CN116153049B - 一种基于图像处理的救护车到院时间预估方法 - Google Patents

一种基于图像处理的救护车到院时间预估方法 Download PDF

Info

Publication number
CN116153049B
CN116153049B CN202310348082.8A CN202310348082A CN116153049B CN 116153049 B CN116153049 B CN 116153049B CN 202310348082 A CN202310348082 A CN 202310348082A CN 116153049 B CN116153049 B CN 116153049B
Authority
CN
China
Prior art keywords
route
ambulance
current
drivable
map
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
Application number
CN202310348082.8A
Other languages
English (en)
Other versions
CN116153049A (zh
Inventor
王浩旭
熊皓宇
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.)
Sichuan Huhui Software Co ltd
Original Assignee
Sichuan Huhui Software 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 Sichuan Huhui Software Co ltd filed Critical Sichuan Huhui Software Co ltd
Priority to CN202310348082.8A priority Critical patent/CN116153049B/zh
Publication of CN116153049A publication Critical patent/CN116153049A/zh
Application granted granted Critical
Publication of CN116153049B publication Critical patent/CN116153049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
    • 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)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)

Abstract

本发明提供了一种基于图像处理的救护车到院时间预估方法，本发明先挑选出可以行驶的路线，结合图像处理，得到各条可行驶路线当前的拥挤程度，参考可行驶路线历史拥挤程度，计算可行驶路线的行驶顺畅值，根据可行驶路线的行驶顺畅值和可行驶路线的长度，计算路线推荐值，将路线推荐值高的可行驶路线推荐给救护车，使其走在最优路线上，根据最优路线计算救护车到院时间，得到最佳时间，本发明解决了现有救护车到院时间预估方法无法为救护车挑选最优路线，使得计算的救护车到院时间不是最佳时间的问题。

Description

一种基于图像处理的救护车到院时间预估方法
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种基于图像处理的救护车到院时间预估方法。
背景技术
现有救护车到院时间预估方法，根据车辆流量以及红绿灯的时间，预测救护车的到院时间，但这种方法只能根据现有正在行驶的路线估计救护车到院时间，其无法缩短救护车到院时间，无法为救护车挑选最优路线，使得其计算的救护车到院时间不是最佳时间。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于图像处理的救护车到院时间预估方法解决了现有救护车到院时间预估方法无法为救护车挑选最优路线，使得计算的救护车到院时间不是最佳时间的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于图像处理的救护车到院时间预估方法，包括：
获取救护车在回程过程中的当前定位数据；
根据当前定位数据，得到救护车的当前行驶路段；
根据当前定位数据、救护车的当前行驶路段、以及目的地，找出各条可行驶路线；
通过卫星上的合成孔径雷达拍摄地面图像；
根据地面图像，得到各条可行驶路线当前的拥挤程度；
根据各条可行驶路线历史的拥挤程度和当前的拥挤程度，计算可行驶路线的行驶顺畅值；
根据可行驶路线的行驶顺畅值和可行驶路线的长度，计算路线推荐值，将路线推荐值高的可行驶路线推荐给救护车；
根据救护车当前的定位，基于救护车行驶路线，得到预计救护车到院时间。
进一步地，所述根据当前定位数据，得到救护车的当前行驶路段包括：
根据当前定位数据找到其临近范围内的行驶路段；
计算当前定位数据与临近范围内的行驶路段的距离，找到当前疑似路段；
在当前疑似路段为一条时，当前疑似路段为救护车的当前行驶路段；
在当前疑似路段为多条时，计算当前时刻临近的历史时刻对应的定位数据与历史临近范围内的行驶路线的距离，找到历史疑似路段；
取历史疑似路段与当前疑似路段的交集，得到救护车的当前行驶路段。
进一步地，所述根据当前定位数据、救护车的当前行驶路段、以及目的地，找出各条可行驶路线包括：
根据当前定位数据，找到救护车的当前行驶路段到目的地的所有有效路线；
根据救护车的平均速度和有效路线的长度，计算救护车行驶完每一条有效路线所需时间；
从所有有效路线中排除所需时间大于时间阈值的有效路线，得到各条可行驶路线。
上述进一步地方案的有益效果为：根据当前定位，可以找到救护车的当前行驶路段到目的地的所有有效路线，即所有能达到目的地的路线，按照救护车的平均速度和有效路线的长度，计算每条有效路线所需的行驶时间，在行驶时间超过时间阈值时，说明该路线太长，超过预期，因此，选出低于时间预期的路线。
进一步地，所述根据地面图像，得到各条可行驶路线当前的拥挤程度包括：
对地面图像进行灰度化处理，得到灰度图；
对灰度图进行增强处理，得到增强灰度图；
对增强灰度图提取轮廓，得到轮廓图；
对轮廓图提取车辆轮廓；
根据车辆轮廓在轮廓图的每条可行驶路线上不同路段的出现数量，计算每条可行驶路线当前的拥挤程度。
上述进一步地方案的有益效果为：先对图像灰度处理，得到灰度图，对灰度图进行增强处理，提高轮廓辨识度，提高提取轮廓的精度，车辆轮廓在轮廓图的每条可行驶路线上不同路段的出现数量可表征路线的拥挤程度。
进一步地，所述增强处理的公式为：
Figure SMS_1
Figure SMS_2
Figure SMS_3
其中，
Figure SMS_4
为增强灰度图的R通道值，/>
Figure SMS_11
为增强灰度图的G通道值，/>
Figure SMS_15
为增强灰度图的B通道值，/>
Figure SMS_7
为对数函数，/>
Figure SMS_10
为在灰度图位置/>
Figure SMS_14
的R通道值，/>
Figure SMS_16
为在灰度图位置/>
Figure SMS_5
的G通道值，/>
Figure SMS_8
为在灰度图位置/>
Figure SMS_13
的B通道值，/>
Figure SMS_17
为横坐标，/>
Figure SMS_6
为纵坐标，/>
Figure SMS_9
为增强系数，/>
Figure SMS_12
为自然对数，/>
Figure SMS_18
为卷积操作。
进一步地，所述提取车辆轮廓采用卷积神经网络；对轮廓图进行中的车辆轮廓进行标注，构建训练集，采用训练集训练卷积神经网络；所述训练卷积神经网络的损失函数为：
Figure SMS_19
其中，
Figure SMS_38
为损失函数，/>
Figure SMS_41
为卷积神经网输出的车辆轮廓像素点，/>
Figure SMS_44
为目标车辆轮廓的像素点，/>
Figure SMS_21
为并集运算，/>
Figure SMS_27
为交集运算，/>
Figure SMS_32
为目标点的数量，/>
Figure SMS_35
为卷积神经网输出的车辆轮廓上的第/>
Figure SMS_23
个目标点的横坐标，/>
Figure SMS_26
为卷积神经网输出的车辆轮廓上的第/>
Figure SMS_30
个目标点的纵坐标，/>
Figure SMS_36
为目标车辆轮廓上的第/>
Figure SMS_39
个目标点的横坐标，/>
Figure SMS_42
为目标车辆轮廓上的第/>
Figure SMS_45
个目标点的纵坐标，/>
Figure SMS_46
为卷积神经网输出的车辆轮廓上的第/>
Figure SMS_34
个目标点临近区域的第/>
Figure SMS_37
个像素点的横坐标，/>
Figure SMS_40
为卷积神经网输出的车辆轮廓上的第/>
Figure SMS_43
个目标点临近区域的第/>
Figure SMS_20
个像素点的纵坐标，/>
Figure SMS_24
为目标车辆轮廓上的第/>
Figure SMS_28
个目标点临近区域的第/>
Figure SMS_31
个像素点的横坐标，/>
Figure SMS_22
为目标车辆轮廓上的第/>
Figure SMS_25
个目标点临近区域的第/>
Figure SMS_29
个像素点的纵坐标，/>
Figure SMS_33
为临近区域内像素点的数量。
上述进一步地方案的有益效果为：本发明的损失函数从三方面考虑，一方面是卷积神经网输出的车辆轮廓像素点
Figure SMS_47
与目标车辆轮廓的像素点/>
Figure SMS_48
的交并比，反映/>
Figure SMS_49
与/>
Figure SMS_50
整体上的重叠度，二方面选取了/>
Figure SMS_51
个目标点作为参考点，用于反映卷积神经网输出的车辆轮廓与目标车辆轮廓的错位程度，三方面选取每个目标点的临近区域的像素点，用于对目标点的错位程度进行补充修正，综合三方面，保障损失函数能准确评估目标与输出的差距。
进一步地，所述根据车辆轮廓在轮廓图的每条可行驶路线上不同路段的出现数量，计算每条可行驶路线当前的拥挤程度包括：
将轮廓图上的每条可行驶路线按单位长度划分为多段，得到多段路线图；
统计在每段线路图上车辆轮廓的数量；
将每段线路图上车辆轮廓的数量与数量阈值进行比较，将高于数量阈值的线路图筛选出来，得到拥堵线路图；
根据拥堵线路图，计算每条可行驶路线当前的拥挤程度。
进一步地，所述计算每条可行驶路线当前的拥挤程度的计算公式为：
Figure SMS_52
其中，
Figure SMS_53
为每条可行驶路线当前时刻的拥挤程度，/>
Figure SMS_54
为每条可行驶路线上的第/>
Figure SMS_55
张拥堵线路图上车辆轮廓的数量，/>
Figure SMS_56
为一条可行驶路线的拥堵线路图的数量，/>
Figure SMS_57
为每条可行驶路线上的第/>
Figure SMS_58
张拥堵线路图上相邻车辆轮廓间的平均距离值，/>
Figure SMS_59
为非拥堵时相邻车辆轮廓间的平均距离值。
上述进一步地方案的有益效果为：高于数量阈值的线路图为拥堵线路图，低于数量阈值的线路图为非拥堵线路图，在计算拥堵程度，主要考虑每张拥堵线路图上车辆轮廓数量，表征车辆的数量，车辆数量越多拥挤程度越高，但是由于车辆存在大小，不能简单以车辆数量作为评价指标，因此，本发明引入车距，车距
Figure SMS_60
越小，/>
Figure SMS_61
越大，拥挤程度越高。
进一步地，所述计算可行驶路线的行驶顺畅值的公式为：
Figure SMS_62
其中，
Figure SMS_64
为可行驶路线的行驶顺畅值，/>
Figure SMS_68
为可行驶路线当前时刻的拥挤程度，/>
Figure SMS_74
为可行驶路线历史/>
Figure SMS_65
时刻的拥挤程度，/>
Figure SMS_67
为统计的预估的救护车在可行驶路线行驶的时间段，/>
Figure SMS_70
时刻用于表征预估的救护车达到可行驶路线的时刻，历史/>
Figure SMS_71
时刻属于历史日期的对应/>
Figure SMS_63
时刻，/>
Figure SMS_69
为拥挤程度归一化系数，/>
Figure SMS_72
为将预估的救护车在可行驶路线行驶的/>
Figure SMS_73
时刻对应的所有历史/>
Figure SMS_66
时刻的拥挤程度相加。
上述进一步地方案的有益效果为：行驶顺畅值包括两方面：一方面可行驶路线当前的拥挤程度，另一方面在救护车到达该路线时，对应时刻，历史时间中，它的拥挤程度，相当于是通过历史对应时刻的拥挤程度和当前的拥挤程度计算行驶顺畅值。
进一步地，所述计算路线推荐值的公式为：
Figure SMS_75
其中，
Figure SMS_77
为第/>
Figure SMS_81
条可行驶路线的路线推荐值，/>
Figure SMS_84
为第/>
Figure SMS_78
条可行驶路线的行驶顺畅值，/>
Figure SMS_82
为第/>
Figure SMS_85
条可行驶路线的非拥堵长度，/>
Figure SMS_87
为第/>
Figure SMS_76
条可行驶路线的全程长度，
Figure SMS_80
为第/>
Figure SMS_83
条可行驶路线的非拥堵长度上的平均速度，/>
Figure SMS_86
为救护车能行驶的最大速度，/>
Figure SMS_79
为长度归一化系数。
上述进一步地方案的有益效果为：
Figure SMS_88
越大，即非拥堵长度占比越高，
Figure SMS_89
越大，即能行驶的速度越高，在非拥堵长度占比高、能行驶的速度高和行驶顺畅值高时，路线推荐值越大。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明先挑选出可以行驶的路线，结合图像处理，得到各条可行驶路线当前的拥挤程度，参考可行驶路线历史拥挤程度，计算可行驶路线的行驶顺畅值，根据可行驶路线的行驶顺畅值和可行驶路线的长度，计算路线推荐值，将路线推荐值高的可行驶路线推荐给救护车，使其走在最优路线上，根据最优路线计算救护车到院时间，得到最佳时间，本发明解决了现有救护车到院时间预估方法无法为救护车挑选最优路线，使得计算的救护车到院时间不是最佳时间的问题。
附图说明
图1为一种基于图像处理的救护车到院时间预估方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，一种基于图像处理的救护车到院时间预估方法，包括：
S1、获取救护车在回程过程中的当前定位数据；
在本实施例中，当前定位数据可以通过救护车上的GPS定位装置得到，并通过无线通信装置发送给监控端。
S2、根据当前定位数据，得到救护车的当前行驶路段；
在步骤S2中，所述根据当前定位数据，得到救护车的当前行驶路段包括：
根据当前定位数据找到其临近范围内的行驶路段；
计算当前定位数据与临近范围内的行驶路段的距离，找到当前疑似路段；
在当前疑似路段为一条时，当前疑似路段为救护车的当前行驶路段；
在当前疑似路段为多条时，计算当前时刻临近的历史时刻对应的定位数据与历史临近范围内的行驶路线的距离，找到历史疑似路段；
取历史疑似路段与当前疑似路段的交集，得到救护车的当前行驶路段。
在本实施例中，行驶路段为一个数据集合，该数据集合中存储了行驶路段的各个经纬度，各个经纬度的集合构成一条行驶路段，救护车当前的定位数据是已知的，因此可以通过救护车当前的定位数据去找到临近范围内的行驶路段，从而计算当前的定位数据与临近范围内的行驶路段的距离，找到离当前的定位数据最近的路段，但是由于公路网络的复杂性，某些公路修建在一些公路的上方或者存在交叉，因此当前疑似路段可能存在多个，参考临近的历史时刻行驶的路段，可以计算历史时刻的疑似路段，在相邻时刻，历史时刻的疑似路段与当前疑似路段的交集为救护车的当前行驶路段。
S3、根据当前定位数据、救护车的当前行驶路段、以及目的地，找出各条可行驶路线；
在步骤S3中，所述根据当前定位数据、救护车的当前行驶路段、以及目的地，找出各条可行驶路线包括：
根据当前定位数据，找到救护车的当前行驶路段到目的地的所有有效路线；
在本实施例中，根据当前定位数据，找到救护车的当前行驶路段到目的地的所有有效路线的算法可以采用蚁群算法，也可以调取第三方平台的数据，如百度地图。
在本实施例中，有效路线为当前位置达到目的地的线路，不包括封闭路线和人行路线，其他不可供救护车行驶通过的路线。
根据救护车的平均速度和有效路线的长度，计算救护车行驶完每一条有效路线所需时间；
从所有有效路线中排除所需时间大于时间阈值的有效路线，得到各条可行驶路线。
根据当前定位，可以找到救护车的当前行驶路段到目的地的所有有效路线，即所有能达到目的地的路线，按照救护车的平均速度和有效路线的长度，计算每条有效路线所需的行驶时间，在行驶时间超过时间阈值时，说明该路线太长，超过预期，因此，选出低于时间预期的路线。
S4、通过卫星上的合成孔径雷达拍摄地面图像；
合成孔径雷达可以不受云层限制，拍摄到地面场景。
S5、根据地面图像，得到各条可行驶路线当前的拥挤程度；
在步骤S5中，所述根据地面图像，得到各条可行驶路线当前的拥挤程度包括：
对地面图像进行灰度化处理，得到灰度图；
对灰度图进行增强处理，得到增强灰度图；
所述增强处理的公式为：
Figure SMS_90
Figure SMS_91
Figure SMS_92
其中，
Figure SMS_94
为增强灰度图的R通道值，/>
Figure SMS_98
为增强灰度图的G通道值，/>
Figure SMS_101
为增强灰度图的B通道值，/>
Figure SMS_95
为对数函数，/>
Figure SMS_97
为在灰度图位置/>
Figure SMS_103
的R通道值，/>
Figure SMS_105
为在灰度图位置/>
Figure SMS_96
的G通道值，/>
Figure SMS_100
为在灰度图位置/>
Figure SMS_102
的B通道值，/>
Figure SMS_106
为横坐标，/>
Figure SMS_93
为纵坐标，/>
Figure SMS_99
为增强系数，/>
Figure SMS_104
为自然对数，/>
Figure SMS_107
为卷积操作。
对增强灰度图提取轮廓，得到轮廓图；
所述提取车辆轮廓采用卷积神经网络；对轮廓图进行中的车辆轮廓进行标注，构建训练集，采用训练集训练卷积神经网络；所述训练卷积神经网络的损失函数为：
Figure SMS_108
其中，
Figure SMS_125
为损失函数，/>
Figure SMS_128
为卷积神经网输出的车辆轮廓像素点，/>
Figure SMS_131
为目标车辆轮廓的像素点，/>
Figure SMS_111
为并集运算，/>
Figure SMS_115
为交集运算，/>
Figure SMS_117
为目标点的数量，/>
Figure SMS_120
为卷积神经网输出的车辆轮廓上的第/>
Figure SMS_126
个目标点的横坐标，/>
Figure SMS_130
为卷积神经网输出的车辆轮廓上的第/>
Figure SMS_133
个目标点的纵坐标，/>
Figure SMS_134
为目标车辆轮廓上的第/>
Figure SMS_127
个目标点的横坐标，/>
Figure SMS_129
为目标车辆轮廓上的第/>
Figure SMS_132
个目标点的纵坐标，/>
Figure SMS_135
为卷积神经网输出的车辆轮廓上的第/>
Figure SMS_112
个目标点临近区域的第/>
Figure SMS_114
个像素点的横坐标，/>
Figure SMS_119
为卷积神经网输出的车辆轮廓上的第/>
Figure SMS_122
个目标点临近区域的第/>
Figure SMS_110
个像素点的纵坐标，/>
Figure SMS_116
为目标车辆轮廓上的第/>
Figure SMS_121
个目标点临近区域的第/>
Figure SMS_124
个像素点的横坐标，/>
Figure SMS_109
为目标车辆轮廓上的第/>
Figure SMS_113
个目标点临近区域的第/>
Figure SMS_118
个像素点的纵坐标，/>
Figure SMS_123
为临近区域内像素点的数量。
本发明的损失函数从三方面考虑，一方面是卷积神经网输出的车辆轮廓像素点
Figure SMS_136
与目标车辆轮廓的像素点/>
Figure SMS_137
的交并比，反映/>
Figure SMS_138
与/>
Figure SMS_139
整体上的重叠度，二方面选取了/>
Figure SMS_140
个目标点作为参考点，用于反映卷积神经网输出的车辆轮廓与目标车辆轮廓的错位程度，三方面选取每个目标点的临近区域的像素点，用于对目标点的错位程度进行补充修正，综合三方面，保障损失函数能准确评估目标与输出的差距。
在本实施例中，目标点可以选取4个，在车辆前方的左右各选取一个点，在车辆后方的左右各选取一个点。
对轮廓图提取车辆轮廓；
根据车辆轮廓在轮廓图的每条可行驶路线上不同路段的出现数量，计算每条可行驶路线当前的拥挤程度。
先对图像灰度处理，得到灰度图，对灰度图进行增强处理，提高轮廓辨识度，提高提取轮廓的精度，车辆轮廓在轮廓图的每条可行驶路线上不同路段的出现数量可表征路线的拥挤程度。
所述根据车辆轮廓在轮廓图的每条可行驶路线上不同路段的出现数量，计算每条可行驶路线当前的拥挤程度包括：
将轮廓图上的每条可行驶路线按单位长度划分为多段，得到多段路线图；
统计在每段线路图上车辆轮廓的数量；
将每段线路图上车辆轮廓的数量与数量阈值进行比较，将高于数量阈值的线路图筛选出来，得到拥堵线路图；
根据拥堵线路图，计算每条可行驶路线当前的拥挤程度。
所述计算每条可行驶路线当前的拥挤程度的计算公式为：
Figure SMS_141
其中，
Figure SMS_142
为每条可行驶路线当前时刻的拥挤程度，/>
Figure SMS_143
为每条可行驶路线上的第/>
Figure SMS_144
张拥堵线路图上车辆轮廓的数量，/>
Figure SMS_145
为一条可行驶路线的拥堵线路图的数量，/>
Figure SMS_146
为每条可行驶路线上的第/>
Figure SMS_147
张拥堵线路图上相邻车辆轮廓间的平均距离值，/>
Figure SMS_148
为非拥堵时相邻车辆轮廓间的平均距离值。
高于数量阈值的线路图为拥堵线路图，低于数量阈值的线路图为非拥堵线路图，在计算拥堵程度，主要考虑每张拥堵线路图上车辆轮廓数量，表征车辆的数量，车辆数量越多拥挤程度越高，但是由于车辆存在大小，不能简单以车辆数量作为评价指标，因此，本发明引入车距，车距
Figure SMS_149
越小，/>
Figure SMS_150
越大，拥挤程度越高。
在本实施例中，非拥堵时相邻车辆轮廓间的平均距离值
Figure SMS_151
可根据经验进行设置。
S6、根据各条可行驶路线历史的拥挤程度和当前的拥挤程度，计算可行驶路线的行驶顺畅值；
所述计算可行驶路线的行驶顺畅值的公式为：
Figure SMS_152
其中，
Figure SMS_154
为可行驶路线的行驶顺畅值，/>
Figure SMS_158
为可行驶路线当前时刻的拥挤程度，/>
Figure SMS_161
为可行驶路线历史/>
Figure SMS_155
时刻的拥挤程度，/>
Figure SMS_157
为统计的预估的救护车在可行驶路线行驶的时间段，/>
Figure SMS_163
时刻用于表征预估的救护车达到可行驶路线的时刻，历史/>
Figure SMS_164
时刻属于历史日期的对应/>
Figure SMS_153
时刻，/>
Figure SMS_159
为拥挤程度归一化系数，/>
Figure SMS_160
为将预估的救护车在可行驶路线行驶的/>
Figure SMS_162
时刻对应的所有历史/>
Figure SMS_156
时刻的拥挤程度相加。
行驶顺畅值包括两方面：一方面可行驶路线当前的拥挤程度，另一方面在救护车到达该路线时，对应时刻，历史时间中，它的拥挤程度，相当于是通过历史对应时刻的拥挤程度和当前的拥挤程度计算行驶顺畅值。
S7、根据可行驶路线的行驶顺畅值和可行驶路线的长度，计算路线推荐值，将路线推荐值高的可行驶路线推荐给救护车；
在步骤S7中，所述计算路线推荐值的公式为：
Figure SMS_165
其中，
Figure SMS_166
为第/>
Figure SMS_170
条可行驶路线的路线推荐值，/>
Figure SMS_174
为第/>
Figure SMS_167
条可行驶路线的行驶顺畅值，/>
Figure SMS_172
为第/>
Figure SMS_173
条可行驶路线的非拥堵长度，/>
Figure SMS_176
为第/>
Figure SMS_168
条可行驶路线的全程长度，
Figure SMS_171
为第/>
Figure SMS_175
条可行驶路线的非拥堵长度上的平均速度，/>
Figure SMS_177
为救护车能行驶的最大速度，/>
Figure SMS_169
为长度归一化系数。
非拥堵长度可以根据非拥堵线路图去计算，成比例还原长度。
Figure SMS_178
可以根据调取第三方平台，例如百度地图上，在该路线上其他车辆的行驶速度，计算平均速度。
Figure SMS_179
越大，即非拥堵长度占比越高，/>
Figure SMS_180
越大，即能行驶的速度越高，在非拥堵长度占比高、能行驶的速度高和行驶顺畅值高时，路线推荐值越大。
S8、根据救护车当前的定位，基于救护车行驶路线，得到预计救护车到院时间。
在本实施例中，步骤S8具体得到时间的方法为：根据救护车当前的定位和救护车行驶路线，可以得到行驶路线的长度，根据拥堵段的平均速度，以及非拥堵段的平均速度，计算得到救护车到院时间。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明先挑选出可以行驶的路线，结合图像处理，得到各条可行驶路线当前的拥挤程度，参考可行驶路线历史拥挤程度，计算可行驶路线的行驶顺畅值，根据可行驶路线的行驶顺畅值和可行驶路线的长度，计算路线推荐值，将路线推荐值高的可行驶路线推荐给救护车，使其走在最优路线上，根据最优路线计算救护车到院时间，得到最佳时间，本发明解决了现有救护车到院时间预估方法无法为救护车挑选最优路线，使得计算的救护车到院时间不是最佳时间的问题。
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。

Claims (6)

1.一种基于图像处理的救护车到院时间预估方法，其特征在于，包括：
获取救护车在回程过程中的当前定位数据；
根据当前定位数据，得到救护车的当前行驶路段；
根据当前定位数据、救护车的当前行驶路段、以及目的地，找出各条可行驶路线；
通过卫星上的合成孔径雷达拍摄地面图像；
根据地面图像，获得车辆轮廓图；
根据车辆轮廓在轮廓图的每条可行驶路线上不同路段的出现数量，计算每条可行驶路线当前的拥挤程度；
根据各条可行驶路线历史的拥挤程度和当前的拥挤程度，计算可行驶路线的行驶顺畅值；
根据可行驶路线的行驶顺畅值和可行驶路线的长度，计算路线推荐值，将路线推荐值高的可行驶路线作为最优行驶路线推荐给救护车；
根据救护车当前的定位，基于救护车最优行驶路线，得到预计救护车到院时间；
所述根据车辆轮廓在轮廓图的每条可行驶路线上不同路段的出现数量，计算每条可行驶路线当前的拥挤程度包括：
将轮廓图上的每条可行驶路线按单位长度划分为多段，得到多段线路图；
统计在每段线路图上车辆轮廓的数量；
将每段线路图上车辆轮廓的数量与数量阈值进行比较，将高于数量阈值的线路图筛选出来，得到每条可行驶路线的拥堵线路图；
根据每条可行驶路线的拥堵线路图，计算每条可行驶路线当前的拥挤程度；
所述计算每条可行驶路线当前的拥挤程度的计算公式为：
Figure FDA0004261399970000021
其中，crowdC为每条可行驶路线当前时刻的拥挤程度，qn为每条可行驶路线上的第n张拥堵线路图上车辆轮廓的数量，
Figure FDA0004261399970000023
为一条可行驶路线的拥堵线路图的数量，dn为每条可行驶路线上的第n张拥堵线路图上相邻车辆轮廓间的平均距离值，D为非拥堵时相邻车辆轮廓间的平均距离值；
所述计算可行驶路线的行驶顺畅值的公式为：
Figure FDA0004261399970000022
其中，P为可行驶路线的行驶顺畅值，crowdC为可行驶路线当前时刻的拥挤程度，crowdt为可行驶路线历史t时刻的拥挤程度，T为统计的预估的救护车在可行驶路线行驶的时间段，t时刻用于表征预估的救护车达到可行驶路线的时刻，历史t时刻属于历史日期的对应t时刻，C为拥挤程度归一化系数，∑Tcrowdt为将预估的救护车在可行驶路线行驶的t时刻对应的所有历史t时刻的拥挤程度相加；
所述计算路线推荐值的公式为：
Figure FDA0004261399970000031
其中，
Figure FDA0004261399970000032
为第/>
Figure FDA0004261399970000033
条可行驶路线的路线推荐值，/>
Figure FDA0004261399970000034
为第/>
Figure FDA0004261399970000035
条可行驶路线的行驶顺畅值，li,uncrowd为第/>
Figure FDA0004261399970000039
条可行驶路线的非拥堵长度，li为第/>
Figure FDA0004261399970000036
条可行驶路线的全程长度，/>
Figure FDA0004261399970000037
为第/>
Figure FDA00042613999700000310
条可行驶路线的非拥堵长度上的平均速度，/>
Figure FDA0004261399970000038
为救护车能行驶的最大速度，L为长度归一化系数。
2.根据权利要求1所述的基于图像处理的救护车到院时间预估方法，其特征在于，所述根据当前定位数据，得到救护车的当前行驶路段包括：
根据当前定位数据找到其邻近范围内的行驶路段；
计算当前定位数据与邻近范围内的行驶路段的距离，找到当前疑似路段；
在当前疑似路段为一条时，当前疑似路段为救护车的当前行驶路段；
在当前疑似路段为多条时，计算当前时刻邻近的历史时刻对应的定位数据与历史邻近范围内的行驶路线的距离，找到历史疑似路段；
取历史疑似路段与当前疑似路段的交集，得到救护车的当前行驶路段。
3.根据权利要求1所述的基于图像处理的救护车到院时间预估方法，其特征在于，所述根据当前定位数据、救护车的当前行驶路段、以及目的地，找出各条可行驶路线包括：
根据当前定位数据，找到救护车的当前行驶路段到目的地的所有有效路线；
有效路线为当前位置达到目的地的线路，不包括封闭路线和人行路线，其他不可供救护车行驶通过的路线；
根据救护车的平均速度和有效路线的长度，计算救护车行驶完每一条有效路线所需时间；
从所有有效路线中排除所需时间大于时间阈值的有效路线，得到各条可行驶路线。
4.根据权利要求1所述的基于图像处理的救护车到院时间预估方法，其特征在于，所述根据地面图像，获得车辆轮廓图包括：
对地面图像进行灰度化处理，得到灰度图；
对灰度图进行增强处理，得到增强灰度图；
对增强灰度图提取轮廓，得到轮廓图；
对轮廓图提取车辆轮廓图。
5.根据权利要求4所述的基于图像处理的救护车到院时间预估方法，其特征在于，所述增强处理的公式为：
Figure FDA0004261399970000041
Figure FDA0004261399970000051
Figure FDA0004261399970000052
其中，YR为增强灰度图的R通道值，YG为增强灰度图的G通道值，YB为增强灰度图的B通道值，ln为对数函数，XR(x,y)为在灰度图位置(x,y)的R通道值，XG(x,y)为在灰度图位置(x,y)的G通道值，XB(x,y)为在灰度图位置(x,y)的B通道值，x为横坐标，y为纵坐标，k为增强系数，e为自然对数，*为卷积操作。
6.根据权利要求4所述的基于图像处理的救护车到院时间预估方法，其特征在于，所述提取车辆轮廓采用卷积神经网络；对轮廓图进行中的车辆轮廓进行标注，构建训练集，采用训练集训练卷积神经网络；所述训练卷积神经网络的损失函数为：
Figure FDA0004261399970000053
其中，Loss为损失函数，Er为卷积神经网输出的车辆轮廓像素点，Et为目标车辆轮廓的像素点，∪为并集运算，∩为交集运算，N为目标点的数量，
Figure FDA0004261399970000054
为卷积神经网输出的车辆轮廓上的第i个目标点的横坐标，/>
Figure FDA0004261399970000055
为卷积神经网输出的车辆轮廓上的第i个目标点的纵坐标，
Figure FDA0004261399970000056
为目标车辆轮廓上的第i个目标点的横坐标，/>
Figure FDA0004261399970000057
为目标车辆轮廓上的第i个目标点的纵坐标，/>
Figure FDA0004261399970000058
为卷积神经网输出的车辆轮廓上的第i个目标点邻近区域的第j个像素点的横坐标，/>
Figure FDA0004261399970000061
为卷积神经网输出的车辆轮廓上的第i个目标点邻近区域的第j个像素点的纵坐标，/>
Figure FDA0004261399970000062
为目标车辆轮廓上的第i个目标点邻近区域的第j个像素点的横坐标，/>
Figure FDA0004261399970000063
为目标车辆轮廓上的第i个目标点邻近区域的第j个像素点的纵坐标，M为邻近区域内像素点的数量。
CN202310348082.8A 2023-04-04 2023-04-04 一种基于图像处理的救护车到院时间预估方法 Active CN116153049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310348082.8A CN116153049B (zh) 2023-04-04 2023-04-04 一种基于图像处理的救护车到院时间预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310348082.8A CN116153049B (zh) 2023-04-04 2023-04-04 一种基于图像处理的救护车到院时间预估方法

Publications (2)

Publication Number Publication Date
CN116153049A CN116153049A (zh) 2023-05-23
CN116153049B true CN116153049B (zh) 2023-06-27

Family

ID=86356457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310348082.8A Active CN116153049B (zh) 2023-04-04 2023-04-04 一种基于图像处理的救护车到院时间预估方法

Country Status (1)

Country Link
CN (1) CN116153049B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100044293A (ko) * 2008-10-22 2010-04-30 (주)엠앤소프트 우회경로 안내 장치 및 그 방법
JP2012047508A (ja) * 2010-08-25 2012-03-08 Toyota Motor Corp 経路案内方法、経路案内システム、センタ及び経路案内情報を表示する表示装置を備える車両
JP2012212270A (ja) * 2011-03-30 2012-11-01 Canvas Mapple Co Ltd ナビゲーションシステム、ナビゲーションサーバ、ナビゲーションプログラム、及びナビゲーション端末
CN103000039A (zh) * 2012-11-26 2013-03-27 杨伟 路况拥堵提示装置
CN105788322A (zh) * 2016-04-29 2016-07-20 宇龙计算机通信科技(深圳)有限公司 一种基于车联网的特种车辆通行方法和系统
CN106205125A (zh) * 2016-07-27 2016-12-07 安徽聚润互联信息技术有限公司 一种救护车抵达时间实时预测系统及方法
CN106373397A (zh) * 2016-09-28 2017-02-01 哈尔滨工业大学 基于模糊神经网络的遥感图像道路通行情况分析方法
CN107038504A (zh) * 2017-04-19 2017-08-11 上海卓易电子科技有限公司 一种路线优化方法以及系统
CN108082039A (zh) * 2017-12-06 2018-05-29 天长市天新电子实业有限公司 一种基于信息分析的led智能化调控系统
CN110174893A (zh) * 2019-05-07 2019-08-27 重庆工程职业技术学院 一种无人驾驶控制方法、系统及车辆
CN110288118A (zh) * 2019-05-14 2019-09-27 湖北工业大学 一种基于无人机的空中救援响应方法
KR20200038893A (ko) * 2020-01-17 2020-04-14 이도훈 전달 방향과 거리를 특정하는 교통정보 제공 시스템
CN111754780A (zh) * 2020-07-20 2020-10-09 湖南车路协同智能科技有限公司 一种基于拥堵指数的判断路段拥堵程度的方法
CN112652385A (zh) * 2020-09-30 2021-04-13 四川互慧软件有限公司 一种医院院前与院内快速联动的系统及流程
CN112785083A (zh) * 2021-02-04 2021-05-11 腾讯科技（深圳）有限公司 到达时间的预估方法、装置、电子设备以及存储介质
CN213758995U (zh) * 2020-07-16 2021-07-23 四川互慧软件有限公司 一种与院内协同的移动救护系统
JP2021108013A (ja) * 2019-12-27 2021-07-29 国立大学法人 東京大学 渋滞予測方法および渋滞予測装置
CN113807270A (zh) * 2021-09-22 2021-12-17 北京百度网讯科技有限公司 道路拥堵检测方法、装置及电子设备
KR20210154378A (ko) * 2020-06-12 2021-12-21 현대자동차주식회사 퍼스널 모빌리티를 이용한 차량 경로 안내 시스템 및 이를 이용한 경로 안내 방법
CN113936476A (zh) * 2021-09-01 2022-01-14 深圳云天励飞技术股份有限公司 信号灯控制方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4591395B2 (ja) * 2006-03-31 2010-12-01 アイシン・エィ・ダブリュ株式会社 ナビゲーションシステム

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100044293A (ko) * 2008-10-22 2010-04-30 (주)엠앤소프트 우회경로 안내 장치 및 그 방법
JP2012047508A (ja) * 2010-08-25 2012-03-08 Toyota Motor Corp 経路案内方法、経路案内システム、センタ及び経路案内情報を表示する表示装置を備える車両
JP2012212270A (ja) * 2011-03-30 2012-11-01 Canvas Mapple Co Ltd ナビゲーションシステム、ナビゲーションサーバ、ナビゲーションプログラム、及びナビゲーション端末
CN103000039A (zh) * 2012-11-26 2013-03-27 杨伟 路况拥堵提示装置
CN105788322A (zh) * 2016-04-29 2016-07-20 宇龙计算机通信科技(深圳)有限公司 一种基于车联网的特种车辆通行方法和系统
CN106205125A (zh) * 2016-07-27 2016-12-07 安徽聚润互联信息技术有限公司 一种救护车抵达时间实时预测系统及方法
CN106373397A (zh) * 2016-09-28 2017-02-01 哈尔滨工业大学 基于模糊神经网络的遥感图像道路通行情况分析方法
CN107038504A (zh) * 2017-04-19 2017-08-11 上海卓易电子科技有限公司 一种路线优化方法以及系统
CN108082039A (zh) * 2017-12-06 2018-05-29 天长市天新电子实业有限公司 一种基于信息分析的led智能化调控系统
CN110174893A (zh) * 2019-05-07 2019-08-27 重庆工程职业技术学院 一种无人驾驶控制方法、系统及车辆
CN110288118A (zh) * 2019-05-14 2019-09-27 湖北工业大学 一种基于无人机的空中救援响应方法
JP2021108013A (ja) * 2019-12-27 2021-07-29 国立大学法人 東京大学 渋滞予測方法および渋滞予測装置
KR20200038893A (ko) * 2020-01-17 2020-04-14 이도훈 전달 방향과 거리를 특정하는 교통정보 제공 시스템
KR20210154378A (ko) * 2020-06-12 2021-12-21 현대자동차주식회사 퍼스널 모빌리티를 이용한 차량 경로 안내 시스템 및 이를 이용한 경로 안내 방법
CN213758995U (zh) * 2020-07-16 2021-07-23 四川互慧软件有限公司 一种与院内协同的移动救护系统
CN111754780A (zh) * 2020-07-20 2020-10-09 湖南车路协同智能科技有限公司 一种基于拥堵指数的判断路段拥堵程度的方法
CN112652385A (zh) * 2020-09-30 2021-04-13 四川互慧软件有限公司 一种医院院前与院内快速联动的系统及流程
CN112785083A (zh) * 2021-02-04 2021-05-11 腾讯科技（深圳）有限公司 到达时间的预估方法、装置、电子设备以及存储介质
CN113936476A (zh) * 2021-09-01 2022-01-14 深圳云天励飞技术股份有限公司 信号灯控制方法、装置、计算机设备及存储介质
CN113807270A (zh) * 2021-09-22 2021-12-17 北京百度网讯科技有限公司 道路拥堵检测方法、装置及电子设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Algorithms to find shortest and alternative paths in free flow and congested traffic regimes;Faro，A等;TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES;1-29 *
城市交通拥堵情况的量化分析及其应用;任敏蓉;叶文静;倪荣梅;;价值工程(第29期);237-240 *
多源交通信息下的动态路径选择模型与方法研究;孙晓梅;中国博士学位论文全文数据库 (工程科技Ⅱ辑);C034-40 *
新时代县域医院院前急救能力与信息化建设;侯俊丞等;中国农村卫生;第14卷(第12期);58-60 *
智慧医疗终端应用模型与仿真系统设计;周正阳;庄伟超;朱丽;齐梓辰;;信息与电脑(理论版)(第03期);118-122 *
车辆导航系统的路线优化研究.中国博士学位论文全文数据库 (工程科技Ⅱ辑).2007,C035-9. *

Also Published As

Publication number Publication date
CN116153049A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN103245347B (zh) 基于路况预测的智能导航方法及系统
CN112882073B (zh) 一种基于时间阈内的隐马尔可夫模型人车合一算法
CN108372856A (zh) 来自自主驾驶系统中的感知流的有效情景意识
CN110494902A (zh) 用于管理地理位置中的交通的系统、设备和方法
CN109615887A (zh) 智慧交通网络系统信号指引方法
KR20150128712A (ko) 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션
CN104599502A (zh) 一种基于视频监控的车流量统计方法
CN109269516B (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN110415517B (zh) 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法
CN113807270A (zh) 道路拥堵检测方法、装置及电子设备
US20230057564A1 (en) Methods for managing cleaning routes in smart cities, internet of things systems, and storage mediums
CN113628446B (zh) 一种基于物联网的交通信息采集分析方法及系统
CN111381585B (zh) 一种构建占据栅格地图的方法及其装置、相关设备
CN109064742A (zh) 一种基于svm的自适应公交到站时间预测方法
CN107424426B (zh) 一种基于深度学习的物流路径规划方法
CN107610498A (zh) 一种城区交通高峰期汽车出行自动选择路线方法
CN116153049B (zh) 一种基于图像处理的救护车到院时间预估方法
CN112926425B (zh) 道路状态检测方法、装置及设备
CN112444256A (zh) 一种基于道路车流量的时间最短路径的方法
CN115440045A (zh) 一种提高交通导航实时准确性的方法
CN113734191A (zh) 人工地虚造传感器数据以发起用于自动驾驶车辆的安全动作
US10930006B2 (en) Other vehicle position estimation apparatus
CN1573797A (zh) 用于在图像处理中改善对象识别和/或再识别的方法和装置
CN116824911A (zh) 会车提醒信息的生成及会车提醒方法、装置、介质、产品
CN115310696A (zh) 预测方法、终端及计算机可读存储介质

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