CN111311010B - 车辆风险预测方法、装置、电子设备及可读存储介质 - Google Patents

车辆风险预测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN111311010B
CN111311010B CN202010110995.2A CN202010110995A CN111311010B CN 111311010 B CN111311010 B CN 111311010B CN 202010110995 A CN202010110995 A CN 202010110995A CN 111311010 B CN111311010 B CN 111311010B
Authority
CN
China
Prior art keywords
vehicle
feature
optical flow
calculating
flow information
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
Application number
CN202010110995.2A
Other languages
English (en)
Other versions
CN111311010A (zh
Inventor
张炯文
汪海祥
陈真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202010110995.2A priority Critical patent/CN111311010B/zh
Publication of CN111311010A publication Critical patent/CN111311010A/zh
Application granted granted Critical
Publication of CN111311010B publication Critical patent/CN111311010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种车辆风险预测方法，包括：基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集，计算所述车辆特征集的光流信息得到光流信息集，从所述光流信息集中提取车辆的特征轨迹，并汇集所述特征轨迹得到特征二维轨迹集，对所述特征二维轨迹集进行空间投影得到特征三维轨迹集，根据所述特征三维轨迹集构建得到聚类矩阵，对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度，根据所述行驶速度计算得到车辆风险系数。本发明还提出一种车辆风险预测装置、电子设备以及一种计算机可读存储介质。本发明可以满足车辆实时检测的要求，提高对车辆风险的判断力。

Description

车辆风险预测方法、装置、电子设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种车辆风险预测方法、装置、电子设备及可读存储介质。
背景技术
一直以来，机动车作为交通管理的主要对象都受到了交通管理者的重点管控，但由于机动车数量的剧增，交管部门有限的警力资源己经无法对其进行全方位的严格管控，致使各类交通违法和乱象层出不穷。给人们的交通出行安全带来极大的隐患。
现有车辆上大多安装有具有行驶记录功能的定位装置，多采用车辆GPS的数据配合监控摄像头来计算车辆的驾驶行为，例如，车辆的行驶速度、加速度等，以此来评估车辆的驾驶风险，或仅根据历史保险数据对车辆风险进行主观评估，在对车辆GPS的数据配合监控摄像头来计算车辆的驾驶行为过程中，缺乏对车辆进行高清和高精度的检测跟踪技术，仅仅在具有高清视频、光线良好且车辆之间无遮挡时具有很高的检测及跟踪精度，难以满足对车辆风险判断的需求。
发明内容
本发明提供一种车辆风险预测方法、装置、电子设备及计算机可读存储介质，其主要目的在于提供一种满足车辆实时检测的要求，提高对车辆风险的判断力的方案。
为实现上述目的，本发明提供的一种车辆风险预测方法，包括：
基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集；
计算所述车辆特征集的光流信息得到光流信息集，从所述光流信息集中提取车辆的特征轨迹，并汇集所述特征轨迹得到特征二维轨迹集；
对所述特征二维轨迹集进行空间投影得到特征三维轨迹集；
根据所述特征三维轨迹集构建特征相似矩阵，对所述特征相似矩阵进行稀疏化处理，得到稀疏分块矩阵，并根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚类，得到聚类矩阵；
对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度；
根据所述行驶速度计算得到车辆风险系数。
可选地，所述基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集，包括：
通过角点检测算法检测所述车辆行驶图片集内的车辆特征点，得到原始车辆特征集；
通过特征点描述算法计算所述原始车辆特征集内每个原始车辆特征的描述子；
计算每个原始车辆特征的所述描述子之间的相似度，根据所述相似度清理所述原始车辆特征集得到所述车辆特征集。
可选地，所述计算所述车辆特征集的光流信息得到光流信息集，包括：
对所述车辆行驶图片集的每个图片进行上采样处理，得到每个图片的图像金字塔；
对所述图像金字塔的顶层图像进行光流计算得到第一光流信息；
将所述第一光流信息作为初始值，传递到所述顶层图像相邻的下层图像，对所述下层图像进行所述光流计算得到第二光流信息；
直至传递至所述图像金字塔的最底层图像，汇总所有光流信息得到光流信息集。
可选地，所述特征二维轨迹集包括：
其中，N为所述特征二维轨迹集的轨迹总条数，i为所述特征二维轨迹集内的车辆特征点的轨迹条数，ni是第i条轨迹的车辆特征点个数，是第i条轨迹第n个车辆特征点的像素坐标。
可选地，所述所述对所述特征二维轨迹集进行空间投影得到特征三维轨迹集，包括：
预构建坐标系，将所述车辆特征集内的每个车辆特征点投影至所述坐标系得到特征坐标集，根据预构建的矢量加法逆运算计算所述特征坐标集的逆投影速度；
计算所述特征坐标集的相对高度得到相对高度集；
根据预构建的透视投影矩阵变换方程，将所述像素坐标投影至平行于所述坐标系横轴的区域内得到投影像素坐标，并计算所述投影像素坐标与所述坐标系横轴的平行高度，汇总所述投影像素坐标和所述平行高度得到三维坐标信息集；
将所述三维坐标信息集、所述相对高度集与所述逆投影速度汇集为所述特征三维轨迹集。
为了解决上述问题，本发明还提供一种车辆风险预测装置，所述装置包括：
特征提取模块，用于基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集；
二维轨迹计算模块，用于计算所述车辆特征集的光流信息得到光流信息集，从所述光流信息集中提取车辆的特征轨迹，并汇集所述特征轨迹得到特征二维轨迹集；
三维轨迹计算模块，用于对所述特征二维轨迹集进行空间投影得到特征三维轨迹集；
车辆风险系数计算模块，用于根据所述特征三维轨迹集构建特征相似矩阵，对所述特征相似矩阵进行稀疏化处理，得到稀疏分块矩阵，并根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚类，得到聚类矩阵，对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度，根据所述行驶速度计算得到车辆风险系数。
可选地，所述基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集，包括：
通过角点检测算法检测所述车辆行驶图片集内的车辆特征点，得到原始车辆特征集；
通过特征点描述算法计算所述原始车辆特征集内每个原始车辆特征的描述子；
计算每个原始车辆特征的所述描述子之间的相似度，根据所述相似度清理所述原始车辆特征集得到所述车辆特征集。
可选地，所述计算所述车辆特征集的光流信息得到光流信息集，包括：
对所述车辆行驶图片集的每个图片进行上采样处理，得到每个图片的图像金字塔；
对所述图像金字塔的顶层图像进行光流计算得到第一光流信息；
将所述第一光流信息作为初始值，传递到所述顶层图像相邻的下层图像，对所述下层图像进行所述光流计算得到第二光流信息；
直至传递至所述图像金字塔的最底层图像，汇总所有光流信息得到光流信息集。
可选地，所述特征二维轨迹集包括：
其中，N为所述特征二维轨迹集的轨迹总条数，i为所述特征二维轨迹集内的车辆特征点的轨迹条数，ni是第i条轨迹的车辆特征点个数，是第i条轨迹第n个车辆特征点的像素坐标。
可选地，所述所述对所述特征二维轨迹集进行空间投影得到特征三维轨迹集，包括：
预构建坐标系，将所述车辆特征集内的每个车辆特征点投影至所述坐标系得到特征坐标集，根据预构建的矢量加法逆运算计算所述特征坐标集的逆投影速度；
计算所述特征坐标集的相对高度得到相对高度集；
根据预构建的透视投影矩阵变换方程，将所述像素坐标投影至平行于所述坐标系横轴的区域内得到投影像素坐标，并计算所述投影像素坐标与所述坐标系横轴的平行高度，汇总所述投影像素坐标和所述平行高度得到三维坐标信息集；
将所述三维坐标信息集、所述相对高度集与所述逆投影速度汇集为所述特征三维轨迹集；
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的车辆风险预测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述中任意一项所述的车辆风险预测方法。
本发明实施例通过对车辆特征点的轨迹进行获取、通过特征二维轨迹构建特征三维轨迹、以及轨迹聚类同类间合并，进而提供实时有效且高精度的交通参数，对车辆进行跟踪，得到准确的行驶速度，进而计算出车辆风险系数，其中在轨迹特征构建阶段，对轨迹的三维参数进行重构，减小了光照抖动、车辆遮挡对聚类结果的影响，较其他方法检测结果更为精准，在轨迹聚类阶段，对轨迹相似矩阵进行稀疏化能减少计算时间，满足实时检测的要求，提高对车辆风险的判断力，结合人工智能技术，快速对摄像数据进行处理，大大提高车辆风险预测效率。
附图说明
图1为本发明一实施例提供的车辆风险预测方法的流程示意图；
图2为上述图1中步骤S1的详细实施流程示意图；
图3为上述图1中步骤S2的详细实施流程示意图；
图4为上述图1中步骤S4的详细实施流程示意图；
图5为上述图1中步骤S5的详细实施流程示意图；
图6为上述图1中步骤S6的详细实施流程示意图；
图7为上述图1中步骤S7的详细实施流程示意图；
图8为本发明一实施例提供的车辆风险预测装置的模块示意图；
图9为本发明一实施例提供的车辆风险预测方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本发明提供一种车辆风险预测方法。参照图1所示，为本发明一实施例提供的车辆风险预测方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，车辆风险预测方法包括：
S1、接收原始车辆行驶视频，对所述原始车辆行驶视频进行预处理得到车辆行驶图片集。
详细地，参阅图2所示，所述S1包括：
S11、对所述原始车辆行驶视频依次进行低通滤波处理和噪声去除处理，得到标准车辆行驶视频；
S12、对所述标准车辆行驶视频进行分解，得到所述标准车辆行驶视频的连续预定义数量的帧图像；
S13、对所述连续预定义数量的帧图像进行整合，得到所述车辆行驶图片集。
本发明较佳实施例中，所述噪声去除、视频分解和整合都可采用当前已公开的技术，如噪声去除可使用中值滤波法。
如小李是一位货车司机，通过采集小李驾驶货车在某市的监控视频得到原始车辆行驶视频，经过上述步骤处理后，得到小李驾驶货车的车辆行驶图片集。
S2、基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集。
详细地，参阅图3所示，所述S2包括：
S21、通过角点检测算法检测所述车辆行驶图片集内的车辆特征点，得到原始车辆特征集；
S22、通过特征点描述算法计算所述原始车辆特征集内每个原始车辆特征的描述子；
S23、计算每个原始车辆特征的所述描述子之间的相似度，根据所述相似度清理所述原始车辆特征集得到所述车辆特征集。
详细地，所述角点检测算法简称FAST算法，主要原理是一个像素周围有一定数量的像素与该点像素值不同，则认为其为角点，在本案的角点即为车辆特征点。
所述特征点描述算法又称为BRIEF算法，主要思路就是在特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子。这种方法摈弃了利用区域灰度直方图描述特征点的传统方法，大大的加快了特征描述符建立的速度，同时也极大的降低了特征匹配的时间，所以它是一种非常快速的算法，可应用于满足实时性的系统。
进一步地，计算每个原始车辆特征的所述描述子之间的相似度可采用平方差公式法。
S3、计算所述车辆特征集的光流信息得到光流信息集，从所述光流信息集中提取车辆的特征轨迹，并汇集所述特征轨迹得到特征二维轨迹集。
较佳地，所述计算所述车辆特征集的光流信息得到光流信息集，包括：对所述车辆行驶图片集的每个图片进行上采样处理，得到每个图片的图像金字塔；对所述图像金字塔的顶层图像进行光流计算得到第一光流信息；将所述第一光流信息作为初始值，传递到所述顶层图像相邻的下层图像，对所述下层图像进行所述光流计算得到第二光流信息；直至传递至所述图像金字塔的最底层图像，汇总所有光流信息得到光流信息集。
详细地，所述上采样处理是当前已公开的方法，即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素，根据插入新的元素方法可得到本案的图像金字塔。
所述光流计算可采用当前已公开的光流法计算得到。
进一步地，所述特征二维轨迹集包括：
其中，N为所述特征二维轨迹集的轨迹总条数，i为所述特征二维轨迹集内的车辆特征点的轨迹条数，ni是第i条轨迹的车辆特征点个数，是第i条轨迹第n个车辆特征点的像素坐标。
S4、对所述特征二维轨迹集进行空间投影得到特征三维轨迹集。
较佳地，参阅图4所示，所述S4包括：
S41、预构建坐标系，将所述车辆特征集内的每个车辆特征点投影至所述坐标系得到特征坐标集，根据预构建的矢量加法逆运算计算所述特征坐标集的逆投影速度；
S42、计算所述特征坐标集的相对高度得到相对高度集；
S43、根据预构建的透视投影矩阵变换方程，将所述像素坐标投影至平行于所述坐标系横轴的区域内得到投影像素坐标，并计算所述投影像素坐标与所述坐标系横轴的平行高度，汇总所述投影像素坐标和所述平行高度得到三维坐标信息集；
S44、将所述三维坐标信息集、所述相对高度集与所述逆投影速度汇集为所述特征三维轨迹集。
详细地，如对于第i条轨迹第n个所述车辆特征点的像素坐标通过透视投影矩阵变换方程，将其重投影至高度为hr且平行于地面的平面，更新所述车辆特征点的三维坐标信息为/>
进一步的，所述计算所述车辆特征点的相对高度的公式为:
其中，v为车辆的平均行驶速度，可采用当前车段的所有车辆的速度计算进行近似得到，Hc为监控摄像头的高度，Hi、vi(2D)分别为第i条所述车辆特征点的轨迹的相对高度、像素速度。
S5、根据所述特征三维轨迹集构建特征相似矩阵，对所述特征相似矩阵进行稀疏化处理，得到稀疏分块矩阵，并根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚类，得到聚类矩阵。
详细的，参阅图5所示，所述根据所述特征三维轨迹集构建特征相似矩阵，包括：
S51、根据所述特征二维轨迹集的轨迹点计算每条轨迹在图像上的速度v＝{v1,v2…vN}，选取最小的所述特征二维轨迹集的轨迹速度vp所对应的轨迹为参考轨迹tp；
S52、利用计算所述车辆特征点的相对高度的公式计算每条轨迹ti与参考轨迹tp之间的相对高度hi；
S53、构造每条轨迹对应的属性特征向量Fi＝(vi(3D),hr)；
S54、计算不同轨迹之间的相似度Wij，构造出所述特征相似矩阵W，其中：W＝[Wij]N×N
其中i＝1,2…,N；j＝1,2…,N；d(Fi,Fj)2为所述特征二维轨迹集中任意两条轨迹的属性特征向量间的欧式距离。
较佳的，所述对所述特征相似矩阵W进行稀疏化处理，得到稀疏分块矩阵，包括：
S55、若任意一条轨迹ti与参考轨迹tp之间的相对高度hi大于预定义值，将两＝轨迹之间的相似度Wij置0；
S56、将所述特征相似矩阵W通过行和列排序的初等变换，再经过局部调整得到所述分块对角矩阵w。
进一步的，所述根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚，得到到聚类矩阵，包括：
S57、根据所述稀疏分块矩阵w计算其规范化的普拉斯矩阵
S58、计算L的特征值{λi,i＝1,2,N}及其对应的特征向量{Hi,i＝1,2,N}；
S59、计算与Hi对应的指示特征向量Qi，利用Q的前k个最小特征值对应的特征向量进行K-means聚类，得到聚类矩阵。
本发明为了更好的解决复杂交通场景中车辆检测的问题将所述特征二维轨迹集通过空间投影投影至世界坐标系，通过对车辆三维轨迹的分析，选择高度、速度、三维位置信息作为所述车辆特征点的轨迹的三维特征并提取，得到特征三维轨迹集。
S6、对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度。
详细的，参阅图6所示，所述S6包括：
S61、设类别Ci和Cj是所述特征三维轨迹集的聚类结果中的两个类别，两个类别内分别有ni、nj条轨迹，计算每条轨迹的逆投影速度，找到每个类别的最小逆投影速度vi和vj作为类别Ci和Cj的代表速度，将具有最小逆投影速度的所述车辆特征点的轨迹作为该类别的参考轨迹；
S62、比较两个类的代表速度vi和vj，找到最小的代表速度作为该车辆的真实运动速度vT，即参考速度vT＝min(vi,vj)；
S63、将参考类别内的轨迹点高度置零，将其恢复至世界坐标系得出其三维坐标信息(Xi,Yi,0),结合参考速度vT计算出待合并类中轨迹的相对高度hr，将其恢复至世界坐标系得出其三维坐标信息(Xm,Ym,hr)；
S64、计算待合并类别内所述车辆特征点的轨迹与参考特征轨迹的绝对距离，即两轨迹代表点三维位置信息的绝对距离，用DIS(ΔX,ΔY,ΔZ)来表示,其中：
ΔX＝|Xm-Xi|
ΔY＝|Ym-Yi|
ΔZ＝|Zm-0|；
S65、根据ΔZ预先判断车辆可能属于的三维模型类别，再判断ΔX与ΔY是否都在该三维模型内，若ΔX与ΔY满足由ΔZ所给出的三维模型，则记录待合并类别内可以进行处理的所述特征三维轨迹的轨迹条数的参数nc加1，不满足则跳过该轨迹，当待合并类别内的nj条特征点迹都处理完后，若则将两个类别合并，得到合并矩阵；若不满足，不做合并处理，直接输出所述聚类矩阵；
S66、计算所述合并矩阵内的数值，得到所述行驶速度。
经过初始聚类，大部分情况下能够精准的分割车辆，但是由于构造的所述特征相似矩阵的误差，会出现同一辆车的轨道被划分为多个类别的情况，特别是来自大型车辆上的特征三维轨迹，因此，有必要结合刚性运动规律以及车型等先验知识对稀疏谱聚类的聚类结果进行类间合并。
计算所述合并矩阵内的数值，得到所述行驶速度，如通过计算合并矩阵内对角线乘积，行列值等。
S7、根据所述行驶速度计算得到车辆风险系数。
详细的，参阅图7所示，所述S7包括：
S72、当所述行驶速度大于预定义最小速度且小于预定义最大速度，输出所述车辆风险系数“正常”；
S71、当所述行驶速度小于预定义最小速度或大于预定义最大速度，输出所述车辆风险系数“高”。
如图8所示，是本发明车辆风险预测装置的功能模块图。
本发明所述车辆风险预测装置100可以安装于电子设备中。根据实现的功能，所述车辆风险预测装置可以包括特征提取模块101、二维轨迹计算模块102、三维轨迹计算模块103和车辆风险系数计算模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述特征提取模块101，用于基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集；
二维轨迹计算模块102，用于计算所述车辆特征集的光流信息得到光流信息集，从所述光流信息集中提取车辆的特征轨迹，并汇集所述特征轨迹得到特征二维轨迹集；
三维轨迹计算模块103，用于对所述特征二维轨迹集进行空间投影得到特征三维轨迹集；
车辆风险系数计算模块104，用于用于根据所述特征三维轨迹集构建特征相似矩阵，对所述特征相似矩阵进行稀疏化处理，得到稀疏分块矩阵，并根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚类，得到聚类矩阵，对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度，根据所述行驶速度计算得到车辆风险系数。
详细地，所述车辆风险预测装置各模块的具体实施步骤如下：
所述特征提取模块101接收原始车辆行驶视频，对所述原始车辆行驶视频进行预处理得到车辆行驶图片集，基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集。
详细地，所述接收原始车辆行驶视频，对所述原始车辆行驶视频进行预处理得到车辆行驶图片集，包括：
对所述原始车辆行驶视频依次进行低通滤波处理和噪声去除处理，得到标准车辆行驶视频；
对所述标准车辆行驶视频进行分解，得到所述标准车辆行驶视频的连续预定义数量的帧图像；
对所述连续预定义数量的帧图像进行整合，得到所述车辆行驶图片集。
本发明较佳实施例中，所述噪声去除、视频分解和整合都可采用当前已公开的技术，如噪声去除可使用中值滤波法。
如小李是一位货车司机，通过采集小李驾驶货车在某市的监控视频得到原始车辆行驶视频，经过上述步骤处理后，得到小李驾驶货车的车辆行驶图片集。
详细地，所述基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集，包括：
通过角点检测算法检测所述车辆行驶图片集内的车辆特征点，得到原始车辆特征集；
通过特征点描述算法计算所述原始车辆特征集内每个原始车辆特征的描述子；
计算每个原始车辆特征的所述描述子之间的相似度，根据所述相似度清理所述原始车辆特征集得到所述车辆特征集。
详细地，所述角点检测算法简称FAST算法，主要原理是一个像素周围有一定数量的像素与该点像素值不同，则认为其为角点，在本案的角点即为车辆特征点。
所述特征点描述算法又称为BRIEF算法，主要思路就是在特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子。这种方法摈弃了利用区域灰度直方图描述特征点的传统方法，大大的加快了特征描述符建立的速度，同时也极大的降低了特征匹配的时间，所以它是一种非常快速的算法，可应用于满足实时性的系统。
进一步地，计算每个原始车辆特征的所述描述子之间的相似度可采用平方差公式法。
所述二维轨迹计算模块102计算所述车辆特征集的光流信息得到光流信息集，从所述光流信息集中提取车辆的特征轨迹，并汇集所述特征轨迹得到特征二维轨迹集。
较佳地，所述计算所述车辆特征集的光流信息得到光流信息集，包括：
对所述车辆行驶图片集的每个图片进行上采样处理，得到每个图片的图像金字塔；
对所述图像金字塔的顶层图像进行光流计算得到第一光流信息；
将所述第一光流信息作为初始值，传递到所述顶层图像相邻的下层图像，对所述下层图像进行所述光流计算得到第二光流信息；
直至传递至所述图像金字塔的最底层图像，汇总所有光流信息得到光流信息集。
详细地，所述上采样处理是当前已公开的方法，即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素，根据插入新的元素方法可得到本案的图像金字塔。
所述光流计算可采用当前已公开的光流法计算得到。
进一步地，所述特征二维轨迹集包括：
其中，N为所述特征二维轨迹集的轨迹总条数，i为所述特征二维轨迹集内的车辆特征点的轨迹条数，ni是第i条轨迹的车辆特征点个数，是第i条轨迹第n个车辆特征点的像素坐标。
所述三维轨迹计算模块103对所述特征二维轨迹集进行空间投影得到特征三维轨迹集。
较佳地，所述对所述特征二维轨迹集进行空间投影得到特征三维轨迹集包括：
预构建坐标系，将所述车辆特征集内的每个车辆特征点投影至所述坐标系得到特征坐标集，根据预构建的矢量加法逆运算计算所述特征坐标集的逆投影速度；
计算所述特征坐标集的相对高度得到相对高度集；
根据预构建的透视投影矩阵变换方程，将所述像素坐标投影至平行于所述坐标系横轴的区域内得到投影像素坐标，并计算所述投影像素坐标与所述坐标系横轴的平行高度，汇总所述投影像素坐标和所述平行高度得到三维坐标信息集；
将所述三维坐标信息集、所述相对高度集与所述逆投影速度汇集为所述特征三维轨迹集。
详细地，如对于第i条轨迹第n个所述车辆特征点的像素坐标通过透视投影矩阵变换方程，将其重投影至高度为hr且平行于地面的平面，更新所述车辆特征点的三维坐标信息为/>
进一步的，所述计算所述车辆特征点的相对高度的公式为:
其中，v为车辆的平均行驶速度，可采用当前车段的所有车辆的速度计算进行近似得到，Hc为监控摄像头的高度，Hi、vi(2D)分别为第i条所述车辆特征点的轨迹的相对高度、像素速度。
所述车辆风险系数计算模块104根据所述特征三维轨迹集构建特征相似矩阵，对所述特征相似矩阵进行稀疏化处理，得到稀疏分块矩阵，并根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚类，得到聚类矩阵，对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度，根据所述行驶速度计算得到车辆风险系数。
详细的，所述根据所述特征三维轨迹集构建特征相似矩阵，包括：
根据所述特征二维轨迹集的轨迹点计算每条轨迹在图像上的速度v＝{v1,v2…vN}，选取最小的所述特征二维轨迹集的轨迹速度vp所对应的轨迹为参考轨迹tp；
利用计算所述车辆特征点的相对高度的公式计算每条轨迹ti与参考轨迹tp之间的相对高度hi；
构造每条轨迹对应的属性特征向量Fi＝(vi(3D),hr)；
计算不同轨迹之间的相似度Wij，构造出所述特征相似矩阵W，其中：W＝[Wij]N×N
其中i＝1,2…,N；j＝1,2…,N；d(Fi,Fj)2为所述特征二维轨迹集中任意两条轨迹的属性特征向量间的欧式距离。
较佳的，所述对所述特征相似矩阵W进行稀疏化处理，得到稀疏分块矩阵，包括：
若任意一条轨迹ti与参考轨迹tp之间的相对高度hi大于预定义值，将两＝轨迹之间的相似度Wij置0；
将所述特征相似矩阵W通过行和列排序的初等变换，再经过局部调整得到所述分块对角矩阵w。
进一步的，所述根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚，得到到聚类矩阵，包括：
根据所述稀疏分块矩阵w计算其规范化的普拉斯矩阵
计算L的特征值{λi,i＝1,2,N}及其对应的特征向量{Hi,i＝1,2,N}；
计算与Hi对应的指示特征向量Qi，利用Q的前k个最小特征值对应的特征向量进行K-means聚类，得到聚类矩阵。
本发明为了更好的解决复杂交通场景中车辆检测的问题将所述特征二维轨迹集通过空间投影投影至世界坐标系，通过对车辆三维轨迹的分析，选择高度、速度、三维位置信息作为所述车辆特征点的轨迹的三维特征并提取，得到特征三维轨迹集。
详细的，所述对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度包括：
设类别Ci和Cj是所述特征三维轨迹集的聚类结果中的两个类别，两个类别内分别有ni、nj条轨迹，计算每条轨迹的逆投影速度，找到每个类别的最小逆投影速度vi和vj作为类别Ci和Cj的代表速度，将具有最小逆投影速度的所述车辆特征点的轨迹作为该类别的参考轨迹；
比较两个类的代表速度vi和vj，找到最小的代表速度作为该车辆的真实运动速度vT，即参考速度vT＝min(vi,vj)；
将参考类别内的轨迹点高度置零，将其恢复至世界坐标系得出其三维坐标信息(Xi,Yi,0),结合参考速度vT计算出待合并类中轨迹的相对高度hr，将其恢复至世界坐标系得出其三维坐标信息(Xm,Ym,hr)；
计算待合并类别内所述车辆特征点的轨迹与参考特征轨迹的绝对距离，即两轨迹代表点三维位置信息的绝对距离，用DIS(ΔX,ΔY,ΔZ)来表示,其中：
ΔX＝|Xm-Xi|
ΔY＝|Ym-Yi|
ΔZ＝|Zm-0|；
根据ΔZ预先判断车辆可能属于的三维模型类别，再判断ΔX与ΔY是否都在该三维模型内，若ΔX与ΔY满足由ΔZ所给出的三维模型，则记录待合并类别内可以进行处理的所述特征三维轨迹的轨迹条数的参数nc加1，不满足则跳过该轨迹，当待合并类别内的nj条特征点迹都处理完后，若则将两个类别合并，得到合并矩阵；若不满足，不做合并处理，直接输出所述聚类矩阵；
计算所述合并矩阵内的数值，得到所述行驶速度。
经过初始聚类，大部分情况下能够精准的分割车辆，但是由于构造的所述特征相似矩阵的误差，会出现同一辆车的轨道被划分为多个类别的情况，特别是来自大型车辆上的特征三维轨迹，因此，有必要结合刚性运动规律以及车型等先验知识对稀疏谱聚类的聚类结果进行类间合并。
计算所述合并矩阵内的数值，得到所述行驶速度，如通过计算合并矩阵内对角线乘积，行列值等。
详细的，所述根据所述行驶速度计算得到车辆风险系数包括：
当所述行驶速度大于预定义最小速度且小于预定义最大速度，输出所述车辆风险系数“正常”；
当所述行驶速度小于预定义最小速度或大于预定义最大速度，输出所述车辆风险系数“高”。
如图9所示，是本发明实现车辆风险预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如车辆风险预测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如车辆风险预测的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行车辆风险预测等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图9仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的车辆风险预测12是多个指令的组合，在所述处理器10中运行时，可以实现：
基于预构建的特征提取方法，从车辆行驶图片集中提取车辆特征点得到车辆特征集；
计算所述车辆特征集的光流信息得到光流信息集，从所述光流信息集中提取车辆的特征轨迹，并汇集所述特征轨迹得到特征二维轨迹集；
对所述特征二维轨迹集进行空间投影得到特征三维轨迹集；
根据所述特征三维轨迹集构建特征相似矩阵，对所述特征相似矩阵进行稀疏化处理，得到稀疏分块矩阵，并根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚类，得到聚类矩阵；
对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度；
根据所述行驶速度计算得到车辆风险系数。
具体地，所述处理器10对上述指令的具体实现方法可参考图1～7对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，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。
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单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种车辆风险预测方法，其特征在于，所述方法包括：
通过角点检测算法检测车辆行驶图片集内的车辆特征点，得到原始车辆特征集；
通过特征点描述算法计算所述原始车辆特征集内每个原始车辆特征的描述子；
采用平方差公式法计算每个原始车辆特征的所述描述子之间的相似度，根据所述相似度清理所述原始车辆特征集得到所述车辆特征集；
计算所述车辆特征集的光流信息，得到光流信息集，从所述光流信息集中提取车辆的特征轨迹，并汇集所述特征轨迹得到特征二维轨迹集；
预构建坐标系，将所述车辆特征集内的每个车辆特征点投影至所述坐标系得到特征坐标集，根据预构建的矢量加法逆运算计算所述特征坐标集的逆投影速度；
计算所述特征坐标集的相对高度得到相对高度集；
根据预构建的透视投影矩阵变换方程，将像素坐标投影至平行于所述坐标系横轴的区域内得到投影像素坐标，并计算所述投影像素坐标与所述坐标系横轴的平行高度，汇总所述投影像素坐标和所述平行高度得到三维坐标信息集；
将所述三维坐标信息集、所述相对高度集与所述逆投影速度汇集为特征三维轨迹集；
根据所述特征三维轨迹集构建特征相似矩阵，对所述特征相似矩阵进行稀疏化处理，得到稀疏分块矩阵，并根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚类，得到聚类矩阵；
对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度；
根据所述行驶速度计算得到车辆风险系数。
2.如权利要求1所述的车辆风险预测方法，其特征在于，所述计算所述车辆特征集的光流信息得到光流信息集，包括：
对所述车辆行驶图片集的每个图片进行上采样处理，得到每个图片的图像金字塔；
对所述图像金字塔的顶层图像进行光流计算得到第一光流信息；
将所述第一光流信息作为初始值，传递到所述顶层图像相邻的下层图像，对所述下层图像进行所述光流计算得到第二光流信息；
直至传递至所述图像金字塔的最底层图像，汇总所有光流信息得到光流信息集。
3.如权利要求1所述的车辆风险预测方法，其特征在于，所述特征二维轨迹集包括：
其中，N为所述特征二维轨迹集的轨迹总条数，i为所述特征二维轨迹集内的车辆特征点的轨迹条数，ni是第i条轨迹的车辆特征点个数，是第i条轨迹第n个车辆特征点的像素坐标。
4.一种车辆风险预测装置，其特征在于，所述装置包括：
特征提取模块，用于通过角点检测算法检测车辆行驶图片集内的车辆特征点，得到原始车辆特征集；通过特征点描述算法计算所述原始车辆特征集内每个原始车辆特征的描述子；采用平方差公式法计算每个原始车辆特征的所述描述子之间的相似度，根据所述相似度清理所述原始车辆特征集得到所述车辆特征集；
二维轨迹计算模块，用于计算所述车辆特征集的光流信息得到光流信息集，从所述光流信息集中提取车辆的特征轨迹，并汇集所述特征轨迹得到特征二维轨迹集；
三维轨迹计算模块，用于预构建坐标系，将所述车辆特征集内的每个车辆特征点投影至所述坐标系得到特征坐标集，根据预构建的矢量加法逆运算计算所述特征坐标集的逆投影速度；计算所述特征坐标集的相对高度得到相对高度集；根据预构建的透视投影矩阵变换方程，将像素坐标投影至平行于所述坐标系横轴的区域内得到投影像素坐标，并计算所述投影像素坐标与所述坐标系横轴的平行高度，汇总所述投影像素坐标和所述平行高度得到三维坐标信息集；将所述三维坐标信息集、所述相对高度集与所述逆投影速度汇集为特征三维轨迹集；
车辆风险系数计算模块，用于根据所述特征三维轨迹集构建特征相似矩阵，对所述特征相似矩阵进行稀疏化处理，得到稀疏分块矩阵，并根据所述稀疏分块矩阵对所述特征三维轨迹集进行稀疏谱聚类，得到聚类矩阵，对所述聚类矩阵进行类间合并，得到合并矩阵，计算所述合并矩阵内的数值，得到行驶速度，根据所述行驶速度计算得到车辆风险系数。
5.如权利要求4所述的车辆风险预测装置，其特征在于，所述计算所述车辆特征集的光流信息得到光流信息集，包括：
对所述车辆行驶图片集的每个图片进行上采样处理，得到每个图片的图像金字塔；
对所述图像金字塔的顶层图像进行光流计算得到第一光流信息；
将所述第一光流信息作为初始值，传递到所述顶层图像相邻的下层图像，对所述下层图像进行所述光流计算得到第二光流信息；
直至传递至所述图像金字塔的最底层图像，汇总所有光流信息得到光流信息集。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至3中任一项所述的车辆风险预测方法。
7.一种非易失性计算机可读存储介质，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至3中任一项所述的车辆风险预测方法。
CN202010110995.2A 2020-02-22 2020-02-22 车辆风险预测方法、装置、电子设备及可读存储介质 Active CN111311010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010110995.2A CN111311010B (zh) 2020-02-22 2020-02-22 车辆风险预测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010110995.2A CN111311010B (zh) 2020-02-22 2020-02-22 车辆风险预测方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN111311010A CN111311010A (zh) 2020-06-19
CN111311010B true CN111311010B (zh) 2023-07-28

Family

ID=71148028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010110995.2A Active CN111311010B (zh) 2020-02-22 2020-02-22 车辆风险预测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111311010B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860383B (zh) * 2020-07-27 2023-11-10 苏州市职业大学 一种群体异常行为识别方法、装置、设备及存储介质
CN112258547B (zh) * 2020-10-19 2022-09-20 郑州轻工业大学 基于逆透视投影变换和跟车模型的车辆三维轨迹优化方法
CN112232581B (zh) * 2020-10-26 2024-04-12 腾讯科技（深圳）有限公司 驾驶风险的预测方法、装置、电子设备及存储介质
CN112927117B (zh) * 2021-03-22 2022-08-23 上海京知信息科技有限公司 基于区块链的车辆管理通信方法、管理系统、设备及介质
CN115859129B (zh) * 2023-02-27 2023-07-14 南昌工程学院 基于稀疏卫星定位的车辆行驶轨迹相似性度量方法及系统
CN116308763B (zh) * 2023-05-19 2023-09-12 北京泛钛客科技有限公司 基于卷积自编码器的车贷贷后风险预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840660A (zh) * 2017-11-29 2019-06-04 北京四维图新科技股份有限公司 一种车辆特征数据处理方法及车辆风险预测模型训练方法
CN110588648A (zh) * 2019-10-25 2019-12-20 北京行易道科技有限公司 车辆行驶中碰撞危险识别方法、装置、车辆及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107315994B (zh) * 2017-05-12 2020-08-18 长安大学 基于Spectral Clustering空间轨迹的聚类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840660A (zh) * 2017-11-29 2019-06-04 北京四维图新科技股份有限公司 一种车辆特征数据处理方法及车辆风险预测模型训练方法
CN110588648A (zh) * 2019-10-25 2019-12-20 北京行易道科技有限公司 车辆行驶中碰撞危险识别方法、装置、车辆及存储介质

Also Published As

Publication number Publication date
CN111311010A (zh) 2020-06-19

Similar Documents

Publication Publication Date Title
CN111311010B (zh) 车辆风险预测方法、装置、电子设备及可读存储介质
Wu et al. Squeezeseg: Convolutional neural nets with recurrent crf for real-time road-object segmentation from 3d lidar point cloud
US8620026B2 (en) Video-based detection of multiple object types under varying poses
CN111598030A (zh) 一种航拍图像中车辆检测和分割的方法及系统
US11508157B2 (en) Device and method of objective identification and driving assistance device
CN112200131A (zh) 一种基于视觉的车辆碰撞检测方法、智能终端及存储介质
CN113450579B (zh) 速度信息的获取方法、装置、设备及介质
Tang et al. Multiple-kernel based vehicle tracking using 3D deformable model and camera self-calibration
CN115512251A (zh) 基于双分支渐进式特征增强的无人机低照度目标跟踪方法
CN112651881A (zh) 图像合成方法、装置、设备、存储介质以及程序产品
Park et al. Drivable dirt road region identification using image and point cloud semantic segmentation fusion
CN117197388A (zh) 一种基于生成对抗神经网络和倾斜摄影的实景三维虚拟现实场景构建方法及系统
Ouyang et al. PV-EncoNet: Fast object detection based on colored point cloud
CN117197227A (zh) 计算目标车辆偏航角方法、装置、设备以及介质
CN113177432A (zh) 基于多尺度轻量化网络的头部姿态估计方法、系统、设备及介质
CN112434601B (zh) 基于行车视频的车辆违法检测方法、装置、设备及介质
Choe et al. Segment2Regress: Monocular 3D Vehicle Localization in Two Stages.
CN112633089B (zh) 一种视频行人重识别方法、智能终端及存储介质
Schennings Deep convolutional neural networks for real-time single frame monocular depth estimation
CN114463685A (zh) 行为识别方法、装置、电子设备及存储介质
CN113792671A (zh) 人脸合成图像的检测方法、装置、电子设备及介质
Li et al. TFNet: Exploiting Temporal Cues for Fast and Accurate LiDAR Semantic Segmentation
CN113705304A (zh) 一种图像处理方法、装置、存储介质及计算机设备
US20240005535A1 (en) Method for training an image depth recognition model, method for recognizing image depth, and electronic device
WO2023155903A1 (en) Systems and methods for generating road surface semantic segmentation map from sequence of point clouds

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