CN112906742B - 基于5g+v2x移动终端及高精度地图的二轮车识别***与方法 - Google Patents
基于5g+v2x移动终端及高精度地图的二轮车识别***与方法 Download PDFInfo
- Publication number
- CN112906742B CN112906742B CN202110068229.9A CN202110068229A CN112906742B CN 112906742 B CN112906742 B CN 112906742B CN 202110068229 A CN202110068229 A CN 202110068229A CN 112906742 B CN112906742 B CN 112906742B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- mobile terminal
- wheel vehicle
- precision map
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明请求保护一种基于5G+V2X移动终端及高精度地图的二轮车识别***与方法,识别的二轮车辆只包括:摩托车、自行车和电动自行车。该方法通过驾驶员携带的5G+V2X移动终端上的传感器(如加速度、GPS、陀螺仪等)获取车辆的行驶状态与驾乘人员的状态,并且通过高精度地图模块获取车辆所在的道路信息,设计建立二轮车识别模型,进而识别不同的二轮车。也可以将该模型部署到边缘云上,并通过RSU广播到其它交通对象。通过上述方式,其识别结果能够为车辆防撞预警、车辆类别统计与实时调度等提供更加低成本、高实时性的数据。
Description
技术领域
本发明属于识别车辆类型的技术领域,特别是涉及一种识别二轮车类型的识别方法及***。
背景技术
世界卫生组织在道路安全报告中指出,道路交通事故是15至29岁年轻人死亡的主要原因。一些低收入和中等收入国家在道路交通事故上的花费约占政府国内生产总值的5%,成为未来经济发展的障碍之一。在这些交通事故中,二轮车所引发的交通事故占比较大。据统计,全国二轮车交通事故占事故总数比高达20-50%,死亡人数占比20-40%,给人民带来巨大的生命财产损失,形势非常严峻。
现有技术中主要有三大类方法,一是利用摄像头事实采集道路的图像信息进行二值化、特征提取等处理,从而分类出车辆的类别;二是利用雷达接受待识别物体反射的至少一个雷达信号,进行特征提取然后与数据库对比,从而识别出车辆的类别。三是将摄像头和雷达两种传感器进行数据融合,从而识别出车辆类别。但是以上方法都严重受限于使用环境,在雨雪大雾天气或者光线不好的环境下,以上方法识别的准确率会大大降低。此外其也无法识别出非视线内的车辆(例如超视距场景)。
上述方法在实际实施过程中,需要在指定位置安装摄像头或则雷达,安装成本高,并且由此造成识别位置固定且识别范围狭窄问题,而且其通信方式延时较大,无法将识别后的结果快速发送到其它交通对象。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于5G+V2X移动终端及高精度地图的二轮车识别***及方法。本发明的技术方案如下:
一种基于5G+V2X移动终端及高精度地图的二轮车识别***,其包括:采集车辆行驶状态数据的5G+V2X便携式移动终端、负责实时数据处理的边缘云和负责广播的路侧设备RSU,所述5G+V2X便携式移动终端包括传感器模块、高精度地图模块、二轮车识别模块和通信模块;传感器模块采集车辆行驶状态数据并输出到二轮车识别模块,高精度地图模块采集当前位置所在的道路信息并输出到二轮车识别模块,二轮车识别模块采用基于高精度地图的二轮车识别过滤方法;所述基于高精度地图的二轮车识别过滤方法,是指在采集车辆行驶状态数据前,利用高精度定位装置对其位置包括经、度纬度、海拔和高精度地图信息进行匹配,判断是否在交通道路周围;如果在,则采集车辆的运动状态数据;若果不在,则不进行采集,所述二轮车识别模块是一种轻量级改进的逻辑回归分类识别算法,该算法改进在于能够根据道路类型进行实时预测,且能分配合理的权重系数进行综合预测;所述二轮车识别模型的输入参数为移动终端状态传感器与高精度地图信息;所述通信模块包括5G+V2X。
进一步的,所述二轮车识别模型建立过程需要经过两个阶段,分别为离线训练和在线测试阶段,离线训练阶段进行了数据采集、数据预处理、提取时域特征、标注车辆特征、训练模型。在线测试阶段进行了传感器和高精地图数据获取、数据预处理、提取时域特征、输入到训练模型进行识别分类、识别结果准确度对比;(5)识别结果准确度对比。
进一步的,所述二轮车识别模型离线训练阶段,具体实施步骤如下:(1)从用户携带的移动终端上获取能表征车辆行驶状态数据以及车辆所在道路信息在内的数据,形成训练数据集,或者设计相关程序采集时间序列集,采集时按照二轮车的类型分别采集;(2)对训练数据集中的数据进行预处理包括数据滤波和切割,数据滤波过滤掉噪声引起的杂点,数据切割选择切割窗口;(3)对预处理后的每个数据段提取特征,提取时域特征,包括平均值、标准差、均方根、轴相关性;(4)对同一个窗口段提取出来的特征,按照固定的顺序排列,形成特征向量,并标注对应的车辆类型;(5)将标注好的特征向量数据输入到分类识别算法模型中进行训练从而得出二轮车识别模型。
进一步的,对训练产生的二轮车识别模型进行测试阶段的具体实施步骤如下:(1)从便携式移动终端获取传感器和高精地图数据;(2)对采集到的数据进行数据滤波和数据分割在内的预处理;(3)对预处理后的每个时间窗口数据提取特征,然后按照固定的顺序排列,形成特征向量(4)把提取出来的特征向量输入到之前训练阶段产生的二轮车识别模型中,从而识别出车辆类别(5)
进一步的,所述分类识别算法采用的是一种轻量级改进的逻辑回归识别算法模型,具体实施步骤如下:(1)利用便携式移动终端采集加速度计数据、陀螺仪数据、高精度定位数据和高精度地图数据;(2)根据车辆所在的道路类型阶段,将对应阶段采集到的传感器数据进行预处理后,选取每个窗口下的平均速度、最大速度、x轴平均加速度、y轴平均加速度、z轴平均加速度、x轴加速度标准差、y轴加速度标准差、z轴加速度标准差、x轴陀螺仪标准差、y轴陀螺仪标准差、z轴陀螺仪标准差、道路类型、道路曲率、道路坡度作为模型的输入特征向量输入到二轮车识别模型进行预测;(3)将各个阶段的预测值乘以对应阶段的权重系数作为当前阶段的预测值;(4)对车辆所行驶的每个阶段的预测值取平均值作为当前车辆的综合预测值。
进一步的,利用一种轻量级改进的逻辑回归算法建立的二轮车识别模型,其数学表达式为:
设将车辆行驶的道路按照道路类型共划分为K段,每段均进行一次车辆识别预测,则可建立一种基于轻量级改进的逻辑回归分类识别算法的二轮车识别模型:
式中P1表示摩托车的概率,P2表示自行车的概率,P3表示电动自行车的概率Xi为第i个划分段的输入特征向量,α1表示常数、β1表示行向量、α2表示常数、β2表示行向量、ωi为第i个划分段的权重。
进一步的,所述5G+V2X便携式移动终端、边缘云和路侧设备RSU,三者之间的通信连接方式为:5G+V2X便携式移动终端与边缘云之间使用5G进行通信,边缘云与路侧设备RSU之间使用蜂窝通信网进行通信,5G+V2X便携式移动终端与路侧设备RSU之间使用5G+V2X进通信,RSU设备能够进行5G+V2X通信,能够与车辆用户携带的5G+V2X便携式移动终端进行通信,也能使用相关的模块建立车内互联网络,其次,RSU通过移动蜂窝网络与边缘云进行通信,通过高精度定位对其自身位置进行定位,以及运行操作***和相关应用。
一种基于所述***的识别方法,其包括以下步骤:
步骤一,采集车辆行驶状态数据以及所在道路的高精度地图信息;基于高精度地图的二轮车识别过滤方法
步骤二,对采集的数据进行预处理,然后选取模型的输入特征向量并打上标签;
步骤三,利用打好标签的输入特征向量数据在改进的逻辑回归算法中训练二轮车识别模型;采用基于高精度地图的二轮车识别过滤方法;
步骤四,将训练好的二轮车识别模型移植到5G+V2X便携式移动终端或者边缘云;
步骤五,采集实时数据进行二轮车识别,并通过5G+V2X网络将得到的车辆类别数据或则传感器数据发送到边缘云和路侧设备。
进一步的,基于高精度地图的二轮车识别过滤方法,是指在采集车辆行驶状态数据前,利用高精度定位装置对其位置包括经、度纬度、海拔和高精度地图信息进行匹配,判断是否在交通道路周围;如果在,则采集车辆的运动状态数据;若果不在,则不进行采集,具体的距离计算公式为:
其中,a为两点维度之差,b为两点经度之差,R为地球半径。Lat1、Lat2分别表示道路上某个点的纬度和车辆所在的纬度。
本发明的优点及有益效果如下:
传统的车辆识别研究局限于利用图像技术或雷达技术进行识别,忽视了车辆自身在不同类型道路的运动状态特征,没有结合车辆位置信息和运动状态信息以及道路类型信息进行车辆的识别研究,而本研究则充分抓住了这点,从该角度进行创新。
本发明为一种基于5G+V2X便携式移动终端及高精度地图的交通对象识别方法与***。利用便携式移动终端获取传感器以及高精度地图信息,将其作为二轮车识别模型的输入项,从而识别出用户所驾乘车辆的类型,将识别的车辆类型直接通过5G发送至路侧设备或者通过边缘云转发至路侧设备,然后通过路侧设备进行广播,能够为车辆防撞预警、交通路口实时调度等提供更加高准确性、低成本、高实时性的数据。
本发明提出的基于一种轻量级改进的逻辑回归分类算法的二轮车识别模型能够依据道路类型对识别结果进行融合,避免了车辆在有个特定道路识别的偶然性,提高了识别的准确率。
本发明提出的基于高精度地图的过滤方法,能够依据高精度地图信息灵活判断是否需要采集便携式终端的传感器数据,从而减少***的开销并达到节能的效果。
本发明提出的新方法识别结果不像传统识别方法(例如利用雷达、摄像头识别)容易受天气条件的干扰,本方法能够在大雾、暴雨、沙尘暴等极端恶劣天气条件下识别出车辆的类别,识别范围广且识别位置灵活。
本发明中,随着5G+V2X便携式移动终端的普及,利用5G+V2X将识别结果发送到其它交通对象能够做到低时延性,且能极大的缩减识别成本。
本发明中,模型的初始建立即训练阶段是在线下进行,节省了便携式移动终端的资源消耗,当模型建立完成可获取实时的数据进行车辆类别识别,此外,考虑到部分便携式移动终端的计算能力,也可将识别计算过程放在边缘云进行,这样即可以扩大本发明的使用范围,也做到了计算服务下沉,降低延时,提高了时效性。
附图说明
图1是本发明提供优选实施例基于5G+V2X便携式移动终端及高精度地图的二轮车识别***示意图;
图2是二轮车识别模型***结构图;
图3是二轮车识别模型训练阶段流程图;
图4是二轮车识别模型测试阶段流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
提出一种基于5G+V2X便携式移动终端及高精度地图的二轮车识别方法与***,***主要由5G+V2X便携式移动终端、边缘云、路侧设备(RSU)等组成,共同构建了一个完整的基于5G+V2X便携式移动终端的二轮车识别***。5G+V2X便携式移动终端主要负责参与传感器数据以及高精度地图信息的采集,并通过5G+V2X将其发送到边缘云。5G+V2X便携式移动终端和边缘云都具有二轮车识别模型,当手机硬件不足以支持计算时,5G+V2X便携式移动终端会自动将采集到的原始数据发送到边缘云进行车辆识别模型的计算。边缘云和路侧设备是通过蜂窝通信实现信息的交互。路侧设备(RSU)接受到边缘云或者5G+V2X便携式移动终端发来的二轮车识别结果,然后将这些消息广播到周围设备。
基于5G+V2X便携式移动终端及高精度地图的二轮车识别模型的硬件架构及设备间的通信方式,如图1所示,硬件架构包括5G+V2X便携式移动终端、边缘云和路侧设备(RSU),三者之间的通信连接方式为:5G+V2X便携式移动终端与边缘云之间使用5G进行通信,边缘云与路侧设备(RSU)之间使用蜂窝通信网进行通信,5G+V2X便携式移动终端与路侧设备(RSU)之间使用5G+V2X进通信。RSU设备能够进行5G+V2X通信,能够与车辆用户携带的5G+V2X便携式移动终端进行通信,也能使用相关的模块建立车内互联网络,其次,RSU通过移动蜂窝网络与边缘云进行通信,通过高精度定位对其自身位置进行定位,以及运行操作***和相关应用。
基于以上***,本发明的方法主要包括以下步骤:(1)根据移动终端高精度定位数据与高精度地图数据进行位置匹配,判断用户是否在交通道路附近;(2)若是在交通道路附近,移动终端则开始采集传感器和高精度地图数据;(3)把采集到的数据输入到二轮车识别模型,从而分析出当前用户所驾驶的二轮车辆类型
其中基于5G+V2X便携式移动终端及高精度地图的二轮车识别模型,如图2所示为二轮车识别模型***结构图,通过5G+V2X便携式移动终端获取高精度定位数据、加速度数据、陀螺仪数据和高精度地图数据。根据采集到的原始数据,对其预处理、特征提取、然后将特征向量输入到二轮车识别模型,从而得出识别结果。二轮车识别模型建立过程需要经过两个阶段,分别为离线训练和在线测试阶段,其中图3为二轮车识别模型离线训练阶段,图4为二轮车识别模型在线测试阶段。
二轮车识别模型离线训练阶段,具体实施步骤如下:(1)从用户携带的移动终端上获取能表征车辆行驶状态数据以及车辆所在道路信息等数据,形成训练数据集,或者设计相关程序采集时间序列集,采集时按照二轮车的类型分别采集。(2)对训练数据集中的数据进行预处理包括数据滤波和切割。数据滤波是为了过滤掉噪声等引起的杂点等。对数据切割需要选择合适的切割窗口才能保证数据的质量。(3)对预处理后的每个数据段提取特征,本发明主要提取时域特征,典型的时域特征包括但不限于平均值、标准差、均方根、轴相关性等(4)对同一个窗口段提取出来的特征,按照固定的顺序排列,形成特征向量,并标注对应的车辆类型。(5)将标注好的特征向量数据输入到分类识别算法模型中进行训练从而得出二轮车识别模型。
对训练产生的二轮车识别模型进行测试阶段的具体实施步骤如下:(1)从便携式移动终端获取传感器和高精地图数据(2)对采集到的数据进行数据滤波和数据分割等预处理(3)对预处理后的每个时间窗口数据提取特征,然后按照固定的顺序排列,形成特征向量(4)把提取出来的特征向量输入到之前训练阶段产生的二轮车识别模型中,从而识别出车辆类别。
二轮车识别模型在获取到传感器数据和高精度地图数据后,通过分类识别算法得出识别结果。本发明采用的是一种轻量级改进的逻辑回归识别算法模型,具体实施步骤如下:(1)利用便携式移动终端采集加速度计数据、陀螺仪数据、高精度定位数据和高精度地图数据。(2)根据车辆所在的道路类型(例如直道、弯道、坡道等)阶段,将对应阶段采集到的传感器数据进行预处理后,选取每个窗口下的平均速度、最大速度、x轴平均加速度、y轴平均加速度、z轴平均加速度、x轴加速度标准差、y轴加速度标准差、z轴加速度标准差、x轴陀螺仪标准差、y轴陀螺仪标准差、z轴陀螺仪标准差、道路类型、道路曲率、道路坡度作为模型的输入特征向量输入到二轮车识别模型进行预测。(3)将各个阶段的预测值乘以对应阶段的权重系数作为当前阶段的预测值(4)对车辆所行驶的每个阶段的预测值取平均值作为当前车辆的综合预测值。利用一种轻量级改进的逻辑回归算法建立的二轮车识别模型,其数学表达式为:
设将车辆行驶的道路按照道路类型共划分为K段,每段均进行一次车辆识别预测,则可建立一种基于轻量级改进的逻辑回归分类识别算法的二轮车识别模型:
式中P1表示摩托车的概率,P2表示自行车的概率,P3表示电动自行车的概率Xi为第i个划分段的输入特征向量,ωi为第i个划分段的权重。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
还需要说明的是,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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (7)
1.一种基于5G+V2X移动终端及高精度地图的二轮车识别***,其特征在于,包括:采集车辆行驶状态数据的5G+V2X便携式移动终端、负责实时数据处理的边缘云和负责广播的路侧设备RSU,所述5G+V2X便携式移动终端包括传感器模块、高精度地图模块、二轮车识别模块和通信模块;传感器模块采集车辆行驶状态数据并输出到二轮车识别模块,高精度地图模块采集当前位置所在的道路信息并输出到二轮车识别模块,二轮车识别模块采用基于高精度地图的二轮车识别过滤方法;所述基于高精度地图的二轮车识别过滤方法,是指在采集车辆行驶状态数据前,利用高精度定位装置对其位置包括经、度纬度、海拔和高精度地图信息进行匹配,判断是否在交通道路周围;如果在,则采集车辆的运动状态数据;若果不在,则不进行采集,所述二轮车识别模块是一种轻量级改进的逻辑回归分类识别算法,该算法改进在于能够根据道路类型进行实时预测,且能分配合理的权重系数进行综合预测;所述二轮车识别模块的输入参数为移动终端状态传感器与高精度地图信息;所述通信模块包括5G+V2X;
所述分类识别算法采用的是一种轻量级改进的逻辑回归识别算法模型,具体实施步骤如下:(1)利用便携式移动终端采集加速度计数据、陀螺仪数据、高精度定位数据和高精度地图数据;(2)根据车辆所在的道路类型阶段,将对应阶段采集到的传感器数据进行预处理后,选取每个窗口下的平均速度、最大速度、x轴平均加速度、y轴平均加速度、z轴平均加速度、x轴加速度标准差、y轴加速度标准差、z轴加速度标准差、x轴陀螺仪标准差、y轴陀螺仪标准差、z轴陀螺仪标准差、道路类型、道路曲率、道路坡度作为模型的输入特征向量输入到二轮车识别模型进行预测;(3)将各个阶段的预测值乘以对应阶段的权重系数作为当前阶段的预测值;(4)对车辆所行驶的每个阶段的预测值取平均值作为当前车辆的综合预测值;
利用一种轻量级改进的逻辑回归算法建立的二轮车识别模型,其数学表达式为:
设将车辆行驶的道路按照道路类型共划分为K段,每段均进行一次车辆识别预测,则可建立一种基于轻量级改进的逻辑回归分类识别算法的二轮车识别模型:
式中P1表示摩托车的概率,P2表示自行车的概率,P3表示电动自行车的概率Xi为第i个划分段的输入特征向量,α1表示常数、β1表示行向量、α2表示常数、β2表示行向量、ωi为第i个划分段的权重;
所述5G+V2X便携式移动终端、边缘云和路侧设备RSU,三者之间的通信连接方式为:5G+V2X便携式移动终端与边缘云之间使用5G进行通信,边缘云与路侧设备RSU之间使用蜂窝通信网进行通信,5G+V2X便携式移动终端与路侧设备RSU之间使用5G+V2X进通信,RSU设备能够进行5G+V2X通信,能够与车辆用户携带的5G+V2X便携式移动终端进行通信,也能使用相关的模块建立车内互联网络,其次,RSU通过移动蜂窝网络与边缘云进行通信,通过高精度定位对其自身位置进行定位,以及运行操作***和相关应用。
2.根据权利要求1所述的一种基于5G+V2X移动终端及高精度地图的二轮车识别***,其特征在于,所述二轮车识别模型建立过程需要经过两个阶段,分别为离线训练和在线测试阶段,离线训练阶段进行了数据采集、数据预处理、提取时域特征、标注车辆特征、训练模型;在线测试阶段进行了传感器和高精地图数据获取、数据预处理、提取时域特征、输入到训练模型进行识别分类、识别结果准确度对比。
3.根据权利要求2所述的一种基于5G+V2X移动终端及高精度地图的二轮车识别***,其特征在于,所述二轮车识别模型离线训练阶段,具体实施步骤如下:(1)从用户携带的移动终端上获取能表征车辆行驶状态数据以及车辆所在道路信息在内的数据,形成训练数据集,或者设计相关程序采集时间序列集,采集时按照二轮车的类型分别采集;(2)对训练数据集中的数据进行预处理包括数据滤波和切割,数据滤波过滤掉噪声引起的杂点,数据切割选择切割窗口;(3)对预处理后的每个数据段提取特征,提取时域特征,包括平均值、标准差、均方根、轴相关性;(4)对同一个窗口段提取出来的特征,按照固定的顺序排列,形成特征向量,并标注对应的车辆类型;(5)将标注好的特征向量数据输入到分类识别算法模型中进行训练从而得出二轮车识别模型。
4.根据权利要求3所述的一种基于5G+V2X移动终端及高精度地图的二轮车识别***,其特征在于,对训练产生的二轮车识别模型进行测试阶段的具体实施步骤如下:(1)从便携式移动终端获取传感器和高精地图数据;(2)对采集到的数据进行数据滤波和数据分割在内的预处理;(3)对预处理后的每个时间窗口数据提取特征,然后按照固定的顺序排列,形成特征向量(4)把提取出来的特征向量输入到之前训练阶段产生的二轮车识别模型中,从而识别出车辆类别;(5)识别结果准确度对比。
5.根据权利要求3所述的一种基于5G+V2X移动终端及高精度地图的二轮车识别***,其特征在于,所述分类识别算法采用的是一种轻量级改进的逻辑回归识别算法模型,具体实施步骤如下:(1)利用便携式移动终端采集加速度计数据、陀螺仪数据、高精度定位数据和高精度地图数据;(2)根据车辆所在的道路类型阶段,将对应阶段采集到的传感器数据进行预处理后,选取每个窗口下的平均速度、最大速度、x轴平均加速度、y轴平均加速度、z轴平均加速度、x轴加速度标准差、y轴加速度标准差、z轴加速度标准差、x轴陀螺仪标准差、y轴陀螺仪标准差、z轴陀螺仪标准差、道路类型、道路曲率、道路坡度作为模型的输入特征向量输入到二轮车识别模型进行预测;(3)将各个阶段的预测值乘以对应阶段的权重系数作为当前阶段的预测值;(4)对车辆所行驶的每个阶段的预测值取平均值作为当前车辆的综合预测值。
6.一种基于权利要求1所述***的识别方法,其特征在于,包括以下步骤:
步骤一,采集车辆行驶状态数据以及所在道路的高精度地图信息;基于高精度地图的二轮车识别过滤方法
步骤二,对采集的数据进行预处理,然后选取模型的输入特征向量并打上标签;
步骤三,利用打好标签的输入特征向量数据在改进的逻辑回归算法中训练二轮车识别模型;采用基于高精度地图的二轮车识别过滤方法;
步骤四,将训练好的二轮车识别模型移植到5G+V2X便携式移动终端或者边缘云;
步骤五,采集实时数据进行二轮车识别,并通过5G+V2X网络将得到的车辆类别数据或则传感器数据发送到边缘云和路侧设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068229.9A CN112906742B (zh) | 2021-01-19 | 2021-01-19 | 基于5g+v2x移动终端及高精度地图的二轮车识别***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068229.9A CN112906742B (zh) | 2021-01-19 | 2021-01-19 | 基于5g+v2x移动终端及高精度地图的二轮车识别***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906742A CN112906742A (zh) | 2021-06-04 |
CN112906742B true CN112906742B (zh) | 2023-03-28 |
Family
ID=76115468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110068229.9A Active CN112906742B (zh) | 2021-01-19 | 2021-01-19 | 基于5g+v2x移动终端及高精度地图的二轮车识别***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906742B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016061499A1 (en) * | 2013-10-17 | 2016-04-21 | Powers Richard M | Systems and methods for predicting weather performance for a vehicle |
WO2017190595A1 (zh) * | 2016-05-04 | 2017-11-09 | 斑马网络技术有限公司 | 一种交通工具数据处理方法、装置和终端设备 |
EP3543907A1 (en) * | 2018-03-22 | 2019-09-25 | HERE Global B.V. | Method, apparatus, and system for dynamic adaptation of an in-vehicle feature detector |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100019964A1 (en) * | 2008-07-24 | 2010-01-28 | Gm Global Technology Operations, Inc. | Adaptive vehicle control system with driving style recognition and road condition recognition |
CN109147316B (zh) * | 2018-07-23 | 2022-05-03 | 重庆邮电大学 | 一种基于v2x通信和高精度定位的城市车道车辆统计方法 |
CN109637126A (zh) * | 2018-12-06 | 2019-04-16 | 重庆邮电大学 | 一种基于v2x终端的交通对象识别***及其方法 |
CN109686125B (zh) * | 2019-01-11 | 2021-05-18 | 重庆邮电大学 | 一种基于hmm的v2x车联网车辆防撞预警*** |
CN109979194B (zh) * | 2019-03-07 | 2020-07-10 | 长安大学 | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 |
CN110232837A (zh) * | 2019-05-08 | 2019-09-13 | 重庆邮电大学 | 一种基于v2x的车路协同防撞预警*** |
US11586854B2 (en) * | 2020-03-26 | 2023-02-21 | Intel Corporation | Devices and methods for accurately identifying objects in a vehicle's environment |
CN111554088B (zh) * | 2020-04-13 | 2022-03-22 | 重庆邮电大学 | 一种多功能v2x智能路侧基站*** |
CN111415533B (zh) * | 2020-04-22 | 2021-09-21 | 湖北民族大学 | 弯道安全预警监控方法、装置以及*** |
-
2021
- 2021-01-19 CN CN202110068229.9A patent/CN112906742B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016061499A1 (en) * | 2013-10-17 | 2016-04-21 | Powers Richard M | Systems and methods for predicting weather performance for a vehicle |
WO2017190595A1 (zh) * | 2016-05-04 | 2017-11-09 | 斑马网络技术有限公司 | 一种交通工具数据处理方法、装置和终端设备 |
EP3543907A1 (en) * | 2018-03-22 | 2019-09-25 | HERE Global B.V. | Method, apparatus, and system for dynamic adaptation of an in-vehicle feature detector |
Non-Patent Citations (5)
Title |
---|
Camera-based Driver Drowsiness State Classification Using Logistic Regression Models;Mohamed Hedi Baccour,et al.;《2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC)》;全文 * |
Object recognition in traffic monitoring systems;Daniel Lorenčík,et al.;《 2018 World Symposium on Digital Intelligence for Systems and Machines (DISA)》;全文 * |
Travel Time Prediction using Machine Learning and Weather Impact on Traffic Conditions;Bilash Deb,et al.;《2019 IEEE 5th International Conference for Convergence in Technology》;全文 * |
一种基于多类特征融合的车辆识别方法;王左帅等;《现代电子技术》;全文 * |
基于车辆GPS数据的城市交通问题研究;金雯;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112906742A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114435138B (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
Morishita et al. | SakuraSensor: Quasi-realtime cherry-lined roads detection through participatory video sensing by cars | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN109118787B (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
CN110807924A (zh) | 基于全量全样实时交通数据的多参数融合方法及*** | |
CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
CN110427993B (zh) | 基于气象参数的高速列车导航盲区定位方法 | |
CN110210384B (zh) | 一种道路全局信息实时提取与表示*** | |
US11829959B1 (en) | System and methods for fully autonomous potholes detection and road repair determination | |
CN109657599B (zh) | 距离自适应的车辆外观部件的图片识别方法 | |
CN112863186B (zh) | 一种基于车载无人机的逃逸车辆快速识别和追踪方法 | |
CN110304068A (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
CN111340355A (zh) | 行程订单的匹配方法、装置、服务器和介质 | |
CN108665084B (zh) | 一种对驾驶风险的预测方法及*** | |
CN113538907B (zh) | 一种基于交通流分级的行车时间估计*** | |
CN112906742B (zh) | 基于5g+v2x移动终端及高精度地图的二轮车识别***与方法 | |
CN110715685A (zh) | 一种基于智能手机的路面行驶质量检测方法 | |
CN110544378B (zh) | 一种手机用户拥车情况的判断方法 | |
CN114722931A (zh) | 车载数据处理方法、装置、数据采集设备和存储介质 | |
CN113609956A (zh) | 训练方法、识别方法、装置、电子设备以及存储介质 | |
CN114592411A (zh) | 一种载体寄生式公路损坏智能巡查方法 | |
CN109409731B (zh) | 一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法 | |
CN111860396A (zh) | 识别归纳车辆当前区域拥堵状况的方法 | |
Amado et al. | Localized Intelligent Traffic Monitoring System through Ontological Modelling |
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 |