CN113192340A - 高速公路施工车辆的识别方法、装置、设备及存储介质 - Google Patents
高速公路施工车辆的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113192340A CN113192340A CN202110325619.XA CN202110325619A CN113192340A CN 113192340 A CN113192340 A CN 113192340A CN 202110325619 A CN202110325619 A CN 202110325619A CN 113192340 A CN113192340 A CN 113192340A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- construction
- vehicles
- track
- parking
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明公开了一种高速公路施工车辆的识别方法、装置、设备及存储介质,所述方法包括:根据车辆的行驶轨迹确定车辆是否在高速公路上发生停靠行为;若所述车辆在高速公路上发生停靠行为,则根据预设时间段内的行驶轨迹提取车辆的停靠特征因子;将所述停靠特征因子输入预先训练的施工车辆识别模型,得到施工车辆识别结果。根据本公开实施例提供的高速公路施工车辆的识别方法,可以精确高效的识别高速公路上的施工车辆,且方案成本低,适用范围广。
Description
技术领域
本发明涉及车联网技术领域,特别涉及一种高速公路施工车辆的识别方法、装置、设备及存储介质。
背景技术
高速公路作为我国重要的交通道路,车流量大,而且车速较高,若高速公路上存在施工车辆,但是无法及时识别,并及时提醒周围车辆的话,不仅容易造成交通拥堵,而且大大影响了车辆出行的安全性。
现有技术中,采用外部硬件设备采集施工车图像,再利用深度学习图像识别模型对施工车辆进行识别。该神经网络模型对输入图像质量要求高,而且需要安装图像采集设备,导致方案实施成本高、应用范围小。
发明内容
本公开实施例提供了一种高速公路施工车辆的识别方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本公开实施例提供了一种高速公路施工车辆的识别方法,包括:
根据车辆的行驶轨迹确定车辆是否在高速公路上发生停靠行为;
若车辆在高速公路上发生停靠行为,则根据预设时间段内的行驶轨迹提取车辆的停靠特征因子;
将停靠特征因子输入预先训练的施工车辆识别模型,得到施工车辆识别结果。
在一个可选地实施例中,根据车辆的行驶轨迹确定车辆是否在高速公路上发生停靠行为之前,还包括:
获取车辆的行驶轨迹数据。
在一个可选地实施例中,若车辆在高速公路上发生停靠行为,则根据预设时间段内的行驶轨迹提取车辆的停靠特征因子,包括:
获取车辆停靠开始前预设时间段内的行驶轨迹作为第一轨迹数据;
获取车辆停靠时的行驶轨迹作为第二轨迹数据;
获取停靠车辆预设距离范围内的其他车辆的行驶轨迹,作为第三轨迹数据;
根据第一轨迹数据、第二轨迹数据、第三轨迹数据提取车辆的停靠特征因子。
在一个可选地实施例中,根据第一轨迹数据、第二轨迹数据、第三轨迹数据提取车辆的停靠特征因子,包括:
根据第一轨迹数据得到车辆停靠前的平均速度、行驶时长、行驶里程;
根据第二轨迹数据得到车辆停靠时双闪开启信息、停靠位置的合理信息、停靠移动信息、停靠倒车信息;
根据第三轨迹数据得到车辆预设距离范围内的其他车辆的平均速度、道路前方停靠车辆数、道路后方停靠车辆数。
在一个可选地实施例中,根据第一轨迹数据、第二轨迹数据、第三轨迹数据提取车辆的停靠特征因子之后,还包括:
通过离散化、二元化、标准化中的一种或多种方法处理停靠特征因子,得到多个衍生停靠特征因子。
在一个可选地实施例中,将停靠特征因子输入预先训练的施工车辆识别模型之前,还包括:
抽取预设数量的正负样本,并构建训练集和测试集;
根据训练集以及随机森林算法训练施工车辆识别模型;
根据测试集测试训练完成的施工车辆识别模型。
在一个可选地实施例中,得到施工车辆识别结果之后,还包括:
在施工车辆预设距离范围内动态建立电子围栏,并向进入围栏内的车辆发送预警信息。
第二方面,本公开实施例提供了一种高速公路施工车辆的识别装置,包括:
判断模块,用于根据车辆的行驶轨迹确定车辆是否在高速公路上发生停靠行为;
提取模块,用于当车辆在高速公路上发生停靠行为时,根据预设时间段内的行驶轨迹提取车辆的停靠特征因子;
识别模块,用于将停靠特征因子输入预先训练的施工车辆识别模型,得到施工车辆识别结果。
第三方面,本公开实施例提供了一种高速公路施工车辆的识别设备,包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行上述实施例提供的高速公路施工车辆的识别方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令可被处理器执行以实现上述实施例提供的一种高速公路施工车辆的识别方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开实施例提供的高速公路施工车辆的识别方法,通过货运平台中海量货车轨迹点数据,以机器学习技术为手段,构建高速公路上施工车辆的识别模型,将模型嵌入实时计算系统中,实现对高速公路施工车辆的实时判断,对正在施工的路段形成实时提醒围栏,确保高速公路交通顺畅安全。该方案实施成本低,适用范围广,能准确高效地识别出高速公路上的施工车辆。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种高速公路施工车辆的识别方法的流程示意图;
图2是根据一示例性实施例示出的一种高速公路施工车辆的识别方法的流程示意图;
图3是根据一示例性实施例示出的一种高速公路施工车辆的识别装置的结构示意图;
图4是根据一示例性实施例示出的一种高速公路施工车辆的识别设备的结构示意图;
图5是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
下面将结合附图1-附图2,对本申请实施例提供的高速公路施工车辆的识别方法进行详细介绍。图1是根据一示例性实施例示出的一种高速公路的施工车辆的识别方法的示意图,参见图1,该方法具体包括以下步骤。
S101根据车辆的行驶轨迹确定车辆是否在高速公路上发生停靠行为。
在一种可能的实现方式中,在执行步骤S101之前,还包括获取车辆的行驶轨迹,根据车辆的行驶轨迹判断车辆是否发生停靠行为。
具体地,首先获取待识别车辆的轨迹数据,可获取车辆的GPS轨迹点数据,其中,GPS轨迹点是部署在车辆上的GPS(GlobalPositioning System,全球定位系统)设备实时上报的车辆位置数据。通常,GPS设备在实时上报时,上报的时间间隔可以根据实际情况进行设定,本申请优选时间间隔为10S。
需要说明的是,本申请除了采用车辆安装GPS设备实时上报车辆的轨迹数据之外,还可以是由北斗设备定位车辆轨迹并进行上报。
进一步地,获取到待识别车辆的GPS轨迹点之后,根据车辆的轨迹数据判断车辆是否发生停靠行为。具体地,获取轨迹信息中速度为0的点,并按时间间隔阈值和偏移量阈值进行合并,例如,将10分钟之内的多个停靠点进行合并,将距离较近的多个停靠点进行合并,获得以质心表示的停靠点,通过该步骤,可以对小停靠做一定范围的聚合,然后计算停靠时间,筛选出大于预设停靠阈值的停靠点,从而确定车辆发生停靠行为。本申请中优选停靠阈值为10分钟内。
进一步地,判断车辆是否在高速公路上停靠,获取车辆停车前2分钟的行驶轨迹数据,根据轨迹数据中的位置信息判断车辆停靠前是否在高速公路上行驶,若在高速公路上行驶,则确定车辆在高速公路上发生了停靠行为。
根据该步骤,可以根据车辆的行驶轨迹判断车辆是否在高速公路上发生了停靠行为。
S102若车辆在高速公路上发生停靠行为,则根据预设时间段内的行驶轨迹提取车辆的停靠特征因子。
在一种可能的实现方式中,若车辆在高速公路上发生停靠行为,则根据预设时间段内的行驶轨迹提取车辆的停靠特征因子,具体包括:
获取车辆停靠开始前预设时间段内的行驶轨迹作为第一轨迹数据,例如,根据车辆的车牌号以及上报的轨迹信息,提取车辆停靠前1小时的轨迹数据,记为第一轨迹数据。本领域技术人员可自行设置预设时间段,本公开实施例不做具体限定。获取车辆停靠时的行驶轨迹作为第二轨迹数据。获取停靠车辆预设距离范围内的其他车辆的行驶轨迹,作为第三轨迹数据,例如,根据停靠经纬度以及停靠开始的时间,提取车辆停靠前后该段高速路上(停靠经纬度按照道路方向前后延生500米)其他车辆的轨迹数据,作为第三轨迹数据。
进一步地,根据第一轨迹数据、第二轨迹数据、第三轨迹数据提取车辆的停靠特征因子。
具体地,第一轨迹数据为待识别车辆停靠前的轨迹,根据第一轨迹数据中的速度信息、时间信息、距离信息、位置信息等信息,得到车辆停靠前的平均速度、行驶时长、行驶里程,例如,根据第一轨迹数据中的起始速度和停靠前速度取平均值,得到停靠前的平均速度;根据起始时间和停靠前时间的差值,计算出行驶时长;根据起始位置和停靠前位置的差值,计算出行驶里程。第二轨迹数据为待识别车辆停靠时的轨迹信息,根据第二轨迹数据得到车辆停靠时双闪开启信息、停靠位置的合理信息、停靠移动信息、停靠倒车信息,例如,根据第二轨迹数据中的灯光信息判断车辆停靠时是否开启双闪,根据停靠时的位置信息判断停靠位置是否在合理范围内,根据停靠时的速度信息判断车辆停靠时是否发生缓慢移动,根据停靠速度以及位置信息判断车辆是否发生倒车行为。第三轨迹数据为停靠车辆预设距离范围内的其他车辆的行驶轨迹,根据第三轨迹数据计算出车辆停靠前道路前方其他车辆的平均速度、道路前方其他车辆的停靠车辆数、停靠后道路后方其他车辆的平均速度、道路后方其他车辆的停靠车辆数,例如,根据第三轨迹数据中按照道路方向前后延生500米的其他车辆的速度信息和运行状态,来判断停靠车辆的停靠位置。其中,停靠车辆的预设距离范围本领域技术人员可自行设定,本公开实施例不做具体限定。
进一步地,通过离散化、二元化、标准化中的一种或多种方法处理停靠特征因子,得到多个衍生停靠特征因子。
可选地,可以采用离散化方法处理停靠特征因子,离散化指的是把某个特征的值按照一定的规则映射到不同的区间之中,比如行驶时长,(0,1.5]=1,(1.5,1.8]=2,[1.8,∞)=3。可选地,还可以采用二元化方法处理停靠特征因子,二元化指的是对于类别变量,转化成0、1的数组,例如,车辆停靠时是否开启双闪,若开启,则数值为1,若不开启,则数值为2。还可以采用标准化的方法处理停靠特征因子,将数据转化成单位一致的数据,消除特征变量之间的量纲影响,从而得到衍生停靠特征因子。
在一种可能的实现方式中,本领域技术人员可以采用离散化的方法处理停靠特征因子,也可以采用二元化的方法处理停靠特征因子,也可以采用标准化的方法处理停靠特征因子,也可以组合使用以上处理方法处理停靠特征因子,得到衍生停靠特征因子,本领域技术人员不做具体限定。
进一步地,得到多个停靠特征因子之后,还可以对多个停靠特征因子进行相关性分析,高相关性的多个自变量,会造成共线性问题,影响模型的效果,因此,删除相关性较高的停靠特征因子,对于多个相关性高的特征因子,只保留一个即可。
S103将停靠特征因子输入预先训练的施工车辆识别模型,得到施工车辆识别结果。
在一个可选地实施例中,将停靠特征因子输入预先训练的施工车辆识别模型之前,还包括训练施工车辆识别模型。
具体地,首先收集正负样本数据,其中,正样本表示施工车辆的数据,负样本表示未施工车辆的数据,按照步骤S101、S102采集确切在高速公路上正在施工的车辆的停靠特征因子,构成正样本,采集在高速公路上发生停靠行为,但是没有施工的车辆的停靠特征因子,构成负样本。
在一种可能的实现方式中,按照1:1的正负样本比例随机抽取预设数量的样本,其中,抽取的数量本公开实施例不做具体限定,本领域技术人员可自由设定。然后,可以按照8:2的比例构建训练集和测试集。
进一步地,根据构建的训练集,以机器学习技术为手段,训练本公开实施例中的施工车辆识别模型。具体地,训练集中包含施工车辆的停靠特征因子,包含未施工车辆的停靠特征因子,将训练集输入随机森林算法进行训练,得到训练好的施工车辆识别模型。
随机森林(Random Forest,简称RF)就是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,而它的本质属于集成学习方法。每棵决策树都是一个分类器,那么对于一个输入样本,N棵树会有N个分类结果,而随机森林集成了所有的分类投票结果,将投票次数最多的类别指定为最终的输出。
在一个实施例中,如果训练集大小为{X1,X2,X3…Xn},对于每棵决策树而言,随机且有放回地从训练集中抽取{X1,X2,X3…Xm}(其中,n>=m)个训练样本,作为该树的训练集,然后每棵树输出“{X1,X2…Xa}是施工车辆”和“{X1,X2…Xb}不是施工车辆”的两种分类结果,最后,随机森林算法集成了所有的分类投票结果,将投票次数最多的类别指定为最终的输出,当a>b时,最终输出结果为“是施工车辆”;当a<b时,最终输出结果为“不是施工车辆”。即正样本的权重值高于负样本的权重值,施工车辆模型输出的结果为施工车辆;正样本的权重值低于负样本的权重值,施工车辆模型输出的结果为未施工车辆。假设有20个决策树的投票结果为施工车辆,3个决策树的投票结果为不是施工车辆,则模型最后输出的结果为施工车辆。
在进行模型训练的过程中,还包括评估模型的性能,计算模型的AUC,利用网格搜索方法发现模型最佳参数,最后以得到最高AUC的参数作为最优模型参数,并输出保存模型。
AUC是一种衡量机器学习模型分类性能的重要指标,其只能用于二分类的情况,AUC的本质含义反映的是对于任意一对正负例样本,模型将正样本预测为正例的可能性大于将负例预测为正例的可能性的概率。AUC是ROC曲线和x轴(FPR轴)之间的面积。ROC曲线是以FPR为横轴,TPR为纵轴绘制的曲线,它越靠近左上角,表明模型的性能越好。如果模型A的ROC曲线能完全“包住”模型B的ROC曲线,则可断言A的性能比B好,但是两个模型的ROC往往是相交的,这时为了比较性能就需要用到AUC。在一种可能的实现方式中,可以绘制出ROC曲线,然后计算出曲线下包绕的面积,面积值即AUC。AUC更直观地反应了ROC曲线向我们表达的模型分类能力,其数值大小(越大越好)代表了模型的性能优劣。本申请中AUC阈值范围是(0,1),当数值越趋近于1时,模型的性能越优异。
进一步地,得到训练好的施工车辆识别模型之后,将测试集输入训练完成的施工车辆识别模型,评估预测结果的混淆矩阵,如果测试集的AUC在训练集的AUC正常范围内浮动,则输出保存模型进行应用。否则,优化特征因子,构建测试集和训练集,重新训练施工车辆识别模型。本申请中测试集的AUC在训练集的AUC的10%范围内浮动时,输出并保存模型;超出10%浮动时,重新训练模型。
最后,将实时计算的停靠特征因子输入预先训练好的施工车辆识别模型,得到“施工车辆”或“不是施工车辆”的识别结果。
在一个可选地实施例中,得到施工车辆的识别结果之后,还包括:在施工车辆预设距离范围内动态建立电子围栏,并向进入围栏内的车辆发送预警信息。
例如,判断出是施工车辆之后,获取车辆的施工位置信息,以施工车辆的位置信息为起点,沿着高速公路往后面动态形成一个3km的电子围栏,并向进入围栏内的车辆发送预警信息。例如,向进入围栏内的车辆发送“前方有施工车辆,请注意”的提示信息。
为了便于理解本申请实施例提供的高速公路施工车辆的识别方法,下面结合附图2进行说明。如图2所示,该方法包括如下步骤。
首先,获取车辆的轨迹数据,根据车辆的轨迹数据监控车辆的行驶状态,判断车辆是否发生停靠行为,若车辆发生停靠行为,可以调取车辆停靠前2分钟的行驶轨迹,根据轨迹判断停靠前是否在高速行驶,若在高速行驶,确定车辆是在高速公路上停靠。
进一步地,若车辆在高速公路上停靠,可以实时计算车辆的停靠特征因子,具体地,根据第一轨迹数据中的速度信息、时间信息、距离信息、位置信息等信息,得到车辆停靠前的平均速度、行驶时长、行驶里程。根据第二轨迹数据得到车辆停靠时双闪开启信息、停靠位置的合理信息、停靠移动信息、停靠倒车信息,根据第三轨迹数据计算出车辆停靠前道路前方其他车辆的平均速度、道路前方其他车辆的停靠车辆数、停靠后道路后方其他车辆的平均速度、道路后方其他车辆的停靠车辆数。
进一步地,将已计算好的停靠特征因子输入训练好的施工车辆识别模型,得到模型识别结果,其中,施工车辆识别模型是根据随机森林算法训练的。
最后,得到施工车辆的识别结果之后,在施工车辆预设距离范围内动态建立电子围栏,并向进入围栏内的车辆发送预警信息。
根据本公开实施例提供的高速公路施工车辆的识别方法,实现对高速公路施工车辆的实时判断,对正在施工的路段形成实时提醒围栏,确保高速公路交通顺畅安全。该方案实施成本低,适用范围广,能准确高效地识别出高速公路上的施工车辆。
本公开实施例还提供一种高速公路施工车辆的识别装置,该装置用于执行上述实施例的高速公路施工车辆的识别方法,如图3所示,该装置包括:
判断模块301,用于根据车辆的行驶轨迹确定车辆是否在高速公路上发生停靠行为;
提取模块302,用于当车辆在高速公路上发生停靠行为时,根据预设时间段内的行驶轨迹提取车辆的停靠特征因子;
识别模块303,用于将停靠特征因子输入预先训练的施工车辆识别模型,得到施工车辆识别结果。
需要说明的是,上述实施例提供的高速公路施工车辆的识别装置在执行高速公路施工车辆的识别方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的高速公路施工车辆的识别装置与高速公路施工车辆的识别方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本公开实施例还提供一种与前述实施例所提供的高速公路施工车辆的识别方法对应的电子设备,以执行上述高速公路施工车辆的识别方法。
请参考图4,其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图4所示,电子设备包括:处理器400,存储器401,总线402和通信接口403,处理器400、通信接口403和存储器401通过总线402连接;存储器401中存储有可在处理器400上运行的计算机程序,处理器400运行计算机程序时执行本申请前述任一实施例所提供的高速公路施工车辆的识别方法。
其中,存储器401可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口403(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线402可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器401用于存储程序,处理器400在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的高速公路施工车辆的识别方法可以应用于处理器400中,或者由处理器400实现。
处理器400可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器400中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器400可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401,处理器400读取存储器401中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的高速公路施工车辆的识别方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的高速公路施工车辆的识别方法对应的计算机可读存储介质,请参考图5,其示出的计算机可读存储介质为光盘500,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的高速公路施工车辆的识别方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的高速公路施工车辆的识别方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种高速公路施工车辆的识别方法,其特征在于,包括:
根据车辆的行驶轨迹确定车辆是否在高速公路上发生停靠行为;
若所述车辆在高速公路上发生停靠行为,则根据预设时间段内的行驶轨迹提取车辆的停靠特征因子;
将所述停靠特征因子输入预先训练的施工车辆识别模型,得到施工车辆识别结果。
2.根据权利要求1所述的方法,其特征在于,根据车辆的行驶轨迹确定车辆是否在高速公路上发生停靠行为之前,还包括:
获取车辆的行驶轨迹数据。
3.根据权利要求1所述的方法,其特征在于,若所述车辆在高速公路上发生停靠行为,则根据预设时间段内的行驶轨迹提取车辆的停靠特征因子,包括:
获取车辆停靠开始前预设时间段内的行驶轨迹作为第一轨迹数据;
获取车辆停靠时的行驶轨迹作为第二轨迹数据;
获取停靠车辆预设距离范围内的其他车辆的行驶轨迹,作为第三轨迹数据;
根据所述第一轨迹数据、第二轨迹数据、第三轨迹数据提取车辆的停靠特征因子。
4.根据权利要求3所述的方法,其特征在于,根据所述第一轨迹数据、第二轨迹数据、第三轨迹数据提取车辆的停靠特征因子,包括:
根据所述第一轨迹数据得到车辆停靠前的平均速度、行驶时长、行驶里程;
根据所述第二轨迹数据得到车辆停靠时双闪开启信息、停靠位置的合理信息、停靠移动信息、停靠倒车信息;
根据所述第三轨迹数据得到车辆预设距离范围内的其他车辆的平均速度、道路前方停靠车辆数、道路后方停靠车辆数。
5.根据权利要求4所述的方法,其特征在于,根据所述第一轨迹数据、第二轨迹数据、第三轨迹数据提取车辆的停靠特征因子之后,还包括:
通过离散化、二元化、标准化中的一种或多种方法处理停靠特征因子,得到多个衍生停靠特征因子。
6.根据权利要求1所述的方法,其特征在于,将所述停靠特征因子输入预先训练的施工车辆识别模型之前,还包括:
抽取预设数量的正负样本,并构建训练集和测试集;
根据所述训练集以及随机森林算法训练所述施工车辆识别模型;
根据所述测试集测试训练完成的施工车辆识别模型。
7.根据权利要求1所述的方法,其特征在于,得到施工车辆识别结果之后,还包括:
在施工车辆预设距离范围内动态建立电子围栏,并向进入围栏内的车辆发送预警信息。
8.一种高速公路施工车辆的识别装置,其特征在于,包括:
判断模块,用于根据车辆的行驶轨迹确定车辆是否在高速公路上发生停靠行为;
提取模块,用于当所述车辆在高速公路上发生停靠行为时,根据预设时间段内的行驶轨迹提取车辆的停靠特征因子;
识别模块,用于将所述停靠特征因子输入预先训练的施工车辆识别模型,得到施工车辆识别结果。
9.一种高速公路施工车辆的识别设备,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至7任一项所述的高速公路施工车辆的识别方法。
10.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至7任一项所述的一种高速公路施工车辆的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325619.XA CN113192340B (zh) | 2021-03-26 | 2021-03-26 | 高速公路施工车辆的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325619.XA CN113192340B (zh) | 2021-03-26 | 2021-03-26 | 高速公路施工车辆的识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192340A true CN113192340A (zh) | 2021-07-30 |
CN113192340B CN113192340B (zh) | 2022-09-20 |
Family
ID=76974096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110325619.XA Active CN113192340B (zh) | 2021-03-26 | 2021-03-26 | 高速公路施工车辆的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192340B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838284A (zh) * | 2021-09-15 | 2021-12-24 | 北京中交兴路车联网科技有限公司 | 一种事故高发路段上的车辆预警方法、装置、存储介质及终端 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160991A (zh) * | 2015-07-27 | 2015-12-16 | 福建工程学院 | 一种新增建筑物的识别方法及系统 |
CN105844848A (zh) * | 2016-05-31 | 2016-08-10 | 新奥科技发展有限公司 | 一种地下管线的安全管理方法及装置 |
CN105894701A (zh) * | 2016-04-05 | 2016-08-24 | 江苏电力信息技术有限公司 | 输电线路防外破大型施工车辆的识别报警方法 |
CN110222949A (zh) * | 2019-05-15 | 2019-09-10 | 中国移动通信集团内蒙古有限公司 | 干线光缆预警方法、装置、设备、系统及计算机存储介质 |
JP2019199160A (ja) * | 2018-05-16 | 2019-11-21 | 三菱電機株式会社 | 走行軌跡認識装置、走行軌跡認識方法、車両制御装置、および車両制御方法 |
CN210129269U (zh) * | 2019-06-18 | 2020-03-06 | 河南省高速公路实业开发有限公司 | 一种道路施工安全区防闯入预警系统 |
CN111091215A (zh) * | 2019-12-11 | 2020-05-01 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
CN111967377A (zh) * | 2020-08-14 | 2020-11-20 | 上海眼控科技股份有限公司 | 工程车辆状态识别方法、装置、设备及存储介质 |
-
2021
- 2021-03-26 CN CN202110325619.XA patent/CN113192340B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160991A (zh) * | 2015-07-27 | 2015-12-16 | 福建工程学院 | 一种新增建筑物的识别方法及系统 |
CN105894701A (zh) * | 2016-04-05 | 2016-08-24 | 江苏电力信息技术有限公司 | 输电线路防外破大型施工车辆的识别报警方法 |
CN105844848A (zh) * | 2016-05-31 | 2016-08-10 | 新奥科技发展有限公司 | 一种地下管线的安全管理方法及装置 |
JP2019199160A (ja) * | 2018-05-16 | 2019-11-21 | 三菱電機株式会社 | 走行軌跡認識装置、走行軌跡認識方法、車両制御装置、および車両制御方法 |
CN110222949A (zh) * | 2019-05-15 | 2019-09-10 | 中国移动通信集团内蒙古有限公司 | 干线光缆预警方法、装置、设备、系统及计算机存储介质 |
CN210129269U (zh) * | 2019-06-18 | 2020-03-06 | 河南省高速公路实业开发有限公司 | 一种道路施工安全区防闯入预警系统 |
CN111091215A (zh) * | 2019-12-11 | 2020-05-01 | 浙江大搜车软件技术有限公司 | 车辆识别方法、装置、计算机设备和存储介质 |
CN111967377A (zh) * | 2020-08-14 | 2020-11-20 | 上海眼控科技股份有限公司 | 工程车辆状态识别方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838284A (zh) * | 2021-09-15 | 2021-12-24 | 北京中交兴路车联网科技有限公司 | 一种事故高发路段上的车辆预警方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113192340B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
CN111462488B (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
CN105513354A (zh) | 基于视频的城市道路交通拥堵检测系统 | |
CN108389421B (zh) | 基于图像再识别的停车场精确诱导系统及方法 | |
CN102800207A (zh) | 交通信号检测系统和方法 | |
CN103150900A (zh) | 一种基于视频的交通拥堵事件自动检测方法 | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
CN110705582B (zh) | 一种基于改进K-Means聚类算法的船舶过桥行为特征提取方法 | |
CN113155173A (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
CN114973659A (zh) | 一种高速公路的间接事件检测的方法、装置及系统 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN115527364A (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
CN115797403A (zh) | 交通事故预测方法和装置、存储介质及电子设备 | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
CN114771548A (zh) | 用于高级驾驶辅助系统测试和验证的数据记录 | |
CN114822044B (zh) | 一种基于隧道的行车安全预警方法及设备 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN115565373A (zh) | 高速公路隧道事故实时风险预测方法、装置、设备及介质 | |
CN111341106A (zh) | 交通预警方法、装置和设备 | |
CN110060452A (zh) | 车辆进出场所的警示方法及装置 | |
CN117437792B (zh) | 基于边缘计算的实时道路交通状态监测方法、设备及系统 |
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 |