CN115294767B - 一种高速公路车道线实时检测与交通安全预警方法及装置 - Google Patents
一种高速公路车道线实时检测与交通安全预警方法及装置 Download PDFInfo
- Publication number
- CN115294767B CN115294767B CN202210920907.4A CN202210920907A CN115294767B CN 115294767 B CN115294767 B CN 115294767B CN 202210920907 A CN202210920907 A CN 202210920907A CN 115294767 B CN115294767 B CN 115294767B
- Authority
- CN
- China
- Prior art keywords
- real
- lane line
- time
- early warning
- information
- 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
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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种高速公路车道线实时检测与交通安全预警方法及装置,涉及智慧交通技术领域。该方法包括以下步骤:实时采集道路图像,并对道路图像进行预处理,得到目标道路图像;基于目标道路图像实时检测分析车道线,得到实时车道线检测数据;将实时车道线检测数据与预置的标准车道线数据进行对比,生成对比信息;获取并根据高速公路基础信息和历史危险情况数据建立高速预警模型;将对比信息导入至高速预警模型中,生成预警信息。本发明对车道线进行精准实时检测,进而对车辆行驶实时情况进行分析并结合高速路段交通情况和历史危险数据进行及时预警提示,有效保证高速行驶安全。
Description
技术领域
本发明涉及智慧交通技术领域,具体而言,涉及一种高速公路车道线实时检测与交通安全预警方法及装置。
背景技术
交通拥挤,事故频发目前正困扰着我国乃至全世界人民,俨然已经成为交通运输一大公害,近年来我国车辆保有量急剧增加,但是传统道路交通运输技术相对滞后,导致交通事故频发,因此亟需开展可靠高效的智慧化交通技术和装备研发工作。
由于机动车驾驶员常常会出现非正常驾驶的状态,比如疲劳驾驶或者饮酒驾驶等,如果车辆一直处于行驶或越线行驶的状态,必然存在巨大的安全隐患。而现有的高速公路车道线检测与预警装置,主要是通过在高速公路上的智能设备进行辅助监控,无法精准有效的针对驾驶车辆的实时情况进行监测,无法满足对驾驶车辆实时安全行驶进行有效监测及预警提示的需求,导致安全事故频发。
因此,如何提供一种高速公路车道线实时检测与交通安全预警方法及系统成为了本领域技术人员亟需解决的问题。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本实施例提供一种高速公路车道线实时检测与交通安全预警方法及装置,对车辆行驶过程中的车道线进行精准检测,进而对车辆行驶的实时情况进行分析,将车辆本身实时行驶情况、高速路段情况和历史危险数据相结合,进行及时驾驶预警提示,有效辅助驾驶员安全驾驶,保障高速行驶安全。
本发明提供了一种高速公路车道线实时检测与交通安全预警方法,包括以下步骤:
实时采集道路图像,并对道路图像进行预处理,以得到目标道路图像;
基于目标道路图像实时检测分析车道线,以得到实时车道线检测数据;
将实时车道线检测数据与预置的标准车道线数据进行对比,生成对比信息;
获取并根据高速公路基础信息和历史危险情况数据建立高速预警模型;
将对比信息导入至高速预警模型中,生成预警信息。
进一步的,所述对道路图像进行预处理,以得到目标道路图像,包括以下步骤:
通过车载端摄像头获得道路图像;
对获取的实时道路图像进行图像预处理,使用自适应滤波器,通过对比度、灰度及边缘信息,得出自适应阈值;
将采集图像进行分割、灰度均衡化及角度变换,以得到一个更清晰的目标道路图像。
进一步的,基于目标道路图像实时检测分析车道线的方法为:
对目标道路图像进行增强处理并根据实时车道线信息在增强处理后的目标道路图像上对车道线进行延长处理,以得到目标车道线信息。
进一步的,基于目标道路图像实时检测分析车道线,以得到实时车道线检测数据,包括以下步骤:
假设网络最多能支持C条车道线的检测,将输入图像划分成h个行元,将每个行元划分成W个单元;
利用车道线物理结构的特性作为网络输出结果的约束,构造相似性损失函数,定义相似性损失函数如下:
其中,Pi,j,:是W+1维的向量,这个向量表示第j个行元中的W+1个单元存在第i条车道线的概率;Pi,j+1,:是W+1维的向量表示第j+1个行元中的W+1个单元存在第i条车道线的概率;
使用相似性损失函数约束网络的输出结果,使得相邻两个行元的单元类别概率分布不会有突变;最小化相邻行元预测出车道线位置的二阶差分,能够约束网络预测结果,使得车道线维持相对平直;
Probi,j:=softmax(Pi,j,1:w)
上式中的Pi,j,1:w是使用softmax函数求得的车道线在每个单元中的概率;
使用二阶差分构造的损失函数:
将上述利用车道线的物理结构构造的损失函数称为结构化损失,表示如下:
Lstr=Lsim+λLshp
上式中的λ用于平衡两个损失,0<λ<1;
最终得到损失函数如下:
Ltotal=αLstr+βLseg
使用此模型进行训练,并进行车道线检测,以得到实时车道线检测数据;其中,Lseg为辅助的分割分支损失函数,α、β均为0-1之间的权值。
进一步的,对比信息包括车线长度对比、宽度对比以及区域对比信息。
进一步的,将对比信息导入至高速预警模型中,生成预警信息,包括以下步骤:
将对比信息导入至高速预警模型中;
通过高速预警模型根据对比信息和预录入的历史危险参照数据判断是否属于危险状态,如果是,则生成并发送预警信息。
进一步的,还包括以下步骤:
提取并导入目标道路图像中的车辆数据至高速预警模型中,生成车辆预警提示信息。
一种高速公路车道线实时检测与交通安全预警系统,包括图像采集模块、车道线检测模块、对比分析模块、模型建立模块以及预警提示模块,其中:
图像采集模块,用于实时采集道路图像,并对道路图像进行预处理,得到目标道路图像;
车道线检测模块,用于基于目标道路图像实时检测分析车道线,得到实时车道线检测数据;
对比分析模块,用于将实时车道线检测数据与预置的标准车道线数据进行对比,生成对比信息;
模型建立模块,用于获取并根据高速公路基础信息和历史危险情况数据建立高速预警模型;
预警提示模块,用于将对比信息导入至高速预警模型中,生成预警信息。
一种电子设备,包括:
存储器,用于存储一个或多个程序;
处理器,集成车道线检测与预警算法;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
本发明的有益效果在于:
本发明提供了一种高速公路车道线实时检测与交通安全预警方法及装置,解决了现有技术中高速公路车道线检测不精准,不能进行及时有效的预警提示的技术问题,提升了交通智能化水平。本发明通过对道路图像进行智能分析处理,采用多尺度完备特征预置的行分割网络进行车道线快速检测,大幅提高了车道线检测的精准度和实时性,并结合高速路段情况和历史危险数据建立预警模型,进行及时预警提示,提前规避交通行驶安全问题。
附图说明
为了更清楚地说明本实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本实施例一种高速公路车道线实时检测与交通安全预警方法的流程图;
图2为本实施例一种高速公路车道线实时检测与交通安全预警方法中车道线检测结果对比示意图;
图3为本实施例一种高速公路车道线实时检测与交通安全预警装置的原理框图;
图4为本实施例提供的一种高速公路车道线实时检测与交通安全预警装置的结构示意图;
图5为本实施例提供的一种电子设备的结构框图。
图标:100、图像采集模块;200、车道线检测模块;300、对比分析模块;400、模型建立模块;500、预警提示模块;101、存储器;102、处理器;103、通信接口。
具体实施方式
为使本实施例的目的、技术方案和优点更加清楚,下面将结合本实施例中的附图,对本实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本专利中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例
如图1所示,本实施例提供一种高速公路车道线实时检测与交通安全预警方法,包括以下步骤:
S1、实时采集道路图像,并对道路图像进行预处理,以得到目标道路图像;
在本实施例中,为了进一步提高所采集图像的质量,方便后续进行车道线检测分析,对获取的实时道路图像进行图像预处理,使用自适应滤波器,通过对比度、灰度及边缘信息,得出自适应阈值,将采集图像进行分割、灰度均衡化及角度变换,以得到一个更清晰的目标道路图像。
S2、基于目标道路图像采用预置的行分割网络进行车道线检测,以得到实时车道线信息。
在本实施例中,在进行车道线检测时,采用多尺度完备特征预置的行分割网络进行车道线快速检测,将感兴趣区域限定在图像下方(根据布设系统位置确定阈值线),将图像采集先验知识作为约束条件的一部分,使得算法计算量减小,更好地满足自动驾驶场景对算法的速度要求;使用全局感受野,更好地处理复杂交通场景。
在训练网络时根据车道线的物理结构,加入结构损失,充分利用车道线的先验信息。假设网络最多能支持C条车道线的检测,将输入图像划分成h个行元,将每个行元划分成W个单元。使用X表示输入图像,fij表示一个分类器,该分类器能从第j(j∈[1,h])个行元中找出第i(i∈[1,C])条车道线所在的单元位置,表示如下:
Pi,j,:=fij(X)
上式中Pi,j,:是W+1维的向量,这个向量表示第j个行元中的W+1个单元存在第i条车道线的概率;Pi,j+1,:是W+1维的向量表示第j+1个行元中的W+1个单元存在第i条车道线的概率。
为了利用车道线物理结构的特性作为网络输出结果的约束,本发明构造2个损失函数。相邻两个行元的单元类别概率分布应该是相似的,因此定义相似性损失函数如下:
使用相似性损失函数约束网络的输出结果,使得相邻两个行元的单元类别概率分布不会有突变。此外,最小化相邻行元预测出车道线位置的二阶差分,能够约束网络预测结果,使得车道线维持相对平直。
Probi,j:=softmax(Pi,j,1:w)
上式中的Pi,j,1:w是使用softmax函数求得的车道线在每个单元中的概率。
使用二阶差分构造的损失函数为:
将上述2个利用车道线的物理结构构造的损失函数称为结构化损失,表示如下:
Lstr=Lsim+λLshp
上式中的λ用于平衡两个损失,0<λ<1;
最终得到损失函数如下:
Ltotal=αLstr+βLseg
使用此模型进行训练,并进行车道线检测,以得到实时车道线检测数据;其中,Lseg为辅助的分割分支损失函数,使用交叉熵损失函数,只在训练时使用,可提高特征提取完备性;α、β均为0-1之间的权值,在数据训练过程中出现过拟合现象时可适当减小α值同时增大β值,出现欠拟合现象时可适当增大α值同时减小β值,提升损失函数分析准确性。
进一步地,对目标道路图像进行增强处理并根据实时车道线信息在增强处理后的目标道路图像上对车道线进行延长处理,以得到目标车道线信息。
在本发明的一些实施例中,本发明在实现过程中使用了数据增强的方法以减轻过拟合现象。使用了旋转、垂直和水平移位的方法,为了保持车道线的结构,在数据增强得到的图片上对车道线进行了延长。
为验证本实施例所述的高速公路车道线实时检测方法的有效性,将其与经典方法边缘特征拟合、直线拟合及神经网络模型进行对比。使用同一批高速公路获取数据,其中雾天条件下检测结果如图2所示,将结果进行比较,得到检测正确率与算法耗时如表1所示。
表1
通过表1可知,本实施例提供的高速公路车道线实时检测方法准确率较高、且耗时较短,与经典算法相比有明显优势。
S3、将实时车道线检测数据与预置的标准车道线数据进行对比,生成对比信息;
在本发明的一些实施例中,将实时提取的车道线信息与正常的安全行驶时的标准车道线数据进行对比分析,生成对比信息,该对比信息包括车线长度对比、宽度对比、区域对比等信息。
S4、获取并根据高速公路基础信息和历史危险情况数据建立高速预警模型;
在本发明的一些实施例中,获取并根据高速公路基础信息和历史危险情况数据建立高速预警模型,结合高速行驶的实时的情况建立合理的预警模型;该预警模型是指结合实时高速公路基础信息、历史危险情况数据和实时的对比信息对是否需要进行预警提示进行分析的数学模型,方便后续进行快速的预警分析。
S5、将对比信息导入至高速预警模型中,生成预警信息。
进一步地,将对比信息导入至高速预警模型中;通过预警模型根据对比信息和预录入的历史危险参照数据判断是否属于危险状态,如果是,则生成并发送预警信息。
在本发明的一些实施例中,结合对比信息判断是否超出安全行驶的阈值,需要进行预警,如果超出则及时的生成预警信息,进行预警提示。包括对车道线长度的偏离差值、宽度差值、区域差值等进行判断,当其中一项数据超出安全阈值时则及时的进行预警提示。由于高速公路上车辆行驶速度很快,因此,在设置安全阈值时结合历史的危险情况数据进行合理的设置,一般将其设置为前后车距至少50米、车道线宽度不超过0.5米等,以便保证驾驶员在遇到危险情况时能够做出反应。
在本发明的一些实施例中,基于检测得到的车道线实时数据,结合预先设置的阈值可以在车辆压线之前,投射与车道线、车辆大小及形状比例一致的车辆投影图,进而,能够根据车辆相对投影位置准确地确定出车辆是否能够顺利安全通过,提升行车安全。
在本发明的一些实施例中,当车辆处于高速行驶过程中时,获取目标车辆行驶道路上实时的行驶障碍车辆情况,计算各行驶障碍车辆与目标车辆的实时距离并结合当前时刻预测双方的行程轨迹,确定目标车辆与各行驶障碍车辆是否存在交汇点,当存在行程交汇点时,生成一个初始安全预警信息;然后结合检测得到的车道线实时数据对车辆行驶轨迹进行实时的调整,将目标车辆与其他障碍车辆的初始安全预警与其实时行驶的车道线相结合生成一个安全预警信息,提示车辆及时有效的进行行驶位置、速度等调整,进而保证行车安全。
为了解决现有技术中高速公路车道线检测不精准,不能进行及时有效的预警提示的技术问题,本方法通过对道路图像进行分析处理,采用基于行分割网络进行车道线快速检测,大幅提高了车道线检测的精准度和实时性,并结合高速路段情况和历史危险数据建立预警模型,进而进行及时的预警提示,提前规避交通行驶安全问题。本发明结合车辆行驶车道信息、行驶车辆的情况及车辆实时行驶信息分析实时变化时间段内的车辆驾驶情况,并判断当前变化时间段内的驾驶行为是否为安全驾驶行为,当为不安全驾驶行为时,则发出行车安全预警提示,及时地提醒驾驶者进行行车调整,以保证车辆行驶安全。本发明适用于车辆辅助行驶领域,结合车辆的终端设备或者与车辆连接的移动设备进行有效提示,本发明采用基于行分割网络进行车道线快速检测,大大提高了车道线检测的精准度,进而有效辅助驾驶人员安全驾驶,可有效满足高速行驶过程中的精准有效的安全提示需求。
在本发明的一些实施例中,该高速公路车道线实时检测与交通安全预警方法还包括以下步骤:
提取并导入目标道路图像中的车辆数据至高速预警模型中,生成车辆预警提示信息。
为了进一步提高高速驾驶的安全性,进行全面的预警提示,结合实时的高速路段上的车辆数量以及各个车辆之间的距离等情况,当低于预警模型中设定的距离和车道宽度时,及时的进行车辆碰撞危险提示。
为了进一步提高交通效率,实时的获取并根据目标高速公路区域的道路交通状况信息和目标车道线进行道路交通情况分析,结合车道数量和车辆流量及时的进行交通调控,避免交通拥堵。
如图3所示,本实施例提供一种高速公路车道线实时检测与交通安全预警装置,包括图像采集模块100、车道线检测模块200、对比分析模块300、模型建立模块400以及预警提示模块500,其中:
图像采集模块100,用于实时采集道路图像,并对道路图像进行预处理,以得到目标道路图像;
车道线检测模块200,用于基于目标道路图像实时检测分析车道线,以得到实时车道线信息;
对比分析模块300,用于将实时车道线检测数据与预置的标准车道线数据进行对比,生成对比信息;
模型建立模块400,用于获取并根据高速公路基础信息和历史危险情况数据建立高速预警模型;
预警提示模块500,用于将对比信息导入至高速预警模型中,生成预警信息。
首先,通过图像采集模块100实时采集道路图像并对道路图像进行预处理,以得到目标道路图像,对道路图像进行过滤、剪裁、格式调整、色调调整等处理,以保证得到更为清晰精准的目标道路图像,为后续提供更为精准的图像数据;然后,通过车道线检测模块200基于获取的目标道路图像实时检测分析车道线,标注出图像中的线条,提取出对应的车道线信息,结合实时的图像提取目标车辆行驶的实时车道线,进一步保证了车道线提取的精准性;然后通过对比分析模块300将实时提取的车道线信息与正常的安全行驶时的标准车道线数据进行对比分析,生成对比信息,该对比信息包括车线长度对比、宽度对比、区域对比等信息;同时通过模型建立模块400获取并根据高速公路基础信息和历史危险情况数据建立高速预警模型,结合高速行驶的实时的情况建立合理的预警模型,预警提示模块500基于高速预警模型结合对比信息判断是否超出安全行驶的阈值,需要进行预警,如果超出则及时的生成预警信息,进行预警提示。
如图5所示,本实施例提供一种电子设备,其包括存储器101,用于存储一个或多个程序;处理器102。当一个或多个程序被处理器102执行时,实现如上述第一方面中任一项的方法。
还包括通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器102,包括中央处理器102(Central Processing Unit,CPU)、网络处理器102(Network Processor,NP)等;还可以是数字信号处理器102(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明所提供的实施例中,应该理解到,所揭露的方法及装置,也可以通过其它的方式实现。以上所描述的方法及装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的方法及装置可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器101(ROM,Read-Only Memory)、随机存取存储器101(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
为了解决现有技术中高速公路车道线检测不精准,不能进行及时有效的预警提示的技术问题,本发明通过对道路图像进行分析处理,采用多尺度完备特征预置的行分割网络进行车道线快速检测,大幅提高车道线检测的精准度和实时性,并结合高速路段情况和历史危险数据建立预警模型,进而进行及时的预警提示,提前规避交通行驶安全问题。首先,实时采集道路图像并对道路图像进行预处理,得到目标道路图像,对道路图像进行过滤、剪裁、色调调整以及图像清晰化和特征增强化等处理,以保证得到更为清晰精准的目标道路图像,为后续提供更为精准的图像数据;然后,基于获取的目标道路图像实时检测分析车道线,标注出图像中的线条,提取出对应的车道线信息,结合实时的图像提取目标车辆行驶的实时车道线导入深度网络自学习库,进一步保证车道线提取的精准性;然后将实时提取的车道线信息与正常的安全行驶时的标准车道线数据进行对比分析,生成对比信息,该对比信息包括车线长度对比、宽度对比、区域对比等信息;同时根据高速公路基础信息和历史危险情况数据建立高速预警模型,结合高速行驶的实时情况建立合理的预警模型,结合对比信息判断是否超出安全行驶的阈值,如果超出则及时的生成预警信息,进行预警提示。本发明提出的相关装置可实现上述发明方法的嵌入式、便携式使用。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其它的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种高速公路车道线实时检测与交通安全预警方法,其特征在于,包括以下步骤:
实时采集道路图像,并对道路图像进行预处理,以得到目标道路图像;
基于目标道路图像实时检测分析车道线,以得到实时车道线检测数据;
将实时车道线检测数据与预置的标准车道线数据进行对比,生成对比信息;
获取并根据高速公路基础信息和历史危险情况数据建立高速预警模型;
将对比信息导入至高速预警模型中,生成预警信息;
基于目标道路图像实时检测分析车道线的方法为:
对目标道路图像进行增强处理并根据实时车道线信息在增强处理后的目标道路图像上对车道线进行延长处理,以得到目标车道线信息;
基于目标道路图像实时检测分析车道线,以得到实时车道线检测数据,包括以下步骤:
假设网络最多能支持C条车道线的检测,将输入图像划分成h个行元,将每个行元划分成W个单元;
利用车道线物理结构的特性作为网络输出结果的约束,构造相似性损失函数,定义相似性损失函数如下:
其中,Pi,j,:是W+1维的向量,这个向量表示第j个行元中的W+1个单元存在第i条车道线的概率;Pi,+1,:是W+1维的向量表示第j+1个行元中的W+1个单元存在第i条车道线的概率;
使用相似性损失函数约束网络的输出结果,使得相邻两个行元的单元类别概率分布不会有突变;最小化相邻行元预测出车道线位置的二阶差分,能够约束网络预测结果,使得车道线维持相对平直;
Probi,:=softmax(Pi,,:)
上式中的Pi,j,1:w是使用softmax函数求得的车道线在每个单元中的概率;
使用二阶差分构造的损失函数:
将上述利用车道线的物理结构构造的损失函数称为结构化损失,表示如下:
Lstr=Lsim+λLshp
上式中的λ用于平衡两个损失,0<λ<1;
最终得到损失函数如下:
Ltotal=αLstr+βLseg
使用此模型进行训练,并进行车道线检测,以得到实时车道线检测数据;其中,Lseg为辅助的分割分支损失函数,α、β均为0-1之间的权值。
2.根据权利要求1所述的一种高速公路车道线实时检测与交通安全预警方法,其特征在于,所述对道路图像进行预处理,以得到目标道路图像,包括以下步骤:
通过车载端摄像头获得道路图像;
对获取的实时道路图像进行图像预处理,使用自适应滤波器,通过对比度、灰度及边缘信息,得出自适应阈值;
将采集图像进行分割、灰度均衡化及角度变换,以得到一个更清晰的目标道路图像。
3.根据权利要求1所述的一种高速公路车道线实时检测与交通安全预警方法,其特征在于,对比信息包括车线长度对比、宽度对比以及区域对比信息。
4.根据权利要求1所述的一种高速公路车道线实时检测与交通安全预警方法,其特征在于,将对比信息导入至高速预警模型中,生成预警信息,包括以下步骤:
将对比信息导入至高速预警模型中;
通过高速预警模型根据对比信息和预录入的历史危险参照数据判断是否属于危险状态,如果是,则生成并发送预警信息。
5.根据权利要求1所述的一种高速公路车道线实时检测与交通安全预警方法,其特征在于,还包括以下步骤:
提取并导入目标道路图像中的车辆数据至高速预警模型中,生成车辆预警提示信息。
6.一种高速公路车道线实时检测与交通安全预警系统,其特征在于,实现权利要求1-5中任一项所述的方法,包括图像采集模块、车道线检测模块、对比分析模块、模型建立模块以及预警提示模块,其中:
图像采集模块,用于实时采集道路图像,并对道路图像进行预处理,得到目标道路图像;
车道线检测模块,用于基于目标道路图像实时检测分析车道线,得到实时车道线检测数据;
对比分析模块,用于将实时车道线检测数据与预置的标准车道线数据进行对比,生成对比信息;
模型建立模块,用于获取并根据高速公路基础信息和历史危险情况数据建立高速预警模型;
预警提示模块,用于将对比信息导入至高速预警模型中,生成预警信息。
7.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器,集成车道线检测与预警算法;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210920907.4A CN115294767B (zh) | 2022-08-02 | 2022-08-02 | 一种高速公路车道线实时检测与交通安全预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210920907.4A CN115294767B (zh) | 2022-08-02 | 2022-08-02 | 一种高速公路车道线实时检测与交通安全预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294767A CN115294767A (zh) | 2022-11-04 |
CN115294767B true CN115294767B (zh) | 2023-06-27 |
Family
ID=83827014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210920907.4A Active CN115294767B (zh) | 2022-08-02 | 2022-08-02 | 一种高速公路车道线实时检测与交通安全预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294767B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437598B (zh) * | 2023-12-13 | 2024-02-27 | 山东大莱龙铁路有限责任公司 | 邻近营业线施工安全智能防护系统 |
CN117578464B (zh) * | 2024-01-15 | 2024-04-02 | 山西省智慧交通研究院有限公司 | 一种高速公路多源供电系统及方法 |
CN117765502A (zh) * | 2024-02-22 | 2024-03-26 | 北京理工大学前沿技术研究院 | 一种高速公路自动驾驶预警方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106256606A (zh) * | 2016-08-09 | 2016-12-28 | 浙江零跑科技有限公司 | 一种基于车载双目相机的车道偏离预警方法 |
CN206797382U (zh) * | 2017-05-31 | 2017-12-26 | 安徽江淮汽车集团股份有限公司 | 一种车道偏离预警系统的标定系统 |
CN109583280A (zh) * | 2017-09-29 | 2019-04-05 | 比亚迪股份有限公司 | 车道线识别方法、装置、设备及存储介质 |
CN109829403A (zh) * | 2019-01-22 | 2019-05-31 | 淮阴工学院 | 一种基于深度学习的车辆防碰撞预警方法及系统 |
CN109886168A (zh) * | 2019-02-01 | 2019-06-14 | 淮阴工学院 | 一种基于层阶的地面交通标志识别方法 |
CN113313071A (zh) * | 2021-06-28 | 2021-08-27 | 浙江同善人工智能技术有限公司 | 一种道路区域识别方法及系统 |
CN113781562A (zh) * | 2021-09-13 | 2021-12-10 | 山东大学 | 一种基于道路模型的车道线虚实配准和自车定位方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311283B2 (en) * | 2008-07-06 | 2012-11-13 | Automotive Research&Testing Center | Method for detecting lane departure and apparatus thereof |
KR102433791B1 (ko) * | 2015-11-20 | 2022-08-19 | 주식회사 에이치엘클레무브 | 차선 이탈 경고 장치 및 방법 |
KR101782362B1 (ko) * | 2015-12-14 | 2017-10-13 | 현대자동차주식회사 | 차량, 및 그 제어방법 |
-
2022
- 2022-08-02 CN CN202210920907.4A patent/CN115294767B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106256606A (zh) * | 2016-08-09 | 2016-12-28 | 浙江零跑科技有限公司 | 一种基于车载双目相机的车道偏离预警方法 |
CN206797382U (zh) * | 2017-05-31 | 2017-12-26 | 安徽江淮汽车集团股份有限公司 | 一种车道偏离预警系统的标定系统 |
CN109583280A (zh) * | 2017-09-29 | 2019-04-05 | 比亚迪股份有限公司 | 车道线识别方法、装置、设备及存储介质 |
CN109829403A (zh) * | 2019-01-22 | 2019-05-31 | 淮阴工学院 | 一种基于深度学习的车辆防碰撞预警方法及系统 |
CN109886168A (zh) * | 2019-02-01 | 2019-06-14 | 淮阴工学院 | 一种基于层阶的地面交通标志识别方法 |
CN113313071A (zh) * | 2021-06-28 | 2021-08-27 | 浙江同善人工智能技术有限公司 | 一种道路区域识别方法及系统 |
CN113781562A (zh) * | 2021-09-13 | 2021-12-10 | 山东大学 | 一种基于道路模型的车道线虚实配准和自车定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115294767A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294767B (zh) | 一种高速公路车道线实时检测与交通安全预警方法及装置 | |
CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
CN112339773B (zh) | 一种基于单目视觉的非主动车道偏离预警方法及系统 | |
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN111027447B (zh) | 一种基于深度学习的道路溢出实时检测方法 | |
CN112101670A (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
CN110660211A (zh) | 使用占用行为异常检测器的停车区域地图改善 | |
Oh et al. | In-depth understanding of lane changing interactions for in-vehicle driving assistance systems | |
Alpar et al. | Intelligent collision warning using license plate segmentation | |
Sheikh et al. | A game theory-based controller approach for identifying incidents caused by aberrant lane changing behavior | |
CN114454878A (zh) | 车速控制模型训练样本的确定方法及装置 | |
Kumar et al. | Moving Vehicles Detection and Tracking on Highways and Transportation System for Smart Cities | |
CN117649632B (zh) | 基于多源交通数据的高速公路事件识别方法及识别装置 | |
Sun et al. | A hybrid approach of random forest and random parameters logit model of injury severity modeling of vulnerable road users involved crashes | |
Shangguan et al. | An empirical investigation of driver car-following risk evolution using naturistic driving data and random parameters multinomial logit model with heterogeneity in means and variances | |
Samerei et al. | Analyzing the transition from two-vehicle collisions to chain reaction crashes: A hybrid approach using random parameters logit model, interpretable machine learning, and clustering | |
Song et al. | Method for estimating highway collision rate that considers state of traffic flow | |
Gao et al. | Stage-specific impacts of hazy weather on car following | |
Hovorushchenko et al. | Road Accident Prevention System | |
Koloushani et al. | Introducing Automatic Control Method of Safety Standards in Horizontal Curves by Processing Images Taken by Mobile Mapping System. | |
Arun Sagar et al. | Prediction of passing probability and risk evaluation along undivided road under heterogeneous traffic | |
CN117593891B (zh) | 一种基于高速公路交通大数据的车流量分析系统及方法 | |
CN110718064A (zh) | 一种车辆违章检测方法和装置 |
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 |