1.本发明涉及路侧数据分析技术领域,具体涉及一种基于网联车的路侧数据交通分析方法及装置
。
背景技术:2.交通信息感知是交通信息基础设施的重要功能之一,为交通态势预测
、
信号控制等交通应用场景提供必要的数据和决策支持
。
目前常见的交通信息态势感知手段主要有地磁线圈
、
雷达
、
视频
、
红外等,但这些单一的交通信息感知设备一般缺乏全面的信息感知和高精度
。
路侧传感器具有广泛的探测范围,且还配备强大的边缘计算能力
。
随着
5g
通信技术的出现,通过高带宽
、
低时延的特性大幅提高信息传输速率,使得智能网联车辆在视觉范围之外实时提供路侧感知信息成为可能
。
3.现有技术中,只是通过路侧毫米波雷达和摄像机,获取交叉口附近车辆的运动轨迹数据,但是获取的数据的精度不能满足实际需求
。
而前在道路上运行的网联车普及率较低,以及车辆到路侧基础设施(
vehicle-to-infrastructure, v2i
)通信的部署有限,现有大量研究基于不同网联车渗透率建立交通状态估计模型,如冲击波模型
、
车辆运动学模型等,来估计车辆到达信息
。
然而,任何估计模型都存在误差,从而导致交叉口的通行数据精度较低
。
4.因此,急需提出一种基于网联车的路侧数据交通分析方法及装置,解决现有技术中路侧毫米波雷达
、
摄像机和网联车的估计模型,都无法得到满足精度的交叉口的通行信息的技术问题
。
技术实现要素:5.有鉴于此,有必要提供一种基于网联车的路侧数据交通分析方法及装置,用以解决现有技术中路侧毫米波雷达
、
摄像机和网联车的估计模型,都无法得到满足精度的交叉口的通行信息的技术问题
。
6.一方面,本发明提供了一种基于网联车的路侧数据交通分析方法,包括:获取定点观测的摄像头的视频数据
、
毫米波雷达点云数据和网联车轨迹数据,建立交通流状态估计模型;在对所述视频数据
、
所述毫米波雷达点云数据和所述网联车轨迹数据进行时间和空间的同步之后,对所述视频数据和所述毫米波雷达点云数据进行融合,并输入至所述交通流状态估计模型,得到第一交通流状态特征参数;对所述视频数据
、
所述毫米波雷达点云数据和所述网联车轨迹数据进行融合,并输入至所述交通流状态估计模型,得到第二交通流状态特征参数;根据所述第一交通流状态特征参数和所述第二交通流状态特征参数对预设自适应信号控制框架输入的预设个数特征参数进行控制,得到每个特征参数对应的通行效率
。
7.在一些可能的实现方式中,所述获取定点观测的摄像头的视频数据
、
毫米波雷达
点云数据和网联车轨迹数据,建立交通流状态估计模型之后,所述方法还包括:根据张正友标定法确定所述摄像头拍摄的多个角度的棋盘格,并标定所述摄像头的内参和外参;根据所述多个角度的棋盘格
、
所述内参和所述外参,将所述视频数据中的世界坐标系转换至像素坐标系,得到像素视频数据
。
8.在一些可能的实现方式中,所述获取定点观测的摄像头的视频数据
、
毫米波雷达点云数据和网联车轨迹数据,建立交通流状态估计模型之后,所述方法还包括:基于深度学习算法对所述像素视频数据进行检测,得到目标车辆,并对所述目标车辆进行跟踪,得到第一车辆轨迹;根据所述第一车辆轨迹,得到第一特征参数;对所述毫米波雷达点云数据进行聚类预处理,得到聚类点云数据;基于车辆运动学模型对所述聚类点云数据中的所述目标车辆进行跟踪,得到第二车辆轨迹,并构建卡尔曼状态转移矩阵;根据所述第二车辆轨迹和所述卡尔曼状态转移矩阵,得到第二特征参数;对所述网联车轨迹数据进行检测,得到第三车辆轨迹和第三特征参数
。
9.在一些可能的实现方式中,所述对所述视频数据
、
所述毫米波雷达点云数据和所述网联车轨迹数据进行时间和空间的同步,包括:将所述视频数据的所述第一车辆轨迹
、
所述毫米波雷达点云数据的所述第二车辆轨迹
、
以及所述网联车轨迹数据的所述第三车辆轨迹转换至像素坐标系下;根据所述第二车辆轨迹的采样频率,对所述第一车辆轨迹和所述第三车辆轨迹进行逐帧提取,得到所述第一车辆轨迹对应的第一提取轨迹和所述第三车辆轨迹对应的第二提取轨迹
。
10.在一些可能的实现方式中,所述对所述视频数据和所述毫米波雷达点云数据进行融合,并输入至所述交通流状态估计模型,得到第一交通流状态特征参数,包括:将所述第二车辆轨迹和所述第一提取轨迹中相应时刻的数据进行融合,得到第一融合轨迹;将所述第一融合轨迹
、
所述第一特征参数和所述第二特征参数输入至所述交通流状态估计模型,得到第一交通流状态特征参数
。
11.在一些可能的实现方式中,所述对所述视频数据
、
所述毫米波雷达点云数据和所述网联车轨迹数据进行融合,并输入至所述交通流状态估计模型,得到第二交通流状态特征参数,包括:将所述第二车辆轨迹
、
所述第一提取轨迹和所述第二提取轨迹中相应时刻的数据进行融合,得到第二融合轨迹;将所述第二融合轨迹
、
所述第一特征参数
、
所述第二特征参数和所述第三特征参数输入至所述交通流状态估计模型,得到第二交通流状态特征参数
。
12.在一些可能的实现方式中,所述根据所述第一交通流状态特征参数和所述第二交通流状态特征参数对预设自适应信号控制框架输入的预设个数特征参数进行控制,得到每个特征参数对应的通行效率,包括:对所述第一交通流状态特征参数和所述第二交通流状态特征参数进行对比分析,
得到所述网联车轨迹数据对所述定点观测的效果的分析结果;根据所述分析结果对所述预设自适应信号控制框架输入的所述预设个数特征参数进行控制,得到所述每个特征参数对应的通行效率
。
13.在一些可能的实现方式中,所述根据所述分析结果对所述预设自适应信号控制框架输入的所述预设个数特征参数进行控制,得到所述每个特征参数对应的通行效率,包括:根据所述分析结果,确定目标特征参数;分别对所述每个特征参数的数值进行修改,得到所述每个特征参数对应的参数数值;将所述每个特征参数对应的所述参数数值输入至所述预设自适应信号控制框架,得到所述目标特征参数的变化情况,并根据所述变化情况,得到所述每个特征参数对应的通行效率
。
14.在一些可能的实现方式中,所述将所述每个特征参数对应的所述参数数值输入至所述预设自适应信号控制框架,得到所述目标特征参数的变化情况,并根据所述变化情况,得到所述每个特征参数对应的通行效率,包括:将所述预设个数特征参数中第一特征参数对应的参数数值输入至所述预设自适应信号控制框架,得到所述目标特征参数的变化情况;根据所述变化情况,得到所述第一特征参数对应的通行效率;判断所述预设个数特征参数中是否存在未输入至所述预设自适应信号控制框架的第二特征参数;若是,则将所述第二特征参数对应的参数数值输入至所述预设自适应信号控制框架,得到所述第二特征参数对应的通行效率;若否,则得到所述每个特征参数对应的通行效率
。
15.另一方面,本发明还提供了一种基于网联车的路侧数据交通分析装置,包括:数据获取模块,用于获取定点观测的摄像头的视频数据
、
毫米波雷达点云数据和网联车轨迹数据,建立交通流状态估计模型;第一数据融合模块,用于在对所述视频数据
、
所述毫米波雷达点云数据和所述网联车轨迹数据进行时间和空间的同步之后,对所述视频数据和所述毫米波雷达点云数据进行融合,并输入至所述交通流状态估计模型,得到第一交通流状态特征参数;第二数据融合模块,用于对所述视频数据
、
所述毫米波雷达点云数据和所述网联车轨迹数据进行融合,并输入至所述交通流状态估计模型,得到第二交通流状态特征参数;效率确定模块,用于根据所述第一交通流状态特征参数和所述第二交通流状态特征参数对预设自适应信号控制框架输入的预设个数特征参数进行控制,得到每个特征参数对应的通行效率
。
16.采用上述实施例的有益效果是:本发明提供的基于网联车的路侧数据交通分析方法,对视频数据
、
毫米波雷达点云数据和网联车轨迹数据进行同步之后又进行了融合,从而可以对摄像头
、
毫米波雷达的数据和网联车轨迹数据进行相互补充,还建立了交通流状态估计模型,通过交通流状态估计模型对交通流状态估计模型进行估计,提高了交通流状态特征参数的精度
。
进一步的,还设置了预设自适应信号控制框架,根据第一交通流状态特征参数和第二交通流状态特征参数输入的预设个数特征参数进行控制,从而可以得到每个特
征参数对应的通行效率,实现了对不同的特征参数进行分析,得到每个特征参数对交通的信号控制的作用的目的
。
附图说明
17.为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图
。
18.图1为本发明提供的基于网联车的路侧数据交通分析方法的一个实施例流程示意图;图2为本发明提供的联网环境下多传感器融合的一个实施例结构示意图;图3为本发明提供的基于网联车的路侧数据交通分析装置的一个实施例结构示意图;图4为本发明提供的电子设备的一个实施例结构示意图
。
具体实施方式
19.下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚
、
完整地描述
。
显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例
。
基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围
。
20.附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应
。
可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和
/
或处理器系统和
/
或微控制器系统中实现这些功能实体
。
21.在本文中提及“实施例”意味着,结合实施例描述的特定特征
、
结构或特性可以包含在本发明的至少一个实施例中
。
在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例
。
本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合
。
22.本发明实施例提供了一种基于网联车的路侧数据交通分析方法及装置,以下分别进行说明
。
23.图1为本发明提供的基于网联车的路侧数据交通分析方法的一个实施例流程示意图,如图1所示,基于网联车的路侧数据交通分析方法包括:
s101、
获取定点观测的摄像头的视频数据
、
毫米波雷达点云数据和网联车轨迹数据,建立交通流状态估计模型;
s102、
在对视频数据
、
毫米波雷达点云数据和网联车轨迹数据进行时间和空间的同步之后,对视频数据和毫米波雷达点云数据进行融合,并输入至交通流状态估计模型,得到第一交通流状态特征参数;
s103、
对视频数据
、
毫米波雷达点云数据和网联车轨迹数据进行融合,并输入至交通流状态估计模型,得到第二交通流状态特征参数;
s104、
根据第一交通流状态特征参数和第二交通流状态特征参数对预设自适应信号控制框架输入的预设个数特征参数进行控制,得到每个特征参数对应的通行效率
。
24.与现有技术相比,本发明提供的基于网联车的路侧数据交通分析方法,对视频数据
、
毫米波雷达点云数据和网联车轨迹数据进行同步之后又进行了融合,从而可以对摄像头
、
毫米波雷达的数据和网联车轨迹数据进行相互补充,还建立了交通流状态估计模型,通过交通流状态估计模型对交通流状态估计模型进行估计,提高了交通流状态特征参数的精度
。
进一步的,还设置了预设自适应信号控制框架,根据第一交通流状态特征参数和第二交通流状态特征参数输入的预设个数特征参数进行控制,从而可以得到每个特征参数对应的通行效率,实现了对不同的特征参数进行分析,得到每个特征参数对交通的信号控制的作用的目的
。
25.应当理解的是:步骤
s101
中获取视频数据
、
毫米波雷达点云数据和网联车轨迹数据的方式可以各不相同,可为根据图像获取设备获取的视频数据,也可为从存储介质中调用历史存储的视频数据,毫米波雷达点云数据和网联车轨迹数据同理
。
26.需要说明的是:在获取到视频数据之后,需要对视频数据进行预处理,预处理可以为在本发明的一些实施例中,步骤
s101
之后还包括:根据张正友标定法确定摄像头拍摄的多个角度的棋盘格,并标定摄像头的内参和外参;根据多个角度的棋盘格
、
内参和外参,将视频数据中的世界坐标系转换至像素坐标系,得到像素视频数据
。
27.需要说明的是,在获取到视频数据之后,可以利用张正友标定法,从多个角度拍摄棋盘格,还可以使用
matlab
工具包
toolbox
(工具箱)标定摄像头的内参和外参,从而可以将视频数据中的世界坐标系转换至像素坐标系,得到像素视频数据
。
28.在本发明的具体实施例中,采用张正友棋盘标定法,将
9*7
棋盘格以
20
个角度进行拍摄,每个棋盘格大小
3cm*3cm
,并使用
matlab
的
toolbox
工具箱进行标定,根据标定结果,计算摄像头的外参(即旋转矩阵和平移向量)
、
内参(像素远点横纵坐标
、
相机焦距
、
单位像素的长度)
。
可以先将世界坐标系转换至相机坐标系,再将相机坐标系转换至图像坐标系,然后再将图像坐标系转换至像素坐标系,其中,假设雷达安装在距离地面高的位置,雷达波束以倾斜角照射地面,雷达平面的法线为
。
架设雷达检测到目标的径向距离为,方位角为
。
以雷达为坐标原点,雷达法平面线为轴,向下为正方向;以雷达所在平面上水平向左为轴正方向,垂直于轴向上为轴正方向,建立三维世界坐标系,则世界坐标系与相机坐标系的转换关系如公式(1)所示:(1)式中,表示为旋转矩阵,,
、、
分别表示为绕世界坐标系的轴
、
轴
、
轴的旋转矩阵,表示为平移向量,
xc、yc、zc表示为相机坐标系
的坐标轴
。
29.相机坐标系与图像坐标系(透视投影变换)的转换关系如公式(2)所示:(2)式中,f表示为焦距
。
30.图像坐标系和像素坐标系的共同点是两者都在成像平上,但由于其坐标轴的标定点及两个坐标系的单位不一致,所以需要对两者之间的坐标系进行转换
。
其中,图像坐标系的标定点是相机和成像平面的交点,其坐标的单位是距离单位,代表到达交点的物理距离;而像素坐标系是将一张图片以
rgb
进行矩阵划分,其单位是像素(
pixel
),其表示方法以原点为标定点,以矩阵的形式进行表示
。
因此,图像坐标系和像素坐标系的转换如公式(3)所示:(3)式中,d代表一个像素点的单位距离,
u、v
表示为像素坐标系的坐标轴
。
31.所以,四个坐标系转换得到一个点世界坐标系到像素坐标系转换如公式(4)所示:(4)在本发明的一些实施例中,步骤
s101
之后还包括:基于深度学习算法对像素视频数据进行检测,得到目标车辆,并对目标车辆进行跟踪,得到第一车辆轨迹;根据第一车辆轨迹,得到第一特征参数;对毫米波雷达点云数据进行聚类预处理,得到聚类点云数据;基于车辆运动学模型对聚类点云数据中的目标车辆进行跟踪,得到第二车辆轨迹,并构建卡尔曼状态转移矩阵;根据第二车辆轨迹和卡尔曼状态转移矩阵,得到第二特征参数;对网联车轨迹数据进行检测,得到第三车辆轨迹和第三特征参数
。
32.在本发明的具体实施例中,可以通过目标检测算法对像素视频数据进行检测,在对像素视频数据进行检测,目标检测主要有基于传统的目标检测方法和基于深度学习的目
标检测方法
。
基于传统的目标检测算法主要针对前后帧或者背景滤波的方法进行目标检测,此方法鲁棒性不高
。
而基于深度的学习方法通过深度学习网络提取目标特征,进而对目标进行检测,检测精度较高且鲁棒性较好
。
其中,本发明为基于深度学习的单阶段
yolov5
的目标检测方法
。
对于目标的跟踪,通过目标检测算法检测出目标之后,对检测出来的目标进行跟踪
。
可以通过
deepsort
算法对目标进行跟踪,并标识车辆
id。
其中最初
deepsort
算法进行目标跟踪主要是联合匈牙利算法(
hungarian algorithm
)和卡尔曼滤波(
kalman filter
)实现前后帧的目标关联和目标位置估计
。
匈牙利算法可以判断当前帧某一目标与前一帧的某个目标是否相同,卡尔曼滤波基于目标前一时刻的跟踪位置,来预测当前时刻的跟踪位置,并基于当前时刻检测的位置结果,来更新预测位置得到最优的估计位置,从而可以得到第一车辆轨迹,在从第一车辆轨迹中提取出第一特征参数,第一特征参数可以包括车辆类型
、
车辆数等信息,但是在实际目标检测与跟踪过程中,摄像头传感器在检测过程中会出现漏检
、
误检等情况,且检测结果容易受光照条件
、
天气等影响,能提供车辆类型
、
车辆数等信息,但不能提供车辆速度
、
目标距离等精确的感知信息
。
33.在本发明的具体实施例中,毫米波雷达所采集的数据格式是距离
、
角度,即呈现的数据是二维极坐标形式,其他的数据信息,如速度等需要进行计算得到
。
在得到毫米波雷达点云数据之后,需要进行预处理
。
预处理可以为对毫米波雷达坐标系到世界坐标系的转换
。
毫米波雷达坐标系为,世界坐标系为,其中,
p
点是在毫米波雷达坐标系的一个点,需要将
p
点投影至世界坐标系平面中
。
假设
p
点在毫米波雷达坐标系下的坐标为,在世界坐标系下的坐标为,则将
p
点从毫米波雷达坐标系转换到世界坐标系的具体转换关系如公式(5)所示:(5)式中,h为单一性的高度的矩阵
。
34.在进行预处理之后,需要对同一车辆的点云聚类,得到聚类点云数据,再利用经典的卡尔曼滤波跟踪算法对目标进行跟踪,得到第二车辆轨迹,在跟踪的同时考虑车辆运动学模型,构建卡尔曼状态转移矩阵,再根据第二车辆轨迹和卡尔曼状态转移矩阵进行特征提取,得到第二特征参数,毫米波雷达的目标检测和跟踪可以检测出车辆位置
、
车辆速度等信息,但不能检测出车辆类型等参数,所以第二特征参数可以包括车辆位置
、
车辆速度等信息,同样的,可以对网联车轨迹数据进行检测,得到第三车辆轨迹和第三特征参数,网联车
obu
与路侧终端设备(
rse
,
road-side equipment
)的实施信息交互与共享,可以获取实时的高精度
、
高分辨率的轨迹数据,但是只能获取车辆静止时的连续轨迹数据,所以第三特征参数可以包括车辆静止时的轨迹数据,摄像头传感器
、
毫米波雷达和网联车获取的特征参数都是只属于一部分,如果单独进行应用,这精度不够,所以可以对摄像头传感器
、
毫米波雷达和网联车获取的数据进行融合,提高获取的数据的精度
。
35.需要说明的是,摄像头传感器
、
毫米波雷达和网联车在获取数据时,数据格式
、
坐标系系统都有所不同,为了可以对数据进行融合,在本发明的一些实施例中,步骤
s102
包括:
将视频数据的第一车辆轨迹
、
毫米波雷达点云数据的第二车辆轨迹
、
以及网联车轨迹数据的第三车辆轨迹转换至像素坐标系下;根据第二车辆轨迹的采样频率,对第一车辆轨迹和第三车辆轨迹进行逐帧提取,得到第一车辆轨迹对应的第一提取轨迹和第三车辆轨迹对应的第二提取轨迹
。
36.在本发明的具体实施例中,在对摄像头传感器
、
毫米波雷达和网联车的数据进行融合之前,需要对视频数据的第一车辆轨迹
、
毫米波雷达点云数据的第二车辆轨迹
、
以及网联车轨迹数据的第三车辆轨迹进行时间和空间的同步,视频数据的第一车辆轨迹已经是转换到像素坐标系中的数据了,现在需要对毫米波雷达点云数据的第二车辆轨迹和网联车轨迹数据的第三车辆轨迹进行坐标系转换,毫米波雷达点云数据的第二车辆轨迹是经过预处理,将毫米波雷达坐标系转换到世界坐标系之后的第二车辆轨迹,再根据公式(1)-公式(4)可以得到毫米波雷达点云数据在像素坐标系中的第二车辆轨迹,同理,可以将网联车轨迹数据的第三车辆轨迹转换到像素坐标系中,得到像素坐标系中第三车辆轨迹,实现了摄像头传感器
、
毫米波雷达和网联车的空间的同步
。
37.由于毫米波雷达
、
摄像头传感器和网联车有各自传感器固有的输出数据时间间隔,即采样频率,导致多个传感器的数据输出频率不一致,为了确保能在同一时刻获得多传感器输出的数据,需要对采集数据进行时间同步
。
比如,毫米波雷达采样频率是
20hz
,摄像头的采样频率是
30hz
,网联车的采样频率是
28hz
,则可以由于基于摄像头视觉传感器采集到的图像频率较高,因此根据毫米波雷达的采样频率对摄像头传感器和网联车采集到的图像进行逐帧提取,从而可以得到第一车辆轨迹对应的第一提取轨迹和第三车辆轨迹对应的第二提取轨迹
。
38.在本发明的一些实施例中,步骤
s102
包括:将第二车辆轨迹和第一提取轨迹中相应时刻的数据进行融合,得到第一融合轨迹;将第一融合轨迹
、
第一特征参数和第二特征参数输入至交通流状态估计模型,得到第一交通流状态特征参数
。
39.在本发明的具体实施例中,可以将第二车辆轨迹和第一提取轨迹中相应时刻的数据进行融合,得到融合后的第一融合轨迹,从而可以将第一融合轨迹
、
第一特征参数和第二特征参数输入至交通流状态估计模型,交通流状态估计模型可以得到第一交通流状态特征参数,比如,流量
、
排队长队
、
行程时间等信息
。
40.在本发明的一些实施例中,步骤
s103
包括:将第二车辆轨迹
、
第一提取轨迹和第二提取轨迹中相应时刻的数据进行融合,得到第二融合轨迹;将第二融合轨迹
、
第一特征参数
、
第二特征参数和第三特征参数输入至交通流状态估计模型,得到第二交通流状态特征参数
。
41.在本发明的具体实施例中,可以将第二车辆轨迹
、
第一提取轨迹和第二提取轨迹中相应时刻的数据进行融合,得到融合后的第二融合轨迹,从而可以将第二融合轨迹
、
第一特征参数
、
第二特征参数和第三特征参数输入至交通流状态估计模型,交通流状态估计模型可以得到第二交通流状态特征参数,第二交通流状态特征参数可以为流量
、
排队长度和行程时间等信息,第二交通流状态特征参数为更精确的交通流状态特征参数,弥补摄像头
和毫米波雷达融合过程中对于静止车辆检测抖动
、
轨迹离散等不足的情况
。
42.在本发明的具体实施例中,如图2所示,在联网环境下多传感器融合可以包括传感器数据获取模块
、
融合预处理模块
、
融合模块和特征参数提取模块,传感器数据获取模块可以分别为摄像头传感器的视频数据的图像数据特征提取及跟踪的步骤,毫米波雷达获取毫米波雷达特征数据(毫米波雷达点云数据)的步骤,路侧
rsu
获取联网车数据(网联车轨迹数据)的步骤
。
融合预处理模块为将多传感器获取到数据进行时间同步和空间同步,然后经过融合模块对同步之后的数据进行数据关联(图像融合)和状态关联(特征融合),特征参数提取模块为根据交通流状态估计模型得到的流量
、
排队长度和行程时间等特征参数信息
。
43.在本发明的一些实施例中,步骤
s104
包括:对第一交通流状态特征参数和第二交通流状态特征参数进行对比分析,得到网联车轨迹数据对定点观测的效果的分析结果;根据分析结果对预设自适应信号控制框架输入的预设个数特征参数进行控制,得到每个特征参数对应的通行效率
。
44.在本发明的具体实施例中,可以对第一交通流状态特征参数和第二交通流状态特征参数进行对比分析,得到网联车轨迹数据对定点观测的效果的分析结果,得到网联车数据对定点观测效果的影响,还可以在摄像头传感器
、
毫米波雷达和网联车获取到数据的基础上,搭建自适应信号控制框架,还可以对网联车轨迹数据的第三特征参数的数值进行改变,将改变之后特征参数输入至自适应信号控制框架,从而可以得到每个特征参数对应的通行效率
。
45.需要说明的是,为了可以确定每个特征参数对交信号交叉口通行效率的影响,在本发明的一些实施例中,根据分析结果对预设自适应信号控制框架输入的预设个数特征参数进行控制,得到每个特征参数对应的通行效率,包括:根据分析结果,确定目标特征参数;分别对每个特征参数的数值进行修改,得到每个特征参数对应的参数数值;将每个特征参数对应的参数数值输入至预设自适应信号控制框架,得到目标特征参数的变化情况,并根据变化情况,得到每个特征参数对应的通行效率
。
46.在本发明的具体实施例中,可以根据分析结果,确定目标特征参数,比如,车辆延误,可以将车辆延误确定为信号控制评价指标(目标特征参数),然后再对每个特征参数的数值进行修改,其中,每个特征参数可以为环境因素的特征参数,比如,网联车渗透率
、
路口饱和度和不同时段的流量等参数,然后可以观测信号控制评价指标(目标特征参数)的变化情况,根据变化情况,得到每个特征参数对应的通行效率
。
47.在本发明的一些实施例中,将每个特征参数对应的参数数值输入至预设自适应信号控制框架,得到目标特征参数的变化情况,并根据变化情况,得到每个特征参数对应的通行效率,包括:将预设个数特征参数中第一特征参数对应的参数数值输入至预设自适应信号控制框架,得到目标特征参数的变化情况;根据变化情况,得到第一特征参数对应的通行效率;判断预设个数特征参数中是否存在未输入至预设自适应信号控制框架的第二特征参数;
若是,则将第二特征参数对应的参数数值输入至预设自适应信号控制框架,得到第二特征参数对应的通行效率;若否,则得到每个特征参数对应的通行效率
。
48.在本发明的具体实施例中,可以将预设个数特征参数逐个修改并输入至预设自适应信号控制框架,比如,可以对第一特征参数的修改后的参数数值输入至预设自适应信号控制框架,通过观测信号控制评价指标(目标特征参数)的变化情况,得到第一特征参数对应的通行效率,既第一特征参数对信号交叉口通行效率的影响,然后可以判断预设个数特征参数中是否还有未输入至预设自适应信号控制框架的第二特征参数,如果有,则对第二特征参数重复“将预设个数特征参数中第一特征参数对应的参数数值输入至预设自适应信号控制框架,得到目标特征参数的变化情况”步骤,进入循环,直至预设个数特征参数中没有未输入至预设自适应信号控制框架的第二特征参数,则可以得到每个特征参数对应的通行效率,既每个特征参数对信号交叉口通行效率的影响
。
49.为了更好实施本发明实施例中的基于网联车的路侧数据交通分析方法,在基于网联车的路侧数据交通分析方法基础之上,对应地,本发明实施例还提供了一种基于网联车的路侧数据交通分析装置,如图3所示,基于网联车的路侧数据交通分析装置包括:数据获取模块
301
,用于获取定点观测的摄像头的视频数据
、
毫米波雷达点云数据和网联车轨迹数据,建立交通流状态估计模型;第一数据融合模块
302
,用于在对视频数据
、
毫米波雷达点云数据和网联车轨迹数据进行时间和空间的同步之后,对视频数据和毫米波雷达点云数据进行融合,并输入至交通流状态估计模型,得到第一交通流状态特征参数;第二数据融合模块
303
,用于对视频数据
、
毫米波雷达点云数据和网联车轨迹数据进行融合,并输入至交通流状态估计模型,得到第二交通流状态特征参数;效率确定模块
304
,用于根据第一交通流状态特征参数和第二交通流状态特征参数对预设自适应信号控制框架输入的预设个数特征参数进行控制,得到每个特征参数对应的通行效率
。
50.上述实施例提供的基于网联车的路侧数据交通分析装置可实现上述基于网联车的路侧数据交通分析方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述基于网联车的路侧数据交通分析方法实施例中的相应内容,此处不再赘述
。
51.如图4所示,本发明还相应提供了一种电子设备
400。
该电子设备
400
包括处理器
401、
存储器
402
及显示器
403。
图4仅示出了电子设备
400
的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件
。
52.存储器
402
在一些实施例中可以是电子设备
400
的内部存储单元,例如电子设备
400
的硬盘或内存
。
存储器
402
在另一些实施例中也可以是电子设备
400
的外部存储设备,例如电子设备
400
上配备的插接式硬盘,智能存储卡(
smart media card
,
smc
),安全数字(
secure digital
,
sd
)卡,闪存卡(
flash card
)等
。
53.进一步地,存储器
402
还可既包括电子设备
400
的内部储存单元也包括外部存储设备
。
存储器
402
用于存储安装电子设备
400
的应用软件及各类数据
。
54.处理器
401
在一些实施例中可以是一中央处理器(
central processing unit
,
cpu
),微处理器或其他数据处理芯片,用于运行存储器
402
中存储的程序代码或处理数据,
例如本发明中的基于网联车的路侧数据交通分析方法
。
55.显示器
403
在一些实施例中可以是
led
显示器
、
液晶显示器
、
触控式液晶显示器以及
oled
(
organic light-emitting diode
,有机发光二极管)触摸器等
。
显示器
403
用于显示在电子设备
400
的信息以及用于显示可视化的用户界面
。
电子设备
400
的部件
401-403
通过系统总线相互通信
。
56.在本发明的一些实施例中,当处理器
401
执行存储器
402
中的基于网联车的路侧数据交通分析程序时,可实现以下步骤:获取定点观测的摄像头的视频数据
、
毫米波雷达点云数据和网联车轨迹数据,建立交通流状态估计模型;在对视频数据
、
毫米波雷达点云数据和网联车轨迹数据进行时间和空间的同步之后,对视频数据和毫米波雷达点云数据进行融合,并输入至交通流状态估计模型,得到第一交通流状态特征参数;对视频数据
、
毫米波雷达点云数据和网联车轨迹数据进行融合,并输入至交通流状态估计模型,得到第二交通流状态特征参数;根据第一交通流状态特征参数和第二交通流状态特征参数对预设自适应信号控制框架输入的预设个数特征参数进行控制,得到每个特征参数对应的通行效率
。
57.应当理解的是:处理器
401
在执行存储器
402
中的基于网联车的路侧数据交通分析程序时,除了上面的功能之外,还可实现其他功能,具体可参见前面相应方法实施例的描述
。
58.进一步地,本发明实施例对提及的电子设备
400
的类型不做具体限定,电子设备
400
可以为手机
、
平板电脑
、
个人数字助理(
personal digitalassistant
,
pda
)
、
可穿戴设备
、
膝上型计算机(
laptop
)等便携式电子设备
。
便携式电子设备的示例性实施例包括但不限于搭载
ios、android、microsoft
或者其他操作系统的便携式电子设备
。
上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(
laptop
)等
。
还应当理解的是,在本发明其他一些实施例中,电子设备
400
也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机
。
59.相应地,本技术实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述各方法实施例提供的基于网联车的路侧数据交通分析方法步骤或功能
。
60.本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件(如处理器,控制器等)来完成,计算机程序可存储于计算机可读存储介质中
。
其中,计算机可读存储介质为磁盘
、
光盘
、
只读存储记忆体或随机存储记忆体等
。
61.以上对本发明所提供的基于网联车的路侧数据交通分析方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制
。