CN112382122B - 一种交通信息处理的方法和装置 - Google Patents
一种交通信息处理的方法和装置 Download PDFInfo
- Publication number
- CN112382122B CN112382122B CN202011288435.2A CN202011288435A CN112382122B CN 112382122 B CN112382122 B CN 112382122B CN 202011288435 A CN202011288435 A CN 202011288435A CN 112382122 B CN112382122 B CN 112382122B
- Authority
- CN
- China
- Prior art keywords
- traffic
- information
- objects
- platform
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种交通信息处理的方法和装置,所述方法包括:交通管控系统获取区域视觉AI平台中的视觉数据,并确定视觉数据对应的交通类型对象和其他类型对象,交通管控系统采用全时全域交通动态感知引擎,对交通类型对象进行交通事件检测,得到交通事件信息,交通管控系统采用渐进式视频搜索引擎,确定其他类型对象的轨迹信息,交通管控系统将交通事件信息和轨迹信息发送至区域视觉AI平台,以为区域视觉AI平台提供交通管控服务。通过本发明实施例,实现了对大量的视觉数据进行统一处理,能够及时为区域视觉AI平台提供交通管控服务,避免了各应用之间出现条块分割、信息鸿沟的问题。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种交通信息处理的方法和装置。
背景技术
目前,大数据的发展与应用在飞速发展的同时,也存在诸多问题,例如:数据开放共享不足、应用领域不广、数据资源开发利用不足、无序滥用现象严重等。
在智慧城市建设中,大数据发挥着重要作用,根据以往的智慧城市建设的经验,由于缺少统一的开发管理平台,只能独立建设各个城市应用,从而导致各个城市应用之间存在数据壁垒、应用壁垒问题,形成大量信息孤岛,无法发挥大数据的作用和价值。因而,亟待探索出能够推广使用的统一云平台,用以破除各城市应用之间的条块分割、消除信息鸿沟,实现大数据的量质融合。
在构建统一的开发管理平台的过程中,往往会获取到大量不同的视觉数据,而在现有技术中,难以对大量的视觉数据进行统一处理,也难以将大量的视觉数据应用于各个城市应用中。
发明内容
鉴于上述问题,提出了以便提供克服上述问题或者至少部分地解决上述问题的一种交通信息处理的方法和装置,包括:
一种交通信息处理的方法,应用于交通管控系统,所述交通管控系统包括全时全域交通动态感知引擎和渐进式视频搜索引擎,所述方法包括:
所述交通管控系统获取区域视觉AI平台中的视觉数据,并确定所述视觉数据对应的交通类型对象和其他类型对象;
所述交通管控系统采用所述全时全域交通动态感知引擎,对所述交通类型对象进行交通事件检测,得到交通事件信息;
所述交通管控系统采用所述渐进式视频搜索引擎,确定所述其他类型对象的轨迹信息;
所述交通管控系统将所述交通事件信息和所述轨迹信息发送至所述区域视觉AI平台,以为所述区域视觉AI平台提供交通管控服务。
可选地,所述确定所述视觉数据对应的交通类型对象和其他类型对象,包括:
对所述视觉数据进行转码;
确定所述转码后的视觉数据对应的一个或多个候选对象,并提取每个候选对象的特征信息;其中,所述特征信息包括颜色信息、轮廓信息;
判断所述特征信息是否与预设特征相匹配;
在所述特征信息与预设特征信息相匹配时,确定所述候选对象为交通类型对象,并在所述特征信息与预设特征信息不匹配时,确定所述候选对象为其他类型对象。
可选地,所述交通管控系统包括交通事件检测模型,所述采用所述全时全域交通动态感知引擎,对所述交通类型对象进行交通事件检测,得到交通事件信息,包括:
采用所述全时全域交通动态感知引擎,对所述交通类型对象的特征信息进行处理,得到交通元素信息;
将所述交通元素信息输入所述交通事件检测模型,得到交通事件信息;其中,所述交通事件检测模型包括多个交通元素信息和交通事件信息的对应关系。
可选地,所述交通管控系统包括其他事件检测模型,所述采用所述渐进式视频搜索引擎,确定所述其他类型对象的轨迹信息,包括:
采用所述渐进式视频搜索引擎,对所述其他类型对象的特征信息进行处理,得到其他元素信息;
将所述其他元素信息输入所述其他事件检测模型,得到轨迹信息;其中,所述其他事件检测模型用于根据所述其他元素信息生成轨迹信息。
可选地,所述区域视觉AI平台与区域物联传感系统连接,所述区域物联传感系统连接多个物联网设备,所述获取区域视觉AI平台中的视觉数据,包括:
通过所述区域物联传感系统,获取所述多个物联网设备实时采集的视觉数据;其中,所述视觉数据包括视频数据、图片数据。
可选地,所述交通类型对象包括以下任一项:
车道线对象、车辆对象、交通指示灯对象;
所述其他类型对象包括以下任一项:
行人对象、车牌对象。
可选地,所述交通事件信息包括以下任一项:
交通拥堵事件、交通事故事件、交通违章事件。
一种交通信息处理的装置,应用于交通管控系统,所述交通管控系统包括全时全域交通动态感知引擎和渐进式视频搜索引擎,所述装置包括:
对象确定模块,用于获取区域视觉AI平台中的视觉数据,并确定所述视觉数据对应的交通类型对象和其他类型对象;
交通事件信息得到模块,用于采用所述全时全域交通动态感知引擎,对所述交通类型对象进行交通事件检测,得到交通事件信息;
轨迹信息确定模块,用于采用所述渐进式视频搜索引擎,确定所述其他类型对象的轨迹信息;
服务提供模块,用于将所述交通事件信息和所述轨迹信息发送至所述区域视觉AI平台,以为所述区域视觉AI平台提供交通管控服务。
一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的交通信息处理的方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的交通信息处理的方法。
本发明实施例具有以下优点:
在本发明实施例中,通过交通管控系统获取区域视觉AI平台中的视觉数据,并确定视觉数据对应的交通类型对象和其他类型对象,交通管控系统采用全时全域交通动态感知引擎,对交通类型对象进行交通事件检测,得到交通事件信息,交通管控系统采用渐进式视频搜索引擎,确定其他类型对象的轨迹信息,交通管控系统将交通事件信息和轨迹信息发送至区域视觉AI平台,以为区域视觉AI平台提供交通管控服务,实现了对大量的视觉数据进行统一处理,能够及时为区域视觉AI平台提供交通管控服务,避免了各应用之间出现条块分割、信息鸿沟的问题。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明的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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种云平台的整体架构图;
图2是本发明一实施例提供的一种区域视觉AI平台的系统架构图;
图3是本发明一实施例提供的一种区域视觉AI平台的数据计算服务示意图;
图4是本发明一实施例提供的一种区域视觉AI平台的数据架构图;
图5是本发明一实施例提供的一种区域视觉AI平台的数据传输与数据输出示意图;
图6是本发明一实施例提供的一种交通信息处理的方法的步骤流程图;
图7是本发明一实施例提供的另一种交通信息处理的方法的步骤流程图;
图8是本发明一实施例提供的一种交通信息处理的装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在智慧城市建设中,通过搭建标准统一、入口统一、采集统一、管理统一、服务统一、数据统一的跨域多维大数据公共服务云平台,建立城市级统一数据标准,打破数据壁垒,汇聚区域物联网(Internet of Things,IOT)与系统数据资源,承载智慧城市所有业务系统,并通过数据开放共享、平台能力开放、打造智慧城市生态。
跨域多维大数据公共服务云平台的建设目标,是通过引入云计算,大数据,物联网,移动互联等先进技术建设一个智慧城市的各类主体、各级业务协同机构和各领域的智慧应用形成一个开放、互联、智能的智慧城市生态体系,促进城市管理、社会民生、资源环境、经济产业各领域的数据共享,提升行政效率、城市治理能力、居民生活品质,促进行业融合发展、推动产业转型升级、创新商业模式,并向实现跨域多维大数据公共服务云平台的推广应用。
跨域多维大数据公共服务云平台主要涉及云计算、大数据、物联网、人工智能等前沿IT信息技术:
1、云计算技术:云计算主要由弹性计算、网络、存储、数据库、安全、中间件六大核心组件构成,提供弹性、快速、稳定、安全的资源及算力服务。
2、大数据技术:以数据构建与管理为核心,通过数据计算、数据开发、数据分析、数据可视化等相关组件,提供数据打通、数据整合、数据治理、数据共享等能力。
3、物联网技术:物联网平台提供了一站式的设备接入、设备管理、监控运维、安全保障等服务,作为时空物联引擎的重要组成,可提供物联基础能力支撑,满足未来新型智慧城市智能治理的需要。
4、人工智能技术:以AI算法开发平台为核心,通过视觉AI、文本语音识别、自然语言处理(Natural Language Processing,NLP)平台、地图服务等相关组件,提供一系列智能化服务。
如图1所示,云平台中部署有互联网引擎、时空物联引擎、跨域多维大数据引擎、区域物联传感系统、开放服务网关、区域应用门户、安全运维系统、开放运营系统、其他结构,其中,开放服务网关包括融合业务共享中心、融合数据创新中心。
以下对云平台的各个部分进行具体说明:
(一)时空物联引擎
时空物联引擎由地理信息系统(Geographic Information System,GIS)、建筑信息模型(Building Information Modeling,BIM)以及区域物联网平台构成,用于将空间数据与三维模型应用于区域物联网。
地理信息系统是一种特定的十分重要的空间信息系统,可以在计算机硬、软件系统支持下,对整个或部分空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述。
建筑信息模型是以三维数字技术为基础,集成了建筑工程项目各种相关信息的工程数据模型,并且建立的模型随着项目进展处于不断深化和变化中。
(二)互联网引擎
互联网引擎中部署了云效(DevOps)以及分布式中间件,用于实现对数据的高效资源共享、高效功能共享。
其中,DevOps为Development和Operations的组合词,是一组过程、方法与系统的统称,用于促进应用程序/软件工程的开发、技术运营和质量保障部门之间的沟通、协作与整合。
分布式中间件是介于应用系统和系统软件之间的一类软件,使用系统软件所提供的基础服务或功能,衔接网络上应用系统的各个部分或不同的应用,能够达到资源共享、功能共享的目的。
(三)跨域多维大数据引擎
跨域多维大数据引擎部署有统一数据管理平台以及大数据引擎,用于实现对跨域数据的统一化管理。
(四)区域物联传感系统
区域物联传感系统由压力、湿度、摄像头、光源、红外传感、温度等相关传感设备及设备数据构成。
(五)融合业务共享中心与融合数据创新中心
融合业务共享中心可以按业务分类将各区域数据进行融合后创建不同的数据共享中心,例如:个人信息中心、信用信息中心、法人信息中心、金融服务中心、旅游服务中心、综合治理服务中心、时空服务中心、物联网服务中心等共享中心。
融合数据创新中心通过数据融合体系和AI算法体系实现对融合数据的实现创新应用,AI算法体系包括:全时全域交通动态感知引擎、渐进式视频搜索引擎、大规模视觉计算平台。
融合业务共享中心与融合数据创新中心将数据进行融合处理后可以通过区域应用门户呈现处理后的数据。
(六)区域应用门户
在区域应用门户中,主要分为生态环保、全域旅游、物业城市、企业智能服务、电子围栏、智慧社区、国际人才岛、区域经济大脑、跨境电商、跨域鉴权等板块。用户通过区域应用门户进入各板块,并获取经处理后的数据所组成的各板块对应的资讯信息。
(七)安全运维系统
安全运维系统包括安全保障、多云管理、区域云统一管理、平台接口等,用于保障整个云平台的安全运行。
(八)开放运营系统
开放运营系统包括统一入口、能力开放、运营平台等,用于建立数据的统一入口,接入各区域数据。
(九)其他结构
此外,还可以通过超算集群、区域云计算平台、openstackfiware集群(一个开源的云计算管理平台项目,是一系列软件开源项目的组合),对数据进行处理。
以下对区域视觉AI平台进行具体说明:
区域视觉AI平台包括:平台规划、网络规划、平台安全规划,其中,平台规划可以根据不同维度从业务架构、系统架构、数据架构以及部署架构上全面解析区域视觉AI平台,网络规划可以包括网络架构,平台安全规划可以包括平台安全体系。
一、平台规划
(1)业务架构
业务架构包括区域视觉AI平台中的业务功能和计算模型。
其中,业务功能分为全时全域交通动态感知引擎的业务功能和渐进式视频搜索引擎的业务功能,全时全域交通动态感知引擎的业务功能包括交通事故监测功能、交通拥堵监测功能,渐进式视频搜索引擎的业务功能包括人物识别、非机动车识别、机动车识别。
其中,计算模型包括人物/非机动车检测模型、人物/非机动车特征检测模型,机动车检测模型,其他检测模型,其他检测模型可以包括交通事故监测模型。
(2)系统架构
如图2所示,系统架构展示了部署在区域视觉AI平台中的全时全域交通动态感知引擎、渐进式视频搜索引擎的架构。
其中,全时全域交通动态感知引擎、渐进式视频搜索引擎由大规模视觉计算平台支持,并以Docker(应用容器引擎)的方式部署在区域视觉AI平台中,区域视觉AI平台中的依赖组件包括OSS(Object Storage Service,对象存储)、ECS(Elastic Compute Service,云服务器)、RDS(Relational Database Service,关系型数据库服务)等。
大规模视觉计算平台包括数据接入服务、图像搜索服务、数据计算服务。
数据接入服务以Docker方式部署在虚拟云主机的专有云平台中,数据接入服务包括数据接入服务、数据资源调度服务、worker(工作台)服务、metadata(元数据)服务,数据接入服务包括视觉数据规范化子服务、其他数据规范化子服务,数据接入服务用于接收视频数据、视图数据、其他结构化数据,并以视频流、图片流、其他数据流的方式传输至图像搜索服务和数据计算服务,以及为行业应用和行业视觉算法引擎提供支持,行业视觉算法引擎也就是为全时全域交通动态感知引擎、渐进式视频搜索引擎;
数据计算服务以Docker方式部署在异构虚拟云主机上,数据计算服务包括序列计算、图谱计算、图形计算、实时分析、离线分析、计算图、模型加密与服务授权、模型优化、模型并发、模型调度等服务,数据计算服务用于为图像搜索服务提供支持;
图像搜索服务包括分布式查询引擎、特征索引引擎,分布式查询引擎包括节点查询服务、路径查询服务、子图查询服务、全图查询服务,特征索引引擎包括视觉索引服务、图谱索引服务、几何索引服务,图像搜索服务用于为行业应用和行业视觉算法引擎提供支持。
其中,如图3所示,数据计算服务具体包括算法程序、第三方授权认证硬件与服务、VPC(Virtual Private Cloud,虚拟私有云)、安全认证、Kubernetes(自动化容器操作的开源平台)、Flink(开源流处理框架)、ECS,其中,算法程序包括视觉算法库、UDTF(User-Defined Table-Generating Functions,用户定义表生成函数)、Docker镜像。
(3)数据架构
如图4所示,数据架构展示了部署在区域视觉AI平台中的大规模视觉计算平台、全时全域交通动态感知引擎、渐进式视频搜索引擎的业务数据与设备数据的流入与流出。
大规模视觉计算平台包括计算引擎,计算引擎包括接入前端、数据接入模块、计算前端、计算模块、存储及搜索前端、存储及搜索模块,大规模视觉计算平台用于支持全时全域交通动态感知引擎、渐进式视频搜索引擎。
数据接入模块包括互联网视频接入子模块、视频接入子模块、视图接入子模块、流媒体转发服务子模块、线圈管理子模块、拉框及预置位管理子模块、MQ(Message Queue,消息队列)及DataHub(流式数据总线)推送子模块,数据接入模块用于接收互联网视频平台、视频共享平台、视频图像信息库提供的数据,并将数据经过处理后传输至数据计算服务;
计算模块包括视频及数据输入MQ子模块、算法处理子模块、结构化输出子模块,计算模块用于接收数据接入模块传输的数据,并将数据经过处理传输至图像搜索服务;
存储及搜索模块包括搜索引擎、MQ、DataHub、RDS、ES(elasticsearch,搜索引擎)、OSS等子模块,存储及搜索模块用于接收计算模块传输的数据。
如图5所示,数据架构中数据的传输包括流媒体拓展服务,流媒体拓展服务包括流处理模块组、流输出模块组、中心管理服务器,流处理模块组包括多个流处理模块,流处理模块组用于接收视频监控平台传输的数据以及中心管理服务器提供的各类信息,并将数据经过处理后传输至流输出模块组,流输出模块组包括多个流输出模块,流输出模块组用于接收流处理模块组传输的数据,并将处理后的数据传输至其他应用,其他应用可以是大规模视觉计算平台。
其中,视频监控平台传输的数据可以是互联网视频平台、视频共享平台、视频图像信息库提供的数据。
数据架构中数据的输出可以由下表所示:
(4)部署架构
部署架构包括区域视觉AI平台中部署关系架构,其架构可以分为OXS区、外管区。
其中,OXS区包括控制台、RAM(Random Access Memory,随机存取存储器)、API(Application Programming Interface,应用程序接口)网关、ECS、VIP(Virtual IPAddress,虚拟IP地址),RAM向控制台提供用户认证服务,向API网关提供权限认证服务,控制台包括前端界面统一入口,前端界面统一入口与接流服务交互界面、计算服务交互界面、服务监控界面连接,控制台以HTTPS(Hyper Text Transfer Protocol over SecureSocketLayer,超文本传输安全协议)的方式与用户、API网关连接,API以HTTPS的方式与业务应用连接。
外管区包括sNET(source network address translation,源地址转换)、云监控、日志服务、VPC、用户资源池、MQ、ECS、RDS。
其中,sNET用于获取IPC(IP Camera,网络摄像机)/NVR(Network VideoRecorder,网络视频录影机)/下级平台中的视频流,并传输至VPC,云监控与日志服务与VPC连接;
VPC包括本地中间业务,本地中间业务包括数据接入模块、计算模块、存储及搜索模块,VPC与OXS区中的ECS、VIP连接;
数据接入模块包括视频接入、视频点播、视频转发、Video Plan(视频计划)、视频流中心,视频接入、视频点播、视频转发分别与Video Plan和视频流中心连接,数据接入模块用于接收sNET传输的数据,并经过处理后将数据传输至计算模块;
计算模块包括Video Flow(视频流)、任务管理、调度中心、Compute Plan(计算计划)、分布式大规模流计算平台,Video Flow、任务管理、调度中心分别与Compute Plan和分布式大规模流计算平台连接,计算模块用于接收数据接入模块传输的数据,并经过处理后传输至用户资源池和搜索模块;
搜索模块包括布控服务、算法服务、引擎服务、索引中心、Search Plan(搜索计划),算法服务与布控服务、引擎服务、Search Plan连接,布控服务和引擎服务分别与Search Plan和索引中心连接。
二、网络规划
网络架构
对于区域视觉AI平台的网络规划,可以将区域视觉AI平台中的大规模视觉计算平台部署在跨域多维专有云的VPC内,通过接入区中的内部转线接入区与视频监控专网连接。
其中,大规模视觉计算平台包括设备接入平台、计算服务器,并与全时全域交通动态感知引擎、渐进式视频搜索引擎连接;
接入区包括互联网接入区、内部转线接入区、外网接入区、外部转线接入区。
三、平台安全规划
平台安全体系
对于区域视觉AI平台的平台安全体系,可以分别针对服务提供商需要保护的重点以及算法提供商需要保护的重点,对区域视觉AI平台进行安全保护。
平台安全体系具体包括服务提供商、算法提供商、算法客户端、算法库、TW-KMS(密钥服务器)、TQ-Auth(授权服务器)、密钥保护(Codify)。
服务提供商通过客户端证书(client.crt)、客户端私钥(client.key)连接算法客户端,通过授权服务器证书(tqauth.crt)、授权服务器私钥(tqauth.key)连接授权服务器证书;
算法提供商将算法传输至算法库,算法库嵌入到算法客户端,算法提供商与密钥服务器连接,算法提供商传输模型文件至密钥保护;
密钥保护向算法库提供提取码、加密模型、私钥,密钥保护向密钥服务器提供密钥文件,密钥文件包括提取码、密钥、公钥;
授权服务器通过单向SSL(Secure Sockets Layer,安全套接字协议)验证、模型解密与密钥服务器连接,算法客户端与授权服务器通过双向SSL验证、服务授权、模型解密进行连接,算法客户端与授权服务器、密钥服务器通过服务商根证书(CA.crt)进行连接。
其中,算法客户端与授权服务器通过双向SSL验证、服务授权、模型解密进行连接过程中,具体包括:
算法库提供的模型和私钥[1]、客户端证书、客户端私钥、服务根证书嵌入到算法客户端(Client)中,授权服务器证书、授权服务器私钥、服务根证书嵌入到授权服务器,服务根证书也就是服务商根证书。
算法客户端与授权服务器之间通过双向SSL验证加密连接,算法客户端中的服务授权发送License(许可)数据流至授权服务器中的验证数值签名,授权服务器中的验证数值签名验证License在线状态,发送包括许可信息的数据流至算法客户端中的模型解密,算法客户端中的模型解密发送包括提取码和随机数的数据流至授权服务器中的查询密钥服务器,授权服务器中的查询密钥服务器发送包括随机数和解密密钥的数据流至算法客户端中的许可续期,解密密钥包括公钥[2]加密,算法客户端中的许可续期发送License数据流至授权服务器,授权服务器发送包括许可信息的数据流至算法客户端。
[1][2]为算法提供商使用密钥保护中的加密模型时生成的公钥和私钥,算法库内嵌私钥,密钥服务器储存公钥。
参照图6,示出了本发明一实施例提供的一种交通信息处理的方法的步骤流程图,应用于交通管控系统,交通管控系统包括全时全域交通动态感知引擎和渐进式视频搜索引擎,具体可以包括如下步骤:
步骤601,交通管控系统获取区域视觉AI平台中的视觉数据,并确定视觉数据对应的交通类型对象和其他类型对象;
其中,区域视觉AI平台可以用于对区域范围的视觉数据进行统一收集、分析,视觉数据可以包括视频数据、图片数据,交通类型对象可以为与交通事件相关的对象,其他类型对象可以与交通事件不相关的对象。
作为一示例,交通类型对象可以包括以下任一项:车道线对象、车辆对象、交通指示灯对象,其他类型对象可以包括以下任一项:行人对象、车牌对象。
在实际应用中,交通管控系统可以实时获取区域视觉AI平台中的视觉数据,如获取针对某个道路、某个建筑物内或某个地区的视觉数据,进而可以对视觉数据中所有对应的对象进行识别。
例如,可以确定视觉数据中的景深信息,进而可以根据景深信息的差异确定视觉数据中对应的对象。
在识别一个或多个对象后,可以确定对象是否为交通类型对象或其他类型对象。
在实际应用中,可以在交通管控系统中预先存储多个对象模型,如车辆对象模型、行人对象模型等,并对多个对象模型进行分类,即将多个对象模型分为交通类型对象和其他类型对象,进而可以确定对象与多个对象模型之间的匹配程度,并将匹配程度最高的对象模型确定为对象对应的对象模型,以确定对象是否为交通类型对象或其他类型对象。
在本发明一实施例中,区域视觉AI平台可以与区域物联传感系统连接,区域物联传感系统可以连接多个物联网设备,交通管控系统获取区域视觉AI平台中的视觉数据可以包括如下子步骤:
通过区域物联传感系统,获取多个物联网设备实时采集的视觉数据;
其中,区域物联传感系统可以用于获取多个物联网设备实时采集的视觉数据,物联网设备可以包括路口摄像机、路段摄像头、监控摄像头、红外线传感器等。
在实际应用中,由于多个物联网设备可以分别为不同单位或部门的设备,并为不同的单位或部门服务,进而在获取视觉数据时,会出现跨单位或部门调用视觉数据的情况,调用步骤复杂,且降低了调用效率,浪费系统资源,而且,由于不同的单位或部门对视觉数据的需求不一致,对视觉数据处理的要求也不一样,存在难以调用或调用也无法进行分析的情况。
例如,机动车可以从道路驶入地下停车场,倘若需要对车辆进行跟踪,则需要获取道路和地下停车场的视觉数据,而由于道路和地下停车场的设备隶属于不同的单位,因此,需要跨单位调用视觉数据,还需要两个单位的互相协作,调用效率低下。
因此,可以与区域物联传感系统连接,且通过区域物联传感系统连接多个物联网设备,进而可以实时获取多个物联网设备采集的视觉数据,可以对来自不同设备的视觉数据进行统一处理。
步骤602,交通管控系统采用全时全域交通动态感知引擎,对交通类型对象进行交通事件检测,得到交通事件信息;
其中,全时全域交通动态感知引擎可以用于基于视觉数据识别区域的交通状况,交通事件信息可以包括以下任一项:交通拥堵事件、交通事故事件、交通违章事件。
在确定一个或多个交通类型对象后,可以确定预置在全时全域交通动态感知引擎中与一个或多个交通类型对象对应的交通事件,进而可以得到基于该交通类型对象的交通事件信息。
例如,全时全域交通动态感知引擎中可以预先设置有多个与密度信息对应的交通事件,在确定多个车辆对象后,全时全域交通动态感知引擎可以基于当前车辆对象所在的区域确定车辆对象的密度信息,进而可以根据该密度信息确定交通事件为道路拥堵事件,并得到道路拥堵信息。
步骤603,交通管控系统采用渐进式视频搜索引擎,确定其他类型对象的轨迹信息;
其中,渐进式视频搜索引擎可以用于对对象进行追踪。
在确定其他类型对象后,可以采用渐进式视频搜索引擎确定下一帧视觉数据中同一个其他类型对象,进而可以对该其他类型对象进行追踪,并根据多帧视觉数据确定该其他类型对象的轨迹信息。
步骤604,交通管控系统将交通事件信息和轨迹信息发送至区域视觉AI平台,以为区域视觉AI平台提供交通管控服务。
其中,交通管控服务可以包括交通拥堵检测服务、寻人服务、交通违章检测服务等。
在确定交通事件信息和轨迹信息后,可以将交通事件信息和轨迹信息发送至区域视觉AI平台,进而可以根据交通事件信息和轨迹信息为区域视觉AI平台提供交通拥堵检测服务、寻人服务、交通违章检测服务等服务。
例如,区域视觉AI平台可以根据交通事件信息确定当前区域是否出现拥堵,进而可以提供交通拥堵检测服务。
在本发明实施例中,通过交通管控系统获取区域视觉AI平台中的视觉数据,并确定视觉数据对应的交通类型对象和其他类型对象,交通管控系统采用全时全域交通动态感知引擎,对交通类型对象进行交通事件检测,得到交通事件信息,交通管控系统采用渐进式视频搜索引擎,确定其他类型对象的轨迹信息,交通管控系统将交通事件信息和轨迹信息发送至区域视觉AI平台,以为区域视觉AI平台提供交通管控服务,实现了对大量的视觉数据进行统一处理,能够及时为区域视觉AI平台提供交通管控服务,避免了各应用之间出现条块分割、信息鸿沟的问题。
参照图7,示出了本发明一实施例提供的另一种交通信息处理的方法的步骤流程图,具体可以包括如下步骤:
步骤701,交通管控系统获取区域视觉AI平台中的视觉数据;
步骤702,对视觉数据进行转码;
在获取视觉数据后,由于视觉数据可以由不同的设备采集的,进而视觉数据的格式可能会不相同,可以预先确定目标格式,如视频数据对应的数据格式可以为MPEG(MovingPicture Experts Group,运动图像专家组格式)。
在确定目标格式后,可以对视觉数据按照目标格式进行转码,进而可以统一不同设备采集的视觉数据的格式,以便于对视觉数据进行后续处理,提高后续数据处理的效率。
步骤703,确定转码后的视觉数据对应的一个或多个候选对象,并提取每个候选对象的特征信息;
其中,特征信息包括颜色信息、轮廓信息,候选对象可以为尚未确定的对象。
在进行转码后,可以识别转码后的视觉数据中所有的候选对象,进而可以从视觉数据中提取与候选对象对应的颜色信息、轮廓信息等特征信息。
步骤704,判断特征信息是否与预设特征相匹配;
其中,预设特征可以为车辆特征、交通指示灯特征、车道线特征等任意一项。
在提取特征信息后,可以确定特征信息与预设特征的相似度,当相似度大于或等于相似度阈值时,如大于90%时,则可以说明特征信息与预设特征相匹配,当相似度小于相似度阈值,则可以说明特征信息与预设特征不匹配。
步骤705,在特征信息与预设特征信息相匹配时,确定候选对象为交通类型对象,并在特征信息与预设特征信息不匹配时,确定候选对象为其他类型对象;
在特征信息与预设特征信息相匹配时,可以说明候选对象的特征信息为预设特征,进而可以确定候选对象为交通类型对象,如当预设特征为车辆特征时,则可以说明候选对象为车辆,即为交通类型对象。
在特征信息与预设特征信息不匹配时,可以说明候选对象的特征信息不是预设特征,进而可以确定候选对象为其他类型对象,例如,当特征信息与预设特征信息不匹配时,则可以说明候选对象不是车辆、交通指示灯或车道线,即为其他类型对象。
步骤706,交通管控系统采用全时全域交通动态感知引擎,对交通类型对象进行交通事件检测,得到交通事件信息;
在确定一个或多个交通类型对象后,可以确定预置在全时全域交通动态感知引擎中与特征信息对应的交通事件,进而可以得到基于该交通类型对象的交通事件信息。
例如,全时全域交通动态感知引擎中可以预先设置有多个与密度信息对应的交通事件,在确定多个车辆对象后,全时全域交通动态感知引擎可以基于当前车辆对象所在的区域以及车辆对象的特征信息确定车辆对象的密度信息,进而可以根据该密度信息确定交通事件为道路拥堵事件,并得到道路拥堵信息。
在本发明一实施例中,交通管控系统可以包括交通事件检测模型,步骤706可以包括如下子步骤:
子步骤11,采用全时全域交通动态感知引擎,对交通类型对象的特征信息进行处理,得到交通元素信息;
其中,特征信息可以包括位置特征信息,交通元素信息可以包括速度信息、距离信息。
在确定一个或多个交通类型对象后,可以确定交通类型对象的位置特征信息,进而可以采用全时全域交通动态感知引擎计算多个交通类型对象之间的实际距离信息,可以采用全时全域交通动态感知引擎在不同帧视觉数据中确定同一个交通类型对象,进而可以确定该交通类型对象的位移信息,可以根据位移信息确定该交通类型对象的速度信息。
子步骤12,将交通元素信息输入交通事件检测模型,得到交通事件信息;
其中,交通事件检测模型可以为神经网络数据模型,交通事件检测模型可以包括多个交通元素信息和交通事件信息的对应关系。
在确定距离信息和速度信息后,可以将距离信息和速度信息输入至交通检测模型中,进而交通检测模型可以根据距离信息和速度信息确定对应的交通事件信息。
例如,当速度信息为0,且交通类型对象处于禁停区域,则可以确定对应的交通事件信息为违停事件,即交通违章事件。
在实际应用中,可以预先采用大规模车辆数据集对交通事件检测模型进行训练。
步骤707,交通管控系统采用渐进式视频搜索引擎,确定其他类型对象的轨迹信息;
在本发明一实施例中,交通管控系统可以包括其他事件检测模型,步骤707可以包括如下子步骤:
子步骤21,采用渐进式视频搜索引擎,对其他类型对象的特征信息进行处理,得到其他元素信息;
其中,其他元素信息可以包括服装信息、性别信息、体型信息、车牌信息。
在确定一个或多个其他类型对象后,可以采用渐进式视频搜索引擎确定其他类型对象中的颜色信息和轮廓信息,并基于颜色信息和轮廓信息确定其他类型对象中的服装信息、体型信息等其他元素信息。
在本发明一实施例中,其他类型对象可以是车辆对象中的车牌对象,可以采用渐进式视频搜索引擎识别车牌对象中的数字图像,进而可以根据数据图像得到车牌对象的车牌信息。
子步骤22,将其他元素信息输入其他事件检测模型,得到轨迹信息;
其中,其他事件检测模型可以为神经网络数据模型,其他事件检测模型用于根据其他元素信息生成轨迹信息。
在确定其他元素信息后,可以将其他元素信息输入至其他事件检测模型中,进而其他事件检测模型可以根据其他元素信息在多帧视觉数据中确定同一个其他类型对象,并确定其他类型对象在不同的视觉数据中的位置特征信息,可以根据位置特征信息确定轨迹信息。
例如,可以根据服装信息和体型信息确定目标行人,进而可以在多帧视觉数据中确定目标行人,并确定该目标行人在不同视觉数据中的位置特征信息,可以根据该位置特征信息确定目标行人的轨迹信息,以在多帧视觉数据中追踪目标行人。
在实际应用中,可以预先采用大规模数据集对其他事件检测模型进行训练。
在本发明一实施例中,当其他类型对象为行人对象时,可以将其他元素信息输入至其他事件检测模型中,以在一视觉数据中确定一个或多个行人对象,可以根据行人对象的数量和当前区域确定行人密度信息,进而其他事件检测模型可以根据密度信息确定其他事件信息,其中,其他事件信息可以为易发踩踏事件。
步骤708,交通管控系统将交通事件信息和轨迹信息发送至区域视觉AI平台,以为区域视觉AI平台提供交通管控服务。
在本发明实施例中,通过交通管控系统获取区域视觉AI平台中的视觉数据,对视觉数据进行转码,确定转码后的视觉数据对应的一个或多个候选对象,并提取每个候选对象的特征信息,判断特征信息是否与预设特征相匹配,在特征信息与预设特征信息相匹配时,确定候选对象为交通类型对象,并在特征信息与预设特征信息不匹配时,确定候选对象为其他类型对象,交通管控系统采用全时全域交通动态感知引擎,对交通类型对象进行交通事件检测,得到交通事件信息,交通管控系统采用渐进式视频搜索引擎,确定其他类型对象的轨迹信息,交通管控系统将交通事件信息和轨迹信息发送至区域视觉AI平台,以为区域视觉AI平台提供交通管控服务,实现了对大量的视觉数据进行统一处理,并提高了检测交通事件信息和轨迹信息的准确性,为区域视觉AI平台提供交通管控服务,避免了各应用之间出现条块分割、信息鸿沟的问题。
需要说明的是,对于方法实施例,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,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,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,所涉及的动作并不一定是本发明实施例所必须的。
参照图8,示出了本发明一实施例提供的一种交通信息处理的装置的结构示意图,应用于交通管控系统,所述交通管控系统包括全时全域交通动态感知引擎和渐进式视频搜索引擎,具体可以包括如下模块:
对象确定模块801,用于获取区域视觉AI平台中的视觉数据,并确定所述视觉数据对应的交通类型对象和其他类型对象;
交通事件信息得到模块802,用于采用所述全时全域交通动态感知引擎,对所述交通类型对象进行交通事件检测,得到交通事件信息;
轨迹信息确定模块803,用于采用所述渐进式视频搜索引擎,确定所述其他类型对象的轨迹信息;
服务提供模块804,用于将所述交通事件信息和所述轨迹信息发送至所述区域视觉AI平台,以为所述区域视觉AI平台提供交通管控服务。
在本发明一实施例中,所述对象确定模块801还包括:
转码子模块,用于对所述视觉数据进行转码;
特征信息提取子模块,用于确定所述转码后的视觉数据对应的一个或多个候选对象,并提取每个候选对象的特征信息;其中,所述特征信息包括颜色信息、轮廓信息;
匹配子模块,用于判断所述特征信息是否与预设特征相匹配;
对象类型确定子模块,用于在所述特征信息与预设特征信息相匹配时,确定所述候选对象为交通类型对象,并在所述特征信息与预设特征信息不匹配时,确定所述候选对象为其他类型对象。
在本发明一实施例中,所述交通管控系统包括交通事件检测模型,所述交通事件信息得到模块802,还包括:
交通元素信息得到子模块,用于采用所述全时全域交通动态感知引擎,对所述交通类型对象的特征信息进行处理,得到交通元素信息;
交通事件信息确定子模块,用于将所述交通元素信息输入所述交通事件检测模型,得到交通事件信息;其中,所述交通事件检测模型包括多个交通元素信息和交通事件信息的对应关系。
在本发明一实施例中,所述交通管控系统包括其他事件检测模型,所述轨迹信息确定模块803,还包括:
其他元素信息得到子模块,用于采用所述渐进式视频搜索引擎,对所述其他类型对象的特征信息进行处理,得到其他元素信息;
轨迹信息生成子模块,用于将所述其他元素信息输入所述其他事件检测模型,得到轨迹信息;其中,所述其他事件检测模型用于根据所述其他元素信息生成轨迹信息。
在本发明一实施例中,所述区域视觉AI平台与区域物联传感系统连接,所述区域物联传感系统连接多个物联网设备,所述对象确定模块801,还包括:
视觉数据获取子模块,用于通过所述区域物联传感系统,获取所述多个物联网设备实时采集的视觉数据;其中,所述视觉数据包括视频数据、图片数据。
在本发明实施例中,通过交通管控系统获取区域视觉AI平台中的视觉数据,对视觉数据进行转码,确定转码后的视觉数据对应的一个或多个候选对象,并提取每个候选对象的特征信息,判断特征信息是否与预设特征相匹配,在特征信息与预设特征信息相匹配时,确定候选对象为交通类型对象,并在特征信息与预设特征信息不匹配时,确定候选对象为其他类型对象,交通管控系统采用全时全域交通动态感知引擎,对交通类型对象进行交通事件检测,得到交通事件信息,交通管控系统采用渐进式视频搜索引擎,确定其他类型对象的轨迹信息,交通管控系统将交通事件信息和轨迹信息发送至区域视觉AI平台,以为区域视觉AI平台提供交通管控服务,实现了对大量的视觉数据进行统一处理,并提高了检测交通事件信息和轨迹信息的准确性,为区域视觉AI平台提供交通管控服务,避免了各应用之间出现条块分割、信息鸿沟的问题。
本发明一实施例还提供了一种电子设备,可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序,计算机程序被处理器执行时实现如上一种交通信息处理的方法。
本发明一实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如上一种交通信息处理的方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对所提供的一种交通信息处理的方法和装置,进行了详细介绍,本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (9)
1.一种交通信息处理的方法,其特征在于,应用于交通管控系统,所述交通管控系统包括全时全域交通动态感知引擎和渐进式视频搜索引擎,所述方法包括:
所述交通管控系统获取区域视觉AI平台中的视觉数据,并确定所述视觉数据对应的交通类型对象和其他类型对象;
所述交通管控系统采用所述全时全域交通动态感知引擎,对所述交通类型对象进行交通事件检测,得到交通事件信息;
所述交通管控系统采用所述渐进式视频搜索引擎,确定所述其他类型对象的轨迹信息;
所述交通管控系统将所述交通事件信息和所述轨迹信息发送至所述区域视觉AI平台,以为所述区域视觉AI平台提供交通管控服务;
其中,所述区域视觉AI平台与区域物联传感系统连接,所述区域物联传感系统连接多个物联网设备,所述获取区域视觉AI平台中的视觉数据,包括:
通过所述区域物联传感系统,获取所述多个物联网设备实时采集的视觉数据;其中,所述视觉数据包括视频数据、图片数据;其中,所述交通管控系统采用所述全时全域交通动态感知引擎,对所述交通类型对象进行交通事件检测,得到交通事件信息,包括:
在确定一个或多个所述交通类型对象后,确定预置在所述全时全域交通动态感知引擎中与一个或多个交通类型对象对应的交通事件,进而得到基于该交通类型对象的交通事件信息。
2.根据权利要求1所述的方法,其特征在于,所述确定所述视觉数据对应的交通类型对象和其他类型对象,包括:
对所述视觉数据进行转码;
确定所述转码后的视觉数据对应的一个或多个候选对象,并提取每个候选对象的特征信息;其中,所述特征信息包括颜色信息、轮廓信息;
判断所述特征信息是否与预设特征相匹配;
在所述特征信息与预设特征信息相匹配时,确定所述候选对象为交通类型对象,并在所述特征信息与预设特征信息不匹配时,确定所述候选对象为其他类型对象。
3.根据权利要求2所述的方法,其特征在于,所述交通管控系统包括交通事件检测模型,所述采用所述全时全域交通动态感知引擎,对所述交通类型对象进行交通事件检测,得到交通事件信息,包括:
采用所述全时全域交通动态感知引擎,对所述交通类型对象的特征信息进行处理,得到交通元素信息;
将所述交通元素信息输入所述交通事件检测模型,得到交通事件信息;其中,所述交通事件检测模型包括多个交通元素信息和交通事件信息的对应关系。
4.根据权利要求2或3所述的方法,其特征在于,所述交通管控系统包括其他事件检测模型,所述采用所述渐进式视频搜索引擎,确定所述其他类型对象的轨迹信息,包括:
采用所述渐进式视频搜索引擎,对所述其他类型对象的特征信息进行处理,得到其他元素信息;
将所述其他元素信息输入所述其他事件检测模型,得到轨迹信息;其中,所述其他事件检测模型用于根据所述其他元素信息生成轨迹信息。
5.根据权利要求1所述的方法,其特征在于,所述交通类型对象包括以下任一项:
车道线对象、车辆对象、交通指示灯对象;
所述其他类型对象包括以下任一项:
行人对象、车牌对象。
6.根据权利要求1所述的方法,其特征在于,所述交通事件信息包括以下任一项:
交通拥堵事件、交通事故事件、交通违章事件。
7.一种交通信息处理的装置,其特征在于,应用于交通管控系统,所述交通管控系统包括全时全域交通动态感知引擎和渐进式视频搜索引擎,所述装置包括:
对象确定模块,用于获取区域视觉AI平台中的视觉数据,并确定所述视觉数据对应的交通类型对象和其他类型对象;
交通事件信息得到模块,用于采用所述全时全域交通动态感知引擎,对所述交通类型对象进行交通事件检测,得到交通事件信息;
轨迹信息确定模块,用于采用所述渐进式视频搜索引擎,确定所述其他类型对象的轨迹信息;
服务提供模块,用于将所述交通事件信息和所述轨迹信息发送至所述区域视觉AI平台,以为所述区域视觉AI平台提供交通管控服务;
其中,所述区域视觉AI平台与区域物联传感系统连接,所述区域物联传感系统连接多个物联网设备,所述获取区域视觉AI平台中的视觉数据,包括:
通过所述区域物联传感系统,获取所述多个物联网设备实时采集的视觉数据;其中,所述视觉数据包括视频数据、图片数据;
其中,所述交通管控系统采用所述全时全域交通动态感知引擎,对所述交通类型对象进行交通事件检测,得到交通事件信息,包括:
在确定一个或多个所述交通类型对象后,确定预置在所述全时全域交通动态感知引擎中与一个或多个交通类型对象对应的交通事件,进而得到基于该交通类型对象的交通事件信息。
8.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的交通信息处理的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的交通信息处理的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288435.2A CN112382122B (zh) | 2020-11-17 | 2020-11-17 | 一种交通信息处理的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288435.2A CN112382122B (zh) | 2020-11-17 | 2020-11-17 | 一种交通信息处理的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112382122A CN112382122A (zh) | 2021-02-19 |
CN112382122B true CN112382122B (zh) | 2022-03-29 |
Family
ID=74585002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011288435.2A Active CN112382122B (zh) | 2020-11-17 | 2020-11-17 | 一种交通信息处理的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112382122B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113566842B (zh) * | 2021-07-26 | 2024-06-25 | 北京百度网讯科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
CN117894181B (zh) * | 2024-03-14 | 2024-05-07 | 北京动视元科技有限公司 | 一种全域通行异常状况集成监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104486429A (zh) * | 2014-12-22 | 2015-04-01 | 北京创鑫汇智科技发展有限责任公司 | 一种公共统一视频服务云平台 |
CN106021248A (zh) * | 2015-09-16 | 2016-10-12 | 展视网(北京)科技有限公司 | 一种元搜索引擎相关的视频文件下载系统及方法 |
CN111800507A (zh) * | 2020-07-06 | 2020-10-20 | 湖北经济学院 | 一种交通监控方法及交通监控系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528417A (zh) * | 2015-12-07 | 2016-04-27 | 北京航空航天大学 | 一种基于本体的社区监控视频语义模型的应用系统和方法 |
CN108965804A (zh) * | 2018-07-06 | 2018-12-07 | 安徽超清科技股份有限公司 | 一种用于城市安防的视频结构化技术 |
CN109558823B (zh) * | 2018-11-22 | 2020-11-24 | 北京市首都公路发展集团有限公司 | 一种以图搜图的车辆识别方法及系统 |
CN109859487A (zh) * | 2019-01-21 | 2019-06-07 | 河北高成电子科技有限公司 | 一种基于ai高点全景智能交通违法监测方法与系统 |
CN110769054A (zh) * | 2019-10-22 | 2020-02-07 | 广东技术师范大学 | 一种基于物联网的智能交通监控平台及方法 |
CN111880821A (zh) * | 2020-09-28 | 2020-11-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于容器化的交通算法标准化封装方法 |
-
2020
- 2020-11-17 CN CN202011288435.2A patent/CN112382122B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104486429A (zh) * | 2014-12-22 | 2015-04-01 | 北京创鑫汇智科技发展有限责任公司 | 一种公共统一视频服务云平台 |
CN106021248A (zh) * | 2015-09-16 | 2016-10-12 | 展视网(北京)科技有限公司 | 一种元搜索引擎相关的视频文件下载系统及方法 |
CN111800507A (zh) * | 2020-07-06 | 2020-10-20 | 湖北经济学院 | 一种交通监控方法及交通监控系统 |
Non-Patent Citations (1)
Title |
---|
跨设备搜索引擎结果页面注意力分布研究――基于眼动视觉数据的实证分析;梁少博等;《图书情报知识》;20180227(第01期);第27-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112382122A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335187B (zh) | 一种智慧城市操作系统 | |
CN116307757B (zh) | 一种数据智能交互方法、交互系统、计算机设备及应用 | |
CN110378824B (zh) | 一种公安交管数据大脑及构建方法 | |
Sun et al. | DxNAT—Deep neural networks for explaining non-recurring traffic congestion | |
US11392733B2 (en) | Multi-dimensional event model generation | |
Ma et al. | Data sets, modeling, and decision making in smart cities: A survey | |
CN103294829B (zh) | 基于Android操作系统实现轻量化视频结构化描述的系统及方法 | |
CN112382122B (zh) | 一种交通信息处理的方法和装置 | |
CN112332981B (zh) | 一种数据处理的方法和装置 | |
CN112398859B (zh) | 一种基于区域物联网平台的安全控制方法、装置、服务器和存储介质 | |
CN112383631A (zh) | 区域物联网平台和基于区域物联网平台的数据处理方法 | |
Kamruzzaman | 6G wireless communication assisted security management using cloud edge computing | |
CN118283548A (zh) | 一种基于5g的智慧城市智能安防系统及方法 | |
CN113672992B (zh) | 全域空管运行多源异构数据安全防护与融合方法及系统 | |
CN112258371A (zh) | 一种故障处理的方法和装置 | |
CN109784525A (zh) | 基于天空地一体化数据的预警方法及装置 | |
Chen et al. | Short‐Term Traffic Flow Prediction with Recurrent Mixture Density Network | |
Zhang et al. | Multiple-feature-based vehicle supply–demand difference prediction method for social transportation | |
Bhattarai et al. | Crash frequency prediction based on extreme value theory using roadside lidar-based vehicle trajectory data | |
CN115567563B (zh) | 基于端边云的综合交通枢纽监测预警系统及其控制方法 | |
CN112333199B (zh) | 一种数据处理的方法和装置 | |
CN112383435B (zh) | 一种故障处理的方法和装置 | |
CN112258373B (zh) | 一种数据处理的方法和装置 | |
CN112258372A (zh) | 一种数据处理的方法和装置 | |
CN112468696A (zh) | 一种数据处理的方法和装置 |
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 |