CN113807588A - 基于交通事故的行车路径规划方法及装置 - Google Patents
基于交通事故的行车路径规划方法及装置 Download PDFInfo
- Publication number
- CN113807588A CN113807588A CN202111102369.XA CN202111102369A CN113807588A CN 113807588 A CN113807588 A CN 113807588A CN 202111102369 A CN202111102369 A CN 202111102369A CN 113807588 A CN113807588 A CN 113807588A
- Authority
- CN
- China
- Prior art keywords
- accident
- road
- traffic
- planning
- screening
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能交通技术领域,提出一种基于交通事故的行车路径规划方法包括:获取视频信息,对视频信息进行监控;在判定视频信息中出现道路事故时截取视频信息,得到事故图片信息集;利用交通事故等级检测模型提取事故图片信息集中的损坏特征,得到事故预测等级,根据事故预测等级计算道路事故的处理时间;根据视频终端设备信息编号,获取道路事故的事故发生地址;获取行车规划路线,筛选出包含事故发生地址的第一筛选规划路线,进一步筛选出预计时间小于处理时间的第二筛选规划路线;对第二筛选规划路线上的车辆重新规划路线。本发明还提出了基于交通事故的行车路径规划装置。本发明可以发生交通事故时,提示过往车辆提前减速避让或换路行驶。
Description
技术领域
本发明涉及智能交通领域,特别涉及一种基于交通事故的行车路径规划方法、装置。
背景技术
随着社会的发展,人们生活水平的提高,车辆数量大幅度增多。公路交通事故时有发生,通行高峰期时,一旦发生交通事故时,交通路面容易被堵死,被卡住的后方车辆无法前近,而后方车辆会不断向前行驶,导致交通堵塞严重,极大浪费了过往车辆的时间,也极大的浪费了救援时间。
发明内容
本发明实施方式的目的在于提供一种基于交通事故的行车路径规划方法、装置,其目的在于在发生交通事故时,将道路事故的预计处理时间提示给过往车辆,实现过往车辆提前减速避让或换路行驶。
为解决上述技术问题,本发明的实施方式提供了一种基于交通事故的行车路径规划方法,所述方法包括:
实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故;
当判定所述视频信息中出现道路事故时,截取所述视频信息中的事故图片,得到事故图片信息集;
利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征,根据所述目标物的损坏特征进行事故等级预测,得到所述道路事故的事故预测等级,根据所述事故预测等级计算所述道路事故的处理时间;
根据所述视频终端设备的信息编号,获取所述道路事故的事故发生地址;
获取安装在各个车辆中的车辆定位系统传输的行车规划路线,从所述行车规划路线中筛选出包含所述事故发生地址的第一筛选规划路线;
从所述第一筛选路线中,筛选出对应车辆到达所述事故发生地址的预计时间小于所述道路事故的处理时间的第二筛选规划路线;
对所述第二筛选规划路线上的车辆进行行车路径的重新规划。
可选的,所述对所述第二筛选规划路线上的车辆进行行车路径的重新规划,包括:
判断所述第二筛选规划路径是否有可替代路径;
若所述第二筛选规划路径有可替代路径,则提示对应车辆的用户切换到所述可替换路径;
若所述第二筛选规划路径没有可替代路径,则获取所述道路事故的占道信息,根据所述占道信息,提示用户提前变道。
可选的,所述利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故,包括:
利用预设的数据通信接口,实时接收所述视频终端设备中产生的视频信息;
利用预设的道路监控服务对所述视频信息进行特征提取,得到特征向量;
查询预构建的事故特征向量集合中是否含有所述特征向量;
当所述事故特征向量集合中不含有所述特征向量,判定所述特征向量对应路段为正常路段;
当所述事故特征向量集合中含有所述特征向量,判定所述特征向量对应路段发生了道路事故。
可选的,所述截取所述视频信息中的事故图片,得到事故图片信息集,包括:
从所述视频信息中截取所述道路事故发生前后的预设时间区间内的视频数据,得到短视频;
根据预设截取频率,对所述短视频进行截图,得到所述事故图片信息集。
可选的,所述利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征之前,所述方法还包括:
步骤I、获取预构建的训练图像集及所述训练图像集对应的图像标签集,并将所述训练图像集进行量化及清洗操作,得到量化数据;
步骤II、构建包含特征提取网络及多层线性激活层的待训练交通事故等级检测模型;
步骤III、将所述量化数据传输至所述待训练交通事故等级检测模型,利用所述特征提取网络对所述量化数据进行特征提取,得到特征序列集;
步骤IV、利用所述多层线性激活层对所述特征序列集进行激活操作,得到预测结果集;
步骤V、计算所述预测结果集与所述图像标签集的误差值,并判断所述误差值与预设的误差阈值的大小关系;
步骤VI、若所述误差值大于所述误差阈值,调整所述待训练交通事故等级检测模型的内部参数,并返回步骤III;
步骤VII、若所述误差值小于或等于所述误差阈值,得到所述交通事故等级检测模型。
可选的,所述根据所述事故预测等级计算所述道路事故的处理时间,包括:
获取预设单位时间内的车流量信息,并利用预构建的导航系统根据所述车流量信息预测救援车辆到达的预计时间,得到救援路上时间;
利用所述事故预测等级查询预构建的常规事故处理时间表,得到所述事故预测等级对应的预测现场清理时间,并将所述救援路上时间与所述预测现场清理时间进行叠加,得到所述道路事故的处理时间。
可选的,所述利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征之前,所述方法还包括:
利用预构建的中值滤波器对所述事故图像信息集进行去噪操作。
本发明的实施方式提供了一种基于交通事故的行车路径规划装置,其特征在于,所述装置包括:
交通监控模块,用于实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故,及当判定所述视频信息中出现道路事故时,截取所述视频信息中的事故图片,得到事故图片信息集;
事故预测模块,用于利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征,根据所述目标物的损坏特征进行事故等级预测,得到所述道路事故的事故预测等级,根据所述事故预测等级计算所述道路事故的处理时间,及根据所述视频终端设备的信息编号,获取所述道路事故的事故发生地址;
路径分析模块,用于获取安装在各个车辆中的车辆定位系统传输的行车规划路线,从所述行车规划路线中筛选出包含所述事故发生地址的第一筛选规划路线,及从所述第一筛选路线中,筛选出对应车辆到达所述事故发生地址的预计时间小于所述道路事故的处理时间的第二筛选规划路线;
交通疏导模块,用于对所述第二筛选规划路线上的车辆进行行车路径的重新规划。
可选地,所述交通监控模块具体用于执行:
利用预设的数据通信接口,实时接收所述视频终端设备中产生的视频信息;
利用预设的道路监控服务对所述视频信息进行特征提取,得到特征向量;
查询预构建的事故特征向量集合中是否含有所述特征向量;
当所述事故特征向量集合中不含有所述特征向量,判定所述特征向量对应路段为正常路段;
当所述事故特征向量集合中含有所述特征向量,判定所述特征向量对应路段发生了道路事故。
可选地,所述交通疏导模块具体用于执行:
判断所述第二筛选规划路径是否有可替代路径;
若所述第二筛选规划路径有可替代路径,则提示对应车辆的用户切换到所述可替换路径;
若所述第二筛选规划路径没有可替代路径,则获取所述道路事故的占道信息,根据所述占道信息,提示用户提前变道。
本发明实施例利用道路监控服务对所述视频信息进行道路事故监控,当发生道路事故时,提取所述道路事故对应的事故图片信息集,利用事故等级检测模型通过对事故图片信息集进行评估预测,得到出所述道路事故的事故预测等级及所述道路事故的处理时间。其中,使用所述道路监控服务及所述交通事故等级检测模型进行配合能够第一时间分析出事故现场的情况,得到更加准确高效的现场状况,为后续的交通疏导提供帮助。在各个车辆中安装的车辆定位系统传输的行车规划路线中,提取比经过所述事故发生地址的行车规划路线,得到第一筛选路线,再从所述第一筛选路线中,提取到达所述事故发生地址的时间小于所述道路事故的处理时间的第二筛选路线。最后对所述第二筛选规划路线上的车辆进行行车路径的重新规划。本发明实施例将不同路段的车辆区分对待提高交通疏导效率。因此,本发明实施例中所述的基于交通事故的行车路径规划方法能实现在发生交通事故时,可以根据道路事故对应的事故预测等级对过往车辆进行路线规划。
附图说明
图1为本发明一实施例提供的基于交通事故的行车路径规划的流程示意图;
图2为本发明一实施例提供的基于交通事故的行车路径规划的其中一个步骤的详细流程示意图;
图3为本发明一实施例提供的基于交通事故的行车路径规划设备间合作运行的流程示意图;
图4为本发明一实施例提供的基于交通事故的行车路径规划装置的模块示意图;
图5为本发明一实施例提供的基于交通事故的行车路径规划方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于交通事故的行车路径规划的方法。参照图1所示,为本发明一实施例提供的基于交通事故的行车路径规划的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,所述基于交通事故的行车路径规划方法包括:
S1、实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故。
所述视频终端设备为一种交通道路上的监控摄像头,用于向交通指挥中心实时提供道路安全状况。
进一步的,所述道路监控服务为一种根据预设的事故特征向量集合对交通道路进行实时监控的方法。其中,所述事故特征向量集合中含有各种车辆碰撞、人车碰撞的特征向量。
详细的,本发明实施例中,所述实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控,包括:
利用预设的数据通信接口,实时接收所述视频终端设备中产生的视频信息;
利用预设的道路监控服务对所述视频信息进行特征提取,得到特征向量;
查询预构建的事故特征向量集合中是否含有所述特征向量;
当所述事故特征向量集合中不含有所述特征向量,判定所述特征向量对应路段为正常路段;
当所述事故特征向量集合中含有所述特征向量,判定所述特征向量对应路段发生了道路事故。
其中,所述数据通信接口中包括数据通信协议,可以将所述视频终端设备产生的终端数据转为适合下述的交通事故等级检测模型处理的数据类型。
本发明实施例利用所述道路监控服务对所述视频信息进行实时监控,将所述视频信息中出现的车辆、人物进行事故特征判断,得到各个特征向量,再查询所述特征向量是否存在于所述事故特征向量集合中,例如,当所述视频信息中同时出现个别或多个的车辆相撞的特征、人物受伤的特征、交通堵塞的特征等特征时,可以判断被监控的道路发生道路事故。
S2、当判定所述视频信息中出现道路事故时,截取所述视频信息中的事故图片,得到事故图片信息集。
详细的,本发明实施例中,所述截取所述视频信息中的事故图片,得到事故图片信息集,包括:
从所述视频信息中截取所述道路事故发生前后的预设时间区间内的视频数据,得到短视频;
根据预设截取频率,对所述短视频进行截图,得到所述事故图片信息集。
本发明实施例中,当所述道路监控服务判定被监控路段出现道路事故时,将所述道路事故发生时前后预设时间区间【-2,+2】(单位:分钟)内的视频信息中提取出来,得到四分钟的短视频,再根据预设5次/秒的截取频率对所述短视频进行截取,得到包含48张事故图片的事故图片信息集。其中,所述事故图像信息集中的各个事故图像应为所述道路事故的不同角度的场景图。
S3、利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征,根据所述目标物的损坏特征进行事故等级预测,得到所述道路事故的事故预测等级,根据所述事故预测等级计算所述道路事故的处理时间。
所述交通事故等级检测模型为Transform图像处理模型框架经过预构建的训练图像集进行迭代训练得到的一种图像识别分类模型。其中,所述训练图像集包括车辆受损、车辆与车辆碰撞、车辆与人碰撞等交通事故的特征图像。
具体的,本发明实施例中,利用所述交通事故等级检测模型中的数据输入层的特征提取网络,将所述事故图片信息集中关于人物的摔倒、流血、运动状态等信息进行特征提取,得到人物特征集合;将所述事故图片信息集中的车辆的车头及车内空间形变、车辆翻滚状态进行特征提取,得到车辆特征集合;再将所述事故图片信息集中关于被车道的车道数量、被占用数量、被占用车道的车道线方向等特征进行提取,得到所述道路特征集合。
本发明实施例,根据所述交通事故等级检测模型运算层中的各个激活函数,分别对所述人物特征集合、所述车辆特征集合及所述道路特征集合评估打分,得到所述人物损伤得分、所述车辆损伤得分、车道占用等分。再根据所述交通事故等级检测模型的输出层中的激活函数对所述人物损伤得分、所述车辆损伤得分、车道占用等分进行权重计算,得到道路事故得分,并根据预构建的等级划分标准表,将所述道路事故得分输出为所述事故预测等级。其中,所述等级划分标准表是指不同阈值区间内的得分对应的事故等级的分配表。
详细的,本发明实施例中,所述根据所述事故预测等级计算所述道路事故的处理时间,包括:
获取预设单位时间内的车流量信息,并利用预构建的导航系统根据所述车流量信息预测救援车辆到达的预计时间,得到救援路上时间;
利用所述事故预测等级查询预构建的常规事故处理时间表,得到所述事故预测等级对应的预测现场清理时间,并将所述救援路上时间与所述预测现场清理时间进行叠加,得到所述道路事故的处理时间。
本发明实施例利用车辆定位系统,根据实时的所述车流量信息,对救援车辆进行救援路上时间进行预测,再根据所述常规事故处理时间表查询所述事故预测等级,得到所述事故预测等级对应的预测现场清理时间,将救援路上时间与所述预测现场清理时间进行叠加,得到最终的道路事故的处理时间。
由于因为光线、空气、雨水等因素或数据传输过程的因素,所述事故图片信息集中会产生的大量的光电、像素点,得到所述道路事故中存在的各个特征并不是很清晰。
进一步的,本发明另一实施例中,所述将所述事故图片信息集导入预先训练的交通事故等级检测模型中之前,所述方法还包括:
利用预构建的中值滤波器对所述事故图像信息集进行去噪操作,得到去噪的事故图像信息集。
其中,所述中值滤波器是一种对图像进行噪音去除的软件工具。
本发明实施例从所述事故图像信息集中依次提取一个图像导入所述中值滤波器中。利用所述中值滤波器将图像中一像素点的值用所述像素点的一个预设邻域中全部像素点值的中值进行替代,使得所述像素点的值接近真实值,从而消除所述图像的各个噪声点。当所述事故图像信息集中的各个图像全部处理完成后,得到所述事故图像信息集对应的去噪图像。
进一步的,本发明实施例中,所述利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征之前,所述方法还包括:
步骤I、获取预构建的训练图像集及所述训练图像集对应的图像标签集,并将所述训练图像集进行量化及清洗操作,得到量化数据。
所述量化为一种将所述样本集进行格式规范化处理的编码操作,用于将所述训练图像集转化为适合所述待训练交通事故等级检测模型训练的数据类型,能够加快模型训练效果及效率,所述清洗操作为将数据进行去重、填补空值的过程,用于加快训练效率。
步骤II、构建包含特征提取网络及多层线性激活层的待训练交通事故等级检测模型。
所述特征提取网络用于对图像进行分析查询,判断图像中是否存在交通事故的基本特征。本发明构建运算层帮助所述待训练交通事故等级检测模型进行模型训练,其中,所述激活函数可使用高斯分布函数。
步骤III、将所述量化数据传输至所述待训练交通事故等级检测模型,利用所述特征提取网络对所述量化数据进行特征提取,得到特征序列集;
本发明实施例利用所述特征提取网络处理所述量化数据,得到【[车辆撞击,驾驶舱车形受损,双向车道被占用],[人员倒地受伤,车辆前部轻微凹陷, **地至**地方向的车道占用50%],……】的特征序列集。
步骤IV、利用所述多层线性激活层对所述特征序列集进行激活操作,得到预测结果集。
利用所述多层线性激活层,分析所述特征序列集,可得到【[83分、二级事故等级]、[52分、四级事故等级]……】的预测结果集。
步骤V、计算所述预测结果集与所述图像标签集的误差值,并判断所述误差值与预设的误差阈值的大小关系;
步骤VI、若所述误差值大于所述误差阈值,调整所述待训练交通事故等级检测模型的内部参数,并返回步骤III;
步骤VII、若所述误差值小于或等于所述误差阈值,得到所述交通事故等级检测模型。
本发明实施例通过步骤I至步骤VII的过程可以完成交通事故等级检测模型的训练过程。
S4、根据所述视频终端设备的信息编号,获取所述道路事故的事故发生地址。
具体的,本发明实施例中的视频终端设备通常为路段上的监控摄像头,通过查询摄像头的编号信息可以快速定位所述事故发生地址。
S5、获取安装在各个车辆中的车辆定位系统传输的行车规划路线,从所述行车规划路线中筛选出包含所述事故发生地址的第一筛选规划路线。
本发明实施例中,根据所述车辆定位系统可以实时观测到所在车辆的行车规划路线。在得到所述行车规划路线后,判断所述行车规划路线中是否包括所述事故发生地址。并将包含所述事故发生地址的行车规划路线定义为第一筛选规划路线。其中,所述车辆定位系统连接于车载导航,也可记录车辆的历史通行记录。
S6、从所述第一筛选路线中,筛选出对应车辆到达所述事故发生地址的预计时间小于所述道路事故的处理时间的第二筛选规划路线。
利用所述车辆定位系统评估车辆达到所述事故发生地址时所需要的预计时间,并判断所述预计时间是否大于所述道路事故的处理时间,当预计时间大于处理时间,则车辆到达所述事故发生地址时现场基本被处理,无需对车辆进行干预;当预计时间小于所述处理时间时,车辆行驶被阻碍的概率较大,因此,本发明实施例从所述第一筛选路线中,挑选出预计时间小于所述处理时间的路线并定义为第二筛选规划路线。
S7、对所述第二筛选规划路线上的车辆进行行车路径的重新规划。
详细的,如图2所示,本发明实施例中,所述对所述第二筛选规划路线上的车辆进行行车路径的重新规划,包括:
S71、判断所述第二筛选规划路径是否有可替代路径;
S72、若所述第二筛选规划路径有可替代路径,则提示对应车辆的用户切换到所述可替换路径;
S73、若所述第二筛选规划路径没有可替代路径,则获取所述道路事故的占道信息,根据所述占道信息,提示用户提前变道。
本发明实施例利用云端地图对所述第二筛选规划路线进行可替换路径的判断操作,所述网络地图为预构建的云端地图,可以为高德或百度地图等云端地图。
例如,本发明实施例利用所述网络地图,查询所述事故发生地址与车辆之间的第二筛选规划路线是否存在交通路口。当所述事故发生地址与车辆之间的第二筛选规划路线存在交通路口,判定所述第二筛选规划路线存在可替换路径;当所述事故发生地址与车辆之间的第二筛选规划路线不存在交通路口,则判定所述第二筛选规划路线没有可替换路径。
如图3所示,本发明实施例中,当所述道路监控服务检测到交通事故,则所述道路监控服务将视频终端设备中的事故视频传输至所述交通事故等级检测模型,得到事故等级及地点。而此时,本发明利用所述车辆定位系统,可以获取车辆A、车辆B及车辆C实时的地理位置信息,然后通过所述唯一路径判断,将各个车辆进行区域划分,从而对不同区域中的车辆进行协调,例如,当车辆B到事故发生地为唯一路径,则可以通过一个方案F对所述车辆B进行协调指引,而当车辆C对事故发生地为非唯一路径,则可以通过另一个方案E对所述车辆C进行协调指引。
进一步的,本发明实施例根据不同等级的事故预测等级对所述事故发生地址进行语音提示音的编辑,再根据预构建的交通协调策略,将编辑好的语音发送至不同类型道路上的车辆,提示车辆进行操作。例如,提示存在可替换路径的第二筛选规划路线上的车辆进行绕行,并推荐绕行路线;提示没有可替换路径的第二筛选规划路线上的车辆靠近某条车道减速慢行。
此外,本发明实施例将所述道路事故对应的事故图片信息集、事故发生地址及事故预测等级进行打包并发送至附近的救援机构,可以使得救援机构提前得知所述道路事故的现场情况,方便准备救援工具安排救援工作,增加救援效率。
本发明实施例利用道路监控服务对所述视频信息进行道路事故监控,可以高效的判断是否有交通事故发生,当发生道路事故时,提取所述道路事故对应的事故图片信息集。本发明实施例利用事故等级检测模型通过对事故图片信息集进行评估预测,得到出所述道路事故的事故预测等级及所述道路事故的处理时间。其中,使用所述道路监控服务及所述交通事故等级检测模型进行配合能够第一时间分析出事故现场的情况,得到更加准确高效的现场状况,为后续的交通疏导提供帮助。在各个车辆中安装的车辆定位系统传输的行车规划路线中,提取比经过所述事故发生地址的行车规划路线,得到第一筛选路线,再从所述第一筛选路线中,提取到达所述事故发生地址的时间小于所述道路事故的处理时间的第二筛选路线。最后对所述第二筛选规划路线上的车辆进行行车路径的重新规划。本发明实施例将不同路段的车辆区分对待提高交通疏导效率。因此,本发明实施例中所述的基于交通事故的行车路径规划方法能实现在发生交通事故时,可以根据道路事故对应的事故预测等级对过往车辆进行路线规划。
如图4所示,是本发明基于交通事故的行车路径规划装置的模块示意图。
本发明所述基于交通事故的行车路径规划装置100可以安装于电子设备中。根据实现的功能,所述基于交通事故的行车路径规划装置100可以包括交通监控模块101、事故预测模块102、路径分析模块103及交通疏导模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述交通监控模块101,用于实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故及当判定所述视频信息中出现道路事故时,截取所述视频信息中的事故图片,得到事故图片信息集。
所述视频终端设备为一种交通道路上的监控摄像头,用于向交通指挥中心实时提供道路安全状况。
进一步的,所述道路监控服务为一种根据预设的事故特征向量集合对交通道路进行实时监控的方法。其中,所述事故特征向量集合中含有各种车辆碰撞、人车碰撞的特征向量。
详细的,本发明实施例中,所述交通监控模块101在实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控时,具体用于:
利用预设的数据通信接口,实时接收所述视频终端设备中产生的视频信息;
利用预设的道路监控服务对所述视频信息进行特征提取,得到特征向量;
查询预构建的事故特征向量集合中是否含有所述特征向量;
当所述事故特征向量集合中不含有所述特征向量,判定所述特征向量对应路段为正常路段;
当所述事故特征向量集合中含有所述特征向量,判定所述特征向量对应路段发生了道路事故。
其中,所述数据通信接口中包括数据通信协议,可以将所述视频终端设备产生的终端数据转为适合下述的交通事故等级检测模型处理的数据类型。
本发明实施例利用所述道路监控服务对所述视频信息进行实时监控,将所述视频信息中出现的车辆、人物进行事故特征判断,得到各个特征向量,再查询所述特征向量是否存在于所述事故特征向量集合中,例如,当所述视频信息中同时出现个别或多个的车辆相撞的特征、人物受伤的特征、交通堵塞的特征等特征时,可以判断被监控的道路发生道路事故。
详细的,本发明实施例中,所述交通监控模块101在截取所述视频信息中的事故图片,得到事故图片信息集时,具体用于:
从所述视频信息中截取所述道路事故发生前后的预设时间区间内的视频数据,得到短视频;
根据预设截取频率,对所述短视频进行截图,得到所述事故图片信息集。
本发明实施例中,当所述道路监控服务判定被监控路段出现道路事故时,将所述道路事故发生时前后预设时间区间【-2,+2】(单位:分钟)内的视频信息中提取出来,得到四分钟的短视频,再根据预设5次/秒的截取频率对所述短视频进行截取,得到包含48张事故图片的事故图片信息集。其中,所述事故图像信息集中的各个事故图像应为所述道路事故的不同角度的场景图。
所述事故预测模块102,用于利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征,根据所述目标物的损坏特征进行事故等级预测,得到所述道路事故的事故预测等级,根据所述事故预测等级计算所述道路事故的处理时间,及根据所述视频终端设备的信息编号,获取所述道路事故的事故发生地址。
所述交通事故等级检测模型为Transform图像处理模型框架经过预构建的训练图像集进行迭代训练得到的一种图像识别分类模型。其中,所述训练图像集包括车辆受损、车辆与车辆碰撞、车辆与人碰撞等交通事故的特征图像。
具体的,本发明实施例中,利用所述交通事故等级检测模型中的数据输入层的特征提取网络,将所述事故图片信息集中关于人物的摔倒、流血、运动状态等信息进行特征提取,得到人物特征集合;将所述事故图片信息集中的车辆的车头及车内空间形变、车辆翻滚状态进行特征提取,得到车辆特征集合;再将所述事故图片信息集中关于被车道的车道数量、被占用数量、被占用车道的车道线方向等特征进行提取,得到所述道路特征集合。
本发明实施例,根据所述交通事故等级检测模型运算层中的各个激活函数,分别对所述人物特征集合、所述车辆特征集合及所述道路特征集合评估打分,得到所述人物损伤得分、所述车辆损伤得分、车道占用等分。再根据所述交通事故等级检测模型的输出层中的激活函数对所述人物损伤得分、所述车辆损伤得分、车道占用等分进行权重计算,得到道路事故得分,并根据预构建的等级划分标准表,将所述道路事故得分输出为所述事故预测等级。其中,所述等级划分标准表是指不同阈值区间内的得分对应的事故等级的分配表。
详细的,本发明实施例中,所述事故预测模块102在根据所述事故预测等级计算所述道路事故的处理时间时,具体用于:
获取预设单位时间内的车流量信息,并利用预构建的导航系统根据所述车流量信息预测救援车辆到达的预计时间,得到救援路上时间;
利用所述事故预测等级查询预构建的常规事故处理时间表,得到所述事故预测等级对应的预测现场清理时间,并将所述救援路上时间与所述预测现场清理时间进行叠加,得到所述道路事故的处理时间。
本发明实施例利用车辆定位系统,根据实时的所述车流量信息,对救援车辆进行救援路上时间进行预测,再根据所述常规事故处理时间表查询所述事故预测等级,得到所述事故预测等级对应的预测现场清理时间,将救援路上时间与所述预测现场清理时间进行叠加,得到最终的道路事故的处理时间。
由于因为光线、空气、雨水等因素或数据传输过程的因素,所述事故图片信息集中会产生的大量的光电、像素点,得到所述道路事故中存在的各个特征并不是很清晰。
进一步的,本发明另一实施例中,所述事故预测模块102在将所述事故图片信息集导入预先训练的交通事故等级检测模型中之前,还用于:
利用预构建的中值滤波器对所述事故图像信息集进行去噪操作,得到去噪的事故图像信息集。
其中,所述中值滤波器是一种对图像进行噪音去除的软件工具。
本发明实施例从所述事故图像信息集中依次提取一个图像导入所述中值滤波器中。利用所述中值滤波器将图像中一像素点的值用所述像素点的一个预设邻域中全部像素点值的中值进行替代,使得所述像素点的值接近真实值,从而消除所述图像的各个噪声点。当所述事故图像信息集中的各个图像全部处理完成后,得到所述事故图像信息集对应的去噪图像。
进一步的,本发明实施例中,所述事故预测模块102在利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征之前,还用于:
功能I、获取预构建的训练图像集及所述训练图像集对应的图像标签集,并将所述训练图像集进行量化及清洗操作,得到量化数据。
所述量化为一种将所述样本集进行格式规范化处理的编码操作,用于将所述训练图像集转化为适合所述待训练交通事故等级检测模型训练的数据类型,能够加快模型训练效果及效率,所述清洗操作为将数据进行去重、填补空值的过程,用于加快训练效率。
功能II、构建包含特征提取网络及多层线性激活层的待训练交通事故等级检测模型。
所述特征提取网络用于对图像进行分析查询,判断图像中是否存在交通事故的基本特征。本发明构建运算层帮助所述待训练交通事故等级检测模型进行模型训练,其中,所述激活函数可使用高斯分布函数。
功能III、将所述量化数据传输至所述待训练交通事故等级检测模型,利用所述特征提取网络对所述量化数据进行特征提取,得到特征序列集;
本发明实施例利用所述特征提取网络处理所述量化数据,得到【[车辆撞击,驾驶舱车形受损,双向车道被占用],[人员倒地受伤,车辆前部轻微凹陷,**地至**地方向的车道占用50%],……】的特征序列集。
功能IV、利用所述多层线性激活层对所述特征序列集进行激活操作,得到预测结果集。
利用所述多层线性激活层,分析所述特征序列集,可得到【[83分、二级事故等级]、[52分、四级事故等级]……】的预测结果集。
功能V、计算所述预测结果集与所述图像标签集的误差值,并判断所述误差值与预设的误差阈值的大小关系;
功能VI、若所述误差值大于所述误差阈值,调整所述待训练交通事故等级检测模型的内部参数,并返回功能III;
功能VII、若所述误差值小于或等于所述误差阈值,得到所述交通事故等级检测模型。
本发明实施例通过功能I至功能VII的过程可以完成交通事故等级检测模型的训练过程。
具体的,本发明实施例中的视频终端设备通常为路段上的监控摄像头,通过查询摄像头的编号信息可以快速定位所述事故发生地址。
所述路径分析模块103,用于获取安装在各个车辆中的车辆定位系统传输的行车规划路线,从所述行车规划路线中筛选出包含所述事故发生地址的第一筛选规划路线,及从所述第一筛选路线中,筛选出对应车辆到达所述事故发生地址的预计时间小于所述道路事故的处理时间的第二筛选规划路线。
本发明实施例中,根据所述车辆定位系统可以实时观测到所在车辆的行车规划路线。在得到所述行车规划路线后,判断所述行车规划路线中是否包括所述事故发生地址。并将包含所述事故发生地址的行车规划路线定义为第一筛选规划路线。其中,所述车辆定位系统连接于车载导航,也可记录车辆的历史通行记录。
利用所述车辆定位系统评估车辆达到所述事故发生地址时所需要的预计时间,并判断所述预计时间是否大于所述道路事故的处理时间,当预计时间大于处理时间,则车辆到达所述事故发生地址时现场基本被处理,无需对车辆进行干预;当预计时间小于所述处理时间时,车辆行驶被阻碍的概率较大,因此,本发明实施例从所述第一筛选路线中,挑选出预计时间小于所述处理时间的路线并定义为第二筛选规划路线。
所述交通疏导模块104,用于对所述第二筛选规划路线上的车辆进行行车路径的重新规划。
详细的,本发明实施例中,所述交通疏导模块104在对所述第二筛选规划路线上的车辆进行行车路径的重新规划时,具体用于:
判断所述第二筛选规划路径是否有可替代路径;
若所述第二筛选规划路径有可替代路径,则提示对应车辆的用户切换到所述可替换路径;
若所述第二筛选规划路径没有可替代路径,则获取所述道路事故的占道信息,根据所述占道信息,提示用户提前变道。
本发明实施例利用云端地图对所述第二筛选规划路线进行可替换路径的判断操作,所述网络地图为预构建的云端地图,可以为高德或百度地图等云端地图。
例如,本发明实施例利用所述网络地图,查询所述事故发生地址与车辆之间的第二筛选规划路线是否存在交通路口。当所述事故发生地址与车辆之间的第二筛选规划路线存在交通路口,判定所述第二筛选规划路线存在可替换路径;当所述事故发生地址与车辆之间的第二筛选规划路线不存在交通路口,则判定所述第二筛选规划路线没有可替换路径。
本发明实施例中,当所述道路监控服务检测到交通事故,则所述道路监控服务将视频终端设备中的事故视频传输至所述交通事故等级检测模型,得到事故等级及地点。而此时,本发明利用所述车辆定位系统,可以获取车辆A、车辆B及车辆C实时的地理位置信息,然后通过所述唯一路径判断,将各个车辆进行区域划分,从而对不同区域中的车辆进行协调,例如,当车辆B到事故发生地为唯一路径,则可以通过一个方案F对所述车辆B进行协调指引,而当车辆C对事故发生地为非唯一路径,则可以通过另一个方案E对所述车辆C进行协调指引。
进一步的,本发明实施例根据不同等级的事故预测等级对所述事故发生地址进行语音提示音的编辑,再根据预构建的交通协调策略,将编辑好的语音发送至不同类型道路上的车辆,提示车辆进行操作。例如,提示存在可替换路径的第二筛选规划路线上的车辆进行绕行,并推荐绕行路线;提示没有可替换路径的第二筛选规划路线上的车辆靠近某条车道减速慢行。
此外,本发明实施例将所述道路事故对应的事故图片信息集、事故发生地址及事故预测等级进行打包并发送至附近的救援机构,可以使得救援机构提前得知所述道路事故的现场情况,方便准备救援工具安排救援工作,增加救援效率。
如图5所示,是本发明实现基于交通事故的行车路径规划方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于交通事故的行车路径规划程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字 (SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器 11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于交通事故的行车路径规划程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10 是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块 (例如执行基于交通事故的行车路径规划程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5 示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源 (比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10 逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED 显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于交通事故的行车路径规划程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故;
当判定所述视频信息中出现道路事故时,截取所述视频信息中的事故图片,得到事故图片信息集;
利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征,根据所述目标物的损坏特征进行事故等级预测,得到所述道路事故的事故预测等级,根据所述事故预测等级计算所述道路事故的处理时间;
根据所述视频终端设备的信息编号,获取所述道路事故的事故发生地址;
获取安装在各个车辆中的车辆定位系统传输的行车规划路线,从所述行车规划路线中筛选出包含所述事故发生地址的第一筛选规划路线;
从所述第一筛选路线中,筛选出对应车辆到达所述事故发生地址的预计时间小于所述道路事故的处理时间的第二筛选规划路线;
对所述第二筛选规划路线上的车辆进行行车路径的重新规划。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故;
当判定所述视频信息中出现道路事故时,截取所述视频信息中的事故图片,得到事故图片信息集;
利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征,根据所述目标物的损坏特征进行事故等级预测,得到所述道路事故的事故预测等级,根据所述事故预测等级计算所述道路事故的处理时间;
根据所述视频终端设备的信息编号,获取所述道路事故的事故发生地址;
获取安装在各个车辆中的车辆定位系统传输的行车规划路线,从所述行车规划路线中筛选出包含所述事故发生地址的第一筛选规划路线;
从所述第一筛选路线中,筛选出对应车辆到达所述事故发生地址的预计时间小于所述道路事故的处理时间的第二筛选规划路线;
对所述第二筛选规划路线上的车辆进行行车路径的重新规划。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于交通事故的行车路径规划方法,其特征在于,所述方法包括:
实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故;
当判定所述视频信息中出现道路事故时,截取所述视频信息中的事故图片,得到事故图片信息集;
利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征,根据所述目标物的损坏特征进行事故等级预测,得到所述道路事故的事故预测等级,根据所述事故预测等级计算所述道路事故的处理时间;
根据所述视频终端设备的信息编号,获取所述道路事故的事故发生地址;
获取安装在各个车辆中的车辆定位系统传输的行车规划路线,从所述行车规划路线中筛选出包含所述事故发生地址的第一筛选规划路线;
从所述第一筛选路线中,筛选出对应车辆到达所述事故发生地址的预计时间小于所述道路事故的处理时间的第二筛选规划路线;
对所述第二筛选规划路线上的车辆进行行车路径的重新规划。
2.如权利要求1所述的基于交通事故的行车路径规划方法,其特征在于,所述对所述第二筛选规划路线上的车辆进行行车路径的重新规划,包括:
判断所述第二筛选规划路径是否有可替代路径;
若所述第二筛选规划路径有可替代路径,则提示对应车辆的用户切换到所述可替换路径;
若所述第二筛选规划路径没有可替代路径,则获取所述道路事故的占道信息,根据所述占道信息,提示用户提前变道。
3.如权利要求1所述的基于交通事故的行车路径规划方法,其特征在于,所述利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故,包括:
利用预设的数据通信接口,实时接收所述视频终端设备中产生的视频信息;
利用预设的道路监控服务对所述视频信息进行特征提取,得到特征向量;
查询预构建的事故特征向量集合中是否含有所述特征向量;
当所述事故特征向量集合中不含有所述特征向量,判定所述特征向量对应路段为正常路段;
当所述事故特征向量集合中含有所述特征向量,判定所述特征向量对应路段发生了道路事故。
4.如权利要求1所述的基于交通事故的行车路径规划方法,其特征在于,所述截取所述视频信息中的事故图片,得到事故图片信息集,包括:
从所述视频信息中截取所述道路事故发生前后的预设时间区间内的视频数据,得到短视频;
根据预设截取频率,对所述短视频进行截图,得到所述事故图片信息集。
5.如权利要求1所述的基于交通事故的行车路径规划方法,其特征在于,所述利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征之前,所述方法还包括:
步骤I、获取预构建的训练图像集及所述训练图像集对应的图像标签集,并将所述训练图像集进行量化及清洗操作,得到量化数据;
步骤II、构建包含特征提取网络及多层线性激活层的待训练交通事故等级检测模型;
步骤III、将所述量化数据传输至所述待训练交通事故等级检测模型,利用所述特征提取网络对所述量化数据进行特征提取,得到特征序列集;
步骤IV、利用所述多层线性激活层对所述特征序列集进行激活操作,得到预测结果集;
步骤V、计算所述预测结果集与所述图像标签集的误差值,并判断所述误差值与预设的误差阈值的大小关系;
步骤VI、若所述误差值大于所述误差阈值,调整所述待训练交通事故等级检测模型的内部参数,并返回步骤III;
步骤VII、若所述误差值小于或等于所述误差阈值,得到所述交通事故等级检测模型。
6.如权利要求1所述的基于交通事故的行车路径规划方法,其特征在于,所述根据所述事故预测等级计算所述道路事故的处理时间,包括:
获取预设单位时间内的车流量信息,并利用预构建的导航系统根据所述车流量信息预测救援车辆到达的预计时间,得到救援路上时间;
利用所述事故预测等级查询预构建的常规事故处理时间表,得到所述事故预测等级对应的预测现场清理时间,并将所述救援路上时间与所述预测现场清理时间进行叠加,得到所述道路事故的处理时间。
7.如权利要求1所述的基于交通事故的行车路径规划方法,其特征在于,所述利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征之前,所述方法还包括:
利用预构建的中值滤波器对所述事故图像信息集进行去噪操作。
8.一种基于交通事故的行车路径规划装置,其特征在于,所述装置包括:
交通监控模块,用于实时获取视频终端设备传输的视频信息,并利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故,及当判定所述视频信息中出现道路事故时,截取所述视频信息中的事故图片,得到事故图片信息集;
事故预测模块,用于利用预先构建的交通事故等级检测模型提取所述事故图片信息集中目标物的损坏特征,根据所述目标物的损坏特征进行事故等级预测,得到所述道路事故的事故预测等级,根据所述事故预测等级计算所述道路事故的处理时间,及根据所述视频终端设备的信息编号,获取所述道路事故的事故发生地址;
路径分析模块,用于获取安装在各个车辆中的车辆定位系统传输的行车规划路线,从所述行车规划路线中筛选出包含所述事故发生地址的第一筛选规划路线,及从所述第一筛选路线中,筛选出对应车辆到达所述事故发生地址的预计时间小于所述道路事故的处理时间的第二筛选规划路线;
交通疏导模块,用于对所述第二筛选规划路线上的车辆进行行车路径的重新规划。
9.如权利要求8所述的基于交通事故的行车路径规划装置,其特征在于,所述对所述第二筛选规划路线上的车辆进行行车路径的重新规划,包括:
判断所述第二筛选规划路径是否有可替代路径;
若所述第二筛选规划路径有可替代路径,则提示对应车辆的用户切换到所述可替换路径;
若所述第二筛选规划路径没有可替代路径,则获取所述道路事故的占道信息,根据所述占道信息,提示用户提前变道。
10.如权利要求8所述的基于交通事故的行车路径规划装置,其特征在于,所述利用预设的道路监控服务对所述视频信息进行道路事故监控,判断所述视频信息中是否出现道路事故,包括:
利用预设的数据通信接口,实时接收所述视频终端设备中产生的视频信息;
利用预设的道路监控服务对所述视频信息进行特征提取,得到特征向量;
查询预构建的事故特征向量集合中是否含有所述特征向量;
当所述事故特征向量集合中不含有所述特征向量,判定所述特征向量对应路段为正常路段;
当所述事故特征向量集合中含有所述特征向量,判定所述特征向量对应路段发生了道路事故。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111102369.XA CN113807588A (zh) | 2021-09-19 | 2021-09-19 | 基于交通事故的行车路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111102369.XA CN113807588A (zh) | 2021-09-19 | 2021-09-19 | 基于交通事故的行车路径规划方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807588A true CN113807588A (zh) | 2021-12-17 |
Family
ID=78895965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111102369.XA Pending CN113807588A (zh) | 2021-09-19 | 2021-09-19 | 基于交通事故的行车路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807588A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338787A (zh) * | 2021-12-30 | 2022-04-12 | 重庆天智慧启科技有限公司 | 一种智能消防报警系统及方法 |
CN114694397A (zh) * | 2022-02-24 | 2022-07-01 | 北京千方科技股份有限公司 | 道路预警的方法、装置、电子设备及介质 |
CN115909725A (zh) * | 2022-11-01 | 2023-04-04 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 基于车路协同的事故处理方法及装置 |
CN116580570A (zh) * | 2023-05-18 | 2023-08-11 | 重庆邮电大学 | 智能网联条件下交叉口内部通行线路失效后的车辆轨迹控制方法 |
CN117455209A (zh) * | 2023-12-26 | 2024-01-26 | 山东智慧云通网络科技有限公司 | 一种基于地理位置的智慧交警管理服务系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295396A (zh) * | 2013-04-19 | 2013-09-11 | 福建工程学院 | 交通事故非现场快速取证方法及系统 |
US20140136414A1 (en) * | 2006-03-17 | 2014-05-15 | Raj Abhyanker | Autonomous neighborhood vehicle commerce network and community |
CN105512837A (zh) * | 2015-11-25 | 2016-04-20 | 北京华油信通科技有限公司 | 车辆信息化分布式应用系统 |
WO2018026603A1 (en) * | 2016-08-02 | 2018-02-08 | Pcms Holdings, Inc. | System and method for optimizing autonomous vehicle capabilities in route planning |
US20180103241A1 (en) * | 2016-10-07 | 2018-04-12 | Panasonic Intellectual Property Management Co., Ltd. | Monitoring system and monitoring method |
WO2018125508A1 (en) * | 2016-12-29 | 2018-07-05 | X Development Llc | Dynamic traffic control |
CN108922188A (zh) * | 2018-07-24 | 2018-11-30 | 河北德冠隆电子科技有限公司 | 雷达跟踪定位的四维实景交通路况感知预警监控管理系统 |
CN110942629A (zh) * | 2019-11-29 | 2020-03-31 | 中核第四研究设计工程有限公司 | 道路交通事故管理方法、装置及终端设备 |
-
2021
- 2021-09-19 CN CN202111102369.XA patent/CN113807588A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140136414A1 (en) * | 2006-03-17 | 2014-05-15 | Raj Abhyanker | Autonomous neighborhood vehicle commerce network and community |
CN103295396A (zh) * | 2013-04-19 | 2013-09-11 | 福建工程学院 | 交通事故非现场快速取证方法及系统 |
CN105512837A (zh) * | 2015-11-25 | 2016-04-20 | 北京华油信通科技有限公司 | 车辆信息化分布式应用系统 |
WO2018026603A1 (en) * | 2016-08-02 | 2018-02-08 | Pcms Holdings, Inc. | System and method for optimizing autonomous vehicle capabilities in route planning |
US20180103241A1 (en) * | 2016-10-07 | 2018-04-12 | Panasonic Intellectual Property Management Co., Ltd. | Monitoring system and monitoring method |
WO2018125508A1 (en) * | 2016-12-29 | 2018-07-05 | X Development Llc | Dynamic traffic control |
CN108922188A (zh) * | 2018-07-24 | 2018-11-30 | 河北德冠隆电子科技有限公司 | 雷达跟踪定位的四维实景交通路况感知预警监控管理系统 |
CN110942629A (zh) * | 2019-11-29 | 2020-03-31 | 中核第四研究设计工程有限公司 | 道路交通事故管理方法、装置及终端设备 |
Non-Patent Citations (1)
Title |
---|
闫星培;: "我国城市道路交通安全形势分析、典型经验措施与对策建议研究", 汽车与安全, no. 01, pages 72 - 84 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338787A (zh) * | 2021-12-30 | 2022-04-12 | 重庆天智慧启科技有限公司 | 一种智能消防报警系统及方法 |
CN114338787B (zh) * | 2021-12-30 | 2023-07-04 | 重庆天智慧启科技有限公司 | 一种智能消防报警系统及方法 |
CN114694397A (zh) * | 2022-02-24 | 2022-07-01 | 北京千方科技股份有限公司 | 道路预警的方法、装置、电子设备及介质 |
CN114694397B (zh) * | 2022-02-24 | 2024-05-14 | 北京千方科技股份有限公司 | 道路预警的方法、装置、电子设备及介质 |
CN115909725A (zh) * | 2022-11-01 | 2023-04-04 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 基于车路协同的事故处理方法及装置 |
CN115909725B (zh) * | 2022-11-01 | 2023-09-15 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 基于车路协同的事故处理方法及装置 |
CN116580570A (zh) * | 2023-05-18 | 2023-08-11 | 重庆邮电大学 | 智能网联条件下交叉口内部通行线路失效后的车辆轨迹控制方法 |
CN117455209A (zh) * | 2023-12-26 | 2024-01-26 | 山东智慧云通网络科技有限公司 | 一种基于地理位置的智慧交警管理服务系统及方法 |
CN117455209B (zh) * | 2023-12-26 | 2024-03-12 | 山东智慧云通网络科技有限公司 | 一种基于地理位置的智慧交警管理服务系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113807588A (zh) | 基于交通事故的行车路径规划方法及装置 | |
WO2020248386A1 (zh) | 视频分析方法、装置、计算机设备及存储介质 | |
CN103871242B (zh) | 一种驾驶行为综合评价系统与方法 | |
CN113838284B (zh) | 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 | |
JP6200421B2 (ja) | 運転支援システム及び運転支援方法 | |
CN111785019A (zh) | 一种基于v2x的车辆交通数据生成方法、系统及存储介质 | |
CN106503868A (zh) | 一种车队线路规划方法及相关设备 | |
CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
CN111489557B (zh) | 停车场停车管理装置以及停车场停车管理方法 | |
CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及系统 | |
CN114783188A (zh) | 巡检方法和装置 | |
CN110675646B (zh) | 公交站点位置获取方法及装置 | |
CN115236694A (zh) | 障碍物检测方法、装置、电子设备和存储介质 | |
CN113870554A (zh) | 一种车辆安全监测方法、装置、存储介质及终端 | |
CN114677848B (zh) | 感知预警系统、方法、装置及计算机程序产品 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
CN116206463B (zh) | 一种公共道路作业车辆调度系统 | |
CN114550451B (zh) | 停车场的车辆拥堵预警方法、装置、设备及存储介质 | |
CN116229396A (zh) | 高速路面病害识别及告警方法 | |
Ottom et al. | An adaptive traffic lights system using machine learning. | |
CN106355872A (zh) | 一种智能公交管理系统及应用 | |
WO2020100540A1 (ja) | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
Hayashi et al. | Prioritization of Lane-Specific Traffic Jam Detection for Automotive Navigation Framework Utilizing Suddenness Index and Automatic Threshold Determination | |
CN111582962B (zh) | 一种服务状态识别方法及装置 |
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 |