CN112542056A - 一种车辆监控方法和装置及存储介质 - Google Patents

Abstract

本申请公开了一种车辆监控方法和装置及存储介质，所述车辆监控方法首先利用车辆的全球定位系统数据和惯性导航单元数据获取车辆在预设路径范围内的运动参数，包括横向位移、平均转弯半径、角度变化量和速度；再根据横向位移、平均转弯半径和角度变化量判断车辆是否处于右转；当车辆处于右转时，进一步判断车辆在预设路径范围内是否存在速度小于预设的速度阈值的状态；若存在，则发出右转且停车提示；否则，发出右转未停车报警。可见，本申请利用车辆的运动参数判断出车辆是否处于右转以及在右转过程中是否发生了停车状态，实现了对车辆右转过程的监控，从而能够在右转过程中提醒驾驶员及时避让附近的行人、非机动车等，降低事故发生率。

Description

一种车辆监控方法和装置及存储介质

技术领域

本申请涉及车载数据处理技术领域，特别是涉及一种车辆监控方法和装置及存储介质。

背景技术

城市在高速发展过程中少不了工程车的参与，但由于工程车相较于普通的小汽车在高度、宽度、长度及重量上有较大的区别，驾驶员驱动工程车右转时存在巨大的视觉盲区，容易发生事故。为了降低工程车右转的事故率，各地政府都开始针对性的提出新的安全要求并加大监管力度。因此，需要开发出一种车辆监控方法，能够对工程车的右转过程进行监控，便于提醒附近的行人、非机动车等进行及时的避让，从而降低事故的发生率。

发明内容

本申请主要解决的技术问题是提供一种车辆监控方法和装置及存储介质，能够降低工程车的事故发生率。

为解决上述技术问题，本申请采用的一个技术方案是：

提供一种车辆监控方法，包括：

利用车辆的全球定位系统数据和惯性导航单元数据获取所述车辆在预设路径范围内的运动参数，所述运动参数包括横向位移、平均转弯半径、角度变化量和速度；其中，所述预设路径与所述车辆的行进轨迹重合，所述横向位移为所述预设路径的起点至终点的总位移在第一方向上的分量，所述第一方向垂直于所述车辆在所述起点位置处的行进方向；

根据所述横向位移、所述平均转弯半径和所述角度变化量判断所述车辆是否处于右转；

若是，则进一步判断所述车辆在所述预设路径范围内是否存在所述速度小于预设的速度阈值的状态；

若存在，则发出右转且停车提示；

否则，发出右转未停车报警。

为解决上述技术问题，本申请采用的另一个技术方案是：

提供一种车辆监控装置，包括处理器以及与所述处理器分别耦接的存储器、全球定位系统和惯性导航单元，其中，所述存储器上存储有程序指令，所述处理器能够执行所述程序指令并配合所述全球定位系统和所述惯性导航单元以实现如上述技术方案所述的车辆监控方法。

为解决上述技术问题，本申请采用的另一个技术方案是：

提供一种计算机可读存储介质，所述存储介质上存储有程序指令，所述程序指令能够被处理器执行以实现如上述技术方案所述的车辆监控方法。

本申请的有益效果是：区别于现有技术的情况，本申请首先利用车辆的全球定位系统数据和惯性导航单元数据获取车辆在预设路径范围内的运动参数，这些运动参数包括横向位移、平均转弯半径、角度变化量和速度；其中，预设路径与车辆的行进轨迹重合，横向位移为预设路径的起点至终点的总位移在第一方向上的分量，第一方向垂直于车辆在起点位置处的行进方向；再根据横向位移、平均转弯半径和角度变化量判断车辆是否处于右转；当车辆处于右转时，进一步判断车辆在预设路径范围内是否存在速度小于预设的速度阈值的状态；若存在，则发出右转且停车提示；否则，发出右转未停车报警。可见，本申请利用车辆的运动参数判断出车辆是否处于右转以及在右转过程中是否发生了停车状态，实现了对车辆右转过程的监控，从而能够在右转过程中提醒驾驶员及时避让附近的行人、非机动车等，降低事故发生率。

附图说明

为了更清楚地说明本申请实施方式中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1为本申请车辆监控方法一实施方式的流程示意图；

图2为图1中步骤S11一实施方式的流程示意图；

图3为预设路径一实施方式的示例图；

图4为图1中步骤S12一实施方式的流程示意图；

图5为图1中步骤S11之前包括的步骤一实施方式的流程示意图；

图6为图5中步骤S43一实施方式的流程示意图；

图7为第一角度变化和第一距离变化一实施方式的示例图；

图8为图6中步骤S53一实施方式的流程示意图；

图9为图6中步骤S53另一实施方式的流程示意图；

图10为本申请车辆监控装置一实施方式的结构示意图；

图11为本申请计算机可读存储介质一实施方式的结构示意图。

具体实施方式

下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部实施方式。基于本申请中的实施方式，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。

请参阅图1，图1为本申请车辆监控方法一实施方式的流程示意图，该车辆监控方法包括如下步骤：

步骤S11，利用车辆的全球定位系统数据和惯性导航单元数据获取车辆在预设路径范围内的运动参数，运动参数包括横向位移、平均转弯半径、角度变化量和速度。其中，预设路径与车辆的行进轨迹重合，横向位移为预设路径的起点至终点的总位移在第一方向上的分量，第一方向垂直于车辆在起点位置处的行进方向。

全球定位系统(GPS)是由美国建立的一个卫星导航定位系统，将其装载于车辆，可以实时获取车辆的三维导航定位和测速。惯性导航单元(IMU)是用于测量物体三轴姿态角(或角速度)及加速度的一个装置，一般包含三个单独的加速度计和三个单轴的陀螺，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态，将其装载于车辆，可以获得车辆在三维空间中的角速度和加速度。

获取到车载GPS和IMU的原始数据之后，先依据其输出格式进行对应的解析和标定，然后获取车辆在预设路径范围内的运动参数。其中，可以将预设路径的终点设置为车辆当前时刻所在的位置点，并将预设路径划分为多个采样路径段，采样路径段的数量为采样点的数量，预设路径等于采样路径段与采样点的数量的乘积。例如预设路径为30m，采样路径段为0.5m，则采样点的数量为60。

具体可参阅图2，图2为图1中步骤S11一实施方式的流程示意图，可以通过如下步骤利用车辆的全球定位系统数据和惯性导航单元数据获取车辆在预设路径范围内的运动参数。

步骤S21，基于全球定位系统数据和惯性导航单元数据利用扩展卡尔曼滤波算法获取所有采样点的位置信息、姿态信息以及速度。

具体地，扩展卡尔曼滤波算法包括状态预测和状态更新两部分，即先采用状态预测模型和状态预测方程(即如下公式(1)和公式(2))进行计算，再利用过程噪声(即如下公式(3))进行状态更新(即如下公式(4))，最终可以得到16个运动参数

其中，

其中，

分别为全球定位系统GPS数据中的信号位置、速度以及航向测量值，

分别为全球定位系统GPS数据中的信号位置、速度以及航向预测值，

为状态量，F为状态预测方程，

为过程噪声；

为北东地坐标系下车辆位置(3x1向量)，

为北东地坐标系下车辆速度(3x1向量)，

为北东地坐标系下车辆姿态(以四元数表达，4x1向量)，

为惯性传感器角速度测量值的偏置信息(3x1向量)，

为惯性传感器加速度测量值的偏置信息(3x1向量)。

本实施方式需要用到车辆位置、车辆姿态以及速度等运动参数，使用之前需要将北东地坐标系转换为大地坐标系，上述具体计算过程和坐标转换过程与现有技术中的相同，此处不再赘述。

步骤S22，利用预设路径范围内最后一个采样点和第一个采样点的位置信息获取横向位移，利用预设路径范围内所有采样点的姿态信息获取角度变化量，以及利用预设路径范围内所有采样点的位置信息获取平均转弯半径。

具体请参阅图3，图3为预设路径一实施方式的示例图，图3中

为预设路径的起点A至终点B的总位移，其在第一方向的分量

即为横向位移，其中第一方向垂直于车辆在起点A位置处的行进方向，起点A处的虚线箭头N1和终点B处的虚线箭头N2分别表示车辆位于起点A处和终点B处的行进方向。因此，根据预设路径范围内最后一个采样点和第一个采样点的位置信息可以获取横向位移。

对于角度变化量，可以根据姿态信息，循环计算后一个采样点相对当前采样点的角度变化，最终得到车辆从起点运行至终点时车辆发生的角度变化量。

对于平均转弯半径，可以根据每个采样点的位置信息获取车辆在预设路径范围内的轨迹，对该轨迹进行曲线拟合，从而得到曲线的曲率数据，再获取曲线数据的倒数，即为平均转弯半径。

上述获取运动参数的具体过程与现有技术中的相同，此处不再赘述。

步骤S12，根据横向位移、平均转弯半径和角度变化量判断车辆是否处于右转。

获取到上述运动参数之后，可以根据横向位移、平均转弯半径和角度变化量判断车辆是否处于右转，具体请参阅图4，图4为图1中步骤S12一实施方式的流程示意图，可以通过如下步骤判断车辆是否处于右转，其中，本实施方式定义当终点在起点右侧时横向位移为正，当终点在起点左侧时横向位移为负。

步骤S31，判断横向位移是否为正且绝对值是否大于预设的距离阈值、平均转弯半径是否小于预设的半径阈值、且角度变化量是否大于预设的角度阈值。

请继续参阅图3，为预设路径的起点A至终点B的总位移

在第一方向的分量

即为横向位移，也就是说横向位移为一个矢量，结合其大小和方向以及平均转弯半径和角度变化量可以判断车辆经过预设路径的过程中是否发生了右转。

步骤S32，如果横向位移为正且绝对值大于距离阈值、平均转弯半径小于半径阈值、且角度变化量大于角度阈值，则判定车辆处于右转。

具体地，横向位移为正，说明终点在起点右侧，当其绝对值大于距离阀值，说明车辆具有向右行驶的趋势，结合平均转弯半径小于半径阈值且角度变化量大于角度阈值，可以判定车辆经过预设路径的过程中发生了右转。

步骤S33，否则，判定车辆不是处于右转。

如果横向位移为正且绝对值大于距离阈值、平均转弯半径小于半径阈值、角度变化量大于角度阈值这三个条件不是同时满足，即只要有一个条件不满足，则可以判定车辆经过预设路径的过程中未发生右转。即车辆正常行驶，不需要继续进行后续的停车判断步骤，而是可以获取下一段预设路径的运动参数。

本实施方式利用卡尔曼扩展滤波算法获取到的运动参数获取横向位移、平均转弯半径及角度变化量，并进一步根据这些运动参数判断车辆是否发生了右转，判断结果准确，降低了误判的几率。

步骤S13，若是，则进一步判断车辆在预设路径范围内是否存在速度小于预设的速度阈值的状态。

当通过上述步骤S31-S33判定车辆经过预设路径的过程中发生了右转之后，可以进一步判断车辆在预设路径范围内是否存在速度小于预设的速度阈值的状态，具体地，可以通过判断预设路径范围内所有采样点中是否存在速度小于速度阈值的采样点。车辆即使停下之后也可能发生抖动，导致通过上述实施方式获取到的速度并不为零，因此本实施方式优选将速度阈值设为大于零，例如0.5m/s等。

步骤S14，若存在，则发出右转且停车提示。

如果存在速度小于速度阈值的采样点，说明车辆在右转弯过程中发生了停车，则发出右转且停车提示。

步骤S15，否则，发出右转未停车报警。

如果不存在速度小于速度阈值的采样点，说明车辆在右转弯过程中未发生停车，则发出右转未停车报警。

本实施方式将GPS和IMU数据进行融合处理，利用车辆的运动参数判断出车辆是否处于右转以及在右转过程中是否发生了停车状态，结果更加稳定，鲁棒性更佳，而且实现了对车辆右转过程的监控，从而能够在右转过程中提醒驾驶员及时避让附近的行人、非机动车等，降低事故发生率。

在一些实施方式中，请参阅图5，图5为图1中步骤S11之前包括的步骤一实施方式的流程示意图，在利用车辆的全球定位系统数据和惯性导航单元数据获取车辆在预设路径范围内的运动参数之前，还包括如下步骤。

步骤S41，实时获取车辆行进方向上前方路面的多帧图像。

可以在车辆上装置图像采集设备，使其实时采集车辆行进方向上前方路面的多帧图像。获取到图像之后可以先进行曝光参数、增益参数、白平衡参数等自适应调节，以及图像3D降噪、数字宽动态参数调节，然后进行后续步骤，以提高后续校正过程的准确性。

步骤S42，对图像进行神经网络训练，以对图像进行以道路右转箭头为目标的目标检测。

将调节后的图像输入预先训练好的神经网络，该神经网络能够在多尺度上检测并识别道路右转箭头，从而实现目标在各个不同大小的情况下稳定检出。具体的神经网络训练过程与现有技术中的相同，此处不再赘述。

步骤S43，响应于检测到目标，利用对应的图像对全球定位系统数据和惯性导航单元数据进行实时校正。

全球定位系统在城市高楼林立或者在隧道、山区等恶劣环境下存在精确度丢失的现象，惯性导航单元则存在温漂、零漂导致累积误差的问题，因此本实施方式优选校正这些数据之后再利用这些数据获取车辆的运动参数。具体请参阅图6，图6为图5中步骤S43一实施方式的流程示意图，可以通过如下步骤校正全球定位系统数据和惯性导航单元数据。

步骤S51，获取检测到同一个目标的相邻两帧图像中目标与车辆的第一距离和第二距离，并利用第一距离和第二距离获取相邻两帧图像对应的相邻两个时刻之间车辆行驶的第一角度变化和第一距离变化。

在此之前需要先进行相机标定，获取到能够使相机坐标系和世界坐标系相互转换的投影矩阵，从而获得相机标定系数，具体过程与现有技术中的相同，此处不再赘述。

当从相邻两帧图像中检测到同一个目标(即路面右转箭头)后，可以利用相机标定参数获取该目标相对车辆的距离，相邻两帧图像自然对应两个距离，分别定义为第一距离和第二距离，请参阅图7，图7为第一角度变化和第一距离变化一实施方式的示例图。获取到第一距离L1和第二距离L2之后，可以进一步获取到相邻两帧图像对应的相邻两个时刻之间车辆行驶的第一角度变化θ1和第一距离变化d1，图7中T表示目标，矩形框表示车辆在路面的投影。

由于图像的获取及神经网络训练过程可以是实时进行的，因此也能够实时获取到第一角度变化θ1和第一距离变化d1，其中，相邻两帧图像的后一帧图像对应的时刻为车辆当前所在的时刻点。

步骤S52，从全球定位系统数据中提取相邻两个时刻之间车辆行驶的第二角度变化和第二距离变化，以及从惯性导航单元数据中提取相邻两个时刻之间车辆行驶的第三角度变化和第三距离变化。

如前所述，根据全球定位系统数据和惯性导航单元数据也可以分别获取到车辆的实时运动参数，本实施方式从全球定位系统数据中提取出上述相邻两个时刻之间车辆行驶的第二角度变化和第二距离变化，以及从惯性导航单元数据中提取相邻两个时刻之间车辆行驶的第三角度变化和第三距离变化，方便后续结合第一角度变化和第一距离变化分别对全球定位系统数据和惯性导航单元数据进行实时校正。

步骤S53，利用第一角度变化和第一距离变化、第二角度变化和第二距离变化对全球定位系统数据进行校正，利用第一角度变化和第一距离变化、第三角度变化和第三距离变化对惯性导航单元数据进行校正。

具体请参阅图8，图8为图6中步骤S53一实施方式的流程示意图，可以通过如下步骤校正全球定位系统数据。

步骤S61，获取预设路径范围内所有第一角度变化和第二角度变化的多个第一角度差值、所有第一距离变化和第二距离变化的多个第一距离差值。

如前所述，采集图像和对图像进行神经网络检测的过程是实时进行的，因此每检测到一次目标，即可以获取到一次第一角度变化和第一距离变化，在预设路径范围内能够获取到多个第一角度变化和多个第一距离变化。进一步地，全球定位系统也存在获取数据的周期，本实施方式首先在第一预设路径范围内将第一角度变化与第二角度变化按时序对齐，并将第一距离变化与第二距离变化按时序对齐，不能对齐的数据可以舍弃不用。使得每个时刻点的第一角度变化均对应有第二角度变化，每个时刻点的第一距离变化均对应有第二距离变化。从而可以获取预设路径范围内所有第一角度变化和第二角度变化的多个第一角度差值、以及所有第一距离变化和第二距离变化的多个第一距离差值。

步骤S62，获取所有第一角度差值的第一噪声分布参数、所有第一距离差值的第二噪声分布参数，第一噪声分布参数和第二噪声分布参数均包括均值、标准差和方差。

当获取到多个第一角度差值之后，这多个第一角度差值形成第一噪声分布，自然具有第一噪声分布参数，具体包括均值、标准差和方差。同样地，获取到多个第一距离差值之后，这多个第一距离差值形成第二噪声分布，自然具有第二噪声分布参数，具体包括均值、标准差和方差。

步骤S63，利用第一噪声分布参数和/或第二噪声分布参数对全球定位系统数据进行校正。

获取到第一噪声分布参数和第二噪声分布参数之后，相当于获取到两个获取方式之间的差异，其中，根据图像处理方式获取到的数据默认为准确性更高，而全球定位系统数据可能存在差异，其自带校正算法，将第一噪声分布参数和/或第二噪声分布参数输入校正算法，实现对全球定位系统数据的实时校正。具体的算法与现有技术中的相同，此处不再赘述。

本实施方式融合图像检测，通过检测路面右转箭头获取前后多帧之间的车身位置变化，并用于校正全球定位系统数据，使得后续获取到的车辆的运动参数准确性更高，当右转事件触发时，进一步提升提示或者报警传感器的精度及准确性。

进一步地，请参阅图9，图9为图6中步骤S53另一实施方式的流程示意图，可以通过如下步骤校正惯性导航单元数据。

步骤S71，获取预设路径范围内所有第一角度变化和第三角度变化的多个第二角度差值、所有第一距离变化和第三距离变化的多个第二距离差值。

如前所述，采集图像和对图像进行神经网络检测的过程是实时进行的，因此每检测到一次目标，即可以获取到一次第一角度变化和第一距离变化，在预设路径范围内能够获取到多个第一角度变化和多个第一距离变化。进一步地，惯性导航单元也存在获取数据的周期，本实施方式首先在第一预设路径范围内将第一角度变化与第三角度变化按时序对齐，并将第一距离变化与第三距离变化按时序对齐，不能对齐的数据可以舍弃不用。使得每个时刻点的第一角度变化均对应有第三角度变化，每个时刻点的第一距离变化均对应有第三距离变化。从而可以获取预设路径范围内所有第一角度变化和第三角度变化的多个第二角度差值、以及所有第一距离变化和第三距离变化的多个第二距离差值。

步骤S72，获取所有第二角度差值的第三噪声分布参数、所有第二距离差值的第四噪声分布参数，第三噪声分布参数和第四噪声分布参数均包括均值、标准差和方差。

当获取到多个第二角度差值之后，这多个第二角度差值形成第三噪声分布，自然具有第三噪声分布参数，具体包括均值、标准差和方差。同样地，获取到多个第二距离差值之后，这多个第二距离差值形成第四噪声分布，自然具有第四噪声分布参数，具体包括均值、标准差和方差。

步骤S73，利用第三噪声分布参数和/或第四噪声分布参数对惯性导航单元数据进行校正。

获取到第三噪声分布参数和第四噪声分布参数之后，相当于获取到两个获取方式之间的差异，其中，根据图像处理方式获取到的数据默认为准确性更高，而惯性导航单元数据可能存在差异，其自带校正算法，将第三噪声分布参数和/或第四噪声分布参数输入校正算法，实现对惯性导航单元数据的实时校正。具体的算法与现有技术中的相同，此处不再赘述。

本实施方式融合图像检测，通过检测路面右转箭头获取前后多帧之间的车身位置变化，并用于校正惯性导航单元数据，使得后续获取到的车辆的运动参数准确性更高，当右转事件触发时，进一步提升提示或者报警传感器的精度及准确性。

进一步地，本申请在获取到车辆的运动参数并根据运动参数发出相应的提示或者报警之后，还可以将运动参数以及对应发出的提示或者报警上传至服务器，以使服务器存储并在对应的地图上标记运动参数以及对应发出的提示或者报警，方便后续进行数据追溯、定位车辆以及查看事件等。

此外，本申请还提供一种车辆监控装置，请参阅图10，图10为本申请车辆监控装置一实施方式的结构示意图，该车辆监控装置包括处理器1010以及与处理器1010分别耦接的存储器1020、全球定位系统1030和惯性导航单元1040，其中，存储器1020上存储有程序指令，处理器1010能够执行该程序指令并配合全球定位系统1030和惯性导航单元1040实现如上述任一实施方式所述的车辆监控方法。具体可参阅上述任一实施方式，此处不再赘述。

此外，本申请还提供一种计算机可读存储介质，请参阅图11，图11为本申请计算机可读存储介质一实施方式的结构示意图，该存储介质1100上存储有程序指令1110，该程序指令1110能够被处理器执行以实现如上述任一实施方式所述的车辆监控方法。具体可参阅上述任一实施方式，此处不再赘述。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (11)

1.一种车辆监控方法，其特征在于，包括：

利用车辆的全球定位系统数据和惯性导航单元数据获取所述车辆在预设路径范围内的运动参数，所述运动参数包括横向位移、平均转弯半径、角度变化量和速度；其中，所述预设路径与所述车辆的行进轨迹重合，所述横向位移为所述预设路径的起点至终点的总位移在第一方向上的分量，所述第一方向垂直于所述车辆在所述起点位置处的行进方向；

根据所述横向位移、所述平均转弯半径和所述角度变化量判断所述车辆是否处于右转；

若是，则进一步判断所述车辆在所述预设路径范围内是否存在所述速度小于预设的速度阈值的状态；

若存在，则发出右转且停车提示；

否则，发出右转未停车报警。

2.根据权利要求1所述的车辆监控方法，其特征在于，当所述终点在所述起点右侧时所述横向位移为正，当所述终点在所述起点左侧时所述横向位移为负，所述根据所述横向位移、所述平均转弯半径和所述角度变化量判断所述车辆是否处于右转的步骤，包括：

判断所述横向位移是否为正且绝对值是否大于预设的距离阈值、所述平均转弯半径是否小于预设的半径阈值、且所述角度变化量是否大于预设的角度阈值；

如果所述横向位移为正且绝对值大于所述距离阈值、所述平均转弯半径小于所述半径阈值、且所述角度变化量大于所述角度阈值，则判定所述车辆处于右转；

否则，判定所述车辆不是处于右转。

3.根据权利要求1所述的车辆监控方法，其特征在于，所述利用车辆的全球定位系统数据和惯性导航单元数据获取所述车辆在预设路径范围内的运动参数的步骤之前，还包括：

实时获取所述车辆行进方向上前方路面的多帧图像；

对所述图像进行神经网络训练，以对所述图像进行以道路右转箭头为目标的目标检测；

响应于检测到所述目标，利用对应的所述图像对所述全球定位系统数据和所述惯性导航单元数据进行实时校正。

4.根据权利要求3所述的车辆监控方法，其特征在于，所述利用对应的所述图像对所述全球定位系统数据和所述惯性导航单元数据进行实时校正的步骤，包括：

获取检测到同一个所述目标的相邻两帧所述图像中所述目标与所述车辆的第一距离和第二距离，并利用所述第一距离和所述第二距离获取相邻两帧所述图像对应的相邻两个时刻之间所述车辆行驶的第一角度变化和第一距离变化；

从所述全球定位系统数据中提取所述相邻两个时刻之间所述车辆行驶的第二角度变化和第二距离变化，以及从所述惯性导航单元数据中提取所述相邻两个时刻之间所述车辆行驶的第三角度变化和第三距离变化；

利用所述第一角度变化和第一距离变化、所述第二角度变化和第二距离变化对所述全球定位系统数据进行校正，利用第一角度变化和第一距离变化、所述第三角度变化和第三距离变化对所述惯性导航单元数据进行校正。

5.根据权利要求4所述的车辆监控方法，其特征在于，所述利用所述第一角度变化和第一距离变化、所述第二角度变化和第二距离变化对所述全球定位系统数据进行校正的步骤，包括：

获取所述预设路径范围内所有所述第一角度变化和所述第二角度变化的多个第一角度差值、所有所述第一距离变化和所述第二距离变化的多个第一距离差值；

获取所有所述第一角度差值的第一噪声分布参数、所有所述第一距离差值的第二噪声分布参数，所述第一噪声分布参数和所述第二噪声分布参数均包括均值、标准差和方差；

利用所述第一噪声分布参数和/或所述第二噪声分布参数对所述全球定位系统数据进行校正。

6.根据权利要求4所述的车辆监控方法，其特征在于，所述利用第一角度变化和第一距离变化、所述第三角度变化和第三距离变化对所述惯性导航单元数据进行校正的步骤，包括：

获取所述预设路径范围内所有所述第一角度变化和所述第三角度变化的多个第二角度差值、所有所述第一距离变化和所述第三距离变化的多个第二距离差值；

获取所有所述第二角度差值的第三噪声分布参数、所有所述第二距离差值的第四噪声分布参数，所述第三噪声分布参数和所述第四噪声分布参数均包括均值、标准差和方差；

利用所述第三噪声分布参数和/或所述第四噪声分布参数对所述惯性导航单元数据进行校正。

7.根据权利要求1所述的车辆监控方法，其特征在于，所述预设路径被划分为多个采样路径段，所述采样路径段的数量为采样点的数量，所述预设路径等于所述采样路径段与所述采样点的数量的乘积，所述利用车辆的全球定位系统数据和惯性导航单元数据获取所述车辆在预设路径范围内的运动参数的步骤，包括：

基于所述全球定位系统数据和所述惯性导航单元数据利用扩展卡尔曼滤波算法获取所有采样点的位置信息、姿态信息以及所述速度；

利用所述预设路径范围内最后一个采样点和第一个采样点的所述位置信息获取所述横向位移，利用所述预设路径范围内所有采样点的所述姿态信息获取所述角度变化量，以及利用所述预设路径范围内所有采样点的所述位置信息获取所述平均转弯半径。

8.根据权利要求7所述的车辆监控方法，其特征在于，所述进一步判断所述车辆在所述预设路径范围内是否存在所述速度小于预设的速度阈值的状态的步骤，包括：

判断所述预设路径范围内所有采样点中是否存在所述速度小于所述速度阈值的采样点。

9.根据权利要求1所述的车辆监控方法，其特征在于，还包括：

将所述运动参数以及对应发出的提示或者报警上传至服务器，以使所述服务器存储并在对应的地图上标记所述运动参数以及对应发出的提示或者报警。

10.一种车辆监控装置，其特征在于，包括处理器以及与所述处理器分别耦接的存储器、全球定位系统和惯性导航单元，其中，所述存储器上存储有程序指令，所述处理器能够执行所述程序指令并配合所述全球定位系统和所述惯性导航单元实现如权利要求1-9所述的车辆监控方法。

11.一种计算机可读存储介质，其特征在于，所述存储介质上存储有程序指令，所述程序指令能够被处理器执行以实现如权利要求1-9所述的车辆监控方法。

Images