用于检测地理位置中的异常交通事件的系统、设备和方法技术方案

公开了一种用于检测地理位置中的异常交通事件的方法（525）。该方法包括基于地理位置中的交通环境来实时确定交通对象。交通环境包括车辆交通和行人交通。该方法还包括通过跟踪地理位置中的交通对象来确定交通活动。交通活动包括与交通对象实时相关联的多个对象轨迹，所述多个对象轨迹包括位置、定位和对象边界。该方法进一步包括通过确定交通活动中的一个或多个异常对象轨迹来检测地理位置中的异常交通事件（525）。

【技术实现步骤摘要】
【国外来华专利技术】用于检测地理位置中的异常交通事件的系统、设备和方法
技术介绍
随着车辆数量中的增加，针对异常（诸如，事故和交通违规（violation））来监测道路已经成为一项艰巨的任务。在混乱的交通场景中，标识异常可能是具有挑战性的，这是因为它需要准确地将异常分类为事故或违规或仅仅是正常的混乱交通流。使用集中式交通控制系统来存储和处理大量交通数据。这种集中式交通控制系统依赖于人类干预。此外，如在US20160284214中公开的，可以在个体车辆上执行异常交通事件检测。该文档描述了一种用于报告异常行驶事件的行驶报告器系统。行驶报告器系统包括电子数据传感器，该电子数据传感器安装在车辆上并且被配置成获得关于位于车辆的预定距离内的对象的实时数据。这种决策支持系统被限制于车辆的附近。为了确定异常交通事件，地理位置可能是繁琐且昂贵的，这是因为必须向地理位置中的车辆提供该决策支持系统。鉴于上述情况，存在对于准确地标识并减轻地理位置中的异常交通事件的影响的需要。因此，本专利技术的目的是提供一种用于有效地检测实时交通流中的异常交通事件的方法、设备和系统。
技术实现思路
根据本专利技术的方法、设备和系统通过跟踪地理位置的交通环境中的交通对象来确定交通活动从而实现上述目的。因此，通过确定交通活动中的异常对象轨迹来检测地理位置中的异常交通事件。如本文中所使用的，“交通环境”指示针对要在其中管理交通流的地理位置的车辆交通和行人交通。因此，交通环境包括地理位置的坐标、以及与针对地理位置的天气、空气质量、时间、日期、经调度事件和未调度事件相关联的数据。术语“地理位置”包括多个交叉路口，并且因此交通环境还包括与每个交叉路口相关联的信息，诸如车道封闭或道路维护。此外，“交叉路口”意指具有有人操纵（manned）或无人操纵（unmanned）的交通信号杆（trafficsignal-post）的交通交叉路口点，该交通信号杆用于管理交叉路口处的交通流。每个交叉路口还包括一个或多个车道，其交通流由交通标志杆（trafficsign-post）来管理。根据本专利技术，提供了一种用于检测地理位置中的异常交通事件的计算机实现的方法。该方法包括：基于地理位置中的交通环境来实时确定交通对象。在实时捕获到交通环境之后，确定交通环境中的交通对象。如本文中所使用的，“交通对象”包括车辆类型、车辆占用（occupancy）和行人类型。例如，交通对象包括但不限于：汽车、自行车、踏板车、三轮车、公共汽车、公共运输车辆、救护车、用于残障人士的车辆。此外，交通对象包括行人类型，诸如老年人行人、肢体伤残的行人、视力障碍的行人、儿童行人和动物。根据本专利技术的一方面，由捕获设备（诸如，相机、接近传感器、空气质量传感器等）在多个捕获节点处捕获交通对象。捕获设备可以被放置在捕获节点处，该捕获节点诸如车道、路灯、无人驾驶飞机（drone）、交叉路口处的交通标志杆、街道广告牌（hoarding）。根据本专利技术的另一方面，捕获与交通环境相关联的交通图像。对交通图像进行处理以基于预定的标识模型、通过卷积层、池化层和激活层的组合来标识交通图像中的特征。如本文中所使用的，“特征”指代交通对象的特征，诸如车轮数量、交通对象的大小等。对交通图像的特征标识分析被用于确定与交通图像中的交通对象相关联的特征。此外，“预定的标识模型”指代在预定的交通对象集合上使用神经网络而生成的训练模型。利用新类型的交通对象来更新预定的标识模型。由于交通对象标识是通过首先标识交通对象的特征来完成的。因此，该方法是有利的，这是因为交通对象标识基于所标识的特征，并且独立于交通环境中的车辆位置、相对车辆接近度和行人位置。在一实施例中，预定的标识模型是使用生成式对抗网络（GAN）或深度卷积生成式对抗网络（DCGAN）而生成的未经训练的模型。GAN/DCGAN尝试同时学习交通图像和交通对象的联合概率。GAN/DCGAN模型是有利的，这是因为即使在没有标识参数时，也会映射交通图像的基础结构。当在交叉路口处捕获新的车辆类型时，这是合期望的。在另一个实施例中，该方法包括：使交通图像通过神经网络的多个层，其中该多个层包括卷积层和池化层。在一实施例中，交通图像被表示为3维像素阵列，该像素阵列具有针对每个参数（诸如颜色、高度、宽度）的强度。使用max函数通过卷积层和池化层来对该3维阵列进行变换。max函数用于汇总针对跨卷积层的空间区域的最大值。该方法包括：通过跟踪地理位置中的交通对象来确定交通活动，其中交通活动包括多个对象轨迹，该多个对象轨迹包括与交通对象实时相关联的位置、定位和对象边界。如本文中所使用的，“交通活动”指代交通对象的交通对象轨迹，诸如与交通对象实时相关联的位置、定位和边界。通过确定交通对象轨迹来执行对交通活动的确定。因此，本专利技术的一方面包括：通过在交通图像中检测与交通对象相关联的对象坐标来确定对象轨迹。该方法包括从对象坐标确定对象边界。此外，通过基于对象边界跟踪地理位置中的交通对象来确定对象轨迹和交通活动。根据本专利技术的另一方面，通过维持跟踪列表来确定交通活动。在交通图像中检测交通对象以及与交通对象相关联的交通对象坐标。对交通对象坐标进行插值，并且以预定间隔来跟踪交通对象。此外，更新具有交通对象和对象轨迹的跟踪列表。根据本专利技术的又一方面，通过根据交通对象对像素进行标记来生成针对交通图像中的像素的像素标记。例如，可以将像素标记为汽车引擎盖或两轮车的车轮。基于经插值的交通对象坐标和像素标记中的一个来将对象边界确定为交通对象边界。维持具有异常交通对象和异常交通对象轨迹的跟踪列表。该方法进一步包括：通过确定交通活动中的异常对象轨迹来检测地理位置中的异常交通事件。因此，该方法包括实时标识异常交通对象和异常对象轨迹。如本文中所使用的，“异常对象”或“异常交通对象”指代有可能引起异常交通事件的交通对象。术语“异常交通事件”指代如根据交通法规和历史交通环境的对于交通环境不正常的事件。例如，异常交通事件包括事故或违规。如本文中所使用的，基于异常交通对象的历史坐标和当前坐标来检测“异常交通对象”轨迹。在一实施例中，以与检测对象轨迹的方式类似的方式来检测异常对象轨迹，即，基于像素标记的边界之间的相互作用、以及交通对象的对象边界框的边界之间的相互作用来检测异常对象轨迹。在另一个实施例中，通过分析来自历史交通环境的非异常对象轨迹来确定异常交通对象。此外，确定交通环境中的对象轨迹的重构（reconstruction）误差。在一实施例中，在非事故轨迹上训练自动编码器网络。在操作期间，自动编码器网络用于通过观察重构误差来进行异常现象检测。如本文中所使用的，“自动编码器网络”指代用于以无监督方式来学习数据表示的神经网络。自动编码器网络由输入层、编码器网络、解码器网络和输出层组成。利用反向传播对自动编码器网络进行训练，以最小化重构误差，重构误差是输出（即，实时对象轨迹）与输入（即，非异常对象轨迹）之间的差异。重构误差用于实时检测异常对象轨迹。当对象轨迹中的重构误差超过预定阈值时，则异常对本文档来自技高网...

【技术保护点】
1.一种用于检测地理位置中的异常交通事件（525）的方法，所述方法包括：/n基于地理位置中的交通环境来实时确定交通对象，其中交通环境包括车辆交通和行人交通；/n通过跟踪地理位置中的交通对象来确定交通活动，其中交通活动包括多个对象轨迹，所述多个对象轨迹包括与交通对象实时相关联的位置、定位和对象边界；以及/n通过确定交通活动中的一个或多个异常对象轨迹来检测地理位置中的异常交通事件（525）。/n

【技术特征摘要】
【国外来华专利技术】1.一种用于检测地理位置中的异常交通事件（525）的方法，所述方法包括：
基于地理位置中的交通环境来实时确定交通对象，其中交通环境包括车辆交通和行人交通；
通过跟踪地理位置中的交通对象来确定交通活动，其中交通活动包括多个对象轨迹，所述多个对象轨迹包括与交通对象实时相关联的位置、定位和对象边界；以及
通过确定交通活动中的一个或多个异常对象轨迹来检测地理位置中的异常交通事件（525）。


2.根据权利要求1所述的方法，进一步包括：
在地理位置中的多个捕获节点处实时捕获交通环境；以及
确定交通环境中的交通对象，其中交通对象包括道路、道路类型、道路状况、车辆类型、车辆占用和行人类型。


3.根据权利要求2所述的方法，其中确定交通环境中的交通对象包括：
捕获与交通环境相关联的交通图像（530）；
基于预定的标识模型、通过卷积层、池化层和激活层的组合来标识交通图像（530）中的特征；以及
基于所标识的特征、独立于车辆位置、相对车辆接近度和行人位置来识别交通对象。


4.根据权利要求3所述的方法，进一步包括：
利用与交通图像中的交通对象的对象坐标、宽度和高度相关联的对象边界框来训练预定的标识模型。


5.根据权利要求1所述的方法，其中通过跟踪地理位置中的交通对象来确定交通活动包括：
在交通环境的交通图像中检测与交通对象相关联的对象坐标；
从对象坐标来确定对象边界；以及
通过基于对象边界跟踪地理位置中的交通对象来确定交通活动。


6.根据权利要求5所述的方法，其中从对象坐标来确定对象边界包括：
对对象坐标进行插值以便以预定间隔来跟踪交通对象；
针对与交通环境相关联的交通图像（530）中的像素来生成像素标记，其中像素标记是通过根据交通对象来对像素进行标记而生成的；以及
基于经插值的对象坐标和像素标记中的一个来确定对象边界。


7.根据权利要求1所述的方法，其中通过从交通活动确定一个或多个异常对象轨迹来检测地理位置中的异常交通事件（525）包括：
实时标识一个或多个异常交通对象（535a），其中异常交通对象（535a）潜在地引起异常交通事件；
检测与异常交通对象相关联的一个或多个异常对象轨迹，其中基于异常交通对象的历史坐标和当前坐标来检测异常对象轨迹；以及
基于异常对象轨迹来检测地理位置中的异常交通事件（525）。


8.根据权利要求7所述的方法，进一步包括：
更新具有异常交通对象（535a）和异常对象轨迹的跟踪列表，其中跟踪列表包括地理位置中的交通对象的交通活动，
其中更新具有异常交通对象（535a）和异常对象轨迹的跟踪列表包括：
检测跨一个或多个捕获节点的异常交通对象（535a）的唯一标识；其中通过匹配与跨捕获节点的异常交通对象（535a）相关联的一个或多个标识特征来确定异常交通对象（535a）的唯一标识。


9.根据权利要求7所述的方法，其中实时检测与一个或多个异常交通对象（535a）相关联的一个或多个异常对象轨迹包括：
基于与交通环境相关联的交通图像（530）中的像素的像素标记的边界之间的相互作用来检测异常对象轨迹，其中像素标记是通过根据交通对象对来像素进行标记而生成的；以及
基于交通对象的对象边界框的边界之间的相互作用来检测异常对象轨迹，其中对象边界框由交通对象的对象坐标、宽度和高度来表示。


10.根据权利要求7所述的方法，其中实时检测与一个或多个异常交通对象（535a）相关联的一个或多个异常对象轨迹包括：
从历史交通环境来生成一个或多个非异常对象轨迹；
确定交通环境中的对象轨迹中的重构误差；以及
当对象轨迹中的重构误差超过预定阈值时，实时检测与异常交通对象（535a）相关联的异常对象轨迹，其中使用基于奖励的优化模型从历史交通环境来自主地学习预定阈值。


11.根据权利要求1所述的方法，包括：
通过将异常交通事件分类为交通违规、交通事故和其两者来确定事件的类型；
基于预先训练的严重性估计模型来确定异常交通事件的伤亡的严重性，
其中预先训练的严重性模型基于事件对象的数量、与事件对象相关联的事件轨迹、以及事件对象的类型，
其中事件对象包括与异常交通事件相关联的交通对象，所述交通对象包括一个或多个异常交通对象，其中事件轨迹包括事件对象的历史对象轨迹；以及
基于事件的类型和伤亡的严重性来启动与至少一个缓解机构的通信。


12.一种用于检测地理位置中...

【专利技术属性】
技术研发人员：V·拉文德兰，V·苏哈卡兰，A·索拉吉普斯，C·耶施万斯，
申请(专利权)人：西门子交通有限责任公司，
类型：发明
国别省市：德国;DE