CN105788269A - 基于无人机的异常交通识别方法 - Google Patents

Abstract

本发明提供的基于无人机的异常交通识别方法，包括通过无人机进行采集巡航范围内的交通图像信息并输出至服务器，对所述交通图像信息进行处理，将处理过的当前交通图像信息与预设的正常状态交通图像信息对比，判断当前路段是否存在异常；本发明可以通过无人机对实时路况进行拍照并自动对图片进行处理，选择出值得发布的图片信息上传至交通控制系统，并运用浮动车法原理、密度投影法来用无人机检测道路的交通量，交通控制系统可依据图像中呈现出的交通实时情况和车流量大小，进行交通状态的检测、交通安全预警以及交通控制诱导等，并依据云服务平台进行图像的接收、处理以及指令的发布。

Description

基于无人机的异常交通识别方法

技术领域

本发明涉及智能交通领域，尤其涉及一种基于无人机的异常交通识别方法。

背景技术

面对当今世界全球化、信息化发展趋势，传统的交通技术和手段已不适应经济社会发展的要求。智能交通系统(IntelligentTransportationSystem，简称ITS)是交通事业发展的必然选择，是交通事业的一场革命。通过先进的信息技术、通信技术、控制技术、传感技术、计算器技术和系统综合技术有效的集成和应用，使人、车、路之间的相互作用关系以新的方式呈现，从而实现实时、准确、高效、安全、节能的目标。

目前中国交通最大的问题是人口多，此外，交通流的构成也很复杂，除了庞大的机动车流、行人流、自行车流外，还有越来越多的助力自行车、三轮车等交通方式，因此智能交通的道路在中国还有很长，而目前无人机主要应用于以下两个方面，第一军事上，进入危险环境执行任务，第二无人机的民用化，主要应用于突发事件的调查，如单体滑坡勘察、火山环境的检测等领域。现有的交通异常检测系统主要有两种，一种是运用紧急电话、巡逻和闭路电视三部分组成的非自动交通异常检测系统；还有一种是通过采集道路上交通流量变化而反应交通异常的自动检测系统，采集交通流量主要通过检测线圈，这类检测技术并不是直接检测异常事件的本身，而是通过检测由异常事件所引起的流量、占有率以及速度的变化值超过了限定值，则判断为异常交通。这两类检测方法都不能反应交通异常事件的实时状态，不能使管理者清晰地了解当时的交通状态、以及事件的严重程度，以便立即采取正确的措施解决交通问题，因此，亟需一种新的异常交通识别技术，能够将二者相互结合起来构建一个绿色安全的体系。

发明内容

有鉴于此，本发明提供一种基于无人机的异常交通识别方法以解决上述问题。

本发明提供的基于无人机的异常交通识别方法，包括

通过无人机进行采集巡航范围内的交通图像信息并输出至服务器，对所述交通图像信息进行处理，将处理过的当前交通图像信息与预设的正常状态交通图像信息对比，判断当前路段是否存在异常。

进一步，将不同分类下的交通异常事件作为对象空间，将路段速度作为对象的属性空间，所述不同分类下的交通异常事件包括拥堵、事故和火灾交通异常事件,通过互不相交的路段速度属性集依次将属性空间进行有序分割。

进一步，还包括建立属性识别模型，通过所述模型获取不同分类下的交通异常事件的严重程度，

当属性空间的属性集{C₁,C₂,...,C_k}为强序分割时，

如果有则认为X属于C_i类；

当属性空间的属性集{C₁,C₂,...,C_k}为弱序分割时，

如果有则认为X属于C_i类

其中，X为对象空间，x为对象空间中的元素，m为每一个元素的指标数量，λ为置信度，C_i为属性空间的第i个属性集,K为属性集的数量，U_x(C_i)为元素x属于C_i类的属性测度。

进一步，通过对象空间中元素的属性测度判断元素的所属类别，所述元素的属性测度通过如下公式获取：

$u_{ijk}=u(x_{ij}\∈C_k)=\underset{j=1}{\overset{m}{\Σ}}{w}_j{u}_{ijk},1\≤k\≤K$

其中，x_i为第i个元素,x_ij为x_i的第j个指标I_j的测量值，u_ijk为具有属性C_k的属性测度,w_j为第j个指标的权重。

进一步，所述服务器为云服务器，所述云服务器根据预设的交通图像信息的重要程度阈值，与无人机采集交通图像信息的重要程度进行对比，将重要程度高于阈值的交通图像信息传送至云服务平台。

进一步，所述云服务平台根据交通事件的严重程度进行实时报警，若交通异常事件为火灾时，则立刻报警。

进一步，当属性空间的属性集{C₁,C₂,...,C_k}为强序分割时，通过如下矩阵表示：

其中，a_jk满足a_j1>a_j2>...>a_jk或a_j1i<a_j2<...<a_jk，

如果有a_j1i<a_j2<...<a_jk，则：

当x_ij<a_j1时，取u_ij1＝1，u_ij2＝...u_ijk＝0；

当x_ij>a_jk时，取u_ijk＝1,u_ij2＝...u_ij(k-1)＝0；

当a_jl≤x_ij≤a_j(l+1)时，取

$u_{ijl}=\frac{\left|x_{ij}-a_{j(l+1)}\right|}{\left|a_{jl}-a_{j(l+1)}\right|},u_{ij(l+1)}=\frac{\left|x_{ij}-a_{jl}\right|}{\left|a_{jl}-a_{j(l+1)}\right|}$

u_ijk＝0，其中，k<l或k>l+1。

进一步，对无人机采集的交通图像信息进行图形处理，将处理后的图像信息与标准图库中的图片进行对比，若多台车辆运动轨迹呈非线性变化，则判定该路段异常，并将判定异常的图像信息优先发送至云服务平台，所述云服务平台根据异常事件进行分类处理。

本发明的有益效果：本发明可以通过无人机对实时路况进行拍照得到图片反应的交通事件的严重程度，可以实现快速监测、报警，通过对图片重要度进行选择，使交通异常事件的识别更加高效、准确，保证异常事件得到快速解决，减少拥堵的发生，保障交通参与者的安全，为事件周围的车辆提供安全保障、便于交通部门快速疏导交通，大大减少了事故发生并演变为更大事故的几率。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1是本发明的流程示意图。

图2是本发明的原理示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述：图1是本发明的流程示意图，图2是本发明的原理示意图。

如图1所示，本实施例中的基于无人机的异常交通识别方法，包括通过无人机进行采集巡航范围内的交通图像信息并输出至服务器，对所述交通图像信息进行处理，将处理过的当前交通图像信息与预设的正常状态交通图像信息对比，判断当前路段是否存在异常。在本实施例中，依据道路条件以及图片质量确定无人机的航拍高度h，无人机的飞行高度大约为20m时，可清晰地看到路面状况,当飞行高度超过120m时，需要有摄影测绘资质并申请空域，按照道路线形使无人机以一定的巡航速度v_巡航行驶，并保持无人机与道路平行的状态飞行，便于图片的识别，得出在该区域内巡航一次的时间为t_w，运用无人机进行拍照，无人机拍摄图片设置为k张/s，将无人机拍摄的图片传输至云服务器，在云服务器中进行图像处理、识别，图像处理器通过图像增强或复原，改进图片的质量，包括去除噪点，修正数码照片的广角畸变，提高图片对比度，消除红眼等等，使图像的清晰度更高，消除无人机在快速飞行状态下拍摄而导致图片清晰度较低的情况，将正常状态下的图片与无人机拍摄的图片作对比，对比出图片的不同之处，无人机拍照属于动态摄影，通过多元动态交通流追踪，假设在进行图片对比分析时，若发现多辆车运动轨迹呈现非线性改变，可疑似该路段异常。

在本实施例中，将不同分类下的交通异常事件作为对象空间，将路段速度作为对象的属性空间，所述不同分类下的交通异常事件包括拥堵、事故和火灾交通异常事件,通过互不相交的路段速度属性集依次将属性空间进行有序分割，本实施例中在接收到无人机发送的交通异常图片后，针对每一异常事件的特点，对图片进行分类，交通异常事件包括：拥堵、事故、火灾和其他异常事件，最后确定该路段发生的具体交通异常事件，将路段速度作为属性空间，，通过四类互不相交的速度依次将属性空间进行有序分割。

例如：F为路段速度，我国高速公路服务水平分为四级，按照服务水平将F分为4类，在设计速度为100km/h时，C1＝一级服务水平速度＝{≥96km/h}，C2＝二级服务水平速度＝{79km/h-96km/h}，C3＝三级服务水平速度＝{71km/h-79km/h}，C4＝四级服务水平速度＝{47km/h-71km/h}，且这4类速度互不相交，则{C₁,C₂,C₃,C₄}为属性空间F(路段速度)的分割，一级道路、二级道路、三级道路、城市道路按其服务水平也可进行分级，一般情况下，属性集之间是可以相互“比较”的，如果认为属性集A比属性集B要“强”，记为A>B，如果认为属性集A比属性集合B要“弱”时，记为A<B。在上面的例子中，速度的类别越靠前其速度值越“大”，所以有C₁＞C₂＞C₃＞C₄，本实施例中的{C₁,C₂,...,C_k}为属性空间F的一种分割，且满足C₁>C₂>…>C_k或者C₁＜C₂＜…＜C_k，若C₁>C₂>…>C_k，则称为强序分割，若C₁＜C₂＜…＜C_k，则称为弱序分割。

在本实施例中，以拥堵为例进行说明，当交通异常事件为事故、火灾或其他情况时均可用本实施例中的方法判别，但参数、指标选取不同。在本实施例中，通过将一个事务的属性作为一个集合，将X作为对象空间，如果F表示研究对象X某一元素的某种特性，将F作为研究对象X的属性空间。例如，X＝{拥堵}，针对该路段的拥堵程度，则可令属性空间F＝{速度}。属性空间F中任意特性都代表一个子集，称为一个属性集。例如定义A、B为属性空间F(速度)的两个子集，集合A＝{A级速度}，B＝{B级速度}，则A、B称为属性空间F的属性集。取对象空间X中的一个元素x和一个属性集A，若有“x∈A”则表示“元素x具有A属性”，将刻画这种程度的数记为Ux(A)，则Ux(A)被称为x∈A的属性测度，对象空间中的每一个属性集都应该被给出相应的属性测度。

在本实施例中，U_x(C_i)为元素x属于属性C_i类的属性测度，且满足在计算出U_x(C_i)(1＜i＜k)之后，需要判定元素x属于哪一个属性类，本实施例采用置信度准则来进行判断，设{C₁,C₂,...,C_k}为属性空间F的一个有序分割，λ为置信度。若{C₁,C₂,...,C_k}为强序分割(C₁>C₂>…>C_k)，如果有

若{C₁,C₂,...,C_k}为弱序分割(C₁＜C₂＜…＜C)，

如果有

则认为X属于C_i类。

置信度λ的取值范围根据建模经验一般取[0.6,0.7]。

本实施例中的对象空间X中的每一个元素x都有m个指标，记为I₁I₂,...,I_m，第i个元素x_i的第j个指标I_j的测量值记为x_ij，则X_i可以表示为一个向量x_i＝(x_i1,x_i2,...,x_im)。当属性测度空间F的一个强序分割为{C₁,C₂,...,C_k}，并且已知每个指标的分类标准，则其用矩阵形式表示为：

式中，a_jk满足a_j1>a_j2>...>a_jk或a_j1i<a_j2<...<a_jk。

计算测量值x_ij(x_i的第j个指标I_j)具有属性C_k的属性测度u_ijk＝u(x_ij∈C_k)，如果有a_j1i<a_j2<...<a_jk，则：

当x_ij<a_j1时，取u_ij1＝1，u_ij2＝...u_ijk＝0；

当x_ij>a_jk时，取u_ijk＝1,u_ij2＝...u_ij(k-1)＝0；

当a_jl≤x_ij≤a_j(l+1)时，取

$u_{ijl}=\frac{\left|x_{ij}-a_{j(l+1)}\right|}{\left|a_{jl}-a_{j(l+1)}\right|},u_{ij(l+1)}=\frac{\left|x_{ij}-a_{jl}\right|}{\left|a_{jl}-a_{j(l+1)}\right|}$

u_ijk＝0(k<l或者k>l+1)。

然后计算出x_i的属性测度u_ijk＝u(x_ij∈C_k)。由于x_i的m个指标的权重不同，假设各指标权重为(w₁,w₂,...,w_m)，w_j≥0，且则可计算出x_i的属性测度为：

$u_{ijk}=u(x_{ij}\&Element;C_k)=\underset{j=1}{\overset{m}{\&Sigma;}}{w}_j{\mathrm{\&mu;}}_{ijk},1\&le;k\&le;K$

得出属性测度后，可运用置信度判断准则来判断x_i所属类别。

$K_0=min\{k:\underset{i=1}{\overset{k}{\&Sigma;}}{U}_X\left(C_i\right)\&GreaterEqual;\mathrm{\&lambda;},1\&le;k\&le;K\}$

通过上述模型可计算出拥堵、事故、火灾以及其他交通异常事件的严重程度，便于交通管理部门及时采取正确的行动，减少事故的发生和更大的人员伤亡。

在本实施例中，服务器为云服务器，所述云服务器根据预设的交通图像信息的重要程度阈值，与无人机采集交通图像信息的重要程度进行对比，将重要程度高于阈值的交通图像信息传送至云服务平台。由云服务平台依据图片反应的交通事件严重程度进行实时报警，特别说明若发生火灾情况，应立即报警，派交管部门去图片所示的事件现场进行交通管制以及交通疏导。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于无人机的异常交通识别方法，其特征在于：包括

通过无人机进行采集巡航范围内的交通图像信息并输出至服务器，对所述交通图像信息进行处理，将处理过的当前交通图像信息与预设的正常状态交通图像信息对比，判断当前路段是否存在异常。

2.根据权利要求1所述的基于无人机的异常交通识别方法，其特征在于：将不同分类下的交通异常事件作为对象空间，将路段速度作为对象的属性空间，所述不同分类下的交通异常事件包括拥堵、事故和火灾交通异常事件,通过互不相交的路段速度属性集依次将属性空间进行有序分割。

3.根据权利要求2所述的基于无人机的异常交通识别方法，其特征在于：还包括建立属性识别模型，通过所述模型获取不同分类下的交通异常事件的严重程度，

当属性空间的属性集{C₁,C₂,...,C_k}为强序分割时，

如果有则认为X属于C_i类；

当属性空间的属性集{C₁,C₂,...,C_k}为弱序分割时，

如果有则认为X属于C_i类

其中，X为对象空间，x为对象空间中的元素，m为每一个元素的指标数量，λ为置信度，C_i为属性空间的第i个属性集,K为属性集的数量，U_x(C_i)为元素x属于C_i类的属性测度。

4.根据权利要求3所述的基于无人机的异常交通识别方法，其特征在于：通过对象空间中元素的属性测度判断元素的所属类别，所述元素的属性测度通过如下公式获取：

$u_{ijk}=u(x_{ij}\&Element;C_k)=\underset{j=1}{\overset{m}{\&Sigma;}}{w}_j{u}_{ijk},1\&le;k\&le;K$

其中，x_i为第i个元素,x_ij为x_i的第j个指标I_j的测量值，u_ijk为具有属性C_k的属性测度,w_j为第j个指标的权重。

5.根据权利要求4所述的基于无人机的异常交通识别方法，其特征在于：所述服务器为云服务器，所述云服务器根据预设的交通图像信息的重要程度阈值，与无人机采集交通图像信息的重要程度进行对比，将重要程度高于阈值的交通图像信息传送至云服务平台。

6.根据权利要求5所述的基于无人机的异常交通识别方法，其特征在于：所述云服务平台根据交通事件的严重程度进行实时报警，若交通异常事件为火灾时，则立刻报警。

7.根据权利要求4所述的基于无人机的异常交通识别方法，其特征在于：当属性空间的属性集{C₁,C₂,...,C_k}为强序分割时，通过如下矩阵表示：

其中，a_jk满足a_j1>a_j2>...>a_jk或

如果有则：

当x_ij<a_j1时，取u_ij1＝1，u_ij2＝...u_ijk＝0；

当x_ij>a_jk时，取u_ijk＝1,u_ij2＝...u_ij(k-1)＝0；

当a_jl≤x_ij≤a_j(l+1)时，取

$u_{ijl}=\frac{|x_{ij}-a_{j(l+1)}|}{|a_{jl}-a_{j(l+1)}|},u_{ij(l+1)}=\frac{|x_{ij}-a_{jl}|}{|a_{jl}-a_{j(l+1)}|}$

u_ijk＝0，其中，k<l或k>l+1。

8.根据权利要求6所述的基于无人机的异常交通识别方法，其特征在于：对无人机采集的交通图像信息进行图形处理，将处理后的图像信息与标准图库中的图片进行对比，若多台车辆运动轨迹呈非线性变化，则判定该路段异常，并将判定异常的图像信息优先发送至云服务平台，所述云服务平台根据异常事件进行分类处理。