CN114333318A - 一种基于传感器空间角摩托车碰撞检测方法 - Google Patents
一种基于传感器空间角摩托车碰撞检测方法 Download PDFInfo
- Publication number
- CN114333318A CN114333318A CN202111671658.1A CN202111671658A CN114333318A CN 114333318 A CN114333318 A CN 114333318A CN 202111671658 A CN202111671658 A CN 202111671658A CN 114333318 A CN114333318 A CN 114333318A
- Authority
- CN
- China
- Prior art keywords
- cosine
- speed
- preset
- data packets
- static state
- 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
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于传感器空间角摩托车碰撞检测方法,包括S1:获取解析摩托车设备端实时上传的轨迹数据包,得到预定时长和纬度的车辆运动参数;S2:对车辆运动参数数据进行预处理;S3:构建静止状态历史特征库;S4:获取实时回传运动状态片段的特征;S5:计算实时回传运动状态片段的特征与静止状态历史特征构成的余弦空间角;S6:根据余弦空间角结合车辆运动参数判定是否发生碰撞。本发明通过计算实时三轴加速度与静止状态三轴加速度的余弦空间角,对碰撞进行判定,使得碰撞检测更具有针对性,实现了对摩托车更为精确的碰撞检测。
Description
技术领域
本发明涉及摩托车碰撞检测技术领域,特别涉及一种基于传感器空间角摩托车碰撞检测方法。
背景技术
目前在基于传感器数据的碰撞检测技术中,一般是通过对车辆行驶即时数据统计分析、用户行为分析等方法进行碰撞检测,然而在摩托车碰撞检测领域中,也是利用对车辆碰撞检测的方法进行碰撞检测,存在如下弊端:
1、过多参考汽车碰撞检测技术,且即便假设摩托车与汽车的行驶轨迹数据分布相一致,然而目前还未有对该特定群体进行差异化有针对性、个性化的研究,导致部分摩托车摔车或倒车的案例并不适配汽车碰撞检测技术,从而产生较多漏报。
2、对于摩托车用户群体而言,其出现的地理空间位置多样,并不同于汽车一般只出现在城市道路交通中,对于摩托车来说时常因为地理空间位置的影响而导致即时轨迹信息出现局部峰值,然而现有方法忽略了车辆的空间信息影响,导致出现较多误报。
3、摩托车发生碰撞与汽车发生碰撞后,存在用户行为不同,摩托车发生摔车或倒车后有时用户会快速将车辆抚正,具有瞬时性,而现有的汽车碰撞检测技术大多依赖于产生大加速度是否停车以及停车后的数据信息,因此使用检测汽车碰撞技术对摩托车进行碰撞检测具有滞后性,会导致产生较多漏报。
发明内容
为解决上述问题,本发明提供了一种基于传感器空间角摩托车碰撞检测方法,以摩托车发生摔车时,传感器采集到即时的三轴加速度与静止状态三轴加速度所构成的空间角进行有差异化的建模,从而使得碰撞检测更具有针对性、能够更为精准地检测摩托车是否发生碰撞、摔车或者倒车。
本发明提供了一种基于传感器空间角摩托车碰撞检测方法,具体技术方案如下:
S1:获取摩托车设备端实时上传的轨迹数据包,进行解析,获取预定时长和纬度的车辆运动参数;
S2:对解析得到的车辆运动参数数据进行预处理;
S3:构建静止状态历史特征库;
S4:获取实时回传运动状态片段的特征;
S5:计算所述实时回传运动状态片段的特征与静止状态历史特征构成的余弦空间角;
S6:根据所述余弦空间角,结合车辆运动参数识别是否发生碰撞。
进一步的,所述车辆运动参数包括数据包上传时间、定位状态、速度和三轴加速度。
进一步的,所述预处理包括剔除无效值和缺失值处理;
所述剔除无效值为去除传感器采集的超出设定范围的数据;
所述缺失值处理为剔除缺失率较高者维度以及对缺失率较低者维度用当前时刻前后相邻数据包的中位数进行填充。
进一步的,所述静止状态历史特征库,具体构建过程如下:
S301:获取静止状态数据包;
所述静止状态数据包,包括:定位状态下,速度大于静止状态速度预设阈值的数据包,以及非定位状态下,传感器设备采集的加速度三轴模长大于加速度三轴模长预设阈值的数据包;
S302:筛选纯静止数据包;
计算所述静止状态数据包,两两数据包相关特征之间的余弦距离;
根据所述余弦距离,从中筛选出纯静止数据包,所述纯静止数据包与其它数据包的余弦距离都大于设备姿态接近静止状态时的余弦距离预设阈值;
S303:计算所述纯静止数据包所需特征相关统计量。
进一步的,在步骤S4中,获取所述实时回传运动状态片段的特征,具体过程如下:
从停车的前一个采集时刻点开始,获取该采集时刻点之间的数据包,并计算相邻数据包之间的余弦距离;
判断余弦距离是否大于设备姿态接近静止状态时的余弦距离预设阈值,同时判断在后采集时刻点数据包速度是否大于静止状态速度预设阈值;
直至余弦距离大于设备姿态接近静止状态时的余弦距离预设阈值或在后采集时刻点数据包速度大于静止状态速度预设阈值。
进一步的,遍历结束后,还包括数据的修正,通过计算遍历后输出的数据包与纯静止数据包加速度三轴之间的余弦距离,将该余弦距离小于设备姿态接近静止状态时的余弦距离预设阈值对应的数据包筛选出;
若筛选出的结果不为空,则将结果中的加速度三轴中位数作为修正结果输出;
若筛选出的结果为空,则将遍历后输出数据包中加速度三轴中位数作为修正结果输出。
进一步的,在步骤S6中,分别设置不同等级速度场景的速度预设阈值和不同等级速度场景碰撞预设余弦阈值,包括中速场景速度预设阈值、高速场景速度预设阈值,低速场景碰撞预设余弦阈值、中速场景碰撞预设余弦阈值和高速场景碰撞预设余弦阈值;
根据实时速度、余弦空间角分别与对应的速度预设阈值以及碰撞预设余弦阈值的比较结果,判定是否发生碰撞。
本发明的有益效果如下:
1、基于摩托车用户群体驾驶行为易剧变等特殊性,通过构建静止状态历史特征库,将实时获取的自身运动状态特征与历史静止状态特征进行对比,针对摩托车碰撞检测,提高其检测准确性,避免因摩托车车型、传感器设备安装姿态、驾驶行为的温和程度以及行驶路况等因素的差异性而导致的误报。
2、通过实时计算摩托车运动状态特征与静止状态特征的空间角,预测摩托车实时的行驶姿态,通过对比与静止状态构成空间角的差异性,以及与倒地状态构成空间角的相似性,更加准确地识别摩托车是否发生摔车或者倒车行为,进而提升摩托车碰撞、摔车和倒车检测的召回率。
附图说明
图1是本发明的方法流程示意图。
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明的实施例1公开了一种基于传感器空间角摩托车碰撞检测方法,如图1所示,具体步骤流程如下:
S1:获取摩托车设备端实时上传的轨迹数据包,进行解析得到相关数据信息字段,获取预定时长和纬度的车辆运动参数;
数据包解析的所述相关数据信息字段,包括数据包上传时间、定位状态、速度和三轴加速度。
S2:对解析得到的车辆运动参数相关维度的数据进行预处理;
所述预处理包括剔除无效值和缺失值处理;
所述剔除无效值为去除传感器采集的超出设定范围的数据;
所述缺失值处理为剔除缺失率较高者维度以及对缺失率较低者维度用当前时刻前后相邻数据包的中位数进行填充。
S3:构建静止状态历史特征库;
具体构建过程如下:
S301:获取静止状态数据包;
所述静止状态数据包,包括:定位状态下,速度大于静止状态速度预设阈值的数据包,以及非定位状态下,传感器设备采集的加速度三轴模长大于加速度三轴模长预设阈值的数据包;
记定位状态下,静止状态预设阈值为Tv,传感器设备采集的加速度三轴模长的预设阈值为Tm,传感器设备采集的加速度三轴模长计算公式如下:
若定位状态下,速度小于静止状态预设阈值Tv,传感器设备采集的加速度三轴模长大于预设阈值Tm,则该数据包为静止状态数据包。
S302:筛选纯静止数据包;
计算所述静止状态数据包,两两数据包相关特征之间的余弦距离;
根据所述余弦距离,从中筛选出纯静止数据包,所述纯静止数据包与其它数据包的余弦距离都大于设备姿态接近静止状态时的余弦距离预设阈值;
记传感器设备姿态接近静止状态时的余弦距离预设阈值为Tc;
通过上述余弦距离计算公式,基于步骤S301中获取的静止状态数据包,计算两两数据包之间加速度三轴的余弦距离,若当前数据包与其它数据包构成的余弦距离都大于Tc,则当前数据包为纯静止数据包。
S303:计算所述纯静止数据包所需特征相关统计量;
单个传感器设备历史数据包满足上述筛选纯静止数据包过程的数据包,构成单个设备纯静止历史数据包,记为基于此纯静止历史数据包,可得传感器设备静止状态加速度三轴值,即为历史纯静止数据包加速度三轴各个分量的中位数,表示如下:
S4:获取实时回传运动状态片段的特征;
具体过程如下:
初始化运动状态加速度三轴;
从停车的前一个采集时刻点采集的数据包开始,往前依次遍历,获取并计算相邻数据包之间的余弦距离;
若当前数据包加速度三轴的模长大于Tm,速度大于Tv,且当前数据包与前一个数据包的余弦角距离大于等于Tc,则将当前数据包添加到运动状态数据包列表中,直到与前一个数据包的余弦角距离小于Tc,则结束遍历;
修正得到的所述运动状态加速度三轴;
计算得到的运动状态数据包列表中的加速度三轴,与步骤S3中获得的历史纯静止数据包加速度三轴之间的余弦距离;
若余弦距离小于Tc,则将对应的运动数据状态包添加到纯运动状态加速度三轴列表,否则不添加纯运动状态加速度三轴列表;
若纯运动状态加速度三轴列表不为空,则实时纯运动加速度三轴值为该列表加速度三轴的中位数;
若纯运动状态加速度三轴列表为空,则实时纯运动加速度三轴值为获取到的所述运动状态数据包列表加速度中位数。
S5:计算所述实时回传运动状态片段的特征与静止状态历史特征构成的余弦空间角;
基于步骤S4中计算得到的实时回传运动状态加速度三轴与步骤S3中获得的纯静止历史加速度三轴,计算两者的余弦距离,记为cossensor_motion_static。
S6:根据所述余弦空间角,结合车辆运动参数识别是否发生碰撞;
分别设置不同等级速度场景的速度预设阈值和不同等级速度场景碰撞预设余弦阈值,包括中速场景速度预设阈值Tmoderate_speed、高速场景速度预设阈值Thight_speed,低速场景碰撞预设余弦阈值Tcos_low_speed、中速场景碰撞预设余弦阈值Tcos_moderate_speed和高速场景碰撞预设余弦阈值Tcos_hight_speed;
根据实时速度、余弦空间角分别与对应的速度预设阈值以及碰撞预设余弦阈值的比较结果,判定是否发生碰撞;
若实时速度小于Tmoderate_speed,且步骤S5中计算得到的余弦距离小于Tcos_low_speed,则判定该车发生碰撞;
若实时速度小于Thight_speed,且步骤S5中计算得到的余弦距离小于Tcos_moderate_speed,则判定该车发生碰撞;
若实时速度大于等于Thight_speed,且步骤S5中计算得到的余弦距离小于Tcos_hight_speed,则判定该车发生碰撞。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (7)
1.一种基于传感器空间角摩托车碰撞检测方法,其特征在于,包括:
S1:获取摩托车设备端实时上传的轨迹数据包,进行解析,获取预定时长和纬度的车辆运动参数;
S2:对解析得到的车辆运动参数数据进行预处理;
S3:构建静止状态历史特征库;
S4:获取实时回传运动状态片段的特征;
S5:计算所述实时回传运动状态片段的特征与静止状态历史特征构成的余弦空间角;
S6:根据所述余弦空间角,结合车辆运动参数识别是否发生碰撞。
2.根据权利要求1所述的基于传感器空间角摩托车碰撞检测方法,其特征在于,所述车辆运动参数包括数据包上传时间、定位状态、速度和三轴加速度。
3.根据权利要求1所述的基于传感器空间角摩托车碰撞检测方法,其特征在于,所述预处理包括剔除无效值和缺失值处理;
所述剔除无效值为去除传感器采集的超出设定范围的数据;
所述缺失值处理为剔除缺失率较高者维度以及对缺失率较低者维度用当前时刻前后相邻数据包的中位数进行填充。
4.根据权利要求1-3任一所述的基于传感器空间角摩托车碰撞检测方法,其特征在于,所述静止状态历史特征库,具体构建过程如下:
S301:获取静止状态数据包;
所述静止状态数据包,包括:定位状态下,速度大于静止状态速度预设阈值的数据包,以及非定位状态下,传感器设备采集的加速度三轴模长大于加速度三轴模长预设阈值的数据包;
S302:筛选纯静止数据包;
计算所述静止状态数据包,两两数据包相关特征之间的余弦距离;
根据所述余弦距离,从中筛选出纯静止数据包,所述纯静止数据包与其它数据包的余弦距离都大于设备姿态接近静止状态时的余弦距离预设阈值;
S303:计算所述纯静止数据包所需特征相关统计量。
5.根据权利要求1-3任一所述的基于传感器空间角摩托车碰撞检测方法,其特征在于,在步骤S4中,获取所述实时回传运动状态片段的特征,具体过程如下:
从停车的前一个采集时刻点开始,获取该采集时刻点之间的数据包,并计算相邻数据包之间的余弦距离;
判断余弦距离是否大于设备姿态接近静止状态时的余弦距离预设阈值,同时判断在后采集时刻点数据包速度是否大于静止状态速度预设阈值;
直至余弦距离大于设备姿态接近静止状态时的余弦距离预设阈值或在后采集时刻点数据包速度大于静止状态速度预设阈值。
6.根据权利要求5所述的基于传感器空间角摩托车碰撞检测方法,其特征在于,遍历结束后,还包括数据的修正,通过计算遍历后输出的数据包与纯静止数据包加速度三轴之间的余弦距离,将该余弦距离小于设备姿态接近静止状态时的余弦距离预设阈值对应的数据包筛选出;
若筛选出的结果不为空,则将结果中的加速度三轴中位数作为修正结果输出;
若筛选出的结果为空,则将遍历后输出数据包中加速度三轴中位数作为修正结果输出。
7.根据权利要求1-3任一所述的基于传感器空间角摩托车碰撞检测方法,其特征在于,在步骤S6中,分别设置不同等级速度场景的速度预设阈值和不同等级速度场景碰撞预设余弦阈值,包括中速场景速度预设阈值、高速场景速度预设阈值,低速场景碰撞预设余弦阈值、中速场景碰撞预设余弦阈值和高速场景碰撞预设余弦阈值;
根据实时速度、余弦空间角分别与对应的速度预设阈值以及碰撞预设余弦阈值的比较结果,判定是否发生碰撞。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111671658.1A CN114333318B (zh) | 2021-12-31 | 2021-12-31 | 一种基于传感器空间角摩托车碰撞检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111671658.1A CN114333318B (zh) | 2021-12-31 | 2021-12-31 | 一种基于传感器空间角摩托车碰撞检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114333318A true CN114333318A (zh) | 2022-04-12 |
CN114333318B CN114333318B (zh) | 2023-04-28 |
Family
ID=81021544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111671658.1A Active CN114333318B (zh) | 2021-12-31 | 2021-12-31 | 一种基于传感器空间角摩托车碰撞检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333318B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09150709A (ja) * | 1995-11-30 | 1997-06-10 | Nec Home Electron Ltd | 車両の衝突判定方法及び衝突判定装置 |
CN101299301A (zh) * | 2007-05-04 | 2008-11-05 | 通用汽车环球科技运作公司 | 具有集成数字地图的慢速或停止车辆的提前顾问 |
DE102008029667A1 (de) * | 2008-06-24 | 2009-12-31 | Adam, Udo | Motorrad mit gesichertem Vorderradstoßdämpfer |
WO2011018321A1 (de) * | 2009-08-11 | 2011-02-17 | Robert Bosch Gmbh | Kollisionsüberwachung für ein kraftfahrzeug |
BRPI0904304A2 (pt) * | 2009-10-29 | 2011-06-28 | Joao Ignacio Goulart Neto | sistema anticolisão entre veìculos automotores e motocicletas, bicicletas e similares e abre alas para veìculos em emergência |
CN104021601A (zh) * | 2014-05-30 | 2014-09-03 | 爱培科科技开发(深圳)有限公司 | 基于三轴加速度传感器的汽车碰撞检测方法和装置 |
CN104603855A (zh) * | 2012-09-03 | 2015-05-06 | 丰田自动车株式会社 | 碰撞判定装置和碰撞判定方法 |
CN108025767A (zh) * | 2015-09-17 | 2018-05-11 | 索尼公司 | 用于为安全超车提供驾驶辅助的***和方法 |
CN108877261A (zh) * | 2017-05-10 | 2018-11-23 | 杜卡迪摩托控股有限公司 | 具有用于检测从后方靠近的车辆的装置的摩托车 |
WO2018229565A1 (ja) * | 2017-06-12 | 2018-12-20 | ローベルト ボッシュ ゲゼルシャフト ミット ベシュレンクテル ハフツング | 衝突警告システムのための処理ユニット及び処理方法、衝突警告システム、及び、モータサイクル |
CN109342765A (zh) * | 2018-10-12 | 2019-02-15 | 成都四方伟业软件股份有限公司 | 车辆碰撞检测方法及装置 |
CN109649386A (zh) * | 2018-12-26 | 2019-04-19 | 成都路行通信息技术有限公司 | 一种基于机器学习的车辆碰撞检测方法 |
CN109849904A (zh) * | 2019-03-27 | 2019-06-07 | 重庆卡佐科技有限公司 | 车辆碰撞识别装置 |
CN110766982A (zh) * | 2019-09-26 | 2020-02-07 | 浙江从泰网络科技有限公司 | 基于车载传感器的车辆碰撞检测*** |
CN111417557A (zh) * | 2017-12-06 | 2020-07-14 | 罗伯特·博世有限公司 | 对摩托车的行为进行控制的控制装置和控制方法 |
JP2021157351A (ja) * | 2020-03-26 | 2021-10-07 | Jrcモビリティ株式会社 | 衝突防止システムおよび衝突防止方法 |
CN113763702A (zh) * | 2021-08-03 | 2021-12-07 | 信通院车联网创新中心(成都)有限公司 | 一种基于v2v的宜人化的前方碰撞预警***及预警方法 |
-
2021
- 2021-12-31 CN CN202111671658.1A patent/CN114333318B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09150709A (ja) * | 1995-11-30 | 1997-06-10 | Nec Home Electron Ltd | 車両の衝突判定方法及び衝突判定装置 |
CN101299301A (zh) * | 2007-05-04 | 2008-11-05 | 通用汽车环球科技运作公司 | 具有集成数字地图的慢速或停止车辆的提前顾问 |
DE102008029667A1 (de) * | 2008-06-24 | 2009-12-31 | Adam, Udo | Motorrad mit gesichertem Vorderradstoßdämpfer |
WO2011018321A1 (de) * | 2009-08-11 | 2011-02-17 | Robert Bosch Gmbh | Kollisionsüberwachung für ein kraftfahrzeug |
BRPI0904304A2 (pt) * | 2009-10-29 | 2011-06-28 | Joao Ignacio Goulart Neto | sistema anticolisão entre veìculos automotores e motocicletas, bicicletas e similares e abre alas para veìculos em emergência |
CN104603855A (zh) * | 2012-09-03 | 2015-05-06 | 丰田自动车株式会社 | 碰撞判定装置和碰撞判定方法 |
CN104021601A (zh) * | 2014-05-30 | 2014-09-03 | 爱培科科技开发(深圳)有限公司 | 基于三轴加速度传感器的汽车碰撞检测方法和装置 |
CN108025767A (zh) * | 2015-09-17 | 2018-05-11 | 索尼公司 | 用于为安全超车提供驾驶辅助的***和方法 |
CN108877261A (zh) * | 2017-05-10 | 2018-11-23 | 杜卡迪摩托控股有限公司 | 具有用于检测从后方靠近的车辆的装置的摩托车 |
WO2018229565A1 (ja) * | 2017-06-12 | 2018-12-20 | ローベルト ボッシュ ゲゼルシャフト ミット ベシュレンクテル ハフツング | 衝突警告システムのための処理ユニット及び処理方法、衝突警告システム、及び、モータサイクル |
CN111417557A (zh) * | 2017-12-06 | 2020-07-14 | 罗伯特·博世有限公司 | 对摩托车的行为进行控制的控制装置和控制方法 |
CN109342765A (zh) * | 2018-10-12 | 2019-02-15 | 成都四方伟业软件股份有限公司 | 车辆碰撞检测方法及装置 |
CN109649386A (zh) * | 2018-12-26 | 2019-04-19 | 成都路行通信息技术有限公司 | 一种基于机器学习的车辆碰撞检测方法 |
CN109849904A (zh) * | 2019-03-27 | 2019-06-07 | 重庆卡佐科技有限公司 | 车辆碰撞识别装置 |
CN110766982A (zh) * | 2019-09-26 | 2020-02-07 | 浙江从泰网络科技有限公司 | 基于车载传感器的车辆碰撞检测*** |
JP2021157351A (ja) * | 2020-03-26 | 2021-10-07 | Jrcモビリティ株式会社 | 衝突防止システムおよび衝突防止方法 |
CN113763702A (zh) * | 2021-08-03 | 2021-12-07 | 信通院车联网创新中心(成都)有限公司 | 一种基于v2v的宜人化的前方碰撞预警***及预警方法 |
Non-Patent Citations (1)
Title |
---|
张瑞臻等: "摩托车-行人事故中碰撞瞬间形态分析重建" * |
Also Published As
Publication number | Publication date |
---|---|
CN114333318B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074401B (zh) | 一种车辆加塞行为判别方法及装置 | |
CN105513349B (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
EP1575014A2 (en) | Method and apparatus for processing pictures of vehicles | |
CN113676702B (zh) | 基于视频流的目标追踪监测方法、***、装置及存储介质 | |
CN111131617A (zh) | 一种基于智能手机的驾驶行为分析与反馈方法 | |
CN111915883A (zh) | 一种基于车载摄像的道路交通状况检测方法 | |
Fox et al. | Crowdsourcing undersampled vehicular sensor data for pothole detection | |
CN116245911B (zh) | 一种视频过线统计方法 | |
CN114898326A (zh) | 基于深度学习的单行道车辆逆行检测方法、***及设备 | |
CN112560641A (zh) | 基于视频的双向客流通道中的单向客流信息检测方法 | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及***、设备 | |
CN107644475B (zh) | 一种车辆碰撞检测的方法和装置以及obd盒子 | |
CN108520528A (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN111105619A (zh) | 一种路侧逆向停车的判断方法及装置 | |
CN110414173B (zh) | 一种基于ufir滤波器的交叉路口车辆状态估计方法 | |
CN114333318A (zh) | 一种基于传感器空间角摩托车碰撞检测方法 | |
CN112991769A (zh) | 基于视频的交通量调查方法和装置 | |
CN117115752A (zh) | 一种高速公路视频监控方法及*** | |
CN108847035B (zh) | 车流量评估方法及装置 | |
CN115798207A (zh) | 基于LiDAR点云的信号交叉口追尾冲突识别方法 | |
CN113112814B (zh) | 右转不停车的抓拍方法、抓拍设备及计算机存储介质 | |
CN112907978A (zh) | 基于监控视频的交通流量监控方法 | |
CN111091148B (zh) | 一种基于目标先验信息的车载雷达目标跟踪方法及装置 |
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 |