System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及交通控制,具体是指一种基于深度学习的违章检测交通控制方法及系统。
技术介绍
1、基于深度学习的违章检测交通控制方法是一种利用深度学习技术对交通场景进行分析和识别,以实现对交通违章行为的自动检测和控制的方法,其主要作用是提高交通管理的效率和安全性,减少交通违法行为对交通秩序和公共安全的影响,可以提高交通管理的智能化水平,实现对交通违法行为的快速、准确的识别和处理,从而维护交通秩序、提升道路安全,并有效减少交通事故的发生率。
2、但是,在已有的违章检测交通控制方法中,存在着违章检测往往独立于交通控制辅助系统之外,主要作为单独的功能模块存在,不能和其他智能驾驶辅助功能有效结合的技术问题;在已有的违章检测交通控制方法中,存在着现有的违章检测方法,单纯使用经典的卡尔曼滤波方法在处理高维数据和非线性系统时的性能较差,导致违章检测的准确性有待提高的技术问题;在已有的违章检测交通控制方法中,存在着已有的交通控制方法在多种功能存在的情况下,功能间的协调性有待提高的技术问题。
技术实现思路
1、针对上述情况,为克服现有技术的缺陷,本专利技术提供了一种基于深度学习的违章检测交通控制方法及系统,针对在已有的违章检测交通控制方法中,存在着违章检测往往独立于交通控制辅助系统之外,主要作为单独的功能模块存在,不能和其他智能驾驶辅助功能有效结合的技术问题,本方案创造性地构建包括违章检测在内的七种智能驾驶辅助功能,并通过为每个功能设置单独的激活条件,进行智能辅助控制和智能信息提醒,提高了交
2、本专利技术采取的技术方案如下:本专利技术提供的一种基于深度学习的违章检测交通控制方法,该方法包括以下步骤:
3、步骤s1:车辆智能辅助控制坐标系构建;
4、步骤s2:智能辅助功能选择;
5、步骤s3:智能辅助功能建构;
6、步骤s4:智能辅助功能激活;
7、步骤s5:智能辅助功能优先级设置;
8、步骤s6:智能辅助功能集成;
9、步骤s7:车辆违章检测智能交通控制。
10、进一步地,在步骤s1中,所述车辆智能辅助控制坐标系构建,用于构建车辆智能辅助控制所需的车辆场景坐标系,具体为构建得到车辆智能交互坐标系;
11、所述车辆智能交互坐标系,具体包括一个智能辅助控制车辆本体和一个周围车辆实体;
12、所述智能辅助控制车辆本体和周围车辆实体,通过计算机视觉技术共享运动状态,所述运动状态,具体包括速度、加速度、航向角和几何中心。
13、进一步地,在步骤s2中,所述智能辅助功能选择,用于定义可用的智能辅助功能,并从智能辅助功能中选择具体使用的违章检测交通控制项,具体为通过定义违章检测交通控制备选功能项,进行智能辅助功能选择,并依据所述违章检测交通控制备选功能项,进行后续的智能辅助功能建构、激活、优先级设置、集成和违章检测智能交通控制;
14、所述违章检测交通控制备选功能项,具体包括碰撞警示功能、变道警示功能、弯道超速警示功能、紧急事件通知功能、违章检测警示功能、交通疏导功能和实时信息提醒功能。
15、进一步地,在步骤s3中,所述智能辅助功能建构,用于依据智能辅助功能选择的功能项,进行智能辅助功能基本建构,具体依据所述违章检测交通控制备选功能项,进行智能辅助功能建构,得到智能辅助功能项目集,包括以下步骤:
16、步骤s31:碰撞警示功能建构,具体为构建碰撞事件指标集,所述碰撞事件指标集,用于作为判别是否会发生碰撞,包括追尾碰撞指标、前向碰撞指标和侧向碰撞指标,所述构建碰撞事件指标集,包括以下步骤:
17、步骤s311:构建追尾碰撞指标,计算公式为:
18、;
19、式中,ttcy1是追尾碰撞指标,用于判定追尾碰撞发生的条件,yo是智能辅助控制车辆本体n的几何中心on到垂直坐标轴y的投影,ls是周围车辆实体s的车辆长度参数,ws是周围车辆实体s的车辆宽度参数,是所述智能辅助控制车辆本体n和所述周围车辆实体s的夹角参数,ln是智能辅助控制车辆本体n的车辆长度参数,是周围车辆实体s的车辆速度向量参数,是智能辅助控制车辆本体n的车辆速度向量参数,|·|是取模运算符;
20、步骤s312:构建侧向碰撞指标,计算公式为:
21、;
22、式中,ttcj是侧向碰撞指标,用于判定侧向碰撞发生的条件,xo是智能辅助控制车辆本体n的几何中心on到水平坐标轴x的投影,wn是智能辅助控制车辆本体n的车辆宽度参数;
23、步骤s313:构建前向碰撞指标,计算公式为:
24、;
25、式中,ttcy2是前向碰撞指标,用于判定追尾碰撞发生的条件;
26、步骤s32:变道警示功能建构,具体为构建变道事件指标,用于作为判别变道潜在风险的条件,所述构建变道事件指标的计算公式为:
27、;
28、式中,ttcy3是变道事件指标;
29、步骤s33:弯道超速警示功能建构,具体为构建弯道超速事件指标,用于作为判别弯道超速潜在风险的条件,所述构建弯道超速事件指标的计算公式为:
30、;
31、式中,vcst是弯曲道路上临界侧滑速度和临界侧翻速度之间的最小值,用于作为判别弯道超速潜在风险的条件,是弯曲道路上的临界侧滑速度,是弯曲道路上的临界d侧翻速度,|·|是取模运算符;
32、步骤s34:紧急事件通知功能建构,具体为通过卫星导航系统,收集道路设施和交通环境数据,进行紧急事件和特殊事件通知功能构建;
33、步骤s35:违章检测警示功能建构,具体为采用深度学习方法进行计算机视觉违章检测模型构建,并通过所述违章检测模型进行违章检测,包括以下步骤:
34、步骤s351:数据采集,具体为从十字路口摄像图像记录中,通过采集得到违章检测原始数据;
35、步骤s352:数据预处理,具体为对所述违章检测原始数据进行图像去噪和对比度增强操作,得到违章检测优化数据;
36、步骤s353:深度学习目标检测及特征提取,具体为采用yolov8模型对所述违章检测优化数据进行目标检测,得到车辆目标数据,并通过构建卷积神经网络对所述违章检测优化数据进行特征提取,得到违章特征数据;
37、步本文档来自技高网...
【技术保护点】
1.一种基于深度学习的违章检测交通控制方法,其特征在于:该方法包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的违章检测交通控制方法,其特征在于:在步骤S1中,所述车辆智能辅助控制坐标系构建,用于构建车辆智能辅助控制所需的车辆场景坐标系,具体为构建得到车辆智能交互坐标系;
3.根据权利要求2所述的一种基于深度学习的违章检测交通控制方法,其特征在于:在步骤S2中,所述智能辅助功能选择,用于定义可用的智能辅助功能,并从智能辅助功能中选择具体使用的违章检测交通控制项,具体为通过定义违章检测交通控制备选功能项,进行智能辅助功能选择,并依据所述违章检测交通控制备选功能项,进行后续的智能辅助功能建构、激活、优先级设置、集成和违章检测智能交通控制;
4.根据权利要求3所述的一种基于深度学习的违章检测交通控制方法,其特征在于:步骤S31:碰撞警示功能建构中,具体为构建碰撞事件指标集,所述碰撞事件指标集,用于作为判别是否会发生碰撞,包括追尾碰撞指标、前向碰撞指标和侧向碰撞指标,所述构建碰撞事件指标集,包括以下步骤:
5.根据权利要求4所述的一
6.根据权利要求5所述的一种基于深度学习的违章检测交通控制方法,其特征在于:在步骤S4中,所述智能辅助功能激活,用于激活智能辅助功能,具体为依据激活条件对所述违章检测交通控制备选功能项中的功能进行激活,得到智能功能激活信息,包括以下步骤:
7.根据权利要求6所述的一种基于深度学习的违章检测交通控制方法,其特征在于:在步骤S5中,所述智能辅助功能优先级设置,用于将智能辅助功能进行分类和优先级分配,具体为将所述违章检测交通控制备选功能项分类,得到智能辅助功能信息类别,并依据所述智能辅助功能信息类别的分类顺序,进行智能辅助控制和智能信息提醒;
8.一种基于深度学习的违章检测交通控制系统,用于实现如权利要求1-7中任一项所述的一种基于深度学习的违章检测交通控制方法,其特征在于:车辆智能辅助控制坐标系构建模块、智能辅助功能选择模块、智能辅助功能建构模块、智能辅助功能激活模块、智能辅助功能优先级设置模块、智能辅助功能集成模块和车辆违章检测智能交通控制模块。
9.根据权利要求8所述的一种基于深度学习的违章检测交通控制系统,其特征在于:所述车辆智能辅助控制坐标系构建模块,用于车辆智能辅助控制坐标系构建,通过车辆智能辅助控制坐标系构建,得到车辆智能交互坐标系,所述车辆智能交互坐标系,用于智能辅助功能建构和选择;
...【技术特征摘要】
1.一种基于深度学习的违章检测交通控制方法,其特征在于:该方法包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的违章检测交通控制方法,其特征在于:在步骤s1中,所述车辆智能辅助控制坐标系构建,用于构建车辆智能辅助控制所需的车辆场景坐标系,具体为构建得到车辆智能交互坐标系;
3.根据权利要求2所述的一种基于深度学习的违章检测交通控制方法,其特征在于:在步骤s2中,所述智能辅助功能选择,用于定义可用的智能辅助功能,并从智能辅助功能中选择具体使用的违章检测交通控制项,具体为通过定义违章检测交通控制备选功能项,进行智能辅助功能选择,并依据所述违章检测交通控制备选功能项,进行后续的智能辅助功能建构、激活、优先级设置、集成和违章检测智能交通控制;
4.根据权利要求3所述的一种基于深度学习的违章检测交通控制方法,其特征在于:步骤s31:碰撞警示功能建构中,具体为构建碰撞事件指标集,所述碰撞事件指标集,用于作为判别是否会发生碰撞,包括追尾碰撞指标、前向碰撞指标和侧向碰撞指标,所述构建碰撞事件指标集,包括以下步骤:
5.根据权利要求4所述的一种基于深度学习的违章检测交通控制方法,其特征在于:在步骤s35:违章检测警示功能建构中,具体为采用深度学习方法进行计算机视觉违章检测模型构建,并通过所述违章检测模型进行违章检测,包...
【专利技术属性】
技术研发人员:黄伟达,院旺,陈烧泉,
申请(专利权)人:杭州智科通智能科技有限公司,
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。