CN118070232B - 基于雷视融合感知的车辆时空轨迹链提取方法 - Google Patents
基于雷视融合感知的车辆时空轨迹链提取方法 Download PDFInfo
- Publication number
- CN118070232B CN118070232B CN202410461772.9A CN202410461772A CN118070232B CN 118070232 B CN118070232 B CN 118070232B CN 202410461772 A CN202410461772 A CN 202410461772A CN 118070232 B CN118070232 B CN 118070232B
- Authority
- CN
- China
- Prior art keywords
- time
- nodes
- radar
- designated position
- data
- 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.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 230000008447 perception Effects 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000000540 analysis of variance Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000012098 association analyses Methods 0.000 abstract description 3
- 238000013500 data storage Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于雷视融合感知的车辆时空轨迹链提取方法,包括步骤为:数据获取、数据预处理、数据优化、关联分析、轨迹处理、数据存储和轨迹可视化;涉及轨迹提取技术领域;该方法通过对雷达和视频摄像头感知的行驶数据进行同步处理,确保数据的时序一致性,可以实时跟踪车辆的行驶轨迹,通过关联算法将目标区域内多个指定位置节点的数据进行目标匹配,形成初步的车辆轨迹,提高了数据处理的效率,同时通过并通过三角函数结合距离参数、角度参数计算出目标车辆距离雷达位置的水平距离,可以有效验证并校准雷达感知的速度参数,避免雷达感知数据不准导致速度特征值的误差较大。
Description
技术领域
本发明涉及轨迹提取技术领域,具体涉及基于雷视融合感知的车辆时空轨迹链提取方法。
背景技术
随着科技的发展,车辆监控技术也在不断进步。其中,雷达和视频融合感知技术是近年来新兴的一种车辆监控技术。这种技术通过雷达和视频摄像头收集车辆的行驶数据,然后通过数据处理和分析,提取出车辆的轨迹链信息,从而实现对车辆的实时监控。
然而,现有的车辆监控技术在处理和分析车辆行驶数据时,往往存在数据不准确、数据处理效率低、数据分析结果不稳定等问题。这些问题严重影响了车辆监控的准确性和效率,也限制了车辆监控技术的进一步发展。
因此,如何提供一种能够准确、高效地处理和分析车辆行驶数据,从而提取出准确的车辆轨迹链信息的方法,成为当前车辆监控技术领域亟待解决的问题。
发明内容
本发明的目的在于提供基于雷视融合感知的车辆时空轨迹链提取方法,解决了背景技术中所提出的技术问题。
本发明的目的可以通过以下技术方案实现:
基于雷视融合感知的车辆时空轨迹链提取方法,包括以下步骤:
步骤一、数据获取
在目标区域的指定位置节点中,通过该指定位置节点上的雷达和视频摄像头获取目标车辆的行驶数据;行驶数据包括从雷达中提取目标车辆的距离参数、速度参数、角度参数,以及从视频数据中提取目标车辆的形状信息、颜色信息、车牌信息;
步骤二、数据预处理
依据行驶数据的实时采集时间点,并在其中选定一个时间点作为标准时间节点,将雷达和视频摄像头感知的行驶数据同步,并得到相应的数据包;
步骤三、数据优化
通过关联算法将目标区域内多个指定位置节点的行驶数据进行目标匹配,并得到相应的目标车辆的特征信息,特征信息包括查询特征、速度特征值和时间特征节点;
步骤四、关联分析
查找其他指定位置节点上含有与一个指定位置节点相同查询特征的目标车辆特征信息,并依据预先获取的地理距离和速度特征值计算出预估时间,随后计算出相邻指定位置节点中时间特征节点的时间差,之后将其进行比较,以确定数据匹配结果。
步骤五、轨迹处理
提取所有位置节点相关的行驶数据所对应的时间特征节点,根据这些时间特征节点的时间戳,按照时间先后顺序对它们进行排序,根据排序结果,将轨迹包中的指定位置节点按时间顺序连接起来,形成一条连续的轨迹链,同时,将每个节点对应的速度特征值和相邻节点间的地理距离信息整合到该轨迹链中;
步骤六、存储展示
将得到的车辆轨迹链信息存储于数据库中,同时将得到的目标车辆的轨迹链在地图上进行可视化展示。
作为本发明进一步的方案:其中,距离参数指代为雷达与目标车辆的距离;
速度参数指代为目标车辆的行驶速度;
角度参数指代为雷达监测到的目标车辆的方位角和俯仰角;
方位角为从雷达设备的水平方向测量到目标的角度,方位角用于帮助雷达确定目标在水平面上相对于雷达的位置。
俯仰角为从雷达设备的垂直方向测量到目标的角度,俯仰角用于帮助雷达确定目标在垂直平面上的位置;
形状信息指代为目标车辆的款式;
颜色信息指代为目标车辆通过视频摄像头所捕获的图像数据来识别出的颜色。
作为本发明进一步的方案:同步处理方式如下:
首先提取目标车辆的距离参数、速度参数、角度参数、形状信息、颜色信息对应实时采集的时间点;
随后在雷达和视频摄像头感知到有目标经过的时间周期中,选定一个时间点作为标准时间节点,并依据该标准时间节点选定对应时间获得的距离参数、速度参数、角度参数、形状信息、颜色信息、车牌信息,随后将其以及该标准时间节点捆绑为一个数据包;
同理,选定多个时间点作为标准时间节点,并得到对应数量的数据包;
作为本发明进一步的方案:目标匹配方式如下:
StepA1、获取各个指定位置节点的数据包,并将其导入预训练的关联匹配模型中;
StepA2、关联匹配模型首先对数据包对应的目标车辆进行锁定处理,并得到目标车辆的特征信息,特征信息包括速度特征值、时间特征节点和查询特征;
作为本发明进一步的方案:锁定处理方式为:
步骤a1、在一个指定位置节点上,将各个数据包内形状信息、颜色信息、车牌信息作为目标车辆的查询特征;
步骤a2、从各个数据包中,提取距离参数、角度参数,并通过三角函数计算出目标车辆距离雷达位置的水平距离;
随后通过两两组合的方式提取两组数据包,并从中获取对应的标准时间节点以及水平距离,然后通过速度计算公式计算出相应的速度参数;
步骤a3、将步骤二得出的速度参数与雷达感知的速度参数通过方差分析方式进行筛选,并筛选出相应的速度参数,接着计算出该速度参数的均值,并将其记为速度特征值;
步骤a4、随后在一个指定位置节点上的各个数据包中,获取所有标准时间节点,随后对标准时间节点按照时间先后顺序进行排序,之后在其中选取中间值,作为时间特征节点。
作为本发明进一步的方案:通过方差分析方式筛选的方式如下:
将对应的所有速度参数标记为Si,i=1、2、……n,表示速度参数的数量为n个;
再将其代入公式,计算速度参数的偏离值P,式中,Sp为参与对应
偏离值计算的对应速度参数的平均值,随后将P与预设的偏离阈值Py进行比较:
若P>Py,则表示该组速度参数的偏离值较大,之后按照|Si-Sp|从大到小的顺序依次删除对应的Si值并对应计算剩余的偏离值P,直至P≤Py,之后获取P≤Py时,参与计算相应P1的Si,并求取对应所有Si的平均值。
作为本发明进一步的方案:步骤四的具体方式如下:
StepB1、依据一个指定位置节点的特征信息,在目标区域的对应其他指定位置节点,获取含有相同查询特征目标车辆的特征信息;
StepB2、在目标区域预设的目标地图上,获取目标区域中的各个相邻指定位置节点之间的地理距离;
随后提取相邻指定位置节点之间的两个速度特征值,并求取两个速度特征值的均值,然后通过速度计算公式计算出预估时间;
StepB3、提取相邻指定位置节点中各自的多个时间特征节点,并计算出相邻指定位置节点之间相应两个时间特征节点的时间差;
StepB4、将预估时间结合预设的补偿时间因子与多个时间差进行比对:
若预估时间+预设的补偿时间因子≤时间差,则表示该相邻指定位置节点上的两个行驶数据对应,并提取该组相邻指定位置节点及其行驶数据;
依此类推,获取在多个相邻指定位置节点中获取比对结果相对应的相邻指定位置节点及其行驶数据,直至相邻指定位置节点上不含有相对应的两个行驶数据为止;
StepB5、之后将获取到的指定位置节点及其行驶数据捆绑为轨迹包;
作为本发明进一步的方案:StepB2的公式为:预估时间=地理距离/两个速度特征值的均值。
作为本发明进一步的方案:在StepB4中,若预估时间+预设的补偿时间因子>时间差,则表示该相邻指定位置节点上的两个行驶数据不对应,并进行下一组比对。
作为本发明进一步的方案:步骤五的具体处理方式为:
StepC1、在一个轨迹包中,获取所有指定位置节点内行驶数据对应的时间特征节点;
StepC2、依据时间的先后顺序,对时间特征节点进行排序,并生成时间顺序表;
StepC3、依据时间顺序表,将轨迹包中的各个指定位置节点进行连接,随之得到目标车辆对应的轨迹链,同时将对应的速度特征值和各个相邻指定位置节点之间的地理距离添加在轨迹链上。
本发明的有益效果:
准确性:该方法通过雷达和视频监控设备获取目标车辆的行驶数据,包括距离、速度、角度、形状、颜色和车牌信息,能够全面准确地描绘车辆的行驶状态。
实时性:通过对雷达和视频摄像头感知的行驶数据进行同步处理,确保数据的时序一致性,可以实时跟踪车辆的行驶轨迹。
高效性:通过关联算法将目标区域内多个指定位置节点的数据进行目标匹配,形成初步的车辆轨迹,提高了数据处理的效率。
灵活性:该方法可以应用于多种场景,如高速公路监控、城市交通管理等,用户可以根据目标车辆的轨迹链及其上的速度特征值,识别出目标车辆的异常行为,如超速、逆行,并生成相应的报警信息。
可视性:将得到的目标车辆的轨迹链在地图上进行可视化展示,便于用户理解和分析。
数据存储:将得到的车辆轨迹链信息存储于数据库中,以供后期的查询使用,方便了数据的管理和使用。
总的来说,本发明提供了一种准确、实时、高效、灵活、可视化的车辆时空轨迹链提取方法,对于车辆监控和管理具有重要的应用价值。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于雷视融合感知的车辆时空轨迹链提取方法的流程示意图。
图2是本发明基于雷视融合感知的车辆时空轨迹链提取方法的锁定处理流程示意图。
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,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
实施例一
请参阅图1和图2所示,本发明为基于雷视融合感知的车辆时空轨迹链提取方法,包括以下步骤:
步骤一、数据获取
在目标区域的指定位置节点处,利用该节点所配备的雷达和视频监控设备,来收集目标车辆的行驶数据;
行驶数据包括从雷达中提取目标车辆的距离参数、速度参数、角度参数,以及从视频数据中提取目标车辆的形状信息、颜色信息、车牌信息;
其中,距离参数指代为雷达与目标车辆的距离;
速度参数指代为目标车辆的行驶速度;
角度参数指代为雷达监测到的目标车辆的方位角和俯仰角;
方位角为从雷达设备的水平方向测量到目标的角度,方位角用于帮助雷达确定目标在水平面上相对于雷达的位置。
俯仰角为从雷达设备的垂直方向测量到目标的角度,俯仰角用于帮助雷达确定目标在垂直平面上的位置;
形状信息指代为目标车辆的款式,在该实施例中,形状信息为固定设置的视频摄像头通过拍摄的背景画面结合拍摄到的含有车辆的图像画面进行背景分离后,将得到的车辆主体图像与预设的车辆款式模型进行比对得到,该技术为现有技术,故此不做赘述;
颜色信息指代为目标车辆通过视频摄像头所捕获的图像数据来识别出的颜色;
步骤二、数据预处理
对雷达和视频摄像头感知的行驶数据进行同步处理,确保两者数据的时序一致性;
同步处理方式如下:
首先提取目标车辆的距离参数、速度参数、角度参数、形状信息、颜色信息对应实时采集的时间点;
随后在雷达和视频摄像头感知到有目标经过的时间周期中,选定一个时间点作为标准时间节点,并依据该标准时间节点选定对应时间获得的距离参数、速度参数、角度参数、形状信息、颜色信息、车牌信息,随后将其以及该标准时间节点捆绑为一个数据包;
同理,选定多个时间点作为标准时间节点,并得到对应数量的数据包;
步骤三、数据优化
通过关联算法将目标区域内多个指定位置节点的行驶数据进行目标匹配,并形成初步的车辆轨迹,目标匹配方式如下:
StepA1、获取各个指定位置节点的数据包,并将其导入预训练的关联匹配模型中;
StepA2、关联匹配模型首先对数据包对应的目标车辆进行锁定处理,并得到目标车辆的特征信息,特征信息包括速度特征和查询特征,锁定处理方式为:
步骤a1、在一个指定位置节点上,将各个数据包内形状信息、颜色信息、车牌信息作为目标车辆的查询特征;
步骤a2、从各个数据包中,提取距离参数、角度参数,并通过三角函数计算出目标车辆距离雷达位置的水平距离;
随后通过两两组合的方式提取两组数据包,并从中获取对应的标准时间节点以及水平距离,然后通过速度计算公式计算出相应的速度参数;
步骤a3、求取对应所有速度参数的平均值,并将其记为速度特征值;
本实施例中,通过并通过三角函数结合距离参数、角度参数计算出目标车辆距离雷达位置的水平距离,可以有效验证并校准雷达感知的速度参数,避免雷达感知数据不准导致速度特征值的误差较大;
步骤a4、随后在一个指定位置节点上的各个数据包中,获取所有标准时间节点,随后对标准时间节点按照时间先后顺序进行排序,之后在其中选取中间值,作为时间特征节点;
步骤四、关联分析
StepB1、依据一个指定位置节点的特征信息,在目标区域的对应其他指定位置节点,获取含有相同查询特征目标车辆的特征信息;
StepB2、在目标区域预设的目标地图上,获取目标区域中的各个相邻指定位置节点之间的地理距离;
随后提取相邻指定位置节点之间的两个速度特征值,并求取两个速度特征值的均值,然后通过速度计算公式计算出预估时间;
在该实施例中,其公式为:
预估时间=地理距离/两个速度特征值的均值;
StepB3、提取相邻指定位置节点中各自的多个时间特征节点,并计算出相邻指定位置节点之间相应两个时间特征节点的时间差;
在该实施例中,相邻指定位置节点中各自含有多个时间特征节点的原因为:在不同时间段,目标车辆多次经过该位置,因此产生多个对应的行驶数据;
StepB4、将预估时间结合预设的补偿时间因子与多个时间差进行比对:
若预估时间+预设的补偿时间因子>时间差,则表示该相邻指定位置节点上的两个行驶数据不对应,并进行下一组比对;
若预估时间+预设的补偿时间因子≤时间差,则表示该相邻指定位置节点上的两个行驶数据对应,并提取该组相邻指定位置节点及其行驶数据;
依此类推,获取在多个相邻指定位置节点中获取比对结果相对应的相邻指定位置节点及其行驶数据,直至相邻指定位置节点上不含有相对应的两个行驶数据为止;
StepB5、之后将获取到的指定位置节点及其行驶数据捆绑为轨迹包;
步骤五、轨迹处理
StepC1、在一个轨迹包中,获取所有指定位置节点内行驶数据对应的时间特征节点;
StepC2、依据时间的先后顺序,对时间特征节点进行排序,并生成时间顺序表;
StepC3、依据时间顺序表,将轨迹包中的各个指定位置节点进行连接,随之得到目标车辆对应的轨迹链,同时将对应的速度特征值和各个相邻指定位置节点之间的地理距离添加在轨迹链上;
实施例二
请参阅图1和图2所示,作为本发明的实施例二,本申请在具体实施时,相较于实施例一,本实施例的技术方案与实施例一的区别仅在于,本实施例中还用于将步骤a3的方式替换为如下方式:
将步骤二得出的速度参数与雷达感知的速度参数通过方差分析方式进行筛选,并筛选出相应的速度参数,接着计算出该速度参数的均值;
具体方式如下:
将对应的所有速度参数标记为Si,i=1、2、……n,表示速度参数的数量为n个;
再将其代入公式,计算速度参数的偏离值P,式中,Sp为参与对应
偏离值计算的对应速度参数的平均值,随后将P与预设的偏离阈值Py进行比较:
若P>Py,则表示该组速度参数的偏离值较大,之后按照|Si-Sp|从大到小的顺序依次删除对应的Si值并对应计算剩余的偏离值P,直至P≤Py,之后获取P≤Py时,参与计算相应P1的Si,并求取对应所有Si的平均值,并将其记为速度特征值;
本实施例通过剔除偏离均值较大的速度参数,可以减少异常值对速度特征值计算的影响,从而提高速度特征值的准确性,使得筛选出的速度参数更加稳定,因为它们更接近整体数据的平均水平,这有助于提高后续分析的可靠性,该方法提供了一种自动化的筛选过程,减少了手动干预的需要,提高了数据处理的效率;总的来说,这种方法使得得到的统计结果更加稳健和可靠,适用于多种数据分析和决策支持场景。
实施例三
作为本发明的实施例三,本申请在具体实施时,相较于实施例一和实施例二,本实施例的技术方案是在于将上述实施例一和实施例二的方案进行组合实施,本实施例的技术方案与实施例一和实施例二的区别仅在于本实施例中还包括以下步骤:
步骤六、数据存储
将得到的车辆轨迹链信息存储于数据库中,以供后期的查询使用;
步骤七、轨迹可视化
将得到的目标车辆的轨迹链在地图上进行可视化展示,便于用户理解和分析;
实施例四
作为本发明的实施例四,本申请在具体实施时,相较于实施例一、实施例二、实施例三,本实施例的技术方案是在于将上述实施例一、实施例二、实施例三的方案进行组合实施;
在该实施例中,本实施例可以应用于多种场景,如高速公路监控、城市交通管理等,用户可根据目标车辆的轨迹链及其上的速度特征值,还可以识别出目标车辆的异常行为,如超速、逆行,并生成相应的报警信息,其中,超速行为可根据速度特征值结合各个相邻指定位置节点之间的地理距离进行分析确定,逆行行为可根据设置在单边形式的雷达和视频摄像头确定。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.基于雷视融合感知的车辆时空轨迹链提取方法,其特征在于,包括以下步骤:
步骤一、在目标区域的指定位置节点中,通过该指定位置节点上的雷达和视频摄像头获取目标车辆的行驶数据;行驶数据包括从雷达中提取目标车辆的距离参数、速度参数、角度参数,以及从视频数据中提取目标车辆的形状信息、颜色信息、车牌信息;
步骤二、依据行驶数据的实时采集时间点,并在其中选定一个时间点作为标准时间节点,将雷达和视频摄像头感知的行驶数据同步,并得到相应的数据包,同步处理方式如下:
首先提取目标车辆的距离参数、速度参数、角度参数、形状信息、颜色信息对应实时采集的时间点;
随后在雷达和视频摄像头感知到有目标经过的时间周期中,选定一个时间点作为标准时间节点,并依据该标准时间节点选定对应时间获得的距离参数、速度参数、角度参数、形状信息、颜色信息、车牌信息,随后将其以及该标准时间节点捆绑为一个数据包;
同理,选定多个时间点作为标准时间节点,并得到对应数量的数据包;
步骤三、通过关联算法将目标区域内多个指定位置节点的行驶数据进行目标匹配,并得到相应的目标车辆的特征信息,特征信息包括查询特征、速度特征值和时间特征节点;
步骤四、查找其他指定位置节点上含有与一个指定位置节点相同查询特征的目标车辆特征信息,并依据预先获取的地理距离和速度特征值计算出预估时间,随后计算出相邻指定位置节点中时间特征节点的时间差,之后将其进行比较,以确定数据匹配结果;
步骤五、提取所有位置节点相关的行驶数据所对应的时间特征节点,根据这些时间特征节点的时间戳,按照时间先后顺序对它们进行排序,根据排序结果,将轨迹包中的指定位置节点按时间顺序连接起来,形成一条连续的轨迹链,同时,将每个节点对应的速度特征值和相邻节点间的地理距离信息整合到该轨迹链中;
步骤六、将得到的车辆轨迹链信息存储于数据库中,同时将得到的目标车辆的轨迹链在地图上进行可视化展示。
2.根据权利要求1所述的基于雷视融合感知的车辆时空轨迹链提取方法,其特征在于,其中,距离参数指代为雷达与目标车辆的距离;
速度参数指代为目标车辆的行驶速度;
角度参数指代为雷达监测到的目标车辆的方位角和俯仰角;
方位角为从雷达设备的水平方向测量到目标的角度,方位角用于帮助雷达确定目标在水平面上相对于雷达的位置;
俯仰角为从雷达设备的垂直方向测量到目标的角度,俯仰角用于帮助雷达确定目标在垂直平面上的位置;
形状信息指代为目标车辆的款式;
颜色信息指代为目标车辆通过视频摄像头所捕获的图像数据来识别出的颜色。
3.根据权利要求1所述的基于雷视融合感知的车辆时空轨迹链提取方法,其特征在于,目标匹配方式如下:
StepA1、获取各个指定位置节点的数据包,并将其导入预训练的关联匹配模型中;
StepA2、关联匹配模型首先对数据包对应的目标车辆进行锁定处理,并得到目标车辆的特征信息,特征信息包括速度特征值、时间特征节点和查询特征。
4.根据权利要求3所述的基于雷视融合感知的车辆时空轨迹链提取方法,其特征在于,锁定处理方式为:
步骤a1、在一个指定位置节点上,将各个数据包内形状信息、颜色信息、车牌信息作为目标车辆的查询特征;
步骤a2、从各个数据包中,提取距离参数、角度参数,并通过三角函数计算出目标车辆距离雷达位置的水平距离;
随后通过两两组合的方式提取两组数据包,并从中获取对应的标准时间节点以及水平距离,然后通过速度计算公式计算出相应的速度参数;
步骤a3、将步骤二得出的速度参数与雷达感知的速度参数通过方差分析方式进行筛选,并筛选出相应的速度参数,接着计算出该速度参数的均值,并将其记为速度特征值;
步骤a4、随后在一个指定位置节点上的各个数据包中,获取所有标准时间节点,随后对标准时间节点按照时间先后顺序进行排序,之后在其中选取中间值,作为时间特征节点。
5.根据权利要求4所述的基于雷视融合感知的车辆时空轨迹链提取方法,其特征在于,通过方差分析方式筛选的方式如下:
将对应的所有速度参数标记为Si,i=1、2、……n,表示速度参数的数量为n个;
再将其代入公式,计算速度参数的偏离值P,式中,Sp为参与对应偏离值计算的对应速度参数的平均值,随后将P与预设的偏离阈值Py进行比较:
若P>Py,则表示该组速度参数的偏离值较大,之后按照|Si-Sp|从大到小的顺序依次删除对应的Si值并对应计算剩余的偏离值P,直至P≤Py,之后获取P≤Py时,参与计算相应P1的Si,并求取对应所有Si的平均值。
6.根据权利要求1所述的基于雷视融合感知的车辆时空轨迹链提取方法,其特征在于,步骤四的具体方式如下:
StepB1、依据一个指定位置节点的特征信息,在目标区域的对应其他指定位置节点,获取含有相同查询特征目标车辆的特征信息;
StepB2、在目标区域预设的目标地图上,获取目标区域中的各个相邻指定位置节点之间的地理距离;
随后提取相邻指定位置节点之间的两个速度特征值,并求取两个速度特征值的均值,然后通过速度计算公式计算出预估时间;
StepB3、提取相邻指定位置节点中各自的多个时间特征节点,并计算出相邻指定位置节点之间相应两个时间特征节点的时间差;
StepB4、将预估时间结合预设的补偿时间因子与多个时间差进行比对:
若预估时间+预设的补偿时间因子≤时间差,则表示该相邻指定位置节点上的两个行驶数据对应,并提取该组相邻指定位置节点及其行驶数据;
依此类推,获取在多个相邻指定位置节点中获取比对结果相对应的相邻指定位置节点及其行驶数据,直至相邻指定位置节点上不含有相对应的两个行驶数据为止;
StepB5、之后将获取到的指定位置节点及其行驶数据捆绑为轨迹包。
7.根据权利要求6所述的基于雷视融合感知的车辆时空轨迹链提取方法,其特征在于,StepB2的公式为:预估时间=地理距离/两个速度特征值的均值。
8.根据权利要求6所述的基于雷视融合感知的车辆时空轨迹链提取方法,其特征在于,在StepB4中,若预估时间+预设的补偿时间因子>时间差,则表示该相邻指定位置节点上的两个行驶数据不对应,并进行下一组比对。
9.根据权利要求1所述的基于雷视融合感知的车辆时空轨迹链提取方法,其特征在于,步骤五的具体处理方式为:
StepC1、在一个轨迹包中,获取所有指定位置节点内行驶数据对应的时间特征节点;
StepC2、依据时间的先后顺序,对时间特征节点进行排序,并生成时间顺序表;
StepC3、依据时间顺序表,将轨迹包中的各个指定位置节点进行连接,随之得到目标车辆对应的轨迹链,同时将对应的速度特征值和各个相邻指定位置节点之间的地理距离添加在轨迹链上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410461772.9A CN118070232B (zh) | 2024-04-17 | 2024-04-17 | 基于雷视融合感知的车辆时空轨迹链提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410461772.9A CN118070232B (zh) | 2024-04-17 | 2024-04-17 | 基于雷视融合感知的车辆时空轨迹链提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118070232A CN118070232A (zh) | 2024-05-24 |
CN118070232B true CN118070232B (zh) | 2024-06-21 |
Family
ID=91109777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410461772.9A Active CN118070232B (zh) | 2024-04-17 | 2024-04-17 | 基于雷视融合感知的车辆时空轨迹链提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118070232B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165654A (zh) * | 2023-02-22 | 2023-05-26 | 江苏恒超智能技术有限公司 | 一种毫米波雷达与视频结合的车辆轨迹监测方法 |
CN116453346A (zh) * | 2023-06-20 | 2023-07-18 | 山东高速信息集团有限公司 | 一种基于雷视融合布设的车路协同方法、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115605777A (zh) * | 2021-03-01 | 2023-01-13 | 杜豫川(Cn) | 一种基于路侧感知单元的动态目标点云快速识别及点云分割方法 |
-
2024
- 2024-04-17 CN CN202410461772.9A patent/CN118070232B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165654A (zh) * | 2023-02-22 | 2023-05-26 | 江苏恒超智能技术有限公司 | 一种毫米波雷达与视频结合的车辆轨迹监测方法 |
CN116453346A (zh) * | 2023-06-20 | 2023-07-18 | 山东高速信息集团有限公司 | 一种基于雷视融合布设的车路协同方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN118070232A (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109059954B (zh) | 支持高精度地图车道线实时融合更新的方法和*** | |
CN110069585B (zh) | 轨迹点数据的处理方法和装置、存储介质及电子装置 | |
CN109615572B (zh) | 基于大数据的人员亲密度分析的方法及*** | |
CN111983935B (zh) | 一种性能评测方法和装置 | |
CN110874362A (zh) | 一种数据关联分析方法及装置 | |
CN109615862A (zh) | 道路车辆交通运动状态参数动态获取方法及装置 | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN114170448A (zh) | 一种视觉感知算法的评测方法及装置 | |
CN110969142B (zh) | 一种基于网联车辆自然驾驶数据的异常驾驶场景提取方法 | |
CN109886724B (zh) | 一种鲁棒性的居民出行轨迹识别方法 | |
CN113065474A (zh) | 行为识别方法、装置及计算机设备 | |
CN109740479A (zh) | 一种车辆重识别方法、装置、设备及可读存储介质 | |
CN115620518B (zh) | 基于深度学习的交叉***通冲突判别方法 | |
CN107527356B (zh) | 一种基于懒交互方式的视频跟踪方法 | |
CN113850237B (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及*** | |
CN113759938B (zh) | 一种无人车路径规划质量测评方法和*** | |
CN111753642A (zh) | 一种确定关键帧的方法及装置 | |
CN118070232B (zh) | 基于雷视融合感知的车辆时空轨迹链提取方法 | |
CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
CN112686226A (zh) | 一种基于网格化管理的大数据管理方法、装置及电子设备 | |
CN113033443A (zh) | 一种基于无人机的行人过街设施全路网自动化排查方法 | |
CN112860821A (zh) | 人车轨迹分析方法及相关产品 | |
CN115131705A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN111090105B (zh) | 一种车载激光雷达点云信号地面点分离方法 | |
CN113837091A (zh) | 识别方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |