CN117095547A - 基于多模态视觉跟踪的智能交通预警方法与系统 - Google Patents
基于多模态视觉跟踪的智能交通预警方法与系统 Download PDFInfo
- Publication number
- CN117095547A CN117095547A CN202310943751.6A CN202310943751A CN117095547A CN 117095547 A CN117095547 A CN 117095547A CN 202310943751 A CN202310943751 A CN 202310943751A CN 117095547 A CN117095547 A CN 117095547A
- Authority
- CN
- China
- Prior art keywords
- rescue
- vehicle
- modal
- acquisition
- data
- 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 31
- 230000000007 visual effect Effects 0.000 title claims description 25
- 230000008447 perception Effects 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000007526 fusion splicing Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/087—Override of traffic control, e.g. by signal transmitted by an emergency vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于多模态视觉跟踪的智能交通预警方法,涉及交通预警技术领域,方法包括:获取救援目的地定位信息,确定救援车实时空闲坐标集;将救援目的地定位信息作为中心,筛选确定救援车备选坐标集并使用多模态传感器进行数据采集,获取多模态采集数据库;对多模态采集数据库进行预处理,获取多模态采集校准数据库;对多模态采集校准数据库进行特征提取;将多模态特征指标进行特征融合拼接,结合救援车备选坐标集构建交通场景感知模型确定救援车目标坐标,并向随车人员发布紧急救援任务,解决了现有技术中存在的救援工作由于无法提前进行预警而导致救援路程所需时间较长问题,实现了提高救援效率的技术效果。
Description
技术领域
本发明涉及交通预警技术领域,具体涉及基于多模态视觉跟踪的智能交通预警方法。
背景技术
随着社会经济的高速发展以及人们对出行需求的不断提升,道路交通也越来越拥堵,在执行紧急任务的救援车辆通过拥堵路段时所需时间过长,想要快速通过拥堵路段,减少时间浪费,其中警报预警发挥着重要的作用。智能交通预警对于最大限度地减少救援时间,降低事故造成的影响后果,具有非常重要的意义。
现有技术中存在的救援工作由于无法提前进行预警而导致救援路程所需时间较长的问题。
发明内容
本申请提供了基于多模态视觉跟踪的智能交通预警方法,解决了现有技术中存在的救援工作由于无法提前进行预警而导致救援路程所需时间较长问题,实现了对救援车的精准定位和拥堵路段的提前预警,进而提高救援效率的技术效果。
鉴于上述问题,本申请提供了基于多模态视觉跟踪的智能交通预警方法。
第一方面,在接收到紧急救援指令后,获取救援目的地定位信息,同时,确定救援车实时空闲坐标集,救援车搭载实时定位跟踪模组;基于救援车实时空闲坐标集,将救援目的地定位信息作为中心,筛选确定救援车备选坐标集;基于救援车备选坐标集,使用多模态传感器进行数据采集,获取多模态采集数据库,多模态采集数据库包括视频采集数据、雷达采集数据、红外采集数据;对多模态采集数据库进行预处理,获取多模态采集校准数据库,多模态采集校准数据库包括视频校准数据、雷达校准数据、红外校准数据;对多模态采集校准数据库进行特征提取,获取多模态特征指标;将多模态特征指标进行特征融合拼接,结合救援车备选坐标集构建交通场景感知模型;通过交通场景感知模型,确定救援车目标坐标,同时,向救援车目标坐标确定首选救援车对应的随车人员发布紧急救援任务,紧急救援任务包括救援目的地定位信息。
第二方面,本申请提供了基于多模态视觉跟踪的智能交通预警系统,系统包括:信息获取模块:所述信息获取模块用于在接收到紧急救援指令后,获取救援目的地定位信息,同时,确定救援车实时空闲坐标集,救援车搭载实时定位跟踪模组;坐标确定模块:所述坐标确定模块用于基于所述救援车实时空闲坐标集,将所述救援目的地定位信息作为中心,筛选确定救援车备选坐标集;数据采集模块:所述数据采集模块用于基于所述救援车备选坐标集,使用多模态传感器进行数据采集,获取多模态采集数据库,所述多模态采集数据库包括视频采集数据、雷达采集数据、红外采集数据;数据处理模块:所述数据处理模块用于对所述多模态采集数据库进行预处理,获取多模态采集校准数据库,所述多模态采集校准数据库包括视频校准数据、雷达校准数据、红外校准数据;特征提取模块:所述特征提取模块用于对所述多模态采集校准数据库进行特征提取,获取多模态特征指标;融合拼接模块:所述融合拼接模块用于将所述多模态特征指标进行特征融合拼接,结合所述救援车备选坐标集构建交通场景感知模型;定位确定模块:所述定位确定模块用于通过所述交通场景感知模型,确定救援车目标坐标,同时,向所述救援车目标坐标确定首选救援车对应的随车人员发布紧急救援任务,所述紧急救援任务包括救援目的地定位信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的基于多模态视觉跟踪的智能交通预警方法,通过在接收到紧急救援指令后获取救援目的地定位信息,同时确定救援车实时空闲坐标集,然后将救援目的地定位信息作为中心,筛选确定救援车备选坐标集,再使用多模态传感器进行数据采集,获取多模态采集数据库,其中多模态采集数据库包括视频采集数据、雷达采集数据、红外采集数据,对多模态采集数据库进行预处理,得到多模态采集校准数据库,再对多模态采集校准数据库进行特征提取,得到多模态特征指标,将多模态特征指标进行特征融合拼接,结合救援车备选坐标集构建交通场景感知模型,确定救援车目标坐标,同时向救援车目标坐标确定首选救援车对应的随车人员发布紧急救援任务。解决了现有技术中存在的救援工作由于无法提前进行预警而导致救援路程所需时间较长问题,实现了对救援车的精准定位和拥堵路段的提前预警,进而提高救援效率的技术效果。
附图说明
图1为本申请提供了基于多模态视觉跟踪的智能交通预警方法流程示意图;
图2为本申请提供了基于多模态视觉跟踪的智能交通预警方法中多模态采集校准数据库进行特征提取流程示意图;
图3为本申请提供了基于多模态视觉跟踪的智能交通预警方法中向推荐行驶道上车辆发送紧急避让提醒流程示意图;
图4为本申请提供了基于多模态视觉跟踪的智能交通预警系统结构示意图。
附图标记说明,信息获取模块a,坐标确定模块b,数据采集模块c,数据处理模块d,特征提取模块e,融合拼接模块f,定位确定模块g。
具体实施方式
本申请通过提供基于多模态视觉跟踪的智能交通预警方法,通过在接收到紧急救援指令后获取救援目的地定位信息,同时确定救援车实时空闲坐标集,然后将救援目的地定位信息作为中心,筛选确定救援车备选坐标集,再使用多模态传感器进行数据采集,获取多模态采集数据库,其中多模态采集数据库包括视频采集数据、雷达采集数据、红外采集数据,对多模态采集数据库进行预处理,得到多模态采集校准数据库,再对多模态采集校准数据库进行特征提取,得到多模态特征指标,将多模态特征指标进行特征融合拼接,结合救援车备选坐标集构建交通场景感知模型,确定救援车目标坐标,同时向救援车目标坐标确定首选救援车对应的随车人员发布紧急救援任务,解决了现有技术中存在的救援工作由于无法提前进行预警而导致救援路程所需时间较长问题,实现了对救援车的精准定位和拥堵路段的提前预警,进而提高救援效率的技术效果。
实施例一
如图1所示,本申请提供了基于多模态视觉跟踪的智能交通预警方法,方法包括:
步骤S100:在接收到紧急救援指令后,获取救援目的地定位信息,同时,确定救援车实时空闲坐标集,救援车搭载实时定位跟踪模组;
具体而言,救援目的地定位信息是指需要救援的位置信息以及需要救援地点周围的交通情况。救援车包括火警救援车、救护车等执行紧急救援任务的车辆。在收到紧急救援指令后,先获取救援目的地定位信息,并且将所有空闲状态下的救援车坐标进行确定,空闲状态包括没出任务和单次出任务结束且直接可以执行二次任务的情况(不具备执行二次任务条件的不算),且救援车所搭载的实时定位跟踪模组一直处于通电状态。救援车实时空闲坐标集的确定为后续获取多模态采集数据库提供数据基础。
步骤S200:基于所述救援车实时空闲坐标集,将所述救援目的地定位信息作为中心,筛选确定救援车备选坐标集;
具体而言,将救援目的地的定位信息作为圆心,将救援车实时空闲坐标集中救援车的定位与圆心的距离作为半径,在救援车实时空闲坐标集中进行筛选,将半径在5公里范围内的救援车实时空闲坐标进行确定,整理为救援车备选坐标集。救援车备选坐标集的确定,为后续获取多模态采集数据库提供数据基础。
步骤S300:基于所述救援车备选坐标集,使用多模态传感器进行数据采集,获取多模态采集数据库,所述多模态采集数据库包括视频采集数据、雷达采集数据、红外采集数据;
具体而言,多模态是指多模态系统,多模态系统是由两个或更多的具有不同特性的传感器集成在一个硬件平台上,其中具有不同特性的传感器被称为模态传感器,多模态传感器即为具有多个不同特性的传感器。通过多模态传感器进行收集的数据被称为多模态采集数据库。根据多个不同特性的传感器所采集到的数据也不相同,即多模态采集数据库包括视频采集数据、雷达采集数据和红外采集数据。多模态采集数据库的获取为后续对多模态采集数据库进行预处理,获取多模态采集校准数据库提供数据基础。
步骤S400:对所述多模态采集数据库进行预处理,获取多模态采集校准数据库,所述多模态采集校准数据库包括视频校准数据、雷达校准数据、红外校准数据;
具体而言,数据预处理是指对采集的多模态采集数据库进行去噪、滤波、校准等处理,以提高数据的质量和可用性。通过对多模态采集数据库进行预处理,得到多模态采集校准数据库,多模态采集校准数据库与多模态采集数据库中的视频采集数据、雷达采集数据、红外采集数据分别对应视频校准数据、雷达校准数据、红外校准数据。多模态采集校准数据库的获取,为后续对多模态采集校准数据库进行特征提取,获取多模态特征指标提供数据基础。
步骤S500:对所述多模态采集校准数据库进行特征提取,获取多模态特征指标;
具体而言,特征提取是指根据不同传感器的特点,提取出不同的特征,如视频中的车辆颜色、形状、运动轨迹等,雷达中的目标距离、速度等,红外中的目标热度等。将不同传感器进行提取的特征进行整合,获取多模态特征指标。
步骤S600:将所述多模态特征指标进行特征融合拼接,结合所述救援车备选坐标集构建交通场景感知模型;
具体而言,特征融合拼接是指将不同传感器的特征拼接在一起作为一个新的特征向量,多模态特征融合方法分为四种,特征级融合、决策级融合、混合级融合和模型级融合。以特征级融合为例进行说明,特征级融合表示在提取后立即从不同模态提取的特征连接成单个高维特征向量的方法,将三个特征进行连接得到融合后的特征,再将融合后的特征输入进MLP和softmax进行分类得到分类结果。将分类结果与救援车备选坐标集共同进行构建交通场景感知模型。交通场景感知模型的构建,为后续救援车目标坐标提供基础。
步骤S700:通过所述交通场景感知模型,确定救援车目标坐标,同时,向所述救援车目标坐标确定首选救援车对应的随车人员发布紧急救援任务,所述紧急救援任务包括救援目的地定位信息。
具体而言,通过交通场景感知模型即可确定救援车的目标坐标,并向所在目标坐标的首选救援车随车人员进行紧急救援任务的发布,紧急救援任务包括救援目的地的位置信息、救援目的地周围的交通情况和救援目的地目前的危急情况,推荐救援车可根据紧急救援任务进行救援任务的提前准备,以更好地应对救援。交通场景感知模型的构建能够提高整体效率,使救援情况得到更加快速的回应和处理,大大提高救援的成功率。
进一步而言,如图2所示,本申请步骤S500还包括:
步骤S510:基于所述多模态采集校准数据库中的视频校准数据,获取第一模态特征指标,所述第一模态特征指标包括车辆颜色特征指标、车辆形状特征指标、车辆运动轨迹特征指标;
步骤S520:基于所述多模态采集校准数据库中的雷达校准数据,获取第二模态特征指标,所述第二模态特征指标包括目标距离特征指标、车辆速度特征指标;
步骤S530:基于所述多模态采集校准数据库中的红外校准数据,获取第三模态特征指标;
步骤S540:通过所述第一模态特征指标、第二模态特征指标、第三模态特征指标进行组合,获取所述多模态特征指标。
具体而言,将多模态采集校准数据库中的视频校准数据进行提取,将其作为第一模态特征指标,第一模态特征指标由多模态传感数据的视频频传感器模块进行采集而来,包括车辆颜色特征指标、车辆形状特征指标、车辆运动轨迹特征指标。将多模态采集校准数据库中的雷达校准数据进行提取,将提取到的数据作为第二模态特征指标,第二模态特征指标由多模态传感数据的雷达传感器模块进行采集而来,包括目标距离特征指标、车辆速度特征指标。将多模态采集校准数据库中的红外校准数据进行提取,将提取到的数据作为第三模态特征指标,第三模态特征指标由多模态传感数据的红外传感模块进行采集而来。将特征提取得到的第一模态特征指标、第二模态特征指标、第三模态特征指标整合在一起得到多模态特征指标。多模态特征指标的获取为后续将多模态特征指标进行特征融合拼接提供数据基础。
进一步而言,如图3所示,本申请步骤S500还包括:
步骤S550:若所述目标距离特征指标对应的路线存在拥堵路段,获取拥堵路段长度、拥堵路段用时;
步骤S560:获取首选救援车在所述拥堵路段的推荐行驶道,所述推荐行驶道是左拐道、右拐道、直行道、调头道中的任意一种;
步骤S570:在所述首选救援车行至距离所述拥堵路段满足紧急避让范围后,向所述推荐行驶道上车辆发送紧急避让提醒。
具体而言,根据第二模态特征指标中目标距离特征指标所对应的路线发生拥堵,对拥堵路段信息进行获取,将拥堵路段的路段长度和通过拥堵路段所产生的时间数据进行获取,并对拥堵路段中使救援车能够快速通过的车道进行获取,获取车道时以快速通过拥堵路段为目的,不需要考虑道路行驶规则和导航路线规划,获取车道可以是左拐道、右拐道、直行道、调头道中的任意一种,所获取到的车道称为推荐行驶道。当救援车行至拥堵路段的紧急避让范围内时,向推荐行驶道上的车辆发送紧急避让提醒,不同类型的救援车发送的紧急避让提醒不同,120对应的紧急避让提醒是急救警报,火警对应火警的火警警报,车辆收到紧急避让提醒后进行避让,为救援车提供可快速通过的通道。推荐行驶道的获取,大大减少了首选救援车通过拥堵路段所需时间,提高了整体效率。
进一步而言,本申请步骤S570还包括:
步骤S571:在所述首选救援车行至距离所述拥堵路段满足紧急避让范围后,首选救援车发送2G短时传输指令;
步骤S572:所述推荐行驶道上车辆通过短时传输通信协议,与首选救援车建立短时连接;
步骤S573:首选救援车向所述推荐行驶道上车辆发送紧急避让提醒,在所述推荐行驶道上车辆接收所述紧急避让提醒后断开连接。
具体而言,在救援车行至拥堵路段的紧急避让范围之内,救援车向拥堵路段行驶道上的车辆发送2G短时传输指令,其中2G能够覆盖5-10公里,且2G装置简单,价格低廉维护成本低,并且2G覆盖面够大,满足所需条件。通过短时传输通信协议与推荐行驶道上的车辆进行短时连接建立,短时连接不需要经过行驶道上车辆同意即可进行通讯连接,且传输信息和时间都有限,既保证了救援车的效率,又保证行驶道上的车辆信息通信的安全。建立短时连接后,首选救援车向所述推荐行驶道上车辆发送紧急避让提醒,在推荐行驶道上车辆接收紧急避让提醒后断开连接。短连接的使用,能够在通讯双方有数据交互时,就建立一个连接,在数据发送完成后,则断开此连接,即每次连接只完成一项业务的发送,不需要长期占用通道,能节省通道的使用提高整体工作效率。
进一步而言,本申请步骤S570还包括:
步骤S574:所述推荐行驶道上车辆与首选救援车建立短时连接之前,将2G网络作为承载网,确定使用的2G网络类型和频段;
步骤S575:对照所述2G网络类型和频段,配置设备的TCP/IP协议参数,所述TCP/IP协议参数包括IP地址、子网掩码、网关。
步骤S576:所述推荐行驶道上车辆与首选救援车建立短时连接之后,关闭短时传输通道,获取维护清理指令,所述维护清理指令包括释放信道操作指令、清除缓存操作指令、断开网络连接操作指令、清理资源操作指令。
具体而言,将2G网络作为承载网是根据其作为第二代手机通信技术规格,以数字语音传输技术为核心,其速率能达到10kbps,峰值速率为100kbps,并对其网络层传输层TCP/IP协议参数包括IP地址、子网掩码、网关进行配置,其中TCP/IP传输协议,即传输控制/网络协议,也叫作网络通讯协议。它是在网络的使用中的最基本的通信协议。TCP/IP传输协议能够保证网络数据信息及时和完整传输。当推荐行驶道上车辆与首选救援车建立短时连接之后,将2G短时传输指令进行发送,在推荐行驶道上车辆接收到紧急避让提醒后关闭短时传输通道,断开与推荐行驶道上车辆的短时连接,并且开始执行维护指令,维护指令具体为将传输信道进行释放,关闭数据传输通道前,需要将信道释放,以便其他设备能够使用该信道进行数据传输;清除缓存操作指令,将缓存进行清除,在关闭数据传输通道时,需要清除缓存,以确保下一次数据传输时不会出现冲突或错误;断开网络连接操作指令,关闭数据传输通道时,还需要断开网络连接,以释放网络资源;清理资源操作指令,释放内存、关闭文件句柄、销毁对象。维护清理指令的获取能够使整体效率提高且不占系统内存,降低了使用成本,为之后可能再次通过拥堵路段做准备。
进一步而言,本申请步骤S570还包括:
步骤S577:将所述紧急救援任务共享至交管部门,在所述推荐行驶道上车辆在紧急避让期间,同步进行图像采集,获取紧急避让图像信息;
步骤S578:通过所述紧急避让图像信息,判断是否对推荐行驶道上车辆进行违规免责处理;
步骤S579:通过所述紧急避让图像信息,判断是否对推荐行驶道上车辆进行阻碍警告处理。
具体而言,将紧急救援任务同步发送至交管部门,通过违法摄像头对推荐行驶道上车辆在紧急避让期间进行抓拍,所获得结果为紧急避让图像信息。由于因避让紧急车辆导致的越线、逆向行驶、占用公交车道、占用非机动车道等违法交通行为,交管部门将以紧急特殊车辆的紧急避让图像信息为依据进行判断,来决定是否消除此次违法记录。即通过紧急避让图像信息对推荐行驶道上的车辆进行免责处理判断。举例而言,对闯红灯行为进行免责处理为当路口交通信号灯为红灯时,对越过等待区人行横道的车辆进行图像采集,并将对向人行横道进行采集,如果在对向人行横道没有采集到该车辆的图像,则判断该车辆是由于避让救援车而造成的越过等待区人行横道,但并无闯红灯行为,对该车辆进行免责处理。如果车辆因为避让紧急车辆而造成的违章,则给予免责处理,如果车辆并不是因为避让紧急车辆而造成的违章则依然按照违章处理。除为避让紧急车辆造成违章之外,还存在阻碍紧急车辆的情况。对阻碍紧急车辆的行为进行判断,判断符合则对其进行处罚。紧急避让图像信息的获取,能够大大减少因避让紧急任务车辆而造成的违章,使避让紧急任务车辆的违章处理情况更加合理。
实施例二
基于与前述实施例中基于多模态视觉跟踪的智能交通预警方法相同的发明构思,如图4所示,本申请提供了基于多模态视觉跟踪的智能交通预警系统,所述系统包括:
信息获取模块a:所述信息获取模块a用于在接收到紧急救援指令后,获取救援目的地定位信息,同时,确定救援车实时空闲坐标集,救援车搭载实时定位跟踪模组;
坐标确定模块b:所述坐标确定模块b用于基于所述救援车实时空闲坐标集,将所述救援目的地定位信息作为中心,筛选确定救援车备选坐标集;
数据采集模块c:所述数据采集模块c用于基于所述救援车备选坐标集,使用多模态传感器进行数据采集,获取多模态采集数据库,所述多模态采集数据库包括视频采集数据、雷达采集数据、红外采集数据;
数据处理模块d:所述数据处理模块d用于对所述多模态采集数据库进行预处理,获取多模态采集校准数据库,所述多模态采集校准数据库包括视频校准数据、雷达校准数据、红外校准数据;
特征提取模块e:所述特征提取模块e用于对所述多模态采集校准数据库进行特征提取,获取多模态特征指标;
融合拼接模块f:所述融合拼接模块f用于将所述多模态特征指标进行特征融合拼接,结合所述救援车备选坐标集构建交通场景感知模型;
定位确定模块g:所述定位确定模块g用于通过所述交通场景感知模型,确定救援车目标坐标,同时,向所述救援车目标坐标确定首选救援车对应的随车人员发布紧急救援任务,所述紧急救援任务包括救援目的地定位信息。
进一步而言,所述系统还包括:
第一模态特征指标获取模块:所述第一模态特征指标获取模块用于基于所述多模态采集校准数据库中的视频校准数据,获取第一模态特征指标,所述第一模态特征指标包括车辆颜色特征指标、车辆形状特征指标、车辆运动轨迹特征指标;
第二模态特征指标获取模块:所述第二模态特征指标获取模块用于基于所述多模态采集校准数据库中的雷达校准数据,获取第二模态特征指标,所述第二模态特征指标包括目标距离特征指标、车辆速度特征指标;
第三模态特征指标获取模块:所述第三模态特征指标获取模块用于基于所述多模态采集校准数据库中的红外校准数据,获取第三模态特征指标;
多模态特征指标获取模块:所述多模态特征指标获取模块用于通过所述第一模态特征指标、第二模态特征指标、第三模态特征指标进行组合,获取所述多模态特征指标。
拥堵路段模块:所述拥堵路段模块用于进一步而言,所述系统还包括若所述目标距离特征指标对应的路线存在拥堵路段,获取拥堵路段长度、拥堵路段用时;
推荐行驶道获取模块:所述推荐行驶道获取模块用于获取首选救援车在所述拥堵路段的推荐行驶道,所述推荐行驶道是左拐道、右拐道、直行道、调头道中的任意一种;
避让提醒发送模块:所述避让提醒发送模块用于在所述首选救援车行至距离所述拥堵路段满足紧急避让范围后,向所述推荐行驶道上车辆发送紧急避让提醒。
进一步而言,所述系统还包括:
短时传输指令首选模块:所述短时传输指令首选模块用于在所述首选救援车行至距离所述拥堵路段满足紧急避让范围后,首选救援车发送2G短时传输指令;
短时连接模块:所述短时连接模块用于所述推荐行驶道上车辆通过短时传输通信协议,与首选救援车建立短时连接;
断开连接模块:所述断开连接模块用于首选救援车向所述推荐行驶道上车辆发送紧急避让提醒,在所述推荐行驶道上车辆接收所述紧急避让提醒后断开连接。
进一步而言,所述系统还包括:
网络承载网模块:所述网络承载网模块用于所述推荐行驶道上车辆与首选救援车建立短时连接之前,将2G网络作为承载网,确定使用的2G网络类型和频段;
配置协议参数模块:所述配置协议参数模块用于对照所述2G网络类型和频段,配置设备的TCP/IP协议参数,所述TCP/IP协议参数包括IP地址、子网掩码、网关。
进一步而言,所述系统还包括:
维护清理指令模块:所述维护清理指令模块用于所述推荐行驶道上车辆与首选救援车建立短时连接之后,关闭短时传输通道,获取维护清理指令,所述维护清理指令包括释放信道操作指令、清除缓存操作指令、断开网络连接操作指令、清理资源操作指令。
进一步而言,所述系统还包括:
紧急避让图像信息获取模块:所述紧急避让图像信息获取模块用于将所述紧急救援任务共享至交管部门,在所述推荐行驶道上车辆在紧急避让期间,同步进行图像采集,获取紧急避让图像信息;
违规免责处理模块:所述违规免责处理模块用于通过所述紧急避让图像信息,判断是否对推荐行驶道上车辆进行违规免责处理;
阻碍警告处理模块:所述阻碍警告处理模块用于通过所述紧急避让图像信息,判断是否对推荐行驶道上车辆进行阻碍警告处理。
本说明书通过前述对基于多模态视觉跟踪的智能交通预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于多模态视觉跟踪的智能交通预警方法,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于多模态视觉跟踪的智能交通预警方法,其特征在于,所述方法包括:
在接收到紧急救援指令后,获取救援目的地定位信息,同时,确定救援车实时空闲坐标集,救援车搭载实时定位跟踪模组;
基于所述救援车实时空闲坐标集,将所述救援目的地定位信息作为中心,筛选确定救援车备选坐标集;
基于所述救援车备选坐标集,使用多模态传感器进行数据采集,获取多模态采集数据库,所述多模态采集数据库包括视频采集数据、雷达采集数据、红外采集数据;
对所述多模态采集数据库进行预处理,获取多模态采集校准数据库,所述多模态采集校准数据库包括视频校准数据、雷达校准数据、红外校准数据;
对所述多模态采集校准数据库进行特征提取,获取多模态特征指标;
将所述多模态特征指标进行特征融合拼接,结合所述救援车备选坐标集构建交通场景感知模型;
通过所述交通场景感知模型,确定救援车目标坐标,同时,向所述救援车目标坐标确定首选救援车对应的随车人员发布紧急救援任务,所述紧急救援任务包括救援目的地定位信息。
2.如权利要求1所述的基于多模态视觉跟踪的智能交通预警方法,其特征在于,所述对所述多模态采集校准数据库进行特征提取,获取多模态特征指标,所述方法包括:
基于所述多模态采集校准数据库中的视频校准数据,获取第一模态特征指标,所述第一模态特征指标包括车辆颜色特征指标、车辆形状特征指标、车辆运动轨迹特征指标;
基于所述多模态采集校准数据库中的雷达校准数据,获取第二模态特征指标,所述第二模态特征指标包括目标距离特征指标、车辆速度特征指标;
基于所述多模态采集校准数据库中的红外校准数据,获取第三模态特征指标;
通过所述第一模态特征指标、第二模态特征指标、第三模态特征指标进行组合,获取所述多模态特征指标。
3.如权利要求2所述的基于多模态视觉跟踪的智能交通预警方法,其特征在于,所述方法还包括:
若所述目标距离特征指标对应的路线存在拥堵路段,获取拥堵路段长度、拥堵路段用时;
获取首选救援车在所述拥堵路段的推荐行驶道,所述推荐行驶道是左拐道、右拐道、直行道、调头道中的任意一种;
在所述首选救援车行至距离所述拥堵路段满足紧急避让范围后,向所述推荐行驶道上车辆发送紧急避让提醒。
4.如权利要求3所述的基于多模态视觉跟踪的智能交通预警方法,其特征在于,所述在所述首选救援车行至距离所述拥堵路段满足紧急避让范围后,向所述推荐行驶道上车辆发送紧急避让提醒,所述方法包括:
在所述首选救援车行至距离所述拥堵路段满足紧急避让范围后,首选救援车发送2G短时传输指令;
所述推荐行驶道上车辆通过短时传输通信协议,与首选救援车建立短时连接;
首选救援车向所述推荐行驶道上车辆发送紧急避让提醒,在所述推荐行驶道上车辆接收所述紧急避让提醒后断开连接。
5.如权利要求4所述的基于多模态视觉跟踪的智能交通预警方法,其特征在于,所述方法还包括:
所述推荐行驶道上车辆与首选救援车建立短时连接之前,将2G网络作为承载网,确定使用的2G网络类型和频段;
对照所述2G网络类型和频段,配置设备的TCP/IP协议参数,所述TCP/IP协议参数包括IP地址、子网掩码、网关。
6.如权利要求4所述的基于多模态视觉跟踪的智能交通预警方法,其特征在于,所述方法还包括:
所述推荐行驶道上车辆与首选救援车建立短时连接之后,关闭短时传输通道,获取维护清理指令,所述维护清理指令包括释放信道操作指令、清除缓存操作指令、断开网络连接操作指令、清理资源操作指令。
7.如权利要求6所述的基于多模态视觉跟踪的智能交通预警方法,其特征在于,所述方法包括:
将所述紧急救援任务共享至交管部门,在所述推荐行驶道上车辆在紧急避让期间,同步进行图像采集,获取紧急避让图像信息;
通过所述紧急避让图像信息,判断是否对推荐行驶道上车辆进行违规免责处理;
通过所述紧急避让图像信息,判断是否对推荐行驶道上车辆进行阻碍警告处理。
8.基于多模态视觉跟踪的智能交通预警系统,其特征在于,所述系统包括:
信息获取模块:所述信息获取模块用于在接收到紧急救援指令后,获取救援目的地定位信息,同时,确定救援车实时空闲坐标集,救援车搭载实时定位跟踪模组;
坐标确定模块:所述坐标确定模块用于基于所述救援车实时空闲坐标集,将所述救援目的地定位信息作为中心,筛选确定救援车备选坐标集;
数据采集模块:所述数据采集模块用于基于所述救援车备选坐标集,使用多模态传感器进行数据采集,获取多模态采集数据库,所述多模态采集数据库包括视频采集数据、雷达采集数据、红外采集数据;
数据处理模块:所述数据处理模块用于对所述多模态采集数据库进行预处理,获取多模态采集校准数据库,所述多模态采集校准数据库包括视频校准数据、雷达校准数据、红外校准数据;
特征提取模块:所述特征提取模块用于对所述多模态采集校准数据库进行特征提取,获取多模态特征指标;
融合拼接模块:所述融合拼接模块用于将所述多模态特征指标进行特征融合拼接,结合所述救援车备选坐标集构建交通场景感知模型;
定位确定模块:所述定位确定模块用于通过所述交通场景感知模型,确定救援车目标坐标,同时,向所述救援车目标坐标确定首选救援车对应的随车人员发布紧急救援任务,所述紧急救援任务包括救援目的地定位信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943751.6A CN117095547A (zh) | 2023-07-31 | 2023-07-31 | 基于多模态视觉跟踪的智能交通预警方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943751.6A CN117095547A (zh) | 2023-07-31 | 2023-07-31 | 基于多模态视觉跟踪的智能交通预警方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117095547A true CN117095547A (zh) | 2023-11-21 |
Family
ID=88772745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310943751.6A Pending CN117095547A (zh) | 2023-07-31 | 2023-07-31 | 基于多模态视觉跟踪的智能交通预警方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095547A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912238A (zh) * | 2023-12-25 | 2024-04-19 | 广州市启宏普浩企业管理服务有限公司 | 一种车辆增援态势感知方法及系统 |
-
2023
- 2023-07-31 CN CN202310943751.6A patent/CN117095547A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912238A (zh) * | 2023-12-25 | 2024-04-19 | 广州市启宏普浩企业管理服务有限公司 | 一种车辆增援态势感知方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7362721B2 (ja) | 早期警告および衝突回避 | |
JP2022546320A (ja) | 高度車載機器 | |
KR100986279B1 (ko) | 차량항법장치와 초고속인터넷통신망을 이용한 지능형 교통관리 제어 방법 및 그 시스템 | |
WO2019091288A1 (zh) | 车联网中的交通流控制方法及其装置 | |
CN111179617B (zh) | 一种智能网联车的车载单元 | |
CN109387211A (zh) | 用于改进使用v2x通信系统时的障碍物感知的系统和方法 | |
CN105291984A (zh) | 一种基于多车协作的行人及车辆检测的方法及系统 | |
US20230138112A1 (en) | Artificial intelligence methods and systems for remote monitoring and control of autonomous vehicles | |
CN108743266A (zh) | 一种盲人智能导航避障出行辅助方法及系统 | |
CN117095547A (zh) | 基于多模态视觉跟踪的智能交通预警方法与系统 | |
US20220095086A1 (en) | Method and apparatus for indicating, obtaining, and sending automated driving information | |
CN109712395A (zh) | 一种获取交通流参数的系统和方法 | |
US11718309B2 (en) | Method for operating an autonomously driving vehicle | |
CN110264727A (zh) | 面向智慧社区停车应用的多模式自主智能无人系统及方法 | |
CN112799409A (zh) | 基于车路云协同架构的用于机场的地面交通管控集成系统 | |
CN110222949A (zh) | 干线光缆预警方法、装置、设备、系统及计算机存储介质 | |
CN108670745A (zh) | 一种基于语音识别准入的盲人导航方法及系统 | |
CN108871340A (zh) | 一种基于实时路况信息优化导盲方法及系统 | |
CN108743265A (zh) | 一种用于公共交通道路的导盲方法及系统 | |
Zafeiriou | IoT and mobility in smart cities | |
Knake-Langhorst et al. | Test site AIM–toolbox and enabler for applied research and development in traffic and mobility | |
Mishra et al. | Exploring IoT-enabled smart transportation system | |
JP4102181B2 (ja) | 信号待ち回数予測方法及びナビゲーション装置 | |
CN108312793A (zh) | 公交车单体、分体式公交车系统及其工作方法 | |
Leong et al. | 5G Intelligent Transportation Systems for Smart Cities |
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 |