CN110210384B - 一种道路全局信息实时提取与表示*** - Google Patents
一种道路全局信息实时提取与表示*** Download PDFInfo
- Publication number
- CN110210384B CN110210384B CN201910467078.7A CN201910467078A CN110210384B CN 110210384 B CN110210384 B CN 110210384B CN 201910467078 A CN201910467078 A CN 201910467078A CN 110210384 B CN110210384 B CN 110210384B
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- road
- module
- representation
- 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
Images
Classifications
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
- G08G1/13—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station the indicator being in the form of a map
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种道路全局信息实时提取与表示***,包括信息提取模块、信息表示模块、信息传输模块、云端数据中心和定位授时模块;信息提取模块采集对应路段上的声信号与图像信息,并计算得到车辆的位置、速度和形状大小。信息表示模块将道路平面划分成多个固定大小的网格单元,用四维向量表示网格上每个点,根据信息提取模块传输的实时车辆数据不断更新网格上每个点的向量表示,生成路段的车辆动态信息向量表示集合,通过信息传输模块传送到云端数据中心;云端数据中心对多个路段的实时数据进行融合,生成包含道路全局信息的实时高精度路网;有效解决了恶劣天气造成的视线遮挡、驾驶员可视范围有限和传感器检测范围的局限性等问题引起的交通事故。
Description
技术领域
本发明涉及智能交通技术领域,特别是指一种道路全局信息实时提取与表示***。
背景技术
近年来,随着我国经济的迅速发展与城市化水平的不断加快,城市交通问题已经成为当前我国各大城市发展的“瓶颈”。如不能有效地解决城市交通问题,将严重影响大城市的可持续发展。道路行人和车辆流量的大幅度增长与越来越复杂的交通路线和地形给道路交通的监控、管理与安全保障带来了极大的挑战。对于行驶车辆,获取同时包含视距范围与非视距范围的全局实时路网信息能有效指导车辆选择路线和规避障碍物,进而缓解道路拥塞问题,减少交通事故的发生。对于交通管理部门,完整的全局实时路网信息能帮助管理决策的迅速制定。因此,在地图中加入全局实时路网信息具有重要意义。
例如,对于传统电子地图,其主要服务对象是人类驾驶员,我们日常使用的用于导航、查询地理信息的地图都属于传统电子地图。传统电子地图是对路网的一种抽象,由于人类生来就有很强的视觉识别与逻辑分析能力,传统电子地图可以被极大的精简,地图包含道路的基础静态信息:道路的长度,路口的位置等即能解决人类驾驶员的基本需求。然而,随着路况的复杂化,人类视觉范围的局限性这一弊端造成了越来越多的交通事故,如:雨雪等恶劣天气影响驾驶员辨别前方道路路面情况与行人、车辆位置;由于前方大型车辆的遮挡使车辆变道时忽略周围行人、车辆状况而造成惨剧。在传统电子地图中加入更加全面的道路其他车辆的行驶状况等道路实时动态信息能有效避免上述类型事故的发生,辅助人类驾驶员做出正确的行驶决策。
与传统的电子地图不同,高精度电子地图的主要服务对象是无人车,或者说机器驾驶员。和人类驾驶员不同,机器驾驶员缺乏人类与生俱来的视觉识别、逻辑分析的能力。借助高精度地图能扩展车辆的静态环境感知能力,为车辆提供其他传感器提供不了的全局视野,包括传感器监测范围外的道路、交通和设施等信息。高精度地图面向无人驾驶环境采集生成地图数据,根据无人驾驶需求建立道路环境模型,在精确定位、基于车道模型的碰撞避让、障碍物检测和避让、智能调速、转向和引导等方面都可以发挥重要作用,是当前无人车技术中不可缺少的一个组成部分。
相比传统地图而言,高精度地图最显著的特征是其表征路面特征的精准性。一般情况下,传统地图只需要做到米量级的精度即可实现基于GPS的导航,但高精度地图需要至少10倍以上的精度,即达到厘米级的精度才能保证无人驾驶的安全。同时,高精度地图还需要比传统地图更高的实时性,由于道路路网每天都会有变化,及时在地图中更新路网信息对无人车行驶的安全性有着重要意义。对于道路的静态信息的变化,例如路面由于年久出现凹陷、道路标识线磨损等,目前主流的方法是通过车联网的思想更新地图内容,行驶车辆自身传感器检测到道路的变化后,利用车联网将变化传上云端。而对于道路动态信息,依靠无人车自身的传感器去识别动态信息的变化,在识别范围与识别内容与上有较大的局限,车辆只能判断自身前后左右是否有车,无法判断更大范围道路上其他车辆的位置,也无法判断车辆的大小与速度等信息。而在高精度地图中加入实时路网动态信息能很好的解决这个问题,从高精度地图中提取周边车辆的详细信息能有效指导无人驾驶车辆规避障碍物与选择路线。
综上所述,在传统电子地图中加入全局实时路网信息能有效辅助人类驾驶员在行车过程中做出更为精准全面的行驶决策,而在高精度地图中加入全局实时路网信息能有效解决无人驾驶车辆路线选择与规避障碍物等问题。但由于现有技术在道路全局信息实时提取与表示方面还存在缺失,因此,为了实现在现有导航地图中加入全局实时路网信息,开发出一套道路全局信息实时提取与表示方案至关重要,对道路交通安全、管理与发展有着重大意义。
发明内容
本发明要解决的技术问题是提供一种道路全局信息实时提取与表示***,实现对道路全局信息的实时提取与表示,从而获取全局实时路网信息;填补现有技术的空白,为现有导航地图的功能完善提供信息数据支持;使得行驶车辆,可同时获取包含视距范围和非视距范围的全局实时路网信息,从而有效指导车辆选择路线和规避障碍物,进而缓解道路拥塞问题,减少交通事故的发生。并为交通管理部门制定管理决策提供依据。
为解决上述技术问题,本发明提供一种道路全局信息实时提取与表示***,该道路全局信息实时提取与表示***包括:
信息提取模块,用于对相应路段上的车辆信息进行采集,并根据所采集的车辆信息计算出相应车辆的位置信息、形状大小信息和行驶信息;
信息表示模块,所述信息表示模块与所述信息提取模块电连接,所述信息提取模块将计算出的车辆的位置信息、形状大小信息和行驶信息传输给所述信息表示模块,所述信息表示模块根据所述信息提取模块传输的车辆的位置信息、形状大小信息和行驶信息实时生成对应路段车辆动态信息向量表示集合。
进一步地,所述***还包括信息传输模块和云端数据中心,其中:
所述信息传输模块与所述信息表示模块电连接,所述云端数据中心与所述信息传输模块通信连接;所述信息表示模块生成对应路段车辆动态信息向量表示集合后,通过所述信息传输模块实时将生成的对应路段车辆动态信息向量表示集合传输给所述云端数据中心;所述云端数据中心对分布于不同路段的多个道路全局信息实时提取与表示***传输的数据进行融合,生成实时动态路网。
进一步地,所述***还包括定位授时模块,所述定位授时模块与信息表示模块电连接;
所述定位授时模块根据卫星定位***为所述道路全局信息实时提取与表示***提供坐标信息,并同时保持分布于不同路段的多个道路全局信息实时提取与表示***间的时间同步。
进一步地,所述信息提取模块包括信息采集单元和信息处理单元;
所述信息采集单元包括用于采集车辆声信号的线性声传感器阵列和用于采集车辆图像信息的图像采集摄像头;
所述信息处理单元包括集成有预设图像处理算法的图像处理子单元和集成有预设声信号定位算法的声信号处理子单元;其中,所述声信号处理子单元用于通过预设声信号定位算法,根据线性声传感器阵列采集的车辆的声信号计算出车辆的位置坐标;所述图像处理子单元用于通过预设图像处理算法,根据图像采集摄像头采集的车辆图像,计算出车辆的形状大小和行驶速度。
进一步地,所述信息采集单元还包括声信号调理电路,所述声信号调理电路包括依次电连接的信号放大电路、滤波电路和信号采集电路,其中:
所述信号放大电路与所述线性声传感器阵列电连接,所述信号采集电路与所述声信号处理子单元电连接;所述线性声传感器阵列采集到声信号后,所述信号放大电路对采集到的声信号的幅度进行放大,所述滤波电路根据预先设定好的截止频率对放大后的声信号进行滤波,去除其中的噪声;所述信号采集电路以设定频率对滤波后的声信号进行采样和存储。
进一步地,所述声信号处理子单元包括FPGA声信号存储电路和集成预设声信号定位算法的DSP声信号处理电路,所述信号采集电路与FPGA声信号存储电路电连接;
所述FPGA声信号存储电路用于加载经过所述声信号调理电路调理后的声信号,并将声信号存入预先配置好的FIFO队列中,使用uPP并行传输接口将声信号传输给所述DSP声信号处理电路,所述DSP声信号处理电路通过预设声信号定位算法对声信号进行处理,得到相应车辆的位置坐标。
进一步地,所述DSP声信号处理电路中集成的预设声信号定位算法包括:
根据接收的声信号数据,得到所述声信号数据的协方差矩阵R;
对所述协方差矩阵R进行特征分解,得到所述协方差矩阵R的特征值;
利用所述协方差矩阵R的特征值,判断声信号源数目N;
将所述协方差矩阵R的特征值按从小到大排序,将与信号源数目N相等的特征值对应的特征向量看作信号子空间Us;
计算所述信号子空间Us的空间谱,并进行谱峰搜索;
找出谱峰对应的角度θ,此角度即为声信号入射方向;
以***所处道路平面位置为原点,根据声信号入射方向与***和地面间的距离,进行平面集合运算,得到声源所对应的车辆的位置坐标。
进一步地,所述图像处理子单元包括FPGA图像处理电路;所述图像采集摄像头通过USB接口接入所述FPGA图像处理电路中;
所述FPGA图像处理电路接收到车辆图像信息后,首先将车辆从背景图像中提取出来,选用基于混合高斯模型的运动检测方法对图像中每一个像素点用K个状态来表示其所呈现的特征,每个状态各用一个高斯分布函数来表示,通过输入不同图像不断更新高斯模型,从而分割车辆和背景图像;
完成车辆和背景图像的分割后,采用基于图像灰度的角点检测算法提取车辆的角点特征;
随后对检测出的角点特征进行匹配,将角点特征提取完成的图像输入NCC匹配模型进行灰度互相关运算,若运算结果超过设定阈值,则角点匹配成功;
最后采用单视测距的方法将车辆角点的图像坐标转换为实际道路的路面坐标,根据匹配帧间车辆角点的距离差求出车辆实际运动距离,进而得到车辆的行驶速度。
进一步地,所述基于图像灰度的角点检测算法,包括:
根据车辆图像坐标(x,y)处灰度值I(x,y)计算自相关矩阵M;
根据所述自相关矩阵M计算角点响应函数R(x,y);
判断所述角点响应函数R(x,y)是否大于设定阈值,若大于,则为角点。
进一步地,所述信息表示模块以***所处路面位置为原点,将道路平面划分成数个固定大小的网格单元,每个网格点用四维向量r(a,b,u,w)表示,其中a表示该点的横坐标,b表示该点的纵坐标,u表示该点处是否有车,w表示该点的车速大小;
所述信息表示模块根据信息提取模块所传输的数据实时更新每一网格点对应的向量;根据信息提取模块传入的车辆的位置坐标(x,y)和车辆的形状大小将网格点(x,y)和车辆所覆盖的网格点的向量中的u值置为1,根据车辆的速度v将网格点(x,y)与车辆所覆盖的网格点的向量中的w值置为v;其他网格点的向量u值和w值均置为0,所有网格点的向量表示组成表征此时道路车辆动态信息的向量集合,信息表示模块输出的向量集合包含实时道路车辆动态信息。
本发明的上述技术方案的有益效果如下:
本发明通过信息提取模块采集对应路段上的声信号和图像信息,经过相关算法处理后,计算得到车辆位置、速度、形状大小等信息。通过信息表示模块将道路平面划分成多个固定大小的网格单元,用四维向量表示网格上每个点,根据信息提取模块传输的实时车辆数据不断更新网格上每个点的向量表示,从而生成路段的车辆动态信息向量表示集合,并通过数据传输模块传送到云端数据中心,对多个路段的实时数据进行融合,生成包含道路全局信息的实时高精度路网;并通过定位授时模块确保多个***间时间的一致性和坐标的精确性。
实现了对道路全局信息的实时提取与表示,从而获取全局实时路网信息;使得行驶车辆,可同时获取包含视距范围和非视距范围的全局实时路网信息,从而有效指导车辆选择路线和规避障碍物,进而缓解了道路拥塞问题,有效解决了恶劣天气造成的视线遮挡、驾驶员可视范围有限与传感器检测范围的局限性等问题引起的交通事故;并为交通管理部门制定管理决策提供了依据。
附图说明
图1为本发明的道路全局信息实时提取与表示***的整体结构示意图;
图2为本发明的道路全局信息实时提取与表示***的常见应用场景;
图3为本发明的道路全局信息实时提取与表示***的硬件结构示意图;
图4为本发明的声信号调理单元的结构示意图;
图5为本发明的信息处理单元的结构示意图;
图6为本发明的声信号处理子单元的电路图;
图7为本发明的声信号定位算法流程图;
图8为本发明的图像处理算法流程图。
[主要元件符号说明]
1:信息提取模块;
101:线性声传感器阵列;
102:图像采集摄像头;
103:声信号调理电路;
104:图像处理子单元;
105:声信号处理子单元;
2:信息表示模块;
3:信息传输模块;
4:云端数据中心;
5:定位授时模块。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的导航地图缺少全局实时路网信息的问题,提供一种道路全局信息实时提取与表示***;该***适用于智能交通中路况识别、交通监控、车联网、无人驾驶等各个领域。该***以云计算与边缘计算混合架构为基础,实时提取道路静态信息与动态信息,在边缘端完成数据的获取、计算与表示后发送到云端,在云端完成信息的融合工作。下面对该***进行具体说明:
该***核心部分为安装在基站上的基础设备。其包括硬件平台和软件平台,其中,硬件平台由信息提取模块1,信息表示模块2,信息传输模块3,云端数据中心4,以及定位授时模块5等五部分组成。软件平台包括用于***的信息提取算法、信息表示算法和数据中心处理软件等。
进一步地,上述信息提取模块1包括信息采集单元和信息处理单元。***的信息提取算法由专用的声信号处理算法和图像处理算法组成;声信号处理算法和图像处理算法集成在信息处理单元中,信息表示算法集成在信息表示模块2中。通过该***可实现对道路全局静、动态信息的提取与表示,得到全局实时路网信息,有效解决恶劣天气造成的视线遮挡、驾驶员可视范围有限与传感器检测范围的局限性等问题引起的交通事故。该***的整体结构示意图如图1所示,常见应用场景如图2所示,硬件结构示意图如图3所示。
在典型应用中,将本实施例的道路全局信息实时提取与表示***大量部署在公路的交通信号灯上,信息提取模块1采集并处理对应路段声信号与图像信息,得到对应路段上车辆的位置、形状大小和速度等数据;信息表示模块2接收信息提取模块1传送的车辆的位置、形状大小和速度等数据后实时生成对应路段车辆动态信息向量表示集合,通过信息传输模块3传送到云端数据中心4,云端数据中心4对多个***传输的数据进行融合,生成实时动态路网。定位授时模块5为***提供精确的坐标信息,同时保持多个***间的时间同步。
下面结合附图对上述各模块进行更进一步地说明:
一、信息提取模块1
上述信息提取模块1由信息采集单元和信息处理单元两部分组成。其中,该信息采集单元包括线性声传感器阵列101、图像采集摄像头102,以及声信号调理电路103;具体地,该线性声传感器阵列101由8个声传感器(麦克风)组成;图像采集摄像头102为专用的工业级监控摄像头;声信号调理电路103是为了提高后续声源定位精度而设计,其结构如图4所示,由信号放大电路、滤波电路、信号采集电路组成。
工作时,由8个声传感器组成的线性声传感器阵列101接收道路上的声信号,首先由信号放大电路将传感器采集到的声信号幅度进行放大,以便后期信号采样,放大后的声信号通过设定好截止频率的低通滤波电路,去除声信号中的噪声;最后由信号采集电路以设定频率进行信号采样和存储。
上述信息处理单元的结构如图5所示,该信息处理单元包括图像处理子单元104和声信号处理子单元105,其用于对信息采集单元传输的声信号和图像信息同时进行处理。其中,声信号处理子单元105由FPGA声信号存储电路和集成声信号处理算法的DSP声信号处理电路组成,上述声信号调理电路103与FPGA声信号存储电路电连接。
工作时,经过声信号调理电路103调理后的声信号输入到声信号处理子单元105中,FPGA声信号存储电路加载采集到的声信号并将声信号存入预先配置好的FIFO队列中,使用uPP高速并行传输接口传输给DSP声信号处理电路,由DSP声信号处理电路进行数据处理,DSP声信号处理电路的结构图如图6所示。DSP声信号处理电路接收到声信号后,执行如图7所示的声信号定位算法,对声信号进行以下处理,算法的主要步骤有:
1、根据阵列的接收数据得到数据协方差矩阵R;
2、对协方差矩阵特征R分解;
3、利用R的特征值判断信号源数目N;
4、将特征值按从小到大排序,将与信号源数目N相等的特征值对应的特征向量看作信号子空间Us,剩下的(M-N)个特征值对应的特征向量看作噪声子空间Un;
5、计算空间谱,并进行谱峰搜索;
6、找出极大值对应的角度θ,此角度就是信号入射方向。得到信号的入射角θ后,以交通信号灯所处道路平面位置为原点,根据入射角θ与***与地面间的距离,进行简单的平面集合运算,得到声源所对应车辆的坐标位置(x,y)。
上述图像处理子单元104为集成图像处理算法的FPGA图像处理电路,图像采集摄像头102通过USB接口接入FPGA图像处理电路中。工作时,图像采集摄像头102采集道路车辆图像信息,输入到图像处理子单元104中。FPGA图像处理电路接收到图像信息后,执行如图8所示的图像处理算法,完成对道路车辆形状大小与速度的计算。
具体地,图像处理子单元104首先将运动目标从背景图像中提取出来,选用基于混合高斯模型的运动检测方法对图像中每一个像素点用K个状态来表示其所呈现的特征,每个状态各用一个高斯分布函数来表示,通过输入不同图像不断更新高斯模型,从而分割运动目标和背景图像。随后用基于图像灰度的Harris角点检测算法提取车辆的角点特征,Harris角点检测算法的步骤为:
1、根据图像坐标(x,y)处灰度值I(x,y)计算自相关矩阵M;
2、根据自相关矩阵M计算角点响应函数R(x,y);
3、判断R(x,y)是否大于设定阈值,若大于,则为角点。
随后对检测出的角点进行匹配,将角点提取完成的图片输入NCC匹配模型进行灰度互相关运算,当运算结果超过阈值,则认为角点匹配成功。最后采用单视测距的方法将目标角点的图像坐标转换为实际道路的路面坐标,根据匹配帧间车辆角点的距离差求出车辆实际运动距离,进而得到车辆的行驶速度v。
二、信息表示模块2
上述信息表示模块2是一个装有处理器的控制板,用于接收上述信息提取模块1输出的车辆位置,车辆大小形状和车辆速度等信息,并对其进行厘米级精度处理和数据融合后,运行信息表示算法,实时表示车辆的动态信息。
该信息表示算法以***所处路面位置为原点,将道路平面划分成数个固定大小的网格单元,每个点用四维向量r(a,b,u,w)表示,其中a表示该点的横坐标,b表示该点的纵坐标,u表示该点处是否有车(取值为1表示有车,取值为0表示无车),w表示该点的车速大小。根据信息提取模块1传入的车辆的位置坐标(x,y)和车辆的形状大小将网格点(x,y)和车辆所在周边点的向量的u值置为1,根据车辆的速度v将网格点(x,y)与车辆所在周边点的向量的w值置为v。其他网格点的向量u值和w值均置为0,所有网格点的向量表示组成表征此时道路车辆动态信息的向量集合,信息表示模块2输出的向量集合包含实时道路车辆动态信息。
三、信息传输模块3
上述信息传输模块3与上述信息表示模块2电连接,接收信息表示模块2生成的实时道路车辆信息并将其传送到云端数据中心4。该信息传输模块3包含网线、4G/5G网络、多跳网络等多种传输方式,根据***的实时状况选择最合适的传输方式进行信息传送。
四、云端数据中心4
上述云端数据中心4同时接收多个分布于不同路段的道路全局信息实时提取与表示***传输的实时道路车辆信息,并运行对应的数据中心软件,处理并融合各个***产生的数据,生成实时动态路网。
五、定位授时模块5
上述定位授时模块5通过GPS和北斗卫星定位***获取精确时间和***的坐标信息,通过***中的算法对时间和坐标进行滤波等优化处理,从而为***提供精确的坐标和时间信息,在典型应用中,一个区域的不同路段上分别安装有本实施例的道路全局信息实时提取与表示***,在这种情况下,定位授时模块5为对应的***提供时间基准,并保持多个***间的时间同步,同时保证***获取道路动态信息的一致性。
本发明通过信息提取模块采集对应路段上的声信号和图像信息,经过相关算法处理后,计算得到车辆位置、速度、形状大小等信息。通过信息表示模块将道路平面划分成多个固定大小的网格单元,用四维向量表示网格上每个点,根据信息提取模块传输的实时车辆数据不断更新网格上每个点的向量表示,从而生成路段的车辆动态信息向量表示集合,并通过数据传输模块传送到云端数据中心,对多个路段的实时数据进行融合,生成包含道路全局信息的实时高精度路网;并通过定位授时模块确保多个***间时间的一致性和坐标的精确性。
实现了对道路全局信息的实时提取与表示,从而获取全局实时路网信息;使得行驶车辆,可同时获取包含视距范围和非视距范围的全局实时路网信息,从而有效指导车辆选择路线和规避障碍物,进而缓解了道路拥塞问题,有效解决了恶劣天气造成的视线遮挡、驾驶员可视范围有限与传感器检测范围的局限性等问题引起的交通事故;并为交通管理部门制定管理决策提供了依据。
此外,需要说明的是,本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种道路全局信息实时提取与表示***,其特征在于,包括:
信息提取模块,用于对相应路段上的车辆信息进行采集,并根据所采集的车辆信息计算出相应车辆的位置信息、形状大小信息和行驶信息;
信息表示模块,所述信息表示模块与所述信息提取模块电连接,所述信息提取模块将计算出的车辆的位置信息、形状大小信息和行驶信息传输给所述信息表示模块,所述信息表示模块根据所述信息提取模块传输的车辆的位置信息、形状大小信息和行驶信息实时生成对应路段车辆动态信息向量表示集合;
所述***还包括信息传输模块和云端数据中心,其中:
所述信息传输模块与所述信息表示模块电连接,所述云端数据中心与所述信息传输模块通信连接;所述信息表示模块生成对应路段车辆动态信息向量表示集合后,通过所述信息传输模块实时将生成的对应路段车辆动态信息向量表示集合传输给所述云端数据中心;所述云端数据中心对分布于不同路段的多个道路全局信息实时提取与表示***传输的数据进行融合,生成实时动态路网;
所述***还包括定位授时模块,所述定位授时模块与信息表示模块电连接;
所述定位授时模块根据卫星定位***为所述道路全局信息实时提取与表示***提供坐标信息,并同时保持分布于不同路段的多个道路全局信息实时提取与表示***间的时间同步;
所述信息提取模块包括信息采集单元和信息处理单元;
所述信息采集单元包括用于采集车辆声信号的线性声传感器阵列和用于采集车辆图像信息的图像采集摄像头;
所述信息处理单元包括集成有预设图像处理算法的图像处理子单元和集成有预设声信号定位算法的声信号处理子单元;其中,所述声信号处理子单元用于通过预设声信号定位算法,根据线性声传感器阵列采集的车辆的声信号计算出车辆的位置坐标;所述图像处理子单元用于通过预设图像处理算法,根据图像采集摄像头采集的车辆图像,计算出车辆的形状大小和行驶速度;
所述信息采集单元还包括声信号调理电路,所述声信号调理电路包括依次电连接的信号放大电路、滤波电路和信号采集电路,其中:
所述信号放大电路与所述线性声传感器阵列电连接,所述信号采集电路与所述声信号处理子单元电连接;所述线性声传感器阵列采集到声信号后,所述信号放大电路对采集到的声信号的幅度进行放大,所述滤波电路根据预先设定好的截止频率对放大后的声信号进行滤波,去除其中的噪声;所述信号采集电路以设定频率对滤波后的声信号进行采样和存储;
所述声信号处理子单元包括FPGA声信号存储电路和集成预设声信号定位算法的DSP声信号处理电路,所述信号采集电路与FPGA声信号存储电路电连接;
所述FPGA声信号存储电路用于加载经过所述声信号调理电路调理后的声信号,并将声信号存入预先配置好的FIFO队列中,使用uPP并行传输接口将声信号传输给所述DSP声信号处理电路,所述DSP声信号处理电路通过预设声信号定位算法对声信号进行处理,得到相应车辆的位置坐标;
所述DSP声信号处理电路中集成的预设声信号定位算法包括:
根据接收的声信号数据,得到所述声信号数据的协方差矩阵R;
对所述协方差矩阵R进行特征分解,得到所述协方差矩阵R的特征值;
利用所述协方差矩阵R的特征值,判断声信号源数目N;
将所述协方差矩阵R的特征值按从小到大排序,将与声信号源数目N相等的特征值对应的特征向量看作信号子空间Us;
计算所述信号子空间Us的空间谱,并进行谱峰搜索;
找出谱峰对应的角度θ,此角度即为声信号入射方向;
以***所处道路平面位置为原点,根据声信号入射方向与***和地面间的距离,进行平面集合运算,得到声源所对应的车辆的位置坐标;
所述信息表示模块以***所处路面位置为原点,将道路平面划分成数个固定大小的网格单元,每个网格点用四维向量r(a,b,u,w)表示,其中a表示该点的横坐标,b表示该点的纵坐标,u表示该点处是否有车,w表示该点的车速大小;
所述信息表示模块根据信息提取模块所传输的数据实时更新每一网格点对应的向量;根据信息提取模块传入的车辆的位置坐标(x,y)和车辆的形状大小将车辆所覆盖的网格点的向量中的u值置为1,根据车辆的速度v将车辆所覆盖的网格点的向量中的w值置为v;其他网格点的向量u值和w值均置为0,所有网格点的向量表示组成表征此时道路车辆动态信息的向量集合,信息表示模块输出的向量集合包含实时道路车辆动态信息;
其中,所述信息提取模块、信息表示模块、信息传输模块和定位授时模块均部署在道路的交通信号灯上。
2.如权利要求1所述的道路全局信息实时提取与表示***,其特征在于,所述图像处理子单元包括FPGA图像处理电路;所述图像采集摄像头通过USB接口接入所述FPGA图像处理电路中;
所述FPGA图像处理电路接收到车辆图像信息后,首先将车辆从背景图像中提取出来,选用基于混合高斯模型的运动检测方法对图像中每一个像素点用K个状态来表示其所呈现的特征,每个状态各用一个高斯分布函数来表示,通过输入不同图像不断更新高斯模型,从而分割车辆和背景图像;
完成车辆和背景图像的分割后,采用基于图像灰度的角点检测算法提取车辆的角点特征;
随后对检测出的角点特征进行匹配,将角点特征提取完成的图像输入NCC匹配模型进行灰度互相关运算,若运算结果超过设定阈值,则角点匹配成功;
最后采用单视测距的方法将车辆角点的图像坐标转换为实际道路的路面坐标,根据匹配帧间车辆角点的距离差求出车辆实际运动距离,进而得到车辆的行驶速度。
3.如权利要求2所述的道路全局信息实时提取与表示***,其特征在于,所述基于图像灰度的角点检测算法,包括:
根据车辆的位置坐标(x,y)处灰度值I(x,y)计算自相关矩阵M;
根据所述自相关矩阵M计算角点响应函数R(x,y);
判断所述角点响应函数R(x,y)是否大于设定阈值,若大于,则为角点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467078.7A CN110210384B (zh) | 2019-05-31 | 2019-05-31 | 一种道路全局信息实时提取与表示*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467078.7A CN110210384B (zh) | 2019-05-31 | 2019-05-31 | 一种道路全局信息实时提取与表示*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210384A CN110210384A (zh) | 2019-09-06 |
CN110210384B true CN110210384B (zh) | 2021-10-22 |
Family
ID=67789842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910467078.7A Active CN110210384B (zh) | 2019-05-31 | 2019-05-31 | 一种道路全局信息实时提取与表示*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210384B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341097B (zh) * | 2020-02-13 | 2022-05-20 | 中交第一公路勘察设计研究院有限公司 | 一种基于无人机视频的交通数据采集方法 |
CN113032681B (zh) * | 2021-04-19 | 2023-09-22 | 北京百度网讯科技有限公司 | 用于地图搜索的方法、装置、电子设备和介质 |
CN116229765B (zh) * | 2023-05-06 | 2023-07-21 | 贵州鹰驾交通科技有限公司 | 一种基于数字数据处理的车路协同方法 |
CN117912194B (zh) * | 2024-03-20 | 2024-06-07 | 吉林大学 | 基于无线通信网络的有限空间内高危气体监测***和方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838772B (zh) * | 2012-11-26 | 2017-09-05 | 香港生产力促进局 | 一种多源交通数据融合方法 |
KR101750876B1 (ko) * | 2015-05-28 | 2017-06-26 | 엘지전자 주식회사 | 차량용 디스플레이 장치 및 차량 |
CN106154225B (zh) * | 2016-08-22 | 2018-05-04 | 四川大学 | 基于波达方向歧义消除的定位方法及装置 |
CN106652448A (zh) * | 2016-12-13 | 2017-05-10 | 山姆帮你(天津)信息科技有限公司 | 基于视频处理技术的公路交通状态监测*** |
CN106846816B (zh) * | 2017-04-12 | 2019-09-17 | 山东理工大学 | 一种基于深度学习的离散化交通状态判别方法 |
CN107101638A (zh) * | 2017-06-02 | 2017-08-29 | 北京聚利科技股份有限公司 | 车载电子标签的定位装置、方法和路测单元 |
CN108227685B (zh) * | 2018-01-08 | 2021-03-16 | 中科开元信息技术(北京)有限公司 | 一种分级遥控无人车辆的实时控制*** |
CN108764373B (zh) * | 2018-06-08 | 2021-11-30 | 北京领骏科技有限公司 | 一种用于自动驾驶中的传感器数据过滤及融合方法 |
-
2019
- 2019-05-31 CN CN201910467078.7A patent/CN110210384B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110210384A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210384B (zh) | 一种道路全局信息实时提取与表示*** | |
CN108955702B (zh) | 基于三维激光和gps惯性导航***的车道级地图创建*** | |
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
CN108802785B (zh) | 基于高精度矢量地图和单目视觉传感器的车辆自定位方法 | |
CN106127153B (zh) | 车载激光扫描点云数据的交通标牌识别方法 | |
EP3647734A1 (en) | Automatic generation of dimensionally reduced maps and spatiotemporal localization for navigation of a vehicle | |
CN102208012B (zh) | 风景匹配参考数据生成***及位置测量*** | |
CN102208013B (zh) | 风景匹配参考数据生成***和位置测量*** | |
CN102208035B (zh) | 图像处理***及位置测量*** | |
CN114413881B (zh) | 高精矢量地图的构建方法、装置及存储介质 | |
JP2019527832A (ja) | 正確な位置特定およびマッピングのためのシステムおよび方法 | |
CN116929401A (zh) | 确定路面特征的线表示的方法、***和计算机可读介质 | |
CN109583415A (zh) | 一种基于激光雷达与摄像机融合的交通灯检测与识别方法 | |
CN110320531B (zh) | 基于激光雷达的障碍物识别方法、地图创建方法及装置 | |
JP2018534603A (ja) | 高精度地図データの処理方法、装置、記憶媒体及び機器 | |
CN111006655A (zh) | 机场巡检机器人多场景自主导航定位方法 | |
CN114509065B (zh) | 地图构建方法、***、车辆终端、服务器端及存储介质 | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及*** | |
CN117576652B (zh) | 道路对象的识别方法、装置和存储介质及电子设备 | |
CN111145248A (zh) | 位姿信息确定方法、确定装置和电子设备 | |
CN114295139A (zh) | 一种协同感知定位方法及*** | |
CN104422426B (zh) | 在高架道路区域内提供车辆导航信息的方法和设备 | |
CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
CN117111085A (zh) | 一种自动驾驶汽车车路云融合感知方法 | |
CN117130010B (zh) | 用于无人驾驶的障碍物感知方法、***及无人驾驶汽车 |
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 |