CN116433988A - 一种多源异构的图像数据分类治理方法 - Google Patents
一种多源异构的图像数据分类治理方法 Download PDFInfo
- Publication number
- CN116433988A CN116433988A CN202310641721.XA CN202310641721A CN116433988A CN 116433988 A CN116433988 A CN 116433988A CN 202310641721 A CN202310641721 A CN 202310641721A CN 116433988 A CN116433988 A CN 116433988A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- designated area
- equipment
- image
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012545 processing Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 abstract description 6
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种多源异构的图像数据分类治理方法，本说明书的方法着眼于第一指定区域可能存在风险的车辆，第一指定区域是GPS数据出现误差的概率较大的区域，则基于GPS数据进行的路径规划、自动驾驶都有可能由于该误差出现风险事故，对第一指定区域进行有针对性的关注，而对除第一指定区域以外的其他区域则无需过多的关注，一方面为高风险车辆的行驶风险的预测提供了条件，另一方面，无需对第一指定区域以外区域过多的关注，有利于节约图像采集资源。本说明书中的方法在对高风险的车辆进行考察时，并非将周围环境中的所有车辆采集的图像作为考察依据，而是将第二指定区域内的车辆采集的图像作为考察依据，进一步缩减了需要处理的图像的量。
Description
技术领域
本申请涉及基于特定计算机系统的图像处理技术领域，尤其涉及一种多源异构的图像数据分类治理方法。
背景技术
基于图像处理的服务技术飞速发展，为人们的生活提供较大的便利。为实现相应的服务目标，服务提供商投放了大量的图像采集设备用以执行图像的采集。随之而来的是产生了大量的、无用的“垃圾”图像。这些“垃圾”图像一方面占用了图像采集设备提供的图像采集资源，造成了资源浪费；另一方面，后续对这些“垃圾”图像的处理还会进一步地占用图像处理资源。
如何能够将有用的图像和无用的图像区分开来，成为亟待解决的问题。
发明内容
本申请实施例提供了一种多源异构的图像数据分类治理方法，以至少部分的解决上述技术问题。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种多源异构的图像数据分类治理方法，所述方法基于图像数据处理系统，所述图像数据处理系统包括：云端设备和与所述云端设备通信连接的若干个本地设备，所述本地设备一一对应地设置在车辆上，所述方法由所述云端设备执行，所述方法包括：
接收所述本地设备发送的定位数据；
若所述定位数据表示出所述本地设备所属的车辆进入第一指定区域，则将所述本地设备确定为目标设备；其中，所述第一指定区域包括：高架桥、立交桥、盘山道、以及隧道中的至少一种；
发送第一图像获取指令至所述目标设备；
获取所述目标设备在所述第一图像获取指令的触发下返回的第一原始图像；其中，所述第一原始图像包括：位图、矢量图、以及点云图中的至少一种；所述第一原始图像是距当前时刻指定时长的历史时间段内所述目标设备所属的车辆采集的；
基于所述第一原始图像确定所述目标设备所属的车辆的历史轨迹；
基于所述历史轨迹，确定所述目标设备所属的车辆的历史行驶风险；其中，所述历史行驶风险与按照所述历史轨迹行驶时可能出现事故的概率正相关；
若所述历史行驶风险大于预设的风险阈值，则将位于第二指定区域中的所有车辆的本地设备确定为参照设备；其中，所述第二指定区域是将所述第一指定区域沿径向向外侧偏置指定距离得到的；所述指定距离与所述参照设备所属的车辆的行驶速度负相关、且位于所述目标设备所属的车辆行驶方向前侧的车辆的指定距离大于位于所述目标设备所属的车辆行驶方向后侧的车辆的指定距离；
发送第二图像获取指令至所述参照设备；
获取所述参照设备在所述第二图像获取指令的触发下返回的第二原始图像；其中，所述第二原始图像是当前时刻之后、所述参照设备在位于所述第二指定区域内时采集的图像；
将包含所述目标设备所属的车辆的所述第二原始图像作为可用图像，舍弃除所述可用图像以外的所述第二原始图像。
在本说明书一个可选的实施例中，所述方法还包括：
所述指定时长与所述目标设备所属的车辆的行驶速度负相关、与所述目标设备所属的车辆持续处于行驶状态的时长正相关、且与所述目标设备所属的车辆本次行驶过程中检测到的风险驾驶行为的次数正相关。
在本说明书一个可选的实施例中，所述方法还包括：
所述风险阈值与所述第一指定区域内的车辆的数量负相关、且与所述目标设备所属的车辆的行驶速度负相关。
在本说明书一个可选的实施例中，所述方法还包括：
基于所述可用图像对所述第一指定区域内车辆的行驶状况进行监控。
在本说明书一个可选的实施例中，所述图像数据处理系统还包括路侧设备；所述路侧设备设置于所述第一指定区域的路侧，所述路侧设备用于图像采集，所述云端设备与所述路侧设备通信连接；基于所述可用图像对所述第一指定区域内车辆的行驶状况进行监控，包括：
若所述历史行驶风险大于所述风险阈值，且所述第一指定区域内的目标车辆不唯一，则基于所述路侧设备采集的第三原始图像和/或所述可用图像，建立行驶环境三维模型；其中，所述行驶环境三维模型包含所述第一指定区域内的车辆以及道路；所述目标车辆是设置有所述目标设备的车辆；
基于所述行驶环境三维模型对所述第一指定区域内车辆的行驶状况进行监控。
在本说明书一个可选的实施例中，基于所述路侧设备采集的第三原始图像和/或所述可用图像，建立行驶环境三维模型，包括：
在所述参照设备的数量大于预设的指定数量时，基于所述路侧设备采集的第三原始图像和所述可用图像，建立行驶环境三维模型；
在所述参照设备的数量不大于所述指定数量时，基于所述路侧设备采集的第三原始图像，建立行驶环境三维模型。
在本说明书一个可选的实施例中，所述方法还包括以下至少一项：
所述本地设备是所述车辆的车机；
所述指定数量与所述目标车辆的行驶速度负相关。
第二方面，本申请实施例还提供一种多源异构的图像数据分类治理系统，所述系统包括：
云端设备和与所述云端设备通信连接的若干个本地设备，所述本地设备一一对应地设置在车辆上；所述云端设备包括：
第一接收模块，配置为：接收所述本地设备发送的定位数据；
目标设备确定模块，配置为：若所述定位数据表示出所述本地设备所属的车辆进入第一指定区域，则将所述本地设备确定为目标设备；其中，所述第一指定区域包括：高架桥、立交桥、盘山道、以及隧道中的至少一种；
第一发送模块，配置为：发送第一图像获取指令至所述目标设备；
第一图像获取模块，配置为：获取所述目标设备在所述第一图像获取指令的触发下返回的第一原始图像；其中，所述第一原始图像包括：位图、矢量图、以及点云图中的至少一种；所述第一原始图像是距当前时刻指定时长的历史时间段内所述目标设备所属的车辆采集的；
历史轨迹确定模块，配置为：基于所述第一原始图像确定所述目标设备所属的车辆的历史轨迹；
风险确定模块，配置为：基于所述历史轨迹，确定所述目标设备所属的车辆的历史行驶风险；其中，所述历史行驶风险与按照所述历史轨迹行驶时可能出现事故的概率正相关；
参照设备确定模块，配置为：若所述历史行驶风险大于预设的风险阈值，则将位于第二指定区域中的所有车辆的本地设备确定为参照设备；其中，所述第二指定区域是将所述第一指定区域沿径向向外侧偏置指定距离得到的；所述指定距离与所述参照设备所属的车辆的行驶速度负相关、且位于所述目标设备所属的车辆行驶方向前侧的车辆的指定距离大于位于所述目标设备所属的车辆行驶方向后侧的车辆的指定距离；
第二发送模块，配置为：发送第二图像获取指令至所述参照设备；
第二图像获取模块，配置为：获取所述参照设备在所述第二图像获取指令的触发下返回的第二原始图像；其中，所述第二原始图像是当前时刻之后、所述参照设备在位于所述第二指定区域内时采集的图像；
分类模块，配置为：将包含所述目标设备所属的车辆的所述第二原始图像作为可用图像，舍弃除所述可用图像以外的所述第二原始图像。
第三方面，本申请实施例还提供一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书的方法着眼于第一指定区域可能存在风险的车辆，第一指定区域是GPS数据出现误差的概率较大的区域，则基于GPS数据进行的路径规划、自动驾驶都有可能由于该误差出现风险事故，对第一指定区域进行有针对性的关注，而对除第一指定区域以外的其他区域则无需过多的关注，一方面为高风险车辆的行驶风险的预测提供了条件，另一方面，无需对第一指定区域以外区域过多的关注，有利于节约图像采集资源。此外，本说明书中的方法在对高风险的车辆进行考察时，并非将周围环境中的所有车辆采集的图像作为考察依据，而是将第二指定区域内的车辆采集的图像作为考察依据，进一步缩减了需要处理的图像的量。可见，本说明书中的方法从图像的来源、分析对象等方面，对需要处理的图像的量进行了缩减，有利于资源的节约。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种多源异构的图像数据分类治理方法的过程示意图；
图2为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其它元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本说明书中的方法基于图像数据处理系统，所述图像数据处理系统包括云端设备和与所述云端设备分别地通信连接的若干个本地设备，所述本地设备一一对应地设置在车辆上，本说明书中的方法由云端设备执行。在本说明书一个可选的实施例中，本地设备可以是车辆的车机。相关技术中，具备车机的车辆在条件允许的情况下，均可以作为本说明书中的车辆。
本说明书中的技术方案旨在从两个方面着手以解决技术问题：其一，针对由GPS数据误差较大导致的定位精准性差的高风险地区，为风险的预测与规避提供条件；其二，在预见到可能有风险的情况下，将对于风险的预测有用的图像和无用的图像进行区分，进而降低后续步骤中需要处理的图像的量，有利于资源节约。
如图1所示，本说明书中的多源异构的图像数据分类治理方法包含以下步骤：
S100：接收所述本地设备发送的定位数据。
本说明书中的方法涉及的本地设备可能不唯一，则分别地接收每个本地设备发送的定位数据。定位数据用于表征其来源的本地设备的地理位置。相关技术中，能够用于实现定位的技术方案，在条件允许的情况下均可以用于本说明书。在本说明书一个可选的实施例中，定位数据是GPS（Global Positioning System）设备采集的GPS数据。
由于相关技术中的定位数据多是依赖于卫星定位采集的，这就使得定位数据在竖直方向上存在误差的可能性较大。特别是诸如高架桥、立交桥、盘山道、以及隧道（即，本说明书中的第一指定区域）这样在竖直方向上容易对车辆的位置造成干扰，或者在竖直方向上有信号遮挡的路段，定位数据存在误差的概率更大。而这些路段通常会伴随着环境封闭、弯道较多、弯道转弯角度较大、出现灾害的情况下救援难度大、引发连环灾害的风险大等特点。对这些地区的风险更加的不容忽视。
在本说明书一个可选的实施例中，本步骤中的接收可以是持续性的接收。
S102：若所述定位数据表示出所述本地设备所属的车辆进入第一指定区域，则将所述本地设备确定为目标设备。
在本说明书一个可选地实施例中，云端设备中预先地存储有地图，地图中标注有哪些地区是第一指定区域，哪些地区不是第一指定区域。地图中的第一指定区域可以通过坐标进行表示。若某一车辆发送的定位数据的坐标落入地图记载的第一指定区域的坐标范围之内，则将该车辆上设置的本地设备确定为目标设备。
本说明书中的第一指定区域包括：高架桥、立交桥、盘山道、以及隧道这些GPS数据在竖直方向上误差可能较大、以及由于建筑、地貌的遮挡导致本地设备与云端设备之间的数据传输较大概率的存在延时的地区。
S104：发送第一图像获取指令至所述目标设备。
针对一本地设备，在其被确定为目标设备之前，其路径规划、风险预测等事项可以由本地设备自行执行。也就是说，在本步骤之前，目标设备所属的车辆采集的图像无需发送至云端设备，能一定程度的节约云端设备的数据处理资源，还能够一定程度的节约本地设备的通信资源。
目标设备向云端设备发送图像的时机由云端设备判断，能够一定程度的节约本地设备的数据处理资源。
本说明书中的方法确定出的目标设备可能不唯一，本说明书仅以若干个目标设备之一进行说明。
S106：获取所述目标设备在所述第一图像获取指令的触发下返回的第一原始图像。
本说明书至的第一原始图像是目标设备采集的图像。第一原始图像包括：位图、矢量图、以及点云图中的至少一种。由于本说明书中的目标设备可能不唯一，则会造成云端设备处理的图像来源不唯一；由于目标设备采集到图像由可能是位图、点云图等等，则会造成云端设备处理的图像之间存在异构的现象。但这均不会对本说明书中的技术方案的实施造成负面影响。
本说明书中的，第一原始图像是距当前时刻指定时长的历史时间段内所述目标设备所属的车辆采集的。也就是说，本说明书中的第一原始图像是历史图像。历史图像是历史上目标设备所属的车辆行驶过程中采集的图像，能够表征车辆与环境的相对位置情况，以及相对位置的变化情况。也就是说，第一原始图像能够表征历史上目标设备所属车辆的行驶状态以及该行驶状态下驾驶员对环境做出的决策。
在本说明书一个可选的实施例中，指定时长是经验值，由专家经验得到。该指定时长的确定方式较为简便，效率较高。
在本说明书另一可选的实施例中，所述指定时长与所述目标设备所属的车辆的行驶速度负相关（可以用于表征由驾驶速度引起的驾驶风险）、与所述目标设备所属的车辆持续处于行驶状态的时长正相关（可以用于表征用户处于疲劳驾驶状态的风险）、且与所述目标设备所属的车辆本次行驶过程中检测到的风险驾驶行为（可以用于表征用户的风险驾驶行为引发的风险，风险驾驶行为例如急刹车、急转弯、连续变道等）的次数正相关。该实施例中，指定时长与上述指标（表征这些指标的数据，可以由目标设备发送第一原始图像时发送给云端设备）相关联，能够对用户行为进行综合，提高风险的表征能力。
S108：基于所述第一原始图像确定所述目标设备所属的车辆的历史轨迹。
本说明书中的历史轨迹除了能用以表征车辆在不同的历史时刻所处的位置以外，还表征车辆在不同的位置时的瞬时速度。
历史轨迹可以是图像化成像的一条曲线，也可以是抽象的一系列数据。相关技术中，基于历史图像绘制历史轨迹的技术手段，在条件允许的情况下均适用于本说明书。
S110：基于所述历史轨迹，确定所述目标设备所属的车辆的历史行驶风险。
即便是当前时刻，目标设备所属的车辆尚未发生事故，但不能断言该车辆在历史上的行驶是安全的。本说明书中的历史行驶风险与按照所述历史轨迹行驶时可能出现事故的概率正相关。相关技术中，基于轨迹评价风险程度的技术手段，在条件允许的情况下均适用于本说明书。
示例性地，在本说明书一个可选的实施例中，可以按照时间将历史轨迹划分为等时长（预设值）的几个轨迹段，分别评价每个轨迹段的子风险（与车辆在该轨迹段内的平均行驶速度正相关、与车辆在该轨迹段内的平均加速度正相关、与车辆在该轨迹段内最大的转向角度正相关、与车辆在该轨迹段内相邻的两次转向或加速的时间间隔正相关）；之后，将各个轨迹段的子风险之和作为历史行驶风险。
在另一个可选的实施例中，还可以按照路程对历史轨迹进行划分，评价风险的方法类似。
S112：若所述历史行驶风险大于预设的风险阈值，则将位于第二指定区域中的所有车辆的本地设备确定为参照设备。
本说明书中的第二指定区域是将所述第一指定区域沿径向向外侧偏置指定距离得到的。本说明书中的第一指定区域是第二指定区域的子集，则存在某一参照设备也是目标设备的可能性。
本说明书中的指定距离与所述参照设备所属的车辆的行驶速度负相关、且位于所述目标设备所属的车辆行驶方向前侧的车辆的指定距离大于位于所述目标设备所属的车辆行驶方向后侧的车辆的指定距离。
经本说明书中的方法，不同的参照设备所属的车辆各自的第二指定区域有可能各不相同。一车辆的行驶速度越快，则其靠近或远离目标设备所属的车辆的速度也越快，通常情况下，车辆上的图像采集设备的图像采集频率不会跟随行驶速度发生变化，这就使得该车辆采集到的关于目标设备所属的车辆的量较少，此时扩大该车辆对应的第二指定区域，有利于该车辆采集到更多的关于目标设备所属的车辆的图像。
车辆的行驶风险一定程度的是由该车辆的行驶速度造成的，一般情况下，行驶速度越快，则风险越高。当车辆以较高的速度行驶时，对位于其前方的车辆造成危害的可能性较大；对位于其后方的车辆造成危害的可能性相对来说不是特别大，则位于高速行驶的目标车辆的前方的参照车辆采集到的图像能够结合该参照车辆自身的安全性对目标车辆的风险进行表征，因此，该参照车辆的第二指定区域越大，其采集的图像越能够对目标车辆的风险进行表征。
在本说明书一个可选的实施例中，风险阈值是由专家经验得到的经验值。在本说明书另一个可选的实施例中，风险阈值与所述第一指定区域内的车辆的数量负相关、且与所述目标设备所属的车辆的行驶速度负相关。
S114：发送第二图像获取指令至所述参照设备。
通常情况下，图像的文件体积较大，传输所消耗的资源较大。在本步骤之前，参照设备可以仅向云端设备发送定位数据、速度数据，而不发送图像，能够节省参照设备的数据传输资源。
S116：获取所述参照设备在所述第二图像获取指令的触发下返回的第二原始图像。
本说明书中的第二原始图像是当前时刻之后、所述参照设备在位于所述第二指定区域内时采集的图像。也就是说，相较于当前时刻而言，第二原始图像是采集于未来的图像。由于第二原始图像需要实现目标识别的功能，本说明书中的第二原始图像包括位图和矢量图，但是不包括点云图。点云图在不配合定位数据的情况下用于目标识别的难度较大，故此不予采用。可见，本说明书中的方法针对第一指定区域内和第二指定区域内部发生的风险的预测均不采用点云图或者用于形成点云图的数据，也就是说，在数据类型方面，本说明书中的方法在重点考察的区域内避免使用点云数据，能够有效地降低数据处理的量，以及数据传输的量。
返回的第二原始图像是由参照设备采集的，参照设备有自身的图像采集逻辑，例如，某一参照设备每间隔0.01秒采集一帧图像；而另一参照设备每间隔0.05秒采集一帧图像。无论参照设备的图像采集逻辑为何，仅需及时地在采集到图像之后，将图像发送至云端设备即可。
S118：将包含所述目标设备所属的车辆的第二原始图像作为可用图像，舍弃除所述可用图像以外的第二原始图像。
参照设备位于第二指定区域内，而第一指定区域是第二指定区域的子集，则参照设备采集到的图像中有可能包含目标设备所属的车辆。那些包含目标车辆（设置有目标设备的车辆）的第二原始图像用于预测风险的价值较高（可用图像），则集中数据处理能力用于处理这种价值较高的图像。而价值较低的图像则可以直接舍弃，避免这些价值较低的图像占用数据处理资源。并且，本说明书中的方法也舍弃了在第二指定区域之外采集的图像，能够进一步地降低数据处理的量。
本说明书筛选可用图像的过程有赖于目标识别技术，相关技术中不基于定位数据实现的目标识别技术在条件允许的情况下均适用于本说明书。
在本说明书一个可选的实施例中，在经过本说明书中的方法实现了针对图像的筛选之后，即可以通过经筛选得到的可用图像对所述第一指定区域内车辆的行驶状况进行监控，进而对由目标车辆可能引起的风险进行预测。若预测到较大的风险，则向目标车辆发送告警信息。相关技术中能够用于实现基于图像的风险预测的技术手段，在条件允许的情况下，均适用于本说明书。示例性地，可以基于可用图像预测目标车辆在第一指定区域内的行驶轨迹，基于行驶轨迹预测目标车辆与第一指定区域内的其他物体（例如其他车辆、路旁设施）发生碰撞的几率。若该几率过高，则表明存在较高的风险；若反之，则表明风险较低。
本说明书的方法着眼于第一指定区域可能存在风险的车辆，第一指定区域是GPS数据出现误差的概率较大的区域，则基于GPS数据进行的路径规划、自动驾驶都有可能由于该误差出现风险事故，对第一指定区域进行有针对性的关注，而对除第一指定区域以外的其他区域则无需过多的关注，一方面为高风险车辆的行驶风险的预测提供了条件，另一方面，无需对第一指定区域以外区域过多的关注，有利于节约图像采集资源。此外，本说明书中的方法在对高风险的车辆进行考察时，并非将周围环境中的所有车辆采集的图像作为考察依据，而是将第二指定区域内的车辆采集的图像作为考察依据，进一步缩减了需要处理的图像的量。可见，本说明书中的方法从图像的来源、分析对象等方面，对需要处理的图像的量进行了缩减，有利于资源的节约。
在本说明书进一步可选的实施例中，所述图像数据处理系统还包括路侧设备；所述路侧设备设置于所述第一指定区域的路侧，所述路侧设备用于图像采集，所述云端设备与所述路侧设备通信连接。为基于路侧设备采集的图像进行监控提供了条件。
具体地，若所述历史行驶风险大于所述风险阈值，且所述第一指定区域内的目标车辆不唯一，则基于所述路侧设备采集的第三原始图像和/或所述可用图像，建立行驶环境三维模型。之后，基于所述行驶环境三维模型对所述第一指定区域内车辆的行驶状况进行监控。其中，所述行驶环境三维模型包含所述第一指定区域内的车辆以及道路。
在本说明书中，行驶环境三维模型用于预测目标车辆在未来的、安全的行驶轨迹。也就是说，若目标车辆按照行驶环境三维模型中表示出的行驶轨迹行驶，则能够安全地离开第一指定区域，若监测到目标车辆的实际行驶轨迹长时间的偏离行驶环境三维模型表示出的行驶轨迹，则表明风险较高，发出告警。
目标车辆不唯一，表明构成第一指定区域的风险的因素较多，可能出现风险叠加的情况，有必要加强监督。
在本说明书进一步可选的实施例中，在所述参照设备的数量大于预设的指定数量时，基于所述路侧设备采集的第三原始图像和所述可用图像，建立行驶环境三维模型。在所述参照设备的数量不大于所述指定数量时，基于所述路侧设备采集的第三原始图像，建立行驶环境三维模型。
参照设备所属的车辆也是在第二指定区域内行驶的车辆，参照设备较多，则表明第一指定区域内车辆较多的概率较大，车辆越多，发生风险的概率越大，此时应该确保监测精度而不惜牺牲一些数据处理资源，则基于所述路侧设备采集的第三原始图像和所述可用图像，建立行驶环境三维模型。若反之，则第一指定区域内的车辆可能不会太多，则不必过多的提倡监测精度，还要考虑到资源的节约。可选地，所述指定数量与所述目标设备所属的车辆的行驶速度负相关。
进一步地，本说明书还提供一种多源异构的图像数据分类治理系统，所述系统包括：云端设备和与所述云端设备通信连接的若干个本地设备，所述本地设备一一对应地设置在车辆上；所述云端设备包括：
第一接收模块，配置为：接收所述本地设备发送的定位数据；
目标设备确定模块，配置为：若所述定位数据表示出所述本地设备所属的车辆进入第一指定区域，则将所述本地设备确定为目标设备；其中，所述第一指定区域包括：高架桥、立交桥、盘山道、以及隧道中的至少一种；
第一发送模块，配置为：发送第一图像获取指令至所述目标设备；
第一图像获取模块，配置为：获取所述目标设备在所述第一图像获取指令的触发下返回的第一原始图像；其中，所述第一原始图像包括：位图、矢量图、以及点云图中的至少一种；所述第一原始图像是距当前时刻指定时长的历史时间段内所述目标设备所属的车辆采集的；
历史轨迹确定模块，配置为：基于所述第一原始图像确定所述目标设备所属的车辆的历史轨迹；
风险确定模块，配置为：基于所述历史轨迹，确定所述目标设备所属的车辆的历史行驶风险；其中，所述历史行驶风险与按照所述历史轨迹行驶时可能出现事故的概率正相关；
参照设备确定模块，配置为：若所述历史行驶风险大于预设的风险阈值，则将位于第二指定区域中的所有车辆的本地设备确定为参照设备；其中，所述第二指定区域是将所述第一指定区域沿径向向外侧偏置指定距离得到的；所述指定距离与所述参照设备所属的车辆的行驶速度负相关、且位于所述目标设备所属的车辆行驶方向前侧的车辆的指定距离大于位于所述目标设备所属的车辆行驶方向后侧的车辆的指定距离；
第二发送模块，配置为：发送第二图像获取指令至所述参照设备；
第二图像获取模块，配置为：获取所述参照设备在所述第二图像获取指令的触发下返回的第二原始图像；其中，所述第二原始图像是当前时刻之后、所述参照设备在位于所述第二指定区域内时采集的图像；
分类模块，配置为：将包含所述目标设备所属的车辆的所述第二原始图像作为可用图像，舍弃除所述可用图像以外的所述第二原始图像。
该系统能够执行前述任一实施例中的方法，并能够获得相同或相似的技术效果，此处不再赘述。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成一种多源异构的图像数据分类治理装置。处理器，执行存储器所存放的程序，并具体用于执行前述任意一种多源异构的图像数据分类治理方法。
上述如本申请图1所示实施例揭示的一种多源异构的图像数据分类治理方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central ProcessingUnit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（DigitalSignal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种多源异构的图像数据分类治理方法，并实现图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，执行前述的任意一种多源异构的图像数据分类治理方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种多源异构的图像数据分类治理方法，其特征在于，所述方法基于图像数据处理系统，所述图像数据处理系统包括：云端设备和与所述云端设备通信连接的若干个本地设备，所述本地设备一一对应地设置在车辆上，所述方法由所述云端设备执行，所述方法包括：
接收所述本地设备发送的定位数据；
若所述定位数据表示出所述本地设备所属的车辆进入第一指定区域，则将所述本地设备确定为目标设备；其中，所述第一指定区域包括：高架桥、立交桥、盘山道、以及隧道中的至少一种；
发送第一图像获取指令至所述目标设备；
获取所述目标设备在所述第一图像获取指令的触发下返回的第一原始图像；其中，所述第一原始图像包括：位图、矢量图、以及点云图中的至少一种；所述第一原始图像是距当前时刻指定时长的历史时间段内所述目标设备所属的车辆采集的；
基于所述第一原始图像确定所述目标设备所属的车辆的历史轨迹；
基于所述历史轨迹，确定所述目标设备所属的车辆的历史行驶风险；其中，所述历史行驶风险与按照所述历史轨迹行驶时可能出现事故的概率正相关；
若所述历史行驶风险大于预设的风险阈值，则将位于第二指定区域中的所有车辆的本地设备确定为参照设备；其中，所述第二指定区域是将所述第一指定区域沿径向向外侧偏置指定距离得到的；所述指定距离与所述参照设备所属的车辆的行驶速度负相关、且位于所述目标设备所属的车辆行驶方向前侧的车辆的指定距离大于位于所述目标设备所属的车辆行驶方向后侧的车辆的指定距离；
发送第二图像获取指令至所述参照设备；
获取所述参照设备在所述第二图像获取指令的触发下返回的第二原始图像；其中，所述第二原始图像是当前时刻之后、所述参照设备在位于所述第二指定区域内时采集的图像；
将包含所述目标设备所属的车辆的所述第二原始图像作为可用图像，舍弃除所述可用图像以外的所述第二原始图像。
2.如权利要求1所述方法，其特征在于，所述方法还包括：
所述指定时长与所述目标设备所属的车辆的行驶速度负相关、与所述目标设备所属的车辆持续处于行驶状态的时长正相关、且与所述目标设备所属的车辆本次行驶过程中检测到的风险驾驶行为的次数正相关。
3.如权利要求1所述方法，其特征在于，所述方法还包括：
所述风险阈值与所述第一指定区域内的车辆的数量负相关、且与所述目标设备所属的车辆的行驶速度负相关。
4.如权利要求1所述方法，其特征在于，所述方法还包括：
基于所述可用图像对所述第一指定区域内车辆的行驶状况进行监控。
5.如权利要求4所述方法，其特征在于，所述图像数据处理系统还包括路侧设备；所述路侧设备设置于所述第一指定区域的路侧，所述路侧设备用于图像采集，所述云端设备与所述路侧设备通信连接；基于所述可用图像对所述第一指定区域内车辆的行驶状况进行监控，包括：
若所述历史行驶风险大于所述风险阈值，且所述第一指定区域内的目标车辆不唯一，则基于所述路侧设备采集的第三原始图像和/或所述可用图像，建立行驶环境三维模型；其中，所述行驶环境三维模型包含所述第一指定区域内的车辆以及道路；所述目标车辆是设置有所述目标设备的车辆；
基于所述行驶环境三维模型对所述第一指定区域内车辆的行驶状况进行监控。
6.如权利要求5所述方法，其特征在于，基于所述路侧设备采集的第三原始图像和/或所述可用图像，建立行驶环境三维模型，包括：
在所述参照设备的数量大于预设的指定数量时，基于所述路侧设备采集的第三原始图像和所述可用图像，建立行驶环境三维模型；
在所述参照设备的数量不大于所述指定数量时，基于所述路侧设备采集的第三原始图像，建立行驶环境三维模型。
7.如权利要求6所述方法，其特征在于，所述方法还包括以下至少一项：
所述本地设备是所述车辆的车机；
所述指定数量与所述目标车辆的行驶速度负相关。
8.一种多源异构的图像数据分类治理系统，其特征在于，所述系统包括：云端设备和与所述云端设备通信连接的若干个本地设备，所述本地设备一一对应地设置在车辆上；所述云端设备包括：
第一接收模块，配置为：接收所述本地设备发送的定位数据；
目标设备确定模块，配置为：若所述定位数据表示出所述本地设备所属的车辆进入第一指定区域，则将所述本地设备确定为目标设备；其中，所述第一指定区域包括：高架桥、立交桥、盘山道、以及隧道中的至少一种；
第一发送模块，配置为：发送第一图像获取指令至所述目标设备；
第一图像获取模块，配置为：获取所述目标设备在所述第一图像获取指令的触发下返回的第一原始图像；其中，所述第一原始图像包括：位图、矢量图、以及点云图中的至少一种；所述第一原始图像是距当前时刻指定时长的历史时间段内所述目标设备所属的车辆采集的；
历史轨迹确定模块，配置为：基于所述第一原始图像确定所述目标设备所属的车辆的历史轨迹；
风险确定模块，配置为：基于所述历史轨迹，确定所述目标设备所属的车辆的历史行驶风险；其中，所述历史行驶风险与按照所述历史轨迹行驶时可能出现事故的概率正相关；
参照设备确定模块，配置为：若所述历史行驶风险大于预设的风险阈值，则将位于第二指定区域中的所有车辆的本地设备确定为参照设备；其中，所述第二指定区域是将所述第一指定区域沿径向向外侧偏置指定距离得到的；所述指定距离与所述参照设备所属的车辆的行驶速度负相关、且位于所述目标设备所属的车辆行驶方向前侧的车辆的指定距离大于位于所述目标设备所属的车辆行驶方向后侧的车辆的指定距离；
第二发送模块，配置为：发送第二图像获取指令至所述参照设备；
第二图像获取模块，配置为：获取所述参照设备在所述第二图像获取指令的触发下返回的第二原始图像；其中，所述第二原始图像是当前时刻之后、所述参照设备在位于所述第二指定区域内时采集的图像；
分类模块，配置为：将包含所述目标设备所属的车辆的所述第二原始图像作为可用图像，舍弃除所述可用图像以外的所述第二原始图像。
9.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1~7之任一所述方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1~7之任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310641721.XA CN116433988B (zh) | 2023-06-01 | 2023-06-01 | 一种多源异构的图像数据分类治理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310641721.XA CN116433988B (zh) | 2023-06-01 | 2023-06-01 | 一种多源异构的图像数据分类治理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116433988A true CN116433988A (zh) | 2023-07-14 |
| CN116433988B CN116433988B (zh) | 2023-08-08 |
Family
ID=87094741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310641721.XA Active CN116433988B (zh) | 2023-06-01 | 2023-06-01 | 一种多源异构的图像数据分类治理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116433988B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150247A (zh) * | 2023-10-30 | 2023-12-01 | 中国标准化研究院 | 一种智能产品质量风险控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009251962A (ja) * | 2008-04-07 | 2009-10-29 | Toshiba Corp | 強識別器の学習装置及びその方法並びに強識別器の学習プログラム |
| CN107145817A (zh) * | 2016-03-01 | 2017-09-08 | 福特全球技术公司 | 车辆车道学习 |
| CN109902676A (zh) * | 2019-01-12 | 2019-06-18 | 浙江工业大学 | 一种基于动态背景的违停检测算法 |
| CN113239912A (zh) * | 2021-07-13 | 2021-08-10 | 天津所托瑞安汽车科技有限公司 | Bsd图像有效区域的确定方法、设备和存储介质 |
| CN115240471A (zh) * | 2022-08-09 | 2022-10-25 | 东揽(南京)智能科技有限公司 | 一种基于图像采集的智慧厂区避撞预警方法和系统 |
-
2023
- 2023-06-01 CN CN202310641721.XA patent/CN116433988B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009251962A (ja) * | 2008-04-07 | 2009-10-29 | Toshiba Corp | 強識別器の学習装置及びその方法並びに強識別器の学習プログラム |
| CN107145817A (zh) * | 2016-03-01 | 2017-09-08 | 福特全球技术公司 | 车辆车道学习 |
| CN109902676A (zh) * | 2019-01-12 | 2019-06-18 | 浙江工业大学 | 一种基于动态背景的违停检测算法 |
| CN113239912A (zh) * | 2021-07-13 | 2021-08-10 | 天津所托瑞安汽车科技有限公司 | Bsd图像有效区域的确定方法、设备和存储介质 |
| CN115240471A (zh) * | 2022-08-09 | 2022-10-25 | 东揽(南京)智能科技有限公司 | 一种基于图像采集的智慧厂区避撞预警方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150247A (zh) * | 2023-10-30 | 2023-12-01 | 中国标准化研究院 | 一种智能产品质量风险控制方法 |
| CN117150247B (zh) * | 2023-10-30 | 2023-12-26 | 中国标准化研究院 | 一种智能产品质量风险控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116433988B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11107356B2 (en) | Cellular network-based assisted driving method and traffic control unit | |
| US9800492B2 (en) | Method and communication system for data reception in wireless vehicle-to-surroundings communication | |
| CN110097753B (zh) | 二次事故的预警方法、装置、系统及道路监测装置 | |
| US11622228B2 (en) | Information processing apparatus, vehicle, computer-readable storage medium, and information processing method | |
| CN111091706A (zh) | 信息处理系统和信息处理方法 | |
| CN101655380A (zh) | 用于确定驾驶员-车辆-环境状态的特性的方法 | |
| CN116433988B (zh) | 一种多源异构的图像数据分类治理方法 | |
| US11208100B2 (en) | Server device and vehicle | |
| CN112700640B (zh) | 道路状态监测方法、服务器、车载设备及路侧设备 | |
| US10785404B2 (en) | Information processing method, information processing apparatus, and non-transitory recording medium | |
| WO2021260839A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| JPWO2019189218A1 (ja) | 交通監視装置、交通監視システム、交通監視方法及びプログラム | |
| CN113538946A (zh) | 一种基于分布式的高速公路突发情况预警系统、方法 | |
| CN113380034B (zh) | 事故定位方法和装置、电子设备和计算机可读存储介质 | |
| CN114074667A (zh) | 静止对象检测 | |
| CN112712729A (zh) | 预测运动轨迹的方法和系统 | |
| CN116564133A (zh) | 潮汐车道的车辆预警方法、装置及电子设备 | |
| CN107705582A (zh) | 一种车辆违规检测方法和系统 | |
| CN118155401A (zh) | 一种道路拥堵位置识别方法、设备及装置 | |
| JP2021081997A (ja) | 情報収集システム、中継装置、収集装置及びプログラム | |
| JP2014137682A (ja) | 移動体端末の位置情報を用いた交通情報提供システム | |
| CN110136437B (zh) | 一种交叉口进口道左直干扰问题的确定方法及装置 | |
| CN116758736A (zh) | 违停检测方法、装置及电子设备 | |
| JP2021092967A (ja) | 画像処理システム、画像処理装置及びプログラム | |
| CN112837529B (zh) | 数据处理方法及系统、采集装置、处理器以及存储介质 |
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 |