CN113838282A

CN113838282A - 基于北斗定位的车辆异常行为检测方法

Info

Publication number: CN113838282A
Application number: CN202110810608.0A
Authority: CN
Inventors: 童超; 孙旭东
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2021-07-16
Filing date: 2021-07-16
Publication date: 2021-12-24
Anticipated expiration: 2041-07-16
Also published as: CN113838282B

Abstract

本发明提出基于北斗定位的车辆异常行为检测方法，属于道路交通安全领域。本发明提出了一种车辆异常行为检测方法，该方法包括两部分：最近道路匹配算法及车辆异常行为识别算法。其中，最近道路匹配算法将车辆经纬度与路网信息结合，识别出距离当前车辆位置最近的道路。车辆异常行为识别算法根据车载北斗定位设备采集的数据，识别出车辆存在的异常行为。本发明针对七类常见车辆异常行为进行了定义并制定相应的检测方案，形成较为完整的基于北斗数据的车辆异常行为检测系统。

Description

基于北斗定位的车辆异常行为检测方法

技术领域

本发明提出基于北斗定位的车辆异常行为识别，属于车辆异常情况响应_(B60K28/14)领域。

背景技术

近年来，交通安全一直是人们关心的热点话题。2020年中国汽车保有量为2.81亿辆，同比增长8.1％，机动车保有量3.72亿辆，同比增长6.9％。但与此同时，交通事故发生数也在不断增加，给国家和社会带来巨大损失。相关研究表明，大量交通事故发生的背后，驾驶员人为因素占到了90％左右，这就意味着，如果能在检测到车辆的异常行为后向驾驶员发出预警信息，就能在一定程度上减少交通事故的发生。因此，车辆异常行为的检测具有十分重要的意义。

现有的对车辆异常行为检测的研究大致可以分为三类。第一类是随着计算机图形学、图像处理与模式识别的发展而发展起来的基于视频的车辆异常行为检测技术。这类方法在一定程度上解决了传统车辆异常行为检测实时性较差的问题，且能够有效识别出闯红灯等异常行为，但这类方法必须依赖于摄像头等硬件设施，且无法向相关车辆发出预警信息。第二类是随着各类传感器的发展而产生的车辆异常行为检测技术。这类方法利用了传感器方便携带的特点，能较为准确地识别出车辆的转弯、紧急刹车等异常行为，但由于传感器的局限性，无法检测出逆行等与实际道路信息有关的异常行为。第三类是随着GPS等全球卫星导航系统和移动网络的发展而产生的基于车载终端等移动设备的车辆异常行为检测技术。但由于北斗仍未普及，现有的研究大多数是基于GPS实现的，GPS精度较低且只能从卫星接收消息，识别的准确率尚有提升空间。

中国北斗卫星导航系统(BeiDou Navigation Satellite System，简称BDS)是中国自行研制的全球卫星导航系统，也是继美国的GPS、俄罗斯的GLONASS之后的第三个成熟的卫星导航系统。如今，北斗三号全球卫星导航系统已全面建成开通，在全球范围内提供高精度定位导航授时、短报文通信等服务。但由于北斗系统建成时间较短，在车辆异常行为检测方面的应用还较少。

发明内容

本发明的目的是基于北斗定位，研究具有实用性的车辆异常行为检测方案，能够根据车载北斗设备采集的北斗定位信息判断出当前车辆是否存在超速行驶、低速行驶、非法停车、紧急制动、过快加速、逆向行驶和车道偏离共七类异常行为中的某些异常行为。检测方案由两部分组成：车辆状态信息获取及车辆异常行为检测。其中，车辆状态信息获取指结合北京市路网数据与北斗定位数据，获取车辆在行驶过程中某一具体位置处的速度、加速度、当前车辆所处道路等车辆状态参数。车辆异常行为检测指根据各类车辆异常行为的检测流程，结合车辆行驶过程中的状态参数，检测车辆是否存在某类车辆异常行为。

上述检测方案的步骤如下：

步骤1、分析处理北斗设备采集到的数据。其中，数据格式遵循NMEA-0183协议，这一协议中数据以“语句”的方式传输，每条语句的开头为“$”，然后是两个字母的“识别符”和三个字母的“语句名”，紧接着是数据体，不同字段之间以“,”分隔。通过筛选数据中的GPRMC (Recommended Minimum Specific)语句，就能够获取某一时刻车辆的速度、加速度、经纬度等信息；

步骤2、路网信息预处理。北京市路网信息中共有170万余个节点和20万余条道路，为能高效快速进行随机访问，建立节点到道路的映射和道路到节点的映射。每个节点到道路的映射中保存了所有包含该节点的道路id，每个道路到节点的映射中记录了组成道路的节点的id及道路类型。

步骤3、获取车辆所处道路相关信息。车道偏离等车辆异常行为的检测需要结合具体的行车环境进行，因此设计了最近道路匹配算法，能够根据车辆位置的经纬度得到相应的道路信息。具体算法流程包括：

1.根据当前位置P(x0,y0)的经纬度找出包含P的路网区域，加载该路网区域中每个节点到道路的映射，并计算各节点与P之间的距离；

2.将P所在路网区域中的节点按照与P的距离升序排列，筛选出离P最近的50个节点，作为P的临近节点；

3.根据节点到道路的映射，得到经过临近节点的所有道路的id；

4.对于每条包含临近节点数目大于等于2的道路，根据其中离P最近的2个节点(x1,y1)， (x2,y2)计算出道路路段的直线方程ya＝k×xa+b，其中，

计算过程如下；

5.计算出经过P且垂直于ya的直线与ya的交点C(x,y)，并计算出P与C的距离；

y＝k×x+b (4)

6.按照P与经过临近节点的所有道路之间的距离对道路升序排列，得到离P最近的道路作为车辆所在道路，进而得到车辆所在道路的限速等信息。

步骤4、车辆异常行为检测。首先读取北斗设备采集的轨迹数据文件中的内容，逐语句处理，获得轨迹数据文件中所有记录点的经纬度、时间等数据，之后根据经纬度计算出速度和加速度。然后从第一个记录点开始对该记录点处车辆的状态进行检测，在每一轮检测的最开始，调用最近道路匹配算法获取当前记录点车辆所在道路的相关信息，按照检测流程依次检测是否存在各类异常行为。

本发明的优点和积极效果在于，所提供的车辆异常行为检测方案在硬件上仅需要使用能够接收北斗卫星定位信号的定位设备，相较于传统的使用监控摄像头、传感器的方法在硬件上成本较低且容易普及。同时，利用北斗系统全天时、全天候提供高精度定位导航授时服务的特点，所提供的检测方法比以往基于GPS定位的方法有更高的准确性和实用性，在提升道路交通安全方面有一定的意义。

附图说明

图1为本发明提出的节点到道路映射的组织结构；

图2为本发明提出的道路到节点映射的组织结构；

图3为本发明提出的最近道路匹配算法的演示图；

图4为本发明中异常行为的整体检测流程图；

图5为本发明提出的超速行驶识别流程图；

图6为本发明提出的低速行驶识别流程图；

图7为本发明提出的非法停车识别流程图；

图8为本发明提出的紧急制动识别流程图；

图9为本发明提出的过快加速识别流程图；

图10为本发明提出的逆向行驶识别流程图；

图11为本发明提出的车道偏离识别流程图；

图12为检测轨迹样例示意图；

图13为采用本发明提出的方法进行检测的结果展示图；

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，下面结合实施方式和附图，对本发明作进一步地详细描述。

步骤1、分析处理北斗设备采集到的数据。在室外环境下由移动电源为北斗设备供电，将北斗设备与笔记本电脑通过USB接线连接，并通过串口调试助手接收数据，将行驶过程中获取到的数据保存在txt格式文件中。用python读取文件内容，逐行读取语句，并对语句的前缀进行匹配，将前缀为“$GPRMC”的语句提取出来。其中，GPRMC语句每秒输出一次，能较为完整的记录车辆的运行状态。一条标准的GPRMC语句，格式为$GPRMC <1>,<2>,<3>,<4>,<5>,<6>,<7>,<8>,<9>,<10>，<11>，<12>，其中字段1-12的具体含义分别为UTC时间、有效性、纬度、南北半球、经度、东西半球、地面速度、速度方向、日期、磁偏角、磁偏角方向、模式指示及校验和。每条GPRMC语句代表1个记录点，从语句中切分出各个字段即可得到记录点对应的参数。

由于设备精度问题，采集到的原始数据中速度和加速度与实际情况相差较大，但经纬度较为准确，因此采用根据相邻两个记录点经纬度以及时间差计算出的平均速度作为这两个相邻记录点的后一记录点的速度，并进一步根据多个记录点的速度及时间差计算出加速度。

第一步是根据两个记录点的经纬度计算两个点之间的距离，即已知地球表面两点A和 B的经纬度，计算两点间的距离，计算过程见公式(1)，其中，distance_AB为AB两点间的距离，radius为地球半径，lon_A,lat_A分别为A点的经度和纬度，lon_B,lat_B分别为B点的经度和纬度，公式中出现的经纬度均为弧度制。

然后用AB两个记录点之间的距离除以AB两个记录之间时间的差值，并将单位转换为 km/h，即得到B记录点的速度speed_B。

加速度的计算过程与速度的计算过程类似，即将根据相邻两记录点的速度计算出的平均加速度作为后一记录点的加速度。

步骤2、路网信息预处理。从OpenStreetMap(OSM)网站 (https:// www.openstreetmap.org/)上得到北京市路网信息，其主体部分共有三种类型的数据，node(节点)、way(道路)以及relation(关系)。其中，节点是路网中最基本的单元，用来标识地图上的一个点，主要属性有id(标号)、lat(纬度)和lon(经度)。道路用来标识地图上的一条道路，主要属性有id(标号)，其实质上为一组道路上节点的集合，每条道路中还包含若干个tag(标签)，其中记录了道路类型、道路名称等信息。关系是地图上一些节点和道路的集合，用来标识某个范围内节点和道路之间的关系。

对路网信息进行统计，共有170万余个节点和20万余条道路，数据规模较大。在查找临近节点的过程中，无法直接根据节点的id进行查找，而需要计算当前位置与路网中节点的距离来判断哪些节点离当前位置较近。直接计算与每个节点的距离再进行比较开销太大，因此首先遍历所有节点得到北京市路网经度和纬度的边界点，然后将由边界点组成的矩形平分为300×300个小矩形，每个小矩形为路网的一个区域，通过缩小查找范围来提高查找效率。属于第m行n列矩形所在路网区域中的节点被保存在名为“300×m+n”的文件夹(文件夹命名为表达式“300×m+n”的值)下，每个节点对应一个节点到道路的映射文件，其中保存了所有包含该节点的道路的id，文件命名为节点id，以json格式存储，附图1中为节点到道路映射的组织结构。

在查找最近道路的过程中，已经能够根据临近节点到道路的映射获得包含这些节点的道路的id，因此可以用道路id作为道路到节点映射的文件名，进而直接根据道路id访问对应的文件。每个道路到节点的映射中记录了组成道路的节点的id及道路类型，文件命名为道路id，以json格式存储，附图2为道路到节点映射的组织结构。

步骤3、获取车辆所处道路相关信息。附图3演示了道路匹配这一过程。对于每个记录点，根据其经纬度计算出存放当前位置所在路网区域的文件夹名称，加载其中每个节点文件并计算各节点与当前位置之间的距离，找出离当前位置最近的50个点作为临近节点。之后，根据节点到道路的映射找出经过这些节点的所有道路，计算出包含临近节点数目大于2的道路路段的直线方程。在此基础上计算出当前位置到道路路段的垂线距离作为当前位置到道路的距离，首先计算经过当前位置且垂直于道路路段的直线方程，求出其与道路路段的交点，计算出当前位置与交点的距离，对距离进行排序即得到离当前位置最近的道路。

在计算记录点到道路的距离的同时计算出道路路段的直线方程y＝kx+b，将记录点的经纬度(lon,lat)带入直线方程可以得到不等式关系，如果k×lon+b<lat，则说明当前记录点位于道路上方，反之则位于道路下方，上方指以道路所包含连续节点连线的方向为前方，位于道路右侧的部分，下方则为位于道路左侧的部分。同时根据道路上距离当前记录点最近的两个点计算出道路的方向向量。至此得到了每个记录点处车辆所在道路方向、车辆与车道线的距离及车辆与车道线的相对位置关系。

步骤4、车辆异常行为检测。

每种车辆异常行为有对应的检测流程，附图5-11为各类异常行为的检测流程图。

1.超速行驶(附图5)。在检测这一异常行为时，首先根据当前记录点中保存的最近道路id读取对应的道路到节点的映射，从中获取当前道路的类型，从而得到当前道路的限速。将当前记录点处车辆的速度与限速做比较，判断位于哪一区间，若超出限速100％则发出一级警告，若超出限速50％未达100％则发出二级警告，若超出限速未达50％则发出三级警告，否则视为未检测出这一类型异常。

2.低速行驶(附图6)。在检测这一异常行为时，将当前记录点处车辆的速度与最低限速做比较，若低于最低限速，则判断当前车辆存在这一异常行为，否则视为未检测出这一类型异常。

3.非法停车(附图7)。在检测这一异常行为时，对最近十个记录点(即最近10秒)车辆的位置进行检测，计算其两两之间的距离，得到共45个距离值，若所有距离值均小于2m(分米级定位平均误差不超过1m)，且车辆当前位置距离最近道路小于5m，则判断发生非法停车行为，否则视为未检测出这一类型异常。

4.紧急制动(附图8)。在检测这一异常行为时，将当前记录点处车辆的速度与规定的最大减速度做比较，若高于这一值，则判断当前车辆存在这一异常行为，否则视为未检测出这一类型异常。

5.过快加速(附图9)。在检测这一异常行为时，将当前记录点处车辆的速度与规定的最大加速度做比较，若高于这一值，则判断当前车辆存在这一异常行为，否则视为未检测出这一类型异常。

6.逆向行驶(附图10)。在检测这一异常行为时，对于最近十个记录点中每两个相邻记录点，以时间较早的一点作为起点，时间较晚的一点作为终点，计算两个相邻记录点的方向向量

见公式(3)。

其中B_lon为B点经度，A_lon为A点经度，B_lat为B点纬度，A_lat为A点纬度，且B点对应的时间在A点对应时间之后。

之后将

与所在道路的方向向量进行点乘运算，运算结果为正数且记录点位于道路上侧，或运算结果为负数且记录点位于道路下侧说明车辆行驶方向与道路规定行驶方向一致，否则说明车辆行驶方向与道路规定行驶方向不一致，车辆位于道路的上侧或下侧为对记录点进行道路匹配时获得的信息。若最近十个记录点中超过一半的记录点检测到逆行，则认为当前车辆存在逆向行驶异常，否则视为未检测出这一类型异常。

7.车道偏离(附图11)。在检测这一异常行为时，对最近十个记录点(即最近10秒)车辆与所在车道的距离进行检测，若全部记录点与车道的距离均大于5m，则判断发生车道偏离异常，否则视为未检测出这一异常。

本发明用python实现了各种车辆异常行为的检测，将这一功能封装为车辆异常行为检测模块。模块输入的参数共两个，第一个为需要进行异常行为识别的文件路径，第二个为保存异常行为检测结果的文件路径。整体检测流程如附图4，首先读取北斗设备采集的轨迹数据文件中的内容，逐语句处理，获得所有记录点的经纬度、时间等数据，之后根据经纬度计算出速度和加速度，将记录点的信息保存在POINTS数组中。然后从第一个记录点开始对该记录点处车辆的状态进行检测，在每一轮检测的最开始，调用最近道路匹配算法获取当前记录点所在道路信息，将相关道路信息保存在MATCHES数组(MATCHES数组的每个元素与 POINTS数组中相同下标的记录点对应，每个元素中包含对应记录点距离最近道路的距离及最近道路的方向向量等信息)中，由于车道偏离、非法停车等异常行为需要结合最近10个记录点的信息进行检测，因此在POINTS数组的前10个记录点只检测超速行驶、低速行驶、紧急制动等异常行为。从第11个记录点开始，首先检测当前记录点处车辆是否存在车道偏离异常，若存在这一异常，则记录这一异常并继续检测下一记录点，否则继续检测当前记录点是否存在非法停车异常，若存在则在记录后对下一记录点进行检测，否则继续依次检测逆行、超速行驶等异常行为。若车辆当前不存在任何异常行为，则保存当前车辆基本信息。循环这一过程直至检测结束，在检测过程中，将每个记录点处车辆的状态信息保存在 INFORMATION数组(INFORMATION数组的每个元素与POINTS数组中相同下标的记录点对应，每个元素包含对应记录点处检测到车辆所处的状态)中。最后，逐条读取INFORMATION数组中的信息，每个记录点保存该记录点处的经度、纬度、状态信息，以json格式保存在异常行为检测结果文件中。

附图12为使用本发明提出的车辆异常行为检测方法进行检测的一个实例。附图13为检测的效果展示。其中，附图12中所示轨迹为在北京航空航天大学校园中路采集的一段轨迹，其上共包含203个记录点。

从第1个记录点开始，一直到第99个记录点，车辆停靠在路边，因此这一过程中持续检测到车道偏离异常。附图13中第一张图(第一行左图)为第16个记录点处的状态信息，从图中可以看出当前车辆检测到车道偏离异常，距离最近车道的距离为7.9米。

从第100个记录点到第105个记录点车辆穿过公路到达对侧，之后车辆启动，直到第 112个记录点车辆行驶正常。如附图13中第二张图(第一行右图)所示，第112个记录点车辆行驶正常，此时车辆的速度为9.0km/h，加速度为0.94m/s²。

之后车辆加速行驶，从113个记录点开始持续检测到超速行为，且从第137个记录点开始检测到车辆逆行行为，直到第150个记录点车辆稳定位于车道线以下时才停止警告。附图13中第三张图(第二行左图)为第143个记录点处车辆状态信息，此时检测到逆行和超速两种异常行为，速度为14.2km/h，介于道路限速和道路限速的1.5倍之间，因此发出三级超速警告。

直到第171个记录点，车辆速度恢复到最低限速和最高限速之间，车辆无异常行为。第 175个记录点开始车辆减速制动，车辆速度低于最低限速，因此在第175个记录点到第192 个记录点之间检测到低速行驶异常。附图13中第四张图(第二行右图)为记录点182处车辆状态信息，此时车辆速度为1.5km/h，低于道路最低限速，检测到低速行驶异常。

从第193个记录点开始，车辆停在公路上，位置持续未发生变化，因此检测到非法停车异常。附图13中第5张图(第三行左图)为记录点193处车辆状态信息，此时检测到非法停车异常。

以上实验证明：本发明提供的车辆异常行为检测方法能够通过处理车辆在某一时刻的北斗定位信息获得该时刻车辆的各种行驶状态参数，并且可以依据规则对车辆当前是否存在超速行驶、低速行驶、非法停车、紧急制动、过快加速、逆向行驶和车道偏离共七类异常行为中的一类或几类进行检测，具有一定的可行性和有效性。

Claims

1.基于北斗定位的车辆异常行为检测方法，其特征在于，包括以下步骤：

步骤1、获取北斗设备采集的数据。其中采集的数据包括多个记录点，每个记录点包括多个状态参数，状态参数包括时间、有效性、纬度以及经度等；

步骤2、根据路网信息建立节点到道路的映射和道路到节点的映射。其中每个节点到道路的映射中保存了所有包含该节点的道路id，每个道路到节点的映射中记录了组成该道路的节点的id及道路类型，其中节点是路网信息的基本单元，用来标识路网中的一个点；

步骤3、据步骤1中采集的数据与步骤2中建立的节点到道路的映射和道路到节点的映射，获取所述北斗设备对应车辆所处道路相关信息；

步骤4、车辆异常行为检测。具体包括从采集的数据中获得所有记录点的状态参数，之后根据每个记录点状态参数中的经度和纬度计算出该记录点的速度和加速度，结合步骤3获得的每个记录点的所处道路相关信息构成所述北斗设备对应车辆在每一记录点处的状态参数。然后从第一个记录点开始对该记录点处所述北斗设备对应车辆的状态进行检测，按照检测流程依次检测是否存在各类异常行为。

2.如权利要求1所述的方法，其特征在于，步骤2中所述根据路网信息建立节点到道路的映射和道路到节点的映射包括：

建立节点到道路映射表和道路到节点映射表。路网信息中的每个节点具有对应的节点到道路映射表，路网信息中的每个道路具有对应的道路到节点映射表；每个节点到道路映射表中保存了所有包含该节点到道路映射表所对应节点的道路id，每个道路到节点映射表中记录了该道路到节点映射表所对应道路包括的所有节点的id及道路类型；

遍历路网信息的所有节点得到路网经度和纬度的边界点，然后将由边界点组成的矩形平分为AxB个小矩形，该AxB个小矩形构成矩阵，属于矩阵第m行n列的矩形所包括的所有节点对应的节点到道路映射被保存在名为表达式Axm+n的值的文件夹下，其中A、B、m与n均为正整数。

3.如权利要求2所述的方法，其特征在于，步骤3中所述获取所述北斗设备对应车辆所处道路相关信息包括：

(1)根据记录点当前位置P(x0,y0)的经度和纬度找出包含当前位置P的路网区域的小矩形之一，加载该路网区域的小矩形对应的文件夹中的每个节点的节点到道路映射，并计算该路网区域的小矩形中各节点与当前位置P之间的距离；

(2)将当前位置P所在该路网区域的小矩形中的所有节点按照与当前位置P的距离升序排列，筛选出离当前位置P最近的50个节点，作为当前位置P的临近节点；

(3)根据当前位置P的临近节点对应的节点到道路映射，得到经过临近节点的所有道路的id；

(4)对于经过临近节点的所有道路中的每条包含临近节点数目大于等于2的道路，根据其中离当前位置P最近的2个节点(x1,y1)，(x2,y2)计算出道路路段的直线方程ya＝k×xa+b，其中，

计算过程如下；

(5)计算出经过当前位置P且垂直于ya的直线与ya的交点C(x,y)，并计算出当前位置P与交点C的距离，交点C坐标(x,y)的计算过程如下；

y＝k×x+b (4)

(6)按照当前位置P与经过当前位置P的临近节点的所有道路之间的距离对道路升序排列，得到离当前位置P最近的道路作为车辆所在道路，进而得到车辆所在道路的信息。

4.如权利要求3所述的方法，其特征在于，步骤4所述的车辆异常行为检测包括：

首先读取北斗设备采集的数据文件中的内容，逐语句处理，获得所有记录点的经纬度、时间等数据，之后根据经纬度计算出速度和加速度，将记录点的信息保存在POINTS数组中；

然后从第一个记录点开始对该记录点处车辆的状态进行检测，在每一轮检测的最开始，调用最近道路匹配算法获取当前记录点所在道路信息，将相关道路信息保存在MATCHES数组中，其中在前10个记录点只检测超速行驶、低速行驶、紧急制动等异常行为，从第11个记录点开始，首先检测当前记录点处车辆是否存在车道偏离异常，若存在这一异常，则记录这一异常并继续检测下一记录点，否则继续检测当前记录点是否存在非法停车异常，若存在则在记录后对下一记录点进行检测，否则继续依次检测逆行、超速行驶等异常行为；若车辆当前不存在任何异常行为，则保存当前车辆基本信息。循环这一过程直至检测结束，在检测过程中，将每个记录点处车辆的状态信息保存在INFORMATION数组中；最后，逐条读取INFORMATION数组中的信息，每个记录点保存该记录点处的经度、纬度、状态信息，以json格式保存在异常行为检测结果文件中。