CN115593375B - 车辆紧急制动方法、装置、设备和计算机可读介质 - Google Patents
车辆紧急制动方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115593375B CN115593375B CN202211616659.0A CN202211616659A CN115593375B CN 115593375 B CN115593375 B CN 115593375B CN 202211616659 A CN202211616659 A CN 202211616659A CN 115593375 B CN115593375 B CN 115593375B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- vehicle behavior
- behavior
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000006399 behavior Effects 0.000 claims abstract description 381
- 230000007704 transition Effects 0.000 claims abstract description 57
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 206010039203 Road traffic accident Diseases 0.000 description 42
- 239000011159 matrix material Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T7/00—Brake-action initiating means
- B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车辆紧急制动方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括:获取车辆行为数据;将车辆行为数据输入车辆行为识别模型,得到至少一个车辆行为识别信息;对至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息;根据车辆行为识别序列信息,生成状态转移概率信息;向终端发送车辆异常行为报警信息以执行报警操作;对车辆行为信息集合进行二值化处理,得到二值车辆行为信息集合;提取每个二值车辆行为信息包括的车辆画面,以生成目标车辆行为信息集合;确定每个目标车辆行为信息对应的相似度,以得到车辆相似度组集;控制相关联的车辆紧急制动。该实施方式可以减少车辆异常行为的误报或漏报。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及车辆紧急制动方法、装置、设备和计算机可读介质。
背景技术
各种类型的交通事故经常发生在日常生活中。因此,对车辆进行监控,并通过监控查看、检测车辆是否出现异常行为,以及通过监控预测车辆是否会出现异常行为正在逐渐成为热点问题。目前,在检测车辆是否出现异常行为时,通常采用的方式为:通过对车辆行驶的特定行为(预设行为)进行模式识别或者建模分析,当发现车辆行驶数据出现这些特定行为时则被判定为车辆行为异常。
然而,当采用上述方式检测车辆是否出现异常行为时,经常会存在如下技术问题:
第一,仅依赖数值的特征、模式进行车辆异常行为识别,获得的车辆异常行为准确率较低,导致车辆异常行为的误报或漏报,造成交通事故的无效拦截,反而产生交通事故以及人员伤亡,此外,在发生交通事故后,涉事车辆若因车主判断损害较轻而继续行驶,该车辆再次发生交通事故的概率大幅提升,容易引发二次交通事故,进一步造成人员伤亡。
第二,交警等工作人员往往会在车流量较大时增派人手、加强巡逻,对于经常发生交通事故的车辆未能有效追踪,造成事故发生时处理速度慢,影响道路交通,导致道路交通拥堵。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆紧急制动方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种车辆紧急制动方法,该方法包括:获取车辆行为数据;将上述车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息;对上述至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息;根据上述车辆行为识别序列信息,生成状态转移概率信息;响应于上述状态转移概率信息满足预设车辆异常行为条件,向相关联的终端发送车辆异常行为报警信息以执行相应的报警操作;对于上述车辆行为数据对应的车辆行为信息集合,对上述车辆行为信息集合中车辆行为信息表征的视频帧进行二值化处理,得到二值车辆行为信息集合;对于上述二值车辆行为信息集合中的每个二值车辆行为信息,采用最小外接矩形法提取上述二值车辆行为信息包括的车辆画面,得到目标车辆行为信息,以生成对应上述二值车辆行为信息集合的目标车辆行为信息集合;对于上述目标车辆行为信息集合中的每个目标车辆行为信息,确定上述目标车辆行为信息与预设车辆损害信息集合中各个预设车辆损害信息的相似度,得到车辆相似度组,以得到对应上述目标车辆行为信息集合的车辆相似度组集;响应于上述车辆相似度组集满足预设车辆损害条件,控制相关联的车辆紧急制动,其中,上述预设车辆损害条件为上述车辆相似度组集对应的目标车辆相似度数量大于等于预设车辆损害数量阈值,上述目标车辆相似度数量为上述车辆相似度组集包括的大于等于预设相似度阈值的车辆相似度的数量。
第二方面,本公开的一些实施例提供了一种车辆紧急制动装置,装置包括:获取单元,被配置成获取车辆行为数据;输入单元,被配置成将上述车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息;组合单元,被配置成对上述至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息;生成单元,被配制成根据上述车辆行为识别序列信息,生成状态转移概率信息;发送单元,被配制成响应于上述状态转移概率信息满足预设车辆异常行为条件,向相关联的终端发送车辆异常行为报警信息以执行相应的报警操作;二值化单元,被配置成对于上述车辆行为数据对应的车辆行为信息集合,对上述车辆行为信息集合中车辆行为信息表征的视频帧进行二值化处理,得到二值车辆行为信息集合;提取单元,被配置成对于上述二值车辆行为信息集合中的每个二值车辆行为信息,采用最小外接矩形法提取上述二值车辆行为信息包括的车辆画面,得到目标车辆行为信息,以生成对应上述二值车辆行为信息集合的目标车辆行为信息集合;确定单元,被配置成对于上述目标车辆行为信息集合中的每个目标车辆行为信息,确定上述目标车辆行为信息与预设车辆损害信息集合中各个预设车辆损害信息的相似度,得到车辆相似度组,以得到对应上述目标车辆行为信息集合的车辆相似度组集;控制单元,被配置成响应于上述车辆相似度组集满足预设车辆损害条件,控制相关联的车辆紧急制动,其中,上述预设车辆损害条件为上述车辆相似度组集对应的目标车辆相似度数量大于等于预设车辆损害数量阈值,上述目标车辆相似度数量为上述车辆相似度组集包括的大于等于预设相似度阈值的车辆相似度的数量。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车辆紧急制动方法,可以减少车辆异常行为的误报或漏报,有效拦截交通事故的发生,从而减少交通事故以及人员伤亡。具体来说,导致车辆异常行为的误报或漏报,造成交通事故的无效拦截,反而产生交通事故以及人员伤亡的原因在于:仅依赖数值的特征、模式进行车辆异常行为识别,获得的车辆异常行为准确率较低,导致车辆异常行为的误报或漏报,造成交通事故的无效拦截,反而产生交通事故以及人员伤亡,此外,在发生交通事故后,涉事车辆若因车主判断损害较轻而继续行驶,该车辆再次发生交通事故的概率大幅提升,容易引发二次交通事故,进一步造成人员伤亡。基于此,本公开的一些实施例的车辆紧急制动方法,首先,获取车辆行为数据。然后,将车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息。由此,可以识别车辆在道路行驶时的行为动作。其次,对至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息。由此,可以得到识别车辆的一系列行为的信息。然后,根据车辆行为识别序列信息,生成状态转移概率信息。由此,可以得到表征状态转移概率的状态转移概率信息。之后,响应于状态转移概率信息满足预设车辆异常行为条件,向相关联的终端发送车辆异常行为报警信息以执行相应的报警操作。由此,可以警告相关工作人员车辆存在异常行为,从而使得相关工作人员采取相应措施。然后,对于车辆行为数据对应的车辆行为信息集合,对车辆行为信息集合中车辆行为信息表征的视频帧进行二值化处理,得到二值车辆行为信息集合。之后,对于二值车辆行为信息集合中的每个二值车辆行为信息,采用最小外接矩形法提取二值车辆行为信息包括的车辆画面,得到目标车辆行为信息,以生成对应二值车辆行为信息集合的目标车辆行为信息集合。其次,对于目标车辆行为信息集合中的每个目标车辆行为信息,确定目标车辆行为信息与预设车辆损害信息集合中各个预设车辆损害信息的相似度,得到车辆相似度组,以得到对应目标车辆行为信息集合的车辆相似度组集。最后,响应于车辆相似度组集满足预设车辆损害条件,控制相关联的车辆紧急制动,其中,预设车辆损害条件为车辆相似度组集对应的目标车辆相似度数量大于等于预设车辆损害数量阈值,目标车辆相似度数量为车辆相似度组集包括的大于等于预设相似度阈值的车辆相似度的数量。因为在通过车辆行为识别模型识别后,还生成了状态转移概率信息,可以通过预设车辆异常行为条件进一步判定是否存在车辆异常行为,相较于仅仅依赖数值的识别而言,提高了判断是否发生车辆异常行为的准确率,进而可以减少车辆异常行为的误报或漏报,有效拦截交通事故的发生,从而减少交通事故以及人员伤亡。也因为通过提取得到目标车辆行为信息集合并进行相似度比较,满足预设车辆损害条件时控制相关联的车辆紧急制动,从而相对客观的评判车辆是否发生损害,并且在车辆损害较重时制动车辆,避免因车主的主观评判而继续驾驶车辆,从而减小车辆再次发生交通事故的概率,可以有效减少车辆的二次交通事故,进一步减少人员伤亡。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的车辆紧急制动方法的一些实施例的流程图;
图2是根据本公开的车辆紧急制动装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的车辆紧急制动方法的一些实施例的流程100。该车辆紧急制动方法,包括以下步骤:
步骤101,获取车辆行为数据。
在一些实施例中,车辆紧急制动方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式从存储有车辆行为数据的终端获取车辆行为数据。其中,上述车辆行为数据可以为记录车辆行为的数据。作为示例,上述车辆行为数据可以为道路上的监控摄像机所拍摄的车辆行驶视频。作为又一示例,上述车辆行为数据可以为行车记录仪所拍摄的车辆行驶视频。作为再一示例,上述车辆行为数据可以为车辆上搭载的系统在车辆行驶过程中所采集的数据。例如,上述车辆行为数据可以为OBD(On Board Diagnostics,车载诊断)数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。应该理解,根据实现需要,可以具有任意数目的计算设备。
步骤102,将车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息。
在一些实施例中,上述执行主体可以将上述车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息。其中,上述车辆行为识别模型可以为以车辆行为数据为输入,以至少一个车辆行为识别信息为输出的神经网络模型。例如,该神经网络模型可以为CNN(Convolutional Neural Network,卷积神经网络)模型。上述至少一个车辆行为识别信息中的车辆行为识别信息可以为表征车辆行为、车辆动作的信息。例如,上述车辆行为识别信息可以表征车辆加速。再如,上述车辆行为识别信息可以表征车辆发生减速。又如,上述车辆行为识别信息可以表征车辆紧急刹车。由此,可以识别车辆在道路行驶时的行为动作。
在一些实施例的一些可选的实现方式中,首先,上述执行主体可以对上述车辆行为数据进行划分处理,得到车辆行为信息集合。实践中,可以将形式为视频的车辆行为数据按照视频帧进行划分,得到车辆行为信息集合。其中,车辆行为信息集合中的每个车辆行为信息包括一帧划分处理后得到的视频帧。然后,可以将上述车辆行为信息集合中的各个车辆行为信息依次输入至车辆行为识别模型,得到至少一个车辆行为识别信息。其中,上述车辆行为信息集合中的车辆行为信息与上述至少一个车辆行为识别信息中的车辆行为识别信息一一对应。作为示例,车辆行为信息可以为车辆行驶视频中的其中一个视频帧。该车辆行为信息对应的车辆行为识别信息可以表征车辆正在加速。
可选地,上述车辆行为识别模型可以是通过以下方式训练得到的:
第一步,获取样本集。其中,上述样本集中的样本包括样本车辆行为信息,以及与样本车辆行为信息对应的样本车辆行为识别结果。其中,上述样本车辆行为识别结果表征车辆的单一行为。上述单一行为可以为但不限于以下中的任意一项:车辆变道、避让障碍物、车辆碰撞。换言之,对于表征车辆的复合行为的情况,例如车辆避让障碍物变道时发生碰撞,则不纳入上述样本集所要求的样本的范围内。例如,样本车辆行为信息可以为车辆行驶视频中的其中一个视频帧。与该样本车辆行为信息对应的样本车辆行为识别结果可以表征车辆变道。
第二步,可以基于样本集执行以下训练步骤:
第一子步骤,将样本集中的至少一个样本的样本车辆行为信息分别输入至初始神经网络,得到上述至少一个样本中的每个样本对应的预测车辆行为识别结果。其中,上述初始神经网络可以是能够根据样本车辆行为信息得到预测车辆行为识别结果的各种神经网络,例如,卷积神经网络、深度神经网络等等。
第二子步骤,将上述至少一个样本中的每个样本对应的预测车辆行为识别结果与对应的样本车辆行为识别结果进行比较。
第三子步骤,根据比较结果确定初始神经网络是否达到预设的优化目标。其中,上述优化目标可以是指上述初始神经网络生成的预测车辆行为识别结果的准确率大于预设的准确率阈值。
第四子步骤,响应于确定初始神经网络达到上述优化目标,将初始神经网络作为训练完成的车辆行为识别模型。由此,建立的车辆行为识别模型相较于要求训练使用的样本表征车辆的复合行为的复杂模型,建模过程较为简单,可以节约计算资源。
可选地,训练上述车辆行为识别模型的步骤,还可以包括:
响应于确定初始神经网络未达到上述优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,再次执行上述训练步骤。作为示例,可以采用反向传播算法(Back Propgation Algorithm,BP算法)和梯度下降法(例如随机小批量梯度下降算法)对上述初始神经网络的网络参数进行调整。
步骤103,对至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息。
在一些实施例中,上述执行主体可以对上述至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息。实践中,上述执行主体可以对上述至少一个车辆行为识别信息按照生成上述至少一个车辆行为识别信息的时间排序并进行组合,得到车辆行为识别序列信息。其中,所得到的车辆行为识别序列信息所记载的(即所表征的)车辆行为按照生成上述至少一个车辆行为识别信息的时间排序。例如,上述至少一个车辆行为识别信息可以为:a、b、c。上述车辆行为识别信息a可以表征车辆加速。上述车辆行为识别信息b可以表征车辆减速。上述车辆行为识别信息c可以表征车辆刹车。生成上述至少一个车辆行为识别信息的时间顺序可以为:a、b、c。则得到的车辆行为识别序列信息所表征的车辆行为的序列可以为:车辆加速-车辆减速-车辆刹车。也就是说,得到的车辆行为识别序列信息记载有车辆加速、车辆减速、车辆刹车三个车辆行为,且记载的车辆行为按照车辆加速-车辆减速-车辆刹车排序。由此,可以得到识别车辆的一系列行为的信息。
在一些实施例的一些可选的实现方式中,上述执行主体可以对上述至少一个车辆行为识别信息按照车辆行为发生的时间序列进行组合,得到车辆行为识别序列信息。其中,车辆行为发生的时间序列可以为车辆行为识别信息所记载的车辆行为所发生的时间。实践中,上述执行主体可以对上述至少一个车辆行为识别信息按照车辆行为发生的时间序列进行组合,得到车辆行为识别序列信息,使得所得到的车辆行为识别序列信息所记载的车辆行为的顺序按照车辆行为发生的时间排序。
步骤104,根据车辆行为识别序列信息,生成状态转移概率信息。
在一些实施例中,上述执行主体可以根据上述车辆行为识别序列信息,生成状态转移概率信息。实践中,可以将上述车辆行为识别序列信息所记载的车辆行为的转变过程视为马尔可夫过程,对于上述车辆行为识别序列信息所记载的任意两个相邻的车辆行为,求取马尔可夫一次转移概率,以将对应上述车辆行为识别序列信息的至少一个马尔可夫一次转移概率的和确定为状态转移概率,得到状态转移概率信息。由此,可以得到表征状态转移概率的状态转移概率信息。
在一些实施例的一些可选的实现方式中,首先,上述执行主体可以根据上述车辆行为识别序列信息,生成车辆行为识别马尔科夫链。实践中,可以按照行为链节对应关系表,将上述车辆行为识别序列信息中的每个车辆行为替换为链节点标识,得到链节点标识序列作为车辆行为识别马尔科夫链。其中,上述行为链节对应关系表可以为表征车辆行为与链节点标识的对应关系。上述链节点标识可以为字符串或数字。例如,上述链节点标识可以为“1”。然后,可以确定上述车辆行为识别马尔科夫链的转移概率作为状态转移概率信息。实践中,对于上述车辆行为识别马尔科夫链,可以通过Chapman-Kolmogorov(查普曼-科尔莫戈洛夫)等式求取上述车辆行为识别马尔科夫链的n步转移概率,得到n步转移概率作为状态转移概率信息。由此,可以通过上述等式生成状态转移概率信息。
在一些实施例的一些可选的实现方式中,上述执行主体可以根据车辆行为识别序列信息,通过下式生成状态转移概率,以得到状态转移概率信息:
其中,表示上述车辆行为识别序列信息中记载的车辆行为进行转移的次数。例
如,车辆行为识别序列信息可以记载车辆行为:车辆加速-车辆减速-刹车。从车辆加速至车
辆减速为进行的第一次车辆行为的转移。从车辆减速至刹车为进行的第二次车辆行为的转
移。则车辆行为进行转移的次数为2。表示上述车辆行为识别序列信息中记载的车辆行
为。表示车辆行为的转移概率矩阵。其中,上述转移概率矩阵可以为表征每两个车辆行
为先后顺序发生的概率的矩阵。上述转移概率矩阵中的每个元素均为概率值。上述转移概
率矩阵可以预先获取或由相关工作人员设定。例如,上述转移概率矩阵可以为5行5列的概
率矩阵,其中,第一行与第一列表示加速,第二行与第二列表示减速,第三行与第三列表示
刹车,第四行与第四列表示车辆变道,第五行与第五列表示车辆碰撞。对于该转移概率矩阵
中位于第一行第二列的元素,该元素可以为表示车辆加速后再进行减速的概率值。对于该
转移概率矩阵中位于第四行第五列的元素,该元素可以为表示车辆变道后发生碰撞的概率
值。可以表示对进行乘积次。例如,为2时,。表
示对于上述车辆行为识别序列信息中记载的每两个相邻的车辆行为,提取运算后得
到的矩阵中对应上述两个相邻的车辆行为的位置的元素,并将所提取到的全部元素进行求
和,得到求和值。例如,车辆行为识别序列信息记载的车辆行为是:车辆加速-车辆减速-刹
车时,车辆加速对应矩阵的第一行或第一列,车辆减速对应矩阵的第二行或第二列,车辆刹
车对应矩阵的第三行或第三列。上述车辆行为识别序列信息中记载的第一个相邻的车辆行
为是:车辆加速-车辆减速,对应矩阵的第一行第二列。上述车辆行为识别序列信息中记载
的第二个相邻的车辆行为是:车辆减速-刹车,对应矩阵的第二行第三列。此时,提取
运算后得到的矩阵中第一行第二列的元素和第二行第三列的元素并求和,得到求和值。
上述内容作为本公开的实施例的一个发明点,进一步解决了背景技术提及的技术问题一中的“仅依赖数值的特征、模式进行车辆异常行为识别,获得的车辆异常行为准确率较低,导致车辆异常行为的误报或漏报,造成交通事故的无效拦截,反而产生交通事故以及人员伤亡”。导致车辆异常行为的误报或漏报,造成交通事故的无效拦截,反而产生交通事故以及人员伤亡的因素如下:仅依赖数值的特征、模式进行车辆异常行为识别,获得的车辆异常行为准确率较低。如果解决了上述因素,就能达到提高调查交通事故效率,提早完成交通事故的调查的效果。为了达到这一效果,本公开通过上式生成状态转移概率并得到状态转移概率信息,可以提高生成的状态转移概率表征车辆是否异常的准确率,从而进一步提高了判断是否发生车辆异常行为的准确率,进而可以减少车辆异常行为的误报或漏报,有效拦截交通事故的发生,从而减少交通事故以及人员伤亡。
步骤105,响应于状态转移概率信息满足预设车辆异常行为条件,向相关联的终端发送车辆异常行为报警信息以执行相应的报警操作。
在一些实施例中,上述执行主体可以响应于上述状态转移概率信息满足预设车辆异常行为条件,向相关联的终端发送车辆异常行为报警信息以执行相应的报警操作。其中,上述预设车辆异常行为条件可以为上述状态转移概率信息表征的状态转移概率小于预设状态转移概率阈值。上述预设状态转移概率阈值可以为预先设定的状态转移概率的阈值。上述相关联的终端可以为通信连接的终端,上述终端可以包括但不限于:智能手机、平板电脑、笔记本电脑。上述车辆异常行为报警信息可以为表征警告车辆存在异常行为的信息。例如,上述车辆异常行为报警信息可以为:“该车辆存在异常行驶数据,请及时采取应对措施!”。上述报警操作可以为警告车辆存在异常行为的操作。例如,上述报警操作可以为语音播放上述车辆异常行为报警信息。又如,上述报警操作可以为闪烁醒目灯光并加以震动以警告相关工作人员车辆存在异常行为。这里,对于执行上述报警操作的执行主体,不做限定。例如,可以为上述执行主体执行上述报警操作。又如,可以为上述终端执行上述报警操作。由此,可以警告相关工作人员车辆存在异常行为,从而使得相关工作人员采取相应措施。
步骤106,对于车辆行为数据对应的车辆行为信息集合,对车辆行为信息集合中车辆行为信息表征的视频帧进行二值化处理,得到二值车辆行为信息集合。
在一些实施例中,对于上述车辆行为数据对应的车辆行为信息集合,上述执行主体可以对上述车辆行为信息集合中车辆行为信息表征的视频帧进行二值化处理,得到二值车辆行为信息集合。
步骤107,对于二值车辆行为信息集合中的每个二值车辆行为信息,采用最小外接矩形法提取二值车辆行为信息包括的车辆画面,得到目标车辆行为信息,以生成对应二值车辆行为信息集合的目标车辆行为信息集合。
在一些实施例中,对于上述二值车辆行为信息集合中的每个二值车辆行为信息,可以采用最小外接矩形法提取上述二值车辆行为信息包括的车辆画面,得到目标车辆行为信息,以生成对应上述二值车辆行为信息集合的目标车辆行为信息集合。
步骤108,对于目标车辆行为信息集合中的每个目标车辆行为信息,确定目标车辆行为信息与预设车辆损害信息集合中各个预设车辆损害信息的相似度,得到车辆相似度组,以得到对应目标车辆行为信息集合的车辆相似度组集。
在一些实施例中,对于上述目标车辆行为信息集合中的每个目标车辆行为信息,可以确定上述目标车辆行为信息与预设车辆损害信息集合中各个预设车辆损害信息的相似度,得到车辆相似度组,以得到对应上述目标车辆行为信息集合的车辆相似度组集。其中,上述预设车辆损害信息集合中的预设车辆损害信息可以为存在损害的车辆的图片。
步骤109,响应于车辆相似度组集满足预设车辆损害条件,控制相关联的车辆紧急制动。
在一些实施例中,响应于上述车辆相似度组集满足预设车辆损害条件,可以控制相关联的车辆紧急制动。其中,上述预设车辆损害条件为上述车辆相似度组集对应的目标车辆相似度数量大于等于预设车辆损害数量阈值,上述目标车辆相似度数量为上述车辆相似度组集包括的大于等于预设相似度阈值的车辆相似度的数量。上述预设相似度阈值可以为预先设定的相似度阈值。上述预设车辆损害数量阈值可以为预先设定的表征车辆损害的车辆相似度的数量阈值。上述相关联的车辆可以为上述车辆行为数据对应的车辆。
可选地,上述相关联的终端可以包括摄像头。在执行上述步骤105之后,首先,上述执行主体可以根据上述车辆行为数据,确定车辆标识信息。实践中,上述执行主体可以采用目标识别技术,对上述车辆行为数据进行车辆号码识别处理,得到车辆号码作为车辆标识信息。其次,可以将上述车辆标识信息发送至相关联的摄像头,使得上述摄像头确定所捕获的画面中是否包括上述车辆标识信息所表征的车辆。然后,可以响应于接收到相关联的摄像头发送的车辆捕获信息,从上述摄像头获取车辆数据记载信息。其中,上述车辆捕获信息可以为表征上述摄像头所捕获的画面中包括上述车辆标识信息所表征的车辆的信息。上述车辆数据记载信息可以为上述摄像头所捕获包括上述车辆标识信息所表征的车辆的画面。之后,可以根据所获取的至少一个车辆数据记载信息,生成车辆驾驶路线信息。实践中,可以对所获取的至少一个车辆数据记载信息进行路标识别,并将识别到的各个路标按照时间顺序排列作为车辆驾驶路线,得到车辆驾驶路线信息。最后,可以将上述车辆驾驶路线信息发送至相关联的工作人员终端,使得上述工作人员终端对上述车辆驾驶路线信息进行显示,以供相关工作人员查看上述车辆驾驶路线信息。上述工作人员终端可以为相关联的工作人员的终端。由此,可以通过车辆标识信息和车辆数据记载信息生成车辆驾驶路线信息,以供相关工作人员查看,从而可以加快交通事故的调查,避免大量调取和一一确认,提高了调查交通事故效率,进而可以实现提早完成交通事故的调查。
可选地,首先,上述执行主体可以确定交通事故车辆频次信息。其中,上述交通事故车辆频次信息可以为表征曾经发生过交通事故的车辆,以及车辆发生交通事故的次数的信息。上述交通事故车辆频次信息可以包括过往涉事车辆标识集合和过往车辆涉事次数集合。上述过往涉事车辆标识集合中的过往涉事车辆标识与上述过往车辆涉事次数集合中的过往车辆涉事次数一一对应。上述过往涉事车辆标识可以为车辆号码。实践中,上述执行主体可以从有线连接或无线连接的存储有交通事故车辆频次信息的终端获取交通事故车辆频次信息。然后,可以确定上述交通事故车辆频次信息是否包括上述车辆行为数据对应的车辆号码。之后,响应于上述交通事故车辆频次信息包括上述车辆行为数据对应的车辆号码,确定上述车辆号码对应的过往车辆涉事次数是否大于预设涉事次数阈值。其中,上述车辆号码对应的过往车辆涉事次数可以为,上述交通事故车辆频次信息包括的与上述车辆号码相同的过往涉事车辆标识对应的过往车辆涉事次数。最后,响应于上述车辆号码对应的过往车辆涉事次数大于预设涉事次数阈值,可以向相关联的巡逻人员的终端发送请求巡逻加强信息。其中,上述请求巡逻加强信息可以为表征请求加强对于道路的巡逻力度的信息。例如,上述请求巡逻加强信息可以为:请求增派人手用于加强路段巡逻。上述巡逻人员可以为巡逻道路的人员。例如,上述巡逻人员可以为交警。
上述内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“交警等工作人员往往会在车流量较大时增派人手、加强巡逻,对于经常发生交通事故的车辆未能有效追踪,造成事故发生时处理速度慢,影响道路交通,导致道路交通拥堵”。造成事故发生时处理速度慢,影响道路交通,导致道路交通拥堵的因素如下:交警等工作人员往往会在车流量较大时增派人手、加强巡逻,对于经常发生交通事故的车辆未能有效追踪,造成事故发生时处理速度慢,影响道路交通,导致道路交通拥堵。如果解决了上述因素,就能达到提升交通事故的处理速度,减少对于道路交通的影响,减少道路交通拥堵的效果。为了达到这一效果,本公开通过交通事故车辆频次信息,确定车辆行为数据对应的车辆是否为频繁发生交通事故的车辆,并在确定该车辆频发交通事故时提示相关工作人员加强巡逻,从而在发生交通事故时可以快速处理,提高了交通事故的处理速度,进而可以减少对于道路交通的影响,从而减少道路交通拥堵。
继续参考图2,作为对上述各图所示方法的实现,本公开提供了一种车辆紧急制动装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的车辆紧急制动装置200包括:获取单元201、输入单元202、组合单元203、生成单元204、发送单元205、二值化单元206、提取单元207、确定单元208和控制单元209。其中,获取单元201被配置成获取车辆行为数据;输入单元202被配置成将上述车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息;组合单元203被配置成对上述至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息;生成单元204被配制成根据上述车辆行为识别序列信息,生成状态转移概率信息;发送单元205被配制成响应于上述状态转移概率信息满足预设车辆异常行为条件,向相关联的终端发送车辆异常行为报警信息以执行相应的报警操作;二值化单元206被配置成对于上述车辆行为数据对应的车辆行为信息集合,对上述车辆行为信息集合中车辆行为信息表征的视频帧进行二值化处理,得到二值车辆行为信息集合;提取单元207被配置成对于上述二值车辆行为信息集合中的每个二值车辆行为信息,采用最小外接矩形法提取上述二值车辆行为信息包括的车辆画面,得到目标车辆行为信息,以生成对应上述二值车辆行为信息集合的目标车辆行为信息集合;确定单元208被配置成对于上述目标车辆行为信息集合中的每个目标车辆行为信息,确定上述目标车辆行为信息与预设车辆损害信息集合中各个预设车辆损害信息的相似度,得到车辆相似度组,以得到对应上述目标车辆行为信息集合的车辆相似度组集;控制单元209被配置成响应于上述车辆相似度组集满足预设车辆损害条件,控制相关联的车辆紧急制动,其中,上述预设车辆损害条件为上述车辆相似度组集对应的目标车辆相似度数量大于等于预设车辆损害数量阈值,上述目标车辆相似度数量为上述车辆相似度组集包括的大于等于预设相似度阈值的车辆相似度的数量。
可以理解的是,该车辆紧急制动装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于车辆紧急制动装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300(例如计算设备)的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置301(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取车辆行为数据;将上述车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息;对上述至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息;根据上述车辆行为识别序列信息,生成状态转移概率信息;响应于上述状态转移概率信息满足预设车辆异常行为条件,向相关联的终端发送车辆异常行为报警信息以执行相应的报警操作;对于上述车辆行为数据对应的车辆行为信息集合,对上述车辆行为信息集合中车辆行为信息表征的视频帧进行二值化处理,得到二值车辆行为信息集合;对于上述二值车辆行为信息集合中的每个二值车辆行为信息,采用最小外接矩形法提取上述二值车辆行为信息包括的车辆画面,得到目标车辆行为信息,以生成对应上述二值车辆行为信息集合的目标车辆行为信息集合;对于上述目标车辆行为信息集合中的每个目标车辆行为信息,确定上述目标车辆行为信息与预设车辆损害信息集合中各个预设车辆损害信息的相似度,得到车辆相似度组,以得到对应上述目标车辆行为信息集合的车辆相似度组集;响应于上述车辆相似度组集满足预设车辆损害条件,控制相关联的车辆紧急制动,其中,上述预设车辆损害条件为上述车辆相似度组集对应的目标车辆相似度数量大于等于预设车辆损害数量阈值,上述目标车辆相似度数量为上述车辆相似度组集包括的大于等于预设相似度阈值的车辆相似度的数量。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的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,该模块、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,两个接连地表示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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、输入单元、组合单元、生成单元、发送单元、二值化单元、提取单元、确定单元和控制单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取车辆行为数据的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种车辆紧急制动方法,包括:
获取车辆行为数据;
将所述车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息,其中,所述车辆行为识别模型是通过以下方式训练得到的:
获取样本集,其中,所述样本集中的样本包括样本车辆行为信息,以及与样本车辆行为信息对应的样本车辆行为识别结果,其中,所述样本车辆行为识别结果表征车辆的单一行为;
基于样本集执行以下训练步骤:
将样本集中的至少一个样本的样本车辆行为信息分别输入至初始神经网络,得到所述至少一个样本中的每个样本对应的预测车辆行为识别结果;
将所述至少一个样本中的每个样本对应的预测车辆行为识别结果与对应的样本车辆行为识别结果进行比较;
根据比较结果确定初始神经网络是否达到预设的优化目标;
响应于确定初始神经网络达到所述优化目标,将初始神经网络作为训练完成的车辆行为识别模型;
对所述至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息;
根据所述车辆行为识别序列信息,生成状态转移概率信息;
响应于所述状态转移概率信息满足预设车辆异常行为条件,向相关联的终端发送车辆异常行为报警信息以执行相应的报警操作;
对于所述车辆行为数据对应的车辆行为信息集合,对所述车辆行为信息集合中车辆行为信息表征的视频帧进行二值化处理,得到二值车辆行为信息集合;
对于所述二值车辆行为信息集合中的每个二值车辆行为信息,采用最小外接矩形法提取所述二值车辆行为信息包括的车辆画面,得到目标车辆行为信息,以生成对应所述二值车辆行为信息集合的目标车辆行为信息集合;
对于所述目标车辆行为信息集合中的每个目标车辆行为信息,确定所述目标车辆行为信息与预设车辆损害信息集合中各个预设车辆损害信息的相似度,得到车辆相似度组,以得到对应所述目标车辆行为信息集合的车辆相似度组集;
响应于所述车辆相似度组集满足预设车辆损害条件,控制相关联的车辆紧急制动,其中,所述预设车辆损害条件为所述车辆相似度组集对应的目标车辆相似度数量大于等于预设车辆损害数量阈值,所述目标车辆相似度数量为所述车辆相似度组集包括的大于等于预设相似度阈值的车辆相似度的数量。
2.根据权利要求1所述的方法,其中,所述将所述车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息,包括:
对所述车辆行为数据进行划分处理,得到车辆行为信息集合;
将所述车辆行为信息集合中的各个车辆行为信息依次输入至车辆行为识别模型,得到至少一个车辆行为识别信息。
3.根据权利要求1所述的方法,其中,训练所述车辆行为识别模型的步骤,还包括:
响应于确定初始神经网络未达到所述优化目标,调整初始神经网络的网络参数,以及使用未用过的样本组成样本集,使用调整后的初始神经网络作为初始神经网络,再次执行所述训练步骤。
4.根据权利要求1所述的方法,其中,所述对所述至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息,包括:
对所述至少一个车辆行为识别信息按照车辆行为发生的时间序列进行组合,得到车辆行为识别序列信息。
5.根据权利要求1所述的方法,其中,所述根据所述车辆行为识别序列信息,生成状态转移概率信息,包括:
根据所述车辆行为识别序列信息,生成车辆行为识别马尔科夫链;
确定所述车辆行为识别马尔科夫链的转移概率作为状态转移概率信息。
6.根据权利要求1-5之一所述的方法,其中,所述相关联的终端包括摄像头;以及
所述方法还包括:
根据所述车辆行为数据,确定车辆标识信息;
将所述车辆标识信息发送至相关联的摄像头,使得所述摄像头确定所捕获的画面中是否包括所述车辆标识信息所表征的车辆;
响应于接收到相关联的摄像头发送的车辆捕获信息,从所述摄像头获取车辆数据记载信息;
根据所获取的至少一个车辆数据记载信息,生成车辆驾驶路线信息;
将所述车辆驾驶路线信息发送至相关联的工作人员终端,使得所述工作人员终端对所述车辆驾驶路线信息进行显示。
7.一种车辆紧急制动装置,包括:
获取单元,被配置成获取车辆行为数据;
输入单元,被配置成将所述车辆行为数据输入至车辆行为识别模型,得到至少一个车辆行为识别信息;
组合单元,被配置成对所述至少一个车辆行为识别信息进行组合,得到车辆行为识别序列信息;
生成单元,被配置成根据所述车辆行为识别序列信息,生成状态转移概率信息;
发送单元,被配置成响应于所述状态转移概率信息满足预设车辆异常行为条件,向相关联的终端发送车辆异常行为报警信息以执行相应的报警操作;
二值化单元,被配置成对于所述车辆行为数据对应的车辆行为信息集合,对所述车辆行为信息集合中车辆行为信息表征的视频帧进行二值化处理,得到二值车辆行为信息集合;
提取单元,被配置成对于所述二值车辆行为信息集合中的每个二值车辆行为信息,采用最小外接矩形法提取所述二值车辆行为信息包括的车辆画面,得到目标车辆行为信息,以生成对应所述二值车辆行为信息集合的目标车辆行为信息集合;
确定单元,被配置成对于所述目标车辆行为信息集合中的每个目标车辆行为信息,确定所述目标车辆行为信息与预设车辆损害信息集合中各个预设车辆损害信息的相似度,得到车辆相似度组,以得到对应所述目标车辆行为信息集合的车辆相似度组集;
控制单元,被配置成响应于所述车辆相似度组集满足预设车辆损害条件,控制相关联的车辆紧急制动,其中,所述预设车辆损害条件为所述车辆相似度组集对应的目标车辆相似度数量大于等于预设车辆损害数量阈值,所述目标车辆相似度数量为所述车辆相似度组集包括的大于等于预设相似度阈值的车辆相似度的数量。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616659.0A CN115593375B (zh) | 2022-12-16 | 2022-12-16 | 车辆紧急制动方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616659.0A CN115593375B (zh) | 2022-12-16 | 2022-12-16 | 车辆紧急制动方法、装置、设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115593375A CN115593375A (zh) | 2023-01-13 |
CN115593375B true CN115593375B (zh) | 2023-03-24 |
Family
ID=84854350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211616659.0A Active CN115593375B (zh) | 2022-12-16 | 2022-12-16 | 车辆紧急制动方法、装置、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115593375B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011787B (zh) * | 2023-07-12 | 2024-02-02 | 中关村科学城城市大脑股份有限公司 | 应用于加油站的信息处理方法、装置和电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894B (zh) * | 2008-06-17 | 2011-12-07 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN109800817B (zh) * | 2019-01-25 | 2023-03-24 | 西安电子科技大学 | 基于融合语义神经网络的图像分类方法 |
CN112494045A (zh) * | 2020-12-15 | 2021-03-16 | 南通路远科技信息有限公司 | 一种驾驶员疲劳检测方法及装置 |
CN113694528A (zh) * | 2021-04-07 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114972276A (zh) * | 2022-06-05 | 2022-08-30 | 长沙烽铭智能科技有限公司 | 一种车辆自动驾驶距离判断算法 |
CN114842430B (zh) * | 2022-07-04 | 2022-09-09 | 江苏紫琅汽车集团股份有限公司 | 一种用于道路监测的车辆信息识别方法及系统 |
-
2022
- 2022-12-16 CN CN202211616659.0A patent/CN115593375B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115593375A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019127271A1 (zh) | 针对肢体冲突行为的告警方法、装置、存储介质及服务器 | |
CN115593375B (zh) | 车辆紧急制动方法、装置、设备和计算机可读介质 | |
US20240135710A1 (en) | Systems and methods for video analysis | |
CN110704491B (zh) | 数据查询方法和装置 | |
CN113409587A (zh) | 异常车辆的检测方法、装置、设备及存储介质 | |
CN111611894A (zh) | 人员轨迹预测方法、装置、计算机设备及存储介质 | |
CN110910415A (zh) | 抛物检测方法、装置、服务器和计算机可读介质 | |
TWI774034B (zh) | 基於車聯網的行車示警方法、系統及設備 | |
CN111581436B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN116011800A (zh) | 一种交通事件预警的方法及设备 | |
CN111862386A (zh) | 一种车辆的事故记录方法、装置、介质及服务器 | |
CN110866524A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN113946646A (zh) | 车辆驻留检测方法、装置、电子设备和存储介质 | |
CN111723767B (zh) | 一种图像处理方法、装置及计算机存储介质 | |
CN110853364B (zh) | 数据监控方法和装置 | |
CN112612958A (zh) | 订单处理方法、装置、电子设备和计算机可读介质 | |
CN114446042B (zh) | 预警交通事故的方法、装置、设备以及存储介质 | |
US20220246035A1 (en) | Accident reporter | |
US20210089793A1 (en) | Method and apparatus for processing information | |
US11145196B2 (en) | Cognitive-based traffic incident snapshot triggering | |
CN112150811A (zh) | 基于图像识别技术的城市道路交叉口交通信息获取系统 | |
CN118038334A (zh) | 事故处理方法、装置、电子设备和计算机可读介质 | |
CN117392596B (zh) | 数据处理方法、电子设备和计算机可读介质 | |
CN211124022U (zh) | 基于可编程逻辑器件的服务器 | |
Dao et al. | MM-TrafficRisk: A Video-based Fleet Management Application for Traffic Risk Prediction, Prevention, and Querying |
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 |