CN113870551A - 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 - Google Patents
一种能够鉴别危险和非危险驾驶行为的路侧监控系统 Download PDFInfo
- Publication number
- CN113870551A CN113870551A CN202110935335.2A CN202110935335A CN113870551A CN 113870551 A CN113870551 A CN 113870551A CN 202110935335 A CN202110935335 A CN 202110935335A CN 113870551 A CN113870551 A CN 113870551A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- row
- camera systems
- vehicles
- characteristic information
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通设备技术领域,特别涉及一种能够鉴别危险和非危险驾驶行为的路侧监控系统,包括:摄像系统矩阵,用于抓取待监控区域内所有车辆的车辆特征信息,以根据特征信息对车辆进行标定,并对标定车辆持续跟踪,获取标定车辆的车辆轨迹信息和行车特征信息;中央处理器,用于判断标定车辆的车辆轨迹信息和行车特征信息是否满足危险驾驶条件,并在满足危险驾驶条件时,确定标定车辆存在危险驾驶行为,并生成报警信号。该系统仅需在道路上安装摄像装置获取车辆轨迹,既可实现驾驶行为的监控,无需在车辆上安装监控驾驶人危险驾驶行为的设备,提升驾驶行为监控的可行性。
Description
技术领域
本发明涉及交通设备技术领域,特别涉及一种能够鉴别危险和非危险驾驶行为的路侧监控系统。
背景技术
交通事故造成每年巨大的人员伤亡和财产损失,且事故数和财产损失均有上升趋势。交通事故包括重特大事故绝大部分是由驾驶员的行为所引起,因此,对驾驶人危险驾驶行为进行有效地识别和预警十分重要。
相关技术中有关驾驶人危险驾驶行为的监控与预测方法及装置必须在车上安装相关设备。比如,在驾驶舱内的多个位置安装摄像头传感器采集人脸情绪;再比如,也需要安装摄像头和酒精检测仪等设备进行危险驾驶行为监测;但是,在实际场景中这些方法的可行性较差,具体原因如下:
首先,驾驶人很少有意识的主动提前安装这些设备进行危险驾驶行为监测;其次,安装此类设备需要一定的经济成本;再者,安装此类设备影响车的美观程度。最后,受限于所安装的设备,其监测的危险驾驶行为有限,且多数只针对疲劳、酒驾和超速等。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种能够鉴别危险和非危险驾驶行为的路侧监控系统,仅需在道路上安装摄像装置获取车辆轨迹和行车特征信息,既可实现驾驶行为的监控,无需在车辆上安装监控驾驶人危险驾驶行为的设备,提升驾驶行为监控的可行性。
为达到上述目的,本发明实施例提出了一种能够鉴别危险和非危险驾驶行为的路侧监控系统,包括:摄像系统矩阵,用于抓取待监控区域内所有车辆的车辆特征信息,以根据所述特征信息对车辆进行标定,并对标定车辆持续跟踪,获取所述标定车辆的车辆轨迹信息和行车特征信息;中央处理器,用于判断所述标定车辆的车辆轨迹信息和行车特征信息是否满足危险驾驶条件,并在满足危险驾驶条件时,确定所述标定车辆存在危险驾驶行为,并生成报警信号。
本发明实施例的能够鉴别危险和非危险驾驶行为的路侧监控系统,仅需在道路上安装摄像装置获取车辆轨迹和行车特征信息,既可实现驾驶行为的监控,可以全天候地对危险驾驶和非危险驾驶车辆进行区分,同时实时发送给相关的管理人员进行后台监控和路上的管理,起到预防和拦截危险驾驶的作用,从而可以实时便捷准确的实现危险驾驶行为的鉴别,无需在车辆上安装监控驾驶人危险驾驶行为的设备,提升驾驶行为路侧监控的可行性。
另外,根据本发明上述实施例的能够鉴别危险和非危险驾驶行为的路侧监控系统还可以具有以下附加的技术特征:
进一步地,所述摄像系统矩阵包括一排或者多排分布的摄像系统,且每排包括一个或多个摄像系统,其中,当同排包括多个摄像系统时,则同一排的多个摄像系统或相邻排摄像系统之间的摄像范围重叠或相接。
进一步地,所述摄像系统矩阵部署于预设区域内及所述预设区域周围的弯道或十字路口处,其中,预设区域包括重点防护区域、易出现危险驾驶行为区域、事故多发区域、或高速路段等。
进一步地,所述摄像系统包括:信息抓取模块,用于抓取待监控区域内车辆的车辆特征信息;跟踪模块,用于获取所述标定车辆在监控时间内、摄像范围包括的监控路段内的车辆轨迹信息和行车特征信息;传输模块,用于将所述车辆特征信息、所述车辆轨迹信息和所述行车特征信息传输给所述标定车辆运动方向的下一排摄像系统,并将所述车辆特征信息、所述车辆轨迹信息和所述行车特征信息传输给所述中央处理器。
进一步地,所述中央处理器进一步用于计算相邻排摄像系统获取的车辆特征信息、车辆轨迹信息和/或行车特征信息的匹配度,并在所述匹配度大于预设阈值时,判定相邻排摄像系统中标定的车辆为同一车辆。
进一步地,所述中央处理器具体用于:在第n+1排摄像系统与第n排摄像系统排抓取的车辆数量相同时,根据车辆特征信息、车辆轨迹信息和/或行车特征信息进行相似度匹配,以确定在第n+1排摄像系统与第n排摄像系统抓取的车辆中相同的车辆;在第n+1排摄像系统抓取的车辆数量多于第n排抓取的车辆数量时,更新多出的车辆特征信息,并进行相似度匹配,以确定在第n+1排摄像系统与第n排摄像系统抓取的车辆中相同的车辆;在第n+1排摄像系统抓取的车辆数量少于第n排抓取的车辆数量时,更新缺少的车辆特征信息,并进行相似度匹配,以确定在第n+1排摄像系统与第n排摄像系统抓取的车辆中相同的车辆。
进一步地,所述摄像系统矩阵的信息抓取模块从第一排摄像系统开始根据车辆特征信息对所有车辆进行标定,并对每辆车进行编号,且获取第一排摄像系统的视野范围内的车辆轨迹信息及行车特征信息,并实时传输给所述中央处理器,其中,如果第一排摄像系统无法标定,则通过第二排摄像系统进行标定,后面排的摄像系统的工作原理以此类推;所述第一排摄像系统将标定结果通过传输模块传输给第二排摄像系统,以锁定所述第一排摄像系统标定的所有标定车辆,同时提取车辆轨迹和行车特征信息,并实时传输到所述中央处理器,后面排的摄像系统的工作原理以此类推;所述中央处理器对所有车辆的车辆特征信息、轨迹信息及行车特征信息进行合并,并将合并后的特征与危险行为特征数据库进行匹配,以确定存在危险驾驶行为的车辆。
进一步地,所述危险驾驶条件为标定车辆的车辆轨迹信息和行车特征信息与危险行为特征数据库中的危险特征数据匹配。
进一步地,所述中央处理器进一步用于将车辆的危险驾驶行为记录于所述危险行为特征数据库中,或将接收到的人工输入的危险行为数据记录于所述危险行为特征数据库,其中,所述危险行为特征数据库还可以有自学习功能。
进一步地,还包括:告警模块,用于根据所述报警信号进行危险行为报警。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的能够鉴别危险和非危险驾驶行为的路侧监控系统的方框示意图;
图2为根据本发明实施例的能够鉴别危险和非危险驾驶行为的路侧监控系统的结构示意图;
图3为根据本发明实施例的摄像系统矩阵的部署方案流程图;
图4为根据本发明实施例的危险行为路侧监控系统的功能示意图;
图5为根据本发明实施例的特征匹配模块工作流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明是基于发明人对以下问题的认识和发现做出的:
实践中往往不在车内安装相关部件的外部监测及预警手段,比如基于行车轨迹的预测方式,虽然可以利用摄像头识别的车辆轨迹跟踪与北斗定位的车辆轨迹跟踪进行融合,但仍然需要车载设备获取北斗高精定位信息。相关技术还包括:
(1)利用无人机获取汽车的轨迹数据,开发了一种危险驾驶行为识别方法,但无人机受到夜晚、云层、风等环境因素的影响较大,尤其夜晚危险驾驶行为的概率会更高。此外,无人机需要在城市上空的大量部署进行轨迹数据的监测,但多地均有相关法律规定限制,无人机使用的限制也影响了其应用范围。(2)利用摄像机基于车辆轨迹数据预测交叉口危险驾驶行为,该研究数据样本较少,仅限于信号灯交叉口地段对急停、超速、追尾和闯红灯危险行为进行预测,应用范围有限,另外使用方法也较难实时进行危险行为预测,实践性不足。
为此,本发明提出一种仅需在道路上安装摄像装置获取车辆轨迹、且无需在车上安装额外设备的驾驶人危险驾驶行为的监控系统。下面将参照附图描述根据本发明实施例提出的能够鉴别危险和非危险驾驶行为的路侧监控系统。
图1是本发明一个实施例的能够鉴别危险和非危险驾驶行为的路侧监控系统的方框示意图。
如图1所示,该能够鉴别危险和非危险驾驶行为的路侧监控系统10包括:摄像系统矩阵100和中央处理器200。
其中,摄像系统矩阵100用于抓取待监控区域内所有车辆的车辆特征信息,以根据特征信息对车辆进行标定,并对标定车辆持续跟踪,获取标定车辆的车辆轨迹信息和行车特征信息;中央处理器200用于判断标定车辆的车辆轨迹信息和行车特征信息是否满足危险驾驶条件,并在满足危险驾驶条件时,确定标定车辆存在危险驾驶行为,并生成报警信号。
其中,车辆特征信息可以包括车辆颜色、轮廓、大小、位置、速度、车牌等信息,车辆轨迹信息是指车辆的在一定时间内的行驶轨迹,行车特征信息包括但不限于速度偏差(与道路限速的差异,下同)等行车特征。
其中,危险驾驶条件可以为标定车辆的车辆轨迹信息和行车特征信息与危险行为特征数据库中的危险特征数据匹配。
可以理解的是,危险驾驶行为路侧监控系统包括多个摄像系统采集车辆的运动轨迹、车辆的牌照等多种信息,然后通过人工智能的算法,比如Support Vector Manchine、Linear Discriminant Analysis、随机森林法、神经网络、深度学习等,全天候地对危险驾驶和非危险驾驶车辆进行区分,同时实时发送给相关的管理人员进行后台监控和路上的管理,起到预防和拦截危险驾驶的作用。
其中,在确定车辆存在危险驾驶行为时,中央处理器进一步用于将车辆的危险驾驶行为记录于危险行为特征数据库中。需要说明的是,数据库也支持人工输入数据,比如交警输入相关危险行为数据,且可以有自学习功能。
在本发明实施例中,摄像系统矩阵包括多排分布的摄像系统,且每排包括一个或多个摄像系统,其中,当同排包括多个摄像系统时,则同一排的多个摄像系统或相邻排摄像系统之间的摄像范围重叠或相接。
其中,摄像系统矩阵包括的摄像系统的数量可以根据实际的监控需求具体设置,可以包括多排分布的摄像系统,且每排包括一个或多个摄像系统,视具体道路情况和摄像范围等因素而定,比如,可以在同一排上设置2个或3个等摄像系统。
可以理解的是,本发明实施例可以将同排或各排之间的摄像系统的视野设置为一定的重叠或者相接,以保证视野范围内没有盲区,提高监控的可靠性。
在本发明实施例中,每个摄像系统每隔预设时间更新摄像范围内所有车辆的特征信息。其中,预设时间可以根据实际情况进行设置,比如可以设置0.5S或1S,从而可以通过实时更新提高监控的可靠性。
在本发明实施例中,摄像系统包括:信息抓取模块、跟踪模块和传输模块。其中,信息抓取模块,用于待监控区域内车辆的车辆特征信息;跟踪模块,用于获取标定车辆在监控时间内、摄像范围包括的监控路段内的车辆轨迹信息和行车特征信息;传输模块,用于将车辆特征信息、轨迹信息和行车特征信息传输给标定车辆运动方向的下一排摄像系统,并将车辆特征信息、轨迹信息和行车特征信息传输中央处理器。
具体而言,如图2所示,摄像系统矩阵100包括N个摄像系统,摄像系统用于抓取车辆的特征信息并持续跟踪,该系统具体包括车辆特征信息抓取、跟踪和传输三大模块。其中,信息抓取模块用于抓取车辆的特征信息,比如车的颜色、轮廓、大小、位置、速度和可能的车牌号等。跟踪模块则用于获取被标定的车辆在一段时间和路段内的车辆轨迹和行车特征,比如速度偏差等行车特征。
传输模块的作用如下:第一、用于将当前排的摄像系统向后排摄像系统实时传输各车辆的特征信息、轨迹信息和行车特征信息;第二、用于将车辆的特征信息、各车辆的轨迹和行车特征信息实时传输给中央处理器进行处理。所有摄像系统连接在局域网中,然后将其实时拍摄的所有在该道路范围内的所有车辆的数字化信息通过此传输模块每隔x秒向中央处理器发送,其中,x可以根据实际情况具体设置,比如x≤0.1s。
在本发明实施例中,摄像系统矩阵的特征抓取模块从第一排摄像系统开始根据车辆特性信息对任意一辆车辆进行标定,并对每一辆车辆进行编号,且获取第一排摄像系统的视野范围内的车辆轨迹信息及行车特征信息,并实时传输给中央处理器,其中,如果第一排摄像系统无法标定,则通过第二排摄像系统进行标定,后面排的摄像系统的工作原理以此类推;第一排摄像系统将标定结果通过传输模块传输给第二排摄像系统,以锁定第一排摄像系统标定的所有标定车辆的轨迹和行车特征,并实时传输到中央处理器,后面排的摄像系统的工作原理以此类推;中央处理器对所有车辆的车辆轨迹信息及行车特征信息进行合并,并将合并后的特征与危险行为特征数据库进行匹配,以确定存在危险驾驶行为的车辆。
其中,摄像系统矩阵中所有排的摄像系统的工作原理相同。具体而言,如图2所示,中央处理器是监控系统的核心,主要用于加工与合并通过传输模块传过来的多个特征信息抓取模块和跟踪模块的车辆信息,然后通过和驾驶人危险行为特征数据库中的数据进行比对,如果判定出现危险驾驶行为,则通过告警模块对输出结果进行告警和显示。
考虑到本系统的实用性,普通摄像系统受到自身光学系统、环境、架设位置和成本的限制,无法识别太远的物体,因此需要多排摄像系统协同工作并发送到中央处理器对识别的结果进行整合。中央处理器将进行如下工作:
第一步:摄像系统的信息抓取模块对任意一辆车从第一排摄像系统开始根据其颜色、;轮廓、大小或车牌等信息进行标定,对每一辆车进行编号(如车A,车B等),跟踪模块获得第一排视野范围内的行车轨迹及其行车特征,然后实时传输到中央处理器。如果第一排摄像系统无法标定第二排摄像系统重复第一步。
第二步:从第一步获得的标定结果,通过传输模块传递到第二排摄像系统继续工作,继续锁定第一排摄像系统标定的各标定车辆的轨迹和行车特征,然后实时传输到中央处理器。
第三步:重复第二步直至提取每个车辆在所有车辆轨迹和行车特征(如速度偏差)然后加以合并。最后将合并后的驾驶特征与驾驶人危险行为特征数据库进行比对得出判定结果。
考虑到驾驶人的驾驶熟练度,对路况的不熟悉等因素,由这些情况导致的告警不能错误地归为危险驾驶。另外,不同的城市要重新做人工智能的算法学习,因为道路情况和亚文化不同。
在本发明实施例中,中央处理器200进一步用于计算相邻排摄像系统获取的车辆特征信息、车辆轨迹信息和/或行车特征信息的匹配度,并在匹配度大于预设阈值时,判定相邻排摄像系统中标定的车辆为同一车辆。
可以理解的是,本发明实施例可以通过传输模块的传递,第n排的信息矩阵将和第n+1排的信息矩阵进行比对,匹配度高则为同一辆车,以用于区分车辆的身份,从而可以确保同一车辆数据对接的准确性。其中,预设阈值可以根据实际情况进行标定,当匹配度大于预设阈值时确定匹配度高。
在本发明实施例中,中央处理器200具体用于:在第n+1排摄像系统与第n排摄像系统排抓取的车辆数量相同时,根据车辆特征信息、车辆轨迹信息和/或行车特征信息进行相似度匹配,以确定在第n+1排摄像系统与第n排摄像系统抓取的车辆中相同的车辆;在第n+1排摄像系统抓取的车辆数量多于第n排抓取的车辆数量时,更新多出的车辆特征信息,并进行相似度匹配,以确定在第n+1排摄像系统与第n排摄像系统抓取的车辆中相同的车辆;在第n+1排摄像系统抓取的车辆数量少于第n排抓取的车辆数量时,更新缺少的车辆特征信息,并进行相似度匹配,以确定在第n+1排摄像系统与第n排摄像系统抓取的车辆中相同的车辆。
具体而言,通过信息矩阵对比,将存在以下三种情况:1)第n+1排摄像系统抓取的车辆数等于第n排抓取的车辆数。首先,如果摄像系统具有车牌识别功能且识别准确度较高,则优先使用车牌号进行车辆的匹配。如果通过车牌号无法匹配,那么则通过其他特征集的比对,进行车辆相似度的匹配。如果仍有车辆匹配度较低,可以通过前面获取的位置、速度和车道范围等信息进行车的轨迹预测和可能的轨迹拼接进行车辆的区分,否则标定为新增车辆并更新信息进入下一轮循环。2)第n+1排摄像系统抓取的车辆数多于第n排抓取的车辆数,则更新多出的车辆特征信息,继续完成其他车辆在1)条件中的匹配流程。3)第n+1排摄像系统抓取的车辆数少于第n排抓取的车辆数,则更新缺少的车辆特征信息,继续完成其他车辆在1)条件中的匹配流程。
在本发明实施例中,本发明实施例的监控系统10还包括:告警模块。其中,告警模块用于根据报警信号进行危险行为报警。
具体而言,如图2所示,告警模块主要用于驾驶人危险驾驶行为识别结果的反应。当中央处理器对数据处理完成以后,对输出结果以一种恰当的方式呈现给使用者。包括:1)提醒拦截。将相关信息传递给附近的收费站或巡逻执法人员和车辆,告知他们危险车辆的特征及其位置以及相关的拦截告警。2)告警广播。通过其它道路使用者(如行人、机动车与非机动车驾驶人)等能够获取信息的任何装置(比如车联网系统、行人信号灯或者路边的扬声器)及时发布危险车辆的预警信息(比如车辆的特征、当前位置等)。
综上,本发明实施例的软硬件系统包括摄像系统矩阵、中央处理器、告警模块,其中,摄像系统矩阵包括车辆特征信息抓取模块、跟踪模块和传输模块,车辆特征信息抓取模块与跟踪模块获取的车辆信息通过传输模块传到中央处理器合并处理,当识别驾驶人危险驾驶行为后通过告警模块及时发出告警。
在一些实施例中,摄像系统矩阵部署于预设区域内及预设区域周围的弯道或十字路口处,其中,预设区域包括重点防护区域、易出现危险驾驶行为区域、事故多发区域,或高速路段等。
可以理解的是,摄像系统矩阵的部署应尽可能考虑容易发现危险驾驶行为的路况。下面将对软硬件系统部署方法进行阐述,该部分包括摄像系统矩阵在不同道路形态结构和交通设施情况下的布置和数据获取时间要求等,摄像系统矩阵的具体部署要求如下:
1、摄像系统数量及摄像范围的确定。摄像系统个数N则由摄像系统排数(P)和每排摄像系统数量(Q)确定,即N=P*Q。1)每排摄像系统数量(Q)的确定:设车道宽度为W,共有m个同向车道。单个摄像系统的横向摄像宽度是J,则同方向每排需要架设(m*W)/J个摄像系统。2)摄像系统排数(P)和排间隔(d)的确定:设选取的监控路段长度为Z,每台摄像系统的有效监控长度为d,则排间隔为d,摄像系统的排数P=Z/d。3)N个摄像系统的摄像范围的确定:N个摄像系统的摄像范围是指从第一台摄像系统所能拍摄到进入它的摄像范围起始的位置到最后第N个摄像系统车辆驶离它的摄像范围为止。该摄像系统应该安装在交通灯旁边,或者安装在较高的杆子上,能俯视进入的车辆。
2、摄像系统矩阵的部署方案,如图3所示,包括:
A、重要区域选取
以下为可供参考的重要部署地点,包括但不限于:
1)从某地区的关键区域内(重点防护单位或者人口稠密区)和关键区域周围寻找最佳路段进行监控;
2)从某地区可能引起危险驾驶的区域,比如酒吧、KTV、饭店等娱乐区域周围寻找最佳路段进行监控;
3)从进入某地区之前的外围道路寻找最佳路段进行监控;
4)从历史事故多发区域寻找最佳路段进行监控;
5)从高速路段寻找最佳路段进行监控。
B、道路特征要求
在部署地点确定之后,要对具体道路进行筛选,选取合适的道路有助于提高本系统的判别正确率,该系统尽量设置在有一定曲率的弯道或十字路口。如表1所示,表1为各种摄像系统部署位置可获得的其他驾驶特征总结表,因为上述两种路况下获得的驾驶特征数据类型最多,可能也越容易出现危险驾驶行为,选取的过程包括:
1)较为理想的道路特征,该路段需要满足:①最好没有出口,如果有出口,需要安装P排摄像系统加以追踪;②车辆可以自由换车道;③至少有一条弯道(弯道越多越好);
2)如果没有符合条件1)的道路,则选择十字路口,摄像系统矩阵的视野范围应该覆盖各车辆所有可能左拐右拐直行等情况。
C、追踪时间
无论何种路况,每一个车辆需要观测的时间T(单位:s)长度越长越好,建议大于30s。这样有利于获得更充分的数据,进而得出更加准确的结果。
下面将通过具体实施例对能够鉴别危险和非危险驾驶行为的路侧监控系统进行阐述,如图4所示,系统由多个摄像系统、中央处理器和告警模块组成,其中,摄像系统包括特征抓取模块、跟踪模块和传输模块,中央处理器包括危险驾驶行为历史数据库,具体如下:
每个摄像系统可以架设到道路龙门架上俯瞰道路,也可以安装在道路两侧。同排或各排之间的摄像系统的视野需要有一定的重叠或者保证不能有盲区。
当A车进入1号摄像系统监控范围时,1号摄像系统的识别模块获取车辆的特征信息(比如颜色、大小、轮廓、速度和/或者车牌号等),通过传输模块实时传输给中央处理器,也同时传输到按照车辆运动方向的下一排摄像系统继续进行跟踪,跟踪模块将车辆轨迹和其他行车信息(如车速变化、行车间距等)并基于当前位置实时更新传递给中央处理器。中央处理器加工并合并获得的车辆特征信息、各车辆的轨迹和行车信息。因为每辆车都必须通过几个摄像系统来识别和跟踪,所以识别模块和跟踪模块的网络需要协同工作,每个摄像系统至少每0.5秒钟更新一下它视野内的所有车辆的信息。
如图5所示,不同排摄像系统的信息传递,涉及一个矩阵信息匹配过程。假设道路上有多辆车,恰巧路过第n排摄像系统,那么通过摄像系统抓取视野范围内的每辆车的特征信息(比如颜色、大小、轮廓、速度、位置和/或者车牌号等)、轨迹和其他信息等,并编码标记为ATn,1、ATn,2、ATn,3...ATn,j和BTn,1、BTn,2、BTn,3...BTn,j等。于是生成了当前视野范围内的信息矩阵。同理,n+1排摄像系统视野范围的多辆车,也会被抓取车辆的特征信息(比如颜色、大小、轮廓、速度、位置和/或者车牌号等)、轨迹和其他信息等,并编码标记为MTn+1,1、MTn+1,2、MTn+1,3...MTn+1,j和NTn+1,1、NTn+1,2、NTn+1,3...NTn+1,j等。通过传输模块的传递,第n排的信息矩阵将和第n+1排的信息矩阵进行比对,匹配度高则为同一辆车。本过程主要用于区分车辆的身份,以确保同一车辆数据对接的准确性。通过对比,将存在以下三种情况:
1)第n+1排摄像系统抓取的车辆数等于第n排抓取的车辆数。首先,如果摄像系统具有车牌识别功能且识别准确度较高,则优先使用车牌号进行车辆的匹配。如果通过车牌号无法匹配,那么则选取Frobenius norm、曼哈顿距离、欧氏距离等方法计算每辆车的特征信息矩阵相似度,相似度最高且超过阈值,则判定为同一辆车(比如,与A车和其他车辆的特征信息矩阵相似度相比,A车和M车的特征信息矩阵相似度最高且超过阈值,则判定A车和M车为同一辆车),否则进行下一步匹配。进一步地,可以通过前面获取的位置、速度和车道范围等信息进行车的轨迹预测和可能的轨迹拼接进行车辆的区分,否则将无法匹配的车辆标定为新增车辆,并更新无法匹配的车辆信息继续执行下一轮匹配过程。
2)第n+1排摄像系统抓取的车辆数多于第n排抓取的车辆数,则更新多出的车辆特征信息,继续完成其他车辆在1)条件中的匹配流程。
3)第n+1排摄像系统抓取的车辆数少于第n排抓取的车辆数,则更新缺少的车辆特征信息,继续完成其他车辆在1)条件中的匹配流程。
由于数据流实时可用,危险驾驶分类在中央处理器上执行,在该服务器上进行若干操作,包括数据存留、特征匹配、危险驾驶检测等。为了进行分类,需要收集和分析每辆车的行驶参数,包括车辆轨迹和行车特征(如速度偏差),然后和数据库中存储的危险驾驶行为历史数据进行比对,进而得出是否存在危险驾驶行为。
在中央处理器中的数据库包含摄像系统的位置,接收通过传输模块传过来的多个识别模块和跟踪模块的车辆信息数据,并可以长期保存在数据库中。当存在危险行为的驾驶人被识别出来时,车辆图像、车牌号码和最后拍摄他们的摄像系统的GPS坐标将通过告警模块中进行反应,比如,可以将相关信息传递给附近的收费站或巡逻执法车辆,发出拦截告警;再比如,可以通过行人信号灯的扬声器,智能交通系统(如车联网)发布预警信息给该危险车辆当前位置的其他道路使用者(如,行人、机动车与非机动车驾驶人等)。这些事件将会被记录在数据库中,为每个存在危险驾驶行为的驾驶员建立历史记录。
综上,本发明将危险驾驶定义成任何影响公共道路安全的驾驶行为,包括超速、毒驾(吸毒后驾驶车辆)、酒驾、疲劳驾驶、分心驾驶,有意的报复社会或者伤害他人的驾驶行为等,较已有研究中只针对少部分危险驾驶行为的识别范围更广。本发明可以通过多排摄像系统网络,识别车辆颜色、轮廓、大小、位置、速度、车牌、车辆轨迹、速度偏差等参数,然后和数据库中已有的驾驶特征进行比对,进而得出驾驶人是否存在危险行为;无论白天还是夜晚,摄像系统均可以通过联网实时向后台传输上述信息,摄像系统的布置也综合考虑道路形态结构和交通设施。
根据本发明实施例提出的能够鉴别危险和非危险驾驶行为的路侧监控系统,仅需在道路上安装摄像装置获取车辆轨迹,既可实现驾驶行为的监控,可以全天候地对危险驾驶和非危险驾驶车辆进行区分,同时实时发送给相关的管理人员进行后台监控和路上的管理,起到预防和拦截危险驾驶的作用,从而可以实时便捷准确的实现危险驾驶行为的鉴别,无需在车辆上安装监控驾驶人危险驾驶行为的设备,提升驾驶行为路侧监控的可行性。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种能够鉴别危险和非危险驾驶行为的路侧监控系统,其特征在于,包括:
摄像系统矩阵,用于抓取待监控区域内所有车辆的车辆特征信息,以根据所述特征信息对车辆进行标定,并对标定车辆持续跟踪,获取所述标定车辆的车辆轨迹信息和行车特征信息;
中央处理器,用于判断所述标定车辆的车辆轨迹信息和行车特征信息是否满足危险驾驶条件,并在满足危险驾驶条件时,确定所述标定车辆存在危险驾驶行为,并生成报警信号。
2.根据权利要求1所述的系统,其特征在于,所述摄像系统矩阵包括一排或者多排分布的摄像系统,且每排包括一个或多个摄像系统,其中,当同排包括多个摄像系统时,则同一排的多个摄像系统或相邻排摄像系统之间的摄像范围重叠或相接。
3.根据权利要求1或2所述的系统,其特征在于,所述摄像系统矩阵部署于预设区域内及所述预设区域周围的弯道或十字路口处,其中,预设区域包括重点防护区域、易出现危险驾驶行为区域、事故多发区域、或者高速路段。
4.根据权利要求2所述的系统,其特征在于,所述摄像系统包括:
信息抓取模块,用于抓取待监控区域内车辆的车辆特征信息;
跟踪模块,用于获取所述标定车辆在监控时间内、摄像范围包括的监控路段内的车辆轨迹信息和行车特征信息;
传输模块,用于将所述车辆特征信息、所述车辆轨迹信息和所述行车特征信息传输给所述标定车辆运动方向的下一排摄像系统,并将所述车辆特征信息、所述车辆轨迹信息和所述行车特征信息传输给所述中央处理器。
5.根据权利要求1所述的系统,其特征在于,所述中央处理器进一步用于计算相邻排摄像系统获取的车辆特征信息、车辆轨迹信息和/或行车特征信息的匹配度,并在所述匹配度大于预设阈值时,判定相邻排摄像系统中标定的车辆为同一车辆。
6.根据权利要求5所述的系统,其特征在于,所述中央处理器具体用于:
在第n+1排摄像系统与第n排摄像系统排抓取的车辆数量相同时,根据车辆特征信息、车辆轨迹信息和/或行车特征信息进行相似度匹配,以确定在第n+1排摄像系统与第n排摄像系统抓取的车辆中相同的车辆;
在第n+1排摄像系统抓取的车辆数量多于第n排抓取的车辆数量时,更新多出的车辆特征信息,并进行相似度匹配,以确定在第n+1排摄像系统与第n排摄像系统抓取的车辆中相同的车辆;
在第n+1排摄像系统抓取的车辆数量少于第n排抓取的车辆数量时,更新缺少的车辆特征信息,并进行相似度匹配,以确定在第n+1排摄像系统与第n排摄像系统抓取的车辆中相同的车辆。
7.根据权利要求4所述的系统,其特征在于,所述摄像系统矩阵中所有排的摄像系统的工作原理相同,其中,
所述摄像系统矩阵的信息抓取模块从第一排摄像系统开始根据车辆特征信息对所有车辆进行标定,并对每辆车进行编号,且获取第一排摄像系统的视野范围内的车辆轨迹信息及行车特征信息,并实时传输给所述中央处理器,其中,如果第一排摄像系统无法标定,则通过第二排摄像系统进行标定;
所述第一排摄像系统将标定结果通过传输模块传输给第二排摄像系统,以锁定所述第一排摄像系统标定的所有标定车辆,同时提取车辆轨迹和行车特征信息,并实时传输到所述中央处理器;
所述中央处理器对所有车辆的车辆特征信息、轨迹信息及行车特征信息进行合并,并将合并后的特征与危险行为特征数据库进行匹配,以确定存在危险驾驶行为的车辆。
8.根据权利要求7所述的系统,其特征在于,所述危险驾驶条件为标定车辆的车辆轨迹信息和行车特征信息与危险行为特征数据库中的危险特征数据匹配。
9.根据权利要求7所述的系统,其特征在于,所述中央处理器进一步用于将车辆的危险驾驶行为记录于所述危险行为特征数据库中,或将接收到的人工输入的危险行为数据记录于所述危险行为特征数据库,其中,所述危险行为特征数据库还有自学习功能。
10.根据权利要求1所述的系统,其特征在于,还包括:
告警模块,用于根据所述报警信号进行危险行为报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935335.2A CN113870551B (zh) | 2021-08-16 | 2021-08-16 | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110935335.2A CN113870551B (zh) | 2021-08-16 | 2021-08-16 | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870551A true CN113870551A (zh) | 2021-12-31 |
CN113870551B CN113870551B (zh) | 2023-07-28 |
Family
ID=78990372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110935335.2A Active CN113870551B (zh) | 2021-08-16 | 2021-08-16 | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870551B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346370A (zh) * | 2022-08-10 | 2022-11-15 | 重庆大学 | 基于智能交通的路口防碰撞系统及方法 |
CN116524444A (zh) * | 2023-04-10 | 2023-08-01 | 盐城工学院 | 一种基于目标检测的交通安全风险诊断方法和装置 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120166080A1 (en) * | 2010-12-28 | 2012-06-28 | Industrial Technology Research Institute | Method, system and computer-readable medium for reconstructing moving path of vehicle |
CN106846374A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 多摄像头场景下车辆的轨迹计算方法 |
JP2017134441A (ja) * | 2016-01-25 | 2017-08-03 | 株式会社デンソー | 逆走判定システム |
CN107767673A (zh) * | 2017-11-16 | 2018-03-06 | 智慧互通科技有限公司 | 一种基于多摄像机的路侧停车管理方法、装置及系统 |
CN108961771A (zh) * | 2018-06-20 | 2018-12-07 | 上海市政工程设计研究总院(集团)有限公司 | 一种高速公路基于视频分析的醉酒驾驶行为预警系统 |
CN109146914A (zh) * | 2018-06-20 | 2019-01-04 | 上海市政工程设计研究总院(集团)有限公司 | 一种高速公路基于视频分析的醉酒驾驶行为预警方法 |
CN109300313A (zh) * | 2017-07-25 | 2019-02-01 | 杭州海康威视数字技术股份有限公司 | 违法行为的检测方法、相机及服务器 |
CN109785637A (zh) * | 2019-01-28 | 2019-05-21 | 平安科技(深圳)有限公司 | 车辆违规的分析评价方法及装置 |
AU2019100914A4 (en) * | 2019-08-16 | 2019-09-26 | Weifang University | Method for identifying an intersection violation video based on camera cooperative relay |
CN110299013A (zh) * | 2019-07-10 | 2019-10-01 | 深圳成谷科技有限公司 | 一种车辆危险驾驶行为的检测处理方法、装置及设备 |
CN110728218A (zh) * | 2019-09-29 | 2020-01-24 | 深圳市大拿科技有限公司 | 危险驾驶行为的预警方法、装置、电子设备及存储介质 |
CN111666859A (zh) * | 2020-06-01 | 2020-09-15 | 浙江省机电设计研究院有限公司 | 一种危险驾驶行为识别方法 |
CN111666860A (zh) * | 2020-06-01 | 2020-09-15 | 浙江省机电设计研究院有限公司 | 一种车牌信息与车辆特征融合的车辆轨迹跟踪方法 |
CN111696365A (zh) * | 2019-03-11 | 2020-09-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆跟踪系统 |
CN112099042A (zh) * | 2020-08-07 | 2020-12-18 | 武汉万集信息技术有限公司 | 车辆跟踪方法以及系统 |
CN112365527A (zh) * | 2020-10-15 | 2021-02-12 | 中标慧安信息技术股份有限公司 | 园区内车辆跨镜追踪方法及系统 |
CN112907979A (zh) * | 2021-03-08 | 2021-06-04 | 河海大学 | 一种基于多摄像头的机动车违法行驶轨迹跟踪系统及方法 |
-
2021
- 2021-08-16 CN CN202110935335.2A patent/CN113870551B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120166080A1 (en) * | 2010-12-28 | 2012-06-28 | Industrial Technology Research Institute | Method, system and computer-readable medium for reconstructing moving path of vehicle |
JP2017134441A (ja) * | 2016-01-25 | 2017-08-03 | 株式会社デンソー | 逆走判定システム |
CN106846374A (zh) * | 2016-12-21 | 2017-06-13 | 大连海事大学 | 多摄像头场景下车辆的轨迹计算方法 |
CN109300313A (zh) * | 2017-07-25 | 2019-02-01 | 杭州海康威视数字技术股份有限公司 | 违法行为的检测方法、相机及服务器 |
CN107767673A (zh) * | 2017-11-16 | 2018-03-06 | 智慧互通科技有限公司 | 一种基于多摄像机的路侧停车管理方法、装置及系统 |
CN108961771A (zh) * | 2018-06-20 | 2018-12-07 | 上海市政工程设计研究总院(集团)有限公司 | 一种高速公路基于视频分析的醉酒驾驶行为预警系统 |
CN109146914A (zh) * | 2018-06-20 | 2019-01-04 | 上海市政工程设计研究总院(集团)有限公司 | 一种高速公路基于视频分析的醉酒驾驶行为预警方法 |
CN109785637A (zh) * | 2019-01-28 | 2019-05-21 | 平安科技(深圳)有限公司 | 车辆违规的分析评价方法及装置 |
CN111696365A (zh) * | 2019-03-11 | 2020-09-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆跟踪系统 |
CN110299013A (zh) * | 2019-07-10 | 2019-10-01 | 深圳成谷科技有限公司 | 一种车辆危险驾驶行为的检测处理方法、装置及设备 |
AU2019100914A4 (en) * | 2019-08-16 | 2019-09-26 | Weifang University | Method for identifying an intersection violation video based on camera cooperative relay |
CN110728218A (zh) * | 2019-09-29 | 2020-01-24 | 深圳市大拿科技有限公司 | 危险驾驶行为的预警方法、装置、电子设备及存储介质 |
CN111666859A (zh) * | 2020-06-01 | 2020-09-15 | 浙江省机电设计研究院有限公司 | 一种危险驾驶行为识别方法 |
CN111666860A (zh) * | 2020-06-01 | 2020-09-15 | 浙江省机电设计研究院有限公司 | 一种车牌信息与车辆特征融合的车辆轨迹跟踪方法 |
CN112099042A (zh) * | 2020-08-07 | 2020-12-18 | 武汉万集信息技术有限公司 | 车辆跟踪方法以及系统 |
CN112365527A (zh) * | 2020-10-15 | 2021-02-12 | 中标慧安信息技术股份有限公司 | 园区内车辆跨镜追踪方法及系统 |
CN112907979A (zh) * | 2021-03-08 | 2021-06-04 | 河海大学 | 一种基于多摄像头的机动车违法行驶轨迹跟踪系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346370A (zh) * | 2022-08-10 | 2022-11-15 | 重庆大学 | 基于智能交通的路口防碰撞系统及方法 |
CN115346370B (zh) * | 2022-08-10 | 2023-11-03 | 重庆大学 | 基于智能交通的路口防碰撞系统及方法 |
CN116524444A (zh) * | 2023-04-10 | 2023-08-01 | 盐城工学院 | 一种基于目标检测的交通安全风险诊断方法和装置 |
CN116524444B (zh) * | 2023-04-10 | 2023-12-15 | 盐城工学院 | 一种基于目标检测的交通安全风险诊断方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113870551B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836985B2 (en) | Identifying suspicious entities using autonomous vehicles | |
CN106652468B (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
CN112348992B (zh) | 基于车路协同系统的车载视频处理方法、装置及存储介质 | |
CN109686109B (zh) | 一种基于人工智能的停车场安全监控管理系统及方法 | |
US10789840B2 (en) | Systems, apparatuses and methods for detecting driving behavior and triggering actions based on detected driving behavior | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
US8885929B2 (en) | Abnormal behavior detection system and method using automatic classification of multiple features | |
CN113676702B (zh) | 基于视频流的目标追踪监测方法、系统、装置及存储介质 | |
KR102282800B1 (ko) | 라이다와 영상카메라를 이용한 멀티 표적 추적 방법 | |
CN108932849B (zh) | 一种记录多台机动车低速行驶违法行为的方法及装置 | |
CN111340003B (zh) | 一种针对电子警察盲区内违法变道行为的取证方法及系统 | |
CN113870551B (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控系统 | |
KR102197449B1 (ko) | 구간단속지점 내에서 연계적 일정구간별 단속을 수행하는 단속시스템 | |
CN113012436B (zh) | 道路监控方法、装置及电子设备 | |
CN112883936A (zh) | 一种对车辆违规行为的检测方法及其系统 | |
CN113851017A (zh) | 一种基于路侧rsu的行人车辆识别预警多功能系统 | |
KR102159144B1 (ko) | 보행신호등 주변의 위반차량 무인단속시스템 | |
CN114387785A (zh) | 一种基于智慧公路的安全管控方法、系统及可存储介质 | |
JP2007206785A (ja) | 車両追跡システムとこれに使用する画像処理装置、中央装置及び車載装置、並びに、車両追跡方法 | |
KR101672780B1 (ko) | 어린이 보호 구역 내의 지능형 영상감시 시스템 | |
CN109003457B (zh) | 一种记录多台机动车违法占用应急车道行为的方法及装置 | |
CN110675633A (zh) | 用于求取违法行驶行为的方法,控制单元和存储介质 | |
CN111291722A (zh) | 一种基于v2i技术的车辆重识别系统 | |
KR101395095B1 (ko) | 차량 번호 자동 판독 시스템 | |
KR102316700B1 (ko) | 이륜차 전용 무인단속시스템 |
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 |