CN114037932A - 交通异常事件检测方法、电子设备、存储介质和程序产品 - Google Patents
交通异常事件检测方法、电子设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN114037932A CN114037932A CN202111234339.4A CN202111234339A CN114037932A CN 114037932 A CN114037932 A CN 114037932A CN 202111234339 A CN202111234339 A CN 202111234339A CN 114037932 A CN114037932 A CN 114037932A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- abnormal
- traffic
- position information
- suspicious
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种交通异常事件检测方法、电子设备、存储介质和程序产品,方法包括获取交通视频数据和雷达数据;将交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得车辆检测模型输出的可疑车辆及其位置信息;对位置信息进行聚类处理,获得聚类结果,基于聚类结果判断可疑车辆是否为异常车辆;若可疑车辆为异常车辆,则基于聚类结果对位置信息进行过滤处理,获得异常车辆的目标位置信息,基于雷达数据和目标位置信息,进行决策级融合,获得异常车辆的异常事件类别。本发明占用更少的内存资源,可在终端设备上进行处理,无需在远程设备上进行处理,从而避免远程传输数据出现错检漏检的情况,进而提高交通异常事件检测的准确率。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种交通异常事件检测方法、电子设备、存储介质和程序产品。
背景技术
车辆异常事件的检测是交通领域中要求高且时间紧迫的任务之一,其对于预防二次事故和及时处理当前交通异常事件有着重要的作用。目前,通过人力观察交通视频中是否发生异常,效率低下且人工成本昂贵,因此,需要对交通提出智能的异常事件检测系统。
目前,异常事件检测系统通过光流法、帧间差分法和背景差分法检测车辆并进行异常判断,但是只适用于简单的场景,抗干扰能力差。例如,当遇到雨雪天气时,画面像素值变化较大,分割出的前景有大量的噪声,所以上述方法极易导致检测出错,难以实际应用。基于此,目前交通检测系统多采用深度学习方法,然而当前的深度学习方法过于复杂,其占用内存资源多,导致无法在终端设备上进行处理,因此只能在指挥中心进行决策。
然而,当检测路段处于偏远地带或隧道时,信号可能受限或降级,检测数据无法进行网络传输或无法完整进行传输,从而出现错检漏检的情况,导致交通异常事件检测的准确率降低。
发明内容
本发明提供一种交通异常事件检测方法、电子设备、存储介质和程序产品,用以解决现有技术中交通异常事件检测准确率低的缺陷,实现高准确率的交通异常事件检测。
本发明提供一种交通异常事件检测方法,包括:
获取交通视频数据和雷达数据;
将所述交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得所述车辆检测模型输出的可疑车辆及其位置信息;
对所述位置信息进行聚类处理,获得聚类结果,基于所述聚类结果判断所述可疑车辆是否为异常车辆;
若所述可疑车辆为异常车辆,则基于所述聚类结果对所述位置信息进行过滤处理,获得异常车辆的目标位置信息,基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
根据本发明提供的一种交通异常事件检测方法,所述将所述交通视频数据的平均帧图像输入至车辆检测模型,包括:
基于预设平均周期,对所述交通视频数据的帧图像进行采样,获得帧图像集;
对所述帧图像集进行平均计算,获得平均帧图像;
将所述平均帧图像输入至车辆检测模型。
根据本发明提供的一种交通异常事件检测方法,所述基于所述聚类结果判断所述可疑车辆是否为异常车辆,包括:
若所述聚类结果的聚类中心的位置信息数量大于预设数量,则判定所述可疑车辆为异常车辆;
若所述聚类结果的聚类中心的位置信息数量小于或等于预设数量,则判定所述可疑车辆为正常车辆。
根据本发明提供的一种交通异常事件检测方法,所述基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别,包括:
对所述雷达数据进行分析处理,获得所述异常车辆的速度方向、平均速度和加速度;
基于所述速度方向、所述平均速度、所述加速度和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
根据本发明提供的一种交通异常事件检测方法,所述基于所述速度方向、所述平均速度、所述加速度和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别,包括:
若所述速度方向与预设速度方向相反,则确定所述异常车辆存在逆行事件;
若所述平均速度小于预设平均速度,则确定所述异常车辆存在交通拥挤事件;
若所述加速度大于预设加速度,则确定所述异常车辆存在交通事故事件;
若所述加速度小于或等于预设加速度,且基于所述目标位置信息判定所述异常车辆位于应急车道区域,则确定所述异常车辆存在应急车道停车事件;
若所述加速度小于或等于预设加速度,且基于所述目标位置信息判定所述异常车辆不位于应急车道区域,则确定所述异常车辆存在违章停车事件。
根据本发明提供的一种交通异常事件检测方法,应用于边缘设备,所述边缘设备包括内存模块、中央处理器、图形处理器、存储器和网口设备;
所述网口设备,用于获取所述交通视频数据和所述雷达数据;
所述中央处理器,用于进行平均帧处理,获得所述平均帧图像;
所述内存模块,用于存储所述平均帧图像和所述雷达数据;
所述图形处理器,用于读取所述存储器中的引擎文件,并反序列化所述引擎文件获得所述车辆检测模型,以通过所述车辆检测模型对所述平均帧图像进行推理;
所述中央处理器,还用于对所述位置信息进行聚类处理;
所述中央处理器,还用于进行决策级融合。
根据本发明提供的一种交通异常事件检测方法,所述内存模块包括第一共享内存空间和第二共享内存空间,所述第一共享内存空间和所述第二共享内存空间交替进行读取和写入。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述交通异常事件检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述交通异常事件检测方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述交通异常事件检测方法的步骤。
本发明提供的交通异常事件检测方法、电子设备、存储介质和程序产品,通过获取交通视频数据和雷达数据;将交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得车辆检测模型输出的可疑车辆及其位置信息;对位置信息进行聚类处理,获得聚类结果,基于聚类结果判断可疑车辆是否为异常车辆;若可疑车辆为异常车辆,则基于聚类结果对位置信息进行过滤处理,获得异常车辆的目标位置信息,基于雷达数据和目标位置信息,进行决策级融合,获得异常车辆的异常事件类别。本发明只需输入交通视频数据和雷达数据,便可进行异常事件检测,相比多源输入交通事件检测系统,可占用更少的内存资源,从而可在终端设备上进行处理,无需把各个模态数据传回指挥中心进行处理,从而避免远程传输数据出现错检漏检的情况,进而提高交通异常事件检测的准确率。同时,平均帧图像相比原本的帧图像,可以将正常车辆信息模糊掉,从而能够避免正常车辆信息的干扰,进而突出异常车辆信息,最终进一步提高交通异常事件检测的准确性。此外,对位置信息进行聚类处理,以判断可疑车辆是否为异常车辆,相比直接将可疑车辆进行异常事件检测,本发明可避免将正常行驶的可疑车辆进行异常事件类别检测,从而进一步提高交通异常事件检测的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的交通异常事件检测方法的流程图之一;
图2为本发明提供的交通异常事件检测方法的流程图之二;
图3为本发明提供的边缘设备示意图;
图4为本发明提供的系统架构示意图;
图5为一种电子设备的实体结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
图1为本发明提供的交通异常事件检测方法的流程图之一,如图1所示,本发明提供的交通异常事件检测方法,包括:
步骤110,获取交通视频数据和雷达数据;
在本实施例中,交通异常事件检测方法可以应用于公路场景,尤其对于高速公路的场景,即基于高速公路的交通异常事件检测方法。
其中,交通视频数据包括目标检测路段的车辆信息,即对目标检测路段进行拍摄得到的交通视频数据。该交通视频数据可以由视频采集设备(例如相机、摄影机)获取得到。
在一实施例中,所述交通异常事件检测方法应用于交通异常事件检测系统,所述交通异常事件检测系统与相机相连接;所述相机用于实时获取所述交通视频数据,并将所述交通视频数据传输至所述交通异常事件检测系统。
在另一实施例中,所述交通异常事件检测方法应用于边缘设备,所述边缘设备包括网口设备;所述网口设备用于获取所述交通视频数据。
网口设备可以为POE(Power Over Ethernet,有源以太网)网口。网口设备用于获取视频采集设备采集的交通视频数据,即用于获取视频采集设备传输的交通视频数据,也就是说,网口设备用于与视频采集设备相连接,以将路面信息传输到边缘设备。
其中,雷达数据用于分析计算得到目标车辆的速度大小、速度方向、加速度和平均速度等。该雷达数据由雷达设备采集得到。
在一实施例中,所述交通异常事件检测方法应用于交通异常事件检测系统,所述交通异常事件检测系统与雷达相通信;所述雷达用于实时获取所述雷达数据,并将所述雷达数据传输至所述交通异常事件检测系统。
在另一实施例中,所述交通异常事件检测方法应用于边缘设备,所述边缘设备包括网口设备;所述网口设备用于获取所述雷达数据。
其中,网口设备可以为POE网口。网口设备用于获取雷达采集的雷达数据,即用于获取雷达传输的雷达数据,也就是说,网口设备用于与雷达相通信,以将雷达信息传输到边缘设备。
进一步地,将所述交通视频数据和所述雷达数据存储至内存模块的共享内存空间。
步骤120,将所述交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得所述车辆检测模型输出的可疑车辆及其位置信息;
在本实施例中,平均帧图像是通过对交通视频数据进行平均帧处理得到的,平均帧处理包括采样处理和平均计算处理。
具体地,所述将所述交通视频数据的平均帧图像输入至车辆检测模型,包括:
步骤121,基于预设平均周期,对所述交通视频数据的帧图像进行采样,获得帧图像集;
步骤122,对所述帧图像集进行平均计算,获得平均帧图像;
步骤123,将所述平均帧图像输入至车辆检测模型。
在本实施例中,预设平均周期可以根据实际需要进行设定,例如预设平均周期为3秒,30秒作为一次检测周期,则可以每3秒采集30帧图像求平均得到平均帧图像,即每个检测周期生成10个平均帧图像,然后将一个检测周期的10张平均帧图像输入至车辆检测模型。
其中,帧图像集的帧图像数量可以根据实际需要进行设定,例如,每个预设平均周期内,采样得到30帧图像形成帧图像集。
本实施例中,对交通视频数据进行平均帧处理,可以将正常车辆信息模糊掉,从而能够避免正常车辆信息的干扰,进而突出异常车辆信息,最终提高交通异常事件检测的准确性。
其中,车辆检测模型是机器学习模型,具体地,车辆检测模型为深度学习模型。该车辆检测模型可以在另一设备进行训练得到,再将训练后的车辆检测模型部署于当前设备中。
在一实施例中,车辆检测模型是基于YOLOv5神经网络训练得到的。可以对YOLOv5神经网络进行重新训练,以使其能够检测汽车、卡车、公交车等车型。即可以将网络的输出类别修改为3类,使车辆检测模型能够对车辆及车型进行检测。
进一步地,上述步骤120包括:
将所述交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得所述车辆检测模型输出的可疑车辆及其车辆类型和位置信息。其中,车辆类型包括汽车、卡车、公交车等车型。
其中,可疑车辆可能为异常车辆,也可能为正常车辆,因此,后续需要进一步判断可疑车辆是否为异常车辆。
在一实施例中,所述交通异常事件检测方法应用于交通异常事件检测系统,所述交通异常事件检测系统包括预处理模块和可疑车辆检测模块;所述预处理模块用于对交通视频数据进行平均帧处理,获得平均帧图像,还用于接收雷达数据,并将所述平均帧图像与所述雷达数据写入共享内存;所述可疑车辆检测模块用于对所述预处理模块得到的平均帧图像进行可疑车辆的检测。
预处理模块包括交通异常事件检测系统与相机的连接,以及交通异常事件检测系统与雷达的通信。其中,相机用来实时获取交通视频数据,并把交通视频数据的视频帧读取到内存DRAM中,CPU通过对视频帧进行采样与计算,得到平均帧图像,并将平均帧图像写入共享内存中。此外,交通异常事件检测系统在计算平均帧图像的同时,通过TCP传输协议不断接收雷达传过来的雷达数据,即交通参数数据,并将雷达数据写入共享内存中。
可疑车辆检测模块包括对GPU的调度和神经网络的推理。具体地,交通异常事件检测系统通过内存控制结构从ROM中读取车辆检测模型到GPU,GPU从共享内存中读取平均帧图像并进行神经网络推理,推理结果(可疑车辆及其车辆类型和位置信息)被输入到异常车辆推理模块,从而进行下一步推理确认。
在另一实施例中,所述交通异常事件检测方法应用于边缘设备,所述边缘设备包括中央处理器、存储器和图形处理器;所述中央处理器,用于进行平均帧处理,获得所述平均帧图像;所述图形处理器,用于读取所述存储器中的引擎文件,并反序列化所述引擎文件获得所述车辆检测模型。
具体地,GPU图形处理器读取ROM存储器中的神经网络的引擎文件,读取共享内存空间中的平均帧图像到车辆检测模型中,对车辆检测模型进行加速推理,得到可疑车辆检测结果(可疑车辆及其车辆类型和位置信息)。
步骤130,对所述位置信息进行聚类处理,获得聚类结果,基于所述聚类结果判断所述可疑车辆是否为异常车辆;
在本实施例中,聚类处理使用的算法可以为K均值算法或K中心点算法等。
具体地,所述基于所述聚类结果判断所述可疑车辆是否为异常车辆,包括:
步骤131,若所述聚类结果的聚类中心的位置信息数量大于预设数量,则判定所述可疑车辆为异常车辆;
步骤132,若所述聚类结果的聚类中心的位置信息数量小于或等于预设数量,则判定所述可疑车辆为正常车辆。
在本实施例中,预设数量可以根据实际需要进行设定,例如,5、6、7等,此处不作具体限定。
在具体实施例中,假设预设数量为6,当聚类中心存在6个以上的车辆位置信息,则该可疑车辆被认为异常车辆,以供后续由雷达信息融合模块判定异常事件类别;否则该可疑车辆被认为是在视频画面中移动相对较慢但是正常行驶的车辆,从而不做后续处理。
步骤140,若所述可疑车辆为异常车辆,则基于所述聚类结果对所述位置信息进行过滤处理,获得异常车辆的目标位置信息,基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
具体地,基于上述聚类处理,即通过对可疑车辆的中心位置参数进行K均值聚类过滤正常车辆信息,获取异常车辆的位置信息(目标位置信息)。
需要说明的是,获得异常车辆的异常事件类别,可以辅助交通部门对公路交通进行更好地管理,尤其对于高速公路而言。
其中,异常事件类别可以包括逆行事件、交通拥挤事件、交通事故事件、应急车道停车事件和违章停车事件等。
在一实施例中,所述交通异常事件检测方法应用于交通异常事件检测系统,所述交通异常事件检测系统包括雷视信息融合模块;所述雷视信息融合模块用于对可疑车辆的位置信息进行推理,判断可疑车辆是否为异常车辆,并把推理结果与交通异常事件检测系统接收到的雷达数据做决策级融合,以判断所述异常车辆的异常事件类别。
雷视信息融合模块包括对可疑车辆的位置信息推理、雷达数据异常值的检测、雷视数据的融合。具体地,通过对可疑车辆的中心位置参数进行K均值聚类过滤正常车辆信息,获取异常车辆的位置信息(目标位置信息),通过读取共享内存中雷达传输到交通异常事件检测系统的雷达数据得到雷达检测的交通参数,然后对图像检测结果(异常车辆的目标位置信息)和雷达数据进行决策级融合,以判断所述异常车辆的异常事件类别。
在另一实施例中,所述交通异常事件检测方法应用于边缘设备,所述边缘设备包括中央处理器;所述中央处理器,还用于对可疑车辆的位置信息进行聚类处理;所述中央处理器,还用于进行决策级融合。
进一步地,所述交通异常事件检测系统还可以包括系统通信协调模块,所述系统通信协调模块用于将所述预处理模块、所述可疑车辆检测模块、所述雷达信息融合模块联动起来,达到交通异常事件的实时不间断检测。
系统通信协调模块用于协调交通异常事件检测系统内部各个模块运行之间的相互调用,通过TCP协议实现模块之间的信息交互。预处理模块可以作为TCP的客户端,端口由系统随机绑定,可疑车辆检测模块作为通信的服务端,端口绑定为非特殊端口号。预处理模块的平均帧处理完成之后,向可疑车辆推理模块发送请求,调用可疑车辆检测模块通过读取指定共享内存中的平均帧图像,使用GPU进行网络推理得到检测结果(可疑车辆及其车辆类型和位置信息)。
进一步地,在上述步骤130之后,若所述可疑车辆为正常车辆,则进入下一检测周期,即返回上述步骤110。
可以理解,目前,异常事件检测系统包括单源输入交通检测系统和多源输入交通检测系统。单源输入交通检测系统通常只依靠视频信息,通过对视频信息的处理得到检测结果,然而,其能够检测的交通事件类别较少。多源输入交通检测系统虽然能够检测更多的交通事件类别,但是需要输入更多的检测数据,由于当前对多个检测数据的分析算法过于复杂,无法在终端设备上进行处理,因此只能在指挥中心进行决策。然而,当检测路段处于偏远地带或隧道时,信号可能受限或降级,检测数据无法进行网络传输或无法完整进行传输,从而出现错检漏检的情况,导致交通异常事件检测的准确率降低。基于此,本发明实施例只需输入交通视频数据和雷达数据,便可进行异常事件检测,相比多源输入交通事件检测系统,可占用更少的内存资源,从而可在终端设备上进行处理,无需在远程设备上进行处理,从而避免远程传输数据出现错检漏检的情况,进而提高交通异常事件检测的准确率。
根据本发明实施例的交通异常事件检测方法,通过获取交通视频数据和雷达数据;将交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得车辆检测模型输出的可疑车辆及其位置信息;对位置信息进行聚类处理,获得聚类结果,基于聚类结果判断可疑车辆是否为异常车辆;若可疑车辆为异常车辆,则基于聚类结果对位置信息进行过滤处理,获得异常车辆的目标位置信息,基于雷达数据和目标位置信息,进行决策级融合,获得异常车辆的异常事件类别。本发明实施例只需输入交通视频数据和雷达数据,便可进行异常事件检测,相比多源输入交通事件检测系统,可占用更少的内存资源,从而可在终端设备上进行处理,无需在远程设备上进行处理,从而避免远程传输数据出现错检漏检的情况,进而提高交通异常事件检测的准确率。同时,平均帧图像相比原本的帧图像,可以将正常车辆信息模糊掉,从而能够避免正常车辆信息的干扰,进而突出异常车辆信息,最终进一步提高交通异常事件检测的准确性。此外,对位置信息进行聚类处理,以判断可疑车辆是否为异常车辆,相比直接将可疑车辆进行异常事件检测,本发明实施例可避免将正常行驶的可疑车辆进行异常事件类别检测,从而进一步提高交通异常事件检测的准确性。
进一步地,基于上述第一实施例,提出本发明交通异常事件检测方法的第二实施例。图2为本发明提供的交通异常事件检测方法的流程图之二,如图2所示,在本实施例中,上述步骤140中,基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别,包括:
步骤141,对所述雷达数据进行分析处理,获得所述异常车辆的速度方向、平均速度和加速度;
步骤142,基于所述速度方向、所述平均速度、所述加速度和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
在本实施例中,速度方向用于表示车辆的行驶方向,以供基于速度方向判断车辆是否逆行。
平均速度用于表示当前检测周期内所有车辆行驶速度的平均值,以供基于平均速度判断当前检测路段是否交通拥挤。
加速度用于表示车辆行驶速度的变化情况,以供基于加速度判断车辆是否发生交通事故,且在未发生交通事故的情况下,基于目标位置信息判断异常停车事件类型,该异常停车事件类型可以包括应急车道停车事件和违章停车事件等。
具体地,上述步骤142包括:
步骤1421,若所述速度方向与预设速度方向相反,则确定所述异常车辆存在逆行事件;
其中,预设速度方向为当前检测路段的正常行驶方向对应的速度方向。
在具体实施例中,读取到雷达数据之后,当前检测周期内雷达数据中存在车辆速度为负值时,认为存在车辆逆行事件。
步骤1422,若所述平均速度小于预设平均速度,则确定所述异常车辆存在交通拥挤事件;
其中,预设平均速度可以根据实际情况进行设定,例如20m/s。
在具体实施例中,当前检测周期内车辆平均速度低于20m/s,认为存在交通拥挤事件。
步骤1423,若所述加速度大于预设加速度,则确定所述异常车辆存在交通事故事件;
其中,预设加速度可以根据实际情况进行设定,例如15m/s2。
在具体实施例中,当前检测周期确定检测到异常车辆之后,若雷达数据中存在加速度超过15m/s2,认为存在交通事故事件。
步骤1424,若所述加速度小于或等于预设加速度,且基于所述目标位置信息判定所述异常车辆位于应急车道区域,则确定所述异常车辆存在应急车道停车事件;
步骤1425,若所述加速度小于或等于预设加速度,且基于所述目标位置信息判定所述异常车辆不位于应急车道区域,则确定所述异常车辆存在违章停车事件。
在具体实施例中,当雷达数据不存在加速度异常值,则根据异常车辆的目标位置信息判断异常停车事件,当异常车辆的坐标在应急车道区域,认为是应急车道停车事件,当异常车辆坐标不在应急车道区域,认为是违章停车事件。
本实施例中,基于异常车辆的速度方向、平均速度、加速度和目标位置信息,就可以获得异常车辆的多种异常事件类别,以使本发明实施例只需输入交通视频数据和雷达数据,便可进行异常事件检测,相比多源输入交通事件检测系统,可占用更少的内存资源,从而可在终端设备上进行处理,无需在远程设备上进行处理,从而避免远程传输数据出现错检漏检的情况,进而提高交通异常事件检测的准确率。
进一步地,基于上述第一和/或第二实施例,提出本发明交通异常事件检测方法的第三实施例。在本实施例中,所述交通异常事件检测方法应用于边缘设备,所述边缘设备包括内存模块、中央处理器、图形处理器、存储器和网口设备;
在本实施例中,边缘设备可以为NVIDIA边缘设备。
所述网口设备,用于获取所述交通视频数据和所述雷达数据;
其中,网口设备可以为POE(Power Over Ethernet,有源以太网)网口。
网口设备用于获取视频采集设备采集的交通视频数据,即用于获取视频采集设备传输的交通视频数据,也就是说,网口设备用于与视频采集设备相连接,以将路面信息传输到边缘设备。
网口设备用于获取雷达采集的雷达数据,即用于获取雷达传输的雷达数据,也就是说,网口设备用于与雷达相通信,以将雷达信息传输到边缘设备。
所述中央处理器,用于进行平均帧处理,获得所述平均帧图像;
具体地,通过中央处理器,基于预设平均周期,对所述交通视频数据的帧图像进行采样,获得帧图像集;对所述帧图像集进行平均计算,获得平均帧图像。
所述内存模块,用于存储所述平均帧图像和所述雷达数据;
其中,内存模块可以为DRAM,该内存模块可以开辟两处共享内存空间,以避免边缘设备实时检测过程中读取与写入操作同时访问一块内存而产生冲突。
进一步地,所述内存模块包括第一共享内存空间和第二共享内存空间,所述第一共享内存空间和所述第二共享内存空间交替进行读取和写入。
具体地,第一共享内存空间和第二共享内存空间用来交替存储当前检测周期内平均帧图像和雷达数据。当第一共享内存空间被可疑车辆检测模块访问时,平均帧图像与雷达数据写入第二共享内存空间,当第二共享内存空间被可疑车辆检测模块访问时,平均帧图像与雷达数据写入第一共享内存空间。
所述图形处理器,用于读取所述存储器中的引擎文件,并反序列化所述引擎文件获得所述车辆检测模型;
具体地,通过图形处理器(GPU),读取ROM存储器1中的神经网络的引擎文件,并读取共享内存空间中的平均帧图像到车辆检测模型中,对神经网络进行加速推理,得到可疑车辆检测结果(可疑车辆及其车辆类型和位置信息)
所述中央处理器,还用于对所述位置信息进行聚类处理;
具体地,通过中央处理器,对所述位置信息进行聚类处理,获得聚类结果,若所述聚类结果的聚类中心的位置信息数量大于预设数量,则判定所述可疑车辆为异常车辆;若所述聚类结果的聚类中心的位置信息数量小于或等于预设数量,则判定所述可疑车辆为正常车辆。
所述中央处理器,还用于进行决策级融合。
具体地,通过中央处理器,对所述雷达数据进行分析处理,获得所述异常车辆的速度方向、平均速度和加速度;基于所述速度方向、所述平均速度、所述加速度和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
需要说明的是,本实施例中边缘设备的结构及其交通异常事件检测方法可以参照上述第一实施例和第二实施例,此处不再一一赘述。
为便于理解,参照图3,图3为本发明提供的边缘设备示意图。在NVIDIA边缘设备1中。8GB的DRAM内存模块2中开辟两处共享内存空间3,避免实时检测过程中读取与写入操作同时访问一块内存而产生冲突。CPU中央处理器4用来进行平均图像、接收雷达数据、异常车辆推理、雷视信息决策级融合、系统内部的TCP通信等操作,GPU图形处理器5读取ROM存储器11中的神经网络引擎文件,读取共享内存空间3中的平均帧图像到神经网络中,对神经网络进行加速推理,得到可疑车辆检测结果。内存控制器结构(Memory Controller Fabric)6用来实现开发板内部各部分对内存的访问,POE网口7用来连接相机10,把路面信息传输到边缘设备,POE网口7同时用来与雷达9进行通信,获取雷达检测的交通参数信息,并把对当前检测周期得到的结果(异常车辆的异常事件类别)发送到监控中心8。
本实施例中,交通异常事件检测方法可以部署到边缘计算设备,从而能够直接在偏远路段以及信号较差的隧道中实时进行异常事件检测,相比在远程设备上进行处理,具有更强的实用性,避免因信号差导致数据传输存在卡顿而造成的错检,进而提高交通异常事件检测的准确率,且无需传输视频录像至监控中心,节省了大量的数据传输成本。
下面对本发明提供的交通异常事件检测系统进行描述,下文描述的交通异常事件检测系统与上文描述的交通异常事件检测方法可相互对应参照。
为便于理解,参照图4,图4为本发明提供的系统架构示意图。交通异常事件检测系统包括预处理模块、可疑车辆检测模块、雷达信息融合模块。
预处理模块的主要功能是:接收视频数据,计算平均帧图像,并且接收雷达数据包进行解析,把平均帧图像与雷达解析结果放入共享内存中。在公路(例如高速公路),正常车辆会保持行驶状态,交通事故、应急车道停车、违章停车等异常事件中异常车辆处于停止行驶等状态。通过平均帧处理之后,正常车辆信息被模糊掉,异常车辆信息被突出。此外,预处理模块进行雷达数据接收,并按照通信协议进行解析。系统在内存开辟两段共享内存空间,为方便表述,分别命名为共享内存1与共享内存2,来交替存储当前检测周期内平均帧图像和雷达数据。当共享内存1被可疑车辆检测模块访问时,平均帧图像与雷达数据写入共享内存2,当共享内存2被可疑车辆检测模块访问时,平均帧图像与雷达数据写入共享内存1。
所述可疑车辆检测模块的主要功能是:对预处理模块得到的平均帧图像进行车辆检测,被检测到的车辆都被认为是可疑车辆。可疑车辆检测模块需要训练车辆检测网络,本实施例对YOLOv5网络进行重新训练,将车辆分为汽车(car)、卡车(truck)和公交车(bus)共三类,修改网络的输出类别为3类,使网络能够对车辆及车型进行检测,训练好的网络在本实施例被称为车辆检测模型,并部署到终端设备中。车辆检测模型对一个检测周期的10张平均帧图像进行检测,并将检测到的车辆类型与位置信息保存为json格式文件,供异常车辆推理模块读取。
所述雷达信息融合模块的主要功能是:对可疑车辆检测模块得到的车辆位置信息进行处理,判断可疑车辆是否为异常车辆,并结合雷达数据进行融合。首先读取可疑车辆检测结果,然后对结果进行K均值聚类操作。当聚类中心存在6个以上的车辆位置信息,则该可疑车辆被认为异常车辆,由雷达信息融合模块判定异常事件类别;否则该可疑车辆被认为是速度相对较慢但是正常行驶的车辆,不做后续处理。其次从共享内存中读取雷达数据,结合异常车辆推理模块结果对异常车辆进行交通事故、违章停车、应急车道停车等异常事件判定,并利用雷达数据对逆行、交通拥挤等事件做出判定。
具体地,为实现交通异常事件检测系统的实时监测。相机与雷达持续监测道路情况,并把视频帧序列与雷达探测信息输入到基于雷视融合的交通异常事件检测系统中。当前检测周期内出现交通事故时,系统预处理模块生成的平均帧图像中会突出显示发生事故的异常车辆信息,未发生事故的正常车辆被平均模糊掉,只在图像中留下微弱的不影响检测的车辆残留信息。车辆因交通事故而发生加速度突变,所以预处理模块接收到的到雷达信息中,会出现加速度大于15m/s2的加速度值。当前检测周期结束后,平均帧图像与雷达信息被保存在共享内存1中,并通过TCP协议向服务端发送消息,表示共享内存1可以被服务端读取,此时整个系统进入下一检测周期,在下一检测周期内预处理模块继续进行平均帧处理和雷达信息接收,并把结果写入到共享内存2中。服务端接收到客户端请求之后,从共享内存1读取平均帧图像与雷达信息,平均帧图像被可疑车辆检测模块读取之后,进行推理得到异常车辆的类型与位置信息,并把位置信息输入到异常车辆推理模块,通过K均值聚类的肘部法则计算聚类中心,聚类中心的车辆位置信息个数超过6,则认为该可疑车辆是事故车辆,然后雷达信息融合模块读取事故车辆信息与雷达信息。检测周期内存在事故车辆,且其加速度大于15m/s2,则判定上一周期内发生交通事故异常事件并记录事故车辆类型,上报指挥中心。
下面对本发明提供的交通异常事件检测装置进行描述,下文描述的交通异常事件检测装置与上文描述的交通异常事件检测方法可相互对应参照。
在本实施例中,所述交通异常事件检测装置包括:
获取模块,用于获取交通视频数据和雷达数据;
检测模块,用于将所述交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得所述车辆检测模型输出的可疑车辆及其位置信息;
聚类模块,用于对所述位置信息进行聚类处理,获得聚类结果,基于所述聚类结果判断所述可疑车辆是否为异常车辆;
决策模块,用于若所述可疑车辆为异常车辆,则基于所述聚类结果对所述位置信息进行过滤处理,获得异常车辆的目标位置信息,基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
图5为一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行交通异常事件检测方法,该方法包括:获取交通视频数据和雷达数据;将所述交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得所述车辆检测模型输出的可疑车辆及其位置信息;对所述位置信息进行聚类处理,获得聚类结果,基于所述聚类结果判断所述可疑车辆是否为异常车辆;若所述可疑车辆为异常车辆,则基于所述聚类结果对所述位置信息进行过滤处理,获得异常车辆的目标位置信息,基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
此外,上述的存储器530中的逻辑指令可以通过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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的交通异常事件检测方法,该方法包括:获取交通视频数据和雷达数据;将所述交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得所述车辆检测模型输出的可疑车辆及其位置信息;对所述位置信息进行聚类处理,获得聚类结果,基于所述聚类结果判断所述可疑车辆是否为异常车辆;若所述可疑车辆为异常车辆,则基于所述聚类结果对所述位置信息进行过滤处理,获得异常车辆的目标位置信息,基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的交通异常事件检测方法,该方法包括:获取交通视频数据和雷达数据;将所述交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得所述车辆检测模型输出的可疑车辆及其位置信息;对所述位置信息进行聚类处理,获得聚类结果,基于所述聚类结果判断所述可疑车辆是否为异常车辆;若所述可疑车辆为异常车辆,则基于所述聚类结果对所述位置信息进行过滤处理,获得异常车辆的目标位置信息,基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种交通异常事件检测方法,其特征在于,包括:
获取交通视频数据和雷达数据;
将所述交通视频数据的平均帧图像输入至车辆检测模型,进行可疑车辆检测,获得所述车辆检测模型输出的可疑车辆及其位置信息;
对所述位置信息进行聚类处理,获得聚类结果,基于所述聚类结果判断所述可疑车辆是否为异常车辆;
若所述可疑车辆为异常车辆,则基于所述聚类结果对所述位置信息进行过滤处理,获得异常车辆的目标位置信息,基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
2.根据权利要求1所述的交通异常事件检测方法,其特征在于,所述将所述交通视频数据的平均帧图像输入至车辆检测模型,包括:
基于预设平均周期,对所述交通视频数据的帧图像进行采样,获得帧图像集;
对所述帧图像集进行平均计算,获得平均帧图像;
将所述平均帧图像输入至车辆检测模型。
3.根据权利要求1所述的交通异常事件检测方法,其特征在于,所述基于所述聚类结果判断所述可疑车辆是否为异常车辆,包括:
若所述聚类结果的聚类中心的位置信息数量大于预设数量,则判定所述可疑车辆为异常车辆;
若所述聚类结果的聚类中心的位置信息数量小于或等于预设数量,则判定所述可疑车辆为正常车辆。
4.根据权利要求1所述的交通异常事件检测方法,其特征在于,所述基于所述雷达数据和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别,包括:
对所述雷达数据进行分析处理,获得所述异常车辆的速度方向、平均速度和加速度;
基于所述速度方向、所述平均速度、所述加速度和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别。
5.根据权利要求4所述的交通异常事件检测方法,其特征在于,所述基于所述速度方向、所述平均速度、所述加速度和所述目标位置信息,进行决策级融合,获得所述异常车辆的异常事件类别,包括:
若所述速度方向与预设速度方向相反,则确定所述异常车辆存在逆行事件;
若所述平均速度小于预设平均速度,则确定所述异常车辆存在交通拥挤事件;
若所述加速度大于预设加速度,则确定所述异常车辆存在交通事故事件;
若所述加速度小于或等于预设加速度,且基于所述目标位置信息判定所述异常车辆位于应急车道区域,则确定所述异常车辆存在应急车道停车事件;
若所述加速度小于或等于预设加速度,且基于所述目标位置信息判定所述异常车辆不位于应急车道区域,则确定所述异常车辆存在违章停车事件。
6.根据权利要求1至5任一项所述的交通异常事件检测方法,其特征在于,应用于边缘设备,所述边缘设备包括内存模块、中央处理器、图形处理器、存储器和网口设备;
所述网口设备,用于获取所述交通视频数据和所述雷达数据;
所述中央处理器,用于进行平均帧处理,获得所述平均帧图像;
所述内存模块,用于存储所述平均帧图像和所述雷达数据;
所述图形处理器,用于读取所述存储器中的引擎文件,并反序列化所述引擎文件获得所述车辆检测模型,以通过所述车辆检测模型对所述平均帧图像进行推理;
所述中央处理器,还用于对所述位置信息进行聚类处理;
所述中央处理器,还用于进行决策级融合。
7.根据权利要求6所述的交通异常事件检测方法,其特征在于,所述内存模块包括第一共享内存空间和第二共享内存空间,所述第一共享内存空间和所述第二共享内存空间交替进行读取和写入。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述交通异常事件检测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述交通异常事件检测方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述交通异常事件检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111234339.4A CN114037932A (zh) | 2021-10-22 | 2021-10-22 | 交通异常事件检测方法、电子设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111234339.4A CN114037932A (zh) | 2021-10-22 | 2021-10-22 | 交通异常事件检测方法、电子设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037932A true CN114037932A (zh) | 2022-02-11 |
Family
ID=80135240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111234339.4A Pending CN114037932A (zh) | 2021-10-22 | 2021-10-22 | 交通异常事件检测方法、电子设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037932A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115440044A (zh) * | 2022-07-29 | 2022-12-06 | 深圳高速公路集团股份有限公司 | 一种公路多源事件数据融合方法、装置、存储介质及终端 |
CN115527364A (zh) * | 2022-08-25 | 2022-12-27 | 西安电子科技大学广州研究院 | 一种基于雷视数据融合的交通事故溯源方法及系统 |
CN117095540A (zh) * | 2023-10-18 | 2023-11-21 | 四川数字交通科技股份有限公司 | 道路二次事故的预警方法、装置、电子设备及存储介质 |
-
2021
- 2021-10-22 CN CN202111234339.4A patent/CN114037932A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115440044A (zh) * | 2022-07-29 | 2022-12-06 | 深圳高速公路集团股份有限公司 | 一种公路多源事件数据融合方法、装置、存储介质及终端 |
CN115440044B (zh) * | 2022-07-29 | 2023-10-13 | 深圳高速公路集团股份有限公司 | 一种公路多源事件数据融合方法、装置、存储介质及终端 |
CN115527364A (zh) * | 2022-08-25 | 2022-12-27 | 西安电子科技大学广州研究院 | 一种基于雷视数据融合的交通事故溯源方法及系统 |
CN115527364B (zh) * | 2022-08-25 | 2023-11-21 | 西安电子科技大学广州研究院 | 一种基于雷视数据融合的交通事故溯源方法及系统 |
CN117095540A (zh) * | 2023-10-18 | 2023-11-21 | 四川数字交通科技股份有限公司 | 道路二次事故的预警方法、装置、电子设备及存储介质 |
CN117095540B (zh) * | 2023-10-18 | 2024-01-23 | 四川数字交通科技股份有限公司 | 道路二次事故的预警方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11840239B2 (en) | Multiple exposure event determination | |
CN114037932A (zh) | 交通异常事件检测方法、电子设备、存储介质和程序产品 | |
EP3695666B1 (en) | Detection of driving actions that mitigate risk | |
WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
CN105976450A (zh) | 无人驾驶车辆的数据处理方法和装置、黑匣子系统 | |
JP2022521448A (ja) | 交通画像認識方法、装置、コンピュータデバイスおよび媒体 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN110533958A (zh) | 车辆变道提醒方法及系统 | |
CN107886055A (zh) | 一种用于车辆运动方向判定的逆行检测方法 | |
Ghahremannezhad et al. | Real-time accident detection in traffic surveillance using deep learning | |
CN111047047A (zh) | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及系统、设备 | |
CN115185200A (zh) | 一种自动驾驶场景还原方法及装置 | |
CN111310696B (zh) | 基于泊车异常行为分析的泊车事故识别方法、装置和车辆 | |
US10279793B2 (en) | Understanding driver awareness through brake behavior analysis | |
Pyykönen et al. | Traffic monitoring and modeling for intersection safety | |
WO2023071874A1 (zh) | 道路救援工作节点确定方法、装置及电子设备、存储介质 | |
CN116152753A (zh) | 车辆信息识别方法和系统、存储介质和电子装置 | |
CN108454514A (zh) | 一种基于移动互联网的行车安全预警系统 | |
CN113715834B (zh) | 车辆行驶行为识别方法、装置、电子设备和存储介质 | |
CN108447290A (zh) | 基于车联网的智能避让系统 | |
WO2023178510A1 (zh) | 图像处理方法、装置和系统、可移动平台 | |
CN115879294B (zh) | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
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 |