CN113223297B - 一种多维度自动车辆识别方法 - Google Patents

Abstract

本发明提出了一种多维度的自动车辆识别方法，包括如下步骤：S1、多维路侧感知设备获取车辆的多维数据，并将多维数据以及获取数据的时间、位置信息发送至感知数据处理平台；S2、感知数据处理平台汇聚了一段时间内不同点位上多维路侧感知设备发送来的多维数据后，通过数据维度特性评价单元对每个多维数据进行特征评价；S3、多维数据关联构建单元在每个多维数据特征评价的基础上，通过对个体车辆数据多样性的观察与比对，实现个体车辆多维度数据关联关系的构建，并通过关联置信度计算单元给出关联关系的置信度，从而实现以车辆为中心的一车一档。

Description

一种多维度自动车辆识别方法

技术领域

本发明涉及智能交通技术领域，特别涉及一种多维度的自动车辆识别方法。

背景技术

随着智能交通及物联网技术的发展与进步，越来越多的传感器和辅助驾驶设备被集成到车辆中，给驾驶者带来安全和方便的同时，也为智能交通和公共安防领域提供了新的有效技术手段。利用目前现有的传感器数据进行基础信息感知与获取，已经成为当前智能交通和公共安防领域发展的一大趋势。

当前，道路上的基础信息感知与获取方式主要方式分类两类：一种是通过道路卡口上的视频抓拍及基于图像的车辆识别技术，该技术手段普遍反映存在几个较为突出的问题有待进一步完善解决：1视频监控设备安装需要特定的角度，需要立横杆，甚至是专门的门架，实施的成本较高。2视频成像技术依赖光线，容易收天气，遮挡，反光等外部因素干扰。3视频设备及配件需要定期维护，例如更换补光灯，定期清洗镜头等，日常维护成本不低。4设备输出的视频和图像为非结构化数据，数据传输、存储成本较高，需要先进行结构化处理，以便于后期检索等相关应用。另外一种是通过管理手段，给每辆汽车预装特定的终端或者数字标签，例如专用的RFID卡。然后在路侧部署对应的设备与之通信，以实现对车辆的自动识别。这种方式最大的投入是针对每辆车的发卡过程，需要投入大量的工作。

发明内容

本发明的目的在于提供一种多维度的自动车辆识别方法，主要以克服现有技术中的不足。

为实现上述目的，本发明提供如下技术方案：

本申请公开了一种多维度的自动车辆识别方法，包括若干个设置于道路上不同点位的多维路侧感知设备100和感知数据处理平台200，所述感知数据处理平台200内设有数据维度特性评价单元210、多维数据关联构建单元220和关联置信度计算单元230，所述方法包括如下步骤：

S1、多维路侧感知设备100获取车辆的多维数据，并将多维数据以及获取数据的时间、位置信息发送至感知数据处理平台200；所述车辆的多维数据包括但不限于ETC、车载热点、车载蓝牙、车辆胎压等特征数据；

S2、感知数据处理平台200汇聚了一段时间内不同点位上多维路侧感知设备100发送来的多维数据后，通过数据维度特性评价单元210对每个多维数据进行特征评价；所述数据维度特性评价单元210对每个多维数据进行特征评价包括对多维数据中的每个维度数据作安装率Crn、采集率Arn、方向性Dri三个维度的定量评定，所述安装率Crn和采集率Arn为百分比，方向性Dri单向为1，双向为2；

S3、多维数据关联构建单元220在每个多维数据特征评价的基础上，通过对个体车辆数据多样性的观察与比对，实现个体车辆多维度数据关联关系的构建，并通过关联置信度计算单元230给出关联关系的置信度，从而实现以车辆为中心的一车一档；所述个体车辆多维度数据关联关系的构建包括如下子步骤：

S31、选择两个维度，记为维度A、维度B，从维度A出发，选出多样性满足阈值A_thr的对象集合，所述阈值的计算公式为：

， 其中，K为常量，取值为5， A_Arn是维度A数据的采集率， B_Arn是维度B数据的采集率；

S32、在满足阈值A_thr的对象集合中，选择其中一个对象A1，根据A1对应的历史记录位置为瞄点，时间差t_diff小于t秒为筛选条件，t典型取值为30秒，查询对应的记录位置和时间在维度B数据的出现统计作为维度B候选集，查询结果分为三种情况统计：

在相同位置接近时间内出现，视作匹配成功，标记为Y，累计数为 BY；

在相同位置接近时间内未找到相关匹配记录，标记为U，累计数为 BU；

在接近的时间内出现在另外的位置，标记为N，累计数为BN；

作为优选，所述多维路侧感知设备100内含了多个射频信道的感知模块，所述感知模块包括但不限于：用于获取车辆OBU_ID和车辆车牌信息的ETC感知模块；用于获取车辆内车载热点的名称及MAC地址的Wi-Fi感知模块；用于获取车载蓝牙的名称和MAC地址的蓝牙感知模块；用于获取车辆胎压中轮胎的ID的胎压感知模块。

作为优选，所述步骤S3中关联置信度计算单元230给出关联关系的置信度具体包含如下子步骤：

S33、计算选择对象A1对应的维度B候选集中对象Bn的关联度Bn_Crl，计算公式为：

，

其中 A_Dri为A维度数据采集的方向性，A1_m是A1的m条历史记录总数，B_Arn是维度B数据的采集率；

S34、对A1关联的Bn候选集按照关联度进行排序，判断维度B候选集中各对象的关联度Bn_Crl是否满足系统设定的置信度门限，如果满足，则再从Bn出发，筛选维度A候选集，验证是否为对象A1，如果是，则实现了一车一档。

本发明的有益效果：

1、与现有技术方案相比，本方法的路侧感知设备支持侧装，单个设备可支持多车道，安装维护简单，技术推广成本低；

2、与基于视频图像的技术方案比，采集的数据本身是结构化的数据，数据存储成本低、数据检索效率高；

3、系统构建的一车一档后，后续其他终端或者系统，只要其中的一维数据即可关联出更多的信息，大大提高了数据的利用价值；

本发明的特征及优点将通过实施例结合附图进行详细说明。

附图说明

图1是本发明一种多维度的自动车辆识别方法的设备结构示意图；

图2是本发明一种多维度的自动车辆识别方法的流程示意图；

图中：100-多维路侧感知设备、200-感知数据处理平台、210-数据维度特征评价单元、220-多维数据关联构建单元、230-关联置信度计算单元。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

参阅图1-2，本发明一种多维度的自动车辆识别方法如下：

路侧感知设备安装到路侧后，持续采集周边的无线射频信号的数据，并进行分析，截取其中的特征数据。路侧感知设备100完成多通道数据采集后，将数据进行压缩、加密传输到感知数据处理平台。

通过个体数据的多样性进行数据关联构建，与数据维度本身的特性相关。为此，我们需要先将每个维度的数据作以下的几个特征评价：

采集率 Arn 指的是安装了对应数据维度设备后，经过路侧感知设备时被准确采集到的比例，代表感知设备的采集成功率，取值范围 [0-100%]。各个维度的采集率，可以通过测试环境标定测试，得到准确的量化结果。以Wi-Fi维度为例，采集到车载热点的概率超过96%，而车载胎压的采集率就低很多。

安装率 Crn 指的是车辆安装对应数据维度设备的比例，代表该维度数据在目前现实场景下的覆盖率，取值范围 [0-100%]。不同维度的安装率可以通过城市内特定定位的采集统计计算出近似的值。例如目前ETC的安装率大约在80%左右，不同城市稍有不同。

方向性 Dri 指的是当车辆经过路侧设备时，路侧设备采集对应维度数据是否能区分方向性，取值为[1-2]，单向为1，双向为2。一般地，在常规双向车道上，ETC感知设备能识别出对应的方向，Wi-Fi和蓝牙则是不管哪个方向，都能采集到，所以ETC维度数据的Dri为1，Wi-Fi维度数据的Dir为2。

在对每个维度数据特征进行评价的基础上，通过两两数据的关联关系构建，实现多维度的一车一档。以下以A到B维度的关联关系举例，首选从A维度数据中，选出符合多样性门限的候选集，多样性的门限为：

首先从 A 维度出发，筛选出有一定多样性diversity的目标集A1..An，其门限阈值 A_thr 为：

其中，K为常量，取值为5，A_Crn是A维度数据的安装率，A_Arn是A维度数据的采集率，A_Dri是A维度数据采集的方向性；B_Crn是B维度数据的安装率，B_Arn是B维度数据的采集率，B_Dri是B维度数据采集的方向性；

在A维度数据中，筛选出记录数大于A_thr的候选集合(A1..An)中，以A1为例，假定对应的记录为m条，记作(A1_1..A1_m)。据此m个位置为瞄点，时间差t_diff小于30秒为筛选条件，查询对应位置和时间B维度数据的出现统计，查询结果分为三种情况统计：

BY： 在相同位置接近时间内出现，视作匹配成功，标记为Y，累计数为 BY；

BU： 在相同位置接近时间内未找到相关匹配记录，标记为U，累计数为 BU；

BN： 在接近的时间内出现在另外的位置，标记为N，累计数为BN；

表1

所述感知数据处理平台中的关联置信度计算单元230，其特征在于优先计算方向性为单向的维度与其他维度的关联置信度，以A维度数据到B维度为例，具体的置信度公式为：

一般情况下，当BN不为0时，表示在接近的时间内，B维度数据出现在另外一个位置，表示它不可能与A有关联，所以对应的关联度为负数。

进一步，A1 对应的B维度候选集(B1..Bn)的关联度Bn_Crl计算公式为：

优选地，对A1关联的Bn候选集按照关联度进行排序，记作B1_Crl..Bn_Crl。以设定置信度的门限为过滤条件，筛选满足置信度要求的候选集。

表2

再从B1出发，筛选A维度的候选集，验证是否为A1，如果是，将关联度候选集更新到一车一档的表中。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种多维度的自动车辆识别方法，其特征在于，包括若干个设置于道路上不同点位的多维路侧感知设备（100）和感知数据处理平台（200），所述感知数据处理平台（200）内设有数据维度特性评价单元（210）、多维数据关联构建单元（220）和关联置信度计算单元（230），所述方法包括如下步骤：

S1、多维路侧感知设备（100）获取车辆的多维数据，并将多维数据以及获取数据的时间、位置信息发送至感知数据处理平台（200）；所述车辆的多维数据包括但不限于ETC、车载热点、车载蓝牙、车辆胎压特征数据；

S2、感知数据处理平台（200）汇聚了一段时间内不同点位上多维路侧感知设备（100）发送来的多维数据后，通过数据维度特性评价单元（210）对每个多维数据进行特征评价；所述数据维度特性评价单元（210）对每个多维数据进行特征评价包括对多维数据中的每个维度数据作安装率Crn、采集率Arn、方向性Dri三个维度的定量评定，所述安装率Crn和采集率Arn为百分比，方向性Dri单向为1，双向为2；

S3、多维数据关联构建单元（220）在每个多维数据特征评价的基础上，通过对个体车辆数据多样性的观察与比对，实现个体车辆多维度数据关联关系的构建，并通过关联置信度计算单元（230）给出关联关系的置信度，从而实现以车辆为中心的一车一档，所述个体车辆多维度数据关联关系的构建包括如下子步骤：

S31、选择两个维度，记为维度A、维度B，从维度A出发，选出多样性满足阈值A_thr的对象集合，所述阈值的计算公式为：

， 其中，K为常量，取值为5，A_Arn是维度A数据的采集率， B_Arn是维度B数据的采集率；

S32、在满足阈值A_thr的对象集合中，选择其中一个对象A1，根据A1对应的历史记录位置为瞄点，时间差t_diff小于t秒为筛选条件，查询对应的记录位置和时间在维度B数据的出现统计作为维度B候选集，查询结果分为三种情况统计：

在相同位置接近时间内出现，视作匹配成功，标记为Y，累计数为 BY；

在相同位置接近时间内未找到相关匹配记录，标记为U，累计数为 BU；

在接近的时间内出现在另外的位置，标记为N，累计数为BN。

2.如权利要求1所述的一种多维度的自动车辆识别方法，其特征在于，所述多维路侧感知设备（100）内含了多个射频信道的感知模块，所述感知模块包括但不限于：用于获取车辆OBU_ID和车辆车牌信息的ETC感知模块；用于获取车辆内车载热点的名称及MAC地址的Wi-Fi感知模块；用于获取车载蓝牙的名称和MAC地址的蓝牙感知模块；用于获取车辆胎压中轮胎的ID的胎压感知模块。

3.如权利要求1所述的一种多维度的自动车辆识别方法，其特征在于：所述步骤S3中关联置信度计算单元（230）给出关联关系的置信度具体包含如下子步骤：

S33、计算选择对象A1对应的维度B候选集中对象Bn的关联度Bn_Crl，计算公式为：

， 其中 A_Dri为A维度数据采集的方向性，A1_m是A1的m条历史记录总数，B_Arn是维度B数据的采集率；

S34、对A1关联的Bn候选集按照关联度进行排序，判断维度B候选集中各对象的关联度Bn_Crl是否满足系统设定的置信度门限，如果满足，则再从Bn出发，筛选维度A候选集，验证是否为对象A1，如果是，则实现了一车一档。

Images