CN113936465B - 交通事件检测方法及装置 - Google Patents
交通事件检测方法及装置 Download PDFInfo
- Publication number
- CN113936465B CN113936465B CN202111248148.3A CN202111248148A CN113936465B CN 113936465 B CN113936465 B CN 113936465B CN 202111248148 A CN202111248148 A CN 202111248148A CN 113936465 B CN113936465 B CN 113936465B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic
- event
- detected
- 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.)
- Active
Links
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
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种交通事件检测方法及装置,所述方法包括获取车辆的待检测事件;根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故。本申请提供的技术方案主要应用于交通事件检测,可以对发生在交通道路上的多种待检测事件进行检测,根据每种交通事件的特点,有针对性的提出相应的检测方法,来提高事件检测的精确度。
Description
技术领域
本发明属于交通技术领域,具体涉及一种交通事件检测方法及装置。
背景技术
随着我国经济快速平稳发展和人民生活水平不断提高,私家车、公共交通工具以及一些道路运输相关行业,如物流、快递、货运等,对交通道路的需求急剧增长,同时城市交通的拥堵情况也愈发严重,而引起交通拥堵的一项重要因素就是发生在交通道路中的众多事件,例如车辆逆行,异常速度行驶,违法变道,占用应急车道,交通事故以及交通路况。在当前社会中,每位驾驶员的开车水平参差不齐,面对***的交通道路,如果不熟悉道路状况,稍微不注意就会产生违规驾驶行为,甚至造成交通事故的发生,给人们的生活造成巨大的经济损失和人员伤亡。根据世界卫生组织2015年发布的《全球道路安全状况报告》,每年约有135万人死于交通事故。由于交通事故和交通拥堵情况的发生,美国平均每年花费1600亿美元,到2020年底,这一项数字可能达到1920亿美元。因此,及时准确并高效地检测道路中的交通事件,是一件十分重要的事情。此外,它还有助于交通管理部门对城市道路状况进行更好的管控,更方便快捷的恢复交通流量,减少交通拥堵。
目前在交通事件理论的研究中,世界各国已经提出了多种交通事件自动检测算法,如时间序列算法、加利福尼亚算法、贝叶斯算法、交通流模型算法、低通滤波算法、人工神经网络算法等等,还有环路检测器,摄像机,GPS等几种基于传感器设备的检测***来收集交通信息,并采用了传统算法分析数据以检测交通事件。然而,这些检测算法和基于传感器设备的检测***存在一些局限性,将其可以大致归纳成三点:首先,传感器设备的安装和操作成本高昂,并且提供的交通信息有限。其次,在交通监控***中经常会发生通信错误和检测器故障等情况,这可能会给交通事件检测带来严重的问题。另外,由于检测时间长,误报率高,目前用于交通事件识别的算法可能会失败。除了上述几点,检测算法中可能还存在一些响应速度慢,可靠性差,不能判断事件发生的具***置等情况,在很大程度上都会对交通事件的检测结果造成影响。
相关技术中,现有技术方案中选择社交网络平台和深度学习模型用作实时交通数据源和交通事故检测算法,提出了一种基于OLDA和基于Bi-LSTM的文本分类技术来进行交通事件检测和状态分析的智能方法框架。首先,使用不同的应用程序编程接口(API)方法从Twitter和Facebook中获取基于查询的实时数据。数据爬取之后,将使用文本挖掘方法对收集到的数据进行预处理以供进一步分析使用。之后,使用基于OLDA的主题建模方法来标记所有数据(交通或非交通),以便于识别与交通相关的数据,并用实体提取方法来提取交通事件和其发生的位置。此外,还分析了有关交通事件的用户情绪,将分成积极,中立或者消极三种,并使用FastText和Word2Vec两种词嵌入模型用极低维向量表示交通事件数据。最后,使用Bi-LSTM模型对数据进行训练,对交通事件进行分类并且预测其极性。
这个基于社交网络的实时交通监控框架,不仅能识别出与交通事件相关的数据,还能对其进行分析,找出其准确的状态,从而提高了交通监控***的性能。此外,该技术还可以与各种信息提取和类标记***、文本表示模型和极性预测***相关联,因为它从非结构化数据中提取有意义的数据,精确地标记数据,并用低维向量表示这些标记数据,以提高交通事件检测和状态分析的性能,在实际数据集上取得了不错的检测效果。
但是,上述技术方案是通过信息抽取和主题建模来标记所检测数据,数据的有效性在很大程度上都依赖于信息抽取和建模标记的准确性。如果在这一阶段出现误差,则最后交通事件的检测结果会和实际产生较大的偏差。此外,标记数据的复杂度较高,工作难度较大,同样会对最后的检测结果造成一定程度上的偏差。
除此之外,现有的技术方案中还存在通过使用随机森林、生成对抗网络和支持向量回归的新型交通事件检测框架。首先提出了从交通数据中获取变量的时空规则,然后采用随机森林算法对变量的重要性进行排序。之后,使用生成对抗网络生成一些新的事件样本。最后,采用支持向量机算法作为事件检测模型进行检测。
但是上述技术方案主要针对目前事件样本不足的问题提出了改进方案,但是在智能交通***中还存在训练样本不平衡的情况。不平衡和较小的训练样本可能导致事件检测模型具有较低的检测率和较高的误报率。除此之外,上述方案仅将支持向量机作为事件检测模型来评估所提出的方法,其他模型还不具有普适性,适用范围较为受限。
综上所述,城市道路中发生的交通事件种类很多,例如可能发生的交通事件有车辆逆行,车辆速度异常,车辆停驶,车辆违法变道,占用应急车道,交通路况和交通事故等等。针对上述可能发生的不同的交通事件现有技术中只是笼统的进行检测计算,因此检测计算方法适应性差,导致交通事件的检测结果精准度低。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种交通事件检测方法及装置,以解决现有技术中的检测方法不能针对不同的交通事件进行检测计算,导致交通事件的检测结果精准度低的问题。
为实现以上目的,本发明采用如下技术方案:一种交通事件检测方法,包括:
获取车辆的待检测事件;
根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;
其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故。
进一步的,当所述待检测事件是车辆行驶方向时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取预设时间段内车辆待检测的轨迹方向;
计算所述轨迹方向与预设的轨迹正方向之间的夹角大小并将所述夹角大小与预设阈值进行对比;
如果所述夹角大小在预设阈值范围内,则确定发生车辆逆行事件。
进一步的,当所述待检测事件是车辆速度时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
划定车辆速度的检测区域;所述检测区域设有最高限速和最低限速;
在所述检测区域内获取速度检测点,以及与所述速度检测点相邻的预设个数的检测点的位移和时间;
基于激光雷达坐标系计算所述速度检测点的瞬时速度;
将所述瞬时速度与所述最高限速、最低限速进行对比;
如果所述瞬时速度高于所述最高限速或者低于所述最低限速,则确定发生车辆速度异常事件。
进一步的,当所述待检测事件是车辆停驶,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
对激光雷达点云中的待检测车辆进行追踪;
计算所述待检测车辆的轨迹在最小单位时间内的追踪位移,将所述追踪位移与最小安全行驶距离进行对比;
如果所述追踪位移小于最小安全距离,则确定发生车辆停驶事件。
进一步的,当所述待检测事件是车辆违法变道时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
在激光雷达点云图的图像中预设不能变道实线的位置,将所述实线作为第一位置向量;
获取待检测车进入图像范围内的第一中点坐标和离开所述图像范围的第二中点坐标,得到移动轨迹;
将所述移动轨迹投影至所述第一位置向量所在的平面内,得到投影后的第二位置向量;
判断第一位置向量和第二位置向量是否存在交点,如果存在,则确定发生车辆违法变道事件。
进一步的,当所述待检测事件是占用应急车道时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
在激光雷达点云图的图像中标注应急车道区域与应急车道、行车道之间的长实线端点位置;
获取车辆行驶轨迹,判断所述车辆行驶轨迹是否与所述长实线存在交点或车辆停止在所述应急车道区域内;如果是,则确定发生占用应急车道事件。
进一步的,当所述待检测事件是交通路况时;所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取道路断面内的车辆的平均速度、车流量和车道占有率;
对所述车辆的平均速度、车流量和车道占有率进行加权计算,得到计算结果;
将所述计算结果与路况阈值进行对比,确定交通路况;所述交通路况包括畅通、饱和和拥堵。
进一步的,当所述待检测事件是交通事故时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取车道占有率,在所述车道占有率低于占有率阈值时,获取车辆停驶时间,当所述车辆停驶时间大于时间阈值时,确定发生交通事故事件;和/或
判断激光雷达点云图的图像中是否存在三角形注意安全标志,若存在所述三角形注意安全标志,则确定发生交通事故时间。
本申请实施例提供一种交通事件检测装置,包括:
获取模块,用于获取车辆的待检测事件;
检测模块,用于根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;
其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故。
本发明采用以上技术方案,能够达到的有益效果包括:
本发明提供一种交通事件检测方法及装置,所述方法包括获取车辆的待检测事件;根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故。本申请提供的技术方案为发生在城市道路中的各种交通事件提出相应的事件检测方案。城市道路中可能发生的交通事件有车辆逆行,车辆速度异常,车辆停驶,车辆违法变道,占用应急车道,交通路况和交通事故等等。通过该方法可以针对不同的交通事件来分别检测,提高精准度。
本申请主要应用于交通事件检测,可以对发生在交通道路上的多种待检测事件进行检测,根据每种交通事件的特点,有针对性的提出相应的检测方法,来提高事件检测的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明交通事件检测方法的步骤示意图;
图2为本发明提供的道路正方向设定示意图;
图3为本发明车辆逆行判别模型的结构示意图;
图4为本发明提供的激光雷达点云图中的位置点示意图;
图5为本发明提供的激光雷达点云图中的位置向量示意图;
图6为本发明交通事件检测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的交通事件检测方法及装置。
如图1所示,本申请实施例中提供的交通事件检测方法,包括:
S101,获取车辆的待检测事件;
S102,根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;
其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故。
交通事件检测方法的工作原理为:首先确定车辆的待检测事件,其中,待检测事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故,根据上述待检测事件采用预设的相对应的交通事件检测模型进行检测,根据检测结果确定是否发生交通事件。本申请提供的技术方案是获取交通事件的参数信息,参数信息包括被检测车辆固有属性信息、时间信息、环境信息、位置信息、速度信息、状态信息以及基于以上信息进行的简要计算数据等。交通事件检测模型包括对各个交通事件进行判别的对应模型。
可以理解的是交通事件还可以包括其他驾驶行为,本申请在此不做限定。本发明主要应用于交通事件检测***。该***可以对发生在交通道路上的多种待检测事件进行检测,根据每种交通事件的特点,有针对性的提出相应的检测方法,来提高事件检测的精确度,本发明对该***的应用场景不做限定。
具体的,如图2所示,在对被检测车辆的行驶轨迹检测前,需要先规定道路的正方向,计算轨迹正方向在图像或者点云中车辆道路中的向量,记作c。本申请提供的交通事件检测方法,主要包括以下七种情况,每种情况所需要使用的数据信息都不完全相同。
一些实施例中,当所述待检测事件是车辆行驶方向时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取预设时间段内车辆待检测的轨迹方向;
计算所述轨迹方向与预设的轨迹正方向之间的夹角大小并将所述夹角大小与预设阈值进行对比;
如果所述夹角大小在预设阈值范围内,则确定发生车辆逆行事件。
具体的,如图3所示,当所述待检测事件是车辆行驶方向时,采用车辆逆行的判别模型,设待测轨迹方向为b,待测轨迹方向与中心轨迹方向夹角为α,预设阈值范围为90°至270°;如果90°<α<270°,则认为出现逆行。由于逆行并非瞬间的事件,我们可以将检测的时间间隔i拉大,b为轨迹点k到k-i之间的方向,逆向行驶的判别式
α在规定范围之外,或者
b·c<0
则出现车辆逆行事件。
一些实施例中,当所述待检测事件是车辆速度时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
划定车辆速度的检测区域;所述检测区域设有最高限速和最低限速;
在所述检测区域内获取速度检测点,以及与所述速度检测点相邻的预设个数的检测点的位移和时间;
基于激光雷达坐标系计算所述速度检测点的瞬时速度;
将所述瞬时速度与所述最高限速、最低限速进行对比;
如果所述瞬时速度高于所述最高限速或者低于所述最低限速,则确定发生车辆速度异常事件。
具体的,划定车辆速度的检测区域,在区域内始终对来往车辆进行速度检测。车辆在激光雷达坐标系中的坐标为真实世界中的坐标,单位一般为米,因此直接按照追踪车辆中心点坐标计算即可。计算速度时,轨迹在第m个检测点的瞬时速度v(m)取相邻5个检测点的位移和时间来计算。
其中x,y为追踪车辆中心在激光雷达坐标系下的坐标,t为5帧点云图像的时间差。
设高速公路在此路段的最高限速为vmax,最低限速为vmin,当前速度为v,当前车辆的状态为S,则
v(km/h)=v(k)×3.6
其中,λh=1.05,λl=0.95。
一些实施例中,当所述待检测事件是车辆停驶,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
对激光雷达点云中的待检测车辆进行追踪;
计算所述待检测车辆的轨迹在最小单位时间内的追踪位移,将所述追踪位移与最小安全行驶距离进行对比;
如果所述追踪位移小于最小安全距离,则确定发生车辆停驶事件。
具体的,对激光雷达点云中检测出的车辆进行追踪,当追踪目标的轨迹在最小时间判定单位时间δ内,不存在追踪位移或者追踪位移小于最小安全行驶距离时,判断该车辆处于停驶状态。
一些实施例中,当所述待检测事件是车辆违法变道时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
在激光雷达点云图的图像中预设不能变道实线的位置,将所述实线作为第一位置向量;
获取待检测车进入图像范围内的第一中点坐标和离开所述图像范围的第二中点坐标,得到移动轨迹;
将所述移动轨迹投影至所述第一位置向量所在的平面内,得到投影后的第二位置向量;
判断第一位置向量和第二位置向量是否存在交点,如果存在,则确定发生车辆违法变道事件。
具体的,如图4所示,首先在激光雷达拍摄图像中规定不能变道实线的位置,将实现线段的两端点分别记作A、B,则为实线在激光雷达点云图中的位置向量。此后通过追踪算法得到每一辆车进入图像范围内的中点坐标和离开图像的中点坐标,并将该轨迹投影至实线/>的平面内,投影后的两端点记作C、D,判断/>与/>是否相交。若有交点则存在违法变道的交通事件。
判断线段相交时,首先判断轨迹线段中x坐标较大的端点是否小于实线线段/>中x坐标较小的端点,若是,则说明两个线段必然没有交点;同理判断y坐标。
max(C.x,D.x)<min(A.x,B.x)||max(C.y,D.y)<min(A.y,B.y)||;
max(A.x,B.x)<min(C.x,D.x)||max(A.y,B.y)<min(C.y,C.y);
上述条件若有一个为真,则两线段必不相交。
其次,如图5所示,分别判断A点与B点是否在线段的两侧,即向量/>与向量/>分别在向量/>的两端,也就是/>同/>的叉积是否异号或等于0,即
若满足上述不等式,则判断出现违法变道事件。
一些实施例中,当所述待检测事件是占用应急车道时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
在激光雷达点云图的图像中标注应急车道区域与应急车道、行车道之间的长实线端点位置;
获取车辆行驶轨迹,判断所述车辆行驶轨迹是否与所述长实线存在交点或车辆停止在所述应急车道区域内;如果是,则确定发生占用应急车道事件。
具体的,首先标注图像中应急车道区域与应急车道和行车道之间的长实线端点位置。若车辆轨迹与该长实线有交叉或者车辆停止在应急车道区域,则判断出现占用应急车道事件。
一些实施例中,当所述待检测事件是交通路况时;所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取道路断面内的车辆的平均速度、车流量和车道占有率;
对所述车辆的平均速度、车流量和车道占有率进行加权计算,得到计算结果;
将所述计算结果与路况阈值进行对比,确定交通路况;所述交通路况包括畅通、饱和和拥堵。
具体的,交通路况一般分为三类,分别是畅通、饱和和拥堵。此指标的给出依据,基于车辆平均速度、车流量、车道占有率等指标进行加权计算得到。具体判断方式如下:
(1)车辆的平均速度;
在道路断面内(即视频可见道路区域),对检测出的车辆目标进行视频追踪,从目标出现在道路断面内到离开道路断面作为视频追踪的位移差,并转换为物理位移差,除以通过的时间差值,得到当前车辆的断面内的平均车速。
(2)车流量;
在道路断面内(即视频可见道路区域),对规定单位时间车辆通过的个数进行统计,计算车流量。
(3)车道占有率;
道路空间占有率定义为当前道路断面的单位面积中每个车辆所占面积的总和。实际实现中可以使用激光雷达点云识别得到每辆车的长度和道路上车辆的数量,计算占用的断面内的空间大小,与当前整个道路断面的空间的比率。
其中Rs为车道空间占有率,L为观测路段总长度,Li为第i辆车的长度,n为该路段的车辆数。
道路时间占有率指某一时间内,车辆通过某一道路断面累计时间占该段时间的百分比。在单位时间内,当存在车辆目标则为1,不存在车辆目标,则为0,存在车辆目标的时间累加值和整个单位时间的百分比,称之为道路时间占有率。
其中,Rt为车道时间占有率,tT为总观测时间,ti为第i辆车的观测时间,n为该路段的车辆数。
一些实施例中,当所述待检测事件是交通事故时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取车道占有率,在所述车道占有率低于占有率阈值时,获取车辆停驶时间,当所述车辆停驶时间大于时间阈值时,确定发生交通事故事件;和/或
判断激光雷达点云图的图像中是否存在三角形注意安全标志,若存在所述三角形注意安全标志,则确定发生交通事故时间。
具体的,(1)车道占有率低,但存在行车道上有车辆停驶时间大于时间阈值的情形。车道占有率低代表当前路段通畅,一辆或多辆车连续无故在行车道上停止代表出现紧急情况或发生交通事故。
(2)在相机视频中检测出车辆车主在道路上安放的三角形注意安全标志,若存在标志则判断存在交通事故事件或紧急事件。
综上所述,本申请提供的技术方案主要实现了以下功能:
获取车辆待检测的轨迹方向,判断与正方向之间所形成的夹角大小,检测是否存在逆行情况。
在划定区域内检测车辆的速度,将直接按照追踪车辆中心点坐标来计算。
获取追踪车辆在最小单位时间内位移,判断距离大小或位移距离和最小安全行驶距离的大小关系,检测是否处于停驶状态。
获取规定中车辆不能变道的位置,判断行驶轨迹与规定位置线段的位置关系,检测是否存在违法变道。
获取应急车道和行车道之间的端点位置,判断行驶轨迹与应急车道的位置关系,检测是否存在占用应急车道。
获取车辆速度,车流量和道路占有率等指标,通过加权计算得到交通路况。
获取车道占有率数据并检测视频中是否存在注意安全标志,检测是否存在交通事故。
本发明技术方案可覆盖发生在交通道路中的绝大多数交通事件,主要包括常见的几种行驶现象,通过对视频中车辆进行检测判断出道路中存在的异常行驶事件。且本发明技术方案对每种行驶现象都进行了具体分析,并设计合理的检测方法来完成针对性检测,提高视频的检测精确度和检测效率,针对交通道路中发生的每种事件都提出了针对性的检测方法,区别于以往技术,针对性更强,检测的精确度也更高。
如图6所示,本申请实施例提供一种交通事件检测装置,包括:
获取模块601,用于获取车辆的待检测事件;
检测模块602,用于根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;
其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故。
本申请实施例提供的交通事件检测装置的工作原理为,首先获取模块601 获取车辆的待检测事件;然后检测模块602根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故。
本申请实施例提供一种计算机设备,包括处理器,以及与处理器连接的存储器;
存储器用于存储计算机程序,计算机程序用于执行上述任一实施例提供的交通事件检测方法;
处理器用于调用并执行存储器中的计算机程序。
综上所述,本发明提供一种交通事件检测方法及装置,所述方法包括获取车辆的待检测事件;根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故。本申请提供的技术方案主要应用于交通事件检测,可以对发生在交通道路上的多种待检测事件进行检测,根据每种交通事件的特点,有针对性的提出相应的检测方法,来提高事件检测的精确度。本申请提供的技术方案将可能发生在交通道路中的多种车辆待检测事件纳入统一的检测方案中,可覆盖绝大多数的交通事件,针对每种事件都提出相应的检测方法,使得交通事件检测的范围更广,对视频中车辆待检测事件的检测精确度也更高。
可以理解的是,上述提供的方法实施例与上述的装置实施例对应,相应的具体内容可以相互参考,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品,该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种交通事件检测方法,其特征在于,包括:
获取车辆的待检测事件;
根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;
其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故;
当所述待检测事件是车辆停驶,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
对激光雷达点云中的待检测车辆进行追踪;
计算所述待检测车辆的轨迹在最小单位时间内的追踪位移,将所述追踪位移与最小安全行驶距离进行对比;
如果所述追踪位移小于最小安全距离,则确定发生车辆停驶事件;
当所述待检测事件是车辆违法变道时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
在激光雷达点云图的图像中预设不能变道实线的位置,将所述实线作为第一位置向量;
获取待检测车进入图像范围内的第一中点坐标和离开所述图像范围的第二中点坐标,得到移动轨迹;
将所述移动轨迹投影至所述第一位置向量所在的平面内,得到投影后的第二位置向量;
判断第一位置向量和第二位置向量是否存在交点,如果存在,则确定发生车辆违法变道事件;
当所述待检测事件是占用应急车道时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
在激光雷达点云图的图像中标注应急车道区域与应急车道、行车道之间的长实线端点位置;
获取车辆行驶轨迹,判断所述车辆行驶轨迹是否与所述长实线存在交点或车辆停止在所述应急车道区域内;如果是,则确定发生占用应急车道事件;
当所述待检测事件是交通事故时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取车道占有率,在所述车道占有率低于占有率阈值时,获取车辆停驶时间,当所述车辆停驶时间大于时间阈值时,确定发生交通事故事件;和/或
判断激光雷达点云图的图像中是否存在三角形注意安全标志,若存在所述三角形注意安全标志,则确定发生交通事故时间。
2.根据权利要求1所述的方法,其特征在于,当所述待检测事件是车辆行驶方向时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取预设时间段内车辆待检测的轨迹方向;
计算所述轨迹方向与预设的轨迹正方向之间的夹角大小并将所述夹角大小与预设阈值进行对比;
如果所述夹角大小在预设阈值范围内,则确定发生车辆逆行事件。
3.根据权利要求1所述的方法,其特征在于,当所述待检测事件是车辆速度时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
划定车辆速度的检测区域;所述检测区域设有最高限速和最低限速;
在所述检测区域内获取速度检测点,以及与所述速度检测点相邻的预设个数的检测点的位移和时间;
基于激光雷达坐标系计算所述速度检测点的瞬时速度;
将所述瞬时速度与所述最高限速、最低限速进行对比;
如果所述瞬时速度高于所述最高限速或者低于所述最低限速,则确定发生车辆速度异常事件。
4.根据权利要求1所述的方法,其特征在于,当所述待检测事件是交通路况时;所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取道路断面内的车辆的平均速度、车流量和车道占有率;
对所述车辆的平均速度、车流量和车道占有率进行加权计算,得到计算结果;
将所述计算结果与路况阈值进行对比,确定交通路况;所述交通路况包括畅通、饱和和拥堵。
5.一种交通事件检测装置,其特征在于,包括:
获取模块,用于获取车辆的待检测事件;
检测模块,用于根据所述待检测事件采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件;
其中,所述交通事件包括车辆逆行、车辆速度异常、车辆停驶、车辆违法变道、占用应急车道、交通路况以及交通事故;
当所述待检测事件是车辆停驶,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
对激光雷达点云中的待检测车辆进行追踪;
计算所述待检测车辆的轨迹在最小单位时间内的追踪位移,将所述追踪位移与最小安全行驶距离进行对比;
如果所述追踪位移小于最小安全距离,则确定发生车辆停驶事件;
当所述待检测事件是车辆停驶,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
对激光雷达点云中的待检测车辆进行追踪;
计算所述待检测车辆的轨迹在最小单位时间内的追踪位移,将所述追踪位移与最小安全行驶距离进行对比;
如果所述追踪位移小于最小安全距离,则确定发生车辆停驶事件;
当所述待检测事件是车辆违法变道时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
在激光雷达点云图的图像中预设不能变道实线的位置,将所述实线作为第一位置向量;
获取待检测车进入图像范围内的第一中点坐标和离开所述图像范围的第二中点坐标,得到移动轨迹;
将所述移动轨迹投影至所述第一位置向量所在的平面内,得到投影后的第二位置向量;
判断第一位置向量和第二位置向量是否存在交点,如果存在,则确定发生车辆违法变道事件;
当所述待检测事件是占用应急车道时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
在激光雷达点云图的图像中标注应急车道区域与应急车道、行车道之间的长实线端点位置;
获取车辆行驶轨迹,判断所述车辆行驶轨迹是否与所述长实线存在交点或车辆停止在所述应急车道区域内;如果是,则确定发生占用应急车道事件;
当所述待检测事件是交通事故时,所述采用对应的交通事件检测模型进行检测并根据检测结果确定是否发生交通事件,包括:
获取车道占有率,在所述车道占有率低于占有率阈值时,获取车辆停驶时间,当所述车辆停驶时间大于时间阈值时,确定发生交通事故事件;和/或
判断激光雷达点云图的图像中是否存在三角形注意安全标志,若存在所述三角形注意安全标志,则确定发生交通事故时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111248148.3A CN113936465B (zh) | 2021-10-26 | 2021-10-26 | 交通事件检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111248148.3A CN113936465B (zh) | 2021-10-26 | 2021-10-26 | 交通事件检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936465A CN113936465A (zh) | 2022-01-14 |
CN113936465B true CN113936465B (zh) | 2023-08-18 |
Family
ID=79284278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111248148.3A Active CN113936465B (zh) | 2021-10-26 | 2021-10-26 | 交通事件检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936465B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596704B (zh) * | 2022-03-14 | 2023-06-20 | 阿波罗智联(北京)科技有限公司 | 交通事件处理方法、装置、设备及存储介质 |
CN114708733A (zh) * | 2022-04-28 | 2022-07-05 | 上海市城市建设设计研究总院(集团)有限公司 | 智慧城市交通安全管理决策支持*** |
CN115331457B (zh) * | 2022-05-17 | 2024-03-29 | 重庆交通大学 | 一种车速管理方法及*** |
CN115273456B (zh) * | 2022-06-14 | 2023-08-29 | 北京车网科技发展有限公司 | 一种两轮电动车违规行驶的判定方法、***和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050112248A (ko) * | 2004-05-25 | 2005-11-30 | 오주삼 | 돌발 감지 시스템 및 그 방법 |
CN103366571A (zh) * | 2013-07-03 | 2013-10-23 | 河南中原高速公路股份有限公司 | 智能的夜晚交通事件检测方法 |
KR20140061156A (ko) * | 2012-11-13 | 2014-05-21 | 한국건설기술연구원 | 도로표지판의 위치검출 방법 |
CN105513349A (zh) * | 2014-12-03 | 2016-04-20 | 中咨泰克交通工程集团有限公司 | 基于双视角学习的山区高速公路车辆事件检测方法 |
JP2016186762A (ja) * | 2015-03-27 | 2016-10-27 | 住友電工システムソリューション株式会社 | 交通事象推定装置、交通事象推定システム、交通事象推定方法及びコンピュータプログラム |
CN106297314A (zh) * | 2016-11-03 | 2017-01-04 | 北京文安智能技术股份有限公司 | 一种逆行或压线车辆行为的检测方法、装置及一种球机 |
CN106683530A (zh) * | 2017-02-21 | 2017-05-17 | 南京多伦科技股份有限公司 | 一种基于三维激光视觉和高精度车道模型的计算机评判***和方法 |
CN108846333A (zh) * | 2018-05-30 | 2018-11-20 | 厦门大学 | 标志牌地标数据集生成及车辆定位方法 |
CN110570664A (zh) * | 2019-09-23 | 2019-12-13 | 山东科技大学 | 一种高速公路交通事件自动检测*** |
CN111753634A (zh) * | 2020-03-30 | 2020-10-09 | 上海高德威智能交通***有限公司 | 交通事件检测方法和设备 |
CN112099040A (zh) * | 2020-09-15 | 2020-12-18 | 浙江省机电设计研究院有限公司 | 基于激光雷达网络的全程连续轨迹车辆追踪***及方法 |
DE102019116892A1 (de) * | 2019-06-24 | 2020-12-24 | Valeo Schalter Und Sensoren Gmbh | Fahrspurereignisantizipation durch LiDAR-Straßenbegrenzungserfassung |
CN112150576A (zh) * | 2019-06-28 | 2020-12-29 | 华晨汽车集团控股有限公司 | 一种高精度矢量地图采集***和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10839005B2 (en) * | 2018-12-24 | 2020-11-17 | Automotive Research & Testing Center | Dynamic graphic information classification device and method |
-
2021
- 2021-10-26 CN CN202111248148.3A patent/CN113936465B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050112248A (ko) * | 2004-05-25 | 2005-11-30 | 오주삼 | 돌발 감지 시스템 및 그 방법 |
KR20140061156A (ko) * | 2012-11-13 | 2014-05-21 | 한국건설기술연구원 | 도로표지판의 위치검출 방법 |
CN103366571A (zh) * | 2013-07-03 | 2013-10-23 | 河南中原高速公路股份有限公司 | 智能的夜晚交通事件检测方法 |
CN105513349A (zh) * | 2014-12-03 | 2016-04-20 | 中咨泰克交通工程集团有限公司 | 基于双视角学习的山区高速公路车辆事件检测方法 |
JP2016186762A (ja) * | 2015-03-27 | 2016-10-27 | 住友電工システムソリューション株式会社 | 交通事象推定装置、交通事象推定システム、交通事象推定方法及びコンピュータプログラム |
CN106297314A (zh) * | 2016-11-03 | 2017-01-04 | 北京文安智能技术股份有限公司 | 一种逆行或压线车辆行为的检测方法、装置及一种球机 |
CN106683530A (zh) * | 2017-02-21 | 2017-05-17 | 南京多伦科技股份有限公司 | 一种基于三维激光视觉和高精度车道模型的计算机评判***和方法 |
CN108846333A (zh) * | 2018-05-30 | 2018-11-20 | 厦门大学 | 标志牌地标数据集生成及车辆定位方法 |
DE102019116892A1 (de) * | 2019-06-24 | 2020-12-24 | Valeo Schalter Und Sensoren Gmbh | Fahrspurereignisantizipation durch LiDAR-Straßenbegrenzungserfassung |
CN112150576A (zh) * | 2019-06-28 | 2020-12-29 | 华晨汽车集团控股有限公司 | 一种高精度矢量地图采集***和方法 |
CN110570664A (zh) * | 2019-09-23 | 2019-12-13 | 山东科技大学 | 一种高速公路交通事件自动检测*** |
CN111753634A (zh) * | 2020-03-30 | 2020-10-09 | 上海高德威智能交通***有限公司 | 交通事件检测方法和设备 |
CN112099040A (zh) * | 2020-09-15 | 2020-12-18 | 浙江省机电设计研究院有限公司 | 基于激光雷达网络的全程连续轨迹车辆追踪***及方法 |
Non-Patent Citations (1)
Title |
---|
基于多目标跟踪的交通异常事件检测;高新闻;《计算机应用研究》;20210630;1879-1883 * |
Also Published As
Publication number | Publication date |
---|---|
CN113936465A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113936465B (zh) | 交通事件检测方法及装置 | |
US11990036B2 (en) | Driver behavior monitoring | |
Shirazi et al. | Looking at intersections: a survey of intersection monitoring, behavior and safety analysis of recent studies | |
Zhang et al. | Prediction of pedestrian-vehicle conflicts at signalized intersections based on long short-term memory neural network | |
Shirazi et al. | Vision-based turning movement monitoring: count, speed & waiting time estimation | |
CN102568206B (zh) | 一种基于视频监控的违章停车检测方法 | |
EP3403219A1 (en) | Driver behavior monitoring | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN114529880A (zh) | 一种城市轨道异物侵限检测方法、装置、***及存储介质 | |
Abdelraouf et al. | Trajectory prediction for vehicle conflict identification at intersections using sequence-to-sequence recurrent neural networks | |
Wang et al. | Vision-based highway traffic accident detection | |
Scora et al. | Real-time roadway emissions estimation using visual traffic measurements | |
CN113538909A (zh) | 一种自动驾驶车辆交通事件预测方法及装置 | |
CN115907462A (zh) | 基于无人机视频的交叉口安全状态感知与诊断治理***及方法 | |
CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及*** | |
Detzer et al. | Analysis of traffic safety for cyclists: The automatic detection of critical traffic situations for cyclists | |
Yang et al. | Rapid analysis and detection algorithm and prevention countermeasures of urban traffic accidents under artificial intelligence | |
Abdelhalim | A real-time computer vision based framework for urban traffic safety assessment and driver behavior modeling using virtual traffic lanes | |
CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警***及方法 | |
Uchiyama et al. | Risky Traffic Situation Detection and Classification Using Smartphones | |
Patil et al. | Infrastructure Camera Video Data Processing of Traffic at Roundabouts | |
Salehipour | AI-Based Analysis of Road User Interactions at a Signalized Intersection Using YOLOX and the Surrogate Safety Measure | |
Shirazi et al. | Safety quantification of intersections using computer vision techniques | |
Harini et al. | Intelligent Accident Detection and Severity Analysis System for Enhanced Emergency Response | |
Hao | Method for Identifying Motor Vehicle Traffic Violations Based on Improved YOLOv Network |
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 |