CN115439792A - 一种基于人工智能的监控方法和系统 - Google Patents

Abstract

本发明涉及交通监测技术领域，具体公开了一种基于人工智能的监控方法和系统，所述方法包括建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型；实时获取天气预测信息，基于所述天气预测信息确定图像获取参数，基于所述图像获取模式获取含有拍摄时间的路况图像，得到路况图像库；对所述路况图像库进行内容识别，根据内容识别结果确定事件区域；基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送。本发明技术方案通过获取路况图像，对路况图像进行内容识别，确定事件区域，进而通过移动检测端获取事件区域的细节图像，从而对异常情况进行第一时间的获取，极大地提高了处理效率。

Description

一种基于人工智能的监控方法和系统

技术领域

本发明涉及交通监测技术领域，具体是一种基于人工智能的监控方法和系统。

背景技术

伴随着城市道路和高速公路的建设以及车辆保有量的增长，道路上各类异常交通事件大量增加。停车、逆行、行人上高速、拥堵、抛洒物等道路上经常出现的异常、临时事件，严重影响道路上车辆的正常通行，同时给道路使用者带来极大的安全隐患。

现有的对于这些异常情况的检测方式几乎为零，一般都是接收到用户的反馈之后，再进行处理，可以想到，这种处理方式是可以优化的，如何第一时间获取异常情况是本发明技术方案想要解决的技术问题。

发明内容

本发明的目的在于提供一种基于人工智能的监控方法和系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于人工智能的监控方法，所述方法包括：

建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型；

实时获取天气预测信息，基于所述天气预测信息确定图像获取参数，基于所述图像获取模式获取含有拍摄时间的路况图像，得到路况图像库；

对所述路况图像库进行内容识别，根据内容识别结果确定事件区域；

基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送。

作为本发明进一步的方案：所述建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型的步骤包括：

建立与路段工程库的连接通道，读取路段的BIM模型，并根据所述BIM模型得到三维场景；

读取路段的分层工程图纸，根据所述分层工程图纸得到至少一个俯视角度的二维场景；

根据所述二维场景生成插入所述三维场景，得到场景模型；

获取路段的图像信息，根据车间的图像信息定时更新场景模型。

作为本发明进一步的方案：所述获取路段的图像信息，根据车间的图像信息定时更新场景模型的步骤包括：

根据路段建筑数据确定数据采集高度，生成并显示参考航线；

接收用户的选取信息，确定采集路径；

基于一个垂直和四个倾斜的五个不同视角同步采集图像信息，根据所述图像信息定时更新场景模型。

作为本发明进一步的方案：所述对所述路况图像库进行内容识别，根据内容识别结果确定事件区域的步骤包括：

对所述路段图像进行轮廓识别，根据所述轮廓识别结果确定运动轮廓；

随机提取至少两张间隔时间已知的含有运动轮廓的路段图像，计算各运动轮廓的偏移像素；

将所述偏移像素和所述间隔时间输入训练好的运动分析模型，得到各运动轮廓的运动参数；

根据所述运动参数确定事件区域。

作为本发明进一步的方案：所述根据所述运动参数确定事件区域的步骤包括：

将所述运动参数与预设的参数阈值进行比对，根据比对结果确定待检区域；

对所述待检区域进行特征识别，根据所述特征识别结果生成聚集度；

当所述聚集度达到预设的聚集度阈值时，将所述待检区域标记为事件区域。

作为本发明进一步的方案：所述对所述待检区域进行特征识别，根据所述特征识别结果生成聚集度的步骤包括：

将所述路段图像转换为灰度图像，计算所述灰度图像的灰度平均值；

遍历所述待检区域的像素点，判断所述待检区域像素点的灰度值与所述灰度平均值的大小，若所述待检区域像素点的灰度值大于所述灰度平均值，则置一，若所述待检区域像素点的灰度值小于所述灰度平均值，则置零，最终生成含有特征数值的单值区域；

根据预设的转换公式将所述单值区域中的数值转换为聚集度。

作为本发明进一步的方案：所述基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送的步骤包括：

根据预设的比例尺在所述场景模型中标记所述事件区域对应的目标区域；

获取移动检测端的位置数据，在所述场景模型中生成与所述位置数据对应的动态框；其中，所述动态框的长度与所述移动检测端的最大长度之间的映射关系由预设的比例尺确定，所述动态框的宽度与所述移动检测端的最大宽度之间的映射关系由预设的比例尺确定；

基于所述动态框对所述目标区域进行切分，并确定切分后的目标区域中子区域的中心点；

根据所述中心点确定检测路径，并将所述检测路径向移动检测端发送。

本发明技术方案还提供了一种基于人工智能的监控系统，所述系统包括：

模型建立模块，用于建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型；

图像库获取模块，用于实时获取天气预测信息，基于所述天气预测信息确定图像获取参数，基于所述图像获取模式获取含有拍摄时间的路况图像，得到路况图像库；

区域确定模块，用于对所述路况图像库进行内容识别，根据内容识别结果确定事件区域；

路径确定模块，用于基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送。

作为本发明进一步的方案：所述区域确定模块包括：

轮廓识别单元，用于对所述路段图像进行轮廓识别，根据所述轮廓识别结果确定运动轮廓；

偏移计算单元，用于随机提取至少两张间隔时间已知的含有运动轮廓的路段图像，计算各运动轮廓的偏移像素；

参数分析单元，用于将所述偏移像素和所述间隔时间输入训练好的运动分析模型，得到各运动轮廓的运动参数；

结果生成单元，用于根据所述运动参数确定事件区域。

作为本发明进一步的方案：所述结果生成单元包括：

比对子单元，用于将所述运动参数与预设的参数阈值进行比对，根据比对结果确定待检区域；

聚集度计算子单元，用于根据所述待检区域进行特征识别，根据所述特征识别结果生成聚集度；

标记子单元，用于当所述聚集度达到预设的聚集度阈值时，将所述待检区域标记为事件区域。

与现有技术相比，本发明的有益效果是：本发明技术方案通过获取路况图像，对路况图像进行内容识别，确定事件区域，进而通过移动检测端获取事件区域的细节图像，从而对异常情况进行第一时间的获取，极大地提高了处理效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例。

图1为基于人工智能的监控方法的流程框图。

图2为基于人工智能的监控方法的第一子流程框图。

图3为基于人工智能的监控方法的第二子流程框图。

图4为基于人工智能的监控方法的第三子流程框图。

图5为基于人工智能的监控系统的组成结构框图。

图6为基于人工智能的监控系统中区域确定模块的组成结构框图。

图7为区域确定模块中结果生成单元的组成结构框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

图1为基于人工智能的监控方法的流程框图，本发明实施例中，一种基于人工智能的监控方法，所述方法包括步骤S100至步骤S400：

步骤S100：建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型；

本发明技术方案的功能是对交通事件进行监测，交通事件一般发生在路段上，因此，本发明技术方案的分析单元是某个路段，实现了对单独一条路段进行识别的功能后，对多条路段的识别进行简单的复制叠加即可。步骤S100的功能是生成一个场景模型，生成场景模型的好处主要有两点，一是便于操作，二是便于工作人员对现场进行把控。

步骤S200：实时获取天气预测信息，基于所述天气预测信息确定图像获取参数，基于所述图像获取模式获取含有拍摄时间的路况图像，得到路况图像库；

步骤S300：对所述路况图像库进行内容识别，根据内容识别结果确定事件区域；

步骤S200和步骤S300是事件区域的确定过程，首先，获取路况图像，在获取路况图像的过程中，需要先获取天气预测信息，根据天气预测信息确定图像获取模式，比如在阴天，可以采用带有补光功能的图像获取模式；值得一提的是，上述天气预测信息由天气预报确定，这只需要具备网络连接功能就能够实现；可以想到，天气预测信息与实际的天气信息之间有可能存在差距，随着技术的发展，存在差距的可能性越来越低，因此，进行手动调节即可。手动调节的优势是可以极大地降低检测成本，比如，如果采用纯智能化的天气检测方案，那么一定需要大量的灵敏度较高的传感器，这些传感器的使用成本和维修成本都很高。

步骤S400：基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送。

步骤S400是细节获取过程，步骤S200和步骤S300的实现主体一般是固定式的图像获取设备，这类设备一般安装在高处，它的性能很高，从全局上对路段进行监测，但是在监测的过程中，就算发现了事件区域，它也不能够采取单独的放大事件区域的监测方式，如果它单独的放大某一区域，那一定会造成其它区域的数据丢失现象；因此，对于事件区域的细节图像，本发明技术方案采用移动检测端进行获取。

进一步的，所述建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型的步骤包括：

建立与路段工程库的连接通道，读取路段的BIM模型，并根据所述BIM模型得到三维场景；

读取路段的分层工程图纸，根据所述分层工程图纸得到至少一个俯视角度的二维场景；

根据所述二维场景生成插入所述三维场景，得到场景模型；

获取路段的图像信息，根据车间的图像信息定时更新场景模型。

上述内容是对生成场景模型的进一步限定，提供了一种具体的方式，采用2D/3D共同建模的方式得到场景模型。首先，根据路段的BIM模型，得到一个三维场景，然后再进行一些基于现有技术的渲染工作；最后，再读取二维的工程图像，利用这些二维图像不断的丰富三维场景的细节；值得一提的是，二维图纸的数量一般有很多，并且数量越多，细节越完善。

具体的，所述获取路段的图像信息，根据车间的图像信息定时更新场景模型的步骤包括：

根据路段建筑数据确定数据采集高度，生成并显示参考航线；

接收用户的选取信息，确定采集路径；

基于一个垂直和四个倾斜的五个不同视角同步采集图像信息，根据所述图像信息定时更新场景模型。

上述内容的原理是倾斜摄影技术，倾斜摄影技术是国际摄影测量领域近十几年发展起来的一项高新技术，该技术通过从一个垂直、四个倾斜、五个不同的视角同步采集影像，获取到丰富的建筑物顶面及侧视的高分辨率纹理。它不仅能够真实地反映地物情况，高精度地获取物方纹理信息，还可通过先进的定位、融合、建模等技术，生成真实的三维城市模型。该技术在欧美等发达国家已经广泛应用于应急指挥、国土安全、城市管理、房产税收等行业。

具体的，所述场景模型中包含与所述枪机设备和所述球机设备的安装位置相对应的映射点。

图2为基于人工智能的监控方法的第一子流程框图，所述对所述路况图像库进行内容识别，根据内容识别结果确定事件区域的步骤包括步骤S301至步骤S304：

步骤S301：对所述路段图像进行轮廓识别，根据所述轮廓识别结果确定运动轮廓；

步骤S302：随机提取至少两张间隔时间已知的含有运动轮廓的路段图像，计算各运动轮廓的偏移像素；

步骤S303：将所述偏移像素和所述间隔时间输入训练好的运动分析模型，得到各运动轮廓的运动参数；

步骤S304：根据所述运动参数确定事件区域。

步骤S301至步骤S304提供了一种具体的根据路段图像确定事件区域的步骤，首先，对所述路段图像进行轮廓识别，确定偏移像素，所述偏移像素代表着实际路程，根据路程和时间即可计算出运动参数，如果运动参数出现问题，即代表着出现了事件。

图3为基于人工智能的监控方法的第二子流程框图，所述根据所述运动参数确定事件区域的步骤包括：

步骤S3041：将所述运动参数与预设的参数阈值进行比对，根据比对结果确定待检区域；

步骤S3042：对所述待检区域进行特征识别，根据所述特征识别结果生成聚集度；

步骤S3043：当所述聚集度达到预设的聚集度阈值时，将所述待检区域标记为事件区域。

步骤S3041至步骤S3043对步骤S304进行了进一步的细化，其目的是判断该区域的聚集程度，事件区域与正常区域最大的不同点在于，聚集程度较高。

具体的，所述对所述待检区域进行特征识别，根据所述特征识别结果生成聚集度的步骤包括：

将所述路段图像转换为灰度图像，计算所述灰度图像的灰度平均值；

遍历所述待检区域的像素点，判断所述待检区域像素点的灰度值与所述灰度平均值的大小，若所述待检区域像素点的灰度值大于所述灰度平均值，则置一，若所述待检区域像素点的灰度值小于所述灰度平均值，则置零，最终生成含有特征数值的单值区域；

根据预设的转换公式将所述单值区域中的数值转换为聚集度。

上述内容提供了一种聚集度的计算过程，首先，计算路段图像的灰度平均值，如果某一区域的灰度值远大于路段图像的灰度平均值，就说明该区域是聚集区域。

图4为基于人工智能的监控方法的第三子流程框图，所述基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送的步骤包括步骤S401至步骤S404：

步骤S401：根据预设的比例尺在所述场景模型中标记所述事件区域对应的目标区域；

步骤S402：获取移动检测端的位置数据，在所述场景模型中生成与所述位置数据对应的动态框；其中，所述动态框的长度与所述移动检测端的最大长度之间的映射关系由预设的比例尺确定，所述动态框的宽度与所述移动检测端的最大宽度之间的映射关系由预设的比例尺确定；

步骤S403：基于所述动态框对所述目标区域进行切分，并确定切分后的目标区域中子区域的中心点；

步骤S404：根据所述中心点确定检测路径，并将所述检测路径向移动检测端发送。

步骤S401至步骤S404提供了一种具体的检测路径确定方案，检测路径的确定过程在场景模型中完成，它将场景模型分隔为与移动检测端尺寸对应的子区域，然后所述子区域就是移动检测端能够出现的位置点；在此基础上，在这些子区域中标记一些无法到达的点，在剩下的可以到达的子区域中，进行路径规划。

具体的路径规划的方案可以通过预设规则的方式进行限定，比如，沿路段通行的运动长度尽可能的长，或者是总距离最短，这些条件可以在众多路径中挑选出适宜的检测路径；值得一提的是，所述检测路径不唯一。

实施例2

图5为基于人工智能的监控系统的组成结构框图，本发明实施例中，一种基于人工智能的监控系统，所述系统10包括：

模型建立模块11，用于建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型；

图像库获取模块12，用于实时获取天气预测信息，基于所述天气预测信息确定图像获取参数，基于所述图像获取模式获取含有拍摄时间的路况图像，得到路况图像库；

区域确定模块13，用于对所述路况图像库进行内容识别，根据内容识别结果确定事件区域；

路径确定模块14，用于基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送。

图6为基于人工智能的监控系统中区域确定模块的组成结构框图，所述区域确定模块13包括：

轮廓识别单元131，用于对所述路段图像进行轮廓识别，根据所述轮廓识别结果确定运动轮廓；

偏移计算单元132，用于随机提取至少两张间隔时间已知的含有运动轮廓的路段图像，计算各运动轮廓的偏移像素；

参数分析单元133，用于将所述偏移像素和所述间隔时间输入训练好的运动分析模型，得到各运动轮廓的运动参数；

结果生成单元134，用于根据所述运动参数确定事件区域。

图7为区域确定模块中结果生成单元的组成结构框图，所述结果生成单元134包括：

比对子单元1341，用于将所述运动参数与预设的参数阈值进行比对，根据比对结果确定待检区域；

聚集度计算子单元1342，用于根据所述待检区域进行特征识别，根据所述特征识别结果生成聚集度；

标记子单元1343，用于当所述聚集度达到预设的聚集度阈值时，将所述待检区域标记为事件区域。

所述基于人工智能的监控方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述基于人工智能的监控方法的功能。

处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器（Read-Only Memory，ROM），所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。

示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。

本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。

上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如信息采集模板展示功能、产品信息发布功能等）等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card， SMC），安全数字（Secure Digital， SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

终端设备集成的模块/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介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）、电载波信号、电信信号以及软件分发介质等。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人工智能的监控方法，其特征在于，所述方法包括：

建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型；

实时获取天气预测信息，基于所述天气预测信息确定图像获取参数，基于所述图像获取模式获取含有拍摄时间的路况图像，得到路况图像库；

对所述路况图像库进行内容识别，根据内容识别结果确定事件区域；

基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送。

2.根据权利要求1所述的基于人工智能的监控方法，其特征在于，所述建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型的步骤包括：

建立与路段工程库的连接通道，读取路段的BIM模型，并根据所述BIM模型得到三维场景；

读取路段的分层工程图纸，根据所述分层工程图纸得到至少一个俯视角度的二维场景；

根据所述二维场景生成插入所述三维场景，得到场景模型；

获取路段的图像信息，根据车间的图像信息定时更新场景模型。

3.根据权利要求2所述的基于人工智能的监控方法，其特征在于，所述获取路段的图像信息，根据车间的图像信息定时更新场景模型的步骤包括：

根据路段建筑数据确定数据采集高度，生成并显示参考航线；

接收用户的选取信息，确定采集路径；

基于一个垂直和四个倾斜的五个不同视角同步采集图像信息，根据所述图像信息定时更新场景模型。

4.根据权利要求1所述的基于人工智能的监控方法，其特征在于，所述对所述路况图像库进行内容识别，根据内容识别结果确定事件区域的步骤包括：

对所述路段图像进行轮廓识别，根据所述轮廓识别结果确定运动轮廓；

随机提取至少两张间隔时间已知的含有运动轮廓的路段图像，计算各运动轮廓的偏移像素；

将所述偏移像素和所述间隔时间输入训练好的运动分析模型，得到各运动轮廓的运动参数；

根据所述运动参数确定事件区域。

5.根据权利要求4所述的基于人工智能的监控方法，其特征在于，所述根据所述运动参数确定事件区域的步骤包括：

将所述运动参数与预设的参数阈值进行比对，根据比对结果确定待检区域；

对所述待检区域进行特征识别，根据所述特征识别结果生成聚集度；

当所述聚集度达到预设的聚集度阈值时，将所述待检区域标记为事件区域。

6.根据权利要求5所述的基于人工智能的监控方法，其特征在于，所述对所述待检区域进行特征识别，根据所述特征识别结果生成聚集度的步骤包括：

将所述路段图像转换为灰度图像，计算所述灰度图像的灰度平均值；

遍历所述待检区域的像素点，判断所述待检区域像素点的灰度值与所述灰度平均值的大小，若所述待检区域像素点的灰度值大于所述灰度平均值，则置一，若所述待检区域像素点的灰度值小于所述灰度平均值，则置零，最终生成含有特征数值的单值区域；

根据预设的转换公式将所述单值区域中的数值转换为聚集度。

7.根据权利要求6所述的基于人工智能的监控方法，其特征在于，所述基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送的步骤包括：

根据预设的比例尺在所述场景模型中标记所述事件区域对应的目标区域；

获取移动检测端的位置数据，在所述场景模型中生成与所述位置数据对应的动态框；其中，所述动态框的长度与所述移动检测端的最大长度之间的映射关系由预设的比例尺确定，所述动态框的宽度与所述移动检测端的最大宽度之间的映射关系由预设的比例尺确定；

基于所述动态框对所述目标区域进行切分，并确定切分后的目标区域中子区域的中心点；

根据所述中心点确定检测路径，并将所述检测路径向移动检测端发送。

8.一种基于人工智能的监控系统，其特征在于，所述系统包括：

模型建立模块，用于建立与路段工程库的连接通道，读取路段的建筑数据，根据所述建筑数据生成场景模型；

图像库获取模块，用于实时获取天气预测信息，基于所述天气预测信息确定图像获取参数，基于所述图像获取模式获取含有拍摄时间的路况图像，得到路况图像库；

区域确定模块，用于对所述路况图像库进行内容识别，根据内容识别结果确定事件区域；

路径确定模块，用于基于所述事件区域在所述场景模型中确定检测路径，并将所述检测路径向移动检测端发送。

9.根据权利要求8所述的基于人工智能的监控系统，其特征在于，所述区域确定模块包括：

轮廓识别单元，用于对所述路段图像进行轮廓识别，根据所述轮廓识别结果确定运动轮廓；

偏移计算单元，用于随机提取至少两张间隔时间已知的含有运动轮廓的路段图像，计算各运动轮廓的偏移像素；

参数分析单元，用于将所述偏移像素和所述间隔时间输入训练好的运动分析模型，得到各运动轮廓的运动参数；

结果生成单元，用于根据所述运动参数确定事件区域。

10.根据权利要求9所述的基于人工智能的监控系统，其特征在于，所述结果生成单元包括：

比对子单元，用于将所述运动参数与预设的参数阈值进行比对，根据比对结果确定待检区域；

聚集度计算子单元，用于根据所述待检区域进行特征识别，根据所述特征识别结果生成聚集度；

标记子单元，用于当所述聚集度达到预设的聚集度阈值时，将所述待检区域标记为事件区域。

Images