CN112581758A - 一种检测道路路标的方法和系统 - Google Patents
一种检测道路路标的方法和系统 Download PDFInfo
- Publication number
- CN112581758A CN112581758A CN202011427849.9A CN202011427849A CN112581758A CN 112581758 A CN112581758 A CN 112581758A CN 202011427849 A CN202011427849 A CN 202011427849A CN 112581758 A CN112581758 A CN 112581758A
- Authority
- CN
- China
- Prior art keywords
- data
- road sign
- training
- characteristic data
- neural network
- 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.)
- Pending
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Abstract
本发明涉及一种检测道路路标的方法和系统。该检测道路路标的方法和系统,通过基于获取得到的车辆行驶在当前路段的源数据采用道路路标检测模型得到当前路段的道路路标检测结果,当车辆再次驶入当前路段时,采用预测‑回滚机制就可以对当前路段的道路路标进行预测,进而在降低标记处理复杂度的同时,提高路标检测效率。
Description
技术领域
本发明涉及道路检测领域,特别是涉及一种检测道路路标的方法和系统。
背景技术
在实际的交通应用场景中,道路系统纷繁复杂,道路中的路标种类与数量较多,实现准确、实时的路标检测并不容易,这对快速检测道路路标有了一定的挑战。当前存在的方法:一是人工手动标记,由于交通道路具有多种复杂情形,人工标记不同路标的时间复杂度较高;二是基于图像的检测方法,该方法通过安装在道路上的摄像头,如路口的探头等来收集道路图像,然后再对图像分析处理,进而得到道路路标。在实际应用中,当图像中标记的路标特征因光照、天气影响等因素的影响可能会使图像产生阴影或丢失标记等问题,进而导致车道上的检测具有较低的准确性和较差的鲁棒性。
发明内容
本发明的目的是提供一种检测道路路标的方法和系统,以在降低标记处理复杂度的同时,提高路标检测效率。
为实现上述目的,本发明提供了如下方案:
一种检测道路路标的方法,包括:
获取车辆行驶在当前路段的源数据;所述源数据包括加速度数据和陀螺仪数据;
根据所述源数据确定特征数据;所述特征数据包括:减速带特征数据和转弯特征数据;
获取道路路标检测模型;所述道路路标检测模型为以特征数据为输入,以道路路标结果为输出的神经网络模型;
以所述特征数据为输入,采用所述道路路标检测模型确定道路路标检测结果并进行存储;所述道路路标包括:减速带和转弯;
当车辆再次驶入当前路段时,获取当前车辆的加速度数据和陀螺仪数据;
根据所述当前车辆的加速度数据和陀螺仪数据,采用预测和回滚机制得到道路路标预测结果。
优选的,所述根据所述源数据确定特征数据,具体包括:
对所述源数据进行降噪处理;
采用滑动窗口根据处理后的所述源数据确定所述特征数据。
优选的,在所述获取道路路标检测模型之前,还包括:
获取训练样本对和BP神经网络模型;所述训练样本对包括:训练源数据和与所述训练源数据相对应的道路路标检测结果;所述训练源数据包括:训练减速带特征数据和训练转弯特征数据;
采用所述训练样本对所述BP神经网络模型进行训练,得到训练好的BP神经网络模型;所述训练好的BP神经网络模型即为所述道路路标检测模型。
优选的,在所述获取训练样本对和BP神经网络模型之前,还包括:
获取道路路标为减速带时的加速度数据和陀螺仪数据,以及道路路标为转弯时的加速度数据和陀螺仪数据;
采用设定步长的时间窗口,沿重力方向提取道路路标为减速带时的加速度数据,得到训练减速带特征数据;
采用设定步长的时间窗口,沿重力方向提取道路路标为转弯时的陀螺仪数据,得到训练转弯特征数据。
优选的,所述设定步长为0.2秒。
一种检测道路路标的系统,包括:
源数据获取模块,用于获取车辆行驶在当前路段的源数据;所述源数据包括加速度数据和陀螺仪数据;
特征数据确定模块,用于根据所述源数据确定特征数据;所述特征数据包括:减速带特征数据和转弯特征数据;
道路路标检测模型获取模块,用于获取道路路标检测模型;所述道路路标检测模型为以特征数据为输入,以道路路标结果为输出的神经网络模型;
道路路标确定模块,用于以所述特征数据为输入,采用所述道路路标检测模型确定道路路标检测结果并进行存储;所述道路路标包括:减速带和转弯;
第一加速度数据和陀螺仪数据获取模块,用于当车辆再次驶入当前路段时,获取当前车辆的加速度数据和陀螺仪数据;
道路路标预测模块,用于根据所述当前车辆的加速度数据和陀螺仪数据,采用预测和回滚机制得到道路路标预测结果。
优选的,所述特征数据确定模块具体包括:
降噪处理单元,用于对所述源数据进行降噪处理;
特征数据确定单元,用于采用滑动窗口根据处理后的所述源数据确定所述特征数据。
优选的,还包括:
训练样本对和BP神经网络模型获取模块,用于获取训练样本对和BP神经网络模型;所述训练样本对包括:训练源数据和与所述训练源数据相对应的道路路标检测结果;所述训练源数据包括:训练减速带特征数据和训练转弯特征数据;
训练模块,用于采用所述训练样本对所述BP神经网络模型进行训练,得到训练好的BP神经网络模型;所述训练好的BP神经网络模型即为所述道路路标检测模型。
优选的,还包括:
加速度数据和陀螺仪数据获取模块,用于获取道路路标为减速带时的加速度数据和陀螺仪数据,以及道路路标为转弯时的加速度数据和陀螺仪数据;
训练减速带特征数据确定模块,用于采用设定步长的时间窗口,沿重力方向提取道路路标为减速带时的加速度数据,得到训练减速带特征数据;
训练转弯特征数据确定模块,用于采用设定步长的时间窗口,沿重力方向提取道路路标为转弯时的陀螺仪数据,得到训练转弯特征数据。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的检测道路路标的方法和系统,通过基于获取得到的车辆行驶在当前路段的源数据采用道路路标检测模型得到当前路段的道路路标检测结果,当车辆再次驶入当前路段时,采用预测-回滚机制就可以对当前路段的道路路标进行预测,进而在降低标记处理复杂度的同时,提高路标检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的检测道路路标的方法的流程图;
图2为实施本发明提供的检测道路路标的方法的总体框架图;
图3为本发明实施例中手机坐标系和车辆坐标系的对应结果图;
图4为本发明实施例中手机在不同场景下Z轴方向加速度的变化情况图;
图5为本发明实施例中不同转弯情况下的陀螺仪数据变化图;其中,图5(a)为左转弯情况下的陀螺仪数据变化图;图5(b)为右转弯情况下的陀螺仪数据变化图;
图6为本发明实施例中转弯和拐点检测结果图;图6(a)为转弯检测结果图;图6(b)为拐点检测结果图;
图7为本发明实施例中对BP神经网络进行训练的流程图;
图8为本发明提供的检测道路路标的系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种检测道路路标的方法和系统,以在降低标记处理复杂度的同时,提高路标检测效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的检测道路路标的方法的流程图,如图1所示,一种检测道路路标的方法,包括:
步骤100:获取车辆行驶在当前路段的源数据。源数据包括加速度数据和陀螺仪数据。
步骤101:根据源数据确定特征数据。特征数据包括:减速带特征数据和转弯特征数据。
步骤101包括:
对源数据进行降噪处理。
采用滑动窗口根据处理后的源数据确定特征数据。
步骤102:获取道路路标检测模型。道路路标检测模型为以特征数据为输入,以道路路标结果为输出的神经网络模型。
步骤103:以特征数据为输入,采用道路路标检测模型确定道路路标检测结果并进行存储。道路路标包括:减速带和转弯。
步骤104:当车辆再次驶入当前路段时,获取当前车辆的加速度数据和陀螺仪数据。
步骤105:根据当前车辆的加速度数据和陀螺仪数据,采用预测和回滚机制得到道路路标预测结果。
为了进一步提高检测的准确性,在步骤102之前,还包括:
获取道路路标为减速带时的加速度数据和陀螺仪数据,以及道路路标为转弯时的加速度数据和陀螺仪数据。
采用设定步长的时间窗口,沿重力方向提取道路路标为减速带时的加速度数据,得到训练减速带特征数据。
采用设定步长的时间窗口,沿重力方向提取道路路标为转弯时的陀螺仪数据,得到训练转弯特征数据。
获取训练样本对和BP神经网络模型。训练样本对包括:训练源数据和与训练源数据相对应的道路路标检测结果。训练源数据包括:训练减速带特征数据和训练转弯特征数据。
采用训练样本对BP神经网络模型进行训练,得到训练好的BP神经网络模型。训练好的BP神经网络模型即为道路路标检测模型。
其中,设定步长优选为0.2秒。
下面提供一个具体实施案例进一步说明本发明的方案,本发明具体实施案例中以手机获取源数据为例进行阐述,在具体应用时,本发明的方案也适用于其他智能设备。
如图2所示,采用本发明上述提供的检测道路路标的方法通过获取手机的加速度数据和陀螺仪数据,并通过分析提取其经过道路路标如减速带、转弯等场景下的信号数据特征,基于BP神经网络对其进行分类,达到路标检测的目的。在数据预处理过程中,由于源数据存在噪声数据、高频和用户行为等因素的干扰,所以对原始数据进行平滑滤波等降噪处理,得到准确度较高的传感器数据。当车辆经过减速带或转弯时,传感器数据信号会发生突变,所以在特征设计过程中,通过对预处理之后的传感器数据分析,提取经过道路路标的信号特征,包括传感器数据的最大值、最小值以及时间窗口等,采用BP神经网络离线训练道路路标分类器,采用召回率和精确率来评价分类模型的效果。通过移动端实时接收传感器数据,预处理并分析提取数据特征,通过预测回滚机制,进而达到快速在线检测道路路标的目的。其整体流程具体为:
在数据获取过程中,如图3所示,手机坐标系x_s轴对应车体坐标系的x_v水平方向,手机坐标系y_s轴对应车体坐标系的y_v前进方向,手机坐标系z_s轴对应车体坐标系的z_v垂直方向。当经过道路路标如减速带时,手机的z_s轴即Z轴加速度数据将发生信号突变。
基于这一使用背景,在本发明在检测达道路路标的过程中,需要先获取手机传感器数据即加速度数据和陀螺仪数据,再通过数据预处理,消除手机传感器原始数据的噪声数据,并提取车辆在经过道路路标情况下的加速度和陀螺仪传感器的信号特征,然后通过BP神经网络对信号数据特征进行学习分类,最终达到路标检测的目的。
由于传感器本身或网络延迟等原因,在数据获取过程中存在数据不稳定或噪声数据等因素的干扰,其对路标检测算法的准确度会造成一定的影响。所以,在输入模型之前,需要对数据进行预处理操作。
在获取的加速度数据中由于包括了重力分量,因此需要去除重力分量对加速度数据的影响。首先,需要获取一段时间内手机在静止状态下的三轴加速度数据,如在第i个采样点的三轴加速度ax为(axi,ayi,azi),其合加速度ai sum的计算公式如下:
通过对这一段时间内所有的合加速度求取平均值得到其重力加速度g,其计算公式如下:
其中,F为加速度传感器的采样频率
去除重力加速度的影响过程即通过上述计算公式完成,在获取原始加速度数据的基础上,计算合加速度,然后去除计算的重力加速度g,即可得到去除重力加速度后的数据。同时,为了避免加速度噪声数据以及缺失数据的影响,本发明采用平滑滤波方法对其高频噪声数据进行滤除,当数据在较小的时间间隔中存在数据缺失时,由于该时间段的运动状态与上一个时间段一致,即利用上一个时间段的数据和特征来代替当前时间段的缺失数据。
在实际的应用场景中,可能还会因为车辆停止或突然加速等因素使加速度数据信号突变,导致路标检测结果出现误差。所以,基于这一问题,在数据预处理中,还需要对数据进行过滤,通过对低速点等进行筛选,同时还降低数据的计算量。通过对传感器数据的预处理,能够提高道路路标检测模型的准确度。
在道路路标检测过程中,提取相对易于目标分析的特征对于数据分析而言特别重要。由于这些异常信号的突变持续时间通常较短,所以在特征提取过程中,通常使用滑动窗口来对数据进行处理分析。一般情况下,典型特征包括时域特征和频率特征。本发明所使用的典型数据为基于时间序列的信号,时域特征通常包括一些统计特征,如均值,方差等等。加速度可以描绘成随时间变化的函数,所以可以相对容易的获得加速度的时域特征。由于数据的最值能够表达数据的范围,均值表达数据的平均大小,标准差能够反映数据的波动范围,均方根反映数据的整体强弱,所以本发明采用这些数据集的特征值来提取道路状况的特征。频率特征能够得到频率和振幅之前的关系,如周期信息。
在道路路标检测中,车辆的行驶加速度并无明显周期关系,因此,对数据特征提取时去除了频率特征后得到的特征主要包括均值、最大值、次大值、最小值、次小值、标准差和均方根误差。
在车辆行驶过程中,遇到凸起的路标如减速带时,会造成汽车的颠簸,同时会产生地面竖直方向加速度的剧烈抖动。然而在实际场景中,很多外界因素会干扰减速带的识别。如图4所示,可以明确显示汽车行驶过程中手机Y轴方向加速度的变化(此手机水平放置于汽车置物台)。第一个虚线框中的汽车振动(在10~17秒左右,标记为“J”)是由汽车启动造成的,与减速带信号(实线框内标记为“B1”-“B4”的信号)相比,它持续的时间较长但振幅不大。第二个虚线框中的振动信号(60秒左右,标记为“M”的信号)是由用户手部运动造成的,即该用户拿起手机时,用户手部运动产生了与减速带相似的加速度信号。
当汽车行驶在转弯场景下,汽车会持续改变前进方向的区域,通常在道路拐点处,此时陀螺仪数据发生信号突变。转弯可以通过手机沿重力方向的角速度检测得到。尽管目前有一些基于阈值检测转弯的工作,但用户手部运动(如从口袋中掏出手机)也会产生相似的角速度信号,增加了转弯检测的难度。
在转弯的情况下,传感器中的陀螺仪数据会产生相应的变化,如下图5所示,当车体经过道路左转弯时,如下图5(a)所示,陀螺仪数据中的Z轴数据先增大后减小。当车体经过右转弯时,如图5(b)所示,陀螺仪数据中的Z轴数据先减小后增大。当车体完成道路转弯后,陀螺仪Z轴数据回归于转弯前的数据信号状态。
在道路拐弯的检测过程中,由于一个转弯区域可能持续很长的时间(多达8秒)或两个转弯区域相连(U型转弯),本发明定义拐点为两条正交道路的连接处,这样可以精确的校准用户位置。其中,连续的转弯区域为检测拐点带来了技术困难。如图6(a)所示,该段信号经过三个区域,并伴随着手部运动。前两个转弯信号可能被合并识别为一个转弯。
观察到当汽车经过拐点区域时,往往对应着角速度的峰值,即汽车车轮的最大转动。为了准确的检测拐点,本发明在每一个转弯区域使用滑动窗搜索角速度的极大值点,并将每个极大值点标记为道路上的拐点。图6(b)中该段信号经过4个拐点,但仅能检测出3个转弯区域,展示了本发明从最左侧连续转弯区域中提取的两个拐点以用于校准汽车位置。
对于减速带,本发明使用沿重力方向的加速度并按照2秒滑动窗口提取信号,滑动窗间距(时间步长)为0.2秒。2秒滑动窗是基于汽车前轮与后轮分别通过减速带所估计的时间长度。对于转弯,本发明使用沿重力方向的角速度并按照相同滑动窗提取信号,在实验过程中,观察到更小的滑动窗会导致检测精度的剧烈下降,并且更大的滑动窗会带来系统检测延时的增加。
在实验中,观察到有两种常见的用户手部运动会干扰减速带与转弯的检测:1)用户抬起手机。2)用户从口袋或相邻座位拿起手机。第一种手部运动会造成Z轴方向加速度的剧烈抖动,并可能被误检为减速带。第二种手部运动会造成Z轴方向陀螺仪读数的变化,可能被误检为转弯。
本发明尝试了汽车运动数据在时域与频域的多种信号特征,用以区分手部运动与多种道路路标信号,以下列出精度较高并且计算复杂度较低的五种信号特征集:
(1)STAT35(35维):将一个时间窗平分为5段,并且在每段计算一个7维的特征,这一7维的特征包括:均值、最大值、次大值、最小值、次小值、标准差与均方根误差。
(2)DSTAT35(70维):在STAT35基础上,提取原始信号的差分信号,并将差分信号分为五段后提取与上述7维特征相似的特征。
(3)FFT5(5维):对原始信号在整个时间窗内进行快速傅立叶变换,即FFT运算,并提取前5个谐波的系数作为一个5维的特征。
(4)S7FFT5(35维):在FFT5基础上,提取原始信号的两个二分信号(按时间分为前后两段),以及四个四分信号。对这些信号分别提取与上述5维的特征相似的前5个FFT系数,这样总计获得了7个时间窗内的35维特征。
(5)DFFT5(10维):对原始信号及其差分信号分别提取前五个谐波的FFT系数作为特征。
道路路标的检测依赖于经过道路路标的完整数据信号特征。如果检测时间窗完全覆盖了道路路标信号,系统会提取更多有用的信号特征,因此检测结果更加可靠。然而在实际场景中,往往达不到这样的效果。道路路标检测算法在手机后台持续运行,如果设置较大的时间窗与频繁的检测频率,虽然可以保证检测精度,但会增加手机端延时并造成屏幕上跳跃的位置显示,极大影响了用户体验。
BP(Back Propagation)神经网络是一种多层前馈神经网络,其主要思想是根据误差不断修改网络权重值直到达到预期目标,主要应用于模式识别、预测等方面。神经网络能够通过对数据实例学习其特征,并在非线性的分类问题上有很好的效果。所以为了提高用户的体验感,本发明采用BP神经网络来检测道路路标,如减速带或道路转弯等。
道路路标检测主要包括两个部分,分别为离线训练和在线检测。离线训练阶段,主要训练BP神经网络分类器,训练的结果直接决定了在线检测的效果。
本发明道路路标检测模型的训练流程,如图7所示,在训练样本中按一定时间窗口滑动提取数据,并计算样本数据中的特征,如加速度的最大值、最小值、时间范围等,直到该条数据结束。通过及联提取的样本特征,作为BP分类器的输入向量,通过BP算法,使BP分类器可以准确识别训练样本中的减速带、道路转弯和正常道路行驶的行为事件。当BP神经网络分类器的识别率达到预定的目标时,训练完成并表示分类器具有区分道路路标的能力。
在线检测模块是使用训练好的BP神经网络分类器检测在车辆行驶过程中的信号特征。通过系统后台不断获取传感器数据,并通过滤波等预处理来获取有效的数据信号特征,通过对特征数据进行检测,以能够实时的检测道路路标。
本发明采用预测与回滚机制,根据部分观测信号进行道路路标预测,以在保证检测实时性的同时,提高道路路标预测精度。
为了判断汽车是否在时刻t通过了道路路标,本发明假定从时刻t-τ到时刻t+τ的完整信号(时间长度为2τ)可以提供该道路路标的最佳检测结果。在时刻t,本发明使用[t-2τ,t]时间窗内的信号进行道路路标检测。在时刻t+τ,本发明获得了通过这个道路路标的完整信号,此时提取[t-τ,t+τ]区间的信号,并验证t时刻的检测结果是否正确。
本发明根据混淆矩阵,如下表1所示,采用召回率、精确率的评价指标来衡量路标检测的效果。
表1
其中,召回率(Recall)为TP/(TP+FN)*100%,表示所有预测值中的正类样本占所有应该被检测为正类的比例。
精确率(Precision)为TP/(TP+FP)*100%,表示预测值的正类样本中确实为正类样本的比例。
TP表示模型预测正确的数量。FP表示模型预测错误的数量,即把负类预测为正类的数量。
此外,对应于上述提供的检测道路路标的方法,本发明还对应提供了一种检测道路路标的系统,如图8包括:源数据获取模块1、特征数据确定模块2、道路路标检测模型获取模块3、道路路标确定模块4、第一加速度数据和陀螺仪数据获取模块5和道路路标预测模块6。
其中,源数据获取模块1用于获取车辆行驶在当前路段的源数据。源数据包括加速度数据和陀螺仪数据。
特征数据确定模块2用于根据源数据确定特征数据。特征数据包括:减速带特征数据和转弯特征数据。
道路路标检测模型获取模块3用于获取道路路标检测模型。道路路标检测模型为以特征数据为输入,以道路路标结果为输出的神经网络模型。
道路路标确定模块4用于以特征数据为输入,采用道路路标检测模型确定道路路标检测结果并进行存储。道路路标包括:减速带和转弯。
第一加速度数据和陀螺仪数据获取模块5用于当车辆再次驶入当前路段时,获取当前车辆的加速度数据和陀螺仪数据。
道路路标预测模块6用于根据当前车辆的加速度数据和陀螺仪数据,采用预测和回滚机制得到道路路标预测结果。
作为本发明的一优选实施例,特征数据确定模块2具体包括:降噪处理单元和特征数据确定单元。
其中,降噪处理单元用于对源数据进行降噪处理。
特征数据确定单元用于采用滑动窗口根据处理后的源数据确定特征数据。
作为本发明的另一优选实施例,本发明提供的检测道路路标的系统还包括:训练样本对和BP神经网络模型获取模块和训练模块。
其中,训练样本对和BP神经网络模型获取模块用于获取训练样本对和BP神经网络模型。训练样本对包括:训练源数据和与训练源数据相对应的道路路标检测结果。训练源数据包括:训练减速带特征数据和训练转弯特征数据。
训练模块用于采用训练样本对BP神经网络模型进行训练,得到训练好的BP神经网络模型。训练好的BP神经网络模型即为道路路标检测模型。
作为本发明的又一优选实施例,本发明提供的检测道路路标的系统还包括:加速度数据和陀螺仪数据获取模块、训练减速带特征数据确定模块和训练转弯特征数据确定模块。
加速度数据和陀螺仪数据获取模块用于获取道路路标为减速带时的加速度数据和陀螺仪数据,以及道路路标为转弯时的加速度数据和陀螺仪数据。
训练减速带特征数据确定模块用于采用设定步长的时间窗口,沿重力方向提取道路路标为减速带时的加速度数据,得到训练减速带特征数据。
训练转弯特征数据确定模块用于采用设定步长的时间窗口,沿重力方向提取道路路标为转弯时的陀螺仪数据,得到训练转弯特征数据。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种检测道路路标的方法,其特征在于,包括:
获取车辆行驶在当前路段的源数据;所述源数据包括加速度数据和陀螺仪数据;
根据所述源数据确定特征数据;所述特征数据包括:减速带特征数据和转弯特征数据;
获取道路路标检测模型;所述道路路标检测模型为以特征数据为输入,以道路路标结果为输出的神经网络模型;
以所述特征数据为输入,采用所述道路路标检测模型确定道路路标检测结果并进行存储;所述道路路标包括:减速带和转弯;
当车辆再次驶入当前路段时,获取当前车辆的加速度数据和陀螺仪数据;
根据所述当前车辆的加速度数据和陀螺仪数据,采用预测和回滚机制得到道路路标预测结果。
2.根据权利要求1所述的检测道路路标的方法,其特征在于,所述根据所述源数据确定特征数据,具体包括:
对所述源数据进行降噪处理;
采用滑动窗口根据处理后的所述源数据确定所述特征数据。
3.根据权利要求1所述的检测道路路标的方法,其特征在于,在所述获取道路路标检测模型之前,还包括:
获取训练样本对和BP神经网络模型;所述训练样本对包括:训练源数据和与所述训练源数据相对应的道路路标检测结果;所述训练源数据包括:训练减速带特征数据和训练转弯特征数据;
采用所述训练样本对所述BP神经网络模型进行训练,得到训练好的BP神经网络模型;所述训练好的BP神经网络模型即为所述道路路标检测模型。
4.根据权利要求3所述的检测道路路标的方法,其特征在于,在所述获取训练样本对和BP神经网络模型之前,还包括:
获取道路路标为减速带时的加速度数据和陀螺仪数据,以及道路路标为转弯时的加速度数据和陀螺仪数据;
采用设定步长的时间窗口,沿重力方向提取道路路标为减速带时的加速度数据,得到训练减速带特征数据;
采用设定步长的时间窗口,沿重力方向提取道路路标为转弯时的陀螺仪数据,得到训练转弯特征数据。
5.根据权利要求4所述的检测道路路标的方法,其特征在于,所述设定步长为0.2秒。
6.一种检测道路路标的系统,其特征在于,包括:
源数据获取模块,用于获取车辆行驶在当前路段的源数据;所述源数据包括加速度数据和陀螺仪数据;
特征数据确定模块,用于根据所述源数据确定特征数据;所述特征数据包括:减速带特征数据和转弯特征数据;
道路路标检测模型获取模块,用于获取道路路标检测模型;所述道路路标检测模型为以特征数据为输入,以道路路标结果为输出的神经网络模型;
道路路标确定模块,用于以所述特征数据为输入,采用所述道路路标检测模型确定道路路标检测结果并进行存储;所述道路路标包括:减速带和转弯;
第一加速度数据和陀螺仪数据获取模块,用于当车辆再次驶入当前路段时,获取当前车辆的加速度数据和陀螺仪数据;
道路路标预测模块,用于根据所述当前车辆的加速度数据和陀螺仪数据,采用预测和回滚机制得到道路路标预测结果。
7.根据权利要求6所述的检测道路路标的系统,其特征在于,所述特征数据确定模块具体包括:
降噪处理单元,用于对所述源数据进行降噪处理;
特征数据确定单元,用于采用滑动窗口根据处理后的所述源数据确定所述特征数据。
8.根据权利要求6所述的检测道路路标的系统,其特征在于,还包括:
训练样本对和BP神经网络模型获取模块,用于获取训练样本对和BP神经网络模型;所述训练样本对包括:训练源数据和与所述训练源数据相对应的道路路标检测结果;所述训练源数据包括:训练减速带特征数据和训练转弯特征数据;
训练模块,用于采用所述训练样本对所述BP神经网络模型进行训练,得到训练好的BP神经网络模型;所述训练好的BP神经网络模型即为所述道路路标检测模型。
9.根据权利要求8所述的检测道路路标的系统,其特征在于,还包括:
第二加速度数据和陀螺仪数据获取模块,用于获取道路路标为减速带时的加速度数据和陀螺仪数据,以及道路路标为转弯时的加速度数据和陀螺仪数据;
训练减速带特征数据确定模块,用于采用设定步长的时间窗口,沿重力方向提取道路路标为减速带时的加速度数据,得到训练减速带特征数据;
训练转弯特征数据确定模块,用于采用设定步长的时间窗口,沿重力方向提取道路路标为转弯时的陀螺仪数据,得到训练转弯特征数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427849.9A CN112581758A (zh) | 2020-12-07 | 2020-12-07 | 一种检测道路路标的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427849.9A CN112581758A (zh) | 2020-12-07 | 2020-12-07 | 一种检测道路路标的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112581758A true CN112581758A (zh) | 2021-03-30 |
Family
ID=75127917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011427849.9A Pending CN112581758A (zh) | 2020-12-07 | 2020-12-07 | 一种检测道路路标的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581758A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540149A (zh) * | 2018-12-19 | 2019-03-29 | 北京交通大学 | 一种利用VeTrack系统对室内汽车进行实时追踪的方法 |
CN110329271A (zh) * | 2019-06-18 | 2019-10-15 | 北京航空航天大学杭州创新研究院 | 一种基于机器学习的多传感器车辆行驶检测系统及方法 |
CN111275969A (zh) * | 2020-02-15 | 2020-06-12 | 湖南大学 | 一种基于道路环境智能识别的车辆轨迹填充方法 |
EP3723063A1 (en) * | 2019-04-08 | 2020-10-14 | Ningbo Geely Automobile Research & Development Co. Ltd. | Understanding road signs |
CN111837014A (zh) * | 2018-03-05 | 2020-10-27 | 御眼视觉技术有限公司 | 用于匿名化导航信息的系统和方法 |
-
2020
- 2020-12-07 CN CN202011427849.9A patent/CN112581758A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111837014A (zh) * | 2018-03-05 | 2020-10-27 | 御眼视觉技术有限公司 | 用于匿名化导航信息的系统和方法 |
CN109540149A (zh) * | 2018-12-19 | 2019-03-29 | 北京交通大学 | 一种利用VeTrack系统对室内汽车进行实时追踪的方法 |
EP3723063A1 (en) * | 2019-04-08 | 2020-10-14 | Ningbo Geely Automobile Research & Development Co. Ltd. | Understanding road signs |
CN110329271A (zh) * | 2019-06-18 | 2019-10-15 | 北京航空航天大学杭州创新研究院 | 一种基于机器学习的多传感器车辆行驶检测系统及方法 |
CN111275969A (zh) * | 2020-02-15 | 2020-06-12 | 湖南大学 | 一种基于道路环境智能识别的车辆轨迹填充方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
CN107492251B (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
CN111985494B (zh) | 一种基于轻量化车载终端的道路病害检测及分类方法 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN102765365B (zh) | 基于机器视觉的行人检测方法及行人防撞预警系统 | |
US9292750B2 (en) | Method and apparatus for detecting traffic monitoring video | |
KR100459476B1 (ko) | 차량의 대기 길이 측정 장치 및 방법 | |
CN110807436B (zh) | 危险驾驶行为识别与危险事件预测方法、装置及存储介质 | |
CN110728650B (zh) | 一种基于智能终端的井盖凹陷检测方法及相关设备 | |
CN111860274B (zh) | 基于头部朝向与上半身骨架特征的交警指挥手势识别方法 | |
CN102567744B (zh) | 基于机器学习的虹膜图像质量确定方法 | |
CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
CN108230254A (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
CN108229256B (zh) | 一种道路施工检测方法及装置 | |
KR101473957B1 (ko) | 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법 | |
CN110992693A (zh) | 一种基于深度学习的交通拥堵程度多维度分析方法 | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
JP2019112049A (ja) | 陸上車両の運転者の運転スタイルを認識するための方法及び対応する装置 | |
CN107463873B (zh) | 一种基于rgbd深度传感器的实时手势分析与评价方法与系统 | |
CN110084830A (zh) | 一种视频运动目标检测与跟踪方法 | |
CN108520528A (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN109720353B (zh) | 一种基于智能手机的驾驶行为检测方法 | |
CN103914853A (zh) | 多车辆跟踪时目标粘连和分裂情况的处理方法 | |
CN111717210B (zh) | 一种驾驶员手部相对静止状态下脱离方向盘检测方法 | |
CN111422203B (zh) | 一种驾驶行为评估方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |
|
RJ01 | Rejection of invention patent application after publication |