CN114495495B - 异常转向行为的检测方法、装置及电子设备 - Google Patents
异常转向行为的检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114495495B CN114495495B CN202210028945.9A CN202210028945A CN114495495B CN 114495495 B CN114495495 B CN 114495495B CN 202210028945 A CN202210028945 A CN 202210028945A CN 114495495 B CN114495495 B CN 114495495B
- Authority
- CN
- China
- Prior art keywords
- steering
- acquiring
- road section
- abnormality
- detection result
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 193
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 121
- 230000006399 behavior Effects 0.000 claims abstract description 119
- 230000005856 abnormality Effects 0.000 claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000003860 storage Methods 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000009412 basement excavation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000028838 turning behavior Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种异常转向行为的检测方法、装置及电子设备,涉及人工智能领域,具体涉及深度学习、大数据及智能交通技术领域。该方案为:获取轨迹数据;根据轨迹数据,获取初始异常检测结果;响应于初始异常检测结果为存在转向异常,则获取行车图像数据;根据行车图像数据,获取最终异常检测结果。由此,本公开不再单独依赖基于轨迹数据或者单独采用基于行车图像数据进行异常转向行为的检测,能够在基于轨迹数据确定初始异常检测结果为存在转向异常后,即仅在异常轨迹所在路口进行图像识别,再调用行车图像数据,以获取最终异常检测结果,不仅极大地节省了图像识别、存储的算力,提高了检测效率,且确保了最终异常检测结果的准确性及可靠性。
Description
技术领域
本公开的实施例总体上涉及异常转向行为的检测技术领域,并且更具体地涉及人工智能领域,具体涉及深度学习、大数据及智能交通技术领域。
背景技术
异常转向行为是一种常见的、易被忽略的违规驾驶行为,不遵守交通规则的异常转向行为往往会造成严峻的后果,甚至会同时危害到多人的生命安全。实际应用中,由于路段场景的复杂多变,例如部分路段实行分时段左转限制,以及缺乏监管措施,例如部分路段未配设充足的摄像头进行监控,部分路口因异常转向行为导致的交通事故发生数量往往居高不下。
然而,相关技术中,尚未存在高效的、低成本的异常转向行为的检测方法,这样一来,往往会导致部分路段存在极高的安全隐患。
因此,如何在提高异常转向行为的检测过程中的效率及可靠性的同时,降低成本,进而降低目标路段的安全隐患、确保行车安全,已成为了重要的研究方向之一。
发明内容
本公开提供了一种异常转向行为的检测方法、装置及电子设备。
根据第一方面,提供了一种异常转向行为的检测方法,包括:
获取车辆在目标路段内行驶时的轨迹数据;
根据所述轨迹数据,获取所述车辆于所述目标路段内行驶时对应的转向行为的初始异常检测结果;
响应于所述初始异常检测结果为存在转向异常,则获取所述车辆于所述目标路段内行驶时的行车图像数据;
根据所述行车图像数据,获取所述转向行为的最终异常检测结果。
根据第二方面,提供了一种异常转向行为的检测装置,包括:
第一获取模块,用于获取车辆在目标路段内行驶时的轨迹数据;
第二获取模块,用于根据所述轨迹数据,获取所述车辆于所述目标路段内行驶时对应的转向行为的初始异常检测结果;
第三获取模块,用于响应于所述初始异常检测结果为存在转向异常,则获取所述车辆于所述目标路段内行驶时的行车图像数据;
第四获取模块,用于根据所述行车图像数据,获取所述转向行为的最终异常检测结果。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开第一方面所述的异常转向行为的检测方法的步骤。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开第一方面所述的异常转向行为的检测方法的步骤。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序在被处理器执行时实现根据本公开第一方面所述的异常转向行为的检测方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是一种目标路段的区域划分的示意图;
图3是根据本公开第二实施例的示意图;
图4是一种车辆行驶时的目标轨迹中心线的示意图;
图5是根据本公开第三实施例的示意图;
图6是一种参考轨迹中心线的示意图;
图7是一种参考轨迹中心线与目标轨迹中心线差异的示意图;
图8是根据本公开第四实施例的示意图;
图9是根据本公开第五实施例的示意图;
图10是根据本公开第六实施例的示意图;
图11是用来实现本公开实施例的异常转向行为的检测方法的异常转向行为的检测装置的框图;
图12是用来实现本公开实施例的异常转向行为的检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
以下对本公开的方案涉及的技术领域进行简要说明:
数据处理(Data Processing),是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。
AI(Artificial Intelligence,人工智能),是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术,也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
深度学习(Deep Learning,简称DL),是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
大数据(Big Data),指的是无法在一定时间范围内使用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
智能交通,一般指智能交通系统(Intelligent Traffic System,简称ITS)又称智能运输系统(Intelligent Transportation System),是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
下面参考附图描述本公开实施例的一种异常转向行为的检测方法、装置及电子设备。
图1是根据本公开第一实施例的示意图。其中,需要说明的是,本实施例的异常转向行为的检测方法的执行主体为异常转向行为的检测装置,异常转向行为的检测装置具体可以为硬件设备,或者硬件设备中的软件等。其中,硬件设备例如终端设备、服务器等。
如图1所示,本实施例提出的异常转向行为的检测方法,包括如下步骤:
S101、获取车辆在目标路段内行驶时的轨迹数据。
其中,轨迹数据,指的是以文本等所占存储空间较小的形式进行展示及存储的行车轨迹数据。
需要说明的是,本公开中对于轨迹数据的具体展示及存储方式不作限定,可以根据实际情况进行设定。
举例而言,轨迹数据的展示及存储方式可以为.txt(Text,文本文件)、.doc(Document,文档)等形式。
需要说明的是,本公开中对于目标路段的具体划分方式不作限定,可以根据实际情况进行设定。
可选地,可以设定目标路段为车辆行驶过程中途径的任一路段内的任一车道所在区域。
举例而言,如图2中的(a)所示,目标路段2-2为车辆2-1在行驶过程中途径的任一路段内的任一车道所在区域。
可选地,可以设定目标路段为车辆行驶过程中途径的任一路段内的所有的车道所在区域。
举例而言,如图2中的(b)所示,目标路段2-3为车辆2-1在行驶过程中途径的任一路段内的所有的车道所在区域。
需要说明的是,本公开中对于获取轨迹数据的具体方式不作限定,可以根据实际情况进行设定。
可选地,车辆可以实时地获取轨迹数据,并按照预先设定的时间间隔主动发送轨迹数据。相应地,可以接收车辆发送的轨迹数据。
可选地,可以向车辆发送轨迹数据获取指令,以使车辆在接收到轨迹数据获取指令后,将轨迹数据进行发送。相应地,可以接收车辆发送的轨迹数据。
S102、根据轨迹数据,获取车辆于目标路段内行驶时对应的转向行为的初始异常检测结果。
需要说明的是,相关技术中,往往单独采用基于轨迹数据或者单独采用基于行车图像数据进行异常转向行为的检测。
其中,针对单独采用基于轨迹数据进行异常转向行为的检测,可选地,可以在获取轨迹数据的基础上,结合地图数据,判断驾驶行为是否违规,即判断转向行为是否存在转向异常。
然而,单独采用基于轨迹数据进行异常转向行为的检测方式在部分场景下表现较差。特别地,在分时段通行限制的场景下,检测的准确率指标表现较差。
由此,本公开中,将基于轨迹数据进行异常转向行为的检测得到的结果作为初始异常检测结果,以在确定存在转向异常时,进一步对初始异常检测结果进行修正。
S103、响应于初始异常检测结果为存在转向异常,则获取车辆于目标路段内行驶时的行车图像数据。
其中,针对单独采用基于行车图像数据进行异常转向行为的检测,可选地,可以在已知视频图像序列的基础上,判断驾驶行为是否违规,即判断转向行为是否存在转向异常。
然而,基于行车图像数据进行异常转向行为的检测方式亦存在明显的劣势。特别地,由于行车图像数往往来自车载影像,这样一来,存储车载影响等视频时需要耗费的资源较多、行车图像数据的清晰程度难以保证,进而使得基于行车图像数据进行异常转向行为的检测方式的应用范围比较有限。
由此,本公开中,在基于轨迹数据进行异常转向行为的检测获取到初始异常检测结果后,可以基于行车图像数据对异常转向行为进行进一步确认,以实现对初始异常检测结果的修正。也就是说,本公开中,可以基于轨迹挖掘与图像识别结合的方式进行检测。
本公开实施例中,可以响应于初始异常检测结果为存在转向异常,则获取车辆于目标路段内行驶时的行车图像数据。
其中,行车图像数据,指的是以图像或者视频等所占存储空间较大的形式进行展示及存储的行车轨迹数据,且行车图像数据占用的存储空间大小往往远大于轨迹数据占用的存储空间大小。
需要说明的是,本公开中对于行车图像数据的具体展示及存储方式不作限定,可以根据实际情况进行设定。
举例而言,行车图像数据的展示及存储方式可以为.jpg(Joint PhotographicExperts Group)、.avi(Audio Video Interleaved,音频视频交错格式)等形式。
S104、根据行车图像数据,获取转向行为的最终异常检测结果。
本公开实施例中,在获取初始异常检测结果,并确定初始异常检测结果为存在转向异常后,可以根据获取到的行车图像数据,获取转向行为的最终异常检测结果。
需要说明的是,本公开中对于根据行车图像数据,获取转向行为的最终异常检测结果的具体方式不作限定,可以根据实际情况进行设定。
作为一种可能的实现方式,可选地,可以根据行车图像数据,获取转向行为的中间异常检测结果。进一步地,对初始异常检测结果和中间异常检测结果进行处理,以获取最终异常检测结果。
举例而言,若获取到初始异常检测结果为存在转向异常、中间异常检测结果为存在转向异常,此种情况下,最终异常检测结果则为存在转向异常;若获取到初始异常检测结果为存在转向异常、中间异常检测结果为未存在转向异常,此种情况下,最终异常检测结果则为未存在转向异常。
根据本公开实施例的异常转向行为的检测方法,可以通过获取车辆在目标路段内行驶时的轨迹数据,并根据轨迹数据,获取车辆于目标路段内行驶时对应的转向行为的初始异常检测结果,然后响应于初始异常检测结果为存在转向异常,则获取车辆于目标路段内行驶时的行车图像数据,进而根据行车图像数据,获取转向行为的最终异常检测结果。由此,本公开不再单独依赖基于轨迹数据或者单独采用基于行车图像数据进行异常转向行为的检测,能够在基于轨迹数据确定初始异常检测结果为存在转向异常后,即仅在异常轨迹所在路口进行图像识别,再调用行车图像数据,以获取最终异常检测结果,不仅极大地节省了图像识别、存储的算力,提高了检测效率,且确保了最终异常检测结果的准确性及可靠性。
图3是根据本公开第二实施例的示意图。
如图3所示,本实施例提出的异常转向行为的检测方法,包括如下步骤:
S301、获取车辆在目标路段内行驶时的轨迹数据。
该步骤S301与上述步骤S101一致,此处不再赘述。
上述步骤S102具体包括以下步骤S302~303。
S302、根据轨迹数据,获取车辆在目标路段内行驶时的目标轨迹中心线。
需要说明的是,本公开中,在试图基于轨迹数据进行检测时,可以获取目标轨迹中心线,并根据目标轨迹中心线进行识别,以获取初始异常检测结果。
其中,目标轨迹中心线,指的是车辆在目标路段内行驶时的轨迹的多个中心点连接而成的线。
需要说明的是,基于车辆的行驶方向的改变,目标轨迹中心线也会随之发生改变。
举例而言,如图4所示,图4中的(a)所示的车辆4-1的行驶方向相较于图4中的(b)所示的车辆4-1的行驶方向偏西向,此种情况下,图4中的(a)所示的车辆4-1的目标轨迹中心线4-2相较于图4中的(b)所示的车辆4-1的目标轨迹中心线4-3亦偏西向。
S303、获取目标路段的参考轨迹中心线,以及参考轨迹中心线与目标轨迹中心线之间的差异。
需要说明的是,本公开中,在试图获取目标路段的参考轨迹中心线时,可以获取历史轨迹数据,并基于历史轨迹数据获取目标路段的参考轨迹中心线。
作为一种可能的实现方式,如图5所示,在上述实施例的基础上,上述步骤中获取目标路段的参考轨迹中心线的具体方式,包括以下步骤;
S501、获取目标路段对应的历史轨迹数据。
其中,历史轨迹数据,指的是在一段时间内至少一个曾在目标路上行驶过的车辆对应的轨迹数据。
需要说明的是,本公开中,对于获取目标路段对应的历史轨迹数据不作限定,可以根据实际情况进行设定。
作为一种可能的实现方式,可选地,可以获取预先设定的时间窗口,并按照时间窗口获取目标路段的轨迹数据。
举例而言,获取时间窗口为a,此种情况下,则可以获取a对应的时长内的至少一个曾在目标路上行驶过的车辆b对应的轨迹数据。其中,每个曾在目标路上行驶过的车辆b对应的轨迹数据分别为c1~cn。
其中,时间窗口可以根据实际情况进行设定。例如,可以设定时间窗口为10天、1个月等。需要说明的是,为了提高历史轨迹数据以及参考轨迹中心线的准确性,优选地,可以设定时间窗口为较大值。
S502、根据历史轨迹数据,获取参考轨迹中心线。
本公开实施例中,在获取历史轨迹数据后,可以根据历史轨迹数据,获取参考轨迹中心线。
作为一种可能的实现方式,可选地,可以根据历史轨迹数据中的每个轨迹数据分别获取对应的轨迹中心线,进而对轨迹中心线进行加权或者聚类等处理,以获取参考轨迹中心线。
举例而言,如图6所示,获取到时间窗口a内获取到共有两辆车(车辆6-1和车辆6-3)行驶过目标路段,其中,车辆6-1对应的轨迹中心线6-2如图6中的(a)所示、车辆6-3对应的轨迹中心线6-4如图6中的(b)所示,此种情况下,可以对轨迹中心线6-2和6-2进行加权或者聚类等处理,以获取如图6中的(c)所示的参考轨迹中心线6-5。
进一步地,在获取目标路段的参考轨迹中心线后,可以获取参考轨迹中心线与目标轨迹中心线之间的差异。
举例而言,如图7所示,参考轨迹中心线7-1与目标轨迹中心线7-2之间的差异为区域7-3。
进一步地,本公开中,在获取参考轨迹中心线与目标轨迹中心线之间的差异之后,可以获取差异阈值,并根据差异和差异阈值,获取初始异常检测结果。
作为一种可能的实现方式,可选地,若差异达到差异阈值,则确定初始异常检测结果为存在转向异常;可选地,若差异未达到差异阈值,则确定初始异常检测结果为未存在转向异常。
S304、响应于初始异常检测结果为存在转向异常,则获取车辆于目标路段内行驶时的行车图像数据。
S305、根据行车图像数据,获取转向行为的最终异常检测结果。
该步骤S304~305与上一实施例中的步骤S103~104相同,此处不再赘述。
根据本公开实施例的异常转向行为的检测方法,可以通过根据轨迹数据,获取车辆在目标路段内行驶时的目标轨迹中心线,并获取目标路段的参考轨迹中心线,以及参考轨迹中心线与目标轨迹中心线之间的差异,进而响应于差异达到差异阈值,则确定初始异常检测结果为存在转向异常。由此,本公开可以通过依靠轨迹中心线的偏移挖掘出潜在的违规转向轨迹,即获取初始异常检测结果,进一步提高了异常转向行为的检测过程中的效率。
图8是根据本公开第四实施例的示意图。
如图8所示,本实施例提出的异常转向行为的检测方法,包括如下步骤:
S801、获取车辆在目标路段内行驶时的轨迹数据。
S802、根据轨迹数据,获取车辆在目标路段内行驶时的目标轨迹中心线。
S803、获取目标路段的参考轨迹中心线,以及参考轨迹中心线与目标轨迹中心线之间的差异。
S804、响应于初始异常检测结果为存在转向异常,则获取车辆于目标路段内行驶时的行车图像数据。
该步骤S801~804与上述步骤S801~804一致,此处不再赘述。
上述步骤S104具体包括以下步骤S805~807。
S805、获取目标路段的路网数据。
其中,路网数据,指的是道路分布数据,可以包括高速公路、国道、省道、市区主干道、其他道路等线状信息。
S806、根据路网数据,获取行车图像数据对应的检测策略。
作为一种可能的实现方式,在上述实施例的基础上,上述步骤S806中根据路网数据,获取行车图像数据对应的检测策略的具体过程,包括以下步骤:
S901、根据路网数据,获取目标路段对应的车道信息和交通限制信息。
本公开实施例中,在获取路网数据后,可以从路网数据中提取目标路段对应的车道信息和交通限制信息。
其中,车道信息,指的是包括地面车道以及空中车道等的信息。
其中,交通限制信息,指的是包括交通限制标识牌等的信息。
举例而言,在获取路网数据后,可以从路网数据中提取目标路段对应的车道信息和交通限制信息。其中,车道信息包括针对高架桥A的空中车道信息,交通限制信息包括20点以后不能在目标路段左转的分时段交通限制信息。
S902、获取目标路段对应的初始检测策略,并根据车道信息和交通限制信息,对初始检测策略进行修正,以获取检测策略。
本公开实施例中,在获取车道信息和交通限制信息之后,可以获取目标路段对应的初始检测策略。
其中,初始检测策略,指的是通用的、针对所有的类型的目标路段的检测策略。
进一步地,在获取目标路段对应的初始检测策略之后,可以根据车道信息和交通限制信息,对初始检测策略进行修正,以获取检测策略。
作为一种可能的实现方式,在上述实施例的基础上,上述步骤S902中根据车道信息和交通限制信息,对初始检测策略进行修正,以获取检测策略的具体过程,包括以下步骤:
S1001、根据车道信息和交通限制信息,确定目标路段对应的行车场景。
本公开实施例中,在获取车道信息和交通限制信息后,可以结合车道信息和交通限制信息,确定目标路段对应的行车场景。
其中,行车场景,可以为普通场景或者特殊场景。其中,特殊场景可以以下任一场景:分时段限制通行、潮汐车道、可变车道等场景。
其中,潮汐车道(Tidal lane),指的是一种可变车道,城市内部根据早晚交通流量不同情况,对有条件的道路设置一个或多个车辆行驶方向规定随不同时段变化的车道。例如,通过车道灯的指示方向变化,控制主干道车道行驶方向,来调整车道数。
S1002、根据行车场景对初始检测策略进行修正,以获取检测策略。
本公开实施例中,在确定目标路段对应的行车场景后,可以根据行车场景过滤掉特殊场景,以实现对初始检测策略的修正,从而获取检测策略。
举例而言,针对目标路段甲,初始检测策略为全天候禁止右转,获取到行车场景为分时段限制通行(22点~6点可右转)后,可以对初始检测策略进行修正,以获取检测策略为6:01~21:59禁止右转,且22:00~6:00可右转。
S807、根据检测策略和行车图像数据,对转向行为进行转向异常检测。
本公开实施例中,在根据行车场景对初始检测策略进行修正,以获取检测策略后,可以在发生违规驾驶行为的场景牵引下,结合轨迹与图像识别结果判断是否有违规转向行为,即可以根据检测策略和行车图像数据,对转向行为进行转向异常检测。
根据本公开实施例的异常转向行为的检测方法,可以通过获取目标路段的路网数据,并根据路网数据,获取行车图像数据对应的检测策略,进而根据检测策略和行车图像数据,对转向行为进行转向异常检测。由此,本公开可以依据路网数据,筛选出重点挖掘场景,以提升在复杂路口的违规转向行为挖掘的召回率,进一步提高了异常转向行为的检测过程中的有效性和可靠性。
需要说明的是,本公开中,在获取车辆于目标路段内行驶时的行车图像数据之前,可以进一步根据轨迹数据对目标路段进行分析。
作为一种可能的实现方式,可选地,可以获取预设时长内在目标路段内行驶时存在转向异常的车辆的数量,并确定数量达到数量阈值。
其中,预设时长可以根据实际情况进行设定,例如,可以设定预设时长为24小时;数量阈值可以根据实际情况进行设定,例如,可以设定数量阈值为10。
举例而言,可以获取24小时内在目标路段内行驶时存在转向异常的车辆的数量,并在确定数量达到10之后,获取车辆于目标路段内行驶时的行车图像数据。
进一步地,本公开中,在结合轨迹数据和行车图像数据确定存在转向异常后,可以对目标路段进行进一步交通治理和安全防范。
作为一种可能的实现方式,可选地,可以响应于最终异常检测结果为存在转向异常,则获取目标路段对应的异常转向行为的发生频率。
进一步地,在获取目标路段对应的异常转向行为发生频率之后,还可以根据异常转向行为发生频率,生成目标路段对应的语音提示信息。
进一步地,在获取目标路段对应的异常转向行为发生频率之后,还可以根据异常转向行为发生频率,对目标路段进行等级划分。例如,可以将目标路段的等级划分为安全路段、低风险路段、中风险路段、高风险路段等。
需要说明的是,实际应用中,为了进一步完善智慧城市智慧交通建设,还可以于目标路段追加摄像头等图像采集装置、优化车道信息和交通限制标牌、在生成语音提示信息的同时,结合导航同步语音播报提醒等。
进一步地,本公开中,在确定最终异常检测结果为存在转向异常后,可以对异常转向类型进行自动识别。
作为一种可能的实现方式,可选地,可以响应于最终异常检测结果为存在转向异常,则对行车图像数据进行识别,以获取转向行为的异常转向类型。
其中,异常转向类型,可以为以下任一类型:直行违规、左转违规、右转违规、掉头(Turn Around)违规等。
综上所述,本公开提出的异常转向行为的检测方法,在轨迹识别方面,首先获取(行车)轨迹数据,对其进行脱敏处理,并针对每条道路上的轨迹进行轨迹中心线的计算,筛选获得与轨迹中心线不一致的异常轨迹,即确定初始异常检测结果为存在转向异常。进一步地,在图像识别方面,首先回收采集图像(行车图像数据),并通过图像识别和分割,获得包括地面和空中车道信息的车道信息、包括交通限制标志的照片的交通限制信息。进而针对异常轨迹,根据坐标调取轨迹所在路口的图像识别结果,二者结合判断该异常轨迹是否是违规转向行为。由此,本公开结合了轨迹挖掘与图像识别的优势通过,轨迹中心线的偏移挖掘出潜在的违规转向轨迹,使用图像识别结果判断真实场景情况,提高了有效率并节省了算力。进一步地,依据路网数据,筛选出重点挖掘场景,提升了在复杂路口违规转向行为挖掘的召回率。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用,均符合相关法律法规的规定,且不违背公序良俗。本公开的意图是,应以使无意或未经授权的使用访问风险最小化的方式来管理和处理个人信息数据。通过限制数据收集并在不再需要时删除数据,从而将风险降到最低。需要说明的是,本公开中与人员有关的所有信息,均在人员知情且同意的情况下收集。
与上述几种实施例提供的异常转向行为的检测方法相对应,本公开的一个实施例还提供一种异常转向行为的检测装置,由于本公开实施例提供的异常转向行为的检测装置与上述几种实施例提供的异常转向行为的检测方法相对应,因此在异常转向行为的检测方法的实施方式也适用于本实施例提供的异常转向行为的检测装置,在本实施例中不再详细描述。
图11是根据本公开一个实施例的异常转向行为的检测装置的结构示意图。
如图11所示,该异常转向行为的检测装置1100,包括:第一获取模块1101、第二获取模块1102、第三获取模块1103和第四获取模块1104
第一获取模块1101,用于获取车辆在目标路段内行驶时的轨迹数据;
第二获取模块1102,用于根据所述轨迹数据,获取所述车辆于所述目标路段内行驶时对应的转向行为的初始异常检测结果;
第三获取模块1103,用于响应于所述初始异常检测结果为存在转向异常,则获取所述车辆于所述目标路段内行驶时的行车图像数据;
第四获取模块1104,用于根据所述行车图像数据,获取所述转向行为的最终异常检测结果。
进一步的,第二获取模块1102,还用于:
根据所述轨迹数据,获取所述车辆在所述目标路段内行驶时的目标轨迹中心线;
获取所述目标路段的参考轨迹中心线,以及所述参考轨迹中心线与所述目标轨迹中心线之间的差异。
进一步的,第二获取模块1102,还用于:
响应于所述差异达到差异阈值,则确定所述初始异常检测结果为存在转向异常。
进一步的,第二获取模块1102,还用于:
获取所述目标路段对应的历史轨迹数据;
根据所述历史轨迹数据,获取所述参考轨迹中心线。
进一步的,第四获取模块1104,还用于:
获取所述目标路段的路网数据;
根据所述路网数据,获取所述行车图像数据对应的检测策略;
根据所述检测策略和所述行车图像数据,对所述转向行为进行转向异常检测。
进一步的,第四获取模块1104,还用于:
根据所述路网数据,获取所述目标路段对应的车道信息和交通限制信息;
获取所述目标路段对应的初始检测策略,并根据所述车道信息和所述交通限制信息,对所述初始检测策略进行修正,以获取所述检测策略。
进一步的,第四获取模块1104,还用于:
根据所述车道信息和所述交通限制信息,确定所述目标路段对应的行车场景;
根据所述行车场景对所述初始检测策略进行修正,以获取所述检测策略。
进一步的,第三获取模块1103,还用于:
获取预设时长内在所述目标路段内行驶时存在转向异常的车辆的数量,并确定所述数量达到数量阈值。
进一步的,第四获取模块1104,还用于:
响应于所述最终异常检测结果为存在转向异常,则获取所述目标路段对应的异常转向行为的发生频率。
进一步的,第四获取模块1104,还用于:
根据所述异常转向行为发生频率,生成所述目标路段对应的语音提示信息。
进一步的,第四获取模块1104,还用于:
响应于所述最终异常检测结果为存在转向异常,则对所述行车图像数据进行识别,以获取所述转向行为的异常转向类型。
根据本公开实施例的异常转向行为的检测装置,可以通过获取车辆在目标路段内行驶时的轨迹数据,并根据轨迹数据,获取车辆于目标路段内行驶时对应的转向行为的初始异常检测结果,然后响应于初始异常检测结果为存在转向异常,则获取车辆于目标路段内行驶时的行车图像数据,进而根据行车图像数据,获取转向行为的最终异常检测结果。由此,本公开不再单独依赖基于轨迹数据或者单独采用基于行车图像数据进行异常转向行为的检测,能够在基于轨迹数据确定初始异常检测结果为存在转向异常后,即仅在异常轨迹所在路口进行图像识别,再调用行车图像数据,以获取最终异常检测结果,不仅极大地节省了图像识别、存储的算力,提高了检测效率,且确保了最终异常检测结果的准确性及可靠性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如本公开第一方面实施例所述的异常转向行为的检测方法。例如,在一些实施例中,异常转向行为的检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的异常转向行为的检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开第一方面实施例所述的异常转向行为的检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程人物图像的修复装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网以及区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务端可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
本公开还提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时,实现如本公开第一方面实施例所述的异常转向行为的检测方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (20)
1.一种异常转向行为的检测方法,包括:
获取车辆在目标路段内行驶时的轨迹数据;
根据所述轨迹数据,获取所述车辆于所述目标路段内行驶时对应的转向行为的初始异常检测结果;
响应于所述初始异常检测结果为存在转向异常,则获取所述车辆于所述目标路段内行驶时的行车图像数据;
根据所述行车图像数据,获取所述转向行为的最终异常检测结果;
其中,所述根据所述行车图像数据,获取所述转向行为的最终异常检测结果,包括:
获取所述目标路段的路网数据,所述路网数据包括道路分布数据;
根据所述路网数据,获取所述目标路段对应的车道信息和交通限制信息;
获取所述目标路段对应的初始检测策略,并根据所述车道信息和所述交通限制信息,对所述初始检测策略进行修正,以获取所述检测策略;
根据所述检测策略和所述行车图像数据,对所述转向行为进行转向异常检测;
所述根据所述行车图像数据,获取所述转向行为的最终异常检测结果,包括:
根据所述行车图像数据,获取转向行为的中间异常检测结果,若获取到所述初始异常检测结果为存在转向异常、所述中间异常检测结果为未存在转向异常,则确定所述最终异常检测结果则为未存在转向异常。
2.根据权利要求1所述的检测方法,其中,所述根据所述轨迹数据,获取所述车辆于所述目标路段内行驶时对应的转向行为的初始异常检测结果,包括:
根据所述轨迹数据,获取所述车辆在所述目标路段内行驶时的目标轨迹中心线;
获取所述目标路段的参考轨迹中心线,以及所述参考轨迹中心线与所述目标轨迹中心线之间的差异。
3.根据权利要求2所述的检测方法,其中,所述获取所述参考轨迹中心线与所述目标轨迹中心线之间的差异之后,还包括:
响应于所述差异达到差异阈值,则确定所述初始异常检测结果为存在转向异常。
4.根据权利要求2或3所述的检测方法,其中,所述获取所述目标路段的参考轨迹中心线,包括:
获取所述目标路段对应的历史轨迹数据;
根据所述历史轨迹数据,获取所述参考轨迹中心线。
5.根据权利要求1所述的检测方法,其中,所述根据所述车道信息和所述交通限制信息,对所述初始检测策略进行修正,以获取所述检测策略,包括:
根据所述车道信息和所述交通限制信息,确定所述目标路段对应的行车场景;
根据所述行车场景对所述初始检测策略进行修正,以获取所述检测策略。
6.根据权利要求1所述的检测方法,其中,所述获取所述车辆于所述目标路段内行驶时的行车图像数据之前,还包括:
获取预设时长内在所述目标路段内行驶时存在转向异常的车辆的数量,并确定所述数量达到数量阈值。
7.根据权利要求1所述的检测方法,其中,还包括:
响应于所述最终异常检测结果为存在转向异常,则获取所述目标路段对应的异常转向行为的发生频率。
8.根据权利要求7所述的检测方法,其中,所述获取所述目标路段对应的异常转向行为发生频率之后,还包括:
根据所述异常转向行为发生频率,生成所述目标路段对应的语音提示信息。
9.根据权利要求1所述的检测方法,其中,还包括:
响应于所述最终异常检测结果为存在转向异常,则对所述行车图像数据进行识别,以获取所述转向行为的异常转向类型。
10.一种异常转向行为的检测装置,包括:
第一获取模块,用于获取车辆在目标路段内行驶时的轨迹数据;
第二获取模块,用于根据所述轨迹数据,获取所述车辆于所述目标路段内行驶时对应的转向行为的初始异常检测结果;
第三获取模块,用于响应于所述初始异常检测结果为存在转向异常,则获取所述车辆于所述目标路段内行驶时的行车图像数据;
第四获取模块,用于根据所述行车图像数据,获取所述转向行为的最终异常检测结果;
所述第四获取模块,还用于:
获取所述目标路段的路网数据,所述路网数据包括道路分布数据;
根据所述路网数据,获取所述目标路段对应的车道信息和交通限制信息;
获取所述目标路段对应的初始检测策略,并根据所述车道信息和所述交通限制信息,对所述初始检测策略进行修正,以获取所述检测策略;
根据所述检测策略和所述行车图像数据,对所述转向行为进行转向异常检测;
所述根据所述行车图像数据,获取所述转向行为的最终异常检测结果,包括:
根据所述行车图像数据,获取转向行为的中间异常检测结果,若获取到所述初始异常检测结果为存在转向异常、所述中间异常检测结果为未存在转向异常,则确定所述最终异常检测结果则为未存在转向异常。
11.根据权利要求10所述的检测装置,其中,所述第二获取模块,还用于:
根据所述轨迹数据,获取所述车辆在所述目标路段内行驶时的目标轨迹中心线;
获取所述目标路段的参考轨迹中心线,以及所述参考轨迹中心线与所述目标轨迹中心线之间的差异。
12.根据权利要求11所述的检测装置,其中,所述第二获取模块,还用于:
响应于所述差异达到差异阈值,则确定所述初始异常检测结果为存在转向异常。
13.根据权利要求11或12所述的检测装置,其中,所述第二获取模块,还用于:
获取所述目标路段对应的历史轨迹数据;
根据所述历史轨迹数据,获取所述参考轨迹中心线。
14.根据权利要求10所述的检测装置,其中,所述第四获取模块,还用于:
根据所述车道信息和所述交通限制信息,确定所述目标路段对应的行车场景;
根据所述行车场景对所述初始检测策略进行修正,以获取所述检测策略。
15.根据权利要求10所述的检测装置,其中,所述第三获取模块,还用于:
获取预设时长内在所述目标路段内行驶时存在转向异常的车辆的数量,并确定所述数量达到数量阈值。
16.根据权利要求10所述的检测装置,其中,所述第四获取模块,还用于:
响应于所述最终异常检测结果为存在转向异常,则获取所述目标路段对应的异常转向行为的发生频率。
17.根据权利要求16所述的检测装置,其中,所述第四获取模块,还用于:
根据所述异常转向行为发生频率,生成所述目标路段对应的语音提示信息。
18.根据权利要求10所述的检测装置,其中,所述第四获取模块,还用于:
响应于所述最终异常检测结果为存在转向异常,则对所述行车图像数据进行识别,以获取所述转向行为的异常转向类型。
19.一种电子设备,其特征在于,包括处理器和存储器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-9中任一项所述的异常转向行为的检测方法的步骤。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9中任一项所述的异常转向行为的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028945.9A CN114495495B (zh) | 2022-01-11 | 2022-01-11 | 异常转向行为的检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028945.9A CN114495495B (zh) | 2022-01-11 | 2022-01-11 | 异常转向行为的检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114495495A CN114495495A (zh) | 2022-05-13 |
CN114495495B true CN114495495B (zh) | 2024-03-26 |
Family
ID=81512341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210028945.9A Active CN114495495B (zh) | 2022-01-11 | 2022-01-11 | 异常转向行为的检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495495B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204753B (zh) * | 2022-09-14 | 2022-12-02 | 深圳市深信信息技术有限公司 | 一种智慧农贸场所行为监测方法、系统及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107054459A (zh) * | 2012-01-02 | 2017-08-18 | 福特全球技术公司 | 用于机动车辆的车道保持方法和车道保持辅助系统 |
CN107697154A (zh) * | 2017-08-30 | 2018-02-16 | 宝沃汽车(中国)有限公司 | 转向角纠正方法、电子助力转向系统及车辆 |
CN112109703A (zh) * | 2020-06-17 | 2020-12-22 | 上汽通用五菱汽车股份有限公司 | 车辆控制方法、车辆控制系统、车及存储介质 |
CN113221677A (zh) * | 2021-04-26 | 2021-08-06 | 阿波罗智联(北京)科技有限公司 | 一种轨迹异常检测方法、装置、路侧设备和云控平台 |
CN113568337A (zh) * | 2021-07-09 | 2021-10-29 | 中北大学 | 路基的车辆行驶异常行为多传感融合探测系统与控制方法 |
CN113593218A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 交通异常事件的检测方法、装置、电子设备及存储介质 |
CN114781546A (zh) * | 2022-05-13 | 2022-07-22 | 百度在线网络技术(北京)有限公司 | 用于确定车辆异常行为的方法和装置 |
-
2022
- 2022-01-11 CN CN202210028945.9A patent/CN114495495B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107054459A (zh) * | 2012-01-02 | 2017-08-18 | 福特全球技术公司 | 用于机动车辆的车道保持方法和车道保持辅助系统 |
CN107697154A (zh) * | 2017-08-30 | 2018-02-16 | 宝沃汽车(中国)有限公司 | 转向角纠正方法、电子助力转向系统及车辆 |
CN112109703A (zh) * | 2020-06-17 | 2020-12-22 | 上汽通用五菱汽车股份有限公司 | 车辆控制方法、车辆控制系统、车及存储介质 |
CN113221677A (zh) * | 2021-04-26 | 2021-08-06 | 阿波罗智联(北京)科技有限公司 | 一种轨迹异常检测方法、装置、路侧设备和云控平台 |
CN113593218A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 交通异常事件的检测方法、装置、电子设备及存储介质 |
CN113568337A (zh) * | 2021-07-09 | 2021-10-29 | 中北大学 | 路基的车辆行驶异常行为多传感融合探测系统与控制方法 |
CN114781546A (zh) * | 2022-05-13 | 2022-07-22 | 百度在线网络技术(北京)有限公司 | 用于确定车辆异常行为的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114495495A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3933345A2 (en) | Road event detection method, apparatus, device and storage medium | |
CN113221677B (zh) | 一种轨迹异常检测方法、装置、路侧设备和云控平台 | |
CN113011323B (zh) | 通行状态的获取方法、相关装置、路侧设备及云控平台 | |
CN114415628A (zh) | 自动驾驶测试方法及装置、电子设备和存储介质 | |
CN111611955A (zh) | 可通行施工道路的识别方法、装置、设备及存储介质 | |
CN113859264B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
US11741726B2 (en) | Lane line detection method, electronic device, and computer storage medium | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
EP4134624A2 (en) | Method and apparatus for fusing road data to generate a map | |
CN114495495B (zh) | 异常转向行为的检测方法、装置及电子设备 | |
CN114610628A (zh) | 场景库建立及测试方法、装置、设备、介质及程序产品 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
US20230245429A1 (en) | Method and apparatus for training lane line detection model, electronic device and storage medium | |
CN113052047A (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
US20230065341A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN114419883B (zh) | 识别路口缺失交通限制信息的方法、装置和电子设备 | |
CN114998863B (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN113487884B (zh) | 交通量的获取方法、装置及电子设备 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN114972988B (zh) | 一种路网提取方法、装置、设备及存储介质 | |
CN114863285B (zh) | 识别目标道路的方法、装置、设备以及存储介质 | |
CN114333326B (zh) | 一种路口拥堵检测方法、装置及电子设备 |
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 |