CN115359683A - 一种基于深度学习的车辆轨迹检测方法 - Google Patents

一种基于深度学习的车辆轨迹检测方法 Download PDF

Info

Publication number
CN115359683A
CN115359683A CN202211006416.5A CN202211006416A CN115359683A CN 115359683 A CN115359683 A CN 115359683A CN 202211006416 A CN202211006416 A CN 202211006416A CN 115359683 A CN115359683 A CN 115359683A
Authority
CN
China
Prior art keywords
vehicle
overtaking
track detection
central control
speed
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.)
Pending
Application number
CN202211006416.5A
Other languages
English (en)
Inventor
张中
孙冠龙
黄俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Zhanda Intelligent Technology Co ltd
Original Assignee
Hefei Zhanda Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Zhanda Intelligent Technology Co ltd filed Critical Hefei Zhanda Intelligent Technology Co ltd
Priority to CN202211006416.5A priority Critical patent/CN115359683A/zh
Publication of CN115359683A publication Critical patent/CN115359683A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/52—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • 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
    • G08G1/054—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed photographing overspeeding vehicles
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Emergency Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于深度学习的车辆轨迹检测方法，涉及轨迹检测技术领域，预先收集智能中控的物理地址，并在车辆移动时实时为智能中控生成虚拟地址；通过监控摄像头实时获取道路车辆的行驶情况；并预先训练可识别车辆是否有转道意图的CNN神经网络模型；根据模型实时识别具有转道意图的车辆；根据车辆与前车的距离判断该车是转道或超车的需求；若为超车需求，根据车辆行驶速度、前车行驶速度、最近对向车辆行驶速度、与前车距离以及与最近对向车辆距离计算超车需要的速度；并根据超车速度判断车辆是否具有超车条件；在无超车条件或需谨慎超车时，向智能中控发送警告；在车辆超车时预先分析超车条件，提前避免了车辆碰撞的发生。

Description

一种基于深度学习的车辆轨迹检测方法
技术领域
本发明属于车辆轨迹检测领域，涉及深度学习技术，具体是一种基于深度学习的车辆轨迹检测方法。
背景技术
汽车以及卡车等车辆作为目前居民生活中的重要代步工具以及收入来源，尤其在城市道路中，几乎任何时刻都有车辆在车道上行驶；而正是车辆的数量急剧扩张，因为车辆碰撞导致的车祸也屡屡发生，为家庭社会带来了巨大的灾难；而车辆碰撞的一个占比很大的因素为车辆在未了解对向车道来车的情况下，盲目变道或超车导致车辆碰撞；而目前尚无针对盲目变道以及超车做预先提醒的方法。
为此，提出一种基于深度学习的车辆轨迹检测方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度学习的车辆轨迹检测方法，该一种基于深度学习的车辆轨迹检测方法预先收集智能中控的物理地址，并在车辆移动时实时为智能中控生成虚拟地址；通过监控摄像头实时获取道路上车辆的行驶情况；并预先训练好可识别车辆是否有转道意图的CNN神经网络模型；根据该神经网络模型实时获取道路中具有转道意图的车辆；根据车辆与前车的距离判断该车是转道还是超车的需求；若为超车需求，根据车辆行驶速度、前车行驶速度、最近对向车辆行驶速度、与前车距离以及与最近对向车辆距离计算出超车需要的速度；并根据超车速度判断车辆是否具有超车条件；在无超车条件或需谨慎超车时，向智能中控发送警告；在车辆超车时预先分析超车条件，提前避免了车辆碰撞的发生。
为实现上述目的，根据本发明的第一方面的实施例提出一种基于深度学习的车辆轨迹检测方法，包括以下步骤：
步骤一：轨迹检测中台收集每台车辆的智能中控物理地址与车辆车牌的对应关系；
步骤二：轨迹检测中台实时收集每台车辆的智能中控的虚拟地址；
步骤三：轨迹检测中台在道路中实时检测每台车辆的轨迹，并判断车辆是否有超车动作；
步骤四：轨迹检测中台通过车辆速度、前车速度、与前车的距离以及对向车辆的车速和距离，计算车辆超车成功所需要的时速；并根据该时速判断车辆是否具有超车条件；
步骤五：轨迹检测中台在车辆不具有超车条件时，向车辆智能中控发送不具备超车条件警告；轨迹检测中台在车辆具有超车条件时，且具有时速要求时，向车辆智能中控发送谨慎超车警告；
轨迹检测中台包括在道路中两侧布置的监控摄像头、数据存储设备以及数据处理模块；其中，监控摄像头与数据处理模块以无线方式连接；数据存储设备与数据处理模块以电气方式连接；
其中，所述智能中控物理地址为车辆出厂时为车辆的智能中控设置的唯一物理编号；在车辆上牌照时，将车辆牌照与智能中控的物理地址的对应关系发送至轨迹检测中台，并由数据存储设备保存；
其中，所述智能中控虚拟地址为车辆在道路中行驶过程中，轨迹检测中台为每台智能中控分配的一个虚拟地址；随着车辆的移动，在脱离信号基站范围时，动态的为智能中控分配一个虚拟地址；且轨迹检测中台的数据存储设备实时保存虚拟地址与智能中控物理地址的对应关系；
所有监控摄像头拍摄的画面发送至轨迹检测中台的数据处理模块；轨迹检测中台根据各个监控摄像头的位置，将道路监控图像进行拼接；实时还原完整道路中每台车辆的行驶情况；
所述数据处理模块根据拼接的道路监控图像，分析每辆车的行驶轨迹，并判断具有超车意图的车辆是否可以进行安全超车；
所述数据处理模块判断车辆是否具有超车意图包括以下步骤：
步骤S1：预先收集若干打开转向灯以及车辆轮胎偏转的图片，以及未打开转向灯且车辆轮胎未偏转的图片；并将图片对应标记为转道以及非直行；
步骤S2：将转道的图片标记为1，直行图片标记为0；将收集的图片作为输入，图片标记作为预测目标，输入至CNN神经网络，输出图片中车辆是否为转道的预测结果；对CNN神经网络模型进行训练；直至CNN神经网络预测准确率大于95％，停止训练；将训练完成的CNN神经网络标记为M；
步骤S3：所述数据处理模块从监控图像中，使用目标识别算法识别出监控图像中的各个车辆；并使用CNN神经网络模型M判断每辆车是否具有转道意图；若车辆具有转道意图，转至步骤S4；
步骤S4：使用图像分析技术获取转道车辆前方的车辆位置；并计算前车与转道车辆的距离；若距离大于转道距离阈值s，判定为转道车辆为转道，非超车；否则，判定为车辆具有超车意图；其中，距离阈值s根据实际经验设置；
轨迹检测中台监控到车辆具有超车意图时，对该车辆进行安全警告包括以下步骤：
步骤P1：通过目标识别算法获取前方车辆以及离其最近的对向车辆的位置；将前方车辆标记为f；将最近的对向车辆标记为n；将待超车车辆标记为o；通过图像分析技术估算出车辆o与车辆f的距离以及车辆o与车辆n的距离；并将距离分别标记为sf以及sn；其中，距离sf包括前车的车身长度；且sf<sn；
步骤P2：根据若干帧之间车辆f、车辆n以及车辆o的位置变化，估算出每辆车的车速；将车辆f、车辆n以及车辆o的速度分别标记为vf、vn以及vo；
步骤P3：可以理解的是，需要保证在车辆o与车辆f的行驶距离差值大于sf，且车辆n与车辆o的距离大于0时，可判断为车辆o成功超车；
将车辆o成功超车的车速定义为vx；则vx需要满足的条件为
Figure BDA0003809342820000041
其中，vx-vo为车辆o与车辆f之间的时速差值，则
Figure BDA0003809342820000042
表示车辆o超车所需要的时间；
Figure BDA0003809342820000043
即为在超车时间内，车辆o与车辆n行驶的总距离，只有当总距离小于sn时，两者才不会碰撞；因此化简该不等式，可知
Figure BDA0003809342820000044
为了便于表达，将
Figure BDA0003809342820000045
标记为vl；
步骤P4：可以理解的是，车辆从速度vo加速至速度vl，需要一定时间；因此实际超车时间比公式中的时间要长；因此，预设车辆变速系数k，将车速vl更新为vl*k*(vl-vo)；
预设车辆的车速最高阈值vm以及免警告阈值vw，当vl<vw时，不对车辆转道进行安全警告；当vw<vl<vm时，轨迹检测中台根据车辆车牌号获取车辆智能中控的物理地址，根据智能中控的物理地址获取其虚拟地址；轨迹检测中台向该虚拟地址发送谨慎超车条件警告；当vl>vm时，轨迹检测中台向该车辆智能中控虚拟地址发送不具备超车条件警告；车辆智能中控接收到不具备超车条件警告以及谨慎超车条件警告时，通过语音播报提醒驾驶人员对应的警告内容以及需要的超车速度。
与现有技术相比，本发明的有益效果是：
本发明预先收集智能中控的物理地址，并在车辆移动时实时为智能中控生成虚拟地址；通过监控摄像头实时获取道路车辆的行驶情况；并预先训练可识别车辆是否有转道意图的CNN神经网络模型；根据模型实时识别具有转道意图的车辆；根据车辆与前车的距离判断该车是转道或超车的需求；若为超车需求，根据车辆行驶速度、前车行驶速度、最近对向车辆行驶速度、与前车距离以及与最近对向车辆距离计算超车需要的速度；并根据超车速度判断车辆是否具有超车条件；在无超车条件或需谨慎超车时，向智能中控发送警告；在车辆超车时预先分析超车条件，提前避免了车辆碰撞的发生。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于深度学习的车辆轨迹检测方法，包括以下步骤：
步骤一：轨迹检测中台收集每台车辆的智能中控物理地址与车辆车牌的对应关系；
步骤二：轨迹检测中台实时收集每台车辆的智能中控的虚拟地址；
步骤三：轨迹检测中台在道路中实时检测每台车辆的轨迹，并判断车辆是否有超车动作；
步骤四：轨迹检测中台通过车辆速度、前车速度、与前车的距离以及对向车辆的车速和距离，计算车辆超车成功所需要的时速；并根据该时速判断车辆是否具有超车条件；
步骤五：轨迹检测中台在车辆不具有超车条件时，向车辆智能中控发送不具备超车条件警告；轨迹检测中台在车辆具有超车条件时，且具有时速要求时，向车辆智能中控发送谨慎超车警告；
在一个优选的实施例中，轨迹检测中台包括在道路中两侧布置的监控摄像头、数据存储设备以及数据处理模块；其中，监控摄像头与数据处理模块以无线方式连接；数据存储设备与数据处理模块以电气方式连接；
可以理解的是，随着汽车智能化的普及，汽车的中控系统将具有越来越多的智能控制功能；且可作为物联网的一部分，实时参与交通流动；
其中，所述智能中控物理地址为车辆出厂时为车辆的智能中控设置的唯一物理编号；在车辆上牌照时，将车辆牌照与智能中控的物理地址的对应关系发送至轨迹检测中台，并由数据存储设备保存；
其中，所述智能中控虚拟地址为车辆在道路中行驶过程中，轨迹检测中台为每台智能中控分配的一个虚拟地址；可以理解的是，该虚拟地址可以与互联网中的IP地址的分配方式类似，随着车辆的移动，在脱离信号基站范围时，动态的为智能中控分配一个虚拟地址；且轨迹检测中台的数据存储设备实时保存虚拟地址与智能中控物理地址的对应关系；
在一个优选的实施例中，轨迹检测中台的监控摄像头布置在道路两侧，且每个监控摄像头安装的位置保证可清晰拍摄到车辆的车牌号，每个监控摄像头之间的距离保证可清晰拍摄到道路的所有的路段；所有监控摄像头拍摄的画面发送至轨迹检测中台的数据处理模块；轨迹检测中台根据各个监控摄像头的位置，将道路监控图像进行拼接；实时还原完整道路中每台车辆的行驶情况；
其中，所述数据处理模块根据拼接的道路监控图像，分析每辆车的行驶轨迹，并判断具有超车意图的车辆是否可以进行安全超车；
在一个优选的实时例中，所述数据处理模块判断车辆是否具有超车意图包括以下步骤：
步骤S1：预先收集若干打开转向灯以及车辆轮胎偏转的图片，以及未打开转向灯且车辆轮胎未偏转的图片；并将图片对应标记为转道以及非直行；
步骤S2：将转道的图片标记为1，直行图片标记为0；将收集的图片作为输入，图片标记作为预测目标，输入至CNN神经网络，输出图片中车辆是否为转道的预测结果；对CNN神经网络模型进行训练；直至CNN神经网络预测准确率大于95％，停止训练；将训练完成的CNN神经网络标记为M；
步骤S3：所述数据处理模块从监控图像中，使用目标识别算法识别出监控图像中的各个车辆；并使用CNN神经网络模型M判断每辆车是否具有转道意图；若车辆具有转道意图，转至步骤S4；
步骤S4：使用图像分析技术获取转道车辆前方的车辆位置；并计算前车与转道车辆的距离；若距离大于转道距离阈值s，判定为转道车辆为转道，非超车；否则，判定为车辆具有超车意图；其中，距离阈值s根据实际经验设置；
可以理解的是，对于具有超车意图的车辆，需要注意的是对向车道是否有来车，尤其是在拐弯道路等具有视野盲区的车道；车辆无法获知前方对向道路是否有车辆，盲目采取超车行为，往往容易与对向车辆发生碰撞；造成严重损失；因此，需要对具有超车意图的车辆进行安全警告；
在一个优选的实施例中，轨迹检测中台监控到车辆具有超车意图时，对该车辆进行安全警告包括以下步骤：
步骤P1：通过目标识别算法获取前方车辆以及离其最近的对向车辆的位置；将前方车辆标记为f；将最近的对向车辆标记为n；将待超车车辆标记为o；通过图像分析技术估算出车辆o与车辆f的距离以及车辆o与车辆n的距离；并将距离分别标记为sf以及sn；其中，距离sf包括前车的车身长度；且sf<sn；
步骤P2：根据若干帧之间车辆f、车辆n以及车辆o的位置变化，估算出每辆车的车速；将车辆f、车辆n以及车辆o的速度分别标记为vf、vn以及vo；
步骤P3：可以理解的是，需要保证在车辆o与车辆f的行驶距离差值大于sf，且车辆n与车辆o的距离大于0时，可判断为车辆o成功超车；
将车辆o成功超车的车速定义为vx；则vx需要满足的条件为
Figure BDA0003809342820000081
其中，vx-vo为车辆o与车辆f之间的时速差值，则
Figure BDA0003809342820000082
表示车辆o超车所需要的时间；
Figure BDA0003809342820000083
即为在超车时间内，车辆o与车辆n行驶的总距离，只有当总距离小于sn时，两者才不会碰撞；因此化简该不等式，可知
Figure BDA0003809342820000084
为了便于表达，将
Figure BDA0003809342820000085
标记为vl；
步骤P4：可以理解的是，车辆从速度vo加速至速度vl，需要一定时间；因此实际超车时间比公式中的时间要长；因此，预设车辆变速系数k，将车速vl更新为vl*k*(vl-vo)；
预设车辆的车速最高阈值vm以及免警告阈值vw，当vl<vw时，不对车辆转道进行安全警告；当vw<vl<vm时，轨迹检测中台根据车辆车牌号获取车辆智能中控的物理地址，根据智能中控的物理地址获取其虚拟地址；轨迹检测中台向该虚拟地址发送谨慎超车条件警告；当vl>vm时，轨迹检测中台向该车辆智能中控虚拟地址发送不具备超车条件警告；车辆智能中控接收到不具备超车条件警告以及谨慎超车条件警告时，通过语音播报提醒驾驶人员对应的警告内容以及需要的超车速度。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.一种基于深度学习的车辆轨迹检测方法，其特征在于，包括以下步骤：
步骤一：轨迹检测中台收集每台车辆的智能中控物理地址与车辆车牌的对应关系；
步骤二：轨迹检测中台实时收集每台车辆的智能中控的虚拟地址；
步骤三：轨迹检测中台在道路中实时检测每台车辆的轨迹，并判断车辆是否有超车动作；
步骤四：轨迹检测中台通过车辆速度、前车速度、与前车的距离以及对向车辆的车速和距离，计算车辆超车成功所需要的时速；并根据该时速判断车辆是否具有超车条件；
步骤五：轨迹检测中台在车辆不具有超车条件时，向车辆智能中控发送不具备超车条件警告；轨迹检测中台在车辆具有超车条件时，且具有时速要求时，向车辆智能中控发送谨慎超车警告。
2.根据权利要求1所述的一种基于深度学习的车辆轨迹检测方法，其特征在于，轨迹检测中台包括在道路中两侧布置的监控摄像头、数据存储设备以及数据处理模块；其中，监控摄像头与数据处理模块以无线方式连接；数据存储设备与数据处理模块以电气方式连接。
3.根据权利要求1所述的一种基于深度学习的车辆轨迹检测方法，其特征在于，所述智能中控物理地址为车辆出厂时为车辆的智能中控设置的唯一物理编号；在车辆上牌照时，将车辆牌照与智能中控的物理地址的对应关系发送至轨迹检测中台。
4.根据权利要求1所述的一种基于深度学习的车辆轨迹检测方法，其特征在于，所述智能中控虚拟地址为车辆在道路中行驶过程中，轨迹检测中台为每台智能中控分配的一个虚拟地址；随着车辆的移动，在脱离信号基站范围时，动态的为智能中控分配一个虚拟地址；且轨迹检测中台实时保存虚拟地址与智能中控物理地址的对应关系。
5.根据权利要求2所述的一种基于深度学习的车辆轨迹检测方法，其特征在于，所有监控摄像头拍摄的画面发送至轨迹检测中台的数据处理模块；轨迹检测中台根据各个监控摄像头的位置，将道路监控图像进行拼接；实时还原完整道路中每台车辆的行驶情况。
6.根据权利要求1所述的一种基于深度学习的车辆轨迹检测方法，其特征在于，所述轨迹检测中台判断车辆是否具有超车动作包括以下步骤：
步骤S1：预先收集若干打开转向灯以及车辆轮胎偏转的图片，以及未打开转向灯且车辆轮胎未偏转的图片；并将图片对应标记为转道以及非直行；
步骤S2：将转道的图片标记为1，直行图片标记为0；将收集的图片作为输入，图片标记作为预测目标，输入至CNN神经网络，输出图片中车辆是否为转道的预测结果；对CNN神经网络模型进行训练；直至CNN神经网络预测准确率大于95％，停止训练；将训练完成的CNN神经网络标记为M；
步骤S3：所述轨迹检测中台从监控图像中，使用目标识别算法识别出监控图像中的各个车辆；并使用CNN神经网络模型M判断每辆车是否具有转道意图；若车辆具有转道意图，转至步骤S4；否则，不做处理；
步骤S4：使用图像分析技术获取转道车辆前方的车辆位置；并计算前车与转道车辆的距离；若距离大于转道距离阈值s，判定转道车辆为转道，非超车；否则，判定为车辆具有超车意图；其中，距离阈值s根据实际经验设置。
7.根据权利要求1所述的一种基于深度学习的车辆轨迹检测方法，其特征在于，轨迹检测中台对具有超车意图车辆进行安全警告包括以下步骤：
步骤P1：通过目标识别算法获取前方车辆以及离其最近的对向车辆的位置；将前方车辆标记为f；将最近的对向车辆标记为n；将待超车车辆标记为o；通过图像分析技术估算出车辆o与车辆f的距离以及车辆o与车辆n的距离；并将距离分别标记为sf以及sn；其中，距离sf包括前车的车身长度；且sf<sn；
步骤P2：根据若干帧之间车辆f、车辆n以及车辆o的位置变化，估算出每辆车的车速；将车辆f、车辆n以及车辆o的速度分别标记为vf、vn以及vo；
步骤P3：将车辆o成功超车的车速定义为vx；则vx需要满足的条件为
Figure FDA0003809342810000031
化简该不等式，得
Figure FDA0003809342810000032
将
Figure FDA0003809342810000033
标记为vl；
步骤P4：预设车辆变速系数k，将车速vl更新为vl*k*(vl-vo)；预设车辆的车速最高阈值vm以及免警告阈值vw，当vl<vw时，不对车辆超车进行安全警告；当vw<vl<vm时，轨迹检测中台根据车辆车牌号获取车辆智能中控的物理地址，根据智能中控的物理地址获取其虚拟地址；轨迹检测中台向该虚拟地址发送谨慎超车条件警告；当vl>vm时，轨迹检测中台向该车辆智能中控虚拟地址发送不具备超车条件警告。
8.根据权利要求7所述的一种基于深度学习的车辆轨迹检测方法，其特征在于，车辆智能中控接收到不具备超车条件警告以及谨慎超车条件警告时，通过语音播报提醒驾驶人员对应的警告内容以及需要的超车速度。
CN202211006416.5A 2022-08-22 2022-08-22 一种基于深度学习的车辆轨迹检测方法 Pending CN115359683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211006416.5A CN115359683A (zh) 2022-08-22 2022-08-22 一种基于深度学习的车辆轨迹检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211006416.5A CN115359683A (zh) 2022-08-22 2022-08-22 一种基于深度学习的车辆轨迹检测方法

Publications (1)

Publication Number Publication Date
CN115359683A true CN115359683A (zh) 2022-11-18

Family

ID=84002764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211006416.5A Pending CN115359683A (zh) 2022-08-22 2022-08-22 一种基于深度学习的车辆轨迹检测方法

Country Status (1)

Country Link
CN (1) CN115359683A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107054209A (zh) * 2017-05-02 2017-08-18 辽宁工业大学 前车前方不可见路况多功能提示系统及超车预警提示方法
CN109859526A (zh) * 2019-01-18 2019-06-07 长安大学 一种超车时前方目标车辆运动姿态实时观测装置及方法
CN109878446A (zh) * 2019-01-22 2019-06-14 南京工程学院 一种基于多雷达的超车辅助预警系统及控制方法
CN110517521A (zh) * 2019-08-06 2019-11-29 北京航空航天大学 一种基于路车融合感知的车道偏离预警方法
CN110843776A (zh) * 2019-11-29 2020-02-28 深圳市元征科技股份有限公司 车辆防撞方法和装置
CN113763750A (zh) * 2021-09-29 2021-12-07 中智行(上海)交通科技有限公司 基于5g的智能车路协同系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107054209A (zh) * 2017-05-02 2017-08-18 辽宁工业大学 前车前方不可见路况多功能提示系统及超车预警提示方法
CN109859526A (zh) * 2019-01-18 2019-06-07 长安大学 一种超车时前方目标车辆运动姿态实时观测装置及方法
CN109878446A (zh) * 2019-01-22 2019-06-14 南京工程学院 一种基于多雷达的超车辅助预警系统及控制方法
CN110517521A (zh) * 2019-08-06 2019-11-29 北京航空航天大学 一种基于路车融合感知的车道偏离预警方法
CN110843776A (zh) * 2019-11-29 2020-02-28 深圳市元征科技股份有限公司 车辆防撞方法和装置
CN113763750A (zh) * 2021-09-29 2021-12-07 中智行(上海)交通科技有限公司 基于5g的智能车路协同系统及方法

Similar Documents

Publication Publication Date Title
CN110614994B (zh) 车辆自动驾驶时换道的控制方法、控制系统及车辆
US20190143992A1 (en) Self-driving learning apparatus and method using driving experience information
RU2657656C1 (ru) Устройство управления движением и способ управления движением
US20190220030A1 (en) Vehicle controller
US11912286B2 (en) Driving risk identification model calibration method and system
CN113212454B (zh) 车辆行驶状态的调整方法、装置、计算机设备和存储介质
CN113147733B (zh) 雨雾沙尘天气汽车智能限速系统及方法
CN111231971A (zh) 基于大数据的汽车安全性能分析评价方法及系统
CN111731296A (zh) 行驶控制装置、行驶控制方法以及存储程序的存储介质
CN109969191B (zh) 驾驶辅助系统和方法
CN113022554A (zh) 驾驶支援装置
KR20200092462A (ko) 주행상황 정보융합 기반 주행경로 가변화 방법 및 시스템
CN115359683A (zh) 一种基于深度学习的车辆轨迹检测方法
CN116504065A (zh) 一种监测事件的数据处理方法
US11955006B2 (en) Traffic light indication system with suppressed notification for a vehicle
EP4056443A2 (en) Vehicle, driving assistance device and method
CN113178081B (zh) 一种车辆汇入预警方法、装置及电子设备
CN115092186A (zh) 一种车辆自动驾驶方法及装置、电子设备、存储介质
CN114954452A (zh) 一种基于自适应巡航的车速控制方法及系统
CN111516679B (zh) 一种车辆紧急加速自保护系统及其方法
CN115339446A (zh) 驾驶辅助装置
CN114852084A (zh) 一种严重拥堵路况下预测前车制动行为的装置及方法
JP2023028536A (ja) 自動車
JP5959401B2 (ja) 運転支援システム
CN114973697A (zh) 车辆优先通行控制方法及相关设备

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