CN115376055A - 一种面向城市道路数字孪生场景的车辆追踪方法 - Google Patents

一种面向城市道路数字孪生场景的车辆追踪方法 Download PDF

Info

Publication number
CN115376055A
CN115376055A CN202211322266.9A CN202211322266A CN115376055A CN 115376055 A CN115376055 A CN 115376055A CN 202211322266 A CN202211322266 A CN 202211322266A CN 115376055 A CN115376055 A CN 115376055A
Authority
CN
China
Prior art keywords
road
monitoring
early warning
node
intersection
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.)
Granted
Application number
CN202211322266.9A
Other languages
English (en)
Other versions
CN115376055B (zh
Inventor
杨亚宁
钱程扬
蒋如乔
杨瑞雪
王一梅
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.)
Yuance Information Technology Co ltd
Original Assignee
Suzhou Industrial Park Surveying Mapping And Geoinformation 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 Suzhou Industrial Park Surveying Mapping And Geoinformation Co ltd filed Critical Suzhou Industrial Park Surveying Mapping And Geoinformation Co ltd
Priority to CN202211322266.9A priority Critical patent/CN115376055B/zh
Publication of CN115376055A publication Critical patent/CN115376055A/zh
Application granted granted Critical
Publication of CN115376055B publication Critical patent/CN115376055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向城市道路数字孪生场景的车辆追踪方法，包括：基于实际的城市道路，以及城市道路空间拓扑网络与监控设备间的可视关系，建立监控路网关系图谱；确定目标车辆特征，根据建立的监控路网关系图谱通过人工判别或监控AI分析识别目标车辆，生成预警节点集合；遍历预警节点集合中的预警节点，基于广度优先遍历策略，搜索N阶包围圈，从而实现目标车辆的线下追踪。本发明车辆追踪方法实现目标车辆在城市道路中跨摄像头的精准追踪，以满足数字孪生场景的应用需求。

Description

一种面向城市道路数字孪生场景的车辆追踪方法
技术领域
本发明涉及数字孪生和车辆追踪技术领域，具体地，涉及一种面向城市道路数字孪生场景的车辆追踪方法。
背景技术
随着社会经济的发展，城市交通系统日益复杂，交通管理面临着越来越多的挑战。同时人工智能技术和数字孪生理念的兴起，为智能交通管理带来了新的机遇。城市交通系统是一个动态复杂的系统，覆盖范围广，很难在真实物理空间全面掌握交通系统运行状况和车辆动态，因此可以基于数字孪生场景对现实交通进行模拟复刻，从全局掌握交通运行状态，实现车辆监控以及轨迹预测等智能化分析以辅助决策。
城市道路监控作为重要的信息采集基础设备，在城市道路管理过程中发挥着重要的作用。道路监控设备密集布设在道路交叉口、重点路段等，为城市安全提供了强有力的数据支撑。在重大安保、治安管理、刑事案件、交通违法等业务场景中，经常需要对特定车辆进行实时监控、追踪，确保目标车辆在监控视频中实时可见，密切追踪。
目前，部署在城市道路上的监控数据量巨大，市级范围通常会达到几万路，且类别多样，有卡口、电子警察、枪机、球机、高空监控等，由于建设时间不一，有些监控只是具备传统拍摄能力，而有些已经在前端集成了AI识别能力，有些视角固定，有些能够通过云台操控来控制监控角度和范围。在如此多的监控设备中，要实现对特定车辆的实时追踪，主要实现方式如下：
（1）初期依靠纯粹人力排查，基于经验通过人工排查方式对监控视频进行筛查，这种方式费时费力，且容易漏看误查，往往事倍功半；
（2）随着人工智能技术的兴起，AI识别在图像检索中得到广泛应用，但基于AI的图像目标识别，要求有强大的算力支撑，对计算资源要求较高，性能上无法满足实时追踪的需求；
（3）近年来也有很多融合AI能力和追踪算法的方式，主要是基于路网中监控的空间关系对摄像头进行空间检索与推荐，从而缩小搜索范围，再结合AI能力，提高计算性能。当前主要的追踪算法还是以GIS缓冲区分析为主，按照固定半径的空间距离进行监控检索推荐，这种方式忽略了城市道路空间拓扑结构，搜索结果不够准确。
此外，公开号CN 111818313 A提出了一种基于路网与监控的空间关系建立视频网络，根据视频网络对目标车辆进行识别与追踪，该方法考虑了道路和监控的连通性，更加贴合实际情况，但该方法在将道路网络抽象成网络模型的过程中，未考虑道路的方向特征及真实连通情况，在搜索监控设备时，未考虑车辆行驶习惯及车辆行驶轨迹，仅基于车辆在道路上的估计行驶时间，无法满足某些非常规情景下的特殊需求，如犯罪分子追踪。
以上视频追踪的实现方法在效率、性能、准确性上各有缺陷，而数字孪生场景要求动态、全生命周期、实时或准实时、双向链接，因此以上方法均无法满足面向城市道路数字孪生场景的车辆追踪。
发明内容
针对现有技术中存在的问题，本发明提供了一种面向城市道路数字孪生场景的车辆追踪方法，从而实现目标车辆在城市道路中跨摄像头的精准追踪，以满足数字孪生场景的应用需求。
为实现上述目的，本发明采用如下技术方案：一种面向城市道路数字孪生场景的车辆追踪方法，具体包括如下步骤：
步骤S1、基于实际的城市道路，以及城市道路空间拓扑网络与监控设备间的可视关系，建立监控路网关系图谱；
步骤S2、确定目标车辆特征，根据建立的监控路网关系图谱通过人工判别或监控AI分析识别目标车辆，生成首次预警节点集合；
步骤S3、遍历首次预警节点集合中的预警节点，基于广度优先遍历策略，搜索N阶包围圈；
步骤S4、计算N阶包围圈的推荐优先级，按照N阶包围圈和推荐优先级，调整目标车辆的线上、线下追踪策略，生成当前预警节点集合；
步骤S5、根据当前预警节点集合与上一次的预警节点集合计算目标车辆到达当前预警节点集合中各路径节点的概率，以概率最大的路径节点作为初始预警节点，搜索N阶包围圈；
步骤S6、重复步骤S4-S5，直至完成目标车辆的线下追踪。
进一步地，步骤S1包括如下子步骤：
步骤S101、城市道路的空间位置以GIS矢量路网描述，GIS矢量路网要素包含路口和路段，基于路口和路段的空间地理位置，建立路网要素间的空间拓扑关系，根据城市道路的空间位置以及路网要素间的空间拓扑关系，建立城市道路空间拓扑网络，所述城市道路空间拓扑网络由路口表和路段表描述；
步骤S102、监控位置由监控设备的实际地理位置表示，由监控表描述；基于监控与道路的可视关系，建立监控与路段的关联关系，所述监控与路段的关联关系由监控-路段关系表描述；
步骤S103、根据路口表、路段表、监控表、监控-路段关系表建立监控路网关系图谱。
进一步地，所述首次预警节点集合和当前预警节点集合均以预警节点集合
Figure 955319DEST_PATH_IMAGE001
表示：
Figure 7589DEST_PATH_IMAGE002
其中，RS表示路段、RC表示路口、Cam表示监控，
Figure 224681DEST_PATH_IMAGE003
表示路段与路口的到达 关系，
Figure 678796DEST_PATH_IMAGE004
表示监控与路段的可视关系。
进一步地，所述预警节点集合
Figure 191817DEST_PATH_IMAGE001
由路段ID预警、监控ID预警、路口ID 预警中的任意一种生成：
i、由路段ID预警生成预警节点集合的过程为：基于路段ID获取监控路网关系图谱 中的路段节点rs，基于监控与道路的可视关系，获取与所述路段具有可视关系的监控集合
Figure 731383DEST_PATH_IMAGE005
，基于路段与路口的到达关系，获取所述路段节点所能到达 的路口
Figure 253631DEST_PATH_IMAGE006
，生成预警节点集合
Figure 827832DEST_PATH_IMAGE007
；其中，
Figure 511754DEST_PATH_IMAGE008
为监控节点
Figure 273037DEST_PATH_IMAGE009
与路段rs的可视关系，rc为路口节点，
Figure 97511DEST_PATH_IMAGE010
为路 段与路口的到达关系；
ii、由监控ID预警生成预警节点集合的过程为：基于监控ID获取监控路网关系图 谱中的监控节点
Figure 260639DEST_PATH_IMAGE011
，基于监控与道路的可视关系，获取与所述监控节点cam具有可视关系的 路段集合
Figure 381042DEST_PATH_IMAGE012
，按照路段ID预警，生成预警节点集合
Figure 895200DEST_PATH_IMAGE013
其中，
Figure 759251DEST_PATH_IMAGE014
为与所述监控节点
Figure 776885DEST_PATH_IMAGE011
具有可视关系的路段数量，i是m的索引；
iii、由路口ID预警生成预警节点集合的过程为：基于路口ID，获取监控路网关系 图谱中的路口节点rc，基于路段与路口的到达关系，获取到达所述路口节点rc的路段集合
Figure 333769DEST_PATH_IMAGE012
，按照路段ID预警，生成预警节点集合：
Figure 69644DEST_PATH_IMAGE015
其中，
Figure 970341DEST_PATH_IMAGE016
为与所述路口节点rc具有到达关系的路段数量，i是n的索引。
进一步地，步骤S3包括如下子步骤：
步骤S301、遍历首次预警节点集合中的预警节点，基于广度优先遍历策略，搜索一阶路径节点，形成一阶路径集合作为一阶包围圈，所述一阶包围圈包括：一阶路口集合、一阶路段集合和一阶监控集合；所述一阶路口集合为在一阶路径集合中，每一条路径的终止有效节点所组成的集合；所述一阶路段集合为在一阶路径集合中，所有路径中包含的路径节点所组成的集合；所述一阶监控集合为在一阶路径集合中，与一阶路段集合具有可视关系的监控节点所组成的集合；
步骤S302、遍历上一阶路口集合中的路口节点，基于广度优先遍历策略，搜索路径节点，直至形成N阶包围圈；
所述N的取值为1~3。
进一步地，所述搜索的终止条件为：若路径节点在已搜索路径集合中已存在，则将该路径节点设为终止节点；否则，若路径节点中的路段与监控的可视关系集合不为空，则将该路径节点设置为终止节点；否则，若路径长度大于等于3，则将该路径节点设置为终止节点。
进一步地，步骤S4中通过N阶包围圈中路径集合、监控集合及其推荐优先级以及N阶包围圈调整线上追踪策略；
路径集合的推荐优先级由路径概率的大小决定，所述路径概率的计算过程为：
Figure 108061DEST_PATH_IMAGE017
，其中，Q为所述路径的路径节点数量，a为Q的 索引，
Figure 835846DEST_PATH_IMAGE018
为表示由路段
Figure 793438DEST_PATH_IMAGE019
行驶到路段
Figure 264870DEST_PATH_IMAGE020
的转向概率，
Figure 257097DEST_PATH_IMAGE021
为由路径 节点中的路段节点按顺序所构成的集合；
监控集合的推荐优先级由监控概率的大小决定，所述监控概率的计算过程为：
Figure 624625DEST_PATH_IMAGE022
，其中，
Figure 833627DEST_PATH_IMAGE023
为同一阶包围圈集合中到达同一 个路口的路径数量，k为L的索引，
Figure 843171DEST_PATH_IMAGE024
为到达所述监控的路径行驶概率，
Figure 689904DEST_PATH_IMAGE025
为监控路段位置。
进一步地，步骤S4中通过路口集合、路段集合及N阶包围圈中路口集合的推荐优先级调整线下追踪策略；
路口集合的推荐优先级由路口概率的大小决定，所述路口概率的计算过程为：
Figure 759492DEST_PATH_IMAGE026
，其中，
Figure 691675DEST_PATH_IMAGE023
为同一阶包围圈集合中到达同一个路口的路径数量，i为L的索 引，
Figure 504911DEST_PATH_IMAGE027
为到达路口i的概率。
进一步地，根据当前预警节点集合与上一次的预警节点集合计算目标车辆到达当 前预警节点集合中的最短加权路径的过程为：以上一次的预警节点集合中所有路段节点为 初始路段节点集合，以当前预警节点集合中所有路段节点为终止路段节点集合，以路段转 向代价
Figure 471730DEST_PATH_IMAGE028
为权重，通过Floyd-Warshall 算法计算初始路段节点集合到终止路段 节点集合的所有对最短加权路径。
进一步地，所述路段转向代价
Figure 446639DEST_PATH_IMAGE028
描述为：
Figure 397277DEST_PATH_IMAGE029
其中，
Figure 247159DEST_PATH_IMAGE030
表示由路段
Figure 68485DEST_PATH_IMAGE031
行驶到
Figure 948716DEST_PATH_IMAGE032
的转向概率。
与现有技术相比，本发明具有如下有益效果：
（1）本发明面向城市道路数字孪生场景的车辆追踪方法基于城市道路空间拓扑网络和道路空间拓扑网络与监控设备间的可视关系，构建监控路网关系图谱，将具备城市道路空间拓扑信息的监控路网关系图谱作为约束进行车辆轨迹分析，能够更加准确的判断车辆可能到达的空间区域，同时结合真实的监控设备与道路空间可视关系，更加精确的获取到能够捕捉到目标对象的监控设备清单，这比传统缓冲区检索的方式更加准确，也比纯AI识别方法依赖更少的算力资源；
（2）本发明的车辆追踪方法根据当前预警节点集合与上一次的预警节点集合计算目标车辆到达当前预警节点集合中的各路径节点的概率，以概率最大的路径节点作为初始预警节点，搜索N阶包围圈，能够顾及目标车辆的前序位置，基于车辆在道路中的转向概率计算转向代价，将转向代价作为权重计算加权最短路径，缩小预警集合范围，同时能够考虑到车辆行驶的方向性，计算出更合理、更精确的追踪包围圈，从而提高目标车辆追踪的效率；
（3）本发明的车辆追踪方法采用N阶包围圈搜索，在目标车辆追踪应用场景中，提供道路监控中更全面的搜索信息，包括：路段、路口、监控，通过定义包围圈分级、推荐优先级分级，提供层次化的搜索信息，能够辅助设计更加合理的线上线下追踪方案，按照不同等级合理调配警力，优化车辆追踪流程。
附图说明
图1为本发明面向城市道路数字孪生场景的车辆追踪方法的流程图；
图2为路口、路段空间关系示意图；
图3为监控位置示意图；
图4为监控与路段可视关系示意图，其中，梯形区域为监控视域；
图5为监控路网关系图谱。
具体实施方式
下面结合附图对本发明的技术方案作进一步地解释说明。
如图1为本发明面向城市道路数字孪生场景的车辆追踪方法的流程图，该车辆追踪方法具体包括如下步骤：
步骤S1、基于实际的城市道路，以及城市道路空间拓扑网络与监控设备间的可视关系，建立监控路网关系图谱； GIS矢量数据所构建的城市道路空间拓扑网络能够较好的表示真实城市道路空间，从而模拟更加真实的车辆行驶轨迹，结合道路监控可视关系建立监控路网关系图谱，可以表达更加复杂的关系网络结构，提高信息抽取和信息表达能力，通过灵活的图搜索，实现复杂关系网络分析。具体包括如下子步骤：
步骤S101、城市道路的空间位置以GIS矢量路网描述，GIS矢量路网要素包含路口和路段，路口以矢量点表示，路段以矢量线表示，如图2为路口、路段空间关系示意图，其中，图2中的空心圆表示路口，路口为两条或多条道路相交汇的地方，路口矢量点以两个路段的交点描述；图2中的线段表示路段，路段为两个直接连通的路口之间的道路，路段矢量线以道路中心线描述，由于道路具有方向性，两个路口之间的路段仅描述单向道路，通过路段属性中的起止路口来描述路段方向，如图2中箭头指向方向。基于路口和路段的空间地理位置，建立路网要素间的空间拓扑关系，根据城市道路的空间位置以及路网要素间的空间拓扑关系，建立城市道路空间拓扑网络，本发明中城市道路空间拓扑网络由路口表和路段表描述，分别如表1和表2所示，路口、路段均具有唯一ID，在路段表中，记录路段起点路口ID和终点路口ID；
表1：路口表
Figure 121072DEST_PATH_IMAGE033
表2：路段表
Figure 10530DEST_PATH_IMAGE034
步骤S102、如图3中的
Figure 686362DEST_PATH_IMAGE035
表示监控设备，监控位置由监控设备的实际地理位置表 示，每台监控具备唯一的ID，由监控表描述，如表3，将监控与道路的可视关系，建立监控与 路段的关联关系，监控与路段的关联关系由监控-路段关系表描述，如表4，监控-路段关系 表来记录监控与路段的可视关系，如图4，若监控视频画面范围内可以拍摄到路段，则认为 监控与路段具有可视联系，否则无可视联系，图4中的
Figure 268653DEST_PATH_IMAGE035
表示监控设备，梯形区域为监控设 备拍摄到的路段区域，说明监控与路段具有可视联系。在监控-路段关系表中记录所有具有 可视联系的监控和路段记录，其中，一个监控可与多条路段关联，同一路段也可与多个监控 关联；
表3：监控表
Figure 928305DEST_PATH_IMAGE036
表4：监控-路段关系表
Figure 854410DEST_PATH_IMAGE037
步骤S103、如图5，根据路口表、路段表、监控表、监控-路段关系表建立监控路网关系图谱，包括节点集建立和边集建立：
节点集建立具体为：
（1）建立路口节点集：
Figure 650328DEST_PATH_IMAGE038
，路口节点属性包括：路口ID （crossID）、路口经度longitude、路口纬度latitude；
（2）建立路段节点集：
Figure 403520DEST_PATH_IMAGE039
，路段属性包括：路段ID （segmentID）、路段名称name、路面宽度width、路段类别class、起点路口ID （startCrossID）、终点路口ID（endCrossID）；
（3）建立监控节点集：
Figure 284889DEST_PATH_IMAGE040
，监控属性包括：监 控标识ID（CameraID）、监控点位经度longitude、监控点位纬度latitude、监控设备编号 code、监控名称name、监控类型编号class。
边集建立具体为：
（1）路口与路段具有驶入关系，即从某个路口可以驶入某个路段，基于路段属性 表，可建立路口与路段关系：
Figure 516150DEST_PATH_IMAGE041
；
（2）路段与路口具有到达关系，即从某个路口可以到达某个路段，基于路段属性 表，可建立路段与路口关系：
Figure 166574DEST_PATH_IMAGE042
；
（3）路口与路口具有连通关系，一个路口可经由一个路段，到达另一个路口，则认为第一个路口与第二个路口具有单向连通关系，具体表示为：
Figure 90668DEST_PATH_IMAGE043
；
（4）路段与路段具有连通关系，从一个路段到达一个路口，再驶入另一个路段，则 认为第一个路段与第二个路段具有单向连通关系，具体表示为：
Figure 724911DEST_PATH_IMAGE044
；
（5）监控与路段具有可视关系，在监控视频画面范围内可以拍摄到路段，则认为监 控与路段具有可视联系，具体表示为：
Figure 992819DEST_PATH_IMAGE045
。
步骤S2、确定目标车辆特征，根据建立的监控路网关系图谱通过人工判别或监控AI分析识别目标车辆，生成首次预警节点集合；
首次预警节点集合以预警节点集合
Figure 763329DEST_PATH_IMAGE001
表示：
Figure 592745DEST_PATH_IMAGE046
其中，
Figure 183126DEST_PATH_IMAGE047
表示路段、
Figure 21769DEST_PATH_IMAGE048
表示路口、Cam表示监控，
Figure 646786DEST_PATH_IMAGE003
表示路段与路口的到达 关系，
Figure 912682DEST_PATH_IMAGE004
表示监控与路段的可视关系。
本发明中预警节点集合
Figure 255939DEST_PATH_IMAGE001
由路段ID预警、监控ID预警、路口ID预警中 的任意一种生成：
i、由路段ID预警生成预警节点集合的过程为：基于路段ID获取监控路网关系图谱 中的路段节点
Figure 865649DEST_PATH_IMAGE049
，基于监控与道路的可视关系，获取与所述路段具有可视关系的监控集合
Figure 610751DEST_PATH_IMAGE005
，基于路段与路口的到达关系，获取所述路段节点所能到达的 路口
Figure 781970DEST_PATH_IMAGE006
，生成预警节点集合
Figure 612522DEST_PATH_IMAGE007
； 其中，
Figure 527389DEST_PATH_IMAGE009
为第k个监控节点，p为与路段节点具有可视关系的监控数量，k是p的索引，
Figure 126997DEST_PATH_IMAGE050
为监控节点
Figure 734696DEST_PATH_IMAGE009
与路段rs的可视关系，rc为路口节点，
Figure 19922DEST_PATH_IMAGE051
为路段与 路口的到达关系；
ii、由监控ID预警生成预警节点集合的过程为：基于监控ID获取监控路网关系图 谱中的监控节点
Figure 4058DEST_PATH_IMAGE052
，基于监控与道路的可视关系，获取与所述监控节点cam具有可视关系 的路段集合
Figure 458173DEST_PATH_IMAGE012
，按照路段ID预警，生成预警节点集合：
Figure 971194DEST_PATH_IMAGE013
，其中，m为与所述监 控节点
Figure 510760DEST_PATH_IMAGE052
具有可视关系的路段数量，i是m的索引；
iii、由路口ID预警生成预警节点集合的过程为：基于路口ID，获取监控路网关系 图谱中的路口节点rc，基于路段与路口的到达关系，获取到达所述路口节点rc的路段集合
Figure 767429DEST_PATH_IMAGE012
，按照路段ID预警，生成预警节点集合：
Figure 341630DEST_PATH_IMAGE015
，其中，n为与所述路 口节点
Figure 291131DEST_PATH_IMAGE053
具有到达关系的路段数量，i是n的索引。
三种生成预警节点集合的选择优先级为路段ID预警优于监控ID预警和路口ID预警，因为，路段ID预警生成的预警节点集合元素个数为1个，即可以唯一确定一个预警节点，监控ID预警生成的预警节点集合和路口ID生成的预警节点集合元素个数多于1个，预警节点越准确，追踪精确性越高。
步骤S3、遍历首次预警节点集合中的预警节点，基于广度优先遍历策略，搜索N阶包围圈，在描述一辆车在城市道路中的具体位置时，简单的文本描述方式往往具有歧义，如某某道路可以包含很长的空间距离，某某路口又有多个方向的可能性，因此本发明通过包围圈提供多要素、多层次的信息，对车辆位置进行尽可能具体的描述。同时在对动态车辆进行搜索时，包围圈可将车辆的运动范围唯一确定，按照车辆行驶时间和行驶概率，划定包围圈阶数，在不同阶数包围圈内制定不同的追踪方案。具体包括如下子步骤：
步骤S301、遍历首次预警节点集合中的预警节点，基于广度优先遍历策略，搜索一阶路径节点，形成一阶路径集合作为一阶包围圈，一阶包围圈包括：一阶路口集合、一阶路段集合和一阶监控集合；一阶路口集合为在一阶路径集合中，每一条路径的终止有效节点所组成的集合；一阶路段集合为在一阶路径集合中，所有路径中包含的路径节点所组成的集合；一阶监控集合为在一阶路径集合中，与一阶路段集合具有可视关系的监控节点所组成的集合；
步骤S302、遍历上一阶路口集合中的路口节点，基于广度优先遍历策略，搜索路径节点，直至形成N阶包围圈。本发明中N的取值为1~3中的正整数，随着阶数越多，包围圈内推荐优先级降低，信息价值也降低；且从目标车辆追踪来看，三阶包围圈所推荐的内容已经做够进行线上线下的追踪布控。
本发明中搜索的终止条件为：若路径节点在已搜索路径集合中已存在，则将该路径节点设置为终止节点；否则，若路径节点中的路段与监控的可视关系集合不为空，则将该路径节点设为终止节点；否则，若路径长度大于等于3，则将该路径节点设置为终止节点，避免因路段监控关系稀疏，导致搜索无法终止的情况。
步骤S4、计算N阶包围圈的推荐优先级，按照N阶包围圈和推荐优先级，调整目标车辆的线上、线下追踪策略，生成当前预警节点集合；在N阶包围圈中，车辆并不是随机无序运动，而是有一定规律，如在一条路段上，若已知车辆行驶方向，位于不同位置的监控捕捉到车辆具有先后顺序，在进行监控推荐时则优先推荐早一些捕捉到车辆的监控，因此本发明计算包围圈中路段、路口、监控的优先级，为调整线上、线下追踪策略提供更加丰富的决策信息。具体地，
通过N阶包围圈中路径集合、监控集合及其推荐优先级调整线上追踪策略，具体地，在电子地图上实时显示推荐路径，并通过颜色区分路径优先级，以动态展示车辆可能行驶的路径，在视频监控平台实时切换推荐监控，并按推荐优先级优先打开或排列监控画面，通过人工识别或监控AI识别的方式，在推荐监控设备视频画面中识别目标车辆，在发现目标车辆时通过监控ID预警生成当前预警节点集合。
本发明中路径集合的推荐优先级由路径概率的大小决定，路径概率越大，路径推荐优先级越高，路径概率的计算过程为：
Figure 816528DEST_PATH_IMAGE017
，其中，Q为所述路径的路径节点数量，a为Q的索引，
Figure 611309DEST_PATH_IMAGE021
为由路径节点中的路段节点按顺序所构成的集合，
Figure 305596DEST_PATH_IMAGE018
为 表示由路段
Figure 425998DEST_PATH_IMAGE019
行驶到路段
Figure 674577DEST_PATH_IMAGE020
的转向概率，
Figure 538628DEST_PATH_IMAGE054
Figure 821842DEST_PATH_IMAGE055
表示由路段
Figure 113146DEST_PATH_IMAGE019
行驶到路段
Figure 347556DEST_PATH_IMAGE020
的转向角度，
Figure 15297DEST_PATH_IMAGE056
，
Figure 153018DEST_PATH_IMAGE057
表示路段
Figure 615223DEST_PATH_IMAGE019
的方向角，
Figure 838394DEST_PATH_IMAGE058
，
Figure 309827DEST_PATH_IMAGE059
、
Figure 302053DEST_PATH_IMAGE060
分别为路段
Figure 935160DEST_PATH_IMAGE019
的起点坐标和终点坐标，PI代表圆周率。
本发明中监控集合的推荐优先级由监控概率的大小决定，监控概率越大，监控推荐优先级越高，监控概率的计算过程为：
Figure 144162DEST_PATH_IMAGE022
，其中，
Figure 153707DEST_PATH_IMAGE061
为同一 阶包围圈集合中到达同一个路口的路径数量，k为L的索引，
Figure 440DEST_PATH_IMAGE024
为到达所述监控的路径行 驶概率，
Figure 70027DEST_PATH_IMAGE025
为监控路段位置，
Figure 2211DEST_PATH_IMAGE062
，
Figure 81025DEST_PATH_IMAGE063
为监控覆盖范围内路段的中点与路段起始点距离，
Figure 516686DEST_PATH_IMAGE064
为 路段长度。
通过路口集合、路段集合及N阶包围圈中路口集合的推荐优先级调整线下追踪策略，具体地，调配警力在推荐路口布设卡口，在推荐路段上进行巡查追踪排查目标车辆，警力布设可按照推荐优先级排布，在线下发现目标车辆时，通过路口ID预警或路段ID预警生成当前预警节点集合。
本发明中路口集合的推荐优先级由路口概率的大小决定，路口概率越大，路口推 荐优先级越高，路口概率的计算过程为：
Figure 757174DEST_PATH_IMAGE026
，其中，L为同一阶包围圈 集合中到达同一个路口的路径数量，i为L的索引，
Figure 675190DEST_PATH_IMAGE027
为到达路口i的概率。
步骤S5、由于基于目标车辆单次预警常常难以确定目标具体的行驶方向，因此，生 成的首次预警节点集合中所有预警节点是同等概率计算，在后续的应用中会出现计算冗 余，且缺乏对车辆行驶方向考虑的缺点；实际在交通网络中行驶的车辆具有连续性和方向 性，如果可以挖掘同一目标车辆在多次预警过程中的方向性，有助于更加准确地建立追踪 包围圈，缩小搜索范围，实现更有效的目标追踪。因此，本发明根据当前预警节点集合与上 一次的预警节点集合计算目标车辆到达当前预警节点集合中的最短加权路径，以最短加权 路径中的当前预警节点作为初始预警节点，搜索N阶包围圈。具体地，根据当前预警节点集 合与上一次的预警节点集合计算目标车辆到达当前预警节点集合中的最短加权路径：以上 一次的预警节点集合中所有路段节点为初始路段节点集合，以当前预警节点集合中所有路 段节点为终止路段节点集合，以路段转向代价
Figure 292116DEST_PATH_IMAGE028
为权重，通过Floyd-Warshall 算 法计算初始路段节点集合到终止路段节点集合的所有对最短加权路径。
本发明中路段转向代价
Figure 847862DEST_PATH_IMAGE028
描述为：
Figure 259252DEST_PATH_IMAGE065
其中，
Figure 166028DEST_PATH_IMAGE030
表示由路段
Figure 321066DEST_PATH_IMAGE066
行驶到路段
Figure 996898DEST_PATH_IMAGE032
的转向概率，路段转向代 价
Figure 844768DEST_PATH_IMAGE028
与路段转向概率成反比，即路段转向概率越高则路段转向代价越低，因此计 算的目标车辆从上一次预警节点集合到本次预警节点集合的最短加权路径，即路径代价最 小，概率最高，因此该路径是目标车辆行驶概率最高的一条路径。以该路径中的当前预警节 点作为初始预警节点，能够考虑到车辆行驶的方向性，计算更加准确的追踪包围圈。
步骤S6、重复步骤S4-S5，直至完成目标车辆的线下追踪。
本发明面向城市道路数字孪生场景的车辆追踪方法通过构建监控路网关系图谱，以城市道路空间拓扑网络和监控道路可视关系作为约束进行目标车辆轨迹分析，预测目标车辆可能的行驶路径，通过推荐N阶包围圈，提供可供线上线下追踪的监控、路口、路段集合，结合车辆连续两次预警间的最短路径计算，缩小预警集合范围，同时计算包围圈里监控、路口、路段的推荐优先级，提供多要素、多层次，更加精准的包围圈信息，从而提高城市道路中目标车辆追踪的准确率和效率。因此，本发明的车辆追踪方法实现目标车辆在城市道路中跨摄像头的精准追踪。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方式，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种面向城市道路数字孪生场景的车辆追踪方法，其特征在于，具体包括如下步骤：
步骤S1、基于实际的城市道路，以及城市道路空间拓扑网络与监控设备间的可视关系，建立监控路网关系图谱；
步骤S2、确定目标车辆特征，根据建立的监控路网关系图谱通过人工判别或监控AI分析识别目标车辆，生成首次预警节点集合；
步骤S3、遍历首次预警节点集合中的预警节点，基于广度优先遍历策略，搜索N阶包围圈；
步骤S4、计算N阶包围圈的推荐优先级，按照N阶包围圈和推荐优先级，调整目标车辆的线上、线下追踪策略，生成当前预警节点集合；
步骤S5、根据当前预警节点集合与上一次的预警节点集合计算目标车辆到达当前预警节点集合中各路径节点的概率，以概率最大的路径节点作为初始预警节点，搜索N阶包围圈；
步骤S6、重复步骤S4-S5，直至完成目标车辆的线下追踪。
2.根据权利要求1所述的一种面向城市道路数字孪生场景的车辆追踪方法，其特征在于，步骤S1包括如下子步骤：
步骤S101、城市道路的空间位置以GIS矢量路网描述，GIS矢量路网要素包含路口和路段，基于路口和路段的空间地理位置，建立路网要素间的空间拓扑关系，根据城市道路的空间位置以及路网要素间的空间拓扑关系，建立城市道路空间拓扑网络，所述城市道路空间拓扑网络由路口表和路段表描述；
步骤S102、监控位置由监控设备的实际地理位置表示，由监控表描述；基于监控与道路的可视关系，建立监控与路段的关联关系，所述监控与路段的关联关系由监控-路段关系表描述；
步骤S103、根据路口表、路段表、监控表、监控-路段关系表建立监控路网关系图谱。
3.根据权利要求1所述的一种面向城市道路数字孪生场景的车辆追踪方法，其特征在 于，所述首次预警节点集合和当前预警节点集合均以预警节点集合
Figure 737630DEST_PATH_IMAGE001
表示：
Figure 747174DEST_PATH_IMAGE002
其中，RS表示路段、RC表示路口、
Figure 859487DEST_PATH_IMAGE003
表示监控，
Figure 663495DEST_PATH_IMAGE004
表示路段与路口的到达关系，
Figure 861258DEST_PATH_IMAGE005
表示监控与路段的可视关系。
4.根据权利要求3所述的一种面向城市道路数字孪生场景的车辆追踪方法，其特征在 于，所述预警节点集合
Figure 408914DEST_PATH_IMAGE001
由路段ID预警、监控ID预警、路口ID预警中的任意一 种生成：
i、由路段ID预警生成预警节点集合的过程为：基于路段ID获取监控路网关系图谱中的 路段节点rs，基于监控与道路的可视关系，获取与所述路段具有可视关系的监控集合
Figure 874268DEST_PATH_IMAGE006
，基于路段与路口的到达关系，获取所述路段节点所能到达的 路口
Figure 849177DEST_PATH_IMAGE007
，生成预警节点集合
Figure 534236DEST_PATH_IMAGE008
； 其中，
Figure 885583DEST_PATH_IMAGE009
为第k个监控节点，p为与路段节点具有可视关系的监控数量，k是p的索引，
Figure 706909DEST_PATH_IMAGE010
为监控节点
Figure 383878DEST_PATH_IMAGE009
与路段rs的可视关系，rc为路口节点，
Figure 290654DEST_PATH_IMAGE011
为路段与路 口的到达关系；
ii、由监控ID预警生成预警节点集合的过程为：基于监控ID获取监控路网关系图谱中 的监控节点
Figure 180113DEST_PATH_IMAGE012
，基于监控与道路的可视关系，获取与所述监控节点cam具有可视关系的路段 集合
Figure 121524DEST_PATH_IMAGE013
，按照路段ID预警，生成预警节点集合
Figure 936771DEST_PATH_IMAGE014
，其中，
Figure 330843DEST_PATH_IMAGE015
为与所述监控节点
Figure 23993DEST_PATH_IMAGE012
具有可视关系的路段数量，i是m的索引；
iii、由路口ID预警生成预警节点集合的过程为：基于路口ID，获取监控路网关系图谱 中的路口节点rc，基于路段与路口的到达关系，获取到达所述路口节点rc的路段集合
Figure 819910DEST_PATH_IMAGE013
， 按照路段ID预警，生成预警节点集合
Figure 573103DEST_PATH_IMAGE016
， 其中，
Figure 188892DEST_PATH_IMAGE017
为与所述路口节点rc具有到达关系的路段数量，i是n的索引。
5.根据权利要求1所述的一种面向城市道路数字孪生场景的车辆追踪方法，其特征在于，步骤S3包括如下子步骤：
步骤S301、遍历首次预警节点集合中的预警节点，基于广度优先遍历策略，搜索一阶路径节点，形成一阶路径集合作为一阶包围圈，所述一阶包围圈包括：一阶路口集合、一阶路段集合和一阶监控集合；所述一阶路口集合为在一阶路径集合中，每一条路径的终止有效节点所组成的集合；所述一阶路段集合为在一阶路径集合中，所有路径中包含的路径节点所组成的集合；所述一阶监控集合为在一阶路径集合中，与一阶路段集合具有可视关系的监控节点所组成的集合；
步骤S302、遍历上一阶路口集合中的路口节点，基于广度优先遍历策略，搜索路径节点，直至形成N阶包围圈；
所述N的取值为1~3。
6.根据权利要求5所述的一种面向城市道路数字孪生场景的车辆追踪方法，其特征在于，所述搜索的终止条件为：若路径节点在已搜索路径集合中已存在，则将该路径节点设为终止节点；否则，若路径节点中的路段与监控的可视关系集合不为空，则将该路径节点设置为终止节点；否则，若路径长度大于等于3，则将该路径节点设置为终止节点。
7.根据权利要求1所述的一种面向城市道路数字孪生场景的车辆追踪方法，其特征在于，步骤S4中通过N阶包围圈中路径集合、监控集合及其推荐优先级以及N阶包围圈调整线上追踪策略；
路径集合的推荐优先级由路径概率的大小决定，所述路径概率的计算过程为：
Figure 685732DEST_PATH_IMAGE018
，其中，Q为所述路径的路径节点数量，a为Q的 索引，
Figure 569112DEST_PATH_IMAGE019
为表示由路段
Figure 758785DEST_PATH_IMAGE020
行驶到路段
Figure 127450DEST_PATH_IMAGE021
的转向概率，
Figure 162402DEST_PATH_IMAGE022
为由路径 节点中的路段节点按顺序所构成的集合；
监控集合的推荐优先级由监控概率的大小决定，所述监控概率的计算过程为：
Figure 667332DEST_PATH_IMAGE023
，其中，
Figure 762327DEST_PATH_IMAGE024
为同一阶包围圈集合中到 达同一个路口的路径数量，k为L的索引，
Figure 618288DEST_PATH_IMAGE025
为到达所述监控的路径行驶概率，
Figure 191352DEST_PATH_IMAGE026
为监控路段位置。
8.根据权利要求1所述的一种面向城市道路数字孪生场景的车辆追踪方法，其特征在于，步骤S4中通过路口集合、路段集合及N阶包围圈中路口集合的推荐优先级调整线下追踪策略；
路口集合的推荐优先级由路口概率的大小决定，所述路口概率的计算过程为：
Figure 816368DEST_PATH_IMAGE027
，其中，
Figure 580799DEST_PATH_IMAGE024
为同一阶包围圈集合中到达同一个路口的路径数量，i为L的索引，
Figure 658477DEST_PATH_IMAGE028
为到达路口i的概率。
9.根据权利要求1所述的一种面向城市道路数字孪生场景的车辆追踪方法，其特征在 于，根据当前预警节点集合与上一次的预警节点集合计算目标车辆到达当前预警节点集合 中的最短加权路径的过程为：以上一次的预警节点集合中所有路段节点为初始路段节点集 合，以当前预警节点集合中所有路段节点为终止路段节点集合，以路段转向代价
Figure 300811DEST_PATH_IMAGE029
为权重，通过Floyd-Warshall 算法计算初始路段节点集合到终止路段节点集 合的所有对最短加权路径。
10.根据权利要求9所述的一种面向城市道路数字孪生场景的车辆追踪方法，其特征在 于，所述路段转向代价
Figure 780334DEST_PATH_IMAGE029
描述为：
Figure 217131DEST_PATH_IMAGE030
其中，
Figure 782105DEST_PATH_IMAGE031
表示由路段
Figure 696971DEST_PATH_IMAGE032
行驶到
Figure 296580DEST_PATH_IMAGE033
的转向概率。
CN202211322266.9A 2022-10-27 2022-10-27 一种面向城市道路数字孪生场景的车辆追踪方法 Active CN115376055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211322266.9A CN115376055B (zh) 2022-10-27 2022-10-27 一种面向城市道路数字孪生场景的车辆追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211322266.9A CN115376055B (zh) 2022-10-27 2022-10-27 一种面向城市道路数字孪生场景的车辆追踪方法

Publications (2)

Publication Number Publication Date
CN115376055A true CN115376055A (zh) 2022-11-22
CN115376055B CN115376055B (zh) 2023-03-24

Family

ID=84073304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211322266.9A Active CN115376055B (zh) 2022-10-27 2022-10-27 一种面向城市道路数字孪生场景的车辆追踪方法

Country Status (1)

Country Link
CN (1) CN115376055B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010210489A (ja) * 2009-03-11 2010-09-24 Sanyo Electric Co Ltd ナビゲーション装置
CN105628044A (zh) * 2015-12-28 2016-06-01 中兴软创科技股份有限公司 基于位置实时更新与路段属性的车载导航装置与导航方法
CN112990114A (zh) * 2021-04-21 2021-06-18 四川见山科技有限责任公司 一种基于ai识别的交通数据可视化仿真方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010210489A (ja) * 2009-03-11 2010-09-24 Sanyo Electric Co Ltd ナビゲーション装置
CN105628044A (zh) * 2015-12-28 2016-06-01 中兴软创科技股份有限公司 基于位置实时更新与路段属性的车载导航装置与导航方法
CN112990114A (zh) * 2021-04-21 2021-06-18 四川见山科技有限责任公司 一种基于ai识别的交通数据可视化仿真方法及系统

Also Published As

Publication number Publication date
CN115376055B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
Li et al. V2X-Sim: Multi-agent collaborative perception dataset and benchmark for autonomous driving
CN109584553B (zh) 一种基于时空信息的路段关联度缺失补全方法
US11428537B2 (en) Localization and mapping methods using vast imagery and sensory data collected from land and air vehicles
CN111818313B (zh) 一种基于监控视频的车辆实时追踪方法及装置
WO2020034903A1 (zh) 一种基于拓扑图的智能导航的方法和系统
Hu et al. GeoAI at ACM SIGSPATIAL: progress, challenges, and future directions
Yang et al. Generating lane-based intersection maps from crowdsourcing big trace data
CN111091708A (zh) 车辆轨迹预测方法及装置
CN108133611A (zh) 车辆行驶轨迹监测方法及系统
US20230066501A1 (en) Method, apparatus, and system for traffic estimation based on anomaly detection
Gao et al. Semantic trajectory compression via multi-resolution synchronization-based clustering
CN112215427A (zh) 一种卡口数据缺失下的车辆行车轨迹重建方法及系统
CN105138525A (zh) 交通视频处理装置和方法及检索装置和方法
Chen et al. Rntrajrec: Road network enhanced trajectory recovery with spatial-temporal transformer
CN110400459A (zh) 针对交通状况的报警规则配置方法、报警方法及装置
CN114328780A (zh) 基于六角格的智慧城市地理信息更新方法、设备及介质
Minnikhanov et al. Detection of traffic anomalies for a safety system of smart city
CN113932821B (zh) 基于连续窗口平均方向特征的轨迹地图匹配方法
Wang et al. Inferring intersection traffic patterns with sparse video surveillance information: An st-gan method
Cavicchioli et al. A novel real-time edge-cloud big data management and analytics framework for smart cities
Zhou et al. Method for judging parking status based on yolov2 target detection algorithm
CN115376055B (zh) 一种面向城市道路数字孪生场景的车辆追踪方法
CN106682168B (zh) 一种跨域城市数据可视查询系统的构建方法
He et al. Crowd-sensing enhanced parking patrol using sharing bikes’ trajectories
CN102354452A (zh) 基于简化路网模型的实时路况监控方法

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
CP01 Change in the name or title of a patent holder

Address after: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Jiangsu Province

Patentee after: Yuance Information Technology Co.,Ltd.

Address before: 215000 No. 101, Suhong Middle Road, Suzhou Industrial Park, Jiangsu Province

Patentee before: SUZHOU INDUSTRIAL PARK SURVEYING MAPPING AND GEOINFORMATION Co.,Ltd.

CP01 Change in the name or title of a patent holder