CN116805409A - 一种利用行车视频进行路面状态识别与平整性评估的方法 - Google Patents
一种利用行车视频进行路面状态识别与平整性评估的方法 Download PDFInfo
- Publication number
- CN116805409A CN116805409A CN202310751206.7A CN202310751206A CN116805409A CN 116805409 A CN116805409 A CN 116805409A CN 202310751206 A CN202310751206 A CN 202310751206A CN 116805409 A CN116805409 A CN 116805409A
- Authority
- CN
- China
- Prior art keywords
- jitter
- road surface
- flatness
- vector
- driving video
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种利用行车视频进行路面状态识别与平整性评估的方法，对原始行车视频数据，进行图像灰度化、滤波、均衡化处理；通过灰度投影算法对预先处理过的行车视频进行抖动检测，获取行车抖动特征数据；建立基于改进SVM和RF组合的路面状态识别模型，对当前路面状态类型进行识别；建立平整性分级评估方法，完成对当前路面平整性的评估工作。本方法具有智能化、低成本、实时性、评估周期短等特点。
Description
技术领域
本发明涉及农村道路交通领域，尤其涉及一种利用行车视频进行路面状态识别与平整性分级评估的方法。
背景技术
现阶段农村公路总是存在重施工轻养护的现象，管养手段的落后致使公路性能耗损、使用周期缩减，公路养护工作面临很大的发展困境。近些年来，农村经济快速发展，车流量显著上升，公路养护管理工作变得更加迫切。其中，路面平整度是评价道路质量的关键指标，也是公路管养工作的重点。如何实时、精确的识别出路面状态类型以及平整性等级，并将其报告给道路管理部门，是一项亟待解决的工作。
当前，对于路面平整性的检测评估方法总共可以分为以下四种类型。首先是人工检测方法，这类检测方法主要通过人工进行现场实地勘察测量并记录下测量结果，之后代入相关的评价指标计算公式，通过后期的人工计算获得路面平整度指数(IRI)的具体数值，从而实现对路面平整性的具体评价。但是这种方法的效率较低，耗费成本较高，同时检测期间可能会影响正常的交通通行，数据精度不足；其次是半自动化检测方法，通过人工操作计算机终端控制检测设备进行检测，在检测进行的同时将获得的数据存储到检测装置内，并以一定的时间间隔进行数据处理。但是这种方法的效率仍然不高，例如连续式平整度仪；另一种是自动化检测方法，通过当前应用的超声波、激光、雷达等先进技术设备进行检测分析，例如现在比较常用的车载式累计颠簸仪、激光平整度仪等检测方法，这种方法虽然对检测效率有所提升，并且自动化程度也相对较高，但是耗用的经济成本也较高，同时检测频率低，检测周期长，主要由专业技术人员进行操作，而这些因素也在一定程度上造成了检测工作的实时性低下，智能化水平不足；最后是近年来被研究学者广泛提出的智能化检测方法，提出将当前的通信、网络、大数据、人工智能等高新技术应用到路面平整性的检测和评估工作，依靠智能化的技术方法将检测的效率和精度进行最大程度的提高，不影响人们正常安全的交通出行。但就目前情况而言，智能化检测方法的技术水平不足，尚处于探索阶段。
发明申请201710953785.8公布了一种基于机器视觉的路面使用状态检测方法，通过图像采集器采集检测车体周围的路面图像，并将信息反馈到工控机进行图像处理，根据采集到的动态路面图像检测出路面的平面度及破损情况；通过定位***实时获取检测车体的位置信息，当检测到路面存在破损时将对应位置的位置信息及路面破损情况存储到工控机中；设定时间段后及时将工控机中的路面破损情况及相应的位置信息通过无线传输***向管理平台进行反馈，并给出不同程度的警报提示。这种方法需要使用特定的装置以及相应的人工操作，信息采集成本较大，周期较长，不能实时的获得路面状态。
张金喜，王琳，周同举等在《基于行车振动的路面平整度智能检测方法》(中外公路，2020年第1期)提出了一种基于行车振动的路面平整度检测方法。该方法借助坐垫式振动加速度计，采集车辆行驶过程中的三轴向振动加速度数据，对神经网络基本方法进行改进，利用GA-BP神经网络建立振动加速度特征值及速度V与IRI之间的相关关系，实现对路面平整度的智能化检测。该方法需要用到专门的振动加速度计，成本较高，且由于车辆类型的不同会对测量结果造成误差，因此不能精确的判断路面平整性。
霍娜在《基于移动智能终端的道路状况检测***研究与实现》(硕士电子期刊2018年12期)中提出了一种利用智能移动终端进行道路状况检测的***。该***通过车载移动终端内置的传感器采集道路状况数据，将数据传输汇聚到服务器，分析处理后，将道路状况标注在地图上，结合地图导航功能为驾驶者提供道路状况预警服务。该***需要使用树莓派***内置加速度、陀螺仪等传感器，成本较高。另外，该***采用的是基于马田***的道路状况检测分类方法，只对路面进行了如平坦道路、坑槽等四种路况的定性分类，而没有对平整程度进行定量分类。
发明内容
本发明的目的在于提出一种利用行车视频进行路面状态识别与平整性评估的方法，以提高农村公路路面检测和养护管理工作的效率，降低路面受损对交通运行所造成的不利影响。
实现本发明目的的技术解决方案为：一种利用行车视频进行路面状态识别与平整性分级评估的方法，包括如下步骤：
步骤1，图像预处理：对原始行车视频数据，进行图像灰度化、滤波、均衡化处理，以增强图像对比度；
步骤2，行车视频抖动检测：对预处理后的行车图像，先利用灰度投影算法获得当前帧垂直方向上的全局抖动矢量，再对当前帧进行2*2分块处理并计算块抖动矢量，通过各块抖动矢量与全局抖动矢量的相似性判定来去除相似性程度低的分块，最后计算保留分块的块抖动矢量均值，作为当前帧的新的垂直方向上的全局抖动矢量；当行车视频的所有帧都得到全局抖动矢量，即获得了连续时间序列的全局抖动矢量后，对其进行小波变换和滑动窗口分割得到子序列全局抖动矢量，再由子序列全局抖动矢量计算抖动最大值和抖动最小值、抖动量均值和方差、均方差以及Lipschitz指数的均值作为行车视频的抖动特征数据；
步骤3，路面状态识别：对行车视频的抖动特征数据进行分类，识别出不同的路面状态，经过SVM-1模型，将路面平整设为第一类，其余作为另一类，经过RF模型对其进行二分类，将路面病害损毁作为一类，其余作为另一类，经过SVM-2模型对其进行二分类，将窖井盖作为一类，其余作为另一类，经过SVM-3模型对其进行二分类，将减速带作为一类，桥头跳车作为另一类，至此分类识别完毕，获得了路面状态识别结果；
步骤4，平整性分级评估：对行车视频的抖动特征数据，按车速区间进行分类，再在不同的车速区间内，通过K-means聚类算法对抖动特征数据进行聚类，获得当前道路平整性的评估等级。
进一步的，步骤2中，利用灰度投影算法获得当前帧垂直方向上的全局抖动矢量，即GV，具体方法为：
根据公式(1)计算相邻两帧图像列方向上的灰度值；
Gk(j)＝∑i Gk(i,j) (1)
其中Gk(j)为第k帧图像第j列的灰度值,Gk(i,j)是第k帧图像上(i,j)位置处的像素灰度值；
根据公式(2)、(3)计算相邻两帧图像列方向上的灰度投影，其中图像大小为M*N；
cProj(j)＝Gk(j)-MeanC (3)
其中MeanC为列灰度和均值，cProj(j)为列方向灰度投影；
根据公式(4)计算相邻两帧图像的互相关系数；
其中v为列自变量，Ry(v)为互相关系数，Colcur为当前帧的列方向灰度投影，Colref为参考帧灰度投影，n为搜素宽度，将能使Ry(v)达到最小值时的值记为vmin；
根据公式(5)计算当前帧垂直方向上的全局抖动矢量；
GV＝n+1-vmin (5)
当GV>0时，表明发生了竖直向上的抖动，抖动大小为|GV|个像素；当GV<0时，表明发生了竖直向下的抖动，抖动大小|GV|个像素。
进一步的，在按照公式(4)计算互相关系数时，以粒子群优化算法对全搜索模式进行改进优化，搜索得到vmin，具体步骤为：
将PSO的种群大小设置为10，搜索宽度为n,在[1,2n+1]上对列自变量v进行随机初始化，以公式(4)为适应度函数，利用PSO算法不断迭代更新，得到v的最优解，即vmin。
进一步的，步骤2中，对当前帧进行2*2分块处理并计算块抖动矢量，通过各块抖动矢量与全局抖动矢量的相似性判定来去除相似性程度低的分块，计算保留分块的块抖动矢量均值，作为当前帧的新的垂直方向上的全局抖动矢量，其中相似性判定的具体步骤为：
计算GV与各分块抖动矢量dy之间的欧氏距离di，设定阈值T，将满足di<T的各分块抖动矢量dy作为与整体抖动关联程度较高的组成元素，不满足的分块抖动矢量则与整体抖动无关，予以去除。
一种利用行车视频进行路面状态识别与平整性分级评估的***，实施所述的路面状态识别与平整性分级评估方法，实现路面状态识别与平整性分级评估。
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，所述处理器执行所述计算机程序时，实施所述的路面状态识别与平整性分级评估方法，实现路面状态识别与平整性分级评估。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实施所述的路面状态识别与平整性分级评估方法，实现路面状态识别与平整性分级评估。
本发明与现有技术相比，其显著优点为：(1)***极为廉价且方便，不需要耗费大量人力物力；(2)采用改进后的灰度投影算法，减少了搜索次数，提高了搜索效率；(3)根据获得的行车数据集，利用PSO算法求解SVM与RF的模型最优参数，以“一对多”方式构建了基于SVM和RF的路面状态组合识别模型，对不同路面状态的识别有较高准确率。
附图说明
图1为路面状态识别与平整性分级评估的方法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
结合图1，利用行车视频进行路面状态识别与平整性分级评估的方法，共有四个主体模块：行车视频抖动检测模块、数据预处理模块、路面状态识别模块、平整性评估模块。利用该方法生成的路面状态识别与平整性评估***可以嵌入至行车记录仪内，实现对行车视频、车速的实时采集和分析处理，及时提供对当前路面状态的识别结果与平整性评估结果。
实施流程为：读取行车记录仪采集的行车视频和车速数据，通过改进的灰度投影算法进行行车视频抖动检测，获取行车抖动数据；对获得的行车抖动数据和车速数据利用基于改进SVM和RF组合的路面状态识别模型对当前路面状态类型进行识别；之后提取行车抖动量均值和车速数据，利用平整性分级评估方法并结合大数据统计分析完成对当前路面平整性的评估工作。
具体工作过程为：
步骤1，图像预处理
从原始视频中取任意相邻的两帧图像，其中前帧图像作为参考帧，后一帧图像为当前帧。
由于行车环境的实时变化，会造成采集到的原始行车视频图像灰度变化不明显，为后续工作带来误差和影响，因此需要进行图像预处理。
为了简化矩阵，提高运算速度，先对原始行车视频的帧图像进行灰度化处理；为保留所需要的信号，降低图像边缘信息对检测结果的影响，对图像进行滤波处理；最后对行车视频中的各帧图像进行直方图均衡化，由此实现对图像灰度对比度的提高。至此，获得了灰度化的、对比度高的、去噪后的行车图像。对原始行车视频数据，依次进行图像灰度化、滤波、均衡化处理，可以增强图像对比度，提高后续检测工作的精确度。
步骤2，视频抖动性检测
对预处理后的行车图像，先利用粒子群算法(PSO)优化后的灰度投影算法获得当前帧垂直方向上的全局抖动矢量(GV)，再对当前帧进行2*2分块处理并计算块抖动矢量，通过各块抖动矢量与GV的相似性判定来去除相似性程度低的分块，最后计算保留分块的块抖动矢量均值，作为当前帧的新的垂直方向上的GV。当行车视频的所有帧都得到GV，即获得了连续时间序列的GV后，对其进行小波变换和滑动窗口分割得到子序列GV，再由子序列GV计算抖动最大最小值等的均值作为行车视频的抖动特征数据。
步骤2.1，对预处理后的行车图像，利用灰度投影算法获得当前帧垂直方向上的GV。
由于路面状态识别和平整性评估与行车视频中垂直方向上的抖动密切相关，即需要获得当前帧垂直方向上的全局抖动矢量。具体步骤如下：
根据公式(1)计算相邻两帧图像列方向上的灰度值,
Gk(j)＝∑i Gk(i,j) (1)
其中Gk(j)为第k帧图像第j列的灰度值,Gk(i,j)是第k帧图像上(i,j)位置处的像素灰度值。
根据公式(2)、(3)计算相邻两帧图像列方向上的灰度投影，其中图像大小为M*N，
cProj(j)＝Gk(j)-MeanC (3)
其中MeanC为列灰度和均值，cProj(j)为列方向灰度投影。
根据公式(4)计算相邻两帧图像的互相关系数，
其中v为列自变量，Ry(v)为互相关系数，Colcur为当前帧的列方向灰度投影，Colref为参考帧灰度投影，n为搜素宽度。将能使Ry(v)达到最小值时的值记为vmin，由于此时列与列之间的投影最为相似，那么可以认为图像的位移，即当前帧的全局抖动矢量，可以由列与列之间的间隔很好得估计。
根据公式(5)计算当前帧垂直方向上的全局抖动矢量。
GV＝n+1-vmin (5)
当GV>0时，表明发生了竖直向上的抖动，抖动大小为|GV|个像素；当GV<0时，表明发生了竖直向下的抖动，抖动大小|GV|个像素。
在按照公式(4)计算互相关系数时，由于需要得到vmin，在行、列方向上进行了全搜索，搜索量较大，会影响算法的效率，因此以粒子群(PSO)优化算法对现行的全搜索模式进行改进优化，减少搜索次数。具体步骤为：
将PSO的种群大小设置为10，搜索宽度为n,在[1,2n+1]上对列自变量v进行随机初始化，以公式(4)为适应度函数，利用PSO算法不断迭代更新，得到v的最优解，即vmin。
步骤2.2，将当前帧均分成2*2块，并对每一块计算块抖动矢量，将结果与上一步获得的GV进行相似性判定，剔除相似性程度低的分块后计算剩余分块的块抖动矢量均值，作为当前帧的新GV。
计算块抖动矢量dy时，方法与2.1中所述相同。
相似性判定的具体步骤为：
计算GV与各分块抖动矢量dy之间的欧氏距离di，设定阈值T，将满足di<T的各分块抖动矢量dy作为与整体抖动关联程度较高的组成元素，不满足的分块抖动矢量则与整体抖动无关，予以去除。
步骤2.3，当行车视频的所有帧都得到GV，即获得了连续时间序列的GV后，对其进行小波变换和滑动窗口分割得到子序列GV。
针对得到的连续时间序列的GV，可以发现存在噪声干扰以及信号不稳定的现象，因此需要进行数据清洗和信号降噪。选择利用小波变换对其进行处理，由于能够进行多分辨率的处理，大致完整提取出局部信息，进行信号降噪的同时避免对原始信号相关性的影响；
由于不同的路面状态往往是某一段时间序列GV所反映出来的，需要对连续时间序列的GV进行无重叠的滑动窗口分割法，实现对时间序列从时间点到时间段的数据挖掘，同时降低因窗口重叠率带来的重复分析误差。
步骤2.4，对上一步获得的子序列GV计算提取抖动最大值和抖动最小值、抖动量均值和方差、均方差以及Lipschitz指数的均值作为行车视频的抖动特征数据。
步骤3，路面状态识别
对上一步获得的行车视频的抖动特征数据进行分类，识别出不同的路面状态。
由于车辆驶过坑洞、凹陷(路面病害损毁)时的抖动数据数据和驶过窖井盖时的抖动数据数据存在一定程度的交集，这种情况对于路面状态的识别会造成干扰。若应用支持向量机(Support Vector Machine,SVM)对其进行分类，求解分类超平面更为复杂，因此选择对路面病害损毁这一路面状态类型应用随机森林(Random Forest,RF)模型进行识别，用以提高对该路面状态类型的识别准确率。
分类识别的具体步骤为：
输入抖动特征数据集，经过SVM-1模型，将路面平整设为第一类，其余作为另一类，经过RF模型对其进行二分类，将路面病害损毁作为一类，其余作为另一类，经过SVM-2模型对其进行二分类，将窖井盖作为一类，其余作为另一类，经过SVM-3模型对其进行二分类，将减速带作为一类，桥头跳车作为另一类，至此分类识别完毕，获得了路面状态识别结果。
针对SVM和RF收敛速度慢、过拟合或局部最优等问题，将分层k折交叉验证处理获得的平均误差率作为适应度函数，利用PSO算法分别搜索SVM的惩罚参数和核参数的最优组合值以及RF的树和随机种子数两项参数最优解，提高了识别的准确率。
步骤4，平整性分级评估
对步骤2获得的行车视频抖动特征数据，按车速区间进行分类，再在不同的车速区间内，通过K-means聚类算法对抖动特征数据进行聚类，获得当前道路平整性的评估等级。在实际应用中获得大量车辆在同一路段的评估结果后，通过数理统计方法和大数据技术，能够得到该路段具有统计意义的平整性评估结果。
由于行车过程中的车速影响，以不同的车速经过某一路段会产生不一样的行车抖动。因此先划分不同的车速区间，对不同车速区间内的抖动特征数据利用聚类分析，从而实现在不同车速条件下，对路面平整性聚类评估。
本发明还提出一种利用行车视频进行路面状态识别与平整性分级评估的***，实施所述的路面状态识别与平整性分级评估方法，实现路面状态识别与平整性分级评估。
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，所述处理器执行所述计算机程序时，实施所述的路面状态识别与平整性分级评估方法，实现路面状态识别与平整性分级评估。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实施所述的路面状态识别与平整性分级评估方法，实现路面状态识别与平整性分级评估。
实施例
下面结合附图1详细说明本发明利用行车视频进行路面状态识别与评估的具体工作过程。
1)首先是图像预处理模块。对原始行车视频数据，进行图像灰度化、滤波、均衡化处理，增强图像对比度，提高后续检测工作的精确度。
2)其次是行车视频抖动检测模块。先对图像进行2*2分块处理，绘制各分块的灰度投影曲线并进行相关性计算，利用了基于PSO改进的灰度投影曲线相关性搜索模式，以便高效进行分块抖动矢量相似量判定，得到行车视频连续抖动矢量数据。再对得到的连续时间序列数据利用Daubechies小波清洗和固定时间窗口分割，以及提取特征信息，得到行车抖动数据，为后续机器学习提供基础
3)第三部分是路面状态识别模块，利用PSO算法优化后的基于SVM和RF组合的多分类模型进行路面状态识别。
4)第四部分是平整性分级评估模块，利用K-means聚类算法对不同车速区间的行车抖动量均值进行聚类，以此确定最优聚类中心，获得当前道路平整性的评估等级。获取到大量车辆在同一路段的评估结果后，通过数理统计方法和大数据技术，能够得到该路段具有统计意义的平整性评估结果。
综上，本发明通过对行车记录仪记录的行车视频这种普遍量大的数据的提取，实现了路段行车数据的采集从而得到了相关的路面状态信息以及平整性评估结果，数据的获取简便，操作智能化，减少了此前一些半自动化、自动化方法的工作量，提高了效率，保证了道路维修保护工作进行的即效性，同时也克服了现阶段评估周期过长的问题。同时，由于本发明具有低成本的优势，解决了农村道路养护资金缺乏的问题，为农村公路高效管养走上赛车道提供了基础。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (7)
1.一种利用行车视频进行路面状态识别与平整性分级评估的方法，其特征在于，包括如下步骤：
步骤1，图像预处理：对原始行车视频数据，进行图像灰度化、滤波、均衡化处理，以增强图像对比度；
步骤2，行车视频抖动检测：对预处理后的行车图像，先利用灰度投影算法获得当前帧垂直方向上的全局抖动矢量，再对当前帧进行2*2分块处理并计算块抖动矢量，通过各块抖动矢量与全局抖动矢量的相似性判定来去除相似性程度低的分块，最后计算保留分块的块抖动矢量均值，作为当前帧的新的垂直方向上的全局抖动矢量；当行车视频的所有帧都得到全局抖动矢量，即获得了连续时间序列的全局抖动矢量后，对其进行小波变换和滑动窗口分割得到子序列全局抖动矢量，再由子序列全局抖动矢量计算抖动最大值和抖动最小值、抖动量均值和方差、均方差以及Lipschitz指数的均值作为行车视频的抖动特征数据；
步骤3，路面状态识别：对行车视频的抖动特征数据进行分类，识别出不同的路面状态，经过SVM-1模型，将路面平整设为第一类，其余作为另一类，经过RF模型对其进行二分类，将路面病害损毁作为一类，其余作为另一类，经过SVM-2模型对其进行二分类，将窖井盖作为一类，其余作为另一类，经过SVM-3模型对其进行二分类，将减速带作为一类，桥头跳车作为另一类，至此分类识别完毕，获得了路面状态识别结果；
步骤4，平整性分级评估：对行车视频的抖动特征数据，按车速区间进行分类，再在不同的车速区间内，通过K-means聚类算法对抖动特征数据进行聚类，获得当前道路平整性的评估等级。
2.根据权利要求1所述的利用行车视频进行路面状态识别与平整性分级评估的方法，其特征在于，步骤2中，利用灰度投影算法获得当前帧垂直方向上的全局抖动矢量，即GV，具体方法为：
根据公式(1)计算相邻两帧图像列方向上的灰度值；
Gk(j)＝∑i Gk(i,j) (1)
其中Gk(j)为第k帧图像第j列的灰度值,Gk(i,j)是第k帧图像上(i,j)位置处的像素灰度值；
根据公式(2)、(3)计算相邻两帧图像列方向上的灰度投影，其中图像大小为M*N；
cProj(j)＝Gk(j)-MeanC (3)
其中MeanC为列灰度和均值，cProj(j)为列方向灰度投影；
根据公式(4)计算相邻两帧图像的互相关系数；
其中v为列自变量，Ry(v)为互相关系数，Colcur为当前帧的列方向灰度投影，Colref为参考帧灰度投影，n为搜素宽度，将能使Ry(v)达到最小值时的值记为vmin；
根据公式(5)计算当前帧垂直方向上的全局抖动矢量；
GV＝n+1-vmin (5)
当GV>0时，表明发生了竖直向上的抖动，抖动大小为|GV|个像素；当GV<0时，表明发生了竖直向下的抖动，抖动大小|GV|个像素。
3.根据权利要求2所述的利用行车视频进行路面状态识别与平整性分级评估的方法，其特征在于，在按照公式(4)计算互相关系数时，以粒子群优化算法对全搜索模式进行改进优化，搜索得到vmin，具体步骤为：
将PSO的种群大小设置为10，搜索宽度为n,在[1,2n+1]上对列自变量v进行随机初始化，以公式(4)为适应度函数，利用PSO算法不断迭代更新，得到v的最优解，即vmin。
4.根据权利要求1所述的利用行车视频进行路面状态识别与平整性分级评估的方法，其特征在于，步骤2中，对当前帧进行2*2分块处理并计算块抖动矢量，通过各块抖动矢量与全局抖动矢量的相似性判定来去除相似性程度低的分块，计算保留分块的块抖动矢量均值，作为当前帧的新的垂直方向上的全局抖动矢量，其中相似性判定的具体步骤为：
计算GV与各分块抖动矢量dy之间的欧氏距离di，设定阈值T，将满足di<T的各分块抖动矢量dy作为与整体抖动关联程度较高的组成元素，不满足的分块抖动矢量则与整体抖动无关，予以去除。
5.一种利用行车视频进行路面状态识别与平整性分级评估的***，其特征在于，实施权利要求1-4任一项所述的路面状态识别与平整性分级评估方法，实现路面状态识别与平整性分级评估。
6.一种计算机设备，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，所述处理器执行所述计算机程序时，实施权利要求1-4任一项所述的路面状态识别与平整性分级评估方法，实现路面状态识别与平整性分级评估。
7.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实施权利要求1-4任一项所述的路面状态识别与平整性分级评估方法，实现路面状态识别与平整性分级评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310751206.7A CN116805409A (zh) | 2023-06-25 | 2023-06-25 | 一种利用行车视频进行路面状态识别与平整性评估的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310751206.7A CN116805409A (zh) | 2023-06-25 | 2023-06-25 | 一种利用行车视频进行路面状态识别与平整性评估的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116805409A true CN116805409A (zh) | 2023-09-26 |
Family
ID=88080436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310751206.7A Pending CN116805409A (zh) | 2023-06-25 | 2023-06-25 | 一种利用行车视频进行路面状态识别与平整性评估的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116805409A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237240A (zh) * | 2023-11-15 | 2023-12-15 | 湖南蚁为软件有限公司 | 基于数据特征的数据智能采集方法及*** |
-
2023
- 2023-06-25 CN CN202310751206.7A patent/CN116805409A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237240A (zh) * | 2023-11-15 | 2023-12-15 | 湖南蚁为软件有限公司 | 基于数据特征的数据智能采集方法及*** |
| CN117237240B (zh) * | 2023-11-15 | 2024-02-02 | 湖南蚁为软件有限公司 | 基于数据特征的数据智能采集方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eisenbach et al. | How to get pavement distress detection ready for deep learning? A systematic approach | |
| CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
| CN102708356B (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
| CN102509291B (zh) | 基于无线网络视频传感器的公路路面病害检测及识别方法 | |
| CN100573618C (zh) | 一种交通路口四相位车流量检测方法 | |
| Derpanis et al. | Classification of traffic video based on a spatiotemporal orientation analysis | |
| CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
| CN104156731A (zh) | 基于人工神经网络的车牌识别***与方法 | |
| CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
| CN107590486B (zh) | 运动目标识别方法和***、自行车流量统计方法和设备 | |
| CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及*** | |
| CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
| CN116805409A (zh) | 一种利用行车视频进行路面状态识别与平整性评估的方法 | |
| US20040081359A1 (en) | Error propogation and variable-bandwidth mean shift for feature space analysis | |
| CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
| CN113221759A (zh) | 基于异常检测模型的道路遗撒识别方法以及装置 | |
| CN115311229A (zh) | 基于激光雷达的路面病害检测分类方法、***和存储介质 | |
| CN113771573A (zh) | 一种基于识别路面信息的车辆悬架控制方法及装置 | |
| CN117523449A (zh) | 一种煤矿井下辅助运输机器人车路协同定位***及方法 | |
| CN113066041A (zh) | 一种基于栈稀疏自编码深度学习的路面裂缝检测方法 | |
| CN109727334B (zh) | 车辆所处地形的识别方法、装置及车辆 | |
| CN116152758A (zh) | 一种智能实时事故检测及车辆跟踪方法 | |
| CN110866435A (zh) | 一种自相似性梯度朝向直方图的远红外行人训练方法 | |
| CN110084190B (zh) | 一种基于ann的剧烈光照环境下实时非结构化道路检测方法 | |
| CN104112144A (zh) | 人车识别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |