CN116665188A - 一种大客车图像系统数据分析方法 - Google Patents

一种大客车图像系统数据分析方法 Download PDF

Info

Publication number
CN116665188A
CN116665188A CN202310889330.XA CN202310889330A CN116665188A CN 116665188 A CN116665188 A CN 116665188A CN 202310889330 A CN202310889330 A CN 202310889330A CN 116665188 A CN116665188 A CN 116665188A
Authority
CN
China
Prior art keywords
vehicle
tracking
target
data
bus
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310889330.XA
Other languages
English (en)
Other versions
CN116665188B (zh
Inventor
杨丹
刘世超
张铭
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.)
Nanjing Borong Electronic Co ltd
Original Assignee
Nanjing Borong Electronic 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 Nanjing Borong Electronic Co ltd filed Critical Nanjing Borong Electronic Co ltd
Priority to CN202310889330.XA priority Critical patent/CN116665188B/zh
Publication of CN116665188A publication Critical patent/CN116665188A/zh
Application granted granted Critical
Publication of CN116665188B publication Critical patent/CN116665188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种大客车图像系统数据分析方法，包括实时采集车辆行驶过程中的图像和视频数据；对采集到的图像和视频数据进行预处理操作；利用多分支YOLOv3算法对预处理后的图像数据进行物体检测；应用车辆追踪算法对检测到的目标进行追踪；根据车辆追踪稳定性指数对物体检测模型和车辆追踪算法进行优化调整；根据车辆追踪结果，生成安全预警信息；将车辆追踪和安全预警信息实时展示在大客车驾驶员的显示器上；将图像数据、物体检测结果和安全预警信息存储到数据库中；定期对大客车图像系统数据分析方法进行维护，更新物体检测模型和车辆追踪算法。本发明可以帮助驾驶员更好地识别车辆周围的行驶环境，提高行车安全性。

Description

一种大客车图像系统数据分析方法
技术领域
本发明涉及大客车图像系统数据分析方法领域，尤其涉及一种大客车图像系统数据分析方法。
背景技术
大客车图像系统已广泛应用于车辆管理、安全监控等领域。然而，现有的图像系统数据分析方法在车辆检测和追踪方面仍存在一定的不足，如检测准确率低、漏检率高以及追踪不稳定等问题。为了解决这些问题，本发明提出了一种大客车图像系统数据分析方法。
现有技术中，公开号CN111107303A公开了一种行车图像系统及行车图像处理方法。行车图像系统配置于车辆上。第一摄像装置与第二摄像装置分别配置于车辆的第一位置与第二位置。第一摄像装置持续拍摄第一区域图像。第二摄像装置持续拍摄第二区域图像。处理器根据第一摄像装置与第二摄像装置之间的距离、第一摄像装置的第一视野与第二摄像装置的第二视野来计算第一视野交会点。处理器将第一深度信息与第二深度信息与第一视野交会点进行比较以判断是否有重叠画面区域。当判断有重叠画面区域时，对第一区域图像与第二区域图像进行图像拼接以产生合成图像并且显示合成图像。当判断重叠画面区域存在不对应的物体时，分别显示第一区域图像与第二区域图像。可以即时产生广角的合成图像以提供给驾驶员完整的行车视野，并且避免产生具有错误的合成图像。
但上述技术至少存在如下问题：对于车辆检测和追踪方面检测准确率低、漏检率高并且追踪不稳定。
发明内容
本发明的目的是提供一种大客车图像系统数据分析方法，以实现高准确率的车辆检测和稳定的车辆追踪。
本发明技术方案如下：
一种大客车图像系统数据分析方法，包括以下步骤：
S1.通过在大客车上安装摄像头或图像传感器，实时采集车辆行驶过程中的图像和视频数据；
S2.对采集到的图像和视频数据进行预处理操作；
S3.利用多分支YOLOv3算法对预处理后的图像数据进行物体检测，包括识别车辆、行人、障碍物目标；
S4.应用车辆追踪算法对检测到的目标进行追踪，实现连续帧图像中目标的跟踪和定位；
S5.根据车辆追踪稳定性指数对物体检测模型和车辆追踪算法进行优化调整；
S6.根据车辆追踪结果，生成安全预警信息，并实时提醒驾驶员注意安全；
S7.将车辆追踪和安全预警信息实时展示在大客车驾驶员的显示器上，辅助驾驶员进行安全行驶；
S8.将图像数据、物体检测结果和安全预警信息存储到数据库中；
S9.定期对大客车图像系统数据分析方法进行维护，更新物体检测模型和车辆追踪算法，以适应不断变化的交通环境和提高系统性能。
优选的，所述步骤S3，具体包括：
使用多分支YOLOv3算法检测图像中的物体，包括车辆、行人和障碍物；将检测到的物体用边界框表示，记录类别、置信度以及位置坐标；在多分支YOLOv3算法中，每个分支的主干网络后接不同尺度的特征图，对应不同检测头部，用于预测不同尺度上的目标；为了可以将不同分支的相应检测头部进行信息交互，将各个分支中用于检测相应头部的特征图进行特征级联，得到最终的各个检测头部；每个检测头部由卷积层组成，用于预测目标的类别概率、边界框坐标以及目标存在的置信度得分。
优选的，所述步骤S4，具体包括：
使用多目标追踪算法对检测到的车辆进行追踪，生成追踪轨迹；基于追踪轨迹，计算车辆的运动状态参数，包括速度、加速度和方向。
优选的，所述步骤S5，具体包括：
计算车辆追踪稳定性指数：
，
其中，VTSI表示车辆追踪稳定性指数，表示检测准确率；/>表示误检车辆占检测到的车辆的比例；/>表示漏检率；/>表示跟踪误报率，即被错误跟踪的目标占总跟踪目标的比例；/>表示跟踪连续性；/>表示目标交换率，即在追踪过程中两个目标ID互换的次数占总跟踪目标的比例；/>为权重系数，分别表示检测准确率、漏检率和跟踪连续性在VTSI中的相对重要性；/>为调整系数，分别表示误检车辆、跟踪误报和目标交换对VTSI的影响程度。
优选的，所述步骤S6，具体包括：
根据车辆追踪结果，评估车辆周围环境的安全风险，生成安全预警信息；当检测到潜在的交通事故风险时，系统发出实时预警信号，提醒驾驶员注意安全。
一种大客车图像系统数据分析方法的实施系统，应用于所述的一种大客车图像系统数据分析方法，包括以下内容：
数据采集模块、数据预处理模块、物体检测模块、车辆追踪模块、优化调整模块、安全预警模块、数据输出模块；
所述数据采集模块，安装在大客车上的摄像头或图像传感器，用于实时采集车辆行驶过程中的图像和视频数据；
所述数据预处理模块，对采集到的图像和视频数据进行预处理操作；
所述物体检测模块，利用多分支YOLOv3算法对预处理后的图像数据进行物体检测，实现对车辆、行人、障碍物目标的识别；在多分支YOLOv3算法中，每个分支的主干网络后接不同尺度的特征图，对应不同检测头部，用于预测不同尺度上的目标；为了可以将不同分支的相应检测头部进行信息交互，将各个分支中用于检测相应头部的特征图进行特征级联，得到最终的各个检测头部；每个检测头部由卷积层组成，用于预测目标的类别概率、边界框坐标以及目标存在的置信度得分；
所述车辆追踪模块，应用车辆追踪算法对检测到的目标进行追踪，实现连续帧图像中目标的跟踪和定位；
所述优化调整模块，根据车辆追踪稳定性指数对物体检测模型和车辆追踪算法进行优化调整；
所述安全预警模块，根据车辆追踪结果，生成安全预警信息，及时提醒驾驶员注意安全；
所述数据输出模块，将车辆追踪和安全预警信息实时展示在大客车驾驶员的显示器上，辅助驾驶员进行安全行驶。
有益效果：
1.通过引入车辆追踪稳定性指数（VTSI），实现了对车辆检测和追踪性能的全面评估。采用多分支YOLOv3算法训练物体检测模型，通过对每个分支的主干网络后接不同尺度的特征图，用于预测不同尺度上的目标，然后，将各个分支中用于检测相应头部的特征图进行特征级联，得到最终的各个检测头部，能够更好地处理不同尺度的目标，提高了车辆检测准确率。通过优化卡尔曼滤波器和匈牙利算法，实现了稳定的车辆追踪。适用于大客车图像系统，提高了车辆管理和安全监控的效果。
2.大客车图像系统数据分析方法可以帮助驾驶员更好地识别车辆周围的行驶环境，提高行车安全性。同时，通过对数据的实时处理和分析，可以为车辆行驶过程中的决策提供有力支持。
附图说明
图1为本发明所述的一种大客车图像系统数据分析方法的流程图；
图2为本发明所述的一种大客车图像系统数据分析方法的实施系统的模块图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，一种大客车图像系统数据分析方法，包括以下部分：
S1.通过在大客车上安装摄像头或其他图像传感器，实时采集车辆行驶过程中的图像和视频数据；
使用高分辨率摄像头采集车辆周围环境的图像。
S2.对采集到的图像和视频数据进行预处理操作，提高后续分析的准确性和效率；
对采集到的图像进行灰度化、滤波、直方图均衡化等预处理操作，降低噪声，提高图像质量。
S3.利用多分支YOLOv3算法对预处理后的图像数据进行物体检测，识别其他车辆、行人、障碍物等目标；
a.使用多分支YOLOv3算法检测图像中的物体，包括车辆、行人和障碍物；在多分支YOLOv3算法中，每个分支的主干网络后接不同尺度的特征图，对应不同检测头部，用于预测不同尺度上的目标；为了可以将不同分支的相应检测头部进行信息交互，将各个分支中用于检测相应头部的特征图进行特征级联，得到最终的各个检测头部；每个检测头部由卷积层组成，用于预测目标的类别概率、边界框坐标以及目标存在的置信度得分；
b.将检测到的物体用边界框表示，记录其类别、置信度以及位置坐标。
S4.应用车辆追踪算法对检测到的目标进行追踪，实现连续帧图像中目标的跟踪和定位；
a.使用多目标追踪算法（如SORT、DeepSORT）对检测到的车辆进行追踪，生成追踪轨迹；
b.基于追踪轨迹，计算车辆的速度、加速度和方向等运动状态参数。
S5.根据车辆追踪稳定性指数（VTSI）对物体检测模型和车辆追踪算法进行优化调整，提高系统性能和稳定性；
计算车辆追踪稳定性指数（VTSI），采用以下公式计算VTSI：
，
其中，表示检测准确率；/>表示误检车辆占检测到的车辆的比例；/>表示漏检率；/>表示跟踪误报率，即被错误跟踪的目标占总跟踪目标的比例；/>表示跟踪连续性；/>表示目标交换率，即在追踪过程中两个目标ID互换的次数占总跟踪目标的比例；分别表示权重系数，表示检测准确率、漏检率和跟踪连续性在VTSI中的相对重要性；/>表示调整系数，分别表示误检车辆、跟踪误报和目标交换对VTSI的影响程度。
为了计算修改后的VTSI，我们需要执行以下步骤：
使用训练好的物体检测模型对输入图像进行车辆检测，并计算检测准确率（）、误检率（/>）；
结合实际场景中的车辆信息，计算漏检率（）；
使用车辆追踪算法，计算车辆在连续帧中被正确追踪的比例（）、跟踪误报率（）和目标交换率（/>）；
使用计算得到的、/>、/>、/>、/>和/>值，结合合适的权重系数（）和调整系数（/>），计算车辆追踪稳定性指数（VTSI）；
基于VTSI评估物体检测和车辆追踪算法的性能，根据评估结果调整算法参数以优化性能。
S6.根据车辆追踪结果，生成安全预警信息，如车距过近、车速过快等，并实时提醒驾驶员注意安全；
a.结合车辆运动状态参数和VTSI，评估车辆周围环境的安全风险；
b.当检测到潜在的交通事故风险时，系统发出实时预警信号，提醒驾驶员注意安全。
S7.将车辆追踪和安全预警信息实时展示在大客车驾驶员的显示器上，辅助驾驶员进行安全行驶；
S8.将图像数据、物体检测结果和安全预警信息存储到数据库中，方便后期对数据进行统计分析和优化调整；
S9.定期对大客车图像系统数据分析方法进行维护，更新物体检测模型和车辆追踪算法，以适应不断变化的交通环境和提高系统性能。
参照附图2，一种大客车图像系统数据分析方法的分析系统，包括以下内容：
数据采集模块、数据预处理模块、物体检测模块、车辆追踪模块、优化调整模块、安全预警模块、数据输出模块；
所述数据采集模块，安装在大客车上的摄像头或其他图像传感器，用于实时采集车辆行驶过程中的图像和视频数据；
所述数据预处理模块，对采集到的图像和视频数据进行预处理操作，如去噪、降采样、数据增强等，以提高后续分析的准确性和效率；
所述物体检测模块，利用多分支YOLOv3算法对预处理后的图像数据进行物体检测，实现对其他车辆、行人、障碍物等目标的识别；在多分支YOLOv3算法中，每个分支的主干网络后接不同尺度的特征图，对应不同检测头部，用于预测不同尺度上的目标；为了可以将不同分支的相应检测头部进行信息交互，将各个分支中用于检测相应头部的特征图进行特征级联，得到最终的各个检测头部；每个检测头部由卷积层组成，用于预测目标的类别概率、边界框坐标以及目标存在的置信度得分；
所述车辆追踪模块，应用车辆追踪算法（如LSTM）对检测到的目标进行追踪，实现连续帧图像中目标的跟踪和定位；
所述优化调整模块，根据车辆追踪稳定性指数（VTSI）对物体检测模型和车辆追踪算法进行优化调整，以提高系统的性能和稳定性；
所述安全预警模块，根据车辆追踪结果，生成安全预警信息，如车距过近、车速过快等，及时提醒驾驶员注意安全；
所述数据输出模块，将车辆追踪和安全预警信息实时展示在大客车驾驶员的显示器上，辅助驾驶员进行安全行驶。
通过以上使用方法，大客车图像系统数据分析方法可以帮助驾驶员更好地识别车辆周围的行驶环境，提高行车安全性。同时，通过对数据的实时处理和分析，可以为车辆行驶过程中的决策提供有力支持。
以下是本发明的一个实施例，以说明本发明的技术方案：
训练一个基于多分支YOLOv3算法的物体检测模型，用于检测输入图像中的车辆。在多分支YOLOv3算法中，每个分支的主干网络后接不同尺度的特征图，对应不同检测头部，用于预测不同尺度上的目标。为了可以将不同分支的相应检测头部进行信息交互，将各个分支中用于检测相应头部的特征图进行特征级联，得到最终的各个检测头部。每个检测头部由卷积层组成，用于预测目标的类别概率、边界框坐标以及目标存在的置信度得分。
结合实际场景中的车辆信息，如车辆类型、车辆尺寸等，计算检测准确率（）、漏检率（/>）和误检率（/>）。
采用卡尔曼滤波器和匈牙利算法实现车辆追踪，计算车辆在连续帧中被正确追踪的比例（）、跟踪误报率（/>）和目标交换率（/>）。
根据实际场景需求，设置合适的权重系数以及调整系数/>，计算车辆追踪稳定性指数（VTSI）：
，
利用VTSI值，对多分支YOLOv3物体检测模型进行微调和优化，以提高检测准确性。同时，调整卡尔曼滤波器和匈牙利算法的参数，以提高车辆追踪的稳定性。
将优化后的多分支YOLOv3物体检测模型和卡尔曼滤波器、匈牙利算法结合应用于大客车图像系统中，实现实时高效的车辆检测和追踪。
本发明的技术方案可以根据实际需求进行适当调整和改进。
上述本发明实施例中的技术方案，至少具有如下的技术效果或优点：
1.通过引入车辆追踪稳定性指数（VTSI），实现了对车辆检测和追踪性能的全面评估。采用多分支YOLOv3算法训练物体检测模型，提高了车辆检测准确率。通过优化卡尔曼滤波器和匈牙利算法，实现了稳定的车辆追踪。适用于大客车图像系统，提高了车辆管理和安全监控的效果。
2.大客车图像系统数据分析方法可以帮助驾驶员更好地识别车辆周围的行驶环境，提高行车安全性。同时，通过对数据的实时处理和分析，可以为车辆行驶过程中的决策提供有力支持。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种大客车图像系统数据分析方法，其特征在于，包括以下步骤：
S1.通过在大客车上安装摄像头或图像传感器，实时采集车辆行驶过程中的图像和视频数据；
S2.对采集到的图像和视频数据进行预处理操作；
S3.利用多分支YOLOv3算法对预处理后的图像数据进行物体检测，包括识别车辆、行人、障碍物目标；
S4.应用车辆追踪算法对检测到的目标进行追踪，实现连续帧图像中目标的跟踪和定位；
S5.根据车辆追踪稳定性指数对物体检测模型和车辆追踪算法进行优化调整；
S6.根据车辆追踪结果，生成安全预警信息，并实时提醒驾驶员注意安全；
S7.将车辆追踪和安全预警信息实时展示在大客车驾驶员的显示器上，辅助驾驶员进行安全行驶；
S8.将图像数据、物体检测结果和安全预警信息存储到数据库中；
S9.定期对大客车图像系统数据分析方法进行维护，更新物体检测模型和车辆追踪算法，以适应不断变化的交通环境和提高系统性能。
2.根据权利要求1所述的一种大客车图像系统数据分析方法，其特征在于，所述步骤S3，具体包括：
使用多分支YOLOv3算法检测图像中的物体，包括车辆、行人和障碍物；将检测到的物体用边界框表示，记录类别、置信度以及位置坐标；在多分支YOLOv3算法中，每个分支的主干网络后接不同尺度的特征图，对应不同检测头部，用于预测不同尺度上的目标；为了可以将不同分支的相应检测头部进行信息交互，将各个分支中用于检测相应头部的特征图进行特征级联，得到最终的各个检测头部；每个检测头部由卷积层组成，用于预测目标的类别概率、边界框坐标以及目标存在的置信度得分。
3.根据权利要求1所述的一种大客车图像系统数据分析方法，其特征在于，所述步骤S4，具体包括：
使用多目标追踪算法对检测到的车辆进行追踪，生成追踪轨迹；基于追踪轨迹，计算车辆的运动状态参数，包括速度、加速度和方向。
4.根据权利要求1所述的一种大客车图像系统数据分析方法，其特征在于，所述步骤S5，具体包括：
计算车辆追踪稳定性指数：
，
其中，表示车辆追踪稳定性指数，/>表示检测准确率；/>表示误检车辆占检测到的车辆的比例；/>表示漏检率；/>表示跟踪误报率，即被错误跟踪的目标占总跟踪目标的比例；/>表示跟踪连续性；/>表示目标交换率，即在追踪过程中两个目标ID互换的次数占总跟踪目标的比例；/>为权重系数，分别表示检测准确率、漏检率和跟踪连续性在VTSI中的相对重要性；/>为调整系数，分别表示误检车辆、跟踪误报和目标交换对VTSI的影响程度。
5.根据权利要求1所述的一种大客车图像系统数据分析方法，其特征在于，所述步骤S6，具体包括：
根据车辆追踪结果，评估车辆周围环境的安全风险，生成安全预警信息；当检测到潜在的交通事故风险时，系统发出实时预警信号，提醒驾驶员注意安全。
6.一种大客车图像系统数据分析方法的实施系统，应用于权利要求1所述的一种大客车图像系统数据分析方法，其特征在于，包括以下内容：
数据采集模块、数据预处理模块、物体检测模块、车辆追踪模块、优化调整模块、安全预警模块、数据输出模块；
所述数据采集模块，安装在大客车上的摄像头或图像传感器，用于实时采集车辆行驶过程中的图像和视频数据；
所述数据预处理模块，对采集到的图像和视频数据进行预处理操作；
所述物体检测模块，利用多分支YOLOv3算法对预处理后的图像数据进行物体检测，实现对车辆、行人、障碍物目标的识别；在多分支YOLOv3算法中，每个分支的主干网络后接不同尺度的特征图，对应不同检测头部，用于预测不同尺度上的目标；为了可以将不同分支的相应检测头部进行信息交互，将各个分支中用于检测相应头部的特征图进行特征级联，得到最终的各个检测头部；每个检测头部由卷积层组成，用于预测目标的类别概率、边界框坐标以及目标存在的置信度得分；
所述车辆追踪模块，应用车辆追踪算法对检测到的目标进行追踪，实现连续帧图像中目标的跟踪和定位；
所述优化调整模块，根据车辆追踪稳定性指数对物体检测模型和车辆追踪算法进行优化调整；
所述安全预警模块，根据车辆追踪结果，生成安全预警信息，及时提醒驾驶员注意安全；
所述数据输出模块，将车辆追踪和安全预警信息实时展示在大客车驾驶员的显示器上，辅助驾驶员进行安全行驶。
CN202310889330.XA 2023-07-20 2023-07-20 一种大客车图像系统数据分析方法 Active CN116665188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310889330.XA CN116665188B (zh) 2023-07-20 2023-07-20 一种大客车图像系统数据分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310889330.XA CN116665188B (zh) 2023-07-20 2023-07-20 一种大客车图像系统数据分析方法

Publications (2)

Publication Number Publication Date
CN116665188A true CN116665188A (zh) 2023-08-29
CN116665188B CN116665188B (zh) 2023-10-10

Family

ID=87712075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310889330.XA Active CN116665188B (zh) 2023-07-20 2023-07-20 一种大客车图像系统数据分析方法

Country Status (1)

Country Link
CN (1) CN116665188B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117765502A (zh) * 2024-02-22 2024-03-26 北京理工大学前沿技术研究院 一种高速公路自动驾驶预警方法、系统、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286774A1 (en) * 2016-04-04 2017-10-05 Xerox Corporation Deep data association for online multi-class multi-object tracking
CN110751836A (zh) * 2019-09-26 2020-02-04 武汉光庭信息技术股份有限公司 车辆行驶预警方法及系统
CN110853353A (zh) * 2019-11-18 2020-02-28 山东大学 基于视觉的密度交通车辆计数和交通流量计算方法及系统
KR102122859B1 (ko) * 2020-03-03 2020-06-15 (주)사라다 교통 영상감시시스템의 멀티 표적 추적 방법
CN111845745A (zh) * 2020-07-28 2020-10-30 湖南大学 一种考虑经济性的车辆队列控制方法及系统
CN112307921A (zh) * 2020-10-22 2021-02-02 桂林电子科技大学 一种车载端多目标识别跟踪预测方法
WO2022083784A1 (zh) * 2020-10-23 2022-04-28 西安科锐盛创新科技有限公司 一种基于车联网的道路检测方法
CN115343950A (zh) * 2022-07-13 2022-11-15 中国科学院深圳先进技术研究院 一种适应复杂路面的车辆路径跟踪控制方法及控制系统
US20230073027A1 (en) * 2021-08-31 2023-03-09 Nio Technology (Anhui) Co., Ltd Vehicle control system and method, computer device, medium, and vehicle
CN116087987A (zh) * 2022-11-29 2023-05-09 北京百度网讯科技有限公司 确定目标对象高度的方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286774A1 (en) * 2016-04-04 2017-10-05 Xerox Corporation Deep data association for online multi-class multi-object tracking
CN110751836A (zh) * 2019-09-26 2020-02-04 武汉光庭信息技术股份有限公司 车辆行驶预警方法及系统
CN110853353A (zh) * 2019-11-18 2020-02-28 山东大学 基于视觉的密度交通车辆计数和交通流量计算方法及系统
KR102122859B1 (ko) * 2020-03-03 2020-06-15 (주)사라다 교통 영상감시시스템의 멀티 표적 추적 방법
CN111845745A (zh) * 2020-07-28 2020-10-30 湖南大学 一种考虑经济性的车辆队列控制方法及系统
CN112307921A (zh) * 2020-10-22 2021-02-02 桂林电子科技大学 一种车载端多目标识别跟踪预测方法
WO2022083784A1 (zh) * 2020-10-23 2022-04-28 西安科锐盛创新科技有限公司 一种基于车联网的道路检测方法
US20230073027A1 (en) * 2021-08-31 2023-03-09 Nio Technology (Anhui) Co., Ltd Vehicle control system and method, computer device, medium, and vehicle
CN115343950A (zh) * 2022-07-13 2022-11-15 中国科学院深圳先进技术研究院 一种适应复杂路面的车辆路径跟踪控制方法及控制系统
CN116087987A (zh) * 2022-11-29 2023-05-09 北京百度网讯科技有限公司 确定目标对象高度的方法、装置、电子设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIANGJIA 等: "Fast and accurate object detector for autonomous driving based on improved YOLOv5", 《SCIENTIFIC REPORTS》, pages 1 - 13 *
宋宇博 等: "改进YOLOv3算法的交通多目标检测方法", 《北京邮电大学学报》, vol. 45, no. 5, pages 105 *
张亮修 等: "车辆多目标自适应巡航控制算法", 《西安交通大学学报》, pages 136 - 143 *
李思琦: "智能汽车自适应巡航控制系统仿真测试与评价方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 65 - 66 *
陈勇 等: "轮式机器人移动过程中滑模控制策略的研究", 《控制工程》, vol. 28, no. 5, pages 963 - 970 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117765502A (zh) * 2024-02-22 2024-03-26 北京理工大学前沿技术研究院 一种高速公路自动驾驶预警方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN116665188B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
CN112349144B (zh) 一种基于单目视觉的车辆碰撞预警方法及系统
CN106096525A (zh) 一种复合型车道识别系统及方法
CN105930787A (zh) 车辆开门预警方法
CN116665188B (zh) 一种大客车图像系统数据分析方法
CN109145805B (zh) 车载环境下的移动目标检测方法及系统
CN114821421A (zh) 一种交通异常行为检测方法与系统
CN111027447B (zh) 一种基于深度学习的道路溢出实时检测方法
CN112735164B (zh) 测试数据构建方法及测试方法
CN112606804B (zh) 一种车辆主动制动的控制方法及控制系统
CN113505638B (zh) 车流量的监测方法、监测装置及计算机可读存储介质
CN114495064A (zh) 一种基于单目深度估计的车辆周围障碍物预警方法
CN111967396A (zh) 障碍物检测的处理方法、装置、设备及存储介质
CN114155720A (zh) 一种路侧激光雷达的车辆检测和轨迹预测方法
CN114241373A (zh) 一种端到端的车辆行为检测方法、系统、设备及存储介质
CN113487878A (zh) 一种机动车违章压线行驶检测方法及系统
JP7532569B2 (ja) 歩行者の位置を決定する方法及び装置
CN107256382A (zh) 基于图像识别的虚拟保险杠控制方法和系统
CN114842660B (zh) 一种无人车道路轨迹预测方法、装置和电子设备
Riera et al. Detecting and tracking unsafe lane departure events for predicting driver safety in challenging naturalistic driving data
CN114155511A (zh) 一种用于自动驾驶汽车在公共道路的环境信息采集方法
JP2022056153A (ja) 一時停止検出装置、一時停止検出システム、及び一時停止検出プログラム
JP2000149181A (ja) 交通流計測システム
CN117268424B (zh) 一种多传感器融合的自动驾驶寻线方法及装置
AU2021107425A4 (en) Obstacle detection system in hybrid classification of heterogeneous environment using data mining techniques and method thereof

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