CN114330449A - 一种基于特征时域匹配的车辆碰撞检测方法及系统 - Google Patents
一种基于特征时域匹配的车辆碰撞检测方法及系统 Download PDFInfo
- Publication number
- CN114330449A CN114330449A CN202111674143.7A CN202111674143A CN114330449A CN 114330449 A CN114330449 A CN 114330449A CN 202111674143 A CN202111674143 A CN 202111674143A CN 114330449 A CN114330449 A CN 114330449A
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- collision detection
- historical
- database
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于特征时域匹配的车辆碰撞检测方法及系统,方法包括S1:采用自适应数据采样算法,获取实时上传的高频数据包;S2:局部异常检测,判断是否有局部异常点,当存在局部异常点时,对数据进行多维度特征处理,获得特征集合;S3:通过构建的历史特征数据库进行特征匹配,计算相似距离;S4:获得最小相似距离输入到碰撞评估模型中输出碰撞检测结果;系统包括至少一个设备端、碰撞检测端和历史特征数据库。本发明通过自适应数据采集算法采集数据,减少数据采集压力,通过不同维度进行特征的提取和融合,解决了特征提取维度单一问题,并通过构建历史特征数据库进行匹配检测,提高车辆碰撞检测的精确度。
Description
技术领域
本发明涉及车辆碰撞检测技术领域,特别涉及一种基于特征时域匹配的车辆碰撞检测方法及系统。
背景技术
当前,随着我国车辆拥有数量不断增加,交通问题带来的负面影响也在逐渐加重,其中车祸事故造成的人员财产损失和交通拥堵已经成为亟待解决的问题。在提高驾驶员交通规范监管的同时,相应的建立对车辆碰撞实时监测,以便快速进行事故救援和交通梳理尤为重要,对智慧城市的建设也有较大的意义,可以增强对城市环境的感知,以及城市交通的智能化调控。
当车辆发生碰撞时,车身往往会有较为明显的震动或者产生较大的加速度,因而,一般通过依靠车辆上设置的传感器装置,对车辆行驶数据进行采集,实现对车辆碰撞的实时监测。
由于车祸发生时的碰撞时间一般在几十毫秒的范围内,对传感器采样频率有着较高要求。目前基于传感器做碰撞检测的方法要么采样频率较低,一秒或者几秒采样一个数据点;要么完全通过高频采样数据,但这样会造成流量成本的增加与系统性能上的不稳定。
然而在基于高频时序数据进行车辆碰撞检测的现有技术中,存在有以下问题:
1、特征提取维度较单一,对于数据的表示不够全面。现有技术基本是依靠统计方法或者时频变换分析方法在少量样本中观测到的特征,存在一定数据分布的强假设或者人类知识先验,当数据愈发复杂,数据量逐渐加大后,该类特征对于数据的理解越来越片面,做出的假设也越来越倾向于随机,此时对碰撞的检测效果也较差。
2、现有技术一般是针对局部数据的异常检测,忽略了该数据点在全局数据中的离群程度,而车辆的行驶数据复杂程度高,数据量大,仅依靠局部的异常检测方法会导致碰撞的误报量高,检测的精确率低。
3、不同车辆传感器设备采集到的行驶数据分布差异性较大,由于相同的特征值在不同设备的全局数据上的异常程度不一样,存在较大的差异,以同一个全局特征数据库检测所有车辆碰撞,会存在事故漏检情况。
发明内容
为解决上述问题,本发明提供了一种基于特征时域匹配的车辆碰撞检测方法及系统,自适应采集数据,常态时,进行低频采样点位数据,在传感器数据异常,出现大加速度或者车辆减速停车等行为,再进行高频数据采样;对采集的高频数据通过两次预处理获得特征集合,通过采集的历史数据构建异常数据特征库,在获取到特征集合的数据后与特征库中的数据进行比较,根据比较结果选择是否进行碰撞分析,提高检测碰撞的可信度。
本发明提供了一种基于特征时域匹配的车辆碰撞检测方法,包括:
S1:采用自适应数据采样算法,获取实时上传的高频数据包;
S2:根据所述高频数据包,进行局部异常检测,判断是否有局部异常点,当存在局部异常点时,对数据进行多维度特征处理,获得特征集合,否则结束;
S3:基于所述特征集合,与预先构建的历史特征数据库中的数据进行特征匹配,计算相似距离,获取所述历史特征数据库中相似度最高的历史数据;
S4:将与所述历史特征数据库进行计算匹配得到的最小相似距离输入到碰撞评估模型中输出碰撞检测结果。
进一步的,步骤S2中,所述多维度特征处理包括第一预处理和第二预处理,所述第一预处理采用不同特征提取方法获得多维度的特征,所述第二预处理对所述第一预处理输出的多维度特征进行融合和降维操作,构建输出特征集合。
进一步的,所述第一预处理的特征提取方法,包括深度学习自编码、统计方法、线性变换。
进一步的,所述第二预处理采用RCA主成分分析算法将所述第一预处理得到的不同类特征进行特征融合。
进一步的,所述历史特征数据库,构建过程如下:
在各个车辆所属设备进行局部异常检测,获取预设时间段内相对异常的高频数据包;
并对得到的高频数据包进行特征处理,提取每个异常的高频数据包特征集合,进行存储,得到历史特征数据库。
进一步的,所述自适应数据采样算法,具体如下:
实时检测采样装置或车辆碰撞检测装置,是否输出碰撞信号;
若未输出碰撞信号,则进行低频采样,若输出碰撞信号,则进行高频采样。
在步骤S4中,所述碰撞检测结果,具体计算过程如下:
S401:获取最小相似距离在历史异常数据库中从大到小的排名rank、rank所处的分位数rankq,以及车辆在预设时间段内的平均速度avg_speed;
S402:将所述排名rank以及对应分位数rankq,计算获得评估参数size,并计算碰撞检测分值,计算公式如下:
其中,a为设定的比例参数,取值为10。
进一步的,步骤S2中,获得实时高频数据包后,解析处预定时长轨迹段中各高频采样点的传感器数据,并分别对特定维度的解析结果进行向量化处理。
本发明还提供了一种基于特征时域匹配的车辆碰撞检测系统,包括至少一个设备端、碰撞检测端和历史特征数据库,所述设备端与所述碰撞检测端数据连接,实时上传设备端采集的数据包,所述设备端设有至少一个碰撞检测装置,根据所述碰撞检测装置的检测结果,进行高频采样或低频采样,并将高频采样的数据上传至所述碰撞检测端;
所述碰撞检测端包括特征提取和融合模块、特征匹配模块以及碰撞评估模块;
所述特征提取和融合模块,存储有深度学习自编码模型算法、统计算法、线性变换算法以及PCA主成分分析算法,用于解析并提取设备端上传的高频采样数据,获得多维度特征,并对所述多维度特征进行融合;
所述特征匹配模块用于将特征融合数据与所述历史特征数据库中的数据进行匹配,并计算相似距离;
所述历史特征数据库存储有预设时间段的异常数据,离线在数据端,所述数据端与所述碰撞检测端连接。
本发明的有益效果如下:
1、利用深度学习自编码进行特征提取,引入表示学习可以解决单一的特征工程对数据分布的强假设,弥补大量复杂数据上人类先验特征的缺陷,有效优化高频时序数据的特征表示;通过将线性变换、统计、深度学习自编码三种维度的特征融合,解决了特征提取维度单一的问题,有效提高碰撞事故的召回率,提高了事故量检测的准确度。
2、根据单个设备的历史特征数据来引入全局异常数据分布信息,通过计算与历史数据的相似度距离来刻画碰撞发生的概率,避免因单一的局部异常条件产生的误判,并且增强了对轻微事故的检测,包括车辆刮擦、底盘剐蹭等,提升了模型的精确率,减少了误报的情况发生。
附图说明
图1是本发明的方法流程示意图;
图2是本发明的多维度特征处理流程结构示意图;
图3是本发明的系统结构示意图。
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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做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。
实施例1
本发明的实施例1公开了一种基于特征时域匹配的车辆碰撞检测方法,如图1所示,具体步骤流程如下:
S1:采用自适应数据采样算法,获取实时上传的高频数据包;
车辆上装配的传感器根据设定的算法进行数据采集;
本实施例中,通过六轴陀螺仪传感器进行车辆行驶数据的采集,实时检测采样装置或车辆上设置的碰撞检测装置,是否输出碰撞信号;若未输出碰撞信号,则进行低频采样,若输出碰撞信号,则进行高频采样。车辆发生碰撞为小概率事件,在未检测到发生碰撞时,即当传感器装置或碰撞检测装置未输出碰撞信号,则根据预设参数进行低频采样,上传低频采样的点位数据即可,若检测到发生碰撞,即出现大加速度或者检测到震动,则进行高频数据采样。
S2:根据所述高频数据包,进行局部异常检测,判断是否有局部异常点,当存在局部异常点时,对数据进行多维度特征处理,获得特征集合,否则结束;
获得实时高频数据包后,解析处预定时长轨迹段中各高频采样点的传感器数据,并分别对特定维度的解析结果进行向量化处理;
所述向量化处理,例如每个数据点都有x,y,z轴的加速度值(acc_x,acc_y,acc_z),高频采样后每个高频包有350个数据点,对每个维度进行向量化处理可得到:x轴的向量值(acc_x_1,acc_x_2,…,acc_x_350),y轴的向量值(acc_y_1,acc_y_2,…,acc_y_350),z轴的向量值(acc_z_1,acc_z_2,…,acc_z_350)。
所述局部异常检测,可采用阈值规则、孤立森林、LOF离群检测等方法;
所述多维度特征处理包括第一预处理和第二预处理,所述第一预处理采用不同特征提取方法获得多维度的特征,所述第二预处理对所述第一预处理输出的多维度特征进行融合和降维操作,构建输出特征集合;
如图2所示,本实施例中,所述第一预处理的特征提取方法,包括深度学习自编码、统计方法、线性变换;所述统计方法可采用均值、方差、峰值、一阶差分标准差、最大斜率等常规统计计算方法;所述线性变换,采用小波变换,将高频时序信号分解到不同尺度,提取模极大值特征、熵特征、能量特征、haar小波基特征和symlets小波基特征等。
所述第二预处理采用RCA主成分分析算法将所述第一预处理得到的不同类特征进行特征融合,获得特征集合。
S3:基于所述特征集合,与预先构建的历史特征数据库中的数据进行特征匹配,计算相似距离,获取所述历史特征数据库中相似度最高的历史数据;
所述历史特征数据库,构建过程如下:
在各个车辆所属设备进行局部异常检测,获取预设时间段内相对异常的高频数据包;
并对得到的高频数据包进行特征处理,提取每个异常的高频数据包特征集合,进行存储,得到历史特征数据库。
所述相似距离计算如下:
对特征集合的数据进行归一化,得到输入数据:X(1,2,…,xk),k维的归一化后的特征数据;
假设所述历史特征数据库中有N个历史异常数据,即:(1,2,…,UN),其中U1=(u1,u2,…,ud);
分别对N个数据进行匹配计算,相似距离Di计算公式如下:
之后,获取最小相似距离Dmin=min(D1,D2,…,DN)。ui,j表示第i个历史异常数据的第j个特征值。
本实时例中,在通过计算机进行运算时,通过构建KD树对上述计算过程进行了优化,减少了线上资源的消耗。
S4:将与所述历史特征数据库进行计算匹配得到的最小相似距离输入到碰撞评估模型中输出碰撞检测结果;
具体过程如下:
计算该数据点的最小相似距离Dmin在历史异常数据库中从大到小的排名rank、所述排名rank所处的分位数rankq,以及车辆在3分钟内所的平均速度avg_speed,计算碰撞检测分值,计算如下:
其中,size为评估参数;score越大代表该数据点越异常,即碰撞的概率越大。
实施例2
本发明的实施例2公开了一种基于特征时域匹配的车辆碰撞检测系统,如图3所示,所述系统包括:
至少一个设备端、碰撞检测端和历史特征数据库,所述设备端与所述碰撞检测端数据连接,实时上传设备端采集的数据包,所述设备端设有至少一个碰撞检测装置,根据所述碰撞检测装置的检测结果,进行高频采样或低频采样,并将高频采样的数据上传至所述碰撞检测端;
所述碰撞检测端包括特征提取和融合模块、特征匹配模块以及碰撞评估模块;
所述特征提取和融合模块,存储有深度学习自编码模型算法、统计算法、线性变换算法以及PCA主成分分析算法,用于解析并提取设备端上传的高频采样数据,获得多维度特征,并对所述多维度特征进行融合;
所述特征匹配模块用于将特征融合数据与所述历史特征数据库中的数据进行匹配,并计算相似距离;
所述历史特征数据库存储有预设时间段的异常数据,离线在数据端,所述数据端与所述碰撞检测端连接。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (9)
1.一种基于特征时域匹配的车辆碰撞检测方法,其特征在于,包括:
S1:采用自适应数据采样算法,获取实时上传的高频数据包;
S2:根据所述高频数据包,进行局部异常检测,判断是否有局部异常点,当存在局部异常点时,对数据进行多维度特征处理,获得特征集合,否则结束;
S3:基于所述特征集合,与预先构建的历史特征数据库中的数据进行特征匹配,计算相似距离,获取所述历史特征数据库中相似度最高的历史数据;
S4:将与所述历史特征数据库进行计算匹配得到的最小相似距离输入到碰撞评估模型中输出碰撞检测结果。
2.根据权利要求1所述的车辆碰撞检测方法,其特征在于,步骤S2中,所述多维度特征处理包括第一预处理和第二预处理,所述第一预处理采用不同特征提取方法获得多维度的特征,所述第二预处理对所述第一预处理输出的多维度特征进行融合和降维操作,构建输出特征集合。
3.根据权利要求2所述的车辆碰撞检测方法,其特征在于,所述第一预处理的特征提取方法,包括深度学习自编码、统计方法、线性变换。
4.根据权利要求2所述的车辆碰撞检测方法,其特征在于,所述第二预处理采用PCA主成分分析算法将所述第一预处理得到的不同类特征进行特征融合。
5.根据权利要求1所述的车辆碰撞检测方法,其特征在于,所述历史特征数据库,构建过程如下:
在各个车辆所属设备进行局部异常检测,获取预设时间段内相对异常的高频数据包;
并对得到的高频数据包进行特征处理,提取每个异常的高频数据包特征集合,进行存储,得到历史特征数据库。
6.根据权利要求1所述的车辆碰撞检测方法,其特征在于,所述自适应数据采样算法,具体如下:
实时检测采样装置或车辆碰撞检测装置,是否输出碰撞信号;
若未输出碰撞信号,则进行低频采样,若输出碰撞信号,则进行高频采样。
8.根据权利要求1-7任一所述的车辆碰撞检测方法,其特征在于,步骤S2中,获得实时高频数据包后,解析处预定时长轨迹段中各高频采样点的传感器数据,并分别对解析结果进行向量化处理。
9.一种基于特征时域匹配的车辆碰撞检测系统,其特征在于,包括至少一个设备端、碰撞检测端和历史特征数据库,所述设备端与所述碰撞检测端数据连接,实时上传设备端采集的数据包,所述设备端设有至少一个碰撞检测装置,根据所述碰撞检测装置的检测结果,进行高频采样或低频采样,并将高频采样的数据上传至所述碰撞检测端;
所述碰撞检测端包括特征提取和融合模块、特征匹配模块以及碰撞评估模块;
所述特征提取和融合模块,存储有深度学习自编码模型算法、统计算法、线性变换算法以及PCA主成分分析算法,用于解析并提取设备端上传的高频采样数据,获得多维度特征,并对所述多维度特征进行融合;
所述特征匹配模块用于将特征融合数据与所述历史特征数据库中的数据进行匹配,并计算相似距离;
所述历史特征数据库存储有预设时间段的异常数据,离线在数据端,所述数据端与所述碰撞检测端连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111674143.7A CN114330449A (zh) | 2021-12-31 | 2021-12-31 | 一种基于特征时域匹配的车辆碰撞检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111674143.7A CN114330449A (zh) | 2021-12-31 | 2021-12-31 | 一种基于特征时域匹配的车辆碰撞检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330449A true CN114330449A (zh) | 2022-04-12 |
Family
ID=81019974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111674143.7A Pending CN114330449A (zh) | 2021-12-31 | 2021-12-31 | 一种基于特征时域匹配的车辆碰撞检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330449A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612641A (zh) * | 2023-07-19 | 2023-08-18 | 天津中德应用技术大学 | 基于智能网联的车辆队列控制数据处理方法 |
CN116644373A (zh) * | 2023-07-27 | 2023-08-25 | 深圳恒邦新创科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
-
2021
- 2021-12-31 CN CN202111674143.7A patent/CN114330449A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612641A (zh) * | 2023-07-19 | 2023-08-18 | 天津中德应用技术大学 | 基于智能网联的车辆队列控制数据处理方法 |
CN116612641B (zh) * | 2023-07-19 | 2023-09-22 | 天津中德应用技术大学 | 基于智能网联的车辆队列控制数据处理方法 |
CN116644373A (zh) * | 2023-07-27 | 2023-08-25 | 深圳恒邦新创科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
CN116644373B (zh) * | 2023-07-27 | 2023-10-31 | 广东小途汽车科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330449A (zh) | 一种基于特征时域匹配的车辆碰撞检测方法及系统 | |
CN104463244A (zh) | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 | |
CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
US20060210141A1 (en) | Inspection method and inspection apparatus | |
CN111917766B (zh) | 一种车载网络通信异常的检测方法 | |
CN103838229A (zh) | 电动汽车诊断方法和诊断装置 | |
El Masri et al. | Toward self-policing: Detecting drunk driving behaviors through sampling CAN bus data | |
CN110901385B (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN108248610A (zh) | 一种自适应分心驾驶行为的监测及干预装置 | |
CN112699793A (zh) | 一种基于随机森林的疲劳驾驶检测优化识别方法 | |
CN114419880A (zh) | 一种基于人车和环境的驾驶行为分析方法及系统 | |
Shi et al. | Real-time driving risk assessment using deep learning with XGBoost | |
CN115159285B (zh) | 电梯状态监测方法及电梯状态监测装置 | |
CN110696835A (zh) | 一种车辆危险行驶行为的自动预警方法及自动预警系统 | |
CN111881952A (zh) | 基于预警大数据的驾驶员倾向性分析方法 | |
CN113780432B (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
Xun et al. | An experimental study towards driver identification for intelligent and connected vehicles | |
CN114615086A (zh) | 一种车载can网络入侵检测方法 | |
CN110992709A (zh) | 一种基于驾驶员疲劳状态的主动限速系统 | |
US11331024B2 (en) | Calibration method for critical point of mental fatigue based on self-organized criticality | |
CN113702764B (zh) | 一种架空线缆断线监测与判别方法 | |
Fazio et al. | A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach | |
CN112850408B (zh) | 一种基于多模型融合的电梯急停困人故障检测方法 | |
CN114155607A (zh) | 一种驾驶风险监控及报警方法、装置、设备及存储介质 |
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 |