CN115148018B - 交通事件检测设备及方法 - Google Patents
交通事件检测设备及方法 Download PDFInfo
- Publication number
- CN115148018B CN115148018B CN202110346644.6A CN202110346644A CN115148018B CN 115148018 B CN115148018 B CN 115148018B CN 202110346644 A CN202110346644 A CN 202110346644A CN 115148018 B CN115148018 B CN 115148018B
- Authority
- CN
- China
- Prior art keywords
- traffic
- target area
- target
- vehicle
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims description 36
- 238000004458 analytical method Methods 0.000 claims description 106
- 206010039203 Road traffic accident Diseases 0.000 claims description 38
- 230000001133 acceleration Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种交通事件检测设备及方法,属于电子技术领域。所述交通事件检测设备用于:通过毫米波雷达获取目标区域内的交通信息,交通信息包括车辆的位置及速度;毫米波雷达用于接收目标区域内障碍物反射的回波信号,并基于回波信号确定目标区域内的交通信息;基于交通信息判断目标条件是否满足;目标条件包括目标区域内的交通流密度大于密度阈值,以及目标区域内车辆的平均速度小于速度阈值;在目标条件满足时,确定目标区域发生交通拥堵事件。本申请解决了交通事件的检测精度较差的问题。本申请用于进行交通事件的检测。
Description
技术领域
本申请涉及电子技术领域,特别涉及一种交通事件检测设备及方法。
背景技术
随着电子技术的发展,为了保证交通运输的安全,对于交通运输环境中交通事件的检测精准度的要求越来越高。
相关技术中,交通事件检测设备包括摄像设备和交通事件的分析设备,摄像设备拍摄交通运输环境的视频,分析设备基于该视频确定车辆的速度,进而检测交通运输环境中是否发生交通事件。
但是,相关技术中检测交通事件的方式较为单一,交通事件的检测精度较差。
发明内容
本申请提供了一种交通事件检测设备及方法,可以解决交通事件的检测精度较差的问题。所述技术方案如下:
一方面,提供了一种交通事件检测设备,所述交通事件检测设备用于:
通过毫米波雷达获取目标区域内的交通信息,所述交通信息包括车辆的位置及速度;所述毫米波雷达用于接收所述目标区域内障碍物反射的回波信号,并基于所述回波信号确定所述目标区域内的交通信息;
基于所述交通信息判断目标条件是否满足;所述目标条件包括所述目标区域内的交通流密度大于密度阈值,以及所述目标区域内车辆的平均速度小于速度阈值;
在所述目标条件满足时,确定所述目标区域发生交通拥堵事件。
另一方面,提供了一种交通事件检测方法,用于交通事件检测设备;所述方法包括:
通过毫米波雷达获取目标区域内的交通信息,所述交通信息包括车辆的位置及速度;所述毫米波雷达用于接收所述目标区域内障碍物反射的回波信号,并基于所述回波信号确定所述目标区域内的交通信息;
基于所述交通信息判断目标条件是否满足;所述目标条件包括所述目标区域内的交通流密度大于密度阈值,以及所述目标区域内车辆的平均速度小于速度阈值;
在所述目标条件满足时,确定所述目标区域发生交通拥堵事件。
本申请提供的技术方案带来的有益效果至少包括:
本申请提供的交通事件检测设备,可以通过毫米波雷达检测的目标区域内的交通流密度以及车辆的平均速度,确定目标区域内是否发生交通拥堵事件。毫米波雷达在进行交通信息的检测时对环境的要求较宽松,采用毫米波雷达可以对交通信息进行较为精准地检测;且本申请中该交通事件的检测方式可以基于较多的参数确定,该交通事件的检测方式较为丰富,交通事件的检测精度较高。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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他的附图。
图1是本申请实施例提供的一种交通事件检测系统的结构示意图;
图2是本申请实施例提供的一种交通事件检测方法的流程图;
图3是本申请实施例提供的另一种交通事件检测方法的流程图;
图4是本申请实施例提供的一种毫米波雷达的结构框图;
图5是本申请实施例提供的一种毫米波雷达的信号处理流程图;
图6是本申请实施例提供的一种数组生成方式的表征图;
图7是本申请实施例提供的再一种交通事件检测方法的流程图;
图8是本申请实施例提供的一种清单编辑页面的示意图;
图9是本申请实施例通过的一种分析设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
随着电子技术的发展,环境中的各种信息的获取方式越来越多样化,信息的获取精度越来越高,信息的获取局限性也逐渐降低。智能交通随之快速发展,目前智能交通中主要进行交通事件的检测与上报,对于交通事件的检测精度的要求也越来越高。本申请以下实施例提供了一种交通事件检测设备及方法,可以提高交通事件的检测精度。
图1是本申请实施例提供的一种交通事件检测系统的结构示意图。如图1所示,该系统中交通事件检测设备10可以包括毫米波雷达101和分析设备102,该毫米波雷达101与分析设备102可以通信连接,如有线连接或无线连接。可选地,该分析设备102可以为服务器(如图1所示),该服务器可以与毫米波雷达101位于不同空间。或者该分析设备102也可以仅为一个数据处理模块或者芯片,该分析设备102可以与毫米波雷达101相集成在一起,本申请实施例不做限定。可选地,该系统还可以包括管理设备20,该分析设备102可以与该管理设备20通信连接。该管理设备20可以为交通信号机或交通管理平台。可选地,毫米波雷达也可以直接与管理设备通信连接,将检测的交通信息发送至管理设备。
其中,该毫米波雷达101可以安装在交通环境中。如在道路上每隔一定距离安装一个信息捡测设备,该毫米波雷达可以安装在道路上方;或者可以在每个路口处安装毫米波雷达。如图1所示,毫米波雷达101可以安装在道路上方的信号灯杆上。该毫米波雷达101用于检测目标区域内的交通信息,该交通信息可以包括目标区域内的车辆的位置及速度。图1中的小方块表示车辆。可选地,该毫米波雷达101可以位于该目标区域内。该分析设备102可以基于毫米波雷达101检测的交通信息分析目标区域中当前的交通状况,如分析目标区域中当前发生的交通事件,确定目标区域中是否发生交通拥堵或者交通事故等交通事件。分析设备102在确定目标区域中的交通事件后,可以向管理设备20发送该交通事件的信息,以便于管理设备基于该交通事件进行相应地处理。如发生交通事故时管理设备可以向交通管理部门发送报警信息,以使交通管理部门对该交通事故进行及时处理。又如该管理设备可以直接由交通管理部门使用,该管理设备接收到交通事件的信息后交通管理部门就可以直接获知该信息。
在交通事件的检测中交通信息的有效采集至关重要。示例地,交通信息采集包括基于线圈、视频、地磁、雷达以及激光等技术的多种方式。其中,通过地磁和线圈的交通信息采集需要封闭车道、破坏道路对采集设备进行安装,若采集设备损坏不易迅速恢复,采集设备的维护成本较大。通过拍摄视频的方式采集信息受环境因素影响大,大雾天气或夜间无灯光照明时无法进行信息采集。通过激光的方式采集所耗费的成本较高,不易推广使用。
毫米波雷达是指工作在30吉赫兹~300吉赫兹频域(波长为1毫米~1厘米)的雷达。毫米波雷达发出波长范围为1毫米~1厘米的毫米波,进而接收被障碍物反射的回波。通过对该回波进行检测,且与发射波进行比较,可以得到发射波与回波之间脉冲或相位的差值及频率的变化,由此可以计算出毫米波雷达与障碍物的相对距离、相对速度、角度以及运动方向等。由于毫米波雷达的工作频率较高,因此能得到大的信号带宽和多普勒频移,有利于提高障碍物的距离和速度的测量精度和分辨能力,还可以分析得到障碍物的细节特征。毫米波穿透雾、烟和灰尘的能力强,不易受外界电磁噪声的干扰,故毫米波雷达对交通信息的检测具有全天候全天时的特点,在夜间无灯光或大雾天气下,也能准确地检测信息。毫米波雷达还可以分辨识别尺寸较小的目标,并且能同时识别多个目标。示例地,本申请实施例中应用毫米波雷达作为信息检测设备检测交通信息,该毫米波雷达的检测范围在毫米波的传输方向(也即纵向)上可以覆盖200米,在横向上可以覆盖8个车道,可以对该检测范围内的128个目标进行跟踪检测。毫米波雷达的可用频段有24吉赫兹、60吉赫兹和77吉赫兹,本申请实施例中毫米波雷达可以使用77吉赫兹频段的毫米波雷达,以保证交通信息的检测精度较高。
图2是本申请实施例提供的一种交通事件检测方法的流程图,该方法可以用于图1的交通事件检测设备10,具体地可以用于交通事件检测设备10中的分析设备102。如图2所示,该方法可以包括:
步骤201、通过毫米波雷达获取目标区域内的交通信息,交通信息包括车辆的位置及速度。
分析设备可以从目标区域对应的毫米波雷达获取目标区域内的交通信息。示例地,毫米波雷达在检测到目标区域内的交通信息后,可以将该交通信息发送至分析设备。
步骤202、基于交通信息判断目标条件是否满足;目标条件包括目标区域内的交通流密度大于密度阈值,以及目标区域内车辆的平均速度小于速度阈值。
步骤203、在目标条件满足时,确定目标区域发生交通拥堵事件。
综上所述,本申请实施例提供的交通事件检测设备,可以通过毫米波雷达检测的目标区域内的交通流密度以及车辆的平均速度,确定目标区域内是否发生交通拥堵事件。毫米波雷达在进行交通信息的检测时对环境的要求较宽松,采用毫米波雷达可以对交通信息进行较为精准地检测;且本申请中该交通事件的检测方式可以基于较多的参数确定,该交通事件的检测方式较为丰富,交通事件的检测精度较高。
图3是本申请实施例提供的另一种交通事件检测方法的流程图,该方法可以用于图1的交通事件检测设备中的分析设备102。如图3所示,该交通事件检测方法可以包括:
步骤301、确定交通信息的获取周期以及毫米波雷达检测的目标区域的长度。执行步骤302。
分析设备在开始工作时,可以对其工作所需的参数进行初始化以确定该参数。如分析设备可以周期性地获取交通信息,该参数可以包括交通信息的获取周期。工作人员可以对分析设备的工作进行控制,如可以对分析设备的工作参数进行设置。针对某一区域的交通事件,分析设备可以周期性地进行分析,进行分析的周期可以由工作人员自行设定,或者分析设备也可以对应固定的周期。分析设备可以依据该周期来获取交通信息,也即可以将该周期作为交通信息的获取周期。示例地,该获取周期为目标时长,该目标时长为30秒,或者该目标时长也可以为20秒或其他时长,本申请实施例不做限定。
该参数还可以包括分析设备获取的交通信息的所属区域的范围,如分析设备从毫米波雷达获取其检测的目标区域的交通信息,该目标区域的范围即为事件分析设备获取的交通信息的所属区域的范围,该范围可以通过目标区域的长度表示。可选地,目标区域为道路所在区域,假设目标区域中的道路呈直线,目标区域的长度可以为目标区域在道路的延伸方向上的长度。由于道路可能是弯曲的,故目标区域的长度也可以指:目标区域的道路中距毫米波雷达最远的一端与距毫米波雷达最近的一端的距离。示例地,毫米波雷达可以检测距该毫米波雷达200米以内的交通信息,该目标区域的长度为200米,毫米波雷达的信息检测区间为0~200米。
步骤302、以该获取周期从毫米波雷达周期性地获取毫米波雷达检测的目标区域的交通信息。执行步骤303。
本申请实施例中分析设备以目标时长为获取周期,从毫米波雷达周期性地获取毫米波雷达检测的目标区域的交通信息。也即是,分析设备每隔目标时长从毫米波雷达获取一次交通信息,且获取的交通信息为毫米波雷达在获取时刻之前的目标时长内检测的目标区域的交通信息。需要说明的是,步骤302可以与后续的其他步骤并行执行,对于步骤302中每次获取的信息均可以执行步骤303以及之后的步骤。
本申请实施例中,毫米波雷达可以持续性地检测目标区域内的交通信息,还可以存储检测的交通信息。示例地,图4是本申请实施例提供的一种毫米波雷达的结构框图。如图4所示,毫米波雷达101可以包括信号发射模块1011、信号采集模块1012、处理模块1013和存储模块1014。毫米波雷达可以通过信号发射模块发射探测信号,通过信号采集模块接收被目标区域中的障碍物反射回的信号。处理模块可以基于信号发射模块发射的信号以及信号采集模块采集的信息进行分析处理,以得到交通信息。
该交通信息可以包括目标区域内的障碍物的类型、位置、速度以及与毫米波雷达形成的角度。障碍物的类型可以包括车辆、行人以及其他障碍物,该车辆还可以具体划分为汽车、摩托车和自行车等类型。如可以在目标区域中以毫米波雷达所在位置为原点建立坐标系,该坐标系的y轴可以平行目标区域中道路的延伸方向,x轴平行目标区域中道路的横向,目标区域中障碍物的位置以x坐标和y坐标来表现。障碍物对应的x坐标值为在道路的横向上障碍物与毫米波雷达的距离,该y坐标值为在道路的延伸方向上障碍物与毫米波雷达的距离。
示例地,毫米波雷达为毫米波雷达,该毫米波雷达可以持续发出多个毫米波信号,进而接收到返回的多个毫米波信号。由于返回的毫米波信号可能并非均匀信号,毫米波雷达可以将接收的毫米波信号均匀化得到中频(Intermediate Frequency,IF)信号,之后再对该IF信号进行处理以得到交通信息。图5是本申请实施例提供的一种毫米波雷达的信号处理流程图。如图5所示,毫米波雷达在得到IF信号后,可以执行下述步骤s1至步骤s7,以得到交通信息。
步骤s1、对IF信号通过模拟数字转换(Analog-to-digital converter,ADC)模块进行采样得到采样信号。
步骤s2、对采样信号进行距离快速傅立叶变换(fast Fourier transform,FFT)。如对采样信号的采样维度进行一维FFT,获得采样信号的距离频谱,该距离频谱可以反映与毫米波雷达的距离不同的障碍物返回的信号的不同强度。
步骤s3、对采样信号进行Capon波束成形处理。如对得到的每一个距离生成角度频谱,该角度指的是每个距离对应的障碍物与毫米波雷达的连线与水平线的夹角。且基于得到的距离频谱和角度频谱生成距离角度热图,该距离角度热图可以反映与毫米波雷达的距离和角度不同的障碍物返回的信号强度。
步骤s4、对距离角度热图进行峰值检测或恒虚警率(ConstantFalseAlarmRate,CFAR)处理。如针对步骤s3生成的距离角度热度图进行峰值检测,通过设置适当的距离阈值和角度阈值,确定距离角度热度图中的目标点和噪点。其中,当某个点的距离大于该距离阈值,且该点与毫米波雷达的连线与水平线的夹角大于角度阈值时,确定该点为目标点。如果实际的噪点被认为是目标点则被称为虚警,步骤s4中通过调整距离阈值和角度阈值,使得在保持恒定的虚警率的前提下检测目标点。通过此步骤可以确定由障碍物返回的信号点所对应的距离和角度,此步骤中确定出的信号点构成点云图。
步骤s5、对点云图中的每个点进行多普勒FFT处理,以得到每个点的速度。
步骤s6、对点云图中的点进行聚类处理。由于一个物体会返回很多个信号点,所以需要对点云图进行聚类,以识别出属于同一物体的多个点,这样可以将目标区域中的不同障碍物区分开来。此步骤可以检测出目标区域中有几个物体,以及确定每个物体的距离和速度,到此完成障碍物检测。
步骤s7、对确定的障碍物进行目标识别与分类。如毫米波雷达中的处理模块可以采用分类算法确定检测的障碍物的类型,如识别障碍物的类型是汽车、自行车还是行人,以对每个检测到的物体进行分类。至此可以确定目标区域中各个障碍物的速度以及位置,实现对目标区域中的交通信息的检测。
分析设备在获取到目标区域中的交通信息后,便可以基于该交通信息对目标区域中存在的交通事件进行分析。如分析设备可以依据目标条件来判断目标区域中是否发生交通拥堵事件,在该目标条件满足时确定其中发生交通拥堵事件。该目标条件可以包括目标区域内的交通流密度大于密度阈值,以及目标区域内车辆的平均速度小于速度阈值。
需要说明的是,交通流密度指的是在单位长度的路段上,一个车道或一个方向上某一瞬时的车辆数。交通流密度用以表示道路上车辆的密集程度。交通流密度不仅随时间的变化而变动,也随设定的路段的单位长度而变化,交通流密度包括时间维度的时间占有率和空间维度的空间占有率。时间占用率是指在道路的观测断面上,车辆通过的时间累计值占测定时间的百分率,该观测断面垂直于道路的延伸方向。空间占用率指的是在单位长度的车道上,汽车投影长度总和占车道长度的百分率。在此基础上,上述密度阈值可以包括时间占用率的阈值(如第一阈值)和空间占用率的阈值(如第三阈值),分析设备可以通过下述步骤303至步骤308确定目标区域内的交通流密度是否大于密度阈值。
步骤303、基于获取的交通信息,确定目标区域的时间占用率。执行步骤304。
其中,目标区域的时间占用率为:在目标时长中目标区域内的指定位置处有车辆的时长与目标时长的比值。该指定位置可以为目标区域中道路的一个观测断面,该观测断面可以与目标区域中道路的延伸方向垂直。若目标区域中的道路弯曲,则该观测断面可以与道路中该观测断面所在处道路的延伸方向垂直。在目标区域中包括多条道路时,该指定位置可以包括该多条道路在相同位置处的观测断面,该多条道路对应的行驶方向相同。可选地,该指定位置与该目标区域中路口停车线的距离小于或等于指定距离,该指定距离的范围为20米~30米。示例地,目标时长为30秒,在分析设备获取的该目标时长内交通信息中,指定位置中在15秒内均有车辆,故该目标区域的时间占用率为15/30=0.5。
步骤304、判断目标区域的时间占用率是否大于第一阈值。在目标区域的时间占用率大于第一阈值时,执行步骤305;在目标区域的时间占用率小于或等于第一阈值时,执行步骤302。
需要说明的是,在目标区域的时间占用率大于第一阈值时,分析设备可以将目标区域确定为疑似拥堵区域,接着再执行步骤305进行后续的判断,以进一步确定该目标区域中是否存在交通拥堵事件。在目标区域的时间占用率小于或等于第一阈值时,分析设备可以直接确定该目标区域中不存在交通拥堵事件,进而可以直接执行步骤302重新获取交通信息以进行下一次的交通事件分析。
步骤305、沿着目标区域中道路的延伸方向将目标区域划分为多个子区域。执行步骤306。
可选地,分析设备可以使用一维统计分析技术,确定各个车辆在道路的延伸方向上的位置,如提取车辆的y坐标值;接着,将提取的y坐标值按照道路对应的行驶方向进行倒序排序,以得到一个有序可重复的一维数组。例如,道路对应的行驶方向是y坐标值逐渐增大的方向,则将各个车辆的y坐标值按y坐标值减小的顺序排序以形成一维数组。如道路上有三辆汽车,该三辆汽车的y坐标值分别为20米、30米和50米,则可以生成一维数组(50,30,20)。图6是本申请实施例提供的一种数组生成方式的表征图,其中的方框表示车辆。如图6所示,可以将目标区域中各个车道中的车辆按照y坐标值进行排序,以生成一维数组。
空间的大小划分对空间占用率的计算有着重要影响,本申请实施例中将目标区域划分为多个子区域,如将得到的一维数组分为与该多个子区域一一对应的多个子数组,以分别对该各个子区域进行空间占用率的计算。如此可以避免目标区域的不同区域中车辆密度相差较大,而导致计算得到的空间占用率与实际的空间占用率偏差较大,保证对目标区域内空间占用率的精准确定。由于在计算空间占用率时,时仅考虑目标区域中在道路的延伸方向上的交通信息,如仅用y坐标值进行计算,故目标区域可以被看做是在y方向上的一个线段。将目标区域划分为多个子区域相当于将一个线段划分为多个子线段,该过程也可以称为细分总体段。
可选地,该多个子区域的长度可以均相同。该长度可以大于或等于第一长度,该第一长度为经验值,该第一长度可以基于能够确定出空间占用率的区域的最小长度,该第一长度大于或等于第一数量的车辆的长度之和。如该第一数量可以为3、4或其他数量,该第一长度可以为10米、20米或其他长度。
步骤306、分别确定多个子区域中每个子区域的空间占用率。执行步骤307。
其中,任一区域的空间占用率为:在目标时长的结束时刻该区域中的车辆数量与该区域中道路的长度的比值。示例地,分析设备可以在获取到目标时长的交通信息后,确定目标时长的结束时刻每个子区域中的车辆数量。进而将该子区域中的车辆数量与该子区域的长度的比值确定为该子区域的空间占用率。
需要说明的是,若直接将目标区域分为多个子区域,进而对该多个子区域的空间占有率进行计算,则在该分割处的空间占有率会突然跳变。为了规避该分割处空间占有率的断崖式变化,本申请实施例中可以采用滑动平均法对目标区域中的交通信息进行处理,如采用滑动平均法对基于目标区域中的车辆的y坐标值形成的一维数组进行处理;之后再将进行滑动平均之后的数组分为子数组,以分别确定各个子区域的空间占用率。
步骤307、判断该多个子区域中是否存在高密度子区域,高密度子区域为空间占用率大于第三阈值的子区域。在该多个子区域中存在高密度子区域时,执行步骤308;该多个子区域中不存在高密度子区域时,执行步骤302。
分析设备在步骤306中确定各个子区域的空间占用率之后,便可以将各个子区域的空间占用率与设定的第三阈值进行比较,以将空间占用率大于第三阈值的子区域确定为高密度子区域。该第三阈值为经验值,该第三阈值可以为交通拥堵的区域的最小空间占用率。子区域的空间占用率高于第三阈值,可以说明该子区域的车辆密度满足交通拥堵时交通拥堵区域中的车辆密度,该区域可能为交通拥堵区域中的至少部分区域。
在目标区域中存在高密度子区域时表明目标区域中可能存在交通拥堵事件,进而分析设备可以执行步骤308,以进一步判断是否确实存在交通拥堵事件。在目标区域中不存在高密度子区域时,则分析设备可以直接确定目标区域中不存在交通拥堵事件,进而可以继续执行步骤302,以基于之后的交通信息对交通事件进行持续检测。
步骤308、判断是否存在连续的至少一个高密度子区域在道路的延伸方向上的长度之和大于长度阈值。在存在连续的至少一个高密度子区域在延伸方向上的长度之和大于长度阈值时,执行步骤309;在不存在连续的至少一个高密度子区域在延伸方向上的长度之和大于长度阈值时,执行步骤302。
交通拥堵事件的确定条件至少包括车辆密度高的区域的范围较大,步骤307中确定的该高密度子区域即为车辆密度高的区域,该范围的最小长度可以等于长度阈值。可选地,该长度阈值可以基于发生交通拥堵时实际的拥堵区域的最小长度来确定。该长度阈值可以大于用于划分子区域的第一长度,或者也可以等于该第一长度,本申请实施例不做限定。若该长度阈值等于子区域的长度(也即是第一长度),则在步骤307中确定目标区域中的高密度子区域后就可以直接执行步骤309。示例地,该长度阈值可以为40米、50米、100米或其他长度。
分析设备可以基于确定的各个高密度子区域,来确定是否存在车辆密度高且长度大于长度阈值的备选区域。示例地,分析设备判断在道路的延伸方向上,是否存在连续的至少一个高密度子区域的长度之和大于长度阈值。若存在连续的至少一个高密度子区域的长度之和大于长度阈值,则确定存在车辆密度高且长度大于长度阈值的备选区域,且该备选区域包括该至少一个高密度子区域。此时可以确定该目标区域中可能存在交通拥堵事件,具体的该备选区域中可能存在交通拥堵事件,接着可以进行后续的步骤309,以进一步判断备选区域中是否确实存在交通拥堵事件。若不存在连续的至少一个高密度子区域的长度之和大于长度阈值,则直接确定目标区域中不存在交通拥堵事件,进而继续执行步骤302,以基于之后的交通信息对交通事件进行持续检测。
需要说明的是,该备选区域可以为该至少一个高密度子区域组成,或者该备选区域还可以包括该至少一个高密度子区域之外的其他区域,本申请实施例不做限定。本申请实施例中,在步骤308中分析设备确定目标区域中,存在连续的至少一个高密度子区域在道路的延伸方向上的长度之和大于长度阈值时,便可以确定目标区域内的交通流密度大于密度阈值。
步骤309、判断备选区域中车辆的平均速度是否小于速度阈值,该备选区域包括该至少一个高密度子区域。在备选区域中车辆的平均速度小于速度阈值时,执行步骤310;在备选区域中车辆的平均速度大于或等于速度阈值时,执行步骤302。
某区域中存在交通拥堵事件时,可以表现为一定距离范围内的车辆密度大,以及该范围内车辆的平均速度低。在上述步骤303至步骤308中分析设备通过对交通流密度的确定,来确定目标区域中的车辆密度是否符合交通拥堵的表现。在步骤308中确定存在连续的至少一个高密度子区域的长度之和大于长度阈值后,分析设备可以确定目标区域中的车辆密度符合交通拥堵在车辆密度方面的表现。之后,分析设备可以判断该至少一个高密度子区域组成的备选区域中,车辆的平均速度是否小于速度阈值,以判断该备选区域是否符合交通拥堵在车辆速度方面的表现。该速度阈值为经验值,如该速度阈值可以为5米每秒、3米每秒或其他速度。
步骤310、确定目标区域发生交通拥堵事件,且将备选区域确定为目标区域中的拥堵区域。执行步骤311。
本申请实施例中,分析设备在确定备选区域的交通流密度以及备选区域中车辆的平均速度均符合交通拥堵的表现,则可以确定该备选区域中发生交通拥堵事件,确定该备选区域为目标区域中的拥堵区域。
步骤311、向管理设备发送目标区域发生交通拥堵事件的信息。
分析设备在确定目标区域发生交通拥堵事件后,便可以向管理设备发送目标区域发生交通拥堵事件的信息,以便于管理设备将该信息展示给交通监管人员,便于交通监管人员对该交通拥堵事件进行处理。如该管理设备可以指派交通监管人员对该目标区域中的车辆进行引导疏散。示例地,该信息可以包括目标区域中的拥堵区域的信息,如拥堵区域的范围,拥堵区域中车辆的平均速度,以及拥堵区域的交通流密度等。
本申请实施例中,分析设备进行的上述步骤303至步骤310,也即是基于获取的交通信息判断目标条件是否满足,来判断目标区域中是否发生交通拥堵事件。在该目标条件满足时确定目标区域中发生交通拥堵事件,否则确定该目标区域中并未发生交通拥堵事件。该目标条件包括目标区域内的交通流密度大于密度阈值,以及目标区域内车辆的平均速度小于速度阈值。
目标区域内的交通流密度是否大于密度阈值可以指:目标区域的时间占用率大于时间占用率的阈值,且目标区域中全部或部分区域的空间占用率大于空间占用率的阈值。上述内容以时间占用率大于时间占用率的阈值(也即第一阈值)的前提下,若目标区域中部分区域(如备选区域)的空间占用率大于空间占用率的阈值(也即第三阈值),便认为目标区域内的交通流密度大于密度阈值为例。可选地,分析设备也可以确定目标区域整个区域的空间占用率,如分析设备可以不将目标区域划分为多个子区域,直接针对整个目标区域计算空间占用率。此时密度阈值中空间占用率的阈值可以为第二阈值。在目标区域内的时间占用率大于第一阈值的前提下,在目标区域的空间占用率大于第二阈值时,确定目标区域内的交通流密度大于密度阈值。目标区域的空间占用率为目标时长的结束时刻目标区域中的车辆数量与目标区域中道路的长度的比值。接着再确定该整个目标区域内车辆的平均速度是否小于速度阈值,以确定目标区域内是否存在交通拥堵事件。
综上所述,本申请实施例提供的交通事件检测设备中,分析设备可以通过毫米波雷达检测的目标区域内的交通流密度以及车辆的平均速度,确定目标区域内是否发生交通拥堵事件。该交通事件的检测方式可以基于较多的参数确定,该交通事件的检测方式较为丰富,交通事件的检测精度较高。
本申请实施例中,分析设备除了检测交通环境中的拥堵事件,还可以检测其他交通事件。下面对分析设备确定交通环境中的交通事故事件的过程进行介绍。图7是本申请实施例提供的再一种交通事件检测方法的流程图。该方法可以用于图1的交通事件检测设备中的分析设备102。如图7所示,该交通事件检测方法可以包括:
步骤701、从毫米波雷达获取毫米波雷达检测的目标区域内的交通信息。
分析设备可以从毫米波雷达中实时获取交通信息,或者也可以周期性获取交通信息,然后依据时间顺序对各个时间的交通信息进行处理。需要说明的是,步骤701可以参考上述步骤301与步骤302,本申请实施例不再赘述。步骤701与后续的其他步骤可以并行执行,对于步骤701中每次获取的信息均可以执行步骤702以及之后的步骤。
步骤702、基于目标区域内的交通信息,检测目标区域内是否存在速度为零的车辆。在目标区域内存在速度为零的车辆时,执行步骤703;在目标区域内不存在速度为零的车辆时,继续执行步骤701。
车辆在发生交通事故后,必然会导致该车辆停止,该车辆的速度为零,且该车辆还将阻挡其他车辆的正常行驶,如导致其他车辆的速度也为零。分析设备可以先检测目标区域内是否存在速度为零的车辆,以对可能发生交通事故的车辆进行筛选。下面将速度为零的车辆称为零速车辆。
分析设备从毫米波雷达中获取的交通信息包括车辆的速度,故可以直接基于该交通信息确定目标区域内各个车辆的速度是否为零,也即确定目标区域内是否存在零速车辆。在确定目标区域内某车辆的速度为零时,针对该车辆执行步骤703,以进一步确定该车辆是否发生交通事故。需要说明的是,对于目标区域内每个零速车辆,分析设备均需执行后续的处理。在确定目标区域内不存在零速车辆时,分析设备直接确定该目标区域内未发生交通事故,进而可以重新执行步骤701获取交通信息以进行下一次的交通事件分析。
步骤703、检测速度为零的车辆所在的目标区域中是否存在交通拥堵事件。在目标区域中存在交通拥堵事件时,执行步骤701;在目标区域中不存在交通拥堵事件时,执行步骤704。
车辆在发生交通事故后一段时间内,该交通事故会导致道路中的至少部分车辆停止行驶,进而会造成交通拥堵事件,此时交通环境中的交通事件为交通拥堵事件。而在车辆刚发生交通事故时,该车辆并未处于交通拥堵区域中,此时交通交通环境中的交通事件为交通事故事件。本申请实施例中分析设备在检测交通事故事件时,在确定零速车辆后可以检测该零速车辆所在的目标区域中是否存在交通拥堵事件,在确定目标区域存在交通拥堵事件后,直接将该零速车辆的相关信息作为交通拥堵事件中的相关信息,不再进行交通事故事件的判断。在确定目标区域中不存在交通拥堵事件后,再进一步判断目标区域中是否发生交通事故。
示例地,目标区域可以为毫米波雷达支持检测交通信息的整个区域,分析设备也可以直接检测该目标区域中是否存在交通拥堵事件。可选地,分析设备也可以在确定该目标区域中存在交通拥堵事件时,再判断该零速车辆是否位于目标区域中的拥堵区域中。在确定该零速车辆位于该拥堵区域,再执行步骤701,否则执行步骤704。需要说明的是,分析设备可以通过图3所示的方法确定目标区域中是否存在交通拥堵事件,且在存在交通拥堵事件时确定目标区域中的拥堵区域。在分析设备确定零速车辆后,可以依据对拥堵区域的确定结果,判断该车辆是否位于该拥堵区域中。
步骤704、判断速度为零的车辆在其速度为零之前的第一时长内,该车辆的加速度是否大于加速度阈值。在该车辆的加速度大于加速度阈值时,执行步骤705;在该车辆的加速度小于或等于加速度阈值时,执行步骤701。
车辆在发生交通事故前一段时间内通常会进行紧急刹车,该过程中车辆的加速度较大,如该段时间的时长可以大于或等于第一时长,该加速度大于加速度阈值。分析设备确定零速车辆位于拥堵区域中后,可以基于该零速车辆在速度变为零之前第一时长内的信息,确定该零速车辆在该第一时长中的加速度,进而判断该加速度是否大于加速度阈值,以进一步判断目标区域中是否发生交通事故。
示例地,分析设备可以将第一时长划分为时长相同的多个子时间段。接着基于该第一时长内的交通信息,确定零速车辆在第一时长的该多个子时间段的每个子时间段中的加速度;在该多个子时间段中存在加速度大于加速度阈值的子时间段时,确定第一时长内该零速车辆的加速度大于加速度阈值。例如,该第一时长为5秒,每个子时间段的时长为0.5秒。分析设备可以计算该5秒内的10个子时间段中零速车辆的10个加速度。该10个加速度中至少存在一个加速度大于加速度阈值,就执行步骤705。当该10个加速度均小于或等于加速度阈值时,执行步骤701。
可选地,分析设备可以存储一段时间内从毫米波雷达获取的交通信息。分析设备在确定零速车辆后,可以基于其获取的该车辆在速度变为零之前第一时长内的交通信息,确定该零速车辆在该第一时长内的加速度。
步骤705、判断速度为零的车辆在其速度为零之前的第二时长内,该车辆的行驶轨迹在辅助方向上的偏移距离是否大于距离阈值。在车辆的行驶轨迹在辅助方向上的偏移距离大于距离阈值时,执行步骤706;在车辆的行驶轨迹在辅助方向上的偏移距离小于或等于距离阈值时,执行步骤701。
其中,该辅助方向可以垂直目标区域中道路的延伸方向。车辆在辅助方向上发生偏离也可以称为车辆发生横向偏移。该偏移距离指的是:该车辆在行驶过程中某一时刻的实际位置相对于针对该时刻的预估位置,在辅助方向上的偏移距离,该预估位置为车辆正常行驶时在该时刻应当处于的位置。示例地,车辆在某笔直的道路上行驶,车辆的速度为10米每秒,则在一秒后该车辆的预估位置应当为车辆的当前位置正前方10米处。
车辆在发生交通事故之前,车辆通常会发生较大的横向偏移。分析设备可以进一步检测该零速车辆在速度变为零之前的第二时长内发生的横向偏移的距离,并判断该横向偏移的距离是否大于距离阈值,以进一步判断该零速车辆是否行驶异常,该目标区域中是否发生交通事故。在确定该横向偏移的距离大于距离阈值时,可以确定该车辆行驶异常,进而执行步骤706确定目标区域中存在交通事故事件。在确定该横向偏移的距离小于或等于距离阈值时,可以确定该车辆正常行驶,目标区域中并未发生交通事故。
可选地,该第二时长可以等于第一时长,或者该第二时长也可以不等于第一时长。可选地,分析设备可以将该第二时长划分为多个时间段,进而检测每个时间段中车辆发生横向偏移的距离。该多个时间段中至少存在一个时间段中车辆发生横向偏移的距离大于距离阈值,则执行步骤706;若该多个时间段中车辆发生横向偏移的距离均小于或等于距离阈值,则确定目标区域内并未发生交通事故,进而执行步骤701。如该第二时长为5秒,该时间段的长度可以为1秒。
步骤706、确定目标区域内发生交通事故事件。执行步骤707。
本申请实施例中通过上述步骤702至步骤706确定目标区域内发生交通事故事件,相当于确定目标区域中存在目标车辆时,确定目标区域内发生交通事故。该目标车辆满足:车辆当前的车速为零;在车辆速度为0之前的第一时长内加速度大于加速度阈值;车辆所处目标区域中不存在交通拥堵事件;以及,在车辆速度为0之前的第二时长内,所述车辆的行驶轨迹在辅助方向上的偏移距离大于距离阈值。
需要说明的是,目标车辆当前的车速指的是,分析设备检测交通事故事件所基于的交通信息中,该车辆在最新时刻的车速。如分析设备基于目标区域在三分第十秒至三分第二十秒的交通信息,检测目标区域内是否发生交通事故,则该车辆当前的车速可以为该车辆在三分第二十秒的车速。
可选地,分析设备也可以不检测车辆是否位于拥堵区域,而仅通过零速车辆的加速度以及横向偏移的距离,来判断目标区域内是否发生交通事故。可选地,交通事故分析设备还可以不检测零速车辆发生横向偏移的距离,仅通过零速车辆的加速度来判断目标区域内是否发生交通事故。此两种可选方式可以用于车流量较少较为空旷的路段中交通事故的检测。
步骤707、向管理设备发送交通事故事件的信息。
需要说明的还是,步骤707可以参考步骤311的相关介绍,本申请实施例不再赘述。
可选地,本申请实施例中分析设备可以通过交通事件分析模型,来对目标区域中的交通事件进行检测。分析设备可以将获取的交通信息输入交通事件分析模型中,由交通事件分析模型基于接收的交通信息进行分析,进而分析设备可以接收交通事件分析模型输出的分析结果,该分析结果用于反映目标区域是否存在交通事件。
示例地,图8是本申请实施例提供的一种采用交通事件分析模型进行交通事故检测的流程示意图。如图8所示,可以对于目标区域内的交通信息中的每一帧数据提取结构化特征。收集连续n帧数据组成时间序列数据,利用训练好的交通事件分析模型对每个目标(如车辆)进行有无发生事故的预测。该交通事件分析模型为一个机器学习模型。如可以按照经验将n帧数据定义为一个观察周期,针对每一帧数据均对每个目标提取x轴坐标、y轴坐标、相邻帧之间x轴坐标的改变量、相邻帧之间y轴坐标的改变量、速度以及加速度等信息,作为每个目标的特征。针对连续的n帧数据进行提取,组成一段时间序列数据,并注明在这n帧数据的时间内对应的目标是否发生事故。接着将收集好的训练集注入机器学习模型进行训练,该模型可以为卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆网络(Long Short-Term Memory,LSTM)或其他机器学习模型。对于新的目标,提取连续n帧的上述特征,输入到训练好的模型,进而该模型可以输出是否发生交通事故的结果。
综上所述,本申请实施例提供的交通事件检测设备中,分析设备可以通过毫米波雷达检测的目标区域内的交通流密度以及车辆的平均速度,确定目标区域内是否发生交通拥堵事件。且还可以基于确定的是否发生交通拥堵事件的结果,确定该目标区域内是否发生交通事故,丰富了交通事件的检测方式,提高了交通事件的检测全面性和检测精度。
图9是本申请实施例通过的一种分析设备的结构框图,该分析设备可以为服务器。所述分析设备900包括中央处理单元(CPU)901、包括随机存取存储器(RAM)902和只读存储器(ROM)903的系统存储器904,以及连接系统存储器904和中央处理单元901的系统总线905。所述分析设备900还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)906,和用于存储操作系统913、应用程序914和其他程序模块915的大容量存储设备907。
所述基本输入/输出系统906包括有用于显示信息的显示器908和用于用户输入信息的诸如鼠标、键盘之类的输入设备909。其中所述显示器908和输入设备909都通过连接到系统总线905的输入输出控制器910连接到中央处理单元901。所述基本输入/输出系统906还可以包括输入输出控制器910以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器910还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备907通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。所述大容量存储设备907及其相关联的计算机可读介质为分析设备900提供非易失性存储。也就是说,所述大容量存储设备907可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备907可以统称为存储器。
根据本发明的各种实施例,所述分析设备900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即分析设备900可以通过连接在所述系统总线905上的网络接口单元911连接到网络912,或者说,也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当该指令在计算机上运行时,使得计算机执行上述实施例提供的交通事件检测方法,例如图2、图3或图7所示的方法。
本申请实施例还提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行上述方法实施例提供的交通事件检测方法,例如图2、图3或图7所示的方法。
需要说明的是,本申请实施例提供的方法实施例能够与相应的装置实施例相互参考,本申请实施例对此不做限定。本申请实施例提供的方法实施例步骤的先后顺序能够进行适当调整,步骤也能够根据情况进行相应增减,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,因此不再赘述。
本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。在涉及数学公式计算的情况下,字符“/”表示运算符“除以”。申请中术语“A和B的至少一种”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和B的至少一种,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。同理,“A、B和C的至少一种”表示可以存在七种关系,可以表示:单独存在A,单独存在B,单独存在C,同时存在A和B,同时存在A和C,同时存在C和B,同时存在A、B和C这七种情况。本申请中“多个”指“两个或两个以上”。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种交通事件检测设备,其特征在于,所述交通事件检测设备用于:
通过毫米波雷达获取目标区域内的交通信息,所述交通信息包括车辆的位置及速度;所述毫米波雷达用于接收所述目标区域内障碍物反射的回波信号,并基于所述回波信号确定所述目标区域内的交通信息;
基于所述交通信息判断目标条件是否满足;所述目标条件包括所述目标区域内的交通流密度大于密度阈值,以及所述目标区域内车辆的平均速度小于速度阈值;
在所述目标条件满足时,确定所述目标区域发生交通拥堵事件;
所述密度阈值包括第一阈值;所述交通事件检测设备还用于:
确定所述目标区域的时间占用率,所述时间占用率为:在目标时长中所述目标区域中的指定位置处有车辆的时长与所述目标时长的比值,所述指定位置与所述目标区域中路口停车线的距离小于或等于指定距离;
在所述时间占用率大于所述第一阈值时,基于所述目标区域中至少部分区域的空间占用率,判断所述目标区域内的交通流密度是否大于所述密度阈值;其中,任一区域的空间占用率为所述目标时长的结束时刻所述任一区域中的车辆数量与所述任一区域中道路的长度的比值,所述交通流密度包括所述时间占用率和所述空间占用率;
所述密度阈值还包括第三阈值,所述交通事件检测设备还用于:
沿着所述目标区域中道路的延伸方向将所述目标区域划分为多个子区域,所述子区域的长度大于或等于第一长度,所述第一长度是能够确定出空间占用率的最小长度,所述第一长度大于或等于第一数量的车辆的长度之和;
确定所述目标区域内各个车道中各个车辆的第一坐标值,将确定的所有车辆的第一坐标值按照道路对应的行驶方向进行排序,以得到一个一维数组,所述第一坐标值逐渐增大的方向为所述道路对应的行驶方向;
采用滑动平均法对所述一维数组进行处理,将滑动平均处理后的一维数组分为与所述多个子区域一一对应的多个子数组,基于所述多个子数组中的各个子数组确定对应子区域的空间占用率;
在所述多个子区域中存在高密度子区域,且连续的至少一个高密度子区域在所述延伸方向上的长度之和大于长度阈值时,确定所述目标区域内的交通流密度大于所述密度阈值,所述高密度子区域为空间占用率大于所述第三阈值的子区域;
所述交通事件检测设备还用于:
通过交通事件分析模型对所述目标区域内的交通信息进行分析,以确定所述目标区域是否发生交通事故,所述交通事件分析模型是一个机器学习模型。
2.根据权利要求1所述的交通事件检测设备,其特征在于,所述交通事件检测设备还用于:
在备选区域中车辆的平均速度小于所述速度阈值时,将所述备选区域确定为所述目标区域中的拥堵区域,所述备选区域包括所述至少一个高密度子区域。
3.根据权利要求1至2任一所述的交通事件检测设备,其特征在于,所述交通事件检测设备还用于:
在确定所述目标区域中存在目标车辆时,确定所述目标区域内发生交通事故事件;
其中,所述目标车辆满足:在车辆速度为0之前的第一时长内加速度大于加速度阈值。
4.根据权利要求3所述的交通事件检测设备,其特征在于,所述目标车辆还满足以下条件中的至少一种:
车辆所处的所述目标区域中不存在交通拥堵事件;
在车辆速度为0之前的第二时长内,所述车辆的行驶轨迹在辅助方向上的偏移距离大于距离阈值,所述辅助方向垂直所述目标区域中道路的延伸方向。
5.根据权利要求3所述的交通事件检测设备,其特征在于,所述交通事件检测设备还用于:
将所述第一时长划分为时长相同的多个子时间段;
基于所述交通信息,确定所述目标区域中的任一车辆在所述多个子时间段的每个子时间段中的加速度;
在所述多个子时间段中存在加速度大于所述加速度阈值的子时间段时,确定所述第一时长内的加速度大于所述加速度阈值。
6.根据权利要求1至2任一所述的交通事件检测设备,其特征在于,所述交通事件检测设备还用于:
以所述目标时长为获取周期,周期性获取所述目标区域的交通信息。
7.一种交通事件检测方法,其特征在于,用于交通事件检测设备;所述方法包括:
通过毫米波雷达获取目标区域内的交通信息,所述交通信息包括车辆的位置及速度;所述毫米波雷达用于接收所述目标区域内障碍物反射的回波信号,并基于所述回波信号确定所述目标区域内的交通信息;
基于所述交通信息判断目标条件是否满足;所述目标条件包括所述目标区域内的交通流密度大于密度阈值,以及所述目标区域内车辆的平均速度小于速度阈值;
在所述目标条件满足时,确定所述目标区域发生交通拥堵事件;
所述密度阈值包括第一阈值;所述交通事件检测设备还用于:
确定所述目标区域的时间占用率,所述时间占用率为:在目标时长中所述目标区域中的指定位置处有车辆的时长与所述目标时长的比值,所述指定位置与所述目标区域中路口停车线的距离小于或等于指定距离;
在所述时间占用率大于所述第一阈值时,基于所述目标区域中至少部分区域的空间占用率,判断所述目标区域内的交通流密度是否大于所述密度阈值;其中,任一区域的空间占用率为所述目标时长的结束时刻所述任一区域中的车辆数量与所述任一区域中道路的长度的比值,所述交通流密度包括所述时间占用率和所述空间占用率;
所述密度阈值还包括第三阈值,所述交通事件检测设备还用于:
沿着所述目标区域中道路的延伸方向将所述目标区域划分为多个子区域,所述子区域的长度大于或等于第一长度,所述第一长度是能够确定出空间占用率的最小长度,所述第一长度大于或等于第一数量的车辆的长度之和;
确定所述目标区域内各个车道中各个车辆的第一坐标值,将确定的所有车辆的第一坐标值按照道路对应的行驶方向进行排序,以得到一个一维数组,所述第一坐标值逐渐增大的方向为所述道路对应的行驶方向;
采用滑动平均法对所述一维数组进行处理,将滑动平均处理后的一维数组分为与所述多个子区域一一对应的多个子数组,基于所述多个子数组中的各个子数组确定对应子区域的空间占用率;
在所述多个子区域中存在高密度子区域,且连续的至少一个高密度子区域在所述延伸方向上的长度之和大于长度阈值时,确定所述目标区域内的交通流密度大于所述密度阈值,所述高密度子区域为空间占用率大于所述第三阈值的子区域;
所述交通事件检测设备还用于:
通过交通事件分析模型对所述目标区域内的交通信息进行分析,以确定所述目标区域是否发生交通事故,所述交通事件分析模型是一个机器学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346644.6A CN115148018B (zh) | 2021-03-31 | 2021-03-31 | 交通事件检测设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110346644.6A CN115148018B (zh) | 2021-03-31 | 2021-03-31 | 交通事件检测设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115148018A CN115148018A (zh) | 2022-10-04 |
CN115148018B true CN115148018B (zh) | 2024-05-24 |
Family
ID=83403837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110346644.6A Active CN115148018B (zh) | 2021-03-31 | 2021-03-31 | 交通事件检测设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115148018B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000207677A (ja) * | 1999-01-18 | 2000-07-28 | Equos Research Co Ltd | 渋滞検出方法及びその装置 |
JP2009214838A (ja) * | 2008-03-12 | 2009-09-24 | Fuji Heavy Ind Ltd | 車両用運転支援装置 |
JP2010061385A (ja) * | 2008-09-03 | 2010-03-18 | Toyota Motor Corp | 走行制御装置 |
JP2011027531A (ja) * | 2009-07-24 | 2011-02-10 | Navitime Japan Co Ltd | 渋滞状況表示システム、端末装置、渋滞状況表示サーバ、渋滞状況表示装置、および、渋滞状況表示方法 |
WO2012002097A1 (ja) * | 2010-06-29 | 2012-01-05 | 本田技研工業株式会社 | 渋滞予測方法 |
JP2013003920A (ja) * | 2011-06-17 | 2013-01-07 | Toshiba Corp | 道路状況把握装置 |
CN103258432A (zh) * | 2013-04-19 | 2013-08-21 | 西安交通大学 | 基于视频的交通事故自动识别处理方法和系统 |
CN103578273A (zh) * | 2013-10-17 | 2014-02-12 | 银江股份有限公司 | 一种基于微波雷达数据的道路交通状态估计方法 |
CN103956052A (zh) * | 2014-05-13 | 2014-07-30 | 紫光捷通科技股份有限公司 | 一种公路路况的检测方法和系统 |
CN105261217A (zh) * | 2015-10-03 | 2016-01-20 | 上海大学 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
CN105336169A (zh) * | 2015-12-09 | 2016-02-17 | 青岛海信网络科技股份有限公司 | 一种基于视频判断交通拥堵的方法和系统 |
CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警系统及方法 |
CN105513349A (zh) * | 2014-12-03 | 2016-04-20 | 中咨泰克交通工程集团有限公司 | 基于双视角学习的山区高速公路车辆事件检测方法 |
CN108734959A (zh) * | 2018-04-28 | 2018-11-02 | 扬州远铭光电有限公司 | 一种嵌入式视觉车流分析方法及系统 |
CN108806257A (zh) * | 2018-07-04 | 2018-11-13 | 河海大学 | 一种道路拥堵区域和拥堵路段的识别方法 |
CN108922172A (zh) * | 2018-06-19 | 2018-11-30 | 上海理工大学 | 基于车辆特征矩阵序列变化分析的道路拥堵监测系统 |
CN110389338A (zh) * | 2019-06-26 | 2019-10-29 | 深圳市华讯方舟微电子科技有限公司 | 判断交通状况的方法、装置、毫米波雷达及存储介质 |
CN110473402A (zh) * | 2019-08-20 | 2019-11-19 | 河北德冠隆电子科技有限公司 | 一种基于目标异常行为轨迹分析的异常事件检测预警系统 |
CN111366927A (zh) * | 2020-02-25 | 2020-07-03 | 创捷运维智能科技有限责任公司 | 一种基于广域雷达的高速公路交通状态感知系统 |
CN111402612A (zh) * | 2019-01-03 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种交通事件通知方法及装置 |
CN111681431A (zh) * | 2020-06-02 | 2020-09-18 | 南京慧尔视智能科技有限公司 | 一种基于大区域微波雷达的匝道控制系统及方法 |
CN111862605A (zh) * | 2020-07-20 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
CN112053556A (zh) * | 2020-08-17 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种交通监控复眼动态识别交通事故自我进化系统 |
CN112085950A (zh) * | 2020-08-17 | 2020-12-15 | 西安电子科技大学 | 交通状态判别指标的估计方法、系统、存储介质及应用 |
CN112329515A (zh) * | 2020-09-11 | 2021-02-05 | 博云视觉(北京)科技有限公司 | 一种高点视频监控拥堵事件检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9965950B2 (en) * | 2016-06-03 | 2018-05-08 | Here Global B.V. | Method and apparatus for classifying a traffic jam from probe data |
JP7088000B2 (ja) * | 2018-12-27 | 2022-06-21 | トヨタ自動車株式会社 | 交通情報処理装置 |
-
2021
- 2021-03-31 CN CN202110346644.6A patent/CN115148018B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000207677A (ja) * | 1999-01-18 | 2000-07-28 | Equos Research Co Ltd | 渋滞検出方法及びその装置 |
JP2009214838A (ja) * | 2008-03-12 | 2009-09-24 | Fuji Heavy Ind Ltd | 車両用運転支援装置 |
JP2010061385A (ja) * | 2008-09-03 | 2010-03-18 | Toyota Motor Corp | 走行制御装置 |
JP2011027531A (ja) * | 2009-07-24 | 2011-02-10 | Navitime Japan Co Ltd | 渋滞状況表示システム、端末装置、渋滞状況表示サーバ、渋滞状況表示装置、および、渋滞状況表示方法 |
WO2012002097A1 (ja) * | 2010-06-29 | 2012-01-05 | 本田技研工業株式会社 | 渋滞予測方法 |
JP2013003920A (ja) * | 2011-06-17 | 2013-01-07 | Toshiba Corp | 道路状況把握装置 |
CN103258432A (zh) * | 2013-04-19 | 2013-08-21 | 西安交通大学 | 基于视频的交通事故自动识别处理方法和系统 |
CN103578273A (zh) * | 2013-10-17 | 2014-02-12 | 银江股份有限公司 | 一种基于微波雷达数据的道路交通状态估计方法 |
CN103956052A (zh) * | 2014-05-13 | 2014-07-30 | 紫光捷通科技股份有限公司 | 一种公路路况的检测方法和系统 |
CN105513349A (zh) * | 2014-12-03 | 2016-04-20 | 中咨泰克交通工程集团有限公司 | 基于双视角学习的山区高速公路车辆事件检测方法 |
CN105261217A (zh) * | 2015-10-03 | 2016-01-20 | 上海大学 | 一种基于密度聚类算法的城市交通拥堵状态检测方法 |
CN105336169A (zh) * | 2015-12-09 | 2016-02-17 | 青岛海信网络科技股份有限公司 | 一种基于视频判断交通拥堵的方法和系统 |
CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警系统及方法 |
CN108734959A (zh) * | 2018-04-28 | 2018-11-02 | 扬州远铭光电有限公司 | 一种嵌入式视觉车流分析方法及系统 |
CN108922172A (zh) * | 2018-06-19 | 2018-11-30 | 上海理工大学 | 基于车辆特征矩阵序列变化分析的道路拥堵监测系统 |
CN108806257A (zh) * | 2018-07-04 | 2018-11-13 | 河海大学 | 一种道路拥堵区域和拥堵路段的识别方法 |
CN111402612A (zh) * | 2019-01-03 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种交通事件通知方法及装置 |
CN110389338A (zh) * | 2019-06-26 | 2019-10-29 | 深圳市华讯方舟微电子科技有限公司 | 判断交通状况的方法、装置、毫米波雷达及存储介质 |
CN110473402A (zh) * | 2019-08-20 | 2019-11-19 | 河北德冠隆电子科技有限公司 | 一种基于目标异常行为轨迹分析的异常事件检测预警系统 |
CN111366927A (zh) * | 2020-02-25 | 2020-07-03 | 创捷运维智能科技有限责任公司 | 一种基于广域雷达的高速公路交通状态感知系统 |
CN111681431A (zh) * | 2020-06-02 | 2020-09-18 | 南京慧尔视智能科技有限公司 | 一种基于大区域微波雷达的匝道控制系统及方法 |
CN111862605A (zh) * | 2020-07-20 | 2020-10-30 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
CN112053556A (zh) * | 2020-08-17 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种交通监控复眼动态识别交通事故自我进化系统 |
CN112085950A (zh) * | 2020-08-17 | 2020-12-15 | 西安电子科技大学 | 交通状态判别指标的估计方法、系统、存储介质及应用 |
CN112329515A (zh) * | 2020-09-11 | 2021-02-05 | 博云视觉(北京)科技有限公司 | 一种高点视频监控拥堵事件检测方法 |
Non-Patent Citations (4)
Title |
---|
ITS中基于视频的交通异常情况检测;方晓莹;黄林伟;刘富强;;计算机工程与应用(第36期);全文 * |
基于视频的交通事件自动检测方法的研究;钱金法;于惠芬;赵力;邹采荣;;电视技术(第11期);全文 * |
方晓莹 ; 黄林伟 ; 刘富强 ; .ITS中基于视频的交通异常情况检测.计算机工程与应用.2006,(第36期),全文. * |
钱金法 ; 于惠芬 ; 赵力 ; 邹采荣 ; .基于视频的交通事件自动检测方法的研究.电视技术.2010,(第11期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115148018A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109212514B (zh) | 一种雷达检测设备对运动以及静止目标持续跟踪关联方法 | |
CN104793202B (zh) | 多雷达成像传感器的对象融合系统 | |
CN110058239B (zh) | 一种车载毫米波雷达装置及目标探测方法 | |
CN104050806B (zh) | 用于通过利用雷达仪器车尾测量检测交通灯区域内的交通违章的方法 | |
CN113419244A (zh) | 一种基于毫米波雷达数据的车辆轨迹拼接方法 | |
CN112526521B (zh) | 一种汽车毫米波防撞雷达的多目标跟踪方法 | |
CN113345237A (zh) | 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质 | |
DE102014209989A1 (de) | Bordgerät zur Verkehrsdichteschätzung | |
JP5535816B2 (ja) | 移動物予測装置及びプログラム | |
CN104181534A (zh) | 交叉路口碰撞警示系统的概率目标选择和威胁评估方法以及应用 | |
CN1862620A (zh) | 高速公路汽车行驶智能检测预警方法及其预警系统 | |
WO2019230123A1 (ja) | 検知装置及び検知システム | |
JP3520326B2 (ja) | ミリ波レーダによる走行車両検出方法 | |
JP2007257536A (ja) | ミリ波レーダによる道路交通監視装置 | |
CN105637384A (zh) | 用于对障碍物进行分类的方法 | |
EP3349038A1 (en) | Method to classify objects in a vehicle environment based on radar detections | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
DE102019214612A1 (de) | Verfahren und Steuergerät zum Erkennen eines Objekts in einer Umgebung eines Fahrzeugs | |
CN114093165A (zh) | 一种基于路侧激光雷达的车辆-行人冲突自动识别方法 | |
CN110307841A (zh) | 一种基于信息量测不完全的车辆运动参数估计方法 | |
CN114063061A (zh) | 用于通过多个传感器监测车辆的方法 | |
JP2019207654A (ja) | 検知装置及び検知システム | |
CN110940982B (zh) | 一种车辆前方目标识别方法以及相应的设备 | |
Lei et al. | Identifying and correcting the errors of vehicle trajectories from roadside millimetre‐wave radars | |
CN118091574A (zh) | 用于暗光条件下的障碍预警方法及系统 |
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 |