CN106097480A - 车辆行驶数据记录*** - Google Patents
车辆行驶数据记录*** Download PDFInfo
- Publication number
- CN106097480A CN106097480A CN201610405359.6A CN201610405359A CN106097480A CN 106097480 A CN106097480 A CN 106097480A CN 201610405359 A CN201610405359 A CN 201610405359A CN 106097480 A CN106097480 A CN 106097480A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- instrumental panel
- accident
- module
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000004220 aggregation Methods 0.000 claims abstract 2
- 230000002776 aggregation Effects 0.000 claims abstract 2
- 239000000463 material Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000004075 alteration Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 229910052704 radon Inorganic materials 0.000 claims description 3
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 2
- 238000000151 deposition Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
- G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了车辆行驶数据记录***,仪表盘摄像机实时拍摄车辆行驶过程中仪表盘的图像数据,前向视角摄像机实时拍摄车辆行驶过程中前方的图像数据,车载传感器实时采集车辆行驶过程中的车辆状态信息,数据处理模块装载有仪表盘模板数据库和报警模块,仪表盘摄像机采集的图像数据传输至数据处理模块与仪表盘模板数据库进行比对,识别车速数据和仪表盘指示信号数据,数据处理模块结合前向视角摄像机传输的前方图像数据、车载传感器传输的车辆状态信息进行汇总处理、保存,并在车辆状态异常时调用报警模块,在车辆发生交通事故时调用现场还原模拟模块还原事故发生过程。
Description
技术领域
本发明涉及车辆行驶记录技术领域,具体涉及车辆行驶数据记录***。
背景技术
在汽车发生特殊事件、事故或者故障时,记录特殊事件、分析事故或故障的原因需要获取行车数据,但是这些行车数据在事后是难以获得的。
驾驶员在开车时,主要的关注点是三个方面:正前方视角、仪表盘、井感知车辆的行驶状态(如声音、震动等)。现有***中,很少有将以这三方面的信息进行汇总保存,并用于行车过程还原。而且仪表盘的指示信息较多、且不通用,很多驾驶员只能辩识常用的指示数据,对特殊的故障提示往往没有概念或会忽略这些提示。
另外现有车辆常用GPS定位***进行定位,但由于GPS的定位精度较低,车辆运动过程中GPS信号存在稳定性问题,使得数据的连贯性、可靠性不够高。
现有方案中多通过采集电子数据作为参照,而电子数据不能成为直观的证据;由于车辆的种类型号各不相同,目前没有一种简单的通用设备可以准确记录车辆的行驶状态,当出现突发事件或偶然事件时无法保存完整的证据、无法完全重现当时车辆的状态。
发明内容
发明目的:针对现有技术的不足,本发明提供一种车辆行驶数据记录***,能够实现事后重现行车过程。
技术方案:本发明所述的车辆行驶数据记录***,包括仪表盘摄像机、前向视角摄像机、车载传感器、数据处理模块、现场还原模拟模块;仪表盘摄像机实时拍摄车辆行驶过程中仪表盘的图像数据,前向视角摄像机实时拍摄车辆行驶过程中前方的图像数据,车载传感器实时采集车辆行驶过程中的车辆状态信息,数据处理模块装载有仪表盘模板数据库和报警模块,仪表盘摄像机采集的图像数据传输至数据处理模块与仪表盘模板数据库进行比对,识别车速数据和仪表盘指示信号数据;数据处理模块用于监测车辆状态,在车辆状态异常时结合前向视角摄像机传输的前方图像数据、车载传感器传输的车辆状态信息进行汇总处理、保存并调用报警模块,在车辆发生交通事故时调用现场还原模拟模块,现场还原模拟模块接收仪表盘摄像机和车载传感器传输的数据确定事故发生关键时间点,并利用关键时间点时前向视角摄像机传输的数据恢复事故全景视图。
进一步完善上述技术方案,所述仪表盘摄像机至少为一个,固定在方向盘支撑座上; 所述车载传感器为角速度传感器、震动传感器、加速度传感器、陀螺仪传感器、速度脉冲传感器中的一个或多个,角速度传感器安装在车辆的方向盘上,用于检测方向盘的转动角度,震动传感器用于检测车辆的行驶状态和异常的抖动、震动现象,加速度传感器采集车辆的加速度信息,陀螺仪传感器采集车辆转向的数据,速度脉冲传感器采集车辆行车速度数据。
进一步地,所述数据处理模块设有无线通讯单元与基站通讯,用于接收基站提供的当前道路信息和上传车辆的事件资料。
进一步地,所述仪表盘模板数据库存储的信息包括仪表盘图片,仪表盘中各个指示信号的图形、位置、指示方式和指示含义。
进一步地,所述仪表盘摄像机采集的图像数据传输至数据处理模块与仪表盘模板数据库进行比对过程如下:
(11)读取待处理的仪表盘图像,将其转化为二值图像;
(12)去除二值图像中面积过小,能够肯定为非指针和刻度的区域;
(13)定位仪表盘指针,将白色区域膨胀,去除无关的参数;
(14)查找连通区域边界,同时保留图像,以备后面标记;
(15)找出所有连通区域内指针的最大连通区域;
(16)用Radon算法提取指针角度,按仪表盘模板数据库内存储的刻度模板得到速度信息;
(17)扣除最大连通区域内的连通区域图形,识别倒退R、空挡N、自动挡D、停车P信息,确定挡位信息;
(18)提取关键数据后以data形式存储图像,减少存储图像的压力。
进一步地,所述现场还原模块设有直方图分析模块和SIFT算法模块,直方图分析模块根据交通事故中两辆关键车辆的仪表盘图像信息和车辆状态信息确定关键时间点,SIFT算法模块以关键时间点为基准,根据两辆车辆行驶前方的图像信息,恢复事故全景视图。
进一步地,第一,提取交通事故中涉事车辆的行车数据、并汇总;
第二,直方图分析模块根据车辆行车数据中的仪表盘图像信息以及车辆状态信息确定交通事故对应的关键时间点;
第三,以关键时间点为基准,SIFT算法模块倒推出发生事故前各个车辆的行车轨迹,同时显示对应时间点上的车载图像,还原事故发生的过程:
(21)通过数据挖掘中的直方图近似数据分布、决策树归纳分析出关键时间点;
(22)对涉事车辆中两辆关键车辆行驶前方的图像信息I1(x,y)、I2(x,y),进行基于SIFT算法的特征点提取和匹配,恢复事故全景视图:采用高斯卷积运算构建尺度空间,高斯差分函数D(x,y,σ)通过以不变倍增因子k的两个相邻尺度图像差计算得出:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ) (1)
初始图像经逐步高斯卷积运算,得到一系列尺度空间,即高斯尺度DOG空间,空间极值点检测关键点是由DOG空间的局部极值点组成的,中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点;
极值点的方向分配:对于每一个采样点L(x,y),计算其梯度模值m(x,y)和方向θ(x,y)的公式为:
特征点描述子的生成:将坐标轴旋转到特征点的梯度方向上,确保旋转不变性,通常采用16个子点来描述一个特征点,然后计算每个子点中8个方向的梯度累加值,得到特征点描述子的特征向量,为4*4*8=128维向量;所得到的特征向量具有旋转不变形所以可以分别提取I1和I2两幅图像中的特征向量进行特征点匹配,拼接成一幅全景视图;
第四,根据现场还原模拟模块展示的事故发生的过程确定事故的责任。
有益效果:与现有技术相比,本发明的优点:
1、将行车过程中发生的事件与对应的仪表盘图像联系起来,图像数据可以作为直观的证据、用于违章判定、事故责任判定等;
2、通过对仪表盘图像的分析,可以识别仪表盘的指示信号数据,当检测到故障时,可以及时准确的提示驾驶员;
3、通过现场还原模拟模块准确、直观的重现行车过程,可用于交通事故现场还原和快速处定责、车辆故障排查和重现、车辆违章取证。
附图说明
图1为本发明的结构示意图;
图中:1、仪表盘,2、仪表盘摄像机,3、数据处理模块,4、前向视角摄像机,5、方向盘,6、角度传感器,7、震动传感器,8、加速度传感器,9、陀螺仪传感器,10、 速度脉冲传感器。
图2为数据处理模块的工作示意图;
图3为现场还原模块的工作示意图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明。
实施例1:如图1所示,根据车辆仪表盘的尺寸和结构在方向盘5支撑座上设置仪表盘摄像机2,当仪表盘较宽或较为分散分布时,一个仪表盘摄像机无法拍摄完整的仪表盘图像,可以采用多个仪表盘摄像机2分别拍摄不同部分的仪表盘图像;在车辆上安装前向视角摄像头4;在车辆上设置角速度传感器6、震动传感器7、加速度传感器8、陀螺仪传感器9、速度脉冲传感器10,角速度传感器6安装在车辆的方向盘5上,用于检测方向盘5的转动角度,震动传感器7用于检测车辆的行驶状态和异常的抖动、震动现象,加速度传感器8采集车辆的加速度信息,陀螺仪传感器9采集车辆转向的数据,速度脉冲传感器10采集车辆行车速度数据,在车辆上仪表盘摄像机2的位置安装数据处理模块3和现场还原模拟模块,数据处理模块加载有仪表盘模板数据库并设有无线通信模块和报警模块,仪表盘模板数据库根据汽车型号建立,存储的信息包括仪表盘图片,仪表盘中各个指示信号的图形、位置、指示方式和指示含义,无线通信模块用于与移动网络基站或交通管理***基站通信,数据处理模块通过无线通讯模块获取基站提供的当前道路信息(如限速限行信息,前方路段交通事故或道路堵塞的信息)给驾驶员,并向基站上传车辆事件资料进行备案,事件包括违章、事故、突发故障如车辆抛锚报警。
基于上述设置进行行驶数据处理方法:
(1)根据汽车型号建立仪表盘模板数据库;
(2)实时获取车辆行驶过程中的仪表盘图像信息,车辆行驶前方的图像信息以及车辆状态信息;
仪表盘实时图像信息获取算法:
①读取待处理的仪表盘图像,将其转化为二值图像;
②去除图像中面积过小的、可以肯定非指针和刻度的区域;
③为定位指针,将白色区域膨胀,腐蚀去无关的小物件(行驶公里数,外界温度);
④查找连通区域边界,同时保留此图形,以备后面标记;
⑤找出所有连通区域中最可能指针的(最大连通区域);
⑥用Radon算法提取指针角度,按与仪表盘模板数据库对比获得速度信息;
⑦扣去最大连通区域的连通区域图形,识别R、N、D、P信息,确定挡位信息;
⑧提取关键数据后已data形式存储而非图像,减少存储图像的压力
(3)数据处理模块监测车辆状态,若发现车辆状态异常,如车辆行驶速度异常、转向异常、制动异常、仪表盘报警:提取仪表盘图像信息与仪表盘模板数据库相比对,识别车速数据和仪表盘指示信号数据,仪表盘可分为机械式和电子式两种,机械式仪表盘中各种指示信号的位是固定的,电子式仪表盘中会存在不同功能界面的切换,显示的内容也会有所不同。因此,对于电子式仪表盘建立模板时,应首先定义各个功能界面的特征,再描述各个功能界面中仪表显示信息的含义。例如机械式仪表盘中车速显示多为指针旋转的形式,而电子式仪表盘中有些则将车速直接显示为数字形式,对电子式仪表盘中的数字或文字信息应采用OCR技术进行识别,由于各个车辆中仪表盘摄像机的安装位置、角度会存在一定的差异,因此需要通过精确配准算法将仪表盘图像与仪表盘模板的进行匹配,计算出安装误差、在实际运行过程中可以对图像数据进行修正,以利于对仪表盘信息的自动识别、减少运算量;同时结合车辆行驶前方的图像信息、车辆状态信息生成带有数字水印的图像和行车数据,图像包括仪表盘图像或者仪表盘图像和前向视角图像的组合,数字水印包含仪表盘分析数据、车载传感器数据、拍摄时间标记,提取处理后的数据进行汇总分析保存并通过报警模块向车辆驾驶员发出报警信息;
(4)若发现车辆状态异事件为交通事故,提取两辆涉事车辆的行车数据,如图2、图3所示,现场还原模拟模块以各个车辆发生事故的时间点为基准,倒推出发生事故前各个车辆的行车数据,同时显示对应时间点上的组合图像,还原事故发生过程;确定交通事故中关键车辆2部,提取仪表盘数据及车辆状态数据,通过直方图分析模块分析出触发时间点;以关键时间点为基准,SIFT算法模块倒推出发生事故前各个车辆的行车轨迹,同时显示对应时间点上的车载图像,还原事故发生的过程:结合车速数据与车辆转向数据,模拟出车辆的实际行驶轨迹,,并且在显示行驶轨迹的同时显示对应时间点上的车载图像,从而再现车辆的行驶过程;
其中:车载图像为仪表盘图像或者仪表盘图图像和前向视角图像两种图像的组合,通过上述两种图像的组合,可以比较全面的重现驾驶员观察到的场景;
车速数据由仪表盘图像中提取或由速度脉冲传感器提供,车辆转向数据由角度传感器或者陀螺仪传感器提供,或者对前向视角摄像机的图像进行分析而获得;
通过对前向视角摄像机拍摄的连续图像的对比分析、提取图像中的参照物信息,可以判断车辆处于直行状态还是处于转弯的状态,并可以获取转弯的角度。
当使用现场还原模拟模块处理交通事故时,通过以下方法实现:
首先,获取交通事故中涉及车辆的数据处理模块的行车数据、并汇总;
第二,根据各个车辆的行车数据确定与各个车辆发生事故对应的时间点;
可以通过查看前向视角图像、查看车速的突变、对照震动传感器、加速度传感器的数据等方法,确定行车数据中发生事故对应的时间点;
第三,以各个车辆发生事故的时间点为基准,倒推出发生事故前各个车辆的行车轨迹,同时显示对应时间点上的车载图像,还原事故发生的过程:
通过数据挖掘中的统计方法融合各种数据分析出触发时间点:
直方图是使用分箱来近似数据分布,是一种数据归约形式。根据时间点,统计时间点特征值得数量。异事件触发的数据为极少事件,所以直方图统计有效。多类数据确定异事件时间点,利用决策树归纳得到最终关键时间点;
假设交通事故中车辆1和2为关键车辆,拍摄到的行驶前方的图像为I1(x,y)、I2(x,y),将两幅图用SIFT算法进行特征匹配完成全景视图;
SIFT算法,尺度不变特征转换(Scale-invariant feature transform,SIFT)是一种电脑视觉的算法用来检测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量,此算法由David Lowe在1999年所发表,2004年完善总结,此算法可以用于图像拼接。SIFT算法主要步骤如下:
1、构建尺度空间:为了在尺度空间中有效的检测稳定关键点的位置,Lowe提出了高斯差分卷积,高斯差分函数D(x,y,σ)可以通过以不变倍增因子k的两个相邻尺度图像差计算得出:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ) (1);
初始图像经逐步高斯卷积运算,得到一系列尺度空间,即高斯尺度(DOG)空间。
2、空间极值点检测:
关键点是由DOG空间的局部极值点组成的,中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点。
3、极值点的方向分配:
对于每一个采样点L(x,y),计算其梯度模值m(x,y)和方向θ(x,y)的公式为
4、特征点描述子的生成:
将坐标轴旋转到特征点的梯度方向上,确保旋转不变性,通常采用16个子点来描述一个特征点,然后计算每个子点中8个方向的梯度累加值,得到特征点描述子的特征向量,为4*4*8=128维向量;所得到的特征向量具有旋转不变形所以可以分别提取I1和I2两幅图像中的特征向量进行特征点匹配,拼接成最终图像I。
最后,根据现场还原模拟模块展示的事故发生的过程确定事故的责任。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (7)
1.车辆行驶数据记录***,其特征在于:包括仪表盘摄像机、前向视角摄像机、车载传感器、数据处理模块、现场还原模拟模块;仪表盘摄像机实时拍摄车辆行驶过程中仪表盘的图像数据,前向视角摄像机实时拍摄车辆行驶过程中前方的图像数据,车载传感器实时采集车辆行驶过程中的车辆状态信息,数据处理模块装载有仪表盘模板数据库和报警模块,仪表盘摄像机采集的图像数据传输至数据处理模块与仪表盘模板数据库进行比对,识别车速数据和仪表盘指示信号数据;数据处理模块用于监测车辆状态,在车辆状态异常时结合前向视角摄像机传输的前方图像数据、车载传感器传输的车辆状态信息进行汇总处理、保存并调用报警模块,在车辆发生交通事故时调用现场还原模拟模块,现场还原模拟模块接收仪表盘摄像机和车载传感器传输的数据确定事故发生关键时间点,并利用关键时间点时前向视角摄像机传输的数据恢复事故全景视图。
2.根据权利要求1所述的车辆行驶数据记录***,其特征在于:所述仪表盘摄像机至少为一个,固定在方向盘支撑座上;所述车载传感器为角速度传感器、震动传感器、加速度传感器、陀螺仪传感器、速度脉冲传感器中的一个或多个,角速度传感器安装在车辆的方向盘上,用于检测方向盘的转动角度,震动传感器用于检测车辆的行驶状态和异常的抖动、震动现象,加速度传感器采集车辆的加速度信息,陀螺仪传感器采集车辆转向的数据,速度脉冲传感器采集车辆行车速度数据。
3.根据权利要求1所述的车辆行驶数据记录***,其特征在于:所述数据处理模块设有无线通讯单元与基站通讯,用于接收基站提供的当前道路信息和上传车辆的事件资料。
4.根据权利要求1所述的车辆行驶数据记录***,其特征在于:所述仪表盘模板数据库存储的信息包括仪表盘图片,仪表盘中各个指示信号的图形、位置、指示方式和指示含义。
5.根据权利要求1所述的车辆行驶数据记录***,其特征在于:所述仪表盘摄像机采集的图像数据传输至数据处理模块与仪表盘模板数据库进行比对过程如下:
(11)读取待处理的仪表盘图像,将其转化为二值图像;
(12)去除二值图像中面积过小,能够肯定为非指针和刻度的区域;
(13)定位仪表盘指针,将白色区域膨胀,去除无关的参数;
(14)查找连通区域边界,同时保留图像,以备后面标记;
(15)找出所有连通区域内指针的最大连通区域;
(16)用Radon算法提取指针角度,按仪表盘模板数据库内存储的刻度模板得到速 度信息;
(17)扣除最大连通区域内的连通区域图形,识别倒退R、空挡N、自动挡D、停车P信息,确定挡位信息;
(18)提取关键数据后以data形式存储图像,减少存储图像的压力。
6.根据权利要求1所述的车辆行驶数据记录***,其特征在于:所述现场还原模块设有直方图分析模块和SIFT算法模块,直方图分析模块根据交通事故中两辆关键车辆的仪表盘图像信息和车辆状态信息确定关键时间点,SIFT算法模块以关键时间点为基准,根据两辆车辆行驶前方的图像信息,恢复事故全景视图。
7.根据权利要求6所述的车辆行驶数据记录***,其特征在于:所述现场还原模块的工作过程如下:
第一,提取交通事故中涉事车辆的行车数据、并汇总;
第二,直方图分析模块根据车辆行车数据中的仪表盘图像信息以及车辆状态信息确定交通事故对应的关键时间点;
第三,以关键时间点为基准,SIFT算法模块倒推出发生事故前各个车辆的行车轨迹,同时显示对应时间点上的车载图像,还原事故发生的过程:
(21)通过数据挖掘中的直方图近似数据分布、决策树归纳分析出关键时间点;
(22)对涉事车辆中两辆关键车辆行驶前方的图像信息I1(x,y)、I2(x,y),进行基于SIFT算法的特征点提取和匹配,恢复事故全景视图:采用高斯卷积运算构建尺度空间,高斯差分函数D(x,y,σ)通过以不变倍增因子k的两个相邻尺度图像差计算得出:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ) (1)
初始图像经逐步高斯卷积运算,得到一系列尺度空间,即高斯尺度DOG空间,空间极值点检测关键点是由DOG空间的局部极值点组成的,中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点;
极值点的方向分配:对于每一个采样点L(x,y),计算其梯度模值m(x,y)和方向θ(x,y)的公式为:
特征点描述子的生成:将坐标轴旋转到特征点的梯度方向上,确保旋转不变性,通 常采用16个子点来描述一个特征点,然后计算每个子点中8个方向的梯度累加值,得到特征点描述子的特征向量,为4*4*8=128维向量;所得到的特征向量具有旋转不变形所以可以分别提取I1和I2两幅图像中的特征向量进行特征点匹配,拼接成一幅全景视图;
第四,根据现场还原模拟模块展示的事故发生的过程确定事故的责任。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610405359.6A CN106097480A (zh) | 2016-06-08 | 2016-06-08 | 车辆行驶数据记录*** |
CN201710426085.3A CN107195024B (zh) | 2016-06-08 | 2017-06-08 | 通用型车辆行驶数据记录***和处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610405359.6A CN106097480A (zh) | 2016-06-08 | 2016-06-08 | 车辆行驶数据记录*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106097480A true CN106097480A (zh) | 2016-11-09 |
Family
ID=57227681
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610405359.6A Pending CN106097480A (zh) | 2016-06-08 | 2016-06-08 | 车辆行驶数据记录*** |
CN201710426085.3A Active CN107195024B (zh) | 2016-06-08 | 2017-06-08 | 通用型车辆行驶数据记录***和处理方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710426085.3A Active CN107195024B (zh) | 2016-06-08 | 2017-06-08 | 通用型车辆行驶数据记录***和处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN106097480A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107314784A (zh) * | 2017-08-11 | 2017-11-03 | 华东交通大学 | 一种便携安装式列车仪表监测的新方法 |
CN108230485A (zh) * | 2016-12-21 | 2018-06-29 | 丰田自动车株式会社 | 车辆数据记录器 |
CN108320348A (zh) * | 2018-02-07 | 2018-07-24 | 广州道安信息科技有限公司 | 交通事故动态图像的生成方法及计算机装置、计算机可读存储介质 |
WO2018218408A1 (zh) * | 2017-05-27 | 2018-12-06 | 深圳市乃斯网络科技有限公司 | 障碍物检测在智能交通中的应用方法及*** |
CN109760695A (zh) * | 2019-03-13 | 2019-05-17 | 重庆睿驰智能科技有限公司 | 基于环视***的交通事故图像处理装置 |
CN112950808A (zh) * | 2019-12-11 | 2021-06-11 | 中移物联网有限公司 | 速度提醒方法、行车记录仪及计算机可读存储介质 |
CN117746527A (zh) * | 2023-12-20 | 2024-03-22 | 广州百聚易科技有限公司 | 一种基于大数据的行车数据智能监测方法及*** |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109559557A (zh) * | 2017-09-27 | 2019-04-02 | 郑州宇通客车股份有限公司 | 一种碰撞预警监控***及车辆 |
CN107895527A (zh) * | 2017-11-23 | 2018-04-10 | 重庆蓝索创引智能科技有限公司 | 一种机动车驾驶员模拟考试培训*** |
CN109961656A (zh) * | 2017-12-25 | 2019-07-02 | 姜鹏飞 | 一种车辆故障检测方法及装置 |
CN108664695B (zh) * | 2018-03-29 | 2024-02-27 | 斑马网络技术有限公司 | 模拟车辆事故***及其应用 |
CN108790823B (zh) * | 2018-04-23 | 2022-07-22 | 斑马网络技术有限公司 | 基于仪表盘的信息管理*** |
WO2020111192A1 (ja) | 2018-11-28 | 2020-06-04 | 株式会社堀場製作所 | 車両試験システム及び車両試験方法 |
CN109857085B (zh) * | 2019-01-25 | 2021-01-15 | 深圳市元征科技股份有限公司 | 模拟生成行车数据的方法、***、模拟终端及测试*** |
CN113246858B (zh) * | 2019-02-27 | 2023-05-19 | 百度在线网络技术(北京)有限公司 | 车辆行驶状态图像生成方法、设备和*** |
CN112085178B (zh) * | 2019-06-13 | 2022-06-10 | 魔门塔(苏州)科技有限公司 | 一种车辆行为数据的标注方法及装置 |
CN110505423A (zh) * | 2019-08-15 | 2019-11-26 | 杭州鸿晶自动化科技有限公司 | 一种行车记录*** |
CN110782670A (zh) * | 2019-11-05 | 2020-02-11 | 北京汽车集团有限公司 | 基于数据融合的场景还原方法、车辆云平台及存储介质 |
CN111191980A (zh) * | 2019-12-19 | 2020-05-22 | 广州航天海特***工程有限公司 | 一种证据的生成方法、装置、设备及存储介质 |
CN111401358B (zh) * | 2020-02-25 | 2023-05-09 | 华南理工大学 | 一种基于神经网络的仪表表盘校正方法 |
CN113379945A (zh) * | 2021-07-26 | 2021-09-10 | 陕西天行健车联网信息技术有限公司 | 一种车辆驾驶行为分析装置、方法及*** |
CN113895431B (zh) * | 2021-09-30 | 2023-07-04 | 重庆电子工程职业学院 | 一种车辆检测方法及*** |
CN114179946B (zh) * | 2022-01-12 | 2022-06-17 | 金华市路骑电动科技有限公司 | 一种电动车数据链路的智能化监测方法及*** |
CN115457677B (zh) * | 2022-07-22 | 2024-05-14 | 江铃汽车股份有限公司 | 车辆数据采集方法及*** |
CN115359586A (zh) * | 2022-09-01 | 2022-11-18 | 陕西省君凯电子科技有限公司 | 一种行车记录管理方法和*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040100422A (ko) * | 2003-05-23 | 2004-12-02 | 삼성전자주식회사 | 이동체의 상태 감지장치 및 그 방법 |
JP2005018575A (ja) * | 2003-06-27 | 2005-01-20 | Sony Corp | カーナビゲーション装置 |
CN101672663B (zh) * | 2009-09-18 | 2011-04-13 | 中国汽车技术研究中心 | 基于计算机的汽车仪表视觉检测***及其检测方法 |
CN102314772A (zh) * | 2010-07-01 | 2012-01-11 | 北京中星微电子有限公司 | 一种车辆超速检测方法和装置及车辆超速报警*** |
CN102628854A (zh) * | 2012-03-29 | 2012-08-08 | 赵宝明 | 汽车仪表板检测***及方法 |
JP2015534173A (ja) * | 2012-09-17 | 2015-11-26 | ボルボトラックコーポレーション | 車両の運転者に指導メッセージを与える方法及びシステム |
CN103164692B (zh) * | 2012-12-03 | 2015-11-25 | 北京科技大学 | 一种基于计算机视觉的特种车辆仪表自动识别***及方法 |
CN103824346B (zh) * | 2014-02-17 | 2016-04-13 | 深圳市宇恒互动科技开发有限公司 | 行车记录及重现方法和*** |
-
2016
- 2016-06-08 CN CN201610405359.6A patent/CN106097480A/zh active Pending
-
2017
- 2017-06-08 CN CN201710426085.3A patent/CN107195024B/zh active Active
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230485A (zh) * | 2016-12-21 | 2018-06-29 | 丰田自动车株式会社 | 车辆数据记录器 |
WO2018218408A1 (zh) * | 2017-05-27 | 2018-12-06 | 深圳市乃斯网络科技有限公司 | 障碍物检测在智能交通中的应用方法及*** |
CN107314784A (zh) * | 2017-08-11 | 2017-11-03 | 华东交通大学 | 一种便携安装式列车仪表监测的新方法 |
CN108320348A (zh) * | 2018-02-07 | 2018-07-24 | 广州道安信息科技有限公司 | 交通事故动态图像的生成方法及计算机装置、计算机可读存储介质 |
CN109760695A (zh) * | 2019-03-13 | 2019-05-17 | 重庆睿驰智能科技有限公司 | 基于环视***的交通事故图像处理装置 |
CN112950808A (zh) * | 2019-12-11 | 2021-06-11 | 中移物联网有限公司 | 速度提醒方法、行车记录仪及计算机可读存储介质 |
CN112950808B (zh) * | 2019-12-11 | 2023-02-28 | 中移物联网有限公司 | 速度提醒方法、行车记录仪及计算机可读存储介质 |
CN117746527A (zh) * | 2023-12-20 | 2024-03-22 | 广州百聚易科技有限公司 | 一种基于大数据的行车数据智能监测方法及*** |
CN117746527B (zh) * | 2023-12-20 | 2024-05-10 | 广州百聚易科技有限公司 | 一种基于大数据的行车数据智能监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107195024A (zh) | 2017-09-22 |
CN107195024B (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097480A (zh) | 车辆行驶数据记录*** | |
CN105957345B (zh) | 车辆行驶数据处理方法 | |
US11120282B2 (en) | Traffic violation vehicle identification system, server and non-transitory recording medium in which vehicle control program is recorded | |
CN110322702A (zh) | 一种基于双目立体视觉***的车辆智能测速方法 | |
CN110285793A (zh) | 一种基于双目立体视觉***的车辆智能测轨迹方法 | |
CN109817014B (zh) | 一种基于移动视频和高精度定位的路侧巡检停车收费方法 | |
CN104296756B (zh) | 运行机动车的方法和机动车 | |
CN113487759B (zh) | 一种停车巡检方法、装置、移动巡逻设备及巡检*** | |
CN104574954A (zh) | 一种基于自由流***的车辆稽查方法、控制设备及*** | |
CN106503622A (zh) | 一种车辆反跟踪方法及装置 | |
CN101165723A (zh) | Gps定位车辆安全行驶记录仪 | |
CN109766867A (zh) | 车辆运行状态确定方法、装置、计算机设备和存储介质 | |
WO2018149539A1 (en) | A method and apparatus for estimating a range of a moving object | |
CN113850237A (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及*** | |
CN109345576B (zh) | 车辆行驶速度鉴定方法及*** | |
Leakkaw et al. | Real-time lane change detection through steering wheel rotation | |
Kozempel et al. | Fast vehicle detection and tracking in aerial image bursts | |
Kadim et al. | Real-time vehicle counting in complex scene for traffic flow estimation using multi-level convolutional neural network | |
CN200990107Y (zh) | Gps定位车辆安全行驶记录仪 | |
CN115206091B (zh) | 基于多摄像头和毫米波雷达的路况及事件监测***及方法 | |
Hassan et al. | ChattSpeed: Toward a New Dataset for Single Camera Visual Speed Estimation for Urban Testbeds | |
US20230394679A1 (en) | Method for measuring the speed of a vehicle | |
US20240212224A1 (en) | Method for generating traffic event video | |
Skabardonis | Estimating and validating models of microscopic driver behavior with video data | |
WO2020073268A1 (en) | Snapshot image to train roadmodel |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161109 |