CN111314857B - 一种基于过车视频数据的车辆实时出行轨迹获取方法 - Google Patents
一种基于过车视频数据的车辆实时出行轨迹获取方法 Download PDFInfo
- Publication number
- CN111314857B CN111314857B CN202010091310.4A CN202010091310A CN111314857B CN 111314857 B CN111314857 B CN 111314857B CN 202010091310 A CN202010091310 A CN 202010091310A CN 111314857 B CN111314857 B CN 111314857B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- information
- intersection
- real
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及智能交通控制技术领域,特别地,涉及一种基于过车视频数据的车辆实时出行轨迹获取方法。一定程度上可以解决由于缺乏GPS设备导致车辆无法获取出行轨迹,不能实现对车辆出行链的动态更新,计算出行链消耗***资源过大的问题。所述方法包括:根据城市的路网拓扑信息构建路网的最优邻接矩阵;对来自检测点位的过车视频数据进行解析得到车辆行驶信息,所述车辆行驶信息包括抓拍时刻、抓拍点位、车牌号码;基于所述最优邻接矩阵,对所述车辆行驶信息和所述车辆的历史出行链进行比对判定,构建所述车辆的实时出行轨迹。
Description
技术领域
本申请涉及智能交通控制技术领域,特别地,涉及一种基于过车视频数据的车辆实时出行轨迹获取方法。
背景技术
车辆的实时出行轨迹是随着电子警察及卡口设备在交通***中普及应用而衍生的一种大数据产品。车辆在经过城市路口设置的检测设备时,其过车数据可以被记录。过车数据蕴含着丰富的时空信息,通过分析过车数据可以挖掘用户出行模式、研究微观交通流消息业务的特点,有利于提高城市交通规划与管理的水平,降低城市道路的拥堵程度、提高交通***的运行效率。
在一些获取车辆出行轨迹的实现中,通过车辆配置的GPS***采集车辆轨迹,然后采用谱聚类方法从卡口数据的时空特性角度实现车辆出行链的自动拆分,从而识别出车辆单次出行轨迹的起点、途经点位、终点。首先,读取全天路口检测设备的过车数据,生成车辆在一天内的完整出行链;然后,采用高斯核函数RBF建立相似矩阵,计算邻接矩阵和度矩阵,通过构建拉普拉斯矩阵,进一步确定特征矩阵;最后,采用DBSCASN聚类分析方法得到簇划分结果,从而得到车辆单次出行轨迹的起点、终点及途径点位。
但是,如果车辆没有配置GPS设备,则无法获取车辆的出行链信息;并且上述方法需要在采集全天数据完成之后,再对车辆的出行链进行拆分,不能即时的生成车辆的出行链,不能动态的对车辆出行链进行更新。
发明内容
本申请提供了一种基于过车视频数据的车辆实时出行轨迹获取方法,通过构建城市路网的最优邻接矩阵,分析处理过车视频数据,对车辆行驶信息和历史出行链进行比对判定,一定程度上可以解决由于缺乏GPS设备导致车辆无法获取出行轨迹,不能实现对车辆出行链的动态更新,计算出行链消耗***资源过大的问题。
本申请的实施例是这样实现的:
本申请实施例提供了一种基于过车视频数据的车辆实时出行轨迹获取方法,包括:
根据城市的路网拓扑信息构建路网的最优邻接矩阵;
对来自检测点位的过车视频数据进行解析得到车辆行驶信息,所述车辆行驶信息包括抓拍时刻、抓拍点位、车牌号码;
基于所述最优邻接矩阵,对所述车辆行驶信息和所述车辆的历史出行链进行比对判定,构建所述车辆的实时出行轨迹。
本申请的有益效果在于:通过构建城市路网的最优邻接矩阵,可以实现车辆在不同检测点位之间缺失路径的快速补全;进一步通过车辆视频数据的解析,一定程度上可以实现不依赖GPS设备获取车辆的出行轨迹;进一步通过对车辆行驶信息和历史出行链的比对判定,可以实现车辆出行链的动态更新,构建车辆的实时出行轨迹,可以降低计算车辆出行链所消耗的***资源。
附图说明
具体为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请的一些实施例所示的一种基于过车视频数据的车辆实时出行轨迹获取***100的示意图;
图2示出了本申请实施例一种示例性计算设备200的示意图;
图3示出了本申请实施例一种基于过车视频数据的车辆实时出行轨迹获取方法流程示意图;
图4示出了本申请实施例一种基于过车视频数据的车辆实时出行轨迹获取方法中路网的最优邻接矩阵获取流程示意图;
图5示出了本申请实施例城市道路叉口示意图;
图6示出了本申请实施例一种基于过车视频数据的车辆实时出行轨迹获取方法中路径补全处理的流程示意图。
具体实施方式
现在将描述某些示例性实施方案,以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解,在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案,并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。
本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等,意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此,本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外,在一个或多个实施例中,具体特征、结构或特性可以任何合适的方式进行组合。因此,在无限制的情形下,结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。
图1是根据本申请的一些实施例所示的一种基于过车视频数据的车辆实时出行轨迹获取***100的示意图。基于过车视频数据的车辆实时出行轨迹获取***100是一个可以自动对车辆实时出行轨迹进行获取的平台。基于过车视频数据的车辆实时出行轨迹获取***100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个车辆信息采集装置150-1、150-2......150-N。服务器110可以包括一个处理引擎112。
在一些实施例中,服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如,服务器110可以是一个分布式的***)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中,服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中,服务器110可以在与本申请图2所示的计算设备上实现,包括计算设备200中的一个或多个部件。
在一些实施例中,服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如,处理引擎112可以基于获取车辆信息采集装置150传送的过车视频数据,并通过网络130发送至存储设备120,用于更新存储在其中的数据。在一些实施例中,处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器,例如中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。
存储设备120可以存储数据和/或指令。在一些实施例中,存储设备120可以存储从车辆信息采集装置150获得的过车视频数据。在一些实施例中,存储设备120可以存储供服务器110执行或使用的数据和/或指令,服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(ROM)等或上述举例的任意组合。在一些实施例中,存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。
在一些实施例中,存储设备120可以与网络130连接以实现与基于过车视频数据的车辆实时出行轨迹获取***100中的一个或多个部件之间的通信。基于过车视频数据的车辆实时出行轨迹获取***100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中,存储设备120可以直接与基于过车视频数据的车辆实时出行轨迹获取***100的一个或多个部件连接或通信。在一些实施例中,存储设备120可以是服务器110的一部分。
网络130可以促进信息和/或数据的交换。在一些实施例中,基于过车视频数据的车辆实时出行轨迹获取***100中的一个或多个部件可以通过网络130向基于过车视频数据的车辆实时出行轨迹获取***100中的其他部件发送信息和/或数据。例如,服务器110可以通过网络130从车辆信息采集装置150获取/得到过车视频数据。在一些实施例中,网络130可以是有线网络或无线网络中的任意一种,或其组合。在一些实施例中,网络130可以包括一个或多个网络接入点。例如,网络130可能包括有线或无线网络接入点,如基站和/或互联网交换点130-1、130-2等等。通过接入点,基于过车视频数据的车辆实时出行轨迹获取***100的一个或多个部件可能连接到网络130以交换数据和/或信息。
车辆信息采集装置150可以包括电子警察,视频检测器等。在一些实施例中,车辆信息采集装置150可以将采集到的过车视频数据发送到基于过车视频数据的车辆实时出行轨迹获取***100中的一个或多个设备中。例如,车辆信息采集装置150可以将过车视频数据发送至服务器110进行处理,或存储设备120中进行存储。
图2是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。服务器110、存储设备120和交通信息采集装置150可以在计算设备200上实现。例如,处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。
计算设备200可以包括用来实现本申请所描述的***的任意部件。例如,处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机,但是本申请所描述的与基于过车视频数据的车辆实时出行轨迹获取***100相关的计算功能可以以分布的方式、由一组相似的平台所实施,以分散***的处理负荷。
计算设备200可以包括与网络连接的通信端口250,用于实现数据通信。计算设备200可以包括一个处理器220,可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括,例如,硬盘270、和只读存储器(ROM)230或随机存储器(RAM)240,用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260,用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。
为理解方便,图2中仅示例性绘制了一个处理器。然而,需要注意的是,本申请中的计算设备200可以包括多个处理器,因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如,如果在本申请中,计算设备200的处理器执行步骤1和步骤2,应当理解的是,步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。
本申请所述的车辆可以包括出租车、私家车、便车、公共汽车、无人驾驶车辆等,或其任何组合。本申请的***或方法应用可以包括网页、浏览器的插件、客户终端、定制***、内部分析***、人工智能机器人等,或其任何组合。
图3示出了本申请实施例一种基于过车视频数据的车辆实时出行轨迹获取方法流程示意图。
在步骤301中,根据城市的路网拓扑信息构建路网的最优邻接矩阵。
获取车辆的实时出行轨迹需要完善的城市路网拓扑结构、路口检测点位等信息,并最终将车辆的轨迹信息在地图上展示出来。
在实际的交通场景中,交通数据的变化主要取决于城市道路网的拓扑结构,因此可以充分利用道路网的拓扑信息。例如,城市道路中的交叉口,也称为道路交叉口,基于所述交叉口的城市路网拓扑信息可以构建路网的最优邻接矩阵,然后通过在最优邻接矩阵中使用计算机算法获取不同检测点位之间的最短路径及其距离。
交叉口是指城市路网中两条或两条以上道路的相交处,是各种车辆汇集、转向和疏散的枢纽。交叉口又分为平面交叉口、环形交叉口和立体交叉口。
平面交叉口是道路在同一个平面上相交形成的交叉口,通常有T形、Y形、十字形、X形、错位、环形等形式。在没有交通管制的平面交叉口位置,车辆通过时因行驶方向不同而相互交叉形成冲突点。车辆通过三岔路口时会存在3个冲突点,通过四岔路口时会存在16个冲突点,通过五岔路口时会存在50个冲突点,而每一个冲突点实际上就是一个潜在的交通事故点。
环形交叉口是在路口中间设置一个面积较大的环岛,车辆交织进入环道,并绕环岛单向行驶。通过车辆以交织运行的方式消除冲突点,还可以通过环岛绿化来美化街景。交叉口为四岔口以上的路口适宜采用环形交叉口,且需要其地形开阔平坦,相交道路交通量均匀,左转弯交通量大,路口机动车辆总交通量每小时不大于3000辆。环形交叉口的缺点是占地面积大、车辆须绕行、交通流量增大时易阻塞、行人交通不便。通常认为缩小环岛尺寸可以提高通行能力,因此在一些城市中开始将环岛直径缩小至环交外缘的内切圆直径的三分之一左右,同时设置偏向出口的导向岛,以增宽进口车道,并规定出环岛车辆具有优先权等规则,从而形成一种新型的环形交叉口-微型环岛交叉口。
立体交叉口是道路不在同一个平面上相交形成的立体交叉口。它将互相冲突的车流分别安排在不同高程的道路上,既保证了交通的通畅,也保障了交通安全。立体交叉口主要由立交桥、引道和坡道三部分组成。立交桥是跨越道路的跨路桥或下穿道路的地道桥。引道是道路与立交桥相接的桥头路。坡道是道路与立交桥下路面连接的路段。立体交叉口好包括连接上、下两条相交道路的匝道。
本申请所述基于过车视频数据的车辆实时出行轨迹获取就是将车辆在城市路网的诸多交叉口之间的轨迹信息进行实时的提取,并将其显示在地图上,从而可以得到丰富的交通运行状况信息,为交通管理者提供有效的数据支撑,缓解城市交通拥堵问题。下面就城市路网的最优邻接矩阵的获取进行详细的阐述。
图4示出了本申请实施例一种基于过车视频数据的车辆实时出行轨迹获取方法中路网的最优邻接矩阵获取流程示意图。
在步骤401中,基于城市的路网拓扑信息构建能够反映路网结构的原始邻接矩阵。
在一些实施例中,基于城市路网拓扑信息中的交叉口、路段临界信息可以构建能够反映路网结构的原始邻接矩阵L。
例如,基于城市路网中海量的相邻交叉口之间的相互连接关系,可以用矩阵的方式对路网的原始拓扑信息进行提取,从而得到路网原始邻接矩阵L,通过邻接矩阵以便于实时车辆出行链的构建。
在一些实施例中,原始邻接矩阵存储结构中包括多个顶点,每个顶点用一维数组存储边信息,然后将所有顶点的信息组合起来,可以表示矩阵图中各个顶点之间的邻接关系,所述原始邻接矩阵在一些实施例中具体用二维数组来表示。
在一些实施例中,路网拓扑结构包括交叉口信息和路段临界信息。
交叉口信息包括交叉口点位信息,交叉口转向及渠化信息。
交叉口点位信息包括路口编号、经纬度。通过对路网中的所有交叉口进行编号,可以在构建原始邻接矩阵中对交叉口进行快速引用。所述交叉口的经纬度信息对于交叉口是唯一存在的,其数据来源于开放地图的提供,还可以通过设置在城市不同交叉口的信息采集装置进行获取。例如,本申请实施例的车辆信息采集装置,所述车辆信息采集装置不仅可以采集所在路口的过车数据,还可以通过其内置的GPS装置采集所在路口的经纬度信息。
交叉口转向及渠化信息包括交叉口进口车道信息、通行方向信息、转向信息、转向下游路口信息。
例如,路网中每个交叉口的进口道的数量、通行方向、转向信息、以及进口道的下游交叉口信息。在一些实施例中,交叉口按照一定的规则进行编号,便于构建行车轨迹时进行快速的引用。转向及渠化信息是指在交叉口设置导流岛、路面标线(如双黄线)、指示符号(如车辆待转向停止线)、隔离栅栏(或隔离绿化带)等信息,以分隔、控制可能冲突的车流使之进入一定的预设路线,如图5所示。
交叉口的渠化是在交叉口的行车道上设置各种交通岛将部分交叉口封闭起来,并用标线将禁行区进行分隔,尽可能分散车流相交的冲突点,实现通过交叉口转向及渠化设计减少车流冲突以控制交通流量,调整冲突角度,提高交叉口车辆通过效率。
如果交叉口的行车道没有控制方向的设施和标线,就会破坏车辆通道的明确性,降低行车安全。因此,为使驾驶员在交叉口能够按照正确路线行车,减少随意性,采用交叉口转向及渠化的方法是必要的。
通常来说交叉口转向及渠化设计有以下原则:渠化的行驶路线应简单明了,过于复杂的设计容易使车辆误行,反而降低其使用效果;避免交通流量的分流、合流集中于一点;导流车道的宽度应适当,过宽会引起车辆并行,容易发生碰撞事故;驾驶者驶近导流设施前应能醒目地觉察到导流设施的存在。
路段临界信息具体可以包括:路段方向、路段长度、路段车道数、路段经纬度、路段等级、路段限速、路段上游路口、路段下游路口。所述路段方向与交叉口点位信息中的进口道方向信息一致,反映了交叉口渠化的车流方向;所述路段长度信息体现了相邻交叉口之间路径的长度,可以作为交叉口之间计算最短距离的数据基础;路段车道数与所述交叉口点位信息中的进口道信息一致;路段经纬度包括路段所在的起始交叉口经纬度和终点交叉口经纬度;路段等级信息通畅被配置为快速路、主干路、次干路、支路四级。路段上游路口和路段下游路口是所在路段在不同车流方向时最为邻近的交叉口点位信息。
在步骤402中,基于所述原始邻接矩阵通过使用Floyd算法构建路网的最优邻接矩阵,所述最优邻接矩阵用于获取道路交叉口之间的最短路径。
在一些实施例中,可以利用Floyd算法构建最优邻接矩阵M,通过在最优邻接矩阵中查找、计算不同检测点位之间的最短路径,即利用最优邻接矩阵中相邻路网的交叉口为最短路径来计算不同检测点位之间的最短路径。。
Floyd(Floyd-Warshall:弗洛伊德)算法又称为插点法,利用动态规划寻找给定的加权图中多源点之间最短路径。Floyd算法是一种在具有正或负边缘权重的加权图中找到最短路径的算法,算法的单个执行将找到所有顶点对之间的最短路径的长度,虽然它不返回路径本身的细节,但是可以通过对算法的简单修改来重建路径。
其路径寻找过程描述如下:从任意一条单边路径开始,所有两点之间的距离是边的权,如果两点之间没有边相连,则权为无穷大;对于每一对顶点u和v,检索是否存在一个顶点w,使得从u到w再到v比已知的路径更短,如果有更短的路径,则对最短路径进行更新。例如,从任意节点i到任意节点j的最短路径包括两种可能,其中一种场景是直接从节点i到节点j;另外一种场景是从节点i经过若干个节点k最终达到节点j。算法假设Dis(i,j)为节点i到节点j的最短路径的距离,对于每一个节点k,所述算法检查Dis(i,k)+Dis(k,j)<Dis(i,j)是否成立,如果成立,则证明从节点i到节点k再到节点j的路径比节点i直接到节点j的路径短,更新Dis(i,j)=Dis(i,k)+Dis(k,j),当所述算法遍历计算完所有节点k时,最终Dis(i,j)中记录的便是从节点i到节点j的最短路径。
继续参考图3,在步骤302中,对来自检测点位的过车视频数据进行解析得到车辆行驶信息,所述车辆行驶信息包括抓拍时刻、抓拍点位、车牌号码。
在一些实施例中,所述检测点位,即每个交叉口设置有车辆信息采集装置。车辆信息采集装置用于获得通过交叉口的车辆行驶信息,所述车辆包括通过交叉口各个方向的小型私家车,摩托车,或大型客车等。
例如,在城市路网的每个交叉口的入口道设置有电子警察检测器(简称为电警),可以实现逢车必拍功能。因此,本申请将基于实时接收的电警过车数据来动态更新车辆的出行轨迹。
车辆行驶信息还包括抓拍时刻、抓拍点位、车牌号码,在一些实施例中,所述车辆行驶信息还包括车辆行驶方向、所在车道信息、车辆类型等信息。
车牌号码是车辆的唯一标识,根据所述车牌号码可以在诸多的历史出行链中检索特定车辆的历史出行链,从而判定车辆是否有过出行记录,以及根据搜索得到的历史出行链的最后记录信息研究其行程特点。
抓拍点位与地图信息中的交叉口点位对应,根据车辆的抓拍点位信息可以比较车辆在抓拍时刻的位置与其历史出行链最后记录点位的关系,得到是否在同一交叉口、是否位于相邻交叉口。
抓拍时刻是车辆经过检测点位,即某个交叉口的时刻记录。通过比对车辆的抓拍时刻与其历史出行链的最后记录时刻,可以对车辆是否属于新的行程进行判定,也可以作为更新其历史出行链的依据。
车辆行驶方向以及所在车道信息,可以用于计算车辆途径的下一交叉口、或上衣交叉口;在最优邻接矩阵中可以根据所述车辆行驶方向和所在车道信息,计算车辆在不同检测点位之间的最短路径,所述最短路径可以补全车辆的缺失路径。
在步骤303中,基于所述最优邻接矩阵,对所述车辆行驶信息和所述车辆的历史出行链进行比对判定,构建车辆的实时出行轨迹。
基于所述车辆行驶信息,可以得到车辆当前的时空信息,所述时空信息可以与所述车辆的历史出行链最后记录的时空信息进行比对判定,以确定其当前行程和历史行程之间的关系。下面将对车辆的历史出行链更新、新建出行链分别进行阐述。
在一些实施例中,当车辆的抓拍点位与其历史出行链的最后记录点位相同时,即可以认为车辆当前所在的交叉口与其历史出行链中最后记录点位的交叉口相同。在这种情况下,车辆行驶信息和所述车辆的历史出行链进行比对判定,需要对其抓拍时刻间隔进行研究,做出如下的判定:
若车辆当前的抓拍时刻与其历史出行链的最后记录时刻的差值大于第一阈值,则为所述车辆新增一条出行链;否则,更新其历史出行链。
所述第一阈值可以根据实际情况进行设定,本申请不做具体的限定,在本实施例中,所述第一阈值设定为10分钟。车辆当前所在的交叉口与其历史出行链的最后记录点位相同,且其抓拍时刻的间隔时间小于10分钟,认为所述车辆当前行程与其历史行程是同一个行程,则对所述车辆的历史出行链进行更新,将车辆当前的抓拍点位、抓拍时刻更新至所述历史出行链;若车辆当前所在的交叉口与其历史出行链的最后记录点位相同,但其抓拍时刻的间隔时间大于10分钟,认为所述车辆当前行程与其历史行程不是同一个行程,则为所述车辆新增一条出行链。
在一些实施例中,当车辆当前的抓拍点位与其历史出行链的最后记录点位相邻,即可以认为车辆当前所在交叉口与其历史出行链的最后记录点位、交叉口的位置在所述最优邻接矩阵上也是处于相邻的两个路口。在这种情况下,对所述车辆行驶信息和车辆的历史出行链进行比对判定,需要对其抓拍时刻的间隔时间进行研究,做出如下的判定:
若车辆当前的抓拍时刻与其历史出行链的最后记录时刻的差值大于第二阈值,则为所述车辆新增一条出行链;否则,更新其历史出行链。
所述第二阈值为车辆以道路最小限速通过相邻抓拍点位之间所需的时间。即当车辆的当前所在交叉口与其历史出行链的最后记录点位、交叉口位置在所述最优邻接矩阵中处于相邻位置,则需要考虑其抓拍时刻的时间间隔,如果其时间间隔大于通过所述相邻交叉口的最大通过时间,认为车辆处于一个新的行程,则为其新增一条出行链;如果所述间隔时间小于通过所述相邻交叉口的最大通过时间,认为车辆还处于上一个行程中,则对其历史出行链进行更新。
在一些实施例中,当车辆当前所在的抓拍点位与其历史出行链的最后记录点位不相邻且不相同,即可以认为车辆的当前所在交叉口与其历史出行链的最后记录点位、交叉口在所述最优邻接矩阵中没有直接的联系。在这种情况下,对车辆行驶信息和所述车辆的历史出行链进行比对判定,需要对其抓拍时刻的间隔时间进行研究,做出如下的判定:
若车辆当前的抓拍时刻与其历史出行链的最后记录时刻的差值大于第三阈值,则为所述车辆新增一条出行链;否则,对其历史出行链进行路径补全处理得到更新后的历史出行链。
所述第三阈值可以根据实际情况进行设定,本申请不做具体的限定,在本实施例中,所述第三阈值设定为60分钟。即车辆当前所在交叉口与其历史出行链的最后记录点位、交叉口即不相邻且不相同,则需要考虑其抓拍时刻的时间间隔,如果其时间间隔大于预设的第三阈值,认为车辆处于一个新的行程,则为其新增一条出行链;如果所述时间间隔小于预设的第三阈值,认为所述车辆还处于上一个行程中,则对其历史出行链进行更新。
但是,由于车辆当前所在交叉口与历史出行链的最后记录点位没有直接的必然联系,因此需要对其进行补全处理,以获得完整的出行轨迹。
图6示出了本申请实施例一种基于过车视频数据的车辆实时出行轨迹获取方法中路径补全处理的流程示意图。
在步骤601中,根据所述抓拍点位及车辆行驶方向补全得到所在路口的上一个相邻第一交叉口。
车辆当前抓拍时刻与其历史出行链的最后记录时刻的差值小于预设的第三阈值,则认为所述车辆在处于上一个行程。其具体的路径由于电警抓拍失误、或途径的某些交叉口没有设置车辆信息采集装置,从而导致最近的2个抓拍点位之间缺乏完整的路径信息。
针对这种情况,根据车辆当前的抓拍时刻所在的交叉口以及所述车辆当前的行驶方向和所在车道信息,在最优邻接矩阵中可以计算其途径的上一个交叉口,称为第一交叉口。所述第一交叉口也可以认为是车辆途径的倒数第二个检测点位,其位置相对是准确的。
在步骤602中,根据所述历史出行链的最后记录点位、最后记录车辆行驶方向补全得到所述最后记录点位的下一个相邻第二交叉口。
得到车辆在当前抓拍点位的上一个途径交叉口后,继续对所述车辆的缺失路径途径进行补全。根据所述车辆历史出行链的最后记录点位、车辆行驶方向、所在车道信息,在最优邻接矩阵中可以计算确定所述最后记录点位的下一个交叉口,称为第二交叉口。所述第二交叉口相对来说其位置也是准确的。
在步骤603中,通过查询所述最优邻接矩阵得到所述第一交叉口和所述第二交叉口之间的最短路径。
得到所述第一交叉口、第二交叉口,如果所述车辆的缺失路径依然不完整,则需要继续对所述第一交叉口与第二交叉口之间的缺失路径进行补全。
在最优邻接矩阵中利用寻路算法对所述上述两个交叉口之间的路径进行计算补全处理。最优邻接矩阵是基于Floyd算法来构建的。其算法是寻找两检测点位之间的最短路径。在寻找两个检测点位之间最短路径时通常有两种情况,一种是直接从点i到点j;另外一种是从点i经过若干个节点k,k∈K,然后再到点j,其中K为所有中间节点的集合。
假设D(i,j)为点i到点j的最短路径的距离,对于每一个节点k,设置如下关系式:
D(i,k)+D(k,j)<D(i,j)
对于每一个节点k验证上述关系式是否成立;如果成立,则证明从i到k再到j的路径比i直接到j的路径距离更短,则修正关系式为:
D(i,j)=D(i,k)+D(k,j)
可以发现,在最优邻接矩阵中遍历完所有节点k,D(i,j)中记录的数值已经更新为i到j的最短路径的距离,这样就可以将所述第一交叉口、第二交叉口之间的缺失路径完成补全。
在一些实施例中,车辆的车牌号码信息在数据库中的历史出行链中不存在,即可以认为所述车辆在一定时间段内是首次出行,这种情况下为所述车辆新增一条出行链。
在一些实施例中,成功构建车辆的实时出行轨迹后,还可以根据一定的频率,如果所述车辆的历史出行链在预设的第四阈值时间内没有继续更新,则将其历史出行链存储至数据库。
以设定的频率来监测每一车辆的出行轨迹,在设定的第四阈值时间内,若某一车牌的过车轨迹没有更新,则将所述车辆的历史出行链存入数据库。通常来说,所述第四阈值可以根据实际情况来设置,本申请不做具体的限制。存入数据库中的过车轨迹数据可以为计算交通状态评价指标提依据,还可以为提高城市交通管控提供高效的决策信息支持。
本申请的有益效果在于,通过构建城市路网的最优邻接矩阵,可以实现车辆在不同检测点位之间缺失路径的快速补全;进一步通过车辆视频数据的解析,一定程度上可以实现不依赖GPS设备获取车辆的出行轨迹;进一步通过对车辆行驶信息和历史出行链的比对判定,可以实现车辆出行链的动态更新,构建车辆的实时出行轨迹,可以降低计算车辆出行链所消耗的***资源。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″***″。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
Claims (10)
1.一种基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,包括:
根据城市的路网拓扑信息构建路网的最优邻接矩阵;
对来自检测点位的过车视频数据进行解析得到车辆行驶信息,所述车辆行驶信息包括抓拍时刻、抓拍点位、车牌号码;
基于所述最优邻接矩阵,对所述车辆行驶信息和所述车辆的历史出行链进行比对判定,构建所述车辆的实时出行轨迹;
所述比对判定具体包括:所述抓拍点位与所述历史出行链的最后记录点位相同,若所述抓拍时刻与所述历史出行链的最后记录时刻的差值大于第一阈值,则为所述车辆新增一条出行链;否则,更新所述历史出行链。
2.如权利要求1所述基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,对所述车辆行驶信息和所述车辆的历史出行链进行比对判定,具体包括:
所述抓拍点位与所述历史出行链的最后记录点位相邻,若所述抓拍时刻与所述历史出行链的最后记录时刻的差值大于第二阈值,则为所述车辆新增一条出行链;否则,更新所述历史出行链。
3.如权利要求2所述基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,所述第二阈值设置为所述车辆以道路最小限速通过相邻抓拍点位之间所需的时间。
4.如权利要求1所述基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,对所述车辆行驶信息和所述车辆的历史出行链进行比对判定,具体包括:
所述抓拍点位与所述历史出行链的最后记录点位不相邻且不相同,若所述抓拍时刻与所述历史出行链的最后记录时刻的差值大于第三阈值,则为所述车辆新增一条出行链;否则,对所述历史出行链进行路径补全处理得到更新后的历史出行链。
5.如权利要求4所述基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,对所述历史出行链进行路径补全处理,具体包括:
根据抓拍点位及车辆行驶方向,补全得到车辆所在交叉口的上一个途径相邻交叉口,即第一交叉口;
根据历史出行链的最后记录点位、最后记录车辆行驶方向、最后记录所在车道信息,补全得到车辆在最后记录点位的下一个途径相邻交叉口,即第二交叉口;
通过查询所述最优邻接矩阵得到所述第一交叉口和所述第二交叉口之间的最短路径。
6.如权利要求1所述基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,对所述车辆行驶信息和所述车辆的历史出行链进行比对判定,具体包括:
若所述历史出行链不包括所述车牌号码,则为所述车辆新增一条出行链。
7.如权利要求1所述基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,所述根据城市的路网拓扑信息构建路网的最优邻接矩阵,包括:
基于城市的路网拓扑信息构建能够反映路网结构的原始邻接矩阵;
基于所述原始邻接矩阵通过使用Floyd算法构建路网的最优邻接矩阵,所述最优邻接矩阵用于获取交叉口之间的最短路径。
8.如权利要求7所述基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,所述路网拓扑信息,包括:交叉口点位信息、交叉口转向及渠化信息、路段临界信息。
9.如权利要求1所述基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,所述车辆行驶信息还包括:车辆行驶方向、所在车道信息、车辆类型。
10.如权利要求1所述基于过车视频数据的车辆实时出行轨迹获取方法,其特征在于,在构建车辆的实时出行轨迹后,包括步骤:
以一定的频率、在第四阈值时间内,将没有继续更新的历史出行链存储至数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010091310.4A CN111314857B (zh) | 2020-02-13 | 2020-02-13 | 一种基于过车视频数据的车辆实时出行轨迹获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010091310.4A CN111314857B (zh) | 2020-02-13 | 2020-02-13 | 一种基于过车视频数据的车辆实时出行轨迹获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111314857A CN111314857A (zh) | 2020-06-19 |
CN111314857B true CN111314857B (zh) | 2022-02-08 |
Family
ID=71159916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010091310.4A Active CN111314857B (zh) | 2020-02-13 | 2020-02-13 | 一种基于过车视频数据的车辆实时出行轨迹获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111314857B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112309118B (zh) * | 2020-11-03 | 2021-11-09 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
CN113140114B (zh) * | 2021-03-09 | 2022-07-29 | 中山大学 | 一种基于行程时间估计的车辆出行路径重构方法 |
CN113255088B (zh) * | 2021-05-21 | 2023-03-28 | 上海天壤智能科技有限公司 | 一种卡口过车记录的数据补全方法及*** |
CN117423237B (zh) * | 2023-12-18 | 2024-04-05 | 湖南力唯中天科技发展有限公司 | 一种多路特勤路线冲突的检测及预案生成方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225494A (zh) * | 2015-11-03 | 2016-01-06 | 中兴软创科技股份有限公司 | 基于电子警察数据的车辆轨迹跟踪方法与装置 |
CN105225476A (zh) * | 2014-06-10 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车辆轨迹的生成、聚合方法和装置 |
CN107195180A (zh) * | 2017-06-08 | 2017-09-22 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的交通出行轨迹提取方法和装置 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN109448370A (zh) * | 2018-10-29 | 2019-03-08 | 东南大学 | 一种基于车辆轨迹数据的交通控制子区划分方法 |
CN109949351A (zh) * | 2019-03-19 | 2019-06-28 | 郑州信大先进技术研究院 | 基于视频结构化监控的目标车辆行驶轨迹提取装置及方法 |
US10462610B1 (en) * | 2018-11-07 | 2019-10-29 | Uber Technologies, Inc. | Low latency client location estimation with dynamic integration of server output |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528894B (zh) * | 2015-11-28 | 2018-03-06 | 浙江宇视科技有限公司 | 基于轨迹信息对监控前端设备进行运维检测的方法与装置 |
CN109190056B (zh) * | 2018-08-22 | 2020-07-24 | 深圳先进技术研究院 | 一种车辆轨迹重建方法、***及电子设备 |
CN110634289B (zh) * | 2019-09-04 | 2021-01-01 | 南京洛普股份有限公司 | 一种基于电警数据的城市道路交通最优路径在线规划方法 |
-
2020
- 2020-02-13 CN CN202010091310.4A patent/CN111314857B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225476A (zh) * | 2014-06-10 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车辆轨迹的生成、聚合方法和装置 |
CN105225494A (zh) * | 2015-11-03 | 2016-01-06 | 中兴软创科技股份有限公司 | 基于电子警察数据的车辆轨迹跟踪方法与装置 |
CN107195180A (zh) * | 2017-06-08 | 2017-09-22 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的交通出行轨迹提取方法和装置 |
CN109034448A (zh) * | 2018-06-14 | 2018-12-18 | 重庆邮电大学 | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN109448370A (zh) * | 2018-10-29 | 2019-03-08 | 东南大学 | 一种基于车辆轨迹数据的交通控制子区划分方法 |
US10462610B1 (en) * | 2018-11-07 | 2019-10-29 | Uber Technologies, Inc. | Low latency client location estimation with dynamic integration of server output |
CN109949351A (zh) * | 2019-03-19 | 2019-06-28 | 郑州信大先进技术研究院 | 基于视频结构化监控的目标车辆行驶轨迹提取装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111314857A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111314857B (zh) | 一种基于过车视频数据的车辆实时出行轨迹获取方法 | |
US10916127B2 (en) | Intelligent telematics system for defining vehicle ways | |
CN108428338B (zh) | 交通路况分析方法、装置以及电子设备 | |
CN100580735C (zh) | 基于探测车技术的实时动态交通信息处理方法 | |
US11699100B2 (en) | System for determining traffic metrics of a road network | |
CN110749329B (zh) | 一种基于结构化道路的车道级拓扑构建方法及装置 | |
CN111063208A (zh) | 一种基于车联网的车道级交通诱导方法及*** | |
CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其*** | |
US20200320866A1 (en) | Method for defining road networks | |
CN113779430B (zh) | 路网数据生成方法、装置、计算设备和存储介质 | |
CN107490384A (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN108332761B (zh) | 一种使用及创建路网地图信息的方法与设备 | |
CN112033420A (zh) | 一种车道地图构建方法和装置 | |
CN109523781B (zh) | 一种基于卫星定位的路口预测方法 | |
Boubakri et al. | High definition map update for autonomous and connected vehicles: A survey | |
US20230137263A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations | |
CN113724497A (zh) | 一种目标道路实时交通流量预测方法和装置 | |
CN111325979B (zh) | 一种划分交通控制多级子区的方法及装置 | |
CN116295336A (zh) | 一种地图分层结构的构建方法、装置、设备及存储介质 | |
CN115525943A (zh) | 基于车线拓扑关系构建三维道路模型的方法及*** | |
CN114116854A (zh) | 轨迹数据处理方法、装置、设备和存储介质 | |
CN111337043A (zh) | 一种路径的规划方法、装置、存储介质和电子设备 | |
JP7154006B2 (ja) | 車両制御装置及び車両制御システム | |
US20230132499A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations | |
CN117268412A (zh) | 路径规划方法、装置、设备、存储介质及车辆 |
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 |