CN117115759A - 一种基于类别引导的路侧交通目标检测系统及方法 - Google Patents
一种基于类别引导的路侧交通目标检测系统及方法 Download PDFInfo
- Publication number
- CN117115759A CN117115759A CN202310388267.1A CN202310388267A CN117115759A CN 117115759 A CN117115759 A CN 117115759A CN 202310388267 A CN202310388267 A CN 202310388267A CN 117115759 A CN117115759 A CN 117115759A
- Authority
- CN
- China
- Prior art keywords
- traffic
- target
- road side
- targets
- abnormal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims description 197
- 239000011159 matrix material Substances 0.000 claims description 100
- 230000005856 abnormality Effects 0.000 claims description 61
- 230000009466 transformation Effects 0.000 claims description 42
- 238000012544 monitoring process Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 208000002693 Multiple Abnormalities Diseases 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005259 measurement 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
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于类别引导的路侧交通目标检测系统及方法,其中系统包括:采集模块,用于获取路侧交通目标的图像数据并进行3D重构,得到重构数据;异常判断模块,用于根据重构数据计算目标异常值,判断目标异常值是否预设的正常范围内,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果;类别引导模块,用于基于目标类别结果对路侧交通目标进行交通引导。本发明通过图像数据进行重构,提高了分类准确性,同时对路侧交通目标进行交通引导,减少事故交通拥堵,方便驾驶人员进行交通规划。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种基于类别引导的路侧交通目标检测系统及方法。
背景技术
路侧交通目标检测采集周围环境信息并提供给进行判断。由于雨天、雾天、雪天等恶劣天气以及人为活动的影响,经常发生交通拥堵等现象,因此需要对路侧交通目标检测异常,并且进行积极的交通引导。
现有技术CN115719485A提供了一种基于类别引导的路侧交通目标检测方法,利用空间体素特征提取和邻域凝练特征提取进行特征提取,然后在模型训练上先用相关数据预训练并进行参数初始化。然而该方法只是检测分类结果数据准确性,又没有对路侧交通目标进行交通引导,也没有对路侧交通目标预测。
发明内容
本发明目的之一在于提供了一种基于类别引导的路侧交通目标检测系统,对采集的图像数据进行重构同时对路侧交通目标检测并进行交通引导。本发明目的之一还在于提供了一种基于类别引导的路侧交通目标检测方法。
本发明实施例提供的一种基于类别引导的路侧交通目标检测系统,包括:
采集模块,用于获取路侧交通目标的图像数据并进行3D重构,得到重构数据;
异常判断模块,用于根据重构数据计算目标异常值,判断目标异常值是否预设的正常范围内,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果;
类别引导模块,用于基于目标类别结果对路侧交通目标进行交通引导。
优选地,所述异常判断模块执行如下操作:
根据重构数据计算出路侧交通目标的状态数据;
获取路侧交通目标的历史状态数据;
根据预设构建规则基于路侧交通目标的状态数据以及历史状态数据构建目标异常检测模型计算出目标异常值;
判断目标异常值是否在预设的正常范围内;
若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果。
优选地,所述若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果,包括:
对重构数据进行特征提取得到特征值,并对特征值进行稀疏卷积,得到3D稀疏卷积特征;
将3D稀疏卷积特征进行俯视图投影得到二维鸟瞰图特征;
对重构数据中的关键点进行特征提取,得到关键点特征数据;
将关键点特征数据和二维鸟瞰图特征进行融合,得到关键点融合特征数据;
构建神经网络模型,利用数据库中的历史数据进行训练,训练完成后根据关键点融合特征数据进行分类识别,得到目标类别结果。
优选地,所述类别引导模块执行如下操作:
根据当前时间的上一时间的时间点的路侧交通目标的重构数据,计算出每个路侧交通目标的当前时间的上一时间的时间点的中心点坐标,得到当前时间的上一时间的时间点路侧交通目标的中心点坐标矩阵和速度矩阵;
根据当前时间的路侧交通目标的重构数据,计算出当前时间的每个路侧交通目标的中心点坐标,得到当前时间路侧交通目标的中心点坐标矩阵和速度矩阵;
预测未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵;
根据未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵计算出未来的预设时间的时间点的路侧交通目标的中心点坐标矩阵和速度矩阵;
根据每个路侧交通目标的中心点坐标矩阵和速度矩阵,计算出每个路侧交通目标逃离监测范围的最短时间;
根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息;
按照路侧交通目标的类别对同一类别中的每个路侧交通目标逃离监测范围的最短时间进行求和,并乘以每个类型的设定权重,按照由小到大排序,得到类别引导顺序;
根据类别引导顺序,按照类型对路侧交通目标按照逃离监测范围的最短时间进行引导。
优选地,所述根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息,包括:
获取异常判断模块得到的异常交通目标的数量和类别;
根据异常交通目标的数量、类别和运动方向,确定交通异常类型,其中,所述交通异常类型包括个体异常、同类异常、多类异常、全部异向异常和全部同向异常;
根据异常交通目标与其他路侧交通目标的距离之和以及交通异常类型发出预警信息。
优选地,所述根据异常交通目标的数量、类别和运动方向,确定交通异常类型,包括:
获取警示信息,得到异常交通目标的数量和类别;
若检测出的异常交通目标的类别是一种,且异常交通目标的个数占同类别的路侧交通目标的所有个数的占比不超过设定的占比阈值,则交通异常类型是个体异常;
若检测出的异常交通目标的类别是一种,且异常交通目标的个数占同类别的路侧交通目标的所有个数的占比超过设定的占比阈值,则交通异常类型是同类异常;
若检测出的异常交通目标的类别是多种,异常交通目标的个数不等于所有的路侧交通目标,则交通异常类型是多类异常;
若异常交通目标的个数等于所有的路侧交通目标,且所有的路侧交通目标的运动方向都不相同,则交通异常类型是全部异向异常;
若异常交通目标的个数等于所有的路侧交通目标,且所有的路侧交通目标的运动方向都相同,则交通异常类型是全部同向异常。
优选地,所述根据异常交通目标与其他路侧交通目标的距离之和以及交通异常类型发出预警信息;包括:
获取所有异常交通目标与检测正常的路侧交通目标之间两两距离之和以及异常交通目标的运动方向;
若交通异常类型是个体异常,且异常交通目标与检测正常的路侧交通目标两两之间距离之和与任意两个路侧交通目标之间的距离之和之比未超出设定的第一距离比例阈值,则确定预警信息是包围异常交通目标的第一警示环以及第一警示环的颜色;
若交通异常类型是个体异常,且异常交通目标与检测正常的路侧交通目标之间的距离之和与任意两个路侧交通目标之间的距离之和之比超出设定的第一距离比例阈值,则确定预警信息是是包围异常交通目标的第二警示环和第二警示环的颜色;
若交通异常类型是同类异常,则确定预警信息是以异常交通目标的外部轮廓为边界,包围所有的异常交通目标的第一边界线以及第一边界线的颜色;
若交通异常类型是多类异常,则确定预警信息是以目标检测正常的路侧交通目标的外部轮廓为边界,包围所有目标检测正常的路侧交通目标的第二边界线以及第二边界线的颜色;
若交通异常类型是全部异向异常,则确定预警信息是根据道路交通规则,投射与道路交通方向相关的带有指示箭头的第一标识以及第一标识的颜色;
若交通异常类型是全部同向异常,则确定路侧交通目标的类别引导顺序,并根据类别引导顺序依次确定预警信息是投射与类别引导顺序相关的路侧交通目标的第二标识以及第二标识的颜色。
本发明还提供了一种基于类别引导的路侧交通目标检测方法,包括:
获取路侧交通目标的图像数据并进行3D重构,得到重构数据;
根据重构数据计算目标异常值,判断目标异常值是否预设的正常范围内,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果;
基于目标类别结果对路侧交通目标进行交通引导。
优选地,所述根据重构数据计算目标异常值,判断目标异常值是否预设的正常范围内,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果;包括:
根据重构数据计算出路侧交通目标的状态数据;
获取路侧交通目标的历史状态数据;
根据预设构建规则基于路侧交通目标的状态数据以及历史状态数据构建目标异常检测模型计算出目标异常值;
判断目标异常值是否在预设的正常范围内;
若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果。
优选地,所述基于目标类别结果对路侧交通目标进行交通引导,包括:
根据当前时间的上一时间的时间点的路侧交通目标的重构数据,计算出每个路侧交通目标的上一时间的时间点的路侧交通目标的中心点坐标,得到当前时间的上一时间的时间点路侧交通目标的中心点坐标矩阵和速度矩阵;
根据当前时间的路侧交通目标的重构数据,计算出当前时间的每个路侧交通目标的中心点坐标,得到当前时间路侧交通目标的中心点坐标矩阵和速度矩阵;
预测未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵;
根据未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵计算出未来的预设时间的时间点的路侧交通目标的中心点坐标矩阵和速度矩阵;
根据每个路侧交通目标的中心点坐标矩阵和速度矩阵,计算出每个路侧交通目标逃离监测范围的最短时间;
根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息;
按照路侧交通目标的类别对同一类别中的每个路侧交通目标逃离监测范围的最短时间进行求和,并乘以每个类型的设定权重,按照由小到大排序,得到引导顺序;
根据引导顺序,按照类型对路侧交通目标按照逃离监测范围的最短时间进行引导。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于类别引导的路侧交通目标检测系统的示意图;
图2为本发明实施例中一种基于类别引导的路侧交通目标检测方法的流程图;
图3为本发明实施例中所述步骤6的流程图;
图4为本发明实施例中所述步骤7的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于类别引导的路侧交通目标检测系统,如图1所示,包括:
采集模块1,用于获取路侧交通目标的图像数据并进行3D重构,得到重构数据.
异常判断模块2,用于根据重构数据计算目标异常值,判断目标异常值是否预设的正常范围内,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果。
类别引导模块3,用于基于目标类别结果对路侧交通目标进行交通引导。
上述技术方案的工作原理及有益效果为:
获取路侧交通目标的图像数据。对图像数据进行预处理并进行3D重构,得到重构数据。根据重构数据计算目标异常值,将目标异常值与预设的正常范围内,若不在预设的正常范围内,则判定异常并发送警示信息,否则不发送警示信息。对重构数据进行目标类别检测,得到目标类别结果。对路侧交通目标基于目标类别结果进行交通引导
本发明实施例根据采集路侧交通目标的图像数据对路侧交通目标进行目标检测分类,根据目标分类结果进行交通引导。
在一个实施例中,异常判断模块2执行如下操作:
根据重构数据计算出路侧交通目标的状态数据;
获取路侧交通目标的历史状态数据;
根据预设构建规则基于路侧交通目标的状态数据以及历史状态数据构建目标异常检测模型计算出目标异常值;
判断目标异常值是否在预设的正常范围内;
若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果。
上述技术方案的工作原理及有益效果为:
获取路侧交通目标的状态数据,其中状态数据包括路侧交通目标的中心点坐标、速度以及长、宽和高等。
获取路侧交通目标的历史状态数据,其中,历史状态数据包括路侧交通目标的正常状态数据和异常状态数据。根据预设构建规则基于路侧交通目标的状态数据以及历史状态数据构建目标异常检测模型计算出目标异常值。
比如历史状态数据中的“卡车”中的“高度小于4米”,如果高于4米,则对应的交通事故规则“容易撞击道路设施中的限高杆”。同时,“卡车”中的“最小驾驶速度在20km/h”,“最大驾驶速度60km/h”,“最小驾驶速度在20km/h”对应的交通事故规则“造成交通堵塞”,“最大驾驶速度60km/h”对应的交通事故规则是“造成其他的路侧交通目标”。根据历史数据,构建预设构建规则:类型“卡车”,“速度20km/h~60km/h且高度小于4米”,目标异常值计算出0,根据预设的正常范围是[0,0.99]则判定为正常,在“小于速度20km/h”的目标异常值为1判定异常,“高度大于4米”的目标异常值为1,“驾驶速度80km/h且高度大于4米”则目标异常值为2,判定异常。
本发明实施例路侧交通目标的状态数据;计算出目标异常值,从而判定目标是否异常,同时可以根据异常值的大小反应出异常程度。
在一个实施例中,所述若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果,包括:
对重构数据进行特征提取得到特征值,并对特征值进行稀疏卷积,得到3D稀疏卷积特征;
将3D稀疏卷积特征进行俯视图投影得到二维鸟瞰图特征;
对重构数据中的关键点进行特征提取,得到关键点特征数据;
将关键点特征数据和二维鸟瞰图特征进行融合,得到关键点融合特征数据;
构建神经网络模型,利用数据库中的历史数据进行训练,训练完成后根据关键点融合特征数据进行分类识别,得到目标类别结果。
上述技术方案的工作原理及有益效果为:
对重构数据的3D体型划分为多个大小一致的长方体格子,并对每一个长方体格子进行特征提取,得到关于特征值的集合C={xi,yi,zi,θi,xi-xi0,yi-yi0,zi-zi0}1,2,3......i......,其中,(xi,yi,zi)是第i个长方体格子内任一点坐标,(xi0,yi0,zi0)是第i个长方体格子的中心点坐标,θi是偏执角,是物体绕着y轴的旋转角度。再将C进行3D稀疏卷积得到3D稀疏卷积特征hx,y,z,将3D稀疏卷积hx,y,z,m特征并俯视方向投影到平面上得到二维鸟瞰图特征fpi。
对重构数据进行关键点提取特征,以其中的一个关键点为中心,r0为半径的领域范围内的所有点集合进行特征提取,得到再缩小r0的半径为新的半r1半径,重新提取以关键点为中心,r1为半径的领域范围内的所有点集合的特征为/>经过q次后的提取,最终得到一个关键点特征数据集合/>
利用关键点特征数据与二维鸟瞰图特征进行融合,得到关键点融合特征数据
构建神经网络模型,利用数据库中的历史数据进行训练,训练完成后根据关键点融合特征数据进行分类识别,得到目标类别结果。
本发明实施例利用图像数据进行重构并提取特征并进行3D稀疏卷积在俯视方向投影,得到二维鸟瞰图特征,再进行关键点特征提取并与二维鸟瞰图特征进行融合并进行分类识别,提高了分类识别准确性。
在一个实施例中,类别引导模块3执行如下操作:
根据当前时间的上一时间的时间点的路侧交通目标的重构数据,计算出每个路侧交通目标的当前时间的上一时间的时间点的中心点坐标,得到当前时间的上一时间的时间点路侧交通目标的中心点坐标矩阵和速度矩阵;
根据当前时间的路侧交通目标的重构数据,计算出当前时间的每个路侧交通目标的中心点坐标,得到当前时间路侧交通目标的中心点坐标矩阵和速度矩阵;
预测未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵;
根据未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵计算出未来的预设时间的时间点的路侧交通目标的中心点坐标矩阵和速度矩阵;
根据每个路侧交通目标的中心点坐标矩阵和速度矩阵,计算出每个路侧交通目标逃离监测范围的最短时间;
根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息;
按照路侧交通目标的类别对同一类别中的每个路侧交通目标逃离监测范围的最短时间进行求和,并乘以每个类型的设定权重,按照由小到大排序,得到类别引导顺序;
根据类别引导顺序,按照类型对路侧交通目标按照逃离监测范围的最短时间进行引导。
上述技术方案的工作原理及有益效果为:
根据当前时间的上一时间的时间点的路侧交通目标的重构数据,计算出每个路侧交通目标的中心点坐标,得到上一时间路侧交通目标的中心点坐标矩阵Q,具体表达式为:
式中,Q是当前时间的上一时间的时间点路侧交通目标的中心点坐标矩阵,是表示第一类中第一个路侧交通目标的当前时间的上一时间的时间点的中心点坐标,/>是表示第一类中第m个路侧交通目标的当前时间的上一时间的时间点的中心点坐标,/>是表示第g类中第一个路侧交通目标的当前时间的上一时间的时间点的中心点坐标,是表示第g类中第m个路侧交通目标的当前时间的上一时间的时间点的中心点坐标,m是道路上最大容纳路侧交通目标的数量。
m是雷达测量最大的长度范围与路侧交通目标的长度的比值。若矩阵出现空值Null,则该处的矩阵元素补为0。
例如,雷达测量的范围是[0,30],而车身长度为5,则t=6,一共4种类别的车辆,路侧有轿车2辆,巴士1辆,卡车1辆。则X可以表示为:
根据当前时间的路侧交通目标的重构数据,计算出当前时间的每个路侧交通目标的中心点坐标,得到当前时间的路侧交通目标的中心点坐标矩阵具体表达式为:
式中,是当前时间路侧交通目标的中心点坐标矩阵,/>是表示第一类中第一个路侧交通目标的当前时间的中心点坐标,/>是表示第一类中第m个路侧交通目标的当前时间的中心点坐标,/>是表示第g类中第一个路侧交通目标的当前时间的中心点坐标,/>是表示第g类中第m个路侧交通目标的当前时间的中心点坐标。
根据时间t后,计算出路侧交通目标的速度和方向,得到速度矩阵具体表达式为:
式中,是当前时间路侧交通目标的中心点坐标矩阵,/>是表示第一类中第一个路侧交通目标的当前时间的速度,/>是表示第一类中第m个路侧交通目标的当前时间的速度,/>是表示第g类中第一个路侧交通目标的当前时间的速度,/>是表示第g类中第m个路侧交通目标的当前时间的速度。
同理也可以得到上一时间的时间点的路侧交通目标的速度矩阵V。
因此,可以得到
式中,是当前时间的位姿变换矩阵,/>是当前时间的速度变换矩阵。
由于位姿变换矩阵和速度变换矩阵/>的时间上变化比较平稳,预测的准确性比较高。采集历史上的位姿变换矩阵和速度变换矩阵的数据。构建位姿变换矩阵D预测模型和速度变换矩阵E预测模型。将历史数据输入到位姿变换矩阵D预测模型和速度变换矩阵E预测模型进行训练,完成训练后预测未来的预设时间的时间点的位姿变换矩阵/>和速度变换矩阵/>
因此,计算出出未来的预设时间的时间点的路侧交通目标的中心点坐标矩阵和速度矩阵/>
式中,是未来的预设时间的时间点的位姿变换矩阵,/>是未来的预设时间的时间点的速度变换矩阵。
其中,
式中,是表示第一类中第一个路侧交通目标的未来的预设时间的时间点的中心点坐标,/>是表示第一类中第m个路侧交通目标的未来的预设时间的时间点的中心点坐标,/>是表示第g类中第一个路侧交通目标的未来的预设时间的时间点的中心点坐标,/>是表示第g类中第m个路侧交通目标的未来的预设时间的时间点的中心点坐标。
式中,是表示第一类中第一个路侧交通目标的未来的预设时间的时间点的速度,/>是表示第一类中第m个路侧交通目标的未来的预设时间的时间点的速度,/>是表示第g类中第一个路侧交通目标的未来的预设时间的时间点的速度,/>是表示第g类中第m个路侧交通目标的未来的预设时间的时间点的速度。
位姿变换矩阵和速度变换矩阵的时间上变化比较小,可以减少预测计算误差,预测出未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵,并计算出未来的预设时间的时间点的路侧交通目标的中心点坐标矩阵和速度矩阵/>
根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息。
根据每个路侧交通目标的未来的预设时间的中心点坐标矩阵和速度矩阵/>计算出每个路侧交通目标按照运动轨迹的方向逃离监测范围的最短时间。
例如,一辆轿车的中心点坐标是速度是/>方向是从南往北。则根据中心点坐标是/>到目标检测范围的上边界的距离。根据中心点坐标是/>到目标检测范围的上边界的距离和速度是/>求出逃离监测范围的最短时间/>同理,依次计算出所有的交通目标逃离监测范围的最短时间。并按照类别对同一种类的逃离监测范围的最短时间进行求和。
因此可以得到,
式中,是第一类中所有的交通目标逃离监测范围的最短时间之和,/>表示是是表示第一类中第j个路侧交通目标的逃离监测范围的最短时间。
同理,计算出其中,/>是第二类中所有的交通目标逃离监测范围的最短时间之和,/>是第g类中所有的交通目标逃离监测范围的最短时间之和。
对按照由小到大排序,得到引导顺序。
比如一共有“轿车”、“人”、“电瓶车”分别对应的是种类c1、c2、c3。计算出来的因此先对电瓶车进行引导,再对人进行引导,最后引导轿车。使得所有的路侧交通目标恢复正常。
本发明实施例通过按照类别对对同一种类的逃离监测范围的最短时间进行求和并排序,根据由小到大安排引导,快速恢复路侧交通目标运行正常。
在一个实施例中,所述根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息,包括:
获取异常判断模块2得到的异常交通目标的数量和类别;
根据异常交通目标的数量、类别和运动方向,确定交通异常类型,其中,所述交通异常类型包括个体异常、同类异常、多类异常、全部异向异常和全部同向异常;
根据异常交通目标与其他路侧交通目标的距离之和以及交通异常类型发出预警信息。
上述技术方案的工作原理及有益效果为:
根据异常交通目标的数量和类别,确定交通异常类型。检测出的异常交通目标的类别是一种,再根据异常交通目标的个数占同类别的路侧交通目标的所有个数的占比是否超过设定的占比阈值,判断是个体异常还是同类异常。
在一个实施例中,所述根据异常交通目标的数量、类别和运动方向,确定交通异常类型,包括:
获取警示信息,得到异常交通目标的数量和类别;
若检测出的异常交通目标的类别是一种,且异常交通目标的个数占同类别的路侧交通目标的所有个数的占比不超过设定的占比阈值,则交通异常类型是个体异常;
若检测出的异常交通目标的类别是一种,且异常交通目标的个数占同类别的路侧交通目标的所有个数的占比超过设定的占比阈值,则交通异常类型是同类异常;
若检测出的异常交通目标的类别是多种,异常交通目标的个数不等于所有的路侧交通目标,则交通异常类型是多类异常;
若异常交通目标的个数等于所有的路侧交通目标,且所有的路侧交通目标的运动方向都不相同,则交通异常类型是全部异向异常;
若异常交通目标的个数等于所有的路侧交通目标,且所有的路侧交通目标的运动方向都相同,则交通异常类型是全部同向异常。
上述技术方案的工作原理及有益效果为:
若检测出的异常交通目标的类别是一种,且异常交通目标的个数占同类别的路侧交通目标的所有个数的占比不超过设定的占比阈值,则交通异常类型是个体异常。例如,只有异常交通目标的类别是“轿车”,“轿车”的总数是10辆,设定占比阈值是1/5,当异常交通目标是2辆,是个体异常,而若异常交通目标是5辆,则是同类异常。因此,同类异常的异常交通目标对其他的交通目标影响比个体异常的影响要大,更必须给出警示。当检测出的异常交通目标的类别是多种,比如分别是“轿车”、“卡车”,则是多类异常。当所有的路侧交通目标都异常,比如所有的交通目标都堵塞不动,则是全部异常。
在一个实施例中,所述根据异常交通目标与其他路侧交通目标的距离之和以及交通异常类型发出预警信息。包括:
获取所有异常交通目标与检测正常的路侧交通目标之间两两距离之和以及异常交通目标的运动方向;
若交通异常类型是个体异常,且异常交通目标与检测正常的路侧交通目标之间两两距离之和与任意两个路侧交通目标之间距离之和之比未超出设定的第一距离比例阈值,则确定预警信息是包围异常交通目标的第一警示环以及第一警示环的颜色;
若交通异常类型是个体异常,且异常交通目标与检测正常的路侧交通目标之间的距离之和与任意路侧交通目标之间的距离之和之比超出设定的第一距离比例阈值,则确定预警信息是是包围异常交通目标的第二警示环和第二警示环的颜色;
若交通异常类型是同类异常,则确定预警信息是以异常交通目标的外部轮廓为边界,包围所有的异常交通目标的第一边界线以及第一边界线的颜色;
若交通异常类型是多类异常,则确定预警信息是以目标检测正常的路侧交通目标的外部轮廓为边界,包围所有目标检测正常的路侧交通目标的第二边界线以及第二边界线的颜色;
若交通异常类型是全部异向异常,则确定预警信息是根据道路交通规则,投射与道路交通方向相关的带有指示箭头的第一标识以及第一标识的颜色;
若交通异常类型是全部同向异常,则确定路侧交通目标的引导顺序,并根据引导顺序依次确定预警信息是投射与引导顺序相关的路侧交通目标的第二标识以及第二标识的颜色。
上述技术方案的工作原理及有益效果为:
计算异常交通目标与检测正常的路侧交通目标的距离之和,具体表达式为:
式中,Sy是异常交通目标与检测正常的路侧交通目标的距离之和,(x′J0,y′J0,z′J0)是第j个检测正常的路侧交通目标的中心点坐标。
异常交通目标与检测正常的路侧交通目标之间两两距离之和与任一路侧交通目标之间两两距离之和之比ρ,具体表达式为:
式中,ρ是异常交通目标与检测正常的路侧交通目标之间两两距离之和与任一路侧交通目标之间两两距离之和之比,Sd是任意两个路侧交通目标之间距离之和。
若交通异常类型是个体异常,且ρ≤ρd,ρd是设定的第一距离比值阈值,确定第一警示环的形状是包围异常交通目标的方形环。由于且ρ≤ρd,说明,异常交通目标对检测正常的路侧交通目标的影响比较小,所以确定第一警示环,第一警示环的长度是 是第一警示环到异常交通目标外围轮廓的距离,因此,第一警示环的宽度是/>设定第一警示环是蓝色。
若交通异常类型是个体异常,且ρ>ρd,确定第二警示环的形状是包围异常交通目标的方形环。由于ρ>ρd,则说明异常交通目标对检测正常的路侧交通目标有一定的影响,因此,所以确定第二警示环,第二警示环的长度是 是第二方环到异常交通目标外围轮廓的距离,且/>因此,第一方环的长宽度是/>设定第二警示环是绿色。
若交通异常类型是同类异常,则确定预警信息是以异常交通目标的外部轮廓为边界,包围所有的异常交通目标的第一边界线以及第一边界线的颜色。则说明异常交通目标比较多。将所有的异常交通目标最外侧的轮廓为边界,向外延伸围成一个不规则封闭的第一边界线。并设定第一边界线的颜色是黄色。例如异常交通目标是“轿车”,则以每一个“轿车”的轮廓为依次连接,比如异常交通目标轿车甲的右侧长度上的两个端点分别依次与右边方向的异常交通目标轿车乙的左侧长度上的两个端点相连接,而异常交通目标轿车乙的右侧长度上的两个端点分别依次与右边方向的异常交通目标轿车丙的左侧长度上的两个端点相连接,……,最后一辆的异常交通目标轿车的右侧长度上的两个端点与异常交通目标轿车甲的左侧长度上的两个端点相连接。构成一个包围所有的异常交通目标的不规则环形。
若交通异常类型是多类异常,则确定预警信息是以目标检测正常的路侧交通目标的外部轮廓为边界,包围所有目标检测正常的路侧交通目标的第二边界线以及第二边界线的颜色。例如检测两种类型车型“轿车”和“卡车”,则以以目标检测正常的路侧交通目标的外部轮廓为边界,向外延伸包围所有目标检测正常的路侧交通目标的一个不规则封闭的第二边界线,设定第二边界线的颜色为橙色。
若交通异常类型是全部异向异常,则确定预警信息是根据道路交通规则,投射与道路交通方向相关的带有指示箭头的第一标识以及第一标识的颜色。例如,在道路的右边的异常路侧交通目标“人”,根据道路交通规则,靠右侧道路直行,则对右侧道路顺直行的带有指示箭头的第一标识,指示“人”靠右侧道路直行。确定第一标识的颜色为红色。
若交通异常类型是全部同向异常,则确定路侧交通目标的引导顺序,并根据引导顺序依次确定预警信息是投射与引导顺序相关的路侧交通目标的第二标识以及第二标识的颜色。例如全部同向异常的类别有“人”、“电瓶车”和“轿车”,确定路侧交通目标的引导顺序依次是“轿车”、“人”、“电瓶车”,先投射“轿车”图像的标识,引导“轿车”快速通行。当“轿车”通行完毕后,再投射“人”图像的标识,引导“人”通行。当“人”通行完毕后,再投射“电瓶车”图像的标识,引导“电瓶车”快速通行。确定第二标识的颜色是银白色。
本发明实施例通过安装在道路上方的投影设备根据交通异常类型进行投射不同形状以及颜色的警示环,同时语音提示设备根据警示环的颜色发出提示语音。提示异常交通目标进行及时更正自己的行为,恢复自己的正常行为。同时提醒检测正常的交通目标注意异常交通目标的影响自身的安全。
本发明还提供了一种基于类别引导的路侧交通目标检测方法,如图2所示,包括以下步骤:
步骤1,获取路侧交通目标的图像数据并进行3D重构,得到重构数据。
步骤2,根据重构数据计算目标异常值,判断目标异常值是否预设的正常范围内,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果.
步骤3,基于目标类别结果对路侧交通目标进行交通引导。
上述技术方案的工作原理及有益效果为:
获取路侧交通目标的图像数据,并进行重构数据,根据对重构数据进行目标类别检测,得到目标类别,计算出目标异常值,若目标异常值不在预设的正常范围内,则判定异常并向路侧交通目标发送警示信息,否则不发送警示信息。获取警示信息并根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息。同时对路侧交通目标进行检测结果进行交通引导。
在一个实施例中,如图3所示,步骤2包括以下步骤:
步骤2.1,根据重构数据计算出路侧交通目标的状态数据。
步骤2.2,获取路侧交通目标的历史状态数据。
步骤2.3,根据预设构建规则基于路侧交通目标的状态数据以及历史状态数据构建目标异常检测模型计算出目标异常值。
步骤2.4,判断目标异常值是否在预设的正常范围内。
步骤2.5,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果。
上述技术方案的工作原理及有益效果为:
获取路侧交通目标的状态数据,其中状态数据包括路侧交通目标的中心点坐标、速度以及长、宽和高等。
获取路侧交通目标的历史状态数据,其中,历史状态数据包括路侧交通目标的正常状态数据和异常状态数据。根据预设构建规则基于路侧交通目标的状态数据以及历史状态数据构建目标异常检测模型计算出目标异常值。
在一个实施例中,如图4所示,步骤3包括以下步骤:
步骤3.1,根据当前时间的上一时间的时间点的路侧交通目标的重构数据计算出每个路侧交通目标的中心点坐标,得到上一时间的时间点路侧交通目标的中心点坐标矩阵和速度矩阵;
步骤3.2,根据当前时间的路侧交通目标的重构数据,计算出每个路侧交通目标的中心点坐标,得到当前时间路侧交通目标的中心点坐标矩阵和速度矩阵;
步骤3.3,预测未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵;
步骤3.4,根据未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵计算出未来的预设时间的时间点的路侧交通目标的中心点坐标矩阵和速度矩阵;
步骤3.5,根据每个路侧交通目标的中心点坐标矩阵和速度矩阵,计算出每个路侧交通目标逃离监测范围的最短时间;
步骤3.6,根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息;
步骤3.7,按照路侧交通目标的类型对同一类别中的每个路侧交通目标逃离监测范围的最短时间进行求和,并乘以每个类型的设定权重,按照由小到大排序,得到引导顺序;
步骤3.8,根据引导顺序,按照类型对路侧交通目标按照逃离监测范围的最短时间进行引导。
上述技术方案的工作原理及有益效果为:
本发明实施例通过预测出未来的预设时间的时间点的路侧交通目标的速度和方向,得到未来的预设时间的时间点的路侧交通目标的中心点坐标和速度。按照路侧交通目标的类型对同一类别中的每个路侧交通目标逃离监测范围的最短时间进行求和,并乘以每个类型的设定权重,按照由小到大排序,得到引导顺序,并按照引导顺序进行交通引导。
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 (10)
1.一种基于类别引导的路侧交通目标检测系统,其特征在于,包括:
采集模块,用于获取路侧交通目标的图像数据并进行3D重构,得到重构数据;
异常判断模块,用于根据重构数据计算目标异常值,判断目标异常值是否预设的正常范围内,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果;
类别引导模块,用于基于目标类别结果对路侧交通目标进行交通引导。
2.如权利要求1所述的基于类别引导的路侧交通目标检测系统,其特征在于,所述异常判断模块执行如下操作:
根据重构数据计算出路侧交通目标的状态数据;
获取路侧交通目标的历史状态数据;
根据预设构建规则基于路侧交通目标的状态数据以及历史状态数据构建目标异常检测模型计算出目标异常值;
判断目标异常值是否在预设的正常范围内;
若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果。
3.如权利要求2所述的基于类别引导的路侧交通目标检测系统,其特征在于,所述若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果,包括:
对重构数据进行特征提取得到特征值,并对特征值进行稀疏卷积,得到3D稀疏卷积特征;
将3D稀疏卷积特征进行俯视图投影得到二维鸟瞰图特征;
对重构数据中的关键点进行特征提取,得到关键点特征数据;
将关键点特征数据和二维鸟瞰图特征进行融合,得到关键点融合特征数据;
构建神经网络模型,利用数据库中的历史数据进行训练,训练完成后根据关键点融合特征数据进行分类识别,得到目标类别结果。
4.如权利要求1所述基于类别引导的路侧交通目标检测系统,其特征在于,所述类别引导模块执行如下操作:
根据当前时间的上一时间的时间点的路侧交通目标的重构数据,计算出每个路侧交通目标的当前时间的上一时间的时间点的中心点坐标,得到当前时间的上一时间的时间点路侧交通目标的中心点坐标矩阵和速度矩阵;
根据当前时间的路侧交通目标的重构数据,计算出当前时间的每个路侧交通目标的中心点坐标,得到当前时间路侧交通目标的中心点坐标矩阵和速度矩阵;
预测未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵;
根据未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵计算出未来的预设时间的时间点的路侧交通目标的中心点坐标矩阵和速度矩阵;
根据每个路侧交通目标的中心点坐标矩阵和速度矩阵,计算出每个路侧交通目标逃离监测范围的最短时间;
根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息;
按照路侧交通目标的类别对同一类别中的每个路侧交通目标逃离监测范围的最短时间进行求和,并乘以每个类型的设定权重,按照由小到大排序,得到类别引导顺序;
根据类别引导顺序,按照类型对路侧交通目标按照逃离监测范围的最短时间进行引导。
5.如权利要求4所述的基于类别引导的路侧交通目标检测系统,其特征在于,所述根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息,包括:
获取异常判断模块得到的异常交通目标的数量和类别;
根据异常交通目标的数量、类别和运动方向,确定交通异常类型,其中,所述交通异常类型包括个体异常、同类异常、多类异常、全部异向异常和全部同向异常;
根据异常交通目标与其他路侧交通目标的距离之和以及交通异常类型发出预警信息。
6.如权利要求5所述的基于类别引导的路侧交通目标检测系统,其特征在于,所述根据异常交通目标的数量、类别和运动方向,确定交通异常类型,包括:
获取警示信息,得到异常交通目标的数量和类别;
若检测出的异常交通目标的类别是一种,且异常交通目标的个数占同类别的路侧交通目标的所有个数的占比不超过设定的占比阈值,则交通异常类型是个体异常;
若检测出的异常交通目标的类别是一种,且异常交通目标的个数占同类别的路侧交通目标的所有个数的占比超过设定的占比阈值,则交通异常类型是同类异常;
若检测出的异常交通目标的类别是多种,异常交通目标的个数不等于所有的路侧交通目标,则交通异常类型是多类异常;
若异常交通目标的个数等于所有的路侧交通目标,且所有的路侧交通目标的运动方向都不相同,则交通异常类型是全部异向异常;
若异常交通目标的个数等于所有的路侧交通目标,且所有的路侧交通目标的运动方向都相同,则交通异常类型是全部同向异常。
7.如权利要求6所述的基于类别引导的路侧交通目标检测系统,其特征在于,所述根据异常交通目标与其他路侧交通目标的距离之和以及交通异常类型发出预警信息;包括:
获取所有异常交通目标与检测正常的路侧交通目标之间两两距离之和以及异常交通目标的运动方向;
若交通异常类型是个体异常,且异常交通目标与检测正常的路侧交通目标两两之间距离之和与任意两个路侧交通目标之间的距离之和之比未超出设定的第一距离比例阈值,则确定预警信息是包围异常交通目标的第一警示环以及第一警示环的颜色;
若交通异常类型是个体异常,且异常交通目标与检测正常的路侧交通目标之间的距离之和与任意两个路侧交通目标之间的距离之和之比超出设定的第一距离比例阈值,则确定预警信息是是包围异常交通目标的第二警示环和第二警示环的颜色;
若交通异常类型是同类异常,则确定预警信息是以异常交通目标的外部轮廓为边界,包围所有的异常交通目标的第一边界线以及第一边界线的颜色;
若交通异常类型是多类异常,则确定预警信息是以目标检测正常的路侧交通目标的外部轮廓为边界,包围所有目标检测正常的路侧交通目标的第二边界线以及第二边界线的颜色;
若交通异常类型是全部异向异常,则确定预警信息是根据道路交通规则,投射与道路交通方向相关的带有指示箭头的第一标识以及第一标识的颜色;
若交通异常类型是全部同向异常,则确定路侧交通目标的类别引导顺序,并根据类别引导顺序依次确定预警信息是投射与类别引导顺序相关的路侧交通目标的第二标识以及第二标识的颜色。
8.一种基于类别引导的路侧交通目标检测方法,其特征在于,包括:
获取路侧交通目标的图像数据并进行3D重构,得到重构数据;
根据重构数据计算目标异常值,判断目标异常值是否预设的正常范围内,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果;
基于目标类别结果对路侧交通目标进行交通引导。
9.如权利要求8所述的基于类别引导的路侧交通目标检测方法,其特征在于,所述根据重构数据计算目标异常值,判断目标异常值是否预设的正常范围内,若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果;包括:
根据重构数据计算出路侧交通目标的状态数据;
获取路侧交通目标的历史状态数据;
根据预设构建规则基于路侧交通目标的状态数据以及历史状态数据构建目标异常检测模型计算出目标异常值;
判断目标异常值是否在预设的正常范围内;
若目标异常值不在预设的正常范围内,则对重构数据进行目标类别识别,得到目标类别结果。
10.如权利要求8所述的基于类别引导的路侧交通目标检测方法,其特征在于,所述基于目标类别结果对路侧交通目标进行交通引导,包括:
根据当前时间的上一时间的时间点的路侧交通目标的重构数据,计算出每个路侧交通目标的上一时间的时间点的路侧交通目标的中心点坐标,得到当前时间的上一时间的时间点路侧交通目标的中心点坐标矩阵和速度矩阵;
根据当前时间的路侧交通目标的重构数据,计算出当前时间的每个路侧交通目标的中心点坐标,得到当前时间路侧交通目标的中心点坐标矩阵和速度矩阵;
预测未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵;
根据未来的预设时间的时间点的位姿变换矩阵和速度变换矩阵计算出未来的预设时间的时间点的路侧交通目标的中心点坐标矩阵和速度矩阵;
根据每个路侧交通目标的中心点坐标矩阵和速度矩阵,计算出每个路侧交通目标逃离监测范围的最短时间;
根据异常交通目标的数量和类别,确定交通异常类型,同时发出预警信息;
按照路侧交通目标的类别对同一类别中的每个路侧交通目标逃离监测范围的最短时间进行求和,并乘以每个类型的设定权重,按照由小到大排序,得到引导顺序;
根据引导顺序,按照类型对路侧交通目标按照逃离监测范围的最短时间进行引导。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310388267.1A CN117115759B (zh) | 2023-04-12 | 2023-04-12 | 一种基于类别引导的路侧交通目标检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310388267.1A CN117115759B (zh) | 2023-04-12 | 2023-04-12 | 一种基于类别引导的路侧交通目标检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115759A true CN117115759A (zh) | 2023-11-24 |
CN117115759B CN117115759B (zh) | 2024-04-09 |
Family
ID=88804431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310388267.1A Active CN117115759B (zh) | 2023-04-12 | 2023-04-12 | 一种基于类别引导的路侧交通目标检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115759B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206108A (zh) * | 2015-08-06 | 2015-12-30 | 同济大学 | 一种基于电子地图的车辆碰撞预警方法 |
GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
CN110491127A (zh) * | 2019-08-27 | 2019-11-22 | 北京星云互联科技有限公司 | 一种通行引导方法、装置以及可读存储介质 |
CN110648533A (zh) * | 2019-09-24 | 2020-01-03 | 北京星云互联科技有限公司 | 一种交通管控方法、设备、系统及存储介质 |
CN111402612A (zh) * | 2019-01-03 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种交通事件通知方法及装置 |
CN112083725A (zh) * | 2020-09-04 | 2020-12-15 | 湖南大学 | 一种面向自动驾驶车辆的结构共用多传感器融合定位系统 |
CN112214014A (zh) * | 2020-09-04 | 2021-01-12 | 东北石油大学 | 农机自动驾驶控制方法及系统 |
CN112216066A (zh) * | 2020-08-25 | 2021-01-12 | 南京市德赛西威汽车电子有限公司 | 一种基于v2x的疲劳驾驶交通引导方法 |
CN112462774A (zh) * | 2020-11-27 | 2021-03-09 | 佛山市墨纳森智能科技有限公司 | 一种基于无人机航行跟随的城市道路监管方法、系统及可读存储介质 |
WO2021239156A1 (zh) * | 2020-05-29 | 2021-12-02 | 中移(上海)信息通信科技有限公司 | 交通目标识别模型训练方法、交通目标定位方法、装置 |
CN114092780A (zh) * | 2021-11-12 | 2022-02-25 | 天津大学 | 基于点云与图像数据融合的三维目标检测方法 |
WO2022088658A1 (zh) * | 2020-10-29 | 2022-05-05 | 华为技术有限公司 | 一种行人穿行意图估计方法、装置、设备和汽车 |
CN114898578A (zh) * | 2022-04-08 | 2022-08-12 | 中汽研汽车检验中心(广州)有限公司 | 一种高速公路的车辆引导方法、装置及系统 |
CN115719485A (zh) * | 2022-11-24 | 2023-02-28 | 西安建筑科技大学 | 一种基于类别引导的路侧交通目标检测方法 |
CN115861738A (zh) * | 2023-02-07 | 2023-03-28 | 南京航空航天大学 | 一种类别语义信息引导的遥感目标检测主动采样方法 |
-
2023
- 2023-04-12 CN CN202310388267.1A patent/CN117115759B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206108A (zh) * | 2015-08-06 | 2015-12-30 | 同济大学 | 一种基于电子地图的车辆碰撞预警方法 |
GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
CN111402612A (zh) * | 2019-01-03 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种交通事件通知方法及装置 |
CN110491127A (zh) * | 2019-08-27 | 2019-11-22 | 北京星云互联科技有限公司 | 一种通行引导方法、装置以及可读存储介质 |
CN110648533A (zh) * | 2019-09-24 | 2020-01-03 | 北京星云互联科技有限公司 | 一种交通管控方法、设备、系统及存储介质 |
WO2021239156A1 (zh) * | 2020-05-29 | 2021-12-02 | 中移(上海)信息通信科技有限公司 | 交通目标识别模型训练方法、交通目标定位方法、装置 |
CN112216066A (zh) * | 2020-08-25 | 2021-01-12 | 南京市德赛西威汽车电子有限公司 | 一种基于v2x的疲劳驾驶交通引导方法 |
CN112214014A (zh) * | 2020-09-04 | 2021-01-12 | 东北石油大学 | 农机自动驾驶控制方法及系统 |
CN112083725A (zh) * | 2020-09-04 | 2020-12-15 | 湖南大学 | 一种面向自动驾驶车辆的结构共用多传感器融合定位系统 |
WO2022088658A1 (zh) * | 2020-10-29 | 2022-05-05 | 华为技术有限公司 | 一种行人穿行意图估计方法、装置、设备和汽车 |
CN112462774A (zh) * | 2020-11-27 | 2021-03-09 | 佛山市墨纳森智能科技有限公司 | 一种基于无人机航行跟随的城市道路监管方法、系统及可读存储介质 |
CN114092780A (zh) * | 2021-11-12 | 2022-02-25 | 天津大学 | 基于点云与图像数据融合的三维目标检测方法 |
CN114898578A (zh) * | 2022-04-08 | 2022-08-12 | 中汽研汽车检验中心(广州)有限公司 | 一种高速公路的车辆引导方法、装置及系统 |
CN115719485A (zh) * | 2022-11-24 | 2023-02-28 | 西安建筑科技大学 | 一种基于类别引导的路侧交通目标检测方法 |
CN115861738A (zh) * | 2023-02-07 | 2023-03-28 | 南京航空航天大学 | 一种类别语义信息引导的遥感目标检测主动采样方法 |
Non-Patent Citations (3)
Title |
---|
FENG PENG等: "Traffic flow statistics algorithm based on YOLOv3", 《CISCE 2021》, pages 1 - 4 * |
张琳娟: "基于车载传感网的交通异常信息检测与传输关键技术研究", 《中国博士学位论文全文数据库信息科技辑》 * |
谭兴府: "大车流及货车高占比收费站出口快速通行", 《广东公路交通》, pages 1 - 5 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115759B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108313054B (zh) | 自动驾驶自主换道决策方法和装置及自动驾驶车辆 | |
CN104573646B (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
US20170344855A1 (en) | Method of predicting traffic collisions and system thereof | |
Chen et al. | Vehicle type categorization: A comparison of classification schemes | |
CN112700470A (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN105785370A (zh) | 物体检测装置和物体检测方法 | |
US11703344B2 (en) | Landmark location estimation apparatus and method, and computer-readable recording medium storing computer program programmed to perform method | |
CN106295586A (zh) | 基于单线点云数据机器学习的人形目标识别方法及装置 | |
CN106371106A (zh) | 单线激光雷达人形目标识别方法、装置和汽车 | |
CN108769104A (zh) | 一种基于车载诊断系统数据的路况分析预警方法 | |
CN112464889A (zh) | 道路车辆姿态和运动信息检测方法 | |
CN111523415A (zh) | 一种基于图像的两客一危车辆检测方法和装置 | |
Wu et al. | Abnormal driving behavior detection for bus based on the Bayesian classifier | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
CN114926984A (zh) | 一种实时交通冲突收集与道路安全评价方法 | |
KR101050687B1 (ko) | 사후확률을 이용한 보행자 인식 장치 및 방법과 그를이용한 보행자 보호 장치 | |
CN117115759B (zh) | 一种基于类别引导的路侧交通目标检测系统及方法 | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及系统、设备 | |
CN113033363A (zh) | 一种基于深度学习的车辆稠密目标检测方法 | |
CN112270840A (zh) | 车路协同环境下基于单车运动特征的信息可信辨识方法 | |
CN114822044B (zh) | 一种基于隧道的行车安全预警方法及设备 | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法 | |
CN105740776A (zh) | 基于衣帽特征与姿态检测的交警检测方法和系统 | |
Anil et al. | Driver behavior analysis using K-means algorithm | |
CN116451084B (zh) | 一种用于驾驶风格识别模型的训练样本预处理方法 |
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 |