以

I_xV_x+I_yV_y+I_zV_z＝-I_t

写作

这个方程有三个未知量，尚不能被解决，这也就是所谓光流算法的光圈问题。那么要找到光流向量则需要另一套解决的方案。而L-K算法是一个非迭代的算法：

假设流(V_x,V_y,V_z)在一个大小为m*m*m(m>1)小窗中是一个常数，那么从像素1,…n＝m³中可以得到下列一组方程

三个未知数但是有多于三个的方程，这个方程组自然是个超定方程，也就是说方程组内有冗余，方程组可以表示为：

记作

为了解决这个超定问题，我们采用最小二乘法：

得到

其中，求和从1到n。

这也就是说寻找光流可以通过在四维上图像导数的分别累加得出。我们还需要一个权重函数W(i,j,k),i,j,k∈[1,m]来突出窗口中心点的坐标。

这个算法的不足在于它不能产生一个密度很高的流向量，例如在运动的边缘和黑大的同质区域中的微小移动方面流信息会很快的褪去。它的优点在于有噪声存在的鲁棒性还是可以的。

可选的，所述根据车辆的运动轨迹，判断车辆的运动状况，包括：

若当前检测周期内的所述车辆运动轨迹的长度小于预设阈值，则判断所述车辆的运动状况为停止；

若当前检测周期内的所述车辆的运动轨迹与车道方向相反，则判断所述车辆的运动状况为逆行；

若当前检测周期内的所述车辆的运动轨迹与车道方向相同，则判断所述车辆的运动状况为正常行驶。

可选的，根据所述车辆的运动状况，控制车辆的停止和行驶，包括：

若车辆逆行，则告警；

若车辆停止，则告警。

更具体的，判断车辆的运动状况为停止时，设运动轨迹中最新时刻的点和最早时刻的点的坐标分别为p_i(x_i,y_i)和p₀(x₀,y₀)，我们计算运动轨迹的二范数：(x_i-x₀)²+(y_i-y₀)²，如果该值小于一定的阈值，则认为该车辆停止运动。

本发明实施例中，告警之后，公路管理方或是交警等，可以根据告警具体分析，如果车辆逆行，可以立即派执法人员或执法车辆干预，使逆行车辆停在应急车道上，避免交通事故的发生，或可以使逆行车辆暂时掉头后正常行驶，等待进一步的处理。对于在高速和公路上停止的车辆，如果是停靠在应急车道上的车辆，告警后可以持续监控一段时间，如果长时间停靠在应急车道上，或者停止在正常行驶车道上，则可以派执法人员或执法车辆干预，还可以调出监控录像进一步分析，如果是驾驶员身体异常造成的车辆停止，或车辆故障造成的车辆停止，则同时可以派救护车和/或拖车。

在本发明其他实施例中，如果车辆是采用了自动驾驶的车辆，则车辆逆行或者停止在正常行驶车道的时候，可以在控制台控制该车辆停靠在应急车道等待进一步处理，同时还可以控制交通信号灯，使交通信号灯显示为红灯，避免事故；或者还可以大屏幕显示，提示其他车辆注意前方道路有异常。

车辆在公路上停止的原因是多种多样的，可能是驾驶员身体有突发状况导致的停止，也可能是车辆有突发状态导致的停止，因此本发明实施例中，检测到车辆停止，且停止在普通车道上，发出告警，可以减少事故的发生几率，还可以节约时间以挽救驾驶员生命，还可以避免二次事故的发生。

和上述车辆行驶方法相对应，本发明还提供了一种车辆行驶控制设备，所述设备包括：

轨迹获取单元，用于获取车辆运动轨迹；

判断单元，用于根据所述车辆的运动轨迹，判断车辆的运动状况；

控制单元，用于根据所述车辆运动状况，控制车辆的停止和行驶。

本发明实施例的设备，可以根据车辆的运动轨迹判断车辆的运动状况，根据运动状况控制车辆的停止和行驶，可以在交通事故未发生之前提前做出相应的处理，避免交通事故的发生，降低交通事故的发生几率。

本发明一个实施例中，利用yolo算法检测出画面中的车辆区域后，需要检测车辆运动轨迹。这里首先提取车辆区域内的Shi-Tomasi特征点，然后利用基于多维度金字塔的Lucas-Kanade光流法对提取的特征点进行跟踪。由于画面中会不断出现新的车辆，我们每隔一定帧数重新利用yolo算法检测画面中的车辆，然后再次提取车辆区域内的Shi-Tomasi特征点。通过LK光流跟踪特征点后我们可以描绘出画面中车辆运动的轨迹。之后根据运动轨迹判断车辆的运动情况。设轨迹中最新时刻的点和最早时刻的点的坐标分别为p_i(x_i,y_i)和p₀(x₀,y₀)，计算运动轨迹的二范数：(x_i-x₀)²+(y_i-y₀)²，如果该值小于一定的阈值，则认为该车辆停止运动。

根据运动轨迹中最新时刻的点和最早时刻的点的y坐标判断车辆的运动方向，当(y_i-y₀)小于某阈值的相反数时认为逆行运动，当该值大于某阈值时认为正向运动。之后与相机配置文件中标注的道路行车方向进行对比，可检测出逆行的车辆。具体检测流程如下：

步骤210：若已知路径为空，转到步骤220。否则，若已知路径不为空，对已知路径中的每条路径的每个点，利用Lucas-Kanade光流法预测出已知路径的最新点的下一位置，反过来，利用Lucas-Kanade光流法求出预测出的下一位置的预测位置。若该预测点与已知路径的最新点位置偏差太大，则舍弃该预测点。若已知路径的最新点的预测位置不在ROI区域内，则继续分析已知路径的下一条路径。若当前路径已到达最大长度，则删除该路径的第一个点。否则将预测点添加到该路径中，再更新已知路径。

步骤220：当相隔一定帧数后，用yolo算法对图像中目标进行检测。接着筛选出属于车辆并且位于ROI区域中的目标。

步骤230：若已知路径为空，转到步骤240。否则，若已知路径不为空，遍历已知路径中的每条路径，若该路径的最新点不在检测出的任何一辆车的区域内，那么使标记该路径不属于汽车的次数的变量+1，否则使该变量为0。若该变量大于设定的阈值，则删除该路径。

步骤240：对用yolo算法检测出的每个车辆，利用4.2.2.3.3中描述的特征点运动轨迹长度与一定阈值比较的方法以及y坐标变化与一定阈值比较的方法来判断是否出现停车和逆行的现象。

步骤250：若该目标已知的特征点数少于设定的每个目标最大特征点数，利用Shi-Tomasi方法对其进行强角点提取，将提取到的所有角点作为已知路径的起点存起来；否则转到步骤220。

由于监控画面中的车辆是运动的，视频流中部分图像中的车辆可能会存在模糊的现象，用yolo算法检测车辆时不能保证同一辆车在每一帧画面中都被检测到。因此如果以一帧图像中是否存在停止和逆行的车辆来判断停车、逆行事件的开始和结束，结果会很不稳定，可能会出现一个事件多次上报的情况。对此，我们采用基于统计的方法来判断事件的开始和结束。具体来说，当在某一帧图像中检测到停止行驶的车辆后，我们统计从此帧开始后面N1帧内出现停止行驶的车辆的帧数N2，如果N2高于一定的阈值则认为出现停车事件，上报停车事件开始。停车事件开始后，如果在某一帧中未检测到停止行驶的车，则从此时开始统计连续未检测到停止行驶的车的帧数N3，如果N3高于一定阈值则认为停车事件结束，上报停车事件结束。

本发明公开了一种车辆行驶控制方法和设备，所述方法包括：获取车辆运动轨迹；根据所述车辆的运动轨迹，判断车辆的运动状况；根据所述车辆的运动状况，控制车辆的停止和行驶。本发明实施例的方法，可以根据车辆的运动轨迹判断车辆的运动状况，根据运动状况控制车辆的停止和行驶，可以在交通事故未发生之前提前做出相应的处理，避免交通事故的发生，降低交通事故的发生几率。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种车辆行驶控制方法，其特征在于，所述方法包括：

获取车辆运动轨迹；

根据所述车辆的运动轨迹，判断车辆的运动状况；

根据所述车辆的运动状况，控制车辆的停止和行驶。

2.如权利要求1所述的方法，其特征在于，所述车辆的运动状况包括：

正常行驶；或

逆行；或

停止。

3.如权利要求1所述的方法，其特征在于，所述获取车辆运动轨迹，包括：

将监控时间段分为多个检测周期，在每个检测周期内：

获取多个采样时刻对应的多帧监控图像；

根据首个采样时刻的监控图像，获取车辆数量；

对每一辆车，分配一个身份识别信息；

判断当前检测周期内的车辆是否与上一个检测周期内的车辆是相同车辆；

若车辆相同，则根据当前检测周期内的多帧监控图像，获取每一个身份识别信息对应的车辆的运动轨迹。

4.如权利要求3所述的方法，其特征在于，若车辆不同，则：

对新增车辆分配一个身份识别信息；

根据当前检测周期内的多帧监控图像，获取每一个身份识别信息对应的车辆的运动轨迹。

5.如权利要求3所述的方法，其特征在于，若车辆不同，则：

对上一个检测周期内存在但当前检测周期内不存在的车辆，做标记处理。

6.如权利要求5所述的方法，其特征在于，所述做标记处理之后，所述方法还包括：

在当前检测周期之后的预设数量的检测周期中，判断所述标记处理的车辆是否存在，若存在，则根据多个检测周期内的多帧监控录像，获取所述标记车辆的运动轨迹。

7.如权利要求1至6任一项所述的方法，其特征在于，所述获取车辆的运动轨迹，包括：

利用yolo算法检测出所述监控图像中的车辆区域；

提取所述车辆区域内的Shi-Tomasi特征点；

利用多维度金字塔的Lucas-Kanade光流法对所述Shi-Tomasi特征点进行跟踪；

根据所述跟踪的特征点，获取车辆的运动轨迹。

8.如权利要求1至6任一项所述的方法，其特征在于，所述根据车辆的运动轨迹，判断车辆的运动状况，包括：

若当前检测周期内的所述车辆运动轨迹的长度小于预设阈值，则判断所述车辆的运动状况为停止；

若当前检测周期内的所述车辆的运动轨迹与车道方向相反，则判断所述车辆的运动状况为逆行；

若当前检测周期内的所述车辆的运动轨迹与车道方向相同，则判断所述车辆的运动状况为正常行驶。

9.如权利要求2所述的方法，其特征在于，根据所述车辆的运动状况，控制车辆的停止和行驶，包括：

若车辆逆行，则告警；

若车辆停止，则告警。

10.一种车辆行驶控制设备，其特征在于，所述设备包括：

轨迹获取单元，用于获取车辆运动轨迹；

判断单元，用于根据所述车辆的运动轨迹，判断车辆的运动状况；

控制单元，用于根据所述车辆运动状况，控制车辆的停止和行驶。