CN115909713A - 一种用于交通预警的方法、介质及装置 - Google Patents
一种用于交通预警的方法、介质及装置 Download PDFInfo
- Publication number
- CN115909713A CN115909713A CN202111156736.4A CN202111156736A CN115909713A CN 115909713 A CN115909713 A CN 115909713A CN 202111156736 A CN202111156736 A CN 202111156736A CN 115909713 A CN115909713 A CN 115909713A
- Authority
- CN
- China
- Prior art keywords
- features
- early warning
- road
- vehicle
- traffic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000015654 memory Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 206010039203 Road traffic accident Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供一种用于交通预警的方法、介质及装置的方法、介质及装置。提供了一种用于交通预警的方法，所述方法包括基于GAT对车辆所处于的道路的实时影像进行编码，以获取道路特征；基于驾驶人的内部特征和外部特征对预警模型进行训练，其中，外部特征是基于所述道路特征得到的；以及根据预警模型得到事故概率，并在事故概率高于阈值的情况下发出交通预警。
Description
技术领域
本公开涉及人工智能领域，具体而言涉及一种用于交通预警的方法、介质及装置。
背景技术
目前，智慧交通系统日趋发达。现有技术中的很多方法可以利用信息化手段，通过获取车辆的行进状态来实时跟踪、分析并预测车辆轨迹以及提前进行预警。但是现有技术中，在车辆运动过程中通过网络实现的智能交通预警算法存在计算量大、交互环节多、网络传输时延等问题，系统的实时性无法保证。微小的时延都会对交通事故的紧急预警产生较大的影响。
发明内容
根据本公开的第一方面，提供了一种用于交通预警的方法，所述方法包括：基于GAT对车辆所处于的道路的实时影像进行编码，以获取道路特征；基于驾驶人的内部特征和外部特征对预警模型进行训练，其中，外部特征是基于所述道路特征得到的；以及根据预警模型得到事故概率，并在事故概率高于阈值的情况下发出交通预警。
根据本公开的第二方面，提供了一种用于交通预警的装置，所述装置包括：模型模块，所述模型模块被配置为：基于GAT对车辆所处于的道路的实时影像进行编码，以获取道路特征，以及基于驾驶人的内部特征和外部特征对预警模型进行训练，其中，外部特征是基于所述道路特征得到的；预警模块，所述预警模块被配置为根据预警模型得到事故概率，并在事故概率高于阈值的情况下发出交通预警。
根据本公开的第三方面，提供了一种非暂态计算机可读存储介质，其上存储有程序，其特征在于，当所述程序由计算机执行时，使所述计算机执行根据本公开的第一方面所述的方法。
根据本公开的第四方面，提供了一种用于交通预警的装置，包括存储器和处理器，所述存储器与所述处理器通信耦合，所述存储器中存储有程序，所述程序当由处理器执行时，使得所述处理器执行根据本公开的第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据本公开的第一方面所述的方法。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得更为清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1是图示交通事故场景的示意图；
图2是图示根据本公开的实施例的用于交通预警的系统的示意图；
图3是图示根据本公开的实施例的用于交通预警的装置的示意图；
图4是图示根据本公开的实施例的预警模型的示意图；
图5是图示根据本公开的实施例的用于交通预警的方法的流程图；
图6示出了可以实现根据本公开的实施例的计算设备的示例性配置。
具体实施方式
下面将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。也就是说，本文中的结构及方法是以示例性的方式示出，来说明本公开中的结构和方法的不同实施例。然而，本领域技术人员将会理解，它们仅仅说明可以用来实施的本公开的示例性方式，而不是穷尽的方式。此外，附图不必按比例绘制，一些特征可能被放大以示出具体组件的细节。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
图1是图示交通事故场景的示意图。如图1所示，在一车辆闯黄灯加速通过道路的交叉路口的情况下，另一车辆可能因为由在该另一车辆旁边的车辆的阻挡造成的视觉盲区而未发现闯黄灯车辆。如果该另一车辆没有获得实时的潜在事故隐患预警，则可能也加速通过该交叉路口，这样会导致在极短的时间内两车在交叉路口相撞。
图2是图示根据本公开的实施例的用于交通预警的系统的示意图，其中，在传统智能交通系统的基础上增加了基于图计算机器自学习的智能预警系统。如图2所示，系统可以包括交通视频感知模块、智能交通路侧模块、基于图计算机器自学习的智能预警系统、其他智能交通系统(诸如，智能交通灯系统等)以及安装在车辆上的车载模块等。交通视频感知模块可以被配置为感测需要预警的车辆所位于的道路的影像，并将感知到的影像信息传输给系统的其他模块，例如，基于图计算机器自学习的智能预警系统。在根据本公开的实施例中，影像可以包括任何形式的视觉呈现，例如静态图像、动态图像以及视频等。在根据本公开的实施例中，交通视频感知模块被配置为感测的车辆所位于的道路可以是易于发生事故的诸如交叉路口之类的特殊路段，也可以是普通路段。该交通视频感知模块可以被固定在需要预警的车辆所位于的道路附近，也可以被固定在需要预警的车辆上。智能交通路侧模块可以被固定在道路的侧边，并且被配置用于车载模块和系统的其他模块之间的信息交互。基于图计算机器自学习的智能预警系统可以被配置为基于车辆所处于的道路的实时影像等信息进行交通预警，其具体实现方式将在后文详述。其他智能交通系统可以被配置为传输诸如交通灯信号之类的其他信息，这些信息例如可用于基于图计算机器自学习的智能预警系统中的预警模型。车载模块可以被配置为将与该车载模块所安装于的车辆、该车辆的当前驾驶人等相关联的信息传输到智能交通路侧模块，并且从智能交通路侧模块接收诸如实时的预警信号之类的信息。
应注意的是，图2所示的系统中包括的模块仅仅是非限制性示例，系统可以根据需要包括更多或更少的模块。例如，系统可以不包括其他智能交通系统。例如，系统可以不包括智能交通路侧模块，在这种情况下，交通视频感知模块、智能交通路侧模块、基于图计算机器自学习的智能预警系统等模块可以直接与车载模块交互。
图3是图示根据本公开的实施例的用于交通预警的装置的示意图。在本公开中，该装置可以被包括在如图2所示的基于图计算机器自学习的智能预警系统中。图3所示的装置可以被配置为在车辆的静止状态下(诸如，由于交通信号灯处于红灯状态，车辆此时在交叉路口处于起步之前的静止状态)，结合当前路段(诸如，车辆静止以等待红灯结束的交叉路口)的交通事故历史数据、驾驶习惯及交通环境等主客观维度，基于优化的深度学习算法全面评估和预测道路交通隐患，并生成预警信息。应注意的是，本公开不仅可以应用于交叉路口等特殊路段，而且可以根据需要应用于道路的其他路段。
具体而言，图3所示的用于交通预警的装置可以包括实时机器视觉模块、预处理模块、维度提取模块、预警模型模块以及其他系统等。预处理模块可以被配置为从实时机器视觉模块接收并处理道路的实时影像，以及获取预警模型所需的其他信息。在本公开的实施例中，预处理模块可以与其他系统交互以获取与需要预警的车辆、该车辆的驾驶人等相关联的信息，例如，在根据车辆的影像、车辆的识别码(诸如，VIN码)等识别出该车辆的品牌、型号等信息后，可以通过网络获取该车型的加速数据，其中，加速数据可以指示车辆在起步时候的加速特性。维度提取模块可以被配置为将获取的信息按照各个指定维度输出，根据需要灵活地调整输出的维度，例如，根据实际需要增加或删除维度。维度提取模块输出的维度可以包括与道路状况、车辆性能、驾驶习惯、天气等等相关联的维度。其中，与车辆的驾驶人相关联的维度可以被成为内部维度，例如，驾驶习惯等；与其他外部状况相关联的维度可以被成为外部维度，例如，道路状况、车辆性能、天气等。预警模型在图4中详细示出。其他系统可以被配置为获取预处理模块、预警模型模块所需要的其他信息。例如，其他系统可以被配置为获取车辆所位于的道路的历史交通事故数据，以用于预警模型的训练。
图4是图示根据本公开的实施例的预警模型的示意图。如图4所示，预警模型的输入可以包括道路数据、车辆数据、天气数据、驾驶行为数据、事故数据等。
在模型拟合的特征嵌入(Feature Embedding)部分，可以基于图注意力网络(GAT，Graph Attention Network)对需要预警的车辆所处于的道路的实时影像进行编码，以获取道路特征向量Xr，例如，该道路特征向量Xr可以指示道路的数据特征、拓扑结构特征等，这里，GAT可以是经预先训练的；可以基于车辆信息获取车辆特征向量Xc，例如，该车辆特征向量Xc可以指示车辆的类型、使用年限、百公里加速性能等；可以基于天气数据获取天气特征向量Xw，例如，该天气特征向量Xw可以指示实时的天气是晴天、雨天、雨雪、雾霾、大风等；可以基于需要预警的车辆的驾驶人的驾驶行为数据获取驾驶习惯特征向量Xp，该驾驶习惯特征向量Xp可以指示该车辆的当前驾驶人在驾驶该车辆时的平均起步时间、平均制动距离等。应注意的是，获取的特征向量的维度可以不限于此，而是可以根据实际需要增加或减少。
然后，在模型拟合的注意力(Attention)部分中，可以执行如下过程：
Hr＝[GAT(X，A)]road
Hc＝XcWc
Hw＝XwWw
[H]i＝σ([Hr]iar)[Hr]i+σ([Hc]iac)[Hc]i+σ([Hw]iaw)[Hw]i
其中，Hr、Hc、Hw分别指示道路特征、车辆特征和天气特征，H指示外部特征。图4示出了基于注意力机制对Hr、Hc、Hw的加权求和得到外部特征H的实施例，其中，权重是由各向量乘对应的注意力向量再经过激活函数得到的。但应注意的是，本公开不限于此，可以基于其他机制进行加权求和。并且，在根据本公开的实施例中，外部特征H的还可以基于道路特征Hr以及车辆特征Hc和天气特征Hw中的一种或多种得到。此外，在根据本公开的实施例中，在得到外部特征时，还可以考虑其他特征维度，例如，基于其他智能交通系统获取的数据获取的交通信号维度。
接着，在基于前馈神经网络进行交叉路口碰撞预测模型拟合的部分中，可以执行如下过程：
Q＝MLP1(H)
K＝MLP2(Xp)
si＝σ([Q]i·[K]i)
其中，Q为外部特征H经多层感知器(MLP，Multilayer Perceptron)MLP1编码得到的，K为作为驾驶人的内部特征的驾驶习惯特征向量Xp经多层感知器MLP2编码得到的，s为Q和K的点积经过激活函数得到的二分类概率。
预警模型的损失函数采取二分类交叉熵损失函数：
并且，如图4所示，车辆所位于的道路的历史交通事故数据可以被用于预警模型的训练。经训练的预警模型可以被用于得到发生事故的概率。在发生事故的概率超出阈值的情况下，可以向车辆(例如，通过前文所述的路侧单元向车辆的车载模块)发出事故预警。
此外，在根据本公开的实施例中，可以根据实时获取的事故数据对预警模型进行优化和更新。
图5是图示根据本公开的实施例的用于交通预警的方法的流程图。如图所示，在S501处，可以基于GAT对车辆所处于的道路的实时影像进行编码，以获取道路特征；在S502处，可以基于驾驶人的内部特征和外部特征对预警模型进行训练，其中，外部特征是基于道路特征得到的；在S503处，可以根据预警模型得到事故概率，并在事故概率高于阈值的情况下发出交通预警。
图6示出了能够实现根据本公开的实施例的计算设备600的示例性配置。
计算设备600是能够应用本公开的上述方面的硬件设备的实例。计算设备600可以是被配置为执行处理和/或计算的任何机器。计算设备600可以是但不限制于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助手(PDA)、智能电话、车载计算机或以上组合。
如图6所示，计算设备600可以包括可以经由一个或多个接口与总线602连接或通信的一个或多个元件。总线602可以包括但不限于，工业标准架构(Industry StandardArchitecture，ISA)总线、微通道架构(Micro Channel Architecture，MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线、以及外设组件互连(PCI)总线等。计算设备600可以包括例如一个或多个处理器604。一个或多个处理器604可以是任何种类的处理器，并且可以包括但不限于一个或多个通用处理器或专用处理器(诸如专用处理芯片)。处理器例如可以被配置为实现如前文所述的方法。
计算设备600还可以包括或被连接至非暂态存储设备614，该非暂态存储设备614可以是任何非暂态的并且可以实现数据存储的存储设备，并且可以包括但不限于盘驱动器、光存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁性介质、压缩盘或任何其他光学介质、缓存存储器和/或任何其他存储芯片或模块、和/或计算机可以从其中读取数据、指令和/或代码的其他任何介质。计算设备600还可以包括随机存取存储器(RAM)610和只读存储器(ROM)612。ROM 612可以以非易失性方式存储待执行的程序、实用程序或进程。RAM 610可提供易失性数据存储，并存储与计算设备600的操作相关的指令。可单独地或以任何组合方式来使用前述实施方案的各个方面、实施方案、具体实施或特征。可由软件、硬件或硬件与软件的组合来实现前述实施方案的各个方面。
例如，前述实施方案可体现为计算机可读介质上的计算机可读代码。计算机可读介质为可存储数据的任何数据存储设备，所述数据其后可由计算机系统读取。计算机可读介质的示例包括只读存储器、随机存取存储器、CD-ROM、DVD、磁带、硬盘驱动器、固态驱动器和光学数据存储设备。计算机可读介质还可分布在网络耦接的计算机系统中使得计算机可读代码以分布式方式来存储和执行。
例如，前述实施方案可采用硬件电路的形式。硬件电路可以包括组合式逻辑电路、时钟存储设备(诸如软盘、触发器、锁存器等)、有限状态机、诸如静态随机存取存储器或嵌入式动态随机存取存储器的存储器、定制设计电路、可编程逻辑阵列等的任意组合。
在一个实施方案中，可以通过用诸如Verilog或VHDL的硬件描述语言(HDL)编码和设计一个或多个集成电路或者结合使用离散电路来实现根据本公开的硬件电路。
综上所述，根据本公开的第一方面，提供了一种用于交通预警的方法，所述方法包括：基于GAT对车辆所处于的道路的实时影像进行编码，以获取道路特征；基于驾驶人的内部特征和外部特征对预警模型进行训练，其中，外部特征是基于所述道路特征得到的；以及根据预警模型得到事故概率，并在事故概率高于阈值的情况下发出交通预警。
在根据本公开的实施例中，所述外部特征是基于所述道路特征以及车辆性能特征、天气特征中的一种或多种得到的；所述内部特征是基于车辆的驾驶人的驾驶习惯得到的；并且预警模型输出的事故概率是基于外部特征和内部特征得到的。
在根据本公开的实施例中，所述外部特征是将所述道路特征、车辆性能特征、天气特征中的一种或多种根据注意力机制加权求和得到的。
在根据本公开的实施例中，所述预警模型利用车辆所处于的道路的历史事故数据进行训练，并且采用二分类交叉熵损失函数。
在根据本公开的实施例中，车辆所处于的道路的实时影像是在车辆起步前的静止状态下获取的道路交叉口的影像。
根据本公开的第二方面，提供了一种用于交通预警的装置，所述装置包括：模型模块，所述模型模块被配置为：基于GAT对车辆所处于的道路的实时影像进行编码，以获取道路特征，以及基于驾驶人的内部特征和外部特征对预警模型进行训练，其中，外部特征是基于所述道路特征得到的；预警模块，所述预警模块被配置为根据预警模型得到事故概率，并在事故概率高于阈值的情况下发出交通预警。
在根据本公开的实施例中，所述外部特征是基于所述道路特征以及车辆性能特征、天气特征中的一种或多种得到的；所述内部特征是基于车辆的驾驶人的驾驶习惯得到的；并且预警模型输出的事故概率是基于外部特征和内部特征得到的。
在根据本公开的实施例中，所述外部特征是将所述道路特征、车辆性能特征、天气特征中的一种或多种根据注意力机制加权求和得到的。
在根据本公开的实施例中，所述预警模型利用车辆所处于的道路的历史事故数据进行训练，并且采用二分类交叉熵损失函数。
在根据本公开的实施例中，车辆所处于的道路的实时影像是在车辆起步前的静止状态下获取的道路交叉口的影像。
根据本公开的第三方面，提供了一种非暂态计算机可读存储介质，其上存储有程序，其特征在于，当所述程序由计算机执行时，使所述计算机执行根据本公开的第一方面所述的方法。
根据本公开的第四方面，提供了一种用于交通预警的装置，包括存储器和处理器，所述存储器与所述处理器通信耦合，所述存储器中存储有程序，所述程序当由处理器执行时，使得所述处理器执行根据本公开的第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据本公开的第一方面所述的方法。
本公开根据道路当前交通状况，结合当前路段交通事故历史数据、车辆性能数据、该车驾驶员驾驶习惯及交通环境等主、客观维度，基于优化的深度机器学习算法，动态多维度全面评估和预测道路交叉口的交通隐患，进行提前预警，尽可能避免因驾驶盲区、不良驾驶习惯及环境等因素导致的交通事故；引入内、外两类特征编码并进行交互，有效提升模型的准确度和适应能力；基于图+AI的思想，将网络拓扑特征与机器学习特征相结合，并利用轻量的前馈神经网络快速拟合预测碰撞概率，将拟合的模型用于预测，同时收集实时数据，利用预测数据与实时数据对比分析对模型进行优化，实现数据闭环以及模型的自我学习、自我进化，提升模型的准确度和适应能力；用户可以根据实际需要增加或删除维度，也可以基于指定维度，通过对交通视频采集信息的智能认知，以及与其他相关系统的联合输入，智能完成维度信息的丰富和填充；采取基于当前交通状况的动态维度注意力机制，预测结果更精准；可以使用图像处理算法同时对多个车辆进行内部特征和外部环境特征的抽取，对抽取后的多组特征，可以同时应用同一个模型，实现多车预警，从而可以执行一车一预警、同时执行多车预警等，实现差异化预警功能。
本公开不仅适用于车辆，还可以应用于行人及非机动车的预警，在智能交通领域既有专业性又有普适性，具有实用价值。
虽然已通过示例详细展示了本发明的一些具体实施例，但是本领域技术人员应当理解，上述示例仅意图是说明性的而不限制本发明的范围。应该认识到的是，前述方法中的一些步骤不一定按照图示的顺序执行，而是它们可以被同时、以不同顺序或以重叠方式执行。此外，本领域技术人员可以根据需要增加一些步骤或省略一些步骤。前述系统中的一些部件不是必须按照图示的布置，本领域技术人员可以根据需要增加一些部件或省略一些部件。本领域技术人员应该理解，上述实施例可以在不脱离本发明的范围和实质的情况下被修改。本发明的范围是通过所附的权利要求限定的。
Claims (13)
1.一种用于交通预警的方法，所述方法包括：
基于GAT对车辆所处于的道路的实时影像进行编码，以获取道路特征；
基于驾驶人的内部特征和外部特征对预警模型进行训练，其中，外部特征是基于所述道路特征得到的；以及
根据预警模型得到事故概率，并在事故概率高于阈值的情况下发出交通预警。
2.根据权利要求1所述的方法，其中：
所述外部特征是基于所述道路特征以及车辆性能特征、天气特征中的一种或多种得到的；
所述内部特征是基于车辆的驾驶人的驾驶习惯得到的；并且
预警模型输出的事故概率是基于外部特征和内部特征得到的。
3.根据权利要求2所述的方法，其中，所述外部特征是将所述道路特征、车辆性能特征、天气特征中的一种或多种根据注意力机制加权求和得到的。
4.根据权利要求1所述的方法，其中，所述预警模型利用车辆所处于的道路的历史事故数据进行训练，并且采用二分类交叉熵损失函数。
5.根据权利要求1所述的方法，其中，车辆所处于的道路的实时影像是在车辆起步前的静止状态下获取的道路交叉口的影像。
6.一种用于交通预警的装置，所述装置包括：
模型模块，所述模型模块被配置为：
基于GAT对车辆所处于的道路的实时影像进行编码，以获取道路特征，以及
基于驾驶人的内部特征和外部特征对预警模型进行训练，其中，外部特征是基于所述道路特征得到的；
预警模块，所述预警模块被配置为根据预警模型得到事故概率，并在事故概率高于阈值的情况下发出交通预警。
7.根据权利要求6所述的装置，其中，所述外部特征是基于所述道路特征以及车辆性能特征、天气特征中的一种或多种得到的；
所述内部特征是基于车辆的驾驶人的驾驶习惯得到的；并且
预警模型输出的事故概率是基于外部特征和内部特征得到的。
8.根据权利要求7所述的装置，其中，所述外部特征是将所述道路特征、车辆性能特征、天气特征中的一种或多种根据注意力机制加权求和得到的。
9.根据权利要求6所述的装置，其中，所述预警模型利用车辆所处于的道路的历史事故数据进行训练，并且采用二分类交叉熵损失函数。
10.根据权利要求6所述的装置，其中，车辆所处于的道路的实时影像是在车辆起步前的静止状态下获取的道路交叉口的影像。
11.一种非暂态计算机可读存储介质，其上存储有程序，其特征在于，当所述程序由计算机执行时，使所述计算机执行根据权利要求1-5中的任一项所述的方法。
12.一种用于交通预警的装置，包括存储器和处理器，所述存储器与所述处理器通信耦合，所述存储器中存储有程序，所述程序当由处理器执行时，使得所述处理器执行根据权利要求1-5中的任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1-5中的任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111156736.4A CN115909713A (zh) | 2021-09-30 | 2021-09-30 | 一种用于交通预警的方法、介质及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111156736.4A CN115909713A (zh) | 2021-09-30 | 2021-09-30 | 一种用于交通预警的方法、介质及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115909713A true CN115909713A (zh) | 2023-04-04 |
Family
ID=86471540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111156736.4A Pending CN115909713A (zh) | 2021-09-30 | 2021-09-30 | 一种用于交通预警的方法、介质及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115909713A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116597422A (zh) * | 2023-06-14 | 2023-08-15 | 中瑞科技术有限公司 | 一种基于图像数据的道路预警方法、装置及电子设备 |
-
2021
- 2021-09-30 CN CN202111156736.4A patent/CN115909713A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116597422A (zh) * | 2023-06-14 | 2023-08-15 | 中瑞科技术有限公司 | 一种基于图像数据的道路预警方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111506980B (zh) | 对虚拟驾驶环境生成交通场景的方法及装置 | |
| EP3548353B1 (en) | System and method for estimating vehicular motion based on monocular video data | |
| Moujahid et al. | Machine learning techniques in ADAS: A review | |
| US10235881B2 (en) | Autonomous operation capability configuration for a vehicle | |
| US9527384B2 (en) | Driving context generation system for generating driving behavior description information | |
| Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
| CN111508101B (zh) | 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置 | |
| CN111598095A (zh) | 一种基于深度学习的城市道路场景语义分割方法 | |
| WO2022110611A1 (zh) | 一种面向平面交叉口的行人过街行为预测方法 | |
| CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| Al Mamun et al. | Lane marking detection using simple encode decode deep learning technique: SegNet | |
| Takimoto et al. | Predicting traffic accidents with event recorder data | |
| Xue et al. | A context-aware framework for risky driving behavior evaluation based on trajectory data | |
| CN112633557A (zh) | 一种基于大数据的道路安全预警方法、装置、电子设备及存储介质 | |
| Yebes et al. | Learning to automatically catch potholes in worldwide road scene images | |
| CN115909713A (zh) | 一种用于交通预警的方法、介质及装置 | |
| Oh et al. | Development of probabilistic pedestrian fatality model for characterizing pedestrian-vehicle collisions | |
| CN110555425A (zh) | 一种视频流实时行人检测方法 | |
| US20230196749A1 (en) | Training Neural Networks for Object Detection | |
| US11745766B2 (en) | Unseen environment classification | |
| Juyal et al. | Anomalous Activity Detection Using Deep Learning Techniques in Autonomous Vehicles | |
| Aboah et al. | Ai-based framework for understanding car following behaviors of drivers in a naturalistic driving environment | |
| CN114889608A (zh) | 一种基于注意力机制的车辆换道预测方法 | |
| Hamzah et al. | Parking Violation Detection on The Roadside of Toll Roads with Intelligent Transportation System Using Faster R-CNN Algorithm | |
| Yeo | Autonomous Driving Technology through Image Classfication and Object Recognition Based on CNN |
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 |