本发明专利技术属于智能车路协同领域，具体涉及一种基于车路协同的检测违章变道的系统和方法,包括以下步骤：构建检测违章用的神经网络模型,模型输入为连续的多帧图像，包括两阶段推理，第一阶段中，模型对每一帧图像进行目标检测，第二阶段中，模型进行车辆目标的关联和跟踪，输出每个车辆目标的跟踪ID和关联的轨迹信息；训练检测违章所用到神经网络模型；将路测采集到的待检测的图像数据送入训练好的所述神经网络模型，获得连续的多帧图像中的检测违章相关信息，以及每个车辆的轨迹信息，并根据这些信息判断车辆是否有违章行为，识别后将违章车辆数据上传到云端。充分利用智能网联汽车的感知能力和闲置资源，进而能够提高道路的交通安全性。
【技术实现步骤摘要】
本专利技术属于智能车路协同领域，具体涉及一种基于车路协同的检测违章变道的系统和方法。
技术介绍
1、在现代社会中，道路交通违章行为的增加和交通事故的频发已经成为一个严重的社会问题。其中，违章变道行为是导致交通事故的主要原因之一。传统的违章变道检测方法和流程主要依赖于交通摄像头和监控设备，但其存在一些局限性，例如没有一个完整的体系用于全面检测车辆的违章变道，另外路侧的摄像头由于视角问题，有时候无法获取清晰的违章车辆车牌信息，无法全面覆盖道路上的违章变道行为。
2、另一方面，道路中的智能网联汽车有许多闲置的计算资源无处使用，车路协同技术也为利用这些资源提供了基础。车路协同是指车辆和道路基础设施之间的信息交互和协同工作。通过车辆上搭载的传感器和与道路基础设施的通信，车辆能够获取道路环境的信息，而道路基础设施也可以向车辆提供实时的路况和导航信息。
3、因此，亟需一种利用智能网联汽车的闲置计算资源准确检测和有效处罚违章变道行为的方法和系统。
技术实现思路
1、本专利技术的目的在于利用智能网联汽车和路侧智能设备，以及车路协同融合感知，实现一套完整的违章变道检测机制，充分利用智能网联汽车的感知能力和闲置资源，进而能够提高道路的交通安全性，并且能够节省出一部分人力资源支出。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于车路协同的检测违章变道的方法，包括以下步骤：
4、s1按照以下策略构建检测违章用的神经网络模型：
5、模型输入为连续的多帧图像，包括两阶段推理，第一阶段中，模型对每一帧图像进行目标检测，所述目标包括车辆、道路中线和车辆车牌；
6、以及得到检测违章相关信息，所述检测违章相关信息包括车辆检测框中心坐标、车辆的正反朝向、车道线的点集合、车道线的类型以及车辆是否含有车牌；
7、第二阶段中，模型对第一阶段检测到的连续帧的车辆检测框和该检测框的特征向量作为输入，进行车辆目标的关联和跟踪，输出每个车辆目标的跟踪id和关联的轨迹信息；
8、s2利用路测采集到的图像数据初始化训练检测违章所用到神经网络模型；
9、s3将路测采集到的待检测的图像数据送入训练好的所述神经网络模型，获得连续的多帧图像中的检测违章相关信息，以及每个车辆的轨迹信息，并根据这些信息判断车辆是否有违章行为，包括车辆压中心实线或中心双实线、逆行、超速以及违章超车；
10、s4:当有车辆被判定为违章且含有车牌时，对检测出违章车辆的车牌图像进行车牌号的识别；
11、当有车辆被判定为违章且未含有车牌时，将该车辆的检测图像帧以及神经网络模型给出的标注信息传输给附近其他车辆，通知附近其他车辆对该车辆进行重识别；附近车辆使用车辆重识别算法找到违章车辆，执行目标检测，检测出违章车辆的车牌图像并回传，再对回传的车牌图像进行车牌号的识别；
12、识别后将违章车辆数据上传到云端。
13、进一步的，所述车道线的类型包括中心实线、中心双实线、两侧车道实线、车行道分界线。
14、进一步的，步骤3中，设定车道线为直线，所在坐标系为图坐标系，将车道线的点集合使用最小二乘法拟合成直线，可以得到车道线的斜率，以及一个既在车道线点集里也在车道线上的一个坐标，称为车道线坐标，判断车辆是否有违章行为包括如下步骤：
15、步骤31使用以下算法来判断是否有车辆压中心实线或中心双实线：
16、设目标检测出的车辆检测框的中心坐标为(vx1,vy1),(vx2,vy2),…,(vxn,vyn)，中心实线和中心双实线的坐标和斜率分别为(lx1,ly1),…,(lxm,lym)和k1,k2…,ko；
17、根据中心实线和中心双实线的坐标(lxi,lyi)和斜率ki，可以得到车道实线的方程：
18、y＝ki*(x-lxi)+lyi
19、将每辆车辆的检测框中心坐标(vxi,vyi)和中心实线或中心双实线，两两对应，计算车辆中心点到实线的最短距离：
20、首先，将车辆中心点的坐标(vxi,vyi)代入实线方程，得到该点在实线上的投影坐标(pxi,pyi)：
21、pxi＝(ki*(ki*vxi-ki*lxi+vyi-lyi))/(1+ki2)
22、pyi＝ki*(pxi-lxi)+lyi
23、然后，计算车辆中心点到实线的距离d：
24、d＝sqrt((pxi-vxi)2+(pyi-vyi)2)，
25、如果最短距离d小于设定的阈值，则判断车辆压实线；
26、步骤32使用以下算法进行判断判断车辆是否处于逆行状态：
27、设目标检测出的车辆检测框的中心坐标为(vx1,vy1),(vx2,vy2),…,(vxn,vyn)，车辆的行驶方向分别是vf1,...,vfn，正向和逆向车道之间的中心实线的坐标和斜率分别为(lxc,lyc)和kc,车辆行驶方向vf1,...,vfn∈[-1,1]，即车辆行驶方向只有两种情况，斜向也判断成靠近的直行方向，中心实线的两侧车辆行驶方向相反，假设中心实线上侧车道的正确行驶方向为1，下侧车道的正确行驶方向为-1，则可以通过以下计算判断车辆是否逆行：
28、对于每个车辆坐标(vxi,vyi),计算中心实线方程的值:
29、lvaluei＝(vy-lyc)-kc*(vx-lxc)，
30、若，lvaluei>0，则车辆(vxi,vyi)在中心实线的上侧，lvaluei<0，则车辆(vxi,vyi)在中心实线的下侧，lvaluei＝0，则车辆(vxi,vyi)在中心实线上；
31、若lvaluei*vfi>0，则代表车辆没有逆行，lvaluei*vfi<0，代表车辆逆行；
32、步骤32使用以下算法判断车辆是否超速：
33、首先由目标跟踪得到一系列车辆编号，分别为v1,v2,…,vn，设目标检测出的车辆检测框的中心坐标为(vx1,vy1),(vx2,vy2),…,(vxn,vyn)，车辆vi的连续帧的坐标表示为设道路限速为vmax，则可以得到以下公式计算车辆速度：
34、计算车辆vi在两帧之间的位移：
35、
36、车辆vi在两帧之间的时间间隔为δt，由此可以计算出车辆vi的速度vi为：
37、
38、最后判断车辆vi的速度vi是否大于限速vmax，大于的话就判断为超速；
39、步骤34使用以下算法判断是否车辆违章超车：
40、首先由目标跟踪得到一系列车辆编号，分别为v1,v2,…,vn，设目标检测出的车辆检测框的中心坐标为(vx1,vy1),(vx2,vy2),…,(vxn,vyn)，此处以同向双车道为案例，只是为了便于理解，并非不能将此技术运用在其他类型的车道上。两侧车道实线的坐标和本文档来自技高网
...
【技术保护点】
1.一种基于车路协同的检测违章变道的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述车道线的类型包括中心实线、中心双实线、两侧车道实线、车行道分界线。
3.根据权利要求1所述的方法，其特征在于，步骤3中，设定车道线为直线，所在坐标系为图坐标系，将车道线的点集合使用最小二乘法拟合成直线，可以得到车道线的斜率，以及一个既在车道线点集里也在车道线上的一个坐标，称为车道线坐标，判断车辆是否有违章行为包括如下步骤：
4.根据权利要求1所述的方法，其特征在于，第一阶段的推理采用Yolov5模型。
5.根据权利要求4所述的方法，其特征在于，第二阶段的推理采用DeepSORT模型。
6.根据权利要求1所述的方法，其特征在于，步骤S4中，违章车辆图像帧及标注信息的传输以及给附近其他车辆回传车牌部分图像均采用PC5协议。
7.根据权利要求1所述的方法，其特征在于，步骤S4中，附近其他车辆Yolov5+DeepSORT算法进行车辆重识别寻找违章车辆。
8.一种基于车路协同的检测违章变道的系统，其特征在于，包括路侧智能摄像杆，其上设有依次电性连接的摄像单元、RSU和路侧通信单元，所述RSU能通过路侧通信单元与车辆上的OBU进行V2I通信；该系统通过执行如权利要求1-7中任意所述的方法步骤检测车辆的违章变道。
9.根据权利要求8所述的系统，其特征在于，所述摄像单元为枪式摄像机。
...
【技术特征摘要】
1.一种基于车路协同的检测违章变道的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述车道线的类型包括中心实线、中心双实线、两侧车道实线、车行道分界线。
3.根据权利要求1所述的方法，其特征在于，步骤3中，设定车道线为直线，所在坐标系为图坐标系，将车道线的点集合使用最小二乘法拟合成直线，可以得到车道线的斜率，以及一个既在车道线点集里也在车道线上的一个坐标，称为车道线坐标，判断车辆是否有违章行为包括如下步骤：
4.根据权利要求1所述的方法，其特征在于，第一阶段的推理采用yolov5模型。
5.根据权利要求4所述的方法，其特征在于，第二阶段的推理采用deepsort模型...
【专利技术属性】
技术研发人员：卓钊，刘凯，李荣振，程通通，李楚照，
申请(专利权)人：重庆大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。