报警点,可以狭义的理解为电子狗,就是对电子警察的报警,而这里所谓的电子警察主要为测速照相的摄像头,当然也包括违章、闯红灯等等摄像头。从广义上讲,报警点就不仅仅局限于电子狗了,从现阶段各大导航软件公司的做法来看,亦是如此,报警点现在可以对事故多发地段、学校门口、连续转弯道路等进行报警。狭义的报警点是为了避免大家吃罚单(从现阶段的用户心里来看就是为了不让电子眼拍到而产生罚款),而广义的报警点已经远远超过了仅仅避免违章的避免违章的境地,进入了让用户开车更安全的层面。广义的报警点甚至可以延伸的更远。

那么,我们如何来做好报警点呢?这里就涉及到了报警模型,本文将从软件、数据的层面来提出几个报警点模型,欢迎大家共同讨论。当然,测雷达波的电子狗不在本文讨论范围,本文中的报警点是固定的点位,带有坐标的点位。

从市场上来看,一般都将电子狗区分为固定测速电子狗和流动测速电子狗,当然好一点的则是固定流动一体的电子狗。

从个人的理解来看,最早出现的是流动测速电子狗,侦测雷达波段进行报警,从早期来看交通部门也基本上都采用雷达波来测试,而这样的测速仪器一般都是固定的波段,所以只要用个侦测雷达波的芯片加上简单的设计就可以做成电子狗,据说好的芯片现阶段还需要从国外进口。但这一招基本上不灵了,因为许多城市都开始采用地感线圈测速,即道路上前后安置两根固定距离的测速线,车辆压过以后直接得到时间差,速度也就直接可以得到了,如果超速则立即启动摄像头拍照。听说还有更先进的测速设备,照相机连续拍摄两张照片,根据照片谍影加上照相机拍照的时间差而得到速度。当然,上面说的是测速类的,而一般测违章并线、闯红灯等等还是采用的地感线圈。所以,基于雷达波的电子狗在渐渐的失去市场,而这样的电子狗现在也非常便宜,效果也就越来越差了,所以那些配备了电子狗的司机朋友经常说许多测速点都不报警。并且,此原理也有局限性,比如有时候会无缘无故报警,为什么,可能是因为马路附近的工厂等产生的非电子警察的雷达波,但频率却和电子眼一致,不过这个应该测交通部门的流动测速车(就是一辆车顶装有雷达测速设备的警车)应该比较准。顺便说个好玩的,据说台湾地区有些人为了让那些采用地感线圈的电子警察也被测雷达波的电子狗侦测到,就采用“手雷”的形式,就是将带有雷达波发射功能的一个小东西丢在这个十字路口的附近,不过我们会担心成本会不会太高啊、电池使用时间多长啊、会不会被清洁工阿姨清扫掉啊。讲了这么多的雷达波测速电子狗,但他们不在我们的讨论范围,因为硬件的局限加上流动的原因。

固定测速电子狗就比较简单了,因为固定那么肯定和位置有关,就是事先已经知道了在哪个位置有电子警察,将这些位置预装到电子狗中就可以了。但怎么确定这个电子狗的位置,难道告诉电子狗说在A和B的路口有个往东方向拍摄的电子警察,这肯定是不可取的,并且怎么让电子狗知道你的位置并和电子警察位置匹配,由此看来只有一个办法,就是采用GPS,电子警察的位置也就是X和Y的经纬度,而车辆位置直接使用GPS定位,当接近电子警察点位一定范围的时候便开始报警。 从这里也不难理解为什么固定测速电子狗比较贵了,因为他们同导航设备一样,也采用了GPS,那么GPS接收芯片的成本是不能少的,当然现在来看GPS芯片也是在不断的掉价。不过,看这市场让我不明白的是,为什么用户会买一个千把块钱的电子狗却不买导航仪,毕竟导航仪现在也是超级的便宜那,可能是因为贵的电子狗专业而导航仪并不是专业电子狗吧。固定测速电子狗的好处可能是能够对非雷达波的测速设备报警,当然其实固定测速电子狗最重要的是和报警数据有关,如果没有及时更新那么固定测速电子狗是无法报警的,因为数据中不存在新的点位,所以我也能够明白为什么卖固定测速电子狗的商家说这个能够更新数据什么的。而虽然说固定电子狗的原理就是简单的接近报警,但是如何接近并按照什么条件进行报警,这就变化多端了。另外,车载导航设备中所谓的电子狗功能也基本上是固定报警点,根据固定点位和一定的条件产生报警。由此,我们从数据和软件的角度讨论一下报警点数据和报警模型。

在谈报警模型之前,首先要了解一下报警点情况,以最常见的电子警察为例,除了坐标位置以外,还有方向,比如往东还是往西方向,如果再细分一下,分为拍车前部还是拍车的后尾。

1, 接近报警,最简单的报警:

假设在坐标位置为x和y的地方有一个报警点,我们设置一个半径为z的警示圆,当车辆进入该警示圆则自动报警。模型如下:

图中红色点表示报警点,红色的圆表示半径为z的警示圆。

优点:只要进入警示圆就会报警。

缺点:没有方向。图中蓝色箭头从圆中心穿越会报警,而紫色箭头虽然没有从圆中心穿越,但也会报警,同时如果从蓝色箭头的逆向进入,也同样会报警。

补充一点,如果使用圆进行判断有难度的话,可以改用正方形,以报警点为中心绘制边长为两倍z的正方形,同样也能达到报警的目的,只是这样的做法虽然更加简单,但精确度会降低很多,正方形正切圆后圆外边的部分就是不符合精度要求的。变换后的模型:

2,带角度的报警:

接近报警是最简单的报警,由于它自身的弊端,我们应该如何改进。改进方法就是让报警带上角度,这样就解决了没有方向的问题,这也是最常能够考虑到的方法。模型如下:

如上图所示,绿色的表示角度范围,角度可以自行调整大小。只要从绿色范围进入的,就进行报警,而红色范围内的不报警,上图所示的蓝色箭头肯定报警,而紫色箭头不报警,同样,蓝色箭头的逆向也不会报警。另外,角度大小的调整可以控制报警的精确度,太小了可能会少报,而太大了可能会多报。

此方法较好的解决了接近报警的不足。大部分的报警模型应该采用此方法。

3,双重区域叠加报警(带角度报警的变相方法):

带角度报警的方法确实非常的好,那么是否有一种比角度更加简单的模型呢?有的,就是双重区域叠加报警法,此方法较少见,但也是拥有一定意义上的角度功能,简单的说就是大圆套小圆,如果进入叠加区域则报警。模型如下:

图中绿色区域为报警区域,如果沿着蓝色箭头方向进入绿色区域则报警,而如果从蓝色箭头的逆向进入绿色区域则不报警。也就是说,要求同时进入到两个区域才能进行报警,如果先进入大圆区域后再进入小圆区域,则不报警,此点是让报警带上角度的关键。

但如果使用圆形,可能不容易判断,如果把圆形改成正方形,则报警的判断相对来说要变的容易的多:

4,缓冲区报警:

虽然现在的测速探头都是一个坐标点位,但很多的时候拍摄的是一条道路,但这个道路可能不是直的(至少在摄像头前的一段),正好是拐弯处(比如匝道),这样的话导致角度报警会产生较大的偏差。严格的说,报警本身就是针对道路的报警,就是说摄像探头的范围一般都是针对道路的,不可能面对一片非道路区域,角度也就是对着道路的角度了,所以如果根据道路的形态建立一个buffer,在这个buffer区域内进行报警就会变的非常的完美了。模型非常简单,如下图所示:

图片画的有点夸张了,但大概的意思即是如此。报警点在末端,根据蓝色的道路建立一个buffer,得到红色线条所示的区域,该区域即为报警区域,如果从buffer的头部(图中的上部,和报警点相对的另一端)进入buffer就进行报警。

从缓冲区报警延伸开来,如果地图数据供应商将摄像探头和道路ID对应起来,那应该就是比较完美的做法了。

从个人理解的角度,简单谈了这几种报警模型,有可能有更好的报警方法,欢迎补充。本文的前半部分的介绍是在三个月前完成的,而在模型讲解部分是今天赶出来的,风格有较大的差异,后面的模型讲解也过于简单了一些,有点虎头蛇尾的味道,请多多包涵。最后留下两个问题给大家思考:

1,探头在马路另一侧(就是探头在绿化带隔壁的马路上,但拍摄的却是这一侧的探头)的该如何报警?

1,对于拍车屁股(常规的是逆着车行驶方向拍摄车头部分的车牌,但此类型探头是顺着车行驶方向拍摄车尾部分的车牌)的探头该如何报警?

报警点(电子狗)模型探究相关推荐

  1. Swift 对象内存模型探究(一)

    MemoryLayout 基本使用方法 HandyJSON 是 Swift 处理 JSON 数据的开源库之一,类似 JOSNModel,它可以直接将 JSON 数据转化为类实例在代码中使用. 由于 S ...

  2. python如何做混合模型面板回归_面板Tobit模型探究(二):模型讲解以及stata实现...

    第一部分   模型发展历史 Tobit模型从最初的结构式模型扩展到时间序列模型.面板数据模型以及非参数模型等形式,无论Tobit模型的结构形式如何变化,现有的估计方法基本上都是在Heckman(197 ...

  3. 基于机器学习的WAF模型探究5

    遇到的问题: 想解决部署到Nginx服务器上,遇到点小问题,分发器在py中能跑,在ctest中能跑,上Nginx就不能跑,请允许我一个悲伤的表情,在团队徐sir的帮助下,用新的思路连夜改了一个版本,发 ...

  4. 什么是解耦表示学习?使用beta-VAE模型探究医疗和金融问题

    作者 | Alexandr Honchar 译者 | 大鱼 编辑 | Rachel.琥珀 出品 | AI科技大本营(id:rgznai100) [导语]本文对传统的人工数学建模和机器学习的优缺点进行了 ...

  5. 数据分析36计(13):中介模型利用问卷数据探究用户心理过程,产品优化思路来源...

    往期系列原创文章集锦: 数据分析36计(12):做不了AB测试,如何量化评估营销.产品改版等对业务的效果 数据分析36计(11):如何用贝叶斯概率准确提供业务方营销转化率 数据分析36计(十):Fac ...

  6. 网络多人游戏架构pdf_21秒看尽ImageNet屠榜模型,60+模型架构同台献艺

    机器之心报道 参与:一鸣.思 60+模型架构,历年十几个 SOTA 模型,这 21 秒带你纵览图像识别的演进历史. ImageNet 是计算机视觉领域常用的数据集之一.在图像分类.目标分割和目标检测中 ...

  7. 微生物群落相互作用模型系列------全系列汇总(2022.8.12更新)

    微生物群落相互作用建模系列 系列介绍: 一. 本系列主要包含以下内容的文章: 基于动力学方程的简单模拟 基于个体模型(IBM/ABM)适应度与适应性行为的模拟 基于基因组规模代谢网络模型(GMMS)和 ...

  8. 随机森林模型_观点速递65|使用随机森林模型模拟短期空气污染效应:基于交通和气象数据...

    概念 · 解读 随机森林:机器学习中的一种集成算法,它属于"装袋"类型,通过组合多棵决策树,最终结果通过投票或取均值,使得整体模型的结果具有较高的精确度和稳定性. 决定系数(R2) ...

  9. 精度87%!业内首个动静统一的图像分割套件重磅推出

    ↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 方向:图像分割技术 图像分割技术是计算机视觉领域的一个重要的研究方向,早 ...

最新文章

  1. Python 图片亮度
  2. JS中eval处理JSON数据 为什么要加括号
  3. java 调试 gdb_android gdb 调试实例演示(有源代码篇)
  4. The world at your fingertips — 天涯明月刀幕后(后记)
  5. linux ps 代码,Linux ps命令详解(示例代码)
  6. JAVA入门级教学之(JAVA程序的加载和运行)
  7. Python风格总结:Python3 标准库概览
  8. 大学计算机老师说未来不需要程序员,都是机器自动生成代码。老师说估计20年,程序员就会被取代,现实吗?
  9. 苹果或在 WWDC 宣布放弃英特尔转向自研 5nm ARM 芯片,这次时机成熟了?
  10. Coinbase 现“市场核弹级”漏洞,颁发25万美元奖励
  11. html登陆部分项目答辩演讲稿,D-POTDR项目答辩讲稿材料
  12. cube云原生机器学习平台-架构(二)
  13. ARX帮助文档:数据库对象
  14. 新版淘宝宽屏轮播代码带缩略图
  15. 大话设计模式之爱你一万年:第一章 设计模式基本概念:1.软件设计模式概述
  16. 市场调研中的定性/定量分析
  17. 【数理逻辑三】命题逻辑及形式系统【下】
  18. 《HelloGitHub》第 61 期
  19. mysql 复制frm_如何通过直接复制frm文件以实现恢复/复制innodb数据表
  20. python中pip下载的代理设置

热门文章

  1. B-Mine Sweeper II
  2. 苏杰对话布棉:产品经理 · 看十年 · 超万字的...精编版
  3. 清唱极具穿透力的西单地下通道女孩
  4. 【量化交易】 策略评价与建立模拟【008】
  5. 分享个好用的拼图神器
  6. Python-Django毕业设计在线小说阅读平台微信小程序(程序+Lw)
  7. 如何入门微信小程序制作
  8. 45页PPT:AGV技术详解
  9. 关于ftp出现425错误
  10. 【Web前端】CSS-定位详解