CN114495514A - 一种多源数据协同的车辆违规掉头热点区域识别方法 - Google Patents
一种多源数据协同的车辆违规掉头热点区域识别方法 Download PDFInfo
- Publication number
- CN114495514A CN114495514A CN202210140895.3A CN202210140895A CN114495514A CN 114495514 A CN114495514 A CN 114495514A CN 202210140895 A CN202210140895 A CN 202210140895A CN 114495514 A CN114495514 A CN 114495514A
- Authority
- CN
- China
- Prior art keywords
- track
- turning
- illegal
- data
- point set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000028838 turning behavior Effects 0.000 claims abstract description 28
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 241000283070 Equus zebra Species 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 27
- 230000005611 electricity Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Abstract
本公开实施例中提供了一种多源数据协同的车辆违规掉头热点区域识别方法,属于电学技术领域,具体包括:对多条GPS轨迹数据进行清洗;利用窗口滑动算法对每条初始轨迹数据进行去除自相交操作,得到目标轨迹数据;提取掉头轨迹段,构成潜在违规掉头轨迹数据库,并保存轨迹点集合;以轨迹点集合为输入,获取对应路段内的街景图像数据;采用Yolov5深度神经网络模型识别街景图像数据,得到违规要素;进行场景解析,得到所有的违规掉头轨迹,形成违规掉头位置点集合;根据违规掉头位置点集合提取出违规掉头行为发生的热点区域。通过本公开的方案,提高了车辆违规掉头热点区域识别的检测效率、精准度和适应性。
Description
技术领域
本公开实施例涉及电学技术领域,尤其涉及一种多源数据协同的车辆违规掉头热点区域识别方法。
背景技术
目前,随着我国城镇化建设的不断推进,城市人口数目持续增长,我国车辆总数不断攀升。这一现象伴随而来的是城市道路空间内车辆违规行为大幅度上升,为城市道路交通管理者带来巨大的挑战。城市交通日流量加大,城市交通人力和资源紧缺,各种车辆违章现象日益增加,对参与交通的行人和车辆造成巨大隐患,只有建立全方位,快速的违规行为和热点区域检测监控方式,才能对交通智能化管控提供重要的指向性,降低驾驶员的侥幸心理,减少违规现象,降低事故发生率,提高智慧交通管理的智能化水平。传统车辆违规行为与空间区域识别主要是采用传感器检测车辆行为,主要以电磁感应圈式为主,在道路路基下方埋设环形线圈,借助对车辆经过期间所产生的电磁感应情况进行检测来明确车辆是否存在违规行为,这种方式会导致线圈容易在车辆荷载力下受损,维护费用高,并且设备老化、湿度变化、温度变化等不确定因素都会导致检测器精度变化,难以对车辆行为进行准确识别,另外检测器安装范围广,安装随机性强,难以针对违规行为集中区域进行精准的监控,工作效率低;随着视频检测技术的发展,开始采用基于视频信息监控的方式监测车辆违规行为,具体实施方法是在待检测的道路旁边或者上方安装摄像机,借助线缆将拍摄到的视频影像信号输入计算机中,随后记住计算机智能平台,将采集的信号转化成数字图像信号,然后通过检测系统对数字图像信号进行解析处理,判断车辆是否出现违规行为,这种方式需要耗费较多的人力和物力,检测周期长,并且存在监控盲区,难以满足当前对现势性道路违规监控管理的需求;现在随着人工智能技术的发展,深度学习已经在多个领域应用,学者们也转向研究基于深度学习的车辆违规检测,通过深度学习,可以有效识别物体类别,包括行人,车辆,道路线,道路标志等,基于车载影像,可以通过车辆运动序列中检测识别跟踪车辆与道路标志线和标志牌等之间的关系判断车辆是否有违规行为。
但是传统的车辆违规检测算法主要依赖于单一数据源进行车辆违规行为检测,多源数据协同的车辆违规掉头行为检测与区域识别研究仍相对缺乏,现有方法主要存在以下问题:①现有基于传感器的车辆违规检测方法需要耗费大量人力物力,传感器不易维护,检测效率低;②基于视频监控的车辆违规检测方法依赖于视频监控系统和图像处理技术,存在监控盲区无法预测的问题;③基于深度学习模型的车辆违规识别方法对于样本库要求较高,并且车辆信息获取单一,仅依赖于单一图像或视频数据,图像中难以获取车辆轨迹中的速度、运动形态等信息,可靠性与可解释性差。
可见,亟需一种检测效率、精准度和适应性高的多源数据协同的车辆违规掉头热点区域识别方法。
发明内容
有鉴于此,本公开实施例提供一种多源数据协同的车辆违规掉头热点区域识别方法,至少部分解决现有技术中存在检测效率、精准度和适应性较差的问题。
第本公开实施例提供了一种多源数据协同的车辆违规掉头热点区域识别方法,包括:
对多条GPS轨迹数据进行清洗,得到初始轨迹数据;
利用窗口滑动算法对每条所述初始轨迹数据进行去除自相交操作,得到目标轨迹数据;
根据每条所述目标轨迹数据中连续转向角累计差提取掉头轨迹段,构成潜在违规掉头轨迹数据库,并保存所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的轨迹点集合;
以所述轨迹点集合为输入,根据所述潜在违规掉头轨迹库中所述掉头轨迹段的经纬度坐标信息检索并获取对应路段内的街景图像数据;
采用Yolov5深度神经网络模型识别所述街景图像数据,得到违规要素;
根据所述潜在违规掉头轨迹数据库、所述违规要素与交通行驶规范进行场景解析,得到所有的违规掉头轨迹,形成违规掉头位置点集合;
根据所述违规掉头位置点集合提取出违规掉头行为发生的热点区域。
根据本公开实施例的一种具体实现方式,所述对多条GPS轨迹数据进行清洗,得到初始轨迹数据的步骤,包括:
根据每个所述GPS轨迹数据的轨迹长度对全部所述GPS轨迹数据进行清洗;
根据每个所述GPS轨迹数据的采样间隔和距离对全部所述GPS轨迹数据进行清洗;
对每个清洗后的GPS轨迹数据插值处理,得到所述初始轨迹数据。
根据本公开实施例的一种具体实现方式,所述利用窗口滑动算法对每条所述初始轨迹数据进行去除自相交操作,得到目标轨迹数据的步骤,包括:
以所述目标轨迹数据中的预设数量的采样点为窗口大小,判断预设数量的采样点构成的序列是否存在线自相交;
当存在线自相交时,将最后一个自相交滑动窗口的起始轨迹点到第一个开始自相交的滑动窗口的最后一个轨迹点之间的所有轨迹点截掉,依次检测所述初始轨迹中下一个点,直到遍历全部所述初始轨迹;
去除自相交后,若前后点距离小于预设聚类且连接之后窗口大小的路段不存在自相交就将去掉自相交后的两个路段链接起来,否则打成两段,向前递归直到该路段不再有自相交现象。
根据本公开实施例的一种具体实现方式,所述根据每条所述目标轨迹数据中连续转向角累计差提取掉头轨迹段,构成潜在违规掉头轨迹数据库,并保存所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的轨迹点集合的步骤,包括:
根据每条所述目标轨迹数据中每条轨迹的每个点计算其与正北方向的角度差;
计算每两条相邻轨迹点之间的转角差;
根据所述角度差和所述转角差计算最大连续转角差;
计算每条所述目标轨迹数据的最大连续转角差并与阈值进行比对,将大于阈值的全部轨迹作为掉头轨迹段并构成所述潜在违规掉头轨迹数据库,以及,将所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的点作为所述轨迹点集合。
根据本公开实施例的一种具体实现方式,所述违规要素包括栅栏、红绿灯、掉头标志牌、虚线、双黄线、左拐标志、实线和斑马线。
根据本公开实施例的一种具体实现方式,所述根据所述潜在违规掉头轨迹数据库、所述违规要素与交通行驶规范进行场景解析,得到所有的违规掉头轨迹,形成违规掉头位置点集合的步骤,包括:
计算所述潜在违规掉头轨迹数据库中的掉头轨迹段和所述违规要素目标之间的空间位置关系;
根据所述交通行驶规范与所述空间位置关系对违规掉头场景进行解析与分析,将车辆调头场景按照逻辑规则分为正常调头和违规调头行为,得到违规掉头行为对应的违规掉头轨迹,形成所述违规掉头位置点集合。
根据本公开实施例的一种具体实现方式,所述根据所述违规掉头位置点集合提取出违规掉头行为发生的热点区域的步骤,包括:
计算所述违规掉头位置点集合的最小外接矩形作为违规掉头的热点区域。
本公开实施例中的多源数据协同的车辆违规掉头热点区域识别方案,包括:对多条GPS轨迹数据进行清洗,得到初始轨迹数据;利用窗口滑动算法对每条所述初始轨迹数据进行去除自相交操作,得到目标轨迹数据;根据每条所述目标轨迹数据中连续转向角累计差提取掉头轨迹段,构成潜在违规掉头轨迹数据库,并保存所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的轨迹点集合;以所述轨迹点集合为输入,根据所述潜在违规掉头轨迹库中所述掉头轨迹段的经纬度坐标信息检索并获取对应路段内的街景图像数据;采用Yolov5深度神经网络模型识别所述街景图像数据,得到违规要素;根据所述潜在违规掉头轨迹数据库、所述违规要素与交通行驶规范进行场景解析,得到所有的违规掉头轨迹,形成违规掉头位置点集合;根据所述违规掉头位置点集合提取出违规掉头行为发生的热点区域。
本公开实施例的有益效果为:通过本公开的方案,提高了车辆违规掉头热点区域识别的检测效率、精准度和适应性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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它的附图。
图1为本公开实施例提供的一种多源数据协同的车辆违规掉头热点区域识别方法的流程示意图;
图2为本公开实施例提供的一种多源数据协同的车辆违规掉头热点区域识别方法的整体流程示意图;
图3为本公开实施例提供的一种轨迹自相交处理示意图;
图4为本公开实施例提供的一种目标检测流程示意图;
图5为本公开实施例提供的一种车辆违规掉头行为语义识别技术流程图;
图6为本公开实施例提供的一种违规掉头行为场景类别示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种多源数据协同的车辆违规掉头热点区域识别方法,所述方法可以应用于城市交通管理场景的车辆违规掉头检测过程。
参见图1,为本公开实施例提供的一种多源数据协同的车辆违规掉头热点区域识别方法的流程示意图。如图1和图2所示,所述方法主要包括以下步骤:
S101,对多条GPS轨迹数据进行清洗,得到初始轨迹数据;
进一步的,步骤S101所述的,对多条GPS轨迹数据进行清洗,得到初始轨迹数据,包括:
根据每个所述GPS轨迹数据的轨迹长度对全部所述GPS轨迹数据进行清洗;
根据每个所述GPS轨迹数据的采样间隔和距离对全部所述GPS轨迹数据进行清洗;
对每个清洗后的GPS轨迹数据插值处理,得到所述初始轨迹数据。
具体实施时,考虑到车辆GPS设备异常或信号遮挡等原因,GPS轨迹数据中一般包含大量的噪声,难以直接使用,所以首先对轨迹数据进行质量清洗预处理操作。按照轨迹点数量和轨迹总长度剔除较短轨迹,按照轨迹点间的距离和采样间隔打断行驶不合理的轨迹,最后进行轨迹数据插值。
设轨迹数据中包含每个轨迹采样点的实时空间位置(longitude,latitude)、运行速度(speed)、采样时间(time)等运动状态信息。所有轨迹集合记为Trip=[trip1,trip2,…,tripn],每一条轨迹记为tripi=[pointi1,pointi2…pointim]
根据轨迹的长度对所有轨迹进行清洗:如果轨迹Ti总长度lengthi<50m,或者轨迹Ti的采样个数point_numi<5,则剔除该条轨迹;
根据轨迹的采样间隔和距离对所有轨迹进行清洗:如果轨迹Ti中两个相邻的采样点的采样时间差θ>50s,或者两个相邻的采样点间距d>500m,则将轨迹Ti在这两个采样点处打断为两条轨迹,其中d为两点间的欧式距离。
轨迹数据插值:对每条轨迹数据进行间隔为2m的插值处理。插值前轨迹为tripi=[pointi1,pointi2…pointiim],计算pointik,pointik+1(0<=k<m)两个轨迹点间的距离d,在[pointik,pointik+1]间均匀插入d/2个点,遍历轨迹tripi中所有的点对重复计算得到最终轨迹结果,并行计算所有轨迹得到轨迹数据插值后的新轨迹集合。重新以S=[T1,T2,…,Tn]表示所有轨迹集合,n为轨迹总条数,以Tj=[P1,P2,…,Pm]表示轨迹数据集中的第i条轨迹Ti,m为轨迹Ti中采样点总个数,Pk为轨迹Ti的第k个点,Pk=(longitude,latitude,speed,time),longitude和latitude表示采样点的位置坐标(单位:米),speed表示车辆的运行速度(单位:千米/小时),time表示采样间隔(单位:秒)。
S102,利用窗口滑动算法对每条所述初始轨迹数据进行去除自相交操作,得到目标轨迹数据;
可选的,步骤S102所述的,利用窗口滑动算法对每条所述初始轨迹数据进行去除自相交操作,得到目标轨迹数据,包括:
以所述目标轨迹数据中的预设数量的采样点为窗口大小,判断预设数量的采样点构成的序列是否存在线自相交;
当存在线自相交时,将最后一个自相交滑动窗口的起始轨迹点到第一个开始自相交的滑动窗口的最后一个轨迹点之间的所有轨迹点截掉,依次检测所述初始轨迹中下一个点,直到遍历全部所述初始轨迹;
去除自相交后,若前后点距离小于预设聚类且连接之后窗口大小的路段不存在自相交就将去掉自相交后的两个路段链接起来,否则打成两段,向前递归直到该路段不再有自相交现象。
具体实施时,考虑到轨迹中存在局部区域自相交的现象,会干扰违规掉头轨迹识别,所以对预处理后轨迹数据进行去除自相交操作,其中,利用自己提出的窗口滑动算法对所述轨迹数据进行自相交去除操作,去除轨迹段上的局部自相交区域,滑动窗口去除轨迹自相交区域步骤如下:
针对每一条轨迹,以20个点(或40m距离)为窗口大小,从轨迹tripi的第一个点pointi1开始计算,判断20个点构成的序列[pointi1pointi2…pointii20]是否存在线自相交的情形;
如果存在,将最后一个自相交滑动窗口的起始轨迹点到第一个开始自相交的滑动窗口的最后一个轨迹点之间的所有轨迹点截掉;
依次检测轨迹中下一个点,直到当前轨迹遍历完毕;
轨迹去除自相交后,如果前后点距离小于20米并且连接之后窗口大小的路段不存在自相交就将去掉自相交后的两段路链接起来,否则打成两段,向前递归直到这段路中不再有自相交现象。
按照步骤(1)-(4)处理所有的轨迹,直到所有轨迹处理完时,轨迹数据去除自相交部分过程停止。如图3所示,其中(a)显示了轨迹局部自相交的情况,(b)显示了去除轨迹中局部自相关的部分后的轨迹数据。
S103,根据每条所述目标轨迹数据中连续转向角累计差提取掉头轨迹段,构成潜在违规掉头轨迹数据库,并保存所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的轨迹点集合;
可选的,步骤S103所述的,根据每条所述目标轨迹数据中连续转向角累计差提取掉头轨迹段,构成潜在违规掉头轨迹数据库,并保存所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的轨迹点集合,包括:
根据每条所述目标轨迹数据中每条轨迹的每个点计算其与正北方向的角度差;
计算每两条相邻轨迹点之间的转角差;
根据所述角度差和所述转角差计算最大连续转角差;
计算每条所述目标轨迹数据的最大连续转角差并与阈值进行比对,将大于阈值的全部轨迹作为掉头轨迹段并构成所述潜在违规掉头轨迹数据库,以及,将所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的点作为所述轨迹点集合。
具体实施时,考虑到需要检测车辆轨迹中的违规掉头行为,首先要从原始轨迹数据中挑选出所有掉头数据,设所得轨迹数据集合为S=[T1,T2,…,Tn],检测掉头U型子轨迹段的算法步骤如下:
对每条轨迹Tj=[P1,P2,…,Pm]的每一个采样点Pi计算它与正北方向的角度差,记作angle=[angle1,angle2,…,anglem-1];
计算每两个相邻轨迹点之间的转角差,记作Dif=[dif1,dif2,,…,difm-2],其中,difi=anglei+1-anglei;
计算最大连续左转累计转角差max_angle_left(difi<0)或者最大连续右转累计转角差max_angle_right(difi>0);
设定累计转角差阈值,记作angle_threshold,如果max(max_angle_left,max_angle_right)>angle_threshold,则轨迹Tj判别为U型掉头轨迹,累计转角差最大的点集合判别为掉头点集合;
按照步骤(1)-(4)处理所有的轨迹,直到所有轨迹处理完时,得到所有掉头轨迹Turntrips=[turn_trip1,turn_trip2,…,turn_tripm]以及掉头轨迹所对应的掉头点集合Turnpoints=[turn_point1,turn_point2,…,turn_pointm],其中turn_pointj=[tp1,tp2,…,tph],m表示掉头轨迹的总条数,turn_tripsj表示掉头轨迹集合Turntrips中的第j条掉头轨迹;
本实施例中,累计转角差的阈值angle_threshold设为120度,当然也可以根据实际需要进行设定。
S104,以所述轨迹点集合为输入,根据所述潜在违规掉头轨迹库中所述掉头轨迹段的经纬度坐标信息检索并获取对应路段内的街景图像数据;
具体实施时,可以以所述轨迹点集合为输入,通过数据爬虫和调用地图Web API服务接口获取对应点坐标位置处的道路街景图像,调用地图Web API获取道路街景图像具体实现步骤如下:
进行街景地图开放平台开发者认证,获取街景地图Web API的调用接口授权码;
将上述步骤得到的所有掉头点坐标读取到列表中,在循环中遍历列表的每一个元素,在每一次循环中请求访问街景地图Web API服务接口,设置俯仰角PanoramaPitch=45度、偏航角PanoramaHeading=0度以及图像缩放等级PanoramaLevel=1;
解析网页,设置图像水平方向范围fov=360、图片宽度width=800以及图片高度height=600,获取并下载当前坐标下的街景图像进行存储。
S105,采用Yolov5深度神经网络模型识别所述街景图像数据,得到违规要素;
可选的,所述违规要素包括栅栏、红绿灯、掉头标志牌、虚线、双黄线、左拐标志、实线和斑马线。
具体实施时,如图4所示,在得到所述街景图像数据后,可以采用目前经典的目标检测深度神经网络Yolov5模型对所述街景图像数据进行违规要素目标检测,将所述街景图像数据输入到预训练好的Yolov5模型中进行目标检测,检测图像中所包含的违规要素,本发明实施例中违规掉头要素包括栅栏、红绿灯、掉头标志牌、虚线、双黄线、左拐标志、实线、斑马线,目标检测实现步骤如下:
预测边界框与边界框中物体相对于网格中心和锚框的相对偏差:将上述步骤得到的图像分别划分成n×n个网格,每个网格的作用是预测中心落在该网格中的物体。每个网格可以预测出m个边界框,每个边界框包含目标相对于网格中心坐标的偏差、边界框和锚框长宽之间的偏差、边界框的置信度。Yolov5深度神经网络目标检测模型借鉴了特征金字塔结构和路径聚合网络结构,将不同尺度的特征进行融合,使用了大中小三个特征图分辨预测小中大尺度的目标。边界框的置信度计算公式如下:
对锚框进行解码:Yolov5模型输出的坐标部分是关于锚框的偏移量,因此需要对这部分数据进行解码。计算公式如下:
bx=σ(tx)+Cx
by=σ(ty)+Cy
式中,Cx和Cy指网格的中心坐标,pw和ph指锚框的长宽,tx和ty表示预测相对网格中心的偏差,σ表示sigmoid函数,bx、by、bw、bh是指实际预测框的中心坐标和长宽。
非极大值抑制处理:Yolov5模型的预测结果会有多个冗余的检测框,为此Yolov5模型中使用非极大值抑制来选择与实际目标最接近的边接框并去除与其冗余的框。首先,根据置信度对边界框进行排序,设置一个IoU阈值K和非极大值抑制阈值N,删除所有置信度小于非极大值抑制阈值N的框,取置信度最高的预测框,并删除与该预测框的最大交并比大于阈值K的预测框,重复上述操作,直到所有框都被处理。
S106,根据所述潜在违规掉头轨迹数据库、所述违规要素与交通行驶规范进行场景解析,得到所有的违规掉头轨迹,形成违规掉头位置点集合;
进一步的,步骤S106所述的,根据所述潜在违规掉头轨迹数据库、所述违规要素与交通行驶规范进行场景解析,得到所有的违规掉头轨迹,形成违规掉头位置点集合,包括:
计算所述潜在违规掉头轨迹数据库中的掉头轨迹段和所述违规要素目标之间的空间位置关系;
根据所述交通行驶规范与所述空间位置关系对违规掉头场景进行解析与分析,将车辆调头场景按照逻辑规则分为正常调头和违规调头行为,得到违规掉头行为对应的违规掉头轨迹,形成所述违规掉头位置点集合。
例如,如图6所示,可以选取相关的交通法规章程以及实施条例,基于证据理论,将车辆轨迹与道路图像检测到的违规掉头交通标志线目标进行协同分析,对违规掉头场景进行推理与分析,按照图5所示的技术流程将现实中车辆掉头行为场景依据制定的逻辑规则分为合法掉头和违规掉头两类,并将标记为违规掉头的车辆轨迹进行存储。
然后依据上述步骤获取的目标检测结果与违规掉头行为场景分析,可以将所有的违规掉头行为场景划分为以下14种类型。其中,红色虚线框代表正常掉头场景,绿色虚线框代表违规掉头场景。示例图6中右上角方框表示红绿灯、带有箭头的方块表示调头标志牌、空心带斜线标志表示禁止掉头标志牌,长条型障碍物代表栅栏、双线代表双黄线、带箭头拐线代表左拐标志、黑色直线代表实线、黑色虚线代表虚线、银色块代表斑马线(图像中为主要判断因素,小汽车和调头曲线为示意,除了图中因素,如果有其他因素并不影响主场景的判断)。实施步骤如下:
输入上述步骤得到的预测结果,获取每张道路街景图片中的检测要素,对于每一张道路街景图片中的检测要素按照如图5所示的逻辑规则进行判断;
判断是否存在违规掉头目标要素,若不存在则判别为正常掉头行为;若存在则进一步判断是否含有斑马线,然后细化违规掉头场景,判断其是否为违规掉头行为;若不存在斑马线,则判断是否含有护栏,然后进行细化场景判断是否为违规掉头;若不存在护栏,则判断单行线、双黄线、实线等要素是否存在,进行违规掉头行为判别。
重复判断每一张图片,得到正常掉头数据库和违规掉头数据库,然后根据所有的违规掉头轨迹,形成所述违规掉头位置点集合。
S107,根据所述违规掉头位置点集合提取出违规掉头行为发生的热点区域。
进一步的,步骤S107所述的,根据所述违规掉头位置点集合提取出违规掉头行为发生的热点区域,包括:
计算所述违规掉头位置点集合的最小外接矩形作为违规掉头的热点区域。
具体实施时,可以将违规掉头数据库图片对应的违规掉头位置点集合作为输入;
计算输入点集合分布坐标的最大、最小值,得到违规掉头点集合的最小外接矩形作为该违规掉头场景的地理区域的空间范围;
按照上述步骤依次计算出所有违规掉头场景的区域范围,并保存为车辆违规掉头行为的区域边界地图,其中每个车辆违规掉头区域以多边形进行表示。进一步,统计落入到每个违规掉头区域的违规轨迹数目作为该区域或多边形的属性,用于度量违规掉头行为在该区域内发生的频繁程度,将频繁发生违规掉头行为的区域标记为违规掉头的热点区域。
本实施例提供的多源数据协同的车辆违规掉头热点区域识别方法,通过轨迹数据中采样点的连续转向角变化特征,检测道路轨迹数据中的掉头轨迹和掉头点集合,进而结合现时的道路街景图像数据,针对街景图像数据,采用Yolov5深度神经网络目标检测模型提取图像中违规要素(如实线、虚线等交通标志线),利用自定义的违规场景对要素进行解析获得违规掉头轨迹点集合,通过等间隔旋转搜索方法获得掉头弧段的外接矩形,判定违规掉头的多发场景。通过轨迹数据定位违规点集合,结合众源或地图Web API服务获取车载视频或街景图像数据辅助车辆违规掉头行为语义识别,无需安装监控设施,充分利用已有的地图数据,覆盖范围广,同时通过场景解析的方式判断违规掉头场景,减少深度学习中违规掉头行为样本的标定,节约人力资源,整个流程属于自动化,及大地提升了违规掉头行为检测效率、精准度和适应性。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种多源数据协同的车辆违规掉头热点区域识别方法,其特征在于,包括:
对多条GPS轨迹数据进行清洗,得到初始轨迹数据;
利用窗口滑动算法对每条所述初始轨迹数据进行去除自相交操作,得到目标轨迹数据;
根据每条所述目标轨迹数据中连续转向角累计差提取掉头轨迹段,构成潜在违规掉头轨迹数据库,并保存所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的轨迹点集合;
以所述轨迹点集合为输入,根据所述潜在违规掉头轨迹库中所述掉头轨迹段的经纬度坐标信息检索并获取对应路段内的街景图像数据;
采用Yolov5深度神经网络模型识别所述街景图像数据,得到违规要素;
根据所述潜在违规掉头轨迹数据库、所述违规要素与交通行驶规范进行场景解析,得到所有的违规掉头轨迹,形成违规掉头位置点集合;
根据所述违规掉头位置点集合提取出违规掉头行为发生的热点区域。
2.根据权利要求1所述的方法,其特征在于,所述对多条GPS轨迹数据进行清洗,得到初始轨迹数据的步骤,包括:
根据每个所述GPS轨迹数据的轨迹长度对全部所述GPS轨迹数据进行清洗;
根据每个所述GPS轨迹数据的采样间隔和距离对全部所述GPS轨迹数据进行清洗;
对每个清洗后的GPS轨迹数据插值处理,得到所述初始轨迹数据。
3.根据权利要求1所述的方法,其特征在于,所述利用窗口滑动算法对每条所述初始轨迹数据进行去除自相交操作,得到目标轨迹数据的步骤,包括:
以所述目标轨迹数据中的预设数量的采样点为窗口大小,判断预设数量的采样点构成的序列是否存在线自相交;
当存在线自相交时,将最后一个自相交滑动窗口的起始轨迹点到第一个开始自相交的滑动窗口的最后一个轨迹点之间的所有轨迹点截掉,依次检测所述初始轨迹中下一个点,直到遍历全部所述初始轨迹;
去除自相交后,若前后点距离小于预设聚类且连接之后窗口大小的路段不存在自相交就将去掉自相交后的两个路段链接起来,否则打成两段,向前递归直到该路段不再有自相交现象。
4.根据权利要求1所述的方法,其特征在于,所述根据每条所述目标轨迹数据中连续转向角累计差提取掉头轨迹段,构成潜在违规掉头轨迹数据库,并保存所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的轨迹点集合的步骤,包括:
根据每条所述目标轨迹数据中每条轨迹的每个点计算其与正北方向的角度差;
计算每两条相邻轨迹点之间的转角差;
根据所述角度差和所述转角差计算最大连续转角差;
计算每条所述目标轨迹数据的最大连续转角差并与阈值进行比对,将大于阈值的全部轨迹作为掉头轨迹段并构成所述潜在违规掉头轨迹数据库,以及,将所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的点作为所述轨迹点集合。
5.根据权利要求1所述的方法,其特征在于,所述违规要素包括栅栏、红绿灯、掉头标志牌、虚线、双黄线、左拐标志、实线和斑马线。
6.根据权利要求1所述的方法,其特征在于,所述根据所述潜在违规掉头轨迹数据库、所述违规要素与交通行驶规范进行场景解析,得到所有的违规掉头轨迹,形成违规掉头位置点集合的步骤,包括:
计算所述潜在违规掉头轨迹数据库中的掉头轨迹段和所述违规要素目标之间的空间位置关系;
根据所述交通行驶规范与所述空间位置关系对违规掉头场景进行解析与分析,将车辆调头场景按照逻辑规则分为正常调头和违规调头行为,得到违规掉头行为对应的违规掉头轨迹,形成所述违规掉头位置点集合。
7.根据权利要求1所述的方法,其特征在于,所述根据所述违规掉头位置点集合提取出违规掉头行为发生的热点区域的步骤,包括:
计算所述违规掉头位置点集合的最小外接矩形作为违规掉头的热点区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210140895.3A CN114495514A (zh) | 2022-02-16 | 2022-02-16 | 一种多源数据协同的车辆违规掉头热点区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210140895.3A CN114495514A (zh) | 2022-02-16 | 2022-02-16 | 一种多源数据协同的车辆违规掉头热点区域识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114495514A true CN114495514A (zh) | 2022-05-13 |
Family
ID=81480494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210140895.3A Pending CN114495514A (zh) | 2022-02-16 | 2022-02-16 | 一种多源数据协同的车辆违规掉头热点区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495514A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114312A (zh) * | 2022-07-15 | 2022-09-27 | 北京百度网讯科技有限公司 | 地图数据更新方法、装置及电子设备 |
CN115580830A (zh) * | 2022-12-07 | 2023-01-06 | 成都智元汇信息技术股份有限公司 | 一种基于ap探针多点定位的乘客违规路径检测方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761483A (zh) * | 2014-12-16 | 2016-07-13 | 高德软件有限公司 | 一种车辆数据处理方法及设备 |
CN107580294A (zh) * | 2017-09-07 | 2018-01-12 | 深圳市易景空间智能科技有限公司 | 一种室内混合定位方法 |
CN107958302A (zh) * | 2017-11-17 | 2018-04-24 | 中南大学 | 基于虚拟拓扑交通网络的经验路径规划方法 |
CN109443360A (zh) * | 2018-10-18 | 2019-03-08 | 南京天辰礼达电子科技有限公司 | 一种基于多边形的车辆行驶轨迹生成及拼接算法 |
CN110533930A (zh) * | 2019-10-09 | 2019-12-03 | 业成科技(成都)有限公司 | 交通数据处理方法、装置、计算机设备和存储介质 |
CN110609824A (zh) * | 2019-09-09 | 2019-12-24 | 南京师范大学 | 城市路网环境下基于动态空间网络模型的热点区域检测方法 |
CN111259767A (zh) * | 2020-01-13 | 2020-06-09 | 厦门大学 | 基于交通数据及街景数据的交通违法行为识别方法和系统 |
CN111906779A (zh) * | 2020-06-30 | 2020-11-10 | 珠海市一微半导体有限公司 | 一种越障结束判断方法、越障控制方法、芯片及机器人 |
CN111930791A (zh) * | 2020-05-28 | 2020-11-13 | 中南大学 | 一种车辆轨迹的相似度计算方法、系统及存储介质 |
CN111951144A (zh) * | 2020-08-26 | 2020-11-17 | 腾讯科技(深圳)有限公司 | 一种违章路段的确定方法、设备及计算机可读存储介质 |
CN112014856A (zh) * | 2019-05-30 | 2020-12-01 | 初速度(苏州)科技有限公司 | 一种适于交叉路段的道路边沿提取方法及装置 |
-
2022
- 2022-02-16 CN CN202210140895.3A patent/CN114495514A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761483A (zh) * | 2014-12-16 | 2016-07-13 | 高德软件有限公司 | 一种车辆数据处理方法及设备 |
CN107580294A (zh) * | 2017-09-07 | 2018-01-12 | 深圳市易景空间智能科技有限公司 | 一种室内混合定位方法 |
CN107958302A (zh) * | 2017-11-17 | 2018-04-24 | 中南大学 | 基于虚拟拓扑交通网络的经验路径规划方法 |
CN109443360A (zh) * | 2018-10-18 | 2019-03-08 | 南京天辰礼达电子科技有限公司 | 一种基于多边形的车辆行驶轨迹生成及拼接算法 |
CN112014856A (zh) * | 2019-05-30 | 2020-12-01 | 初速度(苏州)科技有限公司 | 一种适于交叉路段的道路边沿提取方法及装置 |
CN110609824A (zh) * | 2019-09-09 | 2019-12-24 | 南京师范大学 | 城市路网环境下基于动态空间网络模型的热点区域检测方法 |
CN110533930A (zh) * | 2019-10-09 | 2019-12-03 | 业成科技(成都)有限公司 | 交通数据处理方法、装置、计算机设备和存储介质 |
CN111259767A (zh) * | 2020-01-13 | 2020-06-09 | 厦门大学 | 基于交通数据及街景数据的交通违法行为识别方法和系统 |
CN111930791A (zh) * | 2020-05-28 | 2020-11-13 | 中南大学 | 一种车辆轨迹的相似度计算方法、系统及存储介质 |
CN111906779A (zh) * | 2020-06-30 | 2020-11-10 | 珠海市一微半导体有限公司 | 一种越障结束判断方法、越障控制方法、芯片及机器人 |
CN111951144A (zh) * | 2020-08-26 | 2020-11-17 | 腾讯科技(深圳)有限公司 | 一种违章路段的确定方法、设备及计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
吴聪等: "一种基于数据降维的移动目标轨迹分析方法", 《舰船电子工程》, no. 9, pages 35 - 39 * |
唐悦: "基于视频监控的危险特征检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, pages 034 - 1020 * |
张鲁斌: "基于空间填充曲线的轨迹热点区域挖掘算法研究", 《电子世界》, no. 23, pages 69 * |
徐赟: "公共自行车视频监控中异常事件检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, pages 136 - 1332 * |
赵俐晟: "基于轨迹数据的快速地图更新", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2, pages 008 - 262 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114312A (zh) * | 2022-07-15 | 2022-09-27 | 北京百度网讯科技有限公司 | 地图数据更新方法、装置及电子设备 |
CN115580830A (zh) * | 2022-12-07 | 2023-01-06 | 成都智元汇信息技术股份有限公司 | 一种基于ap探针多点定位的乘客违规路径检测方法及装置 |
CN115580830B (zh) * | 2022-12-07 | 2023-03-10 | 成都智元汇信息技术股份有限公司 | 一种基于ap探针多点定位的乘客违规路径检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aboah | A vision-based system for traffic anomaly detection using deep learning and decision trees | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
CN103646187B (zh) | 一种统计周期内车辆出行路线及od矩阵获取方法 | |
CN114495514A (zh) | 一种多源数据协同的车辆违规掉头热点区域识别方法 | |
CN105513354A (zh) | 基于视频的城市道路交通拥堵检测系统 | |
Liu et al. | Intersection delay estimation from floating car data via principal curves: a case study on Beijing’s road network | |
Kerber et al. | Clustering of the scenario space for the assessment of automated driving | |
Wang et al. | Investigating yielding behavior of heterogeneous vehicles at a semi-controlled crosswalk | |
Lee et al. | Clustering learning model of CCTV image pattern for producing road hazard meteorological information | |
Ismail | Application of computer vision techniques for automated road safety analysis and traffic data collection | |
Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
Bassani et al. | Experimental analysis of operational data for roundabouts through advanced image processing | |
Pi et al. | Visual recognition for urban traffic data retrieval and analysis in major events using convolutional neural networks | |
CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
Anusha et al. | Dynamical systems approach for queue and delay estimation at signalized intersections under mixed traffic conditions | |
Ansariyar | Investigating the Car-Pedestrian Conflicts Based on an Innovative Post Encroachment Time Threshold (PET) Classification | |
Chen et al. | A Novel Background Filtering Method with Automatic Parameter Adjustment for Real-Time Roadside LiDAR Sensing System | |
He | Intelligent video surveillance technology in intelligent transportation | |
CN113284338B (zh) | 机动车紧急避让无灯控人行横道对交通流影响的计算方法 | |
CN110021174A (zh) | 一种基于视频图像的适用多场景的车流量计算方法 | |
CN115440071A (zh) | 一种自动驾驶违规停车检测方法 | |
CN112329671B (zh) | 一种基于深度学习的行人奔跑行为检测方法及相关组件 | |
Zheng et al. | Toward real-time congestion measurement of passenger flow on platform screen doors based on surveillance videos analysis | |
Coleiro et al. | Car parking detection in a typical village core street using public camera feeds | |
Shinde et al. | Traffic optimization algorithms in optical networks for real time traffic analysis |
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 |