CN115083038B - 一种车辆行驶异常的检测装置及方法 - Google Patents
一种车辆行驶异常的检测装置及方法 Download PDFInfo
- Publication number
- CN115083038B CN115083038B CN202210763331.5A CN202210763331A CN115083038B CN 115083038 B CN115083038 B CN 115083038B CN 202210763331 A CN202210763331 A CN 202210763331A CN 115083038 B CN115083038 B CN 115083038B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- running
- training
- tested
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 94
- 230000006399 behavior Effects 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 206010000117 Abnormal behaviour Diseases 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- G01S19/52—Determining velocity
-
- 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
- G01S19/53—Determining attitude
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆行驶异常的检测装置及方法,属于车辆异常检测技术领域,包括:通过车载GPS设备来表征获取待测车辆的行驶轨迹数据;通过检测区域内的多个监控点来采集行驶状态下的车辆监控数据,以获取待测车辆的行为特征数据;将获取的待测车辆行为特征数据和行驶轨迹数据合并成训练集,并对合并后的训练集进行预处理,而后输入到人工神经网络分析模型进行训练计算,以分析获得车辆行驶轨迹序列;根据分析获得的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以确认待验车辆是否存在异常行驶行为。本发明,通过人工神经网络分析模型有效地检测出车辆在交通场景中是否存在异常行驶行为,为后续的车辆异常预警和干预管理提供了依据。
Description
技术领域
本发明属于车辆异常检测技术领域,具体涉及一种车辆行驶异常的检测装置及方法。
背景技术
近年来,随着经济的快速发展,越来越多的家庭选取汽车作为代步工具。在汽车行驶过程中,汽车的行驶状态往往会受到各方面的影响,使得车辆处于异常行驶的一个状态,长此以往也引发了一系列交通问题。道路拥堵严重困扰着高速发展的城市化进程,交通事故的频发也严重威胁着人们的生命安全。如果能及时检测和发现道路中车辆的异常行驶行为,通过有效的措施处理消除异常行为,并将异常行为的相关信息告知后来车辆,就能有效地减少和避免交通事故的发生。因此及时有效地检测出车辆异常行为对减小交通事故发生率,挽救生命和财产损失,提高交通安全性具有重大意义。
传统的车辆行为检测主要依赖于人工手段,如车辆巡逻、目击者举报或者人为观看道路摄像头监控视频进行检测,这些方法简单直接,但需要占用大量的时间、人力和物力,检测效率也较为低下。因此,我们需要对车辆行驶异常的检测方法进行变革和改进,以提供一种具有持续监控、高效且低成本的车辆行驶异常的检测方法。
发明内容
本发明的目的在于提供一种车辆行驶异常的检测装置及方法,以解决上述背景技术中提出的问题。
为实现上述目的,根据本发明的一个方面,本发明提供一种车辆行驶异常的检测方法,该检测方法包括:
通过车载GPS设备来表征获取待测车辆的行驶轨迹数据;
通过检测区域内的多个监控点来采集行驶状态下的车辆监控数据,以获取待测车辆的行为特征数据;
将获取的待测车辆行为特征数据和行驶轨迹数据合并成训练集,并对合并后的训练集进行预处理,而后输入到人工神经网络分析模型进行训练计算,以分析获得车辆行驶轨迹序列;
根据分析获得的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以确认待验车辆是否存在异常行驶行为。
优选地,所述车辆的行驶轨迹数据对应车辆的行驶动态信息,并通过坐标转换得到高斯坐标系下的坐标数据。
优选地,所述监控点采集的车辆监控数据由车辆车牌号码图像、车辆行驶行为图片、监控点位标识和采集时间组成。
优选地,所述人工神经网络分析模型的的建立包括:
建立车辆异常行驶行为训练集:收集提取车辆在超速、倒车逆行、低速行驶、紧急制动、临时停车、紧急停车和正常行驶时的加速度和速度的参数特征,将其作为车辆动态参数特征,并对应匹配前述各个状态下的车辆位置图像以及车辆行驶朝向图像数据,一并录入数据库;
数据预处理及模型设计:对数据库内的各种参数数据、车辆位置图像以及车辆行驶朝向图像数据进行预处理,而后整理获得训练数据库,并对训练数据库内的车辆动态参数特征、车辆位置图像以及车辆朝向图像数据进行训练学习,进而形成人工神经网络分析模型;
测试人工神经网络分析模型:利用测试车辆客观评估分析模型的性能,并对训练数据库内的各种参数数据、车辆位置图像以及车辆朝向数据进行修正。
优选地,所述对合并后的训练集进行预处理的过程,包括:
对训练集中待测车辆行为特征数据和行驶轨迹数据,来进行前述两者在数据缺失或数据异常情形下的补充或修正处理;
对训练集中待测车辆的行驶轨迹数据同时进行样条差值处理,以减少行驶轨迹数据转化为坐标数据后的毛刺,以提高坐标数据在变化时的连续性;
修正处理后的训练集进行冗余数据去除处理,以提高训练集在人工神经网络分析模型中与训练数据库的匹配效率。
优选地,所述车辆行驶行为图片由待测车辆在车道上的一组行驶位置图片和一组行驶朝向图片组成。
根据本发明的另一个方面,本发明提供一种车辆行驶异常的检测装置,包括:
第一获取模块,用于通过车载GPS设备来表征获取待测车辆的行驶轨迹数据;
第二获取模块,用于通过检测区域内的多个监控点来采集行驶状态下的车辆监控数据,来获取待测车辆的行为特征数据;
处理训练模块,用于将获取的待测车辆行为特征数据和行驶轨迹数据合并成训练集,并对合并后的训练集进行预处理,而后输入到人工神经网络分析模型进行训练计算,以分析获得车辆行驶轨迹序列;
比对判断模块,用于根据分析获得的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以确认待验车辆是否存在异常行驶行为。
优选地,该检测装置还包括报警模块,用于当待验车辆存在异常行驶行为时,及时进行报警提示处理。
优选地,所述车辆行驶轨迹序列由训练分析后的待验车辆依次经过多个监控点位的车辆监控数据和行驶轨迹数据组成。
与现有技术相比,本发明的有益效果是:
本发明,通过对待测车辆使用多个监控点来采集其行驶状态下的车辆监控数据,并且配合车载GPS设备来表征获取待测车辆的行驶轨迹数据,从而通过采集待测车辆的加速度、速度来检测车辆在超速、倒车逆行、低速行驶、紧急制动、临时停车、紧急停车和正常行驶时的参数特征,并匹配对应的车辆位置图像以及车辆行驶朝向图像数据,进而合并形成训练集并输入到人工神经网络分析模型来进行训练计算,而后将计算获取的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以便及时有效地分析检测出车辆在交通场景中是否存在异常的行驶行为,最终为后续的车辆异常预警和干预管理提供了依据。
附图说明
图1为本发明一种车辆行驶异常的检测方法的工作流程图;
图2为本发明一种车辆行驶异常的检测装置结构示意图;
图3为本发明一种车辆行驶异常的检测设备硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。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。
如图1所示,本发明的实施例的一个方面,提供一种车辆行驶异常的检测方法,该检测方法包括:
S1、通过车载GPS设备来表征获取待测车辆的行驶轨迹数据;当然,本申请也可以通过具有GPS定位模块的智能手机或其它设备,来表征采集待测车辆的行驶轨迹数据,具体在此不再赘述;
S2、通过检测区域内的多个监控点来采集行驶状态下的车辆监控数据,以获取待测车辆的行为特征数据;
S3、将获取的待测车辆行为特征数据和行驶轨迹数据合并成训练集,并对合并后的训练集进行预处理,而后输入到人工神经网络分析模型进行训练计算,以分析获得车辆行驶轨迹序列;
在本实施例中,对合并后的训练集进行预处理的过程,包括:
对训练集中待测车辆行为特征数据和行驶轨迹数据,来进行前述两者在数据缺失或数据异常情形下的补充或修正处理;
对训练集中待测车辆的行驶轨迹数据同时进行样条差值处理,以减少行驶轨迹数据转化为坐标数据后的毛刺,以提高坐标数据在变化时的连续性;
修正处理后的训练集进行冗余数据去除处理,以提高训练集在人工神经网络分析模型中与训练数据库的匹配效率。
S4、根据分析获得的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以确认待验车辆是否存在异常行驶行为。
在本实施例中,所述车辆的行驶轨迹数据对应车辆的行驶动态信息,并通过坐标转换得到高斯坐标系下的坐标数据。
在本实施例中,所述监控点采集的车辆监控数据由车辆车牌号码图像、车辆行驶行为图片、监控点位标识和采集时间组成。
在本实施例中,所述人工神经网络分析模型的的建立包括:
建立车辆异常行驶行为训练集:收集提取车辆在超速、倒车逆行、低速行驶、紧急制动、临时停车、紧急停车和正常行驶时的加速度和速度的参数特征,将其作为车辆动态参数特征,并对应匹配前述各个状态下的车辆位置图像以及车辆行驶朝向图像数据,一并录入数据库;
数据预处理及模型设计:对数据库内的各种参数数据、车辆位置图像以及车辆行驶朝向图像数据进行预处理,而后整理获得训练数据库,并对训练数据库内的车辆动态参数特征、车辆位置图像以及车辆朝向图像数据进行训练学习,进而形成人工神经网络分析模型;
测试人工神经网络分析模型:利用测试车辆客观评估分析模型的性能,并对训练数据库内的各种参数数据、车辆位置图像以及车辆朝向数据进行修正。
在本实施例中,所述车辆行驶行为图片由待测车辆在车道上的一组行驶位置图片和一组行驶朝向图片组成。本实施例中,在将待测车辆行为特征数据和行驶轨迹数据合并成训练集前,也可对待测车辆行为特征数据中的车辆监控数据进行选择处理,比如,对车辆监控数据中的一组行驶位置图片和一组行驶朝向图片进行选用,即选择清晰度和辨识度高的一行驶位置图片和一行驶朝向图片作为车辆监控数据的训练选用图片,以便后续作为训练集的子模块,而后训练集输送至人工神经网络分析模型进行训练计算,以分析获得较为精准、可靠性高的车辆行驶轨迹序列。
本发明,通过对待测车辆使用多个监控点来采集其行驶状态下的车辆监控数据,并且配合车载GPS设备来表征获取待测车辆的行驶轨迹数据,从而通过采集待测车辆的加速度、速度来检测车辆在超速、倒车逆行、低速行驶、紧急制动、临时停车、紧急停车和正常行驶时的参数特征,并匹配对应的车辆位置图像以及车辆行驶朝向图像数据,进而合并形成训练集并输入到人工神经网络分析模型来进行训练计算,而后将计算获取的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以便及时有效地分析检测出车辆在交通场景中是否存在异常的行驶行为,最终为后续的车辆异常预警和干预管理提供了依据。
参阅图2,根据本发明实施例的另一个方面,本发明提供一种车辆行驶异常的检测装置,包括:
第一获取模块,用于通过车载GPS设备来表征获取待测车辆的行驶轨迹数据;
第二获取模块,用于通过检测区域内的多个监控点来采集行驶状态下的车辆监控数据,来获取待测车辆的行为特征数据;
处理训练模块,用于将获取的待测车辆行为特征数据和行驶轨迹数据合并成训练集,并对合并后的训练集进行预处理,而后输入到人工神经网络分析模型进行训练计算,以分析获得车辆行驶轨迹序列;
比对判断模块,用于根据分析获得的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以确认待验车辆是否存在异常行驶行为。
在本实施例中,该检测装置还包括报警模块,用于当待验车辆存在异常行驶行为时,及时进行报警提示处理。具体的,报警模块进行报警可采用灯光报警或蜂鸣等报警。
在本实施例中,所述车辆行驶轨迹序列由训练分析后的待验车辆依次经过多个监控点位的车辆监控数据和行驶轨迹数据组成。
参见图3,是本发明实施例提供的一种车辆行驶异常的检测设备硬件结构示意图,该显示屏管理系统10包括:处理器101、存储器103和计算机程序;其中,
存储器103,用于存储所述计算机程序,该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器101,用于执行所述存储器103存储的计算机程序,以实现上述方法中设备执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地,存储器103既可以是独立的,也可以跟处理器101集成在一起。
当所述存储器103是独立于处理器101之外的器件时,所述显示屏管理系统10还可以包括:
总线102,用于连接所述存储器103和处理器101。
本发明还提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述移动终端的实施例中,应理解,处理器可以是中央处理单元(英文:CentralProcessing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:DigitalSignal Processor,简称:DSP)、专用集成电路(英文:Application Specific IntegratedCircuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种车辆行驶异常的检测方法,其特征在于,该检测方法包括:
通过车载GPS设备来表征获取待测车辆的行驶轨迹数据;
通过检测区域内的多个监控点来采集行驶状态下的车辆监控数据,以获取待测车辆的行为特征数据;
将获取的待测车辆行为特征数据和行驶轨迹数据合并成训练集,并对合并后的训练集进行预处理,而后输入到人工神经网络分析模型进行训练计算,以分析获得车辆行驶轨迹序列;
对合并后的训练集进行预处理的过程,包括:
对训练集中待测车辆行为特征数据和行驶轨迹数据,来进行前述两者在数据缺失或数据异常情形下的补充或修正处理;
对训练集中待测车辆的行驶轨迹数据同时进行样条差值处理,以减少行驶轨迹数据转化为坐标数据后的毛刺,以提高坐标数据在变化时的连续性;
修正处理后的训练集进行冗余数据去除处理,以提高训练集在人工神经网络分析模型中与训练数据库的匹配效率;
根据分析获得的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以确认待验车辆是否存在异常行驶行为;
所述车辆的行驶轨迹数据对应车辆的行驶动态信息,并通过坐标转换得到高斯坐标系下的坐标数据;
所述监控点采集的车辆监控数据由车辆车牌号码图像、车辆行驶行为图片、监控点位标识和采集时间组成;
所述人工神经网络分析模型的建立包括:
建立车辆异常行驶行为训练集:收集提取车辆在超速、倒车逆行、低速行驶、紧急制动、临时停车、紧急停车和正常行驶时的加速度和速度的参数特征,将其作为车辆动态参数特征,并对应匹配前述各个状态下的车辆位置图像以及车辆行驶朝向图像数据,一并录入数据库;
数据预处理及模型设计:对数据库内的各种参数数据、车辆位置图像以及车辆行驶朝向图像数据进行预处理,而后整理获得训练数据库,并对训练数据库内的车辆动态参数特征、车辆位置图像以及车辆朝向图像数据进行训练学习,进而形成人工神经网络分析模型;
测试人工神经网络分析模型:利用测试车辆客观评估分析模型的性能,并对训练数据库内的各种参数数据、车辆位置图像以及车辆朝向数据进行修正;
所述车辆行驶行为图片由待测车辆在车道上的一组行驶位置图片和一组行驶朝向图片组成;
在将待测车辆行为特征数据和行驶轨迹数据合并成训练集前,对待测车辆行为特征数据中的车辆监控数据进行选择处理,对车辆监控数据中的一组行驶位置图片和一组行驶朝向图片进行选用,即选择清晰度和辨识度高的一行驶位置图片和一行驶朝向图片作为车辆监控数据的训练选用图片,以便后续作为训练集的子模块,而后训练集输送至人工神经网络分析模型进行训练计算,以分析获得较为精准、可靠性高的车辆行驶轨迹序列;
通过对待测车辆使用多个监控点来采集其行驶状态下的车辆监控数据,并且配合车载GPS设备来表征获取待测车辆的行驶轨迹数据,从而通过采集待测车辆的加速度、速度来检测车辆在超速、倒车逆行、低速行驶、紧急制动、临时停车、紧急停车和正常行驶时的参数特征,并匹配对应的车辆位置图像以及车辆行驶朝向图像数据,进而合并形成训练集并输入到人工神经网络分析模型来进行训练计算,而后将计算获取的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以便及时有效地分析检测出车辆在交通场景中是否存在异常的行驶行为,最终为后续的车辆异常预警和干预管理提供了依据。
2.一种车辆行驶异常的检测装置,用于实现权利要求1所述的车辆行驶异常的检测方法,其特征在于,包括:
第一获取模块,用于通过车载GPS设备来表征获取待测车辆的行驶轨迹数据;
第二获取模块,用于通过检测区域内的多个监控点来采集行驶状态下的车辆监控数据,来获取待测车辆的行为特征数据;
处理训练模块,用于将获取的待测车辆行为特征数据和行驶轨迹数据合并成训练集,并对合并后的训练集进行预处理,而后输入到人工神经网络分析模型进行训练计算,以分析获得车辆行驶轨迹序列;
比对判断模块,用于根据分析获得的车辆行驶轨迹序列与训练数据库的车辆行为模式进行比对,以确认待验车辆是否存在异常行驶行为。
3.根据权利要求2所述的一种车辆行驶异常的检测装置,其特征在于,还包括报警模块,用于当待验车辆存在异常行驶行为时,及时进行报警提示处理。
4.根据权利要求2所述的一种车辆行驶异常的检测装置,其特征在于:所述车辆行驶轨迹序列由训练分析后的待验车辆依次经过多个监控点位的车辆监控数据和行驶轨迹数据组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763331.5A CN115083038B (zh) | 2022-06-29 | 2022-06-29 | 一种车辆行驶异常的检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763331.5A CN115083038B (zh) | 2022-06-29 | 2022-06-29 | 一种车辆行驶异常的检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115083038A CN115083038A (zh) | 2022-09-20 |
CN115083038B true CN115083038B (zh) | 2024-02-27 |
Family
ID=83257972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210763331.5A Active CN115083038B (zh) | 2022-06-29 | 2022-06-29 | 一种车辆行驶异常的检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115083038B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
CN111694977A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 一种基于数据增强的车辆图像检索方法 |
CN112668473A (zh) * | 2020-12-28 | 2021-04-16 | 东南大学 | 基于多特征深度融合神经网络的车辆状态准确感知方法 |
CN113903008A (zh) * | 2021-10-26 | 2022-01-07 | 中远海运科技股份有限公司 | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902279B2 (en) * | 2018-09-25 | 2021-01-26 | Honda Motor Co., Ltd. | Training saliency |
-
2022
- 2022-06-29 CN CN202210763331.5A patent/CN115083038B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
CN111694977A (zh) * | 2020-06-12 | 2020-09-22 | 桂林电子科技大学 | 一种基于数据增强的车辆图像检索方法 |
CN112668473A (zh) * | 2020-12-28 | 2021-04-16 | 东南大学 | 基于多特征深度融合神经网络的车辆状态准确感知方法 |
CN113903008A (zh) * | 2021-10-26 | 2022-01-07 | 中远海运科技股份有限公司 | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 |
Non-Patent Citations (1)
Title |
---|
基于GPS数据的高速公路车辆异常行为检测;杨龙海;徐洪;张春;;重庆交通大学学报(自然科学版)(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115083038A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017157119A1 (zh) | 一种车辆异常行为的识别方法及装置 | |
CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
CN114005074B (zh) | 交通事故的确定方法、装置及电子设备 | |
CN107464446A (zh) | 一种垂直车位停车信息的巡检方法及装置 | |
CN112233421A (zh) | 一种基于机器视觉的城市智慧交通监控智能系统 | |
CN106910334B (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN111967451B (zh) | 一种道路拥堵检测方法及装置 | |
CN115083038B (zh) | 一种车辆行驶异常的检测装置及方法 | |
CN113723273A (zh) | 一种车辆轨迹信息确定方法、装置及计算机设备 | |
CN111563425B (zh) | 交通事件识别方法及电子设备 | |
CN112991769A (zh) | 基于视频的交通量调查方法和装置 | |
CN110909641A (zh) | 一种检测摩托车超载的方法、装置及系统 | |
CN116026441A (zh) | 车辆载重量异常检测方法、装置、设备及存储介质 | |
CN107622667B (zh) | 一种变造车牌号码检测方法及系统 | |
CN116164984A (zh) | 一种限速标志辅助系统道路试验装置及试验方法 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN115497303A (zh) | 一种复杂检测条件下的高速公路车速检测方法及系统 | |
CN114333331A (zh) | 一种多车道桥梁车辆通行信息与车重识别方法及系统 | |
CN113990077A (zh) | 一种车辆载荷及特征监测系统及方法 | |
CN113380049A (zh) | 车辆的违规检测方法、装置、服务器和存储介质 | |
CN212516116U (zh) | 一种物联网交通预警装置 | |
CN115512314A (zh) | 标识上报方法、装置、存储介质及电子装置 |
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 |