CN110796580B - 智能交通系统管理方法及相关产品 - Google Patents
智能交通系统管理方法及相关产品 Download PDFInfo
- Publication number
- CN110796580B CN110796580B CN202010003405.6A CN202010003405A CN110796580B CN 110796580 B CN110796580 B CN 110796580B CN 202010003405 A CN202010003405 A CN 202010003405A CN 110796580 B CN110796580 B CN 110796580B
- Authority
- CN
- China
- Prior art keywords
- face
- target
- point distribution
- image
- distribution density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn - After Issue
Links
- 238000007726 management method Methods 0.000 title claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 51
- 238000013473 artificial intelligence Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
Images
Classifications
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
Abstract
本申请实施例公开了一种智能交通系统管理方法及相关产品，应用于智能交通系统，所述方法包括：获取目标环境参数；将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；依据所述目标交通配置参数进行参数配置。采用本申请实施例能够提升交通管理的智能性。
Description
技术领域
本申请涉及信息处理技术领域，具体涉及一种智能交通系统管理方法及相关产品。
背景技术
智能交通(Intelligent Transportation System，ITS)在交通领域中充分运用物联网、云计算、互联网、人工智能、自动控制、移动互联网等技术，通过高新技术汇集交通信息，对交通管理、交通运输、公众出行等等交通领域全方面以及交通建设管理全过程进行管控支撑，使交通系统在区域、城市甚至更大的时空范围具备感知、互联、分析、预测、控制等能力，以充分保障交通安全、发挥交通基础设施效能、提升交通系统运行效率和管理水平，为通畅的公众出行和可持续的经济发展服务，但是，目前来看，智能交通还是不够智能化。
发明内容
本申请实施例提供了一种智能交通系统管理方法及相关产品，能够提升交通管理的智能性。
第一方面，本申请实施例提供一种智能交通系统，所述智能交通系统包括获取电路、人工智能芯片和配置电路，其中，
所述获取电路，用于获取目标环境参数；
所述人工智能芯片，用于将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；
所述配置电路，用于依据所述目标交通配置参数进行参数配置。
第二方面，本申请实施例提供一种智能交通系统管理方法，应用于智能交通系统，所述方法包括：
获取目标环境参数；
将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；
依据所述目标交通配置参数进行参数配置。
第三方面，本申请实施例提供一种智能交通系统管理装置，应用于智能交通系统，所述装置包括：
获取单元，用于获取目标环境参数；
处理单元，用于将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；
配置单元，用于依据所述目标交通配置参数进行参数配置。
第四方面，本申请实施例提供了一种控制平台，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第二方面中的步骤的指令。
第五方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第二方面中所描述的部分或全部步骤。
第六方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第二方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例，具备如下有益效果：
可以看出，本申请实施例中所描述的智能交通系统管理方法及相关产品，应用于智能交通系统，获取目标环境参数，将目标环境参数输入到预设神经网络模型，得到与目标环境参数相应的用于配置交通的目标交通配置参数，预设神经网络模型由针对不同环境参数下的交通配置参数训练得到，依据目标交通配置参数进行参数配置，如此，能够让交通实现与环境相宜的管理效果，有助于缓解交通，能够提升交通管理的智能性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1A是本申请实施例提供的一种人工智能芯片的结构示意图；
图1B是本申请实施例提供的交通管理系统的架构示意图；
图1C是本申请实施例提供的一种智能交通系统管理方法的流程示意图；
图2是本申请实施例提供的另一种智能交通系统管理方法的流程示意图；
图3是本申请实施例提供的另一种电子设备的结构示意图；
图4是本申请实施例提供的一种智能交通系统管理装置的功能单元组成框图。
具体实施方式
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例所涉及到的电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备（智能手表、智能手环、无线耳机、增强现实/虚拟现实设备、智能眼镜）、计算设备或连接到无线调制解调器的其他处理设备，以及各种形式的用户设备（userequipment，UE），移动台（mobile station，MS），控制平台，终端设备（terminal device）等等。为方便描述，上面提到的设备统称为电子设备。智能交通系统应用于上述电子设备。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面对本申请实施例进行详细介绍。
参阅图1A，图1A为本申请提供的一种人工智能芯片的结构示意图，该人工智能芯片应用于电子设备，该电子设备可以包括智能交通系统，所述智能交通系统除了包括人工智能芯片之外，还可以包括获取电路和配置电路，所述电子设备的人工智能芯片可以用于执行图像识别运算，人工智能芯片其包括：主处理电路、分支处理电路、基础处理电路、数据访问单元、主存储器和多个从存储器，每个分支处理电路与对应的一个从存储器连接，数据访问单元与主存储器和多个从存储器分别连接。如图1A所示的结构，具有如下的优点，在运算时，数据访问单元从外部器件（即人工智能芯片外，例如智能手机的存储器）读取片外数据，然后将片外数据发送至主存储器以及从存储器，在运算完毕后，数据访问单元将各个从存储器件的运算结果读取，将该运算结果发送至主处理电路（如果需要对运算结果进行后续处理）或发送至外部器件，此结构能够减少人工智能芯片与片外存储的交互次数，另外，每个分支处理电路分配一个从存储器，能够避免单个从存储器由于无法有效利用数据局部性而导致额外的访存开销。
外部器件在针对不同的场景可能有所不同，例如交通场景，其对应的外部器件可以为图像采集器，具体的，例如摄像头，该摄像头可以为单摄像头或者多摄像头，单摄像头可以为红外摄像头、可见光摄像头、广角摄像头，双摄像头可以为可见光摄像头+红外摄像头，或者，广角可见光摄像头+普通可见光摄像头，在此不做限定。对于图像识别场景，其实现的方式具体可以包括：图像采集器采集图像数据，数据转换器（例如模数转换器）将图像数据转换成输入数据传输给主处理电路，主处理电路将该接收到的输入数据分发至分支处理电路（可选的），分支处理电路将数据转发至各个基础处理电路，各个基础处理电路执行各自计算后得到中间结果，将中间结果通过分支处理电路转发至主处理电路，主处理电路依据中间结果处理得到最终计算结果，依据该最终计算结果得到图像识别的结果。
进一步地，请参阅图1B，图1B是本申请实施例提供的用于实现一种智能交通系统管理方法的智能交通系统的架构示意图，该智能交通系统包括控制平台，且通过控制平台连接至少一个摄像头。其中，获取电路可以包括一个或者多个摄像头，还可以包括处理器，用于对多个摄像头的数据进行数据转换和数据预处理；配置电路可以包括通用处理器，用于对控制平台的结果进行整合后，对参数进行配置。处理器可以为控制平台的部分或者全部处理功能。另外，本申请实施例中，人工智能装置可以为人工智能处理器、人工智能芯片等，其可用于快速完成人工智能运算的集成电路。上述处理器可以为以下至少一种：中央处理器（Central Processing Unit / Processor，CPU）、图形处理器(Graphics ProcessingUnit，GPU)或者图1A所描述的人工智能芯片等等，在此不做限定。
本申请实施例中，智能交通系统可以包括控制平台，控制平台可以包括如图1A所示的人工智能芯片，基于上述图1B所示的智能交通系统可以实现如下功能：
所述获取电路，用于获取目标环境参数；
所述人工智能芯片，用于将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；
所述配置电路，用于依据所述目标交通配置参数进行参数配置。
在一个可能的示例中，所述目标环境参数包括人流信息，所述智能交通系统连接至少一个摄像头，在所述获取目标环境参数方面，所述获取电路具体用于：
通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段；
对所述视频片段进行解析，得到M帧视频图像，所述M为大于1的整数；
对所述M帧视频图像进行人脸识别，得到P个人脸图像，所述P为大于1的整数；
对所述P个人脸图像进行去重操作，得到Q个人脸图像，所述Q为小于或等于所述P的正整数；
将所述Q个人脸图像与所述M确定所述人流信息。
在一个可能的示例中，在所述至少一个摄像头为多个摄像头时，在所述通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段方面，所述获取电路具体用于：
在所述多个摄像头中的任一摄像头在拍摄到人脸时，调整所述多个摄像头中每一摄像头的摄像角度和视角范围，得到所述多个摄像头形成360度无死角拍摄模式；
控制所述多个摄像头中所有摄像头在所述预设时间段内进行拍摄，得到多个视频片段，每一摄像头对应一个视频片段；
将所述多个视频片段进行拼接，得到所述预设时间段内的全方位视角的视频片段。
在一个可能的示例中，在所述对所述P个人脸图像进行去重操作，得到Q个人脸图像方面，所述获取电路具体用于：
将所述P个人脸图像进行聚类分析，得到K个人脸集合，所述K为正整数；
将所述K个人脸集合中的任一人脸集合以两两匹配的方式进行分类，得到Q个目标人脸集合，所述Q为大于或等于所述K的整数；
从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像，得到所述Q个人脸图像。
在一个可能的示例中，在所述从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像方面，所述获取电路具体用于：
将目标人脸集合j中的所有人脸图像划分为多个区域，所述目标人脸集合j为所述Q个目标人脸集合中的任一目标人脸集合；
确定所述所有人脸图像中每一人脸图像的所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度集合，每一人脸图像对应一个特征点分布集合；
依据所述多个特征点分布密度集合确定所述所有人脸图像中每一人脸图像对应的均方差，得到多个目标均方差，每一人脸图像对应一个目标均方差；
依据所述多个特征点分布密度集合确定所述人脸图像中每一人脸图像对应的平均特征点分布密度，得到多个目标平均特征点分布密度，每一人脸图像对应一个目标平均特征点分布密度；
获取预设的均方差对应的第一权重值以及平均特征点分布密度对应的第二权重值；
依据所述第一权重值、所述第二权重值、所述多个目标均方差和所述多个目标平均特征点分布密度进行加权运算，得到多个评价值；
从所述多个平均值中选取最大值，将该最大值对应的人脸图像作为所述目标人脸集合j中图像质量最好的一张人脸图像。
在一个可能的示例中，所述获取电路还包括人工智能装置，其中，
所述人工智能装置，用于对所述P个人脸图像进行图像增强处理；
在所述对所述P个人脸图像进行去重操作，得到Q个人脸图像方面，所述获取电路具体用于：
对图像增强处理后的所述P个人脸图像进行去重操作，得到所述Q个人脸图像。
在一个可能的示例中，在所述对所述P个人脸图像进行图像增强处理方面，所述人工智能装置具体用于：
将人脸图像a划分为多个区域，每一区域的面积大于预设面积，所述人脸图像a为所述P个人脸图像中的任一人脸图像；
确定所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度；
从所述多个特征点分布密度中选取小于预设特征点分布密度的特征点分布密度，得到至少一个特征点分布密度；
按照预设的特征点分布密度与图像增强参数之间的映射关系确定所述至少一个特征点分布密度对应的至少一个目标图像增强参数，每一特征点分布密度对应一个目标图像增强参数；
依据所述至少一个目标图像增强参数对所述至少一个特征点分布密度对应的区域进行图像增强处理，得到图像增强处理后的所述人脸图像a。
请参阅图1C，图1C是本申请实施例提供的一种智能交通系统管理方法的流程示意图，如图所示，应用于如图1B所示的智能交通系统，所述智能交通系统连接至少一个摄像头，本智能交通系统管理方法包括：
101、获取目标环境参数。
其中，目标环境参数可以为以下至少一种：天气、时间、温度、湿度、地理位置、人流信息、车流量、市政工程规模参数、预设车辆类型、人脸模板图像等等，在此不做限定。预设车辆类型可以为：特殊用途车辆（如：救护车、执勤警车、抢修车辆、消防车等等）、常规车辆。
其中，天气可以由智能交通系统接收气象站发送的天气信息，时间可以通过时钟获取，温度可以通过温度传感器获取，湿度可以通过湿度传感器获取、地理位置可以预先设置、车流量可以通过摄像头获取，市政工程规模参数可以预先获取、预设车辆类型可以预先定义、人脸模板图像也可以预先定义等等，在此不做限定。
在一个可能的示例中，所述目标环境参数包括人流信息，所述智能交通系统连接至少一个摄像头，上述步骤101，获取目标环境参数，可以包括如下步骤：
11、通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段；
12、对所述视频片段进行解析，得到M帧视频图像，所述M为大于1的整数；
13、对所述M帧视频图像进行人脸识别，得到P个人脸图像，所述P为大于1的整数；
14、对所述P个人脸图像进行去重操作，得到Q个人脸图像，所述Q为小于或等于所述P的正整数；
15、将所述Q个人脸图像与所述M之间的比值作为所述人流信息。
本申请实施例中，智能交通系统可以包括至少一个摄像头，该至少一个摄像头用于监控路面，或者，人行道，或者，十字路口。该至少一个摄像头可以理解为一个或者多个摄像头，该摄像头可以为以下至少一种：单摄像头或者多摄像头，其中，单摄像头可以为红外摄像头、可见光摄像头、广角摄像头等等，多摄像头可以为双摄像头，或者，三摄像头，或者四摄像头，摄像头的种类、数量均可以不做限定，摄像头可以是多个相同的，也可以是多个摄像头结合（集成）的，从而，依据摄像头可以获取不同类型的图像信息。摄像头的高度、拍摄角度均可以自动调节，上述摄像头可以为任意角度旋转的摄像头。
具体实现中，上述预设时间段可以由用户自行定义或者系统默认。具体实现中，智能交通系统可以控制通过至少一个摄像头获取包含当前时刻的预设时间段内的视频片段，该视频片段可以由至少一个摄像头中的任一或者任意多个摄像头拍摄，进一步地，可以对视频片段进行解析，得到M帧视频图像，M为大于1的整数，由于是一段时间内的图像，因此，可能存在人脸重复的情况，人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别，可以对M帧视频图像进行人脸识别，得到P个人脸图像，P为大于1的整数，当然，P个人脸图像中每一人脸图像的人脸区域占比大于预设人脸区域占比，上述人脸区域占比可以理解中实际人脸区域面积（人脸识别后的人脸图像中的人脸区域面积）与完整人脸区域面积之间的比值，预设人脸区域占比可以由用户自行设置或者系统默认。具体可以采用人脸识别算法提取每一帧视频图像中的人脸，人脸识别算法可以为PCA或者神经网络模型等等。可选的，基于PFLD算法，首先采用mobilenet和卷积神经网络相结合的网络模型，对mobilenet的网络参数进行训练，而后利用训练好的网络模型进行运算。识别完毕后，还可以对P个人脸图像进行去重操作，得到Q个人脸图像，Q为小于或等于P的正整数，最后，可以将Q个人脸图像与M确定人流信息，例如，人流信息=Q/M，或者，人流信息=Q/M帧视频图像对应的拍摄时长。
具体实现中，例如，人脸为犯罪嫌疑人时，则可以延长红灯时间，并通知交警或者特警
在一个可能的示例中，上述步骤13与步骤14之间，还可以包括如下步骤：
对所述P个人脸图像进行图像增强处理；
则，步骤14，对所述P个人脸图像进行去重操作，得到Q个人脸图像，可以按照如下方式实施：
对图像增强处理后的所述P个人脸图像进行去重操作，得到所述Q个人脸图像。
其中，图像增强处理可以包括以下至少一种：直方图均衡化、灰度拉伸、小波变换等等，在此不做限定。增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合。有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。图像增强处理在一定程度上提升特征显著性，进而提升图像质量。
在一个可能的示例中，上述A4，对所述P个人脸图像进行图像增强处理，还可以包括如下步骤：
A1、将人脸图像a划分为多个区域，每一区域的面积大于预设面积，所述人脸图像a为所述P个人脸图像中的任一人脸图像；
A2、确定所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度；
A3、从所述多个特征点分布密度中选取小于预设特征点分布密度的特征点分布密度，得到至少一个特征点分布密度；
A4、按照预设的特征点分布密度与图像增强参数之间的映射关系确定所述至少一个特征点分布密度对应的至少一个目标图像增强参数，每一特征点分布密度对应一个目标图像增强参数；
A5、依据所述至少一个目标图像增强参数对所述至少一个特征点分布密度对应的区域进行图像增强处理，得到图像增强处理后的所述人脸图像a。
其中，预设特征点分布密度可以由用户自行设置或者系统默认。控制平台可以获取人脸图像a，并将该人脸图像a划分为多个区域，每一区域的面积大于预设面积，该预设面积可以由用户自行设置或者系统默认。
进一步地，还可以确定多个区域中每一区域的特征点分布密度，得到多个特征点分布密度，具体地，可以对确定每一区域的面积，以及每一区域对应的特征点数量，将每一区域的特征点数量与其对应的面积之间的比值作为特征点分布密度，从该多个特征点分布密度中选取小于预设特征点分布密度的特征点分布密度，得到至少一个特征点分布密度，控制平台中可以预先存储预设的特征点分布密度与图像增强参数之间的映射关系，图像增强参数可以包括图像增强算法标识以及对应的控制参数，图像增强算法可以为以下至少一种：图像锐化处理、暗通道去雾算法、灰度拉伸、直方图均衡化、平滑处理、小波变换等等，在此不做限定，而控制参数则是图像增强算法对应的用于调节图像增强效果的参数，进而，可以依据该映射关系确定至少一个特征点分布密度对应的至少一个目标图像增强参数，每一特征点分布密度对应一个目标图像增强参数，依据至少一个目标图像增强参数对至少一个特征点分布密度对应的区域进行图像增强处理，得到图像增强处理后的人脸图像a，当然，P个人脸图像中的其他人脸图像也可以参照人脸图像a这样，实现图像增强处理，如此，可以针对性地对人脸图像中不清晰区域进行局部图像增强处理，有助于提升后续识别精度。
进一步地，在一个可能的示例中，在所述至少一个摄像头为多个摄像头时，上述步骤11，通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段，可以包括如下步骤：
111、在所述多个摄像头中的任一摄像头在拍摄到人脸时，调整所述多个摄像头中每一摄像头的摄像角度和视角范围，得到所述多个摄像头形成360度无死角拍摄模式；
112、控制所述多个摄像头中所有摄像头在所述预设时间段内进行拍摄，得到多个视频片段，每一摄像头对应一个视频片段；
113、将所述多个视频片段进行拼接，得到所述预设时间段内的全方位视角的视频片段。
其中，多个摄像头可以均为可旋转摄像头，具体实现中，交通监控系统在通过多个摄像头中的任一摄像头拍摄到人脸时，则可以调整多个摄像头中每一摄像头的拍摄角度和视角范围，得到多个由该多个摄像头形成360度无死角拍摄模式，即全方位对路面进行监控，进一步地，可以控制多个摄像头中所有摄像头在预设时间段内进行拍摄，得到多个视频片段，每一摄像头对应一个视频片段，对多个视频片段进行拼接，得到预设时间段，如此，可以实现全方位精准确定人流信息。
进一步地，在一个可能的示例中，上述步骤14，对所述P个人脸图像进行去重操作，得到Q个人脸图像，可以包括如下步骤：
141、将所述P个人脸图像进行聚类分析，得到K个人脸集合，所述K为正整数；
142、将所述K个人脸集合中的任一人脸集合以两两匹配的方式进行分类，得到Q个目标人脸集合，所述Q为大于或等于所述K的整数；
143、从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像，得到所述Q个人脸图像。
其中，智能交通系统可以对P个人脸图像进行聚类分析，得到K个人脸集合，K为正整数，由于聚类分析有一定的局限性，因此，分类存在一定的误差，因此，进一步地，将K个人脸集合中的任一人脸集合以两两匹配的方式进行分类，具体地，确定每一人脸与其他人脸之间的匹配值的均值，得到多个匹配均值，将多个匹配均值中大于或等于预设匹配均值对应的人脸作为一个集合，以及将小于该预设匹配均值的人脸中任一个体分别作为一个集合，预设匹配均值可以由用户自行设置或者系统默认，同一个对象的人脸集合，若掺杂有其他人脸进行，则该人脸与集合中其他人脸之间的匹配值非常小，基于此，则可以从一个集合中找出不属于该集合的人脸。
例如，一个人脸集合，该人脸集合包括人脸A、B、C，A与B之间的匹配值为a1，A与C之间的匹配值为a2，B与C之间的匹配值为a3，b为预设匹配均值为x，则可以视为A对应的匹配均值w1=（a1+a2），B对应的匹配均值w2=（a1+a3），w1>w2>x>w3，则可以将A与B作为一个集合，而C单独作为一个集合，如此，针对K个人脸集合最终可以划分为Q个目标人脸集合，Q为大于或等于K的整数，进一步地，可以从Q个目标人脸图像中的每一目标人脸集合中选取图像质量最好的一张人脸图像，得到Q个人脸图像。
当然，也可以采用如下方式实现去重操作：
1、Traditional Feature，采用传统图像特征（颜色直方图calcHist（）和LBP直方图特征）进行比对去重。判断两张人脸的这几个相似度，同时满足大于等于阈值的话，算法认为两张人脸为同一人的从而进行去重。函数中可以设置参数hist_thres, lbp_thres,hog_thres, total_thres，hist_thres表示直方图相似度阈值，LBP相似度阈值，HOG阈值（当前未加入，设为-1）和总的阈值（大于等于前三个之和，设为-1的不统计）。 默认阈值分别为0.85，0.8，-1，1.7，大概能去除50%的重复人脸，误去重比较低，可以根据实际情况微调阈值。
2、Motion Match，基于运动匹配的快速去重算法，主要针对静态目标的去重，尤其是去除静态误检。通过帧差法判断前后两帧对应目标区域的像素值差异，如果小于差异阈值则认为这些像素在前后两帧的目标区域没有运动，否则认为有运动，如果运动的像素占帧目标区域全部像素的比例大于差异比率的话，则认为前后两帧对应目标运动了，不做去重。函数中可以设置参数diff_thres, diff_ratio表示像素差异阈值和差异比率。默认阈值分别为25，0.1，主要去除静态重复目标，可以根据实际情况微调阈值。
进一步地，在一个可能的示例中，上述步骤143，从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像，可以包括如下步骤：
1431、将目标人脸集合j中的所有人脸图像划分为多个区域，所述目标人脸集合j为所述Q个目标人脸集合中的任一目标人脸集合；
1432、确定所述所有人脸图像中每一人脸图像的所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度集合，每一人脸图像对应一个特征点分布集合；
1433、依据所述多个特征点分布密度集合确定所述所有人脸图像中每一人脸图像对应的均方差，得到多个目标均方差，每一人脸图像对应一个目标均方差；
1434、依据所述多个特征点分布密度集合确定所述人脸图像中每一人脸图像对应的平均特征点分布密度，得到多个目标平均特征点分布密度，每一人脸图像对应一个目标平均特征点分布密度；
1435、获取预设的均方差对应的第一权重值以及平均特征点分布密度对应的第二权重值；
1436、依据所述第一权重值、所述第二权重值、所述多个目标均方差和所述多个目标平均特征点分布密度进行加权运算，得到多个评价值；
1437、从所述多个平均值中选取最大值，将该最大值对应的人脸图像作为所述目标人脸集合j中图像质量最好的一张人脸图像。
其中，第一权重值、第二权重值均可以由用户自行设置或者系统默认。
具体实现中，针对任一目标人脸集合j而言，目标人脸集合j为Q个目标人脸集合中的任一目标人脸集合，可以将目标人脸集合j中的所有人脸图像划分为多个区域，进而，确定所有人脸图像中每一人脸图像的多个区域中每一区域的特征点分布密度，得到多个特征点分布密度集合，每一人脸图像对应一个特征点分布集合，每一特征点分布密度集合可以包括多个特征点分布密度，每一特征点分布密度对应一个区域。进一步地，可以依据多个特征点分布密度集合确定所有人脸图像中每一人脸图像对应的均方差，得到多个目标均方差，每一人脸图像对应一个目标均方差，标准差能反映一个数据集的离散程度。在一定程度上，也反映了区域之间的关联性，也能够在一定程度上体现图像质量，进一步地，可以依据多个特征点分布密度集合确定人脸图像中每一人脸图像对应的平均特征点分布密度，得到多个目标平均特征点分布密度，每一人脸图像对应一个目标平均特征点分布密度。
进一步地，可以获取预设的均方差对应的第一权重值以及平均特征点分布密度对应的第二权重值，进而，依据第一权重值、第二权重值、多个目标均方差和多个目标平均特征点分布密度进行加权运算，得到多个评价值，评价值=目标均方差*第一权重值+目标特征点分布密度*第二权重值，最后，可以从多个平均值中选取最大值，将该最大值对应的人脸图像作为目标人脸集合j中图像质量最好的一张人脸图像，由于考虑了平均特征点分布密度，即考虑了图像的全局性，以及考虑了特征点分布密度对应的均方差，则考虑了图像的区域与区域之间的关联性，在评价图像质量时，将整体与区域之间的关联性充分结合起来，能够提升图像质量评价精准度。
102、将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到。
其中，本申请实施例中，预设神经网络模型可以为以下至少一种：脉冲神经网络模型、卷积神经网络模型、循环神经网络模型等等，在此不做限定。目标交通配置参数可以为：摄像头配置参数、交通指示灯配置参数、车辆配置参数等等，在此不做限定，例如，摄像头配置参数可以为以下至少一种：摄像头拍摄角度、摄像头拍摄频率、摄像头拍摄时间、摄像头拍摄对象、摄像头的曝光时长、摄像头的白平衡参数等等，在此不做限定。又例如，交通指示灯配置参数可以为以下至少一种：红灯时长、绿灯时长、黄灯时长、红灯亮灯数量、绿灯亮灯数量、黄灯亮灯数量、左转灯指示时长、右转灯指示时长、红灯闪烁频率、黄灯闪烁频率、绿灯闪烁频率等等，在此不做限定，以红灯时长为例，原来是50秒，现在将红灯时长延长为90秒。又例如，车辆配置参数可以为以下至少一种：车辆行驶速率、车辆行驶方向、限牌车辆类型、车辆停车位置设置参数等等，在此不做限定。
103、依据所述目标交通配置参数进行参数配置。
其中，智能交通系统则可以依据上述目标交通配置参数进行参数配置，这样可以得与当前环境相应的交通疏导策略，有助于缓解城市压力。
可以看出，本申请实施例中所描述的智能交通系统管理方法，应用于智能交通系统，获取目标环境参数，将目标环境参数输入到预设神经网络模型，得到与目标环境参数相应的用于配置交通的目标交通配置参数，预设神经网络模型由针对不同环境参数下的交通配置参数训练得到，依据目标交通配置参数进行参数配置，如此，能够让交通实现与环境相宜的管理效果，有助于缓解交通，能够提升交通管理的智能性。
与上述图1C所示的实施例一致地，请参阅图2，图2是本申请实施例提供的一种智能交通系统管理方法的流程示意图，如图所示，应用于如图1B所示的智能交通系统，所述智能交通系统连接至少一个摄像头，本智能交通系统管理方法包括：
201、通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段。
202、对所述视频片段进行解析，得到M帧视频图像，所述M为大于1的整数。
203、对所述M帧视频图像进行人脸识别，得到P个人脸图像，所述P为大于1的整数。
204、对所述P个人脸图像进行去重操作，得到Q个人脸图像，所述Q为小于或等于所述P的正整数。
205、将所述Q个人脸图像与所述M确定人流信息。
206、将所述人流信息输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到。
207、依据所述目标交通配置参数进行参数配置。
其中，上述步骤201-步骤207的具体描述可以参照上述图1C所描述的智能交通系统管理方法的相应步骤，在此不再赘述。
可以看出，本申请实施例中所描述的智能交通系统管理方法，应用于智能交通系统，通过至少一个摄像头获取包含当前时刻的预设时间段内的视频片段，对视频片段进行解析，得到M帧视频图像，M为大于1的整数，对多帧视频图像进行人脸识别，得到P个人脸图像，P为大于1的整数，对P个人脸图像进行去重操作，得到Q个人脸图像，Q为小于或等于P的正整数，将Q个人脸图像与M确定人流信息，将人流信息输入到预设神经网络模型，得到与目标环境参数相应的用于配置交通的目标交通配置参数，预设神经网络模型由针对不同环境参数下的交通配置参数训练得到，依据目标交通配置参数进行参数配置，如此，能够让交通实现与人流信息相宜的展示效果，有助于缓解交通，能够提升交通管理的智能性。
与上述实施例一致地，请参阅图3，图3是本申请实施例提供的一种的结构示意图，如图所示，该包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，本申请实施例中，上述程序包括用于执行以下步骤的指令：
获取目标环境参数；
将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；
依据所述目标交通配置参数进行参数配置。
可以看出，本申请实施例中所描述的控制平台，应用于智能交通系统，获取目标环境参数，将目标环境参数输入到预设神经网络模型，得到与目标环境参数相应的用于配置交通的目标交通配置参数，预设神经网络模型由针对不同环境参数下的交通配置参数训练得到，依据目标交通配置参数进行参数配置，如此，能够让交通实现与环境相宜的管理效果，有助于缓解交通，能够提升交通管理的智能性。
在一个可能的示例中，所述目标环境参数包括人流信息，所述智能交通系统连接至少一个摄像头，在所述获取目标环境参数方面，上述程序包括用于执行以下步骤的指令：
通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段；
对所述视频片段进行解析，得到M帧视频图像，所述M为大于1的整数；
对所述M帧视频图像进行人脸识别，得到P个人脸图像，所述P为大于1的整数；
对所述P个人脸图像进行去重操作，得到Q个人脸图像，所述Q为小于或等于所述P的正整数；
将所述Q个人脸图像与所述M确定所述人流信息。
在一个可能的示例中，在所述至少一个摄像头为多个摄像头时，在所述通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段方面，上述程序包括用于执行以下步骤的指令：
在所述多个摄像头中的任一摄像头在拍摄到人脸时，调整所述多个摄像头中每一摄像头的摄像角度和视角范围，得到所述多个摄像头形成360度无死角拍摄模式；
控制所述多个摄像头中所有摄像头在所述预设时间段内进行拍摄，得到多个视频片段，每一摄像头对应一个视频片段；
将所述多个视频片段进行拼接，得到所述预设时间段内的全方位视角的视频片段。
在一个可能的示例中，在所述对所述P个人脸图像进行去重操作，得到Q个人脸图像方面，上述程序包括用于执行以下步骤的指令：
将所述P个人脸图像进行聚类分析，得到K个人脸集合，所述K为正整数；
将所述K个人脸集合中的任一人脸集合以两两匹配的方式进行分类，得到Q个目标人脸集合，所述Q为大于或等于所述K的整数；
从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像，得到所述Q个人脸图像。
在一个可能的示例中，在所述从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像方面，上述程序包括用于执行以下步骤的指令：
将目标人脸集合j中的所有人脸图像划分为多个区域，所述目标人脸集合j为所述Q个目标人脸集合中的任一目标人脸集合；
确定所述所有人脸图像中每一人脸图像的所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度集合，每一人脸图像对应一个特征点分布集合；
依据所述多个特征点分布密度集合确定所述所有人脸图像中每一人脸图像对应的均方差，得到多个目标均方差，每一人脸图像对应一个目标均方差；
依据所述多个特征点分布密度集合确定所述人脸图像中每一人脸图像对应的平均特征点分布密度，得到多个目标平均特征点分布密度，每一人脸图像对应一个目标平均特征点分布密度；
获取预设的均方差对应的第一权重值以及平均特征点分布密度对应的第二权重值；
依据所述第一权重值、所述第二权重值、所述多个目标均方差和所述多个目标平均特征点分布密度进行加权运算，得到多个评价值；
从所述多个平均值中选取最大值，将该最大值对应的人脸图像作为所述目标人脸集合j中图像质量最好的一张人脸图像。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
图4是本申请实施例中所涉及的智能交通系统管理装置400的功能单元组成框图。该智能交通管理装置400，应用于智能交通系统，所述装置400包括：获取单元401、处理单元402和配置单元403，其中，
获取单元401，用于获取目标环境参数；
处理单元402，用于将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；
配置单元403，用于依据所述目标交通配置参数进行参数配置。
可以看出，本申请实施例中所描述的智能交通系统管理装置，应用于智能交通系统，获取目标环境参数，将目标环境参数输入到预设神经网络模型，得到与目标环境参数相应的用于配置交通的目标交通配置参数，预设神经网络模型由针对不同环境参数下的交通配置参数训练得到，依据目标交通配置参数进行参数配置，如此，能够让交通实现与环境相宜的管理效果，有助于缓解交通，能够提升交通管理的智能性。
在一个可能的示例中，所述目标环境参数包括人流信息，所述智能交通系统连接至少一个摄像头，在所述获取目标环境参数方面，所述获取单元401具体用于：
通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段；
对所述视频片段进行解析，得到M帧视频图像，所述M为大于1的整数；
对所述M帧视频图像进行人脸识别，得到P个人脸图像，所述P为大于1的整数；
对所述P个人脸图像进行去重操作，得到Q个人脸图像，所述Q为小于或等于所述P的正整数；
将所述Q个人脸图像与所述M确定所述人流信息。
在一个可能的示例中，在所述至少一个摄像头为多个摄像头时，在所述通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段方面，所述获取单元401具体用于：
在所述多个摄像头中的任一摄像头在拍摄到人脸时，调整所述多个摄像头中每一摄像头的摄像角度和视角范围，得到所述多个摄像头形成360度无死角拍摄模式；
控制所述多个摄像头中所有摄像头在所述预设时间段内进行拍摄，得到多个视频片段，每一摄像头对应一个视频片段；
将所述多个视频片段进行拼接，得到所述预设时间段内的全方位视角的视频片段。
在一个可能的示例中，在所述对所述P个人脸图像进行去重操作，得到Q个人脸图像方面，所述获取单元401具体用于：
将所述P个人脸图像进行聚类分析，得到K个人脸集合，所述K为正整数；
将所述K个人脸集合中的任一人脸集合以两两匹配的方式进行分类，得到Q个目标人脸集合，所述Q为大于或等于所述K的整数；
从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像，得到所述Q个人脸图像。
在一个可能的示例中，在所述从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像方面，所述获取单元401具体用于：
将目标人脸集合j中的所有人脸图像划分为多个区域，所述目标人脸集合j为所述Q个目标人脸集合中的任一目标人脸集合；
确定所述所有人脸图像中每一人脸图像的所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度集合，每一人脸图像对应一个特征点分布集合；
依据所述多个特征点分布密度集合确定所述所有人脸图像中每一人脸图像对应的均方差，得到多个目标均方差，每一人脸图像对应一个目标均方差；
依据所述多个特征点分布密度集合确定所述人脸图像中每一人脸图像对应的平均特征点分布密度，得到多个目标平均特征点分布密度，每一人脸图像对应一个目标平均特征点分布密度；
获取预设的均方差对应的第一权重值以及平均特征点分布密度对应的第二权重值；
依据所述第一权重值、所述第二权重值、所述多个目标均方差和所述多个目标平均特征点分布密度进行加权运算，得到多个评价值；
从所述多个平均值中选取最大值，将该最大值对应的人脸图像作为所述目标人脸集合j中图像质量最好的一张人脸图像。
可以理解的是，本实施例的智能交通系统管理装置的各程序模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括控制平台。
本申请实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括控制平台。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（英文：Read-Only Memory ，简称：ROM）、随机存取器（英文：Random Access Memory，简称：RAM）、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种智能交通系统，其特征在于，所述智能交通系统包括获取电路、人工智能芯片和配置电路，所述智能交通系统连接至少一个摄像头，其中，
所述获取电路，用于获取目标环境参数，所述目标环境参数包括人流信息、天气、时间、温度、湿度、市政工程规模参数和地理位置；
所述人工智能芯片，用于将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；
所述配置电路，用于依据所述目标交通配置参数进行参数配置；
其中，在所述获取目标环境参数方面，所述获取电路具体用于：
通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段；
对所述视频片段进行解析，得到M帧视频图像，所述M为大于1的整数；
对所述多帧视频图像进行人脸识别，得到P个人脸图像，所述P为大于1的整数；
对所述P个人脸图像进行去重操作，得到Q个人脸图像，所述Q为小于或等于所述P的正整数；
将所述Q个人脸图像与所述M确定所述人流信息；
其中，在所述对所述P个人脸图像进行去重操作，得到Q个人脸图像方面，所述获取电路具体用于：
将所述P个人脸图像进行聚类分析，得到K个人脸集合，所述K为正整数；
将所述K个人脸集合中的任一人脸集合以两两匹配的方式进行分类，得到Q个目标人脸集合，所述Q为大于或等于所述K的整数；
从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像，得到所述Q个人脸图像；
其中，在所述从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像方面，所述获取电路具体用于：
将目标人脸集合j中的所有人脸图像划分为多个区域，所述目标人脸集合j为所述Q个目标人脸集合中的任一目标人脸集合；
确定所述所有人脸图像中每一人脸图像的所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度集合，每一人脸图像对应一个特征点分布集合；
依据所述多个特征点分布密度集合确定所述所有人脸图像中每一人脸图像对应的均方差，得到多个目标均方差，每一人脸图像对应一个目标均方差；
依据所述多个特征点分布密度集合确定所述人脸图像中每一人脸图像对应的平均特征点分布密度，得到多个目标平均特征点分布密度，每一人脸图像对应一个目标平均特征点分布密度；
获取预设的均方差对应的第一权重值以及平均特征点分布密度对应的第二权重值；
依据所述第一权重值、所述第二权重值、所述多个目标均方差和所述多个目标平均特征点分布密度进行加权运算，得到多个评价值；
从所述多个平均值中选取最大值，将该最大值对应的人脸图像作为所述目标人脸集合j中图像质量最好的一张人脸图像。
2.根据权利要求1所述的系统，其特征在于，在所述至少一个摄像头为多个摄像头时，在所述通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段方面，所述获取电路具体用于：
在所述多个摄像头中的任一摄像头在拍摄到人脸时，调整所述多个摄像头中每一摄像头的摄像角度和视角范围，得到所述多个摄像头形成360度无死角拍摄模式；
控制所述多个摄像头中所有摄像头在所述预设时间段内进行拍摄，得到多个视频片段，每一摄像头对应一个视频片段；
将所述多个视频片段进行拼接，得到所述预设时间段内的全方位视角的视频片段。
3.根据权利要求1或2所述的系统，其特征在于，所述获取电路还包括人工智能装置，其中，
所述人工智能装置，用于对所述P个人脸图像进行图像增强处理；
在所述对所述P个人脸图像进行去重操作，得到Q个人脸图像方面，所述获取电路具体用于：
对图像增强处理后的所述P个人脸图像进行去重操作，得到所述Q个人脸图像。
4.根据权利要求3所述的系统，其特征在于，在所述对所述P个人脸图像进行图像增强处理方面，所述人工智能装置具体用于：
将人脸图像a划分为多个区域，每一区域的面积大于预设面积，所述人脸图像a为所述P个人脸图像中的任一人脸图像；
确定所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度；
从所述多个特征点分布密度中选取小于预设特征点分布密度的特征点分布密度，得到至少一个特征点分布密度；
按照预设的特征点分布密度与图像增强参数之间的映射关系确定所述至少一个特征点分布密度对应的至少一个目标图像增强参数，每一特征点分布密度对应一个目标图像增强参数；
依据所述至少一个目标图像增强参数对所述至少一个特征点分布密度对应的区域进行图像增强处理，得到图像增强处理后的所述人脸图像a。
5.一种智能交通系统管理方法，其特征在于，应用于智能交通系统，所述智能交通系统连接至少一个摄像头，所述方法包括：
获取目标环境参数，所述目标环境参数包括人流信息、天气、时间、温度、湿度、市政工程规模参数和地理位置；
将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；
依据所述目标交通配置参数进行参数配置；
其中，所述获取目标环境参数，包括：
通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段；
对所述视频片段进行解析，得到M帧视频图像，所述M为大于1的整数；
对所述多帧视频图像进行人脸识别，得到P个人脸图像，所述P为大于1的整数；
对所述P个人脸图像进行去重操作，得到Q个人脸图像，所述Q为小于或等于所述P的正整数；
将所述Q个人脸图像与所述M确定所述人流信息；
其中，所述对所述P个人脸图像进行去重操作，得到Q个人脸图像，包括：
将所述P个人脸图像进行聚类分析，得到K个人脸集合，所述K为正整数；
将所述K个人脸集合中的任一人脸集合以两两匹配的方式进行分类，得到Q个目标人脸集合，所述Q为大于或等于所述K的整数；
从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像，得到所述Q个人脸图像；
其中，所述从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像，包括：
将目标人脸集合j中的所有人脸图像划分为多个区域，所述目标人脸集合j为所述Q个目标人脸集合中的任一目标人脸集合；
确定所述所有人脸图像中每一人脸图像的所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度集合，每一人脸图像对应一个特征点分布集合；
依据所述多个特征点分布密度集合确定所述所有人脸图像中每一人脸图像对应的均方差，得到多个目标均方差，每一人脸图像对应一个目标均方差；
依据所述多个特征点分布密度集合确定所述人脸图像中每一人脸图像对应的平均特征点分布密度，得到多个目标平均特征点分布密度，每一人脸图像对应一个目标平均特征点分布密度；
获取预设的均方差对应的第一权重值以及平均特征点分布密度对应的第二权重值；
依据所述第一权重值、所述第二权重值、所述多个目标均方差和所述多个目标平均特征点分布密度进行加权运算，得到多个评价值；
从所述多个平均值中选取最大值，将该最大值对应的人脸图像作为所述目标人脸集合j中图像质量最好的一张人脸图像。
6.根据权利要求5所述的方法，其特征在于，在所述至少一个摄像头为多个摄像头时，所述通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段，包括：
在所述多个摄像头中的任一摄像头在拍摄到人脸时，调整所述多个摄像头中每一摄像头的摄像角度和视角范围，得到所述多个摄像头形成360度无死角拍摄模式；
控制所述多个摄像头中所有摄像头在所述预设时间段内进行拍摄，得到多个视频片段，每一摄像头对应一个视频片段；
将所述多个视频片段进行拼接，得到所述预设时间段内的全方位视角的视频片段。
7.根据权利要求5或6所述的方法，其特征在于，所述方法还包括：
对所述P个人脸图像进行图像增强处理；
所述对所述P个人脸图像进行去重操作，得到Q个人脸图像，包括：
对图像增强处理后的所述P个人脸图像进行去重操作，得到所述Q个人脸图像。
8.根据权利要求7所述的方法，其特征在于，所述对所述P个人脸图像进行图像增强处理，包括：
将人脸图像a划分为多个区域，每一区域的面积大于预设面积，所述人脸图像a为所述P个人脸图像中的任一人脸图像；
确定所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度；
从所述多个特征点分布密度中选取小于预设特征点分布密度的特征点分布密度，得到至少一个特征点分布密度；
按照预设的特征点分布密度与图像增强参数之间的映射关系确定所述至少一个特征点分布密度对应的至少一个目标图像增强参数，每一特征点分布密度对应一个目标图像增强参数；
依据所述至少一个目标图像增强参数对所述至少一个特征点分布密度对应的区域进行图像增强处理，得到图像增强处理后的所述人脸图像a。
9.一种智能交通系统管理装置，其特征在于，应用于智能交通系统，所述智能交通系统连接至少一个摄像头，所述装置包括：
获取单元，用于获取目标环境参数，所述目标环境参数包括人流信息、天气、时间、温度、湿度、市政工程规模参数和地理位置；
处理单元，用于将所述目标环境参数输入到预设神经网络模型，得到与所述目标环境参数相应的用于配置交通的目标交通配置参数，所述预设神经网络模型由针对不同环境参数下的交通配置参数训练得到；
配置单元，用于依据所述目标交通配置参数进行参数配置；
其中，在所述获取目标环境参数方面，所述获取单元具体用于：
通过所述至少一个摄像头获取包含当前时刻的预设时间段内的视频片段；
对所述视频片段进行解析，得到M帧视频图像，所述M为大于1的整数；
对所述多帧视频图像进行人脸识别，得到P个人脸图像，所述P为大于1的整数；
对所述P个人脸图像进行去重操作，得到Q个人脸图像，所述Q为小于或等于所述P的正整数；
将所述Q个人脸图像与所述M确定所述人流信息；
其中，在所述对所述P个人脸图像进行去重操作，得到Q个人脸图像方面，所述获取单元具体用于：
将所述P个人脸图像进行聚类分析，得到K个人脸集合，所述K为正整数；
将所述K个人脸集合中的任一人脸集合以两两匹配的方式进行分类，得到Q个目标人脸集合，所述Q为大于或等于所述K的整数；
从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像，得到所述Q个人脸图像；
其中，在所述从所述Q个目标人脸集合中的每一目标人脸集合中选取图像质量最好的一张人脸图像方面，所述获取单元具体用于：
将目标人脸集合j中的所有人脸图像划分为多个区域，所述目标人脸集合j为所述Q个目标人脸集合中的任一目标人脸集合；
确定所述所有人脸图像中每一人脸图像的所述多个区域中每一区域的特征点分布密度，得到多个特征点分布密度集合，每一人脸图像对应一个特征点分布集合；
依据所述多个特征点分布密度集合确定所述所有人脸图像中每一人脸图像对应的均方差，得到多个目标均方差，每一人脸图像对应一个目标均方差；
依据所述多个特征点分布密度集合确定所述人脸图像中每一人脸图像对应的平均特征点分布密度，得到多个目标平均特征点分布密度，每一人脸图像对应一个目标平均特征点分布密度；
获取预设的均方差对应的第一权重值以及平均特征点分布密度对应的第二权重值；
依据所述第一权重值、所述第二权重值、所述多个目标均方差和所述多个目标平均特征点分布密度进行加权运算，得到多个评价值；
从所述多个平均值中选取最大值，将该最大值对应的人脸图像作为所述目标人脸集合j中图像质量最好的一张人脸图像。
10.一种控制平台，其特征在于，包括处理器、存储器，所述存储器用于存储一个或多个程序，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求5-8任一项所述的方法中的步骤的指令。
11.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求5-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010003405.6A CN110796580B (zh) | 2020-01-03 | 2020-01-03 | 智能交通系统管理方法及相关产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010003405.6A CN110796580B (zh) | 2020-01-03 | 2020-01-03 | 智能交通系统管理方法及相关产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110796580A CN110796580A (zh) | 2020-02-14 |
| CN110796580B true CN110796580B (zh) | 2020-05-08 |
Family
ID=69448424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010003405.6A Withdrawn - After Issue CN110796580B (zh) | 2020-01-03 | 2020-01-03 | 智能交通系统管理方法及相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796580B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950422A (zh) * | 2020-08-05 | 2020-11-17 | 万翼科技有限公司 | 图纸识别方法及相关装置 |
| CN112132455A (zh) * | 2020-09-22 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 交通执法评价方法、装置、设备及存储介质 |
| CN113384249A (zh) * | 2021-05-25 | 2021-09-14 | 湖州普康智慧养老产业科技有限公司 | 一种智慧养老的大数据管理系统 |
| CN115547042A (zh) * | 2022-09-20 | 2022-12-30 | 中科南京智能技术研究院 | 一种大规模城市道路交通灯智能控制系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102556783A (zh) * | 2011-07-12 | 2012-07-11 | 江苏镇安电力设备有限公司 | 一种基于分区的电梯交通预测群控方法及其监测实现 |
| CN205318622U (zh) * | 2015-12-30 | 2016-06-15 | 福建师范大学 | 基于图像的交通拥堵控制装置 |
| CN107077782A (zh) * | 2014-08-06 | 2017-08-18 | 李宗志 | 自适应和/或自主交通控制系统和方法 |
| CN108985218A (zh) * | 2018-07-10 | 2018-12-11 | 上海小蚁科技有限公司 | 人流量统计方法及装置、存储介质、计算设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739828A (zh) * | 2009-11-18 | 2010-06-16 | 大连理工大学 | 结合路面交通与天气状态的城市交通区域拥塞判定方法 |
| FR2961616B1 (fr) * | 2010-06-17 | 2013-03-01 | Thales Sa | Dispositif et procede de stockage securise de donnees biometriques |
| CN108960047B (zh) * | 2018-05-22 | 2021-09-14 | 中国计量大学 | 基于深度二次树的视频监控中人脸去重方法 |
-
2020
- 2020-01-03 CN CN202010003405.6A patent/CN110796580B/zh not_active Withdrawn - After Issue
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102556783A (zh) * | 2011-07-12 | 2012-07-11 | 江苏镇安电力设备有限公司 | 一种基于分区的电梯交通预测群控方法及其监测实现 |
| CN107077782A (zh) * | 2014-08-06 | 2017-08-18 | 李宗志 | 自适应和/或自主交通控制系统和方法 |
| CN205318622U (zh) * | 2015-12-30 | 2016-06-15 | 福建师范大学 | 基于图像的交通拥堵控制装置 |
| CN108985218A (zh) * | 2018-07-10 | 2018-12-11 | 上海小蚁科技有限公司 | 人流量统计方法及装置、存储介质、计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110796580A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796580B (zh) | 智能交通系统管理方法及相关产品 | |
| CN110399856B (zh) | 特征提取网络训练方法、图像处理方法、装置及其设备 | |
| CN111179345B (zh) | 基于车载机器视觉的前方车辆越线违章行为自动检测方法及系统 | |
| CN112417953B (zh) | 道路状况检测和地图数据更新方法、装置、系统及设备 | |
| CN111160175A (zh) | 智能行人违章行为管理方法及相关产品 | |
| CN111047874B (zh) | 智能交通违章管理方法及相关产品 | |
| CN103069434A (zh) | 多模式视频事件索引 | |
| CN109766828A (zh) | 一种车辆目标分割方法、装置及通信设备 | |
| CN110659391A (zh) | 一种视频侦查方法及装置 | |
| CN110889334A (zh) | 人员闯入识别方法及装置 | |
| CN111274942A (zh) | 一种基于级联网络的交通锥识别方法及装置 | |
| CN109558790B (zh) | 一种行人目标检测方法、装置及系统 | |
| CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
| CN114399734A (zh) | 一种基于视觉信息的森林火灾预警方法 | |
| CN113936252A (zh) | 基于视频监控的电瓶车智能管理系统及方法 | |
| CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
| CN112926415A (zh) | 一种行人避让系统和行人监测方法 | |
| CN111582278B (zh) | 人像分割方法、装置及电子设备 | |
| CN111724437A (zh) | 视觉定位方法及相关装置、设备、存储介质 | |
| CN110796008A (zh) | 一种基于视频图像的早期火灾检测方法 | |
| CN115965934A (zh) | 一种停车位检测方法及装置 | |
| CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
| CN115249269A (zh) | 目标检测方法、计算机程序产品、存储介质及电子设备 | |
| CN115546909A (zh) | 活体检测方法、装置、门禁系统、设备及存储介质 | |
| CN114913470A (zh) | 一种事件检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220527 Address after: 13fc29, howei science and technology building, No. 2, Keji Nanba Road, high tech Zone, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Patentee after: Shenzhen wisdom of the right to operate intellectual property rights Ltd. Address before: 100190 room 644, research complex, 6 South Road, Haidian District Science Academy, Beijing. Patentee before: Zhongke Cambrian Technology Co.,Ltd. |
|
| AV01 | Patent right actively abandoned | ||
| AV01 | Patent right actively abandoned | ||
| AV01 | Patent right actively abandoned |
Granted publication date: 20200508 Effective date of abandoning: 20220909 |
|
| AV01 | Patent right actively abandoned |
Granted publication date: 20200508 Effective date of abandoning: 20220909 |