CN118155424A - 基于数据交互实现高速公路的道路安全管理方法及*** - Google Patents
基于数据交互实现高速公路的道路安全管理方法及*** Download PDFInfo
- Publication number
- CN118155424A CN118155424A CN202410569747.2A CN202410569747A CN118155424A CN 118155424 A CN118155424 A CN 118155424A CN 202410569747 A CN202410569747 A CN 202410569747A CN 118155424 A CN118155424 A CN 118155424A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- risk
- image
- running
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 77
- 238000007726 management method Methods 0.000 title claims abstract description 55
- 230000033001 locomotion Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 26
- 210000001747 pupil Anatomy 0.000 claims description 44
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000001815 facial effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及远程监控领域,揭露了一种基于数据交互实现高速公路的道路安全管理方法及***,所述方法包括:构建待管理高速公路的数据交互平台,提取行驶车辆的车辆图像和车辆行驶时间,对车辆图像进行细节加强,得到细节车辆图像;提取行驶车辆对应驾驶人员的脸部图像,分析驾驶人员的驾驶疲劳系数;分析行驶车辆的车辆行驶场景,识别车辆行驶场景的行车风险因子,确定行车风险因子的风险因子状态;分析行驶车辆的运动轨迹,计算行驶车辆在车辆行驶场景的风险系数,构建数据交互平台对应高速交互设备的交通控制指令,基于交通控制指令实现待管理高速公路的道路安全管理。本发明可以提高对高速公路的道路安全管理效果。
Description
技术领域
本发明涉及远程监控领域,尤其涉及一种基于数据交互实现高速公路的道路安全管理方法及***。
背景技术
道路安全管理是指通过一系列的策略、措施和技术手段,旨在预防和减少道路交通事故,确保道路使用者的安全,以及维护交通秩序和效率的过程。它涵盖了交通规则的制定和执行、交通设施的设计和维护、交通流量的管理和控制、事故预防与响应、以及交通安全教育等多个方面。
目前道路安全管理主要是通过分析集高速公路的行车数据,对行车事故频发路段设置提醒装置和监测设备来实现,这种方法无法预防车辆行驶过程中的疲劳驾驶、刹车失灵等特殊行车状态,从而使得造成行车风险,导致道路安全管理效果不佳。
发明内容
本发明提供一种基于数据交互实现高速公路的道路安全管理方法及***,其主要目的在于提高对高速公路的道路安全管理效果。
为实现上述目的,本发明提供的一种基于数据交互实现高速公路的道路安全管理方法,包括:
构建待管理高速公路的数据交互平台,基于所述数据交互平台获取待管理高速公路对应行驶车辆的车辆行车数据,基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间,对所述车辆图像进行细节加强,得到细节车辆图像;
基于所述细节车辆图像,提取所述行驶车辆对应驾驶人员的脸部图像,基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数;
基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,识别所述车辆行驶场景的行车风险因子,所述行车风险因子是指影响所述行驶车辆行驶安全的因素,例如环境因素、交通流量、车辆状态、驾驶员行为等因素。基于所述车辆行车数据,确定所述行车风险因子的风险因子状态,所述风险因子状态是指所述行车风险因子的当前状态,例如夜晚行驶、拥堵行驶等状态;
基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数;
基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令,基于所述交通控制指令实现所述待管理高速公路的道路安全管理。
可选地,所述对所述车辆图像进行细节加强,得到细节车辆图像,包括:
对所述车辆图像进行预处理,得到预处理车辆图像;
计算所述预处理车辆图像的像素梯度;
基于所述像素梯度,提取所述车辆图像的图像特征;
基于所述图像特征,对所述车辆图像进行细节加强,得到细节车辆图像。
可选地,所述基于所述图像特征,对所述车辆图像进行细节加强,得到细节车辆图像,包括:
基于所述图像特征,确定所述车辆图像的插值像素位置;
标记所述插值像素位置的邻域四像素;
基于所述邻域四像素,利用下述公式计算所述插值像素位置的插值像素值:
;
其中,表示插值像素位置的插值像素值,/>,/>,/>,表示邻域四像素,/>,/>,/>,/>表示/>,/>,/>,邻域四像素的权重;
基于所述插值像素值,对所述车辆图像进行高分辨率重建,得到所述细节车辆图像。
可选地,所述基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数,包括:
基于所述脸部图像,标记所述驾驶人员的瞳孔位置;
基于所述瞳孔位置,记录所述驾驶人员的瞳孔信息;
基于所述瞳孔信息,分析所述驾驶人员的行车状态;
基于所述行车状态和所述车辆行驶时间,确定所述驾驶人员的驾驶疲劳系数。
可选地,所述基于所述脸部图像,标记所述驾驶人员的瞳孔位置,包括:
对所述脸部图像进行二值化处理,得到二值图像;
对所述二值图像进行边缘检测,得到瞳孔边界;
基于所述瞳孔边界,利用下述公式计算所述驾驶人员的瞳孔位置:
;
其中,表示驾驶人员的瞳孔位置,/>表示瞳孔边界的像素点数量,/>表示瞳孔边界第/>个像素点在/>轴的值,/>表示瞳孔边界第/>个像素点在/>轴的值。
可选地,所述基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,包括:
提取所述车辆行车数据的车辆环境数据;
基于所述车辆环境数据,提取所述行驶车辆的车辆环境特征;
基于所述车辆环境特征,确定所述行驶车辆的车辆行驶场景。
可选地,所述基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,包括:
基于所述车辆行车数据,识别所述行驶车辆的行车特征;
基于所述行车特征,分析所述行驶车辆的行驶状态;
基于所述行驶状态,利用所述车辆轨迹预测模型识别所述行驶车辆的序列行驶状态;
基于所述序列行驶状态,确定所述行驶车辆的运动轨迹。
可选地,所述基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数,包括:
分析所述行车风险因子和所述行驶车辆的风险影响关系;
基于所述风险影响关系,确定所述行车风险因子的风险因子权重;
计算所述运动轨迹的运动风险值;
基于所述驾驶疲劳系数、所述风险因子状态、所述风险因子权重以及所述运动风险值,计算所述行驶车辆在所述车辆行驶场景的风险系数。
可选地,所述基于所述驾驶疲劳系数、所述风险因子状态、所述风险因子权重以及所述运动风险值,计算所述行驶车辆在所述车辆行驶场景的风险系数,包括:
基于所述风险因子状态,确定所述行驶车辆在所述车辆行驶场景的风险因子状态值;
基于所述风险因子状态值、所述驾驶疲劳系数、所述风险因子权重以及所述运动风险值,利用下述公式计算所述行驶车辆在所述车辆行驶场景的风险系数:
;
其中,表示行驶车辆在车辆行驶场景的风险系数,/>表示车辆行驶场景第/>个行车风险因子的风险因子权重,/>表示第/>个行车风险因子的风险因子状态值,/>表示第/>个行车风险因子对其它行车风险因子的影响系数,/>表示行车风险因子的数量,/>表示驾驶疲劳系数,/>表示运动风险值。
为了解决上述问题,本发明还提供一种基于数据交互实现高速公路的道路安全管理***,所述***包括:
行车数据采集模块,用于构建待管理高速公路的数据交互平台,基于所述数据交互平台获取待管理高速公路对应行驶车辆的车辆行车数据,基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间,对所述车辆图像进行细节加强,得到细节车辆图像;
疲劳系数分析模块,用于基于所述细节车辆图像,提取所述行驶车辆对应驾驶人员的脸部图像,基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数;
风险因子分析模块,用于基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,识别所述车辆行驶场景的行车风险因子,所述行车风险因子是指影响所述行驶车辆行驶安全的因素,例如环境因素、交通流量、车辆状态、驾驶员行为等因素。基于所述车辆行车数据,确定所述行车风险因子的风险因子状态,所述风险因子状态是指所述行车风险因子的当前状态,例如夜晚行驶、拥堵行驶等状态;
风险系数计算模块,用于基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数;
道路安全管理模块,用于基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令,基于所述交通控制指令实现所述待管理高速公路的道路安全管理。
本发明实施例基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间可以作为评估行车驾驶员的驾驶状态的依据;本发明实施例通过对所述车辆图像进行细节加强,得到细节车辆图像可以提高图像的质量,从而提高了从图像中提取信息的可靠性;本发明实施例基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数可以作为评估所述驾驶人员是否危险驾驶的依据;进一步地,本发明实施例基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景可以分析所述行驶车辆在当前环境下的行驶可能发生的风险,进一步地,本发明实施例基于所述车辆行驶状态,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹可以实现对行驶车辆的轨迹预测,本发明实施例基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数可以分析所述行驶车辆在当前行驶场景的风险,从而提高了对车辆的安全管理,最后,本发明实施例基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令可以针对性对高速交通进行管理,从而提高了高速车辆管理效果。因此本发明提出的基于数据交互实现高速公路的道路安全管理方法及***,可以提高对高速公路的道路安全管理效果。
附图说明
图1为本发明一实施例提供的基于数据交互实现高速公路的道路安全管理方法的流程示意图;
图2为本发明一实施例提供的基于数据交互实现高速公路的道路安全管理***的功能模块图;
图3为本发明一实施例提供的基于数据交互实现高速公路的道路安全管理***的电子设备的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于数据交互实现高速公路的道路安全管理方法。所述基于数据交互实现高速公路的道路安全管理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于数据交互实现高速公路的道路安全管理方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于数据交互实现高速公路的道路安全管理方法的流程示意图。在本实施例中,所述基于数据交互实现高速公路的道路安全管理方法包括:
S1、构建待管理高速公路的数据交互平台,基于所述数据交互平台获取待管理高速公路对应行驶车辆的车辆行车数据,基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间,对所述车辆图像进行细节加强,得到细节车辆图像。
本发明实施例中,所述数据交互平台是指实现述待管理高速公路数据交互的平台。所述车辆行车数据是指记录和描述车辆在行驶过程中产生的各种信息的集合,所述车辆行车数据包括但不限于:车辆基本信息、车辆行驶状态、车辆位置信息、车辆环境数据、车辆通信数据以及车辆行为数据等数据。
进一步地,本发明实施例基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间可以作为评估行车驾驶员的驾驶状态的依据。其中,所述车辆图像是指所述行驶车辆行车过程摄像探头采集的图像,所述车辆行驶时间是指监测所述行驶车辆的持续行驶时间。
可选地,本发明实施例通过对所述车辆图像进行细节加强,得到细节车辆图像可以提高图像的质量,从而提高了从图像中提取信息的可靠性。其中,所述细节车辆图像是指对所述车辆图像的图像细节进行加强后的图像。
可选地,作为本发明的一个实施例,所述对所述车辆图像进行细节加强,得到细节车辆图像,包括:对所述车辆图像进行预处理,得到预处理车辆图像;计算所述预处理车辆图像的像素梯度;基于所述像素梯度,提取所述车辆图像的图像特征;基于所述图像特征,对所述车辆图像进行细节加强,得到细节车辆图像。
其中,所述预处理车辆图像是指对所述车辆图像进行去噪、裁剪、尺寸调整等操作后的图像,所述像素梯度是指图像处理中用来描述像素点处边缘强度的量度,所述图像特征是指所述车辆图像的特征属性,例如图像的边缘、纹理、梯度等特征。
进一步地,本发明一可选实施例中,所述基于所述图像特征,对所述车辆图像进行细节加强,得到细节车辆图像,包括:基于所述图像特征,确定所述车辆图像的插值像素位置;标记所述插值像素位置的邻域四像素;基于所述邻域四像素,利用下述公式计算所述插值像素位置的插值像素值:
;
其中,表示插值像素位置的插值像素值,/>,/>,/>,表示邻域四像素,/>,/>,/>,/>表示/>,/>,/>,邻域四像素的权重;
基于所述插值像素值,对所述车辆图像进行高分辨率重建,得到所述细节车辆图像。
其中,所述插值像素位置是指通过双线性插值算法确定需要插值的像素位置,这个位置可能是在原始图像的***,也可能是由于放大或缩小而产生的新像素,所述邻域四像素是指在原始图像中查找与插值位置最接近的四个像素,所述邻域四像素的权重是根据插值位置和邻近像素之间的距离计算得到的值。
S2、基于所述细节车辆图像,提取所述行驶车辆对应驾驶人员的脸部图像,基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数。
本发明实施例中,所述脸部图像是指所述行驶车辆对应驾驶人员人脸的图像,详细地,所述提取所述行驶车辆对应驾驶人员的脸部图像可以通过图像分割算法,如基于深度学习的分割模型(如U-Net、PSPNet等)进行提取。
可选地,本发明实施例基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数可以作为评估所述驾驶人员是否危险驾驶的依据。其中,所述驾驶疲劳系数是指所述驾驶人员出现疲脑驾驶的程度,所述驾驶疲劳系数,包括:不疲劳状态、轻度疲劳状态、中度疲劳状态以及高度疲劳状态。
可选地,作为本发明的一个实施例,所述基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数,包括:基于所述脸部图像,标记所述驾驶人员的瞳孔位置;基于所述瞳孔位置,记录所述驾驶人员的瞳孔信息;基于所述瞳孔信息,分析所述驾驶人员的行车状态;基于所述行车状态和所述车辆行驶时间,确定所述驾驶人员的驾驶疲劳系数。
其中,所述瞳孔位置是指所述驾驶人员瞳孔的位置,所述瞳孔信息是指描述所述驾驶人员瞳孔的信息,例如眼睛闭合时间、眼睛睁开时间等信息,所述行车状态是指所述驾驶人员在当前瞳孔状态下行车的状态,例如经常闭眼、长时间闭眼等状态。
进一步地,本发明一可选实施例中,所述基于所述脸部图像,标记所述驾驶人员的瞳孔位置,包括:对所述脸部图像进行二值化处理,得到二值图像;对所述二值图像进行边缘检测,得到瞳孔边界;基于所述瞳孔边界,利用下述公式计算所述驾驶人员的瞳孔位置:
;
其中,表示驾驶人员的瞳孔位置,/>表示瞳孔边界的像素点数量,/>表示瞳孔边界第/>个像素点在/>轴的值,/>表示瞳孔边界第/>个像素点在/>轴的值。
其中,所述二值图像是指所述脸部图像每个像素点只有两种取值的图像,所述瞳孔边界是指眼睛中瞳孔的边缘,即瞳孔内部和外部之间的分界线。
进一步地,本发明一可选实施例中,所述基于所述行车状态和所述车辆行驶时间,确定所述驾驶人员的驾驶疲劳系数可以通过分析所述车辆行驶时间和所述行车状态与所述驾驶人员疲劳程度的时间疲劳关联关系和状态疲劳关联关系;基于所述时间疲劳关联关系和状态疲劳关联关系,确定所述驾驶人员的驾驶疲劳系数。
S3、基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,识别所述车辆行驶场景的行车风险因子,所述行车风险因子是指影响所述行驶车辆行驶安全的因素,例如环境因素、交通流量、车辆状态、驾驶员行为等因素。基于所述车辆行车数据,确定所述行车风险因子的风险因子状态,所述风险因子状态是指所述行车风险因子的当前状态,例如夜晚行驶、拥堵行驶等状态。
本发明实施例基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景可以分析所述行驶车辆在当前环境下的行驶可能发生的风险。其中,所述车辆行驶场景是指所述行驶车辆行驶的环境。例如高速隧道、高速匝道等场景。
作为本发明的一个实施例,所述基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,包括:提取所述车辆行车数据的车辆环境数据;基于所述车辆环境数据,提取所述行驶车辆的车辆环境特征;基于所述车辆环境特征,确定所述行驶车辆的车辆行驶场景。
其中,所述车辆环境数据是指所述车辆行车数据中描述行车环境的数据,所述车辆环境特征是指所述行驶车辆的行驶的环境特征属性,例如天气、光照、道路状况等特征。
本发明实施例中,所述行车风险因子是指影响所述行驶车辆行驶安全的因素,例如环境因素、交通流量、车辆状态、驾驶员行为等因素。所述风险因子状态是指所述行车风险因子的当前状态,例如夜晚行驶、拥堵行驶等状态。
S4、基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数。
本发明实施例基于所述车辆行驶状态,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹可以实现对行驶车辆的轨迹预测。其中,所述运动轨迹是指车辆在空间中的移动路径。
作为本发明的一个实施例,所述基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,包括:基于所述车辆行车数据,识别所述行驶车辆的行车特征;基于所述行车特征,分析所述行驶车辆的行驶状态;基于所述行驶状态,利用所述车辆轨迹预测模型识别所述行驶车辆的序列行驶状态;基于所述序列行驶状态,确定所述行驶车辆的运动轨迹。
其中,所述行车特征是指所述行驶车辆行驶的特征,例如行驶速度、行驶加速度等特征,所述行驶状态是指所述行驶车辆的当前状态,例如稳定行驶、加速行驶等状态,所述序列行驶状态是指所述行驶车辆下一刻的行驶状态。
可选地,本发明实施例基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数可以分析所述行驶车辆在当前行驶场景的风险,从而提高了对车辆的安全管理。其中,所述风险系数是指所述行驶车辆在所述车辆行驶场景行驶产生风险的可能程度。
可选地,作为本发明的一个实施例,所述基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数,包括:分析所述行车风险因子和所述行驶车辆的风险影响关系;基于所述风险影响关系,确定所述行车风险因子的风险因子权重;计算所述运动轨迹的运动风险值;基于所述驾驶疲劳系数、所述风险因子状态、所述风险因子权重以及所述运动风险值,计算所述行驶车辆在所述车辆行驶场景的风险系数。
其中,所述风险影响关系是指所述行车风险因子对所述行驶车辆行驶安全的影响关系,所述风险因子权重是指所述行车风险因子对所述行驶车辆行驶安全的影响程度,影响越大,权重越高,详细地利用统计方法(如回归分析、相关性分析)确定行车风险因子的权重,所述运动风险值是指所述运动轨迹可能存在的风险程度,详细地,所述运动风险值可以通过识别所述运动轨迹中的运动风险项,通过统计方法(如事故发生率)或机器学习模型(如分类器)来评估运动风险项的风险值。
进一步地,本发明一可选实施例中,所述基于所述驾驶疲劳系数、所述风险因子状态、所述风险因子权重以及所述运动风险值,计算所述行驶车辆在所述车辆行驶场景的风险系数,包括:基于所述风险因子状态,确定所述行驶车辆在所述车辆行驶场景的风险因子状态值;基于所述风险因子状态值、所述驾驶疲劳系数、所述风险因子权重以及所述运动风险值,利用下述公式计算所述行驶车辆在所述车辆行驶场景的风险系数:
;
其中,表示行驶车辆在车辆行驶场景的风险系数,/>表示车辆行驶场景第/>个行车风险因子的风险因子权重,/>表示第/>个行车风险因子的风险因子状态值,/>表示第/>个行车风险因子对其它行车风险因子的影响系数,/>表示行车风险因子的数量,/>表示驾驶疲劳系数,/>表示运动风险值。
其中,所述风险因子状态值是指对所述风险因子状态进行量化的值,例如所述行驶车辆在加速行驶状态中的加速度值,所述风险因子状态值可以通过传感器获取,所述影响系数可以使用回归分析方法(如多元线性回归、非线性回归等)来建立行车风险因子之间的回归模型,通过计算回归模型的回归系数来确定。
S5、基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令,基于所述交通控制指令实现所述待管理高速公路的道路安全管理。
本发明实施例基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令可以针对性对高速交通进行管理,从而提高了高速车辆管理效果。其中,所述高速交互设备是指维护高速交通安全的设备例如测速探头、摄像头、展示屏等设备,所述交通控制指令是指根据实时分析结果,动态调整交通信号灯、限速标志等交通控制设施的指令。
本发明实施例基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间可以作为评估行车驾驶员的驾驶状态的依据;本发明实施例通过对所述车辆图像进行细节加强,得到细节车辆图像可以提高图像的质量,从而提高了从图像中提取信息的可靠性;本发明实施例基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数可以作为评估所述驾驶人员是否危险驾驶的依据;进一步地,本发明实施例基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景可以分析所述行驶车辆在当前环境下的行驶可能发生的风险,进一步地,本发明实施例基于所述车辆行驶状态,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹可以实现对行驶车辆的轨迹预测,本发明实施例基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数可以分析所述行驶车辆在当前行驶场景的风险,从而提高了对车辆的安全管理,最后,本发明实施例基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令可以针对性对高速交通进行管理,从而提高了高速车辆管理效果。因此本发明提出的基于数据交互实现高速公路的道路安全管理方法,可以提高对高速公路的道路安全管理效果。
如图2所示,是本发明一实施例提供的基于数据交互实现高速公路的道路安全管理***的功能模块图。
本发明所述基于数据交互实现高速公路的道路安全管理***200可以安装于电子设备中。根据实现的功能,所述基于数据交互实现高速公路的道路安全管理***200可以包括行车数据采集模块201、疲劳系数分析模块202、风险因子分析模块203、风险系数计算模块204及道路安全管理模块205。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述行车数据采集模块201,用于构建待管理高速公路的数据交互平台,基于所述数据交互平台获取待管理高速公路对应行驶车辆的车辆行车数据,基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间,对所述车辆图像进行细节加强,得到细节车辆图像;
所述疲劳系数分析模块202,用于基于所述细节车辆图像,提取所述行驶车辆对应驾驶人员的脸部图像,基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数;
所述风险因子分析模块203,用于基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,识别所述车辆行驶场景的行车风险因子,所述行车风险因子是指影响所述行驶车辆行驶安全的因素,例如环境因素、交通流量、车辆状态、驾驶员行为等因素。基于所述车辆行车数据,确定所述行车风险因子的风险因子状态,所述风险因子状态是指所述行车风险因子的当前状态,例如夜晚行驶、拥堵行驶等状态;
所述风险系数计算模块204,用于基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数;
所述道路安全管理模块205,用于基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令,基于所述交通控制指令实现所述待管理高速公路的道路安全管理。
详细地,本发明实施例中所述基于数据交互实现高速公路的道路安全管理***200中所述的各模块在使用时采用与附图中所述的基于数据交互实现高速公路的道路安全管理方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
本发明一实施例提供了实现基于数据交互实现高速公路的道路安全管理方法的电子设备。
参见图3所示,所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33,还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序,如基于数据交互实现高速公路的道路安全管理方法程序。
其中,所述处理器在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器内的程序或者模块(例如执行基于数据交互实现高速公路的道路安全管理程序等),以及调用存储在所述存储器内的数据,以执行电子设备的各种功能和处理数据。
所述存储器至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于基于数据交互实现高速公路的道路安全管理程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
所述通信接口用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理***与所述至少一个处理器逻辑相连,从而通过电源管理***实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器存储的基于数据交互实现高速公路的道路安全管理程序是多个指令的组合,在所述处理器中运行时,可以实现:
构建待管理高速公路的数据交互平台,基于所述数据交互平台获取待管理高速公路对应行驶车辆的车辆行车数据,基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间,对所述车辆图像进行细节加强,得到细节车辆图像;
基于所述细节车辆图像,提取所述行驶车辆对应驾驶人员的脸部图像,基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数;
基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,识别所述车辆行驶场景的行车风险因子,所述行车风险因子是指影响所述行驶车辆行驶安全的因素,例如环境因素、交通流量、车辆状态、驾驶员行为等因素。基于所述车辆行车数据,确定所述行车风险因子的风险因子状态,所述风险因子状态是指所述行车风险因子的当前状态,例如夜晚行驶、拥堵行驶等状态;
基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数;
基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令,基于所述交通控制指令实现所述待管理高速公路的道路安全管理。
具体地,所述处理器对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或***、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
构建待管理高速公路的数据交互平台,基于所述数据交互平台获取待管理高速公路对应行驶车辆的车辆行车数据,基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间,对所述车辆图像进行细节加强,得到细节车辆图像;
基于所述细节车辆图像,提取所述行驶车辆对应驾驶人员的脸部图像,基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数;
基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,识别所述车辆行驶场景的行车风险因子,所述行车风险因子是指影响所述行驶车辆行驶安全的因素,例如环境因素、交通流量、车辆状态、驾驶员行为等因素。基于所述车辆行车数据,确定所述行车风险因子的风险因子状态,所述风险因子状态是指所述行车风险因子的当前状态,例如夜晚行驶、拥堵行驶等状态;
基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数;
基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令,基于所述交通控制指令实现所述待管理高速公路的道路安全管理。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,***和方法,可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或***也可以由一个单元或***通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于数据交互实现高速公路的道路安全管理方法,其特征在于,所述方法包括:
构建待管理高速公路的数据交互平台,基于所述数据交互平台获取待管理高速公路对应行驶车辆的车辆行车数据,基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间,对所述车辆图像进行细节加强,得到细节车辆图像;
基于所述细节车辆图像,提取所述行驶车辆对应驾驶人员的脸部图像,基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数;
基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,识别所述车辆行驶场景的行车风险因子,所述行车风险因子是指影响所述行驶车辆行驶安全的因素,包括环境因素、交通流量、车辆状态、驾驶员行为因素;基于所述车辆行车数据,确定所述行车风险因子的风险因子状态,所述风险因子状态是指所述行车风险因子的当前状态,包括夜晚行驶、拥堵行驶状态;
基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数;
基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令,基于所述交通控制指令实现所述待管理高速公路的道路安全管理。
2.如权利要求1所述的基于数据交互实现高速公路的道路安全管理方法,其特征在于,所述对所述车辆图像进行细节加强,得到细节车辆图像,包括:
对所述车辆图像进行预处理,得到预处理车辆图像;
计算所述预处理车辆图像的像素梯度;
基于所述像素梯度,提取所述车辆图像的图像特征;
基于所述图像特征,对所述车辆图像进行细节加强,得到细节车辆图像。
3.如权利要求2所述的基于数据交互实现高速公路的道路安全管理方法,其特征在于,所述基于所述图像特征,对所述车辆图像进行细节加强,得到细节车辆图像,包括:
基于所述图像特征,确定所述车辆图像的插值像素位置;
标记所述插值像素位置的邻域四像素;
基于所述邻域四像素,利用下述公式计算所述插值像素位置的插值像素值:
;
其中,表示插值像素位置的插值像素值,/>,/>,/>,表示邻域四像素,/>,/>,/>,/>表示/>,/>,/>,邻域四像素的权重;
基于所述插值像素值,对所述车辆图像进行高分辨率重建,得到所述细节车辆图像。
4.如权利要求1所述的基于数据交互实现高速公路的道路安全管理方法,其特征在于,所述基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数,包括:
基于所述脸部图像,标记所述驾驶人员的瞳孔位置;
基于所述瞳孔位置,记录所述驾驶人员的瞳孔信息;
基于所述瞳孔信息,分析所述驾驶人员的行车状态;
基于所述行车状态和所述车辆行驶时间,确定所述驾驶人员的驾驶疲劳系数。
5.如权利要求4所述的基于数据交互实现高速公路的道路安全管理方法,其特征在于,所述基于所述脸部图像,标记所述驾驶人员的瞳孔位置,包括:
对所述脸部图像进行二值化处理,得到二值图像;
对所述二值图像进行边缘检测,得到瞳孔边界;
基于所述瞳孔边界,利用下述公式计算所述驾驶人员的瞳孔位置:
;
其中,表示驾驶人员的瞳孔位置,/>表示瞳孔边界的像素点数量,/>表示瞳孔边界第/>个像素点在/>轴的值,/>表示瞳孔边界第/>个像素点在/>轴的值。
6.如权利要求1所述的基于数据交互实现高速公路的道路安全管理方法,其特征在于,所述基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,包括:
提取所述车辆行车数据的车辆环境数据;
基于所述车辆环境数据,提取所述行驶车辆的车辆环境特征;
基于所述车辆环境特征,确定所述行驶车辆的车辆行驶场景。
7.如权利要求1所述的基于数据交互实现高速公路的道路安全管理方法,其特征在于,所述基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,包括:
基于所述车辆行车数据,识别所述行驶车辆的行车特征;
基于所述行车特征,分析所述行驶车辆的行驶状态;
基于所述行驶状态,利用所述车辆轨迹预测模型识别所述行驶车辆的序列行驶状态;
基于所述序列行驶状态,确定所述行驶车辆的运动轨迹。
8.如权利要求1所述的基于数据交互实现高速公路的道路安全管理方法,其特征在于,所述基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数,包括:
分析所述行车风险因子和所述行驶车辆的风险影响关系;
基于所述风险影响关系,确定所述行车风险因子的风险因子权重;
计算所述运动轨迹的运动风险值;
基于所述驾驶疲劳系数、所述风险因子状态、所述风险因子权重以及所述运动风险值,计算所述行驶车辆在所述车辆行驶场景的风险系数。
9.如权利要求8所述的基于数据交互实现高速公路的道路安全管理方法,其特征在于,所述基于所述驾驶疲劳系数、所述风险因子状态、所述风险因子权重以及所述运动风险值,计算所述行驶车辆在所述车辆行驶场景的风险系数,包括:
基于所述风险因子状态,确定所述行驶车辆在所述车辆行驶场景的风险因子状态值;
基于所述风险因子状态值、所述驾驶疲劳系数、所述风险因子权重以及所述运动风险值,利用下述公式计算所述行驶车辆在所述车辆行驶场景的风险系数:
;
其中,表示行驶车辆在车辆行驶场景的风险系数,/>表示车辆行驶场景第/>个行车风险因子的风险因子权重,/>表示第/>个行车风险因子的风险因子状态值,/>表示第/>个行车风险因子对其它行车风险因子的影响系数,/>表示行车风险因子的数量,/>表示驾驶疲劳系数,/>表示运动风险值。
10.一种基于数据交互实现高速公路的道路安全管理***,其特征在于,用于执行如权利要求1-9中任意一项所述的基于数据交互实现高速公路的道路安全管理方法,所述***包括:
行车数据采集模块,用于构建待管理高速公路的数据交互平台,基于所述数据交互平台获取待管理高速公路对应行驶车辆的车辆行车数据,基于所述车辆行车数据,提取所述行驶车辆的车辆图像和车辆行驶时间,对所述车辆图像进行细节加强,得到细节车辆图像;
疲劳系数分析模块,用于基于所述细节车辆图像,提取所述行驶车辆对应驾驶人员的脸部图像,基于所述脸部图像和所述车辆行驶时间,分析所述驾驶人员的驾驶疲劳系数;
风险因子分析模块,用于基于所述车辆行车数据,分析所述行驶车辆的车辆行驶场景,识别所述车辆行驶场景的行车风险因子,所述行车风险因子是指影响所述行驶车辆行驶安全的因素,包括环境因素、交通流量、车辆状态、驾驶员行为因素;基于所述车辆行车数据,确定所述行车风险因子的风险因子状态,所述风险因子状态是指所述行车风险因子的当前状态,包括夜晚行驶、拥堵行驶状态;
风险系数计算模块,用于基于所述车辆行车数据,利用训练好的车辆轨迹预测模型分析所述行驶车辆的运动轨迹,基于所述驾驶疲劳系数、所述行车风险因子、所述风险因子状态、以及所述运动轨迹,计算所述行驶车辆在所述车辆行驶场景的风险系数;
道路安全管理模块,用于基于所述风险系数,构建所述数据交互平台对应高速交互设备的交通控制指令,基于所述交通控制指令实现所述待管理高速公路的道路安全管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410569747.2A CN118155424B (zh) | 2024-05-09 | 2024-05-09 | 基于数据交互实现高速公路的道路安全管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410569747.2A CN118155424B (zh) | 2024-05-09 | 2024-05-09 | 基于数据交互实现高速公路的道路安全管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118155424A true CN118155424A (zh) | 2024-06-07 |
CN118155424B CN118155424B (zh) | 2024-07-02 |
Family
ID=91297032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410569747.2A Active CN118155424B (zh) | 2024-05-09 | 2024-05-09 | 基于数据交互实现高速公路的道路安全管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118155424B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008296682A (ja) * | 2007-05-30 | 2008-12-11 | Katsuya Ikuta | 車載危険運転監視装置、危険運転集中監視システム、および、危険運転阻止しシステム |
CN104599443A (zh) * | 2015-01-12 | 2015-05-06 | 江苏省交通规划设计院股份有限公司 | 一种基于信息融合的驾驶行为预警车载终端及其预警方法 |
CN104751634A (zh) * | 2015-04-22 | 2015-07-01 | 贵州大学 | 高速公路隧道行车图像采集信息的综合应用方法 |
US20150360697A1 (en) * | 2014-06-13 | 2015-12-17 | Hyundai Mobis Co., Ltd | System and method for managing dangerous driving index for vehicle |
CN105225509A (zh) * | 2015-10-28 | 2016-01-06 | 努比亚技术有限公司 | 一种道路车辆智能预警方法、装置和移动终端 |
JP2017138725A (ja) * | 2016-02-02 | 2017-08-10 | 富士通株式会社 | 危険判定装置、危険判定方法および危険判定プログラム |
CN111738241A (zh) * | 2020-08-20 | 2020-10-02 | 宁波均联智行科技有限公司 | 基于双摄像头的瞳孔检测方法及装置 |
CN116416756A (zh) * | 2021-12-30 | 2023-07-11 | 丰图科技(深圳)有限公司 | 疲劳驾驶预警方法、装置、设备及计算机可读存储介质 |
CN117173776A (zh) * | 2023-09-28 | 2023-12-05 | 复旦大学 | 一种基于红外摄像的瞳孔数据疲劳检测方法、***及设备 |
CN117437118A (zh) * | 2023-09-28 | 2024-01-23 | 维沃移动通信有限公司 | 图像处理方法、装置及电子设备 |
CN117640995A (zh) * | 2023-11-17 | 2024-03-01 | 中国电影器材有限责任公司 | 一种视频插帧方法、装置、电子设备及存储介质 |
-
2024
- 2024-05-09 CN CN202410569747.2A patent/CN118155424B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008296682A (ja) * | 2007-05-30 | 2008-12-11 | Katsuya Ikuta | 車載危険運転監視装置、危険運転集中監視システム、および、危険運転阻止しシステム |
US20150360697A1 (en) * | 2014-06-13 | 2015-12-17 | Hyundai Mobis Co., Ltd | System and method for managing dangerous driving index for vehicle |
CN104599443A (zh) * | 2015-01-12 | 2015-05-06 | 江苏省交通规划设计院股份有限公司 | 一种基于信息融合的驾驶行为预警车载终端及其预警方法 |
CN104751634A (zh) * | 2015-04-22 | 2015-07-01 | 贵州大学 | 高速公路隧道行车图像采集信息的综合应用方法 |
CN105225509A (zh) * | 2015-10-28 | 2016-01-06 | 努比亚技术有限公司 | 一种道路车辆智能预警方法、装置和移动终端 |
JP2017138725A (ja) * | 2016-02-02 | 2017-08-10 | 富士通株式会社 | 危険判定装置、危険判定方法および危険判定プログラム |
CN111738241A (zh) * | 2020-08-20 | 2020-10-02 | 宁波均联智行科技有限公司 | 基于双摄像头的瞳孔检测方法及装置 |
CN116416756A (zh) * | 2021-12-30 | 2023-07-11 | 丰图科技(深圳)有限公司 | 疲劳驾驶预警方法、装置、设备及计算机可读存储介质 |
CN117173776A (zh) * | 2023-09-28 | 2023-12-05 | 复旦大学 | 一种基于红外摄像的瞳孔数据疲劳检测方法、***及设备 |
CN117437118A (zh) * | 2023-09-28 | 2024-01-23 | 维沃移动通信有限公司 | 图像处理方法、装置及电子设备 |
CN117640995A (zh) * | 2023-11-17 | 2024-03-01 | 中国电影器材有限责任公司 | 一种视频插帧方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
KOÇAR, O等: "A risk assessment model for traffic crashes problem using fuzzy logic: a case study of Zonguldak, Turkey", 《TRANSPORTATION LETTERS-THE INTERNATIONAL JOURNAL OF TRANSPORTATION RESEARCH》, 28 May 2022 (2022-05-28), pages 492 - 502 * |
吴越: "危货车辆驾驶员风险驾驶行为综合评价及轨迹数据时空特征研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 3, 15 March 2022 (2022-03-15), pages 026 - 242 * |
Also Published As
Publication number | Publication date |
---|---|
CN118155424B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN112052850B (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN111770317B (zh) | 用于智慧社区的视频监控方法、装置、设备及介质 | |
CN107529659B (zh) | 安全带佩戴检测方法、装置及电子设备 | |
CN114970705B (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
CN113554008A (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
CN117455762A (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及*** | |
CN117041484B (zh) | 基于物联网的人流密集区域监控方法及*** | |
CN118155424B (zh) | 基于数据交互实现高速公路的道路安全管理方法及*** | |
CN112132037A (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
CN116310985A (zh) | 基于视频流数据的异常数据智能识别方法、装置以及设备 | |
CN113657316B (zh) | 移动交通违章监测方法、***、电子设备及存储介质 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 | |
CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
CN113869269A (zh) | 活动现场拥挤度检测方法、装置、电子设备及存储介质 | |
Aysal et al. | Real-Time Application of Traffic Sign Recognition Algorithm with Deep Learning | |
CN112434601A (zh) | 基于行车视频的车辆违法检测方法、装置、设备及介质 | |
CN111860661A (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
CN116193666B (zh) | 一种led灯控制方法及*** | |
CN112101279B (zh) | 目标物异常检测方法、装置、电子设备及存储介质 | |
CN118135798B (zh) | 基于物联网实现高速公路的车流量实时监控方法及*** |
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 | ||
GR01 | Patent grant |