CN114495421A - 智能化开放式道路施工作业监测预警方法及*** - Google Patents
智能化开放式道路施工作业监测预警方法及*** Download PDFInfo
- Publication number
- CN114495421A CN114495421A CN202111661246.XA CN202111661246A CN114495421A CN 114495421 A CN114495421 A CN 114495421A CN 202111661246 A CN202111661246 A CN 202111661246A CN 114495421 A CN114495421 A CN 114495421A
- Authority
- CN
- China
- Prior art keywords
- early warning
- distance
- construction operation
- alarm
- moving object
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- 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)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种智能化开放式道路施工作业监测预警方法及***,获取道路视频帧图像数据;根据获取的视频帧图像数据,得到移动对象的与施工作业现场的距离以及移动对象的移动速度;根据移动对象的移动速度、信号传输时间和人的反应时间,得到安全距离;当移动对象的与施工作业现场的距离小于或等于安全距离内时,得到安全预警信号;本发明实现了基于安全距离的高精度预警以及针对施工环境的单指标和多指标预警,提高了预警的整体精度和预警的全面性。
Description
技术领域
本发明涉及道路施工预警技术领域,特别涉及一种智能化开放式道路施工作业监测预警方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
开放式道路施工作业即不采取封路措施,在道路正常使用的情况下仅用安全锥或安全护栏进行隔离的施工作业,开放式道路施工作业的危险除了包括施工作业本身的危险还包括来自道路中行驶车辆等各种不确定因素的危险。
发明人发现,现有的道路施工安全预警方法大多是采用设置围挡或者依靠人工目测的方式进行安全防护,无法针对移动对象进行高精度的快速预警;现有的道路施工预警策略,预警精度较低,无法实现更全面的预警。
发明内容
为了解决现有技术的不足,本发明提供了一种智能化开放式道路施工作业监测预警方法及***,实现了基于安全距离的高精度预警以及针对施工环境的单指标和多指标预警,提高了预警的整体精度和预警的全面性。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种智能化开放式道路施工作业监测预警方法。
一种智能化开放式道路施工作业监测预警方法,包括以下过程:
获取道路视频帧图像数据;
根据获取的视频帧图像数据,得到移动对象的与施工作业现场的距离以及移动对象的移动速度;
根据移动对象的移动速度、信号传输时间和人的反应时间,得到安全距离;
当移动对象的与施工作业现场的距离小于或等于安全距离内时,得到安全预警信号。
进一步的,安全距离为人的反应时间与信号传输时间的加和再与移动对象的移动速度的乘积。
进一步的,获取施工现场环境数据以及施工现场监控数据,根据获取的施工现场环境数据以及施工现场监控数据与预设阈值的对比,生成施工预警信号。
更进一步的,施工预警信号包括单一指标预警信号;
对单一指标X进行赋分S,包括:第一阈值A、第二阈值B、第三阈值C和第四阈值D,如果S>A,表示***安全,无需预警;B<S≤A,表示***的警度为轻警;C<S≤B,表示***的警度为中警;D<S≤C,表示***的警度为重警;S≤D,表示***处于巨警状态。
更进一步的,施工预警信号包括综合指标预警信号;
定义X、Y、S、P和W分别为单一安全预警指标、综合安全预警指标、单一指标分值、综合指标分值和单一指标权重;
假设Y由m个单一指标X组成,Y={X},对单一指标进行赋分为S1,…,Sm;
将安全预警阈值进行划分,令第一阈值为A,第二阈值为B,第三阈值为C,第四阈值为D;
计算综合安全预警指标Y的分值P,P等于所有单一指标的分值与其权重之积的和;
对于指标Y,如果P>A,表示***安全,无需预警;B<P≤A,表示***的警度为轻警;C<P≤B,表示***的警度为中警;D<P≤C,表示***的警度为重警;P≤D,表示***处于巨警状态。
进一步的,根据获取的视频帧图像数据,得到移动对象的与施工作业现场的距离,包括:
采用进化算法优化二维空间到三维空间反投影的相机参数,进行相机标定,得到标定后的相机参数;
采用神经网络进行车辆检测,得到车辆类型和二维边界框,采用标定后的相机参数将车辆二维边界框脚点回溯到三维空间,得到世界坐标系下的车辆坐标点;
根据世界坐标系下的车辆坐标点与相机确立的零点坐标采用欧氏距离计算车辆距离。
进一步的,根据获取的视频帧图像数据,得到移动对象的移动速度,包括:
获取高速公路视频帧图像数据,采用进化算法优化二维空间到三维空间反投影的相机参数,进行相机标定,得到标定后的相机参数;
采用神经网络进行车辆检测,得到车辆类型和二维边界框,采用标定后的相机参数将车辆二维边界框脚点回溯到三维空间,得到世界坐标系下的车辆坐标点;
根据世界坐标系下的车辆坐标点与相机确立的零点坐标采用欧氏距离计算车辆距离;
基于滑动时间窗口算法根据车辆距离计算车辆速度,判断速度方差是否小于给定的阈值,若速度太小的车辆判断为停止车辆。
本发明第二方面提供了一种智能化开放式道路施工作业监测预警***。
一种智能化开放式道路施工作业监测预警***,包括:
数据获取模块,被配置为:获取道路视频帧图像数据;
移动对象检测模块,被配置为:根据获取的视频帧图像数据,得到移动对象的与施工作业现场的距离以及移动对象的移动速度;
安全距离生成模块,被配置为:根据移动对象的移动速度、信号传输时间和人的反应时间,得到安全距离;
预警信号生成模块,被配置为:当移动对象的与施工作业现场的距离小于或等于安全距离内时,得到安全预警信号。
本发明第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的智能化开放式道路施工作业监测预警方法中的步骤。
本发明第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的智能化开放式道路施工作业监测预警方法中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明所述的智能化开放式道路施工作业监测预警方法及***,实现了基于安全距离的高精度预警以及针对施工环境的单指标和多指标预警,提高了预警的整体精度和预警的全面性。
2、本发明对单一指标X进行赋分S,包括:第一阈值A、第二阈值B、第三阈值C和第四阈值D,如果S>A,表示***安全,无需预警;B<S≤A,表示***的警度为轻警;C<S≤B,表示***的警度为中警;D<S≤C,表示***的警度为重警;S≤D,表示***处于巨警状态,实现了单一指标的更高精度预警。
3、本发明计算综合安全预警指标Y的分值P,P等于所有单一指标的分值与其权重之积的和;对于指标Y,如果P>A,表示***安全,无需预警;B<P≤A,表示***的警度为轻警;C<P≤B,表示***的警度为中警;D<P≤C,表示***的警度为重警;P≤D,表示***处于巨警状态,实现了综合指标的更高精度预警。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的智能化开放式道路施工作业监测预警方法的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本发明实施例1提供了一种智能化开放式道路施工作业监测预警方法,包括以下过程:
获取道路视频帧图像数据;
根据获取的视频帧图像数据,得到移动对象的与施工作业现场的距离以及移动对象的移动速度;
根据移动对象的移动速度、信号传输时间和人的反应时间,得到安全距离;
当移动对象的与施工作业现场的距离小于或等于安全距离内时,得到安全预警信号。
获取施工现场环境数据以及施工现场监控数据,根据获取的施工现场环境数据以及施工现场监控数据与预设阈值的对比,生成施工预警信号。
本实施例中,AI智能云平台接收人员信息以及设备信息,AI智能云平台直接通过物联网直接与人员监测装置(可通过智能安全帽)连接,实现位置信息和属性信息的采集;
AI智能云平台接收***前端设备采集的环境信息,包括接近智能化开放式道路施工作业区域可移动对象的信息,根据可移动对象与危险区域的安全距离来设定危险区域范围。
安全距离计算的公式为:S=V×(T1+T2)
式中,S表示的是安全距离,V表示的是可移动对象平均的行走速度,T1表示的是人的反应时间,T2表示的是信号传输时间。根据不同可移动物体,设定不同的安全距离。
通过AI智能云平台,对前端识别上报的安全事故、安全事件等报警音视频数据进行二次智能甄别确认;通过前端设备的多要素感知、高清视频编解码和深度学习算法等技术,对施工安全事故、交通事故以及影响交通施工安全的事件和行为,进行前端快速视觉识别和音频识别;通过采集到的环境参数结合气象水文等大数据,进行危险路况、气象灾变等综合分析预警;通过自动跟踪上游来车/人/其他物,准确分辨车道、来物距离、速度等技术,来实现准确分辨影响施工安全的物体,并通过爆闪灯、高音喇叭等预警,提醒来车司机及时采取规避措施,当判断有危害施工人员安全情况时,及时通过高音喇叭预警,通知施工人员进行躲避;通过采集的危化气体泄漏等数据信息,判断对施工人员的威胁程度并进行预警。
具体的施工预警指标的设定,包括:
(1)单一指标预警
定义X和S分别为单一安全预警指标和单一指标分值,对单一指标X进行赋分为S(分值越大表示越安全);然后将安全预警阈值进行划分,令轻警阈值为A,中警阈值为B,重警阈值为C,巨警阈值为D。对于指标X,如果S>A,表示***安全,无需预警;B<S≤A,表示***的警度为轻警;C<S≤B,表示***的警度为中警;D<S≤C,表示***的警度为重警;S≤D,表示***处于巨警状态。
(2)综合指标预警
定义X,Y,S,P,W分别为单一安全预警指标、综合安全预警指标、单一指标分值、综合指标分值、单一指标权重;
假设Y由m个单一指标X组成,Y={X},对单一指标进行赋分为S1,…,Sm;
将安全预警阈值进行划分,令轻警阈值为A,中警阈值为B,重警阈值为C,巨警阈值为D;
计算综合安全预警指标Y的分值P,P等于所有单一指标的分值与其权重之积的和,对于指标Y,如果P>A,表示***安全,无需预警;B<P≤A,表示***的警度为轻警;C<P≤B,表示***的警度为中警;D<P≤C,表示***的警度为重警;P≤D,表示***处于巨警状态,综合指标分数的计算公式
本实施例中,综合图像监控、周围环境数据监控、施工现场数据监控等方面进行综合全面的公路施工监测预警管理。在施工现场诊断预测中,分别通过神经网络识别不同的数据体现的设施预警结果,根据施工现场的特点,采集不同数据,再通过多种数据间不同权重综合分析计算实时预警结果,预测准确性高,更加贴合实际,有效避免安全事故发生。在施工现场诊断预测中,将至少两种信号采集各自中的至少一种预警结果分别输入神经网络模型中处理,得到设施实时预警结果,将施工现场实时监测数据,运用到计算***的实时预警结果中,充分考虑现场传输数据,提前进行预警。
在更多的一些实施方式中,科学划分监控区域,每一个区域安置一套智能化开放式施工作业监测预警***前端设备,当监测基准值达到预警阈值时,监测设备就要即时提交预警信息,通过爆闪灯、报警喇叭进行现场预警,施工人员可以根据手机APP,了解最有可能发生安全隐患的是哪些位置,通过累积大数据分析最有可能发生安全事故的哪个时间段及哪个施工环节。
在更多的一些实施方式中,基于大数据技术建立智能化开放式道路施工作业监测数据库,动态采集高速公路施工建设中的数据,并以大数据平台为支撑,实现对高速公路施工监测数据的集中存储与管理,结合行业管理的需要建立业务模型,对高速公路施工监测数据进行分析与挖掘,提升对高速公路施工的动态监测能力和科学决策水平。
在更多的一些实施方式中,通过智能感知技术与传感技术,前端设备可采集高速公路施工建设过程中路段的温度、湿度、光照强度、雨雪、风速风向、噪音、PM2.5/PM10等气象环境参数,做出雨、雪、雾天,以及路面凝冰和积水等分析,及时上报AI智能云平台进行再二次分析,经过确认后实时联动相关辐射路段和高速路收费站等的可变情报板、爆闪灯、警示灯,提醒和诱导司机,注意相关路段的行车路况,减速或采取必要措施,注意行车安全,预防凝冰或积水路段、恶劣天气造成的施工安全事故的发生。
支持易燃易爆、有毒等危化气体泄漏监测,在道路施工、养护作业现场,对车辆区域入侵、碰撞、有毒有害气体、易燃易爆气体、火灾等进行实时监测,并进行声光告警,充分保证现场人员的施工安全,实现动态化安全施工,可充分保障施工现场特别是隧道施工的安全。
在更多的一些实施方式中,利用驾驶员对指路标志的认知机理,设定高速公路施工智能化预警信息的合理阈值范围,结合不同道路用户的需求与信息融合算法,建立不同路网拓扑结构与交通流条件下的信息重要程度计算方法,提出预警信息的分级方法,有利于施工人员做好分级管理、有重点的管理,才能强化安全管理的效率,通过控制安全事故因素的危险源做好施工安全管理。根据预警***,施工管理人员可以对安全事故问题拟订管理对策,预备一套危机处理的模板。
本实施例中,计算可移动对象距施工作业现场距离和速度的方法,包括:
接收视频帧监测数据,采用进化算法优化二维空间到三维空间反投影的相机参数,进行高速公路视频监测相机标定,得到标定后的相机参数;
采用神经网络进行监控范围内可移动对象检测,得到可移动对象类型和二维边界框,采用标定后的相机参数将可移动对象二维边界框脚点回溯到三维空间,得到世界坐标系下的可移动对象坐标点;可移动对象检测包括机动车辆、非机动车辆、人或者动物等;
根据世界坐标系下的可移动对象坐标点与相机确立的零点坐标采用欧氏距离计算可移动对象距施工作业现场距离;
基于滑动时间窗口算法根据可移动对象距施工作业现场距离计算其速度。
所述相机标定的方法,相机标定在前端设备AI芯片的中央处理单元中执行:
对于需标定的相机,接收在视频监测图像中手动标记的两对消失线和相机的高度范围,两对消失线即三维空间地平面上相互正交的平行线对,若在公路路段,通常手动标记一对平行的车道线,一对与其正交的平行线对;
根据标记的两对消失线导出地平面上的两个消失点,第一消失点Vx和第二消失点Vy;
根据两个消失点Vx和Vy和相机的高度范围计算相机参数,采用优化算法优化二维空间到三维空间反投影的相机参数,进行高速公路视频监测相机标定。
对于输出的相机参数,包括矩阵K、矩阵R、矩阵t和矩阵P(矩阵P为3×4投影矩阵)分别代表固有相机矩阵、旋转矩阵、平移矩阵和投影矩阵,在3D坐标系中,地平面相当于X-Y平面,Z轴指向上方并穿过相机位置。
为了更准确地计算相机参数,采用优化算法最小化重投影误差。
使用计算出的相机参数将线段的2D端点(标注为{pk}和{qk})反投影为3D。
估计和基本事实之间的绝对差异为重投影误差。
优化的目标定义为最小化的重投影误差,如下:
通过分布估计算法(EDA)迭代求解公式(1)中的非线性优化问题,直到估计的概率密度函数(pdf)的平均值小于指定的阈值∈P迭代过程停止,优化投影矩阵P中的相机参数。
在EDA的第一次迭代中,相机参数的初始群体(记为M)由均匀分布生成。在M中,选择具有最低估计重投影误差的选定群体,记为N,以拟合具有12个变量正态分布的概率密度函数,因为P中有12个相机参数需要优化。然后,我们继续进行下一次迭代以生成新的初始种群并选择最佳子集以再次估计概率密度函数,直到估计的pdf的平均值小于指定的阈值迭代过程停止。
采用神经网络在基于深度学习的多模块协同物体识别框架中进行车辆检测:
基于深度学习的多单元协同物体识别框架包括集成于一体且协同工作的视频输入单元、视频处理子***单元、智能视频引擎单元、神经网络加速引擎单元、视频图形子***单元和视频输出单元;
视频输入单元,用于接收实时视频数据并将其存入指定的内存区域;
视频处理子***单元,用于调取内存区域的原始视频数据并将其分解为基础视频数据和扩展视频数据;其中,基础视频数据保持原始视频数据的分辨率;扩展视频数据的分辨率与神经网络加速引擎单元内的神经网络模型相匹配;
智能视频引擎单元,用于将当前扩展视频数据中的图像帧数据转化为神经网络模型相匹配的图像格式的帧数据;
神经网络加速引擎单元,用于获取格式转化后的帧数据,通过神经网络模型识别得到物体的类别与轮廓四点坐标位置信息;神经网络加速引擎单元在初始化操作过程中包括加载特定格式的已经训练好的神经网络模型;
视频图形子***单元,用于获取基础视频数据,再基于物体的类别及轮廓四点坐标位置信息,在基础视频数据中勾画出识别物体的轮廓框;
视频输出单元,用于输出带有识别物体轮廓框的视频图像数据。
所述聚类方法,在前端设备AI芯片的中央处理单元中执行:
通过损失函数进行跟踪轨迹关联的自下而上的聚类,从而将轨迹关联到更长的轨迹中,实现车辆跟踪。所有轨迹迭代地聚集成轨迹,直到收敛。由于每次选择操作后损失减小或保持不变,保证了收敛性。损失函数由运动属性、时间属性和外观属性组成。
其中,nv为图像中检测出的车辆数,li为第i条轨迹的集群损失,
损失函数包括轨迹平滑度损失、速度变化损失、时间间隔损失和外观变化损失;
li=λsmli,sm+λvcli,vc+λtili,ti+λacli,ac
其中,nv为图像中检测出的车辆数,li为第i条轨迹的集群损失,li,sm是轨迹平滑度损失,li,vc是速度变化损失,li,ti为相邻轨道间的时间间隔损失,li,ac为外观变化损失。θsm表示轨迹平滑度损失函数的正则化参数,设置为0.2,θvc表示速度变化损失函数的正则化参数,设置为8,λti表示相邻轨道间的时间间隔损失函数的正则化参数,设置为25,λac表示外观变化损失函数的正则化参数,设置为0.5。
平滑度损失是用来测量属于同一轨迹的平滑度。每个轨迹中的轨迹点是根据输入的时间戳排序的。对于第i条轨迹中的每一对相邻轨迹点,计算相邻轨迹点在连通区域的距离,第i条轨迹的平滑度损失为所有轨迹点与其相邻轨迹点在连通区域的距离的总和。
速度变化损失是通过加速度来测量两个相邻轨道之间的速度变化。如果在连接的区域检测到高加速度,两个轨迹不太可能保持相同的身份。计算轨迹每个端点周围的最大加速度的总和为速度变化损失。
时间间隔损失是轨迹两个端点时间戳和之间的差异,如果一对相邻的轨迹之间有很长的时间间隔,它们不太可能共享同一轨迹。
在车辆速度计算中,根据给定的两个摄像机之间的行驶距离,可以估算出预期的行驶时间,对于检测分数过低的假阴性,将最接近的真阳性的速度应用于它们。
估计所有高速公路视频的所有帧中检测出所有车辆的速度,车辆地面真实速度数据是通过对每个视频中汽车子集的车内跟踪来收集的。将车辆地面真实速度数据,形成训练集、验证集和测试集;
将训练集和验证集输入神经网络中进行训练和交叉验证;
通过测试集对神经网络进行优化,获取训练好的神经网络。
本实施例中,基于定位这些车辆和预测其速度的能力评估车辆估计速度,某一车辆的性能评价得分计算为:
Es=Rd×(1-NRMSE)
其中,Rd为检测率,为识别到的高速公路车辆与高速公路真实车辆总数的比值。NRMSE为速度的归一化均方根误差。Es在0到1之间,Es的分数越高越好。在速度估计中,速度的归一化均方根误差很小(4.0963mi/h),因为所提出的摄像机标定方案可以最小化在地面上的重投影误差,使得速度估计具有鲁棒性。
实施例2:
本发明实施例2提供了一种智能化开放式道路施工作业监测预警***,包括:
数据获取模块,被配置为:获取道路视频帧图像数据;
移动对象检测模块,被配置为:根据获取的视频帧图像数据,得到移动对象的与施工作业现场的距离以及移动对象的移动速度;
安全距离生成模块,被配置为:根据移动对象的移动速度、信号传输时间和人的反应时间,得到安全距离;
预警信号生成模块,被配置为:当移动对象的与施工作业现场的距离小于或等于安全距离内时,得到安全预警信号。
还包括施工预警模块,被配置为:根据获取的施工现场环境数据以及施工现场监控数据与预设阈值的对比,生成施工预警信号。
所述***的详细工作方法与实施例1提供的智能化开放式道路施工作业监测预警方法相同,这里不再赘述。
实施例3:
本发明实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例1所述的智能化开放式道路施工作业监测预警方法中的步骤。
实施例4:
本发明实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例1所述的智能化开放式道路施工作业监测预警方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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。
本发明是参照根据本发明实施例的方法、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装置的制造品,该指令装置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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能化开放式道路施工作业监测预警方法,其特征在于:
包括以下过程:
获取道路视频帧图像数据;
根据获取的视频帧图像数据,得到移动对象的与施工作业现场的距离以及移动对象的移动速度;
根据移动对象的移动速度、信号传输时间和人的反应时间,得到安全距离;
当移动对象的与施工作业现场的距离小于或等于安全距离内时,得到安全预警信号。
2.如权利要求1所述的智能化开放式道路施工作业监测预警方法,其特征在于:
安全距离为人的反应时间与信号传输时间的加和再与移动对象的移动速度的乘积。
3.如权利要求1所述的智能化开放式道路施工作业监测预警方法,其特征在于:
获取施工现场环境数据以及施工现场监控数据,根据获取的施工现场环境数据以及施工现场监控数据与预设阈值的对比,生成施工预警信号。
4.如权利要求3所述的智能化开放式道路施工作业监测预警方法,其特征在于:
施工预警信号包括单一指标预警信号;
对单一指标X进行赋分S,包括:第一阈值A、第二阈值B、第三阈值C和第四阈值D,如果S>A,表示***安全,无需预警;B<S≤A,表示***的警度为轻警;C<S≤B,表示***的警度为中警;D<S≤C,表示***的警度为重警;S≤D,表示***处于巨警状态。
5.如权利要求3所述的智能化开放式道路施工作业监测预警方法,其特征在于:
施工预警信号包括综合指标预警信号;
定义X、Y、S、P和W分别为单一安全预警指标、综合安全预警指标、单一指标分值、综合指标分值和单一指标权重;
假设Y由m个单一指标X组成,Y={X},对单一指标进行赋分为S1,…,Sm;
将安全预警阈值进行划分,令第一阈值为A,第二阈值为B,第三阈值为C,第四阈值为D;
计算综合安全预警指标Y的分值P,P等于所有单一指标的分值与其权重之积的和;
对于指标Y,如果P>A,表示***安全,无需预警;B<P≤A,表示***的警度为轻警;C<P≤B,表示***的警度为中警;D<P≤C,表示***的警度为重警;P≤D,表示***处于巨警状态。
6.如权利要求1所述的智能化开放式道路施工作业监测预警方法,其特征在于:
根据获取的视频帧图像数据,得到移动对象的与施工作业现场的距离,包括:
采用进化算法优化二维空间到三维空间反投影的相机参数,进行相机标定,得到标定后的相机参数;
采用神经网络进行车辆检测,得到车辆类型和二维边界框,采用标定后的相机参数将车辆二维边界框脚点回溯到三维空间,得到世界坐标系下的车辆坐标点;
根据世界坐标系下的车辆坐标点与相机确立的零点坐标采用欧氏距离计算车辆距离。
7.如权利要求1所述的智能化开放式道路施工作业监测预警方法,其特征在于:
根据获取的视频帧图像数据,得到移动对象的移动速度,包括:
获取高速公路视频帧图像数据,采用进化算法优化二维空间到三维空间反投影的相机参数,进行相机标定,得到标定后的相机参数;
采用神经网络进行车辆检测,得到车辆类型和二维边界框,采用标定后的相机参数将车辆二维边界框脚点回溯到三维空间,得到世界坐标系下的车辆坐标点;
根据世界坐标系下的车辆坐标点与相机确立的零点坐标采用欧氏距离计算车辆距离;
基于滑动时间窗口算法根据车辆距离计算车辆速度,判断速度方差是否小于给定的阈值,若速度太小的车辆判断为停止车辆。
8.一种智能化开放式道路施工作业监测预警***,其特征在于:
包括:
数据获取模块,被配置为:获取道路视频帧图像数据;
移动对象检测模块,被配置为:根据获取的视频帧图像数据,得到移动对象的与施工作业现场的距离以及移动对象的移动速度;
安全距离生成模块,被配置为:根据移动对象的移动速度、信号传输时间和人的反应时间,得到安全距离;
预警信号生成模块,被配置为:当移动对象的与施工作业现场的距离小于或等于安全距离内时,得到安全预警信号。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的智能化开放式道路施工作业监测预警方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的智能化开放式道路施工作业监测预警方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661246.XA CN114495421B (zh) | 2021-12-30 | 2021-12-30 | 智能化开放式道路施工作业监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661246.XA CN114495421B (zh) | 2021-12-30 | 2021-12-30 | 智能化开放式道路施工作业监测预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114495421A true CN114495421A (zh) | 2022-05-13 |
CN114495421B CN114495421B (zh) | 2022-09-06 |
Family
ID=81507330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111661246.XA Active CN114495421B (zh) | 2021-12-30 | 2021-12-30 | 智能化开放式道路施工作业监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495421B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063974A (zh) * | 2022-06-08 | 2022-09-16 | 中国第一汽车股份有限公司 | 道路施工检测方法、装置、车载终端、车辆及介质 |
CN118151615A (zh) * | 2024-05-09 | 2024-06-07 | 华泰智能科技有限公司 | 一种基于智能照明的动态预警控制方法和*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130156329A1 (en) * | 2011-12-16 | 2013-06-20 | Microsoft Corporation | Object identification using 3-d curve matching |
CN103183005A (zh) * | 2011-12-30 | 2013-07-03 | ***通信集团公司 | 一种车辆状态检测方法、装置、***及车辆防盗终端 |
DE102013202468A1 (de) * | 2013-02-15 | 2014-08-21 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Personenschutz im Nahbereich einer ein HF-Feld abstrahlenden Einrichtung |
CN106627671A (zh) * | 2016-10-27 | 2017-05-10 | 交控科技股份有限公司 | 一种轨道交通施工人员安全预警***及方法 |
CN107680137A (zh) * | 2017-09-20 | 2018-02-09 | 东南大学 | 一种基于球体投影公切线的多相机标定及参数优化方法 |
US20180218533A1 (en) * | 2017-02-02 | 2018-08-02 | Infatics, Inc. (DBA DroneDeploy) | System and methods for improved aerial mapping with aerial vehicles |
CN108564616A (zh) * | 2018-03-15 | 2018-09-21 | 中国科学院自动化研究所 | 快速鲁棒的rgb-d室内三维场景重建方法 |
CN109993113A (zh) * | 2019-03-29 | 2019-07-09 | 东北大学 | 一种基于rgb-d和imu信息融合的位姿估计方法 |
CN110782494A (zh) * | 2019-10-16 | 2020-02-11 | 北京工业大学 | 一种基于点线融合的视觉slam方法 |
CN111507586A (zh) * | 2020-02-19 | 2020-08-07 | 中交疏浚技术装备国家工程研究中心有限公司 | 通航水域水上施工安全风险预警分级方法及*** |
CN112712244A (zh) * | 2020-12-24 | 2021-04-27 | 内蒙古公路交通投资发展有限公司 | 公路施工预警方法、装置、***、电子设备及介质 |
CN113160325A (zh) * | 2021-04-01 | 2021-07-23 | 长春博立电子科技有限公司 | 基于进化算法的多摄像机高精度自动标定方法 |
CN113470112A (zh) * | 2021-06-30 | 2021-10-01 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质以及终端 |
CN113744315A (zh) * | 2021-09-07 | 2021-12-03 | 北京航空航天大学 | 一种基于双目视觉的半直接视觉里程计 |
-
2021
- 2021-12-30 CN CN202111661246.XA patent/CN114495421B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130156329A1 (en) * | 2011-12-16 | 2013-06-20 | Microsoft Corporation | Object identification using 3-d curve matching |
CN103183005A (zh) * | 2011-12-30 | 2013-07-03 | ***通信集团公司 | 一种车辆状态检测方法、装置、***及车辆防盗终端 |
DE102013202468A1 (de) * | 2013-02-15 | 2014-08-21 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zum Personenschutz im Nahbereich einer ein HF-Feld abstrahlenden Einrichtung |
CN106627671A (zh) * | 2016-10-27 | 2017-05-10 | 交控科技股份有限公司 | 一种轨道交通施工人员安全预警***及方法 |
US20180218533A1 (en) * | 2017-02-02 | 2018-08-02 | Infatics, Inc. (DBA DroneDeploy) | System and methods for improved aerial mapping with aerial vehicles |
CN107680137A (zh) * | 2017-09-20 | 2018-02-09 | 东南大学 | 一种基于球体投影公切线的多相机标定及参数优化方法 |
CN108564616A (zh) * | 2018-03-15 | 2018-09-21 | 中国科学院自动化研究所 | 快速鲁棒的rgb-d室内三维场景重建方法 |
CN109993113A (zh) * | 2019-03-29 | 2019-07-09 | 东北大学 | 一种基于rgb-d和imu信息融合的位姿估计方法 |
CN110782494A (zh) * | 2019-10-16 | 2020-02-11 | 北京工业大学 | 一种基于点线融合的视觉slam方法 |
CN111507586A (zh) * | 2020-02-19 | 2020-08-07 | 中交疏浚技术装备国家工程研究中心有限公司 | 通航水域水上施工安全风险预警分级方法及*** |
CN112712244A (zh) * | 2020-12-24 | 2021-04-27 | 内蒙古公路交通投资发展有限公司 | 公路施工预警方法、装置、***、电子设备及介质 |
CN113160325A (zh) * | 2021-04-01 | 2021-07-23 | 长春博立电子科技有限公司 | 基于进化算法的多摄像机高精度自动标定方法 |
CN113470112A (zh) * | 2021-06-30 | 2021-10-01 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质以及终端 |
CN113744315A (zh) * | 2021-09-07 | 2021-12-03 | 北京航空航天大学 | 一种基于双目视觉的半直接视觉里程计 |
Non-Patent Citations (1)
Title |
---|
梁玮,裴明涛: "《计算机视觉》", 31 January 2021 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063974A (zh) * | 2022-06-08 | 2022-09-16 | 中国第一汽车股份有限公司 | 道路施工检测方法、装置、车载终端、车辆及介质 |
CN118151615A (zh) * | 2024-05-09 | 2024-06-07 | 华泰智能科技有限公司 | 一种基于智能照明的动态预警控制方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN114495421B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
Al-qaness et al. | An improved YOLO-based road traffic monitoring system | |
Morris et al. | Real-time video-based traffic measurement and visualization system for energy/emissions | |
CN102881022B (zh) | 基于在线学习的遮挡目标跟踪方法 | |
WO2018161037A1 (en) | Systems and methods for quantitatively assessing collision risk and severity | |
CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及*** | |
US20170091350A1 (en) | Near real-time modeling of pollution dispersion | |
Ren et al. | Detecting and positioning of traffic incidents via video‐based analysis of traffic states in a road segment | |
Shirowzhan et al. | Data mining for recognition of spatial distribution patterns of building heights using airborne lidar data | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及*** | |
CN110602449A (zh) | 一种基于视觉的大场景下施工安全智能监控***方法 | |
CN113592905B (zh) | 基于单目摄像头的车辆行驶轨迹预测方法 | |
CN109190488A (zh) | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 | |
CN111402632B (zh) | 一种交叉口行人运动轨迹的风险预测方法 | |
Zaki et al. | Automated analysis of pedestrians’ nonconforming behavior and data collection at an urban crossing | |
CN113936465A (zh) | 交通事件检测方法及装置 | |
CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试***及评价方法 | |
CN114529880A (zh) | 一种城市轨道异物侵限检测方法、装置、***及存储介质 | |
Tarko et al. | Tscan: Stationary lidar for traffic and safety studies—object detection and tracking | |
CN111964763A (zh) | 一种动态平板秤称重区域汽车断续行驶行为检测方法 | |
Yang et al. | A novel approach for fine-grained traffic risk characterization and evaluation of urban road intersections | |
CN117456482B (zh) | 一种面向交通监控场景的异常事件识别方法及*** | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及*** | |
CN113239609A (zh) | 一种用于智能车单目摄像头目标识别监测的试验***及检测方法 | |
CN112052824A (zh) | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、***及存储介质 |
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 |