TWI775123B - 交通狀況預測系統與交通狀況預測方法 - Google Patents
交通狀況預測系統與交通狀況預測方法 Download PDFInfo
- Publication number
- TWI775123B TWI775123B TW109125612A TW109125612A TWI775123B TW I775123 B TWI775123 B TW I775123B TW 109125612 A TW109125612 A TW 109125612A TW 109125612 A TW109125612 A TW 109125612A TW I775123 B TWI775123 B TW I775123B
- Authority
- TW
- Taiwan
- Prior art keywords
- scene
- traffic
- feature
- traffic condition
- circle
- Prior art date
Links
Images
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
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional 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
- G06V10/70—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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
一種交通狀況預測系統與方法被揭露。該系統儲存第一交通場景的第一場景特徵、用來預測該第一交通場景的交通狀況的第一預測模型、與第二交通場景的空照圖。該方法包含:在一交通場景的一空照圖中決定圓中心點;基於該圓中心點與第一半徑決定第一圓;根據第一預設取樣頻率,沿著第一圓的圓周擷取多個第一特徵點;至少根據該多個第一特徵點,產生該交通場景的場景特徵;判斷該交通場景特徵與另一交通場景的場景特徵是否相似;以及當判斷相似,透過用來預測該另一交通場景的交通狀況的預測模型來預測該交通場景的交通狀況。該交通場景與該另一交通場景的場景特徵的產生方式相同。
Description
本發明的實施例與預測系統與預測方法有關。更具體而言,本發明的實施例與交通狀況預測系統與交通狀況預測方法有關。
現有的交通狀況預測技術可針對每一個交通場景(例如:十字路口),根據其現行或歷史交通狀況資料(例如:車流量、車輛密度、車輛平均速率)建立其交通狀況的預測模型,以便使用該預測模型來預測該交通場景在未來時間點的交通狀況,並據此即時地管理該交通場景(例如:調整該交通場景或鄰近交通場景之交通號誌的顯示時間、調撥車道),以達到疏導交通與管控車流量之功效。
然而,針對每一個交通場景建立一個其專屬的交通狀況預測模型,不但每次都需要重新收集訓練資料,而且還要耗費大量運算時間去訓練,顯然這樣的處理方式的效率不佳。有鑒於此,如何加速建立交通預測模型的時間,進而提升預測交通場景之交通狀況的效率,即為本領域亟需解決的問題。
為了解決至少上述的問題,本發明的實施例提供了一種交通
狀況預測系統。該交通狀況預測系統可包含互相電性連接的一儲存器與一處理器。該儲存器可用以儲存一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、以及一第二交通場景的一空照圖。該處理器可用以:在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;以及當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型來預測該第二交通場景的交通狀況。該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
為了解決至少上述的問題,本發明的實施例還提供了一種交通狀況預測系統。該交通狀況預測系統可包含互相電性連接的一儲存器與一處理器。該儲存器可用以儲存一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、與一第二交通場景有關的至少一實際車輛軌跡、以及該第二交通場景的一空照圖。該處理器可用以:在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡,且判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;以及當判斷該至少一實際車輛軌跡與該至少一
預測車輛軌跡相似,透過該第一預測模型來預測該第二交通場景的交通狀況。該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
為了解決至少上述的問題,本發明的實施例還提供了一種用於一交通狀況預測系統的交通狀況預測方法。該交通狀況預測系統可儲存一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、以及一第二交通場景的一空照圖。該交通狀況預測方法可包含以下步驟:在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;以及當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型來預測該第二交通場景的交通狀況。該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
為了解決至少上述的問題,本發明的實施例還提供了一種用於一交通狀況預測系統的交通狀況預測方法。該交通狀況預測系統可儲存一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、與一第二交通場景有關的至少一實際車輛軌跡、以及該第二交通場景的一空照圖。該交通狀況預測方法可包含以下步驟:在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;當判斷該第一場景特徵
與該第二場景特徵相似,透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡,且判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;以及當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,透過該第一預測模型來預測該第二交通場景的交通狀況。該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
根據本發明的某些實施例,可以在判斷該第一場景特徵與該第二場景特徵相似時,直接根據用來預測該第一交通場景的交通狀況的第一預測模型,來預測第二交通場景的交通狀況。如此一來,將不需重新針對第二交通場景建立預測模型,故可減少預測模型的建立時間,進而提升預測第二交通場景的效率。
另外,根據本發明的某些其他實施例,在判斷該第一場景特徵與該第二場景特徵相似時,還可以進一步考量該至少一實際車輛軌跡與該至少一預測車輛軌跡之相似度,且在判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似時,直接根據用來預測該第一交通場景的交通狀況的第一預測模型,來預測第二交通場景的交通狀況。同樣地,如此一來,亦將不需重新針對第二交通場景建立預測模型,故可減少預測模型的建立時間,進而提升預測第二交通場景的效率。因為額外考量了車輛軌跡之相似度,故可增加使用第一預測模型來預測第二交通場景的交通狀況的可靠性。
為了解決至少上述的問題,本發明的實施例還提供了一種交通狀況預測系統。該交通狀況預測系統可包含互相電性連接的一儲存器與一處理器。該儲存器可用以儲存用來預測一第一交通場景的交通狀況的一第一預測模型、以及與一第二交通場景有關的至少一實際車輛軌跡。該處理
器可用以:透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡;判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;以及當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,透過該第一預測模型來預測該第二交通場景的交通狀況。
為了解決至少上述的問題,本發明的實施例還提供了一種交通狀況預測系統。該交通狀況預測系統可包含互相電性連接的一儲存器與一處理器。該儲存器可用以儲存一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、與一第二交通場景有關的至少一實際車輛軌跡、以及該第二交通場景的一空照圖空照圖。該處理器可用以:透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡;判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;以及當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型來預測該第二交通場景的交通狀況。該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
為了解決至少上述的問題,本發明的實施例還提供了一種用於一交通狀況預測系統的交通狀況預測方法。該交通狀況預測系統可儲存用來預測一第一交通場景的交通狀況的一第一預測模型、以及與一第二交通場景有關的至少一實際車輛軌跡。該交通狀況預測方法可包含以下步驟:
透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡;判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;以及當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,透過該第一預測模型來預測該第二交通場景的交通狀況。
為了解決至少上述的問題,本發明的實施例還提供了一種用於一交通狀況預測系統的交通狀況預測方法。該交通狀況預測系統可儲存一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、與一第二交通場景有關的至少一實際車輛軌跡、以及該第二交通場景的一空照圖。該交通狀況預測方法可包含以下步驟:透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡;判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;以及當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型來預測該第二交通場景的交通狀況。該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
根據本發明的某些實施例,可以在判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似時,直接根據用來預測該第一交通場景的交通狀況的第一預測模型,來預測第二交通場景的交通狀況。如此一來,將不需重新針對第二交通場景建立預測模型,故可減少預測模型的建立時間,
進而提升預測第二交通場景的效率。
另外,根據本發明的某些其他實施例,在判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡時,還可以進一步考量該第一場景特徵與該第二場景特徵之相似度,且在判斷該第一場景特徵與該第二場景特徵相似時,直接根據用來預測該第一交通場景的交通狀況的第一預測模型,來預測第二交通場景的交通狀況。同樣地,如此一來,亦將不需重新針對第二交通場景建立預測模型,故可減少預測模型的建立時間,進而提升預測第二交通場景的效率。因為額外考量了場景特徵之相似度,故可增加使用第一預測模型來預測第二交通場景的交通狀況的可靠性。
如下所示:
1:交通狀況預測系統
11:處理器
13:儲存器
F1:第一場景特徵
M1:第一預測模型
V2:空照圖
T1:實際車輛軌跡
2:交通狀況預測流程
201~204:動作
V21、V22:空照圖
P0:圓中心點
P1:第一特徵點
P2:第二特徵點
C1:第一圓
C2:第二圓
R1:第一半徑
R2:第二半徑
40、41:演算法程式碼
5:交通狀況預測流程
501~507:動作
60:車輛
L1:第一車道
L2:第二車道
7:交通狀況預測方法
701~706:步驟
8:交通狀況預測方法
801~807:步驟
9:交通狀況預測流程
901~904:動作
10:交通狀況預測流程
1001~1007:動作
檢附的圖式可輔助說明本發明的各種實施例,其中:〔圖1〕例示了本發明的某些實施例的交通狀況預測系統的方塊圖;〔圖2〕例示了本發明的某些實施例的交通狀況預測系統進行交通狀況預測流程的示意圖;〔圖3A〕至〔圖3D〕例示了本發明的某些實施例的交通狀況預測系統產生第二交通場景的第二場景特徵的示意圖;〔圖4〕例示了本發明的某些實施例的交通狀況預測系統進行場景相似度比較的演算法的示意圖;〔圖5〕例示了本發明的某些其他實施例的交通狀況預測系統進行交通狀況預測流程的示意圖;〔圖6〕例示了本發明的某些實施例的一車輛的車輛軌跡的示意圖;〔圖7〕例示了本發明的某些實施例的交通狀況預測方法的示意圖;
〔圖8〕例示了本發明的某些其他實施例的交通狀況預測方法的示意圖;〔圖9〕例示了本發明的某些其他實施例的交通狀況預測系統進行交通狀況預測流程的示意圖;以及〔圖10〕例示了本發明的某些其他實施例的交通狀況預測系統進行交通狀況預測流程的示意圖。
以下將透過多個實施例來說明本發明,惟這些實施例並非用以限制本發明只能根據所述操作、環境、應用、結構、流程或步驟來實施。為了易於說明,與本發明的實施例無直接關聯的內容或是不需特別說明也能理解的內容,將於本文以及圖式中省略。於圖式中,各元件(element)的尺寸以及各元件之間的比例僅是範例,而非用以限制本發明的保護範圍。除了特別說明之外,在以下內容中,相同(或相近)的元件符號可對應至相同(或相近)的元件。在可被實現的情況下,如未特別說明,以下所述的每一個元件的數量可以是一個或多個。
本揭露使用之用語僅用於描述實施例,並不意圖限制本發明的保護範圍。除非上下文另有明確說明,否則單數形式「一」也旨在包括複數形式。「包括」、「包含」等用語指示所述特徵、整數、步驟、操作、元素及/或元件的存在,但並不排除一或多個其他特徵、整數、步驟、操作、元素、元件及/或前述之組合之存在。用語「及/或」包含一或多個相關所列項目的任何及所有的組合。
圖1例示了本發明的某些實施例的交通狀況預測系統的方塊
圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。參照圖1,交通狀況預測系統1可包含互相電性連接的處理器11與儲存器13。
處理器11可以是具備訊號處理功能的微處理器(microprocessor)或微控制器(microcontroller)等。微處理器或微控制器是一種可程式化的特殊積體電路,其具有運算、儲存、輸出/輸入等能力,且可接受並處理各種編碼指令,藉以進行各種邏輯運算與算術運算,並輸出相應的運算結果。處理器11可被編程以解釋各種指令與執行各項任務或程式。舉例而言,如後所述,處理器11可用以產生第二交通場景的第二場景特徵、判斷第一場景特徵與第二場景特徵是否相似、以及當判斷二場景相似,透過該第一預測模型來預測該第二交通場景的交通狀況。另舉例而言,如後所述,處理器11還可用以產生該第二交通場景的第二場景特徵、判斷第一場景特徵與第二場景特徵是否相似、當判斷二場景相似,透過第一預測模型預測與第二交通場景有關的至少一預測車輛軌跡、判斷實際車輛軌跡與預測車輛軌跡是否相似、以及當判斷實際車輛軌跡與預測車輛軌跡相似,透過該第一預測模型來預測該第二交通場景的交通狀況。
儲存器13可包含一般計算裝置/電腦內所具備的各種儲存單元。儲存器13可包含第一級儲存裝置(又稱主記憶體或內部記憶體),通常簡稱為記憶體,其與處理器11直接連接。處理器11可讀取儲存在記憶體內的指令集,並在需要時執行這些指令集。儲存器13還可包含第二級儲存裝置(又稱外部記憶體或輔助記憶體),其透過記憶體的I/O通道來與處理器11連接,並使用資料緩衝器來將資料傳輸至第一級儲存裝置。第二級儲存裝置可
例如是各種類型的硬碟、光碟等。儲存器13亦可包含第三級儲存裝置,例如可直接插入或自電腦拔除的隨身碟、或是雲端硬碟。在某些實施例中,儲存器13可用以儲存第一交通場景的第一場景特徵F1、用來預測該第一交通場景的交通狀況的一第一預測模型M1、以及一第二交通場景的一空照圖V2。在某些實施例中,除了第一交通場景的第一場景特徵F1、用來預測該第一交通場景的交通狀況的一第一預測模型M1、以及一第二交通場景的一空照圖V2之外,儲存器13還可以儲存與該第二交通場景有關的至少一實際車輛軌跡T1。
在某些實施例中,交通狀況預測系統1還可以包含電性連接至該儲存器13的一攝影機,上述第二交通場景的空照圖V2可以是由交通狀況預測系統1的該攝影機拍攝並儲存至該儲存器中。在某些其他的實施例中,第二交通場景的空照圖V2也可以是由一外部攝影機所拍攝,然後透過其他電子裝置傳輸給交通狀況預測系統1。在這種情況下,交通狀況預測系統1還可以包含電性連接至該儲存器13的一連接介面,用以接收並儲存該空照圖V2至儲存器13中。
圖2例示了本發明的某些實施例的交通狀況預測系統1進行交通狀況預測流程2的示意圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。參照圖2,首先處理器11可產生第二交通場景的第二場景特徵(標示為動作201),然後判斷第一場景特徵F1與第二場景特徵是否相似,其中該第一場景特徵的產生方式與該第二場景特徵的產生方式相同,且以相同長度的數值序列來表示(標示為動作202)。第一場景特徵F1可以由處理器11預先產生並儲存至儲存器13,亦可以由其他
外部的產生裝置預先產生後輸入至交通狀況預測系統1。當處理器11在動作202中判斷該二場景相似,則透過該第一預測模型M1來預測該第二交通場景的交通狀況(標示為動作203);反之,當處理器11在動作202中判斷該二場景不相似,則不透過該第一預測模型M1來預測該第二交通場景的交通狀況,且重新建立適合用來預測第二交通場景的交通狀況的預測模型(標示為動作204)。詳言之,在動作203中,可使用第一預測模型M1來預測該第二交通場景在未來時間點的交通狀況,並據此即時地管理第二交通場景(例如:調整第二交通場景或鄰近交通場景之交通號誌的顯示時間、調撥車道),以達到疏導交通與管控車流量之功效。
在動作201中,處理器11可透過類似局部二值模式(Local binary patterns,LBP)的概念來產生第二交通場景的第二場景特徵,而其運作細節將透過圖3A至圖3D來說明。圖3A至圖3D各自例示了本發明的不同實施例中,交通狀況預測系統1產生第二交通場景的第二場景特徵的示意圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。
首先參照圖3A,處理器11可在第二場景的空照圖V21中決定一圓中心點P0,基於該圓中心點P0與一第一半徑R1決定一第一圓C1,並根據一第一預設取樣頻率,沿著該第一圓C1的圓周擷取多個第一特徵點P1。如圖3A所示,假設處理器11所採用的該第一預設取樣頻率為1/8,也就是,在第一圓C1的圓周上每旋轉45度角就擷取一個第一特徵點P1,則處理器11在第一圓C1的圓周上一共可以擷取八個第一特徵點P1。
接著,處理器11可根據該八個第一特徵點P1,產生該第二交
通場景的第二場景特徵。詳言之,處理器11可以判斷各第一特徵點P1的類別並設定其對應數值。舉例而言,若某個第一特徵點P1被判斷為「道路」,則將該第一特徵點P1的對應數值設定為「1」,而若某個第一特徵點P1被判斷為「非道路」,則將該第一特徵點P1的對應數值設定為「0」。接著,將上述所有數值串聯即可得到第二場景特徵。例如,在圖3A中,由頂部(12點鐘位置)的第一特徵點P1開始,串聯順時鐘沿著第一圓C1的圓周所得到的對應數值,即可得到代表第二場景特徵的數值序列:「10101010」。
接著參照圖3B,圖3B例示了處理器11產生第二交通場景的空照圖V21的第二場景特徵的另一種方法。如同圖3A,處理器11可在第二場景的空照圖V21中決定一圓中心點P0,基於該圓中心點P0與一第一半徑R1決定一第一圓C1,並根據第一預設取樣頻率(例如1/8,也就是,每旋轉45度角就擷取一個第一特徵點P1),沿著該第一圓C1的圓周擷取八個第一特徵點P1。圖3B與圖3A的差異在於,在圖3B所示的實施例中,處理器11還可基於該圓中心點P0與一第二半徑R2決定一第二圓C2,並根據第二預設取樣頻率(例如1/16,也就是,每旋轉22.5度角就擷取一個第二特徵點P2),沿著該第二圓C2的圓周擷取十六個第二特徵點P2。
在這種情況下,處理器11可根據該八個第一特徵點P1以及該十六個第二特徵點P2來產生該第二場景特徵。類似於前述的方法,處理器11可以判斷各第一特徵點P1、第二特徵點P2的類別並設定其對應數值(「道路」的對應數值為「1」,「非道路」的對應數值為「0」)。接著,處理器11可將第一圓C1與第二圓C2分別對應的所有數值串聯而得到第二場景特徵。在圖3B所示的實施例中,串聯由第一圓C1的頂部(12點鐘位置)的第一特徵點P1
開始順時鐘沿著第一圓C1的圓周所得到的對應數值,以及由第二圓C2的頂部(12點鐘位置)的第二特徵點P2開始的順時鐘沿著第二圓C2的圓周所得到的對應數值,即可得到代表第二場景特徵的數值序列:「10101010 1000100010001000」。
圖3C與圖3D分別例示了處理器11產生另一種第二交通場景的空照圖V22的第二場景特徵的二種方法。圖3C、圖3D與前述圖3A、圖3B的差異在於,在圖3C與圖3D的處理器11除了判斷特徵點是否為道路,還可進一步判斷特徵點的道路類別。舉例而言,處理器11可以將「非道路」的對應數值設定為「0」、將「雙向單線道路」的對應數值設定為「1」、將「雙向雙線道路」的對應數值設定為「2」,以此類推。在此情況下,在圖3C所示的實施例中,由頂部的第一特徵點P1開始,串聯順時鐘沿著第一圓C1的圓周所得到的對應數值,即可得到第二場景特徵的數值序列:「10201020」。
此外,在圖3D中,類似於圖3B,處理器11還可基於該圓中心點P0與一第二半徑R2決定一第二圓C2,並根據第二預設取樣頻率(例如1/16,也就是,每旋轉22.5度角就擷取一個第二特徵點P2),沿著該第二圓C2的圓周擷取十六個第二特徵點P2。在圖3D所示的實施例中,串聯由第一圓C1的頂部的第一特徵點P1開始順時鐘沿著第一圓C1的圓周所得到的對應數值,以及由第二圓C2的頂部的第二特徵點P2開始的順時鐘沿著第二圓C2的圓周所得到的對應數值,即可得到第二場景特徵的數值序列:「10201020 1002220010022200」。
在某些實施例中,根據不同的需求,上述第一圓C1與第二圓C2所採用的取樣頻率可以為相同(亦即,上述第一取樣頻率等於第二取樣
頻率),亦可為不相同(亦即,上述第一取樣頻率不等於第二取樣頻率)。另外,可以根據不同需求來決定該第一預設取樣頻率與該第二預設取樣頻率,例如,該第一預設取樣頻率與該第二預設取樣頻率可以是:1/4、1/8、1/12、1/16、1/18。
在某些實施例中,除了透過第一圓C1與第二圓C2來產生第二場景特徵,處理器11還可以透過更多個不同半徑的圓來產生以及根據相同或不同的取樣頻率來產生第二場景特徵。
接著,請回到圖2。在動作202中,處理器11可基於一旋轉不變性比較代表第一場景特徵F1與該第二場景特徵的二個數值序列,藉以判斷該第一場景特徵F1與該第二場景特徵是否相似。處理器11如何比較第一場景特徵F1與該第二場景特徵是否相似的運作細節將以圖4為例來說明。圖4例示了本發明的某些實施例的交通狀況預測系統進行場景相似度比較的演算法的示意圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。
參照圖4,首先,處理器11可透過演算法程式碼40產生第二場景特徵被旋轉後的所有可能的數值序列的集合。詳言之,「S2」為第二場景特徵的數值序列,「n」為第二場景特徵的長度,「S2_rotated_set」為第二場景特徵被旋轉後的所有可能的數值序列的集合。透過演算法程式碼40,處理器11可將第二場景特徵經旋轉後的每一種數值序列紀錄於「S2_rotated_set」中。舉例而言,若「S2」為「1011」,則處理器11可產生的「S2_rotated_set」為:「{0111;1110;1101;1011}」。
接著,處理器11可透過演算法程式碼41將第一場景特徵的數
值序列與第二場景特徵被旋轉後的每一個可能的數值序列進行比對。詳言之,「S1」為第一場景特徵,「n」為第二場景特徵被旋轉後的所有可能的數值序列的數量。透過演算法程式碼41,當「S2_rotated_set」中任一個數值序列符合第一場景特徵的數值序列,處理器11將會回傳「similar(相似)」,代表判斷第一場景特徵與第二場景特徵相似;反之,則處理器11則可回傳「not similar(不相似)」,代表判斷第一場景特徵與第二場景特徵不相似。
圖5例示了本發明的某些其他實施例的交通狀況預測系統1進行交通狀況預測流程5的示意圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。參照圖5,處理器11首先產生該第二交通場景的第二場景特徵(標示為動作501),然後判斷第一場景特徵與第二場景特徵是否相似(標示為動作502)。當處理器11在動作502中判斷二場景不相似,則不透過該第一預測模型M1來預測該第二交通場景的交通狀況,且重新建立適合用來預測第二交通場景的交通狀況的預測模型(標示為動作504)。當處理器11在動作502中判斷該二場景相似時,將透過第一預測模型M1預測與第二交通場景有關的至少一預測車輛軌跡(標示為動作503),然後判斷實際車輛軌跡T1與預測車輛軌跡是否相似(標示為動作505)。當處理器11在動作505中判斷實際車輛軌跡T1與預測車輛軌跡相似,則透過該第一預測模型M1來預測該第二交通場景的交通狀況(標示為動作506);反之,當處理器11在動作505中判斷該二車輛軌跡不相似,則不透過該第一預測模型M1來預測該第二交通場景的交通狀況(標示為動作507)。在動作507中,處理器11可以重新建立適合用來預測第二交通場景的交通狀況的預測模型,或者使用第二交通場景的相關參數來微調第一預測模型M1,
然後再採用微調後的預測模型來預測該第二交通場景的交通狀況。
上述動作501、502、504、506之運作細節可分別與圖2之動作201、202、204、203相同,故不再贅述。
如上所述,在動作503中,處理器11可透過第一預測模型M1預測與第二交通場景有關的至少一預測車輛軌跡。而在某些實施例中,該至少一實際車輛軌跡T1中的每一個車輛軌跡是由一二元碼序列來表示,且該至少一預測車輛軌跡中的每一個軌跡也是由一二元碼序列來表示。另外,每一個二元碼序列可由一第一符號與一第二符號來定義,其中該第一符號代表有變換車道,且該第二符號代表無變換車道。以下將藉由圖6來進一步說明處理器11實際車輛軌跡T1與預測車輛軌跡之表示方式與產生方式。
圖6例示了本發明的某些實施例的一車輛的車輛軌跡的示意圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。如圖6所示,若車輛60在一時間區間內有變換車道,則處理器11會將該時間區間所對應的車輛軌跡以第一符號(例如「1」來表示),若車輛60在該時間區間沒有變換車道,則處理器11會將該時間區間所對應的車輛軌跡以第一符號(例如「0」來表示)。
簡言之,處理器11可先透過式一計算出「lane indext」,亦即該車輛在某時間點所對應的車道資訊。舉例而言,當判斷該車輛在第一車道L1中,則產生的「lane index」將等於「1」,當判斷該車輛在第二車道L2中,則產生的「lane index」將等於「2」,並以此類推。
接著,處理器11可透過式二計算出「lane switcht」,亦即該車輛在某時間區間(時間點「t-1」至時間點「t」之間)中是否有變換車道的資訊。舉例而言,當判斷該車輛在時間點「t-1」至時間點「t」之間有變換車道,則「lane switcht」將等於「1」;若否,則「lane switcht」將等於「0」。
以圖6所示為例,根據式一和式二,處理器11針對車輛60所計算的車輛軌跡可表示為「01010」。
在某些實施例中,可以由處理器11採用上述方法預先產生實際車輛軌跡T1並將產生的實際車輛軌跡T1儲存至儲存器13。在某些其他的實施例中,亦可由外部計算裝置產生實際車輛軌跡T1,再將實際車輛軌跡T1輸入並儲存至交通狀況預測系統1中。
接著,請繼續參照圖5。如上所述,在動作505中,處理器11可判斷該至少一實際車輛軌跡T1與該至少一預測車輛軌跡是否相似。詳言
之,處理器11可計算所有實際車輛軌跡T1與所有預測車輛軌跡之間的一錯誤率(error)。舉例而言,錯誤率可被定義為:實際車輛軌跡T1所對應之目標方向不符合(也就是錯誤地預測)對應預測車輛軌跡所對應之目標方向的數量。一車輛的一車輛軌跡對應之目標方向可被定義為:該車輛經過一交通場景後的走向,例如:左轉、右轉、直行。當實際車輛軌跡T1與預測車輛軌跡之間的錯誤率小於(或不大於)一預設值,則可判斷實際車輛軌跡T1與預測車輛軌跡相似;反之,當實際車輛軌跡T1與預測車輛軌跡之間的錯誤率大於(或不小於)該預設值,則可判斷實際車輛軌跡T1與預測車輛軌跡不相似。
圖7例示了本發明的某些實施例的交通狀況預測方法的示意圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。
參照圖7,交通狀況預測方法7可用於一交通狀況預測系統,且該交通狀況預測系統儲存了一第一交通場景的第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、以及一第二交通場景的一空照圖。交通狀況預測方法7可包含以下步驟:在該空照圖中決定一圓中心點(標示為步驟701);基於該圓中心點與一第一半徑決定一第一圓(標示為步驟702);根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點(標示為步驟703);至少根據該多個第一特徵點,產生該第二交通場景的第二場景特徵(標示為步驟704);判斷該第一場景特徵與該第二場景特徵是否相似(標示為步驟705);以及當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型來預測該第二交通場景的交通狀
況(標示為步驟706)。該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
在某些實施例中,除了步驟701~706,交通狀況預測方法7還可包含以下步驟:基於該圓中心點與一第二半徑決定一第二圓;以及根據一第二預設取樣頻率,沿著該第二圓的圓周擷取多個第二特徵點。另外,該交通狀況預測系統是根據該多個第一特徵點以及該多個第二特徵點來產生該第二場景特徵。
在某些實施例中,該第一場景特徵與該第二場景特徵各自是一數值序列,且該交通狀況預測方法還包含:基於一旋轉不變性比較該二個數值序列,藉以判斷該第一場景特徵與該第二場景特徵是否相似。
在某些實施例中,該第二交通場景的該空照圖是由一攝影機所拍攝。
交通狀況預測方法7的每一個實施例本質上都會與交通狀況預測系統1的某一個實施例相對應。因此,即使上文未針對交通狀況預測方法7的每一個實施例進行詳述,本發明所屬技術領域中具有通常知識者仍可根據上文針對交通狀況預測系統1的說明而直接瞭解交通狀況預測方法7的未詳述的實施例。
圖8例示了本發明的某些其他實施例的交通狀況預測方法的示意圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。
參照圖8,交通狀況預測方法8可用於一交通狀況預測系統,且該交通狀況預測系統儲存了一第一交通場景的第一場景特徵、用來預測
該第一交通場景的交通狀況的一第一預測模型、與該第二交通場景有關的至少一實際車輛軌跡、以及一第二交通場景的一空照圖。交通狀況預測方法8可包含以下步驟:在該空照圖中決定一圓中心點(標示為步驟801);基於該圓中心點與一第一半徑決定一第一圓(標示為步驟802);根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點(標示為步驟803);至少根據該多個第一特徵點,產生該第二交通場景的第二場景特徵(標示為步驟804);判斷該第一場景特徵與該第二場景特徵是否相似(標示為步驟805);當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡,且判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似(標示為步驟806);以及當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,透過該第一預測模型來預測該第二交通場景的交通狀況(標示為步驟807)。該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
在某些實施例中,除了步驟801~807,交通狀況預測方法8還可包含以下步驟:基於該圓中心點與一第二半徑決定一第二圓;以及根據一第二預設取樣頻率,沿著該第二圓的圓周擷取多個第二特徵點。另外,在交通狀況預測方法8,該交通狀況預測系統是根據該多個第一特徵點以及該多個第二特徵點來產生該第二場景特徵。
在某些實施例中,該第一場景特徵與該第二場景特徵各自是一數值序列,且該交通狀況預測方法還包含:基於一旋轉不變性比較該二個數值序列,藉以判斷該第一場景特徵與該第二場景特徵是否相似。
在某些實施例中,該第二交通場景的該空照圖是由一攝影機
所拍攝。
在某些實施例中,該至少一實際車輛軌跡中的每一個車輛軌跡是由一二元碼序列來表示,且該至少一預測車輛軌跡中的每一個軌跡也是由一二元碼序列來表示。
在某些實施例中,該至少一實際車輛軌跡中的每一個車輛軌跡是由一二元碼序列來表示,且該至少一預測車輛軌跡中的每一個軌跡也是由一二元碼序列來表示,其中各該二元碼序列由一第一符號與一第二符號來定義,該第一符號代表有變換車道,且該第二符號代表無變換車道。
交通狀況預測方法8的每一個實施例本質上都會與交通狀況預測系統1的某一個實施例相對應。因此,即使上文未針對交通狀況預測方法8的每一個實施例進行詳述,本發明所屬技術領域中具有通常知識者仍可根據上文針對交通狀況預測系統1的說明而直接瞭解交通狀況預測方法8的未詳述的實施例。
圖9例示了本發明的某些實施例的交通狀況預測系統1進行交通狀況預測流程9的示意圖,惟其所示內容僅是為了舉例說明本發明的實施例,而非為了限制本發明的保護範圍。參照圖9,首先,處理器11可透過第一預測模型預測與第二交通場景有關的至少一預測車輛軌跡(標示為動作901),然後判斷實際車輛軌跡與預測車輛軌跡是否相似(標示為動作902)。當處理器11在動作902中判斷二車輛軌跡相似,則透過該第一預測模型來預測該第二交通場景的交通狀況(標示為動作903);反之,當處理器11在動作902中判斷二場景不相似,則不透過該第一預測模型來預測該第二交通場景的交通狀況,且重新建立適合用來預測第二交通場景的交通狀況的
預測模型(標示為動作904)。
上述動作901、902、903、904之運作細節可分別與圖5之動作503、505、506、504相同,故不再贅述。
在某些實施例中,該至少一實際車輛軌跡中的每一個車輛軌跡是由一二元碼序列來表示,且該至少一預測車輛軌跡中的每一個軌跡也是由一二元碼序列來表示。可選擇地,各該二元碼序列由一第一符號與一第二符號來定義,該第一符號代表有變換車道,且該第二符號代表無變換車道。
本發明的某些實施例還涵蓋了以下所述的交通狀況預測方法。該交通狀況預測方法可用於一交通狀況預測系統,且該交通狀況預測系統儲存了用來預測一第一交通場景的交通狀況的一第一預測模型、以及與該第二交通場景有關的至少一實際車輛軌跡。該交通狀況預測方法包含以下步驟:透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡;判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;以及當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,透過該第一預測模型來預測該第二交通場景的交通狀況。可選擇地,該至少一實際車輛軌跡中的每一個車輛軌跡是由一二元碼序列來表示,且該至少一預測車輛軌跡中的每一個軌跡也是由一二元碼序列來表示。可選擇地,各該二元碼序列由一第一符號與一第二符號來定義,該第一符號代表有變換車道,且該第二符號代表無變換車道。
圖10例示了本發明的某些其他實施例的交通狀況預測系統進行交通狀況預測流程10的示意圖,惟其所示內容僅是為了舉例說明本發
明的實施例,而非為了限制本發明的保護範圍。參照圖10,首先處理器11可透過第一預測模型預測與第二交通場景有關的至少一預測車輛軌跡(標示為動作1001),然後判斷實際車輛軌跡與預測車輛軌跡是否相似(標示為動作1002)。當處理器11在動作1002中判斷二車輛軌跡不相似,則不透過該第一預測模型來預測該第二交通場景的交通狀況,且重新建立適合用來預測第二交通場景的交通狀況的預測模型(標示為動作1004)。當處理器11在動作1002中判斷二場景相似,則產生該第二交通場景的第二場景特徵(標示為動作1003),然後判斷第一場景特徵與第二場景特徵是否相似(標示為動作1005)。當處理器11在動作1005中判斷該二場景特徵相似,則透過該第一預測模型來預測該第二交通場景的交通狀況(標示為動作1006);反之,當處理器11在動作1005中判斷該二場景特徵不相似,則不透過該第一預測模型來預測該第二交通場景的交通狀況(標示為動作1007)。另外,在動作1007中,處理器11可以重新建立適合用來預測第二交通場景的交通狀況的預測模型,或者使用第二交通場景的相關參數來微調該第一預測模型,然後再採用微調後的預測模型來預測該第二交通場景的交通狀況。
上述動作1001、1002、1004之運作細節可分別與圖9之動作901、902、904相同,而上述動作1003、1005、1006之運作細節可分別與圖2之動作201、202、203相同,故不再贅述。
本發明的某些實施例還涵蓋了以下所述的交通狀況預測方法。該交通狀況預測方法可用於一交通狀況預測系統,且該交通狀況預測系統儲存了一第一交通場景的第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、與該第二交通場景有關的至少一實際車輛軌跡、
以及一第二交通場景的一空照圖。該交通狀況預測方法包含以下步驟:透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡;判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;以及當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型來預測該第二交通場景的交通狀況;其中,該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。可選擇地,該交通狀況預測方法還額外包含以下步驟:基於該圓中心點與一第二半徑決定一第二圓;根據一第二預設取樣頻率,沿著該第二圓的圓周擷取多個第二特徵點;其中,該交通狀況預測系統是根據該多個第一特徵點以及該多個第二特徵點來產生該第二場景特徵。可選擇地,該第一場景特徵與該第二場景特徵各自是一數值序列,且該交通狀況預測方法還額外包含:基於一旋轉不變性比較該二個數值序列,藉以判斷該第一場景特徵與該第二場景特徵是否相似。可選擇地,該第二交通場景的該空照圖是由一攝影機所拍攝。可選擇地,該至少一實際車輛軌跡中的每一個車輛軌跡是由一二元碼序列來表示,且該至少一預測車輛軌跡中的每一個軌跡也是由一二元碼序列來表示。可選擇地,各該二元碼序列由一第一符號與一第二符號來定義,該第一符號代表有變換車道,且該第二符號代表無變換車道。
上述實施例只是舉例來說明本發明,而非為了限制本發明的
保護範圍。其中,預測模型之評估結果輸出可統稱為「交通狀況」,其係包含但不限於目標交通物件由第一交通場景之軌跡觀察,所預測得到該物件於第二交通場景中之走向,甚至出現與否,並反映出當前交通狀況。任何針對上述實施例進行修飾、改變、調整、整合而產生的其他實施例,只要是本發明所屬技術領域中具有通常知識者不難思及的,都涵蓋在本發明的保護範圍內。本發明的保護範圍以申請專利範圍為準。
2:交通狀況預測流程
201~204:動作
Claims (20)
- 一種交通狀況預測系統,包含:一儲存器,用以儲存一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、以及一第二交通場景的一空照圖;以及一處理器,與該儲存器電性連接,且用以:在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;以及當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型來預測該第二交通場景的交通狀況;其中,該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
- 如請求項1所述的交通狀況預測系統,其中:該處理器還用以:基於該圓中心點與一第二半徑決定一第二圓;以及根據一第二預設取樣頻率,沿著該第二圓的圓周擷取多個第二特徵點;以及該處理器是根據該多個第一特徵點以及該多個第二特徵點來產生該第二場景特徵。
- 如請求項1所述的交通狀況預測系統,其中,該第一場景特徵與該第二場景特徵各自是一數值序列,且該處理器基於一旋轉不變性比較該二個數值序列,藉以判斷該第一場景特徵與該第二場景特徵是否相似。
- 如請求項1所述的交通狀況預測系統,其中該第二交通場景的該空照圖是由一攝影機所拍攝。
- 一種交通狀況預測系統,包含:一儲存器,用以儲存一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、與一第二交通場景有關的至少一實際車輛軌跡、以及該第二交通場景的一空照圖;以及一處理器,與該儲存器電性連接,且用以:在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡,且判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;以及當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,透過該第一預測模型來預測該第二交通場景的交通狀況;其中,該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
- 如請求項5所述的交通狀況預測系統,其中:該處理器還用以:基於該圓中心點與一第二半徑決定一第二圓;以及根據一第二預設取樣頻率,沿著該第二圓的圓周擷取多個第二特徵點;以及該處理器是根據該多個第一特徵點以及該多個第二特徵點來產生該第二場景特徵。
- 如請求項5所述的交通狀況預測系統,其中,該第一場景特徵與該第二場景特徵各自是一數值序列,且該處理器基於一旋轉不變性比較該二個數值序列,藉以判斷該第一場景特徵與該第二場景特徵是否相似。
- 如請求項5所述的交通狀況預測系統,其中該第二交通場景的該空照圖是由一攝影機所拍攝。
- 如請求項5所述的交通狀況預測系統,其中,該至少一實際車輛軌跡中的每一個車輛軌跡是由一二元碼序列來表示,且該至少一預測車輛軌跡中的每一個軌跡也是由一二元碼序列來表示。
- 如請求項9所述的交通狀況預測系統,其中,各該二元碼序列係由一第一符號與一第二符號來定義,該第一符號代表有變換車道,且該第二符號代表無變換車道。
- 一種用於一交通狀況預測系統的交通狀況預測方法,該交通狀況預測系統儲存了一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、以及一第二交通場景的一空照圖,該交通狀況預測方法包含:在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;以及當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型來預測該第二交通場景的交通狀況;其中,該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
- 如請求項11所述的交通狀況預測方法,還包含:基於該圓中心點與一第二半徑決定一第二圓;以及根據一第二預設取樣頻率,沿著該第二圓的圓周擷取多個第二特徵點;其中,該交通狀況預測系統是根據該多個第一特徵點以及該多個第二特徵點來產生該第二場景特徵。
- 如請求項11所述的交通狀況預測方法,其中,該第一場景特徵與該第二場景特徵各自是一數值序列,且該交通狀況預測方法還包含:基 於一旋轉不變性比較該二個數值序列,藉以判斷該第一場景特徵與該第二場景特徵是否相似。
- 如請求項11所述的交通狀況預測方法,其中該第二交通場景的該空照圖是由一攝影機所拍攝。
- 一種用於一交通狀況預測系統的交通狀況預測方法,該交通狀況預測系統儲存了一第一交通場景的一第一場景特徵、用來預測該第一交通場景的交通狀況的一第一預測模型、與一第二交通場景有關的至少一實際車輛軌跡、以及該第二交通場景的一空照圖,該交通狀況預測方法包含:在該空照圖中決定一圓中心點;基於該圓中心點與一第一半徑決定一第一圓;根據一第一預設取樣頻率,沿著該第一圓的圓周在該空照圖上擷取多個第一特徵點;至少根據該多個第一特徵點,產生該第二交通場景的一第二場景特徵;判斷該第一場景特徵與該第二場景特徵是否相似;當判斷該第一場景特徵與該第二場景特徵相似,透過該第一預測模型預測與該第二交通場景有關的至少一預測車輛軌跡,且判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡是否相似;以及當判斷該至少一實際車輛軌跡與該至少一預測車輛軌跡相似,透過該第一預測模型來預測該第二交通場景的交通狀況;其中,該第一場景特徵的產生方式與該第二場景特徵的產生方式相同。
- 如請求項15所述的交通狀況預測方法,還包含:基於該圓中心點與一第二半徑決定一第二圓;以及根據一第二預設取樣頻率,沿著該第二圓的圓周擷取多個第二特徵點;以及其中,該交通狀況預測系統是根據該多個第一特徵點以及該多個第二特徵點來產生該第二場景特徵。
- 如請求項15所述的交通狀況預測方法,其中,該第一場景特徵與該第二場景特徵各自是一數值序列,且該交通狀況預測方法還包含:基 於一旋轉不變性比較該二個數值序列,藉以判斷該第一場景特徵與該第二場景特徵是否相似。
- 如請求項15所述的交通狀況預測方法,其中該第二交通場景的該空照圖是由一攝影機所拍攝。
- 如請求項15所述的交通狀況預測方法,其中,該至少一實際車輛軌跡中的每一個車輛軌跡是由一二元碼序列來表示,且該至少一預測車輛軌跡中的每一個軌跡也是由一二元碼序列來表示。
- 如請求項19所述的交通狀況預測方法,其中,各該二元碼序列係由一第一符號與一第二符號來定義,該第一符號代表有變換車道,且該第二符號代表無變換車道。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109125612A TWI775123B (zh) | 2020-07-29 | 2020-07-29 | 交通狀況預測系統與交通狀況預測方法 |
US17/019,249 US11403939B2 (en) | 2020-07-29 | 2020-09-12 | Traffic condition prediction system and traffic condition prediction method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109125612A TWI775123B (zh) | 2020-07-29 | 2020-07-29 | 交通狀況預測系統與交通狀況預測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202205223A TW202205223A (zh) | 2022-02-01 |
TWI775123B true TWI775123B (zh) | 2022-08-21 |
Family
ID=80003385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109125612A TWI775123B (zh) | 2020-07-29 | 2020-07-29 | 交通狀況預測系統與交通狀況預測方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11403939B2 (zh) |
TW (1) | TWI775123B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI775123B (zh) * | 2020-07-29 | 2022-08-21 | 財團法人資訊工業策進會 | 交通狀況預測系統與交通狀況預測方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法 |
TW201734973A (zh) * | 2016-03-21 | 2017-10-01 | Chunghwa Telecom Co Ltd | 動態壅塞資訊預測系統及方法 |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
WO2018081670A1 (en) * | 2016-10-31 | 2018-05-03 | Echelon Corporation | Video data and gis mapping for traffic monitoring, event detection and change prediction |
US20190378404A1 (en) * | 2015-10-27 | 2019-12-12 | Hyundai Motor Company | Traffic prediction system, vehicle-mounted display apparatus, vehicle, and traffic prediction method |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4521803A (en) * | 1982-10-07 | 1985-06-04 | General Electric Company | System for compatible transmission of high-resolution TV |
US5434927A (en) * | 1993-12-08 | 1995-07-18 | Minnesota Mining And Manufacturing Company | Method and apparatus for machine vision classification and tracking |
EP0935881A2 (en) * | 1997-07-15 | 1999-08-18 | Koninklijke Philips Electronics N.V. | Color sample interpolation |
AU1089300A (en) * | 1999-11-03 | 2001-05-14 | Cet Technologies Pte Ltd | Image processing techniques for a video based traffic monitoring system and methods therefor |
US20170025000A1 (en) * | 2004-11-03 | 2017-01-26 | The Wilfred J. And Louisette G. Lagassey Irrevocable Trust, Roger J. Morgan, Trustee | Modular intelligent transportation system |
JP6100080B2 (ja) * | 2013-05-08 | 2017-03-22 | 株式会社東芝 | プロジェクタ及び携帯端末 |
US10733876B2 (en) * | 2017-04-05 | 2020-08-04 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
US10616486B2 (en) * | 2018-08-09 | 2020-04-07 | Ford Global Technologies, Llc | Video stabilization |
US10769799B2 (en) * | 2018-08-24 | 2020-09-08 | Ford Global Technologies, Llc | Foreground detection |
US10955857B2 (en) * | 2018-10-02 | 2021-03-23 | Ford Global Technologies, Llc | Stationary camera localization |
US11113964B1 (en) * | 2018-10-31 | 2021-09-07 | Khalil Siddiq | Unmanned aerial vehicle for traffic management and surveillance |
CN111353418A (zh) * | 2020-02-26 | 2020-06-30 | 北京赛特斯信息科技股份有限公司 | 基于积分制实现联合判定交通拥堵状态的处理方法 |
TWI775123B (zh) * | 2020-07-29 | 2022-08-21 | 財團法人資訊工業策進會 | 交通狀況預測系統與交通狀況預測方法 |
-
2020
- 2020-07-29 TW TW109125612A patent/TWI775123B/zh active
- 2020-09-12 US US17/019,249 patent/US11403939B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法 |
US20190378404A1 (en) * | 2015-10-27 | 2019-12-12 | Hyundai Motor Company | Traffic prediction system, vehicle-mounted display apparatus, vehicle, and traffic prediction method |
TW201734973A (zh) * | 2016-03-21 | 2017-10-01 | Chunghwa Telecom Co Ltd | 動態壅塞資訊預測系統及方法 |
WO2018081670A1 (en) * | 2016-10-31 | 2018-05-03 | Echelon Corporation | Video data and gis mapping for traffic monitoring, event detection and change prediction |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202205223A (zh) | 2022-02-01 |
US20220036727A1 (en) | 2022-02-03 |
US11403939B2 (en) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201947509A (zh) | 理賠業務的資料處理方法、裝置、設備及伺服器 | |
US10250801B2 (en) | Camera system and image-providing method | |
CN111259846B (zh) | 文本定位方法和系统以及文本定位模型训练方法和系统 | |
TWI775123B (zh) | 交通狀況預測系統與交通狀況預測方法 | |
TWI715932B (zh) | 車輛損傷識別的處理方法及其處理裝置、車輛定損的資料處理設備、定損處理系統、客戶端及伺服器 | |
CN113950611B (zh) | 用于预测道路属性的方法和数据处理系统 | |
CN101582171A (zh) | 一种创建深度图的方法及装置 | |
CN112307978A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN109615171A (zh) | 特征阈值确定方法及装置、问题对象确定方法及装置 | |
US20230386221A1 (en) | Method for detecting road conditions and electronic device | |
CN113688832A (zh) | 一种模型训练及图像处理方法、装置 | |
CN114626437A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN112990099B (zh) | 一种车道线检测的方法以及装置 | |
CN109800684A (zh) | 一种视频中对象的确定方法及装置 | |
Gudavalli et al. | Seetheseams: Localized detection of seam carving based image forgery in satellite imagery | |
TWI772700B (zh) | 影像辨識系統及其更新方法 | |
CN104616300A (zh) | 基于采样模式分离的图像匹配方法及装置 | |
CN110309859A (zh) | 一种图像真伪检测方法、装置及电子设备 | |
TW202123080A (zh) | 物件辨識方法及裝置 | |
WO2023044656A1 (zh) | 车辆通行提醒方法、装置及车载终端 | |
CN114724128A (zh) | 一种车牌识别方法、装置、设备和介质 | |
KR101721599B1 (ko) | 깊이 체인 코드를 이용한 인코딩 장치 및 방법 | |
JP2022510963A (ja) | 人体向き検出方法、装置、電子機器及びコンピュータ記憶媒体 | |
CN113033593A (zh) | 基于深度学习的文本检测训练方法及装置 | |
JP4266798B2 (ja) | パターン検出装置及びパターン検出方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |