CN114822044B - 一种基于隧道的行车安全预警方法及设备 - Google Patents
一种基于隧道的行车安全预警方法及设备 Download PDFInfo
- Publication number
- CN114822044B CN114822044B CN202210752508.1A CN202210752508A CN114822044B CN 114822044 B CN114822044 B CN 114822044B CN 202210752508 A CN202210752508 A CN 202210752508A CN 114822044 B CN114822044 B CN 114822044B
- Authority
- CN
- China
- Prior art keywords
- track
- tunnel
- vehicle
- predicted
- risk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims description 40
- 238000013145 classification model Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012502 risk assessment Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- 206010039203 Road traffic accident Diseases 0.000 abstract description 10
- 239000011159 matrix material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Abstract
本申请实施例公开了一种基于隧道的行车安全预警方法及设备。属于交通控制系统技术领域。获取进入隧道的车辆所对应的第一实时车速与第一实时位置,获取进入隧道的车辆所对应的周围预设范围内车辆的第二实时位置与第二实时车速;基于第一实时位置与第一实时车速得到进入隧道的车辆对应的第一预测轨迹;基于第二实时位置与第二实时车速得到预设范围内车辆的第二预测轨迹;对第二预测轨迹进行分类,确定出多种车辆轨迹集合分别对应的轨迹数量占比值;获取隧道亮度,基于隧道亮度、第一预测轨迹以及多种车辆轨迹集合得到风险轨迹集合;基于轨迹数量占比值以及风险轨迹集合,得到安全预警信息。通过上述方法,降低隧道内交通事故的发生机率。
Description
技术领域
本申请涉及交通控制系统技术领域,尤其涉及一种基于隧道的行车安全预警方法及设备。
背景技术
随着社会的不断发展,交通便利已逐步成为最基本的需求。对于地理环境较为复杂的地区,特别是山路曲折的地区,通过隧道可以解决当地交通不便的问题。隧道在改善公路技术状态、缩短运行距离、提高运输能力、减少事故等方面起到重要的作用。但由于隧道是一个狭长的密闭空间,自然光难以照射进来。因此,驾驶员白天进入隧道容易产生黑洞效应,出隧道时容易产生白洞效应,从而对驾驶员视线产生影响,以致驾驶员无法准确对当前路况进行判断。
现有技术中通常会对驾驶员进行一些超速减速的简单预警提醒,但由于隧道内受光线、空间密闭等因素的影响,仅通过简单的预警提醒难以有效帮助驾驶员确保行车安全,以致在隧道内容易引发交通事故。
发明内容
本申请实施例提供了一种基于隧道的行车安全预警方法及设备,用于解决如下技术问题:在隧道内仅通过简单的预警提醒难以有效帮助驾驶员确保行车安全,以致在隧道内容易引发交通事故。
本申请实施例采用下述技术方案:
本申请实施例提供一种基于隧道的行车安全预警方法。包括,获取进入隧道的车辆所对应的第一实时车速与第一实时位置,以及获取进入隧道的车辆所对应的周围预设范围内车辆的第二实时位置与第二实时车速;将第一实时位置输入卡尔曼滤波器,得到进入隧道的车辆的第一参考轨迹,基于第一参考轨迹以及第一实时车速,得到进入隧道的车辆对应的第一预测轨迹;将第二实时位置以及第二实时车速输入预设轨迹预测模型,以得到周围预设范围内车辆的第二预测轨迹;其中,同一车辆对应一条或多条第二预测轨迹;利用动态聚类算法,对周围预设范围内车辆对应的第二预测轨迹进行分类处理,以得到多种车辆轨迹集合,并确定出多种车辆轨迹集合分别对应的轨迹数量占比值;获取进入隧道的车辆所在位置对应的隧道亮度,将隧道亮度、第一预测轨迹以及多种车辆轨迹集合输入预置风险评估模型,以得到进入隧道的车辆对应的风险轨迹集合;基于轨迹数量占比值以及风险轨迹集合,得到进入隧道的车辆所对应的安全预警信息。
本申请实施例通过获取进入隧道的车辆对应的第一实时车速与第一实时位置,能够对进入隧道的车辆进行追踪定位,从而对车辆的行驶路线进行预测。其次,本申请实施例通过卡尔曼滤波器以及预设轨迹预测模型,能够对进入隧道的车辆周围预设范围内车辆的轨迹进行预测,通过预测得到的轨迹能够确定出二者之间是否存在交互点,从而确定出进入隧道的车辆与周围车辆之间是否会产生碰撞,从而对进入隧道的车辆进行提前预警,以防止交通事故的发生。此外,本申请实施例还会获取隧道亮度,隧道亮度会对驾驶员产生视线影响,因此通过获取到的隧道亮度能够预测出当前亮度对应的风险程度,从而基于隧道亮度以及车辆行驶状况两种情况对车辆进行风险预警,以提高行车安全预警的准确性,降低隧道内交通事故的发生。
在本申请的一种实现方式中,将第一实时位置输入卡尔曼滤波器,得到进入隧道的车辆的第一参考轨迹,具体包括:将第一实时位置对应的当前帧图像输入预置目标识别模型,通过预置目标识别模型得到进入隧道的车辆对应的标注框;通过卡尔曼滤波器对第一实时位置对应的前一帧图像的运动特征进行提取,得到进入隧道的车辆在当前帧中的预测位置信息;基于标注框、预测位置信息进行匈牙利计算,以对标注框与预测位置信息进行级联匹配,得到匹配集合;根据匹配集合得到进入隧道的车辆的第一参考轨迹。
在本申请的一种实现方式中,基于第一参考轨迹以及第一实时车速,得到进入隧道的车辆对应的第一预测轨迹,具体包括:获取进入隧道的车辆在当前路段内的第一实时车速,将第一实时车速与预置历史车速变换数据库进行比对,以得到进入隧道的车辆对应的第二参考轨迹;其中,预置历史车速变换数据库中包括当前路段对应的不同车辆的不同车速,以及不同车辆分别在下一时刻分别对应的运动轨迹;将第一参考轨迹与第二参考轨迹进行比对,确定出二者距离差值大于第一预设距离阈值的待确定轨迹路段;基于进入隧道的车辆在当前时刻对应的隧道图像信息,以及待确定轨迹路段,确定出第一预测轨迹。
在本申请的一种实现方式中,基于进入隧道的车辆在当前时刻对应的隧道图像信息,以及待确定轨迹路段,确定出第一预测轨迹,具体包括:获取进入隧道的车辆在当前时刻对应的隧道图像信息;并基于隧道图像信息,确定出进入隧道的车辆对应的障碍物距离和/或周围预设范围内的车辆距离;在障碍物距离和/或周围预设范围内的车辆距离,小于第二预设距离阈值的情况下,将第一参考轨迹作为待确定轨迹路段,以得到第一预测轨迹;否则将第二参考轨迹作为待确定轨迹路段。
本申请实施例通过获取进入隧道的车辆在当前路段内的第一实时车速,能够对该车辆在下一时刻的行驶轨迹进行预测。从而将得到的第一参考轨迹与第二参考轨迹进行比对,以提高得到的预测轨迹的准确性。此外,本申请实施例将二者差距较大的预测路段进行二次确定,基于车辆当前的行驶状况选取误差较小的参考轨迹作为其预测轨迹,从而进一步提高得到的预测轨迹的准确性,以提高行车安全预警的准确度。
在本申请的一种实现方式中,将第二实时位置以及第二实时车速输入预设轨迹预测模型,以得到周围预设范围内车辆的第二预测轨迹之前,方法还包括:将预先采集的位置信息训练集与车速信息训练集作为输入,将位置信息训练集与车速信息训练集对应的轨迹训练集作为输出,对预置神经网络模型进行训练,以得到预设轨迹预测模型;其中,同一位置信息训练集与同一车速信息训练集在轨迹训练集中对应有一条或多条轨迹。
在本申请的一种实现方式中,利用动态聚类算法,对周围预设范围内车辆对应的第二预测轨迹进行分类处理,以得到多种车辆轨迹集合,并确定出多种车辆轨迹集合分别对应的轨迹数量占比值,具体包括:基于车辆行驶的多种轨迹情况,确定出聚类类簇数量;其中,多种轨迹情况至少包括直行、向左变道以及向右变道中的一项;在第二预测轨迹中随机选取一个预测轨迹作为第一聚类中心,在剩余的第二预测轨迹中,将与第一聚类中心的距离最远的预测轨迹作为第二聚类中心,以及在去除第一聚类中心与第二聚类中心后剩余的第二预测轨迹中,将与第一聚类中心,以及与第二聚类中心的距离最远的预测轨迹作为第三聚类中心,直到得到的聚类中心的数量与聚类类簇数量相同;通过欧氏距离算法,得到除聚类中心之外的第二预测轨迹与多个聚类中心之间的距离,并基于距离,将除聚类中心之外的第二预测轨迹划分至相应的聚类类簇;确定出聚类类簇分别对应的所有数据的均值,以得到聚类类簇分别对应的簇类质心;基于聚类类簇数量,以及第二预测轨迹与簇类质心之间的距离,将第二预测轨迹重新分配,直至质心不再变化,以得到参考轨迹集合;将参考轨迹集合输入预设轨迹分类模型进行校验,以得到多种车辆轨迹集合,并确定出多种车辆轨迹集合分别对应的轨迹数量占比值。
在本申请的一种实现方式中,将参考轨迹集合输入预设轨迹分类模型进行校验,以得到多种车辆轨迹集合,并确定出多种车辆轨迹集合分别对应的轨迹数量占比值,具体包括:将聚类得到的参考轨迹集合,分别输入预设轨迹分类模型,以通过预设轨迹分类模型,输出参考轨迹集合中每个轨迹分别对应的轨迹类别;在同一参考轨迹集合中的多个轨迹分别对应的轨迹类别均相同的情况下,确定第二预测轨迹分类正确,以得到多种车辆轨迹集合;确定出多种车辆轨迹集合对应的所有第二预测轨迹的总数量;以及确定出多种车辆轨迹集合分别对应的集合内轨迹的数量;基于集合内轨迹的数量与所有第二预测轨迹的总数量,确定出多种车辆轨迹集合分别对应的轨迹数量占比值。
在本申请的一种实现方式中,获取进入隧道的车辆所在位置对应的隧道亮度,将隧道亮度、第一预测轨以及多种车辆轨迹集合输入预置风险评估模型,以得到进入隧道的车辆的风险轨迹集合,具体包括:通过第一亮度传感器获取隧道口的光亮强度;其中,第一亮度传感器安装于隧道口处;确定与进入隧道的车辆距离最近的第二亮度传感器,并通过距离最近的第二亮度传感器获取进入隧道的车辆所对应的隧道内光亮强度;其中,多个第二亮度传感器间隔均匀的安装于隧道内;将隧道口的光亮强度与隧道内光亮强度进行比对,得到光亮差值;将光亮差值、第一预测轨迹以及多种车辆轨迹集合输入预置风险评估模型,以通过预置风险评估模型输出进入隧道的车辆的风险轨迹集合。
在本申请的一种实现方式中,基于轨迹数量占比值以及风险轨迹集合,得到进入隧道的车辆所对应的安全预警信息,具体包括:将光亮差值与预置亮度风险等级表进行比对,确定出光亮差值对应的亮度风险等级;其中,预置亮度风险等级表中包括多种亮度差值,以及与多种亮度差值分别对应的亮度风险等级;确定风险轨迹集合中的多个风险轨迹分别对应的多种车辆轨迹集合;基于多种车辆轨迹集合分别对应的风险轨迹的数量,与多种车辆轨迹集合分别对应的轨迹数量占比值进行乘积计算,以得到轨迹风险值;将轨迹风险值与预置轨迹风险等级表进行比对,确定出轨迹风险值对应的轨迹风险等级;其中,轨迹风险等级表中包括多种轨迹风险值,以及与多种轨迹风险值分别对应的轨迹风险等级;将亮度风险等级与轨迹风险等级进行比对,以将风险程度高的风险等级发送至进入隧道的车辆,以对进入隧道的车辆进行安全预警。
本申请实施例提供一种基于隧道的行车安全预警设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:获取进入隧道的车辆所对应的第一实时车速与第一实时位置,以及获取进入隧道的车辆所对应的周围预设范围内车辆的第二实时位置与第二实时车速;将第一实时位置输入卡尔曼滤波器,得到进入隧道的车辆的第一参考轨迹,基于第一参考轨迹以及第一实时车速,得到进入隧道的车辆对应的第一预测轨迹;将第二实时位置以及第二实时车速输入预设轨迹预测模型,以得到周围预设范围内车辆的第二预测轨迹;其中,同一车辆对应一条或多条第二预测轨迹;利用动态聚类算法,对周围预设范围内车辆对应的第二预测轨迹进行分类处理,以得到多种车辆轨迹集合,并确定出多种车辆轨迹集合分别对应的轨迹数量占比值;获取进入隧道的车辆所在位置对应的隧道亮度,将隧道亮度、第一预测轨迹以及多种车辆轨迹集合输入预置风险评估模型,以得到进入隧道的车辆对应的风险轨迹集合;基于轨迹数量占比值以及风险轨迹集合,得到进入隧道的车辆所对应的安全预警信息。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过获取进入隧道的车辆对应的第一实时车速与第一实时位置,能够对进入隧道的车辆进行追踪定位,从而对车辆的行驶路线进行预测。其次,本申请实施例通过卡尔曼滤波器以及预设轨迹预测模型,能够对进入隧道的车辆进行轨迹预测,以及对该车辆周围预设范围内车辆的轨迹进行预测,通过预测得到的轨迹能够确定出二者之间是否存在交互点,从而确定出进入隧道的车辆与周围车辆之间是否会产生碰撞,从而对进入隧道的车辆进行提前预警,以防止交通事故的发生。此外,本申请实施例还会获取隧道亮度,隧道亮度会对驾驶员产生视线影响,因此通过获取到的隧道亮度能够预测出当前亮度对应的风险程度,从而在隧道亮度以及车辆形式状况两种情况对车辆进行风险预警,以提高行车安全预警的准确性,降低隧道内交通事故的发生。
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,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种基于隧道的行车安全预警方法流程图;
图2为本申请实施例提供的一种基于隧道的行车安全预警设备的结构示意图;
附图标记说明,
200基于隧道的行车安全预警设备,201处理器,202存储器。
具体实施方式
本申请实施例提供一种基于隧道的行车安全预警方法、设备及介质。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本申请保护的范围。
随着社会的不断发展,交通便利已逐步成为最基本的需求。对于地理环境较为复杂的地区,特别是山路曲折的地区,通过隧道可以解决当地交通不便的问题。隧道在改善公路技术状态、缩短运行距离、提高运输能力、减少事故等方面起到重要的作用。但由于隧道是一个狭长的密闭空间,自然光难以照射进来。因此,驾驶员白天进入隧道容易产生黑洞效应,出隧道时容易产生白洞效应,从而对驾驶员视线产生影响,以致驾驶员无法准确对当前路况进行判断。
现有技术中通常会对驾驶员进行一些超速减速的简单预警提醒,但由于隧道内受光线、空间密闭等因素的影响,仅通过简单的预警提醒难以有效帮助驾驶员确保行车安全,以致在隧道内容易引发交通事故。
为了解决上述问题,本申请实施例提供一种基于隧道的行车安全预警方法及设备。通过获取进入隧道的车辆对应的第一实时车速与第一实时位置,能够对进入隧道的车辆进行追踪定位,从而对车辆的行驶路线进行预测。其次,本申请实施例通过卡尔曼滤波器以及预设轨迹预测模型,能够对进入隧道的车辆进行轨迹预测,以及对该车辆周围预设范围内车辆的轨迹进行预测,通过预测得到的轨迹能够确定出二者之间是否存在交互点,从而确定出进入隧道的车辆与周围车辆之间是否会产生碰撞,从而对进入隧道的车辆进行提前预警,以防止交通事故的发生。此外,本申请实施例还会获取隧道亮度,隧道亮度会对驾驶员产生视线影响,因此通过获取到的隧道亮度能够预测出当前亮度对应的风险程度,从而在隧道亮度以及车辆形式状况两种情况对车辆进行风险预警,以提高行车安全预警的准确性,降低隧道内交通事故的发生。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种基于隧道的行车安全预警方法流程图。如图1所示,基于隧道的行车安全预警方法包括如下步骤:
步骤101、获取进入隧道的车辆所对应的第一实时车速与第一实时位置,以及获取进入隧道的车辆所对应的周围预设范围内车辆的第二实时位置与第二实时车速。
在本申请的一个实施例中,隧道内安装有多个车速测速仪,多个车速测速仪间隔均匀的放置,对进入隧道的车辆的速度进行测量。其次,隧道内安装有多个摄像装置,多个摄像装置间隔均匀的放置,该摄像装置对进入隧道内的车辆进行实时拍摄。
通过该多个车速测速仪以及多个摄像装置,可以获取进入隧道的车辆的第一实时车速与第一实时位置,以及可以确定出该进入隧道的车辆周围预设范围内的车辆,从而获取到周围预设范围内车辆的第二实时位置与第二实时车速。
步骤102、将第一实时位置输入卡尔曼滤波器,得到进入隧道的车辆的第一参考轨迹,基于第一参考轨迹以及第一实时车速,得到进入隧道的车辆对应的第一预测轨迹。
在本申请的一个实施例中,将第一实时位置对应的当前帧图像输入预置目标识别模型,通过预置目标识别模型得到进入隧道的车辆对应的标注框。通过卡尔曼滤波器对第一实时位置对应的前一帧图像的运动特征进行提取,得到进入隧道的车辆在当前帧中的预测位置信息。基于标注框、预测位置信息进行匈牙利计算,以对标注框与预测位置信息进行级联匹配,得到匹配集合。根据匹配集合得到进入隧道的车辆的第一参考轨迹。
具体地,根据预先采集的隧道内车辆图像对应的样本集,对神经网络模型进行训练,以得到预置目标识别模型。其中,预置目标识别模型可以对输入的第一实时位置对应的当前帧图像中的车辆进行识别标注。将当前第一实时位置对应的当前帧图像输入预置目标识别模型,得到当前帧图像对应的标注框位置。根据卡尔曼滤波对目标进行追踪,即使用卡尔曼滤波器来对车辆的运动状态进行预测。根据上一帧图像中车辆对应的标注框位置,预测当前帧图像中车辆出现的位置,即车辆在当前帧的预测坐标位置信息。例如,可以采用基于常量速度模型和线性观测模型的标准卡尔曼滤波器对车辆进行运动状态的预测,获得车辆在当前帧的预测位置。
进一步地,计算每个车辆图像的特征与已保存的深度特征集中的深度特征间的余弦距离,生成余弦距离矩阵。计算每个车辆图像在当前帧的预测位置与其对应的检测框位置之间的马氏距离。对余弦距离矩阵进行预处理,包括将余弦距离矩阵中马氏距离大于第一预设阈值的元素置为无穷大,以及将余弦距离矩阵中余弦距离大于第二预设阈值的元素置为一个较大的值。其中,第一预设阈值和第二预设阈值可根据不同场景进行设置。基于预处理后的余弦距离矩阵,利用匈牙利算法对各目标图像对应的标注框与预测坐标位置信息进行第一次匹配,可以得到车辆图像对应的标注框与预测坐标位置信息之间的相似得分,并获得匹配集合。根据匹配集合得到进入隧道的车辆的第一参考轨迹。
在本申请的一个实施例中,获取进入隧道的车辆在当前路段内的第一实时车速,将第一实时车速与预置历史车速变换数据库进行比对,以得到进入隧道的车辆对应的第二参考轨迹。其中,预置历史车速变换数据库中包括当前路段对应的不同车辆的不同车速,以及不同车辆分别在下一时刻分别对应的运动轨迹。将第一参考轨迹与第二参考轨迹进行比对,确定出二者距离差值大于第一预设距离阈值的待确定轨迹路段。基于进入隧道的车辆在当前时刻对应的隧道图像信息,以及待确定轨迹路段,确定出第一预测轨迹。
具体地,基于进入隧道的车辆的第一实时位置,确定出该车辆在隧道的所处路段。本申请实施例预先存储有不同路段不同车速分别对应的车辆轨迹。在预置历史车速变换数据库中查询到该车辆所处路段对应的车辆轨迹数据,将该车辆的第一实时车速与预置历史车速变换数据库进行比对,以在预置历史车速变换数据库中确定出与该第一实时车速对应的第二参考轨迹。
进一步地,通过卡尔曼滤波器得到第一参考轨迹,以及通过预置历史车速变换数据库得到第二参考轨迹后,将第一参考轨迹与第二参考轨迹进行比对,通过比对可以得到二者轨迹不同的地方,以对不同的轨迹进行进一步确定。具体地,确定出第一参考轨迹与第二参考轨迹之间距离差值大于第一预设距离阈值的待确定轨迹路段。此时,基于隧道内拍摄装置对该进入隧道的车辆所拍摄的图像,对该车辆的当前行车状况进行分析,在将当前行车状况与该待确定轨迹路段进行结合,以确定出第一预测轨迹。
在本申请的一个实施例中,获取进入隧道的车辆在当前时刻对应的隧道图像信息,并基于隧道图像信息,确定出进入隧道的车辆对应的障碍物距离和/或周围预设范围内的车辆距离。在障碍物距离和/或周围预设范围内的车辆距离,小于第二预设距离阈值的情况下,将第一参考轨迹作为待确定轨迹路段,以得到第一预测轨迹。否则将第二参考轨迹作为待确定轨迹路段。
具体地,接收隧道内拍摄装置发送的图像信息,确定出进入隧道的车辆在当前时刻对应的图像信息,以对该图像信息进行分析。具体地,将该进入隧道的车辆对应的图像输入预置障碍物检测神经网络模型,通过预置障碍物检测神经网络模型,对图像中的障碍物以及车辆进行标注。确定出标注的障碍物与该进入隧道的车辆之间的第一图像距离,以及确定出图像中其它车辆与该进入隧道的车辆之间的第二图像距离。
进一步地,若该第一图像距离与该第二图像距离均小于第二预设距离阈值,则说明该进入隧道的车辆在预设范围内存在碰撞危险,此时基于卡尔曼滤波器得到的第一参考轨迹是基于该车辆的实时速度与实时位置得到的,更加贴合当前的车辆行驶状况,因此将该第一参考轨迹作为该待确定轨迹路段,从而得到整个第一预测轨迹。
进一步地,若第一图像距离与第二图像距离均不小于第二预设距离阈值,则说明该进入隧道的车辆在预设范围内不存在碰撞危险。此时基于预置历史车速变换数据库中的第二参考轨迹,是基于当前路段所采集的不同车辆不同速度分别对应的参考轨迹,其与当前路段状况更为贴合,因此将该第二参考轨迹作为该待确定轨迹路段,从而得到整个第一预测轨迹。
步骤103、将第二实时位置以及第二实时车速输入预设轨迹预测模型,以得到周围预设范围内车辆的第二预测轨迹。
在本申请的一个实施例中,将预先采集的位置信息训练集与车速信息训练集作为输入,将位置信息训练集与车速信息训练集对应的轨迹训练集作为输出,对预置神经网络模型进行训练,以得到预设轨迹预测模型。其中,同一位置信息训练集与同一车速信息训练集在轨迹训练集中对应有一条或多条轨迹。
具体地,假设预先采集的位置信息训练集中为路段A,采集的车速信息训练集为80km/h,该车速大于预设参考车速60km/h,则可以确定该车辆是要出现超车行为,此时,该训练集对应的轨迹训练集可以为左侧超车或右侧超车。因此,同一位置信息训练集与同一车速信息训练集在轨迹训练集中对应有一条或多条轨迹。通过对预置神经网络模型进行训练后,得到预设轨迹预测模型。将当前进入隧道的车辆周围预设范围内车辆的第二实时位置与第二实时车速,输入该预设轨迹预测模型,可以对该进入隧道的车辆周围预设范围内车辆的行驶轨迹进行预测,得到每个车辆的第二预测轨迹。
需要说明的是,本申请实施例中进入隧道的车辆周围预设范围可以设定为1米或者2米,用户在应用中根据需求可以对其进行调节,本申请实施例对此不做限制。
步骤104、利用动态聚类算法,对周围预设范围内车辆对应的第二预测轨迹进行分类处理,以得到多种车辆轨迹集合,并确定出多种车辆轨迹集合分别对应的轨迹数量占比值。
在本申请的一个实施例中,基于车辆行驶的多种轨迹情况,确定出聚类类簇数量,其中,多种轨迹情况至少包括直行、向左变道以及向右变道中的一项。在第二预测轨迹中随机选取一个预测轨迹作为第一聚类中心,在剩余的第二预测轨迹中,将与第一聚类中心的距离最远的预测轨迹作为第二聚类中心,以及在去除第一聚类中心与第二聚类中心后剩余的第二预测轨迹中,将与第一聚类中心,以及与第二聚类中心的距离最远的预测轨迹作为第三聚类中心,直到得到的聚类中心的数量与聚类类簇数量相同。通过欧氏距离算法,得到除聚类中心之外的第二预测轨迹与多个聚类中心之间的距离,并基于距离,将除聚类中心之外的第二预测轨迹划分至相应的聚类类簇。确定出聚类类簇分别对应的所有数据的均值,以得到聚类类簇分别对应的簇类质心。基于聚类类簇数量,以及第二预测轨迹与簇类质心之间的距离,将第二预测轨迹重新分配,直至质心不再变化,以得到参考轨迹集合。将参考轨迹集合输入预设轨迹分类模型进行校验,以得到多种车辆轨迹集合,并确定出多种车辆轨迹集合分别对应的轨迹数量占比值。
具体地,在得到周围预设范围内不同车辆分别对应的第二预测轨迹后,对得到的多条第二预测轨迹进行分类处理。可以将第二预测轨迹按照不同的车辆行驶状况进行分类,例如,可以按照直行、向左变道、向右变道、左侧超车以及右侧超车等多种状态进行分类。
进一步地,本申请实施例采用动态聚类算法,对第二预测轨迹进行分类。具体地,可以在多个第二预测轨迹中任意选取一个作为第一聚类中心,此时可以计算其它第二预测轨迹与该第一聚类中心之间的欧氏距离,将欧式距离最远的一个第二预测轨迹作为第二聚类中心。其次,可以通过欧式距离计算出第三聚类中心等等。直到得到的聚类中心的数量与聚类类簇的数量相同为止。通过计算欧式距离确定聚类中心的方式,可以使挑选的初始聚类中心其相似度较低,从而提高分类的准确率。
进一步地,将去除聚类中心后剩余的第二预测轨迹,分别计算其与多个聚类中心的欧式距离,以确定出每个第二预测轨迹分别对应的欧氏距离最近的一个聚类中心。以将该第二预测轨迹划分至该聚类中心所在的聚类类簇。
进一步地,通过动态聚类算法将第二预测轨迹进行分类后,还需要对分类后的轨迹进行检验,以确定分类是否正确。
在本申请的一个实施例中,将聚类得到的参考轨迹集合,分别输入预设轨迹分类模型,以通过预设轨迹分类模型,输出参考轨迹集合中每个轨迹分别对应的轨迹类别。在同一参考轨迹集合中的多个轨迹分别对应的轨迹类别均相同的情况下,确定第二预测轨迹分类正确,以得到多种车辆轨迹集合。确定出多种车辆轨迹集合对应的所有第二预测轨迹的总数量,以及确定出多种车辆轨迹集合分别对应的集合内轨迹的数量。基于集合内轨迹的数量与所有第二预测轨迹的总数量,确定出多种车辆轨迹集合分别对应的轨迹数量占比值。
具体地,基于动态聚类算法得到多个类别的参考轨迹集合,将每个集合内的参考轨迹输入预设轨迹分类模型。该预设轨迹分类模型可以将输入的参考轨迹进行类别识别。例如,当前输入预设轨迹分类模型的为直行轨迹集合,预设轨迹集合可以输出每个参考轨迹的类别,若输出的该集合内每个参考轨迹都为直行类别,则说明该集合分类正确。若该集合中的参考轨迹被该预设轨迹分类模型识别为其它类别,则说明该集合内的轨迹分类可能存在错误,需要重新对该第二预测轨迹进行检测分类,以确保分类的准确性。
进一步地,在确定每个集合内的参考轨迹类别均正确的情况下,确定出每个集合内预测轨迹的数量,以及确定出第二预测轨迹的总数量。将每个集合对应的轨迹数量与该总数量进行比值计算,以得到每个轨迹集合对应的轨迹数量占比值。
步骤105、获取进入隧道的车辆所在位置对应的隧道亮度,将隧道亮度、第一预测轨迹以及多种车辆轨迹集合输入预置风险评估模型,以得到进入隧道的车辆对应的风险轨迹集合。
在本申请的一个实施例中,通过第一亮度传感器获取隧道口的光亮强度,其中,第一亮度传感器安装于隧道口处。确定与进入隧道的车辆距离最近的第二亮度传感器,并通过距离最近的第二亮度传感器获取进入隧道的车辆所对应的隧道内光亮强度,其中,多个第二亮度传感器间隔均匀的安装于隧道内。将隧道口的光亮强度与隧道内光亮强度进行比对,得到光亮差值。将光亮差值、第一预测轨迹以及多种车辆轨迹集合输入预置风险评估模型,以通过预置风险评估模型输出进入隧道的车辆的风险轨迹集合。
具体地,为了对隧道的亮度信息进行获取,隧道内可以放置多个第二亮度传感器,为了对隧道外的亮度进行获取,还可以在隧道口处放置第一亮度传感器。由于隧道内与隧道外的亮度差值较大的情况下,会对驾驶员的行驶状态产生影响,对驾驶员视线造成影响,因此,较大的亮度差值可能会引起车辆事故的发生。
进一步地,本申请实施例在获取到的进入隧道的车辆的位置信息后,根据该位置信息获取与该车辆距离最近的第二亮度传感器。获取该第二亮度传感器上传的隧道内光亮强度,以及获取隧道口处的第一亮度传感器上传的隧道口的光亮强度。将获取到的隧道口的光亮强度与隧道内的光亮强度进行比对,以得到光亮差值。
进一步地,本申请实施例预先训练有预置风险评估模型,该模型用于根据输入的光亮差值、待测车辆的预测轨迹以及待测车辆周围车辆的轨迹,输出该待测车辆的风险轨迹集合。其训练过程为:将采集的光亮差值训练集、待测车辆的预测轨迹训练集以及待测车辆周围车辆的轨迹训练集作为输入,将训练集对应的风险轨迹作为输出,对预设神经网络模型进行训练,以得到该预置风险评估模型。
进一步地,将当前进入隧道的车辆的第一预测轨迹、多种车辆轨迹集合以及该光亮差值输入该预置风险模型,以得到该进入隧道的车辆对应的风险轨迹集合。
需要说明的是,风险轨迹集合中的轨迹,为该多种车辆轨迹中与该第一预测轨迹存在交汇的轨迹,或者由于光亮差值较大,以致多种车辆轨迹中可能与该第一预测轨迹可能存在交汇的轨迹。
步骤106、基于轨迹数量占比值以及风险轨迹集合,得到进入隧道的车辆所对应的安全预警信息。
在本申请的一个实施例中,将光亮差值与预置亮度风险等级表进行比对,确定出光亮差值对应的亮度风险等级,其中,预置亮度风险等级表中包括多种亮度差值,以及多种亮度差值分别对应的亮度风险等级。确定风险轨迹集合中的多个风险轨迹分别对应的多种车辆轨迹集合,基于多种车辆轨迹集合分别对应的风险轨迹的数量,与多种车辆轨迹集合分别对应的轨迹数量占比值进行乘积计算,以得到轨迹风险值。将轨迹风险值与预置轨迹风险等级表进行比对,确定出轨迹风险值对应的轨迹风险等级,其中,轨迹风险等级表中包括多种轨迹风险值,以及多种轨迹风险值分别对应的轨迹风险等级。将亮度风险等级与轨迹风险等级进行比对,以将风险程度高的风险等级发送至进入隧道的车辆,以对进入隧道的车辆进行安全预警。
具体地,为了提高对行车安全预警的准确性,本申请实施例从光亮差值与风险轨迹两个方面对预警等级进行确定。
进一步地,在对光亮差值进行风险等级确定时,将该光亮差值与预置亮度风险等级表进行比对。光亮差值越大,其对应的风险等级越高。由于光亮差值越大,驾驶员视线受影响越大,容易对当前的路况情况进行错误判断。根据当前的光亮差值,在预置光亮风险等级表中确定出相应的亮度风险等级。
其次,在对风险轨迹进行风险等级确定时,确定出得到的风险轨迹集合中的轨迹分别属于多种车辆轨迹集合中的哪些集合,由此可以得到多种车辆轨迹集合分别对应的风险轨迹的数量。确定出多种车辆轨迹集合分别对应的占比值,将该占比值与该集合对应的风险轨迹的数量进行乘积计算,即可得到多种车辆轨迹集合分别对应的风险值,将多种车辆轨迹集合分别对应的风险值进行相加计算,即可得到轨迹风险值。将该轨迹风险值与预置轨迹风险等级表进行比对,即可确定出轨迹风险等级。
进一步地,若亮度风险等级与轨迹风险等级一致,则基于该风险等级对进入隧道的车辆进行安全预警。若亮度风险等级大于轨迹风险等级,或者轨迹风险等级大于亮度风险等级,则基于最高的风险等级对进入隧道的车辆进行安全预警。
图2为本申请实施例提供的一种基于隧道的行车安全预警设备的结构示意图。如图2所示,基于隧道的行车安全预警设备200,包括:至少一个处理器201;以及,与所述至少一个处理器201通信连接的存储器202;其中,所述存储器202存储有可被所述至少一个处理器201执行的指令,所述指令被所述至少一个处理器201执行,以使所述至少一个处理器201能够:获取进入隧道的车辆所对应的第一实时车速与第一实时位置,以及获取所述进入隧道的车辆所对应的周围预设范围内车辆的第二实时位置与第二实时车速;将所述第一实时位置输入卡尔曼滤波器,得到所述进入隧道的车辆的第一参考轨迹,基于所述第一参考轨迹以及所述第一实时车速,得到所述进入隧道的车辆对应的第一预测轨迹;将所述第二实时位置以及所述第二实时车速输入预设轨迹预测模型,以得到所述周围预设范围内车辆的第二预测轨迹;其中,同一车辆对应一条或多条第二预测轨迹;利用动态聚类算法,对所述周围预设范围内车辆对应的第二预测轨迹进行分类处理,以得到多种车辆轨迹集合,并确定出所述多种车辆轨迹集合分别对应的轨迹数量占比值;获取所述进入隧道的车辆所在位置对应的隧道亮度,将所述隧道亮度、所述第一预测轨迹以及所述多种车辆轨迹集合输入预置风险评估模型,以得到所述进入隧道的车辆对应的风险轨迹集合;基于所述轨迹数量占比值以及所述风险轨迹集合,得到所述进入隧道的车辆所对应的安全预警信息。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于隧道的行车安全预警方法,其特征在于,所述方法包括:
获取进入隧道的车辆所对应的第一实时车速与第一实时位置,以及获取所述进入隧道的车辆所对应的周围预设范围内车辆的第二实时位置与第二实时车速;
将所述第一实时位置输入卡尔曼滤波器,得到所述进入隧道的车辆的第一参考轨迹,基于所述第一参考轨迹以及所述第一实时车速,得到所述进入隧道的车辆对应的第一预测轨迹;
将所述第二实时位置以及所述第二实时车速输入预设轨迹预测模型,以得到所述周围预设范围内车辆的第二预测轨迹;其中,同一车辆对应一条或多条第二预测轨迹;
利用动态聚类算法,对所述周围预设范围内车辆对应的第二预测轨迹进行分类处理,以得到多种车辆轨迹集合,并确定出所述多种车辆轨迹集合分别对应的轨迹数量占比值;
获取所述进入隧道的车辆所在位置对应的隧道亮度,将所述隧道亮度、所述第一预测轨迹以及所述多种车辆轨迹集合输入预置风险评估模型,以得到所述进入隧道的车辆对应的风险轨迹集合;
所述获取所述进入隧道的车辆所在位置对应的隧道亮度,将所述隧道亮度、所述第一预测轨以及所述多种车辆轨迹集合输入预置风险评估模型,以得到所述进入隧道的车辆的风险轨迹集合,包括:
通过第一亮度传感器获取隧道口的光亮强度;其中,所述第一亮度传感器安装于隧道口处;
确定与所述进入隧道的车辆距离最近的第二亮度传感器,并通过所述距离最近的第二亮度传感器获取所述进入隧道的车辆所对应的隧道内光亮强度;其中,多个所述第二亮度传感器间隔均匀的安装于隧道内;
将所述隧道口的光亮强度与所述隧道内光亮强度进行比对,得到光亮差值;
将所述光亮差值、所述第一预测轨迹以及所述多种车辆轨迹集合输入预置风险评估模型,以通过所述预置风险评估模型输出所述进入隧道的车辆的风险轨迹集合;
基于所述轨迹数量占比值以及所述风险轨迹集合,得到所述进入隧道的车辆所对应的安全预警信息;
所述基于所述轨迹数量占比值以及所述风险轨迹集合,得到所述进入隧道的车辆所对应的安全预警信息,具体包括:
将所述光亮差值与预置亮度风险等级表进行比对,确定出所述光亮差值对应的亮度风险等级;其中,所述预置亮度风险等级表中包括多种亮度差值,以及与所述多种亮度差值分别对应的亮度风险等级;
确定所述风险轨迹集合中的多个风险轨迹分别对应的所述多种车辆轨迹集合;基于所述多种车辆轨迹集合分别对应的风险轨迹的数量,与所述多种车辆轨迹集合分别对应的轨迹数量占比值进行乘积计算,以得到轨迹风险值;
将所述轨迹风险值与预置轨迹风险等级表进行比对,确定出所述轨迹风险值对应的轨迹风险等级;其中,所述轨迹风险等级表中包括多种轨迹风险值,以及与所述多种轨迹风险值分别对应的轨迹风险等级;
将所述亮度风险等级与所述轨迹风险等级进行比对,以将风险程度高的风险等级发送至所述进入隧道的车辆,以对所述进入隧道的车辆进行安全预警。
2.根据权利要求1所述的一种基于隧道的行车安全预警方法,其特征在于,所述将所述第一实时位置输入卡尔曼滤波器,得到所述进入隧道的车辆的第一参考轨迹,具体包括:
将所述第一实时位置对应的当前帧图像输入预置目标识别模型,通过所述预置目标识别模型得到所述进入隧道的车辆对应的标注框;
通过所述卡尔曼滤波器对所述第一实时位置对应的前一帧图像的运动特征进行提取,得到所述进入隧道的车辆在当前帧中的预测位置信息;
基于所述标注框、所述预测位置信息进行匈牙利计算,以对所述标注框与所述预测位置信息进行级联匹配,得到匹配集合;
根据所述匹配集合得到所述进入隧道的车辆的第一参考轨迹。
3.根据权利要求2所述的一种基于隧道的行车安全预警方法,其特征在于,所述基于所述第一参考轨迹以及所述第一实时车速,得到所述进入隧道的车辆对应的第一预测轨迹,具体包括:
获取所述进入隧道的车辆在当前路段内的第一实时车速,将所述第一实时车速与预置历史车速变换数据库进行比对,以得到所述进入隧道的车辆对应的第二参考轨迹;其中,所述预置历史车速变换数据库中包括:所述当前路段对应的不同车辆的不同车速,以及所述不同车辆分别在下一时刻分别对应的运动轨迹;
将所述第一参考轨迹与所述第二参考轨迹进行比对,确定出二者距离差值大于第一预设距离阈值的待确定轨迹路段;
基于所述进入隧道的车辆在当前时刻对应的隧道图像信息,以及所述待确定轨迹路段,确定出所述第一预测轨迹。
4.根据权利要求3所述的一种基于隧道的行车安全预警方法,其特征在于,所述基于所述进入隧道的车辆在当前时刻对应的隧道图像信息,以及所述待确定轨迹路段,确定出所述第一预测轨迹,具体包括:
获取所述进入隧道的车辆在当前时刻对应的隧道图像信息;并基于所述隧道图像信息,确定出所述进入隧道的车辆对应的障碍物距离和/或周围预设范围内的车辆距离;
在所述障碍物距离和/或周围预设范围内的车辆距离,小于第二预设距离阈值的情况下,将所述第一参考轨迹作为所述待确定轨迹路段,以得到所述第一预测轨迹;
否则将所述第二参考轨迹作为所述待确定轨迹路段。
5.根据权利要求1所述的一种基于隧道的行车安全预警方法,其特征在于,所述将所述第二实时位置以及所述第二实时车速输入预设轨迹预测模型,以得到所述周围预设范围内车辆的第二预测轨迹之前,所述方法还包括:
将预先采集的位置信息训练集与车速信息训练集作为输入,将所述位置信息训练集与所述车速信息训练集对应的轨迹训练集作为输出,对预置神经网络模型进行训练,以得到所述预设轨迹预测模型;
其中,同一位置信息训练集与同一车速信息训练集在所述轨迹训练集中对应有一条或多条轨迹。
6.根据权利要求1所述的一种基于隧道的行车安全预警方法,其特征在于,所述利用动态聚类算法,对所述周围预设范围内车辆对应的第二预测轨迹进行分类处理,以得到多种车辆轨迹集合,并确定出所述多种车辆轨迹集合分别对应的轨迹数量占比值,具体包括:
基于车辆行驶的多种轨迹情况,确定出聚类类簇数量;其中,所述多种轨迹情况至少包括直行、向左变道以及向右变道中的一项;
在所述第二预测轨迹中随机选取一个预测轨迹作为第一聚类中心,在剩余的第二预测轨迹中,将与所述第一聚类中心的距离最远的预测轨迹作为第二聚类中心,以及在去除所述第一聚类中心与所述第二聚类中心后剩余的第二预测轨迹中,将与所述第一聚类中心,以及与所述第二聚类中心的距离最远的第二预测轨迹作为第三聚类中心,直到得到的聚类中心的数量与所述聚类类簇数量相同;
通过欧氏距离算法,得到除聚类中心之外的所述第二预测轨迹与多个所述聚类中心之间的距离,并基于所述距离,将除聚类中心之外的所述第二预测轨迹划分至相应的聚类类簇;
确定出所述聚类类簇分别对应的所有数据的均值,以得到所述聚类类簇分别对应的簇类质心;
基于所述聚类类簇数量,以及所述第二预测轨迹与所述簇类质心之间的距离,将所述第二预测轨迹重新分配,直至质心不再变化,以得到参考轨迹集合;
将所述参考轨迹集合输入预设轨迹分类模型进行校验,以得到所述多种车辆轨迹集合,并确定出所述多种车辆轨迹集合分别对应的轨迹数量占比值。
7.根据权利要求6所述的一种基于隧道的行车安全预警方法,其特征在于,所述将所述参考轨迹集合输入预设轨迹分类模型进行校验,以得到所述多种车辆轨迹集合,并确定出所述多种车辆轨迹集合分别对应的轨迹数量占比值,具体包括:
将聚类得到的所述参考轨迹集合,分别输入所述预设轨迹分类模型,以通过所述预设轨迹分类模型,输出所述参考轨迹集合中每个轨迹分别对应的轨迹类别;
在同一参考轨迹集合中的多个轨迹分别对应的轨迹类别均相同的情况下,确定所述第二预测轨迹分类正确,以得到多种车辆轨迹集合;
确定出所述多种车辆轨迹集合对应的所有第二预测轨迹的总数量;以及确定出所述多种车辆轨迹集合分别对应的集合内轨迹的数量;
基于所述集合内轨迹的数量与所述所有第二预测轨迹的总数量,确定出所述多种车辆轨迹集合分别对应的轨迹数量占比值。
8.一种基于隧道的行车安全预警设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备执行权利要求1-7中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752508.1A CN114822044B (zh) | 2022-06-29 | 2022-06-29 | 一种基于隧道的行车安全预警方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752508.1A CN114822044B (zh) | 2022-06-29 | 2022-06-29 | 一种基于隧道的行车安全预警方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114822044A CN114822044A (zh) | 2022-07-29 |
CN114822044B true CN114822044B (zh) | 2022-09-09 |
Family
ID=82522747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210752508.1A Active CN114822044B (zh) | 2022-06-29 | 2022-06-29 | 一种基于隧道的行车安全预警方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114822044B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153092B (zh) * | 2022-12-29 | 2024-03-22 | 北京中科神通科技有限公司 | 一种隧道交通安全监测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012137641A1 (ja) * | 2011-04-01 | 2012-10-11 | 西日本高速道路エンジニアリング関西株式会社 | トンネル入口部照明システム |
CN104680841A (zh) * | 2015-03-12 | 2015-06-03 | 厦门奥声科技有限公司 | 行车预警方法 |
CN109070890A (zh) * | 2016-04-19 | 2018-12-21 | 斯堪尼亚商用车有限公司 | 用于基于另外的车辆的一组轨迹来估算道路的延展的车辆中的方法和控制单元 |
CN109100155A (zh) * | 2018-07-09 | 2018-12-28 | 长安大学 | 一种无人车在环快速仿真测试系统和方法 |
CN111462488A (zh) * | 2020-04-01 | 2020-07-28 | 北京工业大学 | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 |
CN111731283A (zh) * | 2020-05-26 | 2020-10-02 | 北京百度网讯科技有限公司 | 车辆碰撞风险识别方法、装置以及电子设备 |
CN113362650A (zh) * | 2021-07-09 | 2021-09-07 | 广东飞达交通工程有限公司 | 一种隧道实时监测重点营运车辆位置的方法 |
CN113505187A (zh) * | 2021-07-07 | 2021-10-15 | 西安理工大学 | 一种基于地图匹配的车辆分类轨迹纠错方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5761162B2 (ja) * | 2012-11-30 | 2015-08-12 | トヨタ自動車株式会社 | 車両位置推定装置 |
US11561546B2 (en) * | 2018-09-28 | 2023-01-24 | Baidu Usa Llc | Tunnel-based planning system for autonomous driving vehicles |
CN110766924A (zh) * | 2019-11-05 | 2020-02-07 | 交通运输部科学研究院 | 一种面向桥隧路段行车安全的智能监测与预警系统及方法 |
CN111426487B (zh) * | 2020-04-21 | 2022-05-10 | 特路(北京)科技有限公司 | 用于自动驾驶车辆逆光测试场及测试方法 |
CN111613056A (zh) * | 2020-05-22 | 2020-09-01 | 浙江大华技术股份有限公司 | 一种交通异常事件检测方法及装置 |
CN113706883B (zh) * | 2021-08-12 | 2022-11-29 | 广州大学 | 一种隧道路段安全行车系统和方法 |
CN114170580A (zh) * | 2021-12-01 | 2022-03-11 | 连云港杰瑞电子有限公司 | 一种面向高速公路的异常事件检测方法 |
CN114596712B (zh) * | 2022-05-06 | 2022-07-19 | 苏州大学 | 一种车辆跟驰控制方法和系统 |
-
2022
- 2022-06-29 CN CN202210752508.1A patent/CN114822044B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012137641A1 (ja) * | 2011-04-01 | 2012-10-11 | 西日本高速道路エンジニアリング関西株式会社 | トンネル入口部照明システム |
CN104680841A (zh) * | 2015-03-12 | 2015-06-03 | 厦门奥声科技有限公司 | 行车预警方法 |
CN109070890A (zh) * | 2016-04-19 | 2018-12-21 | 斯堪尼亚商用车有限公司 | 用于基于另外的车辆的一组轨迹来估算道路的延展的车辆中的方法和控制单元 |
CN109100155A (zh) * | 2018-07-09 | 2018-12-28 | 长安大学 | 一种无人车在环快速仿真测试系统和方法 |
CN111462488A (zh) * | 2020-04-01 | 2020-07-28 | 北京工业大学 | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 |
CN111731283A (zh) * | 2020-05-26 | 2020-10-02 | 北京百度网讯科技有限公司 | 车辆碰撞风险识别方法、装置以及电子设备 |
CN113505187A (zh) * | 2021-07-07 | 2021-10-15 | 西安理工大学 | 一种基于地图匹配的车辆分类轨迹纠错方法 |
CN113362650A (zh) * | 2021-07-09 | 2021-09-07 | 广东飞达交通工程有限公司 | 一种隧道实时监测重点营运车辆位置的方法 |
Non-Patent Citations (1)
Title |
---|
基于二次谱聚类和HMM-RF混合模型的车辆行为识别方法研究;范菁等;《计算机科学》;20160515(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114822044A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
JP6591842B2 (ja) | 意味付け交通空間についての適合型射線ベースのシーン分析を行うための方法及びシステム、並びにそのようなシステムを備える車両 | |
CN102800207B (zh) | 交通信号检测系统和方法 | |
EP1575014B1 (en) | Method and apparatus for processing pictures of vehicles | |
US20170243073A1 (en) | Method and system to identify traffic lights by an autonomous vehicle | |
Zhang et al. | Pedestrian safety analysis in mixed traffic conditions using video data | |
CN112597822A (zh) | 车辆的轨迹确定方法、装置、电子设备及计算机存储介质 | |
Chang et al. | Onboard measurement and warning module for irregular vehicle behavior | |
CN111401414B (zh) | 一种基于自然驾驶数据的危险场景提取及分类方法 | |
CN108091131B (zh) | 一种交通事件识别方法及装置 | |
Rodemerk et al. | Predicting the driver's turn intentions at urban intersections using context-based indicators | |
CN114822044B (zh) | 一种基于隧道的行车安全预警方法及设备 | |
Ansariyar et al. | Statistical analysis of vehicle-vehicle conflicts with a LIDAR sensor in a signalized intersection. | |
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 | |
Yarlagadda et al. | Heterogeneity in the driver behavior: an exploratory study using real-time driving data | |
Muñoz-Organero et al. | Detecting different road infrastructural elements based on the stochastic characterization of speed patterns | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
Hui et al. | Multi-feature agglomerative hierarchical clustering based abnormal driving behavior detection | |
Cheung et al. | Classifying driver behaviors for autonomous vehicle navigation | |
CN117077042B (zh) | 一种农村平交路口安全预警方法及系统 | |
US20230192148A1 (en) | Method and system for classifying traffic situations and training method | |
Deepika et al. | Revolutionizing Road Safety for Advanced Vehicular Accident Prediction | |
JP7446872B2 (ja) | 道路変化検出システム、道路変化検出方法、道路変化検出プログラム、および記憶媒体 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231225 Address after: Room 1604, 1605, and 1606, Building C, No.1 Jiefang East Road, Lixia District, Jinan City, Shandong Province, 250098 Patentee after: Shandong Datong Century Industrial Co.,Ltd. Address before: 250101 no.1188 Tianchen street, high tech Zone, Jinan City, Shandong Province Patentee before: Shandong Jinyu Information Technology Group Co.,Ltd. |