CN117150391A - 一种基于时序轨迹数据的车辆类型识别方法 - Google Patents
一种基于时序轨迹数据的车辆类型识别方法 Download PDFInfo
- Publication number
- CN117150391A CN117150391A CN202311144608.7A CN202311144608A CN117150391A CN 117150391 A CN117150391 A CN 117150391A CN 202311144608 A CN202311144608 A CN 202311144608A CN 117150391 A CN117150391 A CN 117150391A
- Authority
- CN
- China
- Prior art keywords
- vehicle type
- vehicle
- time sequence
- data
- track 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 35
- 238000012549 training Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000036461 convulsion Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于时序轨迹数据的车辆类型识别方法，包括：将待测车辆的时序轨迹数据输入至构建好的车辆类型识别模型，得到车辆类型。本发明解决了现有技术中传统车辆类型识别方法依赖视觉传感器，利用驾驶轨迹特征值较少，存在在黑夜、气象条件较差等造成视觉传感器识别无法使用，识别精度不高的问题。
Description
技术领域
本发明涉及智能交通技术领域，特别是涉及一种基于时序轨迹数据的车辆类型识别方法。
背景技术
随着数字化技术的快速发展及其在各行各业普及应用，公众对高速公路服务智能化、智慧化的期待和需求，越来越迫切，货车、小汽车，以及电动汽车由于其自身特性，具备不同的驾驶行为特征，需要针对不同类型车辆提供相应的个性化服务，如何利用现代科学技术对高速公路使用者的个性化需求提供个性化服务是未来高速公路服务及技术升级的重要方向。
随着交通传感技术的发展，特别是毫米波雷达激光雷达等高精度传感器的成本逐渐降低，其适用范围逐步扩大到交通领域，特别是近些年来交通雷达的应用逐渐推广，全时空高精度车辆轨迹感知技术逐步成为可能，此外，随着摄像机在高速公路上的广泛使用，车型识别具备相应的硬件基础。另一方面，随着机器学习、深度学习等人工智能技术的发展，以及算力的逐步提高，数据分析逐步向精细化方向发展，曾经的交通管控多较少考虑车辆类型，难以针对不同车辆提供相应的管控手段。
目前传统车辆类型识别方法依赖视觉传感器，利用驾驶轨迹特征值较少，存在在黑夜、气象条件较差等造成视觉传感器识别无法使用，识别精度不高的问题。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种基于时序轨迹数据的车辆类型识别方法。本发明解决了现有技术中传统车辆类型识别方法依赖视觉传感器，利用驾驶轨迹特征值较少，存在在黑夜、气象条件较差等造成视觉传感器识别无法使用，识别精度不高的问题。
为实现上述目的，本发明提供了如下方案：
一种基于时序轨迹数据的车辆类型识别方法，包括：
将待测车辆的时序轨迹数据输入至构建好的车辆类型识别模型，得到车辆类型；
所述构建好的车辆类型识别模型的构建方法包括：
将若干个毫米波雷达或若干个激光雷达以预设间距设置在高速快路的两侧，利用毫米波雷达或激光雷达采集训练车辆的时序轨迹数据；
利用车辆类型识别装置采集训练车辆的车辆类型数据；
基于tsfresh，根据所述时序轨迹数据得到降维时序轨迹特征；
根据所述车辆类型数据和所述降维时序轨迹特征构建数据集；
基于决策树模型，根据所述数据集得到构建好的车辆类型识别模型。
优选地，所述将若干个毫米波雷达或若干个激光雷达以预设间距设置在高速快路的两侧，利用毫米波雷达或激光雷达采集训练车辆的时序轨迹数据，包括：
获取毫米波雷达或激光雷达的扫描范围；
根据所述毫米波雷达或激光雷达的扫描范围确定预设间距；
根据预设间距在高速快路的两侧设置毫米波雷达或激光雷达，以实现待测测量时序轨迹数据的连续感知和采集。
优选地，所述根据预设间距在高速快路的两侧设置毫米波雷达或激光雷达，以实现待测测量时序轨迹数据的连续感知和采集，包括：
用设置好的毫米波雷达或激光雷达采集待测车辆的横纵向速度、横纵向加速度和jerk的时序数据。
优选地，所述利用车辆类型识别装置采集训练车辆的车辆类型数据，包括：
利用摄像机或激光雷达对待测车辆进行检测，得到待测车辆的车牌颜色；
根据所述待测车辆的车牌颜色得到待测车辆的车辆类型数据。
优选地，所述根据所述待测车辆的车牌颜色得到待测车辆的车辆类型数据，包括：
若所述车牌颜色为黄色，则所述车辆类型数据为货车；
若所述车牌颜色为绿色，则所述车辆类型数据为电车；
若所述车牌颜色为蓝色，则所述车辆类型数据为小汽车。
优选地，所述基于tsfresh，根据所述时序轨迹数据得到降维时序轨迹特征，包括：
利用tsfresh对所述时序轨迹数据进行假设检验，得到相关时序轨迹数据；
对所述第一时序轨迹数据进行提取、选择和过滤，得到降维时序轨迹特征。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于时序轨迹数据的车辆类型识别方法，本发明提供的车辆类型识别方法利用了时序轨迹数据，提升了车辆类型的识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于时序轨迹数据的车辆类型识别方法流程图；
图2为本发明实施例提供的一种基于时序轨迹数据的车辆类型识别方法原理流程示意图；
图3为本发明实施例提供的一种基于时序轨迹数据的车辆类型识别方法的毫米波雷达和激光雷达布设方法示意图；
图4为本发明实施例提供的一种基于时序轨迹数据的车辆类型识别方法中tsfresh特征提取原理示意图；
图5为本发明实施例提供的一种基于时序轨迹数据的车辆类型识别方法中tsfresh特征筛选前特征变量示意图；
图6为本发明实施例提供的一种基于时序轨迹数据的车辆类型识别方法中tsfresh特征筛选后特征变量示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种用于微型投影的变焦物镜系统。本发明解决了现有技术中的定焦镜头局限性大，通用性小的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种基于时序轨迹数据的车辆类型识别方法，包括：
步骤100：将待测车辆的时序轨迹数据输入至构建好的车辆类型识别模型，得到车辆类型；
所述构建好的车辆类型识别模型的构建方法包括：
如图2所示，步骤101：将若干个毫米波雷达或若干个激光雷达以预设间距设置在高速快路的两侧，利用毫米波雷达或激光雷达采集训练车辆的时序轨迹数据；
步骤102：利用车辆类型识别装置采集训练车辆的车辆类型数据；
步骤103：基于tsfresh，根据所述时序轨迹数据得到降维时序轨迹特征；
步骤104：根据所述车辆类型数据和所述降维时序轨迹特征构建数据集；
步骤105：基于决策树模型，根据所述数据集得到构建好的车辆类型识别模型。
进一步的，所述将若干个毫米波雷达或若干个激光雷达以预设间距设置在高速快路的两侧，利用毫米波雷达或激光雷达采集训练车辆的时序轨迹数据，包括：
获取毫米波雷达或激光雷达的扫描范围；
根据所述毫米波雷达或激光雷达的扫描范围确定预设间距；
根据预设间距在高速快路的两侧设置毫米波雷达或激光雷达，以实现待测测量时序轨迹数据的连续感知和采集。本实施例中选取ASR408-21型号毫米波雷达作为车辆轨迹采集装置，其探测范围为250米，因此布设间距选为350米，保证一定重叠区域，实现车辆轨迹连续感知和采集，采集频率达到10hz，采集精度达到分米级，具有车型识别和车道识别功能，实现驾驶人时序轨迹数据等特征参数的采集分析，其布设方法如图3所示。
进一步的，所述根据预设间距在高速快路的两侧设置毫米波雷达或激光雷达，以实现待测测量时序轨迹数据的连续感知和采集，包括：
用设置好的毫米波雷达或激光雷达采集待测车辆的横纵向速度、横纵向加速度和jerk的时序数据。
具体的，车辆轨迹数据的取值规则为：提取位置为识别车辆位置处上游50m-200m，即一共150m路段的轨迹数据作为时序轨迹数据集，其中轨迹时序特征参数包括横纵向速度、横纵向加速度、jerk的时序数据。基于车辆轨迹采集设备，采集车辆轨迹数据，其中轨迹数据格式如表1所示。选取其中的纵向车速、横向车速、纵向加速度、横向加速度、Jerk五个字段作为时序分析数据字段。表1为如下所示：
表1轨迹数据格式表
具体的，在路侧布设摄像机或激光雷达等车辆类型识别装置，实现车辆类型识别，提取小汽车、货车等车辆类型作为数据标签，本实施例中选取DS-IPC-B13HV3-1A三百万像素红外筒型网络摄像机。
由于不同车道车辆行为具有差异，选取特定车道和车型，提取车辆时序数据，根据摄像机收集到的车辆牌照，采用文字识别方式将蓝、绿、黄牌车辆分别分类为油车、电动汽车、大型车，其中油车和电动汽车车辆类别设置为小汽车，分别将油车、电动汽车、小汽车、大型车命名为0、1、2、3。
进一步的，所述利用车辆类型识别装置采集训练车辆的车辆类型数据，包括：
利用摄像机或激光雷达对待测车辆进行检测，得到待测车辆的车牌颜色；
根据所述待测车辆的车牌颜色得到待测车辆的车辆类型数据。
进一步的，所述根据所述待测车辆的车牌颜色得到待测车辆的车辆类型数据，包括：
若所述车牌颜色为黄色，则所述车辆类型数据为货车；
若所述车牌颜色为绿色，则所述车辆类型数据为电车；
若所述车牌颜色为蓝色，则所述车辆类型数据为小汽车。
如图4所示，采用tsfresh作为时序轨迹特征提取工具提取车辆时序轨迹特征值，利用构建的大型数据集选择相关特征，tsfresh将对每一个特征进行假设检验，以检查它是否与给定的目标相关，再使用tsfresh中extract_relevant_features()功能同时执行提取、选择和过滤，最终留下足够相关的时序轨迹特征值。得到图5中的轨迹特征值，每个时序数据有4722个特征值。
采用tsfresh对车辆时序轨迹特征值进行降维处理得到较低维度车辆时序轨迹特征。得到图6中的轨迹特征值，每个时序数据有2821个特征值。
将车辆类型作为因变量，降维后的车辆时序轨迹数据2821个特征值作为自变量，构建数据集，选取其中25％作为验证集，75％作为训练集。
进一步的，所述基于tsfresh，根据所述时序轨迹数据得到降维时序轨迹特征，包括：
利用tsfresh对所述时序轨迹数据进行假设检验，得到相关时序轨迹数据；
对所述第一时序轨迹数据进行提取、选择和过滤，得到降维时序轨迹特征。
利用训练集数据，采用决策树模型构建车辆类型识别模型。
根据训练模型，采用验证集验证车辆类型识别精度。利用混淆矩阵来说明模型对各个类别车辆类型的识别性能，表2为混淆矩阵表，表2如下所示：
表2混淆矩阵表
本发明的有益效果如下：
本发明公开一种基于时序轨迹数据的车辆类型识别方法利用了时序轨迹数据，解决了传统车辆类型识别方法依赖视觉传感器的问题，同时解决了传统车辆类型识别方法利用驾驶轨迹特征值较少，识别精度不高的问题，该方法利用时序轨迹数据，对车辆类型的预测精度达到百分之百，提升了对车辆类型预测的精度；
本发明利用非视觉传感器可以得到路域车辆类型，特别是对于黑夜、气象条件较差等造成视觉传感器识别无法使用及不具备视觉传感器等条件下车辆类型的识别提供了解决方案，对于未来针对不同车型的管控、引导等控制方案及服务方案的应用提供了技术支撑。本发明具备可复制广、鲁棒性强的特点。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于时序轨迹数据的车辆类型识别方法，其特征在于，包括：
将待测车辆的时序轨迹数据输入至构建好的车辆类型识别模型，得到车辆类型；
所述构建好的车辆类型识别模型的构建方法包括：
将若干个毫米波雷达或若干个激光雷达以预设间距设置在高速快路的两侧，利用毫米波雷达或激光雷达采集训练车辆的时序轨迹数据；
利用车辆类型识别装置采集训练车辆的车辆类型数据；
基于tsfresh，根据所述时序轨迹数据得到降维时序轨迹特征；
根据所述车辆类型数据和所述降维时序轨迹特征构建数据集；
基于决策树模型，根据所述数据集得到构建好的车辆类型识别模型。
2.根据权利要求1所述的一种基于时序轨迹数据的车辆类型识别方法，其特征在于，所述将若干个毫米波雷达或若干个激光雷达以预设间距设置在高速快路的两侧，利用毫米波雷达或激光雷达采集训练车辆的时序轨迹数据，包括：
获取毫米波雷达或激光雷达的扫描范围；
根据所述毫米波雷达或激光雷达的扫描范围确定预设间距；
根据预设间距在高速快路的两侧设置毫米波雷达或激光雷达，以实现待测测量时序轨迹数据的连续感知和采集。
3.根据权利要求2所述的一种基于时序轨迹数据的车辆类型识别方法，其特征在于，所述根据预设间距在高速快路的两侧设置毫米波雷达或激光雷达，以实现待测测量时序轨迹数据的连续感知和采集，包括：
用设置好的毫米波雷达或激光雷达采集待测车辆的横纵向速度、横纵向加速度和jerk的时序数据。
4.根据权利要求1所述的一种基于时序轨迹数据的车辆类型识别方法，其特征在于，所述利用车辆类型识别装置采集训练车辆的车辆类型数据，包括：
利用摄像机或激光雷达对待测车辆进行检测，得到待测车辆的车牌颜色；
根据所述待测车辆的车牌颜色得到待测车辆的车辆类型数据。
5.根据权利要求1所述的一种基于时序轨迹数据的车辆类型识别方法，其特征在于，所述根据所述待测车辆的车牌颜色得到待测车辆的车辆类型数据，包括：
若所述车牌颜色为黄色，则所述车辆类型数据为货车；
若所述车牌颜色为绿色，则所述车辆类型数据为电车；
若所述车牌颜色为蓝色，则所述车辆类型数据为小汽车。
6.根据权利要求1所述的一种基于时序轨迹数据的车辆类型识别方法，其特征在于，所述基于tsfresh，根据所述时序轨迹数据得到降维时序轨迹特征，包括：
利用tsfresh对所述时序轨迹数据进行假设检验，得到相关时序轨迹数据；
对所述第一时序轨迹数据进行提取、选择和过滤，得到降维时序轨迹特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311144608.7A CN117150391A (zh) | 2023-09-06 | 2023-09-06 | 一种基于时序轨迹数据的车辆类型识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311144608.7A CN117150391A (zh) | 2023-09-06 | 2023-09-06 | 一种基于时序轨迹数据的车辆类型识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117150391A true CN117150391A (zh) | 2023-12-01 |
Family
ID=88909646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311144608.7A Pending CN117150391A (zh) | 2023-09-06 | 2023-09-06 | 一种基于时序轨迹数据的车辆类型识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150391A (zh) |
-
2023
- 2023-09-06 CN CN202311144608.7A patent/CN117150391A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109637151B (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
| KR101995813B1 (ko) | 영상 기반의 교통 정보 제공 시스템 및 그 방법 | |
| CN111325978B (zh) | 一种高速公路车辆异常行为的全程监测警示系统和方法 | |
| CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
| CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
| CN110606093A (zh) | 车辆性能评测方法、装置、设备和存储介质 | |
| CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
| CN106652468A (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
| CN107590999B (zh) | 一种基于卡口数据的交通状态判别方法 | |
| CN110991221B (zh) | 一种基于深度学习的动态交通闯红灯识别方法 | |
| CN110765224A (zh) | 电子地图的处理方法、车辆视觉重定位的方法和车载设备 | |
| CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
| CN114973659A (zh) | 一种高速公路的间接事件检测的方法、装置及系统 | |
| CN204825605U (zh) | 一种基于图像的道路环境识别与检测装置 | |
| CN115527364A (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
| CN111325811A (zh) | 一种车道线数据的处理方法及处理装置 | |
| CN113283303A (zh) | 一种车牌识别方法及装置 | |
| CN117494018A (zh) | 一种基于群体数据分析的异常行为监测预警方法 | |
| CN111339834B (zh) | 车辆行驶方向的识别方法、计算机设备及存储介质 | |
| CN117197019A (zh) | 一种车辆三维点云图像融合方法及系统 | |
| CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
| CN117150391A (zh) | 一种基于时序轨迹数据的车辆类型识别方法 | |
| US20220405517A1 (en) | System, method, and vehicle for recognition of traffic signs | |
| CN117237907A (zh) | 交通信号灯识别方法、装置、存储介质及电子设备 | |
| KR20200001338A (ko) | 지역기반 분류기 적응을 이용한 교통 표지판 인식 장치 및 방법 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Junhua Inventor after: Song Hao Inventor before: Song Hao Inventor before: Wang Junhua |
|
| CB03 | Change of inventor or designer information |