CN115830483A - 一种交通异常行为检测方法及相关装置 - Google Patents
一种交通异常行为检测方法及相关装置 Download PDFInfo
- Publication number
- CN115830483A CN115830483A CN202111081796.4A CN202111081796A CN115830483A CN 115830483 A CN115830483 A CN 115830483A CN 202111081796 A CN202111081796 A CN 202111081796A CN 115830483 A CN115830483 A CN 115830483A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- behavior
- path
- driving
- segment
- 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
Images
Landscapes
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本申请公开了一种交通异常行为检测方法及相关装置,涉及智能交通技术领域。该方法包括:获取目标车辆的第一路径,获取第二路径,根据第一路径与第二路径,对目标车辆进行异常行为检测,其中,该第一路径用于指示目标车辆在起始站和终点站之间的运动轨迹,该第二路径为起始站与终点站之间的另一路径,第二路径的长度小于第一路径的长度。本方法可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
Description
技术领域
本申请涉及智能交通技术领域,尤其涉及一种交通异常行为检测方法及相关装置。
背景技术
随着高速公路路网不断扩大,一些车辆利用各种形式少缴通行费。其中,少缴通行费的形式多样且隐蔽性强,如换卡行为、绕路行为和更换车牌行为等异常行为,扰乱了高速公路正常的运营秩序。
目前,主要基于对高速公路车辆的抓拍来进行异常行为识别检测。但是,目前的异常行为识别检测方法还存在对上述异常行为识别不准确的问题,容易造成误检漏检。因此,如何提高异常行为识别检测的准确率成为了技术领域人员重要的研究课题。
发明内容
本申请实施例提供了一种交通异常行为检测方法及相关装置,通过本申请实施例可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
第一方面,本申请实施例提供了一种交通异常行为检测方法,该方法包括:
获取目标车辆的第一路径,所述第一路径用于指示所述目标车辆在起始站和终点站之间的运动轨迹;
获取第二路径,所述第二路径为所述起始站与所述终点站之间的另一路径,所述第二路径的长度小于所述第一路径的长度;
根据所述第一路径和所述第二路径,对所述目标车辆进行异常行为检测。
本申请实施例中,提供了一种交通异常行为检测方法,该异常行为检测方法涉及智能交通技术领域,首先获取目标车辆在起始站和终点站之间的运动轨迹作为第一路径,然后获取该起始站与终点站之间的另一路径作为第二路径,其中,第二路径的长度小于第一路径的长度,最后根据第一路径与第二路径对目标车辆进行异常行为检测。其中,目标车辆包括但不限于车辆、非机动车等高速公路上的交通功能参与者。目标车辆的运动轨迹可以通过采集到的目标车辆运动行为的视频流、图像帧以及雷达数据等信息分析处理得到。通过本申请实施例,基于目标车辆的实际行驶路段与目标车辆的实际缴费路段,检测目标车辆是否发生少缴费异常行为,可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
在一种可能的实施方式中,所述根据所述第一路径和所述第二路径,对所述目标车辆进行异常行为检测,包括:
获得所述第一路径与所述第二路径的第一相似度,所述第一相似度表征所述第一路径与所述第二路径的相似程度;
确定所述第一相似度小于第一阈值,对所述目标车辆进行异常行为检测。
在本申请实施例中,提供了一种根据第一路径与第二路径对目标车辆进行异常行为检测的可能的具体实施方式,具体为,获得第一路径与第二路径的第一相似度,确定该第一相似度小于第一阈值,对该目标车辆进行异常行为检测。其中,该第一相似度表征第一路径与第二路径的相似程度,第一阈值不是一个固定的值,可以根据不同的目标车辆行驶在不同的高速路段上的应用场景而不同,可以是***预设的值,也可以是用户配置的值,此处不做限定。通过本申请实施例,基于第一路径与第二路径的相似程度,确定该相似程度小于第一阈值,检测目标车辆发生少缴通行费异常行为,可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
在一种可能的实施方式中,所述异常行为包括下述的一种:换卡行为、绕路行为、更换车牌行为,其中,所述换卡行为指示使用不同于收费起始站的站发放的收费卡从收费终点站出站,所述绕路行为指示通过调头改变行驶方向,所述更换车牌行为指示将车牌更换为其他车牌。
在本申请实施例中,提供了三种异常行为的可能的具体行为,换卡行为指示使用不同于收费起始站的站发放的收费卡从收费终点站出站,绕路行为指示通过调头改变行驶方向,更换车牌行为指示将车牌更换为其他车牌。本申请实施例中的异常行为检测方法对这三种可能的具体行为均适用,检测目标车辆的异常行为的类型,可以进一步提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并根据异常行为类型输出相应的整改指示。
在一种可能的实施方式中,所述对所述目标车辆进行异常行为检测包括:
获取所述目标车辆的第一行驶片段和第二行驶片段,所述第一行驶片段和所述第二行驶片段为所述第一路径中的两段不同的路径对应的行驶数据;
当所述目标车辆在所述第一行驶片段中的运动行为和所述目标车辆在所述第二行驶片段中的运动行为之间的相似度小于第二阈值时,确定所述目标车辆存在所述更换车牌行为,其中,所述运动行为的相似度是根据所述目标车辆的运动参数确定的。
在本申请实施例中,提供了一种检测目标车辆的异常行为类型的可能的具体实施方式,具体为,获取目标车辆的实际行驶路段中的任意两个不同的路段作为第一行驶片段和第二行驶片段,即该第一行驶片段和第二行驶片段为上述第一路径中的两段不同的路径对应的行驶数据,然后当检测到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度小于第二阈值时,确定目标车辆存在更换车牌行为。其中,目标车辆的运动行为的相似度是根据目标车辆的运动参数确定的。第二阈值不是一个固定的值,可以根据不同的目标车辆行驶在不同的高速路段上的应用场景而不同,可以是***预设的值,也可以是用户配置的值,此处不做限定。通过本申请实施例,基于目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度,检测目标车辆的异常行为类型为更换车牌行为,可以提高更换车牌行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据更换车牌行为输出相应的整改指示。
在一种可能的实施方式中,所述运动参数包括下述一种或多种:
目标车辆所处的车道、目标车辆距车道中心线距离、行驶平均速度、行驶瞬时最大速度、行驶加速度。
在本申请实施例中,提供了用于确定目标车辆的运动行为的相似度的运动参数的具体内容,目标车辆在第一行驶片段和第二行驶片段中的运动行为是基于驾驶员驾驶***均速度、行驶瞬时最大速度、行驶加速度等信息。通过本申请实施例,可以提高目标车辆的运动行为的相似度的准确率,从而提高更换车牌行为识别检测的准确率。
在一种可能的实施方式中,所述对所述目标车辆进行异常行为检测还包括:
当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向不同时,确定所述目标车辆存在所述绕路行为。
在本申请实施例中,提供了一种基于第一行驶片段和第二行驶片段对目标车辆的异常行为类型进行检测的可能的具体实施方式,具体为,当检测到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度大于或等于第二阈值,且目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向不同时,确定目标车辆存在绕路行为。通过本申请实施例,基于目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度,以及目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向,检测目标车辆的异常行为类型为绕路行为,可以提高绕路行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据绕路行为输出相应的整改指示。
在一种可能的实施方式中,所述对所述目标车辆进行异常行为检测还包括:
当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向相同时,确定所述目标车辆存在所述换卡行为。
在本申请实施例中,提供了一种基于第一行驶片段和第二行驶片段对目标车辆的异常行为类型进行检测的可能的具体实施方式,具体为,当检测到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度大于或等于第二阈值,且目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向相同时,确定目标车辆存在换卡行为。通过本申请实施例,基于目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度,以及目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向,检测目标车辆的异常行为类型为换卡行为,可以提高换卡行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据换卡行为输出相应的整改指示。
在一种可能的实施方式中,所述方法还包括:
根据所述第一行驶片段和所述第二行驶片段,确定所述目标车辆在所述第一路径中改变行驶方向的位置。
在本申请实施例中,还提供了一种确定绕路行为发生位置的可能的具体实施方式,具体为,根据第一行驶片段和第二行驶片段,确定目标车辆在第一路径中改变行驶方向的位置,通过本申请实施例,可以确定绕路行为发生的具***置,从而对发生绕路行为的路段输出相应的整改指示,减少高速公路车辆的少缴通行费行为。
在本申请实施例中,还提供了一种对目标车辆的异常行为进行进一步确认的可能的具体实施方式,具体为,在检测出目标车辆发生了异常行为或异常行为的具体类型后,根据异常行为发生的时间和位置,从采集到的目标车辆运动行为的视频流、图像帧中截取与异常行为强相关的目标视频或目标图像作为根据,基于此对目标车辆的异常行为进行进一步确认。其中,该目标视频包括记录了目标车辆发生异常行为的视频,该目标图像包括记录了目标车辆发生异常行为的图像。通过本申请实施例,基于异常行为发生的时间和位置,有效维护了高速公路正常运营秩序和平稳运行。
在一种可能的实施方式中,所述目标视频或所述目标图像基于所述异常行为发生的时间和位置确定;所述异常行为发生的时间和位置基于将所述第一路径输入至神经网络模型中得到;所述神经网络模型根据目标路段内的所述异常行为的历史信息训练得到,所述目标路段为所述目标车辆的运动轨迹的路段。
在本申请实施例中,用于对目标车辆的异常行为进行进一步确认的目标视频或目标图像是基于异常行为发生的时间和位置得到的,异常行为发生的时间和位置又是通过回溯目标车辆的整条实际运动轨迹,与该异常行为类型的历史信息对比确定的。具体的,可以将第一路径输入至神经网络模型中确定该异常行为发生的时间和位置,其中,该神经网络模型根据目标路段内的该异常行为类型的历史信息训练得到,目标路段为目标车辆的运动轨迹的路段。
在一种可能的实施方式中,所述方法还包括:
根据所述异常行为发生的时间和位置,输出整改指示;所述整改指示用于指示对所述异常行为发生频率较高的路段进行整改。
在本申请实施例中,还提供了一种对目标车辆的异常行为发生路段进行整改的可能的具体实施方式,具体为,在检测出目标车辆发生了异常行为或异常行为的具体类型后,根据异常行为发生的时间和位置,统计出异常行为多发路段或收费站点,并结合异常行为发生地点周边实时信息进行处理优先级评价,输出整改指示,对异常行为发生频率较高的路段进行整改。通过本申请实施例,基于异常行为发生的时间和位置输出整改指示,可以对异常行为发生频率较高的路段及时整改,减少该类异常行为的发生,有效维护高速公路正常运营秩序和平稳运行。
在一种可能的实施方式中,所述第一相似度基于将所述第一路径和所述第二路径输入至第一神经网络模型中得到;所述第一神经网络模型根据目标路段内的历史运动轨迹信息进行深度学习建模得到,所述目标路段为所述目标车辆的运动轨迹的路段。
在本申请实施例中,基于将第一路径和第二路径输入至第一神经网络模型中得到第一相似度,可以提高路径相似程度的准确率,进而提高异常行为识别检测的准确率。
在一种可能的实施方式中,所述目标车辆在所述第一行驶片段中的运动行为和所述目标车辆在所述第二行驶片段中的运动行为之间的相似度基于将所述第一行驶片段和所述第二行驶片段输入至第二神经网络模型中得到;所述第二神经网络模型根据目标路段内的历史车辆的运动行为信息进行深度学习建模得到,所述目标路段为所述目标车辆的运动轨迹的路段。
在本申请实施例中,基于将第一行驶片段和第二行驶片段输入至第二神经网络模型中得到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度,可以提高不同路径上目标车辆的运动行为的相似程度的准确率,进而提高异常行为识别检测的准确率。
第二方面,本申请实施例提供了一种交通异常行为检测装置,该装置包括:
获取单元,用于获取目标车辆的第一路径,所述第一路径用于指示所述目标车辆在起始站和终点站之间的运动轨迹;
所述获取单元,还用于获取第二路径,所述第二路径为所述起始站与所述终点站之间的另一路径,所述第二路径的长度小于所述第一路径的长度;
检测单元,用于根据所述第一路径和所述第二路径,对所述目标车辆进行异常行为检测。
在一种可能的实施方式中,所述获取单元,还用于获得所述第一路径与所述第二路径的第一相似度,所述第一相似度表征所述第一路径与所述第二路径的相似程度;
所述检测单元,具体用于确定所述第一相似度小于第一阈值,对所述目标车辆进行异常行为检测。
在一种可能的实施方式中,所述异常行为包括下述的一种:换卡行为、绕路行为、更换车牌行为,其中,所述换卡行为指示使用不同于收费起始站的站发放的收费卡从收费终点站出站,所述绕路行为指示通过调头改变行驶方向,所述更换车牌行为指示将车牌更换为其他车牌。
在一种可能的实施方式中,所述获取单元,还用于获取所述目标车辆的第一行驶片段和第二行驶片段,所述第一行驶片段和所述第二行驶片段为所述第一路径中的两段不同的路径对应的行驶数据;
所述检测单元,具体用于当所述目标车辆在所述第一行驶片段中的运动行为和所述目标车辆在所述第二行驶片段中的运动行为之间的相似度小于第二阈值时,确定所述目标车辆存在所述更换车牌行为,其中,所述运动行为的相似度是根据所述目标车辆的运动参数确定的。
在一种可能的实施方式中,所述运动参数包括下述一种或多种:
目标车辆所处的车道、目标车辆距车道中心线距离、行驶平均速度、行驶瞬时最大速度、行驶加速度。
在一种可能的实施方式中,所述检测单元,具体还用于当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向不同时,确定所述目标车辆存在所述绕路行为。
在一种可能的实施方式中,所述检测单元,具体还用于当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向相同时,确定所述目标车辆存在所述换卡行为。
在一种可能的实施方式中,所述检测单元,还用于根据所述第一行驶片段和所述第二行驶片段,确定所述目标车辆在所述第一路径中改变行驶方向的位置。
在一种可能的实施方式中,所述目标视频或所述目标图像基于所述异常行为发生的时间和位置确定;所述异常行为发生的时间和位置基于将所述第一路径输入至神经网络模型中得到;所述神经网络模型根据目标路段内的所述异常行为的历史信息训练得到,所述目标路段为所述目标车辆的运动轨迹的路段。
在一种可能的实施方式中,所述输出单元,还用于根据所述异常行为发生的时间和位置,输出整改指示;所述整改指示用于指示对所述异常行为发生频率较高的路段进行整改。
在一种可能的实施方式中,所述第一相似度基于将所述第一路径和所述第二路径输入至第一神经网络模型中得到;所述第一神经网络模型根据目标路段内的历史运动轨迹信息进行深度学习建模得到,所述目标路段为所述目标车辆的运动轨迹的路段。
在一种可能的实施方式中,所述目标车辆在所述第一行驶片段中的运动行为和所述目标车辆在所述第二行驶片段中的运动行为之间的相似度基于将所述第一行驶片段和所述第二行驶片段输入至第二神经网络模型中得到;所述第二神经网络模型根据目标路段内的历史车辆的运动行为信息进行深度学习建模得到,所述目标路段为所述目标车辆的运动轨迹的路段。
关于第二方面以及任一项可能的实施方式所带来的技术效果,可参考对应于第一方面以及相应的实施方式的技术效果的介绍。
第三方面,本申请实施例提供一种电子设备,所述电子设备包括处理器和存储器;所述存储器用于存储计算机执行指令;所述处理器用于执行所述存储器所存储的计算机执行指令,以使所述电子设备执行如上述第一方面以及任一项可能的实施方式的方法。可选的,所述电子设备还包括收发器,所述收发器,用于接收信号或者发送信号。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质用于存储指令或计算机程序;当所述指令或所述计算机程序被执行时,使得第一方面以及任一项可能的实施方式所述的方法被实现。
第五方面,本申请实施例提供一种计算机程序产品,所述计算机程序产品包括指令或计算机程序;当所述指令或所述计算机程序被执行时,使得第一方面以及任一项可能的实施方式所述的方法被实现。
第六方面,本申请实施例提供一种芯片,该芯片包括处理器,所述处理器用于执行指令,当该处理器执行所述指令时,使得该芯片执行如第一方面以及任一项可能的实施方式所述的方法。可选的,该芯片还包括通信接口,所述通信接口用于接收信号或发送信号。
第七方面,本申请实施例提供一种***,所述***包括至少一个如第二方面所述的异常行为检测装置或第三方面所述的电子设备或第六方面所述的芯片。
此外,在执行上述第一方面以及任一项可能的实施方式所述的方法的过程中,上述方法中有关发送信息和/或接收信息等的过程,可以理解为由处理器输出信息的过程,和/或,处理器接收输入的信息的过程。在输出信息时,处理器可以将信息输出给收发器(或者通信接口、或发送模块),以便由收发器进行发射。信息在由处理器输出之后,还可能需要进行其他的处理,然后才到达收发器。类似的,处理器接收输入的信息时,收发器(或者通信接口、或发送模块)接收信息,并将其输入处理器。更进一步的,在收发器收到该信息之后,该信息可能需要进行其他的处理,然后才输入处理器。
基于上述原理,举例来说,前述方法中提及的发送信息可以理解为处理器输出信息。又例如,接收信息可以理解为处理器接收输入的信息。
可选的,对于处理器所涉及的发射、发送和接收等操作,如果没有特殊说明,或者,如果未与其在相关描述中的实际作用或者内在逻辑相抵触,则均可以更加一般性的理解为处理器输出和接收、输入等操作。
可选的,在执行上述第一方面以及任一项可能的实施方式所述的方法的过程中,上述处理器可以是专门用于执行这些方法的处理器,也可以是通过执行存储器中的计算机指令来执行这些方法的处理器,例如通用处理器。上述存储器可以为非瞬时性(non-transitory)存储器,例如只读存储器(Read Only Memory,ROM),其可以与处理器集成在同一块芯片上,也可以分别设置在不同的芯片上,本申请实施例对存储器的类型以及存储器与处理器的设置方式不做限定。
在一种可能的实施方式中,上述至少一个存储器位于装置之外。
在又一种可能的实施方式中,上述至少一个存储器位于装置之内。
在又一种可能的实施方式之中,上述至少一个存储器的部分存储器位于装置之内,另一部分存储器位于装置之外。
本申请中,处理器和存储器还可能集成于一个器件中,即处理器和存储器还可以被集成在一起。
本申请实施例中,基于第一路径与第二路径,对目标车辆进行异常行为检测,其中,该第一路径用于指示目标车辆在起始站和终点站之间的运动轨迹,该第二路径为起始站与终点站之间的另一路径,该第二路径的长度小于第一路径的长度。通过本申请实施例可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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1a为本申请实施例提供的一种高速公路异常行为的示意图;
图1b为本申请实施例提供的一种高速公路异常行为的示意图;
图1c为本申请实施例提供的一种高速公路异常行为的示意图;
图2为本申请实施例提供的一种高速公路车云协同的场景示意图;
图3a为本申请实施例提供的一种高速公路车辆轨迹的效果示意图;
图3b为本申请实施例提供的一种显示高速公路异常行为的界面示意图;
图3c为本申请实施例提供的一种显示高速公路异常行为的界面示意图;
图4为本申请实施例提供的一种异常行为检测***的架构示意图;
图5为本申请实施例提供的一种异常行为检测方法的流程示意图;
图6为本申请实施例提供的一种异常行为检测方法的流程示意图;
图7为本申请实施例提供的一种异常行为检测方法的流程示意图;
图8为本申请实施例提供的一种异常行为检测装置的结构示意图;
图9为本申请实施例提供的一种电子设备的结构示意图;
图10为本申请实施例提供的一种电子设备***的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图对本申请实施例进行描述。
本申请的说明书、权利要求书及附图中的术语“第一”和“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备等,没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元等,或可选地还包括对于这些过程、方法、产品或设备等固有的其它步骤或单元。
在本文中提及的“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员可以显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上,“至少两个(项)”是指两个或三个及三个以上,“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
本申请提供了一种异常行为检测方法,为了更清楚地描述本申请的方案,下面先介绍一些与目标识别检测技术相关的术语定义。
边界框(bounding box):在图像识别算法中,对特性目标进行识别后,在图像中框定目标物体的便捷框。
支持向量机(support vector machine,SVM):是一类按监督学***面(maximum-marginhyperplane)。
随机森林(random forest):随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
卷积神经网络(convolutional neural networks,CNN):是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks),是深度学习(deeplearning)的代表算法之一。
循环神经网络(recurrent neural network,RNN):是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。
本申请提供的异常行为检测方法涉及智能交通技术领域,具体可应用于高速公路上车辆的异常行为检测。目前,随着高速公路路网不断扩大,一些车辆利用各种形式少缴通行费。具体地,换卡行为、绕路行为和更换车牌行为等交通异常行为,扰乱了高速公路正常的运营秩序。
下面将结合本申请实施例中的附图1a至图1c对高速公路上一些常见的少缴通行费异常行为进行介绍。
请参阅图1a,图1a为本申请实施例提供的一种高速公路异常行为的示意图。
如图1a所示,展示了车1的换卡行为。换卡行为是指使用不同于收费起始站的站发放的收费卡从收费终点站出站,从而缩短实际缴费里程。
在图1a中,圆圈A、B、C、D分别表示了某条高速公路上设置的四个收费站,车1第一次从收费站C上高速,领取一张通行卡,在收费站D下高速时称通行卡丢失,收费员按照无卡程序操作后,驾驶员手中滞留一张通行卡,此次通行并未发生少缴通行费行为。在第二次通行时,驾驶员驾驶车1在收费站A正常领取通行卡上高速,而用第一次滞留的通行卡在收费站D下高速,此次通行发生了换卡行为。车1实际行驶高速路段为收费站A到收费站D之间的路段,但车1实际缴纳的通行费为收费站C到收费站D之间的路段,车1通过换卡少缴了收费站A到收费站C之间的高速路段的通行费。
请参阅图1b,图1b为本申请实施例提供的一种高速公路异常行为的示意图。
如图1b所示,展示了车1的绕路行为。绕路行为是指车辆利用高速公路设计上的漏洞和管理的盲区,通过改变行驶方向和路线缩短实际缴费里程。
在图1b中,圆圈A、B、C、D分别表示了某条高速公路上设置的四个收费站,车1在收费站A正常领取通行卡上高速,依次经过收费站B、收费站C到达收费站D,本该在收费站D缴费后下高速,完成某个事情后再从收费站D正常领取通行卡上高速,到达收费站B缴费后下高速,可以理解的是,如果车1是客车,可以是在收费站D附近载客后再从收费站D正常领取通行卡上高速,如果车1是货车,可以是在收费站D附近装货后再从收费站D正常领取通行卡上高速。但是,收费站D附近路段存在设计漏洞,如果车1未从收费站D下高速,而是径直折返回到收费站B,在收费站B处缴费下高速,可能出现计费上的错误。在这种情况下,车1实际行驶高速路段为收费站A-收费站B-收费站C-收费站D-收费站C-收费站B。但车1实际缴纳的通行费的路段为收费站A-收费站B之间的路段,也就是说通过收费站B-收费站C-收费站D-收费站C-收费站B未能被计费。
请参阅图1c,图1c为本申请实施例提供的一种高速公路异常行为的示意图。
如图1c所示,展示了车1的更换车牌行为。在高速公路行驶时,两辆车分头相向出发,在中途互换通行卡,并换上与通行卡读取信息相对应的车牌号,然后分别从对方入口处较近的收费站下高速,出现计费错误。
在图1c中,圆圈A、B、C、D、E、F、G分别表示了某条高速公路上设置的七个收费站,车1在收费站B正常领取通行卡1上高速,期望到达收费站G处下高速,车2在收费站F正常领取通行卡2上高速,期望到达收费站A处下高速。车1和车2为同颜色、同型号的车辆,两辆车分头相向出发,在中途(如收费站C、D、E之间的任意一个位置)互换通行卡,并换上与通行卡读取信息相对应的车牌号。比如,两辆车在收费站D处附近互换通行卡和车牌,对于车1而言,在收费站B至收费站D之间的路段上,车1对应于车牌1和通行卡1,在收费站D至收费站G之间的路段上,车1对应于车牌2和通行卡2;对于车2而言,在收费站F至收费站D之间的路段上,车2对应于车牌2和通行卡2,在收费站D至收费站A之间的路段上,车2对应于车牌1和通行卡1。两辆车在收费站D处附近互换通行卡和车牌后,继续相向而行,在各自的目的地缴费下高速,此次通行车1和车2发生了更换车牌和通行卡行为。车1实际行驶高速路段为收费站B到收费站G之间的路段,但车1实际缴纳的通行费为收费站F到收费站G之间的路段,车1通过与车2互换车牌和通行卡少缴了收费站B到收费站F之间的高速路段的通行费。车2实际行驶高速路段为收费站F到收费站A之间的路段,但车2实际缴纳的通行费为收费站B到收费站A之间的路段,车2通过与车1互换车牌和通行卡少缴了收费站F到收费站B之间的高速路段的通行费。
综上所述,上述图1a至图1c中的三种少缴通行费异常行为(为方便说明,后文可以统称为异常行为)的具体信息可以参见下表一:
表一
目前,主要基于对高速公路车辆的抓拍来进行识别检测。比如,通过在高速公路收费站点安装相机等视频监控设备,采集过往车辆信息,结合车辆通行卡建立车辆进出表,记录并查询车辆少缴费行为。再比如,在高速路段中离散的设置一些检查点,以车牌为标识检测过往车辆,在车辆未驶离高速公路的情况下,两次通过某个或某些监测点时的车牌判断该车辆具有少缴高速公路通行费行为。
但是,上述常用的检测方法中,通过单帧图像识别车辆特征,存在识别不准确的问题,且相机易受光照、天气等环境因素影响造成误检,此外,上述方法不能检测绕路行为,容易造成漏检。目前的异常行为识别检测方法还存在对上述异常行为识别检测不准确的问题,容易造成误检漏检。因此,如何提高异常行为识别检测的准确率成为了技术领域人员重要的研究课题。
针对上述异常行为检测方法中存在的识别准确率较低,容易造成误检漏检的问题,本申请实施例提供了一种异常行为检测***,并基于该***相应的提供了一种新的异常行为检测方法,基于第一路径与第二路径,对目标车辆进行异常行为检测,其中,该第一路径用于指示目标车辆在起始站和终点站之间的运动轨迹,该第二路径为起始站与终点站之间的另一路径,该第二路径的长度小于第一路径的长度。通过本申请实施例可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
本申请实施例提供的技术方案可以应用于高速公路场景下的各种通信***,具体可参阅图2,图2为本申请实施例提供的一种高速公路车云协同的场景示意图。
如图2所示,该通信***包括车辆和服务端,其中,该服务端可以为云端,云端可以包括云端服务器和/或云端虚拟机。服务端可以与车辆进行通信,以为车辆提供多种服务,例如高精地图服务、自动驾驶或辅助驾驶服务、异常行为检测服务、路况危险预警服务等。
例如,车辆可以从云端下载高精地图数据来获得高精地图,为使用者提供更加准确的导航服务。道路信息更新是非常频繁的,该服务不仅可以更加及时的将道路信息更新到地图中,还可以降低车辆本地对存储空间的需求。例如,对于车辆通行量巨大的高速路段,整套高精地图的数据量大,通过云端提供的高精地图服务,可以让车辆在行驶时实时地获取当前位置范围区域的高精地图,且该区域的高精地图可以在不需要时从车辆上释放。另一方面,服务端与车辆的高精地图同步,也有利于服务端为车辆提供异常行为检测服务和路况危险预警服务,提高行车安全。
车辆可以与云端进行交互,以提升自动驾驶或辅助驾驶功能,从而提升车辆的安全性和出行效率。例如,车辆可以通过车身上安装的传感装置收集路面信息和周围车辆信息,并将收集到的信息上传到云端,云端基于收集的信息进行不同场景下驾驶算法的训练,并随着训练数据的更新不断优化驾驶算法,并更新到车辆,使得车辆的应对各种场景的自动驾驶能力不断提升。再如,对于感知装置所使用的基于神经网络的图像处理算法,该图像处理算法的训练可以在云端完成,并且随着训练数据的更新而更新;相应地,车辆可以从云端获取更新后的图像处理算法,从而可以提升感知装置的图像处理能力。再如,在恶劣天气下,车辆可以通过云端获取天气信息以及道路交通事故信息,从而辅助车辆进行规划,提升出行效率,且降低车辆发生事故的风险。或者,云端可以向车辆发送实时的路况信息,车辆可以提前接收到前方路况,并根据当前的车速判断出合适且安全的通行时机,以及规划好车辆的行驶速度,如此,不仅可以降低车辆能耗,还可以增加行车的安全性。
此外,车辆可以通过无线通信的方式与云端交互信息,该无线通信可以遵循车辆所接入网络的无线协议,例如蜂窝网的V2X(C-V2X)通信,该蜂窝网例如为长期演进(longterm evolution,LTE)无线网络或第五代(5th generation,5G)无线网络等。
该***还可以包括路侧单元(road side unit,RSU),路侧单元可以安装在路侧,可以与云端和车辆通信,与云端通信的路侧单元可以视为与车辆类似的终端装置,与车辆通信的路侧单元可以视为与车辆类似的终端装置,也可以视为车辆的服务端装置。路侧单元可以采用无线通信的方式与车辆或云端进行交互,与车辆通信可以采用专用短距离通讯(dedicated short range communication,DSRC)技术,也可以采用基于蜂窝网的V2X(C-V2X)通信,例如,基于长期演进(long term evolution,LTE)通信协议或基于第五代(5thgeneration,5G)通信协议。与云端的通信可以采用基于蜂窝网的V2X(C-V2X)通信,例如,基于长期演进(long term evolution,LTE)通信协议或基于第五代(5th generation,5G)通信协议。路侧单元可以为车辆提供服务,例如实现车辆身份识别,电子收费,电子扣分等。
可选的,路侧单元还可以包括路段监控设备,如摄像头、雷达等传感装置,以实现对道路信息的采集,进而提供车路协同服务。
可选的,该服务端还可以集成具有显示功能的模块,或者外接显示设备,该显示模块或显示设备用于显示服务端侧根据车辆的行驶信息分析得到的动态轨迹信息。具体可参阅图3a,图3a为本申请实施例提供的一种高速公路车辆轨迹的效果示意图。
如图3a所示,为某个高速路段上部分行驶车辆的轨迹局部简化图,可以看出,该简化图包括了某一帧图像的各个车辆的轨迹信息,由多张简化图可以生成各个车辆在整个高速路段上的动态轨迹信息。具体的,服务端与路侧单元网络通信,获得路侧单元传输过来的实时监控视频和雷达数据,将视频流结构化解析,对雷达数据进行处理,获得多帧上述车辆轨迹图像对应的简化图,并通过服务端内置的显示模块或外接的显示设备的显示页面将上述多帧车辆轨迹简化图进行显示。
具体的页面显示信息还可以参阅图3b,图3b为本申请实施例提供的一种显示高速公路异常行为的界面示意图。
如图3b所示,整个界面示意图分为两个部分,左半部分为搜索导航栏,汇总收集了分布在各个高速各个路段上的监控设备采集到的实时视频流和雷达数据。可选的,还可以包括离线视频文件,该部分视频文件可以是用户自行通过U盘等可以与服务端进行交互的设备上传的离线视频。选择导航栏的某个高速的某个路段,界面右边的上半部分将展示解析该路段采集到的实时视频流和雷达数据得到的若干帧图像对应的简化图。用户也可以通过在搜索栏输入文字的方式查看对应高速路段的轨迹简化图。若检测到该路段上的某车辆发生了异常行为,在界面右边的下半部分还将显示发生在该高速路段的异常行为的处理优先级,其优先级按照“紧急、高、一般、低”依次降低。在界面右边的下半部分还将显示做出异常行为的车辆的具体信息,如车牌信息、异常行为类型、异常行为发生时间以及后续对该异常行为的获取等。可选的,也可以自行选择查看对该车辆在高速路段上某段时间内采集到的视频流和雷达数据解析得到的图像帧对应的简化图,还可以自定义查看任意高速路段上特定时间内对各个车辆采集到的视频流和雷达数据解析得到的图像帧对应的简化图。
应当理解的是,本申请实施例中的界面示意图仅作为一种可能的界面图进行示出,其具体的显示布局以及显示内容等不应以此为限定。
此外,若检测到上述路段的某车辆发生了异常行为,还可以对该异常行为进行进一步确认。如图3c所示,为高速路段上车辆“粤Bxxxx1”的异常行为的数据展示界面示意图,整个界面示意图分为两个部分,左半部分为搜索导航栏,汇总收集了分布在各个高速各个路段上的监控设备采集到的实时视频流和雷达数据。界面的右半部分为检测到的异常行为的数据展示区域。在界面的右半部分,展示了异常行为发生路段对应的地图信息,抓拍异常行为发生位置的监控设备处(如图3c中的小圆点)弹出了一个告警窗口,该告警窗口包含了一帧UJ型道路缺陷的图像,该告警窗口还包括该次异常行为发生的具体时间“2021-08-2213:06:48”、该次异常行为类型“UJ路线”、做出异常行为的车辆车牌“粤Bxxxx1”以及该次异常行为发生的具***置定位“xx高速xx路段”。
应当理解的是,本申请实施例中的界面示意图仅作为一种可能的界面图进行示出,其具体的显示布局以及显示内容等不应以此为限定。
请参阅图4,图4为本申请实施例提供的一种异常行为检测***的架构示意图。
如图4所示,该***包括数据采集模块、数据处理模块、异常行为检测模块、证据收集模块以及辅助处理上报模块,其中:
数据采集模块包括但不限于如摄像头、雷达等视觉信息采集的路段监控设备,数据采集模块实时采集包括但不限于车辆、非机动车等交通功能参与者(目标车辆)的运动行为信息,可以是记录运动行为的视频流、图像帧以及雷达数据等。
数据处理模块根据数据采集模块采集到的目标车辆的运动行为信息,通过目标检测、多传感器融合以及坐标转换、轨迹解析等技术,提取目标车辆运动轨迹,并进行不同摄像头间的轨迹关联,生成全局全域的连续动态轨迹信息,并分析目标车辆的特征。
异常行为检测模块基于数据处理模块得到的连续动态轨迹信息以及目标车辆的特征,对目标车辆进行检测,通过包括但不限于机理建模、对比专家库或机器学习模型等方法获取目标车辆的轨迹相似度以及特征相似度,自动实时发现做出异常行为的目标车辆,实现对少缴通行费的异常行为检测。
证据收集模块在异常行为检测模块判断发生异常行为的情况下,会根据交通功能参与者的历史轨迹信息,结合行驶规律,利用数学模型进行异常行为匹配,找到异常行为发生区域以及时间。并且自动分析与异常行为轨迹的相关视频,利用车辆重识别(Re-Identification,Re-ID)技术,对所有视频流中重要的视频部分或图像部分进行截取,按照预设格式生成视频数据或图像数据。
辅助处理上报模块通过对大量异常行为的运动轨迹进行统计,找到异常行为多发地段或者收费站点,对其进行合理化整改建议。
其中,数据采集模块实时采集目标车辆的运动行为信息,以及数据处理模块根据数据采集模块采集到的目标车辆的运动行为信息生成全局全域的连续动态轨迹信息,上述过程的具体实现在本申请中不予说明。
下面将结合本申请实施例中的图5至图7对本申请实施例提供的异常行为检测方法进行说明。
请参阅图5,图5为本申请实施例提供的一种异常行为检测方法的流程示意图,该异常行为检测方法应用于智能交通技术领域,该异常行为检测方法包括但不限于如下步骤:
步骤501:获取目标车辆的第一路径。
电子设备获取目标车辆的第一路径。
其中,目标车辆包括但不限于车辆、非机动车等高速公路上的交通功能参与者。第一路径用于指示目标车辆在起始站和终点站之间的运动轨迹,目标车辆的运动轨迹可以通过采集到的目标车辆运动行为的视频流、图像帧以及雷达数据等信息分析处理得到,其采集、分析处理过程分别由上述图4所示的异常行为检测***中的数据采集模块和数据处理模块完成,此处不再赘述。
本申请实施例中的电子设备为搭载了可用于执行计算机执行指令的处理器的设备,可以是网络设备(如服务器)或终端设备(如电脑)等,具体可以是上述图2所示的通信***中的服务端,用于执行本申请实施例中的异常行为检测方法,以实现提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
步骤502:获取第二路径。
电子设备获取第二路径。
其中,第二路径为起始站与终点站之间的另一路径,该第二路径的长度小于第一路径的长度。可以理解的是,如上述表一所述,本实施例中的第一路径表示表一中的车辆实际行驶路段,第二路径表示表一中的车辆实际缴费路段。
步骤503:基于第一路径与第二路径,对目标车辆进行异常行为检测。
电子设备基于第一路径与第二路径,对目标车辆进行异常行为检测。
具体为,在第一路径与第二路径的第一相似度小于第一阈值的情况下,检测该目标车辆的运动行为为异常行为,表示该目标车辆发生了少缴通行费行为。
其中,该第一相似度表征第一路径与第二路径的相似程度,第一阈值不是一个固定的值,可以根据不同的目标车辆行驶在不同的高速路段上的应用场景而不同,可以是***预设的值,也可以是用户配置的值,此处不做限定。
在一种可能的实施方式中,该第一相似度可以基于将第一路径和第二路径输入至第一神经网络模型中得到,其中,该第一神经网络模型根据目标车辆的运动轨迹的路段内的历史运动轨迹信息进行深度学习建模得到。本实施方式可以提高路径相似程度的准确率,进而提高异常行为识别检测的准确率。
通过本申请实施例,基于第一路径与第二路径的相似程度,检测目标车辆是否发生少缴通行费异常行为,可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
进一步地,在检测到目标车辆发生了异常行为(少缴通行费行为)后,还可以对该异常行为的类型做进一步识别。具体可参阅图6,图6为本申请实施例提供的另一种异常行为检测方法的流程示意图,也可以理解为是上述图5中的异常行为检测方法流程图的变形或补充。
如图6所示,电子设备检测到目标车辆发生异常行为(参见步骤601),该过程与上述图5的实现一致,此处不再赘述,然后获取目标车辆的第一行驶片段和第二行驶片段(参见步骤602),最后基于第一行驶片段和第二行驶片段,检测目标车辆的异常行为类型(参见步骤603)。
具体为,获取目标车辆的实际行驶路段(即上述第一路径)中的任意两个不同的路段作为第一行驶片段和第二行驶片段,即该第一行驶片段和第二行驶片段为上述第一路径中的两段不同的路径对应的行驶数据。然后再基于第一行驶片段和第二行驶片段,检测目标车辆的异常行为的类型。其中,该异常行为的类型主要包括了换卡行为、绕路行为、更换车牌行为(更换车牌和通行卡行为),关于这三种异常行为的说明可参见上述图1a至图1c,此处不再赘述。
通过本申请实施例,基于目标车辆的实际行驶路段中的任意两个不同的路段,检测目标车辆的异常行为的类型,可以进一步提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并根据异常行为类型输出相应的整改指示。
其中,上述基于第一行驶片段和第二行驶片段,检测目标车辆的异常行为的类型,主要存在以下三种情况:
情况一:检测目标车辆的异常行为类型为更换车牌行为。
首先获取目标车辆在第一行驶片段中的运动行为和在第二行驶片段中的运动行为的相似程度,记为第二相似度,当第二相似度小于第二阈值时,确定目标车辆存在更换车牌行为。其中,目标车辆的运动行为的相似度是根据目标车辆的运动参数确定的。目标车辆在第一行驶片段和第二行驶片段中的运动行为是基于驾驶员驾驶***均速度、行驶瞬时最大速度、行驶加速度等信息。
本申请实施例是基于对车牌进行检测与该车牌对应的目标车辆发生了更换车牌行为,以上述图1c为例,可以看出,在收费站B至收费站D之间的路段上,车牌1与车1绑定,此时车牌1对应的车1的运动行为是基于驾驶员1的驾驶习惯的行为,车1和车2在收费站D处附近互换通行卡和车牌后,在收费站D至收费站A之间的路段上,车牌1与车2绑定,此时车牌1对应的车2的运动行为是基于驾驶员2的驾驶习惯的行为。对于车牌1而言,在上述两个行驶片段中,车牌1对应的目标车辆的运动行为的相似度低于第二阈值,因此,确定车牌1对应的目标车辆发生了更换车牌行为。进一步地,还可以根据第一行驶片段和第二行驶片段,确定车牌1对应的目标车辆在第一路径中改变行驶方向的具***置。同理,对车牌2的检测与上述车牌1的过程相同,此处不再赘述。
通过本申请实施例,可以提高目标车辆的运动行为的相似度的准确率,从而提高更换车牌行为识别检测的准确率,解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据更换车牌行为输出相应的整改指示。
此外,还可以基于对车辆外观进行检测与该外观对应的目标车辆发生的更换车牌行为,此时需结合目标车辆的外观相似度来检测目标车辆的异常行为类型为更换车牌行为,即首先获取目标车辆在第一行驶片段中的外观和在第二行驶片段中的外观的相似程度作为目标车辆的外观相似度,获取目标车辆在第一行驶片段中的运动行为和在第二行驶片段中的运动行为的相似程度,记为第三相似度,然后将该外观相似度和第三相似度加权求和。在该加权求和值大于第三阈值,且目标车辆在第一行驶片段中的车牌和在第二行驶片段中的车牌不同的情况下,检测目标车辆的运动行为类型为更换车牌行为。具体的,上述根据外观相似度、第三相似度以及目标车辆的车牌,检测目标车辆的运动行为类型为更换车牌行为。
以上述图1c为例,可以看出,在车1和车2在收费站D处附近互换通行卡和车牌的情况下,在收费站B至收费站D,以及收费站D至收费站G之间的路段上,车1的外观变化微小甚至不变,且车1的运动行为均是基于驾驶员1的驾驶习惯的行为,对于车1而言,在上述两个行驶片段(收费站B至收费站D、收费站D至收费站G)中,车1的运动行为的相似度以及外观相似度的加权和大于第三阈值,但车1的车牌发生了改变,因此,确定车1发生了更换车牌行为。进一步地,还可以根据第一行驶片段和第二行驶片段,确定车1在第一路径中改变行驶方向的具***置。同理,对车2的检测与上述车1的过程相同,此处不再赘述。
其中,目标车辆的外观包括但不限于目标车辆的颜色、车型等信息。目标车辆在第一行驶片段和第二行驶片段中的运动行为是基于驾驶员驾驶***均速度、行驶瞬时最大速度、行驶加速度等信息,其行为信息可以根据目标车辆在第一行驶片段和第二行驶片段上的轨迹信息分析得到。第二阈值和第三阈值不是一个固定的值,可以根据不同的目标车辆行驶在不同的高速路段上的应用场景而不同,可以是***预设的值,也可以是用户配置的值,此处不做限定。其中,可以利用Re-ID技术识别目标车辆的车牌。
在一种可能的实施方式中,上述第二相似度或第三相似度可以基于将第一行驶片段和第二行驶片段输入至第二神经网络模型中得到,其中,该第二神经网络模型根据目标车辆的运动轨迹的路段内的历史车辆的运动行为信息进行深度学***均速度v、瞬时最大速度Vmax、距车道中心线位置距离L、平均姿态角变化A、瞬时最大姿态角变化Amax等具体的运动行为特征。然后将提取的特征与标记轨迹共同输入模型中,让模型进行训练,达到最佳的结构和效果。以随机森林为例,对已标记好的正样本和负样本提取上述特征,***可以自动的生成不同的决策树作为最终的判断模型。在建立好模型后,只要将异常轨迹的对应特征进行输入,就可以基于计算第二相似度或第三相似度完成异常行为类型的判断。本实施方式可以提高不同路径上目标车辆的运动行为的相似程度的准确率,进而提高异常行为识别检测的准确率。
在一种可能的实施方式中,上述外观相似度可以基于将目标车辆在第一行驶片段中的外观和在第二行驶片段中的外观输入至第三神经网络模型中得到,其中,该第三神经网络模型根据目标车辆的运动轨迹的路段内的历史车辆的外观信息进行深度学习建模得到。本实施方式可以提高不同路径上目标车辆的外观的相似程度的准确率,进而提高异常行为识别检测的准确率。
通过本申请实施例,基于第一行驶片段与第二行驶片段,检测目标车辆的异常行为类型为更换车牌行为,可以提高更换车牌行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据更换车牌行为输出相应的整改指示。
情况二:检测目标车辆的运动行为类型为UJ型路线绕路行为。
当检测到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度大于或等于第二阈值,且目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向不同时,检测该目标车辆存在UJ路线绕路行为。
通过本申请实施例,基于第一行驶片段与第二行驶片段,以及目标车辆的行驶方向,检测目标车辆的异常行为类型为UJ型路线绕路行为,可以提高UJ型路线绕路行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据UJ型路线绕路行为输出相应的整改指示。
情况三:检测目标车辆的运动行为类型为换卡行为。
当检测到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度大于或等于第二阈值,且目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向相同时,检测该目标车辆存在换卡行为。
通过本申请实施例,基于第一行驶片段与第二行驶片段,以及目标车辆的行驶方向,检测目标车辆的异常行为类型为换卡行为,可以提高换卡行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据换卡行为输出相应的整改指示。
进一步地,在检测到目标车辆发生了异常行为(少缴通行费行为)或异常行为(少缴通行费行为)的具体类型后,还可以对该目标车辆的异常行为做进一步确认。具体可参阅图7,图7为本申请实施例提供的又一种异常行为检测方法的流程示意图,也可以理解为是上述图5和图6中的异常行为检测方法流程图的变形或补充。
如图7所示,电子设备检测到目标车辆发生异常行为(参见步骤701),该过程与上述图5的实现一致,此处不再赘述,然后根据异常行为发生的时间和位置,输出目标证据(参见步骤702),最后根据异常行为发生的时间和位置,输出整改指示(参见步骤703)。
上述步骤702的具体实现过程可以如下:
在检测出目标车辆发生了异常行为或异常行为的具体类型后,根据异常行为发生的时间和位置,从采集到的目标车辆运动行为的视频流、图像帧中截取与异常行为强相关的目标视频或目标图像作为目标证据。
其中,该目标视频包括记录了目标车辆发生异常行为的视频,该目标图像包括记录了目标车辆发生异常行为的图像。用于对目标车辆的异常行为进行进一步确认的目标视频或目标图像是基于异常行为发生的时间和位置得到的,异常行为发生的时间和位置又是通过回溯目标车辆的整条实际运动轨迹,与该异常行为类型的历史信息对比确定的。具体的,可以将第一路径输入至神经网络模型中确定该异常行为发生的时间和位置,其中,该神经网络模型根据目标车辆的运动轨迹的路段内的该异常行为类型的历史信息训练得到。
通过本申请实施例,基于异常行为发生的时间和位置截取得到目标证据并输出,以方便迅速的完成对目标车辆异常行为的进一步确认,有效维护了高速公路正常运营秩序和平稳运行。
上述步骤703的具体实现过程可以如下:
在检测出目标车辆发生了异常行为或异常行为的具体类型后,根据异常行为发生的时间和位置,统计出异常行为多发路段或收费站点,并结合异常行为发生地点周边实时信息进行处理优先级评价,输出整改指示,对异常行为发生频率较高的路段进行整改。
具体的,对每个异常行为发生的时间和位置等其他因素进行收集,包括但不限于涉事车辆数量、涉事车辆中大型车占比(用于评估道路缺口大小)、异常行为发生地点周边车流量(用于评估是否会影响通行效率)等因素。
例如,回溯到异常行为发生地点,分析视频图像中该地点的障碍物特征,如车道线、护栏等,得到该地段的可行区域和不可行区域,若轨迹异常处发生在不可行区域,则可判断为该目标车辆利用该处道路设施缺陷更换行驶方向,且该异常行为处理优先级评价为一般优先级,可输出整改指示,通知路政等相关部门对该处道路设施缺陷进行维修整改。
通过本申请实施例,基于异常行为发生的时间和位置输出整改指示,可以对异常行为发生频率较高的路段及时整改,减少该类异常行为的发生,有效维护高速公路正常运营秩序和平稳运行。
上述详细阐述了本申请实施例的方法,下面提供本申请实施例的装置。
请参阅图8,图8为本申请实施例提供的一种异常行为检测装置的结构示意图,该异常行为检测装置80可以包括获取单元801以及检测单元802,其中,各个单元的描述如下:
获取单元801,用于获取目标车辆的第一路径,所述第一路径用于指示所述目标车辆在起始站和终点站之间的运动轨迹;
所述获取单元801,还用于获取第二路径,所述第二路径为所述起始站与所述终点站之间的另一路径,所述第二路径的长度小于所述第一路径的长度;
检测单元802,用于根据所述第一路径和所述第二路径,对所述目标车辆进行异常行为检测。
本申请实施例中,提供了一种异常行为检测方法,该异常行为检测方法涉及智能交通技术领域,首先获取目标车辆在起始站和终点站之间的运动轨迹作为第一路径,然后获取该起始站与终点站之间的另一路径作为第二路径,其中,第二路径的长度小于第一路径的长度,最后根据第一路径与第二路径对目标车辆进行异常行为检测。其中,目标车辆包括但不限于车辆、非机动车等高速公路上的交通功能参与者。目标车辆的运动轨迹可以通过采集到的目标车辆运动行为的视频流、图像帧以及雷达数据等信息分析处理得到。通过本申请实施例,基于目标车辆的实际行驶路段与目标车辆的实际缴费路段,检测目标车辆是否发生少缴费异常行为,可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
在一种可能的实施方式中,所述获取单元801,还用于获得所述第一路径与所述第二路径的第一相似度,所述第一相似度表征所述第一路径与所述第二路径的相似程度;
所述检测单元802,具体用于确定所述第一相似度小于第一阈值,对所述目标车辆进行异常行为检测。
在本申请实施例中,提供了一种根据第一路径与第二路径对目标车辆进行异常行为检测的可能的具体实施方式,具体为,获得第一路径与第二路径的第一相似度,确定该第一相似度小于第一阈值,对该目标车辆进行异常行为检测。其中,该第一相似度表征第一路径与第二路径的相似程度,第一阈值不是一个固定的值,可以根据不同的目标车辆行驶在不同的高速路段上的应用场景而不同,可以是***预设的值,也可以是用户配置的值,此处不做限定。通过本申请实施例,基于第一路径与第二路径的相似程度,确定该相似程度小于第一阈值,检测目标车辆发生少缴通行费异常行为,可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
在一种可能的实施方式中,所述异常行为包括下述的一种:换卡行为、绕路行为、更换车牌行为,其中,所述换卡行为指示使用不同于收费起始站的站发放的收费卡从收费终点站出站,所述绕路行为指示通过调头改变行驶方向,所述更换车牌行为指示将车牌更换为其他车牌。
在本申请实施例中,提供了三种异常行为的可能的具体行为,换卡行为指示使用不同于收费起始站的站发放的收费卡从收费终点站出站,绕路行为指示通过调头改变行驶方向,更换车牌行为指示将车牌更换为其他车牌。本申请实施例中的异常行为检测方法对这三种可能的具体行为均适用,检测目标车辆的异常行为的类型,可以进一步提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并根据异常行为类型输出相应的整改指示。
在一种可能的实施方式中,所述获取单元801,还用于获取所述目标车辆的第一行驶片段和第二行驶片段,所述第一行驶片段和所述第二行驶片段为所述第一路径中的两段不同的路径对应的行驶数据;
所述检测单元802,具体用于当所述目标车辆在所述第一行驶片段中的运动行为和所述目标车辆在所述第二行驶片段中的运动行为之间的相似度小于第二阈值时,确定所述目标车辆存在所述更换车牌行为,其中,所述运动行为的相似度是根据所述目标车辆的运动参数确定的。
在本申请实施例中,提供了一种检测目标车辆的异常行为类型的可能的具体实施方式,具体为,获取目标车辆的实际行驶路段中的任意两个不同的路段作为第一行驶片段和第二行驶片段,即该第一行驶片段和第二行驶片段为上述第一路径中的两段不同的路径对应的行驶数据,然后当检测到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度小于第二阈值时,确定目标车辆存在更换车牌行为。其中,目标车辆的运动行为的相似度是根据目标车辆的运动参数确定的。第二阈值不是一个固定的值,可以根据不同的目标车辆行驶在不同的高速路段上的应用场景而不同,可以是***预设的值,也可以是用户配置的值,此处不做限定。通过本申请实施例,基于目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度,检测目标车辆的异常行为类型为更换车牌行为,可以提高更换车牌行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据更换车牌行为输出相应的整改指示。
在一种可能的实施方式中,所述运动参数包括下述一种或多种:
目标车辆所处的车道、目标车辆距车道中心线距离、行驶平均速度、行驶瞬时最大速度、行驶加速度。
在本申请实施例中,提供了用于确定目标车辆的运动行为的相似度的运动参数的具体内容,目标车辆在第一行驶片段和第二行驶片段中的运动行为是基于驾驶员驾驶***均速度、行驶瞬时最大速度、行驶加速度等信息。通过本申请实施例,可以提高目标车辆的运动行为的相似度的准确率,从而提高更换车牌行为识别检测的准确率。
在一种可能的实施方式中,所述检测单元802,具体还用于当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向不同时,确定所述目标车辆存在所述绕路行为。
在本申请实施例中,提供了一种基于第一行驶片段和第二行驶片段对目标车辆的异常行为类型进行检测的可能的具体实施方式,具体为,当检测到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度大于或等于第二阈值,且目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向不同时,确定目标车辆存在绕路行为。通过本申请实施例,基于目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度,以及目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向,检测目标车辆的异常行为类型为绕路行为,可以提高绕路行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据绕路行为输出相应的整改指示。
在一种可能的实施方式中,所述检测单元802,具体还用于当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向相同时,确定所述目标车辆存在所述换卡行为。
在本申请实施例中,提供了一种基于第一行驶片段和第二行驶片段对目标车辆的异常行为类型进行检测的可能的具体实施方式,具体为,当检测到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度大于或等于第二阈值,且目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向相同时,确定目标车辆存在换卡行为。通过本申请实施例,基于目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度,以及目标车辆在第一行驶片段中的行驶方向与目标车辆在第二行驶片段中的行驶方向,检测目标车辆的异常行为类型为换卡行为,可以提高换卡行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题,并便于根据换卡行为输出相应的整改指示。
在一种可能的实施方式中,所述检测单元802,还用于根据所述第一行驶片段和所述第二行驶片段,确定所述目标车辆在所述第一路径中改变行驶方向的位置。
在本申请实施例中,还提供了一种确定绕路行为发生位置的可能的具体实施方式,具体为,根据第一行驶片段和第二行驶片段,确定目标车辆在第一路径中改变行驶方向的位置,通过本申请实施例,可以确定绕路行为发生的具***置,从而对发生绕路行为的路段输出相应的整改指示,减少高速公路车辆的少缴通行费行为。
在一种可能的实施方式中,所述装置还包括:
输出单元803,用于输出目标证据;所述目标证据用于对所述目标车辆的异常行为进行进一步确认;所述目标证据包括目标视频或目标图像,所述目标视频包括记录所述目标车辆发生所述异常行为的视频,所述目标图像包括记录所述目标车辆发生所述异常行为的图像。
在一种可能的实施方式中,所述目标视频或所述目标图像基于所述异常行为发生的时间和位置确定;所述异常行为发生的时间和位置基于将所述第一路径输入至神经网络模型中得到;所述神经网络模型根据目标路段内的所述异常行为的历史信息训练得到,所述目标路段为所述目标车辆的运动轨迹的路段。
在一种可能的实施方式中,所述输出单元803,还用于根据所述异常行为发生的时间和位置,输出整改指示;所述整改指示用于指示对所述异常行为发生频率较高的路段进行整改。
在本申请实施例中,还提供了一种对目标车辆的异常行为发生路段进行整改的可能的具体实施方式,具体为,在检测出目标车辆发生了异常行为或异常行为的具体类型后,根据异常行为发生的时间和位置,统计出异常行为多发路段或收费站点,并结合异常行为发生地点周边实时信息进行处理优先级评价,输出整改指示,对异常行为发生频率较高的路段进行整改。通过本申请实施例,基于异常行为发生的时间和位置输出整改指示,可以对异常行为发生频率较高的路段及时整改,减少该类异常行为的发生,有效维护高速公路正常运营秩序和平稳运行。
在一种可能的实施方式中,所述第一相似度基于将所述第一路径和所述第二路径输入至第一神经网络模型中得到;所述第一神经网络模型根据目标路段内的历史运动轨迹信息进行深度学习建模得到,所述目标路段为所述目标车辆的运动轨迹的路段。
在本申请实施例中,基于将第一路径和第二路径输入至第一神经网络模型中得到第一相似度,可以提高路径相似程度的准确率,进而提高异常行为识别检测的准确率。
在一种可能的实施方式中,所述目标车辆在所述第一行驶片段中的运动行为和所述目标车辆在所述第二行驶片段中的运动行为之间的相似度基于将所述第一行驶片段和所述第二行驶片段输入至第二神经网络模型中得到;所述第二神经网络模型根据目标路段内的历史车辆的运动行为信息进行深度学习建模得到,所述目标路段为所述目标车辆的运动轨迹的路段。
在本申请实施例中,基于将第一行驶片段和第二行驶片段输入至第二神经网络模型中得到目标车辆在第一行驶片段中的运动行为和目标车辆在第二行驶片段中的运动行为之间的相似度,可以提高不同路径上目标车辆的运动行为的相似程度的准确率,进而提高异常行为识别检测的准确率。
根据本申请实施例,图8所示的装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其它实施例中,基于网络设备也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
需要说明的是,各个单元的实现还可以对应参照上述图5、图6、图7所示的方法实施例的相应描述。
在图8所描述的异常行为检测装置80中,基于第一路径与第二路径,对目标车辆进行异常行为检测,其中,该第一路径用于指示目标车辆在起始站和终点站之间的运动轨迹,该第二路径为起始站与终点站之间的另一路径,该第二路径的长度小于第一路径的长度。通过本申请实施例可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
请参阅图9,图9为本申请实施例提供的一种电子设备90的结构示意图。该电子设备90可以包括存储器901、处理器902。进一步可选的,还可以包含通信接口903以及总线904,其中,存储器901、处理器902以及通信接口903通过总线904实现彼此之间的通信连接。通信接口903用于与上述异常行为检测装置80进行数据交互。
其中,存储器901用于提供存储空间,存储空间中可以存储操作***和计算机程序等数据。存储器901包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmable readonly memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM)。
处理器902是进行算术运算和逻辑运算的模块,可以是中央处理器(centralprocessing unit,CPU)、显卡处理器(graphics processing unit,GPU)或微处理器(microprocessor unit,MPU)等处理模块中的一种或者多种的组合。
存储器901中存储有计算机程序,处理器902调用存储器901中存储的计算机程序,以执行上述图5、图6、图7所示的异常行为检测方法:
获取目标车辆的第一路径,所述第一路径用于指示所述目标车辆在起始站和终点站之间的运动轨迹;
获取第二路径,所述第二路径为所述起始站与所述终点站之间的另一路径,所述第二路径的长度小于所述第一路径的长度;
根据所述第一路径和所述第二路径,对所述目标车辆进行异常行为检测。
上述处理器902执行方法的具体内容可参阅上述图5、图6、图7,此处不再赘述。
相应的,处理器902调用存储器901中存储的计算机程序,还可以用于执行上述图8所示的异常行为检测装置80中的各个单元所执行的方法步骤,其具体内容可参阅上述图5、图6、图7,此处不再赘述。
在图9所描述的电子设备90中,基于第一路径与第二路径,对目标车辆进行异常行为检测,其中,该第一路径用于指示目标车辆在起始站和终点站之间的运动轨迹,该第二路径为起始站与终点站之间的另一路径,该第二路径的长度小于第一路径的长度。通过本申请实施例可以提高异常行为识别检测的准确率,从而解决高速公路车辆少缴通行费行为的误检漏检问题。
请参阅图10,图10为本申请实施例提供的一种电子设备***的结构示意图。由于异常行为检测***的各个部分可能在不同环境上的多台电子设备上运行,因此,本申请实施例还提出了一种包括多个电子设备的电子设备***,如图10所示,该电子设备***包括多个电子设备100。每个电子设备100包括总线1004、处理器1002、通信接口1003和存储器1001,处理器1002、存储器1001和通信接口1003之间通过总线1004通信。各个电子设备100之间通过通信网络建立通信道路。其中,处理器1002可以是CPU。存储器1001可以包括易失性存储器(英文:volatile memory),例如RAM。存储器1001还可以包括非易失性存储器,例如ROM,快闪存储器,HDD或SSD。存储器1001中存储有可执行代码,处理器1002执行该可执行代码以执行异常行为检测的部分方法。存储器1001中还可以包括操作***等其他运行进程所需的软件模块。操作***可以为Linux、Unix、windows等。上述任一电子设备100可以为云环境中的电子设备,或边缘环境中的电子设备,或终端环境中的电子设备。
本申请实施例还提供一种计算机可读存储介质,上述计算机可读存储介质中存储有计算机程序,当上述计算机程序在一个或多个处理器上运行时,可以实现上述图5、图6、图7所示的方法。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括计算机程序,当上述计算机程序产品在处理器上运行时,可以实现上述图5、图6、图7所示的方法。
本申请实施例还提供一种芯片,该芯片包括处理器,所述处理器用于执行指令,当该处理器执行所述指令时,可以实现上述图5、图6、图7所示的方法。可选的,该芯片还包括通信接口,该通信接口用于输入信号或输出信号。
本申请实施例还提供了一种***,该***包括了至少一个如上述异常行为检测装置80或电子设备90或芯片。
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,该流程可以由计算机程序相关的硬件完成,该计算机程序可存储于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实施例的流程。而前述的存储介质包括:只读存储器ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储计算机程序代码的介质。
Claims (19)
1.一种交通异常行为检测方法,其特征在于,所述方法包括:
获取目标车辆的第一路径,所述第一路径用于指示所述目标车辆在起始站和终点站之间的运动轨迹;
获取第二路径,所述第二路径为所述起始站与所述终点站之间的另一路径,所述第二路径的长度小于所述第一路径的长度;
根据所述第一路径和所述第二路径,对所述目标车辆进行异常行为检测。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一路径和所述第二路径,对所述目标车辆进行异常行为检测,包括:
获得所述第一路径与所述第二路径的第一相似度,所述第一相似度表征所述第一路径与所述第二路径的相似程度;
确定所述第一相似度小于第一阈值,对所述目标车辆进行异常行为检测。
3.根据权利要求2所述的方法,其特征在于,所述异常行为包括下述的一种:换卡行为、绕路行为、更换车牌行为,其中,所述换卡行为指示使用不同于收费起始站的站发放的收费卡从收费终点站出站,所述绕路行为指示通过调头改变行驶方向,所述更换车牌行为指示将车牌更换为其他车牌。
4.根据权利要求2或3所述的方法,其特征在于,所述对所述目标车辆进行异常行为检测包括:
获取所述目标车辆的第一行驶片段和第二行驶片段,所述第一行驶片段和所述第二行驶片段为所述第一路径中的两段不同的路径对应的行驶数据;
当所述目标车辆在所述第一行驶片段中的运动行为和所述目标车辆在所述第二行驶片段中的运动行为之间的相似度小于第二阈值时,确定所述目标车辆存在所述更换车牌行为,其中,所述运动行为的相似度是根据所述目标车辆的运动参数确定的。
5.根据权利要求4所述的方法,其特征在于,所述运动参数包括下述一种或多种:
目标车辆所处的车道、目标车辆距车道中心线距离、行驶平均速度、行驶瞬时最大速度、行驶加速度。
6.根据权利要求4或5所述的方法,其特征在于,所述对所述目标车辆进行异常行为检测还包括:
当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向不同时,确定所述目标车辆存在所述绕路行为。
7.根据权利要求4至6中任一项所述的方法,其特征在于,所述对所述目标车辆进行异常行为检测还包括:
当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向相同时,确定所述目标车辆存在所述换卡行为。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述第一行驶片段和所述第二行驶片段,确定所述目标车辆在所述第一路径中改变行驶方向的位置。
9.一种交通异常行为检测装置,其特征在于,包括:
获取单元,用于获取目标车辆的第一路径,所述第一路径用于指示所述目标车辆在起始站和终点站之间的运动轨迹;
所述获取单元,还用于获取第二路径,所述第二路径为所述起始站与所述终点站之间的另一路径,所述第二路径的长度小于所述第一路径的长度;
检测单元,用于根据所述第一路径和所述第二路径,对所述目标车辆进行异常行为检测。
10.根据权利要求9所述的装置,其特征在于,所述获取单元,还用于获得所述第一路径与所述第二路径的第一相似度,所述第一相似度表征所述第一路径与所述第二路径的相似程度;
所述检测单元,具体用于确定所述第一相似度小于第一阈值,对所述目标车辆进行异常行为检测。
11.根据权利要求10所述的装置,其特征在于,所述异常行为包括下述的一种:换卡行为、绕路行为、更换车牌行为,其中,所述换卡行为指示使用不同于收费起始站的站发放的收费卡从收费终点站出站,所述绕路行为指示通过调头改变行驶方向,所述更换车牌行为指示将车牌更换为其他车牌。
12.根据权利要求10或11所述的装置,其特征在于,所述获取单元,还用于获取所述目标车辆的第一行驶片段和第二行驶片段,所述第一行驶片段和所述第二行驶片段为所述第一路径中的两段不同的路径对应的行驶数据;
所述检测单元,具体用于当所述目标车辆在所述第一行驶片段中的运动行为和所述目标车辆在所述第二行驶片段中的运动行为之间的相似度小于第二阈值时,确定所述目标车辆存在所述更换车牌行为,其中,所述运动行为的相似度是根据所述目标车辆的运动参数确定的。
13.根据权利要求12所述的装置,其特征在于,所述运动参数包括下述一种或多种:
目标车辆所处的车道、目标车辆距车道中心线距离、行驶平均速度、行驶瞬时最大速度、行驶加速度。
14.根据权利要求12或13所述的装置,其特征在于,所述检测单元,具体还用于当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向不同时,确定所述目标车辆存在所述绕路行为。
15.根据权利要求12至14中任一项所述的装置,其特征在于,所述检测单元,具体还用于当所述目标车辆在所述第一行驶片段和所述第二行驶片段中的运动行为相似度大于或等于第二阈值,且所述目标车辆在所述第一行驶片段中的行驶方向与所述目标车辆在所述第二行驶片段中的行驶方向相同时,确定所述目标车辆存在所述换卡行为。
16.根据权利要求14所述的装置,其特征在于,所述检测单元,还用于根据所述第一行驶片段和所述第二行驶片段,确定所述目标车辆在所述第一路径中改变行驶方向的位置。
17.一种电子设备,其特征在于,包括:处理器和存储器;
所述存储器用于存储计算机执行指令;
所述处理器用于执行所述存储器所存储的计算机执行指令,以使所述电子设备执行如权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质,其特征在于,包括:
所述计算机可读存储介质用于存储指令或计算机程序;当所述指令或所述计算机程序被执行时,使如权利要求1至8中任一项所述的方法被实现。
19.一种计算机程序产品,其特征在于,包括:指令或计算机程序;
所述指令或所述计算机程序被执行时,使如权利要求1至8中任一项所述的方法被实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081796.4A CN115830483A (zh) | 2021-09-15 | 2021-09-15 | 一种交通异常行为检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081796.4A CN115830483A (zh) | 2021-09-15 | 2021-09-15 | 一种交通异常行为检测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830483A true CN115830483A (zh) | 2023-03-21 |
Family
ID=85514913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111081796.4A Pending CN115830483A (zh) | 2021-09-15 | 2021-09-15 | 一种交通异常行为检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830483A (zh) |
-
2021
- 2021-09-15 CN CN202111081796.4A patent/CN115830483A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109466543B (zh) | 规划自主运动 | |
US11840239B2 (en) | Multiple exposure event determination | |
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
JP6179191B2 (ja) | 運転診断装置,運転診断方法及びプログラム | |
CN106781697B (zh) | 车载式不良天气实时感知及防碰撞预警方法 | |
CN113511204B (zh) | 一种车辆换道行为识别方法及相关设备 | |
CN112885130B (zh) | 呈现道路信息的方法和装置 | |
CN113665570A (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
US20210271876A1 (en) | Determining traffic control features based on telemetry patterns within digital image representations of vehicle telemetry data | |
CN114518122A (zh) | 行车导航方法、装置、计算机设备、存储介质和计算机程序产品 | |
CN116457800A (zh) | 用于自动驾驶车辆中的地图变化检测的架构 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
EP3454269A1 (en) | Planning autonomous motion | |
CN115830483A (zh) | 一种交通异常行为检测方法及相关装置 | |
CN114684197A (zh) | 避障场景的检测方法、装置、设备及存储介质 | |
US20210405641A1 (en) | Detecting positioning of a sensor system associated with a vehicle | |
CN113781786A (zh) | 一种不可通行区域确认方法、装置、设备及可读存储介质 | |
CN113762030A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
Drost et al. | Siamese networks for online map validation in autonomous driving | |
CN117612127B (zh) | 场景生成方法、装置和存储介质及电子设备 | |
CN117593892B (zh) | 真值数据的获取方法和装置、存储介质及电子设备 | |
US20240028035A1 (en) | Planning autonomous motion | |
Hellekes et al. | Assimilation of parking space information derived from remote sensing data into a transport demand model | |
Lee et al. | Augmented Road Line Detection And Display System | |
CN115985109A (zh) | 一种无人驾驶矿车环境感知方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |