【技术实现步骤摘要】
本专利技术涉及交通运输。具体涉及一种基于无人机倾斜摄影的公路车辆跟驰模型标定方法。
技术介绍
1、车辆跟驰模型的标定对于交通流研究至关重要，它不仅有助于分析驾驶行为、预测车流状态，还为缓解交通拥堵和减少交通隐患提供了重要基础。由于实地实验和观测成本高昂，以及实测数据受限，构建和标定换道模型需要的投入较大。同时部分数据采集场景需要在无设备安装条件的区域内展开，这限制了对道路中车流相关信息大规模，高精度的提取过程。
技术实现思路
1、本专利技术在于，提供一种基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其能够克服跟驰模型标定过程中所需数据采集困难以及成本较高的问题。
2、本专利技术的实施例是这样实现的：
3、第一方面，本实施例提供一种基于无人机倾斜摄影的公路车辆跟驰模型标定方法，所述方法包括以下步骤：
4、s1、规划摄影测量航线信息，并进行航拍得到无人机航拍信息；其中，摄影测量航线信息包括划定的摄影测量区域的边界点、拍摄高度以及拍摄云台俯仰角度；
5、s2、利用所述无人机航拍信息使用软件建立标定区域环境空间三维模型；
6、s3、确定车流航拍摄影点位，并使无人机在车流航拍摄影点位拍摄车流视频；拍摄一定时长的车流视频数据并记录拍摄帧率fps，总帧数f以及时长tz，其中时长tz单位为秒(s)；
7、s4、对所述车流视频进行处理，赋予每台被检测车辆固定id；
8、s5、在所述环境空间三维模型中选择多个明显的标记
9、s6、依据所述拍摄车流视频中明显标记物确定与所述环境空间三维模型中的检测线一一对应的参照线mi,mi+1,…,mi+n,记录每个车辆先后通过各检测线mi,mi+1,…,mi+n,的帧为fp,fp+1,…,fp+n；
10、s7、结合所述参照线与所述检测线的位置关系在环境空间三维模型获取的xp,xp+1,…,xp+n，计算每辆车的行驶速度vi(j)和对应车辆的加速度ai(j)，并通过遍历计算各个测量区间得到单车vi(j)在总测量区间内的车速变化；
11、s8、对步骤s7得到的数据进行处理，挑选出处于跟驰行为的两辆车的行为数据集；
12、s9、依据所述行为数据集，对根跟驰模型中需要标定的参数进行标定。在可选的实施方式中，步骤s7中计算每辆车的行驶速度vi(j)和对应车辆的加速度ai(j)的计算公式如下：
13、
14、
15、其中，j的取值区间为[0,n-1]内的整数，vi(j)表征车辆在第j区间内的车速，i为车辆计数值取值为正整数，vi(j)由n段区间的区间平均车速构成，j的取值区间为[0,n]内的整数,f表征视频的总帧数，tz为拍摄总时长。
16、在可选的实施方式中，步骤s8包括以下子步骤：
17、确定拍摄区域内后车与前车始终处于同一车道，且前后两车车头时距在预设时间内，则确认前后两车跟驰状态，并将该两车的数据整理为一个行为数据集。
18、在可选的实施方式中，确定所述前后两车车头时距在预设时间内的步骤包括：
19、前车车速为vi,后车车速为vi+1,此时以后车为基础，后车最近通过的检测线lj的帧为fi+1(j)，查询前车通过lj检测线的帧为fn，故可计算得到两车车头时距：
20、
21、后车最近通过的lj检测线的位置为xi+1(j)，前车最近通过的lj+k检测线的位置为xi(j+k)，前车通过该lj检测线的帧为fi(j+k)，故可计算得到前车通过xi(j+k)后到后车通过的l检测线xi+1(j)的时间差：
22、
23、其中，tz表征所述车辆视频的时长，单位为秒(s)。
24、在可选的实施方式中，所述跟驰模型的形式为：
25、
26、其中，a最大加速度，b期望减速度，v0允许车速，vn(t)目标车辆车速，vn-1(t)目标车辆前车车速，xn(t)目标车辆位置，xn-1(t)目标车辆前车位置，s0静止安全距离，t安全时间间隔。
27、在可选的实施方式中，由步骤s7中计算得到的前车通过lj+k检测线时后车速为vi(j+k)，加速度为ai(j+k)；
28、计算得到后车通过的lj检测线时两车车头间距为：
29、
30、在可选的实施方式中，步骤s2的步骤包括：
31、在所述无人机航拍信息中挑选清晰，拍摄高度接近的合格图像，通过图像重叠部分建立连接点，划分建模区域网格，结合无人机所拍摄图片的高度，经度与纬度信息计算空中三角量，使用软件建立标定区域空间三维模型。
32、在可选的实施方式中，所述跟驰行为的类型包括大型车辆跟驰大型车辆、小型车辆跟驰小型车辆、大型车辆跟驰小型车辆以及小型车辆跟驰大型车辆；
33、所述挑选出处于跟驰行为的两辆车的行为数据集的步骤包括：
34、依据不同的所述跟驰行为的类型进行数据分类得到四组与跟驰行为的类型对应的跟驰行为数据集。
35、在可选的实施方式中，所述方法还包括：
36、s10、分别对四种跟驰状态的跟驰行为数据集使用平方百分比误差作为目标函数来判断标定模型的好坏，得到不同车辆跟驰状态下的跟驰模型；
37、其中，评价函数为：
38、
39、式中：ss为模型所计算出的车头间距，sz为实际测量出的车头间距。
40、第二方面，本申请还提供一种存储介质，包括处理器和储存器、所述存储器上储存有可在处理器上运行的计算程序，其特征在于，计算程序能够运行并实现上述人一可选的实施方式所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法。
41、本专利技术提供的一种基于无人机倾斜摄影的公路车辆跟驰模型标定方法，具有以下有益效果：
42、本申请通过利用无人机航拍信息使用软件建立标定区域环境空间三维模型。这样便于在后续步骤中建立检测线区域的搭建，航拍摄影测量所达得到的模型能够准确知道视频数据中各l检测线的准确距离，结合视频帧率信息计算间接得到车辆速度，加速度等信息，通过不同车辆在单一等长区域的平均车速进行积分可得到两车的车头间距信息，为智能驾驶员跟驰模型的标定提供原始数据。且无人机数据采集方便准确提高了后续车辆跟车距离、跟车车速以及跟车加速度的采集精度，降低了交通流数据采集的难度，所得出的实测数据能用于研究车辆跟驰行为、预测车流状态，为降低交通拥堵率、减少交通隐患提供可靠的数据支撑和便利方法。与现有技术相比，本申请所用方法对采集区域地形及基础设施要求少，环境适应能力强，极大地方便了车辆跟驰模型的仿真研究与实际应用。
本文档来自技高网...【技术保护点】
1.一种基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，步骤S7中计算每辆车的行驶速度Vi(j)和对应车辆的加速度ai(j)的计算公式如下：
3.根据权利要求1所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，步骤S8包括以下子步骤：
4.根据权利要求3所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，确定所述前后两车车头时距在预设时间内的步骤包括：
5.根据权利要求4所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，
6.根据权利要求1-5中任一项所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，
7.根据权利要求1-5中任一项所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，
8.根据权利要求1-5中任一项所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，所述跟驰行为的类型包括大型车辆跟驰大型车辆
9.根据权利要求8所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，所述方法还包括：
10.一种存储介质，包括处理器和储存器、所述存储器上储存有可在处理器上运行的计算程序，其特征在于，计算程序能够运行并实现权利要求1-9中任意一项所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法。
...【技术特征摘要】
1.一种基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，步骤s7中计算每辆车的行驶速度vi(j)和对应车辆的加速度ai(j)的计算公式如下：
3.根据权利要求1所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，步骤s8包括以下子步骤：
4.根据权利要求3所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，确定所述前后两车车头时距在预设时间内的步骤包括：
5.根据权利要求4所述的基于无人机倾斜摄影的公路车辆跟驰模型标定方法，其特征在于，
6.根据权利要求1-5中任一项所述的基于无人机倾斜摄...
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。