CN115527364A - 一种基于雷视数据融合的交通事故溯源方法及*** - Google Patents
一种基于雷视数据融合的交通事故溯源方法及*** Download PDFInfo
- Publication number
- CN115527364A CN115527364A CN202211027651.0A CN202211027651A CN115527364A CN 115527364 A CN115527364 A CN 115527364A CN 202211027651 A CN202211027651 A CN 202211027651A CN 115527364 A CN115527364 A CN 115527364A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- running
- traffic accident
- road
- 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
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 103
- 230000004927 fusion Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000007499 fusion processing Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于雷视数据融合的交通事故溯源方法及***,包括:实时获取待测道路的第一状态信息和行驶车辆数据,所述行驶车辆数据包括行驶车辆的速度和位置,其中,所述速度和所述位置为通过雷达获取的;对所述待测道路的第一状态信息和行驶车辆数据进行融合处理,得到第二状态信息和车辆行驶轨迹;实时识别待测道路的多个目标,目标包括行驶车辆和行人,基于所述车辆行驶轨迹对所识别的行驶车辆进行实时的状态检测,以根据状态检测结果确定交通事故的发生结果。本发明极大的降低了采集数据所需要的时间,弥补了单一路侧摄像机数据自身局限性,易受恶劣天气影响导致精度不够的缺点,为道路交通事故处理,提供精准证据资料。
Description
技术领域
本发明属于信息处理技术领域,涉及一种基于雷视数据融合的交通事故溯源方法及***。
背景技术
随着我国道路交通的快速发展,目前我国大多道路交通事故现场收集证据信息的主要方法有人工和自动两种,基于最普通的照相、摄像、测量、绘图等的直接人工勘查方法,需要的时间较长,对快速记录现场、迅速疏散交通、事后事故分析和责任判定造成一定的困难。并且,在传统的道路交通事故现场照相和摄像中,还存在着现场照相,有时受天气影响而导致的不确定性,难以看清监控目标的问题。
因此,鉴于目前道路交通事故现场勘查照相和摄像中存在的许多缺点,传统的人工照相与摄像、测量及绘图方法,已经不能适应现代道路交通事故快速处理的需要,并且道路交通视频监控的作用仍然停留在被动服务于“事后研判”的模式,整个监控和控制***并未做到主动判断、快速上报、联动预警。同时,交警辖区范围大、动态警力非常有限,常常导致事故处置不及时,进一步加剧交通拥堵和次生事故的发生等问题。
综上所述,如何自动采集准确的数据以及如何对交通事故进行自动判定,成为了亟待解决的问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于雷视数据融合的交通事故溯源方法及***。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种基于雷视数据融合的交通事故溯源方法,所述交通事故溯源方法包括:
步骤1、实时获取待测道路的第一状态信息和行驶车辆数据,所述行驶车辆数据包括行驶车辆的速度和位置,其中,所述速度和所述位置为通过雷达获取的;
步骤2、对所述待测道路的第一状态信息和行驶车辆数据进行融合处理,得到第二状态信息和车辆行驶轨迹;
步骤3、实时识别待测道路的多个目标,目标包括行驶车辆和行人,基于所述车辆行驶轨迹对所识别的行驶车辆进行实时的状态检测,以根据状态检测结果确定交通事故的发生结果。
在本发明的一个实施例中,所述第一状态信息包括道路环境信息和交通状态信息,所述道路环境信息交通标志信息、交通信号灯信息、车道线数据信息,所述交通状态信息包括交通车流量、车道占有量数据和车辆平均速度。
在本发明的一个实施例中,所述行驶车辆数据还包括车牌和车型。
在本发明的一个实施例中,所述步骤2包括:
步骤2.1、将雷达坐标系下的行驶车辆通过坐标系转换到摄像头对应的像素坐标系下,实现在空间上的融合,雷达和摄像头在时间上同步采集数据,实现在时间上的融合,以得到融合后的第二状态信息、行驶车辆的速度和位置;
步骤2.2、根据雷达采集的车辆标识、位置、速度和时间得到车辆行驶轨迹。
在本发明的一个实施例中,所述步骤2.2包括:
步骤2.21、根据前一帧目标车辆的位置和速度,计算得到当前帧目标车辆的位置;
步骤2.22、计算当前帧目标车辆的位置与其他行驶车辆的欧式距离,选择欧式距离最短的行驶车辆作为所述目标车辆在当前帧的行驶轨迹;
步骤2.23、重复步骤2.21-步骤2.22,按照时间序列,得到所述所有行驶车辆的车辆行驶轨迹。
在本发明的一个实施例中,所述步骤3包括:
步骤3.1、实时识别待测道路的多个目标;
步骤3.2、根据所述车辆行驶轨迹提取所识别的行驶车辆在n时长内发生的总位移;
步骤3.3、根据所述行驶车辆在n时长内发生的总位移判断是否发生异常停车,若是,则根据该行驶车辆的异常停车数据确定交通事故的发生结果。
在本发明的一个实施例中,所述步骤3.3包括:
判断所述行驶车辆在n时长内发生的总位移是否小于异常停车最小累计位移,若是,则该行驶车辆发生异常停车,则根据该行驶车辆的异常停车数据确定交通事故的发生结果,若否,则该行驶车辆未发生异常停车。
在本发明的一个实施例中,根据该行驶车辆的异常停车数据确定交通事故的发生结果,包括:
将所述行驶车辆在n时长内发生的总位移、所述第二状态信息中的道路交通车流量、车道占有量数据和车辆平均速度输入至训练好的事件检测模型,所述事件检测模型输出交通事故的发生结果,其中,当所述事件检测模型检测出所述行驶车辆在n时长内发生的总位移小于异常停车最小累计位移、且在n时长内所述第二状态信息中的道路交通车流量逐渐增大至超过第一阈值、车道占有量数据逐渐增大至超过第二阈值、车辆平均速度逐渐减慢至低于第三阈值,说明发生交通事故。
本发明一个实施例还提供一种基于雷视数据融合的交通事故溯源***,所述交通事故溯源***用于执行上述任一项实施例所述的交通事故溯源方法,所述交通事故溯源***包括:
路侧感知模块,用于实时获取待测道路的第一状态信息和行驶车辆数据,所述行驶车辆数据包括行驶车辆的速度和位置,其中,所述速度和所述位置为通过雷达获取的;
数据融合模块,用于对所述待测道路的状态信息和行驶车辆数据进行融合处理,得到第二状态信息和车辆行驶轨迹;
分析模块,用于实时识别待测道路的多个目标,目标包括行驶车辆和行人,基于所述车辆行驶轨迹对所识别的行驶车辆进行实时的状态检测,以根据状态检测结果确定交通事故的发生结果。
在本发明的一个实施例中,所述路侧感知模块包括摄像头和雷达。
与现有技术相比,本发明的有益效果:
本发明提供的交通事故溯源方法通过设置于待测道路上的雷达和摄像机实时采集道路状态信息数据,并对采集的数据进行关联融合,相较于传统的人工采集方式,极大的降低了采集数据所需要的时间,弥补了单一路侧摄像机数据自身局限性,易受恶劣天气影响导致精度不够的缺点,为道路交通事故处理,提供精准证据资料。
通过以下参考附图的详细说明,本发明的其它方面和特征变得明显。但是应当知道,该附图仅仅为解释的目的设计,而不是作为本发明的范围的限定,这是因为其应当参考附加的权利要求。还应当知道,除非另外指出,不必要依比例绘制附图,它们仅仅力图概念地说明此处描述的结构和流程。
附图说明
图1为本发明实施例提供的一种基于雷视数据融合的交通事故溯源方法的流程示意图;
图2是本发明实施例提供的一种基于雷视数据融合的交通事故溯源***的结构框图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1为本发明实施例提供的一种基于雷视数据融合的交通事故溯源方法的流程示意图,本发明提供一种基于雷视数据融合的交通事故溯源方法,该基于雷视数据融合的交通事故溯源方法包括步骤1-步骤3,其中:
步骤1、实时获取待测道路的第一状态信息和行驶车辆数据,行驶车辆数据包括行驶车辆的速度和位置,其中,速度和位置为通过雷达获取的。
具体地,本实施例可以根据实际情况分别对某一待测道路的多个路段进行状态信息采集。例如,对事故频发或者车流量多的路段设置多个采集装置进行密集采集,对道路通畅,不常发生事故的路段进行简单采集。此外,还可以根据需要设置采集周期,例如,在事故易发生时段进行密集采集等。
本实施例提供的交通事故溯源方法可根据实际需要将用于采集路段状态信息的装置任意设置在所需的路段,极大地避免甚至消除了勘测盲区,进一步提升了事故证据材料的准确度。
进一步地,为了增加样本,以尽可能地反应真实的道路状态信息和行驶车辆数据,还可以从不同维度进行采样,例如可以使用摄像头进行图像信息采集道路和车辆的状态信息,同时使用雷达***进行三维点云数据采集行驶车辆的位置、速度等数据,或者采用其他传感器进行诸如天气、事故痕迹等信息的采集。
在本实施例中,待测道路的第一状态信息包括道路环境信息、交通状态信息,其中,道路环境信息至少包括:交通标志信息、交通信号灯信息、车道线数据信息;交通状态信息包括交通车流量、车道占有量数据和车辆平均速度,交通车流量是指在所选定的时间段内通过待测道路某一地点、某一断面或某一路段的车辆数量,车道占有量数据为在待测道路上,行驶车辆的总长度与该待测道路长度之比的百分数,车辆平均速度为待测道路上所有行驶车辆的速度的平均值。
在本实施例中,行驶车辆数据包括行驶车辆的速度和位置。
进一步地,行驶车辆数据还包括车牌和车型。
其中,通过雷达数据和视频数据可获得两个维度的原始数据信息摄像头拍摄路面视频,可直观获得待测道路环境、行驶车辆的车牌、车型信息等信息,经由处理器计算后并进行记录交通车流量,可获得车辆平均速度和车道占有量数据,雷达向待测道路发送电磁波,接收行驶车辆反射回来的电磁波进行计算处理,获得行驶车辆的位置、速度信息。
步骤2、对待测道路的第一状态信息和行驶车辆数据进行融合处理,得到第二状态信息和车辆行驶轨迹。
在步骤1得到待测道路的第一状态信息和行驶车辆数据后,需要实时的对待测道路的状态信息和行驶车辆数据进行融合处理,得到当前道路的具体道路状态信息和行驶车辆精准轨迹数据。
进一步地,本实施例通过智能算法将不同维度得到的数据进行融合处理,生成一个包含当前道路的状态信息,如道路环境信息、交通状态信息、行驶车辆车牌、车型信息及行驶车辆精准轨迹数据。
在一个具体实施例中,步骤2可以具体包括步骤2.1-步骤2.2,其中:
步骤2.1、将雷达坐标系下的行驶车辆通过坐标系转换到摄像头对应的像素坐标系下,实现在空间上的融合,雷达和摄像头在时间上同步采集数据,实现在时间上的融合,以得到融合后的第二状态信息、行驶车辆的第二速度和第二位置。
首先雷达***和摄像头***分别针对观测道路收集数据,然后对各传感器的输出数据进行特征提取与模式识别处理,并将目标按类别进行准确关联,利用融合算法将同一目标的所有传感器数据进行整合,最后计算分析还原车辆的行驶轨迹。
具体地,采取图像融合策略,即以视觉为主体,将雷达***输出的行驶车辆的位置和速度进行图像特征转化,然后与摄像头***的图像输出进行融合。具体涉及空间融合与时间融合。建立雷达坐标系、三维世界坐标系、摄像头坐标系、图像坐标系和像素坐标系之间的坐标转换关系,将雷达坐标系下的形势车辆通过坐标系转换到摄像头对应的像素坐标系下即可实现两者的空间融合,其中,行驶车辆同时在雷达坐标系和摄像头对应的像素坐标系中,而且可以获得行驶车辆在这两个坐标系中的位置信息,就可以行驶车辆当作参照物,根据两个位置信息可以求得两个坐标系的变换矩阵,根据变换矩阵可实现两个坐标系的转换;两者在时间上同步采集数据,可实现时间的融合,以摄像头采样速率为基准,摄像头每采一帧图像,根据其采样时间段,选取雷达在该时间段对应的一帧的数据,即完成共同采样一帧雷达与视觉融合的数据,从而保证了雷达数据和摄像头数据时间上的同步。其中,将雷达所采集的行驶车辆的速度和位置融合至摄像头所采集的对应行驶车辆,并且,利用雷达所采集的速度更新第一状态信息中的车辆平均速度,更新后的第一状态信息即为第二状态信息。
步骤2.2、根据雷达采集的车辆标识、位置、速度和时间得到车辆行驶轨迹。
在一个具体实施例中,步骤2.2可以具体包括步骤2.21-步骤2.22,其中:
步骤2.21、根据前一帧目标车辆的位置和速度,计算得到当前帧目标车辆的位置,即st=st-1+vt,其中,st为当前帧目标车辆的位置,st-1为前一帧目标车辆的位置,v为前一帧目标车辆的速度,t为时间。
在整合多个传感器对同一目标空间、时间上的数据后,通过计算雷达***上的车辆标识(即雷达对检测到的车辆赋予的ID号)、位置信息及时间信息,可以分析车辆的行驶信息为同一车辆建立行驶轨迹,主要是根据时间信息顺序,将前一帧融合数据中目标车辆位置叠加目标车辆速度,预测当前帧中目标车辆的位置。
步骤2.22、计算当前帧目标车辆的位置与其他行驶车辆的欧式距离,选择欧式距离最短的行驶车辆作为所述目标车辆在当前帧的行驶轨迹。
具体地,计算比较当前帧中多个行驶车辆与目标车辆的欧氏距离,距离最近的便视为同一目标,
步骤2.23、重复步骤2.21-步骤2.22,按照时间序列,得到所有行驶车辆的车辆行驶轨迹。
具体地,根据前后两帧目标中,欧式距离最近的两个目标车辆视为同一目标车辆,从而实现一段时间内同一目标车辆的连续跟踪,按时间序列,按照步骤2.21-步骤2.22不断将当前帧和前一帧的目标车辆进行划分归类后,从而实现对车辆的延续追踪,提取该目标车辆的位置和速度信息即可还原其在这一段时间的行驶轨迹。
另外,还可以利用融合数据中的图像信息进行车辆、行人目标识别,辅助提高车辆跟踪识别精确度,扩展异常交通事件检测范围。
步骤3、实时识别待测道路的多个目标,目标包括行驶车辆和行人,基于车辆行驶轨迹对所识别的行驶车辆进行实时的状态检测,以根据状态检测结果确定交通事故的发生结果。
由于待测道路的环境是随时变化的,因此,需要定期的采集道路的状态信息和行驶车辆数据,并据此进行融合处理,具体的数据采集周期可由实际需要确定。
在一个具体实施例中,步骤3可以具体包括步骤3.1-步骤3.3,其中:
步骤3.1、实时识别待测道路的多个目标。
具体地,通过融合处理后的数据中同一目标的雷达、图像的关联数据,首先采用多目标识别算法,对融合处理归类后的道路状态信息中存在的多个目标进行目标识别,主要将所要研究的目标如车辆、行人、机动车从融合数据的图像信息背景上识别标记出来。
其中,多目标识别算法是使用YOLOv 3模型,对每帧输入的图像,会先经过YOLOv 3输出一组向量,其中存在所有目标的位置信息及其类别,类别即为车辆和行人。
步骤3.2、根据车辆行驶轨迹提取所识别的行驶车辆在n时长内发生的总位移。
根据融合还原的行驶车辆轨迹数据实现对目标车辆的延续跟踪,即可以根据还原的目标车辆行驶轨迹,在这一时间段,一直能获取同一目标车辆的位置、速度信息,便实现了对它的跟踪,为弥补雷达采集数据不包含行人的不足,对于行人利用图像信息监测其运动轨迹和具体行为,从而实现对多目标的跟踪识别。因此,通过行驶车辆的车辆行驶轨迹便可以得到行驶车辆在n时长内发生的总位移。N例如为小于10的自然数,单位为分钟。
步骤3.3、根据行驶车辆在n时长内发生的总位移判断是否发生异常停车,若是,则根据该行驶车辆的异常停车数据确定交通事故的发生结果。
在一个具体实施例中,步骤3.3具体可以包括:
判断行驶车辆在n时长内发生的总位移是否小于异常停车最小累计位移η,若是,则该行驶车辆发生异常停车,则根据该行驶车辆的异常停车数据确定交通事故的发生结果,若否,则该行驶车辆未发生异常停车。异常停车最小累计位移η例如为100m。
在一个具体实施例中,根据该行驶车辆的异常停车数据确定交通事故的发生结果,包括:
将行驶车辆在n时长内发生的总位移、第二状态信息中的道路交通车流量、车道占有量数据和车辆平均速度输入至训练好的事件检测模型,事件检测模型输出交通事故的发生结果,其中,当事件检测模型检测出行驶车辆在n时长内发生的总位移小于异常停车最小累计位移、且在n时长内所述第二状态信息中的道路交通车流量逐渐增大至超过第一阈值、车道占有量数据逐渐增大至超过第二阈值、车辆平均速度逐渐减慢至低于第三阈值,说明发生交通事故,其中,第一阈值、第二阈值和第三阈值均由历史数据在该时段统计的平均车流量、平均车道占有量、平均车辆速度确定,并在用历史数据训练事件检测模型过程中,三个阈值作为参数会根据事件检测结果的判断误差不断进行反馈调整。
优选地,事件检测模型为反馈神经网络模型。
具体地,将历史存储的融合数据作为训练集,训练集中的目标类别和目标状态数据进行标注,将状态异常的帧标记为负样本,普通帧标记为正样本,其中,负样本即为行驶车辆在n时长内发生的总位移小于异常停车最小累计位移、且在n时长内所述第二状态信息中的道路交通车流量逐渐增大至超过第一阈值、车道占有量数据逐渐增大至超过第二阈值、车辆平均速度逐渐减慢至低于第三阈值,除负样本之外其余的情况均为正样本。将标注后的样本输入事件检测模型,通过对标注好的目标状态数据的进行训练,输出目标当前帧是否发生异常交通事件的判断结果。经过事件检测模型的训练,不断提高模型检测的精度,并将训练更新后的模型参数替换当前实时检测模型的参数,实现模型检测的优化和更新。
在对当前道路多目标进行跟踪识别时,根据目标车辆的行驶轨迹数据中的速度、位置等数据,获取到当前车辆的运动状态,对目标车辆进行实时的状态检测,根据每帧中每个目标的跟踪轨迹的状态检测信息,按照预先设计的异常交通事件判定规则,预置临界状态,超出临界状态的任何交通状况被识别为异常,鉴别出不正常数据的模式,判断是否发生异常交通事件。
当目标车辆当前的状态异常,违背了事先设定的异常事件判定规则,其中检测到交通事故的发生时,进行自动预警处理,同时提取当前事故时间地点相关数据进行事故责任的判定。
首先正向溯源交通事故中的跟踪目标所在交通道路状态、目标运动状态、交通事故结果的历史数据分别进行取证,各方面获取的证据需要具有逻辑一致性、***性,因为没有逻辑一致性的个别证据是无效证据,所以可以剔除掉不相关的证据资料,然后将取证结果之间相互的关联关系,按串联或并联关系绘制逻辑关系图,这能客观、公正反映事故发生的主要原因,最后围绕交通事故判定标准来统一证明标准,科学的对事故发生的各目标状态在各环节进行界定,准确判别各层次、各串联或并联因素在事故发生中承担的责任,从而判定划分事故发生包含的各目标的责任。其中,逻辑一致性就是在当前交通事故逻辑上的时间段内、位置的相关车辆行驶数据及道路状态信息中采集的各方面证据,对于每一个证据,如果从它不能逻辑推理出任何一个与之相矛盾的结果,那么它就是一致的,否则它就是不一致的;***性是由组合关系和聚合关系构成的严整有序的规则***,在这里把交通事故的成因定义为一个***,获取的相互联系的证据,分析其中的因果关系,组合成为一个有机整体,由逻辑关系图体现。逻辑关系图是根据各证据之间的串联或并联关系绘制,串联表示具有因果关系,并联表示并列关系。
另外,在步骤3之后还可以包括步骤4,其中:
步骤4、将交通事故相关道路状态数据、车辆轨迹数据及事故判定过程数据存储到数据库中,便于查询溯源。
具体地,将交通事故相关道路状态数据、车辆轨迹数据以及正向溯源过程中从中提取的交通事故的证据,事故责任判定结果等数据在相应的列表按时间或事故类型对该事故数据自动归类和编号,以数据库的形式写入数据库文件,最终录入保存,便于调用、查询、共享和溯源。
交通事故发生后,公安交管部门可以通过移动终端登录云平台,能够远程查询获取上述数据信息,从而可以反向追溯交通事故发生的原因以及重新定责。
进一步地,在步骤4之后,还包括:
公安交管部门可以利用调取数据库中数据进行反向溯源,对交通事故进行重新取证,并将新的取证结果经过正向溯源重新验证证据的有机统一,排除不相关证据,并判定事故责任,最后可以将反向溯源判定结果与数据库中历史判定结果进行比较分析,最终获得的证据和判定结果能形成完整的***化证据体系,切实提高事故判定的准确性。
本实施例提供的交通事故溯源方法通过设置于待测道路上的装置实时采集道路状态信息数据和行驶车辆数据,对采集的数据进行融合,并根据融合数据对道路多个目标进行跟踪识别,状态检测是否发生交通异常事件,然后对事件检测中的交通事故进行***性取证,初步完成事故责任的判定,最终将事故相关数据存储保留,由此实现了交通事故的溯源,相较于传统方法,极大地降低了交通事故处理的时间,减轻了民警工作的负担,保障了道路交通的安全、有序和畅通。
1、本发明提供的交通事故溯源方法通过设置于待测道路上的雷达和摄像机实时采集道路状态信息数据,并对采集的数据进行关联融合,相较于传统的人工采集方式,极大的降低了采集数据所需要的时间,弥补了单一路侧摄像机数据自身局限性,易受恶劣天气影响导致精度不够的缺点,为道路交通事故处理,提供精准证据资料。
2、本发明提供的交通事故溯源方法通过关联融合数据实时检测交通异常事件,对交通事故自动判定划分责任,使得事故处置高效、快捷,采集信息和初步判定完毕即可快速拆除现场,迅速恢复道路交通秩序,避免进一步加剧交通拥堵和次生事故的发生等问题。
3、本发明提供的交通事故溯源方法通过对交通事故的判定分析,剔除与道路交通事故现场无关的数据信息,并将相关联的道路状态信息、行驶车辆轨迹数据及事故判定过程数据归类存储,通过移动终端登录云平台,能够远程查询溯源处理相关交通事故,极大减轻交通事故处理警力资源的消耗和分配。
实施例二
请参见图2,图2是本发明实施例提供的一种基于雷视数据融合的交通事故溯源***的结构框图。本发明实施例在实施例一基础上还提供基于雷视数据融合的交通事故溯源***,该交通事故溯源***用于实施实施例一所提供的基于雷视数据融合的交通事故溯源方法,该交通事故溯源***包括:
路侧感知模块1,用于实时获取待测道路的第一状态信息和行驶车辆数据,行驶车辆数据包括行驶车辆的速度和位置,其中,速度和位置为通过雷达获取的;
数据融合模块2,用于对待测道路的状态信息和行驶车辆数据进行融合处理,得到第二状态信息和车辆行驶轨迹;
分析模块3,用于实时识别待测道路的多个目标,目标包括行驶车辆和行人,基于车辆行驶轨迹对所识别的行驶车辆进行实时的状态检测,以根据状态检测结果确定交通事故的发生结果。
其中,路侧感知模块1设置于待测道路上,路侧感知模块包括摄像头11和雷达12,摄像头11和雷达12分别从不同维度采集道路的状态信息。
进一步地,分析模块3具体包括:
事件检测单元31,用于实时识别待测道路的多个目标,根据所述车辆行驶轨迹提取所识别的行驶车辆在n时长内发生的总位移,根据行驶车辆在n时长内发生的总位移判断是否发生异常停车,若是,则根据该行驶车辆的异常停车数据确定交通事故的发生结果。
事故判定单元32,用于将检测到的异常交通事件中的交通事故进行判定检验,通过算法逻辑分析判定划分交通事故责任。
在一个具体实施例中,该交通事故溯源***还可以包括:
存储模块4,连接分析模块3,用于根据交通事故相应道路状态数据、车辆轨迹数据及事故判定过程数据存储到数据库中;
查询模块5,连接存储模块4,用于根据数据库中存储的交通事故相应道路状态数据、车辆轨迹数据及事故判定过程数据进行远程查询溯源交通事故相关数据及判定结果,反向追溯交通事故发生的原因以及重新定责。
本实施例提供的交通事故溯源***工作过程如下:
部署在道路旁的路侧感知模块,实时采集当前道路段的所有道路环境信息、交通状态信息、道路交通异常事件信息以及道路上行驶车辆的车牌、车型、速度、位置等信息。路侧感知模块将采集到的数据传送至数据融合模块,数据融合模块将雷达数据和视频数据进行融合后得到具体道路状态信息及行驶车辆精准轨迹数据,并将其传输到分析模块,分析模块首先将接收到的所有具体道路状态信息如道路环境信息、交通状态信息、道路交通异常事件信息以及行驶车辆精准轨迹数据,实时识别跟踪道路多个目标,对所述行驶车辆在道路上的精准轨迹数据中的状态信息进行事件检测,实时检测道路异常事件;对检测到的异常交通事件中的交通事故进行判定检验,通过算法逻辑分析判定划分交通事故责任。分析模块和数据融合模块将事故相关数据和事故判定过程数据传送到存储模块,存储模块将交通事故相应道路状态数据、车辆轨迹数据及事故判定过程数据存储到数据库中。查询模块通过移动终端登录云平台获取存储模块储存在数据库中的交通事故相应道路状态数据、车辆轨迹数据及事故判定过程等数据进行远程查询,反向溯源交通事故相关数据及判定结果,追溯交通事故发生的原因以及重新定责。
本发明实施例提供的交通事故溯源***,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征数据点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特征数据点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于雷视数据融合的交通事故溯源方法,其特征在于,所述交通事故溯源方法包括:
步骤1、实时获取待测道路的第一状态信息和行驶车辆数据,所述行驶车辆数据包括行驶车辆的速度和位置,其中,所述速度和所述位置为通过雷达获取的;
步骤2、对所述待测道路的第一状态信息和行驶车辆数据进行融合处理,得到第二状态信息和车辆行驶轨迹;
步骤3、实时识别待测道路的多个目标,目标包括行驶车辆和行人,基于所述车辆行驶轨迹对所识别的行驶车辆进行实时的状态检测,以根据状态检测结果确定交通事故的发生结果。
2.根据权利要求1所述的基于雷视数据融合的交通事故溯源方法,其特征在于,所述第一状态信息包括道路环境信息和交通状态信息,所述道路环境信息交通标志信息、交通信号灯信息、车道线数据信息,所述交通状态信息包括交通车流量、车道占有量数据和车辆平均速度。
3.根据权利要求1所述的基于雷视数据融合的交通事故溯源方法,其特征在于,所述行驶车辆数据还包括车牌和车型。
4.根据权利要求1所述的基于雷视数据融合的交通事故溯源方法,其特征在于,所述步骤2包括:
步骤2.1、将雷达坐标系下的行驶车辆通过坐标系转换到摄像头对应的像素坐标系下,实现在空间上的融合,雷达和摄像头在时间上同步采集数据,实现在时间上的融合,以得到融合后的第二状态信息、行驶车辆的速度和位置;
步骤2.2、根据雷达采集的车辆标识、位置、速度和时间得到车辆行驶轨迹。
5.根据权利要求4所述的基于雷视数据融合的交通事故溯源方法,其特征在于,所述步骤2.2包括:
步骤2.21、根据前一帧目标车辆的位置和速度,计算得到当前帧目标车辆的位置;
步骤2.22、计算当前帧目标车辆的位置与其他行驶车辆的欧式距离,选择欧式距离最短的行驶车辆作为所述目标车辆在当前帧的行驶轨迹;
步骤2.23、重复步骤2.21-步骤2.22,按照时间序列,得到所述所有行驶车辆的车辆行驶轨迹。
6.根据权利要求1所述的基于雷视数据融合的交通事故溯源方法,其特征在于,所述步骤3包括:
步骤3.1、实时识别待测道路的多个目标;
步骤3.2、根据所述车辆行驶轨迹提取所识别的行驶车辆在n时长内发生的总位移;
步骤3.3、根据所述行驶车辆在n时长内发生的总位移判断是否发生异常停车,若是,则根据该行驶车辆的异常停车数据确定交通事故的发生结果。
7.根据权利要求6所述的基于雷视数据融合的交通事故溯源方法,其特征在于,所述步骤3.3包括:
判断所述行驶车辆在n时长内发生的总位移是否小于异常停车最小累计位移,若是,则该行驶车辆发生异常停车,则根据该行驶车辆的异常停车数据确定交通事故的发生结果,若否,则该行驶车辆未发生异常停车。
8.根据权利要求7所述的基于雷视数据融合的交通事故溯源方法,其特征在于,根据该行驶车辆的异常停车数据确定交通事故的发生结果,包括:
将所述行驶车辆在n时长内发生的总位移、所述第二状态信息中的道路交通车流量、车道占有量数据和车辆平均速度输入至训练好的事件检测模型,所述事件检测模型输出交通事故的发生结果,其中,当所述事件检测模型检测出所述行驶车辆在n时长内发生的总位移小于异常停车最小累计位移、且在n时长内所述第二状态信息中的道路交通车流量逐渐增大至超过第一阈值、车道占有量数据逐渐增大至超过第二阈值、车辆平均速度逐渐减慢至低于第三阈值,说明发生交通事故。
9.一种基于雷视数据融合的交通事故溯源***,其特征在于,所述交通事故溯源***用于执行权利要求1至9任一项所述的交通事故溯源方法,所述交通事故溯源***包括:
路侧感知模块,用于实时获取待测道路的第一状态信息和行驶车辆数据,所述行驶车辆数据包括行驶车辆的速度和位置,其中,所述速度和所述位置为通过雷达获取的;
数据融合模块,用于对所述待测道路的状态信息和行驶车辆数据进行融合处理,得到第二状态信息和车辆行驶轨迹;
分析模块,用于实时识别待测道路的多个目标,目标包括行驶车辆和行人,基于所述车辆行驶轨迹对所识别的行驶车辆进行实时的状态检测,以根据状态检测结果确定交通事故的发生结果。
10.根据权利要求9所述的基于雷视数据融合的交通事故溯源***,其特征在于,所述路侧感知模块包括摄像头和雷达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027651.0A CN115527364B (zh) | 2022-08-25 | 2022-08-25 | 一种基于雷视数据融合的交通事故溯源方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027651.0A CN115527364B (zh) | 2022-08-25 | 2022-08-25 | 一种基于雷视数据融合的交通事故溯源方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115527364A true CN115527364A (zh) | 2022-12-27 |
CN115527364B CN115527364B (zh) | 2023-11-21 |
Family
ID=84697375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211027651.0A Active CN115527364B (zh) | 2022-08-25 | 2022-08-25 | 一种基于雷视数据融合的交通事故溯源方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115527364B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911511A (zh) * | 2023-09-14 | 2023-10-20 | 中建三局信息科技有限公司 | 一种商砼运输车辆实时管理方法、装置、设备及存储介质 |
CN117273405A (zh) * | 2023-11-22 | 2023-12-22 | 航天正通汇智(北京)科技股份有限公司 | 阵列计算视觉应用在景区管理的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101731050B1 (ko) * | 2016-11-09 | 2017-04-28 | 한국건설기술연구원 | 음향센서, 레이더센서 및 영상센서를 결합한 복합센서를 이용한 돌발상황 자동 검지장치 및 그 방법 |
CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
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*** |
CN110738846A (zh) * | 2019-09-27 | 2020-01-31 | 同济大学 | 基于雷达与视频组群的车辆行为监测***及其实现方法 |
CN110796868A (zh) * | 2019-12-02 | 2020-02-14 | 江苏中路工程技术研究院有限公司 | 一种视频与微波融合的交通事件监测***与方法 |
CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及*** |
CN114037932A (zh) * | 2021-10-22 | 2022-02-11 | 北京工业大学 | 交通异常事件检测方法、电子设备、存储介质和程序产品 |
CN114093155A (zh) * | 2020-08-05 | 2022-02-25 | 北京万集科技股份有限公司 | 交通事故责任溯源方法、装置、计算机设备和存储介质 |
CN114670852A (zh) * | 2022-02-28 | 2022-06-28 | 高新兴科技集团股份有限公司 | 异常行驶行为的识别方法、装置、设备及介质 |
CN114758494A (zh) * | 2022-03-25 | 2022-07-15 | 西安电子科技大学广州研究院 | 一种基于通信感知多源数据融合的交通参数检测***及方法 |
CN114758297A (zh) * | 2022-04-21 | 2022-07-15 | 中国公路工程咨询集团有限公司 | 基于雷达与视频相融合的交通事件检测方法及*** |
-
2022
- 2022-08-25 CN CN202211027651.0A patent/CN115527364B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101731050B1 (ko) * | 2016-11-09 | 2017-04-28 | 한국건설기술연구원 | 음향센서, 레이더센서 및 영상센서를 결합한 복합센서를 이용한 돌발상황 자동 검지장치 및 그 방법 |
CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
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*** |
CN110738846A (zh) * | 2019-09-27 | 2020-01-31 | 同济大学 | 基于雷达与视频组群的车辆行为监测***及其实现方法 |
CN110796868A (zh) * | 2019-12-02 | 2020-02-14 | 江苏中路工程技术研究院有限公司 | 一种视频与微波融合的交通事件监测***与方法 |
CN114093155A (zh) * | 2020-08-05 | 2022-02-25 | 北京万集科技股份有限公司 | 交通事故责任溯源方法、装置、计算机设备和存储介质 |
CN112946628A (zh) * | 2021-02-08 | 2021-06-11 | 江苏中路工程技术研究院有限公司 | 一种基于雷达与视频融合的道路运行状态检测方法及*** |
CN114037932A (zh) * | 2021-10-22 | 2022-02-11 | 北京工业大学 | 交通异常事件检测方法、电子设备、存储介质和程序产品 |
CN114670852A (zh) * | 2022-02-28 | 2022-06-28 | 高新兴科技集团股份有限公司 | 异常行驶行为的识别方法、装置、设备及介质 |
CN114758494A (zh) * | 2022-03-25 | 2022-07-15 | 西安电子科技大学广州研究院 | 一种基于通信感知多源数据融合的交通参数检测***及方法 |
CN114758297A (zh) * | 2022-04-21 | 2022-07-15 | 中国公路工程咨询集团有限公司 | 基于雷达与视频相融合的交通事件检测方法及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911511A (zh) * | 2023-09-14 | 2023-10-20 | 中建三局信息科技有限公司 | 一种商砼运输车辆实时管理方法、装置、设备及存储介质 |
CN116911511B (zh) * | 2023-09-14 | 2023-12-12 | 中建三局信息科技有限公司 | 一种商砼运输车辆实时管理方法、装置、设备及存储介质 |
CN117273405A (zh) * | 2023-11-22 | 2023-12-22 | 航天正通汇智(北京)科技股份有限公司 | 阵列计算视觉应用在景区管理的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115527364B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109686088B (zh) | 一种交通视频告警方法、设备及*** | |
CN109887281B (zh) | 一种监控交通事件的方法及*** | |
CN115527364A (zh) | 一种基于雷视数据融合的交通事故溯源方法及*** | |
US11361556B2 (en) | Deterioration diagnosis device, deterioration diagnosis system, deterioration diagnosis method, and storage medium for storing program | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN110164132B (zh) | 一种道路交通异常的检测方法及*** | |
CN102164270A (zh) | 具有异常事件发掘功能的智能视频监控方法及*** | |
CN112433519A (zh) | 一种无人驾驶检测***及车辆行驶检测方法 | |
CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
CN107590999B (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN102881162A (zh) | 大规模交通信息的数据处理及融合方法 | |
CN106297278A (zh) | 一种用于查询抛洒物车辆的方法和*** | |
CN103345842A (zh) | 一种道路车辆分型***及方法 | |
CN115205796B (zh) | 轨道线路异物侵限监测与风险预警方法及*** | |
CN106340205A (zh) | 交通监控方法及交通监控装置 | |
Mertz et al. | City-wide road distress monitoring with smartphones | |
CN114771548A (zh) | 用于高级驾驶辅助***测试和验证的数据记录 | |
CN115657002A (zh) | 基于交通毫米波雷达的车辆运动状态估计方法 | |
CN106448161A (zh) | 道路监控方法及道路监控装置 | |
CN115600124A (zh) | 地铁隧道巡检***及巡检方法 | |
CN113870551A (zh) | 一种能够鉴别危险和非危险驾驶行为的路侧监控*** | |
CN112991769A (zh) | 基于视频的交通量调查方法和装置 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN114581863A (zh) | 车辆危险状态识别方法及*** | |
CN113177443A (zh) | 一种基于图像视觉的智能识别道路交通违章的方法 |
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 |