CN112365706A - 一种基于多源信息的异常车距辨识方法 - Google Patents
一种基于多源信息的异常车距辨识方法 Download PDFInfo
- Publication number
- CN112365706A CN112365706A CN202010958545.9A CN202010958545A CN112365706A CN 112365706 A CN112365706 A CN 112365706A CN 202010958545 A CN202010958545 A CN 202010958545A CN 112365706 A CN112365706 A CN 112365706A
- Authority
- CN
- China
- Prior art keywords
- distance
- vehicle
- abnormal
- vehicle distance
- lane
- 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
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源信息的异常车距辨识方法,通过路侧雷视设备采集监测路段内的道路及车辆信息,获取监测路段内所有目标车辆的位置信息,对所有目标车辆的位置信息进行处理,得到同一条车道上所有目标车辆之间的前后距离Li并建立每一条车道的车距高斯正态分布模型;基于车道车距高斯正态分布模型确定当前状态下的疑似异常车距的判定阈值Lis;将同一条车道内目标车辆之间的前后车距Li与判定距离Lis进行比较,并将前后车距Li不大于判定距离Lis的车辆的信息,输入到下一步的针对疑似异常车距的判定系统中作进一步异常判定;基于安全跟车距离阈值Lmax,对筛选出的疑似异常车距的目标车辆进行异常判定。
Description
技术领域
本发明属于智能交通系统车路协同主动安全领域,尤其是一种基于多源信息的异常车距辨识方法。
背景技术
随着社会经济的飞速发展,人民对于生活质量的要求也在不断提高。汽车作为出行的代步工具、货物的运载工具,其保有量也在不断增加。但是,随之而来的一系列交通安全问题也引发了政府高度重视。研究表明,如果能在事故发生前几秒及时检测和发现道路中车辆的异常跟车行为,通过有效的措施处理消除异常行为,并将异常行为的相关信息告知附近车辆,则可有效避免90%的汽车追尾事故和60%的汽车正面对撞事故。因此及时有效地检测出车辆异常跟车行为对减小交通事故发生率,挽救生命和财产损失,提高交通安全性具有重大意义。
传统的车辆行为检测主要依赖于人工手段,如车辆巡逻、目击者举报或者人为观看监控视频。这些方法虽然简单直接,但需要占用大量的时间和精力。随着传感器技术、计算机视觉技术、图像处理技术等的不断发展,雷视设备得到了广泛的应用。目前,基于此类设备的异常车距检测方法,无论是从距离上比较(申请公布号CN105336217A等)还是从时间上比较(申请公布号CN110969895A等),他们都只是对单一项进行比较,虚警率比较高。
发明内容
为了解决现有技术中的不足,本发明提出了一种基于多源信息的异常车距辨识方法,可以对跟车异常的车辆进行分级研判,并且在安全阈值的计算上也融合了人、车、路以及环境等因素,特别是在最终异常车距的判定上,不仅根据车距这一静态参数,还通过加速度这一动态参数对结果进行修正。较好地缓解了传统安全距离阈值设定的不合理性,以及异常车距判定的单一性,在很大程度上减少了虚警现象的发生。
本发明所采用的技术方案如下:
一种基于多源信息的异常车距辨识方法,利用毫米波雷达和视觉传感器协同工作采集监测路段内的道路及车辆信息且得到输出目标车辆的车道信息和车辆的前后距离信息,得到同一条车道上所有目标车辆之间的前后距离Li并建立每一条车道上目标车辆的车距高斯正态分布模型;在车道车距高斯正态分布模型的基础上确定当前状态下的疑似异常车距的判定阈值Lis;
将同一条车道内目标车辆之间的前后车距Li与判定距离Lis进行比较,若车距Li大于判定距离Lis的车辆,进行持续跟踪、统计车距的变化并实时进行车距比对;车距Li不大于判定距离Lis的车辆,保存相关车辆的类别、速度以及加速度等信息,并输入到下一步的针对疑似异常车距的判定系统中作进一步异常判定;
基于多源信息确定跟车异常距离阈值La,对筛选出的疑似异常车距的目标车辆进行异常研判。
进一步,通过雷视一体机采集目标车辆的车道信息、车辆的前后距离信息、
进一步,通过对目标车辆的车道信息以及前后车距信息进行处理计算出各车道的平均车距,并通过车道的区间平均车距建立各车道的车距高斯正态分布模型。
进一步,确定疑似异常车距的判定阈值Lis的方法为:在各个车道的车距高斯正态分布模型上取异常车距发生率,当车道的车距高斯正态分布模型与横坐标所围成的面积等于异常车距发生率时所对应的车距选为疑似异常车距的判定阈值Lis。
进一步,通过雷视一体机采集目标车辆的长度、速度和加速度,并通过公路气象监测系统获取当前路段的视觉能见度、天气状况、路面温度和湿度。确定疑似异常车辆的跟车异常距离阈值La:
其中,C为天气能见度修正系数,H为路面温湿度修正系数,a为轿车在良好路面的制动减速度,l前、l后为前、后车辆长度修正系数,Ss为停车时安全间距,t1为驾驶员反映时间,t2为制动协调时间、t3为制动减速度增长时间,v后为后车速度、v前为前车速度。进一步,最终异常车距判定的过程为:
对于车距L不大于跟车异常距离阈值La的车辆,再对前后车辆的加速度α前车、α后车进行比较,如果α前车>α后车则表明车距未达到危险,不予异常报警,如果α前车≤α后车则表明此时的车距为异常车距,通过预警系统向相关车辆发送预警信息,提醒驾驶员制动减速,当车距脱离疑似范围后警报解除。
本发明的有益效果:
1、对于异常跟车距离的辨识进行分级研判,第一步根据建立的车距高斯模型结合平均车速、历史数据以及容错率,挑出疑似异常的车距,而第二次的阈值计算也仅对疑似车距进行,这在很大程度上减少了系统的计算量,提高了检测预警的实时性。
2、在跟车异常距离阈值计算系统计算中融合了环境等参数信息,针对不同条件下地面的附着能力以及视觉能见度等因素对安全车距的影响,通过公路气象监测系统监控路面变化以及环境视觉变化,并根据这些环境的变化通过修正系数实时改变异常判定阈值提高了系统的合理性,判别精度更高。
3、本发明在对疑似车距进行判别时,不仅根据静态参数车距之间的比较,还在此基础上融合了车辆的加速度这一表征动态趋势的参数信息,在进行异常判定时减少了虚警或频繁报警的现象发生,这使得系统误判率更低、可靠性更强。
附图说明
图1是本发明车距异常行为检测流程图示意图;
图2是车道的车距高斯正态分布模型;
图3是疑似异常判定示意图;
图4是安全阈值计算系统原理流程图。
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用于解释本发明,并不用于限定本发明。
如图1所示的一种基于多源信息的异常车距辨识方法,包括如下步骤:
步骤1,多源数据信息的获取,具体为:
利用雷视一体机采集监测路段内的车辆信息,具体为:在监测路段相应位置处架设雷视一体机并对其进行标定,通过利用雷视一体机中毫米波雷达和视觉传感器协同工作采集监测路段内的目标车辆的长度、目标车辆相对于一体机的速度、加速度以及横、纵向距离。
利用公路气象监测系统采集监测路段内的道路环境与天气环境信息,具体为:在监测路段内架设公路气象监测系统,通过该系统对附近的能见度、路面温度和湿度以及天气状况等信息进行采集。
步骤2,判断监测路段内跟车疑似异常的车辆,具体过程为:
步骤2.1,进入监测路段内的所有车辆都是待识别的目标车辆,根据雷视一体机输出的某一时刻监测路段内所有目标车辆的位置,得到同一条车道上所有目标车辆之间的前后距离Li,i=1、2、…、m,m为监测路段车道内检测到的车距数,并建立每一条车道上目标车辆的车距高斯正态分布模型,如图2所示,考虑到在相对稳定的车速条件下,各个目标车辆之间的距离大部分都处在一个相对比较固定的区间内。比如在高速公路上车辆的速度处在100km/h左右时,车距的分布也都处在100m左右,因此可以认为车辆间的距离服从高斯正态分布L~N(μ,σ2)。通过对监测区间目标车辆车道信息以及前后车距信息的处理,计算出各车道的平均车距,并通过车道的区间平均车距建立车道的车距高斯正态分布模型如图2所示的曲线抛物线,采用极大似然估计法求取模型的参数。
步骤2.2,根据海量历史数据分析确定在不同车道平均车速下的车距区间分布情况,考虑到异常车距的存在以及异常车距的检测误差,取异常车距发生率为0.1,从而确定不同车道平均车速下的疑似异常车距的判定阈值Lis。在车距异常辨识过程中对雷视一体机获取到的监测路段内车辆速度进行处理,获取各车道的平均车速信息,在车道车距高斯正态分布模型的基础上确定当前状态下的疑似异常车距的判定阈值Lis(即在车道车距高斯正态分布模型中,当阴影面积S为0.1时,对应的车距选为异常车距的判定阈值Lis)。通过采集到的测试样本数据集对此模型进行测试,不断修正此疑似异常车距的判定阈值Lis。
步骤2.3,将同一条车道内目标车辆之间的前后车距Li与判定距离Lis进行比较,若车距Li大于判定距离Lis的车辆,进行持续跟踪、统计车距的变化并实时进行车距比对;车距Li不大于判定距离Lis的车辆,保存相关车辆的类别、速度以及加速度等信息,并输入到下一步的针对疑似异常车距的判定系统中作进一步异常判定如图3。
步骤3,对筛选出的疑似异常车距的目标车辆进行最终异常研判;具体过程为:
步骤3.1,如图4基于疑似异常车距目标车辆的相关信息和当前监测路段的环境状况计算此时状态下的跟车异常距离阈值La;由于影响最小安全行车距离的因素很多,但基本上都可以被概括为“人—车—路—环境”这四个方面,因此要构建一个以车为基础、以人为核心、以路及环境为导向的临界安全车距模型。具体过程为:
步骤3.1.1,以车为基础就是首先从汽车的制动性能入手。在车辆跟驰过程中,前车遇到紧急状况进行制动,后车进行识别并相应地采取制动措施。满足如下的代数关系:
Lw=S后-S前+Ss
其中:Lw为临界车距,S后为后车制动距离,S前为前车制动距离,Ss为停车时安全间距。
步骤3.1.2,以人为核心就是围绕驾驶员特征进行重点参数优化。对于后车的制动距离主要包括了制动反应阶段距离l1、制动协调阶段距离l2、制动力增长阶段距离l3以及全力制动直至停车阶段距离l4。即
其中:t1为驾驶员反映时间,t2为制动协调时间、t3为制动减速度增长时间、v后为后车速度、a后为后车制动减速度。
步骤3.1.3,考虑到当后车开始制动是以前车制动尾灯亮起为信号,所以对于前车的制动距离只包括全力制动直至停车阶段的距离l4。即
其中:v前为前车速度、a前为前车制动减速度。
步骤3.1.4,结合步骤3.1.1、步骤3.1.2、步骤3.1.3,临界车距Lw可以表示为
步骤3.1.5,在临界车距Lw的基础上综合当前道路及环境状况计算跟车异常距离阈值La,La表示为:
其中,C为天气能见度修正系数,H为路面温湿度修正系数,a为轿车在良好路面的制动减速度,l前、l后为前、后车辆长度修正系数,Ss为停车时安全间距,t1为驾驶员反映时间,t2为制动协调时间、t3为制动减速度增长时间,v后为后车速度、v前为前车速度。
考虑到在行车过程中视觉能见度对驾驶员有很大影响,而天气状况又是影响视觉能见度的主要因素,故在阈值计算中引入天气能见度修正系数C这一参数,其中修正系数C的值与能见度的大小成反比;同时,在车辆制动过程中,路面的状况对制动效果有很大影响,其中主要因素就是路面的温度和湿度,所以引入参数路面温湿度修正系数H,温度仅考虑是否低于零摄氏度,在此基础上湿度越高修正系数H取值越大;除了以上影响制动减速度的环境因素外,车辆的质量也会对制动距离产生较大影响,考虑到车辆质量不易获取故引入车辆长度l修正系数这一参数,默认车辆长度越长质量越大对制动距离影响越大修正系数l取值越大。
步骤3.2,对于车距L大于跟车异常距离阈值La的车辆,进行持续跟踪、统计车辆相关参数的变化,并实时进行安全阈值计算比对直至疑似被排除;对于车距L不大于跟车异常距离阈值La的车辆,再对前后车辆的加速度α前车、α后车进行比较,如果α前车>α后车则表明车距未达到危险,不予异常报警,如果α前车≤α后车则表明此时的车距为异常车距,通过预警系统向相关车辆发送预警信息,提醒驾驶员制动减速,当车距脱离疑似范围后警报解除。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (5)
1.一种基于多源信息的异常车距辨识方法,其特征在于,利用毫米波雷达和视觉传感器协同工作采集监测路段内的道路及车辆信息且得到输出的某一时刻监测路段内所有目标车辆的位置,得到同一条车道上所有目标车辆之间的前后距离Li并建立每一条车道上目标车辆的车距高斯正态分布模型;在车道车距高斯正态分布模型的基础上确定当前状态下的疑似异常车距的判定阈值Lis;
将同一条车道内目标车辆之间的前后车距Li与判定距离Lis进行比较,若车距Li大于判定距离Lis的车辆,进行持续跟踪、统计车距的变化并实时进行车距比对;车距Li不大于判定距离Lis的车辆,保存相关车辆的类别、速度以及加速度等信息,并输入到下一步的针对疑似异常车距的判定系统中作进一步异常判定;
通过雷视一体机和公路气象检测系统获取目标车辆的长度、速度、加速度、路面温度湿度、能见度以及天气状况确定跟车异常距离阈值La,对筛选出的疑似异常车距的目标车辆进行异常研判。
2.根据权利要求1所述的一种基于多源信息的异常车距辨识方法,其特征在于,通过对监测区间内目标车辆车道信息以及前后车距信息的处理,计算出各车道的平均车距,并通过车道的区间平均车距建立各车道的车距高斯正态分布模型。
3.根据权利要求2所述的一种基于多源信息的异常车距辨识方法,其特征在于,确定疑似异常车距的判定阈值Lis的方法为:在各个车道的车距高斯正态分布模型上取异常车距发生率,当车道的车距高斯正态分布模型与横坐标所围成的面积等于异常车距发生率时所对应的车距选为疑似异常车距的判定阈值Lis。
5.根据权利要求4所述的一种基于多源信息的异常车距辨识方法,其特征在于,分级研判的过程为:对于车距L不大于跟车异常距离阈值La的车辆,再对前后车辆的加速度α前车、α后车进行比较,如果α前车>α后车则表明车距未达到危险,不予异常报警,如果α前车≤α后车则表明此时的车距为异常车距,通过预警系统向相关车辆发送预警信息,提醒驾驶员制动减速,当车距脱离疑似范围后警报解除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958545.9A CN112365706B (zh) | 2020-09-14 | 2020-09-14 | 一种基于多源信息的异常车距辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958545.9A CN112365706B (zh) | 2020-09-14 | 2020-09-14 | 一种基于多源信息的异常车距辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365706A true CN112365706A (zh) | 2021-02-12 |
CN112365706B CN112365706B (zh) | 2021-11-23 |
Family
ID=74516762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010958545.9A Active CN112365706B (zh) | 2020-09-14 | 2020-09-14 | 一种基于多源信息的异常车距辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365706B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284365A (zh) * | 2021-04-12 | 2021-08-20 | 江苏大学 | 一种基于车辆行为的实时道路安全提示系统及其提示方法 |
CN113386778A (zh) * | 2021-06-23 | 2021-09-14 | 北方工业大学 | 一种基于车辆行驶轨迹数据的急减速驾驶行为判定方法 |
CN114596713A (zh) * | 2022-05-09 | 2022-06-07 | 天津大学 | 一种车辆的实时远程监测控制方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101407199A (zh) * | 2008-10-28 | 2009-04-15 | 湖北汽车工业学院 | 一种车辆碰撞预警方法及装置 |
JP2009175929A (ja) * | 2008-01-23 | 2009-08-06 | Toyota Central R&D Labs Inc | ドライバ状態推定装置及びプログラム |
CN101807224A (zh) * | 2010-03-24 | 2010-08-18 | 上海交通大学 | 中微观一体化交通仿真车流加载方法 |
US20140037138A1 (en) * | 2012-07-31 | 2014-02-06 | Denso Corporation | Moving object recognition systems, moving object recognition programs, and moving object recognition methods |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN106910336A (zh) * | 2016-11-03 | 2017-06-30 | 中兴软创科技股份有限公司 | 用于获取车头时距稳定系数的方法 |
CN109544992A (zh) * | 2018-12-20 | 2019-03-29 | 吉林大学 | 一种基于GPS和ZigBee的车辆碰撞预警系统 |
CN110070734A (zh) * | 2019-05-14 | 2019-07-30 | 东南大学 | 基于高斯混合模型的信号交叉口饱和车头时距估计方法 |
CN110070733A (zh) * | 2019-05-30 | 2019-07-30 | 上海海事大学 | 一种车头时距建模方法及一种最小绿灯时间计算方法 |
CN110969895A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种车辆车距检测方法、装置、系统及服务器 |
CN111477005A (zh) * | 2020-04-20 | 2020-07-31 | 北京中交华安科技有限公司 | 一种基于车辆状态及行车环境的智能感知预警方法及系统 |
-
2020
- 2020-09-14 CN CN202010958545.9A patent/CN112365706B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009175929A (ja) * | 2008-01-23 | 2009-08-06 | Toyota Central R&D Labs Inc | ドライバ状態推定装置及びプログラム |
CN101407199A (zh) * | 2008-10-28 | 2009-04-15 | 湖北汽车工业学院 | 一种车辆碰撞预警方法及装置 |
CN101807224A (zh) * | 2010-03-24 | 2010-08-18 | 上海交通大学 | 中微观一体化交通仿真车流加载方法 |
US20140037138A1 (en) * | 2012-07-31 | 2014-02-06 | Denso Corporation | Moving object recognition systems, moving object recognition programs, and moving object recognition methods |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN106910336A (zh) * | 2016-11-03 | 2017-06-30 | 中兴软创科技股份有限公司 | 用于获取车头时距稳定系数的方法 |
CN110969895A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种车辆车距检测方法、装置、系统及服务器 |
CN109544992A (zh) * | 2018-12-20 | 2019-03-29 | 吉林大学 | 一种基于GPS和ZigBee的车辆碰撞预警系统 |
CN110070734A (zh) * | 2019-05-14 | 2019-07-30 | 东南大学 | 基于高斯混合模型的信号交叉口饱和车头时距估计方法 |
CN110070733A (zh) * | 2019-05-30 | 2019-07-30 | 上海海事大学 | 一种车头时距建模方法及一种最小绿灯时间计算方法 |
CN111477005A (zh) * | 2020-04-20 | 2020-07-31 | 北京中交华安科技有限公司 | 一种基于车辆状态及行车环境的智能感知预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
徐华中等: "汽车追尾与交通流混沌模型研究", 《武汉理工大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284365A (zh) * | 2021-04-12 | 2021-08-20 | 江苏大学 | 一种基于车辆行为的实时道路安全提示系统及其提示方法 |
CN113284365B (zh) * | 2021-04-12 | 2022-08-23 | 江苏大学 | 一种基于车辆行为的实时道路安全提示系统及其提示方法 |
CN113386778A (zh) * | 2021-06-23 | 2021-09-14 | 北方工业大学 | 一种基于车辆行驶轨迹数据的急减速驾驶行为判定方法 |
CN114596713A (zh) * | 2022-05-09 | 2022-06-07 | 天津大学 | 一种车辆的实时远程监测控制方法及系统 |
CN114596713B (zh) * | 2022-05-09 | 2022-08-09 | 天津大学 | 一种车辆的实时远程监测控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112365706B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365706B (zh) | 一种基于多源信息的异常车距辨识方法 | |
CN108399743B (zh) | 一种基于gps数据的高速公路车辆异常行为检测方法 | |
CN111696387B (zh) | 一种基于前向障碍物识别的自适应防撞分级预警方法 | |
CN1862620A (zh) | 高速公路汽车行驶智能检测预警方法及其预警系统 | |
CN107284355A (zh) | 一种安全车门开启处理方法及系统 | |
CN105512623A (zh) | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 | |
CN113190921B (zh) | 用于智能汽车驾乘性能测试的自动评价方法及系统 | |
CN109448397B (zh) | 一种基于大数据的团雾监测方法 | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
CN110766943A (zh) | 一种基于事故数据的不良驾驶行为判定的监测方法和系统 | |
CN114064656B (zh) | 一种基于路端感知系统的自动驾驶场景识别与转化方法 | |
WO2023020004A1 (zh) | 一种车辆距离探测方法、系统、设备及介质 | |
CN114255614A (zh) | 一种基于车载智能手机及行车记录仪的高速公路车辆智能减速预警方法与系统 | |
CN110103954A (zh) | 基于电控的汽车防追尾预警装置及方法 | |
CN113487873A (zh) | 一种公路交通安全智能检测系统 | |
CN115656962B (zh) | 一种基于毫米波雷达识别限高物体的方法 | |
CN117079465A (zh) | 一种用于高速公路的行驶车辆安全预警方法与系统 | |
CN116699540A (zh) | 一种毫米波雷达欠采样虚假目标检测方法及装置 | |
CN116630891A (zh) | 一种交通异常事件检测系统及方法 | |
CN115937827A (zh) | 用于汽车紧急主动避险的监控视频处理方法 | |
CN115798207A (zh) | 基于LiDAR点云的信号交叉口追尾冲突识别方法 | |
CN111775948B (zh) | 一种驾驶行为分析方法及装置 | |
Ma et al. | Naturalistic driving behavior analysis under typical normal cut-in scenarios | |
CN110889409B (zh) | 汽车雷达监测优化方法、装置、设备及存储介质 | |
CN112365721A (zh) | 一种车辆异常行为识别、预警方法 |
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 |