[发明专利]一种多源数据协同的车辆违规掉头热点区域识别方法

说明书

本公开实施例中提供了一种多源数据协同的车辆违规掉头热点区域识别方法，属于电学技术领域，具体包括：对多条GPS轨迹数据进行清洗；利用窗口滑动算法对每条初始轨迹数据进行去除自相交操作，得到目标轨迹数据；提取掉头轨迹段，构成潜在违规掉头轨迹数据库，并保存轨迹点集合；以轨迹点集合为输入，获取对应路段内的街景图像数据；采用Yolov5深度神经网络模型识别街景图像数据，得到违规要素；进行场景解析，得到所有的违规掉头轨迹，形成违规掉头位置点集合；根据违规掉头位置点集合提取出违规掉头行为发生的热点区域。通过本公开的方案，提高了车辆违规掉头热点区域识别的检测效率、精准度和适应性。

技术领域

本公开实施例涉及电学技术领域，尤其涉及一种多源数据协同的车辆违规掉头热点区域识别方法。

背景技术

目前，随着我国城镇化建设的不断推进，城市人口数目持续增长，我国车辆总数不断攀升。这一现象伴随而来的是城市道路空间内车辆违规行为大幅度上升，为城市道路交通管理者带来巨大的挑战。城市交通日流量加大，城市交通人力和资源紧缺，各种车辆违章现象日益增加，对参与交通的行人和车辆造成巨大隐患，只有建立全方位，快速的违规行为和热点区域检测监控方式，才能对交通智能化管控提供重要的指向性，降低驾驶员的侥幸心理，减少违规现象，降低事故发生率，提高智慧交通管理的智能化水平。传统车辆违规行为与空间区域识别主要是采用传感器检测车辆行为，主要以电磁感应圈式为主，在道路路基下方埋设环形线圈，借助对车辆经过期间所产生的电磁感应情况进行检测来明确车辆是否存在违规行为，这种方式会导致线圈容易在车辆荷载力下受损，维护费用高，并且设备老化、湿度变化、温度变化等不确定因素都会导致检测器精度变化，难以对车辆行为进行准确识别,另外检测器安装范围广，安装随机性强，难以针对违规行为集中区域进行精准的监控，工作效率低；随着视频检测技术的发展，开始采用基于视频信息监控的方式监测车辆违规行为，具体实施方法是在待检测的道路旁边或者上方安装摄像机，借助线缆将拍摄到的视频影像信号输入计算机中，随后记住计算机智能平台，将采集的信号转化成数字图像信号，然后通过检测系统对数字图像信号进行解析处理，判断车辆是否出现违规行为，这种方式需要耗费较多的人力和物力，检测周期长，并且存在监控盲区，难以满足当前对现势性道路违规监控管理的需求；现在随着人工智能技术的发展，深度学习已经在多个领域应用，学者们也转向研究基于深度学习的车辆违规检测，通过深度学习，可以有效识别物体类别，包括行人，车辆，道路线，道路标志等，基于车载影像，可以通过车辆运动序列中检测识别跟踪车辆与道路标志线和标志牌等之间的关系判断车辆是否有违规行为。

但是传统的车辆违规检测算法主要依赖于单一数据源进行车辆违规行为检测，多源数据协同的车辆违规掉头行为检测与区域识别研究仍相对缺乏，现有方法主要存在以下问题：①现有基于传感器的车辆违规检测方法需要耗费大量人力物力，传感器不易维护，检测效率低；②基于视频监控的车辆违规检测方法依赖于视频监控系统和图像处理技术，存在监控盲区无法预测的问题；③基于深度学习模型的车辆违规识别方法对于样本库要求较高，并且车辆信息获取单一，仅依赖于单一图像或视频数据，图像中难以获取车辆轨迹中的速度、运动形态等信息，可靠性与可解释性差。

可见，亟需一种检测效率、精准度和适应性高的多源数据协同的车辆违规掉头热点区域识别方法。

发明内容

有鉴于此，本公开实施例提供一种多源数据协同的车辆违规掉头热点区域识别方法，至少部分解决现有技术中存在检测效率、精准度和适应性较差的问题。

第本公开实施例提供了一种多源数据协同的车辆违规掉头热点区域识别方法，包括：

对多条GPS轨迹数据进行清洗，得到初始轨迹数据；

利用窗口滑动算法对每条所述初始轨迹数据进行去除自相交操作，得到目标轨迹数据；

根据每条所述目标轨迹数据中连续转向角累计差提取掉头轨迹段，构成潜在违规掉头轨迹数据库，并保存所述潜在违规掉头轨迹数据库中每条轨迹的连续转向角累计差最大的轨迹点集合；