CN114743382B - 基于智慧灯杆系统的车辆违章行为识别方法和装置 - Google Patents

基于智慧灯杆系统的车辆违章行为识别方法和装置 Download PDF

Info

Publication number
CN114743382B
CN114743382B CN202210659097.1A CN202210659097A CN114743382B CN 114743382 B CN114743382 B CN 114743382B CN 202210659097 A CN202210659097 A CN 202210659097A CN 114743382 B CN114743382 B CN 114743382B
Authority
CN
China
Prior art keywords
edge
vehicle
group
target
data vector
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
Application number
CN202210659097.1A
Other languages
English (en)
Other versions
CN114743382A (zh
Inventor
周逊盛
何飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Reqe Information Technology Co ltd
Original Assignee
Zhejiang Dayun Iot Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dayun Iot Technology Co ltd filed Critical Zhejiang Dayun Iot Technology Co ltd
Priority to CN202210659097.1A priority Critical patent/CN114743382B/zh
Publication of CN114743382A publication Critical patent/CN114743382A/zh
Application granted granted Critical
Publication of CN114743382B publication Critical patent/CN114743382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06N3/08—Learning methods
    • 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
    • G08G1/0125—Traffic data processing
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种基于智慧灯杆系统的车辆违章行为识别方法和装置，通过接入边缘汇聚节点的位于同一道路区域范围的单向行驶方向的一组边缘计算控制器，从视频图像采集装置采集的视频图像数据分别识别出一组目标车辆在第一至第N时间窗口的行驶数据，由边缘汇聚节点构建包含所述一组目标车辆中每个的行驶数据向量组的集合，基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。本申请可以降低车辆违章行为识别的计算量，降低对边缘计算控制器的计算资源占用，提高车辆违章行为识别的准确率和性能，也能防止车辆违章行为的识别被规避。

Description

基于智慧灯杆系统的车辆违章行为识别方法和装置
技术领域
本申请涉及物联网及边缘计算技术领域，具体而言，涉及一种基于智慧灯杆系统的车辆违章行为识别方法和装置。
背景技术
边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。在智慧城市新型基础设施的建设发展中，智慧灯杆系统利用了物联网和边缘计算技术，通过搭载智能终端设备和各型传感器，可以提供市政、交通、安防、环保等多领域的新型公共服务，为智慧城市大脑实时提供海量城市运行数据。
智慧灯杆系统由于点位多、距离近的优势，有利于对道路和车辆信息的采集和管理，通过挂载高位摄像头实时采集道路车辆的视频数据，为智能交通系统（ITS）提供对超速、违停等各类违章、违法行为识别的交通监控数据。同时，通过智慧灯杆系统搭载的各边缘计算控制器，结合预训练的图像识别算法模型，还可以提供边缘侧的针对视频图像数据的车辆车牌识别、违章行为识别、交通流量监测等边缘计算服务。
现有技术中，在智慧灯杆系统中的边缘计算控制器中集成车辆违章行为识别的边缘计算服务，一般是预先训练能够识别检测车辆违章行为模式的图像识别算法模型，然后基于智慧灯杆系统搭载的摄像头实时采集车辆视频数据，从车辆视频数据中检测出车辆是否存在与预定的违章行为模式匹配的违章行为。然而，一方面，这种方式需要大量的车辆违章行为数据来对图像识别算法模型进行算法的学习训练，而现有实践中，司机的违章驾驶行为往往是千差万别，很难穷举一个全面完整的车辆违章行为模式集合，导致这种直接识别车辆违章行为的图像识别算法模型的训练不仅计算量很大，而且也会影响其对车辆违章行为的识别准确率。另一方面，由于智慧灯杆系统中的边缘计算控制器需要承载各类边缘计算服务，其计算资源往往比较有限，这种识别车辆违章行为的方式会占用边缘计算控制器中较多的计算资源，导致车辆违章行为的识别性能低下，也会影响边缘计算控制器中的各类边缘计算服务的服务质量。此外，由于受限于每个智慧灯杆系统中的边缘计算控制器的有限计算资源，现有技术中通常是在部分点位设置违章识别摄像头进行抓拍，导致车辆违章行为的识别检测很容易被规避。
发明内容
为了解决上述问题，本申请提出一种基于智慧灯杆系统的车辆违章行为识别方法和装置，能够降低车辆违章行为识别模型的计算量，降低对智慧灯杆系统中边缘计算控制器的计算资源占用，并且提高车辆违章行为识别的准确率和处理性能，同时也能防止车辆违章行为的识别检测被规避。
第一方面，本申请提出一种基于智慧灯杆系统的车辆违章行为识别方法，包括：
第一边缘计算控制器响应于其接入的边缘汇聚节点发送的第一命令，从所述第一边缘计算控制器连接的视频图像采集装置实时采集的视频图像数据中识别出一组目标车辆的标识和在第一时间窗口的行驶数据，并发送给所述边缘汇聚节点；
所述第一边缘计算控制器向接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识；
所述其他边缘计算控制器响应于接收到所述第二命令和所述一组目标车辆的标识，依次从各自连接的视频图像采集装置实时采集的视频图像数据分别识别出所述一组目标车辆在第二至第N时间窗口的行驶数据，并发送给所述边缘汇聚节点，其中，N为接入所述边缘汇聚节点的位于所述同一道路区域范围的单向行驶方向的边缘计算控制器的数量；
所述边缘汇聚节点根据所述一组目标车辆在第一至第N时间窗口的行驶数据，构建包含所述一组目标车辆中每个的行驶数据向量组的集合，基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。
在一些实施方式中，所述一组目标车辆中每个的行驶数据向量组由每个目标车辆的行驶数据中的每个特征元素的向量构成，所述每个特征元素的向量为表征所述目标车辆在N个时间窗口的行驶路线中长度为N*M的特征变化序列，其中M表示每个时间窗口的采样点数量。
在一些实施方式中，所述基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，包括：
分别为每个目标车辆的行驶数据向量组生成保留每个目标车辆的特征变化序列的主要特征的特征向量；
计算每个目标车辆的行驶数据向量组的所述特征向量的平均值作为参考向量；
计算每个目标车辆的行驶数据向量组的所述特征向量与所述参考向量的欧氏距离，并对所述欧氏距离进行归一化处理，得到每个目标车辆的行驶数据向量组的区分度评分。
在一些实施方式中，所述基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为，还包括：判断每个目标车辆的行驶数据向量组的所述区分度评分是否大于预设阈值，如果是，则判定大于预设阈值的区分度评分所对应的行驶数据向量组为所述特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。
在一些实施方式中，所述第一边缘计算控制器向接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识，包括：
所述第一边缘计算控制器向其接入的所述边缘汇聚节点发送所属分组的组播地址的查询请求；
所述边缘汇聚节点根据所述查询请求，从保存的分组路由表中查询获得所述第一边缘计算控制器的所属分组的组播地址，并返回给所述第一边缘计算控制器；
所述第一边缘计算控制器基于所述边缘汇聚节点返回的所述组播地址，向接入所述边缘汇聚节点的位于同一道路区域范围的单向行驶方向的所述其他边缘计算控制器组播所述第二命令和所述一组目标车辆的标识。
在一些实施方式中，所述方法在所述基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组之前，包括：
所述边缘汇聚节点将所述一组目标车辆中每个的行驶数据向量组依次输入预训练的车辆行为分类模型；
基于所述车辆行为分类模型确定所述一组目标车辆中每个的行驶数据向量组是否匹配预定的合规行驶行为模式；
如果基于所述车辆行为分类模型确定所述一组目标车辆中每个的行驶数据向量组均匹配预定的合规行驶行为模式时，所述边缘汇聚节点丢弃所述一组目标车辆中每个的行驶数据向量组，不再基于车辆行为识别模型识别所述行驶数据向量组的集合；否则，所述边缘汇聚节点将所述行驶数据向量组的集合输入所述车辆行为识别模型。
在一些实施方式中，所述车辆行为识别模型和车辆行为分类模型都是基于合规行驶行为的训练数据集对神经网络模型进行训练得到。
在一些实施方式中，所述其他边缘计算控制器响应于所述第二命令和所述一组目标车辆的标识，依次从各自连接的视频图像采集装置实时采集的视频图像数据分别识别出所述一组目标车辆在第二至第N时间窗口的行驶数据，包括：
所述其他边缘计算控制器中的每个根据所述一组目标车辆中每个的标识，对每个目标车辆单独启动目标检测线程，以分别检测和跟踪每个目标车辆，使得每个目标车辆都能获得时间窗口T内的M个采样点的行驶数据。
在一些实施方式中，所述方法还包括：
所述边缘汇聚节点将所述特定行驶数据向量组对应的目标车辆的违章行为判定结果及其视频图像数据发送给云端的管理服务器，以便提供违章行为处罚的人工核验。
第二方面，本申请还提出一种基于智慧灯杆系统的车辆违章行为识别装置，包括：
第一监测模块，用于第一边缘计算控制器响应于其接入的边缘汇聚节点发送的第一命令，从所述第一边缘计算控制器连接的视频图像采集装置实时采集的视频图像数据中识别出一组目标车辆的标识和在第一时间窗口的行驶数据，并发送给所述边缘汇聚节点；
组播通信模块，用于所述第一边缘计算控制器向接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识；
第二监测模块，用于所述其他边缘计算控制器响应于接收到所述第二命令和所述一组目标车辆的标识，依次从各自连接的视频图像采集装置实时采集的视频图像数据分别识别出所述一组目标车辆在第二至第N时间窗口的行驶数据，其中，N为接入所述边缘汇聚节点的位于所述同一道路区域范围的单向行驶方向的边缘计算控制器的数量；
行为识别模块，用于所述边缘汇聚节点根据所述一组目标车辆在第一至第N时间窗口的行驶数据，构建包含所述一组目标车辆中每个的行驶数据向量组的集合，基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。
本申请实施例的基于智慧灯杆系统的车辆违章行为识别方法和装置至少可以达到如下有益效果：一方面不需要大量的车辆违章行为数据来对车辆行为识别模型进行算法的学习训练，可以显著降低模型的计算量，而且通过识别不同目标车辆之间的行驶数据的区分性和一致性可以提高车辆违章行为的识别准确率；另一方面，还可以在保证边缘计算控制器中的各类边缘计算服务的服务质量的同时，降低对智慧灯杆系统中有限资源的边缘计算控制器的计算资源占用，提高车辆违章行为识别的处理性能。此外，还可以有效防止车辆行驶过程中的违章行为的识别检测容易被规避。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本申请的某些实施例，而不应被看作是对本申请范围的限制。
图1是根据本申请实施例的一种智慧灯杆系统100的架构示意图；
图2是根据本申请一实施例的基于智慧灯杆系统的车辆违章行为识别方法的流程示意图；
图3是根据本申请另一实施例的基于智慧灯杆系统的车辆违章行为识别方法的部分流程示意图；
图4是根据本申请另一实施例的基于智慧灯杆系统的车辆违章行为识别方法的部分流程示意图；
图5是根据本申请另一实施例的基于智慧灯杆系统的车辆违章行为识别方法的部分流程示意图；
图6是根据本申请一实施例的基于智慧灯杆系统的车辆违章行为识别装置的结构示意图；
图7是根据本申请另一实施例的基于智慧灯杆系统的车辆违章行为识别装置的部分结构示意图；
图8是根据本申请另一实施例的基于智慧灯杆系统的车辆违章行为识别装置的部分结构示意图；
图9是根据本申请另一实施例的基于智慧灯杆系统的车辆违章行为识别装置的部分结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例的附图，对本申请实施例中的技术方案进行清楚、完整地描述。然而应当理解，所描述的实施例仅仅是本申请的部分示例性实施例，而不是全部实施例，因此以下对本申请实施例的详细描述并非旨在限制要求保护的本申请的范围。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”等仅是用于区别描述类似的对象，而不是用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。
图1是根据本申请实施例的一种智慧灯杆系统100的架构示意图。本申请提供的基于智慧灯杆系统的车辆违章行为识别方法和装置可以适用于此架构来实施。该智慧灯杆系统包括：位于云端的管理服务器110、分别设置于各灯杆的边缘计算控制器120（又称单灯边缘节点），各边缘计算控制器120可以根据不同的道路区域范围经由无线或有线网络分别接入到对应的边缘汇聚节点130。边缘汇聚节点130可以通过以太网、4G/5G、无线专网等多种通信方式与管理服务器110进行数据通信交互。边缘汇聚节点130可以向其所连接的同一道路区域范围（图中虚线框所示）内的各边缘计算控制器120发布管理控制命令，汇聚同一道路区域范围内的各边缘计算控制器120的计算处理结果，并基于所连接的同一道路区域范围内的边缘计算控制器120的计算处理结果执行多种应用功能。
管理服务器110基于云计算平台实现，其负责实现对各边缘计算控制器120、各边缘汇聚节点130的统一配置管理以及各应用服务程序及其算法模型的安装部署和更新。管理服务器110同时还可以实现与第三方业务系统的数据交互，例如与城市智能交通系统（ITS）共享交通监测数据。
位于各灯杆的边缘计算控制器120可以与灯杆上承载的多种类型的终端设备，例如一个或多个视频图像采集装置141（例如监控摄像头）、一个或多个环境监测传感器142等进行通信交互，作为示例，边缘计算控制器120可以接收视频图像采集装置141实时采集的交通视频图像数据，基于预先训练部署的图像识别算法模型对该交通视频图像数据进行相应的图像识别和计算处理。
如前所述，现有技术中基于智慧灯杆系统的车辆违章行为识别方法，在智慧灯杆系统中的边缘计算控制器中集成车辆违章行为识别的边缘计算服务，预先训练能够识别检测车辆违章行为的图像识别算法模型，然后基于智慧灯杆系统搭载的摄像头实时采集的车辆视频数据，利用该图像识别算法模型识别检测出车辆是否存在违章行为。然而，这种方式需要大量的车辆违章行为数据来对图像识别算法模型进行学习训练，车辆违章行为数据的数据量和多样性导致这种识别车辆违章行为的图像识别算法模型计算量很大，识别准确率低下；同时，这种方式也会占用边缘计算控制器中较多的计算资源，导致车辆违章行为的识别性能低下，影响边缘计算控制器中的各类边缘计算服务的服务质量；此外，现有技术中通常是在部分点位设置违章识别摄像头进行抓拍，导致车辆违章行为的识别检测也很容易被规避。为此，本申请提出一种基于智慧灯杆系统的车辆违章行为识别方法和装置，以解决上述问题，可以降低车辆违章行为识别模型的计算量，降低对边缘计算控制器的计算资源占用，并且提高车辆违章行为识别的准确率和处理性能，同时也能防止车辆违章行为的识别检测被规避。
图2是根据本申请一实施例的基于智慧灯杆系统的车辆违章行为识别方法的流程示意图。如图2所示，本申请实施例的基于智慧灯杆系统的车辆违章行为识别方法包括以下步骤：
步骤S210，第一边缘计算控制器响应于其接入的边缘汇聚节点发送的第一命令，从其连接的视频图像采集装置实时采集的视频图像数据中识别出一组目标车辆的标识和在第一时间窗口的行驶数据，并发送给所述边缘汇聚节点。
本步骤中，边缘汇聚节点130向其接入的一组边缘计算控制器120中的第一边缘计算控制器发送启动车辆行驶数据监测服务的第一命令。在一个实施方式中，边缘汇聚节点130可以接入当前位于同一道路区域范围的全部智慧灯杆所部署的边缘计算控制器120。在另一个实施方式中，边缘汇聚节点130也可以同时接入位于若干个不同的道路区域范围的智慧灯杆所部署的边缘计算控制器120，边缘汇聚节点130可以按照同一道路区域范围对接入的这一组边缘计算控制器120进行分组关联存储。本实施例中，同一道路区域范围可以是指交通路网中影响交通流量的某个主干路段或者容易发生交通事故的重点监测路段，例如桥梁、隧道等。
边缘汇聚节点130可以指定当前位于同一道路区域范围的单向行驶方向的边缘计算控制器120中的起始边缘计算控制器作为该单向行驶方向的第一边缘计算控制器。在交通路网中，路段通常存在双向行驶方向或者单一行驶方向，双向行驶方向即包括上行和下行的两个单向行驶方向，而单一行驶方向是仅包括单行车道的上行或下行的单向行驶方向。本实施例中，对于双向行驶方向的路段，通常可以在道路两侧分别部署若干智慧灯杆，位于道路一侧的一组智慧灯杆上的视频图像采集装置（例如监控摄像头）和边缘计算控制器仅负责该侧的单向行驶方向的车道上的车辆行驶监测任务，位于道路另一侧的一组智慧灯杆上的视频图像采集装置（例如监控摄像头）和边缘计算控制器负责该另一侧的单向行驶方向的车道上的车辆行驶监测任务，而在仅有单向行驶方向的路段可以仅在道路一侧部署若干智慧灯杆，该组智慧灯杆上的视频图像采集装置（例如摄像头）和边缘计算控制器负责该单向行驶方向的全部车道的车辆行驶监测任务。
本步骤中，接收到边缘汇聚节点130发送的第一命令的第一边缘计算控制器运行车辆行驶数据监测服务。车辆行驶数据监测服务是基于预先训练的车辆目标识别模型，从该边缘计算控制器所在的智慧灯杆上搭载的视频图像采集装置在第一时间窗口实时采集的视频图像数据中，识别出当前的单向行驶方向上的全部车道上的目标车辆在第一时间窗口的行驶数据，并发送给边缘汇聚节点。在一个实施方式中，车辆目标识别模型可以基于现有常规的车辆目标检测和跟踪算法以及车牌识别算法训练得到车辆多目标检测模型和车牌识别模型，可以用于跟踪当前的单向行驶方向上的全部车道上的目标车辆的行驶数据，并识别出目标车辆的车牌号作为车辆的唯一标识。
在一个实施方式中，每个目标车辆的行驶数据可以包括在当前时间窗口的每个采样点识别的该目标车辆的行驶路线中的若干个特征元素，例如位置坐标和行驶速度等。作为示例，假设识别的目标车辆的数量为K,每个智慧灯杆上的视频图像采集装置采集的一个时间窗口为T，每个时间窗口的采样点数量为M，每个采样点的目标车辆的位置坐标可以表示为
Figure M_220729175936075_075686001
和
Figure M_220729175936123_123046002
，行驶速度表示为
Figure M_220729175936138_138685003
。那么，对于目标车辆
Figure P_220729175936169_169932001
来说，每个采样点的行驶数据就可以表示为特征元素三元组
Figure P_220729175936185_185561002
；一个时间窗口的周期中的行驶数据表示为
Figure P_220729175936216_216820003
。
步骤S220，第一边缘计算控制器向接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识。
本实施例中，为了准确地识别车辆违章行为，仅仅基于单个边缘计算控制器识别的车辆行驶数据是不够的，需要综合考虑一段时间内车辆在该道路区域范围内的行驶数据集合。因此，第一边缘计算控制器在识别到当前的单向行驶方向的全部车道上的一组目标车辆之后，会继续向位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识。所述第二命令可以用于触发接收到所述第二命令的其他边缘计算控制器同样运行车辆行驶数据监测服务，以便继续检测和跟踪该组目标车辆的行驶数据。本实施例基于一段时间内车辆在该道路区域范围内的行驶数据集合执行后续车辆违章行为识别，从而可以按照车辆在同一道路区域范围的整个道路上的行驶行为进行违章行为识别，克服传统方式仅在部分点位布置违章监测探头容易被规避的问题。
在一个实施方式中，边缘汇聚节点130中可以保存所接入的边缘计算控制器120的分组路由表，该分组路由表可以按照同一道路区域范围的单向行驶方向将所接入的边缘计算控制器进行分组关联存储，即属于同一道路区域范围的单向行驶方向的边缘计算控制器保存为同一个分组。该分组路由表可以包括边缘计算控制器的IP地址、所属分组标识以及所属分组的组播地址。
步骤S230，所述其他边缘计算控制器响应于接收到所述第二命令和所述一组目标车辆的标识，依次从各自连接的视频图像采集装置实时采集的视频图像数据分别识别出所述一组目标车辆在第二至第N时间窗口的行驶数据，并发送给所述边缘汇聚节点，其中，N为接入所述边缘汇聚节点的位于所述同一道路区域范围的单向行驶方向的边缘计算控制器的数量。
本步骤中，位于同一道路区域范围的单向行驶方向的其他边缘计算控制器根据第一边缘计算控制器的第二命令，运行车辆行驶数据监测服务，基于前述的车辆目标识别模型对所述一组目标车辆继续进行检测和跟踪。其他边缘计算控制器中的每个以相同的时间窗口T作为滑动窗口，周期性地执行车辆行驶数据监测服务，并根据所述一组目标车辆的标识判断当前视频图像采集装置的监控范围内的视频图像数据中是否发现所述目标车辆，当发现所述目标车辆时，当前的其他边缘计算控制器则在时间窗口T内以与第一边缘计算控制器相同的采样数量获得目标车辆的行驶数据。因此，如果位于所述同一道路区域范围的单向行驶方向的每个智慧灯杆均部署一台边缘计算控制器，那么对于每个目标车辆，当其顺序通过位于所述同一道路区域范围的单向行驶方向的N个智慧灯杆时，位于所述同一道路区域范围的单向行驶方向的包含第一边缘计算控制器在内的N个边缘计算控制器可以分别识别出该目标车辆从第一至第N时间窗口的行驶数据。具体而言，对于目标车辆
Figure P_220729175936248_248060001
来说，所述N个边缘计算控制器一共可以监测到N个时间窗口的行驶数据，可以表示为
Figure P_220729175936265_265104002
。
在一个实施方式中，由于多个目标车辆的车速、行驶车道、路况等的差别影响，该组目标车辆在行使到其他智慧灯杆的视频图像采集装置的监控范围内时，可能并不同时出现在同一个时间窗口的视频图像数据中，因此，其他边缘计算控制器中的每个运行车辆行驶数据监测服务，可以包括：所述其他边缘计算控制器中的每个根据所述一组目标车辆中每个的标识，对每个目标车辆单独启动目标检测线程，以分别检测和跟踪每个目标车辆，使得每个目标车辆都能获得时间窗口T内的M个采样点的行驶数据。
步骤S240，所述边缘汇聚节点根据所述一组目标车辆在第一至第N时间窗口的行驶数据，构建包含所述一组目标车辆中每个的行驶数据向量组的集合，基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。
本实施例中，通过云端的管理服务器110事先训练和部署车辆行为识别模型至每个边缘汇聚节点。车辆行为识别模型并不会预先定义一组全面完整的车辆违章行为模式，而是反其道而行之，用现实中最常见的合规行驶行为模式训练模型，使得该车辆行为识别模型被训练用于预测输入该模型的全部行驶数据向量组之间的区分性和一致性，以识别检测出全部行驶数据向量组中与其它行驶数据向量组存在显著区分的特定行驶数据向量组。由于在道路区域范围内合规行驶行为模式相比违章行为模式更容易定义和获得，这种模型的训练方式可以明显减少模型的训练计算量以及模型推理的计算量，同时可以更为准确地识别出一组目标车辆中显著区分于其他车辆的违章驾驶行为。
在一个实施方式中，车辆行为识别模型可以以合规行驶行为的训练数据集对神经网络模型进行训练得到。这种神经网络模型可以包括卷积神经网络或深度神经网络等，作为示例，可以采用ResNet、LeNet、AlexNet等常规的神经网络模型架构进行训练得到，在此不再赘述。
本步骤中，车辆行为识别模型以所述一组目标车辆中每个的行驶数据向量组的集合为输入。在一个实施方式中，所述一组目标车辆中每个的行驶数据向量组由每个目标车辆的行驶数据中的每个特征元素的向量构成。具体而言，边缘汇聚节点在接收到所述一组目标车辆在第一至第N时间窗口的行驶数据之后，对于每个目标车辆的行驶数据的特征元素三元组
Figure P_220729175936296_296920001
中的每个特征元素，分别生成该特征元素的向量，该向量为表征目标车辆在N个时间窗口的行驶路线中长度为N*M的特征变化序列，可以表示为：
Figure P_220729175936312_312510001
，其中j=1,2,3，表示行驶数据中的第j个特征元素，M表示每个时间窗口的采样点数量。从而，对于目标车辆
Figure P_220729175936343_343766002
，该车辆的行驶数据向量组可以表示为：
Figure P_220729175936375_375007003
。
在一个实施方式中，如图3所示，所述步骤S240中基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，可以包括以下子步骤：
步骤S310，分别为每个目标车辆的行驶数据向量组生成保留每个目标车辆的特征变化序列的主要特征的特征向量。本步骤中，所述一组目标车辆中每个的行驶数据向量组的集合可以表示为由上述
Figure P_220729175936390_390640001
组成的矩阵：
Figure P_220729175936421_421885001
，该矩阵作为输入向量输入车辆行为识别模型，分别经过车辆行为识别模型中的池化层降维、多个卷积层进行卷积处理，分别为每个目标车辆的行驶数据向量组生成保留每个目标车辆的特征变化序列的主要特征，即去除噪音后的特征向量
Figure P_220729175936437_437533002
。
步骤S320，计算每个目标车辆的行驶数据向量组的所述特征向量的平均值作为参考向量。本步骤中，经由车辆行为识别模型的输出分类层计算每个目标车辆的行驶数据向量组的特征向量的平均值作为参考向量
Figure P_220729175936473_473116001
，即
Figure P_220729175936488_488803002
。
步骤S330，计算每个目标车辆的行驶数据向量组的所述特征向量与所述参考向量的欧氏距离，并对所述欧氏距离进行归一化处理，得到每个目标车辆的行驶数据向量组的区分度评分。本步骤中，经由车辆行为识别模型的输出分类层计算每个目标车辆的行驶数据向量组的特征向量与该参考向量的欧氏距离（又称欧几里得距离）：
Figure P_220729175936520_520531001
，其中
Figure P_220729175936551_551794002
表示特征向量
Figure P_220729175936567_567397003
中的第l个元素，
Figure P_220729175936583_583051004
表示参考向量
Figure P_220729175936614_614273005
中的第l个元素，L表示特征向量
Figure P_220729175936629_629888006
和参考向量
Figure P_220729175936665_665996007
的维度。随后，对每个目标车辆的行驶数据向量组的特征向量与该参考向量的欧氏距离
Figure P_220729175936681_681683008
进行归一化处理，将所述欧氏距离转换为[0,1]区间内的区分度评分，根据每个目标车辆的该区分度评分，从而可以检测出哪些目标车辆的行驶数据向量组与其它行驶数据向量组存在显著区分。本实施例中，作为示例，对所述欧氏距离的归一化处理可以采用常规的最值归一化或者均值归一化处理。
在一个实施方式，所述步骤S240中所述基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为还可以进一步包括：判断每个目标车辆的行驶数据向量组的区分度评分是否大于预设阈值，如果是，则判定大于预设阈值的区分度评分所对应的行驶数据向量组为所述特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。需要说明的是，该预设阈值通常可以根据模型训练中的测试验证数据来进行合理确定。
本申请实施例通过边缘汇聚节点、接入边缘汇聚节点的第一边缘计算控制器和接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器之间的边缘层协同工作，借助智慧灯杆系统端侧的视频图像采集装置采集的视频图像数据分别识别出一组目标车辆在第一至第N时间窗口的行驶数据，由边缘汇聚节点构建包含所述一组目标车辆中每个的行驶数据向量组的集合，并基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，以此判定所述特定行驶数据向量组对应的目标车辆存在违章行为。通过本申请实施例，一方面不需要大量的车辆违章行为数据来对车辆行为识别模型进行算法的学习训练，可以显著降低模型的计算量，而且通过识别不同目标车辆之间的行驶数据的区分性和一致性可以提高车辆违章行为的识别准确率。另一方面，还可以在保证边缘计算控制器中的各类边缘计算服务的服务质量的同时，降低对智慧灯杆系统中有限资源的边缘计算控制器的计算资源占用，提高车辆违章行为识别的处理性能。此外，还可以有效防止车辆行驶过程中的违章行为的识别检测容易被规避。
在一个实施方式中，如图4所示，上述步骤S220中第一边缘计算控制器向接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识进一步可以包括：
步骤S410，第一边缘计算控制器向其接入的边缘汇聚节点发送所属分组的组播地址的查询请求。
该步骤中，该查询请求携带了第一边缘计算控制器的IP地址，以所述第一边缘计算控制器的IP地址向边缘汇聚节点130请求返回其所属分组的组播地址。
步骤S420，边缘汇聚节点根据所述查询请求，从保存的分组路由表中查询获得所述第一边缘计算控制器的所属分组的组播地址，并返回给第一边缘计算控制器。
该步骤中，边缘汇聚节点130可以根据所述第一边缘计算控制器的IP地址从分组路由表中查询对应的所属分组的组播地址，返回给第一边缘计算控制器。
步骤S430，第一边缘计算控制器基于所述边缘汇聚节点返回的所述组播地址，向接入所述边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播所述第二命令和所述一组目标车辆的标识。
该步骤中，第一边缘计算控制器在获得了边缘汇聚节点返回的所属分组的组播地址之后，可以以该组播地址为目的地址发送组播消息，属于该分组的其他边缘计算控制器均可以接收到所述第二命令和所述一组目标车辆的标识。
在一个实施方式中，如图5所示，本实施例在包含前述步骤S210-S230的基础上，在步骤S240基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组之前，还可以执行以下子步骤：
步骤S510，所述边缘汇聚节点将所述一组目标车辆中每个的行驶数据向量组依次输入预训练的车辆行为分类模型；
步骤S520，基于所述车辆行为分类模型确定所述一组目标车辆中每个的行驶数据向量组是否匹配预定的合规行驶行为模式；
步骤S530，如果基于所述车辆行为分类模型确定所述一组目标车辆中每个的行驶数据向量组均匹配预定的合规行驶行为模式时，所述边缘汇聚节点丢弃所述一组目标车辆中每个的行驶数据向量组，不再基于车辆行为识别模型识别所述行驶数据向量组的集合；否则，所述边缘汇聚节点将所述行驶数据向量组的集合输入所述车辆行为识别模型。
本实施例中，通过云端的管理服务器110事先训练和部署车辆行为分类模型至每个边缘汇聚节点。车辆行为分类模型并不会预先定义一组全面完整的车辆违章行为模式，而是与前述的车辆行为识别模型一样，用现实中最常见的合规行驶行为模式训练神经网络模型，使得该车辆行为分类模型被训练用于预测输入该模型的行驶数据向量组是否匹配合规行驶行为模式。车辆行为分类模型可以基于与前述车辆行为识别模型相同或不同的常规神经网络模型架构训练得到。正如前述实施例所言，由于合规行驶行为模式相比违章行为模式更容易定义和获得，这种模型的训练方式可以明显减少模型的训练计算量以及模型推理的计算量，本实施例在将全部的目标车辆的行驶数据向量组的集合输入车辆行为识别模型进行识别之间，预先将每个行驶数据向量组输入预训练的车辆行为分类模型进行分类预测，如果识别到全部的行驶数据向量组都匹配合规行驶行为模式，则放弃后续的基于车辆行为识别模型的进一步识别，这种方式可以显著降低边缘汇聚节点对车辆违章行为识别的数据计算量，避免对大量的合规行驶行为的行驶数据进行无效识别，进一步减少对边缘汇聚节点的资源占用。
在一个实施方式，当判定所述特定行驶数据向量组对应的目标车辆存在违章行为，所述方法的步骤S240可以进一步包括：边缘汇聚节点将所述特定行驶数据向量组对应的目标车辆的违章行为判定结果及其视频图像数据发送给云端的管理服务器110，以便提供违章行为处罚的人工核验。
图6是根据本申请一实施例的基于智慧灯杆系统的车辆违章行为识别装置的结构示意图。如图6所示，本申请实施例的基于智慧灯杆系统的车辆违章行为识别装置包括以下模块：
第一监测模块610，用于第一边缘计算控制器响应于其接入的边缘汇聚节点发送的第一命令，从其连接的视频图像采集装置实时采集的视频图像数据中识别出一组目标车辆的标识和在第一时间窗口的行驶数据，并发送给所述边缘汇聚节点。
组播通信模块620，用于第一边缘计算控制器向接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识。
第二监测模块630，用于所述其他边缘计算控制器响应于接收到所述第二命令和所述一组目标车辆的标识，依次从各自连接的视频图像采集装置实时采集的视频图像数据分别识别出所述一组目标车辆在第二至第N时间窗口的行驶数据，并发送给所述边缘汇聚节点，其中，N为接入所述边缘汇聚节点的位于所述同一道路区域范围的单向行驶方向的边缘计算控制器的数量。
行为识别模块640，用于所述边缘汇聚节点根据所述一组目标车辆在第一至第N时间窗口的行驶数据，构建包含所述一组目标车辆中每个的行驶数据向量组的集合，基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。
在一个实施方式中，如图7所示，组播通信模块620可以进一步包括以下单元：
地址请求单元6201，用于第一边缘计算控制器向其接入的边缘汇聚节点发送所属分组的组播地址的查询请求。该单元中，该查询请求携带了第一边缘计算控制器的IP地址，以所述第一边缘计算控制器的IP地址向边缘汇聚节点130请求返回其所属分组的组播地址。
地址查询单元6202，用于边缘汇聚节点根据所述查询请求，从保存的分组路由表中查询获得所述第一边缘计算控制器的所属分组的组播地址，并返回给第一边缘计算控制器。该单元中，边缘汇聚节点130可以根据所述第一边缘计算控制器的IP地址从分组路由表中查询对应的所属分组的组播地址，返回给第一边缘计算控制器。
命令组播单元6203，用于第一边缘计算控制器基于所述边缘汇聚节点返回的所述组播地址，向接入所述边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播所述第二命令和所述一组目标车辆的标识。
在一个实施方式，如图8所示，行为识别模块640还可以包括以下单元：
特征向量生成单元6401，用于分别为每个目标车辆的行驶数据向量组生成保留每个目标车辆的特征变化序列的主要特征的特征向量。
参考向量计算单元6402，用于计算每个目标车辆的行驶数据向量组的所述特征向量的平均值作为参考向量。
区分度评分单元6403，用于计算每个目标车辆的行驶数据向量组的所述特征向量与所述参考向量的欧氏距离，并对所述欧氏距离进行归一化处理，得到每个目标车辆的行驶数据向量组的区分度评分。
在一个实施方式，如图9所示，行为识别模块640还可以进一步包括以下单元：
违章判定单元6404，用于判断每个目标车辆的行驶数据向量组的区分度评分是否大于预设阈值，如果是，则判定所述行驶数据向量组对应的目标车辆存在违章行为。
在一个实施方式中，同样如图9所示，行为识别模块640还可以进一步包括以下单元：
行为预测单元6405，用于所述边缘汇聚节点将所述一组目标车辆中每个的行驶数据向量组依次输入预训练的车辆行为分类模型，基于所述车辆行为分类模型确定所述一组目标车辆中每个的行驶数据向量组是否匹配预定的合规行驶行为模式。
中间处理单元6406，用于如果基于所述车辆行为分类模型确定所述一组目标车辆中每个的行驶数据向量组均匹配预定的合规行驶行为模式时，所述边缘汇聚节点丢弃所述一组目标车辆中每个的行驶数据向量组，不再基于车辆行为识别模型识别所述行驶数据向量组的集合；否则，所述边缘汇聚节点将所述行驶数据向量组的集合输入所述车辆行为识别模型。
在一个实施方式，行为识别模块640可以进一步用于将所述特定行驶数据向量组对应的目标车辆的违章行为判定结果及其视频图像数据发送给云端的管理服务器110，以便提供违章行为处罚的人工核验。
需要说明的是，本领域技术人员可以理解，本申请的方法实施例所描述的不同实施方式及其说明解释和所达到的技术效果，同样适用于本申请的装置实施例中，在此不再赘述。
本申请实施例的基于智慧灯杆系统的车辆违章行为识别方法和装置，一方面不需要大量的车辆违章行为数据来对车辆行为识别模型进行算法的学习训练，可以显著降低模型的计算量，而且通过识别不同目标车辆之间的行驶数据的区分性和一致性可以提高车辆违章行为的识别准确率。另一方面，还可以在保证边缘计算控制器中的各类边缘计算服务的服务质量的同时，降低对智慧灯杆系统中有限资源的边缘计算控制器的计算资源占用，提高车辆违章行为识别的处理性能。此外，还可以有效防止车辆行驶过程中的违章行为的识别检测容易被规避。实验测试结果表明，本申请实施例在计算资源有限的智慧灯杆系统的边缘计算控制器（单灯边缘节点）上可以取得良好的处理性能和违章行为识别准确率，并且有效地减少了边缘计算控制器的计算量以及必要时传输到云端的管理服务器的数据量。
本申请可以通过软件、硬件或软硬件结合的方式实施。当实现为计算机软件程序时，该计算机软件程序可以安装于边缘计算控制器和边缘汇聚节点中被一个或多个处理器执行以实现相应功能。
进一步地，本申请实施例还可以包括一种计算机可读介质，该计算机可读介质存储有程序指令，在这样的实施例中，当该计算机可读存储介质被装载在计算设备中时，该程序指令可以被一个或多个处理器执行以执行本申请任一实施例中描述的方法步骤。
进一步地，本申请的实施例还可以包括一种计算机程序产品，包括承载程序指令的计算机可读介质，在这样的实施例中，该程序指令可以被一个或多个处理器执行以执行本申请任一实施例中描述的方法步骤。
以上描述了本申请示例性的实施例，应当理解，上述示例性的实施例不是限制性的，而是说明性的，本申请的保护范围不限于此。应理解，本领域技术人员在不脱离本申请的精神和范围的情况下，可以对本申请实施例进行修改和变型，这些修改和变型理应在本申请的保护范围之内。

Claims (10)

1.一种基于智慧灯杆系统的车辆违章行为识别方法，其特征在于，包括：
第一边缘计算控制器响应于其接入的边缘汇聚节点发送的第一命令，从所述第一边缘计算控制器连接的视频图像采集装置实时采集的视频图像数据中识别出一组目标车辆的标识和在第一时间窗口的行驶数据，并发送给所述边缘汇聚节点；
所述第一边缘计算控制器向接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识；
所述其他边缘计算控制器响应于接收到所述第二命令和所述一组目标车辆的标识，依次从各自连接的视频图像采集装置实时采集的视频图像数据分别识别出所述一组目标车辆在第二至第N时间窗口的行驶数据，并发送给所述边缘汇聚节点，其中，N为接入所述边缘汇聚节点的位于所述同一道路区域范围的单向行驶方向的边缘计算控制器的数量；
所述边缘汇聚节点根据所述一组目标车辆在第一至第N时间窗口的行驶数据，构建包含所述一组目标车辆中每个的行驶数据向量组的集合，基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。
2.根据权利要求1所述的车辆违章行为识别方法，其特征在于，所述一组目标车辆中每个的行驶数据向量组由每个目标车辆的行驶数据中的每个特征元素的向量构成，所述每个特征元素的向量为表征所述目标车辆在N个时间窗口的行驶路线中长度为N*M的特征变化序列，其中M表示每个时间窗口的采样点数量。
3.根据权利要求2所述的车辆违章行为识别方法，其特征在于，所述基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，包括：
分别为每个目标车辆的行驶数据向量组生成保留每个目标车辆的特征变化序列的主要特征的特征向量；
计算每个目标车辆的行驶数据向量组的所述特征向量的平均值作为参考向量；
计算每个目标车辆的行驶数据向量组的所述特征向量与所述参考向量的欧氏距离，并对所述欧氏距离进行归一化处理，得到每个目标车辆的行驶数据向量组的区分度评分。
4.根据权利要求3所述的车辆违章行为识别方法，其特征在于，所述基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为，还包括：判断每个目标车辆的行驶数据向量组的所述区分度评分是否大于预设阈值，如果是，则判定大于预设阈值的区分度评分所对应的行驶数据向量组为所述特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。
5.根据权利要求1-4任一项所述的车辆违章行为识别方法，其特征在于，所述第一边缘计算控制器向接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识，包括：
所述第一边缘计算控制器向其接入的所述边缘汇聚节点发送所属分组的组播地址的查询请求；
所述边缘汇聚节点根据所述查询请求，从保存的分组路由表中查询获得所述第一边缘计算控制器的所属分组的组播地址，并返回给所述第一边缘计算控制器；
所述第一边缘计算控制器基于所述边缘汇聚节点返回的所述组播地址，向接入所述边缘汇聚节点的位于同一道路区域范围的单向行驶方向的所述其他边缘计算控制器组播所述第二命令和所述一组目标车辆的标识。
6.根据权利要求5所述的车辆违章行为识别方法，其特征在于，所述方法在所述基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组之前，包括：
所述边缘汇聚节点将所述一组目标车辆中每个的行驶数据向量组依次输入预训练的车辆行为分类模型；
基于所述车辆行为分类模型确定所述一组目标车辆中每个的行驶数据向量组是否匹配预定的合规行驶行为模式；
如果基于所述车辆行为分类模型确定所述一组目标车辆中每个的行驶数据向量组均匹配预定的合规行驶行为模式时，所述边缘汇聚节点丢弃所述一组目标车辆中每个的行驶数据向量组，不再基于车辆行为识别模型识别所述行驶数据向量组的集合；否则，所述边缘汇聚节点将所述行驶数据向量组的集合输入所述车辆行为识别模型。
7.根据权利要求6所述的车辆违章行为识别方法，其特征在于，所述车辆行为识别模型和车辆行为分类模型都是基于合规行驶行为的训练数据集对神经网络模型进行训练得到。
8.根据权利要求7所述的车辆违章行为识别方法，其特征在于，所述其他边缘计算控制器响应于所述第二命令和所述一组目标车辆的标识，依次从各自连接的视频图像采集装置实时采集的视频图像数据分别识别出所述一组目标车辆在第二至第N时间窗口的行驶数据，包括：
所述其他边缘计算控制器中的每个根据所述一组目标车辆中每个的标识，对每个目标车辆单独启动目标检测线程，以分别检测和跟踪每个目标车辆，使得每个目标车辆都能获得时间窗口T内的M个采样点的行驶数据。
9.根据权利要求8所述的车辆违章行为识别方法，其特征在于，所述方法还包括：
所述边缘汇聚节点将所述特定行驶数据向量组对应的目标车辆的违章行为判定结果及其视频图像数据发送给云端的管理服务器，以便提供违章行为处罚的人工核验。
10.一种基于智慧灯杆系统的车辆违章行为识别装置，其特征在于，包括：
第一监测模块，用于第一边缘计算控制器响应于其接入的边缘汇聚节点发送的第一命令，从所述第一边缘计算控制器连接的视频图像采集装置实时采集的视频图像数据中识别出一组目标车辆的标识和在第一时间窗口的行驶数据，并发送给所述边缘汇聚节点；
组播通信模块，用于所述第一边缘计算控制器向接入同一边缘汇聚节点的位于同一道路区域范围的单向行驶方向的其他边缘计算控制器组播第二命令和所述一组目标车辆的标识；
第二监测模块，用于所述其他边缘计算控制器响应于接收到所述第二命令和所述一组目标车辆的标识，依次从各自连接的视频图像采集装置实时采集的视频图像数据分别识别出所述一组目标车辆在第二至第N时间窗口的行驶数据，其中，N为接入所述边缘汇聚节点的位于所述同一道路区域范围的单向行驶方向的边缘计算控制器的数量；
行为识别模块，用于所述边缘汇聚节点根据所述一组目标车辆在第一至第N时间窗口的行驶数据，构建包含所述一组目标车辆中每个的行驶数据向量组的集合，基于车辆行为识别模型识别所述集合中与其它行驶数据向量组存在显著区分的特定行驶数据向量组，判定所述特定行驶数据向量组对应的目标车辆存在违章行为。
CN202210659097.1A 2022-06-13 2022-06-13 基于智慧灯杆系统的车辆违章行为识别方法和装置 Active CN114743382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210659097.1A CN114743382B (zh) 2022-06-13 2022-06-13 基于智慧灯杆系统的车辆违章行为识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210659097.1A CN114743382B (zh) 2022-06-13 2022-06-13 基于智慧灯杆系统的车辆违章行为识别方法和装置

Publications (2)

Publication Number Publication Date
CN114743382A CN114743382A (zh) 2022-07-12
CN114743382B true CN114743382B (zh) 2022-10-28

Family

ID=82286819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210659097.1A Active CN114743382B (zh) 2022-06-13 2022-06-13 基于智慧灯杆系统的车辆违章行为识别方法和装置

Country Status (1)

Country Link
CN (1) CN114743382B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273479B (zh) * 2022-09-19 2023-03-31 深圳市博科思智能股份有限公司 基于图像处理的运维管理方法、装置、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020210960A1 (zh) * 2019-04-15 2020-10-22 华为技术有限公司 交通道路的数字化全景重建的方法和系统
CN112071063A (zh) * 2020-09-15 2020-12-11 苏州映赛智能科技有限公司 一种路侧感知系统
CN112489433A (zh) * 2020-12-17 2021-03-12 华为技术有限公司 交通拥堵分析方法及装置
CN112766038A (zh) * 2020-12-22 2021-05-07 深圳金证引擎科技有限公司 一种根据图像识别的车辆跟踪方法
CN113111876A (zh) * 2021-04-14 2021-07-13 深圳市旗扬特种装备技术工程有限公司 一种用于交通违章取证的方法及系统
CN113380069A (zh) * 2021-05-08 2021-09-10 深圳市大道至简信息技术有限公司 一种基于路灯的路边停车系统及其方法
CN113808389A (zh) * 2021-08-11 2021-12-17 深圳市金溢科技股份有限公司 车路协同系统、边缘计算单元、中心云平台及信息处理方法
CN114170803A (zh) * 2021-12-15 2022-03-11 阿波罗智联(北京)科技有限公司 路侧感知系统和交通控制方法
CN114241415A (zh) * 2021-12-16 2022-03-25 海信集团控股股份有限公司 车辆的位置监控方法、边缘计算设备、监控设备及系统
CN114500539A (zh) * 2022-04-14 2022-05-13 浙江大云物联科技有限公司 智慧路灯系统中边缘应用部署方法、装置及可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739191A (zh) * 2020-05-29 2020-10-02 北京梧桐车联科技有限责任公司 违章预警方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020210960A1 (zh) * 2019-04-15 2020-10-22 华为技术有限公司 交通道路的数字化全景重建的方法和系统
CN112071063A (zh) * 2020-09-15 2020-12-11 苏州映赛智能科技有限公司 一种路侧感知系统
CN112489433A (zh) * 2020-12-17 2021-03-12 华为技术有限公司 交通拥堵分析方法及装置
CN112766038A (zh) * 2020-12-22 2021-05-07 深圳金证引擎科技有限公司 一种根据图像识别的车辆跟踪方法
CN113111876A (zh) * 2021-04-14 2021-07-13 深圳市旗扬特种装备技术工程有限公司 一种用于交通违章取证的方法及系统
CN113380069A (zh) * 2021-05-08 2021-09-10 深圳市大道至简信息技术有限公司 一种基于路灯的路边停车系统及其方法
CN113808389A (zh) * 2021-08-11 2021-12-17 深圳市金溢科技股份有限公司 车路协同系统、边缘计算单元、中心云平台及信息处理方法
CN114170803A (zh) * 2021-12-15 2022-03-11 阿波罗智联(北京)科技有限公司 路侧感知系统和交通控制方法
CN114241415A (zh) * 2021-12-16 2022-03-25 海信集团控股股份有限公司 车辆的位置监控方法、边缘计算设备、监控设备及系统
CN114500539A (zh) * 2022-04-14 2022-05-13 浙江大云物联科技有限公司 智慧路灯系统中边缘应用部署方法、装置及可读存储介质

Also Published As

Publication number Publication date
CN114743382A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
Bura et al. An edge based smart parking solution using camera networks and deep learning
US10885777B2 (en) Multiple exposure event determination
WO2021218235A1 (zh) 一种道路交通拥堵预警方法及系统
CN109993969A (zh) 一种路况判定信息获取方法、装置及设备
CN109615864A (zh) 基于视频结构化的车辆拥堵分析方法、系统、终端及存储介质
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN112766038B (zh) 一种根据图像识别的车辆跟踪方法
CN114743382B (zh) 基于智慧灯杆系统的车辆违章行为识别方法和装置
CN106846819A (zh) 一种基于小型飞行器的航拍罚单生成方法及实现系统
CN109993966A (zh) 一种构建用户画像的方法及装置
US10930145B2 (en) Traffic system for predicting and providing traffic signal switching timing
CN114360261B (zh) 车辆逆行的识别方法、装置、大数据分析平台和介质
TW202141438A (zh) 基於車聯網的行車示警方法、系統及設備
CN113380021A (zh) 车辆状态检测方法、装置、服务器及计算机可读存储介质
CN117238145A (zh) 一种基于大数据的智慧交通管理方法及系统
CN114913447B (zh) 基于场景识别的警务智慧指挥室系统及方法
CN114419917B (zh) 一种基于单向图的交通拥堵疏导方法及系统
CN112489423B (zh) 一种基于视觉的城市道路交通交警指挥方法
CN113963310A (zh) 一种公交站的人流量检测方法、装置及电子设备
Gheorghiu et al. Computer vision application to determine crowdedness in public transport stations
CN209357242U (zh) 一种违章停车智能控制装置
CN114219970A (zh) 一种用于交通管理的图像处理方法及系统
CN114170807A (zh) 车辆轨迹信息获取方法、装置、设备和存储介质
CN113128847A (zh) 一种基于激光雷达的出入口匝道实时风险预警系统及方法
Zheng et al. iTrip: Traffic signal prediction using smartphone based community sensing

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

Effective date of registration: 20230330

Address after: 310000 room 501-3, Longhe international building, No. 1961, Jianghui Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: HANGZHOU REQE INFORMATION TECHNOLOGY CO.,LTD.

Address before: 310000 room 501-2, Longhe international building, No. 1961, Jianghui Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province

Patentee before: ZHEJIANG DAYUN IOT TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right