CN117274303A - 一种车辆轨迹的智能追踪方法及系统 - Google Patents
一种车辆轨迹的智能追踪方法及系统 Download PDFInfo
- Publication number
- CN117274303A CN117274303A CN202311112885.XA CN202311112885A CN117274303A CN 117274303 A CN117274303 A CN 117274303A CN 202311112885 A CN202311112885 A CN 202311112885A CN 117274303 A CN117274303 A CN 117274303A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- monitoring
- information
- track
- tracking
- 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 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 139
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 229920000433 Lyocell Polymers 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
本申请涉及智能识别技术领域,提供了一种车辆轨迹的智能追踪方法及系统,包括:通过交通监测系统进行车辆状态监测,按照车辆跟踪特征进行监测画面车辆特征遍历,确定监测目标车辆;采集监测目标车辆的车辆信息、行驶位置信息、行驶速度信息;进行车辆行驶性能评估,确定车辆行驶参数;根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,确定车辆预测监测轨迹;持续采集监测目标车辆的监测信息,基于车辆预测监测轨迹,进行轨迹偏离度计算,基于轨迹偏离度进行追踪轨迹修正,获得车辆追踪信息。能够解决现有技术中存在根据车辆轨迹进行车辆追踪准确率较低的技术问题,可以提高车辆追踪的准确率。
Description
技术领域
本申请涉及协同办公技术领域,具体涉及一种车辆轨迹的智能追踪方法及系统。
背景技术
随着城市化进程的加速,道路交通量逐年增加,交通拥堵已经成为城市交通的一个普遍问题。为了解决这一问题,各种智能交通系统被不断开发和研究出来,其中车辆跟踪和行为识别技术是智能交通系统中的重要一环。现有的根据车辆轨迹进行车辆追踪的方法,由于车辆特征对比精细度较低,同时车辆轨迹计算方法不完善,造成车辆跟踪准确率较低。
综上所述,现有技术中存在根据车辆轨迹进行车辆追踪准确率较低的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种车辆轨迹的智能追踪方法及系统。
一种车辆轨迹的智能追踪方法,包括:通过交通监测系统进行车辆状态监测,按照车辆跟踪特征进行监测画面车辆特征遍历,确定监测目标车辆;采集监测目标车辆的车辆信息、行驶位置信息、行驶速度信息;根据所述车辆信息进行车辆行驶性能评估,确定车辆行驶参数;根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,确定车辆预测监测轨迹;持续采集监测目标车辆的监测信息,并基于所述车辆预测监测轨迹,进行轨迹偏离度计算,基于轨迹偏离度进行追踪轨迹修正,获得车辆追踪信息。
在一个实施例中,还包括:设定多类型跟踪特征,并基于所述多类型跟踪特征进行各类型样本采集,得到多类型样本集;对所述多类型样本集进行特征提取,得到各样本的特征集;分别对各样本的特征集进行特征权重计算,基于特征权重设定样本特征遍历序列;将所述样本特征遍历序列作为车辆跟踪特征进行遍历比对。
在一个实施例中,还包括:对特征进行识别度分析,确定特征明显度;对特征进行重复率计算,确定特征重复率;基于多类型跟踪特征进行跟踪规则解析,确定规则约束特征;按照预设权重设定值对所述特征明显度、特征重复率、规则约束特征进行特征评估,获得特征评估值;将所述特征评估值作为权重系数,获得各特征的权值。
在一个实施例中,还包括:根据所述行驶位置信息通过电子地图系统进行位置区域道路提取,得到行驶道路信息,包括路况信息、通行道路节点;根据所述行驶速度信息、车辆行驶参数进行驾驶策略,变动概率预测,获得驾驶方向预测信息;根据所述行驶道路信息、所述驾驶方向预测信息进行行驶轨迹预测。
在一个实施例中,还包括:基于所述车辆预测监测轨迹、监测信息,确定瞄准点、瞄准距离;通过轨迹跟踪算法模块,基于所述瞄准点、瞄准距离,进行轨迹跟踪,得到车辆轨迹运算结果;根据所述车辆轨迹运算结果、所述车辆预测监测轨迹,获得轨迹偏离度。
在一个实施例中,还包括:提取目标车辆的监测信息的第一目标图像;基于瞄准点,读取预瞄像素数,并根据瞄准距离、目标车辆,确定最长径像素数的中心为圆心,以所述预瞄像素数为半径绘制目标圆;将所述目标圆与所述车辆预测监测轨迹的交点作为预瞄像素点;获取像素区域的第一实际运动方向,并将所述第一实际运动方向与预瞄像素点间的夹角作为偏差角;基于所述最长径像素数、所述预瞄像素数和所述偏差角计算第一实际转角;提取目标车辆监测信息的第二目标图像,并分析所述第二目标图像得到第二实际转角,其中,所述第一目标图像与所述第二目标图像为相邻图像;基于所述第一实际转角和所述第二实际转角,获得所述车辆轨迹运算结果。
一种车辆轨迹的智能追踪系统,包括:
监测目标车辆确定模块,所述监测目标车辆确定模块用于通过交通监测系统进行车辆状态监测,按照车辆跟踪特征进行监测画面车辆特征遍历,确定监测目标车辆;
信息采集模块,所述信息采集模块用于采集监测目标车辆的车辆信息、行驶位置信息、行驶速度信息;
车辆行驶参数确定模块,所述车辆行驶参数确定模块用于根据所述车辆信息进行车辆行驶性能评估,确定车辆行驶参数;
车辆预测监测轨迹确定模块,所述车辆预测监测轨迹确定模块用于根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,确定车辆预测监测轨迹;
车辆追踪信息获得模块,所述车辆追踪信息获得模块用于持续采集监测目标车辆的监测信息,并基于所述车辆预测监测轨迹,进行轨迹偏离度计算,基于轨迹偏离度进行追踪轨迹修正,获得车辆追踪信息。
上述一种车辆轨迹的智能追踪方法及系统,能够解决现有技术中存在根据车辆轨迹进行车辆追踪准确率较低的技术问题。首先通过交通监测系统进行车辆状态监测,按照车辆跟踪特征进行监测画面车辆特征遍历,确定监测目标车辆;采集监测目标车辆的车辆信息、行驶位置信息、行驶速度信息;根据所述车辆信息进行车辆行驶性能评估,确定车辆行驶参数;根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,确定车辆预测监测轨迹;持续采集监测目标车辆的监测信息,并基于所述车辆预测监测轨迹,进行轨迹偏离度计算,基于轨迹偏离度进行追踪轨迹修正,获得车辆追踪信息。通过上述方法可以提高根据车辆轨迹进行车辆追踪的准确率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供了一种车辆轨迹的智能追踪方法的流程示意图;
图2为本申请提供了一种车辆轨迹的智能追踪方法中确定监测目标车辆的流程示意图;
图3为本申请提供了一种车辆轨迹的智能追踪系统的结构示意图。
附图标记说明:监测目标车辆确定模块a、信息采集模块b、车辆行驶参数确定模块c、车辆预测监测轨迹确定模块d、车辆追踪信息获得模块e。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种车辆轨迹的智能追踪方法,包括:
通过交通监测系统进行车辆状态监测,按照车辆跟踪特征进行监测画面车辆特征遍历,确定监测目标车辆;
如图2所示,在一个实施例中,还包括:
设定多类型跟踪特征,并基于所述多类型跟踪特征进行各类型样本采集,得到多类型样本集;
对所述多类型样本集进行特征提取,得到各样本的特征集;
车辆轨迹是指车辆在一段时间内记录的位置信息,通常通过全球定位系统(GPS)或其他定位技术来获取。根据这些轨迹数据,可以实现车辆的实时监控、行驶路线分析、车辆行为识别等功能。本申请提供的方法用于根据车辆轨迹进行车辆追踪,用于提高车辆智能追踪的准确率,本申请提供的方法具体实施于一种车辆轨迹的智能追踪系统。
首先,连接目标区域的交通监测系统,所述目标区域是指目标监测车辆的行驶区域,所述交通监测系统是指一种用于监测和管理交通流量、交通状态和交通安全的系统。这类系统通常使用传感器、摄像头、GPS设备和其他技术来收集交通相关的数据,然后对这些数据进行分析和处理,以提供实时交通信息、交通流量预测、交通状况评估和交通事件识别等功能。通过所述交通监测系统进行车辆状态监测。
设定多类型车辆跟踪特征,其中所述车辆跟踪特征是指用于识别和跟踪车辆的关键属性和指标。这些特征通常从车辆轨迹数据中提取,用于描述车辆的运动和行为。所述多类型车辆跟踪特征包括车辆历史轨迹、车辆外廓尺寸、车辆位置等。并根据所述多类型跟踪特征对监测画面车辆特征进行各类型样本采集,得到多类型样本集。然后对所述多类型样本集进行特征提取,所述特征提取是指根据样本特征类型对所述多类型样本集进行分类,获得各样本的特征集。
分别对各样本的特征集进行特征权重计算,基于特征权重设定样本特征遍历序列;
在一个实施例中,还包括:
对特征进行识别度分析,确定特征明显度;
对特征进行重复率计算,确定特征重复率;
基于多类型跟踪特征进行跟踪规则解析,确定规则约束特征;
按照预设权重设定值对所述特征明显度、特征重复率、规则约束特征进行特征评估,获得特征评估值;
将所述特征评估值作为权重系数,获得各特征的权值。
分别对各样本的特征集进行特征权重计算,首先对特征进行识别度分析,所述识别度分析是指对特征数据质量进行判断,确定特征明显度,其中特征数据质量越高,则特征明显度越高;然后对特征进行重复率计算,所述特征重复率计算是指用于衡量一组特征中重复特征的比例,确定特征重复率,其中特征出现的次数越多,则特征重复率越高;根据多类型跟踪特征进行跟踪规则解析,所述跟踪规则解析是指对车辆跟踪规则进行分析和判断,其中车辆跟踪规则可以根据实际需求和场景进行定义,例如:超速规则:如果车辆的速度超过设定的限速值,则开始跟踪该车辆,并记录其位置和速度信息,这可以用于监控交通违法行为,例如超速驾驶;异常行驶规则:如果车辆出现异常行驶行为,例如频繁变道、急刹车等,开始跟踪该车辆,并记录异常行驶信息。这有助于识别交通事故风险或不安全驾驶行为。确定规则约束特征,所述规则约束特征是指所述车辆跟踪规则中的限制特征,例如:超速行驶、异常变道等。
然后按照预设权重设定值对所述特征明显度、特征重复率、规则约束特征进行特征评估,所述预设权重设置值本领域技术人员可基于特征对车辆跟踪的影响程度进行设置,其中特征对车辆的影响程度越大,则特征评估值越大,可通过现有的变异系数法进行特征评估值计算,变异系数法(Coefficient ofVariation,CV)是一种用于比较不同数据集变异性的统计方法。它是数据标准差与均值的比值,用来衡量数据相对于其均值的离散程度。变异系数法为本领域技术人员常用的权重设置方法,在此不进行展开说明。获得特征评估值。并将所述特征评估值作为权重系数,获得各特征的权值。并根据特征权重设定样本特征遍历序列,其中特征的权值越大,则特征在样本特征遍历序列中的位置越靠前。
将所述样本特征遍历序列作为车辆跟踪特征进行遍历比对。
将所述样本特征遍历序列作为车辆跟踪特征,与所述监测画面车辆特征进行遍历比对,获取预设特征比对阈值,所述预设特征比对阈值可基于实际情况自定义设置,将遍历比对结果中满足所述预设特征比对阈值的监测车辆作为监测目标车辆,获得监测目标车辆,通过获得所述监测目标车辆,为下一步进行车辆智能跟踪提供了依据。
采集监测目标车辆的车辆信息、行驶位置信息、行驶速度信息;
根据所述车辆信息进行车辆行驶性能评估,确定车辆行驶参数;
通过交通监测系统中的多个传感器、摄像头等设备获取监测目标车辆的车辆信息、行驶位置信息、行驶速度信息;所述车辆信息包括车牌号码、车辆类型、车辆品牌型号、车辆颜色、车辆尺寸等信息,所述行驶位置信息可通过GPS信息获得,全球定位系统(GPS)是获取车辆位置信息最常用的技术。现代车辆通常配备有GPS设备,可以准确地获取车辆的经度和纬度坐标,从而确定车辆的位置;所述车辆行驶速度信息可通过雷达、摄像头等监控设备进行测量获得。
然后根据所述车辆信息进行车辆行驶性能评估,所述车辆行驶性能评估,确定车辆行驶参数,车辆信息为对车辆基本信息的描述,包括车辆体积、型号、马力、发动机参数等,各种车辆的基本参数不同影响着车辆的行驶参数,行驶速度、灵活度均存在差异,所述车辆行驶参数是用来描述和衡量车辆在行驶过程中的性能和特性的各种参数。包括百公里加速度、行驶最大速度、最大马力、最大扭矩等信息。通过确定车辆行驶参数,为下一步进行车辆行驶状态预测提供了支持。示例性的,对于体积大的车辆,在行驶速度超过一定阈值的状态下,其行驶方向应为直行,若转完则需要降低车速,以保证转完操作,则按照车辆的基础参数和行驶速度即可判断该车辆的预测行驶方向。
根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,确定车辆预测监测轨迹;
在一个实施例中,还包括:
根据所述行驶位置信息通过电子地图系统进行位置区域道路提取,得到行驶道路信息,包括路况信息、通行道路节点;
根据所述行驶速度信息、车辆行驶参数进行驾驶策略,变动概率预测,获得驾驶方向预测信息;
根据所述行驶道路信息、所述驾驶方向预测信息进行行驶轨迹预测。
根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,首先,根据所述行驶位置信息通过电子地图系统进行位置区域道路提取,所述电子地图系统电子地图系统是一种基于计算机技术和地理信息系统(GIS)的应用程序,用于展示和管理地理空间数据以及提供导航和定位服务。这些系统通常包含了大量的地图数据和地理信息,可以用于导航、旅行规划、位置查找、地理分析等。例如:高德地图、百度地图、腾讯地图等;电子地图系统的核心是地图数据,这些数据可以包含道路、建筑物、地形、河流、城市边界、自然资源等信息。这些数据通常是通过地理勘测、遥感技术和其他数据采集手段获取的,并存储在计算机系统中。获得行驶道路信息,其中所述行驶道路信息包括路况信息和通行道路节点,所述路况信息是指的是道路上实时的交通状况和路面情况,例如:交通拥堵、路面坑洼、路面湿滑、路面积水、周围车辆状态等情况;所述通行道路节点是指在交通网络中连接不同道路、道路段或交通线路的特定位置或交汇点,这些节点通常是交通流量较大的地方,例如:十字路口、交叉口、环岛、高速公路互通立交等。
根据所述行驶速度信息、车辆行驶参数进行驾驶策略变动概率预测,所述驾驶策略变动概率预测,驾驶策略变动概率预测是指通过对驾驶员行为和车辆行驶参数进行分析,预测在未来一段时间内驾驶员可能改变其驾驶策略的概率。例如:当车辆处于减速状态且车辆前轮方向发生向左偏移时,说明此时车辆可能要向左变道或者向左转弯;当车辆处于加速状态且车辆前轮方向发生向左偏移时,说明车辆此时要超车。获得驾驶方向预测信息,所述驾驶方向预测信息是指车辆未来可能行驶的方向。
最后将所述行驶道路信息、所述驾驶方向预测信息进行信息融合,并根据信息融合结果进行行驶轨迹预测。例如:当前方路面发生交通事故,车辆都在左拐变道时,则此时车辆大概率进行左转变道;当前方路面为交通路口,前方车辆都在左转时,则此时车辆大概率在交通路口进行左转。获得车辆预测监测轨迹,通过结合所述行驶道路信息、所述驾驶方向预测信息进行行驶轨迹预测,可以提高车辆预测监测轨迹获得的准确率,从而提高车辆智能跟踪的准确率。
持续采集监测目标车辆的监测信息,并基于所述车辆预测监测轨迹,进行轨迹偏离度计算,基于轨迹偏离度进行追踪轨迹修正,获得车辆追踪信息。
在一个实施例中,还包括:
基于所述车辆预测监测轨迹、监测信息,确定瞄准点、瞄准距离;
通过轨迹跟踪算法模块,基于所述瞄准点、瞄准距离,进行轨迹跟踪,得到车辆轨迹运算结果;
通过交通监测系统进行车辆状态监测,持续采集并获得监测目标车辆的监测信息,其中所述监测信息包括车辆位置、车辆速度、车辆类型、车辆行驶状态等。然后根据所述监测信息和所述车辆预测监测轨迹,进行轨迹偏离度计算,所述轨迹偏离度计算是指对车辆在一段时间内的运动轨迹与参考轨迹之间的差异进行量化分析。
首先,基于所述车辆预测监测轨迹、监测信息,确定瞄准点、瞄准距离,所述瞄准点是指车辆预测监测轨迹中的任意一个点,本领域技术人员可根据实际情况设置,所述瞄准距离是指根据当前车辆行驶预测轨迹获得的车辆到达所述瞄准点的距离。然后将所述瞄准点和所述瞄准位置输入轨迹跟踪算法模块,所述轨迹跟踪算法模块内嵌有纯跟踪算法,所述纯跟踪算法是指一种基于车辆位置和参考轨迹的运动学关系来实现车辆横向控制的轨迹跟踪控制方法,其运算速度快、实时性强、适应性好。其原理是基于车辆与参考路径的几何关系,在固定参数预瞄距离、预瞄点与车辆位置之间建立算法,计算出转向半径及行驶曲率,最后根据已知的车辆轴距和预瞄距离计算出前轮转角控制量,车辆在该控制量的作用下可不断逼近期望路径,实现轨迹跟踪。纯跟踪算法的优点在于其简单性和实时性。由于它不涉及目标检测和识别的复杂过程,因此速度较快,适合于实时应用。通过利用纯跟踪算法进行轨迹跟踪,得到车辆轨迹运算结果。
在一个实施例中,还包括:
提取目标车辆的监测信息的第一目标图像;
基于瞄准点,读取预瞄像素数,并根据瞄准距离、目标车辆,确定最长径像素数的中心为圆心,以所述预瞄像素数为半径绘制目标圆;
将所述目标圆与所述车辆预测监测轨迹的交点作为预瞄像素点;
获取像素区域的第一实际运动方向,并将所述第一实际运动方向与预瞄像素点间的夹角作为偏差角;
基于所述最长径像素数、所述预瞄像素数和所述偏差角计算第一实际转角;
提取目标车辆监测信息的第二目标图像,并分析所述第二目标图像得到第二实际转角,其中,所述第一目标图像与所述第二目标图像为相邻图像;
基于所述第一实际转角和所述第二实际转角,获得所述车辆轨迹运算结果。
在利用纯跟踪算法进行轨迹跟踪时,首先提取目标车辆的监测信息的第一目标图像,所述第一目标图像为目标车辆监测信息中的任意一个图像。然后基于瞄准点,读取预瞄像素数,所述预瞄像素数用于表征一段距离,本领域技术人员可基于实际情况设置,并根据瞄准距离、目标车辆,将最长径像素数的中心作为圆心,以所述预瞄像素数为半径绘制目标圆。并将所述目标圆与所述车辆预测监测轨迹的交点作为预瞄像素点。
获取像素区域的第一实际运动方向,所述第一实际运动方向是指车辆后轮的运动方向,并将所述第一实际运动方向与预瞄像素点间的夹角作为偏差角。然后根据所述最长径像素数、所述预瞄像素数和所述偏差角计算第一实际转角。提取目标车辆监测信息的第二目标图像,并对所述第二目标图像进行分析,利用与上述同样的方法得到第二实际转角,其中,所述第一目标图像与所述第二目标图像为相邻图像,所述相邻图像即为相邻图像帧的图像。最后根据所述第一实际转角和所述第二实际转角进行车辆行驶轨迹拟合,获得所述车辆轨迹运算结果。通过获得车辆轨迹运算结果,为下一步进行车辆轨迹偏离度计算提供了支持。
根据所述车辆轨迹运算结果、所述车辆预测监测轨迹,获得轨迹偏离度。
具体而言,将所述车辆预测监测轨迹减去所述车辆轨迹运算结果,获得车辆轨迹差值,并将所述车辆轨迹差值作为轨迹偏离度。最后根据轨迹偏离度进行追踪轨迹修正,获得车辆追踪信息。通过上述方法解决了现有技术中存在根据车辆轨迹进行车辆追踪准确率较低的技术问题,可以提高车辆追踪的准确率和效率。
在一个实施例中,如图3所示提供了一种车辆轨迹的智能追踪系统,包括:监测目标车辆确定模块a、信息采集模块b、车辆行驶参数确定模块c、车辆预测监测轨迹确定模块d、车辆追踪信息获得模块e、其中:
监测目标车辆确定模块a,所述监测目标车辆确定模块a用于通过交通监测系统进行车辆状态监测,按照车辆跟踪特征进行监测画面车辆特征遍历,确定监测目标车辆;
信息采集模块b,所述信息采集模块b用于采集监测目标车辆的车辆信息、行驶位置信息、行驶速度信息;
车辆行驶参数确定模块c,所述车辆行驶参数确定模块c用于根据所述车辆信息进行车辆行驶性能评估,确定车辆行驶参数;
车辆预测监测轨迹确定模块d,所述车辆预测监测轨迹确定模块d用于根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,确定车辆预测监测轨迹;
车辆追踪信息获得模块e,所述车辆追踪信息获得模块e用于持续采集监测目标车辆的监测信息,并基于所述车辆预测监测轨迹,进行轨迹偏离度计算,基于轨迹偏离度进行追踪轨迹修正,获得车辆追踪信息。
在一个实施例中,所述系统还包括:
样本采集模块,所述样本采集模块用于设定多类型跟踪特征,并基于所述多类型跟踪特征进行各类型样本采集,得到多类型样本集;
特征提取模块,所述特征提取模块用于对所述多类型样本集进行特征提取,得到各样本的特征集;
样本特征遍历序列设定模块,所述样本特征遍历序列设定模块用于分别对各样本的特征集进行特征权重计算,基于特征权重设定样本特征遍历序列;
遍历比对模块,所述遍历比对模块用于将所述样本特征遍历序列作为车辆跟踪特征进行遍历比对。
在一个实施例中,所述系统还包括:
特征明显度确定模块,所述特征明显度确定模块用于对特征进行识别度分析,确定特征明显度;
特征重复率确定模块,所述特征重复率确定模块用于对特征进行重复率计算,确定特征重复率;
规则约束特征确定模块,所述规则约束特征确定模块用于基于多类型跟踪特征进行跟踪规则解析,确定规则约束特征;
特征评估值获得模块,所述特征评估值获得模块用于按照预设权重设定值对所述特征明显度、特征重复率、规则约束特征进行特征评估,获得特征评估值;
权值获得模块,所述权值获得模块用于将所述特征评估值作为权重系数,获得各特征的权值。
在一个实施例中,所述系统还包括:
信息获得模块,所述信息获得模块用于根据所述行驶位置信息通过电子地图系统进行位置区域道路提取,得到行驶道路信息,包括路况信息、通行道路节点;
驾驶方向预测信息获得模块,所述驾驶方向预测信息获得模块用于根据所述行驶速度信息、车辆行驶参数进行驾驶策略,变动概率预测,获得驾驶方向预测信息;
行驶轨迹预测模块,所述行驶轨迹预测模块用于根据所述行驶道路信息、所述驾驶方向预测信息进行行驶轨迹预测。
在一个实施例中,所述系统还包括:
瞄准点瞄准距离确定模块,所述瞄准点瞄准距离确定模块用于基于所述车辆预测监测轨迹、监测信息,确定瞄准点、瞄准距离;
车辆轨迹运算结果得到模块,所述车辆轨迹运算结果得到模块用于通过轨迹跟踪算法模块,基于所述瞄准点、瞄准距离,进行轨迹跟踪,得到车辆轨迹运算结果;
轨迹偏离度获得模块,所述轨迹偏离度获得模块用于根据所述车辆轨迹运算结果、所述车辆预测监测轨迹,获得轨迹偏离度。
在一个实施例中,所述系统还包括:
第一目标图像提取模块,所述第一目标图像提取模块用于提取目标车辆的监测信息的第一目标图像;
目标圆绘制模块,所述目标圆绘制模块用于基于瞄准点,读取预瞄像素数,并根据瞄准距离、目标车辆,确定最长径像素数的中心为圆心,以所述预瞄像素数为半径绘制目标圆;
预瞄像素点获得模块,所述预瞄像素点获得模块用于将所述目标圆与所述车辆预测监测轨迹的交点作为预瞄像素点;
偏差角获得模块,所述偏差角获得模块用于获取像素区域的第一实际运动方向,并将所述第一实际运动方向与预瞄像素点间的夹角作为偏差角;
第一实际转角计算模块,所述第一实际转角计算模块用于基于所述最长径像素数、所述预瞄像素数和所述偏差角计算第一实际转角;
第二实际转角得到模块,所述第二实际转角得到模块用于提取目标车辆监测信息的第二目标图像,并分析所述第二目标图像得到第二实际转角,其中,所述第一目标图像与所述第二目标图像为相邻图像;
车辆轨迹运算结果获得模块,所述车辆轨迹运算结果获得模块用于基于所述第一实际转角和所述第二实际转角,获得所述车辆轨迹运算结果。
综上所述,本申请提供了一种车辆轨迹的智能追踪方法及系统具有以下技术效果:
1.解决了现有技术中存在根据车辆轨迹进行车辆追踪准确率较低的技术问题,可以提高车辆追踪的准确率和效率。
2.通过结合所述行驶道路信息、所述驾驶方向预测信息进行行驶轨迹预测,可以提高车辆预测监测轨迹获得的准确率,从而提高车辆智能跟踪的准确率。
3.纯跟踪算法的优点在于其简单性和实时性。由于它不涉及目标检测和识别的复杂过程,因此速度较快,适合于实时应用
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种车辆轨迹的智能追踪方法,其特征在于,包括:
通过交通监测系统进行车辆状态监测,按照车辆跟踪特征进行监测画面车辆特征遍历,确定监测目标车辆;
采集监测目标车辆的车辆信息、行驶位置信息、行驶速度信息;
根据所述车辆信息进行车辆行驶性能评估,确定车辆行驶参数;
根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,确定车辆预测监测轨迹;
持续采集监测目标车辆的监测信息,并基于所述车辆预测监测轨迹,进行轨迹偏离度计算,基于轨迹偏离度进行追踪轨迹修正,获得车辆追踪信息。
2.如权利要求1所述的方法,其特征在于,所述按照车辆跟踪特征进行监测画面车辆特征遍历,确定监测目标车辆,包括:
设定多类型跟踪特征,并基于所述多类型跟踪特征进行各类型样本采集,得到多类型样本集;
对所述多类型样本集进行特征提取,得到各样本的特征集;
分别对各样本的特征集进行特征权重计算,基于特征权重设定样本特征遍历序列;
将所述样本特征遍历序列作为车辆跟踪特征进行遍历比对。
3.如权利要求2所述的方法,其特征在于,分别对各样本的特征集进行特征权重计算,包括:
对特征进行识别度分析,确定特征明显度;
对特征进行重复率计算,确定特征重复率;
基于多类型跟踪特征进行跟踪规则解析,确定规则约束特征;
按照预设权重设定值对所述特征明显度、特征重复率、规则约束特征进行特征评估,获得特征评估值;
将所述特征评估值作为权重系数,获得各特征的权值。
4.如权利要求1所述的方法,其特征在于,根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,确定车辆预测监测轨迹,包括:
根据所述行驶位置信息通过电子地图系统进行位置区域道路提取,得到行驶道路信息,包括路况信息、通行道路节点;
根据所述行驶速度信息、车辆行驶参数进行驾驶策略,变动概率预测,获得驾驶方向预测信息;
根据所述行驶道路信息、所述驾驶方向预测信息进行行驶轨迹预测。
5.如权利要求1所述的方法,其特征在于,所述进行轨迹偏离度计算,包括:
基于所述车辆预测监测轨迹、监测信息,确定瞄准点、瞄准距离;
通过轨迹跟踪算法模块,基于所述瞄准点、瞄准距离,进行轨迹跟踪,得到车辆轨迹运算结果;
根据所述车辆轨迹运算结果、所述车辆预测监测轨迹,获得轨迹偏离度。
6.如权利要求5所述的方法,其特征在于,还包括:
提取目标车辆的监测信息的第一目标图像;
基于瞄准点,读取预瞄像素数,并根据瞄准距离、目标车辆,确定最长径像素数的中心为圆心,以所述预瞄像素数为半径绘制目标圆;
将所述目标圆与所述车辆预测监测轨迹的交点作为预瞄像素点;
获取像素区域的第一实际运动方向,并将所述第一实际运动方向与预瞄像素点间的夹角作为偏差角;
基于所述最长径像素数、所述预瞄像素数和所述偏差角计算第一实际转角;
提取目标车辆监测信息的第二目标图像,并分析所述第二目标图像得到第二实际转角,其中,所述第一目标图像与所述第二目标图像为相邻图像;
基于所述第一实际转角和所述第二实际转角,获得所述车辆轨迹运算结果。
7.一种车辆轨迹的智能追踪系统,其特征在于,用于执行权利要求1-6中所述的一种车辆轨迹的智能追踪方法中任意一项方法的步骤,包括:
监测目标车辆确定模块,所述监测目标车辆确定模块用于通过交通监测系统进行车辆状态监测,按照车辆跟踪特征进行监测画面车辆特征遍历,确定监测目标车辆;
信息采集模块,所述信息采集模块用于采集监测目标车辆的车辆信息、行驶位置信息、行驶速度信息;
车辆行驶参数确定模块,所述车辆行驶参数确定模块用于根据所述车辆信息进行车辆行驶性能评估,确定车辆行驶参数;
车辆预测监测轨迹确定模块,所述车辆预测监测轨迹确定模块用于根据所述行驶位置信息、行驶速度信息结合所述车辆行驶参数,进行监测目标车辆的行驶状态预测,确定车辆预测监测轨迹;
车辆追踪信息获得模块,所述车辆追踪信息获得模块用于持续采集监测目标车辆的监测信息,并基于所述车辆预测监测轨迹,进行轨迹偏离度计算,基于轨迹偏离度进行追踪轨迹修正,获得车辆追踪信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311112885.XA CN117274303A (zh) | 2023-08-31 | 2023-08-31 | 一种车辆轨迹的智能追踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311112885.XA CN117274303A (zh) | 2023-08-31 | 2023-08-31 | 一种车辆轨迹的智能追踪方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117274303A true CN117274303A (zh) | 2023-12-22 |
Family
ID=89220490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311112885.XA Pending CN117274303A (zh) | 2023-08-31 | 2023-08-31 | 一种车辆轨迹的智能追踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274303A (zh) |
-
2023
- 2023-08-31 CN CN202311112885.XA patent/CN117274303A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3673407B1 (en) | Automatic occlusion detection in road network data | |
CN107843440B (zh) | 一种自动驾驶车辆性能测试系统及方法 | |
CN107782564B (zh) | 一种自动驾驶车辆测评系统及方法 | |
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
US11423677B2 (en) | Automatic detection and positioning of pole-like objects in 3D | |
RU2654502C2 (ru) | Система и способ дистанционного наблюдения за транспортными средствами | |
Zhao et al. | On-road vehicle trajectory collection and scene-based lane change analysis: Part i | |
US11335191B2 (en) | Intelligent telematics system for defining road networks | |
US11867819B2 (en) | Automatic positioning of 2D image sign sightings in 3D space | |
US11699100B2 (en) | System for determining traffic metrics of a road network | |
US11237007B2 (en) | Dangerous lane strands | |
CN102208013A (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
CN102208012A (zh) | 风景匹配参考数据生成系统及位置测量系统 | |
US11341846B2 (en) | Traffic analytics system for defining road networks | |
CN107590999B (zh) | 一种基于卡口数据的交通状态判别方法 | |
US11335189B2 (en) | Method for defining road networks | |
CN109493606B (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
CN112734242A (zh) | 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端 | |
CN115757628A (zh) | 车辆碰撞检测方法、装置、设备及介质 | |
JP4774807B2 (ja) | 画像修正装置、地物認識装置及び地物認識方法 | |
CN117274303A (zh) | 一种车辆轨迹的智能追踪方法及系统 | |
CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 | |
Jomrich et al. | Lane Accurate Detection of Map Changes based on Low Cost Smartphone Data. | |
WO2022233099A1 (zh) | 基于联网adas调查路域交通违法行为时空特征的方法 | |
EP3919860A1 (en) | Intelligent telematics system for defining road networks |
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 |