CN115100846B - 一种隧道内的道路事故预测方法、设备及介质 - Google Patents
一种隧道内的道路事故预测方法、设备及介质 Download PDFInfo
- Publication number
- CN115100846B CN115100846B CN202210496431.6A CN202210496431A CN115100846B CN 115100846 B CN115100846 B CN 115100846B CN 202210496431 A CN202210496431 A CN 202210496431A CN 115100846 B CN115100846 B CN 115100846B
- Authority
- CN
- China
- Prior art keywords
- road
- tunnel
- vehicle
- predicted
- monitoring
- 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 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 239
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书实施例公开了一种隧道内的道路事故预测方法、设备及介质,涉及交通安全技术领域,方法包括:预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据;对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像;对当前车道对应的车道区域图像中的车辆进行识别得到当前车道的车辆参数;根据当前车道的车辆数量以及车间距,确定当前车道内的车辆间事故概率;根据车辆运行参数、环境数据以及待预测隧道的路面类型确定各监测路段的路面附着系数,以确定待预测隧道内各监测路段的单一车辆事故概率;通过当前车道内的车辆间事故概率以及待预测隧道内各监测路段的单一车辆事故概率生成待预测隧道内的道路事故预测结果。
Description
技术领域
本说明书涉及交通安全技术领域,尤其涉及一种隧道内的道路事故预测方法、设备及介质。
背景技术
公路作为国家经济的动脉,在城市中远距离交通运输中起着无可比拟的作用。随着公路路网建设的日趋完善,公路隧道的数量也不断增长,由于隧道内外环境的反差,行车环境的变化,相较于普通路段,隧道交通事故的发生概率和损失程度相对于高速公路普通路段来说更高,会造成更大程度的交通拥堵,从而导致交通出行者需要花费更多的出行时间和成本。
通常来说,隧道内的环境对隧道道路的影响较大,在隧道内发生事故的事故原因,除了驾驶行为因素之外,受环境影响较大,例如,隧道内的湿度过大导致道路制动距离加大、温度过高导致存在火灾隐患等。此外,由于隧道内外的光线差异较大,在进入隧道和驶出隧道时,更容易由于光线差异出现追尾、碰撞洞口等事故。隧道内的行车环境和行车规则,也与普通路段不同,例如,隧道内行驶时严禁变道、停车等。由上可知,隧道内的事故与普通路段的事故相比,除了追尾、碰撞等车辆间的事故之外,还存在车辆侧滑、车辆撞击隧道门洞等单一车辆产生的事故。因此,由于隧道内的行车规则和行车环境与普通道路存在较大差异,仅考虑常规的事故类型,无法对隧道内的事故进行全面预测。
发明内容
本说明书一个或多个实施例提供了一种隧道内的道路事故预测方法、设备及介质,用于解决如下技术问题:由于隧道内的行车规则和行车环境与普通道路存在较大差异,仅考虑常规的事故类型,无法对隧道内的事故进行全面预测。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种隧道内的道路事故预测方法,所述方法包括:预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据,其中,所述各监测点的监测数据包括各监测点所监测路段的道路图像和各监测点所监测路段的环境数据;对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像;对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,其中,所述车辆参数包括所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距;根据所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定所述当前车道内的车辆间事故概率;根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数,以便于根据所述各监测路段的路面附着系数,确定所述待预测隧道内各监测路段的单一车辆事故概率;通过所述当前车道内的车辆间事故概率以及所述待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果。
进一步地,对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像,具体包括:预先获取所述各监测点的位置信息,以便于根据所述各监测点的位置信息,按照预设顺序,对所述各监测点所监测路段的道路图像进行排序,得到各道路图像的位置序列信息;对所述各监测点所监测路段的道路图像进行区域划分,得到多个车道子区域图像,以便于按照所述每个车道子区域图像在所述各监测点的道路图像中的位置,对每个车道子区域图像设置车道标识;根据所述各道路图像的位置序列信息,将所述车道标识相同的多个车道子区域图像进行图像拼接,生成当前车道对应的车道区域图像。
进一步地,对所述各监测点所监测路段的道路图像进行区域划分,得到多个车道子区域图像,具体包括:对所述各监测点的道路图像进行色彩通道分离,获取所述各监测点的指定通道道路图像;根据预先获取的所述各监测点的指定通道图像中各个像素点的像素值,将所述各监测点的道路图像分为多个车道子区域图像。
进一步地,在待预测隧道内设置多个监测点,具体包括:确定出与所述待预测隧道相连的第一路段和第二路段,其中,所述第一路段的出口为所述待预测隧道的入口,所述第二路段的入口为所述待预测隧道的出口;预先获取待预测隧道的道路参数,其中,所述道路参数包括道路长度和道路宽度;基于所述待预测隧道的道路长度,将所述待预测隧道等分为多个隧道路段,以便于在两个相邻隧道路段的中间位置处,设置指定监测点;根据所述待预测隧道的道路宽度,设置每个指定监测点处的监测范围;在所述待预测隧道的入口处和出口处,分别设置第一预设监测点和第二预设监测点;获取所述第一路段的道路方向和所述待预测隧道的道路方向之间的第一夹角,并获取所述第二路段的道路方向和所述待预测隧道的道路方向之间的第二夹角;根据所述第一夹角,调整所述第一预设监测点处的监测角度,并根据所述第二夹角,调整所述第二预设监测点处的监测角度。
进一步地,根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数之前,所述方法还包括:获取每个监测点所监测路段的道路图像中每个像素点的像素值;基于所述道路图像中每个像素点的像素值,提取出所述道路图像中的道路区域,生成道路区域图像;使用预设特征提取方法,提取所述道路区域图像的图像特征;基于预先设置的分类器,通过所述道路区域图像的图像特征,确定出所述待预测隧道的路面类型。
进一步地,根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数,具体包括:通过所述待预测隧道的路面类型,在预先构建的先验数据库中,获取所述路面类型对应的路面附着系数经验值;基于所述环境数据,对所述路面附着系数经验值进行调整,得到当前路面附着系数;根据所述车辆运行参数和所述待预测隧道的路面类型,确定出指定路面附着系数;在所述当前路面附着系数和所述指定路面附着系数中,将最小的路面附着系数作为各监测路段的路面附着系数。
进一步地,对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,具体包括:构建初始的级联分类器;对预先构建的样本图像数据集中的样本图像进行哈尔特征提取,并使用指定算法对所述哈尔特征进行选取,以对所述级联分类器进行训练,输出训练结果;根据所述训练结果,将所述样本图像数据集中的样本图像分为正样本和负样本,其中,所述正样本对应的样本图像中存在车辆,且所述训练结果中未检测出车辆,所述负样本对应的样本图像中不存在车辆,且所述训练结果中检测出车辆;使用所述正样本和所述负样本对所述级联分类器进行二次训练,得到符合要求的车辆识别分类器;使用所述车辆识别分类器对所述当前车道对应的车道区域图像中的车辆进行定位,确定出所述车道区域图像中的多个车辆以及各车辆在所述车道区域中的位置信息;根据所述所述车道区域图像中的多个车辆以及各车辆在所述车道区域中的位置信息,确定所述当前车道的车辆数量和各车辆之间的车间距。
进一步地,所述车辆参数包括车辆类型,对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,具体包括:预先构建车辆样本数据集,并对所述车辆样本数据集中的车辆样本进行车辆类型标注,并确定所述车辆样本对应的特征向量;获取所述车道区域图像中的指定车辆对应的指定特征向量;将所述车道区域图像中的指定车辆对应的指定特征向量,与所述车辆样本数据集中的特征向量进行对比,以便于在所述车辆样本数据集中确定出多个指定车辆样本,其中,所述每个指定车辆样本的特征向量与所述指定特征向量的差值满足预设阈值;在多个指定车辆样本中,确定出符合要求的车辆样本,将所述车辆样本的车辆类型作为所述指定车辆的车辆类型。
本说明书一个或多个实施例提供一种隧道内的道路事故预测设备,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:
预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据,其中,所述各监测点的监测数据包括各监测点所监测路段的道路图像和各监测点所监测路段的环境数据;对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像;对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,其中,所述车辆参数包括所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距;根据所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定所述当前车道内的车辆间事故概率;根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数,以便于根据所述各监测路段的路面附着系数,确定所述待预测隧道内各监测路段的单一车辆事故概率;通过所述当前车道内的车辆间事故概率以及所述待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据,其中,所述各监测点的监测数据包括各监测点所监测路段的道路图像和各监测点所监测路段的环境数据;对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像;对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,其中,所述车辆参数包括所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距;根据所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定所述当前车道内的车辆间事故概率;根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数,以便于根据所述各监测路段的路面附着系数,确定所述待预测隧道内各监测路段的单一车辆事故概率;通过所述当前车道内的车辆间事故概率以及所述待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果。
本说明书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:通过上述技术方案,在待预测隧道内设置多个监测点,实现对隧道内道路的全方位监测,保证了监测数据的全面性。将监测数据中的道路图像进行车道划分,针对每个车道内的车辆参数,生成车辆间事故概率;并且根据检测数据中的环境数据,确定出路面附着系数,进而确定出各监测路段的单一车辆事故概率,针对隧道内道路环境的特殊性,将道路事故按照的车辆间事故和单一车辆事故进行划分,结合两种事故的预测概率得到最终的道路事故预测结果,保证了预测结果的全面性和准确性。
附图说明
为了更清楚地说明本说明书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说明书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为本说明书实施例提供的一种隧道内的道路事故预测方法的流程示意图;
图2为本说明书实施例提供的一种隧道内的道路事故预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,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,都应当属于本说明书保护的范围。
本说明书实施例提供一种隧道内的道路事故预测方法,需要说明的是,本说明书书实施例中的执行主体可以是服务器,也可以是任意一种具备数据处理能力的设备。图1为本说明书实施例提供的一种隧道内的道路事故预测方法的流程示意图,如图1所示,主要包括如下步骤:
步骤S101,预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据。
在实际的隧道场景中,每条隧道通常为固定长度的隧道道路,与普通道路相比,其距离较短,并且普通道路一般为露天形式的道路,而隧道内道路由于结构的特殊性,可以在隧道内设置多个监测点进行数据采集,增强对隧道的采集数据的全面性和准确性。
在本说明书的一个实施例中,在待预测隧道内设置多个监测点,在每个监测点处设置数据采集装置,并获取各监测点的监测数据。需要说明的是,各监测点的监测数据包括各监测点所监测路段的道路图像和各监测点所监测路段的环境数据。数据采集装置可以是摄像头和环境传感器的组合装置,也可以是其他可以获取道路图像和环境数据的装置。
具体地,在待预测隧道内设置多个监测点,具体包括:确定出与该待预测隧道相连的第一路段和第二路段,其中,该第一路段的出口为该待预测隧道的入口,该第二路段的入口为该待预测隧道的出口;预先获取待预测隧道的道路参数,其中,该道路参数包括道路长度和道路宽度;基于该待预测隧道的道路长度,将该待预测隧道等分为多个隧道路段,以便于在两个相邻隧道路段的中间位置处,设置指定监测点;根据该待预测隧道的道路宽度,设置每个指定监测点处的监测范围;在该待预测隧道的入口处和出口处,分别设置第一预设监测点和第二预设监测点;获取该第一路段的道路方向和该待预测隧道的道路方向之间的第一夹角,并获取该第二路段的道路方向和该待预测隧道的道路方向之间的第二夹角;根据该第一夹角,调整该第一预设监测点处的监测角度,并根据该第二夹角,调整该第二预设监测点处的监测角度。
在本说明书的一个实施例中,为了保证待预测隧道内的整条道路均被采集到对应的监测数据,在设置监测点时,根据隧道的长度和隧道内的道路宽度设置监测点,以及每个监测点处的采集角度。一般情况下,每条隧道道路长度和道路宽度均在建设隧道时进行了数据公布,通过地图或官方数据获取获取待预测隧道的道路长度和道路宽度。
基于待预测隧道的道路长度,将待预测隧道等分为多个隧道路段,此处的隧道路段的数量为偶数,具体数量可以根据实际情况确定。例如隧道长度为150米,将该隧道等分为6个路段,由于隧道内的道路为单向的,假设隧道入口处为A,得到的5个路段依次是AB、BC、CD、DE、EF以及FG,G为隧道的出口。在任意两个相邻隧道路段的中间位置处,设置多个指定监测点,继续延用上例,AB、BC为两个相邻隧道路段,其中间位置处为位置B处,则在位置B处设置一个指定监测点,CD、DE为两个相邻隧道路段,其中间位置处为位置D处,则在位置D处设置一个指定监测点,同样的,在位置F处设置一个指定监测点。
之后,根据待预测隧道的道路宽度,设置每个指定监测点处的监测范围,需要说明的是,在指定监测点设置监测装置,通过所有指定监测点的监测数据可以得到待预测隧道内的完整道路图像和环境数据,例如,调整位置B处的监测装置的监测范围,使得此处的监测数据为隧道路段AB和隧道路段BC的道路图像和环境数据,以此类推,位置D处的指定监测点所采集的监测数据为隧道路段CD和隧道路段DE的道路图像和环境数据,位置F处的指定监测点所采集的监测数据为隧道路段EF和隧道路段FG的道路图像和环境数据。
当驾驶人员行驶在隧道内部时,由于进出隧道时的光线变化较大,驾驶员的视觉需要进行一定时间的适应,在入口处或出口处容易发生追尾、偏离引导线等情况。在本说明书的一个实施例中,除了对隧道内的道路进行监测之外,还需要对隧道入口处和隧道出口处的监测,因此在待预测隧道的入口处和出口处,分别设置第一预设监测点和第二预设监测点。
另外,由于隧道与相邻道路之间的位置关系不同,在设置监测点时,应根据隧道道路与相邻道路之间的夹角,确定每个监测点的监测范围,保证可以监测到入口路段和出口路段的监测数据。确定出与待预测隧道相连的第一路段和第二路段,其中,第一路段的出口待预测隧道的入口,该第二路段的入口为待预测隧道的出口,获取第一路段的道路方向和该待预测隧道的道路方向之间的第一夹角,根据第一夹角调整第一预设监测点的监测角度。同样地,获取第二路段的道路方向和待预测隧道的道路方向之间的第二夹角,根据第二夹角,调整第二预设监测点处的监测角度。
通过上述技术方案,在隧道内设置多个指定监测点,根据隧道内的道路宽度确定每个指定监测点的监测范围,实现对隧道内道路的全方位监测;此外,还考虑了隧道入口路段和隧道出口路段,在入口处和出口处分别设置监测点,根据相邻路段与隧道道路的夹角调整入口处和出口处监测点的检测角度,实现对隧道入口和出口的监测。通过对隧道内的道路监测和隧道出入口的道路监测,保证了监测数据的全面性。
步骤S102,对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像。
隧道内的行车规则与常规道路相比,存在较多限制,例如,在隧道内禁止变道。针对隧道内禁止变道的行车规则,可以将对道路的车辆识别细分为对同车道内的车辆识别。
具体地,预先获取该各监测点的位置信息,以便于根据该各监测点的位置信息,按照预设顺序,对该各监测点所监测路段的道路图像进行排序,得到各道路图像的位置序列信息;对该各监测点所监测路段的道路图像进行区域划分,得到多个车道子区域图像,具体地,对该各监测点的道路图像进行色彩通道分离,获取该各监测点的指定通道道路图像;根据预先获取的该各监测点的指定通道图像中各个像素点的像素值,将该各监测点的道路图像分为多个车道子区域图像。按照该每个车道子区域图像在该各监测点的道路图像中的位置,对每个车道子区域图像设置车道标识;根据该各道路图像的位置序列信息,将该车道标识相同的多个车道子区域图像进行图像拼接,生成当前车道对应的车道区域图像。
在本说明书的一个实施例中,获取每个监测点所监测路段的道路图像,对各监测点所监测路段的道路图像进行区域划分,得到多个车道子区域图像,此处以一个道路图像为例,进行说明。将道路图像进行色彩通道分离,可以得到三个通道分别对应的道路图像,包括R通道图像、G通道受损图像以及B通道图像。其中,R通道图像中只保留了红色像素,将绿色像素和蓝色像素在图像中进行了剔除,G通道图像只保留了绿色像素,剔除了红色像素和蓝色像素,B通道图像只保留了蓝色像素,剔除了红色像素和绿色像素,在三个通道图像中,G通道图像滤除了红色和蓝色像素,图像的层次感更加明显,更加有利于进行车道层级的划分,因此,可以使用G通道图像作为指定通道图像,进行车道的划分。根据G通道图像中各个像素点的像素值,将道路图像分为多个车道子区域图像。若隧道道路内为三车道,则得到三个车道子区域图像。按照每个车道子区域图像在该各监测点的道路图像中的位置,对每个车道子区域图像设置车道标识,例如,在道路图像中每个车道为横向设置,则从上到下依次标识为车道1、车道2以及车道3。
预先获取各监测点的位置信息,根据各监测点的位置信息,按照预设顺序,对各监测点所监测路段的道路图像进行排序,得到各道路图像的位置序列信息。需要说明的是,此处的预设顺序可以是入口到出口方向,对每个道路图像进行排序,此处的位置序列信息,可以是为道路图像设置的位置排列序号,例如,入口处对应的道路图像标注为顺序1。根据各个道路图像的位置序列信息,将车道标识相同的多个车道子区域图像进行图像拼接,生成当前车道对应的车道区域图像。也就是说,假设共有四个道路图像,将每个道路图像中的位于图像最上方的第一车道对应的车道区域图像进行拼接,得到隧道内完整第一车道的车道区域图像,将将每个道路图像中的位于图像最下方的第二车道对应的车道区域图像进行拼接,得到隧道内完整第二车道的车道区域图像。
步骤S103,对当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数。
需要说明的是,车辆参数包括待预测隧道内当前车道的车辆数量以及各车辆之间的车间距。
具体包括:构建初始的级联分类器;对预先构建的样本图像数据集中的样本图像进行哈尔特征提取,并使用指定算法对该哈尔特征进行选取,以对该级联分类器进行训练,输出训练结果;根据该训练结果,将该样本图像数据集中的样本图像分为正样本和负样本,其中,该正样本对应的样本图像中存在车辆,且该训练结果中未检测出车辆,该负样本对应的样本图像中不存在车辆,且该训练结果中检测出车辆;使用该正样本和该负样本对该级联分类器进行二次训练,得到符合要求的车辆识别分类器;使用该车辆识别分类器对该当前车道对应的车道区域图像中的车辆进行定位,确定出该车道区域图像中的多个车辆以及各车辆在该车道区域中的位置信息;根据该该车道区域图像中的多个车辆以及各车辆在该车道区域中的位置信息,确定该当前车道的车辆数量和各车辆之间的车间距。
在本说明书的一个实施例中,构建样本图像数据集,样本图像数据集中的数据包括不同图像来源、不同图像采集场景以及不同时间段的样本图像。对样本图像使用哈尔特征进行特征提取,并使用Adaboost算法对特征进行选取,得到训练级联分类器。对级联分类器进行训练,输出训练结果,根据训练结果,将车辆样本数据集中的样本图像分为正样本和负样本,其中,正样本对应的样本图像中存在车辆,且训练结果中未检测出车辆,该负样本对应的样本图像中不存在车辆,且该训练结果中检测出车辆;使用该正样本和该负样本对该级联分类器进行二次训练,得到符合要求的车辆识别分类器,提高检测准确率。
使用车辆识别分类器对该当前车道对应的车道区域图像中的车辆进行定位操作,确定出车道区域图像中的多个车辆以及各车辆在该车道区域中的位置信息。将确定处的车辆使用标注框的形式进行标注,将标注框的数量作为车辆数据,根据各车辆在该车道区域中的位置信息,得到相邻两车之间在图像中的距离,并基于图像与实际道路长度的比例关系,计算得到相邻两车之间的实际车间距离。
在本说明书的一个实施例中,车辆参数还包括车辆类型,获取车辆类型的方法如下所示:预先构建车辆样本数据集,并对车辆样本数据集中的车辆样本进行车辆类型标注,并确定该车辆样本对应的特征向量;获取该车道区域图像中的指定车辆对应的指定特征向量;将车道区域图像中的指定车辆对应的指定特征向量,与车辆样本数据集中的特征向量进行对比,以便于在该车辆样本数据集中确定出多个指定车辆样本,其中,该每个指定车辆样本的特征向量与该指定特征向量的差值满足预设阈值。在多个指定车辆样本中,确定出符合要求的车辆样本,将该车辆样本的车辆类型作为该指定车辆的车辆类型。
步骤S104,根据待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定当前车道内的车辆间事故概率。
在实际的隧道道路中,由于车辆在行驶过程中无法变道,因此,根据每个车道内的当前车辆数量以及各车辆之间的车间距,可以确定出每个车道内的车辆间事故概率,需要说明的是,此处的车辆间事故概率用于表示车辆间发生事故的可能性,车辆间发生的事故是指事故涉及至少两辆车,例如,追尾、两车或多车碰撞等事故。
在本说明书的一个实施例中,根据待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定当前车道内的车辆间事故概率。当待预测隧道内当前车道的车辆数量大于预设阈值时,将车辆间事故概率设置为较大数值,也就是说,当隧道道路的单一车道内的车辆较多时,无需考虑车辆间距,可将车辆间事故概率设置为较大数据,表示更容易发生交通事故。此处的预设阈值可以根据隧道长度以及可容纳车辆的最大数量设置。当待预测隧道内当前车道的车辆数量小于预设阈值时,为避免某几辆车之间发生交通事故,还需要判断当前车道内,各车辆之间的车间距,若存在车间距小于预设跟车距离时,认为容易发生交通事故,但发生事故的范围较小,因此可以将车辆间事故概率设置为较小数值。
步骤S105,根据预先获取的各车辆对应的车辆运行参数、各监测点所监测路段的环境数据以及预先获取的待预测隧道的路面类型,确定各监测路段的路面附着系数,以便于根据各监测路段的路面附着系数,确定待预测隧道内各监测路段的单一车辆事故概率。
在本说明书的一个实施例中,隧道内除了容易发生车辆间事故之外,还容易因隧道内的环境变化所产生的路面湿滑,引起的单一车辆事故,此处的单一车辆事故是指一个车辆发生的事故,例如车辆侧滑等。在隧道内,由于隧道的结构特殊性,导致隧道内的环境变化更加频繁,例如温度较高时,由于散热性能较差,导致隧道内的温度远高于外部,温度、湿度的变化均会对路面附着系数产生影响,增加车辆发生侧滑等单一车辆事故的风险。需要说明的是,附着系数是附着力与车轮法向(与路面垂直的方向)压力的比值。粗略计算中,它可以看成是轮胎和路面之间的静摩擦系数。附着系数的数值主要决定于道路的材料、路面的状况与车轮胎结构、胎面花纹、材料以及汽车运动的速度等因素。
在本说明书的一个实施例中,根据各车辆对应的车辆运行参数、各监测点所监测路段的环境数据以及待预测隧道的路面类型,确定各监测路段的路面附着系数,根据各监测路段的路面附着系数,确定待预测隧道内各监测路段的单一车辆事故概率,路面附着系数越大,说明发生侧滑事故的风险越小,也就是说,单一车辆事故概率越小。
在本说明书的一个实施例中,在确定路面附着系数之前,需要获取待预测隧道的路面类型,一般情况下,路面类型可以是沥青、水泥、碎石等。首先,获取每个监测点所监测路段的道路图像中每个像素点的像素值,根据道路图像中每个像素点的像素值,提取出道路图像中的道路区域,生成道路区域图像。
采集沥青、水泥、碎石等多种常见车辆行驶路面的图像信息,对采集到的信息进行增广处理和灰度化处理,并使用圆形LBP算子提取路面图像的LBP特征,同时使用小波散射框架提取路面图像的小波纹理特征;将这两种路面纹理特征进行融合,形成该图像数据集的特征矩阵,并在特征矩阵最后一列打上标签。之后,在Matlab中使用有监督的机器学习训练模型对数据进行分类,选取其中准确率最高的分类器作为分类器模型。使用预设特征提取方法,提取该道路区域图像的图像特征,此处的特征提取方法可以是圆形LBP算子和小波散射框架。基于上述步骤得到的分类器,通过道路区域图像的图像特征,确定出该待预测隧道的路面类型。也就是说,将道路区域图像输入至分类器中,得到该待预测隧道的路面类型。
在本说明书的一个实施例中,需要获取各车辆的车辆运行参数,可以通过对道路图像中车辆进行识别,确定出车辆的类型,此处的车辆类型可以是车辆品牌和车辆型号,根据车辆品牌和车辆型号,得到每个车辆的车辆运行参数,此处的车辆运行参数可以是车轮胎结构、胎面花纹、轮胎材料以及轮胎在不同速度下的转速等。
根据预先获取的各车辆对应的车辆运行参数、该各监测点所监测路段的环境数据以及预先获取的该待预测隧道的路面类型,确定各监测路段的路面附着系数,具体包括:通过该待预测隧道的路面类型,在预先构建的先验数据库中,获取该路面类型对应的路面附着系数经验值;基于该环境数据,对该路面附着系数经验值进行调整,得到当前路面附着系数;根据该车辆运行参数和该待预测隧道的路面类型,确定出指定路面附着系数;在该当前路面附着系数和该指定路面附着系数中,将最小的路面附着系数作为各监测路段的路面附着系数。
在本说明书的一个实施例中,根据待预测隧道的路面类型,在预先构建的先验数据库中,获取该路面类型对应的路面附着系数经验值。需要说明的是,先验数据库中包括各种路面在标准环境下的路面附着系数经验值。根据各监测点对应的环境数据,对路面附着系数经验值进行调整,得到当前路面附着系数。也就是说,根据当前环境数据与标准环境对应的标准环境数据之间的大小关系,在路面附着系数经验值的基础上进行调整,例如,若当前环境数据中的湿度值大于标准环境数据中的标准湿度,则将路面附着系数经验值进行缩减,得到当前环境对应的当前路面附着系数。
另外,路面附着系数除了受环境之外,还与车辆的运行参数有关。根据车辆运行参数和待预测隧道的路面类型,确定出指定路面附着系数。在当前路面附着系数和该指定路面附着系数中,将最小的路面附着系数作为各监测路段的路面附着系数。由于路面附着系数越小,车辆在行驶过程中发生危险的可能性越大,因此,取当前路面附着系数和该指定路面附着系数中数值较小的一个作为各监测路段的路面附着系数。
步骤S106,通过当前车道内的车辆间事故概率以及待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果。
在本说明书的一个实施例中,通过当前车道内的车辆间事故概率以及待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果,也就是说,在对待预测隧道内的道路事故进行预测时,将道路事故按照的车辆间事故和单一车辆事故进行划分,结合两种事故的预测概率得到最终的道路事故预测结果。
通过上述技术方案,在待预测隧道内设置多个监测点,实现对隧道内道路的全方位监测,保证了监测数据的全面性。将监测数据中的道路图像进行车道划分,针对每个车道内的车辆参数,生成车辆间事故概率;并且根据检测数据中的环境数据,确定出路面附着系数,进而确定出各监测路段的单一车辆事故概率,针对隧道内道路环境的特殊性,将道路事故按照的车辆间事故和单一车辆事故进行划分,结合两种事故的预测概率得到最终的道路事故预测结果,保证了预测结果的全面性和准确性。
本说明书实施例还提供一种隧道内的道路事故预测设备,如图2所示,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:预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据,其中,该各监测点的监测数据包括各监测点所监测路段的道路图像和各监测点所监测路段的环境数据;对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像;对该当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,其中,该车辆参数包括该待预测隧道内当前车道的车辆数量以及各车辆之间的车间距;根据该待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定该当前车道内的车辆间事故概率;根据预先获取的各车辆对应的车辆运行参数、该各监测点所监测路段的环境数据以及预先获取的该待预测隧道的路面类型,确定各监测路段的路面附着系数,以便于根据该各监测路段的路面附着系数,确定该待预测隧道内各监测路段的单一车辆事故概率;通过该当前车道内的车辆间事故概率以及该待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果。
本说明书实施例还提供一种非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据,其中,该各监测点的监测数据包括各监测点所监测路段的道路图像和各监测点所监测路段的环境数据;对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像;对该当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,其中,该车辆参数包括该待预测隧道内当前车道的车辆数量以及各车辆之间的车间距;根据该待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定该当前车道内的车辆间事故概率;根据预先获取的各车辆对应的车辆运行参数、该各监测点所监测路段的环境数据以及预先获取的该待预测隧道的路面类型,确定各监测路段的路面附着系数,以便于根据该各监测路段的路面附着系数,确定该待预测隧道内各监测路段的单一车辆事故概率;通过该当前车道内的车辆间事故概率以及该待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果。
本说明书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。
上述对本说明书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。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个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,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种隧道内的道路事故预测方法,其特征在于,所述方法包括:
预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据,其中,所述各监测点的监测数据包括各监测点所监测路段的道路图像和各监测点所监测路段的环境数据;
对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像;
对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,其中,所述车辆参数包括所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距;
根据所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定所述当前车道内的车辆间事故概率;
根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数,以便于根据所述各监测路段的路面附着系数,确定所述待预测隧道内各监测路段的单一车辆事故概率;
通过所述当前车道内的车辆间事故概率以及所述待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果。
2.根据权利要求1所述的一种隧道内的道路事故预测方法,其特征在于,对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像,具体包括:
预先获取所述各监测点的位置信息,以便于根据所述各监测点的位置信息,按照预设顺序,对所述各监测点所监测路段的道路图像进行排序,得到各道路图像的位置序列信息;
对所述各监测点所监测路段的道路图像进行区域划分,得到多个车道子区域图像,以便于按照所述每个车道子区域图像在所述各监测点的道路图像中的位置,对每个车道子区域图像设置车道标识;
根据所述各道路图像的位置序列信息,将所述车道标识相同的多个车道子区域图像进行图像拼接,生成当前车道对应的车道区域图像。
3.根据权利要求2所述的一种隧道内的道路事故预测方法,其特征在于,对所述各监测点所监测路段的道路图像进行区域划分,得到多个车道子区域图像,具体包括:
对所述各监测点的道路图像进行色彩通道分离,获取所述各监测点的指定通道道路图像;
根据预先获取的所述各监测点的指定通道图像中各个像素点的像素值,将所述各监测点的道路图像分为多个车道子区域图像。
4.根据权利要求1所述的一种隧道内的道路事故预测方法,其特征在于,在待预测隧道内设置多个监测点,具体包括:
确定出与所述待预测隧道相连的第一路段和第二路段,其中,所述第一路段的出口为所述待预测隧道的入口,所述第二路段的入口为所述待预测隧道的出口;
预先获取待预测隧道的道路参数,其中,所述道路参数包括道路长度和道路宽度;
基于所述待预测隧道的道路长度,将所述待预测隧道等分为多个隧道路段,以便于在两个相邻隧道路段的中间位置处,设置指定监测点;
根据所述待预测隧道的道路宽度,设置每个指定监测点处的监测范围;
在所述待预测隧道的入口处和出口处,分别设置第一预设监测点和第二预设监测点;
获取所述第一路段的道路方向和所述待预测隧道的道路方向之间的第一夹角,并获取所述第二路段的道路方向和所述待预测隧道的道路方向之间的第二夹角;
根据所述第一夹角,调整所述第一预设监测点处的监测角度,并根据所述第二夹角,调整所述第二预设监测点处的监测角度。
5.根据权利要求1所述的一种隧道内的道路事故预测方法,其特征在于,根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数之前,所述方法还包括:
获取每个监测点所监测路段的道路图像中每个像素点的像素值;
基于所述道路图像中每个像素点的像素值,提取出所述道路图像中的道路区域,生成道路区域图像;
使用预设特征提取方法,提取所述道路区域图像的图像特征;
基于预先设置的分类器,通过所述道路区域图像的图像特征,确定出所述待预测隧道的路面类型。
6.根据权利要求5所述的一种隧道内的道路事故预测方法,其特征在于,根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数,具体包括:
通过所述待预测隧道的路面类型,在预先构建的先验数据库中,获取所述路面类型对应的路面附着系数经验值;
基于所述环境数据,对所述路面附着系数经验值进行调整,得到当前路面附着系数;
根据所述车辆运行参数和所述待预测隧道的路面类型,确定出指定路面附着系数;
在所述当前路面附着系数和所述指定路面附着系数中,将最小的路面附着系数作为各监测路段的路面附着系数。
7.根据权利要求1所述的一种隧道内的道路事故预测方法,其特征在于,对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,具体包括:
构建初始的级联分类器;
对预先构建的样本图像数据集中的样本图像进行哈尔特征提取,并使用指定算法对所述哈尔特征进行选取,以对所述级联分类器进行训练,输出训练结果;
根据所述训练结果,将所述样本图像数据集中的样本图像分为正样本和负样本,其中,所述正样本对应的样本图像中存在车辆,且所述训练结果中未检测出车辆,所述负样本对应的样本图像中不存在车辆,且所述训练结果中检测出车辆;
使用所述正样本和所述负样本对所述级联分类器进行二次训练,得到符合要求的车辆识别分类器;
使用所述车辆识别分类器对所述当前车道对应的车道区域图像中的车辆进行定位,确定出所述车道区域图像中的多个车辆以及各车辆在所述车道区域中的位置信息;
根据所述所述车道区域图像中的多个车辆以及各车辆在所述车道区域中的位置信息,确定所述当前车道的车辆数量和各车辆之间的车间距。
8.根据权利要求1所述的一种隧道内的道路事故预测方法,其特征在于,所述车辆参数包括车辆类型,对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,具体包括:
预先构建车辆样本数据集,并对所述车辆样本数据集中的车辆样本进行车辆类型标注,并确定所述车辆样本对应的特征向量;
获取所述车道区域图像中的指定车辆对应的指定特征向量;
将所述车道区域图像中的指定车辆对应的指定特征向量,与所述车辆样本数据集中的特征向量进行对比,以便于在所述车辆样本数据集中确定出多个指定车辆样本,其中,所述每个指定车辆样本的特征向量与所述指定特征向量的差值满足预设阈值;
在多个指定车辆样本中,确定出符合要求的车辆样本,将所述车辆样本的车辆类型作为所述指定车辆的车辆类型。
9.一种隧道内的道路事故预测设备,其特征在于,所述设备包括:
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:
预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据,其中,所述各监测点的监测数据包括各监测点所监测路段的道路图像和各监测点所监测路段的环境数据;
对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像;
对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,其中,所述车辆参数包括所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距;
根据所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定所述当前车道内的车辆间事故概率;
根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数,以便于根据所述各监测路段的路面附着系数,确定所述待预测隧道内各监测路段的单一车辆事故概率;
通过所述当前车道内的车辆间事故概率以及所述待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
预先在待预测隧道内设置多个监测点,并获取各监测点的监测数据,其中,所述各监测点的监测数据包括各监测点所监测路段的道路图像和各监测点所监测路段的环境数据;
对每个监测点所监测路段的道路图像进行划分,生成当前车道对应的车道区域图像;
对所述当前车道对应的车道区域图像中的车辆进行识别,得到当前车道的车辆参数,其中,所述车辆参数包括所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距;
根据所述待预测隧道内当前车道的车辆数量以及各车辆之间的车间距,确定所述当前车道内的车辆间事故概率;
根据预先获取的各车辆对应的车辆运行参数、所述各监测点所监测路段的环境数据以及预先获取的所述待预测隧道的路面类型,确定各监测路段的路面附着系数,以便于根据所述各监测路段的路面附着系数,确定所述待预测隧道内各监测路段的单一车辆事故概率;
通过所述当前车道内的车辆间事故概率以及所述待预测隧道内各监测路段的单一车辆事故概率,生成待预测隧道内的道路事故预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210496431.6A CN115100846B (zh) | 2022-05-09 | 2022-05-09 | 一种隧道内的道路事故预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210496431.6A CN115100846B (zh) | 2022-05-09 | 2022-05-09 | 一种隧道内的道路事故预测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100846A CN115100846A (zh) | 2022-09-23 |
CN115100846B true CN115100846B (zh) | 2024-04-30 |
Family
ID=83287644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210496431.6A Active CN115100846B (zh) | 2022-05-09 | 2022-05-09 | 一种隧道内的道路事故预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100846B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094474B (zh) * | 2023-10-18 | 2024-02-20 | 济南瑞源智能城市开发有限公司 | 一种基于全息感知的智慧隧道风险感知方法、设备及介质 |
CN117392395B (zh) * | 2023-12-07 | 2024-02-06 | 浙江省机电设计研究院有限公司 | 隧道温度分布预测方法、装置、计算机设备及存储介质 |
CN117894209B (zh) * | 2024-03-14 | 2024-05-28 | 山东理工大学 | 一种多入口下穿隧道色彩视觉与智能警示安全引行系统 |
CN118230555B (zh) * | 2024-05-24 | 2024-08-27 | 广东飞达交通工程有限公司 | 基于图像识别的公路事故警示方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
CN112863247A (zh) * | 2020-12-30 | 2021-05-28 | 潍柴动力股份有限公司 | 一种道路识别方法、装置、设备和存储介质 |
CN113256969A (zh) * | 2021-04-30 | 2021-08-13 | 济南金宇公路产业发展有限公司 | 一种高速公路的交通事故预警方法、设备及介质 |
KR102314900B1 (ko) * | 2021-03-25 | 2021-10-20 | 윤찬웅 | 터널 사고 통합 경보시스템 및 이에 대한 제어방법 |
CN114093152A (zh) * | 2021-12-29 | 2022-02-25 | 安徽达尔智能控制系统股份有限公司 | 一种基于多信息渠道的高速公路隧道异常事件报警方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60107938T2 (de) * | 2000-03-15 | 2006-03-30 | Raytheon Company, Waltham | Automatische unfallfeststellung |
-
2022
- 2022-05-09 CN CN202210496431.6A patent/CN115100846B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018103313A1 (zh) * | 2016-12-06 | 2018-06-14 | 杭州海康威视数字技术股份有限公司 | 发生交通事故的风险预测方法、装置及系统 |
CN112863247A (zh) * | 2020-12-30 | 2021-05-28 | 潍柴动力股份有限公司 | 一种道路识别方法、装置、设备和存储介质 |
KR102314900B1 (ko) * | 2021-03-25 | 2021-10-20 | 윤찬웅 | 터널 사고 통합 경보시스템 및 이에 대한 제어방법 |
CN113256969A (zh) * | 2021-04-30 | 2021-08-13 | 济南金宇公路产业发展有限公司 | 一种高速公路的交通事故预警方法、设备及介质 |
CN114093152A (zh) * | 2021-12-29 | 2022-02-25 | 安徽达尔智能控制系统股份有限公司 | 一种基于多信息渠道的高速公路隧道异常事件报警方法和系统 |
Non-Patent Citations (1)
Title |
---|
彭翔 ; 宋灿灿 ; 王维利 ; 康可心 ; .高速公路交通事故数据分析方法研究.城市道桥与防洪.2020,(第05期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115100846A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115100846B (zh) | 一种隧道内的道路事故预测方法、设备及介质 | |
US10885777B2 (en) | Multiple exposure event determination | |
CN106043293B (zh) | 用于安全地停放车辆的方法和装置 | |
JP7499256B2 (ja) | ドライバの挙動を分類するためのシステムおよび方法 | |
US9335178B2 (en) | Method for using street level images to enhance automated driving mode for vehicle | |
US11282388B2 (en) | Edge-assisted alert system | |
CN111038522B (zh) | 评估驾驶员辅助系统的训练数据集的车辆控制单元和方法 | |
CN106778548B (zh) | 用于检测障碍物的方法和装置 | |
CN111016921A (zh) | 用于确定车辆数据集熟悉度的系统和方法 | |
CN110188606B (zh) | 基于高光谱成像的车道识别方法、装置及电子设备 | |
CN104376297A (zh) | 道路上的线型指示标志的检测方法和装置 | |
JP6094181B2 (ja) | 運転評価装置、方法、プログラム及び運転評価用車載機 | |
CN113012436B (zh) | 道路监控方法、装置及电子设备 | |
KR101659251B1 (ko) | 주행 차로 정보 또는 도로 정보의 식별 시스템 및 이를 이용한 식별 방법 | |
JP6936192B2 (ja) | 渋滞状態特定方法、渋滞状態特定装置及びコンピュータプログラム | |
JP4580995B2 (ja) | 道路交通管制システム | |
WO2018030103A1 (ja) | 表示内容認識装置、および車両制御装置 | |
Koloushani et al. | Mobile mapping system-based methodology to perform automated road safety audits to improve horizontal curve safety on rural roadways | |
Meocci et al. | Black boxes data for road pavement conditions monitoring: A case study in Florence | |
Kimachi et al. | Incident prediction by fuzzy image sequence analysis | |
Jang | Pavement slipperiness detection using wheel speed and acceleration sensor data | |
JP7458940B2 (ja) | 画像処理装置 | |
JP6997471B2 (ja) | 情報処理システム、情報処理装置、端末装置、サーバ装置、プログラム、又は方法 | |
JP4128962B2 (ja) | 道路交通管制システム | |
CN113147789A (zh) | 无人驾驶车辆的控制方法及控制装置、无人驾驶车辆 |
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 |