CN117589128B - 一种路锥姿态变化的识别方法、设备及介质 - Google Patents
一种路锥姿态变化的识别方法、设备及介质 Download PDFInfo
- Publication number
- CN117589128B CN117589128B CN202410063580.2A CN202410063580A CN117589128B CN 117589128 B CN117589128 B CN 117589128B CN 202410063580 A CN202410063580 A CN 202410063580A CN 117589128 B CN117589128 B CN 117589128B
- Authority
- CN
- China
- Prior art keywords
- dumping
- data
- sample
- road cone
- gyroscope
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 206010034719 Personality change Diseases 0.000 title claims abstract description 5
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 230000004069 differentiation Effects 0.000 abstract 1
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 62
- 238000012549 training Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 15
- 238000010276 construction Methods 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
- G01C19/005—Measuring angular rate using gyroscopic effects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路锥姿态变化的识别方法、设备及介质，涉及交通管理技术领域，方法包括：获取路锥的陀螺仪数据，对陀螺仪数据进行特征提取，以得到第一特征向量；根据第一特征向量确定路锥的倾倒状态，其中，倾倒状态包括倾倒和非倾倒；若倾倒状态为倾倒，则通过路锥的陀螺仪获取倾倒数据，并对倾倒数据进行特征提取，以得到第二特征向量；确定预先设置的相似度衡量模型，通过相似度衡量模型对第二特征向量进行推理，以确定路锥的倾倒类型。本申请避免了采用复杂的温度补充算法进行陀螺仪姿态估计；将时间差因素引入到姿态估计算法中，强化了算法在时间上的辨识能力；使用直方图来代替原始数据，使得不同倾倒模式具有更强的区分度。
Description
技术领域
本申请涉及交通管理技术领域，尤其涉及一种路锥姿态变化的识别方法、设备及介质。
背景技术
随着高速公路规模发展迅速。高速公路养护施工作业通常是在不中断交通的条件下进行的占道施工作业，这导致作业区路段车道数减少，通行能力下降，经过作业区的车辆需要经历合流、跟驰、分流等一系列复杂的运行工况。通行环境的变化和驾驶难度的加大导致高速养护作业区事故发生概率远大于非养护作业区。其中，司乘人员同时面临车辆间的纵向冲突和车道间的横向冲突，极易造成通行车辆闯入作业区对作业人员造成人身伤害的事故。
在大多数高速公路作业施工过程中，施工单位采用在警告区设置施工警告牌，并从过渡区到下游过渡区开始部署隔离路锥的方式来提醒通行车辆。同时，通过在隔离路锥上集成陀螺仪，利用陀螺仪的数据信号来检测路锥的倾倒，当陀螺仪检测到路锥倾倒，发出危险告警，通知作业人员紧急避险。在作业施工过程中，除了高速行驶的车辆将路锥碰倒外，更加常见的是大风将路锥刮倒或者作业车辆和设备将路锥碰倒的情况，这就导致危险情况的误报率非常的高，不利于养护作业工作的正常开展。
因此，如何对路锥倾倒的成因进行区分，并有效的辨别出路锥倾倒的原因成为当下亟待解决的问题。
发明内容
为了解决上述问题，本申请提出了一种路锥姿态变化的识别方法，包括：获取路锥的陀螺仪数据，对所述陀螺仪数据进行特征提取，以得到第一特征向量；根据所述第一特征向量确定所述路锥的倾倒状态，其中，所述倾倒状态包括倾倒和非倾倒；若所述倾倒状态为倾倒，则通过所述路锥的陀螺仪获取倾倒数据，并对所述倾倒数据进行特征提取，以得到第二特征向量；确定预先设置的相似度衡量模型，通过所述相似度衡量模型对所述第二特征向量进行推理，以确定所述路锥的倾倒类型。
在一个示例中，对所述陀螺仪数据进行特征提取，具体包括：确定预先设置的特征参数，其中，所述特征参数包括时域统计特征和非线性特征，所述时域统计特征包括最大值、最小值、平均值和标准差，所述非线性特征包括近似熵；根据特征参数对所述陀螺仪数据进行特征提取，以得到所述第一特征向量。
在一个示例中，对所述倾倒数据进行特征提取，具体包括：对所述倾倒数据进行均值计算，以得到原始均值数据和差分均值数据，并将所述原始均值数据和所述差分均值数据进行拼接，以得到综合均值数据；根据所述综合均值数据进行直方图统计，以得到直方图向量，对所述直方图向量进行拼接，以得到所述第二特征向量。
在一个示例中，确定预先设置的相似度衡量模型之前，所述方法还包括：根据所述陀螺仪数据确定样本特征，以根据所述样本特征确定样本特征集合；根据所述样本特征集合确定样本对集合，并确定所述样本对集合的类别标签；根据所述类别标签将所述样本对集合分为同类样本对集合和异类样本对集合。
在一个示例中，所述方法还包括：根据所述同类样本对集合和所述异类样本对集合进行计算，以得到样本特征距离，所述样本特征距离的计算公式为：
其中，表示所述同类样本对集合和所述异类样本对集合的样本特征距离，M为度量矩阵，/>为所述样本对集合的元素，其中，同类样本对集合为，异类样本对集合为/>，/>表示所述同类样本对集合中元素的个数，/>表示所述异类样本对集合中元素的个数。
在一个示例中，所述方法还包括：确定目标函数，根据所述目标函数对所述样本特征距离进行优化，所述目标函数的表达式为：
其中，，表示样本/>是否属于样本/>的近邻样本点，当样本/>属于样本的近邻样本点时，/>，当样本/>不属于样本/>的近邻样本点时，/>，/>，表示样本/>与样本/>是否属于同类样本对，/>，为取表达式和0之间的最大值，L表示特征投影矩阵，c表示权重系数。
在一个示例中，通过所述相似度衡量模型对所述第二特征向量进行推理，具体包括：通过所述相似度衡量模型确定样本特征集合，根据所述样本特征集合的所述第二特征向量确定样本特征距离；根据所述样本特征距离计算判断参数，以根据所述判断参数确定所述倾倒类型，其中，所述判断参数的计算公式为：
其中，为所述判断参数，/>为所述样本特征距离的P个最小距离。
在一个示例中，根据所述判断参数确定所述倾倒类型，具体包括：若所述判断参数大于零，则判定所述倾倒类型为车辆闯入导致的倾倒；若所述判断参数小于零，则判定所述倾倒类型为非危险因素导致的倾倒。
另一方面，本申请还提出了一种路锥姿态变化的识别设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述一种路锥姿态变化的识别设备能够执行：获取路锥的陀螺仪数据，对所述陀螺仪数据进行特征提取，以得到第一特征向量；根据所述第一特征向量确定所述路锥的倾倒状态，其中，所述倾倒状态包括倾倒和非倾倒；若所述倾倒状态为倾倒，则通过所述路锥的陀螺仪获取倾倒数据，并对所述倾倒数据进行特征提取，以得到第二特征向量；确定预先设置的相似度衡量模型，通过所述相似度衡量模型对所述第二特征向量进行推理，以确定所述路锥的倾倒类型。
另一方面，本申请还提出了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：获取路锥的陀螺仪数据，对所述陀螺仪数据进行特征提取，以得到第一特征向量；根据所述第一特征向量确定所述路锥的倾倒状态，其中，所述倾倒状态包括倾倒和非倾倒；若所述倾倒状态为倾倒，则通过所述路锥的陀螺仪获取倾倒数据，并对所述倾倒数据进行特征提取，以得到第二特征向量；确定预先设置的相似度衡量模型，通过所述相似度衡量模型对所述第二特征向量进行推理，以确定所述路锥的倾倒类型。
本申请基于原始数据开展差分处理，并将原始数据和差分数据构建综合数据，对综合数据进行直方图统计，建立特征向量，使用直方图来代替原始数据，使得不同倾倒模式具有更强的区分度。本申请还引入了度量投影的方法，即通过监督学习的方式构建一个投影矩阵，使得特征数据投影后具有更好的区分度，从而实现更加精准的路锥倾倒模式判别。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种路锥姿态变化的识别方法的流程示意图；
图2为本申请实施例中一种路锥姿态变化的识别设备的示意图。
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，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
在大多数高速公路作业施工过程中，施工单位采用在警告区设置施工警告牌，并从过渡区到下游过渡区开始部署隔离路锥的方式来提醒通行车辆。同时，通过在隔离路锥上集成陀螺仪，利用陀螺仪的数据信号来检测路锥的倾倒，当陀螺仪检测到路锥倾倒，发出危险告警，通知作业人员紧急避险。
在基于陀螺的路锥倾倒检测中，路锥姿态发生变化时，陀螺仪输出数据发生变化。陀螺仪输出原始数据包括瞬时加速度和角速度。但是由于受系统结构和外部噪声的影响，陀螺仪输出的加速度和角速度等数值存在随机性误差，这种误差是弱非线性、非平稳的，导致陀螺仪倾斜检测准确率受到影响。
目前的陀螺仪使用方法为：检测到陀螺仪输出原始数据计算出瞬时加速度和角速度，并进行温度补偿，然后当加速度和角速度超出一定的范围，则判定路锥倾倒。但是并没有对倾倒的成因或者是倾倒过程模式进行分析和分类。
此外，陀螺自身材料具有较强的温度敏感性，当传感器精度点的温度变化时，会导致温度误差，根据温度变化对误差进行实时修正是非常困难的。尤其是在静态条件下的温度误差补偿，在动态条件下的通用性较差。不准确的温度补偿算法可能导致陀螺仪姿态估计结果的恶化，静态条件下的温度误差补偿方法不适用于倾倒等动态条件，导致陀螺仪倾斜检测准确率不高。其次，不同原因导致的倾倒过程的时长是不同的，如何分析不同时长的倾倒过程的规律是一个难点。
在作业施工过程中，除了车辆闯入作业区导致路锥倾倒外，更加常见的是非危险因素导致路锥倾倒，例如，大风将路锥刮倒或者作业车辆和设备将路锥碰倒等。非危险因素导致路锥倾倒使得危险告警的误报率非常高，不利于养护作业工作的正常开展。因此，必须对路锥倾倒成因进行有效判别，有效的辨别车辆闯入作业区导致路锥倾倒和非危险因素导致路锥倾倒。
如图1所示，为了解决上述问题，本申请实施例提供的一种路锥姿态变化的识别方法，方法包括：
S101、获取路锥的陀螺仪数据，对所述陀螺仪数据进行特征提取，以得到第一特征向量。
本申请将路锥倾倒检测过程分为模型训练和模型推理两个阶段。模型训练阶段主要包括训练数据特征提取和判别模型训练两个步骤；模型推理阶段主要包括数据特征提取和倾倒模式判别两个步骤。
在一个实施例中，陀螺仪每毫秒产生一组数据，每组数据包含六类指标，分别为x方向角速度、y方向角速度、z方向角速度、x方向加速度、y方向加速度、z方向加速度。持续采集陀螺仪输出数据，并以1秒为时间窗长度，每一秒可形成一个原始数据矩阵，其中/>表示第几秒，/> 1,2,...,1000}，表示数据矩阵的第一维度，对应毫秒编号；/> 1,2,...,6}，表示数据矩阵的第二维度，对应指标类别编号。
在一个实施例中，为了更加准确的检测路锥倾倒，基于原始数据，设计陀螺仪信号特征向量/>，然后利用随机森林分类器来实现路锥倾倒情况的检测。考虑到陀螺仪输出原始数据的非线性特点，从时域统计特征和非线性特征两个方面的特征参数来设计特征向量，时域统计特征包括最大值、最小值、平均值和标准差。
针对每一类指标，统计获得该类指标的最大值，将所有指标的最大值进行拼接得到最大值特征向量，该最大值特征向量的表达式为：
其中，，表示第j类指标的最大值。/>为求最大值函数。
针对每一类指标，统计获得该类指标的最小值，然后所有指标的最小值进行拼接得到最小值特征向量，该最小值特征向量的表达式为：
其中，，表示第j类指标的最小值。/>为求最小值函数。
针对每一类指标，统计获得该类指标的平均值，然后所有指标的平均值进行拼接得到平均值特征向量，该平均值特征向量的表达式为：
其中，，表示第j类指标的平均值。/>为求平均值函数。
针对每一类指标，统计获得该类指标的标准差，然后所有指标的标准差进行拼接得到标准差特征向量，该标准差特征向量的表达式为：
其中，表示第j类指标的标准差，
在非线性特征方面，使用近似熵来衡量陀螺仪各种指标时间序列的复杂程度。近似熵能够衡量时间序列的复杂度，一般来说，近似熵与时间序列的复杂度成正比。针对第j类指标数据，，共计1000个数据点。
首先，从第个元素开始，截取长度为/>的向量，其表达式为：
其中，，m是嵌入维度。
其次，针对和/>两个向量，计算对应位置元素差值的最大值，并即为/>和/>的距离，其表达式为：
其中，，且/>。
然后，针对每一个，统计出/>小于/>的数目以及次数目与距离总数的比值，记为/>，其表达式为：
其中，为计数函数，r为相似容限。
最后，计算近似熵，其计算公式为：
其中，取嵌入维度m=2，相似容限r=0.2*。
那么针对6类指标数据，得到近似熵特征向量，该近似熵特征向量的表达式为：
将时域统计特征和非线性特征进行拼接，得到陀螺仪特征向量（在此称为第一特征向量）的表达式为：
S102、根据所述第一特征向量确定所述路锥的倾倒状态，其中，所述倾倒状态包括倾倒和非倾倒。
基于陀螺仪特征向量，使用决策树分类器进行陀螺仪倾倒检测。包括构建训练数据集、训练决策树、使用决策树进行陀螺仪倾倒检测。
在一个实施例中，在构建训练数据集时，对于路锥未倾倒情况，以1秒为时间窗长度，持续采集陀螺仪输出数据，共得到个原始数据矩阵/>。根据上述的第一特征向量的提取方法获得特征集合/>，其中，/>=-1为类别标签，表示对应数据来自路锥未倾倒情况。对于路锥产生倾倒的情况，以1秒为时间窗长度，采集陀螺仪输出数据，共得到/>个原始数据矩阵/>。根据上述的第一特征向量的提取方法获得特征集合/>，其中，/>=+1为类别标签，表示对应数据来自路锥倾倒情况。将/>和/>组合成为决策树训练数据集/>。
在训练决策树时，使用基于C4.5算法的决策树进行路锥倾倒检测，C4.5是一系列用在机器学习和数据挖掘的分类问题中的算法。同时在训练过程中采用预剪枝技术，不仅可以降低过拟合的风险，还可以减少训练时间。该决策树训练流程为：第一，计算数据集合信息熵和所有特征的条件熵，并计算信息增益率，选择信息增益率最大的特征作为当前决策节点，记为最优分裂特征。第二，按照第一步得到的最优分裂特征对应的特征值将数据集合划分不同分支的数据集合，并在特征集合中删除最优分裂特征。第三，针对每一个分支对应的数据集合，重复第一步和第二步，如果满足如下条件之一，则停止当前数据集合的划分：条件一，所有节点特征都已用于数据集合划分；条件二，数据集合中所有数据的类别标签相同。最终，得到路锥倾倒检测决策树模型DecisionTree。
在使用决策树进行陀螺仪倾倒检测时，对未知陀螺仪数据，提取综合特征向量/>，并使用DecisionTree模型对/>进行分类，例如，类别标签为+1，则表明陀螺仪发生倾倒。否则，类别标签为-1，陀螺仪未发生倾倒。
S103、若所述倾倒状态为倾倒，则通过所述路锥的陀螺仪获取倾倒数据，并对所述倾倒数据进行特征提取，以得到第二特征向量。
采用K近邻算法判定陀螺仪的倾倒原因类别，包括特征提取、相似性度量模型训练阶段、倾倒原因类别分类阶段。特征提取是指基于原始的陀螺仪数据，提取特征向量。相似性度量模型训练阶段是指基于度量学习方法来构建衡量特征向量相似度的方模型。倾倒原因类别分类阶段是指利用训练好的相似性度量模型来确定待分析陀螺仪倾倒数据的原因类别。
倾倒模式分类是指在判定到陀螺仪出现倾倒后，基于数据分析来确定引发陀螺仪倾倒的原因类别，倾倒原因可以包括两类：第一，车辆闯入作业区碰撞路锥导致的倾倒；第二，风吹或作业车辆碰撞路锥导致的倾倒。
假定秒时刻判定陀螺仪出现倾倒，以/>时刻为起点，连续采集/>秒的陀螺仪数据，记为/>。以/>为基础，进行倾倒模式的分类。例如，取秒。
在一个实施例中，定义检测到陀螺仪倾倒后采集的原始数据为，其中/>为数据采集时长，/>为指标类型数量。提取特征向量的步骤为：第一，计算原始均值数据，针对每一类指标，以/>个时间单位为时间长度，将/>个数据均匀划分为/>组，并对每一组数据进行平均计算，得到均值。这样，原始数据可以得到原始均值数据/>，其中，在本专利中，/>。第二，计算差分均值数据，针对原始均值数据，/>表示/>数据的第/>行、第/>列数字，其中/>，/>。利用/>可以得到差分均值数据/>，其计算公式为：
其中，表示/>数据的第/>行、第/>列数字。第三，获取综合均值数据，将原始均值数据/>和差分均值数据进行纵向拼接，得到综合均值数据/>。第四，计算特征向量，针对综合均值数据/>的第/>列，进行直方图统计，得到直方图向量/>，其中，/>表示综合原始数据的列标识，满足，/>表示直方图向量的长度。例如，取/>为64。按照同样的方法，针对综合均值数据/>的所有列进行直方图统计，得到/>个直方图向量，将其拼接，得到长度为/>的陀螺仪特征向量/>（在此称为第二特征向量）。
S104、确定预先设置的相似度衡量模型，通过所述相似度衡量模型对所述第二特征向量进行推理，以确定所述路锥的倾倒类型。
对倾倒原因类别进行分类时，收集车辆闯入作业区导致路锥倾倒情况下的若干样本数据并提取特征向量，作为正样本集合；收集非危险因素导致路锥倾倒情况下的若干样本数据并提取特征向量，作为负样本集合；将正样本集合和负样本集合成基准样本集合；将待分类的倾倒数据提取特征向量，并利用K近邻算法方法确定其倾倒原因。
在一个实施例中，基于度量学习算法来训练适用于陀螺仪倾倒原因分类的相似性度量模型，训练过程包括三个步骤：采集训练样本和提取特征、构建训练数据集合和训练相似度衡量模型。
在采集训练样本和提取特征时，在车辆闯入作业区导致路锥倾倒情况下，采集组陀螺仪倾倒时的原始数据，并使用上文描述的第二特征向量的提取方法进行陀螺仪特征向量提取，得到/>，其中/>表示样本特征。在非危险因素导致路锥倾倒情况下，采集/>组陀螺仪倾倒时的原始数据，并使用上文描述的第二特征向量的提取方法进行陀螺仪特征向量提取，得到/>，其中/>表示样本特征。
在构建训练数据集合时，将集合和集合/>组合，形成样本特征集合。其中，/>，当/>表示/>对应的路锥倾倒由非危险因素导致，当/>表示/>对应的路锥倾倒由车辆闯入作业区导致。将/>中的/>个样本两两组合，形成样本对集合，其表达式为：
其中，和/>表示组成样本对的两个数据特征样本；/>表示样本对的类别差异性标签；当/>，表示/>，即/>和/>所对应倾倒的原因具有相同的类别；当，表示/>，即/>和/>所对应倾倒的原因具有不同的类别；-1)。
根据的取值，可以将集合/>划分为两部分，分别是同类样本对集合和异类样本对集合/>。其中/>表示同类样本对集合中元素的个数，/>表示异类样本对集合中元素的个数，满足/>。/>和/>构成了训练数据集合。
在训练相似度衡量模型时，使用马氏距离来衡量两个样本特征之间的样本特征距离，其样本特征距离的计算公式为：
其中，表示样本/>和/>之间的样本特征距离；M表示马氏度量矩阵，满足半正定特性。
将M矩阵进行分解，，并带入样本特征的计算公式，表示对原始特征投影后再进行距离的衡量，得到模型公式如下所示：
其中，表示向量的2-范数，L表示特征投影矩阵，/>，，/>。
为了令来自同类场景的样本特征对之间的距离更近，来自不同类场景的样本特征对之间的距离更远。构建目标函数，该目标函数的表达式为：
其中，表示样本/>是否是距离样本/>最近的K个样本之一，即样本/>是否属于样本/>的K近邻样本点。当样本/>是样本/>的K近邻样本点，/>，否则/>。表示样本/>与样本/>是否属于同类样本对。/>，即取表达式和0之间的最大值，c表示权重系数，默认取值为1。
当M矩阵为半正定矩阵，目标函数的最小化为题属于凸优化问题，即具有全局最优解。本实施例使用牛顿梯度下降法进行求解，最终得到。最终，得到特征相似度衡量模型如上述模型公式所示。
在一个实施例中，收集正样本集合时，在车辆闯入作业区导致路锥倾倒情况下，随机采集个陀螺仪倾倒时的原始数据，并使用上文描述的第二特征向量的特征提取方法进行陀螺仪特征向量提取，得到/>，其中/>表示样本特征，/>表示倾倒模式标签，/>表明/>来自于车辆闯入作业区导致路锥倾倒的场景。收集负样本集合时，在非危险因素导致路锥倾倒情况下，随机采集/>个陀螺仪倾倒时的原始数据，并使用上文描述的第二特征向量的特征提取方法进行陀螺仪特征向量提取，得到，其中/>表示样本特征，/>表示倾倒模式标签，/>表明/>来自于非危险因素导致路锥倾倒的场景。此外，/>。
进行基准样本集合构建时，将和/>组合形成基准特征样本集合。进行提取待分析数据的特征向量时，确定当前已经判定到陀螺仪出现倾倒，并提取到倾倒数据/>，使用上文描述的第二特征向量的特征提取方法提取对应的特征向量/>。基于K紧邻方法的倾倒原因进行分类，使用上述模型公式计算特征向量/>与/>中每一个特征向量之间的距离，得到，其中，/>为/>与/>之间的距离。将/>中所有距离按照从小到大进行排序，并选取前P个最小的距离，并提取对应的/>个基准特征样本/>。计算/>个基准特征样本的标签的均值，其计算公式为：
若大于0，则判定本次倾倒属于车辆闯入作业区导致路锥倾倒的情况，若小0，则判定本次倾倒属于非危险因素导致路锥倾倒的情况。
如图2所示，本申请实施例还提供了一种路锥姿态变化的识别设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述一种路锥姿态变化的识别设备能够执行：
获取路锥的陀螺仪数据，对所述陀螺仪数据进行特征提取，以得到第一特征向量；
根据所述第一特征向量确定所述路锥的倾倒状态，其中，所述倾倒状态包括倾倒和非倾倒；
若所述倾倒状态为倾倒，则通过所述路锥的陀螺仪获取倾倒数据，并对所述倾倒数据进行特征提取，以得到第二特征向量；
确定预先设置的相似度衡量模型，通过所述相似度衡量模型对所述第二特征向量进行推理，以确定所述路锥的倾倒类型。
本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
获取路锥的陀螺仪数据，对所述陀螺仪数据进行特征提取，以得到第一特征向量；
根据所述第一特征向量确定所述路锥的倾倒状态，其中，所述倾倒状态包括倾倒和非倾倒；
若所述倾倒状态为倾倒，则通过所述路锥的陀螺仪获取倾倒数据，并对所述倾倒数据进行特征提取，以得到第二特征向量；
确定预先设置的相似度衡量模型，通过所述相似度衡量模型对所述第二特征向量进行推理，以确定所述路锥的倾倒类型。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (8)
1.一种路锥姿态变化的识别方法，其特征在于，包括：
获取路锥的陀螺仪数据，对所述陀螺仪数据进行特征提取，以得到第一特征向量；
根据所述第一特征向量确定所述路锥的倾倒状态，其中，所述倾倒状态包括倾倒和非倾倒；
若所述倾倒状态为倾倒，则通过所述路锥的陀螺仪获取倾倒数据，并对所述倾倒数据进行特征提取，以得到第二特征向量；
确定预先设置的相似度衡量模型，通过所述相似度衡量模型对所述第二特征向量进行推理，以确定所述路锥的倾倒类型；
对所述陀螺仪数据进行特征提取，具体包括：
确定预先设置的特征参数，其中，所述特征参数包括时域统计特征和非线性特征，所述时域统计特征包括最大值、最小值、平均值和标准差，所述非线性特征包括近似熵；
根据特征参数对所述陀螺仪数据进行特征提取，以得到所述第一特征向量；
对所述倾倒数据进行特征提取，具体包括：
对所述倾倒数据进行均值计算，以得到原始均值数据和差分均值数据，并将所述原始均值数据和所述差分均值数据进行拼接，以得到综合均值数据；
根据所述综合均值数据进行直方图统计，以得到直方图向量，对所述直方图向量进行拼接，以得到所述第二特征向量。
2.根据权利要求1所述的方法，其特征在于，确定预先设置的相似度衡量模型之前，所述方法还包括：
根据所述陀螺仪数据确定样本特征，以根据所述样本特征确定样本特征集合；
根据所述样本特征集合确定样本对集合，并确定所述样本对集合的类别标签；
根据所述类别标签将所述样本对集合分为同类样本对集合和异类样本对集合。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述同类样本对集合和所述异类样本对集合进行计算，以得到样本特征距离，所述样本特征距离的计算公式为：
其中，表示所述样本特征距离，M为度量矩阵，/>为所述样本对集合的元素，其中，同类样本对集合为/>，异类样本对集合为/>，/>表示所述同类样本对集合中元素的个数，/>表示所述异类样本对集合中元素的个数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
确定目标函数，根据所述目标函数对所述样本特征距离进行优化，所述目标函数的表达式为：
其中，，表示样本/>是否属于样本/>的K近邻样本点，当样本/>属于样本/>的K近邻样本点时，/>，当样本/>不属于样本/>的K近邻样本点时，/>，/>，表示样本/>与样本/>是否属于同类样本对，/>，为取表达式和0之间的最大值，L表示特征投影矩阵，c表示权重系数。
5.根据权利要求1所述的方法，其特征在于，通过所述相似度衡量模型对所述第二特征向量进行推理，具体包括：
通过所述相似度衡量模型确定样本特征集合，根据所述样本特征集合的所述第二特征向量确定样本特征距离；
根据所述样本特征距离计算判断参数，以根据所述判断参数确定所述倾倒类型，其中，所述判断参数的计算公式为：
其中，为所述判断参数，/>为所述样本特征距离的P个最小距离。
6.根据权利要求5所述的方法，其特征在于，根据所述判断参数确定所述倾倒类型，具体包括：
若所述判断参数大于零，则判定所述倾倒类型为车辆闯入导致的倾倒；
若所述判断参数小于零，则判定所述倾倒类型为非危险因素导致的倾倒。
7.一种路锥姿态变化的识别设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述一种路锥姿态变化的识别设备能够执行：
获取路锥的陀螺仪数据，对所述陀螺仪数据进行特征提取，以得到第一特征向量；
根据所述第一特征向量确定所述路锥的倾倒状态，其中，所述倾倒状态包括倾倒和非倾倒；
若所述倾倒状态为倾倒，则通过所述路锥的陀螺仪获取倾倒数据，并对所述倾倒数据进行特征提取，以得到第二特征向量；
确定预先设置的相似度衡量模型，通过所述相似度衡量模型对所述第二特征向量进行推理，以确定所述路锥的倾倒类型；
对所述陀螺仪数据进行特征提取，具体包括：
确定预先设置的特征参数，其中，所述特征参数包括时域统计特征和非线性特征，所述时域统计特征包括最大值、最小值、平均值和标准差，所述非线性特征包括近似熵；
根据特征参数对所述陀螺仪数据进行特征提取，以得到所述第一特征向量；
对所述倾倒数据进行特征提取，具体包括：
对所述倾倒数据进行均值计算，以得到原始均值数据和差分均值数据，并将所述原始均值数据和所述差分均值数据进行拼接，以得到综合均值数据；
根据所述综合均值数据进行直方图统计，以得到直方图向量，对所述直方图向量进行拼接，以得到所述第二特征向量。
8.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
获取路锥的陀螺仪数据，对所述陀螺仪数据进行特征提取，以得到第一特征向量；
根据所述第一特征向量确定所述路锥的倾倒状态，其中，所述倾倒状态包括倾倒和非倾倒；
若所述倾倒状态为倾倒，则通过所述路锥的陀螺仪获取倾倒数据，并对所述倾倒数据进行特征提取，以得到第二特征向量；
确定预先设置的相似度衡量模型，通过所述相似度衡量模型对所述第二特征向量进行推理，以确定所述路锥的倾倒类型；
对所述陀螺仪数据进行特征提取，具体包括：
确定预先设置的特征参数，其中，所述特征参数包括时域统计特征和非线性特征，所述时域统计特征包括最大值、最小值、平均值和标准差，所述非线性特征包括近似熵；
根据特征参数对所述陀螺仪数据进行特征提取，以得到所述第一特征向量；
对所述倾倒数据进行特征提取，具体包括：
对所述倾倒数据进行均值计算，以得到原始均值数据和差分均值数据，并将所述原始均值数据和所述差分均值数据进行拼接，以得到综合均值数据；
根据所述综合均值数据进行直方图统计，以得到直方图向量，对所述直方图向量进行拼接，以得到所述第二特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410063580.2A CN117589128B (zh) | 2024-01-17 | 2024-01-17 | 一种路锥姿态变化的识别方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410063580.2A CN117589128B (zh) | 2024-01-17 | 2024-01-17 | 一种路锥姿态变化的识别方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117589128A CN117589128A (zh) | 2024-02-23 |
| CN117589128B true CN117589128B (zh) | 2024-04-12 |
Family
ID=89922276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410063580.2A Active CN117589128B (zh) | 2024-01-17 | 2024-01-17 | 一种路锥姿态变化的识别方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117589128B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006007963A (ja) * | 2004-06-25 | 2006-01-12 | Toyota Motor Corp | ロールオーバー判定方法及びロールオーバー判定装置 |
| CN106910314A (zh) * | 2017-02-03 | 2017-06-30 | 同济大学 | 一种基于体形的个性化跌倒检测方法 |
| CN111914943A (zh) * | 2020-08-14 | 2020-11-10 | 广西大学 | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 |
| CN113034928A (zh) * | 2021-02-26 | 2021-06-25 | 山东交通学院 | 一种道路养护安全警示机器人的伴随系统 |
| CN116687394A (zh) * | 2023-08-04 | 2023-09-05 | 亿慧云智能科技（深圳）股份有限公司 | 基于毫米波雷达的摔倒检测方法、装置、设备及存储介质 |
| CN117179705A (zh) * | 2023-09-13 | 2023-12-08 | 合肥工业大学 | 一种平衡能力评估与训练系统、方法及介质 |
-
2024
- 2024-01-17 CN CN202410063580.2A patent/CN117589128B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006007963A (ja) * | 2004-06-25 | 2006-01-12 | Toyota Motor Corp | ロールオーバー判定方法及びロールオーバー判定装置 |
| CN106910314A (zh) * | 2017-02-03 | 2017-06-30 | 同济大学 | 一种基于体形的个性化跌倒检测方法 |
| CN111914943A (zh) * | 2020-08-14 | 2020-11-10 | 广西大学 | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 |
| CN113034928A (zh) * | 2021-02-26 | 2021-06-25 | 山东交通学院 | 一种道路养护安全警示机器人的伴随系统 |
| CN116687394A (zh) * | 2023-08-04 | 2023-09-05 | 亿慧云智能科技（深圳）股份有限公司 | 基于毫米波雷达的摔倒检测方法、装置、设备及存储介质 |
| CN117179705A (zh) * | 2023-09-13 | 2023-12-08 | 合肥工业大学 | 一种平衡能力评估与训练系统、方法及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 舰船破损进水过程中的不沉能力损伤等级分析;侯岳;陈林根;李其修;;武汉理工大学学报(交通科学与工程版);20141215(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117589128A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | A Bayesian dynamic updating approach for urban expressway real-time crash risk evaluation | |
| Brombacher et al. | Driving event detection and driving style classification using artificial neural networks | |
| CN110544373B (zh) | 一种基于北斗车联网的货车预警信息提取与风险识别方法 | |
| CN110766258B (zh) | 一种道路风险的评估方法及装置 | |
| US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
| CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
| CN114076631A (zh) | 超载车辆识别方法、系统及设备 | |
| CN108091131B (zh) | 一种交通事件识别方法及装置 | |
| Paul et al. | Prediction of road accident and severity of Bangladesh applying machine learning techniques | |
| US9747801B2 (en) | Method and device for determining surroundings | |
| CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
| CN111985749A (zh) | 一种道路风险的评估方法及装置 | |
| CN117589128B (zh) | 一种路锥姿态变化的识别方法、设备及介质 | |
| KR20110117576A (ko) | 영상기반의 사고 검지 시스템 및 방법 | |
| CN114822044B (zh) | 一种基于隧道的行车安全预警方法及设备 | |
| CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
| CN115565373A (zh) | 高速公路隧道事故实时风险预测方法、装置、设备及介质 | |
| CN113160546B (zh) | 一种危险路段的识别方法及装置 | |
| CN114973681A (zh) | 一种在途车辆感知方法及设备 | |
| Kamal et al. | Early detection of a traffic flow breakdown in the freeway based on dynamical network markers | |
| Azizi et al. | Freeway’s Traffic Flow Breakdown Identification Based on Stop-and-Go Operations | |
| Lourenço et al. | Driving profile using evolutionary computation | |
| WO2024018621A1 (en) | Classifying apparatus, classifying method, and non-transitory computer-readable storage medium | |
| CN117576919B (zh) | 车辆超载识别系统、方法及电子设备 | |
| CN114078227B (zh) | 一种智能ai识别报警系统及方法 |
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 |