CN114670852A - 异常行驶行为的识别方法、装置、设备及介质 - Google Patents
异常行驶行为的识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114670852A CN114670852A CN202210192029.9A CN202210192029A CN114670852A CN 114670852 A CN114670852 A CN 114670852A CN 202210192029 A CN202210192029 A CN 202210192029A CN 114670852 A CN114670852 A CN 114670852A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- radar
- average speed
- lane
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 57
- 230000006399 behavior Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 238000005286 illumination Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000497429 Obus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种异常行驶行为的识别方法,包括:对路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步和空间同步;在完成时间同步和空间同步后,从所述路侧激光雷达获取第一雷达信息、从所述路侧毫米波雷达获取第二雷达信息和从路侧摄像机获取视频信息;根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算,得到目标物运行状况信息;根据所述目标物运行状况信息识别目标物中的异常行驶行为。本发明通过融合使得数据维度更丰富、数据置信度更高,全天候适用不同的融合算法,提高了目标物运行状况信息的准确度,提升了对异常行驶行为识别的准确度。
Description
技术领域
本发明涉及车联网与人工智能技术领域,尤其涉及一种异常行驶行为的识别方法、装置、设备及介质。
背景技术
自动驾驶是一个由激光雷达(LiDAR)、毫米波雷达(RADAR)、摄像机(Camera)、全球定位***(GPS)、惯性测量单元(IMU)等多个车载传感器和行车电脑ECU(车载控制***)等子***组成的高级复杂性***性工程。
在实际自动驾驶过程中,现有技术主要通过激光雷达、毫米波雷达、摄像头等车载装置进行异常车辆识别输入数据源之一。然而,激光雷达、毫米波雷达、摄像头等车载装置安装角度容易导致前车干扰(比如大车遮挡小车,无法通过摄像头对红绿灯状态进行识别)、盲区和检测覆盖范围有限等问题,影响检测数据的准确度;且仅仅获取并组合激光雷达、毫米波雷达、摄像头检测数据,难以适用于所有场景,对目标及事件的检测存在缺失,异常行驶行为的识别准确度欠佳。
发明内容
本发明实施例提供了一种异常行驶行为的识别方法、装置、设备及介质,以解决在自动驾驶过程中现有技术存在的检测数据精度低、使用缺失、对异常行驶行为检测精度欠佳的问题。
一种异常行驶行为的识别方法,所述方法包括:
对路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步和空间同步;
在完成时间同步和空间同步后,从所述路侧激光雷达获取第一雷达信息、从所述路侧毫米波雷达获取第二雷达信息和从路侧摄像机获取视频信息;
根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算,得到目标物运行状况信息;
根据所述目标物运行状况信息识别目标物中的异常行驶行为。
可选地,所述环境信息包括光照信息和天气信息;
所述根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算包括:
当所述光照信息为有光照且所述天气信息为无雨雾雪影响时,采用第一融合算法,所述第一融合算法用于对所述第一雷达信息、第二雷达信息、视频信息进行融合运算;
当所述天气信息为受雨雾雪影响时,采用第二融合算法,所述第二融合算法用于对所述视频信息和第二雷达信息进行融合运算;
当所述光照信息为受光照影响时,采用第三融合算法,所述第三融合算法用于对所述第一雷达信息和第二雷达信息进行融合运算;
当所述光照信息为光照不好且受雨雾雪影响时,采用第四融合算法,所述第四融合算法用于对所述第二雷达信息进行融合运算。
可选地,所述目标物运行状况信息至少包括每个车道上的车辆及其速度;
所述根据所述目标物运行状况信息识别目标物中的异常行驶行为包括:
遍历每一个车道,根据所述车道上的车辆的速度计算所述车道对应的平均速度;
计算每个车辆对应的平均速度;
根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的慢行/快行车辆信息。
可选地,所述根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的慢行车辆信息包括:
比较所述车道对应的平均速度V1和车辆对应的平均速度V2;
若V2<K1*V1,则所述平均速度V2对应的车辆作为慢行车辆,获取慢行车辆信息,其中第一比例系数K1小于或等于1。
可选地,所述根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的快行车辆信息包括:
比较所述车道对应的平均速度V1和车辆对应的平均速度V2;
若V2>K2*V1,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息,其中第二比例系数K2大于或等于1。
可选地,所述根据所述目标物运行状况信息识别目标物中的异常行驶行为还包括:
获取车道的限速信息V3;
根据所述限度信息V3、所述车道对应的平均速度V1和车辆对应的平均速度V2,识别所述车道上的快行车辆信息。
可选地,所述根据所述限度信息V3、所述车道对应的平均速度V1和车辆对应的平均速度V2,识别所述车道上的快行车辆信息包括:
当K3*V3>=K2*V1时,比较所述车道对应的平均速度V1和车辆对应的平均速度V2,若V2>K2*V1,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息;
当K3*V3<K2*V1时,比较所述车道对应的平均速度V1和限速信息V3,若V2>K3*V3,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息,其中第二比例系数K2、第三比例系数K3均大于或等于1。
一种异常行驶行为的识别装置,所述装置包括:
同步模块,用于对路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步和空间同步;
获取模块,用于在完成时间同步和空间同步后,从所述路侧激光雷达获取第一雷达信息、从所述路侧毫米波雷达获取第二雷达信息和从路侧摄像机获取视频信息;
融合模块,用于根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算,得到目标物运行状况信息;
识别模块,用于根据所述目标物运行状况信息识别目标物中的异常行驶行为。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的异常行驶行为的识别方法。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的异常行驶行为的识别方法。
本发明实施例通过对路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步和空间同步;在完成时间同步和空间同步后,从所述路侧激光雷达获取第一雷达信息、从所述路侧毫米波雷达获取第二雷达信息和从路侧摄像机获取视频信息;根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算,得到目标物运行状况信息,使得数据维度更丰富、数据置信度更高,全天候适用不同的融合算法,提高了目标物运行状况信息的准确度;根据所述目标物运行状况信息识别目标物中的异常行驶行为,提升了对异常行驶行为识别的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的异常行驶行为的识别方法的流程图;
图2是本发明一实施例提供的异常行驶行为的识别方法中步骤S104的流程图;
图3是本发明另一实施例提供的异常行驶行为的识别方法中步骤S104的流程图;
图4是本发明一实施例提供的异常行驶行为的识别装置的结构示意图;
图5是本发明一实施例中计算机设备的一示意图。
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、完整地描述,显然,所描述的实施例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作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。
本发明实施例通过对路侧感知设备(激光雷达、毫米波雷达和摄像机)的检测数据进行融合,使数据维度更丰富、数据的置信度更高,提高了目标车辆的检测精度,并采用置信度更高数据整合车辆行驶状态识别机制,有效提升了对异常驾驶行为识别准确度。
以下对本实施例提供的异常行驶行为的识别方法进行详细的描述。如图1所示,所述异常行驶行为的识别方法包括:
在步骤S101中,对路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步和空间同步。
在这里,本发明实施例通过异构时间同步模块,对所述路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步,确保各设备之间的时间是一致的。其中,所述时间同步模块可以通过GPS从地球同步卫星上获取标准时钟信号信息,然后采用网络时间协议(Network Time Protocol,简称NTP)或者精准时间协议(Precision Time Protocol,简称PTP),在所述路侧激光雷达、路侧毫米波雷达和路侧摄像机之间进行时间同步。
本发明实施例通过异构空间同步模块,比如采用像素坐标变换,对所述路侧激光雷达、路侧毫米波雷达和路侧摄像机进行空间同步,确保各设备之间的空间是一致的。
在步骤S102中,在完成时间同步和空间同步后,从所述路侧激光雷达获取第一雷达信息、从所述路侧毫米波雷达获取第二雷达信息和从路侧摄像机获取视频信息。
在完成时空同步之后,分别获取来自所述路侧激光雷达的相关数据、来自所述路侧毫米波雷达的相关数据和来自路侧摄像机的相关数据。其中,所述第一雷达信息为所述路侧激光雷达基于所采集的信息,利用深度学习点云算法、深度学习雷达算法后输出的初步的目标物识别信息,包括但不限于目标物识别类型、位置、速度和方向信息;所述第二雷达信息为所述路侧毫米波雷达基于所采集的信息,利用深度学习点云算法、深度学习雷达算法后输出的初步的目标物识别信息,包括但不限于目标物识别类型、速度、方向信息;所述视频信息为路侧摄像机基于所采集的信息,利用深度学习图像算法后输出的初步的目标物识别信息,包括但不限于目标物识别类型、车配、速度、位置、方向信息。
在步骤S103中,根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算,得到目标物运行状况信息。
在这里,本发明实施例通过融合算法对所述第一雷达信息、第二雷达信息、视频信息执行目标匹配、信息加权融合等融合运算,得到目标物的运行状况信息。所述目标物运行状况信息包括但不限于目标物、速度、位置、方向和车牌信息。
本发明实施例支持融合算法自适配,根据环境信息自适配融合算法。可选地,所述环境信息包括光照信息和天气信息,可通过路侧摄像机采集的视频信息和环境传感器采集的信息获取。所述根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算包括:
当所述光照信息为有光照且所述天气信息为无雨雾雪影响时,采用第一融合算法,所述第一融合算法用于对所述第一雷达信息、第二雷达信息、视频信息进行融合运算;
当所述天气信息为受雨雾雪影响时,采用第二融合算法,所述第二融合算法用于对所述视频信息和第二雷达信息进行融合运算;
当所述光照信息为受光照影响时,采用第三融合算法,所述第三融合算法用于对所述第一雷达信息和第二雷达信息进行融合运算;
当所述光照信息为光照不好且所述天气信息为受雨雾雪影响时,采用第四融合算法,所述第四融合算法用于对所述第二雷达信息进行融合运算。
在这里,在正常光照和无雨、雾、雪天气影响时,本发明实施例采用第一融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算。当环境信息为受雨、雾、雪影响时,激光雷达的识别准确率会下降,此时采用第二融合算法对所述视频信息和第二雷达信息进行融合运算。当受光照影响较大时,视频信息的准确率会下降,此时采用第三融合算法对所述第一雷达信息和第二雷达信息进行融合运算。当光照不好且受雨、雾、雪影响时,采用第四融合算法只对第二雷达信息进行融合运算。
本发明实施例通过根据光照和雨、雾、雪情况,自适配不同融合算法,适用于全天候场景,有利于提高目标数据获取和识别的准确度。
在步骤S104中,根据所述目标物运行状况信息识别目标物中的异常行驶行为。
在这里,如前所属,所述目标物运行状况信息包括但不限于目标物、速度、位置、方向和车牌信息,即每个车道上的车辆及其速度,所述识别目标物中的异常行驶行为包括针对慢行车辆异常识别和快行车辆异常识别。可选地,如图2所示,步骤S104所述的根据所述目标物运行状况信息识别目标物中的异常行驶行为还包括:
在步骤S201中,遍历每一个车道,根据所述车道上的车辆的速度计算所述车道对应的平均速度。
本发明实施例整合红绿灯信号控制机,不考虑视频识别红绿灯等准确率问题,直接获取红绿灯信号。在绿灯情况下,获取车辆在预设时间T内的运行速度,计算每个车道上所有车辆的平均速度V1,包括但不限于机动车和非机动车。可选地,在计算时可根据车辆数量过滤最高速度和最低速度数据。
在步骤S202中,计算每个车辆对应的平均速度。
然后针对每个车辆,计算车辆在预设时间T内对应的平均速度V2。
在步骤S203中,根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的慢行/快行车辆信息。
可选地,作为本发明的一个优选示例,在针对慢行车辆异常行为识别中,步骤S203所述的根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的慢行车辆信息还包括:
在步骤S301中,比较所述车道对应的平均速度V1和车辆对应的平均速度V2。
在步骤S302中,若V2<K1*V1,则所述平均速度V2对应的车辆作为慢行车辆,获取慢行车辆信息,其中第一比例系数K1小于或等于1。
在这里,K1为第一比例系数,K1小于或等于1,可根据实际情况进行调整,如K1=0.5。本发明实施例通过每个车辆平均速度V2和核算出来的车道上平均速度V1乘以第一比例系数K1进行比对。当V2<K1*V1,即某车辆平均速度V2低于K1*V1时视为慢行车辆,筛选出每个车道的慢行车辆信息,所述慢行车辆信息包括但不限于目标类型、速度、位置和方向。
可选地,作为本发明的另一个优选示例,在针对快行车辆异常行为识别中,步骤S203所述的根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的快行车辆信息还包括:
在步骤S401中,比较所述车道对应的平均速度V1和车辆对应的平均速度V2。
在步骤S402中,若V2>K2*V1,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息,其中第二比例系数K2大于或等于1。
在这里,K2为第二比例系数,K2大于或等于1,可根据实际情况进行调整,如K2=1.5。本发明实施例通过每个车辆平均速度V2和核算出来的车道上平均速度V1乘以第二比例系数K2进行比对。当V2>K2*V1,即某车辆平均速度V2超过K2*V1时视为快车辆,筛选出每个车道的快行车辆信息,所述快行车辆信息包括但不限于目标类型、速度、位置和方向。
可选地,在图2实施例的基础上提出本发明的另一个优选示例,如图3所示,所述根据所述目标物运行状况信息识别目标物中的异常行驶行为还包括:
在步骤S501中,遍历每一个车道,根据所述车道上的车辆的速度计算所述车道对应的平均速度。
在步骤S502中,计算每个车辆对应的平均速度。
其中,步骤S501至步骤S502与上述实施例中所述的步骤S201至步骤S202相同,具体请参见上述实施例的叙述,此处不再赘述。
在步骤S503中,获取车道的限速信息V3。
在步骤S504中,根据所述限度信息V3、所述车道对应的平均速度V1和车辆对应的平均速度V2,识别所述车道上的快行车辆信息。
在这里,本发明实施例根据车道的限速信息V3,计算出来的车道上的平均速度V1乘以第二比例系数K2进行比对,根据比对结果确定快行车辆的判断条件。可选地,所述步骤S504还包括:
在步骤S601中,当K3*V3>=K2*V1时,比较所述车道对应的平均速度V1和车辆对应的平均速度V2,若V2>K2*V1,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息。
在步骤S602中,当K3*V3<K2*V1时,比较所述车道对应的平均速度V1和限速信息V3,若V2>K3*V3,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息。
在这里,第二比例系数K2、第三比例系数K3均大于或等于1。其中,所述K3优选为1.2。当1.2*V3>=K2*V1时,以K2*V1作为快行车辆的判断条件,通过每个车辆平均速度V2与K2*V1比对。当V2>K2*V1,以V2对应的车辆作为快行车辆,筛选出快行车辆信息,包括但不限于目标类型、速度、位置和方向。
当1.2*V3<K2*V1时,以1.2*V3作为快行车辆的判断条件,通过每个车辆平均速度V2与1.2*V3比对。当V2>1.2*V3,以V2对应的车辆作为快行车辆,筛选出快行车辆信息,包括但不限于目标类型、速度、位置和方向。
可选地,在本发明实施例中,每个车道的慢行车辆信息和快行车辆信息通过移动边缘计算模块MEC发送到路侧单元RSU,RSU通过广播(V2X方式)到机动车上的车载单元OBU,OBU根据自身车辆的位置(车道)和广播过来信息进行计算车辆相对位置,判断自身车辆车道前后方是否有异常行驶车辆,并且计算出与异常行驶车辆的距离,呈现异常行驶车辆的行驶信息,比如前/后方有X米有大车粤XXXX快行,请注意减速或者变道。
综上所述,针对现有技术车辆驾驶场景数据通过激光雷达、毫米波雷达、摄像头等多车载传感器组合获取,不做数据融合对目标及事件的检测存在缺失,本发明实施例通过路侧感知设备(激光雷达、毫米波雷达和激光雷达)进行融合,使能数据(车辆识别和跟踪、车牌检测、车辆行驶方向、车辆行驶速度等相关参数获取)维度更丰富、数据的置信度更高,避免了由于激光雷达、毫米波雷达、摄像头等车载装置安装角度导致前车干扰(比如大车遮挡小车,无法通过摄像头对红绿灯状态进行识别)、单车智能盲区和检测覆盖范围有限等问题,扩大车辆行驶状态检测范围,有效地提高了对目标车辆的检测精度;采用置信度更高数据整合车辆行驶状态识别机制,有效地提升了对异常驾驶行为识别准确度,比如行驶速度明显低于其他车辆的慢行车辆、行驶速度明显高于其他车辆的快行车辆等;且支持全天候工作,不受天气状况影响;并将行驶行为检测结果通过RSU(V2X方式)广播周边相关车辆OBU,辅助车辆做出正确的决策和控制。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,本发明还提供一种异常行驶行为的识别装置,该异常行驶行为的识别装置与上述实施例中异常行驶行为的识别方法一一对应。如图4所示,该异常行驶行为的识别装置包括同步模块41、获取模块42、融合模块43、识别模块44。各功能模块详细说明如下:
同步模块41,用于对路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步和空间同步;
获取模块42,用于在完成时间同步和空间同步后,从所述路侧激光雷达获取第一雷达信息、从所述路侧毫米波雷达获取第二雷达信息和从路侧摄像机获取视频信息;
融合模块43,用于根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算,得到目标物运行状况信息;
识别模块44,用于根据所述目标物运行状况信息识别目标物中的异常行驶行为。
可选地,所述环境信息包括光照信息和天气信息;
所述融合模块43具体用于:
当所述光照信息为有光照且所述天气信息为无雨雾雪影响时,采用第一融合算法,所述第一融合算法用于对所述第一雷达信息、第二雷达信息、视频信息进行融合运算;
当所述天气信息为受雨雾雪影响时,采用第二融合算法,所述第二融合算法用于对所述视频信息和第二雷达信息进行融合运算;
当所述光照信息为受光照影响时,采用第三融合算法,所述第三融合算法用于对所述第一雷达信息和第二雷达信息进行融合运算;
当所述光照信息为光照不好且受雨雾雪影响时,采用第四融合算法,所述第四融合算法用于对所述第二雷达信息进行融合运算。
可选地,所述目标物运行状况信息至少包括每个车道上的车辆及其速度;
所述识别模块44包括:
第一计算单元,用于遍历每一个车道,根据所述车道上的车辆的速度计算所述车道对应的平均速度;
第二计算单元,用于计算每个车辆对应的平均速度;
识别单元,用于根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的慢行/快行车辆信息。
可选地,所述识别单元用于:
比较所述车道对应的平均速度V1和车辆对应的平均速度V2;
若V2<K1*V1,则所述平均速度V2对应的车辆作为慢行车辆,获取慢行车辆信息,其中第一比例系数K1小于或等于1。
可选地,所述识别单元用于:
比较所述车道对应的平均速度V1和车辆对应的平均速度V2;
若V2>K2*V1,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息,其中第二比例系数K2大于或等于1。
可选地,所述识别模块44还包括:
获取单元,用于获取车道的限速信息V3;
所述识别单元,还用于根据所述限度信息V3、所述车道对应的平均速度V1和车辆对应的平均速度V2,识别所述车道上的快行车辆信息。
可选地,所述根据所述限度信息V3、所述车道对应的平均速度V1和车辆对应的平均速度V2,识别所述车道上的快行车辆信息包括:
当K3*V3>=K2*V1时,比较所述车道对应的平均速度V1和车辆对应的平均速度V2,若V2>K2*V1,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息;
当K3*V3<K2*V1时,比较所述车道对应的平均速度V1和限速信息V3,若V2>K3*V3,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息,其中第二比例系数K2、第三比例系数K3均大于或等于1。
关于异常行驶行为的识别装置的具体限定可以参见上文中对于异常行驶行为的识别方法的限定,在此不再赘述。上述异常行驶行为的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常行驶行为的识别方法。
在一个实施例中,提供了一种计算机设备,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计算机程序,处理器执行计算机程序时实现以下步骤:
对路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步和空间同步;
在完成时间同步和空间同步后,从所述路侧激光雷达获取第一雷达信息、从所述路侧毫米波雷达获取第二雷达信息和从路侧摄像机获取视频信息;
根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算,得到目标物运行状况信息;
根据所述目标物运行状况信息识别目标物中的异常行驶行为。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种异常行驶行为的识别方法,其特征在于,所述方法包括:
对路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步和空间同步;
在完成时间同步和空间同步后,从所述路侧激光雷达获取第一雷达信息、从所述路侧毫米波雷达获取第二雷达信息和从路侧摄像机获取视频信息;
根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算,得到目标物运行状况信息;
根据所述目标物运行状况信息识别目标物中的异常行驶行为。
2.如权利要求1所述的异常行驶行为的识别方法,其特征在于,所述环境信息包括光照信息和天气信息;
所述根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算包括:
当所述光照信息为有光照且所述天气信息为无雨雾雪影响时,采用第一融合算法,所述第一融合算法用于对所述第一雷达信息、第二雷达信息、视频信息进行融合运算;
当所述天气信息为受雨雾雪影响时,采用第二融合算法,所述第二融合算法用于对所述视频信息和第二雷达信息进行融合运算;
当所述光照信息为受光照影响时,采用第三融合算法,所述第三融合算法用于对所述第一雷达信息和第二雷达信息进行融合运算;
当所述光照信息为光照不好且受雨雾雪影响时,采用第四融合算法,所述第四融合算法用于对所述第二雷达信息进行融合运算。
3.如权利要求1所述的异常行驶行为的识别方法,其特征在于,所述目标物运行状况信息至少包括每个车道上的车辆及其速度;
所述根据所述目标物运行状况信息识别目标物中的异常行驶行为包括:
遍历每一个车道,根据所述车道上的车辆的速度计算所述车道对应的平均速度;
计算每个车辆对应的平均速度;
根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的慢行/快行车辆信息。
4.如权利要求3所述的异常行驶行为的识别方法,其特征在于,所述根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的慢行车辆信息包括:
比较所述车道对应的平均速度V1和车辆对应的平均速度V2;
若V2<K1*V1,则所述平均速度V2对应的车辆作为慢行车辆,获取慢行车辆信息,其中第一比例系数K1小于或等于1。
5.如权利要求3所述的异常行驶行为的识别方法,其特征在于,所述根据所述车道对应的平均速度和车辆对应的平均速度,识别所述车道上的快行车辆信息包括:
比较所述车道对应的平均速度V1和车辆对应的平均速度V2;
若V2>K2*V1,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息,其中第二比例系数K2大于或等于1。
6.如权利要求3所述的异常行驶行为的识别方法,其特征在于,所述根据所述目标物运行状况信息识别目标物中的异常行驶行为还包括:
获取车道的限速信息V3;
根据所述限度信息V3、所述车道对应的平均速度V1和车辆对应的平均速度V2,识别所述车道上的快行车辆信息。
7.如权利要求6所述的异常行驶行为的识别方法,其特征在于,所述根据所述限度信息V3、所述车道对应的平均速度V1和车辆对应的平均速度V2,识别所述车道上的快行车辆信息包括:
当K3*V3>=K2*V1时,比较所述车道对应的平均速度V1和车辆对应的平均速度V2,若V2>K2*V1,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息;
当K3*V3<K2*V1时,比较所述车道对应的平均速度V1和限速信息V3,若V2>K3*V3,则所述平均速度V2对应的车辆作为快行车辆,获取快行车辆信息,其中第二比例系数K2、第三比例系数K3均大于或等于1。
8.一种异常行驶行为的识别装置,其特征在于,所述装置包括:
同步模块,用于对路侧激光雷达、路侧毫米波雷达和路侧摄像机进行时间同步和空间同步;
获取模块,用于在完成时间同步和空间同步后,从所述路侧激光雷达获取第一雷达信息、从所述路侧毫米波雷达获取第二雷达信息和从路侧摄像机获取视频信息;
融合模块,用于根据环境信息自适配融合算法,采用自适配的融合算法对所述第一雷达信息、第二雷达信息、视频信息进行融合运算,得到目标物运行状况信息;
识别模块,用于根据所述目标物运行状况信息识别目标物中的异常行驶行为。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的异常行驶行为的识别方法。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的异常行驶行为的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210192029.9A CN114670852A (zh) | 2022-02-28 | 2022-02-28 | 异常行驶行为的识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210192029.9A CN114670852A (zh) | 2022-02-28 | 2022-02-28 | 异常行驶行为的识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114670852A true CN114670852A (zh) | 2022-06-28 |
Family
ID=82072268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210192029.9A Pending CN114670852A (zh) | 2022-02-28 | 2022-02-28 | 异常行驶行为的识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114670852A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879177A (zh) * | 2022-07-11 | 2022-08-09 | 浙江大华技术股份有限公司 | 一种基于雷达信息的目标分析方法及设备 |
CN115527364A (zh) * | 2022-08-25 | 2022-12-27 | 西安电子科技大学广州研究院 | 一种基于雷视数据融合的交通事故溯源方法及*** |
CN115909728A (zh) * | 2022-11-02 | 2023-04-04 | 智道网联科技(北京)有限公司 | 路侧感知方法、装置及电子设备、存储介质 |
CN116381674A (zh) * | 2023-06-02 | 2023-07-04 | 陕西欧卡电子智能科技有限公司 | 一种水面激光雷达点云与毫米波雷达点云的融合方法 |
-
2022
- 2022-02-28 CN CN202210192029.9A patent/CN114670852A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879177A (zh) * | 2022-07-11 | 2022-08-09 | 浙江大华技术股份有限公司 | 一种基于雷达信息的目标分析方法及设备 |
CN114879177B (zh) * | 2022-07-11 | 2022-10-28 | 浙江大华技术股份有限公司 | 一种基于雷达信息的目标分析方法及设备 |
CN115527364A (zh) * | 2022-08-25 | 2022-12-27 | 西安电子科技大学广州研究院 | 一种基于雷视数据融合的交通事故溯源方法及*** |
CN115527364B (zh) * | 2022-08-25 | 2023-11-21 | 西安电子科技大学广州研究院 | 一种基于雷视数据融合的交通事故溯源方法及*** |
CN115909728A (zh) * | 2022-11-02 | 2023-04-04 | 智道网联科技(北京)有限公司 | 路侧感知方法、装置及电子设备、存储介质 |
CN116381674A (zh) * | 2023-06-02 | 2023-07-04 | 陕西欧卡电子智能科技有限公司 | 一种水面激光雷达点云与毫米波雷达点云的融合方法 |
CN116381674B (zh) * | 2023-06-02 | 2023-08-22 | 陕西欧卡电子智能科技有限公司 | 一种水面激光雷达点云与毫米波雷达点云的融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114670852A (zh) | 异常行驶行为的识别方法、装置、设备及介质 | |
CN109920246B (zh) | 一种基于v2x通信与双目视觉的协同局部路径规划方法 | |
CN113379805B (zh) | 一种交通节点的多信息资源融合处理方法 | |
CN105793669B (zh) | 车辆位置推定***、装置、方法以及照相机装置 | |
US12031839B2 (en) | System for producing and/or updating a digital model of a digital map | |
CN113223317B (zh) | 一种更新地图的方法、装置和设备 | |
EP3674161A1 (en) | A failure detection device for an external sensor and a failure detection method for an external sensor | |
EP3657464A1 (en) | Control device, control method, and program | |
JP2021099793A (ja) | インテリジェント交通管制システム及びその制御方法 | |
EP3895950A1 (en) | Methods and systems for automated driving system monitoring and management | |
CN112835030A (zh) | 一种障碍物目标的数据融合方法、装置及智能汽车 | |
CN114091626B (zh) | 真值检测方法、装置、设备及存储介质 | |
EP3896639A1 (en) | Methods and systems for managing an automated driving system of a vehicle | |
US20230168368A1 (en) | Guardrail estimation method based on multi-sensor data fusion, and vehicle-mounted device | |
CN111753901A (zh) | 一种数据融合方法、装置、***及计算机设备 | |
US20200256682A1 (en) | Method and device | |
CN115953748A (zh) | 用于车联网的多传感器融合感知方法、***、设备和介质 | |
CN116524311A (zh) | 路侧感知数据处理方法及其***、存储介质和电子设备 | |
CN114528040A (zh) | 环境自适应方法、装置、介质及路侧感知与计算*** | |
CN115598655A (zh) | 一种基于点云数据的目标识别方法、装置及电子设备 | |
CN111681430B (zh) | 实时预测未来机动车到达信号灯路口停止线台数的方法 | |
CN114821531A (zh) | 基于电子外后视镜adas的车道线识别图像显示*** | |
WO2023145738A1 (ja) | 地図更新システム、車載装置および管理サーバ | |
CN110874549A (zh) | 目标视野确定方法、***、计算机设备和存储介质 | |
CN117496483B (zh) | 夜间图像识别方法及*** |
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 |