基于行车记录仪数据的行车轨迹提取处理方法及系统与流程

本发明涉及行车轨迹处理，更具体的，涉及基于行车记录仪数据的行车轨迹提取处理方法及系统。

背景技术：

1、智能行车记录仪是近年来随着人工智能行业的快速发展而兴起变革的一个汽车配件行业。它通过内置的摄像头和传感器，可以通过视频音频的方式实时记录车辆行驶过程中的各种情况，现有的智能行车记录仪还可以搭载目标检测系统，对画面中的车牌、人物等目标图像进行实时检测及标记，为交通事故提供证据，也可以作为驾驶行为的反馈工具，为用户提供更便捷的使用体验。

2、现有技术中的无网络行车记录仪，虽然带有gps模块，但无法给用户展示行车轨迹，只能在视频画面中附加定位点经纬度信息，导致功能相对单一，不能在记录仪终端上展示行车线路，也不能将定位点上传到服务器上用于后续用户在移动终端查看行车线路。而车辆的智能化在帮助解决道路交通安全和堵塞问题方面具有着重要意义，结合智能交通管控技术，对当前行车场景中的其他车辆轨迹进行分析提取，管理评价其风险度分布，以降低交通事故的发生概率，以及有效的减轻交通堵塞等问题，达到营造安全舒适的交通出行环境。因此如何根据行车记录仪数据进行行车轨迹提取并利用区域风险度的分布进行预测是需要解决的问题之一。

技术实现思路

1、为了解决上述技术问题，本发明提出了一种基于行车记录仪数据的行车轨迹提取处理方法及系统。

2、本发明第一方面提供了一种基于行车记录仪数据的行车轨迹提取处理方法，包括：

3、获取目标城市的道路数据，对所述道路数据进行预处理生成城市路网结构图，根据行车记录仪数据读取目标车辆的gps数据，将gps轨迹序列与城市路网结构图匹配转化为路网级的轨迹序列；

4、根据所述路网级的轨迹序列确定目标车辆的行车场景，基于目标车辆的行车记录仪数据识别行车场景内的其他车辆，通过其他车辆的轨道数据进行车间关系分析；

5、构建行车场景的风险度评估模型，根据所述风险度评估模型基于车间关系结合行车舒适度评估行车场景的风险度分布，并预测未来预设时间的风险度分布，获取风险度分布变化趋势；

6、通过所述风险度变化趋势生成预警信息，并自适应增加行车记录仪数据的采样频率及增强数据，实时更新行车场景的风险度分布。

7、本方案中，根据行车记录仪数据读取目标车辆的gps数据，将gps轨迹序列与城市路网结构图匹配转化为路网级的轨迹序列，具体为：

8、获取目标城市的路网数据，将所述路网数据进行简化，保留预设道路等级的路网数据，将所述路网数据进行网格化处理，根据路网中路口的联通关系指导相同网格的路口进行合并；

9、根据交通专业知识及城市真实道路通行情况验证合并后路网的合理性，在简化后的路网数据中提取路口作为节点，将路口之间的路段作为边结构，并设置边结构的边属性，构建城市路网结构图；

10、提取车辆在历史时间段的行车记录仪数据，在所述行车记录仪数据中分离gps轨迹点，结合时序生成gps轨迹序列，将所述gps轨迹序列进行分割，将无移动的轨迹段进行剔除；

11、将分段后的轨迹段映射到所述城市路网结构图，设置匹配窗口计算转弯点与路口位置的相似度，当相邻转弯点与对应路口的位置相似度符合预设标准，判断路口之间的最短路径是否大于预设距离阈值；

12、当大于预设距离阈值时，则在路口之间的路径中选取匹配点设置匹配窗口进行再次匹配，遍历城市路网结构图中所有路口，将gps数据转化为路网级的轨迹序列。

13、本方案中，根据所述路网级的轨迹序列确定目标车辆的行车场景，基于目标车辆的行车记录仪数据识别行车场景内的其他车辆，具体为：

14、利用所述路网级的轨迹序列进行行驶定位，根据所述行驶定位在目标城市中利用云端存储的行车记录仪数据及交通监控数据确定定位位置的交通设施资源；

15、根据所述交通设施资源构建行车场景的底层参考信息，读取目标车辆实时的行车记录仪数据生成行车场景的视频帧序列，并利用所述底层参考信息在所述视频帧序列中进行标注；

16、在视频帧序列中进行其他车辆识别，利用yolov3算法作为主干提取网络，将预处理后的视频帧图像导入主干提取网络，构建特征金字塔获取多尺度特征图；

17、引入空间注意力机制及通道注意力机制，为所述多尺度特征图分配权重信息更新特征分布，对特征图进行重新标定，通过聚合不同范围的上下文特征图重新标定后的特征图进行融合，获取优化后的特征表达；

18、将优化后的特征表达及预设的纹理特征、形状特征进行融合，生成视频场景中的多维度融合特征，根据所述多维度融合特征进行锚框标定，输出其他车辆的目标信息及位置信息。

19、本方案中，通过其他车辆的轨道数据进行车间关系分析，具体为：

20、在行车场景中根据底层参考信息构建参考坐标系，在所述参考坐标系中获取其他车辆锚框的顶点坐标及质心坐标，基于顶点坐标及质心坐标进行其他车辆的行车轨迹拟合；

21、将质心坐标作为跟踪角点，利用预设时间间隔对所述质心坐标进行稀释，获取行车轨迹与对应车辆进行匹配，并将当前行车场景中的行车轨迹进行可视化显示；

22、根据目标车辆及其他车辆的行车轨迹获取运动特征，将不同时刻中行驶场景中目标车辆与其他车辆的相对位置编码，将所述相对位置编码与所述运动特征进行结合，构建运动特征向量；

23、基于所述参考坐标系对所述运动特征向量添加空间位置标签，将带标签的运动特征向量计算空间注意力权重，提取目标车辆在空间中的关注度，利用所述空间注意力权重对所述运动特征向量进行加权；

24、将加权后的运动特征向量通过卷积及最大池化操作获取其他车辆的交互信息，根据所述交互信息确定与目标车辆的车间关系。

25、本方案中，构建行车场景的风险度评估模型，根据所述风险度评估模型基于车间关系结合行车舒适度评估行车场景的风险度分布，具体为：

26、从目标车辆历史预设时段的路网级的轨迹序列中获取运动特征，利用所述运动特征对轨迹序列进行聚类，将不同的序列段聚类生成若干序列段子集；

27、在所述序列段子集中获取各个序列段的行车记录仪数据，确定对应的行车场景，并对所述行车场景进行去冗余化处理，将运动特征与处理后的行车场景进行匹配，利用运动特征作为各行车场景的行车偏好；

28、根据目前行车场景检索对应的行车偏好，将目前行车场景的运动特征与所述行车偏好进行相似度计算获取行车舒适度评估；

29、在历史预设时段对应的行车场景中根据事故实例分析风险因子，将所述风险因子与车间关系进行匹配，构建行车场景的风险度评估模型；

30、获取行车场景内目标车辆与其他车辆的欧式距离，根据所述欧式距离与目标车辆的行车舒适度结合计算其他车辆的权重信息，通过其他车辆的行车轨迹基于风险因子进行参数提取；

31、在风险度评估模型中基于风险参数及权重信息进风险度分析，并将其他车辆的风险度在行车场景中进行空间差值，进行风险度分布可视化。

32、本方案中，通过所述风险度变化趋势生成预警信息，并自适应增加行车记录仪数据的采样频率及增强数据，具体为：

33、选取当前行车场景中前n个时刻的风险度分布构建预设时间片的风险度分布向量，将所述风险度向量导入bi-lstm网络，利用隐藏状态更新获取风险度分布变化趋势；

34、根据所述变化趋势获取预设时间后的风险度分布，若存在其他车辆对应的风险度大于预设阈值时，则生成预警信息；

35、获取风险度与预设阈值的偏差信息评估预警信息的预警等级，并基于气象数据对所述预警等级进行加权，利用加权后的预警等级自适应改变行车记录仪数据的采样频率及行车记录仪画面的增强数据。

36、本发明第二方面还提供了一种基于行车记录仪数据的行车轨迹提取处理系统，该系统包括：存储器、处理器，所述存储器中包括基于行车记录仪数据的行车轨迹提取处理方法程序，所述基于行车记录仪数据的行车轨迹提取处理方法程序被所述处理器执行时实现如下步骤：

37、获取目标城市的道路数据，对所述道路数据进行预处理生成城市路网结构图，根据行车记录仪数据读取目标车辆的gps数据，将gps轨迹序列与城市路网结构图匹配转化为路网级的轨迹序列；

38、根据所述路网级的轨迹序列确定目标车辆的行车场景，基于目标车辆的行车记录仪数据识别行车场景内的其他车辆，通过其他车辆的轨道数据进行车间关系分析；

39、构建行车场景的风险度评估模型，根据所述风险度评估模型基于车间关系结合行车舒适度评估行车场景的风险度分布，并预测未来预设时间的风险度分布，获取风险度分布变化趋势；

40、通过所述风险度变化趋势生成预警信息，并自适应增加行车记录仪数据的采样频率及增强数据，实时更新行车场景的风险度分布。

41、本发明公开了一种基于行车记录仪数据的行车轨迹提取处理方法及系统，包括，获取目标城市的城市路网结构图，根据行车记录仪数据读取目标车辆的gps数据，将gps轨迹序列与城市路网结构图匹配转化为路网级的轨迹序列；确定目标车辆的行车场景，识别行车场景内的其他车辆进行车间关系分析；构建行车场景的风险度评估模型，基于车间关系结合行车舒适度评估行车场景的风险度分布，预测风险度分布变化趋势生成预警信息，并自适应增加行车记录仪数据的采样频率及增强数据，实时更新行车场景的风险度分布。本发明对行车记录仪数据进行处理，根据行车轨迹分析车辆危险分布，利用预测方法及时发现并响应道路事件，提高道路安全性及车辆预警能力。