CN114076631A - 超载车辆识别方法、系统及设备 - Google Patents

超载车辆识别方法、系统及设备 Download PDF

Info

Publication number
CN114076631A
CN114076631A CN202010801043.5A CN202010801043A CN114076631A CN 114076631 A CN114076631 A CN 114076631A CN 202010801043 A CN202010801043 A CN 202010801043A CN 114076631 A CN114076631 A CN 114076631A
Authority
CN
China
Prior art keywords
vehicle
overload
overloaded
track
determining
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
Application number
CN202010801043.5A
Other languages
English (en)
Inventor
王湛
陈亚军
霍毅
耿长龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202010801043.5A priority Critical patent/CN114076631A/zh
Priority to PCT/CN2021/107908 priority patent/WO2022033288A1/zh
Publication of CN114076631A publication Critical patent/CN114076631A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • B60W40/13—Load or weight
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
    • 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
    • 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
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • 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
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种超载车辆识别方法，该方法包括以下步骤：获取交通道路上行驶的车辆的监控数据，监控数据来自于监控交通道路的行驶状况的摄像机、雷达或卫星；根据监控数据，确定车辆的行驶轨迹，其中，车辆的行驶轨迹包括车辆在预设时间段内在交通道路上行驶的坐标点集合；分析车辆的行驶轨迹，确定车辆为超载车辆，该方法无需额外部署地磅等高成本的超载检测装置，不仅降低超载车辆识别的部署成本，同时避免了超载车辆通过绕行等方式躲避检查的可能，提高超载车辆识别的准确率和效率。

Description

超载车辆识别方法、系统及设备
技术领域
本申请涉及人工智能(Artificial Intelligence，AI)领域，尤其涉及超载车辆识别的方法、系统及设备。
背景技术
超载是交通事故发生的重要原因之一。车辆超载后，车辆的制动和操作等安全性能迅速下降，表现为轮胎变形、爆胎、刹车失灵等等，并且车辆的离心力增加，转向也会变得十分沉重，使得车辆超载后极易引发事故，给交通安全带来极大的事故隐患。而超载车辆行驶过的路面也更容易出现沉陷、断裂等情况，需要投入巨额资金进行路面维修。
地磅是治理超载现象的一种普遍方法，地磅可以对车辆进行称重，根据重量来判断车辆是否超载。但是，地磅不仅需要消耗大量资金用于建设和维护，并且只能固定安装在某个地点，往往会被超载车辆通过绕行等方式躲避定点地磅的检查，加之车辆通过地磅时由于车身震动，地磅检查超载的效率和准确度都无法令人满意，导致超载车辆识别困难。
发明内容
本申请提供了一种超载车辆识别方法、系统及设备，用于解决超载车辆识别困难的问题。
第一方面，提供了一种超载车辆识别方法，该方法包括以下步骤：获取交通道路上行驶的车辆的监控数据，其中，该监控数据来自于监控交通道路的行驶状况的摄像机、雷达或卫星，然后根据该监控数据，确定车辆的行驶轨迹，其中，车辆的行驶轨迹包括车辆在预设时间段内在交通道路上行驶的坐标点集合，最后分析车辆的行驶轨迹，确定车辆为超载车辆。
上述方法中，根据监控数据获得车辆的行驶轨迹，再根据该行驶轨迹判断车辆是否超载，该方法无需额外部署地磅等高成本的超载检测装置，降低超载车辆识别的部署成本，同时避免了超载车辆通过绕行等方式躲避检查的可能，提高超载车辆识别的准确率和效率，解决了超载车辆识别困难的问题。
在第一方面的一种可能的实现方式中，可根据车辆的行驶轨迹，确定车辆的轨迹参数和运动参数后，再根据监控数据确定车辆的车辆类型，最后结合车辆类型、行驶轨迹、轨迹参数以及运动参数中的一种或者多种，确定车辆为超载车辆，其中，轨迹参数用于描述车辆的行驶轨迹特征，运动参数用于描述车辆的运动特征。
实施上述实现方式，结合车辆类型、行驶轨迹、轨迹参数以及运动参数中的一种或者多种，确定车辆为超载车辆，可以更加全面、准确地分析出车辆的超载特征，从而提高超载车辆识别的准确率。
在第一方面的一种可能的实现方式中，可通过物理学分析的方法确定超载车辆。具体实现中，先根据轨迹参数以及运动参数确定车辆的重量，根据车辆类型确定车辆的超载额度，根据车辆的重量和车辆的超载额度确定车辆为超载车辆。
比如，对于直行车辆来说，可根据车辆的加速度参数确定车辆的重力，再根据重力确定车辆的重量；对转弯车辆来说，可根据车辆的摩擦力确定车辆的支持力，再根据车辆的支持力得到车辆的重量。
实施上述实现方式，通过物理学分析的方式对车辆进行分析，可以获得车辆的受力情况，进而获得车辆的重量，该方法无需额外部署地磅等高成本的超载检测装置也可准确获得车辆的重量，不仅降低超载车辆识别的部署成本，同时避免了超载车辆通过绕行等方式躲避检查的可能，提高超载车辆识别的准确率和效率。
在第一方面的一种可能的实现方式中，还可通过大数据分析的方法确定超载车辆。具体地，可从第一数据库中获取与车辆类型以及运动参数相同的已知超载车辆的行驶轨迹，第一数据库存储有多个不同车辆类型、不同运动参数的已知超载车辆的行驶轨迹，根据车辆的行驶轨迹与已知超载车辆的行驶轨迹之间的相似度，确定车辆为超载车辆。
实施上述实现方式，通过大数据分析的方式，将车辆的运动参数、轨迹参数、车辆轨迹、车辆类型等信息与第一数据库中的已知超载车辆的数据进行比对，根据比对结果的相似度确定超载车辆，该种判断方式准确且高效，并且节省成本，避免了车辆躲避检查的可能。
在第一方面的一种可能的实现方式中，还可结合大数据分析和物理写分析方法确超载车辆。举例来说，先通过大数据的方法，将车辆的轨迹参数、运动参数以及环境信息与数据库中的未超载车辆的轨迹参数、运动参数以及环境信息等等数据进行比对，确定异常车辆，然后通过物理学方法对异常车辆进行分析，确定异常车辆中的超载车辆，从而提高超载车辆识别的效率。或者，先对每个车辆进行物理学分析确定超载车辆后，再将超载车辆的车辆轨迹、车辆类型、轨迹参数、运动参数以及环境信息等数据与第一数据库中的已知超载车辆的数据进行比对，二次确认车辆的超载情况，提高识别准确率。
进一步地，还可以使用机器学习的方法，比如随机森林算法，使用已知超载车辆的行驶轨迹、轨迹参数和运动参数对模型进行学习训练，使得模型能够确定不同车型下，行驶轨迹、轨迹参数和运动参数等特征判断超载车辆的贡献程度，在接下来通过上述大数据方法比对车辆和数据库中数据时，将贡献程度高的参数进行加权处理，从而提高判断车辆是否超载的准确性。
进一步地，还可根据监控数据结合目标检测等算法获取车辆的环境信息，结合环境信息判断车辆是否超载，进一步提高超载车辆识别的准确率，应理解，雨雪天气即使非超载车辆在转弯时也有侧滑的可能，司机的驾驶风格如果是激进型，驾驶非超载车辆也可能会出现转弯侧滑现象，转弯角度过大时非超载车辆也易发生转弯侧滑现象，因此还可以结合天气、温度、湿度、司机的驾驶风格、转弯角度等环境信息结合大数据分析或者物理学分析的结果，进一步确定车辆是否超载，从而提高判断车辆是否超载的准确性。
在第一方面的一种可能的实现方式中，还可将超载车辆的信息发送至信息管理平台。其中，超载车辆的信息包括以下信息中的一种或多种：超载等级、车辆的车牌信息、车主信息、车辆类型、车辆的重量、车辆的超载额度，该信息管理平台通常由交警大队、交通指挥部、监控中心等超载管控部门维护管理。
实时上述实现方式，信息管理平台可以根据超载车辆的信息，针对性的执行超载管控，比如超载严重的车辆实行拦截，对超载较轻的车辆实行扣分、罚款处理，提高超载管控效率。
可选地，可根据车辆的重量和车辆的超载额度，确定车辆的超载等级，比如将超载20％以下的车辆评为低危，将超载20％～100％以内的车辆评为中危，将超载100％以上的车辆评为高危。
可选地，还可从第二数据库中获取与车辆类型以及运动参数相同的多个不同超载等级的已知超载车辆的行驶轨迹，再根据车辆的行驶轨迹与多个不同超载等级的已知超载车辆的行驶轨迹之间的相似度，确定车辆的超载等级，其中，第二数据库存储有多个不同车辆类型、不同运动参数、不同超载等级的已知超载车辆的行驶轨迹。
可选地，还可结合环境信息确定车辆的超载等级，比如通过物理学方法分析出车辆有20％超载，属于低危超载，但是司机的驾驶行为十分激进，该车的超载等级可以由低危调整为高危，以使管控部门对其进行拦截处理，从而进一步提高超载车辆识别的准确率。
可选地，还可结合回溯轨迹获得车辆的超载等级，应理解，行驶轨迹包括了车辆在一段时间内运动的坐标集合，而回溯轨迹是超载车辆在另一段时间内运动的坐标集合。举例来说，行驶轨迹可以是车辆X在8:10分～8点15分运动的坐标集合，回溯轨迹可以是车辆X在8点～8点10分运动的坐标集合。根据回溯轨迹可确定该超载车辆的其他异常驾驶情况，比如闯红灯、强行变道、逆行等等，如果存在异常驾驶的情况，可将超载车辆的超载等级适当提高。根据回溯轨迹还可确定车辆的高度，如果超载车辆同时存在超限的问题，也可将超载车辆的超载等级适当提高，从而进一步提高超载车辆识别的准确率。
可选地，超载等级还可以是同时结合回溯轨迹和环境信息获得的，举例来说，根据物理学分析方法确定车辆X超载5％之后，根据环境信息确定当前天气为雨雪，车辆驾驶位置为城市道路，周边存在很多其他车辆，根据回溯轨迹确定该车辆的驾驶风格为激进，且车辆超限，从而确定该车辆的超载等级为高危级，从而进一步提高超载车辆识别的准确率。
实施上述多种可选实现方式，通过多种方法、结合多种信息判断车辆的超载等级，大大提高了最终获得的超载等级的准确率很高，使得信息管理平台可以根据超载车辆的信息，针对性的执行超载管控，对超载严重的车辆实行拦截，对超载较轻的车辆实行扣分、罚款处理，提高超载管控效率。
在第一方面的一种可能的实现方式中，超载车辆的信息还包括车辆的拦截点，在确定车辆的超载等级之后，该方法还包括以下步骤：在超载等级超过阈值的情况下，预测车辆的未来行驶轨迹；在未来行驶轨迹中确定用于拦截车辆的拦截点。
实施上述实现方式，将超载等级较高的车辆的拦截点发送给信息管理平台，以供交警对高危的超载车辆提供拦截点的推荐和布控，使得交警可以快速精准的拦截超载车辆，并在警力有限的情况下也能快速完成超载车辆的拦截，降低道路风险。
第二方面，提供了一种超载车辆识别系统，该系统包括：获取单元，用于获取交通道路上行驶的车辆的监控数据，监控数据来自于监控交通道路的行驶状况的摄像机、雷达或卫星；特征提取单元，用于根据监控数据，确定车辆的行驶轨迹，其中，车辆的行驶轨迹包括车辆在预设时间段内在交通道路上行驶的坐标点集合；超载判定单元，分析车辆的行驶轨迹，确定车辆为超载车辆。
在第二方面的一种可能的实现方式中，超载判定单元用于根据车辆的行驶轨迹，确定车辆的轨迹参数和运动参数，其中，轨迹参数用于描述车辆的行驶轨迹特征，运动参数用于描述车辆的运动特征；超载判定单元用于根据监控数据确定车辆的车辆类型；超载判定单元用于结合车辆类型、行驶轨迹、轨迹参数以及运动参数中的一种或者多种，确定车辆为超载车辆。
在第二方面的一种可能的实现方式中，超载判定单元用于根据轨迹参数以及运动参数确定车辆的重量；超载判定单元用于根据车辆类型确定车辆的超载额度；超载判定单元用于根据车辆的重量和车辆的超载额度确定车辆为超载车辆。
在第二方面的一种可能的实现方式中，超载判定单元用于从第一数据库中获取与车辆类型以及运动参数相同的已知超载车辆的行驶轨迹，第一数据库存储有多个不同车辆类型、不同运动参数的已知超载车辆的行驶轨迹；超载判定单元用于根据车辆的行驶轨迹与超载车辆的行驶轨迹之间的相似度，确定车辆为超载车辆。
在第二方面的一种可能的实现方式中，该系统还包括信息生成单元，信息生成单元用将超载车辆的信息发送至信息管理平台，其中，超载车辆的信息包括以下信息中的一种或者多种：超载等级、车辆的车牌信息、车主信息、车辆类型、车辆的重量、车辆的超载额度。
在第二方面的一种可能的实现方式中，信息生成单元用于根据车辆的重量和车辆的超载额度，确定车辆的超载等级；或者，信息生成单元用于从第二数据库中获取与车辆类型以及运动参数相同的多个不同超载等级的已知超载车辆的行驶轨迹，第二数据库存储有多个不同车辆类型、不同运动参数、不同超载等级的已知超载车辆的行驶轨迹；信息生成单元用于根据车辆的行驶轨迹与多个不同超载等级的已知超载车辆的行驶轨迹之间的相似度，确定车辆的超载等级。
在第二方面的一种可能的实现方式中，超载车辆的信息还包括车辆的拦截点，信息生成单元用于在确定车辆的超载等级之后，在超载等级超过阈值的情况下，预测车辆的未来行驶轨迹；信息生成单元用于在未来行驶轨迹中确定用于拦截车辆的拦截点。
第三方面，提供了一种计算机程序产品，包括计算机程序，当所述计算机程序被计算设备读取并执行时，实现如第一方面所描述的方法。
第四方面，提供了一种计算机可读存储介质，包括指令，当所述指令在计算设备上运行时，使得所述计算设备实现如第一方面描述的方法。
第五方面，提供了一种计算设备，包括处理器和存储器，所述处理器执行所述存储器中的代码实现如第一方面描述的方法。
附图说明
为了更清楚地说明本申请实施例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简单地介绍。
图1是本申请提供的一种系统架构图；
图2是本申请提供的一种超载车辆识别系统的部署示意图；
图3是本申请提供的一种超载车辆识别方法的步骤流程示意图；
图4是本申请提供的一种超载车辆识别方法的步骤流程意图；
图5是本申请提供的一种行驶轨迹的示例图；
图6是本申请提供的一种车辆物理学分析示意图；
图7是本申请提供的一种用于确定车辆高度的图像示例图；
图8是本申请提供的一种超载车辆识别系统的结构示意图；
图9是本申请提供的一种计算设备的结构示意图。
具体实施方式
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。
首先，对本申请涉及的应用场景进行说明。
随着社会经济的不断发展，车辆的人均保有量逐年升高，随之而来的交通事故也频频发生，其中，超载是交通事故发生的重要原因之一。车辆超载后，车辆的制动和操作等安全性能迅速下降，表现为轮胎变形、爆胎、刹车失灵等等，加之超载车辆的离心力增加，转向也会变得十分沉重，使得车辆超载后极易引发事故，给交通安全带来极大的事故隐患。而且由于超载车辆行驶过的路面也更容易出现沉陷、断裂，同时加大了政府路面维护的资金负担。
为了治理超载现象，国家开展了多次车辆超载治理工作，其中，确定车辆是否超载是超载治理工作中的重要一环，而地磅(truck scales)是确定车辆是否超载的一种普遍方法。地磅是一种设置在地面上的大磅秤，用来确定车辆的载货吨数或者载人数量，通常情况下，地磅设置在在高速路的收费站、国道、工业区、交警队等等，车辆通过该地磅后，地磅对车辆进行称重来判断车辆是否超载。
但是，地磅的建设和维护不仅消耗大量的资金，而且由于车辆通过地磅时车身震动，导致地磅检查超载车辆的效率和准确率都无法令人满意，加之地磅只能固定安装在某个地点，往往会被超载车辆通过绕行等方式躲避定点地磅的检查，导致超载车辆识别困难。
为了解决当前超载车辆识别困难的问题，本申请提供了一种超载车辆识别系统，该系统可根据摄像机、雷达、卫星等数据采集装置采集的车辆信息确定车辆的行驶轨迹，根据该行驶轨迹结合环境、车辆型号等其他信息判断车辆是否超载，该方法无需额外部署地磅等高成本的超载检测装置，并且判断车辆是否超载的准确率和效率更高，解决了上述车辆超载识别困难的问题。
图1是本申请提供的一种识别超载车辆的系统架构图，如图1所示，该识别超载车辆的系统架构包括数据采集装置110、超载车辆识别系统120以及信息管理平台130。
其中，数据采集装置110用于采集监控数据，数据采集装置110可以是监控交通道路上行驶的车辆状况的摄像机，比如交通路口、事故频发路段、高速路段等地的监控摄像头、电子警察、深度摄像机、无人机等等，还可以是监控交通道路的雷达或者卫星。监控数据包括交通道路上行驶的车辆的视频、图像或者点云(point cloud)信息，本申请不作具体限定。
超载车辆识别系统120用于根据数据采集装置110发送的监控数据，确定超载车辆，然后将超载车辆的信息发送至信息管理平台130。其中，上述超载车辆的信息可包括超载车辆的车牌号、车型、超载情况等信息，以供信息管理平台130记录超载车辆的信息，并根据超载车辆的信息确定对超载车辆实施何种超载管控措施，比如对超载严重的货车进行拦截，对超载较轻的车辆进行罚款、扣分处理等等，本申请不作具体限定。
其中，超载车辆识别系统120的部署灵活，可部署在边缘环境，具体可以是边缘环境中的一个边缘计算设备或运行在一个或者多个边缘计算设备上的软件系统。边缘环境指在地理位置上距离用于采集监控数据的数据采集装置110较近的，用于提供计算、存储、通信资源的边缘计算设备集群，比如位于道路两侧的边缘计算一体机。举例来说，超载车辆识别系统120可以是距离路口较近的位置的一台边缘计算设备或者是运行在距离路口较近的位置的边缘计算设备的软件系统，该路口中设置有摄像机1和摄像机2两个摄像机对该路口进行监控，摄像机1和摄像机2作为数据采集装置110，采集并发送监控数据至该边缘计算设备后，该边缘计算设备可根据上述监控数据确定该路口中车辆的行驶轨迹，根据行驶轨迹结合环境、车辆型号等其他信息判断车辆是否超载。
超载车辆识别系统120还可以部署在云环境，云环境是云计算模式下利用基础资源向用户提供云服务的实体。云环境包括云数据中心和云服务平台，该云数据中心包括云服务提供商拥有的大量基础资源(包括计算资源、存储资源和网络资源)。超载车辆识别系统120可以是云数据中心的服务器，也可以是创建在云数据中心中的虚拟机，还可以是部署在云数据中心中的服务器或者虚拟机上的软件系统，该软件系统可以分布式地部署在多个服务器上、或者分布式地部署在多个虚拟机上、或者分布式地部署在虚拟机和服务器上。例如，超载车辆识别系统120还可部署在距离某路口较远的云数据中心，该路口中设置有摄像机1和摄像机2两个摄像机对该路口进行监控，采集并发送监控数据至云数据中心，该云数据中心可以根据监控数据确定车辆的行驶轨迹，根据行驶轨迹结合环境、车辆型号等其他信息判断路口的车辆是否超载。
超载车辆识别系统120还可以部分部署在边缘环境，部分部署在云环境。例如图2所示，该路口中设置的摄像机1和摄像机2两个网络摄像机可对该路口进行监控，采集并发送监控数据至道路两侧的边缘计算设备，边缘计算设备根据监控数据确定车辆的行驶轨迹后，将监控数据和行驶轨迹全部发送至云数据中心，该云数据中心可以根据行驶轨迹结合环境、车辆型号等其他信息判断车辆是否超载，应理解图2仅用于举例说明，并不能构成具体限定。
应理解，超载车辆识别系统120内部的单元模块也可以有多种划分，各个模块可以是软件模块，也可以是硬件模块，也可以部分是软件模块部分是硬件模块，本申请不对其进行限制。图1为一种示例性的划分方式，如图1所示，超载车辆识别系统120包括特征提取模块121、超载判定模块122以及信息收集模块123。需要说明的，由于超载车辆识别系统120部署灵活，因此超载车辆识别系统中的各个模块也可以部署于同一个边缘计算设备、或者同一个云数据中心、或者同一个物理机上，当然，也可以是部分部署于边缘计算设备，部分部署于云数据中心，比如特征提取模块121部署于边缘计算设备，超载判定模块122和信息收集模块123部署于云数据中心，本申请不作具体限定。
其中，特征提取模块121用于根据监控数据，获得车辆的行驶轨迹和车辆类型，再根据行驶轨迹获得轨迹参数和运动参数。超载判定模块122用于结合车辆类型、行驶轨迹、轨迹参数和运动参数中的一种或者多种，确定超载车辆。信息收集模块123用于生成超载车辆信息，该超载车辆信息可包括超载车辆的车牌号、超载等级等等，还用于将该超载车辆信息发送至信息管理平台130，以使信息管理平台130记录超载车辆的信息，并根据该信息制定相应的治理策略。
信息管理平台130可以由交通指挥中心、交警大队等专门治理超载的管控单位来维护和使用，信息管理平台130可接收超载车辆识别系统120发送的超载车辆的信息，该超载车辆的信息包括超载车辆识别系统120确定的超载车辆的车牌号、车型等信息，还可包括超载车辆的最佳拦截点、超载证据、超载等级等信息，以供交警依据该超载车辆的信息确定对车辆实施何种超载管控措施，比如对超载等级较高的货车进行拦截，对超载等级较低的车辆进行罚款、扣分处理等等，本申请不作具体限定。
综上可知，本申请提供的超载车辆识别系统，根据监控数据获得车辆的行驶轨迹，然后根据行驶轨迹确定超载车辆，再分析超载车辆的超载情况，并将分析结果发送至交警大队等超载管控单位，以供其对超载车辆针对性地实施超载管控措施，该系统无需额外部署昂贵的地磅，不仅部署成本低，而且超载车辆也无法通过绕行的方式躲避超载检查，超载车辆识别的效率高、准确度高，解决了超载车辆难识别的问题。
下面结合附图，对本申请提供的上述超载车辆识别系统如何识别超载车辆的具体步骤过程，进行详细介绍。
如图3所示，本申请提供了一种超载车辆的识别方法，该方法包括以下步骤：
S310：获取交通道路上行驶的车辆的监控数据，其中，该监控数据由数据采集装置110采集得到，数据采集装置110可包括监控该交通道路的行驶状况的摄像机、雷达或卫星，车辆监控数据可包括视频、图像或者点云信息等等，监控数据和数据采集装置110的具体描述可参考图1实施例，这里不重复赘述。
S320：根据监控数据，确定车辆的行驶轨迹。
具体实现中，如图4所示，可先基于目标检测算法在图像、视频或者点云图像中检测出目标车辆，然后基于目标跟踪、坐标定位、轨迹生成等算法，获得目标车辆的行驶轨迹。其中，行驶轨迹包括了车辆在一段时间内运动的坐标集合，例如图5中的黑线即为车辆A从T1时刻至T2时刻的行驶轨迹。
需要说明的，本申请实施例中的目标检测算法和目标跟踪算法可采用业界已有的用于目标检测具有较优效果的神经网络模型中的任意一种，例如：一阶段统一实时目标检测(You Only Look Once:Unified,Real-Time Object Detection,Yolo)模型、单镜头多盒检测器(Single Shot multi box Detector,SSD)模型、区域卷积神经网络(RegionConvolutioNal Neural Network,RCNN)模型或快速区域卷积神经网络(Fast RegionConvolutional Neural Network,Fast-RCNN)模型等，本申请不作具体限定。
在一实施例中，如图4所示，根据监控数据获得行驶轨迹之后，还可根据每个车辆的行驶轨迹，提取每个车辆的轨迹参数和运动参数。其中，运动参数包括车辆的实时速度、实时加速度、转向角度、侧向加速度等运动参数，轨迹参数包括车辆的行驶轨迹、转弯半径、轨迹扭曲度、轨迹侧向变化度等几何学信息，应理解，运动参数用于描述车辆的运动特征，轨迹参数用于描述车辆的行驶轨迹特征，应理解，超载车辆因为负重远大于其他车辆，其运动特征和行驶轨迹特征也与其他车辆有着很大不同，对二者结合进行分析可以很好地反映出车辆是否超载。举例来说，超载车辆拐弯时往往更容易出现侧滑现象，并且车辆速度越快，侧滑越明显，行驶轨迹扭曲度越高；转弯半径越大，侧滑也会越明显，行驶轨迹扭曲度和轨迹侧向变化度越高，因此，基于车辆的轨迹参数和运动参数，可以确定车辆的超载车辆的信息的相关特征，从而有效搭建了轨迹与超载车辆之间的关系。
在一实施例中，如图4所示，根据监控数据获得行驶轨迹之后，还可以根据监控数据结合目标检测、目标属性识别等算法获得车辆类型的信息，该车辆类型可包括车辆的品牌、型号、车牌号等信息，以供后续步骤S330结合上述行驶轨迹、轨迹参数和运动参数中的一种或者多种进行超载车辆的判定。
在一实施例中，如图4所示，还可根据监控数据结合目标检测等算法获取车辆的环境信息，比如根据目标检测算法获取车辆当前的路况信息、周边的车辆信息等等，或者从第三方服务中获取车辆的环境信息，比如从天气预报中心获得车辆所处位置的天气、温度、湿度等等信息。具体地，该环境信息反应了车辆所处环境的相关信息，具体可包括但不限于车辆所处的路况信息、天气信息、周边车辆信息、温度、湿度、司机的驾驶风格等等，本申请不作具体限定。其中，路况信息、天气信息、温度、湿度等信息可以根据第三方服务获取的，司机的驾驶风格可以是根据车辆的违规记录确定的，如果违规记录显示该车辆的违规次数超过阈值，即可确定该车辆的驾驶行为是激进，也可以是检测到车辆在时间范围内有多次不良驾驶行为，比如在一小时内存在强行换道、超速行驶、逆行、闯红灯等等，也可以确定该车辆的驾驶风格是激进，应理解，上述举例仅用于说明，并不能构成具体限定。
S330：根分析车辆的行驶轨迹，确定车辆为超载车辆。
具体地，确定超载车辆的方法有很多种，可以根据不同的数据或不同的应用环境和场景确定具体的确定超载车辆的方法，如下介绍几种确定超载车辆的方法：
(一)、基于大数据的方法确定超载车辆
在一实施例中，可以基于大数据算法，结合车辆的车辆类型、行驶轨迹以及运动参数确定超载车辆。参考前述内容可知，超载车辆因为负重远大于其他车辆，其行驶轨迹也与其他车辆有着很大不同，因此可从第一数据库中获取与该车辆的车辆类型和运动参数相同的已知超载车辆的行驶轨迹，将其与该车辆的行驶轨迹进行比对，获得二者之间的相似度，将相似度在预设范围内的车辆确定为超载车辆。
进一步地，为了提供超载车辆的识别效率，可先将车辆的行驶轨迹与未超载车辆的行驶轨迹进行比对，确定异常车辆，再将已知超载车辆的行驶轨迹与该车辆的行驶轨迹进行比对，确定超载车辆。具体地，可以事先将各种车辆类型的未超载车辆的行驶轨迹、运动参数和轨迹参数记录在标准数据库D1中，将各种类型的已知超载车辆的行驶轨迹、运动参数和轨迹参数记录在超载数据库D2中，这样，先根据监控数据确定车辆类型，然后将待检测的车辆的行驶轨迹、运动参数和轨迹参数与标准数据库D1中的数据进行比对，如果比对结果为不一致或者差距较大，即可先确定出车辆为异常车辆，然后再将待检测的处理的行驶轨迹、运动参数和轨迹参数与超载数据库D2中的已知超载车辆的数据进行比对，如果比对结果一致或者差距较小，即可确定出车辆为超载车辆。
举例来说，如下表1所示，假设事先统计好各种车辆类型的已知车辆的行驶轨迹、运动参数和轨迹参数后，结果显示A类车在进行转弯时，速度v1，加速度a1的情况下，行驶轨迹的轨迹扭曲度较低，即没有侧滑情况，如果车X的类型为A类车，在路口转弯时，速度v1加速度a1的情况下，车X的行驶轨迹如图5所示，出现了明显的侧滑现象，轨迹扭曲度较高，那么可以将A类车确定为异常车辆。进一步地，如果超载数据库D2中显示A类车超载时，在速度v1，加速度a1的情况下，其行驶轨迹与图5所示的已知超载车辆的行驶轨迹之间的相似度处于第一区间，那么可以将车X确定为超载车辆。其中，相似度可以根据车辆的行驶轨迹与数据库中的已知超载车辆的行驶轨迹之间的弗雷歇距离(Frechet Distence)、豪斯多夫距离(Hausdorff Distemce)等曲线相似度确定，还可以根据车辆的转向半径、轨迹扭曲度、轨迹侧向变化度等其他轨迹参数与数据库中记录的已知超载车辆的轨迹参数之间的相似度确定，本申请不作具体限定。应理解，表1仅用于举例说明，本申请不对标准数据库D1、超载数据库D2以及等级数据库D3的具体格式进行限定。
表1标准数据库D1不同车型的未超载车辆的运动参数和行驶轨迹示例表
Figure BDA0002627394580000081
Figure BDA0002627394580000091
需要说明的，还可以使用机器学习的方法，比如随机森林算法，使用已知超载车辆的行驶轨迹、轨迹参数和运动参数对模型进行学习训练，使得模型能够确定不同车型下，行驶轨迹、轨迹参数和运动参数判断超载车辆的贡献程度，在接下来通过上述大数据方法比对车辆和数据库中已知超载车辆的数据时，将贡献程度高的参数进行加权处理，从而提高判断车辆是否超载的准确性。
举例来说，假设训练结果显示A类车在判定是否超载时，其轨迹侧向变化度的贡献系数为2、轨迹扭曲度的贡献系数是1、侧向加速度的贡献系数是1，那么在判断某个A类车是否超载时，将该车在速度v1、加速度a1、转弯半径R1的情况下，该车与第一数据库中相同速度、加速度和转弯半径下的已知超载车辆的轨迹参数进行比较后，轨迹扭曲度相似度为0.2、轨迹侧向变化度的相似度为0.9、侧向加速度的相似度为0.9，那么根据各个参数的贡献程度可确认该车辆与第一数据库中已知超载车辆的相似度为(0.2×2+0.9×1+0.9×1)/3＝0.73，假设相似度的阈值为0.9，超过阈值0.8的表示该车辆属于超载车辆，低于阈值0.8表示该车辆不属于超载车辆，那么该车辆可被判定为超载车辆，可以理解的，通过将贡献程度高的参数进行加权处理，可提高超载车辆识别的准确性，并且，上述举例仅用于说明，并不能构成具体限定。
具体实现中，还可以结合步骤S320获得的环境信息进行上述大数据分析，确定超载车辆，进一步提高超载车辆识别的准确率，应理解，雨雪天气即使非超载车辆在转弯时也有侧滑的可能，司机的驾驶风格如果是激进型，驾驶非超载车辆也可能会出现转弯侧滑现象，转弯角度过大时非超载车辆也易发生转弯侧滑现象，因此还可以结合天气、温度、湿度、司机的驾驶风格、转弯角度等环境信息进行大数据分析，本申请不对此一一展开举例。
(二)基于物理学分析的方法确定超载车辆
在一实施例中，还可通过对车辆进行物理学分析的方法，结合车辆类型、轨迹参数以及运动参数确定超载车辆。具体地，可根据轨迹参数和运动参数确定车辆的重量，根据车辆类型确定车辆的超载额度，最后根据车辆的重量和车辆的超载额度确定超载车辆。具体实现中，对直行车辆来说，可根据车辆的加速度参数确定车辆的重力，再根据重力确定车辆的重量；对转弯车辆来说，可根据车辆的摩擦力确定车辆的支持力，再根据车辆的支持力得到车辆的重量。
举例来说，假设车辆X在转弯过程中的受力情况如图6所示，其中，步骤S320处确定车辆X的转弯半径为R，根据路况信息确定路面的倾斜角θ，根据天气、湿度、温度、周边车辆信息等等环境信息确定地面的摩擦因数μ(同一环境下摩擦因数保持在一个稳定范围内)，假设车辆重力为mg，路面的支持力为F，地面的摩擦力为f，对车辆进行受力分析后，可获得如下公式1可得：
Figure BDA0002627394580000092
Figure BDA0002627394580000093
根据上述公式(1)和公式(2)确定摩擦力的公式后，根据摩擦力与摩擦因数之间的关系，确定支持力，然后根据支持力获得重力，从而获得车辆的重量，最后结合车辆类型，确定车辆的超载额度，进而判断车辆是否超载。
应理解，图6仅为转弯侧滑场景下的一种物理学分析方法，在不同的场景下，比如车辆启动和停止场景、车辆上下坡场景，均等可通过不同的分析方法对车辆的受力情况进行分析，从而获得车辆的重量，这里不再一一举例说明。
(三)结合物理学分析和大数据方法，确定超载车辆
在一实施例中，如图4所示，可通过大数据方法结合物理学分析的方法确定超载车辆。简单来说，先通过大数据的方法，将车辆的车辆类型、车辆轨迹、轨迹参数、运动参数以及环境信息等等数据与标准数据库D1中的未超载车辆的数据进行比对，确定异常车辆，然后通过物理学方法对异常车辆进行分析，确定异常车辆中的超载车辆，从而提高超载车辆识别的效率。或者，先对每个车辆进行物理学分析确定超载车辆后，再将超载车辆的车辆轨迹、车辆类型、轨迹参数、运动参数以及环境信息等数据与超载数据库D2中的已知超载车辆的数据进行比对，二次确认车辆的超载情况，提高识别准确率。
应理解，上述三种确定超载车辆的方法仅用于举例说明，具体实现中，还可以通过其他方法结合车辆轨迹、轨迹参数、运动参数、环境信息以及车辆类型中的一种或者多种确定超载车辆，本申请不一一展开说明。
在一实施例中，确定超载车辆以后，还可以将超载车辆的信息发送至信息管理平台130，以使信息管理平台130记录超载车辆的信息，并根据该超载车辆的信息制定相应地超载治理方案。该超载车辆的信息包括以下信息中的一种或者多种：超载等级、车牌信息、车主信息、车辆类型、车辆的重量、车辆的超载额度等等。该车牌号可以是步骤S320根据监控数据获得轨迹参数和运动参数时，基于目标检测算法获得的每个车辆的车牌号，以供管控部门根据该车牌号对相应的车辆和车主实施超载治理方案。
可以理解的，该信息管理平台130通常由交警大队、交通指挥部、监控中心等超载管控部门维护管理，因此超载管控部门可以根据超载车辆的信息，针对性的执行超载管控，比如超载严重的车辆实行拦截，对超载较轻的车辆实行扣分、罚款处理，提高超载管控效率，其中，信息管理平台130的具体描述可以参考前述图1实施例，这里不重复赘述。
在一实施例中，超载车辆的信息可包括超载车辆的超载等级，该超载等级可以是通过物理学分析方法确定超载车辆的重量，根据车辆类型确定车辆的超载额度后确定的，比如将超载20％以下的车辆评为低危，将超载20％～100％以内的车辆评为中危，将超载100％以上的车辆评为高危。
在一实施例中，该超载等级还可以是根据大数据方法确定的，具体地，可从第二数据库中获取与车辆类型以及运动参数相同的多个不同超载等级的已知超载车辆的行驶轨迹，然后根据车辆的行驶轨迹与多个不同超载等级的已知超载车辆的行驶轨迹之间的相似度，确定车辆的超载等级，其中，第二数据库存储有多个不同车辆类型、不同运动参数、不同超载等级的已知超载车辆的行驶轨迹。简单来说，将同种车型但是超载等级不同的多个已知超载车辆的运动参数和轨迹参数记录在等级数据库D3中，然后将确定为超载的车辆的运动参数和轨迹参数与等级数据库D3中的已知超载车辆的数据进行比对，如果该超载车辆的运动参数和行驶轨迹与等级数据库D3中已知高危超载车辆的行驶轨迹和运动参数之间的相似度处于预设区间，即可判断该超载车辆的超载等级为高危。从而确定每个超载车辆的超载等级。举例来说，如果等级判断数据库D3中的数据显示A类车的超载等级为高危(比如超载100％以上)，那么在速度v1，加速度a1的情况下，车辆X的行驶轨迹与图4所示的行驶轨迹之间的相似度处于第二区间，那么可以将车辆X确定为高危等级的超载车辆。
进一步地，超载等级还可以是结合环境信息获得，该环境信息是步骤S320获得的，具体可包括但不限于前述内容中的路况信息、天气信息、周边车辆信息、温度、湿度、司机的驾驶风格等等，比如结合司机的驾驶行为获得超载等级，步骤S330通过物理学方法分析出车辆有20％超载，属于低危超载，但是司机的驾驶行为十分激进，该车的超载等级可以由低危调整为高危，以使管控部门对其进行拦截处理。应理解，上述举例仅用于说明，并不能构成具体限定。
进一步地，超载等级还可以是结合回溯轨迹获得，应理解，行驶轨迹包括了车辆在一段时间内运动的坐标集合，而回溯轨迹是超载车辆在另一段时间内运动的坐标集合。举例来说，行驶轨迹可以是车辆X在8:10分～8点15分运动的坐标集合，回溯轨迹可以是车辆X在8点～8点10分运动的坐标集合。根据回溯轨迹可确定该超载车辆的其他异常驾驶情况，比如闯红灯、强行变道、逆行等等，如果存在异常驾驶的情况，可将超载车辆的超载等级适当提高。根据回溯轨迹还可确定车辆的高度，如果超载车辆同时存在超限的问题，也可将超载车辆的超载等级适当提高，其中，车辆的高度可以根据回溯轨迹中的已知高度的标志物与车辆之间的高度差确定，比如图7所示，车辆610在T1时刻通过了高度为3m的龙门架620，那么可以图7中车辆610的高度与龙门架620高度之间的差，以及龙门架在图7中的高度与实际高度3m，从而确定车辆610的高度，并根据该高度确定车辆是否高度超限。应理解，上述举例仅用于说明，并不能构成具体限定。
进一步地，超载等级还可以是同时结合回溯轨迹和环境信息获得的，举例来说，根据物理学分析方法确定车辆X超载5％之后，根据环境信息确定当前天气为雨雪，车辆驾驶位置为城市道路，周边存在很多其他车辆，根据回溯轨迹确定该车辆的驾驶风格为激进，且车辆超限，从而确定该车辆的超载等级为高危级，应理解，上述举例仅用于说明，本申请不作具体限定。
在一实施例中，当车辆的超载等级高于阈值的情况下，超载车辆的信息还可包括车辆的拦截点，该拦截点可根据超载车辆的轨迹信息，利用轨迹预测模型对车辆的路径进行预测，得到车辆的未来轨迹，在未来轨迹中选择合适的拦截点，并将其发送至交警大队，以供交警对高危的超载车辆提供拦截点的推荐和布控，使得交警可以快速精准的拦截超载车辆，并在警力有限的情况下也能快速完成超载车辆的拦截，降低道路风险。
在一实施例中，超载车辆的信息还可包括证据信息，比如存在异常驾驶行为的回溯轨迹、视频、图像等等，辅助交警人工判断实施何种超载治理手段。并且，上述低危级、高危级等等超载等级用于举例说明，具体实现中，超载等级还可以分为第1～10级，也可以分为A级、B级、C级等等，本申请不对超载等级的具体表现形式进行限定。
综上可知，本申请提供超载车辆识别方法，根据监控数据获得车辆的行驶轨迹，根据该行驶轨迹结合环境、车辆类型、轨迹参数和运动参数等信息判断车辆是否超载，该方法无需额外部署地磅等高成本的超载检测装置，降低超载车辆识别的部署成本，同时避免了超载车辆通过绕行等方式躲避检查的可能，提高超载车辆识别的准确率和效率。
上面详细阐述了本申请实施例的方法，为了便于更好地实施本申请实施例上述方案，相应地，下面还提供用于配合实施上述方案的相关设备。
本申请提供了一种超载车辆识别系统120，如图8所示，该超载车辆识别系统120可包括获取单元124、特征提取单元121以及超载判定单元122。
获取单元124用于获取交通道路上行驶的车辆的监控数据，监控数据来自于监控交通道路的行驶状况的摄像机、雷达或卫星；
特征提取单元121用于根据监控数据，确定车辆的行驶轨迹，其中，车辆的行驶轨迹包括车辆在预设时间段内在交通道路上行驶的坐标点集合；
超载判定单元122分析车辆的行驶轨迹，确定车辆为超载车辆。
在一实施例中，超载判定单元122用于根据车辆的行驶轨迹，确定车辆的轨迹参数和运动参数，其中，轨迹参数用于描述车辆的行驶轨迹特征，运动参数用于描述车辆的运动特征；超载判定单元122用于根据监控数据确定车辆的车辆类型；超载判定单元122用于结合车辆类型、行驶轨迹、轨迹参数以及运动参数中的一种或者多种，确定车辆为超载车辆。
在一实施例中，超载判定单元122用于根据轨迹参数以及运动参数确定车辆的重量；超载判定单元122用于根据车辆类型确定车辆的超载额度；超载判定单元122用于根据车辆的重量和车辆的超载额度确定车辆为超载车辆。
在一实施例中，超载判定单元122用于从第一数据库中获取与车辆类型以及运动参数相同的已知超载车辆的行驶轨迹，第一数据库存储有多个不同车辆类型、不同运动参数的已知超载车辆的行驶轨迹；超载判定单元122用于根据车辆的行驶轨迹与超载车辆的行驶轨迹之间的相似度，确定车辆为超载车辆。
在一实施例中，超载车辆识别系统还包括信息生成单元123，信息生成单元123用将超载车辆的信息发送至信息管理平台，其中，超载车辆的信息包括以下信息中的一种或者多种：超载等级、车辆的车牌信息、车主信息、车辆类型、车辆的重量、车辆的超载额度。
在一实施例中，信息生成单元123用于根据车辆的重量和车辆的超载额度，确定车辆的超载等级；或者，信息生成单元用于123从第二数据库中获取与车辆类型以及运动参数相同的多个不同超载等级的已知超载车辆的行驶轨迹，第二数据库存储有多个不同车辆类型、不同运动参数、不同超载等级的已知超载车辆的行驶轨迹；信息生成单元123用于根据车辆的行驶轨迹与多个不同超载等级的已知超载车辆的行驶轨迹之间的相似度，确定车辆的超载等级。
在一实施例中，超载车辆的信息还包括车辆的拦截点，信息生成单元123用于在确定车辆的超载等级之后，在超载等级超过阈值的情况下，预测车辆的未来行驶轨迹；信息生成单元123用于在未来行驶轨迹中确定用于拦截车辆的拦截点。
综上可知，本申请提供的超载车辆识别系统，根据监控数据获得车辆的行驶轨迹，根据该行驶轨迹结合环境、轨迹参数和运动参数等信息判断车辆是否超载，该方法无需额外部署地磅等高成本的超载检测装置，降低超载车辆识别的部署成本，同时避免了超载车辆通过绕行等方式躲避检查的可能，提高超载车辆识别的准确率和效率。
图9是本申请提供的一种计算设备900的结构示意图，该计算设备900可以是前述内容中的超载车辆识别系统120。如图9所示，计算设备900包括：处理器910、通信接口920以及存储器930。其中，处理器910、通信接口920以及存储器930可以通过内部总线940相互连接，也可通过无线传输等其他手段实现通信。本申请实施例以通过总线940连接为例，总线940可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,EISA)总线等。总线940可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器910可以由至少一个通用处理器构成，例如中央处理器(CentralProcessing Unit,CPU)，或者CPU和硬件芯片的组合。上述硬件芯片可以是专用集成电路(Application-Specific Integrated Circuit,ASIC)、可编程逻辑器件(ProgrammableLogic Device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(ComplexProgrammable Logic Device,CPLD)、现场可编程逻辑门阵列(Field-Programmable GateArray,FPGA)、通用阵列逻辑(Generic Array Logic,GAL)或其任意组合。处理器910执行各种类型的数字存储指令，例如存储在存储器930中的软件或者固件程序，它能使计算设备900提供多种服务。
存储器930用于存储程序代码，并由处理器910来控制执行，以执行上述实施例中超载车辆识别系统的处理步骤。程序代码中可以包括一个或多个软件模块，这一个或多个软件模块可以为图8实施例中提供的软件模块，如获取单元、特征提取单元以及超载判定单元，其中，获取单元用于获取交通道路上行驶的车辆的监控数据，特征提取单元用于根据监控数据，确定车辆的行驶轨迹，超载判定单元用于分析车辆的形式轨迹，确定车辆为超载车辆。具体可用于执行图3实施例中的S310-步骤S330及其可选步骤，还可以用于执行图1-图7实施例描述的其他由超载车辆识别系统执行的步骤，这里不再进行赘述。
需要说明的是，本实施例可以是通用的物理服务器实现的，例如，ARM服务器或者X86服务器，也可以是基于通用的物理服务器结合NFV技术实现的虚拟机实现的，虚拟机指通过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统，本申请不作具体限定。
存储器930可以包括易失性存储器(Volatile Memory)，例如随机存取存储器(Random Access Memory，RAM)；存储器1030也可以包括非易失性存储器(Non-VolatileMemory)，例如只读存储器(Read-Only Memory，ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；存储器930还可以包括上述种类的组合。存储器930可以存储有程序代码，具体可以包括用于执行图1-图7实施例描述的其他步骤的程序代码，这里不再进行赘述。
通信接口920可以为有线接口(例如以太网接口)，可以为内部接口(例如高速串行计算机扩展总线(Peripheral Component Interconnect express,PCIe)总线接口)、有线接口(例如以太网接口)或无线接口(例如蜂窝网络接口或使用无线局域网接口)，用于与与其他设备或模块进行通信。
需要说明的，图9仅仅是本申请实施例的一种可能的实现方式，实际应用中，计算设备900还可以包括更多或更少的部件，这里不作限制。关于本申请实施例中未示出或未描述的内容，可参见前述图1-图7实施例中的相关阐述，这里不再赘述。
应理解，图9所示的计算设备还可以是至少一个服务器构成的计算机集群，本申请不作具体限定。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在处理器上运行时，图1-图7所示的方法流程得以实现。
本申请实施例还提供一种计算机程序产品，当计算机程序产品在处理器上运行时，图1-图7所示的方法流程得以实现。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(Digital Video Disc,DVD)、或者半导体介质。半导体介质可以是SSD。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (17)

1.一种超载车辆识别方法，其特征在于，所述方法包括：
获取交通道路上行驶的车辆的监控数据，所述监控数据来自于监控所述交通道路的行驶状况的摄像机、雷达或卫星；
根据所述监控数据，确定所述车辆的行驶轨迹，其中，所述车辆的行驶轨迹包括所述车辆在预设时间段内在所述交通道路上行驶的坐标点集合；
分析所述车辆的行驶轨迹，确定所述车辆为超载车辆。
2.根据权利要求1所述的方法，其特征在于，所述分析所述车辆的行驶轨迹，确定所述车辆为超载车辆包括：
根据所述车辆的行驶轨迹，确定所述车辆的轨迹参数和运动参数，其中，所述轨迹参数用于描述所述车辆的行驶轨迹特征，所述运动参数用于描述所述车辆的运动特征；
根据所述监控数据确定所述车辆的车辆类型；
结合所述车辆类型、所述行驶轨迹、所述轨迹参数以及所述运动参数中的一种或者多种，确定所述车辆为超载车辆。
3.根据权利要求2所述的方法，其特征在于，所述结合所述车辆类型、所述行驶轨迹、所述轨迹参数以及所述运动参数中的一种或者多种，确定所述车辆为超载车辆包括：
根据所述轨迹参数以及所述运动参数确定所述车辆的重量；
根据所述车辆类型确定所述车辆的超载额度；
根据所述车辆的重量和所述车辆的超载额度确定所述车辆为超载车辆。
4.根据权利要求2所述的方法，其特征在于，所述结合所述车辆类型、所述行驶轨迹、所述轨迹参数以及所述运动参数中的一种或者多种，确定所述车辆为超载车辆包括：
从第一数据库中获取与所述车辆类型以及所述运动参数相同的已知超载车辆的行驶轨迹，所述第一数据库存储有多个不同车辆类型、不同运动参数的已知超载车辆的行驶轨迹；
根据所述车辆的行驶轨迹与所述已知超载车辆的行驶轨迹之间的相似度，确定所述车辆为超载车辆。
5.根据权利要求1至4任一权利要求所述的方法，其特征在于，所述方法还包括：
将所述超载车辆的信息发送至信息管理平台，其中，所述超载车辆的信息包括以下信息中的一种或多种：超载等级、所述车辆的车牌信息、车主信息、所述车辆类型、所述车辆的重量、所述车辆的超载额度。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述车辆的重量和所述车辆的超载额度，确定所述车辆的超载等级；或者，
从第二数据库中获取与所述车辆类型以及所述运动参数相同的多个不同超载等级的已知超载车辆的行驶轨迹，所述第二数据库存储有多个不同车辆类型、不同运动参数、不同超载等级的已知超载车辆的行驶轨迹；
根据所述车辆的行驶轨迹与所述多个不同超载等级的已知超载车辆的行驶轨迹之间的相似度，确定所述车辆的超载等级。
7.根据权利要求6所述的方法，其特征在于，所述超载车辆的信息还包括所述车辆的拦截点，在所述确定所述车辆的超载等级之后，所述方法还包括：
在所述超载等级超过阈值的情况下，预测所述车辆的未来行驶轨迹；
在所述未来行驶轨迹中确定用于拦截所述车辆的拦截点。
8.一种超载车辆识别系统，其特征在于，所述系统包括：
获取单元，用于获取交通道路上行驶的车辆的监控数据，所述监控数据来自于监控所述交通道路的行驶状况的摄像机、雷达或卫星；
特征提取单元，用于根据所述监控数据，确定所述车辆的行驶轨迹，其中，所述车辆的行驶轨迹包括所述车辆在预设时间段内在所述交通道路上行驶的坐标点集合；
超载判定单元，分析所述车辆的行驶轨迹，确定所述车辆为超载车辆。
9.根据权利要求8所述的系统，其特征在于，
所述超载判定单元用于根据所述车辆的行驶轨迹，确定所述车辆的轨迹参数和运动参数，其中，所述轨迹参数用于描述所述车辆的行驶轨迹特征，所述运动参数用于描述所述车辆的运动特征；
所述超载判定单元用于根据所述监控数据确定所述车辆的车辆类型；
所述超载判定单元用于结合所述车辆类型、所述行驶轨迹、所述轨迹参数以及所述运动参数中的一种或者多种，确定所述车辆为超载车辆。
10.根据权利要求9所述的系统，其特征在于，
所述超载判定单元用于根据所述轨迹参数以及所述运动参数确定所述车辆的重量；
所述超载判定单元用于根据所述车辆类型确定所述车辆的超载额度；
所述超载判定单元用于根据所述车辆的重量和所述车辆的超载额度确定所述车辆为超载车辆。
11.根据权利要求9所述的系统，其特征在于，
所述超载判定单元用于从第一数据库中获取与所述车辆类型以及所述运动参数相同的已知超载车辆的行驶轨迹，所述第一数据库存储有多个不同车辆类型、不同运动参数的已知超载车辆的行驶轨迹；
所述超载判定单元用于根据所述车辆的行驶轨迹与所述超载车辆的行驶轨迹之间的相似度，确定所述车辆为超载车辆。
12.根据权利要求8至11任一权利要求所述的系统，其特征在于，所述系统还包括信息生成单元，所述信息生成单元用将所述超载车辆的信息发送至信息管理平台，其中，所述超载车辆的信息包括以下信息中的一种或者多种：超载等级、所述车辆的车牌信息、车主信息、所述车辆类型、所述车辆的重量、所述车辆的超载额度。
13.根据权利要求12所述的系统，其特征在于，
所述信息生成单元用于根据所述车辆的重量和所述车辆的超载额度，确定所述车辆的超载等级；或者，
所述信息生成单元用于从第二数据库中获取与所述车辆类型以及所述运动参数相同的多个不同超载等级的已知超载车辆的行驶轨迹，所述第二数据库存储有多个不同车辆类型、不同运动参数、不同超载等级的已知超载车辆的行驶轨迹；
所述信息生成单元用于根据所述车辆的行驶轨迹与所述多个不同超载等级的已知超载车辆的行驶轨迹之间的相似度，确定所述车辆的超载等级。
14.根据权利要求13所述的系统，其特征在于，所述超载车辆的信息还包括所述车辆的拦截点，
所述信息生成单元用于在所述确定所述车辆的超载等级之后，在所述超载等级超过阈值的情况下，预测所述车辆的未来行驶轨迹；
所述信息生成单元用于在所述未来行驶轨迹中确定用于拦截所述车辆的拦截点。
15.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算设备上运行时，使得所述计算设备执行如权利要求1至7任一权利要求所述的方法。
16.一种计算设备，其特征在于，包括处理器和存储器，所述处理器执行所述存储器中的代码执行如权利要求1至7任一权利要求所述的方法。
17.一种计算机程序产品，其特征在于，包括计算机程序，当所述计算机程序被计算设备读取并执行时，使得所述计算设备执行如权利要求1至7任一权利要求所述的方法。
CN202010801043.5A 2020-08-11 2020-08-11 超载车辆识别方法、系统及设备 Pending CN114076631A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010801043.5A CN114076631A (zh) 2020-08-11 2020-08-11 超载车辆识别方法、系统及设备
PCT/CN2021/107908 WO2022033288A1 (zh) 2020-08-11 2021-07-22 超载车辆识别方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010801043.5A CN114076631A (zh) 2020-08-11 2020-08-11 超载车辆识别方法、系统及设备

Publications (1)

Publication Number Publication Date
CN114076631A true CN114076631A (zh) 2022-02-22

Family

ID=80247673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010801043.5A Pending CN114076631A (zh) 2020-08-11 2020-08-11 超载车辆识别方法、系统及设备

Country Status (2)

Country Link
CN (1) CN114076631A (zh)
WO (1) WO2022033288A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898342A (zh) * 2022-07-15 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 行驶中非机动车驾驶员接打电话的检测方法
CN116129656A (zh) * 2023-04-04 2023-05-16 成都西交轨道交通技术服务有限公司 一种公路治超执法系统及方法
CN116343495A (zh) * 2023-03-21 2023-06-27 长安大学 基于压电储能的道路、桥梁超载预警方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438247B (zh) * 2022-06-23 2023-10-10 山东天地通数码科技有限公司 一种基于轨迹的一船多斗的判别方法、装置及设备
CN116342676A (zh) * 2023-05-31 2023-06-27 广州市杜格科技有限公司 一种交通的全息车辆外廓尺寸测量方法、设备及存储介质
CN117576919B (zh) * 2024-01-19 2024-04-02 北京工业大学 车辆超载识别系统、方法及电子设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101734114B (zh) * 2009-10-16 2012-02-15 北京工业大学 集载重计算和建议速度于一体的无线胎压检测器
CN104574957B (zh) * 2014-12-23 2019-03-05 厦门雅迅网络股份有限公司 一种利用风速与角度传感器监控车辆超载的方法及系统
KR101731341B1 (ko) * 2015-06-04 2017-04-28 주식회사 스마트비전 과적 차량 무인 단속 시스템
CN109466562B (zh) * 2018-10-15 2021-07-13 浙江吉利新能源商用车有限公司 车辆重量自动获取、车辆超载自动报警的系统及方法
CN110428621B (zh) * 2019-07-30 2022-07-15 山东交通学院 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN111348048B (zh) * 2020-04-01 2021-12-17 湖南行必达网联科技有限公司 货车超载报警方法、装置、设备及存储介质
CN111833604B (zh) * 2020-07-10 2021-10-29 北京交通大学 基于驾驶行为特征提取的车辆载重状态识别方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898342A (zh) * 2022-07-15 2022-08-12 深圳市城市交通规划设计研究中心股份有限公司 行驶中非机动车驾驶员接打电话的检测方法
CN116343495A (zh) * 2023-03-21 2023-06-27 长安大学 基于压电储能的道路、桥梁超载预警方法
CN116343495B (zh) * 2023-03-21 2024-01-30 长安大学 基于压电储能的道路、桥梁超载预警方法
CN116129656A (zh) * 2023-04-04 2023-05-16 成都西交轨道交通技术服务有限公司 一种公路治超执法系统及方法

Also Published As

Publication number Publication date
WO2022033288A1 (zh) 2022-02-17

Similar Documents

Publication Publication Date Title
CN114076631A (zh) 超载车辆识别方法、系统及设备
US9472098B2 (en) Vehicle-based abnormal travel event detecting and reporting
US11112797B2 (en) System and method for improving autonomous vehicle safety performance
US10732633B2 (en) Operation model construction system, operation model construction method, and non-transitory computer readable storage medium
CN110986938B (zh) 颠簸道路识别方法、装置、及电子设备
CN110304068B (zh) 汽车行驶环境信息的采集方法、装置、设备和存储介质
CN114077541A (zh) 验证用于自动驾驶车辆的自动控制软件的方法和系统
CN111332289B (zh) 车辆运行环境数据获取方法、装置和存储介质
CN113538946A (zh) 一种基于分布式的高速公路突发情况预警系统、方法
CN112687099B (zh) 一种超载嫌疑车辆判定方法和装置
CN115691148A (zh) 一种基于高速公路的智能收费辅助方法、设备及介质
CN115017742A (zh) 自动驾驶测试场景生成方法、装置、设备及存储介质
CN115618932A (zh) 基于网联自动驾驶的交通事件预测方法、装置及电子设备
CN113808414B (zh) 道路荷载确定方法、装置及存储介质
CN112447060A (zh) 识别车道的方法、装置及计算设备
CN110264725B (zh) 路段流量的确定方法及装置
CN116386316A (zh) 交通风险的预测方法和装置、电子设备及存储介质
Muñoz-Organero et al. Detecting different road infrastructural elements based on the stochastic characterization of speed patterns
CN114684197A (zh) 避障场景的检测方法、装置、设备及存储介质
CN116507540A (zh) 风险管理装置、风险管理方法及风险管理系统
CN112614345A (zh) 车辆速度的计算方法、装置、设备及存储介质
CN117576919B (zh) 车辆超载识别系统、方法及电子设备
CN110718064A (zh) 一种车辆违章检测方法和装置
Kyriakou et al. A pavement rating system based on machine learning
Kyriakou et al. A low-cost pavement-rating system, based on machine learning, utilising smartphone sensors

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