CN111462488B - 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 - Google Patents

一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 Download PDF

Info

Publication number
CN111462488B
CN111462488B CN202010248715.4A CN202010248715A CN111462488B CN 111462488 B CN111462488 B CN 111462488B CN 202010248715 A CN202010248715 A CN 202010248715A CN 111462488 B CN111462488 B CN 111462488B
Authority
CN
China
Prior art keywords
track
intersection
vehicle
data
time
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
Application number
CN202010248715.4A
Other languages
English (en)
Other versions
CN111462488A (zh
Inventor
陈阳舟
卢佳程
许甜
尹卓
王佐
邓涵月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
CCCC First Highway Consultants Co Ltd
Original Assignee
Beijing University of Technology
CCCC First Highway Consultants Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology, CCCC First Highway Consultants Co Ltd filed Critical Beijing University of Technology
Priority to CN202010248715.4A priority Critical patent/CN111462488B/zh
Publication of CN111462488A publication Critical patent/CN111462488A/zh
Application granted granted Critical
Publication of CN111462488B publication Critical patent/CN111462488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法，该发明属于智能交通领域。该方法采用俯瞰摄像头获取图像信息，利用深度卷积神经网络识别车辆并利用车辆在交叉口的行为特征对车辆轨迹进行分析，计算车辆之间的碰撞概率，最后对交叉口安全风险进行评估。本发明适用于交叉口环境下的车辆在线安全预警，同时适用于潜在交通安全隐患的实时检测和预警，可提高路口运行的安全等级，提高交通事故预测的准确率。

Description

一种基于深度卷积神经网络和交叉口行为特征模型的交叉口 安全风险评估方法
技术领域
本发明涉及智能交通领域，特别是涉及交叉口安全风险评估方法。
背景技术
随着我国经济的迅速发展与人民生活水平的提高，私家车的数量急剧增加。增加的小汽车拥有量不但增加了交通拥堵，交通事故的发生数也在上升，交叉口安全风险不断增加。
车辆交叉口安全风险评估方法可以在一定程度上提高道路的管理效率，使管理者和驾驶员可以及时获得交通流和车辆的运行状态以及风险水平，在一定程度上提高了车辆运行的安全性。目前的交叉口安全风险评估方法主要有：
专利号201810996078.1的《一种道路交叉口安全状态评估方法》，该方法的主要基于交叉口的静态参数，无法动态的评价交叉口当前的风险状态。
专利号201810063488.0的《一种基于轨迹数据的交叉口行人过街风险评估方法》，该方法的轨迹提取主要基于人工标定所得，需要耗费大量人力物体对轨迹进行获取，并且无法实时反映交叉口的风险水平。
专利号201810472867.5的《一种基于车路协同的交叉口车辆碰撞风险预测方法及***》，该方法需要搭载车载设备，通过车载设备对车辆轨迹进行预测，若未搭载车载设备则无法对风险进行预测，无法在未搭载车载设备的情况下现有交叉口进行实时评价。
现有主要检测手段往往难以实行，无法自动化获取交叉口当前的风险状态。使得管理者和驾驶员无法及时获取交叉口的风险信息，例如是否有车辆出现危险驾驶、有无事故、交通流量等。
发明内容
本发明主要解决的技术问题是提供一种自动化的交叉口安全风险评估方法，能够解决交叉口安全与效率水平难以自动化动态获取的问题。
该方法由三个部分组成：图像检测与轨迹跟踪部分，轨迹数据预处理部分，交叉口的安全性与效率分析部分。
所述图像检测与轨迹跟踪部分分为两个子部分，图像检测部分基于YOLOv3算法，结合人工标定数据与Pascal VOC数据集进行训练，将训练的结果运用于提取车辆在画面中的位置。
所述轨迹跟踪部分基于卡尔曼滤波的多目标跟踪算法，对检测到的车辆进行位置跟踪并赋予车辆编号，编号采用整数形式，由车辆在画面中出现的顺序决定。
所述轨迹数据预处理部分有两个子部分，第一子部分是对数据进行清洗操作，包含噪声滤除、语义分割和感兴趣区域发现，第二子部分是对轨迹进行聚类操作，包含轨迹聚类、合并聚类和破碎轨迹处理。
所述交叉口的安全性与效率分析部分，主要包含交叉口效率与安全性相关数据提取，路口冲突点统计部分对安全性进行评价，停止点时间统计部分对路口通行效率进行评价。
本发明所提出的交叉口安全风险评估方法就是在上述的基础上实现的，其步骤包括如下：
所述图像检测部分采用YOLOv3深度卷积神经网络算法属于公知技术，目的是对目标车辆在图像中的位置进行提取；由于车辆检测对准确率和实时性都有较高要求，现有Faster R-CNN等二阶段(two-stage)算法大多数都需要对图像进行区域提名,虽然能够保证准确率,但检测速度往往只有3fps左右，达不到视频检测的需求；原有的YOLOv2、SSD等单阶段(one-stage)算法虽然检测速度较快，但其准确率不足，对小目标检测能力不佳，达不到高视角车辆轨迹跟踪的要求；YOLOv3算法则有效的平衡了深度卷积神经网络在目标检测领域的准确率问题。
YOLOv3算法采用106层的darknet-53网络，网络由残差单元叠加而成，网络结构如图1所示，分为三个尺度，即图1中predict one、two、three，每个尺度内，通过卷积核的方式实现局部的特征交互；其基本思想是通过特征提取网络对输入的图像提取特征，得到一定大小的特征图(feature map)比如13X13，然后将输入的图像分为13X13个网格单元，然后如果标注数据(ground truth)中的某个物体的中心坐标落到某个网格单元中，就由该网格单元预测该物体,每个网格单元都会预测固定数量的边界框，这几个边界框只使用标注数据的交并比(IOU)最大的边界框用来预测该物体。
步骤1：获取训练数据并训练车辆识别模型：在实现过程中采用两类样本进行联合训练，一类是从交叉口高点视频数据集中截取并标定的数据集，二是pascal VOC2007+2012公开数据集；实验中在交叉口高点视频中抽取了170帧，采用labelImg软件(图2)对抽取出帧以VOC数据集的格式人工标定的方式建立目标检测数据集，与pascal VOC数据集结合以提高目标检测的泛用性；将pascal VOC数据集中带有bus和car标签的数据筛选出来，将自有人工标定数据集与筛选后的pascal VOC数据集按训练集:测试集8:2的比例进行混合，转换为YOLOv3网络接受的格式，送入网络进行训练，得到其网络权重；将视频送入YOLOv3网络中结合训练得到的网络权重进行检测，获得车辆在视频图像中所在的位置，如图2所示以车辆的外接矩形表示，表示方式是该车辆所在的帧数、车辆左上角位置x、车辆左上角位置y、车辆边界框宽度w、车辆边界框高度h。
步骤2：车辆检测值提取：将待分析视频图像输入训练好的车辆识别模型中，获得每帧图像中的所有车辆位置；
步骤3：车辆目标跟踪：使用基于卡尔曼滤波多目标跟踪与匈牙利算法对步骤2中获得的车辆位置，根据车辆出现的时序进行编号，每个车辆在所有帧中的位置以及位置对应的编号构成每个车辆的轨迹数据。下面对该算法进行展开描述：
首先使用步骤2检测得到边界框和卡尔曼滤波所预测的边界框的交并比来计算匹配代价矩阵，所述的卡尔曼滤波多目标跟踪算法属于公知技术，当预测边界框和画面中任何一个检测边界框之间的匹配代价达到一定阈值时(例如边框交并比大于0.5)，可以认为预测边界框已经跟踪上，将预测边界框与匹配代价最小的检测边界框使用匈牙利算法进行匹配，所述的匈牙利算法属于公知技术。当预测边界框与检测边界框能够匹配时，检测边界框将更新状态(赋予编号)；如果预测边界框没有匹配上检测边界框，就用线性速度模型对预测目标边界框的参数继续进行预测；如果在一定时间内(此处结合交通检测场景设定为25帧)没有对应的检测边界框与预测边界框匹配，就将此预测边界框删除；最后输出所有帧内带有车辆编号的车辆边界框信息。
步骤4：轨迹数据预处理：对步骤3得到的所有车辆的轨迹数据进行数据清洗，对清洗之后的数据进行聚类，得到根据起止点获取的路径聚类、轨迹的车辆停滞点标记，其中所述路径为从某一轨迹开始点到某一轨迹结束点的轨迹；当路径聚类产生之后，采用滑动窗口法对每个路径聚类内所有轨迹的各点依次进行平均操作，由此生成待分析路口的多个路径聚类代表；计算每一条车辆轨迹和所有路径聚类代表之间的相似度，相似度最高的路径聚类代表即为该车辆轨迹对应的标签；
步骤4的输入是通过步骤3目标跟踪算法采集而来的轨迹。
首先，对步骤3得到的所有车辆的轨迹数据进行数据清洗，所述的数据清洗包括：对轨迹点方向特征进行特征提取以剔除轨迹数据中的噪声；通过人为标定的方式划分出路口人行横道线的范围，剔除未经过人行横道线的轨迹数据；将轨迹开始点、轨迹结束点不在相应感兴趣区域内的异常轨迹滤除。
所述噪声滤除，以对轨迹点方向特征进行特征提取的方式实现，指统计以下两个方面特征，一是通过统计轨迹包含点的数量、点之间位置差的和、均值、方差，找出明显的异常轨迹，例如仅出现不到1秒轨迹(跟踪错误)，或者起点与终点在同一位置的轨迹(停止的车辆)。二是统计每条轨迹中下一个轨迹点在当前轨迹点的方向，通过统计方向特征大幅度变化的点找出异常的轨迹。
将轨迹开始点不在轨迹开始区域、轨迹结束点不在轨迹结束区域的轨迹认为是异常轨迹并滤除。所述的感兴趣区域包括轨迹开始区域(即轨迹的第一个点)、轨迹结束区域(即轨迹的最后一个点)、车辆停滞点区域，具体采用DBSCAN方式对经过数据清洗前两步处理后的车辆轨迹进行聚类得到。所述感兴趣区域如图5所示，其中A/B/C/D进口区域为轨迹开始点聚类结果，其中E/F/G/H/I出口区域为轨迹结束点聚类结果，其中J/K/L/M停滞区域为车辆停滞点聚类结果。
采用DBSCAN聚类算法对数据清洗完成的轨迹数据进行聚类，得到根据起止点获取的路径聚类、轨迹的车辆停滞点标记，其中所述路径为从某一轨迹开始点到某一轨迹结束点的轨迹，每条路径以其进入出口区域编号按顺序简易表示，如从A进口区域进入，从E出口区域离开，其路径编号为1，所述路径聚类为服从该路径行为方式的轨迹的集合。所述车辆停滞点为采用DBSCAN聚类方式对单条轨迹进行聚类得到的停留点，步骤4后续步骤未使用车辆停滞点信息，保留至步骤5在线模式使用。
当路径聚类产生之后，每一个路径聚类的路径聚类代表也被提取出来。所述路径聚类代表的提取过程为，将该路径聚类内的轨迹进行轨迹压缩，然后采用滑动窗口法对该路径聚类内所有压缩后的轨迹的各点依次进行平均操作生成的一条新的轨迹，并认为这条新轨迹可以代表这个轨迹路径聚类里的所有轨迹。所述轨迹压缩用于简化计算，是指将轨迹抽取少量的点，进行网格化表示，把轨迹点归为画面网格内的方格。所述滑动窗口法属于公知技术。
最后计算轨迹的相似性，即计算所有轨迹和所有路径聚类代表之间的相似度，给每个车辆的轨迹数据增加对应的路径编号标签。所述相似度为轨迹的LCSS距离，当某一轨迹与某一路径聚类代表的LCSS距离小于其他路径聚类代表时，认为该轨迹属于该路径聚类。
步骤5：交叉口效率与安全性相关数据提取，所述交叉口效率包括统计交叉***通流量、交叉口通过时间、交叉口总延误时间。所述统计交叉口车流量，通过计算交叉口各路径聚类内轨迹的数量而得出，属于公知技术。所述统计交叉口通过时间，通过计算各路径聚类内的轨迹进入交叉口时间与离开交叉口时间的差值并统计而得出，属于公知技术。所述统计交叉口总延误时间，通过统计停滞时间得出，停滞时间通过统计步骤4聚类所得到的车辆停滞点标记得出。具体提取参数结果如图7。
冲突事件指：当两辆车的轨迹不属于同一个路径聚类，且在图像中距离小于一定阈值时，预测其后侵入时间，当两辆车之间的后侵入时间小于阈值A时，0s≤A≤2s，计为一次冲突事件。
具体的提取车辆的冲突事件，指在时间上搜索新采集的轨迹，如果两辆车的轨迹标签不一样，则认为不属于同一个路径聚类，且在图像中距离小于一定阈值(根据实际情况人为设定)，则预测其后侵入时间(Post Encroachment Time,PET)，如果两辆车之间的后侵入时间小于一定的阈值(0，2)秒，计为一次冲突事件。将冲突事件的两辆车轨迹编号、时间、位置记录、PET值至数据库，最终统计发生冲突事件的时间、位置与频率，单位时间内提取事件频率的以热力图的方式呈现，结果如图8。
所述后侵入时间(PET),PET被定义为“前车离开冲突区域，而后车到达冲突区域所需要的时间”。PET值越小，表明冲突车辆越近，冲突事件越危险，碰撞概率越高，PET概念及PET值的计算方式属于公知技术。
所述预测所述后侵入时间，指采用步骤4中轨迹压缩将新采集的轨迹压缩至网格，统计后车到达前车网格所需的时间，如图9所示，采用XGboost模型对所需的时间进行预测。
所述计算碰撞概率，指将轨迹冲突预测所得的后侵入时间进行非线性变换映射至(0,1)区间作为碰撞概率，用统计每一条路径单位时间内的碰撞概率。
有益效果
本发明所述的深度卷积神经网络图像检测方法和目标跟踪方法实时性高，图像检测速度达到23fps，目标跟踪速度达到110fps，满***叉口安全风险评估的实时性要求，因此本发明在实际中能够得到有效的应用。
本发明所述交叉口效率与安全性相关数据提取方式，相比现有人工统计的方法大幅节约人力物力，可快速对交叉口效率进行评价并输出相应评价指标。
本发明所采用的高点监控视频适用性广，单个路口仅需要一个摄像头，对于交通管理方而言，本发明所述的交叉口安全风险评估方法，仅需要将现有摄像头数据打通，不需要新增监控设备。
附图说明
图1是YOLOv3深度卷积神经网络的结构示意图；
图2是使用labelImg软件对车辆数据进行人工标定的示意图；
图3是使用YOLOv3算法检测图像的示意图；
图4是使用卡尔曼滤波算法对车辆进行跟踪的示意图；
图5是出入点聚类得到的结果示意图；
图6是路径聚类得到的结果示意图；
图7(a)-(d)是最后输出的交叉口安全效率分析示意图；
图8(a1)-(c3)是最后输出的冲突事件空间分布示例；
图9是PET时间预测示例示意图；
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
在实施方式中，选用配置为CPU：I7 3720QM，内存：16G，显卡：GTX1080TI的台式机作为训练及测试机。实施案例的输入为西安某交叉口的高点监控视频，实施案例的具体步骤如下：
步骤1：如图1所示，采用labelImg软件对路口的车辆进行人工标定，获得如图2所示的人工标定的车辆目标框。
将人工标定所得到的数据集与pascal VOC数据集的车辆部分进行合并。
采用合并得到的联合数据集送入YOLOv3网络进行训练得到网络参数。
步骤2：将得到的网络参数作为检测时的网络参数，对视频进行检测，得到车辆在画面中所处的位置的边界框，图3中车辆周围的方框为所述边界框，以对应的格式将边界框的时间、位置、宽高等信息存储于data.txt当中。
步骤3：将data.txt输入sort.py中，对车辆的边界框进行跟踪处理，获得以带有车辆编号的车辆边界框，图4中车辆周围的边界框上的编号为所述跟踪处理后得到的车辆编号，使用pandasdata.py将不同帧中的信息按照车辆编号进行归类，存入trajAll.pkl文件中。
步骤4：使用TrajectoryPreprocessing.py文件对轨迹进行步骤4数据清洗中的特征提取并剔除异常轨迹，使用TrajectoryNoiseFiltering.py对步骤4数据清洗中的轨迹进行语义分割并剔除异常轨迹，使用TrajectoryROI.py发现出入点感兴趣区域，其中A/B/C/D区域为轨迹开始点聚类结果，其中E/F/G/H/I区域为轨迹结束点聚类结果，其中J/K/L/M区域为车辆停滞点聚类结果。
依照步骤4的轨迹聚类部分使用TrajectoryClustering.py对排除异常轨迹后的轨迹进行聚类，图6中为该交叉口的22个路径聚类代表，所有完整轨迹被归入这22个路径，异常轨迹被单独提出并剔除。
步骤5：如图7所示使用TrajectoryConflictPoints.py对冲突点进行提取并统计作图，图7(a)-(d)中所示为该交叉口某日10:00后5分钟之内的停滞点分布示意图。获得停滞点信息的同时获得每条路径上的停滞时间。按步骤5计算冲突点获得图8中的冲突数量统计，以热力图表示，图8(a1)-(a3)为该交叉口的冲突数量热力图，图8(b1)-(b3)、(c1)-(c3)为采用相同方式生成的其他路口的冲突数量热力图。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (1)

1.一种基于深度卷积神经网络和交叉口行为特征建模的交叉口安全风险评估方法，其特征在于包括以下步骤：
步骤1：获取训练数据并训练车辆识别模型；
步骤2：车辆检测值提取：将待分析视频图像输入训练好的车辆识别模型中，获得每帧图像中的所有车辆位置；
步骤3：车辆目标跟踪：对步骤2中获得的车辆位置，根据各帧的时序进行编号，每个车辆在所有帧中的位置以及位置对应的编号构成每个车辆的轨迹数据；
步骤4：轨迹数据预处理：对步骤3得到的所有车辆的轨迹数据进行数据清洗，对清洗之后的数据进行聚类，得到根据起止点获取的路径聚类、轨迹的车辆停滞点标记，其中所述路径为从某一轨迹开始点到某一轨迹结束点的轨迹；当路径聚类产生之后，采用滑动窗口法对每个路径聚类内所有轨迹的各点依次进行平均操作，由此生成待分析路口的多个路径聚类代表；计算每一条车辆轨迹和所有路径聚类代表之间的相似度，相似度最高的路径聚类代表即为该车辆轨迹对应的标签；
步骤5：交叉口效率与安全性数据提取：交通效率数据包含统计交叉***通流量、通过时间、总延误时间，其中，总延误时间指一条路径上所有停滞点处的停滞时间之和；安全性数据指碰撞概率；
所述的车辆识别模型为YOLOv3深度卷积网络模型；
步骤3所述的车辆目标跟踪采用了卡尔曼滤波和匈牙利算法；
所述的数据清洗包括以下步骤：对轨迹点方向特征进行特征提取以剔除轨迹数据中的噪声；通过人为标定的方式划分出路口人行横道线的范围，剔除未经过人行横道线的轨迹数据；将轨迹开始点、轨迹结束点不在相应感兴趣区域内的异常轨迹滤除；
所述的感兴趣区域提取指采用DBSCAN方式对轨迹开始点、轨迹结束点、停滞点进行聚类，分别得到的轨迹开始区域、轨迹结束区域、以及轨迹停滞区域；
步骤4中所述的相似度采用LCSS距离，聚类方法采用DBSCAN聚类算法；
步骤5所述的总延误时间计算以统计停滞点数量的方式实现，且停滞点以聚类的方式提取；所述的计算交叉口内部冲突以预测后侵入时间的方式实现，且以热力图的方式呈现；
碰撞概率的计算方法具体为：统计每个路径聚类代表冲突事件的个数，从而获得每个路径聚类代表单位时间内的碰撞概率；其中，冲突事件指当两辆车的轨迹不属于同一个路径聚类，且在图像中距离小于一定阈值时，预测其后侵入时间，当两辆车之间的后侵入时间小于阈值A时，0s≤A≤2s，计为一次冲突事件；
预测后侵入时间采用XGboost模型。
CN202010248715.4A 2020-04-01 2020-04-01 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 Active CN111462488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010248715.4A CN111462488B (zh) 2020-04-01 2020-04-01 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010248715.4A CN111462488B (zh) 2020-04-01 2020-04-01 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法

Publications (2)

Publication Number Publication Date
CN111462488A CN111462488A (zh) 2020-07-28
CN111462488B true CN111462488B (zh) 2021-09-10

Family

ID=71681156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010248715.4A Active CN111462488B (zh) 2020-04-01 2020-04-01 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法

Country Status (1)

Country Link
CN (1) CN111462488B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489456B (zh) * 2020-12-01 2022-01-28 山东交通学院 基于城市主干线车辆排队长度的信号灯调控方法及***
CN112836586A (zh) * 2021-01-06 2021-05-25 北京嘀嘀无限科技发展有限公司 一种交叉口信息确定方法、***和装置
CN113033893B (zh) * 2021-03-23 2023-04-18 同济大学 自动化集装箱码头自动导引车行车时间预测方法
CN113375685B (zh) * 2021-03-31 2022-09-30 福建工程学院 基于子轨迹相交的城市路口中心识别及路口转弯规则提取方法
CN113033443B (zh) * 2021-03-31 2022-10-14 同济大学 一种基于无人机的行人过街设施全路网自动化排查方法
CN113283653B (zh) * 2021-05-27 2024-03-26 大连海事大学 一种基于机器学习和ais数据的船舶轨迹预测方法
CN113313957B (zh) * 2021-05-30 2022-07-05 南京林业大学 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法
CN114299456B (zh) * 2021-12-24 2024-05-31 北京航空航天大学 一种基于实时轨迹检测的交叉口行人过街风险评估方法
CN114781791B (zh) * 2022-03-11 2023-09-29 山东高速建设管理集团有限公司 一种基于全息感知数据的高速服务区风险识别方法
CN114926984B (zh) * 2022-05-17 2024-06-25 华南理工大学 一种实时交通冲突收集与道路安全评价方法
CN114822044B (zh) * 2022-06-29 2022-09-09 山东金宇信息科技集团有限公司 一种基于隧道的行车安全预警方法及设备
CN116153078B (zh) * 2023-04-14 2023-08-01 健鼎（无锡）电子有限公司 基于毫米波雷达的道路安全度评估方法、装置及存储介质
CN117012055A (zh) * 2023-08-14 2023-11-07 河南新电信息科技有限公司 一种危险品运输车右侧盲区智能预警***及方法
CN117708260B (zh) * 2024-02-02 2024-04-26 中宬建设管理有限公司 一种智慧城市数据联动更新方法及***
CN118015844B (zh) * 2024-04-10 2024-06-11 成都航空职业技术学院 一种基于深度学习网络的交通动态控制方法和***
CN118171781A (zh) * 2024-05-13 2024-06-11 东南大学 一种基于实时轨迹预测的高速公路机动车事故智能检测方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292911A (zh) * 2017-05-23 2017-10-24 南京邮电大学 一种基于多模型融合和数据关联的多目标跟踪方法
CN108710879A (zh) * 2018-04-20 2018-10-26 江苏大学 一种基于网格聚类算法的行人候选区域生成方法
CN108734103A (zh) * 2018-04-20 2018-11-02 复旦大学 卫星视频中运动目标的检测与跟踪方法
CN109102678A (zh) * 2018-08-30 2018-12-28 青岛联合创智科技有限公司 一种融合uwb室内定位与视频目标检测与跟踪技术的溺水行为检测方法
KR101972055B1 (ko) * 2018-11-30 2019-04-24 한국가스안전공사 Cnn 기반 적외선 이미지 내 작업자 및 위험시설 식별 시스템
US10300851B1 (en) * 2018-10-04 2019-05-28 StradVision, Inc. Method for warning vehicle of risk of lane change and alarm device using the same
CN110634291A (zh) * 2019-09-17 2019-12-31 武汉中海庭数据技术有限公司 基于众包大数据的高精度地图拓扑自动构建方法及***
CN110660220A (zh) * 2019-10-08 2020-01-07 五邑大学 一种城市轨道列车优先路权分配方法以及***
CN110852243A (zh) * 2019-11-06 2020-02-28 中国人民解放军战略支援部队信息工程大学 一种基于改进YOLOv3的道路交叉口检测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292911A (zh) * 2017-05-23 2017-10-24 南京邮电大学 一种基于多模型融合和数据关联的多目标跟踪方法
CN108710879A (zh) * 2018-04-20 2018-10-26 江苏大学 一种基于网格聚类算法的行人候选区域生成方法
CN108734103A (zh) * 2018-04-20 2018-11-02 复旦大学 卫星视频中运动目标的检测与跟踪方法
CN109102678A (zh) * 2018-08-30 2018-12-28 青岛联合创智科技有限公司 一种融合uwb室内定位与视频目标检测与跟踪技术的溺水行为检测方法
US10300851B1 (en) * 2018-10-04 2019-05-28 StradVision, Inc. Method for warning vehicle of risk of lane change and alarm device using the same
KR101972055B1 (ko) * 2018-11-30 2019-04-24 한국가스안전공사 Cnn 기반 적외선 이미지 내 작업자 및 위험시설 식별 시스템
CN110634291A (zh) * 2019-09-17 2019-12-31 武汉中海庭数据技术有限公司 基于众包大数据的高精度地图拓扑自动构建方法及***
CN110660220A (zh) * 2019-10-08 2020-01-07 五邑大学 一种城市轨道列车优先路权分配方法以及***
CN110852243A (zh) * 2019-11-06 2020-02-28 中国人民解放军战略支援部队信息工程大学 一种基于改进YOLOv3的道路交叉口检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向交叉口冲突分析的车辆轨迹学习技术;尹卓;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20200315;摘要、正文第1-5章 *

Also Published As

Publication number Publication date
CN111462488A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111462488B (zh) 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法
CN112508392B (zh) 一种山区双车道公路隐患路段交通冲突风险动态评估方法
CN110188807A (zh) 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
CN104063719A (zh) 基于深度卷积网络的行人检测方法及装置
CN113155173B (zh) 感知性能评测方法、装置、电子装置和存储介质
CN114170580A (zh) 一种面向高速公路的异常事件检测方法
CN107273852A (zh) 基于机器视觉的手扶电梯楼层板物件及乘客行为检测算法
CN112070051B (zh) 基于剪枝压缩的疲劳驾驶快速检测方法
CN103679214A (zh) 基于在线面积估计和多特征决策融合的车辆检测方法
CN113450573A (zh) 基于无人机图像识别的交通监测方法和交通监测***
CN114612860A (zh) 基于计算机视觉的轨道交通站内客流识别与预测方法
CN117456482B (zh) 一种面向交通监控场景的异常事件识别方法及***
CN109389177B (zh) 一种基于协同级联森林的隧道车辆再识别方法
Wang et al. Vision-based highway traffic accident detection
CN116229396B (zh) 高速路面病害识别及告警方法
CN117116046A (zh) 一种基于单阶段目标检测的交通常见事件检测方法
CN112562315A (zh) 一种获取车流信息的方法、终端及存储介质
Haryono et al. Accuracy in Object Detection based on Image Processing at the Implementation of Motorbike Parking on the Street
CN115223003A (zh) 基于YOLOv5的入侵检测模型的训练方法和装置
Liu et al. Metro passenger flow statistics based on YOLOv3
CN111369394B (zh) 基于大数据的景区客流量统计评估***及方法
CN114419889A (zh) 时段划分方法、装置、电子设备及存储介质
CN114170625A (zh) 一种上下文感知、噪声鲁棒的行人搜索方法
Yasamorn et al. Object Detection of Pedestrian Crossing Accident Using Deep Convolutional Neural Networks
Maaloul Video-based algorithms for accident detections

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
CB03 Change of inventor or designer information

Inventor after: Xu Tian

Inventor after: Deng Hanyue

Inventor after: Wang Zuo

Inventor after: Chen Yangzhou

Inventor after: Lu Jiacheng

Inventor after: Yin Zhuo

Inventor before: Chen Yangzhou

Inventor before: Lu Jiacheng

Inventor before: Xu Tian

Inventor before: Yin Zhuo

Inventor before: Wang Zuo

Inventor before: Deng Hanyue

CB03 Change of inventor or designer information
TR01 Transfer of patent right

Effective date of registration: 20220523

Address after: 710075 No. two, No. 63, hi tech Zone, Shaanxi, Xi'an

Patentee after: CCCC FIRST HIGHWAY CONSULTANTS Co.,Ltd.

Patentee after: Beijing University of Technology

Address before: 100124 No. 100 Chaoyang District Ping Tian Park, Beijing

Patentee before: Beijing University of Technology

Patentee before: China First Highway Survey and Design Institute Co., Ltd.

TR01 Transfer of patent right