CN117494029A - 一种道路抛洒物事件识别方法及装置 - Google Patents
一种道路抛洒物事件识别方法及装置 Download PDFInfo
- Publication number
- CN117494029A CN117494029A CN202311841938.1A CN202311841938A CN117494029A CN 117494029 A CN117494029 A CN 117494029A CN 202311841938 A CN202311841938 A CN 202311841938A CN 117494029 A CN117494029 A CN 117494029A
- Authority
- CN
- China
- Prior art keywords
- track
- target vehicle
- running track
- event
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005266 casting Methods 0.000 title claims description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000012790 confirmation Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 7
- 230000001483 mobilizing effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种道路抛洒物事件识别方法及装置,属于数据处理领域。该方法基于轨迹是否异常进行判断的过程算力要求低使用维护成本低,无需进行大规模的图像视频识别训练,此外,根据轨迹是否异常进行抛洒物判断的方式也可以将重点着眼于对交通有影响的抛洒物即轨迹改变,忽略对交通没有影响的抛洒物,且不依赖于较多的图像处理判断识别的准确性提高,各类天气和全天各时间段仍然可以进行轨迹识别,有利于大规模布置应用。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种道路抛洒物事件识别方法及装置。
背景技术
在当前道路事件判断场景中大量涉及数据处理领域,存在各类车路协同任务,如目标车辆监控、道路堵塞、交通事件监控等等,常见的交互系统为传感器、边缘计算设备和大数据平台。其中大数据平台一般由大型数据服务器或者数据中心来承担,因此需要额外的硬件,由此大数据平台的构建成本高,对平台的数据处理能力要求也高。
本申请涉及智慧交通中的道路抛洒物事件检测,道路抛洒对于交通安全非常重要,尤其是在高速公路上目标车辆行驶速度快,道路抛洒物容易造成严重的交通事故。
基于上述常见交互系统,为了完成道路抛洒物事件的识别任务,需要高密度布置传感器,然而限于传感器布置密度带来的高成本与人力维护,无法实现该方式,即大量布置摄像头,由此需要一种低成本且识别效率高的方法来实现道路抛洒物事件的识别。
发明内容
本申请实施例提供了一种道路抛洒物事件识别方法及装置,能够解决相关技术中道路抛洒物事件检测成本高效率低的问题。所述技术方案如下:
一方面,本发明提供了一种道路抛洒物事件识别方法,所述方法包括:
通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据所述轨迹数据生成连续行驶轨迹;
根据所述目标车辆的连续行驶轨迹获取正常行驶轨迹参数;
响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动所述路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认;
响应于确认结果显示为抛洒物事件,获取所述抛洒物事件的路况信息。
可选的,所述响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动所述路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认,还包括:
响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数相比发生轨迹异常,通过所述路侧传感器采集所述目标车辆的临近车辆行驶轨迹;
判断所述临近车辆行驶轨迹是否出现异常;
响应于所述临近车辆行驶轨迹出现异常,确认出存在所述抛洒物事件。
可选的,所述响应于确认结果显示为抛洒物事件,获取所述抛洒物事件的路况信息,包括:
响应于所述确认结果显示为抛洒物事件,获取所述目标车辆的位置信息;
根据所述目标车辆的位置信息,获取所述抛洒物事件的路况信息。
可选的,所述方法还包括:
响应于所述临近车辆行驶轨迹正常,继续执行所述通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据所述轨迹数据生成连续行驶轨迹的步骤。
可选的,所述临近车辆行驶轨迹出现异常的情况包括所述临近车辆行驶绕行和所述临近车辆行驶变道。
可选的,所述根据所述目标车辆的连续行驶轨迹获取正常行驶轨迹参数,包括:
获取所述目标车辆目标时间段内的连续行驶轨迹;
将所述目标时间段内的连续行驶轨迹输入轨迹参数模型,所述轨迹参数模型用于根据车道的空间拓扑对所述目标车辆进行正常行驶轨迹参数的获取;
输出获取的正常行驶轨迹参数。
可选的,所述通过路侧传感器获取目标车辆在连续时间段的轨迹数据,包括:
通过雷达摄像机对所述目标车辆进行远距离与近距离检测,获取目标车辆在连续时间段的轨迹数据。
可选的,所述获取的正常行驶轨迹参数包括获取的所述目标车辆的正常行驶路线、速度变化、加速度变化、行驶方向变化、转向角度和转向加速度。
另一方面,本发明还提供了一种道路抛洒物事件识别系统,所述系统适用于上述所述的一种道路抛洒物事件识别方法,所述系统包括数据中心、路侧传感器与边缘计算设备;
所述路侧传感器用于将获取的所述目标车辆的连续行驶轨迹发送至所述边缘计算设备;
所述边缘计算设备用于根据所述目标车辆的连续行驶轨迹获取正常行驶轨迹参数,还用于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹时启动所述路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认;
所述路侧传感器还用于对所述异常轨迹进行确认,并将确认信息发送至所述边缘计算设备;所述边缘计算设备还用于根据所述路侧传感器发送的确认信息判断是否为所述抛洒物事件;
所述边缘计算设备还用于确定出所述抛洒物事件后调动所述路侧传感器获取所述抛洒物事件的路况信息;
所述数据中心用于存储所述路侧传感器与所述边缘计算设备的交互信息。
另一方面,本发明还提供了一种道路抛洒物事件识别装置,所述装置包括:
轨迹获取模块,用于通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据所述轨迹数据生成连续行驶轨迹;
参数获取模块,用于根据所述目标车辆的连续行驶轨迹获取正常行驶轨迹参数;
轨迹确认模块,用于响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动所述路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认;
路况获取模块,用于响应于确认结果显示为抛洒物事件,获取所述抛洒物事件的路况信息。
本申请实施例中,提供的一种道路抛洒物事件识别方法,通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据轨迹数据生成连续行驶轨迹,根据目标车辆的连续行驶轨迹获取正常行驶轨迹参数,响应于目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认,响应于确认结果显示为抛洒物事件,获取抛洒物事件的路况信息;本申请中基于轨迹是否异常进行判断的过程算力要求低使用维护成本低,无需进行大规模的图像视频识别训练,此外,根据轨迹是否异常进行抛洒物判断的方式也可以将重点着眼于对交通有影响如造成轨迹改变的抛洒物,忽略对交通没有影响的抛洒物如纸张,塑料袋等,且不依赖于较多的图像处理判断识别的准确性提高,各类天气和各时间段仍然可以进行轨迹识别,有利于大规模布置应用。
附图说明
图1示出了本申请一示例性实施例提供的道路抛洒物事件识别系统的环境示意图;
图2示出了本申请一个示例性实施例提供的道路抛洒物事件识别方法的流程图;
图3示出了本申请另一个示例性实施例提供的道路抛洒物事件识别装置的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
对于道路抛洒物识别事件,现有技术通常是通过图像识别的方式,人工智能深度学习的方式对摄像头采集的图片进行学习识别,准确性不高。距离摄像机远处的位置准确性更差;因为是图像传感器,受到不同天气,光线的影响较大,整体的鲁棒性不够。需要在门架上安装摄像机,因为安装在路侧杆件上的摄像机会受到物理遮挡的影响更大,靠近路边的大车遮挡摄像机的视野。
而本申请提供了一种道路抛洒物事件识别方法,该方法基于图1所示的道路抛洒物事件识别系统进行交互执行。
为了方便理解,请参考图1,其示出了本申请一个示例性实施例提供的道路抛洒物事件识别系统的环境示意图。该道路抛洒物事件识别系统中包括路侧传感器110、边缘计算设备120、数据中心130和车辆140。
路侧传感器110通常是雷达、摄像头等组件,进行雷达及摄像机的数据融合,识别所有行驶车辆的连续轨迹,并在一段时间内对车辆140正常行驶的轨迹进行机器学习,或者,通过数据中心130对车辆140正常行驶的轨迹进行机器学习。
当道路存在抛洒物时,行驶的车辆140会改变行驶轨迹,通过路侧传感器110信息采集,边缘计算设备120会检测到轨迹相比于正常情况下行驶轨迹的变化,以及,轨迹变化的位置。可选的,可以通过调取路侧传感器处的信息在该位置做进一步检测确认抛洒物,从行驶轨迹的变化及图像来判断抛洒物事件及位置。
在本申请发明中,路侧传感器用于将获取的目标车辆的连续行驶轨迹发送至边缘计算设备,边缘计算设备用于根据目标车辆的连续行驶轨迹获取正常行驶轨迹参数,还用于目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹时启动路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认。
在进一步场景中,路侧传感器还用于对异常轨迹进行确认,并将确认信息发送至边缘计算设备,边缘计算设备还用于根据路侧传感器发送的确认信息判断是否为抛洒物事件,此外,边缘计算设备还用于确定出抛洒物事件后调动路侧传感器获取抛洒物事件的路况信息,其中,数据中心用于存储路侧传感器与边缘计算设备的交互信息。如接收边缘计算设备发送的是否有抛洒物的事件通知,并存储相应事件的信息,例如事件的时间、地点、车道、图形和视频等。
请参考图2,其示出了本申请一个示例性实施例示出的道路抛洒物事件识别方法的流程图,该方法包括:
步骤201,通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据轨迹数据生成连续行驶轨迹。
在本步骤中,需要实现目标车辆定位、时间同步、轨迹数据获取、轨迹参数获取、数据处理和存储以及实时更新。
对于目标车辆定位,使用路侧传感器实现,路侧传感器通常是雷达、激光雷达、摄像头等组件,对道路上的车辆进行实时监测和定位,可以提供车辆的位置、速度、方向等信息。
而本申请中,在一种可能的实施方式中,考虑检测精度问题,采用的方式是进行雷达及摄像机的融合对目标车辆进行远距离和近距离检测,考虑摄像机在远处的分辨低,如果需要识别抛洒物,需要较高的传感器布置密度,可通过雷达摄像机进行检测,降低了传感器布置密度,极大降低成本。其次,能检测到的抛洒物的尺寸与轨迹精度有关,雷达摄像机融合传感器轨迹精度在距离传感器较远的位置仍然可以保持较高的位置精度,因此本方案在距离传感器较远的位置仍然可以检测的尺寸较小的抛洒物。
再者,因传感器使用雷达摄像机融合传感器,夜间检测能力仍然较强,可以克服视觉传感器容易受天气,夜间光照弱,强光等的影响。
其中,连续时间段可以是行驶后预设时间段后的各个时刻组成,或传感器数据采集时间点等,对此不作限定,并将连续时间段获取的目标车辆的位置信息记为该车辆的轨迹数据,进而根据轨迹数据开始连续获得目标车辆的连续行驶轨迹。
时间同步在于保证路侧传感器与其他系统的时间同步,确保在连续时间段准确捕获目标车辆的轨迹数据;轨迹数据获取在于在连续时间段,通过路侧传感器获取目标车辆的轨迹数据信息,可以是车辆的坐标(经纬度或相对于某个基准点的位置)、速度、方向等。
步骤202,根据目标车辆的连续行驶轨迹获取正常行驶轨迹参数。
在一种可能的实施方式中,步骤202包括如下内容一至内容三,且通过路侧传感器完成正常行驶轨迹参数的获取。
内容一、获取目标车辆目标时间段内的连续行驶轨迹。
首先了解使用何种传感器数据,例如GPS、惯性测量单元(IMU)、雷达或摄像头等,以收集目标车辆的连续行驶轨迹,在本申请实施例中以雷达摄像头作为传感器为例进行说明。
进一步的,需要对收集的数据进行有效的预处理,包括去噪、坐标转换、异常值处理等,以确保后续分析的可靠性。
内容二、将目标时间段内的连续行驶轨迹输入轨迹参数模型,轨迹参数模型用于根据车道的空间拓扑对目标车辆进行正常行驶轨迹参数的获取,比如轨迹、转向角度、转向加速度等。
在本申请实施例中,从采集到的数据中提取轨迹信息得到正常行驶轨迹参数通过轨迹参数模型实现,涉及到对速度、加速度、方向等数据进行轨迹点的提取。
在一个示例中,设计基于规则的判定条件,根据连续行驶轨迹判断目标车辆的行驶状态和参数。如,设置规则判断车辆是否在正常车道内,根据车辆相对车道中心的位置和方向判断转向角度、转向加速度等参数。
在一个示例中,利用统计学方法对轨迹数据进行分析,从中提取车辆正常行驶的特征。如使用统计工具均值、方差等,识别车辆正常行驶的典型模式,例如正常转弯的角度范围、正常的速度分布等。
在一个示例中,利用机器学习算法训练模型,从输入的连续行驶轨迹中学习目标车辆的正常行驶参数。如可以使用监督学习算法,提供带有标签的训练数据,让模型学会将轨迹映射到正常行驶参数。
在一个示例中,使用深度学习神经网络对轨迹数据进行端到端的建模,从中提取目标车辆的正常行驶轨迹参数。如使用适当的深度学习结构,如卷积神经网络(CNN)、循环神经网络(RNN)、长短时记忆网络(LSTM)等,以捕捉轨迹的复杂时空关系。
进一步的,大量的车辆通过该路段,正常轨迹是在车道内,即轨迹类似,从而通过学习得到车道的空间拓扑。
内容三、输出获取的正常行驶轨迹参数。
其中,在上述示例的方法下,获取的正常行驶轨迹参数包括目标车辆的正常行驶路线、速度变化、加速度变化、行驶方向变化、转向角度和转向加速度等。
此外,需要说明的是,本申请实施例中以实施于目标车辆为例进行说明,也可以通过路侧传感器获取目标路段内经过的车辆的连续行驶轨迹,对此不作限定,进而步骤202执行为根据大规模历史车辆行驶轨迹获取目标路段的正常行驶轨迹参数。
步骤203,响应于目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认。
在一种可能的实施方式中,响应于目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数相比发生轨迹异常,启动路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认,其中轨迹中断的具体表现可以是车辆发生了绕行和变道,从而偏离原来的行驶轨迹造成轨迹中断。
其中,轨迹异常包括轨迹中断、非正常变道等情况,考虑轨迹异常的多样性,且为了进一步提高异常轨迹判断的精准性,步骤203还包括二次确认的如下内容。
内容一、响应于目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数相比发生轨迹异常,通过路侧传感器采集目标车辆的临近车辆行驶轨迹。
内容二、判断临近车辆行驶轨迹是否出现异常。
内容三、响应于临近车辆行驶轨迹出现异常,确认出存在抛洒物事件。
上述内容可以进一步提高抛洒物事件判断时的精准性,避免目标车辆实际为正常行驶轨迹误判为存在抛洒物事件,节约了检测成本,其中临近车辆是目标车辆在行驶该路段时前后经过的连续行驶车辆。
特别的,对于不影响交通行为的物体(比如纸张,塑料袋等),车辆行驶轨迹不会发生异常改变,这类抛洒物时间不需要交通管理部门采取干预处理措施,所以本步骤减少了不影响交通行为物体抛洒的检测,简化了算力以及更加适应实际交通场景。
步骤204,响应于确认结果显示为抛洒物事件,获取抛洒物事件的路况信息。
在一种可能的实施方式中,响应于确认结果显示为抛洒物事件,获取目标车辆的位置信息,进而根据目标车辆的位置信息,获取抛洒物事件的路况信息,抛洒物事件的路况信息可以包括抛洒物事件的发生事件、发生地点和发生抛洒的车辆信息。
此外,在上述步骤的基础上,响应于临近车辆行驶轨迹正常,继续执行通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据所述轨迹数据生成连续行驶轨迹的步骤。
相比于基于图像的大规模AI计算,本方案需要的算力大幅降低,因此算力成本更低,所消耗的能源也大幅降低,更加绿色可持续。
如技术背景所描述的在当前数据处理领域,存在各类车路协同任务,如目标车辆监控、道路堵塞、交通事件监控等等,常见的交互系统为传感器、边缘计算设备和大数据平台。其中大数据平台一般由大型数据服务器或者数据中心来承担,因此需要额外的硬件,由此大数据平台的构建成本高,对平台的数据处理能力要求也高。
在一个示例中,基于上述常见交互系统,为了完成道路抛洒物事件的识别任务,需要高密度布置传感器,然而该方法限于传感器布置密度带来的高成本与人力维护,于设备而言需要较好的算力,于作业人员而言需要较强的处理能力,因为实施成本高,难以普及,即大量布置摄像头的方式成本高且识别效率低。在本申请中,通过传感器获取车辆或路段的连续行驶轨迹来进而判断抛洒物事件,无需布置大量设备,可以在原有实施条件下进行,尤其是在夜间或极端天气条件下,因为夜间和极端天气条件下摄像头组件识别困难,或需要较高算力的摄像组件,但本申请通过传感器获取轨迹方式的方式可以在该特殊环境下执行,也可以进行抛洒物事件的判断,成本低效率高。
综上所述,本申请实施例提供的一种道路抛洒物事件识别方法,通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据轨迹数据生成连续行驶轨迹,根据目标车辆的连续行驶轨迹获取正常行驶轨迹参数,响应于目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认,响应于确认结果显示为抛洒物事件,获取抛洒物事件的路况信息;本申请中基于轨迹是否异常进行判断的过程算力要求低使用维护成本低,无需进行大规模的图像视频识别训练,此外,根据轨迹是否异常进行抛洒物判断的方式也可以将重点着眼于对交通有影响的抛洒物(轨迹改变),忽略对交通没有影响的抛洒物(比如纸张,塑料袋等),且不依赖于较多的图像处理判断识别的准确性提高,各类天气仍然可以进行轨迹识别,有利于大规模布置应用。
进一步的,本申请实施例通过雷达摄像机进行数据采集,实现远近距离的精确采集。
进一步的,本申请实施例还包括对临近车辆行驶轨迹的获取,以提高抛洒物事件判断时的精准性,避免误识别进一步节约了实施成本。
请参考图3,其示出了本申请一个实施例提供的道路抛洒物事件识别装置的结构框图。装置包括:
轨迹获取模块301,用于通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据所述轨迹数据生成连续行驶轨迹;
参数获取模块302,用于根据所述目标车辆的连续行驶轨迹获取正常行驶轨迹参数;
轨迹确认模块303,用于响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动所述路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认;
路况获取模块304,用于响应于确认结果显示为抛洒物事件,获取所述抛洒物事件的路况信息。
可选地,所述轨迹确认模块303,还包括:
第二确认单元,用于响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数相比发生轨迹异常,通过所述路侧传感器采集所述目标车辆的临近车辆行驶轨迹;
第三确认单元,用于判断所述临近车辆行驶轨迹是否出现异常;
第四确认单元,用于响应于所述临近车辆行驶轨迹出现异常,确认出存在所述抛洒物事件。
可选地,所述路况获取模块304,包括:
第一获取单元,用于响应于所述确认结果显示为抛洒物事件,获取所述目标车辆的位置信息;
第二获取单元,用于根据所述目标车辆的位置信息,获取所述抛洒物事件的路况信息。
可选地,所述装置还包括:
路况正常模块,用于响应于所述临近车辆行驶轨迹正常,继续执行所述通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据所述轨迹数据生成连续行驶轨迹的步骤。
可选的,所述轨迹获取模块301,包括:
通过雷达摄像机对所述目标车辆进行远距离与近距离检测,获取目标车辆在连续时间段的轨迹数据。
可选地,所述参数获取模块302,包括:
第一获取单元,用于获取所述目标车辆目标时间段内的连续行驶轨迹;
第二获取单元,用于将所述目标时间段内的连续行驶轨迹输入轨迹参数模型,所述轨迹参数模型用于根据车道的空间拓扑对所述目标车辆进行正常行驶轨迹参数的获取;
第三获取单元,用于输出获取的正常行驶轨迹参数。
可选地,所述获取的正常行驶轨迹参数包括获取的所述目标车辆的正常行驶路线、速度变化、加速度变化、行驶方向变化、转向角度和转向加速度。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种道路抛洒物事件识别方法,其特征在于,所述方法包括:
通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据所述轨迹数据生成连续行驶轨迹;
根据所述目标车辆的连续行驶轨迹获取正常行驶轨迹参数;
响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动所述路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认;
响应于确认结果显示为抛洒物事件,获取所述抛洒物事件的路况信息。
2.根据权利要求1所述的方法,其特征在于,所述响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动所述路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认,还包括:
响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数相比发生轨迹异常,通过所述路侧传感器采集所述目标车辆的临近车辆行驶轨迹;
判断所述临近车辆行驶轨迹是否出现异常;
响应于所述临近车辆行驶轨迹出现异常,确认出存在所述抛洒物事件。
3.根据权利要求1所述的方法,其特征在于,所述响应于确认结果显示为抛洒物事件,获取所述抛洒物事件的路况信息,包括:
响应于所述确认结果显示为抛洒物事件,获取所述目标车辆的位置信息;
根据所述目标车辆的位置信息,获取所述抛洒物事件的路况信息。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
响应于所述临近车辆行驶轨迹正常,继续执行所述通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据所述轨迹数据生成连续行驶轨迹的步骤。
5.根据权利要求1所述的方法,其特征在于,所述通过路侧传感器获取目标车辆在连续时间段的轨迹数据,包括:
通过雷达摄像机对所述目标车辆进行检测,获取目标车辆在连续时间段的轨迹数据。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标车辆的连续行驶轨迹获取正常行驶轨迹参数,包括:
获取所述目标车辆目标时间段内的连续行驶轨迹;
将所述目标时间段内的连续行驶轨迹输入轨迹参数模型,所述轨迹参数模型用于根据车道的空间拓扑对所述目标车辆进行正常行驶轨迹参数的获取;
输出获取的正常行驶轨迹参数。
7.根据权利要求6所述的方法,其特征在于,所述获取的正常行驶轨迹参数包括获取的所述目标车辆的正常行驶路线、速度变化、加速度变化、行驶方向变化、转向角度和转向加速度。
8.一种道路抛洒物事件识别系统,其特征在于,所述系统适用于上述权利要求1至7任一所述的一种道路抛洒物事件识别方法,所述系统包括数据中心、路侧传感器与边缘计算设备;
所述路侧传感器用于将获取的所述目标车辆的连续行驶轨迹发送至所述边缘计算设备;
所述边缘计算设备用于根据所述目标车辆的连续行驶轨迹获取正常行驶轨迹参数,还用于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹时启动所述路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认;
所述路侧传感器还用于对所述异常轨迹进行确认,并将确认信息发送至所述边缘计算设备;所述边缘计算设备还用于根据所述路侧传感器发送的确认信息判断是否为所述抛洒物事件;
所述边缘计算设备还用于确定出所述抛洒物事件后调动所述路侧传感器获取所述抛洒物事件的路况信息;
所述数据中心用于存储所述路侧传感器与所述边缘计算设备的交互信息。
9.一种道路抛洒物事件识别装置,其特征在于,所述装置包括:
轨迹获取模块,用于通过路侧传感器获取目标车辆在连续时间段的轨迹数据,并根据所述轨迹数据生成连续行驶轨迹;
参数获取模块,用于根据所述目标车辆的连续行驶轨迹获取正常行驶轨迹参数;
轨迹确认模块,用于响应于所述目标车辆的当前行驶轨迹相较于获取的正常行驶轨迹参数存在异常轨迹,启动所述路侧传感器对异常轨迹对应的位置进行是否存在抛洒物的确认;
路况获取模块,用于响应于确认结果显示为抛洒物事件,获取所述抛洒物事件的路况信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311841938.1A CN117494029B (zh) | 2023-12-29 | 2023-12-29 | 一种道路抛洒物事件识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311841938.1A CN117494029B (zh) | 2023-12-29 | 2023-12-29 | 一种道路抛洒物事件识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117494029A true CN117494029A (zh) | 2024-02-02 |
CN117494029B CN117494029B (zh) | 2024-04-19 |
Family
ID=89676801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311841938.1A Active CN117494029B (zh) | 2023-12-29 | 2023-12-29 | 一种道路抛洒物事件识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117494029B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180257647A1 (en) * | 2015-09-10 | 2018-09-13 | Continental Automotive Gmbh | Automated detection of hazardous drifting vehicles by vehicle sensors |
CN110473402A (zh) * | 2019-08-20 | 2019-11-19 | 河北德冠隆电子科技有限公司 | 一种基于目标异常行为轨迹分析的异常事件检测预警系统 |
CN113269042A (zh) * | 2021-04-25 | 2021-08-17 | 安徽银徽科技有限公司 | 基于行驶车辆违章识别的智能交通管理方法及系统 |
CN113674314A (zh) * | 2021-07-14 | 2021-11-19 | 浙江大华技术股份有限公司 | 抛洒事件检测方法、装置、电子装置和存储介质 |
WO2021254175A1 (zh) * | 2020-06-17 | 2021-12-23 | 华为技术有限公司 | 一种道路安全监控的方法、系统和计算机设备 |
CN114512006A (zh) * | 2022-04-18 | 2022-05-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面抛洒物预警方法、装置和存储介质 |
CN117253367A (zh) * | 2023-10-10 | 2023-12-19 | 山西省智慧交通研究院有限公司 | 一种轨迹数据驱动的高速公路抛洒物检测及避让预警方法 |
-
2023
- 2023-12-29 CN CN202311841938.1A patent/CN117494029B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180257647A1 (en) * | 2015-09-10 | 2018-09-13 | Continental Automotive Gmbh | Automated detection of hazardous drifting vehicles by vehicle sensors |
CN110473402A (zh) * | 2019-08-20 | 2019-11-19 | 河北德冠隆电子科技有限公司 | 一种基于目标异常行为轨迹分析的异常事件检测预警系统 |
WO2021254175A1 (zh) * | 2020-06-17 | 2021-12-23 | 华为技术有限公司 | 一种道路安全监控的方法、系统和计算机设备 |
CN113269042A (zh) * | 2021-04-25 | 2021-08-17 | 安徽银徽科技有限公司 | 基于行驶车辆违章识别的智能交通管理方法及系统 |
CN113674314A (zh) * | 2021-07-14 | 2021-11-19 | 浙江大华技术股份有限公司 | 抛洒事件检测方法、装置、电子装置和存储介质 |
CN114512006A (zh) * | 2022-04-18 | 2022-05-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路面抛洒物预警方法、装置和存储介质 |
CN117253367A (zh) * | 2023-10-10 | 2023-12-19 | 山西省智慧交通研究院有限公司 | 一种轨迹数据驱动的高速公路抛洒物检测及避让预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117494029B (zh) | 2024-04-19 |
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 | |
US20230394810A1 (en) | Advanced path prediction | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
CN101075376B (zh) | 基于多视点的智能视频交通监控系统及方法 | |
CN112132896B (zh) | 一种轨旁设备状态检测方法及系统 | |
US11836985B2 (en) | Identifying suspicious entities using autonomous vehicles | |
CN109212513A (zh) | 多目标在雷达间数据传递、数据融合及连续跟踪定位方法 | |
CN112017431A (zh) | 基于多数据融合的主动式车辆持续跟踪定位系统及方法 | |
CN102542843A (zh) | 防止车辆碰撞的预警方法及装置 | |
CN103455144A (zh) | 车载人机交互系统及方法 | |
CN114333330B (zh) | 一种基于路侧边缘全息感知的交叉口事件检测系统 | |
CN110602449A (zh) | 一种基于视觉的大场景下施工安全智能监控系统方法 | |
CN200990147Y (zh) | 基于多视点的智能视频交通监控系统 | |
CN111477011A (zh) | 一种用于道路路口预警的检测装置及检测方法 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
US20210397187A1 (en) | Method and system for operating a mobile robot | |
JP2022172444A (ja) | 原動機付き車両の走行動作を補助する方法及びアシスト装置並びに原動機付き車両 | |
CN114494998A (zh) | 一种车辆数据智能分析方法及系统 | |
CN117115752A (zh) | 一种高速公路视频监控方法及系统 | |
CN117494029B (zh) | 一种道路抛洒物事件识别方法及装置 | |
CN104408942A (zh) | 车辆智能测速装置与方法 | |
CN116022657A (zh) | 路径规划方法、装置和起重机 | |
CN114419925A (zh) | 一种车路协同的防碰预警系统和方法 | |
US20210380119A1 (en) | Method and system for operating a mobile robot | |
CN115879294B (zh) | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
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 |