一种高速公路雷视融合数据处理方法技术

本发明专利技术目的是：克服雷达轨迹数据存在的问题，利用雷视融合技术对雷达轨迹数据进行降噪处理。为了达到上述目的，本发明专利技术的技术方案是提供了一种高速公路雷视融合数据处理方法，其特征在于，包括：获取高速公路雷视轨迹数据；视频轨迹数据矩阵的坐标转换；基于轨迹相似性进行数据融合。本发明专利技术使用雷视融合技术对雷达轨迹数据进行降噪，提升雷达感知数据精度，并减少对视频验证辅助的依赖，可用于高速公路车辆目标追踪、高精度交通流数字孪生、短时交通预测等研究。测等研究。测等研究。

【技术实现步骤摘要】
一种高速公路雷视融合数据处理方法


[0001]本专利技术涉及一种高速公路雷视融合数据处理方法，属于雷、视融合数据处理方法


技术介绍

[0002]随着高速公路运营数字化的转型及智慧高速公路建设发展，对交通感知数据的诉求越来越高。再加上高精度数字孪生等场景应用，对感知的精度和实时性也提出了较高要求。先进的感知设备和检测技术成为高速公路改扩建和新建智慧高速的优先选择。但是目前已有的感知设备和检测技术均存在各自的局限性，例如：视频不支持全天候，雷达存在漏点和遮挡的固有检测缺陷。高精度的感知数据成为开展系统各项智慧化应用的前提，是后续分析评估、数字孪生的基础，感知数据的质量直接影响高速公路运营数字化转型的是否能够有效实施。

技术实现思路

[0003]本专利技术目的是：克服雷达轨迹数据存在的问题，利用雷视融合技术对雷达轨迹数据进行降噪处理。
[0004]为了达到上述目的，本专利技术的技术方案是提供了一种高速公路雷视融合数据处理方法，其特征在于，包括以下步骤：
[0005]步骤1、周期性获取高速公路雷视轨迹数据，该高速公路雷视轨迹数据包括雷达轨迹数据以及视频轨迹数据，其中：雷达轨迹数据包括时间戳t、目标ID、轨迹x坐标、轨迹y坐标、车辆行驶速度V、所处车道l，基于同一个目标ID形成雷达轨迹数据矩阵R
ID
；视频轨迹数据包括时间戳t、目标ID、轨迹图像u坐标、轨迹图像v坐标、车辆行驶速度V、所处车道l，基于同一个目标ID形成视频轨迹数据矩阵C
ID
；/>[0006]步骤2、根据高速公路雷视轨迹数据中的时间戳判断当前时刻是否为夜间，若否，则转至步骤3，若是，则转至步骤7；
[0007]步骤3、对高速公路雷视轨迹数据进行预处理，剔除无效数据，对缺失数据进行填充；
[0008]步骤4、采用雷达传感器以及视频传感器采样周期的最小公倍数作为系统的采样周期来实现雷达轨迹数据与视频轨迹数据的时间融合；
[0009]步骤5、将视频轨迹数据矩阵C
ID
中的轨迹图像坐标(u，v)转换成世界坐标(x
w
，y
w
)，映射关系如下式所示：
[0010][0011]式中，Z为比例因子，H为单应矩阵；
[0012]再将视频世界坐标(x
w
，y
w
)与雷达世界坐标(x，y)匹配，对应关系如下式所示：
[0013][0014]式中，Kx、Ky为比例因子，θ为平面角，(e
x
，e
y
)为误差，(Δx，Δy)为视频世界坐标与对应雷达世界坐标之间的横纵距离；
[0015]最终获得的轨迹图像坐标转换至雷达世界坐标下的视频轨迹数据矩阵C
ID
；
[0016]步骤6、基于轨迹相似性进行数据融合，包括如下步骤：
[0017]步骤601、通过计算同一断面相同时间段内雷视轨迹数据的豪斯多夫距离H(R
ID
，C
ID
)度量轨迹相似性，计算公式如下：
[0018]H(R
ID
，C
ID
)＝max(h(R
ID
，C
ID
)，h(C
ID
，R
ID
))
[0019][0020][0021]式中，a
i
为雷达轨迹数据矩阵R
ID
除去时间戳后的行向量；b
j
为视频轨迹数据矩阵C
ID
除去时间戳后的行向量；h(R
ID
，C
ID
)为R
ID
中的每个行向量a
i
到离此行向量最近的C
ID
中行向量b
j
的最大值；h(C
ID
，R
ID
)为C
ID
中的每个行向量b
j
到离此行向量最近的R
ID
中行向量a
i
的最大值；
[0022]步骤602、将k取为同一断面相同时间段内雷视轨迹数据中最小目标ID数量，计算公式为：
[0023]k＝min(m，n)
[0024]式中，m为雷达轨迹数据目标ID数量；n为视频轨迹数据目标ID数量；
[0025]步骤603、将同一断面相同时间段内豪斯多夫距离从小到大排列，获取前k个豪斯多夫距离对应的雷视轨迹数据目标ID，获得融合后的雷视轨迹数据；
[0026]步骤7、仅对雷达轨迹数据进行预处理，剔除无效数据，对缺失数据进行填充后，进行时间转换，确保雷达传感器与视频传感器的采样周期相同；
[0027]步骤8、将雷达轨迹数据输入二分类支持向量机模型，判断雷达轨迹数据是否异常，仅保留正常的雷达轨迹数据。
[0028]优选地，步骤1中，所述雷达轨迹数据矩阵R
ID
表示为：
[0029][0030]式中，t1，t2，...，t
m
表示目标ID的m个采样时刻，x1，x2，...，x
m
以及y1，y2，...，y
n
表示目标ID在m个采样时刻轨迹坐标，V1，V2，...，V
m
表示目标ID在m个采样时刻的速度，l1，l2，...，l
m
表示目标ID在m个采样时刻所处的车道。
[0031]优选地，步骤1中，所述视频轨迹数据矩阵C
ID
表示为：
[0032][0033]式中，u1，u2，...，u
m
以及v1，v2，...，v
m
表示目标ID在m个采样时刻的轨迹图像坐标。
[0034]优选地，步骤3及步骤7中，基于下式判断无效数据：
[0035]X
t
＜μ
‑
3σor X
t
＞μ+3σ
[0036]式中，X
t
为t时刻的高速公路雷视轨迹数据或雷达轨迹数据，μ为数据平均值，σ为数据标准差
[0037]优选地，步骤8中，所述二分类支持向量机模型采用以下方法构建、训练：
[0038]步骤801、提取历史白天雷达轨迹数据，基于步骤3至步骤6判断每条雷达轨迹数据是融合的轨迹数据还是未融合的轨迹数据；
[0039]步骤802、为每个雷达轨迹数据设置对应的轨迹数据类别，则雷达轨迹数据X
i
所对应的轨迹数据类别为Y
i
：若雷达轨迹数据X
i
为融合的轨迹数据，则雷达轨迹数据X
i
为正常轨迹数据，Y
i
＝1；若雷达轨迹数据X
i
为未融合的轨迹数据，则雷达轨迹数据X
i
为异常轨迹数据，Y
i
＝
‑
1；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速公路雷视融合数据处理方法，其特征在于，包括以下步骤：步骤1、周期性获取高速公路雷视轨迹数据，该高速公路雷视轨迹数据包括雷达轨迹数据以及视频轨迹数据，其中：雷达轨迹数据包括时间戳t、目标ID、轨迹x坐标、轨迹y坐标、车辆行驶速度V、所处车道l，基于同一个目标ID形成雷达轨迹数据矩阵R
ID
；视频轨迹数据包括时间戳t、目标ID、轨迹图像u坐标、轨迹图像v坐标、车辆行驶速度V、所处车道l，基于同一个目标ID形成视频轨迹数据矩阵C
ID
；步骤2、根据高速公路雷视轨迹数据中的时间戳判断当前时刻是否为夜间，若否，则转至步骤3，若是，则转至步骤7；步骤3、对高速公路雷视轨迹数据进行预处理，剔除无效数据，对缺失数据进行填充；步骤4、采用雷达传感器以及视频传感器采样周期的最小公倍数作为系统的采样周期来实现雷达轨迹数据与视频轨迹数据的时间融合；步骤5、将视频轨迹数据矩阵C
ID
中的轨迹图像坐标(u，v)转换成世界坐标(x
w
，y
w
)，映射关系如下式所示：式中，Z为比例因子，H为单应矩阵；再将视频世界坐标(x
w
，y
w
)与雷达世界坐标(x，y)匹配，对应关系如下式所示：式中，Kx、Ky为比例因子，θ为平面角，(e
x
，e
y
)为误差，(Δx，Δy)为视频世界坐标与对应雷达世界坐标之间的横纵距离；最终获得的轨迹图像坐标转换至雷达世界坐标下的视频轨迹数据矩阵C
ID
；步骤6、基于轨迹相似性进行数据融合，包括如下步骤：步骤601、通过计算同一断面相同时间段内雷视轨迹数据的豪斯多夫距离H(R
ID
，C
ID
)度量轨迹相似性，计算公式如下：H(R
ID
，C
ID
)＝max(h(R
ID
，C
ID
)，h(C
ID
，R
ID
))))式中，a
i
为雷达轨迹数据矩阵R
ID
除去时间戳后的行向量；b
j
为视频轨迹数据矩阵C
ID
除去时间戳后的行向量；h(R
ID
，C
ID
)为R
ID
中的每个行向量a
i
到离此行向量最近的C
ID
中行向量b
j
的最大值；h(C
ID
，R
ID
)为C
ID
中的每个行向量b
j
到离此行向量最近的R
ID
中行向量a
i
的最大值；步骤602、将k取为同一断面相同时间段内雷视轨迹数据中最小目标ID数量，计算公式为：k＝min(m，n)式中，m为雷达轨迹数据目标ID数量；n为视频轨迹数据目标ID数量；
步骤603、将同一断面相同时间段内豪斯多夫距离从小到大排列，获取前k个豪斯多夫距离对应的雷视轨迹数据目标ID，获得融合后的雷视轨迹数据；步骤7、仅对雷达轨迹数据进行预处理，剔除无效数据，对缺失数据进行填充后，进行时间转换，确保雷达传感器与视频传感器的采样周期相同；步骤8、将雷达轨迹数据输入二分类支持向量机模型，判断雷达轨迹数据是否异常，仅保留正常的雷达轨迹数据。2.如...

【专利技术属性】
技术研发人员：严敏，周伟健，赵子恒，陈嘉豪，
申请(专利权)人：上海电科智能系统股份有限公司，
类型：发明
国别省市：