CN117593708B - 包含车辆身份信息的交通数字孪生方法、设备及存储介质 - Google Patents
包含车辆身份信息的交通数字孪生方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117593708B CN117593708B CN202410056830.XA CN202410056830A CN117593708B CN 117593708 B CN117593708 B CN 117593708B CN 202410056830 A CN202410056830 A CN 202410056830A CN 117593708 B CN117593708 B CN 117593708B
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- identity information
- predicted
- sensors
- 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 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000002035 prolonged effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000009434 installation Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Vascular Medicine (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及道路监控技术领域,尤其涉及一种包含车辆身份信息的交通数字孪生方法、设备及存储介质,包括:布置相机和传感器并连接到边缘计算单元,利用传感器分别获取车辆的第一轨迹和第二轨迹并上传至边缘计算单元;判断第一轨迹和第二轨迹是否能够匹配,若是能够匹配则通过边缘计算单元将第一轨迹和第二轨迹进行拼接;若是不能够匹配则将第一轨迹和第二轨迹均进行轨迹预测再进行拼接;重复进行轨迹拼接操作直至将所有轨迹拼接完成;获取过往车辆的车辆身份信息,将车辆身份信息上传至边缘计算单元,匹配相机对应的轨迹并将车辆身份信息与轨迹进行绑定。本申请能够在相对较低的成本下完成包含车辆身份信息的车辆轨迹的实时孪生以实现轨迹仿真。
Description
技术领域
本申请涉及道路监控技术领域,尤其涉及一种包含车辆身份信息的交通数字孪生方法、设备及存储介质。
背景技术
交通数字孪生实现车辆轨迹的仿真是智慧交通当前发展的重要领域之一,交通数字孪生旨在通过模拟和仿真等手段实时反映和模拟城市交通系统的运行状态。
对包含车辆身份信息的车辆轨迹进行实时孪生从而实现轨迹仿真是交通数字孪生中较为常见的一种场景,在道路上布置传感器和相机,传感器用于识别过往车辆的轨迹信息,相机用于识别车牌从而获取车辆身份信息。目前对包含车辆信息的车辆轨迹进行实时孪生以实现车辆轨迹仿真主要有两种方案。第一种方案是在需要监控的道路上设置若干连续监控点位,并在每个监控点位均布置传感器和相机。当相邻的相机所识别出的车辆身份一致时,将相邻相机所对应的传感器所识别的车辆轨迹进行拼接。第二种方案是在需要监控的道路上连续布置带有识别轨迹功能的智能相机,智能相机同时识别车辆轨迹和车辆身份信息,当相邻的智能相机所识别的车辆身份一致时,将智能相机所识别的车辆轨迹进行拼接。
然而,第一种方案需要连续布置多组传感器和相机,加上传感器和相机的后期维护,均需要较高的成本。此外,传感器的识别距离通常大于相机的识别距离,传感器识别到车辆轨迹后,需要一段时间后相机才能识别车辆信息并进行匹配,因此无法做到车辆轨迹的实时孪生以实现轨迹仿真。至于第二种方案,智能相机同时识别车辆信息和车辆轨迹,识别出来的准确度较差且覆盖范围较短,同样无法做到车辆轨迹的实时孪生以实现轨迹仿真。因此,如何能够在相对较低的成本下完成包含车辆身份信息的车辆轨迹的实时孪生以实现轨迹仿真是目前需要解决的难题。
发明内容
本申请提供了一种包含车辆身份信息的交通数字孪生方法、系统、设备及存储介质,能够在相对较低的成本下完成包含车辆身份信息的车辆轨迹的实时孪生以实现轨迹仿真。本申请提供如下技术方案:
第一方面,本申请提供一种包含车辆身份信息的交通数字孪生方法,所述方法包括:
在目标监控道路上布置相机和多个传感器,并将传感器和相机通过网络连接到边缘计算单元,其中相邻传感器之间的距离小于等于预设的距离阈值;
利用相邻的传感器分别获取目标监控道路上过往车辆的第一轨迹和第二轨迹,并将第一轨迹和第二轨迹上传至边缘计算单元;
获取第一轨迹和第二轨迹的数据特征,基于数据特征判断第一轨迹和第二轨迹是否能够匹配为同一段轨迹;若是能够匹配为同一段轨迹,则通过边缘计算单元将第一轨迹和第二轨迹进行拼接;若是不能够匹配为同一段轨迹,则将第一轨迹和第二轨迹均进行轨迹预测后重新进行轨迹匹配操作,直至第一轨迹和第二轨迹能够匹配为同一段轨迹,再通过边缘计算单元将第一轨迹和第二轨迹进行拼接;
重复进行轨迹拼接操作直至将所有传感器所获取的轨迹拼接完成;
利用相机获取过往车辆的车辆身份信息,将车辆身份信息上传至边缘计算单元,边缘计算单元匹配传感器对应的轨迹,并将车辆身份信息与轨迹进行绑定。
在一个具体的可实施方案中,所述利用相邻的传感器分别获取目标监控道路上过往车辆的第一轨迹和第二轨迹包括:
向过往车辆发射无线电波,接收遇到过往车辆后反射回来的无线电波;
无线电波中包含了过往车辆的信息;
使用信号处理无线电波,提取过往车辆的特征,利用特征辅助确定过往车辆的位置和运动状态;
使用跟踪算法持续追踪过往车辆;
基于时间的推移传感器将多个时刻的过往车辆的信息进行综合,形成过往车辆的行驶轨迹。
在一个具体的可实施方案中,所述判断第一轨迹和第二轨迹是否能够匹配为同一段轨迹之前还包括:
在目标监控道路上布置若干传感器之后,根据测量相邻传感器之间的距离判断相邻传感器的检测范围是否存在交集;
若是相邻传感器的检测范围存在交集,则相应的传感器所获取到的轨迹则不需要进行轨迹预测就能够进行轨迹匹配;
若是相邻传感器的检测范围不存在交集,则相应的传感器所获取到的轨迹则需要进行轨迹预测后才能够进行轨迹匹配,此时对检测范围不存在交集的相邻传感器进行标记,当被标记的传感器获取过往车辆的行驶轨迹时,自动进行行驶轨迹的轨迹预测。
在一个具体的可实施方案中,所述通过边缘计算单元将第一轨迹和第二轨迹进行拼接包括:
对第一轨迹和第二轨迹进行时间同步和预处理;
对第一轨迹和第二轨迹进行坐标系转换;
将第一轨迹和第二轨迹在时间和空间上对齐;
使用轨迹推测和插值方法填补第一轨迹和第二轨迹上缺失的信息点;
对轨迹进行拼接,并对拼接后的轨迹进行质量评估。
在一个具体的可实施方案中,所述将第一轨迹和第二轨迹均进行轨迹预测包括:
传感器获取车辆的初始速度以及初始加速度,随后利用以下公式计算出车辆的预测距离:
其中s为预测距离,v为初始速度,a为初始加速度,t为预测时长;计算出预测距离之后,将车辆的行驶轨迹延长预测距离,完成第一轨迹和第二轨迹的延长。
在一个具体的可实施方案中,所述将第一轨迹和第二轨迹均进行轨迹预测包括:
传感器获取车辆的初始加速度,随后利用以下公式计算出车辆的预测距离:
加速度函数:
速度函数:
行驶距离函数:
其中,t为预测时间,a0是初始加速度,b是加速度随时间的变化率,C是积分常数;计算出预测距离之后,将车辆的行驶轨迹延长预测距离,完成第一轨迹和第二轨迹的延长。
在一个具体的可实施方案中,所述利用相机获取过往车辆的车辆身份信息包括:
获取车辆图像;
对车辆图像进行预处理;
使用OCR算法对车辆图像中的车牌进行识别,提取车牌上的文字信息;
车牌信息被成功识别后,通过车牌信息与其他数据库中的信息关联,获取车辆的身份信息。
第二方面,本申请提供一种包含车辆身份信息的交通数字孪生系统,采用如下的技术方案:
一种包含车辆身份信息的交通数字孪生系统,包括:
单元布置模块,用于在目标监控道路上布置相机和多个传感器,并将传感器和相机通过网络连接到边缘计算单元,其中相邻传感器之间的距离小于等于预设的距离阈值;
轨迹识别模块,用于利用相邻的传感器分别获取目标监控道路上过往车辆的第一轨迹和第二轨迹,并将第一轨迹和第二轨迹上传至边缘计算单元;
轨迹预测模块,用于获取第一轨迹和第二轨迹的数据特征,基于数据特征判断第一轨迹和第二轨迹是否能够匹配为同一段轨迹;若是能够匹配为同一段轨迹,则通过边缘计算单元将第一轨迹和第二轨迹进行拼接;若是不能够匹配为同一段轨迹,则将第一轨迹和第二轨迹均进行轨迹预测后重新进行轨迹匹配操作,直至第一轨迹和第二轨迹能够匹配为同一段轨迹,再通过边缘计算单元将第一轨迹和第二轨迹进行拼接;
轨迹拼接模块,用于重复进行轨迹拼接操作直至将所有传感器所获取的轨迹拼接完成;
信息绑定模块,用于利用相机获取过往车辆的车辆身份信息,将车辆身份信息上传至边缘计算单元,边缘计算单元匹配传感器对应的轨迹,并将车辆身份信息与轨迹进行绑定。
第三方面,本申请提供一种电子设备,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如第一方面所述的一种包含车辆身份信息的交通数字孪生方法。
第四方面,本申请提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如第一方面所述的一种包含车辆身份信息的交通数字孪生方法。
综上所述,本申请的有益效果至少包括:
(1)相较于现有的两种方法,仅使用了单个相机,减少了相机的布置数量,且对相机的安装位置没有过多限制,使用成本以及维护成本均较低,有利于大规模的布置应用。
(2)本申请选取雷达作为传感器,相较于其他类型的传感器,雷达受天气条件的限制较小,能够在雨雪、浓雾等恶劣天气下正常工作。
通过在目标监控道路上布置相机和多个传感器,当行驶车辆经过时,多个传感器依次识别过往车辆的行驶轨迹,相机获取过往车辆的身份信息,若干轨迹与车辆的身份信息被上传至边缘计算单元,边缘计算单元将若干轨迹拼接,并匹配出与相机对应的轨迹,将身份信息与该轨迹进行绑定,因此各个轨迹拼接之后的完整轨迹也就带有了车辆的身份信息,从而完成了包含车辆身份信息的车辆轨迹的实时孪生并实现了轨迹的仿真。
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,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请实施例中包含车辆身份信息的交通数字孪生方法的流程示意图。
图2是本申请实施例中利用传感器获取目标监控道路上过往车辆的轨迹的流程示意图。
图3是本申请实施例中包含车辆身份信息的交通数字孪生方法的用例示意图。
图4是本申请实施例中通过边缘计算单元将第一轨迹和第二轨迹进行拼接的流程示意图。
图5是本申请实施例中包含车辆身份信息的交通数字孪生系统的结构框图。
图6是本申请实施例中包含车辆身份信息的交通数字孪生的电子设备的框图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
可选地,本申请以各个实施例提供的包含车辆身份信息的交通数字孪生方法用于电子设备中为例进行说明,该电子设备为终端或服务器,终端可以为计算机、平板电脑、电子眼、监控摄像头等,本实施例不对电子设备的类型作限定。
参照图1,是本申请一个实施例提供的包含车辆身份信息的交通数字孪生方法的流程示意图,该方法至少包括以下几个步骤:
S101、在目标监控道路上布置相机和多个传感器,并将传感器和相机通过网络连接到边缘计算单元,其中相邻传感器之间的距离小于等于预设的距离阈值。
S102、利用相邻的传感器分别获取目标监控道路上过往车辆的第一轨迹和第二轨迹,并将第一轨迹和第二轨迹上传至边缘计算单元。
S103、获取第一轨迹和第二轨迹的数据特征,基于数据特征判断第一轨迹和第二轨迹是否能够匹配为同一段轨迹。若是能够匹配为同一段轨迹,则通过边缘计算单元将第一轨迹和第二轨迹进行拼接。若是不能够匹配为同一段轨迹,则将第一轨迹和第二轨迹均进行轨迹预测后重新进行轨迹匹配操作,直至第一轨迹和第二轨迹能够匹配为同一段轨迹,再通过边缘计算单元将第一轨迹和第二轨迹进行拼接。
S104、重复进行轨迹拼接操作直至将所有传感器所获取的轨迹拼接完成。
S105、利用相机获取过往车辆的车辆身份信息,将车辆身份信息上传至边缘计算单元,边缘计算单元匹配传感器对应的轨迹并进行绑定。
在步骤S101中,多组传感器在目标监控道路上布置时,相邻传感器之间的距离应小于等于预设的距离阈值,其中距离阈值一般设置为十米。在传感器覆盖的连续路段中随机布置至少一个相机。
可选地,本申请选取雷达作为传感器,卡口相机作为相机,相较于其他类型的传感器,雷达受天气条件的限制较小,能够在雨雪、浓雾等恶劣天气下正常工作。在其他实施例中也可以选取其他类型的传感器以及相机,本申请不对传感器以及相机的类型做出限制。
可选地,本申请采用具有处理能力的边缘网关设备作为边缘计算单元,也可以选取其他类型的设备作为边缘计算单元,本申请不对边缘计算单元的具体类型做出限制。
在步骤S102中,参照图2,是本申请一个实施例提供的利用传感器获取目标监控道路上过往车辆的轨迹的流程示意图,以传感器是雷达为例,该方法至少包括以下几个步骤:
S1021、传感器向过往车辆发射无线电波,并接收遇到过往车辆后反射回来的无线电波。
S1022、传感器的接收器捕捉反射回来的无线电波,无线电波中包含了过往车辆的距离、速度、所在车道以及方向等信息。
S1023、使用信号处理无线电波,提取过往车辆的特征,例如过往车辆的距离、速度、所在车道以及角度等,利用特征辅助确定过往车辆的位置和运动状态。
S1024、使用跟踪算法持续追踪过往车辆。
S1025、基于时间的推移传感器将多个时刻的过往车辆的信息进行综合,形成过往车辆的行驶轨迹。
在步骤S103中,首先通过传感器获取第一轨迹和第二轨迹的数据特征,同时确保数据格式的一致性,然后将数据特征按照时间顺序排序,从而确定时间的连续性。再将数据特征转换为位置、速度、加速度等信息,具体的,可以使用数值微分的方法计算速度和加速度。随后提取位置、速度、加速度的统计特征,例如均值、方差、最大值、最小值等,同时使用卷积神经网络提取数据特征的非物理量特征,将位置、速度、加速度的统计特征(即物理量特征)与非物理量特征合并为一个特征向量。
在实施中,获取到第一轨迹和第二轨迹合并后的特征向量之后,将两者的特征向量输入至轨迹匹配模型中,通过模型的输出结果判断第一轨迹和第二轨迹是否能够匹配为同一段轨迹。若是能够匹配为同一段轨迹,则通过边缘计算单元将第一轨迹和第二轨迹进行拼接。具体的,轨迹匹配模型为孪生网络,模型的输入为合并后的特征向量,模型的输出为用于判断两段轨迹是否匹配的标签,输出标签为0或1,其中0表示不匹配,1表示匹配。轨迹匹配模型通过设定速度差异阈值、加速度差异阈值判断两段轨迹是否能够匹配。
在步骤S103中,若是轨迹匹配模型输出的结果为第一轨迹和第二轨迹不能够匹配为同一段轨迹,则将第一轨迹和第二轨迹均进行轨迹预测后重新进行轨迹匹配操作,直至第一轨迹和第二轨迹能够匹配为同一段轨迹,再通过边缘计算单元将第一轨迹和第二轨迹进行拼接。
在实施中,能够根据传感器的安装位置预先判断是否需要进行轨迹预测的操作,具体的,每个传感器的检测范围均是固定的,在目标监控道路上布置若干传感器之后,每个传感器之间的距离均是能够获取到的。根据测量相邻传感器之间的距离能够判断出相邻传感器的检测范围是否存在交集,若是相邻传感器的检测范围存在交集,则相应的传感器所获取到的轨迹则不需要进行轨迹预测就能够进行轨迹匹配。若是相邻传感器的检测范围不存在交集,则相应的传感器所获取到的轨迹则需要进行轨迹预测后才能够进行轨迹匹配,此时工作人员能够直接对检测范围不存在交集的相邻传感器进行标记,当被标记的传感器获取过往车辆的行驶轨迹时,自动进行行驶轨迹的轨迹预测。通过上述预先判断的方式能够在一定程度上减少边缘计算单元的计算量,同时省去了某部分路段的判断环节,大大节约了交通数字孪生的反馈时间。
图3是本申请一个实施例提供的包含车辆身份信息的交通数字孪生方法的用例示意图,举例说明,由图可知,图中的传感器1和2、传感4和5均为检测范围不存在交集的,因此工作人员在传感器安装之后便会设置传感器1和2、传感器4和5在识别轨迹之后自动进行轨迹预测的操作。
在步骤S103中,参照图4,是本申请一个实施例提供的通过边缘计算单元将第一轨迹和第二轨迹进行拼接的流程示意图,该方法至少包括以下几个步骤:
S1031、对第一轨迹和第二轨迹进行时间同步和预处理。
在实施中,为了更加准确地将传感器所获取的轨迹进行拼接,需要在一定程度上确保轨迹是在相同的时间基准下进行采集的。可选地,边缘计算单元可以使用时间同步协议,例如网络时间协议以确保各个传感器的时间戳是一致的。对轨迹进行时间同步之后,对轨迹进行清理和过滤,去除异常值和噪声,以提高后续轨迹处理的准确性。
S1032、对第一轨迹和第二轨迹进行坐标系转换。
具体的,需要判断第一轨迹和第二轨迹的坐标系是否相同,若是不同,需要进行坐标系的转换,以确保两段轨迹在相同的参考框架下。
S1033、将第一轨迹和第二轨迹在时间和空间上对齐。
S1034、使用轨迹推测和插值方法填补第一轨迹和第二轨迹上缺失的信息点。
具体的,在某些情况下,由于轨迹采集的不连续性或者传感器采样率的差异性,可能会造成轨迹中某些信息点的缺失,因此使用轨迹推测和插值方法填补缺失的信息点,从而获得更为完整的轨迹。
S1035、对轨迹进行拼接,并对拼接后的轨迹进行质量评估。
在实施中,轨迹拼接之后还需要对拼接后的轨迹进行质量评估,检查是否存在不连续或不合理的部分,需要考虑轨迹的平滑度、速度的连续性等影响因素。
在步骤S103中,通过构建轨迹预测模型,将轨迹输入轨迹预测模型从而完成对轨迹的预测。具体的,构建轨迹预测模型包括:收集历史轨迹数据,其中历史轨迹数据包括但不限于车辆的位置、速度、方向等信息。随后对历史轨迹数据进行清理和预处理,包括但不限于处理缺失值、异常值、进行坐标转换、标准化处理以及时间戳处理等。再将处理后的历史轨迹数据分为训练集和测试集,选择RNN循环神经网络作为轨迹预测模型的模型架构,使用训练集对模型进行训练,并使用测试集验证训练的模型性能,例如使用均方根误差、平均绝对误差等评估模型的预测准确性。最后根据验证结果对模型进行调优。
可选地,也能够通过传感器所获取的车辆行驶数据对车辆的行驶轨迹进行轨迹的延长操作从而实现轨迹的短时预测。具体的,首先传感器获取车辆的初始速度以及初始加速度,随后利用以下公式计算出车辆的预测距离:
其中s为预测距离,v为初始速度,a为初始加速度,t为预测时长。计算出预测距离之后,将车辆的行驶轨迹延长预测距离从而完成轨迹的延长操作。需要注意的是,相邻两段轨迹的预测距离相加应大于等于预设的距离阈值。
可选地,上述公式是在行驶车辆进行匀加速或者匀减速运动的情况下进行预测距离的计算的,考虑到车辆在实际的行驶过程中由于人为操作加速度随时间可能是不断变化的,因此也可以使用以下公式计算出车辆的预测距离:
加速度函数:
速度函数:
行驶距离函数:
其中,t为预测时间,a0是初始加速度,b是加速度随时间的变化率,C是积分常数,在实施中,在目标监控道路上安装传感器之后,在各传感器之间通过加速度传感器获取加速度数据,通过采集一系列的加速度数据点并采用数值方法估计b和C的值。
可选地,也可以将上述两种方法进行结合从而完成轨迹预测操作,先通过构建的轨迹预测模型对轨迹进行预测并获得预测后的轨迹,随后再通过传感器所获取的车辆行驶数据对车辆的行驶轨迹进行轨迹的延长操作,得到轨迹的预测距离,随后基于预测距离对预测后的轨迹进行校正。
具体的,首先构建坐标系并获取预测后轨迹的末尾点,记为。再利用预测后的轨迹的倒数第二个点和/>计算末尾点到延长点的方向角/>,公式如下:
随后利用方向角和预测距离/>计算新的末尾点坐标,其中:
最后利用新的末尾点坐标对预测后的轨迹进行校正,从而得到新的预测轨迹。利用预测距离对预测轨迹进行校正能够在一定程度上提升轨迹预测的精准度。
在步骤S105中,相机通过识别过往车辆的车牌信息从而获取过往车辆的身份信息。具体的,相机获取车辆图像,车辆图像包括但不限于车辆的前、后、侧面等不同角度的照片。随后对车辆图像进行预处理,包括调整车辆图像的对比度、亮度,去除噪声等,以提高后续车牌识别的准确性。最后使用OCR算法对车辆图像中的车牌进行识别,包括字符分割、字符识别等步骤,从而提取车牌上的文字信息。车牌信息被成功识别后,通过车牌信息与其他数据库中的信息关联,从而获取车辆的身份信息。
在步骤S105中,车辆身份信息上传至边缘计算单元后,边缘计算单元获取各个传感器和相机的多维度数据之后,从而匹配出传感器对应的轨迹并进行绑定。具体的,多维度数据包括但不限于车辆的车道信息、车辆被传感器或者相机检测时的时间信息、传感器以及相机的安装位置以及车辆的加速度信息等。例如,当确定车辆的车道信息以及时间信息一致,传感器以及相机的安装位置较为邻近,且两者所测量的加速度的差值在阈值之内,则认定为该传感器所识别的轨迹为相机的匹配轨迹。
综上所述,本申请通过在目标监控道路上布置相机和多个传感器,当行驶车辆经过时,多个传感器依次识别过往车辆的行驶轨迹,相机获取过往车辆的身份信息,若干轨迹与车辆的身份信息被上传至边缘计算单元,边缘计算单元将若干轨迹拼接,并匹配出与相机对应的轨迹,将身份信息与该轨迹进行绑定,因此各个轨迹拼接之后的完整轨迹也就带有了车辆的身份信息,从而完成了包含车辆身份信息的车辆轨迹的实时孪生并实现了轨迹的仿真。相较于现有的两种方法,仅使用了单个相机,减少了相机的布置数量,且对相机的安装位置没有过多限制,使用成本以及维护成本均较低,有利于大规模的布置应用。此外,应用雷达作为传感器,能够在各类天气下仍然保持轨迹识别的高准确率。
图5是本申请一个实施例提供的包含车辆身份信息的交通数字孪生系统的结构框图。该装置至少包括以下几个模块:
单元布置模块,用于在目标监控道路上布置相机和多个传感器,并将传感器和相机通过网络连接到边缘计算单元,其中相邻传感器之间的距离小于等于预设的距离阈值;
轨迹识别模块,用于利用相邻的传感器分别获取目标监控道路上过往车辆的第一轨迹和第二轨迹,并将第一轨迹和第二轨迹上传至边缘计算单元;
轨迹预测模块,用于获取第一轨迹和第二轨迹的数据特征,基于数据特征判断第一轨迹和第二轨迹是否能够匹配为同一段轨迹;若是能够匹配为同一段轨迹,则通过边缘计算单元将第一轨迹和第二轨迹进行拼接;若是不能够匹配为同一段轨迹,则将第一轨迹和第二轨迹均进行轨迹预测后重新进行轨迹匹配操作,直至第一轨迹和第二轨迹能够匹配为同一段轨迹,再通过边缘计算单元将第一轨迹和第二轨迹进行拼接;
轨迹拼接模块,用于重复进行轨迹拼接操作直至将所有传感器所获取的轨迹拼接完成;
信息绑定模块,用于利用相机获取过往车辆的车辆身份信息,将车辆身份信息上传至边缘计算单元,边缘计算单元匹配传感器对应的轨迹,并将车辆身份信息与轨迹进行绑定。
相关细节参考上述方法实施例。
图6是本申请一个实施例提供的电子设备的框图。该设备至少包括处理器401和存储器402。
处理器401可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器401可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器401也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器401可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器401还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器402可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器402还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器402中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器401所执行以实现本申请中方法实施例提供的包含车辆身份信息的交通数字孪生方法。
在一些实施例中,电子设备还可选包括有:外围设备接口和至少一个外围设备。处理器401、存储器402和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,电子设备还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,计算机可读存储介质中存储有程序,程序由处理器加载并执行以实现上述方法实施例的包含车辆身份信息的交通数字孪生方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,计算机可读存储介质中存储有程序,程序由处理器加载并执行以实现上述方法实施例的包含车辆身份信息的交通数字孪生方法。
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 (10)
1.一种包含车辆身份信息的交通数字孪生方法,其特征在于,所述方法包括:
在目标监控道路上布置相机和多个传感器,并将传感器和相机通过网络连接到边缘计算单元,其中相邻传感器之间的距离小于等于预设的距离阈值;
利用相邻的传感器分别获取目标监控道路上过往车辆的第一轨迹和第二轨迹,并将第一轨迹和第二轨迹上传至边缘计算单元;
获取第一轨迹和第二轨迹的数据特征,基于数据特征判断第一轨迹和第二轨迹是否能够匹配为同一段轨迹;若是能够匹配为同一段轨迹,则通过边缘计算单元将第一轨迹和第二轨迹进行拼接;若是不能够匹配为同一段轨迹,则将第一轨迹和第二轨迹均进行轨迹预测后重新进行轨迹匹配操作,直至第一轨迹和第二轨迹能够匹配为同一段轨迹,再通过边缘计算单元将第一轨迹和第二轨迹进行拼接;
所述将第一轨迹和第二轨迹均进行轨迹预测包括:
通过构建的轨迹预测模型对轨迹进行预测并获得预测后的轨迹,
通过传感器所获取的车辆行驶数据对车辆的行驶轨迹进行轨迹的延长操作,得到轨迹的预测距离;
基于预测距离对预测后的轨迹进行校正,包括:构建坐标系并获取预测后轨迹的末尾点,记为Poriginal(xoriginal,yoriginal),再利用预测后的轨迹的倒数第二个点Psecond-last(xsecond-last,ysecond-last)和Poriginal计算末尾点到延长点的方向角θ,公式如下:
随后利用方向角θ和预测距离L计算新的末尾点坐标Pextended(xextended,yextended),其中:
xextended=xoriginal+Lcosθ
yextended=yoriginal+Lsinθ
利用新的末尾点坐标Pextended(xextended,yextended)对预测后的轨迹进行校正,得到新的预测轨迹;
重复进行轨迹拼接操作直至将所有传感器所获取的轨迹拼接完成;
利用相机获取过往车辆的车辆身份信息,将车辆身份信息上传至边缘计算单元,边缘计算单元匹配传感器对应的轨迹,并将车辆身份信息与轨迹进行绑定。
2.根据权利要求1所述的包含车辆身份信息的交通数字孪生方法,其特征在于,所述利用相邻的传感器分别获取目标监控道路上过往车辆的第一轨迹和第二轨迹包括:
向过往车辆发射无线电波,接收遇到过往车辆后反射回来的无线电波;
无线电波中包含了过往车辆的信息;
使用信号处理无线电波,提取过往车辆的特征,利用特征辅助确定过往车辆的位置和运动状态;
使用跟踪算法持续追踪过往车辆;
基于时间的推移传感器将多个时刻的过往车辆的信息进行综合,形成过往车辆的行驶轨迹。
3.根据权利要求1所述的包含车辆身份信息的交通数字孪生方法,其特征在于,所述通过边缘计算单元将第一轨迹和第二轨迹进行拼接包括:
对第一轨迹和第二轨迹进行时间同步和预处理;
对第一轨迹和第二轨迹进行坐标系转换;
将第一轨迹和第二轨迹在时间和空间上对齐;
使用轨迹推测和插值方法填补第一轨迹和第二轨迹上缺失的信息点;
对轨迹进行拼接,并对拼接后的轨迹进行质量评估。
4.根据权利要求1所述的包含车辆身份信息的交通数字孪生方法,其特征在于,所述将第一轨迹和第二轨迹均进行轨迹预测包括:
传感器获取车辆的初始速度以及初始加速度,随后利用以下公式计算出车辆的预测距离:
其中s为预测距离,v为初始速度,a为初始加速度,t为预测时长;计算出预测距离之后,将车辆的行驶轨迹延长预测距离,完成第一轨迹和第二轨迹的延长。
5.根据权利要求1所述的包含车辆身份信息的交通数字孪生方法,其特征在于,所述将第一轨迹和第二轨迹均进行轨迹预测包括:
传感器获取车辆的初始加速度,随后利用以下公式计算出车辆的预测距离:
加速度函数:a(t)=a0+bt
速度函数:
行驶距离函数:
其中,t为预测时间,a0是初始加速度,b是加速度随时间的变化率,C是积分常数;计算出预测距离之后,将车辆的行驶轨迹延长预测距离,完成第一轨迹和第二轨迹的延长。
6.根据权利要求1所述的包含车辆身份信息的交通数字孪生方法,其特征在于,所述判断第一轨迹和第二轨迹是否能够匹配为同一段轨迹之前还包括:
在目标监控道路上布置若干传感器之后,根据测量相邻传感器之间的距离判断相邻传感器的检测范围是否存在交集;
若是相邻传感器的检测范围存在交集,则相应的传感器所获取到的轨迹则不需要进行轨迹预测就能够进行轨迹匹配;
若是相邻传感器的检测范围不存在交集,则相应的传感器所获取到的轨迹则需要进行轨迹预测后才能够进行轨迹匹配,此时对检测范围不存在交集的相邻传感器进行标记,当被标记的传感器获取过往车辆的行驶轨迹时,自动进行行驶轨迹的轨迹预测。
7.根据权利要求1所述的包含车辆身份信息的交通数字孪生方法,其特征在于,所述利用相机获取过往车辆的车辆身份信息包括:
获取车辆图像;
对车辆图像进行预处理;
使用OCR算法对车辆图像中的车牌进行识别,提取车牌上的文字信息;
车牌信息被成功识别后,通过车牌信息与其他数据库中的信息关联,获取车辆的身份信息。
8.一种包含车辆身份信息的交通数字孪生系统,其特征在于,包括:
单元布置模块,用于在目标监控道路上布置相机和多个传感器,并将传感器和相机通过网络连接到边缘计算单元,其中相邻传感器之间的距离小于等于预设的距离阈值;
轨迹识别模块,用于利用相邻的传感器分别获取目标监控道路上过往车辆的第一轨迹和第二轨迹,并将第一轨迹和第二轨迹上传至边缘计算单元;
轨迹预测模块,用于获取第一轨迹和第二轨迹的数据特征,基于数据特征判断第一轨迹和第二轨迹是否能够匹配为同一段轨迹;若是能够匹配为同一段轨迹,则通过边缘计算单元将第一轨迹和第二轨迹进行拼接;若是不能够匹配为同一段轨迹,则将第一轨迹和第二轨迹均进行轨迹预测后重新进行轨迹匹配操作,直至第一轨迹和第二轨迹能够匹配为同一段轨迹,再通过边缘计算单元将第一轨迹和第二轨迹进行拼接;
所述将第一轨迹和第二轨迹均进行轨迹预测包括:
通过构建的轨迹预测模型对轨迹进行预测并获得预测后的轨迹,
通过传感器所获取的车辆行驶数据对车辆的行驶轨迹进行轨迹的延长操作,得到轨迹的预测距离;
基于预测距离对预测后的轨迹进行校正,包括:构建坐标系并获取预测后轨迹的末尾点,记为Poriginal(xoriginal,yoriginal),再利用预测后的轨迹的倒数第二个点Psecond-last(xsecond-last,ysecond-last)和Poriginal计算末尾点到延长点的方向角θ,公式如下:
随后利用方向角θ和预测距离L计算新的末尾点坐标Pextended(xextended,yextended),其中:
xextended=xoriginal+Lcosθ
yextended=yoriginal+Lsinθ
利用新的末尾点坐标Pextended(xextended,yextended)对预测后的轨迹进行校正,得到新的预测轨迹;
轨迹拼接模块,用于重复进行轨迹拼接操作直至将所有传感器所获取的轨迹拼接完成;
信息绑定模块,用于利用相机获取过往车辆的车辆身份信息,将车辆身份信息上传至边缘计算单元,边缘计算单元匹配传感器对应的轨迹,并将车辆身份信息与轨迹进行绑定。
9.一种电子设备,其特征在于,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的一种包含车辆身份信息的交通数字孪生方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至7任一项所述的一种包含车辆身份信息的交通数字孪生方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056830.XA CN117593708B (zh) | 2024-01-16 | 2024-01-16 | 包含车辆身份信息的交通数字孪生方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056830.XA CN117593708B (zh) | 2024-01-16 | 2024-01-16 | 包含车辆身份信息的交通数字孪生方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593708A CN117593708A (zh) | 2024-02-23 |
CN117593708B true CN117593708B (zh) | 2024-04-16 |
Family
ID=89922803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410056830.XA Active CN117593708B (zh) | 2024-01-16 | 2024-01-16 | 包含车辆身份信息的交通数字孪生方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593708B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570661A (zh) * | 2019-08-13 | 2019-12-13 | 常州华龙通信科技股份有限公司 | 实现车辆特征码和数字车牌关联的方法与流程 |
CN112034449A (zh) * | 2020-08-03 | 2020-12-04 | 河北德冠隆电子科技有限公司 | 基于物理空间属性实现对车辆行驶轨迹修正的系统及方法 |
CN112200118A (zh) * | 2020-10-23 | 2021-01-08 | 新疆大学 | 一种车辆运动状态互感知的方法和装置 |
CN114518573A (zh) * | 2022-04-21 | 2022-05-20 | 山东科技大学 | 一种用于多雷达的车辆跟踪方法、设备及介质 |
CN116343095A (zh) * | 2023-04-04 | 2023-06-27 | 中南大学 | 一种基于视频拼接的车辆轨迹提取方法及相关设备 |
-
2024
- 2024-01-16 CN CN202410056830.XA patent/CN117593708B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570661A (zh) * | 2019-08-13 | 2019-12-13 | 常州华龙通信科技股份有限公司 | 实现车辆特征码和数字车牌关联的方法与流程 |
CN112034449A (zh) * | 2020-08-03 | 2020-12-04 | 河北德冠隆电子科技有限公司 | 基于物理空间属性实现对车辆行驶轨迹修正的系统及方法 |
CN112200118A (zh) * | 2020-10-23 | 2021-01-08 | 新疆大学 | 一种车辆运动状态互感知的方法和装置 |
CN114518573A (zh) * | 2022-04-21 | 2022-05-20 | 山东科技大学 | 一种用于多雷达的车辆跟踪方法、设备及介质 |
CN116343095A (zh) * | 2023-04-04 | 2023-06-27 | 中南大学 | 一种基于视频拼接的车辆轨迹提取方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117593708A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
CN109961106B (zh) | 轨迹分类模型的训练方法和装置、电子设备 | |
CN111161315B (zh) | 一种基于图神经网络的多目标跟踪方法和系统 | |
CN108133172A (zh) | 视频中运动对象分类的方法、车流量的分析方法及装置 | |
CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN109740609A (zh) | 一种轨距检测方法及装置 | |
CN112100435A (zh) | 一种基于边缘端交通音视频同步样本的自动标注方法 | |
CN112633120A (zh) | 一种基于半监督学习的智能路侧感知系统及模型训练方法 | |
CN113781767A (zh) | 一种基于多源感知的交通数据融合方法及系统 | |
CN113850237B (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及系统 | |
CN113589230B (zh) | 一种基于联合优化网络的目标声源定位方法及系统 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN114298163A (zh) | 一种基于多源信息融合的在线路况检测系统及方法 | |
CN117115752A (zh) | 一种高速公路视频监控方法及系统 | |
CN117593708B (zh) | 包含车辆身份信息的交通数字孪生方法、设备及存储介质 | |
CN111260934B (zh) | 一种基于交通视频网的车流量检测方法 | |
WO2020106201A1 (en) | Method, Computer Program, Control Unit for Detecting Faults in a Driver-Assistance System and Vehicle | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
CN116052417A (zh) | 一种行驶预测方法、装置、设备和可读存储介质 | |
CN114037834B (zh) | 一种基于振动信号和rgb图像融合的语义分割方法及装置 |
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 |