CN111524350B - 车路协同异常行驶状况检测方法、系统、终端设备及介质 - Google Patents

车路协同异常行驶状况检测方法、系统、终端设备及介质 Download PDF

Info

Publication number
CN111524350B
CN111524350B CN202010297912.5A CN202010297912A CN111524350B CN 111524350 B CN111524350 B CN 111524350B CN 202010297912 A CN202010297912 A CN 202010297912A CN 111524350 B CN111524350 B CN 111524350B
Authority
CN
China
Prior art keywords
track
newly added
abnormal
vehicle
formula
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
CN202010297912.5A
Other languages
English (en)
Other versions
CN111524350A (zh
Inventor
张玲娟
任建强
王宁
冯越
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.)
Dragon Totem Technology Hefei Co ltd
Hubei Xunhua Technology Co ltd
Original Assignee
Langfang Normal University
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 Langfang Normal University filed Critical Langfang Normal University
Priority to CN202010297912.5A priority Critical patent/CN111524350B/zh
Publication of CN111524350A publication Critical patent/CN111524350A/zh
Application granted granted Critical
Publication of CN111524350B publication Critical patent/CN111524350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种车路协同异常行驶状况检测方法、系统、终端设备及介质，方法包括以下步骤：确定检测路段的正常行驶轨迹模式类数；基于场景活动图确定各轨迹模式中心线的初始值；获取新增轨迹集；确定新增轨迹的上、下近似集归属；基于粗糙K均值聚类法，用新增轨迹集对轨迹模式进行增量学习直至各轨迹模式中心线无明显变化；对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类；确认到异常行驶轨迹后触发报警并输出事件的类型及异常行驶的车辆信息；本申请既有效消除了疑似异常轨迹对正常轨迹模式提取精度的不利影响，又有效增强了事件检测和分类性能。

Description

车路协同异常行驶状况检测方法、系统、终端设备及介质
技术领域
本发明涉及监测技术领域，具体涉及车路协同异常行驶状况检测方法、系统、终端设备及介质。
背景技术
车辆跨道行驶、应急车道/路肩非法行车及逆行等违法违规的异常行驶事件严重影响着道路交通安全。基于先进技术手段对监控路段上的车路状态进行估计并对异常行驶事件进行有效检测，不仅能为违章检测提供支持，也能为道路及其设施设计的合理性评估和优化提供支持。近年来，基于视频的异常行驶事件自动检测得到了广泛研究。其中，人工设置虚拟检测线或检测区的方法简单高效，适合于固定参数摄像机监控系统。但对交通监控工程中广泛采用的PTZ(Pan-Tilt-Zoom)摄像机而言，经常会在交通管理中心控制下在线改变焦距、俯角等参数来执行临时观测任务。当恢复常态监控后，摄像机参数往往与改变前不完全一致，此时若仍采用以前的虚拟检测线/区则会造成严重误差，但每次都人工重新标定检测线/区又不切实际。
研究对场景具有自适应能力的检测方法具有重要实用价值，目前此类方法主要分为基于路面标线自动提取和基于正常轨迹模式自动分析的两大类方法。前者自动提取路面标线并根据车辆触线情况来检测异常行驶事件，对实际工程中标线不清晰或没有标线的路段无法使用。后者自动聚类交通流中的正常轨迹模式进而筛选出异常事件，具有更高灵活性和实用性，但已有方法在聚类过程中把包括异常行驶轨迹在内的所有轨迹都硬性划分到某模式类中进行模式中心的更新，很大程度上降低了正常模式提取和异常事件检测的精度。
发明内容
本发明要解决的技术问题是提供车路协同异常行驶状况检测方法、系统、终端设备及介质。
第一方面，本发明提供一种车路协同异常行驶状况检测方法，包括以下步骤：
确定检测路段的正常行驶轨迹模式类数k；每类轨迹模式具有上近似集
Figure GDA0003057959920000021
和下近似集Cl ，其中下近似集Cl 用于存储第l类轨迹模式的正常行驶轨迹样本，1≤l≤k；上近似集
Figure GDA0003057959920000022
和下近似集Cl 的差值为粗糙集边界区域，用于存储第l类轨迹模式的疑似异常轨迹样本；
基于场景活动图确定各轨迹模式中心线的初始值，作为各轨迹模式的初始聚类中心；
获取新增轨迹集，所述新增轨迹集由设定时间内的新增轨迹或设定数量的新增轨迹组成；
确定新增轨迹的上、下近似集归属；
基于粗糙K均值聚类法，用新增轨迹集对轨迹模式进行增量学习直至各轨迹模式中心线无明显变化；
对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类；
确认到异常行驶轨迹后，触发报警，并输出异常行驶轨迹的事件的类型及与异常行驶轨迹对应的车辆信息。
根据本申请实施例提供的技术方案，所述粗糙K均值聚类法的聚类特征为轨迹到轨迹模式中心线的改进Hausdorff距离：
Figure GDA0003057959920000023
公式(一)中，Tj为第j条轨迹，Nj为轨迹Tj的像素级长度，ci(i＝1,2,……,k)为各轨迹模式类的初始聚类中心，k为模式类别数,xa为a点的x轴坐标，ya为a点的y轴坐标，xb为b点的x轴坐标，yb为b点的y轴坐标。
根据本申请实施例提供的技术方案，所述增量学习基于新增轨迹集进行，包括以下步骤：
过滤掉新增轨迹集中的逆行轨迹后，确定各新增轨迹的上、下近似集归属；所述新增轨迹集包括新增轨迹T1,T2,Tx,TN；N为新增轨迹集中的总轨迹数；
采用下式更新各轨迹模式的聚类中心：
Figure GDA0003057959920000031
式中，i＝1,2,……,k，k为模式类数，wl为权值且wl∈[0.5,1]、|.|表示基数。
根据本申请实施例提供的技术方案，通过以下步骤确定新增轨迹Tx的上、下近似集归属：
计算Tx和各轨迹模式的聚类中心ci(i＝1,2,……,k)的改进Hausdorff距离；通过公式(三)找出与Tx距离最短的轨迹模式类m：
h(Tx,cm)＝min(h(Tx,ci))(i＝1,2,……,k)公式(三)
判断Tx满足下述公式(四)时则判定
Figure GDA0003057959920000032
表示第m个模式类的上近似集；
Figure GDA0003057959920000033
Figure GDA0003057959920000034
为各相邻轨迹模式类中心线之间的Hausdorff距离平均值，δ为设定的判定阈值；
Tx若不满足公式(四)，则根据公式(五)判断其是否属于Cm ，Cm 表示第m个模式类的下近似集；
Figure GDA0003057959920000035
λ为判定阈值，1≤λ≤1.5。
根据本申请实施例提供的技术方案，对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类具体包括：
计算第n条疑似异常轨迹Tn与所有轨迹模式中心线的改进Hausdorff距离并提取距离最近和次近的轨迹模式中心线，分别记为cnear1和cnear2；
提取Tn、cnear1和cnear2在车道方向上的最长公共范围子序列
Figure GDA0003057959920000036
和
Figure GDA0003057959920000037
对三个子序列进行q段平分并构造特征向量Fn如公式(六)：
Figure GDA0003057959920000041
Figure GDA0003057959920000042
表示轨迹子序列
Figure GDA0003057959920000043
与轨迹模式中心线子序列
Figure GDA0003057959920000044
之间在第1分段内的改进Hausdorff距离；
根据公式(七)计算Fn与各事件的先验样本Fc特征向量之间的距离：
Figure GDA0003057959920000045
事件包括正常换道事件、跨车道行驶事件和应急车道/路肩行驶事件；c为先验样本号且满足c＝1,2,……,C，C为先验样本集的大小；
确定待分类样本Fn与各事件的K近邻先验样本子集；
基于K近邻先验样本子集中的各类样本数来计算各轨迹模式类别的判别函数值：
gs(Fn)＝κs，s＝1、2........S； 公式(八)
S为事件类别总数，κs为K近邻先验样本子集中的第s类样本的数量；
采用公式(九)来确定待分类样本Fn的事件类别归属：
P＝arg max gs(Fn) 公式(九)。
第二方面，本申请提供一种车路协同异常行驶状况检测方法，包括：
采集模块，配置用于采集检测路段的车辆视频；
轨迹提取模块，从车辆视频中提取车辆行驶轨迹信息；
计算模块，配置用于根据上述的检测方法：
基于场景活动图确定各轨迹模式中心线的初始值，作为各轨迹模式的初始聚类中心；
基于粗糙K均值聚类法和提取的车辆行驶轨迹信息对各轨迹模式进行增量学习直至各轨迹模式中心线无明显变化；
确定提取车辆行驶轨迹信息的上、下近似集归属；
对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类；
报警输出模块，配置用于在所述计算模块确认到异常行驶轨迹后触发报警，并输出异常行驶轨迹的事件类型及与异常行驶轨迹对应的车辆信息。
第三方面，本申请提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的检测方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质有计算机程序，计算机程序被处理器执行时实现如上述的检测方法的步骤。
本发明具有的优点和积极效果是：由于本发明采用如上技术方案，即使用粗糙K均值聚类法聚类时只选取正常行驶的轨迹模式，先确定新增轨迹的上、下近似集归属以初步区分出疑似异常轨迹，再对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类；确认到异常行驶轨迹后触发报警并输出异常行驶轨迹的事件类型及与异常行驶轨迹对应的车辆信息；因此确保了正常轨迹模式的提取，同时通过逐步深层次地区分，最后只需要区分与异常轨迹相似的正常行驶轨迹和真实异常的轨迹，提高了正常行驶轨迹的提取和异常行驶轨迹检测的精度。
本申请将粗糙K-均值聚类学习和KNN分类技术相融合，既有效消除了疑似异常轨迹对正常行驶轨迹提取的不利影响，又可从疑似异常轨迹中分类出真实异常的轨迹，有效增强了事件检测和分类性能。该方法尤其适用于PTZ摄像机监控系统，不受相机参数改变的影响，为违章检测以及其他交通安全管理需求提供有力支持，从而有效提高了交通安全性。
除了上面所描述的本发明解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的优点之外，本发明车路异常行驶状况检测方法、系统、终端设备及存储介质所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征所带来的优点，将结合附图作进一步详细的说明。
附图说明
图1是本申请实施例1的流程图；
图2跨道行驶车辆和跨道行驶轨迹的示意图；
图3应急车道行驶车辆和应急车道行驶轨迹的示意图；
图4正常换道行驶车辆和正常换道行驶轨迹的示意图；
图5是本申请实施例2的原理框图；
图6是本申请实施例3的原理框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
如图1所示，本发明实施例1提供一种车路协同异常行驶状况检测方法，包括以下步骤：
S1.确定检测路段的正常行驶轨迹模式类数k；例如对于单向3车道的路段来说，其正常行驶轨迹模式类数k等于3；
S2.基于场景活动图确定各轨迹模式中心线的初始值，作为各轨迹模式的初始聚类中心；
场景活动图例如可以通过在被检测路段获取一段视频；然后提取出该段视频中的每一帧图像，对相邻的视频帧图像做帧间差分即可把视频中活动的车辆提取出来；对所有视频帧差做均值即可得到视频中的车辆流动线，各条车辆流动线即可作为各轨迹模式中心线的初始值；
上述轨迹模式中心线的初始值的获取方式，相对于随机确定的轨迹模式中心，有效避免了随机选取的盲目性；
对于有清晰标线的场景，正常轨迹模式类与车道吻合，可以将轨迹模式的提取分析转化为车道提取分析，便于算法性能的定性和定量评价；
S3.获取新增轨迹得到新增轨迹集；新增轨迹从相机采集的视频帧图像中获取，某一辆车的轨迹即为其在图像1至图像w中的坐标位置组成，其中图像1为该车辆初始进入相机摄像范围内的1帧图像,图像w为该车辆最后进入相机摄像范围内的1帧图像；新增轨迹集可以是获取的一定数量的轨迹组成，也可以是获取的一段时间内轨迹组成，例如获取100条轨迹后，将该100条轨迹收录一个新增轨迹集中，或者将1个小时内的轨迹收录一个新增轨迹集中；
S4.确定新增轨迹的上、下近似集归属；具体包括：
S41.过滤掉新增轨迹集中的逆行轨迹；
以Tx(1≤x≤N)，表示任意一条新增轨迹，N为新增轨迹集中的轨迹总数；其方向特征可基于轨迹起讫点计算得到，以顺车流场景为例，方向特征可定义为:
Figure GDA0003057959920000071
上式中，
Figure GDA0003057959920000072
和
Figure GDA0003057959920000073
分别为Tx的起点和终点的图像纵坐标；DTx为负数则可直接判定为逆行轨迹，可直接发出逆行报警并记录该车辆信息。
S42.计算Tx和各轨迹模式聚类中心ci(i＝1,2,……,k)的改进Hausdorff距离；并通过公式(三)找出与Tx距离最短的轨迹模式类m：
h(Tx,cm)＝min(h(Tx,ci))(i＝1,2,……,k) 公式(三)
判断Tx满足下述公式(四)时，则判断
Figure GDA0003057959920000074
表示第m个模式类的上近似集；
Figure GDA0003057959920000075
Figure GDA0003057959920000076
为各相邻模式类中心线之间的Hausdorff距离平均值，δ为设定的判定阈值；在本实施例中δ为
Figure GDA0003057959920000077
Tx若不满足公式(四)，则根据公式(五)判断其是否属于Cm ；Cm 表示第m个模式类的下近似集；
Figure GDA0003057959920000078
λ为判定阈值，1≤λ≤1.5。
S5.基于粗糙K均值聚类法，用新增轨迹集对轨迹模式进行增量学习直至各轨迹模式中心线无明显变化，此时说明各轨迹模式中心较为稳定，与实际贴合；
每类轨迹模式具有上近似集
Figure GDA0003057959920000079
和下近似集Cl ，，其中下近似集Cl 用于存储第l类轨迹模式的正常行驶轨迹样本，1≤l≤k；上近似集
Figure GDA00030579599200000710
和下近似集Cl 的差值为粗糙集边界区域，用于存储第l类轨迹模式的疑似异常轨迹样本；
在本实施例中，所述粗糙K均值聚类法的聚类特征为轨迹到轨迹模式中心线的改进Hausdorff距离：
Figure GDA0003057959920000081
公式(一)中，Tj为第j条轨迹，Nj为轨迹Tj的像素级长度，ci(i＝1,2,……,k)为各轨迹模式类的初始聚类中心，k为模式类别数；xa为a点的x轴坐标，ya为a点的y轴坐标，xb为b点的x轴坐标，yb为b点的y轴坐标。改进Hausdorff距离作为聚类特征，有效保证了聚类的准确性。a为Tj上的像素点，b为ci上的像素点。
例如所述新增轨迹集包括新增轨迹T1,T2,Tx,TN；N为新增轨迹集中的总轨迹数；
采用下式更新各轨迹模式的聚类中心：
Figure GDA0003057959920000082
式中，i＝1,2,……,k，k为模式类数，wl为权值且wl∈[0.5,1]、|.|表示基数，也即|Ci |，
Figure GDA0003057959920000083
表示基数。不同轨迹模式的聚类中心ci在更新时采用的权值wl可由人工设定。
每次更新时，下近似集内的轨迹被赋予较大权重，边界区域内的轨迹被赋予较小权重，有效克服疑似异常轨迹对正常行驶轨迹提取的不利影响。
若更新前后的各轨迹模式的聚类中心均无明显变化，则认为各轨迹模式类已达到稳定，学习过程结束，在以后的每次处理中不再更新该轨迹模式的聚类中心，仅在过滤新增轨迹并计算各轨迹的上、下近似集归属之后便执行下一步操作。
S6.对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类；具体包括：
S61.计算第n条疑似异常轨迹Tn与所有轨迹模式中心线的改进Hausdorff距离并提取距离最近和次近的模式中心线，分别记为cnear1和cnear2；
S62.提取Tn、cnear1和cnear2在车道方向上的最长公共范围子序列
Figure GDA0003057959920000084
Figure GDA0003057959920000085
和
Figure GDA0003057959920000086
S63.对三个子序列进行q段平分并构造特征向量Fn如公式(六)：
Figure GDA0003057959920000091
Figure GDA0003057959920000092
表示轨迹子序列
Figure GDA0003057959920000093
与模式中心线子序列
Figure GDA0003057959920000094
之间在第1分段内的改进Hausdorff距离；
Figure GDA0003057959920000095
表示轨迹子序列
Figure GDA0003057959920000096
与模式中心线子序列
Figure GDA0003057959920000097
之间在第1分段内的改进Hausdorff距离；特征向量Fn内其他数值的含义也以此类推；
若第n条疑似异常轨迹Tn为正常换道轨迹，
Figure GDA0003057959920000098
至
Figure GDA0003057959920000099
逐渐变大/逐渐变小，而
Figure GDA00030579599200000910
至
Figure GDA00030579599200000911
逐渐变小/逐渐变大；
若第n条疑似异常轨迹Tn为跨道轨迹；
Figure GDA00030579599200000912
与
Figure GDA00030579599200000913
的差值小于设定值，且
Figure GDA00030579599200000914
与
Figure GDA00030579599200000915
之和等于相邻模式类的间距；1≤h≤q；
若第n条疑似异常轨迹Tn为应急车道或路肩上行驶的车辆轨迹；
Figure GDA00030579599200000916
小于
Figure GDA00030579599200000917
且
Figure GDA00030579599200000918
大于相邻轨迹模式类间距的一半。
由此可见，特征向量Fn能够很好地体现正常换道轨迹以及不同类别的异常事件轨迹之间的差异。
S64.根据公式(七)计算Fn与各事件的先验样本特征向量Fc之间的距离：
Figure GDA00030579599200000919
事件包括正常换道事件、跨车道行驶事件和应急车道/路肩行驶事件；初始的各事件先验样本集通过半人工标定方式获得；c为先验样本号且满足c＝1,2，......C，C为先验样本集的大小；
S65.自动将与待分类样本Fn距离最近的K个先验样本构成K近邻先验样本子集；
S66.基于K近邻先验样本子集中的各类样本数来计算各轨迹模式类别的判别函数值：
gs(Fn)＝κs，s＝1、2........S； 公式(八)
S为事件类别总数，在本实施例中，S＝3；κs为K近邻先验样本子集中的第s类样本的数量；
S67.采用公式(九)来确定待分类样本Fn的事件类别归属：
P＝arg max gs(Fn) 公式(九)
K近邻先验样本子集中的样本数量最多，表示待分类样本Fn与该样本最近似，由此确定轨迹Tn的事件归属与该样本相同。
S7.确认到异常行驶轨迹后,触发报警,并输出常行驶轨迹的事件类型及与常行驶轨迹对应的车辆信息。
如图2-图4分别为用本实施例识别出的跨道行驶车辆和跨道行驶轨迹、应急车道行驶车辆和应急车道行驶轨迹、正常换道行驶车辆和正常换道行驶轨迹的示意图；各个图中的阿拉伯数字1,2,3表示视频帧的采集先后顺序。
实施例2
如图5所示本实施例提供一种车路异常行驶状况检测系统，包括：
采集模块10，配置用于采集检测路段的车辆视频；在本实施例中，采集模块10采用交通监控工程中广泛采用的PTZ(Pan-Tilt-Zoom)摄像机，该相机经常会在交通管理中心控制下在线改变焦距、俯角等参数来执行临时观测任务；在本方案中，不依赖于相机的参数设置，不管相机的参数如何改变，都可以通过获取新增轨迹来实行检测；
轨迹提取模块20，从车辆视频中提取车辆行驶轨迹信息；
计算模块30，配置用于根据实施例1所述的检测方法：
基于场景活动图确定各轨迹模式中心线的初始值，作为各轨迹模式的初始聚类中心；
基于粗糙K均值聚类法和提取的车辆行驶轨迹信息对各轨迹模式进行增量学习直至各轨迹模式中心线无明显变化；
确定提取车辆行驶轨迹信息的上、下近似集归属；
对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类；
报警输出模块40，配置用于在所述计算模块确认到异常行驶轨迹后触发报警，并输出异常行驶轨迹的事件的类型及与异常行驶轨迹对应的车辆信息。
实施例3
本申请还提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述实施例一所示的异常轨迹检测方法的步骤。
如图6所示：终端设备包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有系统操作所需的各种程序和数据。CPU 801、ROM802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本发明的实施例，上文参考流程图1描述的过程可以被实现为计算机软件程序。例如，本发明的实施例二至八包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例一的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一生成模块、获取模块、查找模块、第二生成模块及合并模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块还可以被描述为“用于在该基础表中获取多个待探测实例的获取模块”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的货物集中派送方法。
例如，所述电子设备可以实现如图1中所示的步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。
以上结合附图对本发明的实施方式作出详细说明，但本发明不局限于所描述的实施方式。对于本领域的普通技术人员而言，在不脱离本发明的原理和精神的情况下对这些实施方式进行多种变化、修改、替换和变形仍落入在本发明的保护范围内。

Claims (7)

1.一种车路协同异常行驶状况检测方法，其特征在于，包括以下步骤：
确定检测路段的正常行驶轨迹模式类数k；每类轨迹模式具有上近似集
Figure FDA0003009891070000011
和下近似集Cl ，其中下近似集Cl 用于存储第l类轨迹模式的正常行驶轨迹样本，1≤l≤k；上近似集
Figure FDA0003009891070000012
和下近似集Cl 的差值为粗糙集边界区域，用于存储第l类轨迹模式的疑似异常轨迹样本；
基于场景活动图确定各轨迹模式中心线的初始值，作为各轨迹模式的初始聚类中心；
获取新增轨迹集，所述新增轨迹集由设定时间内的新增轨迹或设定数量的新增轨迹组成；
确定新增轨迹的上、下近似集归属；
基于粗糙K均值聚类法，用新增轨迹集对轨迹模式进行增量学习直至各轨迹模式中心线无明显变化；
对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹，采用KNN分类器进行异常确认和分类；
确认到异常行驶轨迹后，触发报警，并输出异常行驶轨迹的事件类型及异常行驶轨迹对应的车辆信息；
所述新增轨迹的上、下近似集归属通过以下步骤确定：
计算Tx和各轨迹模式的聚类中心ci(i＝1,2,……,k)的改进Hausdorff距离；通过公式(三)找出与Tx距离最短的轨迹模式类m：其中Tx为新增轨迹；
h(Tx,cm)＝min(h(Tx,ci))(i＝1,2,……,k) 公式(三)
判断Tx满足下述公式(四)时则判定
Figure FDA0003009891070000013
Figure FDA0003009891070000014
表示第m个模式类的上近似集；m＝1,2,……,k；
Figure FDA0003009891070000015
Figure FDA0003009891070000016
为各相邻轨迹模式类中心线之间的Hausdorff距离平均值，δ为设定的判定阈值；
Tx若不满足公式(四)，则根据公式(五)判断其是否属于Cm ，Cm 表示第m个模式类的下近似集；
Figure FDA0003009891070000021
λ为判定阈值，1≤λ≤1.5。
2.根据权利要求1所述的一种车路协同异常行驶状况检测方法，其特征在于，所述粗糙K均值聚类法的聚类特征为轨迹到轨迹模式中心线的改进Hausdorff距离：
Figure FDA0003009891070000022
公式(一)中，Tj为第j条轨迹，Nj为轨迹Tj的像素级长度，ci(i＝1,2,……,k)为各轨迹模式类的初始聚类中心，k为模式类别数,xa为a点的x轴坐标，ya为a点的y轴坐标，xb为b点的x轴坐标，yb为b点的y轴坐标。
3.根据权利要求1所述的一种车路协同异常行驶状况检测方法，其特征在于，所述增量学习基于新增轨迹集进行，包括以下步骤：
过滤掉新增轨迹集中的逆行轨迹后，确定各新增轨迹的上、下近似集归属；所述新增轨迹集包括新增轨迹T1,T2,Tx,TN；N为新增轨迹集中的总轨迹数；
采用下式更新各轨迹模式的聚类中心：
Figure FDA0003009891070000023
式中，i＝1,2,……,k，k为模式类数，wl为权值且wl∈[0.5,1]、|.|表示基数。
4.根据权利要求1-3任意一项所述的一种车路协同异常行驶状况检测方法，其特征在于，对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类具体包括：
计算第n条疑似异常轨迹Tn与所有轨迹模式中心线的改进Hausdorff距离并提取距离最近和次近的轨迹模式中心线，分别记为cnear1和cnear2；
提取Tn、cnear1和cnear2在车道方向上的最长公共范围子序列Tn 0/0、
Figure FDA0003009891070000024
和
Figure FDA0003009891070000025
对三个子序列进行q段平分并构造特征向量Fn如公式(六)：
Figure FDA0003009891070000026
Figure FDA0003009891070000031
表示轨迹子序列
Figure FDA0003009891070000032
与轨迹模式中心线子序列
Figure FDA0003009891070000033
之间在第1分段内的改进Hausdorff距离；
根据公式(七)计算Fn与各事件的先验样本Fc特征向量之间的距离：
Figure FDA0003009891070000034
事件包括正常换道事件、跨车道行驶事件和应急车道/路肩行驶事件；c为先验样本号且满足c＝1,2,……,C，C为先验样本集的大小；
确定待分类样本Fn与各事件的K近邻先验样本子集；
基于K近邻先验样本子集中的各类样本数来计算各轨迹模式类别的判别函数值：
gs(Fn)＝κs，s＝1、2........S； 公式(八)
S为事件类别总数，κs为K近邻先验样本子集中的第s类样本的数量；
采用公式(九)来确定待分类样本Fn的事件类别归属：
P＝arg max gs(Fn) 公式(九)。
5.一种车路协同异常行驶状况检测系统，其特征在于，包括：
采集模块，配置用于采集检测路段的车辆视频；
轨迹提取模块，从车辆视频中提取车辆行驶轨迹信息；
计算模块，配置用于根据权利要求1-4任意一项所述的检测方法：
基于场景活动图确定各轨迹模式中心线的初始值，作为各轨迹模式的初始聚类中心；
基于粗糙K均值聚类法和提取的车辆行驶轨迹信息对各轨迹模式进行增量学习直至各轨迹模式中心线无明显变化；
确定提取车辆行驶轨迹信息的上、下近似集归属；
对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹，采用KNN分类器进行异常确认和分类；
报警输出模块，配置用于在所述计算模块确认到异常行驶轨迹后触发报警，并输出异常行驶轨迹的事件类型及与异常行驶轨迹对应的车辆信息；
所述计算模块具体配置用于通过以下步骤确定所述新增轨迹的上、下近似集归属：
计算Tx和各轨迹模式的聚类中心ci(i＝1,2,……,k)的改进Hausdorff距离；通过公式(三)找出与Tx距离最短的轨迹模式类m：其中Tx为新增轨迹；
h(Tx,cm)＝min(h(Tx,ci))(i＝1,2,……,k) 公式(三)
判断Tx满足下述公式(四)时则判定
Figure FDA0003009891070000041
Figure FDA0003009891070000042
表示第m个模式类的上近似集；m＝1,2,……,k；
Figure FDA0003009891070000043
Figure FDA0003009891070000044
为各相邻轨迹模式类中心线之间的Hausdorff距离平均值，δ为设定的判定阈值；
Tx若不满足公式(四)，则根据公式(五)判断其是否属于Cm ，Cm 表示第m个模式类的下近似集；
Figure FDA0003009891070000045
λ为判定阈值，1≤λ≤1.5。
6.一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如权利要求1-4任意一项所述的检测方法的步骤。
7.一种计算机可读存储介质，计算机可读存储介质有计算机程序，计算机程序被处理器执行时实现如权利要求1-4任意一项所述的检测方法的步骤。
CN202010297912.5A 2020-04-16 2020-04-16 车路协同异常行驶状况检测方法、系统、终端设备及介质 Active CN111524350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010297912.5A CN111524350B (zh) 2020-04-16 2020-04-16 车路协同异常行驶状况检测方法、系统、终端设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010297912.5A CN111524350B (zh) 2020-04-16 2020-04-16 车路协同异常行驶状况检测方法、系统、终端设备及介质

Publications (2)

Publication Number Publication Date
CN111524350A CN111524350A (zh) 2020-08-11
CN111524350B true CN111524350B (zh) 2021-06-22

Family

ID=71902971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010297912.5A Active CN111524350B (zh) 2020-04-16 2020-04-16 车路协同异常行驶状况检测方法、系统、终端设备及介质

Country Status (1)

Country Link
CN (1) CN111524350B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221677B (zh) * 2021-04-26 2024-04-16 阿波罗智联(北京)科技有限公司 一种轨迹异常检测方法、装置、路侧设备和云控平台
CN113965618B (zh) * 2021-10-19 2024-02-23 安徽师范大学 基于模糊理论的异常轨迹检测方法
CN117150431B (zh) * 2023-08-31 2024-06-11 南京领行科技股份有限公司 行驶轨迹融合方法、装置、服务器以及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719220A (zh) * 2009-12-02 2010-06-02 北京航空航天大学 基于有向截尾均值距离的轨迹聚类方法
CN102201065A (zh) * 2011-05-16 2011-09-28 天津大学 基于轨迹分析的监控视频异常事件检测方法
CN102811343A (zh) * 2011-06-03 2012-12-05 南京理工大学 一种基于行为识别的智能视频监控系统
CN102855638A (zh) * 2012-08-13 2013-01-02 苏州大学 基于谱聚类的车辆异常行为检测方法
CN103605362A (zh) * 2013-09-11 2014-02-26 天津工业大学 基于车辆轨迹多特征的运动模式学习及异常检测方法
CN103903019A (zh) * 2014-04-11 2014-07-02 北京工业大学 一种多车道车辆轨迹时空图的自动生成方法
WO2017123665A1 (en) * 2016-01-11 2017-07-20 Netradyne Inc. Driver behavior monitoring
WO2019180551A1 (en) * 2018-03-19 2019-09-26 Derq Inc. Early warning and collision avoidance

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101277429B (zh) * 2007-03-27 2011-09-07 中国科学院自动化研究所 监控中多路视频信息融合处理与显示的方法和系统
CN101325004B (zh) * 2008-08-01 2011-10-05 北京航空航天大学 一种实时交通信息的数据补偿方法
US9754428B2 (en) * 2013-09-16 2017-09-05 Fleetmatics Ireland Limited Interactive timeline interface and data visualization

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719220A (zh) * 2009-12-02 2010-06-02 北京航空航天大学 基于有向截尾均值距离的轨迹聚类方法
CN102201065A (zh) * 2011-05-16 2011-09-28 天津大学 基于轨迹分析的监控视频异常事件检测方法
CN102811343A (zh) * 2011-06-03 2012-12-05 南京理工大学 一种基于行为识别的智能视频监控系统
CN102855638A (zh) * 2012-08-13 2013-01-02 苏州大学 基于谱聚类的车辆异常行为检测方法
CN103605362A (zh) * 2013-09-11 2014-02-26 天津工业大学 基于车辆轨迹多特征的运动模式学习及异常检测方法
CN103903019A (zh) * 2014-04-11 2014-07-02 北京工业大学 一种多车道车辆轨迹时空图的自动生成方法
WO2017123665A1 (en) * 2016-01-11 2017-07-20 Netradyne Inc. Driver behavior monitoring
WO2019180551A1 (en) * 2018-03-19 2019-09-26 Derq Inc. Early warning and collision avoidance

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Lane Detection in Video一Based Intelligent Transportation Monitoring via Fast Extracting and Clustering of Vehicle Motion Trajectories;任建强 等;《Mathematical Problems in Engineering》;20140710;正文第5节 *
异常轨迹数据预警与预测关键技术综述;仇功达 等;《系统仿真学报》;20171130;正文第1-10页 *

Also Published As

Publication number Publication date
CN111524350A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
Aboah A vision-based system for traffic anomaly detection using deep learning and decision trees
CN111524350B (zh) 车路协同异常行驶状况检测方法、系统、终端设备及介质
CN111652912B (zh) 车辆计数方法和系统、数据处理设备及智能拍摄设备
CN112750150B (zh) 基于车辆检测和多目标跟踪的车流量统计方法
Shirazi et al. Vision-based turning movement monitoring: count, speed & waiting time estimation
Xu et al. Dual-mode vehicle motion pattern learning for high performance road traffic anomaly detection
US7298394B2 (en) Method and apparatus for processing pictures of mobile object
CN111753797B (zh) 一种基于视频分析的车辆测速方法
CN111800507A (zh) 一种交通监控方法及交通监控系统
CN106934817B (zh) 基于多属性的多目标跟踪方法及装置
CN103116987A (zh) 一种基于监控视频处理的车流统计和违规检测的方法
CN107886055A (zh) 一种用于车辆运动方向判定的逆行检测方法
JP2023527265A (ja) 交通異常を検出する方法および装置、電子機器、記憶媒体並びにコンピュータプログラム
Chang et al. Video analytics in smart transportation for the AIC'18 challenge
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN113011331A (zh) 机动车是否礼让行人的检测方法、装置、电子设备及介质
CN114360261B (zh) 车辆逆行的识别方法、装置、大数据分析平台和介质
CN114494998B (zh) 一种车辆数据智能分析方法及系统
CN111860383B (zh) 一种群体异常行为识别方法、装置、设备及存储介质
KR102494953B1 (ko) 딥러닝 기반 온-디바이스 실시간 교통제어 시스템
CN112562315A (zh) 一种获取车流信息的方法、终端及存储介质
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备
CN113538968B (zh) 用于输出信息的方法和装置
CN111627224A (zh) 车辆速度异常检测方法、装置、设备及存储介质
CN113743316A (zh) 基于目标检测的车辆加塞行为识别方法、系统及装置

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
TR01 Transfer of patent right

Effective date of registration: 20231016

Address after: No. 1, 7th Floor, Building B7, Phase II, Financial Backstage Service Center Base Construction Project, No. 77 Guanggu Avenue, Dongyi Industrial Park, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee after: HUBEI XUNHUA TECHNOLOGY Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231016

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 065000 AI min Xi Road, Langfang, Hebei Province, No. 100

Patentee before: LANGFANG TEACHERS' College

TR01 Transfer of patent right