货车的识别方法、装置、电子设备及介质与流程

1.本技术中涉及车辆类型识别技术，尤其是一种货车的识别方法、装置、电子设备及介质。


背景技术：

2.随着车载gps定位装置以及手机gps定位装置的普及，车辆的行驶轨迹数据已相当丰富，且这些行驶数据能够为交通信息计算和交通管理提供极大的便利。
3.其中，轨迹数据的车辆类型信息是其重要的属性信息，对交通信息计算和交通管理十分关键。相关技术中，由于货车具有车体较长、行驶速度慢以及转弯半径大等特性，因此其极易造成路段的大面积拥堵。另外，个别恶意用户也会对货车自带的定位装置进行非法改装，以实现逃避高速费或闯入限行区域等目的。
4.因此，如何准确的识别出路段中货车类型的车辆以便后续对其加以监控，成为了交通管理领域需要解决的问题。


技术实现要素：

5.本技术实施例提供一种货车的识别方法、装置、电子设备及介质，本技术实施例用于解决相关技术中存在的，无法识别出路段中存在的货车类型的车辆的问题。
6.其中，根据本技术实施例的一个方面，提供的一种货车的识别方法，所述方法包括：获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，其中，车辆在每个关键路段的行驶轨迹为子轨迹；从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果；当检测到所述车辆类型识别结果满足货车标准特征时，确定所述待识别车辆的车辆类型为货车。
7.其中，根据本技术实施例的又一个方面，提供的一种货车的识别装置，所述装置包括：获取模块，被配置为获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，其中，车辆在每个关键路段的行驶轨迹为子轨迹；识别模块，被配置为从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果；确定模块，被配置为当检测到所述车辆类型识别结果满足货车标准特征时，确定所述待识别车辆的车辆类型为货车。
8.根据本技术实施例的又一个方面，提供的一种电子设备，包括：存储器，用于存储可执行指令；以及显示器，用于与所述存储器执行所述可执行指令从而完成上述任一所述货车的识
别方法的操作。
9.根据本技术实施例的还一个方面，提供的一种计算设备可读存储介质，用于存储计算设备可读取的指令，所述指令被执行时执行上述任一所述货车的识别方法的操作。
10.本技术中，首先获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，其中，车辆在每个关键路段的行驶轨迹为子轨迹；从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果；当检测到车辆类型识别结果满足货车标准特征时，确定待识别车辆的车辆类型为货车。
11.通过应用本技术的技术方案，可以首先获取车辆在道路复杂程度较高的关键路段行驶时所产生的子轨迹，并根据预先训练得到的每个关键路段对应的车辆识别模型，分别对该多个子轨迹进行特征识别，并据此判断出该车辆是否为货车类型的车辆。从而一方面实现了运用关键路段轨迹的特征点来提高货车类型的识别准确率所达到的，降低计算资源开销的目的。另一方面通过车辆的局部轨迹来识别货车类型，不仅能节省车辆的轨迹上传资源，同时也能达到快速响应识别结果的目的。
12.以下利用多个实施例，对本技术的技术方案做进一步的详细描述。
附图说明
13.构成说明书的一部分的附图描述了本技术的实施例，并且连同描述一起用于解释本技术的原理。
14.参照附图，根据下面的详细描述，可以更加清楚地理解本技术，其中：图1示出了本技术一实施例所提供的一种货车的识别的系统架构示意图；图2示出了本技术一实施例所提供的一种货车的识别方法的示意图；图3示出了本技术一实施例所提供的一种货车的识别的总体流程示意图；图4示出了本技术一实施例所提供的一种电子装置的结构示意图；图5示出了本技术一实施例所提供的一种电子设备的结构示意图；图6示出了本技术一实施例所提供的一种存储介质的示意图。
具体实施方式
15.现在将参照附图来详细描述本技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。
16.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
17.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本技术及其应用或使用的任何限制。
18.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
19.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
20.另外，本技术各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
21.需要说明的是，本技术实施例中所有方向性指示（诸如上、下、左、右、前、后
……
）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
22.下面结合图1-图3来描述根据本技术示例性实施方式的用于进行货车的识别方法。需要注意的是，下述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。相反，本技术的实施方式可以应用于适用的任何场景。
23.一种方式中，本技术中的待识别车辆101、102、103可以为具备行驶功能的车辆。例如可以为货车、客车，以及其他大中小型车辆。
24.如图1所示，系统架构100可以包括待识别车辆101、102、103中的一种或多种，网络104和服务器105。网络104用以在待识别车辆101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
25.应该理解，图1中的待识别车辆、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的待识别车辆、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
26.用户可以使用待识别车辆101、102、103通过网络104与服务器105交互，以接收或发送一个或多个关键路段的子轨迹信息，以及相应的执行指令等。一种方式中，待识别车辆101、102、103可以具备gps装置。
27.一种方式中，本技术实施例中通过该待识别车辆103（也可以是待识别车辆101或102）上传的关键路段的子轨迹，执行下述步骤：获取待识别车辆的行驶轨迹，提取所述行驶轨迹中覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，其中，车辆在每个关键路段的行驶轨迹为子轨迹；从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果；当检测到所述车辆类型识别结果满足货车标准特征时，确定所述待识别车辆的车辆类型为货车。
28.在此需要说明的是，本技术实施例所提供的货车的识别方法可以由待识别车辆101、102、103中的一个或多个，和/或，服务器105执行，相应地，本技术实施例所提供的货车的识别装置一般设置于对应待识别车辆中，和/或，服务器105中，但本技术不限于此。
29.进一步的，本技术还提出一种货车的识别方法、装置、待识别车辆及介质。
30.图2示意性地示出了根据本技术实施方式的一种货车的识别方法的流程示意图。如图2所示，该方法包括：s101，获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，其中，车辆在每个关键路段的行驶轨迹为子轨迹。
31.相关技术中，各类车辆上传的轨迹数据是识别车辆类型中重要的属性信息，其对交通信息计算和交通管理十分关键。
32.一种方式中，货车由于车身宽大、推重比低，其行驶特征与其他类型车具有显著区别。因此识别车辆产生的轨迹数据是否为货车，对交通信息的计算具有积极意义。
33.另一种方式中，由于个别不法分子对货车定位装置非法改装，以逃避高速费。识别
这些车辆产生的轨迹，也可以帮助交通管理部门打击违法犯罪，减小国家损失。
34.s102，从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果。
35.一种方式中，对于货车来说，其相对于客车而言具有行驶特征与小客车相差较大的特性。另外，受货车管理模式的影响，其在通行时间段、收费站通行模式等与小客车也有较大的不同。
36.由此可见，在一些复杂程度较高的关键路段而言（例如包括信号灯、弯道、上下坡、高速路出口等的路段），其对货运车辆的行驶影响较大。尤其在这些特征点附近，货车的行驶特征与其他车型的差异程度会进一步放大。
37.具体来说，由于货车受推重比和车身大小影响，其在信号灯、收费站、检查站、上下坡道路、道路交叉口、弯道等关键路段行驶时，其加减速过程与其他车辆具有较大差别。且受交通管理部门对其管理模式的影响，货车在收费站、检查站路段排队行为与其他车辆也有较大差别。
38.因此，本技术可以基于预先训练完毕的车辆识别模型，对正在行驶的待识别车辆上传的关键路段的子轨迹（即该车辆行驶在关键路段中而生成的路径轨迹）进行货车类型的识别。
39.需要说明的是，本技术实施例中的预设车辆识别模型库中存储有多个车辆识别模型。其中每个车辆识别模型对应于一个关键路段。换言之，一个车辆识别模型用于识别一种关键路段的关键行驶特征,可以理解地，为提升待识别车辆的整条行驶轨迹的识别准确率，该行驶轨迹中的关键路段的数量优选大于2条。
40.s103，当检测到车辆类型识别结果满足货车标准特征时，确定待识别车辆的车辆类型为货车。
41.需要说明的是，本技术实施例不对关键路段的子轨迹的数量进行限定，例如可以为一个也可以为多个。以下以关键路段的子轨迹的数量为多个进行举例说明：一种方式中，对于待识别车辆来说，本技术实施例可以首先获取某个正在行驶的车辆在一段时间内生成的轨迹，并将其匹配至路网，从而提取其覆盖n个关键路段的子轨迹，其中，n》2,得到包括多个关键路段的子轨迹的子轨迹集合。
42.进一步的，本技术可以利用各个关键路段对应的关键路段标识，从预设车辆识别模型库中获取与每个关键路段相匹配的车辆识别模型。并利用该选取出的车辆识别模型，分别识别该子轨迹集合中对应的子轨迹。
43.一种方式中，一个车辆识别模型可以用于识别一个关键路段的子轨迹中的多个关键行驶特征。作为示例的，关键行驶特征的数量可以为5个。分别为平均速度特征值、加速度特征、减速度特征（均速度特征值、加速度特征、减速度特征即为速度特征）、停车时长特征以及通行时段特征。
44.进一步的，本技术实施例可以将该5个关键特征作为车辆识别模型的输入，车辆识别模型可以为深度神经网络模型训练得到，并使用深度神经网络模型计算其对应的车辆类型识别结果a。可以理解的，该车辆类型识别结果a用于反映待识别车辆在关键路段a的行驶中是否为货车类型的车辆。
45.继续执行上述步骤（即再次利用车辆识别模型b识别其它关键路段b的子轨迹中的多个关键行驶特征，直至将所有的关键路段的子轨迹进行关键特征识别从而得到所有的子车辆类型识别结果。
46.最后，本技术实施例可以获取每个子轨迹对应的车辆类型识别结果（即所有车辆识别模型对与其匹配的子轨迹进行关键行驶特征识别得到的结果），及各个车辆识别结果对应的权重后，即可采用如下式计算得到车辆在行驶轨迹的车辆类型识别结果t，其中，，其中，为第i个车辆识别模型的测试正确率，为第i条子轨迹的车辆类型识别结果，。
47.可以理解的，给定判定阈值，若，则判定该待识别车辆行驶的轨迹为货车轨迹；反之则不是货车轨迹。
48.本技术中，首先获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，其中，车辆在每个关键路段的行驶轨迹为子轨迹；从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果；当检测到车辆类型识别结果满足货车标准特征时，确定待识别车辆的车辆类型为货车。
49.通过应用本技术的技术方案，可以首先获取车辆在道路复杂程度较高的关键路段行驶时所产生的子轨迹，并根据预先训练得到的每个关键路段对应的车辆识别模型，分别对该多个子轨迹进行特征识别，并据此判断出该车辆是否为货车类型的车辆。从而一方面实现了运用关键路段轨迹的特征点来提高货车类型的识别准确率所达到的，降低计算资源开销的目的。另一方面通过车辆的局部轨迹来识别货车类型，不仅能节省车辆的轨迹上传资源，同时也能达到快速响应识别结果的目的。
50.可选地，在基于本技术上述方法的另一个实施例中，从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果，包括：根据关键路段标识，从所述预设车辆识别模型库获取每个关键路段对应的车辆识别模型；将每个所述子轨迹包括的关键行驶特征输入其对应的所述车辆识别模型，得到每个子轨迹的车辆类型识别结果，其中，所述关键行驶特征包括待识别车辆对应的速度特征、停车时长特征以及通行时段特征；根据每个子轨迹的车辆类型识别结果，得到所述行驶轨迹的车辆类型识别结果。
51.可选地，在基于本技术上述方法的另一个实施例中，在所述获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合之前，还包括：
获取预设路网下包含的，所有路段的路段数据；从所述所有路段的路段数据中选取出多个关键点，所述关键点包括信号灯、收费站、检查站、道路交叉口以及弯道；将每个关键点的上游第一距离处作为所述关键点对应的关键路段起点，以及，将每个关键点的下游第二距离处作为所述关键点对应的关键路段终点；将每个所述关键路段起点与对应关键路段终点之间的路段作为对应关键点的所述关键路段。
52.一种方式中，本技术可以首先从路网中选取出一些道路复杂程度较高的路段作为关键路段。
53.作为示例的，关键路段可以包括有诸如信号灯、收费站、检查站、道路交叉口以及弯道等关键点。一种方式中，本技术实施例可以首先选取该路段中起点上游一定距离（即第一距离）的点为关键路段起点，并选取该路段中终点下游一定距离（即第二距离）的点为关键路段终点。以使后续提取该关键路段起点和终点间的路段作为关键路段。
54.另一种方式中，本技术实施例还可以对路网数据所有关键点位做以上提取操作，得到关键路段集合。
55.需要说明的是，本技术实施例不对即第一距离与第二距离进行限定，例如二者可以相同，也可以不相同。
56.一种方式中，本技术在获取关键路段的子轨迹之后，还可以首先对该关键路段的子轨迹进行数据清洗和降噪。例如包括：定义轨迹覆盖率，其中表示轨迹在本关键路段的覆盖长度，为路段总长度。给定覆盖率阈值，若，则此段轨迹视为无效轨迹，从数据集中删除。
57.进一步的，本技术可以使用滤波算法对轨迹数据降噪，删除位置突变和速度突变的噪声点。
58.另一方式中，本技术可以识别并提取该关键路段的子轨迹中包括的多个关键特征点，例如包括：首先，记某个关键路段的子轨迹为。其中为轨迹第i个gps点。
59.第一方面，获取平均速度特征：。
60.其中，为第i点与第i+1点的距离，为第n点的时间，为第1个点的时间。
61.第二方面，获取加速度特征a：其中，本技术实施例可以计算该段关键路段的子轨迹所有加速过程的加速度，取最大的为a。
62.第三方面，获取减速度特征d：其中，本技术实施例可以计算该段关键路段的子轨迹所有减速过程的加速度，取
最小的为d。
63.第四方面，获取停车时长特征：其中，本技术实施例可以将速度连续低于5km/h的时长超过5秒的过程视为一次停车。轨迹在本路段所有停车过程的时长之和为。
64.第五方面，获取通行时段其中，本技术实施例将一天划分为等长的多个时段，则标识轨迹进入该关键路段的时刻所属的时段。
65.可选地，在基于本技术上述方法的另一个实施例中，对于车辆识别模型库的获取方式可以包括如下步骤：获取途径每个关键路段的车辆历史轨迹数据集，每一条历史轨迹数据包括车辆类型标记；提取每条历史轨迹在所述关键路段的关键行驶特征数据，得到目标数据集，所述目标数据集包括车辆类型标记、速度特征、停车时长特征以及通行时段特征；将所述目标数据集分为训练集和测试集两个互斥子集；采用所述训练集对每个关键路段的预设初始车辆识别模型进行训练，采用所述测试集对所述初始车辆识别模型进行测试；将测试准确率最高的模型作为所述关键路段的车辆识别模型。
66.一种方式中，本技术实施例可以取关键路段集合中的任意一条关键路段作为观测关键路段，并以该观测关键路段的车辆历史轨迹数据集，来构建专属于该关键路段对应的车辆识别模型。
67.其中，本技术实施例使用的历史轨迹数据集包括人工标记的车辆类型信息，将该人工标记车辆类型的历史轨迹数据集分为训练数据集和测试数据集两部分，其中包括：首先提取该关键路段对应的一个或多个车辆历史轨迹，并对其进行过滤降噪后，提取每条轨迹的关键行驶特征数据（例如可以包括平均速度、加速度a、减速度d、停车时长、通行时段）。从而以此得到目标数据集。
68.可以理解的，该目标数据集中包括有多个关键行驶特征以及该生成该轨迹的车辆类型标记（即用于反映是货车还是客车等）。
69.进一步的，本技术实施例还可以将该目标数据集分为训练集和测试集两个互斥子集。从而在后续利用该训练集对初始的深度神经网络进行训练，从而得到多个候选车辆识别模型，并以该测试集对训练得到的多个候选车辆识别模型进行测试，直至将测试准确率最高的模型作为该关键路段对应的车辆识别模型。
70.一种方式中，对于利用该训练集对初始的深度神经网络进行训练的过程而言，本技术实施例可以以五个关键行驶特征值作为初始深度神经网络的输入节点，输出结果设置为货运车辆类型和非货运车辆类型。并进行多次训练，直至最后将识别准确率最高的结果作为最优解。此时的最优准确率记为，并将其标记至。
71.进一步的，本技术实施例需要对关键路段集合中的
中所有关键路段的轨迹做如上操作，从而得到预设车辆识别模型库，即集合。
72.一种方式中，本技术在确定待识别车辆的车辆类型为货车之后，还可以记录该待识别车辆的车辆信息，并建立车辆信息与货车类型的关联关系。以使后续在一定时长内再次检测到该待识别车辆时，可以根据该关联关系直接确定其为货车类型的车辆。
73.一种方式中，如图3所示，示出了本技术一实施例所提供的一种货车的识别方法的总体流程示意图，其中包括：步骤1、获取预设路网下包含的所有路段的路段数据，并从所有路段的路段数据中选取出多个关键点。
74.其中，关键点包括信号灯、收费站、检查站、道路交叉口以及弯道。
75.步骤2、将每个关键点的上游第一距离处作为关键点对应的关键路段起点，以及，将每个关键点的下游第二距离处作为关键点对应的关键路段终点。
76.步骤3、将每个关键路段起点与对应关键路段终点之间的路段作为对应关键点的关键路段。
77.步骤4、获取初始车辆识别模型，并利用货车在各个关键路段所生成的车辆历史轨迹数据，对初始车辆识别模型进行训练，直至得到训练完毕的车辆识别模型。
78.步骤5、获取待识别车辆在至少一个关键路段行驶而生成的至少一个关键路段的子轨迹。
79.其中，关键路段为道路复杂程度超过预设条件的路段。例如为包含信号灯、弯道、上下坡、高速路出口等的路段。
80.步骤6、获取与该关键路段相匹配的车辆识别模型，并利用车辆识别模型识别关键路段的子轨迹中包括的，待识别车辆对应的速度特征、停车时长特征以及通行时段特征。
81.步骤7、根据各个子轨迹对应的车辆类型识别结果及其权重，得到待识别车辆在整条行驶轨迹的车辆类型识别结果。
82.其中，待识别车辆在整条行驶轨迹的车辆类型识别结果t的生成方式如下：，其中，为第i个车辆识别模型的测试正确率，为第i条子轨迹对应的车辆类型识别结果，。
83.可以理解地，上述可作为该关键路段子轨迹识别结果占整条行驶轨迹识别结果的影响权重。
84.步骤8、当待识别车辆在整条行驶轨迹的车辆类型识别结果不小于货车特征参数阈值时，确定待识别车辆的车辆类型为货车。
85.通过应用本技术的技术方案，可以首先获取车辆在道路复杂程度较高的关键路段行驶时所产生的子轨迹，并根据预先训练得到的每个关键路段对应的车辆识别模型，分别对该多个子轨迹进行特征识别，并据此判断出该车辆是否为货车类型的车辆。从而一方面
实现了运用关键路段轨迹的特征点来提高货车类型的识别准确率所达到的，降低计算资源开销的目的。另一方面通过车辆的局部轨迹来识别货车类型，不仅能节省车辆的轨迹上传资源，同时也能达到快速响应识别结果的目的。
86.在本技术的另外一种实施方式中，如图4所示，本技术还提供一种货车的识别装置。其中包括：获取模块201，被配置为获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，其中，车辆在每个关键路段的行驶轨迹为子轨迹；识别模块202，被配置为从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果；确定模块203，被配置为当检测到所述车辆类型识别结果满足货车标准特征时，确定所述待识别车辆的车辆类型为货车。
87.通过应用本技术的技术方案，可以首先获取车辆在道路复杂程度较高的关键路段行驶时所产生的子轨迹，并根据预先训练得到的每个关键路段对应的车辆识别模型，分别对该多个子轨迹进行特征识别，并据此判断出该车辆是否为货车类型的车辆。从而一方面实现了运用关键路段轨迹的特征点来提高货车类型的识别准确率所达到的，降低计算资源开销的目的。另一方面通过车辆的局部轨迹来识别货车类型，不仅能节省车辆的轨迹上传资源，同时也能达到快速响应识别结果的目的。
88.在本技术的另一种实施方式中，识别模块202，被配置为：根据关键路段标识，从所述预设车辆识别模型库获取每个关键路段对应的车辆识别模型；将每个所述子轨迹包括的关键行驶特征输入其对应的所述车辆识别模型，得到每个子轨迹的车辆类型识别结果，其中，所述关键行驶特征包括待识别车辆对应的速度特征、停车时长特征以及通行时段特征；根据每个子轨迹的车辆类型识别结果，得到所述行驶轨迹的车辆类型识别结果。
89.在本技术的另一种实施方式中，获取模块201，被配置为：获取预设路网下包含的，所有路段的路段数据；从所述所有路段的路段数据中选取出多个关键点，所述关键点包括信号灯、收费站、检查站、道路交叉口以及弯道；将每个关键点的上游第一距离处作为所述关键点对应的关键路段起点，以及，将每个关键点的下游第二距离处作为所述关键点对应的关键路段终点；将每个所述关键路段起点与对应关键路段终点之间的路段作为对应关键点的所述关键路段。
90.在本技术的另一种实施方式中，获取模块201，被配置为：获取途径每个关键路段的车辆历史轨迹数据集，每一条历史轨迹数据包括车辆类型标记；提取每条历史轨迹在所述关键路段的关键行驶特征数据，得到目标数据集，所述目标数据集包括车辆类型标记、速度特征、停车时长特征以及通行时段特征；将所述目标数据集分为训练集和测试集两个互斥子集；
采用所述训练集对每个关键路段的预设初始车辆识别模型进行训练，采用所述测试集对所述初始车辆识别模型进行测试；将测试准确率最高的模型作为所述关键路段的车辆识别模型。
91.在本技术的另一种实施方式中，获取模块201，被配置为：获取每个子轨迹的车辆类型识别结果及该车辆识别结果对应的权重；采用如下式计算得到车辆在所述行驶轨迹的车辆类型识别结果t，其中，，其中，为第i个车辆识别模型的测试正确率，为第i条子轨迹对应的车辆类型识别结果，。
92.在本技术的另一种实施方式中，确定模块203，被配置为：当所述车辆类型识别结果不小于货车特征参数阈值时，则判定所述车辆类型识别结果满足货车标准特征；确定所述待识别车辆的车辆类型为货车。
93.在本技术的另一种实施方式中，获取模块201，被配置为：获取车辆在预设时间段的行驶轨迹，并提取所述行驶轨迹中包含的至少一个轨迹点；从预设的关键路段集合中，选取与所述至少一个轨迹点相重合的关键点，并将覆盖所述关键点在内的路段作为所述关键路段，其中所述关键路段集合中记录有各个关键路段对应的关键点；将途径所述关键路段的行驶轨迹作为所述子轨迹。
94.本技术实施方式还提供一种电子设备，以执行上述货车的识别方法。请参考图5，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。如图5所示，电子设备3包括：处理器300，存储器301，总线302和通信接口303，所述处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述处理器300上运行的计算机程序，所述处理器300运行所述计算机程序时执行本技术前述任一实施方式所提供的货车的识别方法。
95.其中，存储器301可能包含高速随机存取存储器（ram：random access memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口303（可以是有线或者无线）实现该装置网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
96.总线302可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述处理器300在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述视频传输方法可以应用于处理器300中，或者由处理器300实现。
97.处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述
方法的各步骤可以通过处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器300可以是通用处理器，包括处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
98.本技术实施例提供的电子设备与本技术实施例提供的货车的识别方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
99.本技术实施方式还提供一种与前述实施方式所提供的货车的识别方法对应的计算机可读存储介质，请参考图6，其示出的计算机可读存储介质为光盘40，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的视频传输方法。
100.需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存 (pram)、静态随机存取存储器 (sram)、动态随机存取存储器 (dram)、其他类型的随机存取存储器 (ram)、只读存储器 (rom)、电可擦除可编程只读存储器 (eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
101.本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的视频传输方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
102.需要说明的是：在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的结构和技术，以便不模糊对本说明书的理解。
103.类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下示意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
104.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
105.以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，
任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种货车的识别方法，其特征在于，包括：获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，其中，车辆在每个关键路段的行驶轨迹为子轨迹；从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果；当检测到所述车辆类型识别结果满足货车标准特征时，确定所述待识别车辆的车辆类型为货车。2.如权利要求1所述的方法，其特征在于，从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果，包括：根据关键路段标识，从所述预设车辆识别模型库获取每个关键路段对应的车辆识别模型；将每个所述子轨迹包括的关键行驶特征输入其对应的所述车辆识别模型，得到每个子轨迹的车辆类型识别结果，其中，所述关键行驶特征包括待识别车辆对应的速度特征、停车时长特征以及通行时段特征；根据每个子轨迹的车辆类型识别结果，得到所述行驶轨迹的车辆类型识别结果。3.如权利要求1所述的方法，其特征在于，在所述获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合之前，还包括：获取预设路网下包含的，所有路段的路段数据；从所述所有路段的路段数据中选取出多个关键点，所述关键点包括信号灯、收费站、检查站、道路交叉口以及弯道；将每个关键点的上游第一距离处作为所述关键点对应的关键路段起点，以及，将每个关键点的下游第二距离处作为所述关键点对应的关键路段终点；将每个所述关键路段起点与对应关键路段终点之间的路段作为对应关键点的所述关键路段。4.如权利要求1所述的方法，其特征在于，所述预设车辆识别模型库的车辆识别模型获取方法包括：获取途径每个关键路段的车辆历史轨迹数据集，每一条历史轨迹数据包括车辆类型标记；提取每条历史轨迹在所述关键路段的关键行驶特征数据，得到目标数据集，所述目标数据集包括车辆类型标记、速度特征、停车时长特征以及通行时段特征；将所述目标数据集分为训练集和测试集两个互斥子集；采用所述训练集对每个关键路段的预设初始车辆识别模型进行训练，采用所述测试集对所述初始车辆识别模型进行测试；将测试准确率最高的模型作为所述关键路段的车辆识别模型。5.如权利要求1所述的方法，其特征在于，从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果，包括；获取每个子轨迹的车辆类型识别结果及该车辆识别结果对应的权重；
采用如下式计算得到车辆在所述行驶轨迹的车辆类型识别结果t，其中，；其中，为第i个车辆识别模型的测试正确率，为第i条子轨迹对应的车辆类型识别结果， 。6.如权利要求1所述的方法，其特征在于，当检测到所述车辆类型识别结果满足货车标准特征时，确定所述待识别车辆的车辆类型为货车包括：当所述车辆类型识别结果不小于货车特征参数阈值时，则判定所述车辆类型识别结果满足货车标准特征；确定所述待识别车辆的车辆类型为货车。7.如权利要求1所述的方法，其特征在于，获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，包括：获取车辆在预设时间段的行驶轨迹，并提取所述行驶轨迹中包含的至少一个轨迹点；从预设的关键路段集合中，选取与所述至少一个轨迹点相重合的关键点，并将覆盖所述关键点在内的路段作为所述关键路段，其中所述关键路段集合中记录有各个关键路段对应的关键点；将途径所述关键路段的行驶轨迹作为所述子轨迹。8.一种货车的识别装置，其特征在于，包括：获取模块，被配置为获取待识别车辆的行驶轨迹，提取其覆盖的至少一个关键路段的子轨迹，得到子轨迹集合，其中，车辆在每个关键路段的行驶轨迹为子轨迹；识别模块，被配置为从预设车辆识别模型库中获取每个关键路段对应的车辆识别模型，对车辆在每个关键路段的子轨迹进行关键行驶特征识别，得到车辆类型识别结果；确定模块，被配置为当检测到所述车辆类型识别结果满足货车标准特征时，确定所述待识别车辆的车辆类型为货车。9.一种电子设备，其特征在于，包括：存储器，用于存储可执行指令；以及，处理器，用于与所述存储器执行所述可执行指令从而完成权利要求1-7中任一所述货车的识别方法的操作。10.一种计算设备可读存储介质，用于存储计算设备可读取的指令，其特征在于，所述指令被执行时执行权利要求1-7中任一所述货车的识别方法的操作。

技术总结
本申请公开了一种货车的识别方法、装置、电子设备及介质。通过应用本申请的技术方案，可以首先获取车辆在道路复杂程度较高的关键路段行驶时所产生的子轨迹，并根据预先训练得到的每个关键路段对应的车辆识别模型，分别对该多个子轨迹进行特征识别，并据此判断出该车辆是否为货车类型的车辆。从而一方面实现了运用关键路段轨迹的特征点来提高货车类型的识别准确率所达到的，降低计算资源开销的目的；另一方面通过车辆的局部轨迹来识别货车类型，不仅能节省车辆的轨迹上传资源，同时也能达到快速响应识别结果的目的。快速响应识别结果的目的。快速响应识别结果的目的。


技术研发人员：李成才
受保护的技术使用者：北京千方科技股份有限公司
技术研发日：2023.07.10
技术公布日：2023/8/9