CN111077335A - 一种车速检测方法、车速检测装置及可读存储介质 - Google Patents
一种车速检测方法、车速检测装置及可读存储介质 Download PDFInfo
- Publication number
- CN111077335A CN111077335A CN202010074362.0A CN202010074362A CN111077335A CN 111077335 A CN111077335 A CN 111077335A CN 202010074362 A CN202010074362 A CN 202010074362A CN 111077335 A CN111077335 A CN 111077335A
- Authority
- CN
- China
- Prior art keywords
- light signal
- vehicle
- characteristic
- feature vector
- detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 284
- 239000013598 vector Substances 0.000 claims description 318
- 238000012549 training Methods 0.000 claims description 45
- 238000001228 spectrum Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/36—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车速检测方法、车速检测装置及可读存储介质，获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。这样，通过接收隧道内的光线信号数据，并通过得到其中的光线信号特征信息来检测车辆在隧道内的行驶速度，可以检测出车辆在信号不佳的特殊路段中的行驶速度，及时性和准确性较高。
Description
技术领域
本申请涉及信息传输技术领域，具体而言，涉及一种车速检测方法、车速检测装置及可读存储介质。
背景技术
随着科技的发展，汽车逐渐地走进了人们的生活，成为了人们出行必不可缺少的交通工具，并且随着互联网技术的发展以及人们对于出行便捷性的需求，使得导航***也得到了长足的发展和进步，无论是车载导航***还是移动导航***，都在人们的驾驶出行中发挥着重要的作用。导航***一般是利用GPS(全球定位***)配合电子地图，通过检测车辆的行驶速度来进行导航的，它能方便且准确地告诉驾驶者去往目的地的最短或者最快路径，是驾驶员的好帮手。
然而，在某些特定路段中，如在隧道中，由于GPS信号不佳等原因，导航***无法及时检测车辆的行驶速度，易使导航出现滞后或者导航断开连接，无法为驾驶人员提供实时有效的导航，易出现使驾驶人员行驶方向出现错误或者选择错误的行驶道路等问题。
发明内容
有鉴于此，本申请的目的在于提供一种车速检测方法、车速检测装置及可读存储介质，能够通过接收到的隧道内的光线信号数据，并通过其中的光线信号特征信息检测车辆在隧道内的行驶速度，可以检测出车辆在信号不佳的特殊路段中的行驶速度，及时性和准确性较高。
根据本申请的一个方面，提供一种电子设备，可以包括存储介质和与存储介质通信的处理器。存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；
基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；
基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，其中，所述光线信号特征向量序列中包括与各个所述检测时刻分别对应的光线信号特征向量；
将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
根据每个检测时刻对应的光线信号特征信息，确定在每个检测时刻，所述车辆在多个光线信号特征下的特征值；
根据所述车辆在多个光线信号特征下的特征值，构建在每个检测时刻的光线信号特征向量；
根据每个检测时刻的光线信号特征向量，生成所述光线信号特征向量序列。
在上述实施例中，所述光线信号特征包括以下特征中的至少一种：
光线信号变化量特征、光线信号方差特征、光线信号能量谱特征和光线信号功率谱特征。
在本申请的一些实施例中，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
将所述光线信号特征向量序列中的每个光线信号特征向量依次作为当前检测时刻的当前时刻光线信号特征向量，获取前一检测时刻的前一时刻光线信号特征向量经过所述行驶速度预测模型中的隐藏层后输出的前一时刻中间特征向量；
将所述当前时刻光线信号特征向量和所述前一时刻中间特征向量，输入至训练好的行驶速度预测模型中，得到与所述当前时刻光线信号特征向量对应的当前时刻行驶速度；
基于获取的多个当前时刻行驶速度，确定所述车辆在所述待检测时间段内的平均行驶速度。
在本申请的一些实施例中，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
获取所述车辆的行驶方向；
基于所述行驶方向和所述行驶速度，确定所述车辆的导航信息。
在本申请的一些实施例中，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
获取在历史时间段内，车辆在隧道中行驶时接收的多组光线信号样本数据；
基于每组光线信号样本数据，确定在所述历史时间段内的每个历史检测时刻所述车辆的光线信号样本特征信息；
基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型。
在本申请的一些实施例中，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，其中，所述光线信号样本特征向量序列中包括与各个所述历史检测时刻分别对应的光线信号特征向量；
基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型。
在本申请的一些实施例中，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
针对每组光线信号样本数据，根据每个历史检测时刻对应的光线信号样本特征信息，确定所述车辆在每个历史检测时刻时的光线信号样本特征下的样本特征值；
根据所述车辆在每个历史检测时刻时的多个光线信号样本特征下的样本特征值，构建所述车辆在每个历史检测时刻下的光线信号样本特征向量；
根据每个历史检测时刻下的光线信号样本特征向量，生成所述车辆在所述历史时间段内的光线信号特征向量序列。
在上述实施例中，所述光线信号样本特征包括以下特征中的至少一种：
光线信号样本变化量特征、光线信号样本方差特征、光线信号样本能量谱特征和光线信号样本功率谱特征。
在本申请的一些实施例中，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
针对每个所述光线信号样本特征向量序列，将所述光线信号样本特征向量序列中的每个光线信号样本特征向量依次作为当前样本检测时刻的当前时刻光线信号样本特征向量，获取前一样本检测时刻的前一时刻光线信号样本特征向量经过行驶速度预测模型中的隐藏层后输出的前一时刻样本中间特征向量；
将所述当前时刻光线信号样本特征向量和所述前一时刻样本中间特征向量，输入至构建的行驶速度预测模型中，获取与所述当前时刻光线信号样本特征向量对应的当前时刻行驶速度；
基于多个当前时刻行驶速度和每个历史检测时刻时的实际行驶速度，训练所述行驶速度预测模型。
在本申请的一些实施例中，当处理器执行所述机器可读指令时，可以执行一个或者多个以下操作：
基于每个当前时刻行驶速度以及与每个当前时刻行驶速度对应的实际行驶速度，调整所述行驶速度预测模型的模型参数，直至通过行驶速度预测模型输出的当前时刻行驶速度与对应的实际行驶速度之间的差值在预设范围内，确定所述行驶速度预测模型训练完毕。
根据本申请的另一方面，提供一种车速检测方法，所述车速检测方法包括：
获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；
基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；
基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，所述基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度，包括：
基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，其中，所述光线信号特征向量序列中包括与各个所述检测时刻分别对应的光线信号特征向量；
将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，所述基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，包括：
根据每个检测时刻对应的光线信号特征信息，确定在每个检测时刻，所述车辆在多个光线信号特征下的特征值；
根据所述车辆在多个光线信号特征下的特征值，构建在每个检测时刻的光线信号特征向量；
根据每个检测时刻的光线信号特征向量，生成所述光线信号特征向量序列。
在上述是实施例中，所述光线信号特征包括以下特征中的至少一种：
光线信号变化量特征、光线信号方差特征、光线信号能量谱特征和光线信号功率谱特征。
在本申请的一些实施例中，所述将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度，包括：
将所述光线信号特征向量序列中的每个光线信号特征向量依次作为当前检测时刻的当前时刻光线信号特征向量，获取前一检测时刻的前一时刻光线信号特征向量经过所述行驶速度预测模型中的隐藏层后输出的前一时刻中间特征向量；
将所述当前时刻光线信号特征向量和所述前一时刻中间特征向量，输入至训练好的行驶速度预测模型中，得到与所述当前时刻光线信号特征向量对应的当前时刻行驶速度；
基于获取的多个当前时刻行驶速度，确定所述车辆在所述待检测时间段内的平均行驶速度。
在本申请的一些实施例中，在所述基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度之后，还包括：
获取所述车辆的行驶方向；
基于所述行驶方向和所述行驶速度，确定所述车辆的导航信息。
在本申请的一些实施例中，通过以下方式训练所述行驶速度预测模型：
获取在历史时间段内，车辆在隧道中行驶时接收的多组光线信号样本数据；
基于每组光线信号样本数据，确定在所述历史时间段内的每个历史检测时刻所述车辆的光线信号样本特征信息；
基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型。
在本申请的一些实施例中，所述基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型，包括：
针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，其中，所述光线信号样本特征向量序列中包括与各个所述历史检测时刻分别对应的光线信号特征向量；
基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型。
在本申请的一些实施例中，所述针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，包括：
针对每组光线信号样本数据，根据每个历史检测时刻对应的光线信号样本特征信息，确定所述车辆在每个历史检测时刻时的光线信号样本特征下的样本特征值；
根据所述车辆在每个历史检测时刻时的多个光线信号样本特征下的样本特征值，构建所述车辆在每个历史检测时刻下的光线信号样本特征向量；
根据每个历史检测时刻下的光线信号样本特征向量，生成所述车辆在所述历史时间段内的光线信号特征向量序列。
在上述实施例中，所述光线信号样本特征包括以下特征中的至少一种：
光线信号样本变化量特征、光线信号样本方差特征、光线信号样本能量谱特征和光线信号样本功率谱特征。
在本申请的一些实施例中，所述基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型，包括：
针对每个所述光线信号样本特征向量序列，将所述光线信号样本特征向量序列中的每个光线信号样本特征向量依次作为当前样本检测时刻的当前时刻光线信号样本特征向量，获取前一样本检测时刻的前一时刻光线信号样本特征向量经过行驶速度预测模型中的隐藏层后输出的前一时刻样本中间特征向量；
将所述当前时刻光线信号样本特征向量和所述前一时刻样本中间特征向量，输入至构建的行驶速度预测模型中，获取与所述当前时刻光线信号样本特征向量对应的当前时刻行驶速度；
基于多个当前时刻行驶速度和每个历史检测时刻时的实际行驶速度，训练所述行驶速度预测模型。
在本申请的一些实施例中，基于多个当前时刻行驶速度和每个历史检测时刻时的所述实际行驶速度，训练行驶速度预测模型，包括：
基于每个当前时刻行驶速度以及与每个当前时刻行驶速度对应的实际行驶速度，调整所述行驶速度预测模型的模型参数，直至通过行驶速度预测模型输出的当前时刻行驶速度与对应的实际行驶速度之间的差值在预设范围内，确定所述行驶速度预测模型训练完毕。
根据本申请的另一方面，提供一种车速检测装置，所述车速检测装置包括：
第一获取模块，用于获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；
第一确定模块，用于基于所述第一获取模块获取的所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；
第二确定模块，用于基于所述第一确定模块确定的所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，所述第二确定模块具体用于：
基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，其中，所述光线信号特征向量序列中包括与各个所述检测时刻分别对应的光线信号特征向量；
将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，所述第二确定模块具体还用于：
根据每个检测时刻对应的光线信号特征信息，确定在每个检测时刻，所述车辆在多个光线信号特征下的特征值；
根据所述车辆在多个光线信号特征下的特征值，构建在每个检测时刻的光线信号特征向量；
根据每个检测时刻的光线信号特征向量，生成所述光线信号特征向量序列。
在上述实施例中，所述光线信号特征包括以下特征中的至少一种：
光线信号变化量特征、光线信号方差特征、光线信号能量谱特征和光线信号功率谱特征。
在本申请的一些实施例中，所述第二确定模块具体还用于：
将所述光线信号特征向量序列中的每个光线信号特征向量依次作为当前检测时刻的当前时刻光线信号特征向量，获取前一检测时刻的前一时刻光线信号特征向量经过所述行驶速度预测模型中的隐藏层后输出的前一时刻中间特征向量；
将所述当前时刻光线信号特征向量和所述前一时刻中间特征向量，输入至训练好的行驶速度预测模型中，得到与所述当前时刻光线信号特征向量对应的当前时刻行驶速度；
基于获取的多个当前时刻行驶速度，确定所述车辆在所述待检测时间段内的平均行驶速度。
在本申请的一些实施例中，所述车速检测装置还包括：
第二获取模块，用于获取所述车辆的行驶方向；
第三确定模块，用于基于所述第二获取模块获取的所述行驶方向和所述第二确定模块确定的所述行驶速度，确定所述车辆的导航信息。
在本申请的一些实施例中，所述车速检测装置还包括模型训练模块，用于通过以下方式训练所述行驶速度预测模型：
获取在历史时间段内，车辆在隧道中行驶时接收的多组光线信号样本数据；
基于每组光线信号样本数据，确定在所述历史时间段内的每个历史检测时刻所述车辆的光线信号样本特征信息；
基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型。
在本申请的一些实施例中，所述模型训练模块具体用于：
针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，其中，所述光线信号样本特征向量序列中包括与各个所述历史检测时刻分别对应的光线信号特征向量；
基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型。
在本申请的一些实施例中，所述模型训练模块具体用于：
针对每组光线信号样本数据，根据每个历史检测时刻对应的光线信号样本特征信息，确定所述车辆在每个历史检测时刻时的光线信号样本特征下的样本特征值；
根据所述车辆在每个历史检测时刻时的多个光线信号样本特征下的样本特征值，构建所述车辆在每个历史检测时刻下的光线信号样本特征向量；
根据每个历史检测时刻下的光线信号样本特征向量，生成所述车辆在所述历史时间段内的光线信号特征向量序列。
在本申请的一些实施例中，所述光线信号样本特征包括以下特征中的至少一种：
光线信号样本变化量特征、光线信号样本方差特征、光线信号样本能量谱特征和光线信号样本功率谱特征。
在本申请的一些实施例中，所述模型训练模块具体还用于：
针对每个所述光线信号样本特征向量序列，将所述光线信号样本特征向量序列中的每个光线信号样本特征向量依次作为当前样本检测时刻的当前时刻光线信号样本特征向量，获取前一样本检测时刻的前一时刻光线信号样本特征向量经过行驶速度预测模型中的隐藏层后输出的前一时刻样本中间特征向量；
将所述当前时刻光线信号样本特征向量和所述前一时刻样本中间特征向量，输入至构建的行驶速度预测模型中，获取与所述当前时刻光线信号样本特征向量对应的当前时刻行驶速度；
基于多个当前时刻行驶速度和每个历史检测时刻时的实际行驶速度，训练所述行驶速度预测模型。
在本申请的一些实施例中，所述模型训练模块具体还用于：
基于每个当前时刻行驶速度以及与每个当前时刻行驶速度对应的实际行驶速度，调整所述行驶速度预测模型的模型参数，直至通过行驶速度预测模型输出的当前时刻行驶速度与对应的实际行驶速度之间的差值在预设范围内，确定所述行驶速度预测模型训练完毕。
根据本申请的另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的车速检测方法的步骤。
本申请提供的车速检测方法、车速检测装置及可读存储介质，获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
这样，通过接收隧道内的光线信号数据，并通过得到其中的光线信号特征信息来检测车辆在隧道内的行驶速度，可以检测出车辆在信号不佳的特殊路段中的行驶速度，及时性和准确性较高。
进一步的，检测到车辆的行驶速度，可以结合行驶速度和行驶方向，帮助车辆实现在特殊路段中的导航，可以有效降低信号不佳导致的导航误差，提高导航的实时性和准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为一种可能的应用场景下的***构图；
图2为本申请一实施例提供的一种车速检测方法的流程示意图；
图3为本申请以实施例提供的另一种车速检测方法的流程示意图；
图4为本申请一实施例提供的一种车速检测装置的结构图之一；
图5为本申请一实施例提供的一种车速检测装置的结构图之二；
图6为本申请一实施例提供的一种车速检测装置的结构图之三；
图7为本申请一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“检测车辆在隧道中行驶时的行驶速度”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕检测车辆在隧道中行驶时的行驶速度进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请的一个方面涉及一种车速检测***。该***可以通过车辆在隧道等特殊路段中行驶时，采集隧道中设置的照明设备的光线信号数据，然后从接收到的光线信号数据中确定出光线信号特征信息，从而可以通过光线信号特征信息和训练好的行驶速度预测模型，检测出车辆在隧道中的行驶速度，从而可以帮助车辆在隧道中进行更好的导航。请参阅图1，图1为一种可能的应用场景下的***构图。如图1中所示，车速检测***包括、车辆、光线信号检测装置和车速检测装置，所述光线信号检测装置和所述车速检测装置可以是内置于所述车辆上，也可以是仅安装在所述车辆上，但与所述车辆独立设置，当所述车辆行驶于特殊路段时，如行驶于隧道中时，所述光线信号检测装置可以检测隧道中的照明设备，从而接收照明设备的光线信号数据，所述车速检测装置可以获取到所述光线信号数据，通过提取所述光线信号数据中的相关光线信号特征信息，并通过训练好的行驶速度预测模型来检测所述车辆的行驶速度。
值得注意的是，在本申请提出申请之前，在如隧道等特定路段中，由于网络信号不好导致GPS信号不佳，导航***无法及时检测车辆的行驶速度，易使导航出现滞后或者导航断开连接，无法为驾驶人员提供实时有效的导航，易出现使驾驶人员行驶方向出现错误或者选择错误的行驶道路等问题。然而，本申请提供的车速检测***，可以通过检测车辆在隧道中行驶时隧道中的光线信号数据，根据光线信号数据中的光线信号特征信息和训练好的行驶速度预测模型检测出车辆的行驶速度，车辆速度检测及时性和准确性较高。进一步的，还可以帮助车辆实现在特殊路段中的导航，可以有效降低信号不佳导致的导航误差，提高导航的实时性和准确率。
下面结合上述图1示出的车速检测***中描述的内容，对本申请实施例提供车速检测方法进行详细说明。
请参阅图2，图2为本申请一实施例提供的一种车速检测方法的流程示意图，所述车速检测方法可以应用于上述的车速检测***，并具体由车速检测***中车速检测装置中的一个或者多个处理器来执行，如图2中所示，具体执行过程为：
S201：获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据。
该步骤中，当所述车速检测装置需要检测所述车辆的行驶速度时，可以针对需要检测行驶速度的待检测时间段，来获取所述车辆在隧道中行驶时，在所述待检测时间段内接收到的光线信号数据。
其中，所述车速检测装置需要检测所述车辆的行驶速度，可以是所述车速检测装置通过所述车辆的位置，在检测到所述车辆即将进入隧道中行驶，或者检测到所述车辆已经进入到隧道中行驶时，所述车速检测装置可以确定需要检测所述车辆的行驶速度。
在一些实施例中，为了更好的实时性检测所述车辆的行驶速度，所述车速检测装置可以是周期性的对所述车辆的行驶速度进行检测，在对一个周期内的所述车辆的行驶速度进行检测时，就需要获取一个周期内的光线信号数据，因此，待检测时间段可以是与所述车速检测装置的对于所述车辆的行驶速度的检测周期相对应的，例如车速检测装置30秒钟需要检测一次车辆的行驶速度，那么待检测时间段也就可以是30秒钟的时间段。
其中，车辆在隧道中行驶时接收的光线信号数据，可以是通过如图1所示的车速检测***中的光线信号检测装置，对隧道中的照明设备的照明光线等进行检测，从而接收到的光线信号数据。在具体实施例中，所述光线信号检测装置，可以是设置于车辆上的光线检测设备或者简单的光线传感器等，还可以是使用驾驶人员或者乘车人员的移动终端上的光线检测功能，来进行光线信号数据的采集。
S202：基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息。
该步骤中，所述车速检测装置在获取到所述光线信号数据后，可以从所述光线信号数据中，确定出在所述待检测时间段内的每个检测时刻，所述车辆的光线信号特征信息。
其中，所述光线信号特征信息，可以是表征采集到的光线信号的各种维度特征的信息，例如光线信号的变化量信息、方差信息、能量普信息和功率谱信息等。
在一些实施例中，采集到的车辆在隧道中行驶时的光线信号，可以反映车辆在行驶过程中隧道中的光线明暗变化，在具体的，可以通过周期性的波形图谱来表示采集到的明暗变化的光线，可以进一步从波形图谱中提取出光线信号特征信息。
S203：基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
该步骤中，在确定出所述光线信号特征信息后，所述车速检测装置可通过训练好的行驶速度预测模型以及所述光线信息号特征信息，来得到所述车辆的行驶速度，从而实现检测所述车辆行驶速度的目的。
其中，所述行驶速度预测模型，可以是使用各种神经网络或者深度学习模型等，例如可使用LSTM回归模型。
进一步，由于不同的隧道等特殊路段的特性不同，例如不同隧道的长度、照明灯间距、直线型隧道、具有弯道的隧道或者具有分岔路的隧道等，可以将不同的隧道大体归结为几类，然后对于同类型的隧道来使用同一个或者同一类行驶速度预测模型，对于具体使用的模型类型并不做任何限定，相对于每个隧道需要使用各自的模型的方式，需要大量的数据作为基础，服务端的运算量大，运算速度受影响来讲，同一类型的隧道使用同一模型，可以降低数据量的需求和运算空间，提高运算速度。
本申请实施例提供的车速检测方法，获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
这样，通过接收隧道内的光线信号数据，并通过得到其中的光线信号特征信息和训练好的行驶速度预测模型来检测车辆在隧道内的行驶速度，可以检测出车辆在信号不佳的特殊路段中的行驶速度，及时性和准确性较高。
请参阅图3，图3为本申请实施例提供的另一种车速检测方法的流程示意图，所述车速检测方法可以应用于上述的车速检测***，并具体由车速检测***中车速检测装置中的一个或者多个处理器来执行，如图3中所示，具体执行过程为：
S301：获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据。
S302：基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息。
S303：基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
S304：获取所述车辆的行驶方向。
其中，获取所述车辆的行驶方向，可以是通过所述车辆上安装的加速度计、陀螺仪等设备或者传感器进行识别，也可以通过独立于所述车辆的第三方设备进行检测，如司机或者乘车人员的具有方向检测功能的移动终端等。
S305：基于所述行驶方向和所述行驶速度，确定所述车辆的导航信息。
该步骤中，在确定出所述行驶速度，并获取到所述行驶方向后，所述车速检测装置可以根据所述行驶方向和所述行驶速度来确定所述车辆的导航信息，从而辅助所述车辆的导航装置对所述车辆的进行实时性的导航。
其中，步骤S301至步骤S303的描述可以参照步骤S201至步骤S203的描述，并且可以达到相同的技术效果，在此不做赘述。
在本申请的一些实施例中，S303包括：
基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，其中，所述光线信号特征向量序列中包括与各个所述检测时刻分别对应的光线信号特征向量；将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度。
该步骤中，在确定出每个检测时刻下的所述光线信号特征信息后，所述车速检测装置可以从每个检测时刻对应的所述光线信号特征信息中进行特征提取，从而提取出在每个检测时刻时，所述车辆对应的光线信号特征，从而根据提取到的光线信息特征生成所述车辆的光线信号特征向量序列，然后所述车速检测装置可以将所述光线信号特征向量序列输入到训练好的行驶速度预测模型中以对所述光线信号特征向量序列进行处理，从而来对所述车辆的速度进行检测，最终根据所述行驶速度预测模型的输出结果可以得到所述车辆在所述隧道内的行驶速度。
其中，所述光线信号特征向量序列中包括与各个所述检测时刻分别对应的光线信号特征向量，每个光线信号特征向量中包括在对应的检测时刻对应的光线信号特征的特征值。
具体的，基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，可以是从每个检测时刻对应的光线信号特征信息中进行特征筛选和提取等处理，从而根据每个检测时刻对应的光线信号特征信息，来获取到在每个检测时刻，所述车辆在多个光线信号特征，并进一步可以根据光线信号特征信息，确定出在每个光线信号特征下的特征值，然后根据所述车辆在多个光线信号特征下的特征值，构建在每个检测时刻的光线信号特征向量，接着可以根据每个检测时刻的光线信号特征向量，生成所述光线信号特征向量序列。
在上述实施例中，所述光线信号特征包括以下特征中的至少一种：
光线信号变化量特征、光线信号方差特征、光线信号能量谱特征和光线信号功率谱特征。
进一步的，所述将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度，可以是将所述光线信号特征向量序列中的每个光线信号特征向量依次作为当前检测时刻的当前时刻光线信号特征向量，获取前一检测时刻的前一时刻光线信号特征向量经过所述行驶速度预测模型中的隐藏层后输出的前一时刻中间特征向量。
其中，所述前一时刻光线信号特征向量为所述当前时刻光线信号特征向量的前一检测时刻的特征向量，所述前一检测时刻为在所述当前检测时刻之前的一个时刻。
然后将所述当前时刻光线信号特征向量和所述前一时刻中间特征向量，输入至训练好的行驶速度预测模型中，得到与所述当前时刻光线信号特征向量对应的当前时刻行驶速度。
最后基于获取的多个当前时刻行驶速度，确定所述车辆在所述待检测时间段内的平均行驶速度。
示例性的，所述行驶速度预测模型，可以是使用LSTM模型，在通过所述光线信号特征向量序列和所述行驶速度预测模型确定所述车辆的行驶速度的时候，鉴于LSTM模型的特性，可以按照光线信号的采集顺序，也就是所述光线信号特征向量序列中的每一个光线信号特征向量的时序顺序，依次将每个光线信号特征向量作为当前时刻需要进行速度检测的当前时刻光线信号特征向量来使用，并且可以获取与在所述当前检测时刻的前一检测时刻的前一时刻光线信号特征向量相对应的前一时刻中间特征向量，其中，当作为当前时刻光线信号特征向量的光线信号特征向量为第一个特征向量的时候，获取的前一时刻中间特征向量，可以是模型预设的中间特征向量，然后将所述当前时刻光线信号特征向量和获取的对应的所述前一时刻中间特征向量，输入到行驶速度预测模型的神经网络中进行处理，如输入到LSTM模型的神经网络中，就可以得到神经网络输出的，与所述当前时刻光线信号特征向量对应的在当前检测时刻的当前时刻行驶速度，在得到与所述待检测时间段内每个检测时刻对应的当前时刻行驶速度后，就可以计算得到车辆在所述待检测时间段内的平均行驶速度。
其中，所述前一时刻光线信号特征向量相对应的前一时刻中间特征向量，可以是所述前一时刻光线信号特征向量在行驶速度预测模型中的神经网络中进行处理时，隐含层输出供下一次对特征向量进行处理时需要使用的中间特征向量。
相应的，在本申请的一些实施例中，还提供一种行驶速度预测模型的训练方法，该方法可以通过以下方式训练所述行驶速度预测模型：
(1)获取在历史时间段内，车辆在隧道中行驶时接收的多组光线信号样本数据。
其中，车辆在隧道中行驶时接收的光线信号数据，可以是通过设置于车辆上的光线检测设备或者简单的光线传感器等，还可以是使用驾驶人员或者乘车人员的移动终端上的光线检测功能，来进行光线信号数据的采集。
其中，车辆在隧道中行驶时接收的多组光线信号样本数据，可以是在同一历史时间段内，通过在不同的光线信号检测装置检测到的不同组的光线信号样本数据；由于隧道内的照明设备一般是24小时常亮的，因此车辆在隧道中行驶时接收的多组光线信号样本数据，还可以是针对在相同时长的多个历史时间段，来通过同一光线信号检测装置在每个历史时间段内采集光线信号样本数据，在使用光线信号样本数据的时候，由于采集的历史时间段的时长均相同，所以可以认为是在同一个历史时间段内的多组光线信号样本数据。
(2)基于每组光线信号样本数据，确定在所述历史时间段内的每个历史检测时刻所述车辆的光线信号样本特征信息。
在采集到多组光线信号样本数据后，可以先对采集到的多组光线信号样本数据进行去噪处理等预处理，从而去除每组光线信号样本数据中的干扰数据，例如在隧道中如果出现局部施工等情况时，可能存在施工用的施工照明，施工照明可能会与隧道照明的灯光亮度等不同，会对采集的数据起到一定的干扰，因此，可以通过预处理将这些异类灯光信号数据去掉。
(3)基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型。
在上述实施例中，(3)中具体包括：
针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，其中，所述光线信号样本特征向量序列中包括与各个所述历史检测时刻分别对应的光线信号特征向量；基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型。
该步骤中，针对于每组光线信号样本数据，可以从每个所述历史检测时刻对应的所述光线信号特征信息中进行特征提取从而根据提取到的光线信息样本特征生成所述车辆的光线信号样本特征向量序列，然后所述车速检测装置可以将所述光线信号样本特征向量序列输入到构建的行驶速度预测模型中，通过多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，来对构建的行驶速度预测模型进行训练。
其中，所述光线信号样本特征向量序列中包括与各个所述历史检测时刻分别对应的光线信号特征向量，每个光线信号样本特征向量中包括在对应的历史检测时刻对应的光线信号样本特征的样本特征值。
具体的，针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，可以是从每个历史检测时刻对应的光线信号样本特征信息中进行样本特征筛选和提取等处理，从而根据每个历史检测时刻对应的光线信号样本特征信息，来获取在每个历史检测时刻，所述车辆在多个光线信号样本特征，并进一步可以根据光线信号样本特征信息，确定出在每个光线信号样本特征下的样本特征值，然后根据所述车辆在多个光线信号样本特征下的样本特征值，构建在每个历史检测时刻的光线信号样本特征向量，接着可以根据每个历史检测时刻的光线信号样本特征向量，生成所述车辆在所述历史时间段内的光线信号特征向量序列。
在上述实施例中，所述光线信号样本特征包括以下特征中的至少一种：
光线信号样本变化量特征、光线信号样本方差特征、光线信号样本能量谱特征和光线信号样本功率谱特征。
进一步的，所述基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练行驶速度预测模型，可以是针对每个所述光线信号样本特征向量序列，将所述光线信号样本特征向量序列中的每个光线信号样本特征向量依次作为当前样本检测时刻的当前时刻光线信号样本特征向量，获取前一样本检测时刻的前一时刻光线信号样本特征向量经过行驶速度预测模型中的隐藏层后输出的前一时刻样本中间特征向量。
其中，所述前一时刻光线信号样本特征向量为所述当前时刻光线信号特征向量的前一样本检测时刻的特征向量，所述前一样本检测时刻为在所述当前样本检测时刻之前的一个时刻。
然后将所述当前时刻光线信号样本特征向量和所述前一时刻样本中间特征向量，输入至构建的行驶速度预测模型中，获取与所述当前时刻光线信号样本特征向量对应的当前时刻行驶速度。
接着，就可以根据多个当前时刻行驶速度和每个历史检测时刻时的实际行驶速度，训练所述行驶速度预测模型。具体的，可以是基于每个当前时刻行驶速度以及与每个当前时刻行驶速度对应的实际行驶速度，调整所述行驶速度预测模型的模型参数，直至通过行驶速度预测模型输出的当前时刻行驶速度与对应的实际行驶速度之间的差值在预设范围内，确定所述行驶速度预测模型训练完毕。
其中，由于在隧道行驶过程中光线信号检测装置可能受到其他干扰，例如，随着隧道中路灯使用时长的增加，路灯存在磨损，灯光的亮度会发生变化，导致采集的信号也会跟着变化。因此，可以定期对行驶速度预测模型的参数进行更新，可以提高行驶速度预测模型的准确率。
再者，可以对于相似或者相同的同一类隧道，使用同一个行驶速度预测模型，这样在训练模型的过程中，可以降低训练数据的需求量，减少数据的处理量，提高行驶速度预测模型的训练效率，减少相应整体的训练时间。
本申请实施例提供的车速检测方法，获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度；获取所述车辆的行驶方向；基于所述行驶方向和所述行驶速度，确定所述车辆的导航信息。
这样，通过采集隧道内的光线信号数据，并通过其中的光线信号特征信息来检测车辆在隧道内的行驶速度，然后结合得到的行驶速度和获取到的车辆的行驶方向来确定出车辆的导航信息，可以检测出车辆在信号不佳的特殊路段中的行驶速度，及时性和准确性较高，并且可以进一步帮助车辆实现在特殊路段中的导航，有效降低信号不佳导致的导航误差，提高导航的实时性和准确率。
基于同一发明构思，本申请实施例中还提供了与车速检测方法对应的车速检测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述车速检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图4至图6，图4为本申请一实施例提供的一种车速检测装置的结构图之一，图5为本申请一实施例提供的一种车速检测装置的结构图之二，图6为本申请一实施例提供的一种车速检测装置的结构图之三。如图4中所示，所述车速检测装置400包括：
第一获取模块410，用于获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据。
第一确定模块420，用于基于所述第一获取模块410获取的所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息。
第二确定模块430，用于基于所述第一确定模块420确定的所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，所述第二确定模块430具体用于：
基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，其中，所述光线信号特征向量序列中包括与各个所述检测时刻分别对应的光线信号特征向量；
将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，所述第二确定模块430具体还用于：
根据每个检测时刻对应的光线信号特征信息，确定在每个检测时刻，所述车辆在多个光线信号特征下的特征值；
根据所述车辆在多个光线信号特征下的特征值，构建在每个检测时刻的光线信号特征向量；
根据每个检测时刻的光线信号特征向量，生成所述光线信号特征向量序列。
在上述实施例中，所述光线信号特征包括以下特征中的至少一种：
光线信号变化量特征、光线信号方差特征、光线信号能量谱特征和光线信号功率谱特征。
在本申请的一些实施例中，所述第二确定模块430具体还用于：
将所述光线信号特征向量序列中的每个光线信号特征向量依次作为当前检测时刻的当前时刻光线信号特征向量，获取前一检测时刻的前一时刻光线信号特征向量经过所述行驶速度预测模型中的隐藏层后输出的前一时刻中间特征向量；
将所述当前时刻光线信号特征向量和所述前一时刻中间特征向量，输入至训练好的行驶速度预测模型中，得到与所述当前时刻光线信号特征向量对应的当前时刻行驶速度；
基于获取的多个当前时刻行驶速度，确定所述车辆在所述待检测时间段内的平均行驶速度。
在本申请的一些实施例中，如图5中所示，所述车速检测装置400还包括：
第二获取模块440，用于获取所述车辆的行驶方向；
第三确定模块450，用于基于所述第二获取模块440获取的所述行驶方向和所述第二确定模块430确定的所述行驶速度，确定所述车辆的导航信息。
在本申请的一些实施例中，如图6中所示，所述车速检测装置400还包括模型训练模块460，用于通过以下方式训练所述行驶速度预测模型：
获取在历史时间段内，车辆在隧道中行驶时接收的多组光线信号样本数据；
基于每组光线信号样本数据，确定在所述历史时间段内的每个历史检测时刻所述车辆的光线信号样本特征信息；
基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型。
在本申请的一些实施例中，所述模型训练模块460具体用于：
针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，其中，所述光线信号样本特征向量序列中包括与各个所述历史检测时刻分别对应的光线信号特征向量；
基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型。
在本申请的一些实施例中，所述模型训练模块460具体用于：
针对每组光线信号样本数据，根据每个历史检测时刻对应的光线信号样本特征信息，确定所述车辆在每个历史检测时刻时的光线信号样本特征下的样本特征值；
根据所述车辆在每个历史检测时刻时的多个光线信号样本特征下的样本特征值，构建所述车辆在每个历史检测时刻下的光线信号样本特征向量；
根据每个历史检测时刻下的光线信号样本特征向量，生成所述车辆在所述历史时间段内的光线信号特征向量序列。
在本申请的一些实施例中，所述光线信号样本特征包括以下特征中的至少一种：
光线信号样本变化量特征、光线信号样本方差特征、光线信号样本能量谱特征和光线信号样本功率谱特征。
在本申请的一些实施例中，所述模型训练模块460具体还用于：
针对每个所述光线信号样本特征向量序列，将所述光线信号样本特征向量序列中的每个光线信号样本特征向量依次作为当前样本检测时刻的当前时刻光线信号样本特征向量，获取前一样本检测时刻的前一时刻光线信号样本特征向量经过行驶速度预测模型中的隐藏层后输出的前一时刻样本中间特征向量；
将所述当前时刻光线信号样本特征向量和所述前一时刻样本中间特征向量，输入至构建的行驶速度预测模型中，获取与所述当前时刻光线信号样本特征向量对应的当前时刻行驶速度；
基于多个当前时刻行驶速度和每个历史检测时刻时的实际行驶速度，训练所述行驶速度预测模型。
在本申请的一些实施例中，所述模型训练模块460具体还用于：
基于每个当前时刻行驶速度以及与每个当前时刻行驶速度对应的实际行驶速度，调整所述行驶速度预测模型的模型参数，直至通过行驶速度预测模型输出的当前时刻行驶速度与对应的实际行驶速度之间的差值在预设范围内，确定所述行驶速度预测模型训练完毕。
本申请实施例提供的车速检测装置，通过获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
这样，通过接收隧道内的光线信号数据，并通过得到其中的光线信号特征信息和训练好的行驶速度预测模型来检测车辆在隧道内的行驶速度，可以检测出车辆在信号不佳的特殊路段中的行驶速度，及时性和准确性较高。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
请参阅图7，图7为本申请一实施例提供的一种电子设备的结构示意图。本申请实施例提供的电子设备700，包括处理器710、存储器720和总线730。
所述存储器720存储有所述处理器710可执行的机器可读指令，当电子设备700运行时，所述处理器710与所述存储器720之间通过总线730通信，当所述处理器710执行所述机器可读指令时，可以执行一个或多个以下操作：
获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；
基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；
基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，当处理器710执行所述机器可读指令时，可以执行一个或者多个以下操作：
基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，其中，所述光线信号特征向量序列中包括与各个所述检测时刻分别对应的光线信号特征向量；
将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度。
在本申请的一些实施例中，当处理器710执行所述机器可读指令时，可以执行一个或者多个以下操作：
根据每个检测时刻对应的光线信号特征信息，确定在每个检测时刻，所述车辆在多个光线信号特征下的特征值；
根据所述车辆在多个光线信号特征下的特征值，构建在每个检测时刻的光线信号特征向量；
根据每个检测时刻的光线信号特征向量，生成所述光线信号特征向量序列。
在上述实施例中，所述光线信号特征包括以下特征中的至少一种：
光线信号变化量特征、光线信号方差特征、光线信号能量谱特征和光线信号功率谱特征。
在本申请的一些实施例中，当处理器710执行所述机器可读指令时，可以执行一个或者多个以下操作：
将所述光线信号特征向量序列中的每个光线信号特征向量依次作为当前检测时刻的当前时刻光线信号特征向量，获取前一检测时刻的前一时刻光线信号特征向量经过所述行驶速度预测模型中的隐藏层后输出的前一时刻中间特征向量；
将所述当前时刻光线信号特征向量和所述前一时刻中间特征向量，输入至训练好的行驶速度预测模型中，得到与所述当前时刻光线信号特征向量对应的当前时刻行驶速度；
基于获取的多个当前时刻行驶速度，确定所述车辆在所述待检测时间段内的平均行驶速度。
在本申请的一些实施例中，当处理器710执行所述机器可读指令时，可以执行一个或者多个以下操作：
获取所述车辆的行驶方向；
基于所述行驶方向和所述行驶速度，确定所述车辆的导航信息。
在本申请的一些实施例中，当处理器710执行所述机器可读指令时，可以执行一个或者多个以下操作：
获取在历史时间段内，车辆在隧道中行驶时接收的多组光线信号样本数据；
基于每组光线信号样本数据，确定在所述历史时间段内的每个历史检测时刻所述车辆的光线信号样本特征信息；
基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型。
在本申请的一些实施例中，当处理器710执行所述机器可读指令时，可以执行一个或者多个以下操作：
针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，其中，所述光线信号样本特征向量序列中包括与各个所述历史检测时刻分别对应的光线信号特征向量；
基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型。
在本申请的一些实施例中，当处理器710执行所述机器可读指令时，可以执行一个或者多个以下操作：
针对每组光线信号样本数据，根据每个历史检测时刻对应的光线信号样本特征信息，确定所述车辆在每个历史检测时刻时的光线信号样本特征下的样本特征值；
根据所述车辆在每个历史检测时刻时的多个光线信号样本特征下的样本特征值，构建所述车辆在每个历史检测时刻下的光线信号样本特征向量；
根据每个历史检测时刻下的光线信号样本特征向量，生成所述车辆在所述历史时间段内的光线信号特征向量序列。
在上述实施例中，所述光线信号样本特征包括以下特征中的至少一种：
光线信号样本变化量特征、光线信号样本方差特征、光线信号样本能量谱特征和光线信号样本功率谱特征。
在本申请的一些实施例中，当处理器710执行所述机器可读指令时，可以执行一个或者多个以下操作：
针对每个所述光线信号样本特征向量序列，将所述光线信号样本特征向量序列中的每个光线信号样本特征向量依次作为当前样本检测时刻的当前时刻光线信号样本特征向量，获取前一样本检测时刻的前一时刻光线信号样本特征向量经过行驶速度预测模型中的隐藏层后输出的前一时刻样本中间特征向量；
将所述当前时刻光线信号样本特征向量和所述前一时刻样本中间特征向量，输入至构建的行驶速度预测模型中，获取与所述当前时刻光线信号样本特征向量对应的当前时刻行驶速度；
基于多个当前时刻行驶速度和每个历史检测时刻时的实际行驶速度，训练所述行驶速度预测模型。
在本申请的一些实施例中，当处理器710执行所述机器可读指令时，可以执行一个或者多个以下操作：
基于每个当前时刻行驶速度以及与每个当前时刻行驶速度对应的实际行驶速度，调整所述行驶速度预测模型的模型参数，直至通过行驶速度预测模型输出的当前时刻行驶速度与对应的实际行驶速度之间的差值在预设范围内，确定所述行驶速度预测模型训练完毕。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的车速检测方法的步骤，具体实现方式可参见方法实施例，并且能达到相同的技术效果，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (26)
1.一种车速检测方法，其特征在于，所述车速检测方法包括：
获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；
基于所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；
基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
2.如权利要求1所述的车速检测方法，其特征在于，所述基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度，包括：
基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，其中，所述光线信号特征向量序列中包括与各个所述检测时刻分别对应的光线信号特征向量；
将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度。
3.如权利要求2所述的车速检测方法，其特征在于，所述基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，包括：
根据每个检测时刻对应的光线信号特征信息，确定在每个检测时刻，所述车辆在多个光线信号特征下的特征值；
根据所述车辆在多个光线信号特征下的特征值，构建在每个检测时刻的光线信号特征向量；
根据每个检测时刻的光线信号特征向量，生成所述光线信号特征向量序列。
4.如权利要求3所述的车速检测方法，其特征在于，所述光线信号特征包括以下特征中的至少一种：
光线信号变化量特征、光线信号方差特征、光线信号能量谱特征和光线信号功率谱特征。
5.如权利要求2所述的车速检测方法，其特征在于，所述将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度，包括：
将所述光线信号特征向量序列中的每个光线信号特征向量依次作为当前检测时刻的当前时刻光线信号特征向量，获取前一检测时刻的前一时刻光线信号特征向量经过所述行驶速度预测模型中的隐藏层后输出的前一时刻中间特征向量；
将所述当前时刻光线信号特征向量和所述前一时刻中间特征向量，输入至训练好的行驶速度预测模型中，得到与所述当前时刻光线信号特征向量对应的当前时刻行驶速度；
基于获取的多个当前时刻行驶速度，确定所述车辆在所述待检测时间段内的平均行驶速度。
6.如权利要求1所述的车速检测方法，其特征在于，在所述基于所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度之后，还包括：
获取所述车辆的行驶方向；
基于所述行驶方向和所述行驶速度，确定所述车辆的导航信息。
7.如权利要求1所述的车速检测方法，其特征在于，通过以下方式训练所述行驶速度预测模型：
获取在历史时间段内，车辆在隧道中行驶时接收的多组光线信号样本数据；
基于每组光线信号样本数据，确定在所述历史时间段内的每个历史检测时刻所述车辆的光线信号样本特征信息；
基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型。
8.如权利要求7所述的车速检测方法，其特征在于，所述基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型，包括：
针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，其中，所述光线信号样本特征向量序列中包括与各个所述历史检测时刻分别对应的光线信号特征向量；
基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型。
9.如权利要求8所述的车速检测方法，其特征在于，所述针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，包括：
针对每组光线信号样本数据，根据每个历史检测时刻对应的光线信号样本特征信息，确定所述车辆在每个历史检测时刻时的光线信号样本特征下的样本特征值；
根据所述车辆在每个历史检测时刻时的多个光线信号样本特征下的样本特征值，构建所述车辆在每个历史检测时刻下的光线信号样本特征向量；
根据每个历史检测时刻下的光线信号样本特征向量，生成所述车辆在所述历史时间段内的光线信号特征向量序列。
10.如权利要求9所述的车速检测方法，其特征在于，所述光线信号样本特征包括以下特征中的至少一种：
光线信号样本变化量特征、光线信号样本方差特征、光线信号样本能量谱特征和光线信号样本功率谱特征。
11.如权利要求8所述的车速检测方法，其特征在于，所述基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型，包括：
针对每个所述光线信号样本特征向量序列，将所述光线信号样本特征向量序列中的每个光线信号样本特征向量依次作为当前样本检测时刻的当前时刻光线信号样本特征向量，获取前一样本检测时刻的前一时刻光线信号样本特征向量经过行驶速度预测模型中的隐藏层后输出的前一时刻样本中间特征向量；
将所述当前时刻光线信号样本特征向量和所述前一时刻样本中间特征向量，输入至构建的行驶速度预测模型中，获取与所述当前时刻光线信号样本特征向量对应的当前时刻行驶速度；
基于多个当前时刻行驶速度和每个历史检测时刻时的实际行驶速度，训练所述行驶速度预测模型。
12.如权利要求11所述的车速检测方法，其特征在于，基于多个当前时刻行驶速度和每个历史检测时刻时的所述实际行驶速度，训练行驶速度预测模型，包括：
基于每个当前时刻行驶速度以及与每个当前时刻行驶速度对应的实际行驶速度，调整所述行驶速度预测模型的模型参数，直至通过行驶速度预测模型输出的当前时刻行驶速度与对应的实际行驶速度之间的差值在预设范围内，确定所述行驶速度预测模型训练完毕。
13.一种车速检测装置，其特征在于，所述车速检测装置包括：
第一获取模块，用于获取在待检测时间段内，车辆在隧道中行驶时接收的光线信号数据；
第一确定模块，用于基于所述第一获取模块获取的所述光线信号数据，确定在所述待检测时间段内的每个检测时刻所述车辆的光线信号特征信息；
第二确定模块，用于基于所述第一确定模块确定的所述车辆的光线信号特征信息以及训练好的行驶速度预测模型，确定所述车辆在所述隧道内的行驶速度。
14.如权利要求13所述的车速检测装置，其特征在于，所述第二确定模块具体用于：
基于在每个所述检测时刻所述车辆的光线信号特征信息，生成所述车辆的光线信号特征向量序列，其中，所述光线信号特征向量序列中包括与各个所述检测时刻分别对应的光线信号特征向量；
将所述光线信号特征向量序列输入训练好的行驶速度预测模型中，得到所述车辆在所述隧道内的行驶速度。
15.如权利要求14所述的车速检测装置，其特征在于，所述第二确定模块具体还用于：
根据每个检测时刻对应的光线信号特征信息，确定在每个检测时刻，所述车辆在多个光线信号特征下的特征值；
根据所述车辆在多个光线信号特征下的特征值，构建在每个检测时刻的光线信号特征向量；
根据每个检测时刻的光线信号特征向量，生成所述光线信号特征向量序列。
16.如权利要求15所述的车速检测装置，其特征在于，所述光线信号特征包括以下特征中的至少一种：
光线信号变化量特征、光线信号方差特征、光线信号能量谱特征和光线信号功率谱特征。
17.如权利要求14所述的车速检测装置，其特征在于，所述第二确定模块具体还用于：
将所述光线信号特征向量序列中的每个光线信号特征向量依次作为当前检测时刻的当前时刻光线信号特征向量，获取前一检测时刻的前一时刻光线信号特征向量经过所述行驶速度预测模型中的隐藏层后输出的前一时刻中间特征向量；
将所述当前时刻光线信号特征向量和所述前一时刻中间特征向量，输入至训练好的行驶速度预测模型中，得到与所述当前时刻光线信号特征向量对应的当前时刻行驶速度；
基于获取的多个当前时刻行驶速度，确定所述车辆在所述待检测时间段内的平均行驶速度。
18.如权利要求13所述的车速检测装置，其特征在于，所述车速检测装置还包括：
第二获取模块，用于获取所述车辆的行驶方向；
第三确定模块，用于基于所述第二获取模块获取的所述行驶方向和所述第二确定模块确定的所述行驶速度，确定所述车辆的导航信息。
19.如权利要求13所述的车速检测装置，其特征在于，所述车速检测装置还包括模型训练模块，用于通过以下方式训练所述行驶速度预测模型：
获取在历史时间段内，车辆在隧道中行驶时接收的多组光线信号样本数据；
基于每组光线信号样本数据，确定在所述历史时间段内的每个历史检测时刻所述车辆的光线信号样本特征信息；
基于多个所述光线信号样本特征信息以及每组光线信号样本数据对应的所述车辆的实际行驶速度，训练行驶速度预测模型。
20.如权利要求19所述的车速检测装置，其特征在于，所述模型训练模块具体用于：
针对每组光线信号样本数据，基于在每个所述历史检测时刻时所述车辆的光线信号样本特征信息，生成所述车辆的光线信号样本特征向量序列，其中，所述光线信号样本特征向量序列中包括与各个所述历史检测时刻分别对应的光线信号特征向量；
基于多个所述光线信号样本特征向量序列，以及每个所述光线信号样本特征向量序列对应的所述车辆的实际行驶速度，训练构建的行驶速度预测模型。
21.如权利要求20所述的车速检测装置，其特征在于，所述模型训练模块具体用于：
针对每组光线信号样本数据，根据每个历史检测时刻对应的光线信号样本特征信息，确定所述车辆在每个历史检测时刻时的光线信号样本特征下的样本特征值；
根据所述车辆在每个历史检测时刻时的多个光线信号样本特征下的样本特征值，构建所述车辆在每个历史检测时刻下的光线信号样本特征向量；
根据每个历史检测时刻下的光线信号样本特征向量，生成所述车辆在所述历史时间段内的光线信号特征向量序列。
22.如权利要求21所述的车速检测装置，其特征在于，所述光线信号样本特征包括以下特征中的至少一种：
光线信号样本变化量特征、光线信号样本方差特征、光线信号样本能量谱特征和光线信号样本功率谱特征。
23.如权利要求20所述的车速检测装置，其特征在于，所述模型训练模块具体还用于：
针对每个所述光线信号样本特征向量序列，将所述光线信号样本特征向量序列中的每个光线信号样本特征向量依次作为当前样本检测时刻的当前时刻光线信号样本特征向量，获取前一样本检测时刻的前一时刻光线信号样本特征向量经过行驶速度预测模型中的隐藏层后输出的前一时刻样本中间特征向量；
将所述当前时刻光线信号样本特征向量和所述前一时刻样本中间特征向量，输入至构建的行驶速度预测模型中，获取与所述当前时刻光线信号样本特征向量对应的当前时刻行驶速度；
基于多个当前时刻行驶速度和每个历史检测时刻时的实际行驶速度，训练所述行驶速度预测模型。
24.如权利要求23所述的车速检测装置，其特征在于，所述模型训练模块具体还用于：
基于每个当前时刻行驶速度以及与每个当前时刻行驶速度对应的实际行驶速度，调整所述行驶速度预测模型的模型参数，直至通过行驶速度预测模型输出的当前时刻行驶速度与对应的实际行驶速度之间的差值在预设范围内，确定所述行驶速度预测模型训练完毕。
25.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至12中任一所述的车速检测方法的步骤。
26.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至12中任一所述的车速检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010074362.0A CN111077335B (zh) | 2020-01-22 | 2020-01-22 | 一种车速检测方法、车速检测装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010074362.0A CN111077335B (zh) | 2020-01-22 | 2020-01-22 | 一种车速检测方法、车速检测装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111077335A true CN111077335A (zh) | 2020-04-28 |
| CN111077335B CN111077335B (zh) | 2021-03-02 |
Family
ID=70324074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010074362.0A Active CN111077335B (zh) | 2020-01-22 | 2020-01-22 | 一种车速检测方法、车速检测装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111077335B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100603017B1 (ko) * | 2004-06-30 | 2006-07-24 | 학교법인 포항공과대학교 | 선박용 프로펠러 유입유동의 전속도 측정시스템과 이를 이용한 측정방법 |
| CN101016053A (zh) * | 2007-01-25 | 2007-08-15 | 吉林大学 | 高等级公路上车辆防追尾碰撞预警方法和*** |
| CN101221046A (zh) * | 2008-01-22 | 2008-07-16 | 南京航空航天大学 | 光纤陀螺组件输出信号的误差处理方法 |
| CN101256238A (zh) * | 2008-03-28 | 2008-09-03 | 北京航空航天大学 | 对运动物体进行测速的装置和方法 |
| CN101629806A (zh) * | 2009-06-22 | 2010-01-20 | 哈尔滨工程大学 | 结合激光发射器的非线性ccd三维定位装置及定位方法 |
| CN102589770A (zh) * | 2011-01-11 | 2012-07-18 | 成功大学 | 马达转矩和转速的估测***与估测方法 |
| CN103810851A (zh) * | 2014-01-23 | 2014-05-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
| CN106199039A (zh) * | 2016-07-06 | 2016-12-07 | 深圳市高巨创新科技开发有限公司 | 一种无人机速度监测方法及*** |
| CN109872415A (zh) * | 2018-12-28 | 2019-06-11 | 北京理工大学 | 一种基于神经网络的车速估计方法及*** |
| CN110021174A (zh) * | 2019-04-02 | 2019-07-16 | 北京同方软件有限公司 | 一种基于视频图像的适用多场景的车流量计算方法 |
| JP2019121225A (ja) * | 2018-01-09 | 2019-07-22 | 株式会社デンソーアイティーラボラトリ | 画像認識システムおよびニューラルネットワークの学習方法 |
| CN110044378A (zh) * | 2019-04-17 | 2019-07-23 | 河海大学 | 一种用于水下深潜器的光纤捷联惯性导航高精度定位***及方法 |
| US20190258905A1 (en) * | 2018-02-19 | 2019-08-22 | David Benjamin Rankin | Method, apparatus, and computer program product for measuring and interpreting metrics of an athletic action and an object associated therewith |
| CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
-
2020
- 2020-01-22 CN CN202010074362.0A patent/CN111077335B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100603017B1 (ko) * | 2004-06-30 | 2006-07-24 | 학교법인 포항공과대학교 | 선박용 프로펠러 유입유동의 전속도 측정시스템과 이를 이용한 측정방법 |
| CN101016053A (zh) * | 2007-01-25 | 2007-08-15 | 吉林大学 | 高等级公路上车辆防追尾碰撞预警方法和*** |
| CN101221046A (zh) * | 2008-01-22 | 2008-07-16 | 南京航空航天大学 | 光纤陀螺组件输出信号的误差处理方法 |
| CN101256238A (zh) * | 2008-03-28 | 2008-09-03 | 北京航空航天大学 | 对运动物体进行测速的装置和方法 |
| CN101629806A (zh) * | 2009-06-22 | 2010-01-20 | 哈尔滨工程大学 | 结合激光发射器的非线性ccd三维定位装置及定位方法 |
| CN102589770A (zh) * | 2011-01-11 | 2012-07-18 | 成功大学 | 马达转矩和转速的估测***与估测方法 |
| CN103810851A (zh) * | 2014-01-23 | 2014-05-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
| CN106199039A (zh) * | 2016-07-06 | 2016-12-07 | 深圳市高巨创新科技开发有限公司 | 一种无人机速度监测方法及*** |
| JP2019121225A (ja) * | 2018-01-09 | 2019-07-22 | 株式会社デンソーアイティーラボラトリ | 画像認識システムおよびニューラルネットワークの学習方法 |
| US20190258905A1 (en) * | 2018-02-19 | 2019-08-22 | David Benjamin Rankin | Method, apparatus, and computer program product for measuring and interpreting metrics of an athletic action and an object associated therewith |
| CN109872415A (zh) * | 2018-12-28 | 2019-06-11 | 北京理工大学 | 一种基于神经网络的车速估计方法及*** |
| CN110021174A (zh) * | 2019-04-02 | 2019-07-16 | 北京同方软件有限公司 | 一种基于视频图像的适用多场景的车流量计算方法 |
| CN110044378A (zh) * | 2019-04-17 | 2019-07-23 | 河海大学 | 一种用于水下深潜器的光纤捷联惯性导航高精度定位***及方法 |
| CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 阎嘉琳 等: "基于LSTM的城市道路交通速度预测", 《地理信息世界》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111077335B (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109141464B (zh) | 导航变道提示方法和装置 | |
| US8180566B2 (en) | Apparatus and program for finding vehicle position | |
| CN103325268B (zh) | 交通信息创建装置和交通信息创建方法 | |
| KR102371984B1 (ko) | 도로 변경 지점 검출 방법 | |
| CN102967317B (zh) | 移动引导***、移动引导装置和移动引导方法 | |
| CN111401255B (zh) | 用于识别分歧路口的方法和装置 | |
| CN111832376A (zh) | 一种车辆逆行检测方法、装置、电子设备及存储介质 | |
| CN111435088A (zh) | 一种道路匹配方法、装置、电子设备及存储介质 | |
| JP2013015433A (ja) | ナビゲーションシステム、ナビゲーション方法、及びナビゲーションプログラム | |
| CN104422426B (zh) | 在高架道路区域内提供车辆导航信息的方法和设备 | |
| CN106918341A (zh) | 用于构建地图的方法和设备 | |
| JP2019519041A (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
| JP2018189457A (ja) | 情報処理装置 | |
| CN111862583B (zh) | 一种车流量预测方法及装置 | |
| KR20160063906A (ko) | 차량 상태 분석 방법, 이를 구현하는 차량 정보 수집 장치 및 스마트 디바이스 | |
| JP3885787B2 (ja) | 走行経路推定方法、走行経路推定システムにおけるセンター装置及びプログラム | |
| CN111077335B (zh) | 一种车速检测方法、车速检测装置及可读存储介质 | |
| WO2010101199A1 (ja) | 道路交通情報作成装置および道路交通情報作成方法 | |
| JP6732053B2 (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
| CN105547304A (zh) | 一种道路识别方法及装置 | |
| CN110231639A (zh) | 车辆定位方法、装置、设备和介质 | |
| CN112817301A (zh) | 一种多传感器数据的融合方法、装置及*** | |
| JP2011154494A (ja) | 交通情報収集システム及び車載機 | |
| CN102201166B (zh) | 浮动车数据预处理装置和方法 | |
| CN109270566A (zh) | 导航方法、导航效果测试方法、装置、设备和介质 |
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 |