【技术实现步骤摘要】
基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统
[0001]本专利技术专利涉及高速公路复杂场景下车辆信息感知及风险识别领域,尤其涉及基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统。
技术介绍
[0002]目前,高速公路风险管理系统主要是对车速进行监测,受限于道路、环境、设备因素的影响,同时由于风险监测类型较为单一,在实际风险管理中存在监测遗漏、失效等现象,给交通安全管理带来了隐患,不能满足当下复杂场景下车辆风险监测的需求。
技术实现思路
[0003]本专利技术所要解决的技术问题在于,提供基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统,在风险行为监测方面,系统增加了风险行为识别的监测类型,包括常发性车辆异常行为(超速、低速、逆行、违停、跨车道)和偶发性车辆异常行为(轨迹异常),在复杂条件下通过对视频和激光雷达的信息融合提高了风险行为识别精度,同时系统能够实现风险车辆追踪以及风险行为区域统计功能,以提升高速公路通行能力和交通安全管理水平,提高交通智能化发展水平和运营管理水平。
[0004]针对现有的高速公路风险监测系统存在的问题,本专利技术提出了基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统。包括:路侧激光雷达、视频感知器及高清抓拍相机融合的雷视融合车辆信息感知层、车辆全息识别与风险行为辨识的边缘计算层、云端中心处理服务器层和应用软件层;路侧激光雷达、视频感知器及高清抓拍相机融合的雷视融合车辆信息感知层包括路侧激光雷达、视频感知器及高清抓拍相机、专用数据传输 ...
【技术保护点】
【技术特征摘要】
1.基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统,其特征在于,包括:路侧激光雷达、视频感知器及高清抓拍相机融合的雷视融合车辆信息感知层、车辆全息识别与风险行为辨识的边缘计算层、云端中心处理服务器层和应用软件层;所述路侧激光雷达、视频感知器及高清抓拍相机融合的雷视融合车辆信息感知层包括激光雷达、高清视频相机、高清抓拍相机和专用数据传输设备;所述车辆全息识别与风险行为辨识的边缘计算层包括每个门架对应的边缘计算服务器;所述云端中心处理服务器层包括云端中心运算服务器;所述应用软件层包括边缘计算服务器应用软件和云端中心运算服务器应用软件。2.如权利要求1所述的基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统,其特征在于,系统具体执行过程如下:当车辆通过门架附近,激光雷达与高清视频相机分别获取通过车辆的三维信息和二维信息;激光雷达作为主传感器采集通过车辆的轮廓尺寸以及车型信息,同时触发高清视频相机获取车辆号牌、品牌、类型和颜色组成的全息信息,两类信息在计算服务器中实现匹配;如果通过的车辆存在风险行为,则会驱动对应车道上的抓拍相机进行拍摄,获取车辆的风险行为图像并传输至边缘计算服务器,对指定车辆进行全息信息感知,获取其全息数据,将获取的所有结构化数据包括三维车辆感知数据、轨迹数据、全息感知数据及风险行为识别数据合并上传到云端中心运算服务器,云端中心运算服务器通过对多个节点的边缘计算服务器进行协同控制,根据各点边缘计算服务器上传的包含三维车辆感知数据、轨迹数据、全息感知数据及风险行为识别数据组成的结构化数据,实现智慧协同、融合运算、全路段风险行为区域统计分析及全路段风险车辆追踪。3.如权利要求1所述的基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统,其特征在于,边缘计算服务器的系统硬件组成主要包括边缘计算服务器、数据保存装置、高分辨率车辆点云、视频及图像采集设备、通信设备、能源及安全保障设备;边缘计算服务器于每个节点处配置一台,安装在节点适当位置;边缘计算服务器配置有高性能CPU和GPU,以满足包括点云感知处理与轨迹追踪、视频感知处理、图像全息感知及雷视数据融合在内的多种模型对服务器算力的要求;数据保存装置包括安装在机架式服务器或者机柜内的存储硬盘;激光雷达和视频感知器组成雷视融合子系统设备,安装在门架的一侧;高分辨率车辆点云、视频及图像采集设备布置在门架处,每车道、每方向布置一台高分辨率车辆点云、视频及图像采集设备,对通过门架的车辆的车脸、车辆侧面两个方向的车辆图像信息依次进行采集;通信设备指各边缘计算服务器之间、以及边缘计算服务器同云端中心运算服务器之间实现信息交换所依仗的信息通信协议、通信硬件与通信设施设备;能源及安全保障设备包括边缘计算服务器系统的全天候供电装置、系统运行监控传感器系统、机架及机柜内温湿度监测系统、故障诊断及告警设备。4.如权利要求2所述的基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统,其特征在于,所述边缘计算服务器边接收来自前端信息感知设备推送的三维点云数据和二维图像数据,其中二维图像数据包括视频和图片;针对激光雷达的点云数据,利用PointNet
‑
based Fusion算法对原始点云信息进行预处理,以便实现不同的模块功能;通过包含PointPillars和SECOND的多种Voxel
‑
based目标检测将覆盖区域内全车道的3D点云数据转化为满足不同功能的车辆感知数据,包括覆盖区域内所有被感知车辆的位移、尺寸、位置以及具有唯一性的ID编码;根据提取的感知数据,通过Center
‑
based系列目标检测追踪模型实现基于三维点云图像的高精度车辆轨迹追踪,其中Center
‑
based系列包括
CenterNet、CenterTrack、CenterPoint;对于采集的视频数据,调用基于Deep
‑
SORT MOT的视频车辆高精度轨迹追踪模型,完成公路场景的视频车辆高精度轨迹追踪并输出结构化数据;利用深度学习网络融合算法,完成Center
‑
based系列三维高精度轨迹追踪模型和Deep
‑
SORT视频轨迹追踪模型的深度融合,实现雷视融合的车辆高精度车辆轨迹追踪;根据雷视融合的车辆数据信息,利用深度学习车辆异常行为检测算法,最终实现复杂公路场景下多源数据深度融合的车辆风险行为识别;针对被车辆风险行为识别检测出的存在风险的行为及其对应车辆,将驱动对应车道上的抓拍相机在特定位置进行抓拍,获取其高清图片;调用车辆全息感知模块,获取其车辆全息感知数据;最终将获取的所有结构化数据包括三维车辆感知数据、轨迹数据、全息感知数据及风险行为识别数据合并上传到云端中心运算服务器中。5.如权利要求2所述的基于雷视多源数据深度融合的车辆全息感知及风险行为识别系统,其特征在于,判断被感知车辆是否存在风险行为具体如下:若车辆不存在风险行为,则将无风险行为车辆的感知信息数据直接传输至应用软件平台进行保存及展示;若车辆存在风...
【专利技术属性】
技术研发人员:赵池航,解兴鹏,李旋,石鑫,薛善光,苏子钧,吴宇航,马欣怡,
申请(专利权)人:河北交通职业技术学院,
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。