[发明专利]车路协同异常行驶状况检测方法、系统、终端设备及介质

说明书

本发明提供一种车路协同异常行驶状况检测方法、系统、终端设备及介质，方法包括以下步骤：确定检测路段的正常行驶轨迹模式类数；基于场景活动图确定各轨迹模式中心线的初始值；获取新增轨迹集；确定新增轨迹的上、下近似集归属；基于粗糙K均值聚类法，用新增轨迹集对轨迹模式进行增量学习直至各轨迹模式中心线无明显变化；对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类；确认到异常行驶轨迹后触发报警并输出事件的类型及异常行驶的车辆信息；本申请既有效消除了疑似异常轨迹对正常轨迹模式提取精度的不利影响，又有效增强了事件检测和分类性能。

技术领域

本发明涉及监测技术领域，具体涉及车路协同异常行驶状况检测方法、系统、终端设备及介质。

背景技术

车辆跨道行驶、应急车道/路肩非法行车及逆行等违法违规的异常行驶事件严重影响着道路交通安全。基于先进技术手段对监控路段上的车路状态进行估计并对异常行驶事件进行有效检测，不仅能为违章检测提供支持，也能为道路及其设施设计的合理性评估和优化提供支持。近年来，基于视频的异常行驶事件自动检测得到了广泛研究。其中，人工设置虚拟检测线或检测区的方法简单高效，适合于固定参数摄像机监控系统。但对交通监控工程中广泛采用的PTZ(Pan-Tilt-Zoom)摄像机而言，经常会在交通管理中心控制下在线改变焦距、俯角等参数来执行临时观测任务。当恢复常态监控后，摄像机参数往往与改变前不完全一致，此时若仍采用以前的虚拟检测线/区则会造成严重误差，但每次都人工重新标定检测线/区又不切实际。

研究对场景具有自适应能力的检测方法具有重要实用价值，目前此类方法主要分为基于路面标线自动提取和基于正常轨迹模式自动分析的两大类方法。前者自动提取路面标线并根据车辆触线情况来检测异常行驶事件，对实际工程中标线不清晰或没有标线的路段无法使用。后者自动聚类交通流中的正常轨迹模式进而筛选出异常事件，具有更高灵活性和实用性，但已有方法在聚类过程中把包括异常行驶轨迹在内的所有轨迹都硬性划分到某模式类中进行模式中心的更新，很大程度上降低了正常模式提取和异常事件检测的精度。

发明内容

本发明要解决的技术问题是提供车路协同异常行驶状况检测方法、系统、终端设备及介质。

第一方面，本发明提供一种车路协同异常行驶状况检测方法，包括以下步骤：

确定检测路段的正常行驶轨迹模式类数k；每类轨迹模式具有上近似集和下近似集C_l，其中下近似集C_l用于存储第l类轨迹模式的正常行驶轨迹样本，1≤l≤k；上近似集和下近似集C_l的差值为粗糙集边界区域，用于存储第l类轨迹模式的疑似异常轨迹样本；

基于场景活动图确定各轨迹模式中心线的初始值，作为各轨迹模式的初始聚类中心；

获取新增轨迹集，所述新增轨迹集由设定时间内的新增轨迹或设定数量的新增轨迹组成；

确定新增轨迹的上、下近似集归属；

基于粗糙K均值聚类法，用新增轨迹集对轨迹模式进行增量学习直至各轨迹模式中心线无明显变化；

对各轨迹模式类的粗糙集边界区域中保存的各条疑似异常轨迹采用KNN分类器进行异常确认和分类；

确认到异常行驶轨迹后，触发报警，并输出异常行驶轨迹的事件的类型及与异常行驶轨迹对应的车辆信息。

根据本申请实施例提供的技术方案，所述粗糙K均值聚类法的聚类特征为轨迹到轨迹模式中心线的改进Hausdorff距离：