CN117636270B - 基于单目摄像头的车辆抢道事件识别方法及设备 - Google Patents
基于单目摄像头的车辆抢道事件识别方法及设备 Download PDFInfo
- Publication number
- CN117636270B CN117636270B CN202410090833.5A CN202410090833A CN117636270B CN 117636270 B CN117636270 B CN 117636270B CN 202410090833 A CN202410090833 A CN 202410090833A CN 117636270 B CN117636270 B CN 117636270B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- range
- detected
- time
- 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 37
- 230000006399 behavior Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 230000001154 acute effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于单目摄像头的车辆抢道事件识别方法及设备，属于交通安全监测技术领域。本发明包括针对单目摄像头拍摄的交通视频识别出各车辆的信息，连续跟踪每一帧图像中的车辆，提取车辆的位置；构建时空特征图；使用时空特征图中车辆的位置和车道的信息，判断车辆是否在车道的范围内；若是，则判断在该车道的范围内的两辆车是否在同一车道中并行行驶；若是，获得并行行驶的时长，判断并行行驶的时长是否大于设定的时间阈值，若是，则确定为存在互相抢道的违法行为。本发明能够实时、准确地判断车辆互相抢道事件，且可调整判罚尺度以适应不同地区交通规则的实际要求。
Description
技术领域
本发明属于交通安全监测技术领域，具体涉及一种基于单目摄像头的车辆抢道事件识别方法及设备。
背景技术
在交通领域中，车辆间互相抢道事件是一类频繁发生的、危害性极大的行为，极容易引发车祸。但因为没有对事件进行有效的识别、及时的报备或记录，所以无法统计这类事件的具体数量。互相抢道事件的定义是两辆车有相当一部分体积处于同一车道内，且并行行驶，持续一段时间而没有相让的行为。
在智能交通系统相关技术领域中，常见的可以用来进行交通事件检测的技术有：
基于目标检测和多目标跟踪的技术：通过使用如Faster R-CNN、YOLO、DeepSORT等深度学习模型，实现对车辆、行人、标志等物体的识别和跟踪。这项技术主要作为交通事件判断的基础，只能提供车辆、行人等物体的位置信息，需要与别的技术结合才能进行复杂事件的判断。
基于时空特征的技术：主要用于实现对交通信息的综合，包括车辆的位置速度等信息、车道的位置方向等信息、视频事件等信息，并构建一个时间和空间的特征图。这项技术的缺点在于不同开发者的不同算法在构建时空特征图时的差异很大，且分别适用于不同的公路场景。一个时空特征图较难以扩展应用到所有的公路场景。
基于机器学习的技术，其缺点包括需要大量的训练数据、训练结果泛化能力差即适用面窄等。
无人驾驶汽车的传感器数据的技术，其缺点在于数据不互通，想要获取汽车的传感器数据难度极大。
目前没有针对互相抢道事件的高效的、可落地的识别方案。需要解决的技术问题主要包括：
问题1，判断互相抢道的技术要落地具有相当的复杂性，现有技术往往运行效率不够。现有技术大多采用for循环计算对车辆逐一计算，严重影响运行效率。
问题2，现有技术较难推广到不同的公路，因为每个公路的长度、宽度、车道数量，摄像头的位置、高度、视角等差异较大。
问题3，现有技术在处理精度上略显不足。
发明内容
本发明目的是提供一种基于单目摄像头的车辆抢道事件识别方法及设备，能够实时地判断车辆互相抢道事件，兼具准确度和鲁棒性，且可调整判罚尺度以适应不同地区交通规则的实际要求。
具体地说，一方面，本发明提供了一种基于单目摄像头的车辆抢道事件识别方法，包括：
针对单目摄像头拍摄的交通视频，基于目标检测方法识别出视频帧图像中各车辆的位置信息，基于多目标跟踪算法连续跟踪交通视频每一帧图像中的车辆，提取各车辆的位置信息；所述车辆的位置信息包括车辆的外形边框、坐标、速度信息；
构建时空特征图，所述时空特征图包括车道的标准行驶方向矩阵R和每辆车的车辆坐标矩阵C[n]，n为交通视频的时间戳序号；所述车道的标准行驶方向矩阵R包括从交通视频的每一帧图像中获取的车道的信息，所述车道的信息包括车道的范围、车道的标准行驶方向；所述每辆车的车辆坐标矩阵C[n]记录该车辆随时间变化的车辆的位置信息；
使用所述时空特征图中车辆的位置信息和车道的信息，判断车辆是否在车道的范围内；若是，则判断在该车道的范围内的两辆车是否在同一车道中并行行驶；若是，则结合时空特征图中车辆坐标矩阵C[n]中交通视频的时间戳序号，对每个时间戳重复判断这两辆车是否在同一车道中并行行驶，获得并行行驶的时长，判断并行行驶的时长是否大于设定的时间阈值，若是，则确定为存在互相抢道的违法行为。
进一步地，所述判断在该车道的范围内的两辆车是否在同一车道中并行行驶的方法为：使用该车道的范围内两辆车的坐标和该车道的标准行驶方向矩阵R计算这两辆车的连线与该车道的标准行驶方向的锐角夹角，判定该锐角夹角是否大于设定的角度阈值；若是，则认为这两辆车在同一车道中并行行驶。
进一步地，所述从交通视频的每一帧图像中获取的车道范围通过以下步骤获得：
在控制台中输入待检测车道的数量、指定的待检测车道的范围；所述指定的待检测车道的范围由待检测车道的左上、右上、右下、左下四个顶点A、B、D、C围成，按照视频帧图像的分辨率，将待检测车道的四个顶点A、B、D、C在视频中对应的像素坐标，以矩阵形式表示，所述矩阵每一行代表一个待检测车道，每一行有四对数据分别代表相应待检测车道的四个顶点的坐标，每对数据的第一个数据是X轴坐标，第二个数据是Y轴坐标。
进一步地，所述在控制台中输入待检测车道的数量通过读取配置文件方式或者手动输入的方式实现。
进一步地，所述从交通视频的每一帧图像中获取的车道的标准行驶方向通过以下步骤获得：
根据车道四个顶点坐标计算车道的标准行驶方向：把所述待检测车道的范围中上下边AB、CD各截去一部分，形成相互平行的上边AB’和下边CD’，线段AB’、CD’分别表示截取一部分之后的上边和下边，上边AB’、下边CD’平行于视频帧图像的上下边缘；车道的范围中左边AC和右边B’D’，以及线段AB’、CD’重新形成一个上下边平行的梯形车道范围AB’D’C，把线段AB’、CD’的中点用带箭头的线连起来作为车道的标准行驶方向；
创建所述车道的标准行驶方向矩阵R：所述车道的标准行驶方向矩阵R一共M列，M为待检测车道的数量，每一列代表一个待检测车道的信息，第一行的数字表示待检测车道ID，第2-9行表示该待检测车道的范围左上、右上、右下、左下四个顶点的坐标信息，即A、B’、D’、C的坐标信息，第10-13行表示该待检测车道的标准行驶方向的上下两个点的坐标信息，即所述线段AB’、CD’的中点的坐标信息；每两行数据组成一个点的坐标，其中，前一行为横坐标，后一行为纵坐标。
进一步地，所述每辆车的车辆坐标矩阵C[n]记录该车辆随时间变化的坐标位置信息，车辆坐标矩阵C[n]的每一列代表一个时间帧，第一行记录时间帧的帧数，第2-5行记录该车辆在该时间帧的车辆边框左上角的点和右下角的点的坐标，每两行数据组成一个点的坐标，其中，前一行为横坐标，后一行为纵坐标。
进一步地，所述使用时空特征图中车辆的位置信息和车道的信息，判断车辆是否在车道的范围内包括：
使用所述车辆坐标矩阵C[n]中的车辆边框的左上角和右下角点的坐标信息，计算出车辆车头左侧和右侧的坐标位置；
使用所述车道的行驶方向矩阵R中车道四个顶点的坐标信息和车辆车头左侧和右侧的坐标，计算出车头左右两点坐标是否被包含在待检测车道的范围内，若是，则该车辆的车头在车道的范围内。
进一步地，所述角度阈值和时间阈值通过读取配置文件方式或者手动输入的方式设定。
进一步地，所述基于单目摄像头的车辆抢道事件识别方法，还包括存在互相抢道的违法行为时，记录涉嫌互相抢道的车辆信息，在视频中打上实时标签和/或输出相应的日志。
另一方面，本发明还提供一种基于单目摄像头的车辆抢道事件识别设备，所述设备包括存储器和处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序，以实现上述方法的步骤。
再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现上述方法的步骤。
本发明的基于单目摄像头的车辆抢道事件识别方法及设备的有益效果如下：
为了提高判断互相抢道的运行效率，本发明实时有序地结合目标识别和多目标跟踪的能力，实时地跟踪车辆并构建一个时间和空间的特征图，并据此进一步提出高效的事件判断算法。采用矩阵运算车辆特征矩阵和车道信息矩阵，既可以同时计算大量车辆的信息，处理效率高，可以达到实时级别的要求，即处理速度跟上视频播放速度，每秒可处理30帧的1920*1080分辨率的视频，不会出现滞后现象。因此本发明具有处理效率高的优势。
为了使抢道事件识别方法易于推广到不同的公路，本发明中的参数可随实际的交通管理人员设置，例如待检测车道的数量和每个车道在图像上的坐标范围可以依照实际要求去设置以满足不同数量、不同大小车道的要求；判定抢道现象的持续时间阈值也可以依照实际要求去设置，以适应不同视频帧率的要求；判定抢道现象的角度阈值也可以依照实际要求去设置，从而可以调整判罚尺度以适应不同地区交通规则的实际要求，这使得本发明具备灵活调整、应用范围广的优势。
为了改善处理精度，本发明在采用大量矩阵运算保证运行效率和采用可配置参数扩展应用范围的同时，还提出了良好的基于时间判断的事件判断逻辑，这一事件判断逻辑从本质上充分概括了互相抢道事件的发生定义，从而提高了事件判断的准确性。
附图说明
图1是本发明实施例的方法整体流程图。
图2是本发明实施例的待检测车道的坐标示意图。
图3是本发明实施例的待检测车道的标准行驶方向计算结果示意图。
图4是本发明实施例的车道行驶方向矩阵R示意图。
图5是本发明实施例的车辆坐标矩阵C[n]示意图。
图6是本发明实施例的抢道事件逻辑判断流程图。
图7是本发明实施例的车道行驶方向矩阵R的数据示例。
图8是本发明实施例的车辆坐标矩阵C的数据示例。
图9是本发明实施例的两辆车的连线和车道的标准行驶方向的夹角示意图。
图10是本发明实施例的第一段实时视频中被判定为互相抢道的两辆汽车示意图。
图11是本发明实施例的第二段实时视频中被判定为互相抢道的两辆汽车示意图。
图12是本发明实施例的控制台记录疑似互相抢道的车辆ID示意图。
具体实施方式
下面结合实施例并参照附图对本发明作进一步详细描述。
本发明的一个实施例，为一种基于单目摄像头的车辆抢道事件识别方法，实时地识别交通视频中是否存在车辆相互抢道事件。
如图1所示，本发明的基于单目摄像头的车辆抢道事件识别方法包括以下步骤：
步骤一，针对单目摄像头拍摄的交通视频，识别出视频帧图像中各车辆的车辆的位置信息，例如各车辆的外形边框、坐标、速度等信息，连续跟踪交通视频每一帧图像中的车辆，提取各车辆的位置信息。
1-1）针对单目摄像头拍摄的交通视频，基于目标检测方法（例如基于YOLO目标检测方法）识别出视频帧图像中各车辆的外形边框、坐标、速度等车辆的位置信息。
也可以采用其他的目标检测算法识别车辆的位置信息，例如可用来替代的目标检测算法参见表1。
表1可用来替代的目标检测算法
1-2）基于多目标跟踪算法（例如DeepSort多目标跟踪算法）连续跟踪交通视频每一帧图像中的车辆，提取各车辆的位置信息，例如车辆的边框、以及每条边框的坐标等。
也可以采用其他多目标跟踪算法连续跟踪交通视频每一帧中的车辆，例如可用来替代的多目标跟踪算法参见表2。
表2可用来替代的多目标跟踪算法
步骤二，构建一个时空特征图，时空特征图包括车道的行驶方向矩阵R和每辆车的车辆坐标矩阵C[n]，n为交通视频的时间戳序号；所述车道的标准行驶方向矩阵R包括从交通视频的每一帧图像中获取的车道的信息，所述车道的信息包括车道的范围、车道的标准行驶方向；所述每辆车的车辆坐标矩阵C[n]包括车辆的外形边框、坐标、速度等车辆的位置信息。
从交通视频的每一帧图像中获取的车道范围通过以下步骤获得：
2-1）在控制台中输入待检测车道的数量、指定的待检测车道的范围，控制台包括windows操作系统的CMD控制台和powershell控制台，或者linux操作系统的terminal控制台。所述指定的待检测车道的范围由待检测车道的左上、右上、右下、左下四个顶点A、B、D、C围成，按照视频帧图像的分辨率，将待检测车道的四个顶点A、B、D、C在视频中对应的像素坐标，以矩阵形式表示，所述矩阵每一行代表一个待检测车道，每一行有四对数据（例如四个方括号内数据）分别代表相应待检测车道的左上、右上、右下、左下四个顶点的坐标，每对数据的第一个数据是X轴坐标，第二个数据是Y轴坐标。
如图2中，该矩阵每一行代表一个待检测车道，一共四行，代表有四条车道要检测。每一行有四对方括号内数据代表每个车道的左上、右上、右下、左下四个顶点的坐标。每个顶点的坐标的第一个数字是X轴坐标，第二个数字是Y轴坐标。
优选地，在控制台中输入待检测车道的数量通过读取配置文件方式或者手动输入的方式实现。例如第一次运行本发明基于单目摄像头目标检测和时空特征的抢道事件识别方法的程序时通过读取配置文件方式或者手动输入的方式将待检测车道的数量输入到控制台中。
从交通视频的每一帧图像中获取的车道的标准行驶方向通过以下步骤获得：
2-2）根据车道四个顶点坐标计算车道的标准行驶方向：把所述待检测车道的范围中上下边AB、CD各截去一部分，形成相互平行的上边AB’和下边CD’，线段AB’、CD’分别表示截取一部分之后的上边和下边，上边AB’、下边CD’平行于视频帧图像的上下边缘；车道的范围中左边AC和右边B’D’，以及线段AB’、CD’重新形成一个上下边平行的梯形车道范围AB’D’C，把线段AB’、CD’的中点用带箭头的线连起来作为车道的标准行驶方向，如图3所示。
步骤2-1）和2-2）也可以在步骤一之前进行或者与步骤一并行完成。
2-3）创建所述车道的标准行驶方向矩阵R和每辆车的车辆坐标矩阵C[n]。
如图4所示，车道标准行驶方向矩阵R一共M列，M为待检测车道的数量，每一列代表一个待检测车道的信息，第一行的数字表示待检测车道ID，第2-9行表示该待检测车道的范围左上、右上、右下、左下四个顶点的坐标信息，即A、B’、D’、C的坐标信息，第10-13行表示该待检测车道的标准行驶方向的上下两个点的坐标信息，即所述线段AB’、CD’的中点的坐标信息；每两行数据组成一个点的坐标，其中，前一行为横坐标，后一行为纵坐标。
如图5所示，每辆车的车辆坐标矩阵C[n]记录该车辆随时间变化的车辆的位置信息，车辆坐标矩阵C[n]的每一列代表一个时间帧，第一行记录时间帧的帧数，第2-5行记录该车辆在该时间帧的车辆边框左上角的点和右下角的点的坐标，每两行数据组成一个点的坐标，其中，前一行为横坐标，后一行为纵坐标。对每一辆汽车创建一个专属的车辆坐标矩阵C[n]，用来记录该车辆随时间变化的车辆的位置信息，其中n为汽车的ID，例如C[1]代表ID为1的汽车，C[26]代表ID为26的汽车。
车道行驶方向矩阵R和每辆车的车辆坐标矩阵C[n]相结合，描述交通视频时间、车道范围和标准行驶方向空间、车辆的边框、坐标、速度，这些矩阵整体称为时空特征图。
步骤三，采用每一帧中每辆车的边框的左上、右上、左下、右下四个点的坐标定义车辆的位置信息，采用车道的左上、右上、左下、右下四个点的坐标定义车道的范围。使用所述时空特征图中车辆的位置信息和车道的信息，判断车辆是否在车道的范围内；若是，则判断在该车道的范围内的两辆车是否在同一车道中并行行驶，即使用该车道的范围内两辆车的坐标和该车道的标准行驶方向矩阵R计算这两辆车的连线与该车道的标准行驶方向的锐角夹角，判定该锐角夹角是否大于设定的角度阈值；若是，则认为这两辆车在同一车道中并行行驶，结合时空特征图中车辆坐标矩阵C[n]中的时间戳序号，对每个时间戳重复判断这两辆车是否在同一车道中并行行驶，获得并行行驶的时长，判断并行行驶的时长是否大于设定的时间阈值，若是，则确定为存在互相抢道的违法行为，如图6所示。
3-1）使用时空特征图中车辆的位置信息和车道的信息，判断车辆是否在车道的范围内，包括：
使用所述车辆坐标矩阵C[n]中的车辆边框的左上角和右下角点的坐标信息（第2-5行记录），计算出车辆车头左侧和右侧的坐标位置；
使用所述车道的行驶方向矩阵R中车道四个顶点的坐标信息（第2-9行记录）和车辆车头左侧和右侧的坐标，计算出车头左右两点坐标是否被包含在待检测车道的范围内，若是，则该车辆的车头在车道的范围内，转至步骤3-2）。后续只对该车道的范围内的车辆进行判断，排除一直行驶在车道的范围之外的车辆，大大减少处理量，提高处理速度。
如图7所示，一个车道的区域的四个顶点分别是(643,266)、(743,266)、(743,525)、(643,525)。如图8所示，一辆汽车在第1帧时左上角坐标(683,268)右下角坐标(703,328)，通过车辆的坐标算出车头两侧坐标是(683,328)和(703,328)，在这个车道内。
3-2）使用该车道的范围内两辆车的坐标和该车道的标准行驶方向矩阵R计算这两辆车的连线与该车道的标准行驶方向的锐角夹角，判定该锐角夹角是否大于设定的角度阈值，即这两辆车在同一车道中并行行驶，转至步骤3-2）。
如图9所示，两辆车大部分都在车道的范围内（黑色实线内），使用步骤3-1）计算出的一个车辆车头左右两侧点的坐标信息(683,328)和(703,328)计算得到该车辆车头中点位置(693,328)，同样地，算出另一车辆的车头中点位置是(704,372)。把这两个车头中点用线段连起来，再使用车道矩阵R中待检测车道的标准行驶方向的坐标（第10-13行）画出另一条带箭头的线，计算两条线的锐角夹角，若这个锐角夹角大于预设的角度阈值，则视为这两辆车在同一车道中，正处于并行行驶的情况，即在当前帧中车辆涉嫌互相抢道行为。
优选地，角度阈值通过读取配置文件方式或者手动输入的方式设定，这样可以适应不同地区的判罚尺度。
3-3）结合时空特征图中车辆坐标矩阵C[n]中的时间戳序号（第一行），对每个时间戳重复判断这两辆车是否在同一车道中并行行驶，从而计算出在每个时间戳下，车辆是否涉嫌互相抢道行为。在同一车道中并行行驶时时间戳的结束时间减去开始时间即为并行行驶的时长，判断并行行驶的时长是否大于设定的时间阈值，若是，则视为车辆较长时间处于互相抢道状态，则确定为存在互相抢道的违法行为。
优选地，时间阈值通过读取配置文件方式或者手动输入的方式设定，这样可以适应不同地区的判罚尺度。
步骤四，记录涉嫌互相抢道的车辆信息，在视频中打上实时标签，以便提供给交通管理者实时查看跟踪，如图10和图11所示；和/或输出相应的日志，以提供给交通管理者事后查询统计，如图12所示。
对于行驶过程中被捕捉到的存在互相抢道事件的车辆，在车辆的边框的左上角会打上与边框颜色不同的标签，例如‘suspected’，标签的文字可以自定义，同时记录互相抢道的车辆ID以供查询；对于正常行驶的汽车，则不会打上该标签。
图10和图11分别是两段不同的实时交通视频中被判定为互相抢道的两辆汽车，相应汽车上方打上了实时标签“suspected”，图12是实时记录的图10、图11中被判定为互相抢道的车辆ID，以供查询。如图10和图11所示，除了距离摄像头太远的车辆，其他距离摄像头较近的车辆，其在交通视频帧图像中的上下左右四个边缘都被打上了边框以供追踪。每辆汽车的边框的左上角都有一个唯一的ID用来表示这辆汽车是在该视频中第几辆被识别出的汽车，例如ID-28指的是在视频播放过程中，第28辆被识别出的汽车。
为了提高判断互相抢道的运行效率，本发明实时有序地结合目标识别和多目标跟踪的能力，实时地跟踪车辆并构建一个时间和空间的特征图，并据此进一步提出高效的事件判断算法。采用矩阵运算车辆特征矩阵和车道信息矩阵，既可以同时计算大量车辆的信息，处理效率高，可以达到实时级别的要求，即处理速度跟上视频播放速度，每秒可处理30帧的1920*1080分辨率的视频，不会出现滞后现象。因此本发明具有处理效率高的优势。
为了使抢道事件识别方法易于推广到不同的公路，本发明中的参数可随实际的交通管理人员设置，例如待检测车道的数量和每个车道在图像上的坐标范围可以依照实际要求去设置以满足不同数量、不同大小车道的要求；判定抢道现象的持续时间阈值也可以依照实际要求去设置，以适应不同视频帧率的要求；判定抢道现象的角度阈值也可以依照实际要求去设置，从而可以调整判罚尺度以适应不同地区交通规则的实际要求，这使得本发明具备灵活调整、应用范围广的优势。
为了改善处理精度，本发明在采用大量矩阵运算保证运行效率和采用可配置参数扩展应用范围的同时，还提出了良好的基于时间判断的事件判断逻辑，这一事件判断逻辑从本质上充分概括了互相抢道事件的发生定义，从而提高了事件判断的准确性。
本发明的基于单目摄像头的车辆抢道事件识别方法及设备，检测范围较广，适用于公路机动车辆的互相抢道事件检测系统，具有良好的开发和应用前景。
在一些实施例中，上述技术的某些方面可以由执行软件的处理系统的一个或多个处理器来实现。该软件包括存储或以其他方式有形实施在非暂时性计算机可读存储介质上的一个或多个可执行指令集合。软件可以包括指令和某些数据，这些指令和某些数据在由一个或多个处理器执行时操纵一个或多个处理器以执行上述技术的一个或多个方面。非暂时性计算机可读存储介质可以包括例如磁或光盘存储设备，诸如闪存、高速缓存、随机存取存储器(RAM)等的固态存储设备或其他非易失性存储器设备。存储在非临时性计算机可读存储介质上的可执行指令可以是源代码、汇编语言代码、目标代码或被一个或多个处理器解释或以其他方式执行的其他指令格式。
计算机可读存储介质可以包括在使用期间可由计算机系统访问以向计算机系统提供指令和/或数据的任何存储介质或存储介质的组合。这样的存储介质可以包括但不限于光学介质(例如，光盘(CD)、数字多功能光盘(DVD)、蓝光光盘)、磁介质(例如，软盘、磁带或磁性硬盘驱动器)、易失性存储器(例如，随机存取存储器(RAM)或高速缓存)、非易失性存储器(例如，只读存储器(ROM)或闪存)或基于微机电系统(MEMS)的存储介质。计算机可读存储介质可以嵌入计算系统(例如，系统RAM或ROM)中，固定地附接到计算系统(例如，磁性硬盘驱动器)，可移除地附接到计算系统(例如，光盘或通用基于串行总线(USB)的闪存)，或者经由有线或无线网络(例如，网络可访问存储(NAS))耦合到计算机系统。
虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。
Claims (8)
1.一种基于单目摄像头的车辆抢道事件识别方法，其特征在于，包括：
针对单目摄像头拍摄的交通视频，基于目标检测方法识别出视频帧图像中各车辆的位置信息，基于多目标跟踪算法连续跟踪交通视频每一帧图像中的车辆，提取各车辆的位置信息；所述车辆的位置信息包括车辆的外形边框、坐标、速度信息；
构建时空特征图，所述时空特征图包括车道的标准行驶方向矩阵R和每辆车的车辆坐标矩阵C[n]，n为交通视频的时间戳序号；所述车道的标准行驶方向矩阵R包括从交通视频的每一帧图像中获取的车道的信息，所述车道的信息包括车道的范围、车道的标准行驶方向；所述车道的标准行驶方向根据车道四个顶点坐标计算得到：把待检测车道的左上、右上、右下、左下四个顶点A、B、C、D围成的范围中上下边AB、CD各截去一部分，形成相互平行的上边AB’和下边CD’，线段AB’、CD’分别表示截取一部分之后的上边和下边，上边AB’、下边CD’平行于视频帧图像的上下边缘；车道的范围中左边AC和右边B’D’，以及线段AB’、CD’重新形成一个上下边平行的梯形车道范围AB’D’C，把线段AB’、CD’的中点用带箭头的线连起来作为车道的标准行驶方向；所述车道的标准行驶方向矩阵R一共M列，M为待检测车道的数量，每一列代表一个待检测车道的信息，第一行的数字表示待检测车道ID，第2-9行表示该待检测车道的范围左上、右上、右下、左下四个顶点的坐标信息，即A、B’、D’、C的坐标信息，第10-13行表示该待检测车道的标准行驶方向的上下两个点的坐标信息，即所述线段AB’、CD’的中点的坐标信息；每两行数据组成一个点的坐标，其中，前一行为横坐标，后一行为纵坐标；所述每辆车的车辆坐标矩阵C[n]记录该车辆随时间变化的车辆的位置信息；
使用所述时空特征图中车辆的位置信息和车道的信息，判断车辆是否在车道的范围内；若是，则判断在该车道的范围内的两辆车是否在同一车道中并行行驶；若是，则结合时空特征图中车辆坐标矩阵C[n]中交通视频的时间戳序号，对每个时间戳重复判断这两辆车是否在同一车道中并行行驶，获得并行行驶的时长，判断并行行驶的时长是否大于设定的时间阈值，若是，则确定为存在互相抢道的违法行为；
所述使用时空特征图中车辆的位置信息和车道的信息，判断车辆是否在车道的范围内包括：使用所述车辆坐标矩阵C[n]中的车辆边框的左上角和右下角点的坐标信息，计算出车辆车头左侧和右侧的坐标位置；使用所述车道的行驶方向矩阵R中车道四个顶点的坐标信息和车辆车头左侧和右侧的坐标，计算出车头左右两点坐标是否被包含在待检测车道的范围内，若是，则该车辆的车头在车道的范围内；
所述判断在该车道的范围内的两辆车是否在同一车道中并行行驶的方法为：使用该车道的范围内两辆车的坐标和该车道的标准行驶方向矩阵R计算这两辆车的连线与该车道的标准行驶方向的锐角夹角，判定该锐角夹角是否大于设定的角度阈值；若是，则认为这两辆车在同一车道中并行行驶。
2.根据权利要求1所述的基于单目摄像头的车辆抢道事件识别方法，其特征在于，所述从交通视频的每一帧图像中获取的车道范围通过以下步骤获得：
在控制台中输入待检测车道的数量、指定的待检测车道的范围；所述指定的待检测车道的范围由待检测车道的左上、右上、右下、左下四个顶点A、B、D、C围成，按照视频帧图像的分辨率，将待检测车道的四个顶点A、B、D、C在视频中对应的像素坐标，以矩阵形式表示，所述矩阵每一行代表一个待检测车道，每一行有四对数据分别代表相应待检测车道的四个顶点的坐标，每对数据的第一个数据是X轴坐标，第二个数据是Y轴坐标。
3.根据权利要求2所述的基于单目摄像头的车辆抢道事件识别方法，其特征在于，所述在控制台中输入待检测车道的数量通过读取配置文件方式或者手动输入的方式实现。
4.根据权利要求1所述的基于单目摄像头的车辆抢道事件识别方法，其特征在于，所述每辆车的车辆坐标矩阵C[n]记录该车辆随时间变化的坐标位置信息，车辆坐标矩阵C[n]的每一列代表一个时间帧，第一行记录时间帧的帧数，第2-5行记录该车辆在该时间帧的车辆边框左上角的点和右下角的点的坐标，每两行数据组成一个点的坐标，其中，前一行为横坐标，后一行为纵坐标。
5.根据权利要求1所述的基于单目摄像头的车辆抢道事件识别方法，其特征在于，所述角度阈值和时间阈值通过读取配置文件方式或者手动输入的方式设定。
6.根据权利要求1所述的基于单目摄像头的车辆抢道事件识别方法，其特征在于，还包括存在互相抢道的违法行为时，记录涉嫌互相抢道的车辆信息，在视频中打上实时标签和/或输出相应的日志。
7.一种基于单目摄像头的车辆抢道事件识别设备，其特征在于，所述设备包括存储器和处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序，以实现根据权利要求1-6任一所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现根据权利要求1-6任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410090833.5A CN117636270B (zh) | 2024-01-23 | 2024-01-23 | 基于单目摄像头的车辆抢道事件识别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410090833.5A CN117636270B (zh) | 2024-01-23 | 2024-01-23 | 基于单目摄像头的车辆抢道事件识别方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117636270A CN117636270A (zh) | 2024-03-01 |
| CN117636270B true CN117636270B (zh) | 2024-04-09 |
Family
ID=90036256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410090833.5A Active CN117636270B (zh) | 2024-01-23 | 2024-01-23 | 基于单目摄像头的车辆抢道事件识别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117636270B (zh) |
Citations (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998053437A1 (fr) * | 1997-05-20 | 1998-11-26 | Hoummady Bouchaib | Procede et dispositif pour la gestion de la circulation routiere utilisant la camera video comme source d'information |
| WO2005010820A2 (fr) * | 2003-07-29 | 2005-02-03 | Holding Bev Sa | Procede et dispositif automatise de perception avec determination et caracterisation de bords et de frontieres d'objets d'un espace, construction de contours et applications |
| CN104183133A (zh) * | 2014-08-11 | 2014-12-03 | 广州普勒仕交通科技有限公司 | 一种采集和传输道路交通流动态信息的方法 |
| CN105513349A (zh) * | 2014-12-03 | 2016-04-20 | 中咨泰克交通工程集团有限公司 | 基于双视角学习的山区高速公路车辆事件检测方法 |
| CN106652445A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种公路交通事故判别方法及装置 |
| JP2018022220A (ja) * | 2016-08-01 | 2018-02-08 | 株式会社リコー | 挙動データ解析システム及び挙動データ解析装置及び挙動データ解析方法 |
| WO2019025872A2 (en) * | 2018-11-26 | 2019-02-07 | Wasfi Alshdaifat | MEANS OF AUTONOMOUS URBAN TRANSPORT WITH ARTIFICIAL TELEPATHY |
| CN109816811A (zh) * | 2018-10-31 | 2019-05-28 | 杭州云动智能汽车技术有限公司 | 一种自然驾驶数据采集装置 |
| CN110210303A (zh) * | 2019-04-29 | 2019-09-06 | 山东大学 | 一种北斗视觉融合精准车道辨识与定位方法及其实现装置 |
| CN110807931A (zh) * | 2019-11-08 | 2020-02-18 | 许凌 | 基于转向关系的交通路网有向图路径模型构建及求解方法 |
| CN111098815A (zh) * | 2019-11-11 | 2020-05-05 | 武汉市众向科技有限公司 | 一种基于单目视觉融合毫米波的adas前车碰撞预警方法 |
| CN111145545A (zh) * | 2019-12-25 | 2020-05-12 | 西安交通大学 | 基于深度学习的道路交通行为无人机监测系统及方法 |
| CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
| CN112990128A (zh) * | 2021-04-27 | 2021-06-18 | 电子科技大学 | 一种基于视频跟踪的多车辆测速方法 |
| CN113421289A (zh) * | 2021-05-17 | 2021-09-21 | 同济大学 | 一种克服无人机拍摄扰动的高精度车辆轨迹数据提取方法 |
| WO2021217420A1 (zh) * | 2020-04-28 | 2021-11-04 | 华为技术有限公司 | 车道线跟踪方法和装置 |
| CN113657316A (zh) * | 2021-08-23 | 2021-11-16 | 平安科技（深圳）有限公司 | 移动交通违章监测方法、系统、电子设备及存储介质 |
| CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
| WO2022087751A1 (en) * | 2020-10-31 | 2022-05-05 | Huawei Technologies Co., Ltd. | Method and system for graph neural network based pedestrian action prediction in autonomous driving systems |
| CN114715168A (zh) * | 2022-05-18 | 2022-07-08 | 新疆大学 | 一种道路标线缺失环境下的车辆偏航预警方法和系统 |
| CN114898296A (zh) * | 2022-05-26 | 2022-08-12 | 武汉大学 | 基于毫米波雷达与视觉融合的公交车道占用检测方法 |
| CN114898326A (zh) * | 2022-03-11 | 2022-08-12 | 武汉理工大学 | 基于深度学习的单行道车辆逆行检测方法、系统及设备 |
| CN114926984A (zh) * | 2022-05-17 | 2022-08-19 | 华南理工大学 | 一种实时交通冲突收集与道路安全评价方法 |
| CN114999228A (zh) * | 2022-06-01 | 2022-09-02 | 北京易航远智科技有限公司 | 一种自动驾驶车在恶劣天气防碰撞方法 |
| CN115027484A (zh) * | 2022-05-23 | 2022-09-09 | 吉林大学 | 一种面向高度自动驾驶的人机融合感知方法 |
| CN115140068A (zh) * | 2022-08-01 | 2022-10-04 | 杭州电子科技大学 | 一种异常驾驶行为预警系统、方法及装置 |
| WO2022227766A1 (zh) * | 2021-04-28 | 2022-11-03 | 北京百度网讯科技有限公司 | 交通异常检测的方法和装置 |
| CN115320581A (zh) * | 2022-08-15 | 2022-11-11 | 中南大学 | 实时车辆换道风险评估方法、计算机设备及计算机存储介质 |
| CN115547040A (zh) * | 2022-09-19 | 2022-12-30 | 河南大学 | 安全势场下基于informer神经网络的驾驶行为预测方法 |
| CN115717894A (zh) * | 2022-12-02 | 2023-02-28 | 大连理工大学 | 一种基于gps和普通导航地图的车辆高精度定位方法 |
| CN115798207A (zh) * | 2022-11-14 | 2023-03-14 | 哈尔滨工业大学 | 基于LiDAR点云的信号交叉口追尾冲突识别方法 |
| WO2023070258A1 (zh) * | 2021-10-25 | 2023-05-04 | 华为技术有限公司 | 一种车辆的轨迹规划方法、装置及车辆 |
| CN116129066A (zh) * | 2022-12-21 | 2023-05-16 | 浙江大学 | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 |
| CN116164760A (zh) * | 2022-12-08 | 2023-05-26 | 北京航空航天大学 | 一种多车冲突场景下基于风险场的车辆运动规划方法 |
| CN116189444A (zh) * | 2023-03-06 | 2023-05-30 | 车链云(深圳)科技有限公司 | 一种车辆动态信息自动识别方法 |
| CN116206285A (zh) * | 2023-03-06 | 2023-06-02 | 酷哇科技有限公司 | 应用于自动驾驶的交通弱势群体碰撞风险评估方法及系统 |
| CN116504065A (zh) * | 2023-05-12 | 2023-07-28 | 北京车网科技发展有限公司 | 一种监测事件的数据处理方法 |
| WO2023155231A1 (zh) * | 2022-02-21 | 2023-08-24 | 东南大学 | 一种高度类人的自动驾驶营运车辆安全驾驶决策方法 |
| CN117079247A (zh) * | 2023-07-28 | 2023-11-17 | 郑州轻工业大学 | 一种具有风险规避功能的公交车盲区行人检测方法 |
| CN117141517A (zh) * | 2023-09-13 | 2023-12-01 | 厦门大学 | 数据驱动与知识引导相结合的车辆轨迹预测模型构建方法 |
| CN117169873A (zh) * | 2023-09-05 | 2023-12-05 | 重庆长安汽车股份有限公司 | 超视域鸟瞰感知方法及装置、目标感知装置、设备、介质 |
| CN117218895A (zh) * | 2023-10-18 | 2023-12-12 | 哈尔滨工业大学 | 基于潜在碰撞判定的自动驾驶车辆与行人冲突检测方法 |
| CN117290997A (zh) * | 2023-08-14 | 2023-12-26 | 吉林大学 | 一种基于数字孪生模式的人机共驾决策系统测评方法 |
| CN117292346A (zh) * | 2023-10-07 | 2023-12-26 | 招商局重庆交通科研设计院有限公司 | 面向驾驶人和车辆状态一体感知的车辆行驶风险预警方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8126642B2 (en) * | 2008-10-24 | 2012-02-28 | Gray & Company, Inc. | Control and systems for autonomously driven vehicles |
| US11630197B2 (en) * | 2019-01-04 | 2023-04-18 | Qualcomm Incorporated | Determining a motion state of a target object |
| JP7380409B2 (ja) * | 2020-04-29 | 2023-11-15 | 株式会社デンソー | 車両用記録装置、情報記録方法 |
| US20230087392A1 (en) * | 2021-09-20 | 2023-03-23 | DC-001,Inc. | Systems and methods for adjusting vehicle lane position |
-
2024
- 2024-01-23 CN CN202410090833.5A patent/CN117636270B/zh active Active
Patent Citations (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1998053437A1 (fr) * | 1997-05-20 | 1998-11-26 | Hoummady Bouchaib | Procede et dispositif pour la gestion de la circulation routiere utilisant la camera video comme source d'information |
| WO2005010820A2 (fr) * | 2003-07-29 | 2005-02-03 | Holding Bev Sa | Procede et dispositif automatise de perception avec determination et caracterisation de bords et de frontieres d'objets d'un espace, construction de contours et applications |
| CN104183133A (zh) * | 2014-08-11 | 2014-12-03 | 广州普勒仕交通科技有限公司 | 一种采集和传输道路交通流动态信息的方法 |
| CN105513349A (zh) * | 2014-12-03 | 2016-04-20 | 中咨泰克交通工程集团有限公司 | 基于双视角学习的山区高速公路车辆事件检测方法 |
| JP2018022220A (ja) * | 2016-08-01 | 2018-02-08 | 株式会社リコー | 挙動データ解析システム及び挙動データ解析装置及び挙動データ解析方法 |
| CN106652445A (zh) * | 2016-11-15 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种公路交通事故判别方法及装置 |
| CN109816811A (zh) * | 2018-10-31 | 2019-05-28 | 杭州云动智能汽车技术有限公司 | 一种自然驾驶数据采集装置 |
| WO2019025872A2 (en) * | 2018-11-26 | 2019-02-07 | Wasfi Alshdaifat | MEANS OF AUTONOMOUS URBAN TRANSPORT WITH ARTIFICIAL TELEPATHY |
| CN110210303A (zh) * | 2019-04-29 | 2019-09-06 | 山东大学 | 一种北斗视觉融合精准车道辨识与定位方法及其实现装置 |
| CN110807931A (zh) * | 2019-11-08 | 2020-02-18 | 许凌 | 基于转向关系的交通路网有向图路径模型构建及求解方法 |
| CN111098815A (zh) * | 2019-11-11 | 2020-05-05 | 武汉市众向科技有限公司 | 一种基于单目视觉融合毫米波的adas前车碰撞预警方法 |
| CN111145545A (zh) * | 2019-12-25 | 2020-05-12 | 西安交通大学 | 基于深度学习的道路交通行为无人机监测系统及方法 |
| WO2021217420A1 (zh) * | 2020-04-28 | 2021-11-04 | 华为技术有限公司 | 车道线跟踪方法和装置 |
| CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
| WO2022087751A1 (en) * | 2020-10-31 | 2022-05-05 | Huawei Technologies Co., Ltd. | Method and system for graph neural network based pedestrian action prediction in autonomous driving systems |
| CN112990128A (zh) * | 2021-04-27 | 2021-06-18 | 电子科技大学 | 一种基于视频跟踪的多车辆测速方法 |
| WO2022227766A1 (zh) * | 2021-04-28 | 2022-11-03 | 北京百度网讯科技有限公司 | 交通异常检测的方法和装置 |
| CN113421289A (zh) * | 2021-05-17 | 2021-09-21 | 同济大学 | 一种克服无人机拍摄扰动的高精度车辆轨迹数据提取方法 |
| CN113657316A (zh) * | 2021-08-23 | 2021-11-16 | 平安科技（深圳）有限公司 | 移动交通违章监测方法、系统、电子设备及存储介质 |
| WO2023070258A1 (zh) * | 2021-10-25 | 2023-05-04 | 华为技术有限公司 | 一种车辆的轨迹规划方法、装置及车辆 |
| CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
| WO2023155231A1 (zh) * | 2022-02-21 | 2023-08-24 | 东南大学 | 一种高度类人的自动驾驶营运车辆安全驾驶决策方法 |
| CN114898326A (zh) * | 2022-03-11 | 2022-08-12 | 武汉理工大学 | 基于深度学习的单行道车辆逆行检测方法、系统及设备 |
| CN114926984A (zh) * | 2022-05-17 | 2022-08-19 | 华南理工大学 | 一种实时交通冲突收集与道路安全评价方法 |
| CN114715168A (zh) * | 2022-05-18 | 2022-07-08 | 新疆大学 | 一种道路标线缺失环境下的车辆偏航预警方法和系统 |
| CN115027484A (zh) * | 2022-05-23 | 2022-09-09 | 吉林大学 | 一种面向高度自动驾驶的人机融合感知方法 |
| CN114898296A (zh) * | 2022-05-26 | 2022-08-12 | 武汉大学 | 基于毫米波雷达与视觉融合的公交车道占用检测方法 |
| CN114999228A (zh) * | 2022-06-01 | 2022-09-02 | 北京易航远智科技有限公司 | 一种自动驾驶车在恶劣天气防碰撞方法 |
| CN115140068A (zh) * | 2022-08-01 | 2022-10-04 | 杭州电子科技大学 | 一种异常驾驶行为预警系统、方法及装置 |
| CN115320581A (zh) * | 2022-08-15 | 2022-11-11 | 中南大学 | 实时车辆换道风险评估方法、计算机设备及计算机存储介质 |
| CN115547040A (zh) * | 2022-09-19 | 2022-12-30 | 河南大学 | 安全势场下基于informer神经网络的驾驶行为预测方法 |
| CN115798207A (zh) * | 2022-11-14 | 2023-03-14 | 哈尔滨工业大学 | 基于LiDAR点云的信号交叉口追尾冲突识别方法 |
| CN115717894A (zh) * | 2022-12-02 | 2023-02-28 | 大连理工大学 | 一种基于gps和普通导航地图的车辆高精度定位方法 |
| CN116164760A (zh) * | 2022-12-08 | 2023-05-26 | 北京航空航天大学 | 一种多车冲突场景下基于风险场的车辆运动规划方法 |
| CN116129066A (zh) * | 2022-12-21 | 2023-05-16 | 浙江大学 | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 |
| CN116189444A (zh) * | 2023-03-06 | 2023-05-30 | 车链云(深圳)科技有限公司 | 一种车辆动态信息自动识别方法 |
| CN116206285A (zh) * | 2023-03-06 | 2023-06-02 | 酷哇科技有限公司 | 应用于自动驾驶的交通弱势群体碰撞风险评估方法及系统 |
| CN116504065A (zh) * | 2023-05-12 | 2023-07-28 | 北京车网科技发展有限公司 | 一种监测事件的数据处理方法 |
| CN117079247A (zh) * | 2023-07-28 | 2023-11-17 | 郑州轻工业大学 | 一种具有风险规避功能的公交车盲区行人检测方法 |
| CN117290997A (zh) * | 2023-08-14 | 2023-12-26 | 吉林大学 | 一种基于数字孪生模式的人机共驾决策系统测评方法 |
| CN117169873A (zh) * | 2023-09-05 | 2023-12-05 | 重庆长安汽车股份有限公司 | 超视域鸟瞰感知方法及装置、目标感知装置、设备、介质 |
| CN117141517A (zh) * | 2023-09-13 | 2023-12-01 | 厦门大学 | 数据驱动与知识引导相结合的车辆轨迹预测模型构建方法 |
| CN117292346A (zh) * | 2023-10-07 | 2023-12-26 | 招商局重庆交通科研设计院有限公司 | 面向驾驶人和车辆状态一体感知的车辆行驶风险预警方法 |
| CN117218895A (zh) * | 2023-10-18 | 2023-12-12 | 哈尔滨工业大学 | 基于潜在碰撞判定的自动驾驶车辆与行人冲突检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Multi-lane unsignalized intersection cooperation with flexible lane direction based on multi-vehicle formation control;Cai, Mengchi等;《IEEE Transactions on Vehicular Technology》;20220323;第71卷(第6期);5787-5798 * |
| 混合交通环境自动驾驶系统测试方法研究;杨港;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20230115(第1期);C034-1301 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117636270A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110178167B (zh) | 基于摄像机协同接力的路口违章视频识别方法 | |
| CN103778786B (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
| CN110619279B (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
| Kuo et al. | Vision-based vehicle detection for a driver assistance system | |
| Daigavane et al. | Road lane detection with improved canny edges using ant colony optimization | |
| CN111815959B (zh) | 一种车辆违章的检测方法、装置以及计算机可读存储介质 | |
| WO2017125063A1 (zh) | 违规车辆处理方法及装置 | |
| AU2019100914A4 (en) | Method for identifying an intersection violation video based on camera cooperative relay | |
| CN110491168A (zh) | 一种基于车轮着地点检测车辆停车状态的方法及装置 | |
| CN110135377B (zh) | 车路协同中物体运动状态检测方法、装置和服务器 | |
| CN113221861B (zh) | 一种多车道线检测方法、装置及检测设备 | |
| CN107705577B (zh) | 一种基于车道线标定车辆违章变道的实时检测方法及系统 | |
| EP2813973B1 (en) | Method and system for processing video image | |
| Wu et al. | A Real‐Time Embedded Blind Spot Safety Assistance System | |
| CN111488808A (zh) | 基于交通违法图像数据的车道线检测方法 | |
| CN111881752B (zh) | 一种护栏检测分类方法、装置、电子设备及存储介质 | |
| CN109190483A (zh) | 一种基于视觉的车道线检测方法 | |
| WO2024046053A1 (zh) | 车辆违规检测方法、装置及系统、存储介质 | |
| CN112861773A (zh) | 一种基于多层次的泊位状态检测方法及系统 | |
| Poggenhans et al. | A universal approach to detect and classify road surface markings | |
| CN115909313A (zh) | 一种基于深度学习的违停车牌识别方法和装置 | |
| CN110986994B (zh) | 一种基于高噪音车辆轨迹数据的换道意图自动标注方法 | |
| CN117636270B (zh) | 基于单目摄像头的车辆抢道事件识别方法及设备 | |
| EP3905115A1 (en) | Road shape determination method and road shape determination program | |
| CN113052141A (zh) | 一种检测车辆停放位置的方法及装置 |
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 |