CN116884214A - 市政车辆的监测预警方法及系统 - Google Patents
市政车辆的监测预警方法及系统 Download PDFInfo
- Publication number
- CN116884214A CN116884214A CN202310843948.2A CN202310843948A CN116884214A CN 116884214 A CN116884214 A CN 116884214A CN 202310843948 A CN202310843948 A CN 202310843948A CN 116884214 A CN116884214 A CN 116884214A
- Authority
- CN
- China
- Prior art keywords
- image data
- vehicle
- road
- monitoring
- abnormality
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000005856 abnormality Effects 0.000 claims abstract description 167
- 238000004458 analytical method Methods 0.000 claims abstract description 146
- 238000012545 processing Methods 0.000 claims abstract description 123
- 238000003709 image segmentation Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims description 71
- 230000003749 cleanliness Effects 0.000 claims description 52
- 238000001514 detection method Methods 0.000 claims description 51
- 230000006835 compression Effects 0.000 claims description 25
- 238000007906 compression Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 17
- 206010039203 Road traffic accident Diseases 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 16
- 239000000284 extract Substances 0.000 description 14
- 239000010813 municipal solid waste Substances 0.000 description 14
- 238000009825 accumulation Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能领域,公开了一种市政车辆的监测预警方法及系统,用于提高市政车辆的监测预警准确率。方法包括:基于路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;根据目标图像数据进行识别和图像分割,生成第一图像数据以及第二图像数据;对第一图像数据进行车辆特征提取,得到车辆特征信息,并对第二图像数据进行物体特征提取,得到物体特征信息;将车辆特征信息输入车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;将物体特征信息输入道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;根据交通异常判定结果以及环境异常分析结果生成目标道路环境处理方案。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种市政车辆的监测预警方法及系统。
背景技术
现代城市的高速发展和机动车数量的急剧增加导致了道路交通安全问题的日益突出,困扰着城市管理者和公众。因此,一种更科学、智能的方法来对市政车辆进行监测预警,以及防止和减少交通事故的发生,乃至提高道路使用效率,已成为城市管理和交通安全管理的重要课题。
现有方案只是针对个别样本数据进行建模,进而导致无法对道路隐患、损坏等进行精确识别和及时处理,从而不能从根本上预防道路安全事故的发生。而且现有方案难以应对复杂多变的市政车辆监测预警需求,尤其在应对交通事故预警时,难以进行准确率的预测和分析,导致现有方案的准确率低。
发明内容
本发明提供了一种市政车辆的监测预警方法及系统,用于提高市政车辆的监测预警准确率。
本发明第一方面提供了一种市政车辆的监测预警方法,所述市政车辆的监测预警方法包括:
基于预置的路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;
对所述目标图像数据进行市政车辆识别和图像分割,生成第一图像数据,并对所述目标图像数据进行道路物体识别和图像分割,生成第二图像数据;
对所述第一图像数据进行车辆特征提取,得到车辆特征信息,并对所述第二图像数据进行物体特征提取,得到物体特征信息;
将所述车辆特征信息输入预置的车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;
将所述物体特征信息输入预置的道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;
根据所述交通异常判定结果以及所述环境异常分析结果生成目标道路环境处理方案。
结合第一方面,在本发明第一方面的第一实施方式中,所述基于预置的路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据,包括:
基于预置的路况监测模块对市政车辆的行驶情况进行图像采集,得到原始图像数据;
采用压缩技术对所述原始图像数据进行图像压缩,得到压缩图像数据,并通过所述路况监测模块中的数据传输通道,将所述压缩图像数据传输至预置的监测平台;
通过所述监测平台,对所述压缩图像数据进行图像去噪和图像增强,得到目标图像数据。
结合第一方面,在本发明第一方面的第二实施方式中,所述对所述目标图像数据进行市政车辆识别和图像分割,生成第一图像数据,并对所述目标图像数据进行道路物体识别和图像分割,生成第二图像数据,包括:
对所述目标图像数据进行蓝牌车辆识别,得到多个蓝牌车辆,并在所述目标图像数据中选用第一颜色的矩形框,对所述多个蓝牌车辆进行区域图像分割和车牌信息标注,得到带有蓝牌标注信息的图像数据;
对所述带有蓝牌标注信息的图像数据进行绿牌车辆检测,得到多个绿牌车辆,并在所述带有蓝牌标注信息的图像数据中选用第二颜色的矩形框,对所述多个绿牌车辆进行区域图像分割和车牌信息标注,生成第一图像数据;
对所述目标图像数据进行道路物体识别,得到多个道路物体,并在所述目标图像数据中选用第三颜色的矩形框,对所述多个道路物体进行区域图像分割和位置信息标注,生成第二图像数据。
结合第一方面,在本发明第一方面的第三实施方式中,所述对所述第一图像数据进行车辆特征提取,得到车辆特征信息,并对所述第二图像数据进行物体特征提取,得到物体特征信息,包括:
对所述第一图像数据进行车辆数量提取,得到车辆数量数据,并对所述第一图像数据进行车速提取,得到车速数据,以及对所述第一图像数据进行车辆位置提取,得到车辆位置数据;
将所述车辆数量数据、所述车速数据以及所述车辆位置数据作为车辆特征信息;
对所述第二图像数据中的多个道路物体进行位置分类,得到道路中央的第一物体特征以及道路两侧的第二物体特征;
根据所述道路中央的第一物体特征以及所述道路两侧的第二物体特征生成物体特征信息。
结合第一方面,在本发明第一方面的第四实施方式中,所述将所述车辆特征信息输入预置的车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果,包括:
将所述车辆特征信息输入预置的车辆交通异常判定模型集合,其中,所述车辆交通异常判定模型集合包括三层模型,第一层为异常分类模型,第二层包含多个异常判定模型,第三层为结果输出层;
通过第一层中的分类模型对所述车辆特征信息进行异常类型分类,得到至少一个异常类型分类信息;
根据所述至少一个异常类型分类信息,将所述车辆特征信息输入第二层中对应的异常判定模型进行交通异常判定,得到对应的异常判定概率,其中,所述异常判定模型包括:位置违规判定模型、超速判定模型、拥堵判定模型以及交通事故判定模型;
通过第三层中的结果输出层,对所述异常判定概率进行判定结果输出,得到交通异常判定结果。
结合第一方面,在本发明第一方面的第五实施方式中,所述将所述物体特征信息输入预置的道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果,包括:
将所述物体特征信息输入预置的道路环境分析模型集合,其中,所述道路环境分析模型集合包括异常物体检测模型以及路面整洁度分析模型;
通过所述异常物体检测模型,对所述物体特征信息进行异常分类提取,得到异常物体检测结果;
通过所述路面整洁度分析模型,对所述物体特征信息进行路面整洁度分析,得到路面整洁度分析结果;
根据所述异常物体检测结果以及所述路面整洁度分析结果输出环境异常分析结果。
结合第一方面,在本发明第一方面的第六实施方式中,所述根据所述交通异常判定结果以及所述环境异常分析结果生成目标道路环境处理方案,包括:
对所述交通异常判定结果进行结果编码,得到第一编码数据,以及对所述环境异常分析结果进行结果编码,得到第二编码数据;
获取预置的第一道路环境处理列表,并根据所述第一编码数据从所述第一道路环境处理列表中匹配第一道路环境处理方案;
获取预置的第二道路环境处理列表,并根据所述第二编码数据从所述第二道路环境处理列表中匹配第二道路环境处理方案;
根据所述第一道路环境处理方案和所述第二道路环境处理方案,生成目标道路环境处理方案,并将所述目标道路环境处理方案发送至监测平台进行处理。
本发明第二方面提供了一种市政车辆的监测预警系统,所述市政车辆的监测预警系统包括:
监测模块,用于基于预置的路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;
识别模块,用于对所述目标图像数据进行市政车辆识别和图像分割,生成第一图像数据,并对所述目标图像数据进行道路物体识别和图像分割,生成第二图像数据;
提取模块,用于对所述第一图像数据进行车辆特征提取,得到车辆特征信息,并对所述第二图像数据进行物体特征提取,得到物体特征信息;
判定模块,用于将所述车辆特征信息输入预置的车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;
分析模块,用于将所述物体特征信息输入预置的道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;
生成模块,用于根据所述交通异常判定结果以及所述环境异常分析结果生成目标道路环境处理方案。
结合第二方面,在本发明第二方面的第一实施方式中,所述监测模块具体用于:
基于预置的路况监测模块对市政车辆的行驶情况进行图像采集,得到原始图像数据;
采用压缩技术对所述原始图像数据进行图像压缩,得到压缩图像数据,并通过所述路况监测模块中的数据传输通道,将所述压缩图像数据传输至预置的监测平台;
通过所述监测平台,对所述压缩图像数据进行图像去噪和图像增强,得到目标图像数据。
结合第二方面,在本发明第二方面的第二实施方式中,所述识别模块具体用于:
对所述目标图像数据进行蓝牌车辆识别,得到多个蓝牌车辆,并在所述目标图像数据中选用第一颜色的矩形框,对所述多个蓝牌车辆进行区域图像分割和车牌信息标注,得到带有蓝牌标注信息的图像数据;
对所述带有蓝牌标注信息的图像数据进行绿牌车辆检测,得到多个绿牌车辆,并在所述带有蓝牌标注信息的图像数据中选用第二颜色的矩形框,对所述多个绿牌车辆进行区域图像分割和车牌信息标注,生成第一图像数据;
对所述目标图像数据进行道路物体识别,得到多个道路物体,并在所述目标图像数据中选用第三颜色的矩形框,对所述多个道路物体进行区域图像分割和位置信息标注,生成第二图像数据。
结合第二方面,在本发明第二方面的第三实施方式中,所述提取模块具体用于:
对所述第一图像数据进行车辆数量提取,得到车辆数量数据,并对所述第一图像数据进行车速提取,得到车速数据,以及对所述第一图像数据进行车辆位置提取,得到车辆位置数据;
将所述车辆数量数据、所述车速数据以及所述车辆位置数据作为车辆特征信息;
对所述第二图像数据中的多个道路物体进行位置分类,得到道路中央的第一物体特征以及道路两侧的第二物体特征;
根据所述道路中央的第一物体特征以及所述道路两侧的第二物体特征生成物体特征信息。
结合第二方面,在本发明第二方面的第四实施方式中,所述判定模块具体用于:
将所述车辆特征信息输入预置的车辆交通异常判定模型集合,其中,所述车辆交通异常判定模型集合包括三层模型,第一层为异常分类模型,第二层包含多个异常判定模型,第三层为结果输出层;
通过第一层中的分类模型对所述车辆特征信息进行异常类型分类,得到至少一个异常类型分类信息;
根据所述至少一个异常类型分类信息,将所述车辆特征信息输入第二层中对应的异常判定模型进行交通异常判定,得到对应的异常判定概率,其中,所述异常判定模型包括:位置违规判定模型、超速判定模型、拥堵判定模型以及交通事故判定模型;
通过第三层中的结果输出层,对所述异常判定概率进行判定结果输出,得到交通异常判定结果。
结合第二方面,在本发明第二方面的第五实施方式中,所述分析模块具体用于:
将所述物体特征信息输入预置的道路环境分析模型集合,其中,所述道路环境分析模型集合包括异常物体检测模型以及路面整洁度分析模型;
通过所述异常物体检测模型,对所述物体特征信息进行异常分类提取,得到异常物体检测结果;
通过所述路面整洁度分析模型,对所述物体特征信息进行路面整洁度分析,得到路面整洁度分析结果;
根据所述异常物体检测结果以及所述路面整洁度分析结果输出环境异常分析结果。
结合第二方面,在本发明第二方面的第六实施方式中,所述生成模块具体用于:
对所述交通异常判定结果进行结果编码,得到第一编码数据,以及对所述环境异常分析结果进行结果编码,得到第二编码数据;
获取预置的第一道路环境处理列表,并根据所述第一编码数据从所述第一道路环境处理列表中匹配第一道路环境处理方案;
获取预置的第二道路环境处理列表,并根据所述第二编码数据从所述第二道路环境处理列表中匹配第二道路环境处理方案;
根据所述第一道路环境处理方案和所述第二道路环境处理方案,生成目标道路环境处理方案,并将所述目标道路环境处理方案发送至监测平台进行处理。
本发明提供的技术方案中,基于路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;根据目标图像数据进行识别和图像分割,生成第一图像数据以及第二图像数据;对第一图像数据进行车辆特征提取,得到车辆特征信息,并对第二图像数据进行物体特征提取,得到物体特征信息;将车辆特征信息输入车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;将物体特征信息输入道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;根据交通异常判定结果以及环境异常分析结果生成目标道路环境处理方案,本发明通过实时监测和预警,识别和制止不良驾驶行为,如超速、逆行、违规等,减少交通事故的发生,实现对交通状况的精准监测和综合分析,向监测平台提供准确数据支持,帮助其优化城市道路设计、交通规划和治理方案,进而提高了市政车辆的监测预警准确率。
附图说明
图1为本发明实施例中市政车辆的监测预警方法的一个实施例示意图;
图2为本发明实施例中识别和图像分割的流程图;
图3为本发明实施例中特征提取的流程图;
图4为本发明实施例中交通异常判定的流程图;
图5为本发明实施例中市政车辆的监测预警系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种市政车辆的监测预警方法及系统,用于提高市政车辆的监测预警准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中市政车辆的监测预警方法的一个实施例包括:
S101、基于预置的路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;
可以理解的是,本发明的执行主体可以为市政车辆的监测预警系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器通过路况监测模块使用摄像头或其他传感器对市政车辆的行驶情况进行图像采集,获取原始图像数据。这些摄像头可以安装在交通信号灯、路灯、路边监控等位置。为了减少数据传输的开销和提高传输效率,采用图像压缩技术对原始图像数据进行压缩处理。压缩图像数据占用更小的存储空间,并且可以更快速地传输到监测平台,常用的图像压缩算法包括JPEG、JPEG2000等。通过预置的路况监测模块中的数据传输通道,将压缩后的图像数据传输至预置的监测平台,这个数据传输通道可以是有线或无线网络,例如局域网、无线传感器网络等,数据传输通道的建立需要确保图像数据的可靠传输和保密性。在监测平台上,对接收到的压缩图像数据进行图像去噪和图像增强的处理,图像去噪技术可以减少图像中的噪声和干扰,提高图像质量,常见的图像去噪方法包括中值滤波、均值滤波等。图像增强技术可以增强图像的对比度、锐度和色彩,使目标物体更加清晰可见,图像增强方法包括直方图均衡化、锐化等。经过图像去噪和图像增强处理后,得到目标图像数据。这些目标图像数据可以提供更清晰、更准确的市政车辆行驶情况,为后续的车辆识别、图像分割等步骤提供更好的输入。例如,假设一个市政车辆监测系统安装在一个交通路口。该系统的路况监测模块通过摄像头对路口的车辆行驶情况进行图像采集。采集到的原始图像数据经过JPEG压缩后,通过无线网络传输至预置的监测平台。在监测平台上,对接收到的压缩图像数据进行图像去噪和图像增强处理,去除图像中的噪声并增强目标物体的可见度。处理后的目标图像数据可以用于进一步的车辆识别、图像分割等分析,以实现对市政车辆的监测和预警。
S102、对目标图像数据进行市政车辆识别和图像分割,生成第一图像数据,并对目标图像数据进行道路物体识别和图像分割,生成第二图像数据;
具体的,服务器针对目标图像数据进行蓝牌车辆识别。利用图像处理和机器学习算法,服务器训练一个蓝牌车辆识别模型。该模型能够识别图像中的蓝牌车辆,并提取它们的特征。通过对目标图像数据进行处理,服务器检测出其中的多个蓝牌车辆。服务器使用第一颜色的矩形框对这些车辆进行标注,并进行区域图像分割,将车辆从背景中分离出来。可以进行车牌信息的标注,包括车牌号码、车牌颜色等,服务器就得到了带有蓝牌标注信息的图像数据。其次,针对带有蓝牌标注信息的图像数据进行绿牌车辆检测。通过绿牌车辆检测算法,服务器进一步筛选出图像中的绿牌车辆。利用第二颜色的矩形框对这些车辆进行标注,并进行区域图像分割,提取出车辆的区域。可以对车辆的车牌信息进行标注,包括车牌号码、车牌颜色等。服务器生成了第一图像数据,其中包含了蓝牌和绿牌车辆的标注信息。对目标图像数据进行道路物体识别。利用道路物体识别算法,服务器识别出图像中的多个道路物体,例如行人、自行车等。为了对这些物体进行标注,服务器选用第三颜色的矩形框将它们标注出来,并进行区域图像分割,提取出物体的区域。可以标注物体的位置信息,如坐标、大小等。服务器生成了第二图像数据,其中包含了道路物体的标注信息。例如,假设服务器有一张城市交通监控图像。经过蓝牌车辆识别和图像分割,服务器检测出其中的三辆蓝牌车辆,并使用第一颜色的矩形框对它们进行标注和分割。服务器提取了车牌号码和车牌颜色的信息。通过绿牌车辆检测,服务器发现其中有两辆绿牌车辆,并使用第二颜色的矩形框对它们进行标注和分割。服务器提取了这些车辆的车牌信息。通过道路物体识别,服务器识别出图像中的行人和自行车,并使用第三颜色的矩形框对它们进行标注和分割,提取出它们的位置信息。
S103、对第一图像数据进行车辆特征提取,得到车辆特征信息,并对第二图像数据进行物体特征提取,得到物体特征信息;
需要说明的是,针对第一图像数据进行车辆特征提取。服务器使用计算机视觉和图像处理技术来提取车辆的特征信息。通过对第一图像数据进行处理,例如目标检测和跟踪,服务器确定图像中的车辆数量,并提取每辆车的位置信息。服务器就得到了车辆数量数据和车辆位置数据。此外,服务器还可以利用光流估计等技术来计算车辆在图像中的移动距离,从而得到车速数据。将这些数据作为车辆特征信息,可以用于后续的交通流量统计、车辆行为分析等应用。其次,针对第二图像数据进行物体特征提取。服务器使用图像处理和机器学习算法来对多个道路物体进行位置分类和特征提取。通过目标检测和图像分割技术,服务器将图像中的多个道路物体分割出来,并对它们进行位置分类,例如将道路中央的物体视为第一物体,将道路两侧的物体视为第二物体。服务器提取这些物体的特征信息,如大小、形状、颜色等。将道路中央的第一物体特征和道路两侧的第二物体特征结合起来,服务器就得到了物体特征信息,可以用于道路状况分析、智能交通系统等领域。例如,假设服务器有一张道路监控图像。对第一图像数据进行处理,服务器使用目标检测算法检测出图像中的三辆车辆,并提取它们的位置信息。假设这三辆车分别位于图像的左侧、中间和右侧。利用光流估计技术计算出车辆在图像中的移动距离,从而得到车速数据。服务器得到了车辆数量数据、车速数据和车辆位置数据,作为车辆特征信息。针对第二图像数据,服务器进行物体特征提取。通过目标检测和图像分割技术,服务器将图像中的道路物体分割出来。其中,服务器将道路中央的物体视为第一物体,将道路两侧的物体视为第二物体。服务器提取这些物体的特征信息,如大小、形状、颜色等。对于道路中央的第一物体,服务器提取其大小为中等,形状为长条状,颜色为黄色的特征。对于道路两侧的第二物体,服务器提取其大小为小,形状为圆形,颜色为绿色的特征。将这些特征信息结合起来,服务器就得到了物体特征信息。本实施例中,服务器实现了对第一图像数据的车辆特征提取,包括车辆数量、车速和车辆位置信息。对第二图像数据进行了物体特征提取,包括道路中央的第一物体和道路两侧的第二物体的位置分类和特征信息提取。
S104、将车辆特征信息输入预置的车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;
具体的,服务器将车辆特征信息输入预置的车辆交通异常判定模型集合。该模型集合包括三层模型:异常分类模型、异常判定模型和结果输出层。在第一层中,使用异常分类模型对车辆特征信息进行异常类型分类。该模型能够将车辆特征信息划分为不同的异常类型,例如违规行驶、超速、拥堵和交通事故等。通过该分类模型,服务器得到至少一个异常类型分类信息。根据得到的异常类型分类信息,将车辆特征信息输入第二层中相应的异常判定模型。这些异常判定模型包括位置违规判定模型、超速判定模型、拥堵判定模型和交通事故判定模型等。每个异常判定模型都针对特定的异常类型进行判定,并输出对应的异常判定概率。在第三层的结果输出层中,对得到的异常判定概率进行处理,得到最终的交通异常判定结果。根据异常判定概率的大小,可以确定异常发生的可能性。例如,如果某辆车的异常判定概率超过阈值,则可以判定该车辆存在交通异常。例如,假设服务器有一辆车的特征信息包括车速、位置和车辆类型等。通过异常分类模型,将该车辆特征信息分类为超速异常。将该特征信息输入超速判定模型,该模型根据车速数据和位置信息等进行判定,得到超速判定概率为0.85。通过结果输出层,将超速判定概率进行处理,如果概率超过设定的阈值(例如0.7),则判定该车辆存在超速异常。本实施例中,服务器将车辆特征信息输入预置的车辆交通异常判定模型集合,经过异常分类、异常判定和结果输出,得到了交通异常判定结果。这个过程可以帮助服务器快速准确地判断车辆是否存在异常情况,为交通管理和安全提供重要的参考依据。
S105、将物体特征信息输入预置的道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;
具体的,服务器获取预置的道路环境分析模型集合,其中包括异常物体检测模型和路面整洁度分析模型。将待分析的物体特征信息输入模型集合。物体特征信息可以包括图像中检测到的物体类型、大小、位置等。在模型集合的第一部分,使用异常物体检测模型对物体特征信息进行异常分类提取。该模型通过训练和学习得到,能够识别出图像中的异常物体,例如垃圾、障碍物、危险品等。通过对物体特征信息的分析和比对,异常物体检测模型能够将图像中的异常物体与正常环境进行区分。将物体特征信息传递到模型集合的第二部分,即路面整洁度分析模型。该模型用于评估道路路面的整洁程度,通过分析物体特征信息中的路面状况、杂物分布等因素,来判断路面的清洁程度和维护情况。例如,模型可以识别出道路上的污渍、积水、垃圾等问题,并根据这些信息对路面整洁度进行评估。根据异常物体检测结果和路面整洁度分析结果,输出环境异常分析结果。根据模型的输出,可以确定环境异常的类型和程度。例如,如果异常物体检测模型识别出道路上存在大量垃圾,并且路面整洁度分析模型评估结果显示路面较为脏乱,那么环境异常分析结果可以指示该路段存在垃圾积聚和不良卫生状况,需要进行清理和维护。例如,假设某个场景中的物体特征信息包括图像中检测到的垃圾堆和积水区域。异常物体检测模型将识别出图像中的垃圾堆,并将其分类为异常物体。接着,路面整洁度分析模型将分析积水区域,并评估路面整洁度较低。根据异常物体检测结果和路面整洁度分析结果,环境异常分析结果可能指示该场景存在垃圾堆和积水,需要进行清理和排水处理。通过预置的道路环境分析模型集合进行道路环境异常分析可以帮助服务器更好地了解和评估道路的状况,并及时采取相应的措施进行处理。这种分析可以应用于交通管理、城市规划、道路维护等领域,以改善交通安全和提升城市环境质量。
S106、根据交通异常判定结果以及环境异常分析结果生成目标道路环境处理方案。
具体的,对交通异常判定结果进行结果编码,将不同的异常类型用数字或符号进行编码。例如,服务器使用1表示位置违规,2表示超速,3表示拥堵,4表示交通事故等。同样地,对环境异常分析结果进行结果编码,用数字或符号表示不同的异常情况,如1表示垃圾堆积,2表示路面积水,3表示路面破损等。获取预置的第一道路环境处理列表和第二道路环境处理列表。这些列表包含了不同异常类型和异常情况对应的处理方案。例如,第一道路环境处理列表中可以包含位置违规的处罚措施、超速的速度限制措施,第二道路环境处理列表中可以包含垃圾清理措施、积水排除措施等。使用第一编码数据,即交通异常判定结果的编码,从第一道路环境处理列表中匹配相应的处理方案。通过匹配编码,服务器确定应该采取什么样的处理措施来解决交通异常问题。例如,如果编码为1,表示位置违规,那么相应的处理方案可能是对违规车辆进行处罚或警告。接着,使用第二编码数据,即环境异常分析结果的编码,从第二道路环境处理列表中匹配相应的处理方案。服务器确定针对环境异常情况需要采取哪些措施。例如,如果编码为2,表示路面积水,那么相应的处理方案可能是进行排水操作或修复路面问题。根据第一道路环境处理方案和第二道路环境处理方案,生成目标道路环境处理方案。将这些处理方案发送至监测平台进行实际处理。交通管理部门或相关责任单位可以根据目标道路环境处理方案,有针对性地采取行动,解决交通异常和环境异常问题,提升道路安全性和城市环境质量。例如,根据交通异常判定结果编码为2(超速)和环境异常分析结果编码为1(垃圾堆积),服务器匹配第一道路环境处理列表中的超速限制措施和第二道路环境处理列表中的垃圾清理措施。生成的目标道路环境处理方案可以包括在超速区域设置速度限制标志和摄像监控,以降低车辆超速的发生,并加强执法力度。派遣清洁队伍进行垃圾清理工作,及时清除道路上的垃圾堆积,保持道路环境整洁。另外,根据交通异常判定结果编码为3(拥堵)和环境异常分析结果编码为2(路面积水),服务器匹配第一道路环境处理列表中的交通导流措施和第二道路环境处理列表中的积水排除措施。生成的目标道路环境处理方案可以包括在拥堵区域设置交通警示标志,引导车辆绕行,并通过抽水泵或排水设备排除路面积水,恢复正常的交通流畅性。本实施例中,根据交通异常判定结果和环境异常分析结果,服务器能够针对具体的问题制定目标道路环境处理方案,从而有效解决道路上的异常情况,提高交通安全性和城市道路环境的品质。
本发明实施例中,基于路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;根据目标图像数据进行识别和图像分割,生成第一图像数据以及第二图像数据;对第一图像数据进行车辆特征提取,得到车辆特征信息,并对第二图像数据进行物体特征提取,得到物体特征信息;将车辆特征信息输入车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;将物体特征信息输入道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;根据交通异常判定结果以及环境异常分析结果生成目标道路环境处理方案,本发明通过实时监测和预警,识别和制止不良驾驶行为,如超速、逆行、违规等,减少交通事故的发生,实现对交通状况的精准监测和综合分析,向监测平台提供准确数据支持,帮助其优化城市道路设计、交通规划和治理方案,进而提高了市政车辆的监测预警准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)基于预置的路况监测模块对市政车辆的行驶情况进行图像采集,得到原始图像数据;
(2)采用压缩技术对原始图像数据进行图像压缩,得到压缩图像数据,并通过路况监测模块中的数据传输通道,将压缩图像数据传输至预置的监测平台;
(3)通过监测平台,对压缩图像数据进行图像去噪和图像增强,得到目标图像数据。
具体的,服务器通过路况监测模块会使用相应的摄像设备对市政车辆的行驶情况进行图像采集。这些摄像设备可以安装在道路旁边的固定位置或者移动设备上,以捕捉车辆行驶过程中的图像。通过摄像设备,可以获取原始图像数据,其中包含车辆、道路以及周围环境的信息。对原始图像数据进行图像压缩。图像压缩是将原始图像数据进行编码和压缩,以减少图像数据的存储空间和传输带宽。常用的图像压缩方法包括JPEG、PNG等。通过图像压缩技术,可以将原始图像数据转换为较小的压缩图像数据。在压缩图像数据传输方面,采用预置的路况监测模块中的数据传输通道。该通道可以是通过有线或无线网络进行数据传输的通信接口,确保压缩图像数据能够快速、稳定地传输到监测平台。一旦压缩图像数据到达监测平台,就可以进行进一步的处理。监测平台可以利用图像处理算法对压缩图像数据进行图像去噪和图像增强。图像去噪技术可以消除图像中的噪声和干扰,提高图像的清晰度和质量。而图像增强技术则可以改善图像的亮度、对比度和细节,使得目标图像数据更具视觉效果和可辨识度。本实施例中,服务器实现基于预置的路况监测模块对市政车辆行驶情况的图像采集,并通过图像压缩和数据传输通道将压缩图像数据传输至监测平台。在监测平台上,对压缩图像数据进行图像去噪和图像增强处理,最终得到目标图像数据,这些数据可以用于后续的分析、识别或其他相关应用。例如,假设在一个城市的主要交通路口安装了预置的路况监测模块,其中包括高清摄像设备和数据传输通道。摄像设备实时采集车辆行驶过程中的图像,并将原始图像数据传输到监测平台。在监测平台上,对接收到的原始图像数据进行图像压缩,使用JPEG压缩算法将图像数据转换为较小的压缩图像数据。通过预置的数据传输通道,将压缩图像数据传输至监测平台。传输通道可以是基于互联网的网络连接,确保数据能够快速、稳定地传输到监测平台。一旦压缩图像数据到达监测平台,平台上的图像处理算法开始对数据进行处理。进行图像去噪处理,使用滤波算法或其他去噪技术,消除图像中的噪声和干扰,提高图像的清晰度。进行图像增强处理,通过调整亮度、对比度和锐度等参数,改善图像的质量和视觉效果。图像增强可以使图像中的细节更加明显,提高目标的可辨识度。经过图像处理后,得到目标图像数据,该数据已经经过压缩、去噪和增强等处理,以提供更好的视觉信息和质量。基于预置的路况监测模块对市政车辆的行驶情况进行图像采集,并通过图像压缩和数据传输通道将压缩图像数据传输至监测平台。在监测平台上,对压缩图像数据进行图像去噪和图像增强处理,最终得到目标图像数据,可以用于后续的分析、识别或其他相关应用。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、对目标图像数据进行蓝牌车辆识别,得到多个蓝牌车辆,并在目标图像数据中选用第一颜色的矩形框,对多个蓝牌车辆进行区域图像分割和车牌信息标注,得到带有蓝牌标注信息的图像数据;
S202、对带有蓝牌标注信息的图像数据进行绿牌车辆检测,得到多个绿牌车辆,并在带有蓝牌标注信息的图像数据中选用第二颜色的矩形框,对多个绿牌车辆进行区域图像分割和车牌信息标注,生成第一图像数据;
S203、对目标图像数据进行道路物体识别,得到多个道路物体,并在目标图像数据中选用第三颜色的矩形框,对多个道路物体进行区域图像分割和位置信息标注,生成第二图像数据。
具体的,服务器针对目标图像数据中的蓝牌车辆识别,服务器应用计算机视觉技术和深度学习模型。通过训练一个蓝牌车辆识别模型,服务器使用该模型对目标图像数据进行自动识别和定位,找出其中的蓝牌车辆。一旦蓝牌车辆被识别出来,服务器在目标图像数据中使用特定的颜色标注来框选这些蓝牌车辆。这些矩形框可以帮助服务器更准确地区分和定位车辆的区域。针对带有蓝牌标注信息的图像数据中的绿牌车辆检测,服务器利用相似的方法。通过应用绿牌车辆检测算法和深度学习模型,服务器对带有蓝牌标注信息的图像数据进行绿牌车辆的检测和识别。类似于蓝牌车辆识别,一旦绿牌车辆被检测出来,服务器在图像数据中使用特定的颜色标注,如第二颜色的矩形框,来框选这些绿牌车辆。这样可以准确地划定出绿牌车辆的位置。对于目标图像数据中的道路物体识别,服务器使用图像处理和物体识别算法。通过训练一个道路物体识别模型,服务器对目标图像数据进行道路物体的识别,包括交通标志、行人、自行车等。一旦道路物体被识别出来,服务器在图像数据中使用特定的颜色标注,如第三颜色的矩形框,来框选这些道路物体。这样可以清晰地标注出道路物体的位置和边界。例如,假设服务器有一张城市交通场景的目标图像数据,其中包含多辆车辆、行人和交通标志。服务器首先使用蓝牌车辆识别算法对图像进行处理。通过计算机视觉技术和深度学习模型,服务器能够自动识别出图像中的蓝牌车辆。例如,服务器检测到三辆蓝牌车辆。在目标图像数据中,服务器使用特定的颜色标注(如红色)框选出这些蓝牌车辆的位置。服务器清楚地看到每辆车的边界框。随后,服务器将带有蓝牌标注信息的图像数据用于绿牌车辆的检测。利用相应的绿牌车辆检测算法和深度学习模型,服务器自动识别出图像中的绿牌车辆。例如,服务器检测到两辆绿牌车辆。在带有蓝牌标注信息的图像数据中,服务器使用另一种特定颜色(如绿色)的矩形框来框选出这些绿牌车辆的位置。服务器清晰地标注出每辆绿牌车辆的边界框。服务器对目标图像数据进行道路物体识别。通过训练好的道路物体识别模型,服务器能够检测并识别出图像中的各种道路物体,例如交通标志、行人和自行车。假设服务器在图像中检测到了两个交通标志和三个行人。在目标图像数据中,服务器使用另一种特定颜色(如黄色)的矩形框来框选出这些道路物体的位置。服务器清晰地显示每个道路物体的边界框。本实施例中,服务器对目标图像数据进行蓝牌车辆识别、绿牌车辆检测和道路物体识别,生成第一图像数据和第二图像数据。第一图像数据包括带有蓝牌标注信息的图像数据,其中每辆车都有相应的矩形框和车牌信息。第二图像数据包括带有道路物体位置信息的图像数据,其中每个道路物体都有相应的矩形框和位置信息。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、对第一图像数据进行车辆数量提取,得到车辆数量数据,并对第一图像数据进行车速提取,得到车速数据,以及对第一图像数据进行车辆位置提取,得到车辆位置数据;
S302、将车辆数量数据、车速数据以及车辆位置数据作为车辆特征信息;
S303、对第二图像数据中的多个道路物体进行位置分类,得到道路中央的第一物体特征以及道路两侧的第二物体特征;
S304、根据道路中央的第一物体特征以及道路两侧的第二物体特征生成物体特征信息。
具体的,服务器为实现对第一图像数据的车辆数量提取、车速提取和车辆位置提取,可以采用一系列图像处理和计算机视觉算法。针对第一图像数据进行车辆数量提取,可以使用目标检测算法,如基于深度学习的目标检测模型。这种模型能够在图像中准确地检测出车辆,并提供其位置信息。通过目标检测模型,服务器获得第一图像数据中的车辆数量以及每辆车的边界框位置。可以利用车辆的位置信息来提取车辆的位置数据。这可以通过解析每个车辆边界框的坐标信息来实现。通过提取每辆车的位置数据,服务器获得车辆在道路上的相对位置关系。为了进行车速提取,服务器使用光流估计算法。光流估计是一种计算相邻图像之间像素位移的方法。通过分析车辆在连续图像帧中的位移,可以推断出车辆的运动速度。服务器从第一图像数据中提取车辆的速度数据。针对第二图像数据中的道路物体,服务器进行位置分类,以获取道路中央的第一物体特征和道路两侧的第二物体特征。位置分类可以使用图像分割算法,如语义分割或实例分割。这些算法能够将图像中的不同物体分割为不同的区域,并提供每个区域的位置信息。通过将位置分类结果与道路中央和道路两侧的参考线进行匹配,可以确定道路中央的第一物体特征和道路两侧的第二物体特征。例如,在城市道路场景中,道路中央的第一物体特征可能是车道线,而道路两侧的第二物体特征可以是行人或建筑物。举个例子,假设服务器使用目标检测模型对一张城市道路图像进行处理,检测到图像中有4辆车辆,并获得了它们的位置边界框。通过光流估计算法,我们得到了这4辆车辆在连续图像帧中的位移信息。服务器解析每个车辆边界框的坐标信息,得到它们在道路上的具体位置数据。例如,车辆A的位置为(x1,y1),车辆B的位置为(x2,y2),车辆C的位置为(x3,y3),车辆D的位置为(x4,y4)。服务器对第二图像数据进行位置分类,将道路中央的第一物体特征和道路两侧的第二物体特征进行区分。假设通过图像分割算法,服务器将图像中的道路中央物体标记为"A",道路两侧物体标记为"B"。综合以上分析,服务器得到以下数据:车辆数量数据、车速数据、车辆位置数据、道路中央的第一物体特征、道路两侧的第二物体特征。这些数据将作为车辆特征信息和物体特征信息,在后续的交通异常判定和道路环境分析中发挥重要作用。通过对图像数据的处理和分析,服务器提取出关键的信息,为交通管理和决策提供有价值的参考。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、将车辆特征信息输入预置的车辆交通异常判定模型集合,其中,车辆交通异常判定模型集合包括三层模型,第一层为异常分类模型,第二层包含多个异常判定模型,第三层为结果输出层;
S402、通过第一层中的分类模型对车辆特征信息进行异常类型分类,得到至少一个异常类型分类信息;
S403、根据至少一个异常类型分类信息,将车辆特征信息输入第二层中对应的异常判定模型进行交通异常判定,得到对应的异常判定概率,其中,异常判定模型包括:位置违规判定模型、超速判定模型、拥堵判定模型以及交通事故判定模型;
S404、通过第三层中的结果输出层,对异常判定概率进行判定结果输出,得到交通异常判定结果。
具体的,服务器为了实现将车辆特征信息输入预置的车辆交通异常判定模型集合,并得到交通异常判定结果,可以采用一种多层模型的结构。车辆交通异常判定模型集合由三层模型组成:异常分类模型、异常判定模型和结果输出层。在第一层的异常分类模型中,服务器使用机器学习或深度学习算法对车辆特征信息进行异常类型分类。这个模型可以根据训练数据学习不同类型的交通异常模式,例如位置违规、超速、拥堵和交通事故等。通过该模型,服务器将车辆特征信息分为不同的异常类型。根据至少一个异常类型分类信息,服务器将车辆特征信息输入第二层中对应的异常判定模型。这些异常判定模型专门用于特定类型的交通异常判定,例如位置违规判定模型、超速判定模型、拥堵判定模型和交通事故判定模型。每个模型会对输入的车辆特征信息进行进一步分析和处理,以判断是否存在相应的交通异常情况。在第三层的结果输出层,服务器根据异常判定模型的输出结果,对异常判定概率进行处理,并生成最终的交通异常判定结果。这个过程可以包括将异常判定概率映射到具体的异常类别、设置阈值来确定异常与正常的边界,并根据需求生成相应的判定结果,例如"正常"或"异常"。例如,假设一辆车在高峰时段行驶在城市道路上。服务器通过传感器获取到该车的速度数据、位置数据以及与周围车辆的距离。通过异常分类模型,服务器将该车判定为拥堵类型的异常。服务器将该车的特征信息输入到拥堵判定模型中进行进一步分析。拥堵判定模型会考虑该车的速度下降、位置停滞以及与周围车辆的距离过近等特征,并输出相应的异常判定概率。在结果输出层中,服务器根据设定的阈值,将异常判定概率转化为具体的判定结果,例如"拥堵"。服务器就得到了该辆车的交通异常判定结果,即判定为发生了交通拥堵。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将物体特征信息输入预置的道路环境分析模型集合,其中,道路环境分析模型集合包括异常物体检测模型以及路面整洁度分析模型;
(2)通过异常物体检测模型,对物体特征信息进行异常分类提取,得到异常物体检测结果;
(3)通过路面整洁度分析模型,对物体特征信息进行路面整洁度分析,得到路面整洁度分析结果;
(4)根据异常物体检测结果以及路面整洁度分析结果输出环境异常分析结果。
具体的,为了实现将物体特征信息输入预置的道路环境分析模型集合,并得到环境异常分析结果,服务器采用一种多模型的结构。道路环境分析模型集合由两个关键模型组成:异常物体检测模型和路面整洁度分析模型。这些模型旨在对道路环境进行全面分析,以便提供环境异常的检测和分析结果。通过异常物体检测模型,服务器对物体特征信息进行异常分类提取。该模型利用机器学习或深度学习算法,通过训练数据学习不同类型的异常物体模式,例如摆放在道路上的障碍物、道路上的非法停车等。通过该模型,服务器将物体特征信息中的异常物体进行分类和提取,得到异常物体检测结果。其次,通过路面整洁度分析模型,服务器对物体特征信息进行路面整洁度分析。该模型考虑了道路表面的状况,例如裂缝、坑洼、污染等,以评估道路的整洁度。通过该模型,服务器对物体特征信息中的路面情况进行分析,得到路面整洁度分析结果。基于异常物体检测结果和路面整洁度分析结果,服务器输出环境异常分析结果。根据具体的应用需求,可以采用不同的判定标准和阈值来确定环境异常情况。例如,当异常物体检测结果中存在障碍物并且路面整洁度分析结果低于某个阈值时,服务器判定为环境异常,表示道路存在障碍物并且整洁度较差。例如,假设服务器的异常物体检测模型通过物体特征信息检测到一辆车在道路上停放,这是一种非法停车的异常情况。服务器的路面整洁度分析模型分析发现道路表面存在许多污染物。基于这两个结果,服务器输出环境异常分析结果,指示道路存在非法停车并且整洁度较差。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)对交通异常判定结果进行结果编码,得到第一编码数据,以及对环境异常分析结果进行结果编码,得到第二编码数据;
(2)获取预置的第一道路环境处理列表,并根据第一编码数据从第一道路环境处理列表中匹配第一道路环境处理方案;
(3)获取预置的第二道路环境处理列表,并根据第二编码数据从第二道路环境处理列表中匹配第二道路环境处理方案;
(4)根据第一道路环境处理方案和第二道路环境处理方案,生成目标道路环境处理方案,并将目标道路环境处理方案发送至监测平台进行处理。
具体的,针对交通异常判定结果和环境异常分析结果,服务器进行结果编码。通过合适的编码方式,将这些结果转化为计算机可处理的数据形式。例如,可以使用数字编码、标签编码或者独热编码等方法,根据具体需求选择适合的编码方式。在编码完成后,服务器需要获取预置的道路环境处理列表。这个列表包含了多种可能的道路环境处理方案,例如交通管制、路面清洁、道路修复等。根据第一编码数据,服务器从第一道路环境处理列表中匹配适合的道路环境处理方案。同样地,根据第二编码数据,服务器从第二道路环境处理列表中匹配适合的道路环境处理方案。在匹配到第一道路环境处理方案和第二道路环境处理方案后,服务器根据这些信息生成目标道路环境处理方案。该方案综合考虑了交通异常判定结果和环境异常分析结果,以及预置的道路环境处理方案。生成的目标道路环境处理方案可以包括相应的处理措施、时机和优先级等信息。服务器将目标道路环境处理方案发送至监测平台进行实际的道路环境处理。举个例子,假设服务器使用车载摄像头和传感器来获取道路上的物体特征信息,并进行道路环境分析。通过异常物体检测模型,服务器检测到道路上的异常物体,例如掉落的货物、路面障碍物或者道路上停放的车辆。通过路面整洁度分析模型,服务器评估道路的整洁程度,包括检测道路上的垃圾、污泥或者积水等情况。假设在某个道路的分析过程中,服务器得到以下结果:异常物体检测模型检测到了路面上掉落的货物,而路面整洁度分析模型评估该路段的整洁度为较低。服务器对交通异常判定结果和环境异常分析结果进行结果编码。例如,服务器将掉落的货物编码为1,将较低的整洁度编码为2。服务器获取预置的道路环境处理列表,其中包含了各种处理方案。根据第一编码数据1,服务器在列表中匹配到了与掉落的货物相关的处理方案,例如清理道路上的掉落物品或者提醒驾驶员注意避让。根据第二编码数据2,服务器在列表中匹配到了与较低整洁度相关的处理方案,例如增加道路清扫频率或者加强垃圾收集。根据第一道路环境处理方案和第二道路环境处理方案,服务器生成目标道路环境处理方案。在本例中,可能的目标处理方案是派遣清洁人员前往该路段清理掉落的货物,并增加道路清扫频率以提高整洁度。这样的处理方案可以有效应对道路上的异常情况和环境问题。生成的目标道路环境处理方案可以发送至监测平台或相关部门进行处理,例如通知路政部门或道路维护人员进行相应的清理和维护工作。本实施例中,服务器及时处理道路上的异常情况和环境问题,提升道路的安全性和舒适度,以及保障交通的顺畅运行。
上面对本发明实施例中市政车辆的监测预警方法进行了描述,下面对本发明实施例中市政车辆的监测预警系统进行描述,请参阅图5,本发明实施例中市政车辆的监测预警系统一个实施例包括:
监测模块,用于基于预置的路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;
识别模块,用于对所述目标图像数据进行市政车辆识别和图像分割,生成第一图像数据,并对所述目标图像数据进行道路物体识别和图像分割,生成第二图像数据;
提取模块,用于对所述第一图像数据进行车辆特征提取,得到车辆特征信息,并对所述第二图像数据进行物体特征提取,得到物体特征信息;
判定模块,用于将所述车辆特征信息输入预置的车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;
分析模块,用于将所述物体特征信息输入预置的道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;
生成模块,用于根据所述交通异常判定结果以及所述环境异常分析结果生成目标道路环境处理方案。
可选的,所述监测模块具体用于:
基于预置的路况监测模块对市政车辆的行驶情况进行图像采集,得到原始图像数据;
采用压缩技术对所述原始图像数据进行图像压缩,得到压缩图像数据,并通过所述路况监测模块中的数据传输通道,将所述压缩图像数据传输至预置的监测平台;
通过所述监测平台,对所述压缩图像数据进行图像去噪和图像增强,得到目标图像数据。
可选的,所述识别模块具体用于:
对所述目标图像数据进行蓝牌车辆识别,得到多个蓝牌车辆,并在所述目标图像数据中选用第一颜色的矩形框,对所述多个蓝牌车辆进行区域图像分割和车牌信息标注,得到带有蓝牌标注信息的图像数据;
对所述带有蓝牌标注信息的图像数据进行绿牌车辆检测,得到多个绿牌车辆,并在所述带有蓝牌标注信息的图像数据中选用第二颜色的矩形框,对所述多个绿牌车辆进行区域图像分割和车牌信息标注,生成第一图像数据;
对所述目标图像数据进行道路物体识别,得到多个道路物体,并在所述目标图像数据中选用第三颜色的矩形框,对所述多个道路物体进行区域图像分割和位置信息标注,生成第二图像数据。
可选的,所述提取模块具体用于:
对所述第一图像数据进行车辆数量提取,得到车辆数量数据,并对所述第一图像数据进行车速提取,得到车速数据,以及对所述第一图像数据进行车辆位置提取,得到车辆位置数据;
将所述车辆数量数据、所述车速数据以及所述车辆位置数据作为车辆特征信息;
对所述第二图像数据中的多个道路物体进行位置分类,得到道路中央的第一物体特征以及道路两侧的第二物体特征;
根据所述道路中央的第一物体特征以及所述道路两侧的第二物体特征生成物体特征信息。
可选的,所述判定模块具体用于:
将所述车辆特征信息输入预置的车辆交通异常判定模型集合,其中,所述车辆交通异常判定模型集合包括三层模型,第一层为异常分类模型,第二层包含多个异常判定模型,第三层为结果输出层;
通过第一层中的分类模型对所述车辆特征信息进行异常类型分类,得到至少一个异常类型分类信息;
根据所述至少一个异常类型分类信息,将所述车辆特征信息输入第二层中对应的异常判定模型进行交通异常判定,得到对应的异常判定概率,其中,所述异常判定模型包括:位置违规判定模型、超速判定模型、拥堵判定模型以及交通事故判定模型;
通过第三层中的结果输出层,对所述异常判定概率进行判定结果输出,得到交通异常判定结果。
可选的,所述分析模块具体用于:
将所述物体特征信息输入预置的道路环境分析模型集合,其中,所述道路环境分析模型集合包括异常物体检测模型以及路面整洁度分析模型;
通过所述异常物体检测模型,对所述物体特征信息进行异常分类提取,得到异常物体检测结果;
通过所述路面整洁度分析模型,对所述物体特征信息进行路面整洁度分析,得到路面整洁度分析结果;
根据所述异常物体检测结果以及所述路面整洁度分析结果输出环境异常分析结果。
可选的,所述生成模块具体用于:
对所述交通异常判定结果进行结果编码,得到第一编码数据,以及对所述环境异常分析结果进行结果编码,得到第二编码数据;
获取预置的第一道路环境处理列表,并根据所述第一编码数据从所述第一道路环境处理列表中匹配第一道路环境处理方案;
获取预置的第二道路环境处理列表,并根据所述第二编码数据从所述第二道路环境处理列表中匹配第二道路环境处理方案;
根据所述第一道路环境处理方案和所述第二道路环境处理方案,生成目标道路环境处理方案,并将所述目标道路环境处理方案发送至监测平台进行处理。
通过上述各个组成部分的协同合作,基于路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;根据目标图像数据进行识别和图像分割,生成第一图像数据以及第二图像数据;对第一图像数据进行车辆特征提取,得到车辆特征信息,并对第二图像数据进行物体特征提取,得到物体特征信息;将车辆特征信息输入车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;将物体特征信息输入道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;根据交通异常判定结果以及环境异常分析结果生成目标道路环境处理方案,本发明通过实时监测和预警,识别和制止不良驾驶行为,如超速、逆行、违规等,减少交通事故的发生,实现对交通状况的精准监测和综合分析,向监测平台提供准确数据支持,帮助其优化城市道路设计、交通规划和治理方案,进而提高了市政车辆的监测预警准确率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所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介质中。基于这样的理解,本发明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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种市政车辆的监测预警方法,其特征在于,所述市政车辆的监测预警方法包括:
基于预置的路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;
对所述目标图像数据进行市政车辆识别和图像分割,生成第一图像数据,并对所述目标图像数据进行道路物体识别和图像分割,生成第二图像数据;
对所述第一图像数据进行车辆特征提取,得到车辆特征信息,并对所述第二图像数据进行物体特征提取,得到物体特征信息;
将所述车辆特征信息输入预置的车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;
将所述物体特征信息输入预置的道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;
根据所述交通异常判定结果以及所述环境异常分析结果生成目标道路环境处理方案。
2.根据权利要求1所述的市政车辆的监测预警方法,其特征在于,所述基于预置的路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据,包括:
基于预置的路况监测模块对市政车辆的行驶情况进行图像采集,得到原始图像数据;
采用压缩技术对所述原始图像数据进行图像压缩,得到压缩图像数据,并通过所述路况监测模块中的数据传输通道,将所述压缩图像数据传输至预置的监测平台;
通过所述监测平台,对所述压缩图像数据进行图像去噪和图像增强,得到目标图像数据。
3.根据权利要求1所述的市政车辆的监测预警方法,其特征在于,所述对所述目标图像数据进行市政车辆识别和图像分割,生成第一图像数据,并对所述目标图像数据进行道路物体识别和图像分割,生成第二图像数据,包括:
对所述目标图像数据进行蓝牌车辆识别,得到多个蓝牌车辆,并在所述目标图像数据中选用第一颜色的矩形框,对所述多个蓝牌车辆进行区域图像分割和车牌信息标注,得到带有蓝牌标注信息的图像数据;
对所述带有蓝牌标注信息的图像数据进行绿牌车辆检测,得到多个绿牌车辆,并在所述带有蓝牌标注信息的图像数据中选用第二颜色的矩形框,对所述多个绿牌车辆进行区域图像分割和车牌信息标注,生成第一图像数据;
对所述目标图像数据进行道路物体识别,得到多个道路物体,并在所述目标图像数据中选用第三颜色的矩形框,对所述多个道路物体进行区域图像分割和位置信息标注,生成第二图像数据。
4.根据权利要求1所述的市政车辆的监测预警方法,其特征在于,所述对所述第一图像数据进行车辆特征提取,得到车辆特征信息,并对所述第二图像数据进行物体特征提取,得到物体特征信息,包括:
对所述第一图像数据进行车辆数量提取,得到车辆数量数据,并对所述第一图像数据进行车速提取,得到车速数据,以及对所述第一图像数据进行车辆位置提取,得到车辆位置数据;
将所述车辆数量数据、所述车速数据以及所述车辆位置数据作为车辆特征信息;
对所述第二图像数据中的多个道路物体进行位置分类,得到道路中央的第一物体特征以及道路两侧的第二物体特征;
根据所述道路中央的第一物体特征以及所述道路两侧的第二物体特征生成物体特征信息。
5.根据权利要求1所述的市政车辆的监测预警方法,其特征在于,所述将所述车辆特征信息输入预置的车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果,包括:
将所述车辆特征信息输入预置的车辆交通异常判定模型集合,其中,所述车辆交通异常判定模型集合包括三层模型,第一层为异常分类模型,第二层包含多个异常判定模型,第三层为结果输出层;
通过第一层中的分类模型对所述车辆特征信息进行异常类型分类,得到至少一个异常类型分类信息;
根据所述至少一个异常类型分类信息,将所述车辆特征信息输入第二层中对应的异常判定模型进行交通异常判定,得到对应的异常判定概率,其中,所述异常判定模型包括:位置违规判定模型、超速判定模型、拥堵判定模型以及交通事故判定模型;
通过第三层中的结果输出层,对所述异常判定概率进行判定结果输出,得到交通异常判定结果。
6.根据权利要求1所述的市政车辆的监测预警方法,其特征在于,所述将所述物体特征信息输入预置的道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果,包括:
将所述物体特征信息输入预置的道路环境分析模型集合,其中,所述道路环境分析模型集合包括异常物体检测模型以及路面整洁度分析模型;
通过所述异常物体检测模型,对所述物体特征信息进行异常分类提取,得到异常物体检测结果;
通过所述路面整洁度分析模型,对所述物体特征信息进行路面整洁度分析,得到路面整洁度分析结果;
根据所述异常物体检测结果以及所述路面整洁度分析结果输出环境异常分析结果。
7.根据权利要求1所述的市政车辆的监测预警方法,其特征在于,所述根据所述交通异常判定结果以及所述环境异常分析结果生成目标道路环境处理方案,包括:
对所述交通异常判定结果进行结果编码,得到第一编码数据,以及对所述环境异常分析结果进行结果编码,得到第二编码数据;
获取预置的第一道路环境处理列表,并根据所述第一编码数据从所述第一道路环境处理列表中匹配第一道路环境处理方案;
获取预置的第二道路环境处理列表,并根据所述第二编码数据从所述第二道路环境处理列表中匹配第二道路环境处理方案;
根据所述第一道路环境处理方案和所述第二道路环境处理方案,生成目标道路环境处理方案,并将所述目标道路环境处理方案发送至监测平台进行处理。
8.一种市政车辆的监测预警系统,其特征在于,所述市政车辆的监测预警系统包括:
监测模块,用于基于预置的路况监测模块对市政车辆的行驶情况进行监测,得到目标图像数据;
识别模块,用于对所述目标图像数据进行市政车辆识别和图像分割,生成第一图像数据,并对所述目标图像数据进行道路物体识别和图像分割,生成第二图像数据;
提取模块,用于对所述第一图像数据进行车辆特征提取,得到车辆特征信息,并对所述第二图像数据进行物体特征提取,得到物体特征信息;
判定模块,用于将所述车辆特征信息输入预置的车辆交通异常判定模型集合进行交通异常判定,得到交通异常判定结果;
分析模块,用于将所述物体特征信息输入预置的道路环境分析模型集合进行道路环境异常分析,得到环境异常分析结果;
生成模块,用于根据所述交通异常判定结果以及所述环境异常分析结果生成目标道路环境处理方案。
9.根据权利要求8所述的市政车辆的监测预警系统,其特征在于,所述监测模块具体用于:
基于预置的路况监测模块对市政车辆的行驶情况进行图像采集,得到原始图像数据;
采用压缩技术对所述原始图像数据进行图像压缩,得到压缩图像数据,并通过所述路况监测模块中的数据传输通道,将所述压缩图像数据传输至预置的监测平台;
通过所述监测平台,对所述压缩图像数据进行图像去噪和图像增强,得到目标图像数据。
10.根据权利要求8所述的市政车辆的监测预警系统,其特征在于,所述识别模块具体用于:
对所述目标图像数据进行蓝牌车辆识别,得到多个蓝牌车辆,并在所述目标图像数据中选用第一颜色的矩形框,对所述多个蓝牌车辆进行区域图像分割和车牌信息标注,得到带有蓝牌标注信息的图像数据;
对所述带有蓝牌标注信息的图像数据进行绿牌车辆检测,得到多个绿牌车辆,并在所述带有蓝牌标注信息的图像数据中选用第二颜色的矩形框,对所述多个绿牌车辆进行区域图像分割和车牌信息标注,生成第一图像数据;
对所述目标图像数据进行道路物体识别,得到多个道路物体,并在所述目标图像数据中选用第三颜色的矩形框,对所述多个道路物体进行区域图像分割和位置信息标注,生成第二图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843948.2A CN116884214B (zh) | 2023-07-10 | 2023-07-10 | 市政车辆的监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843948.2A CN116884214B (zh) | 2023-07-10 | 2023-07-10 | 市政车辆的监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116884214A true CN116884214A (zh) | 2023-10-13 |
CN116884214B CN116884214B (zh) | 2024-01-26 |
Family
ID=88256223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310843948.2A Active CN116884214B (zh) | 2023-07-10 | 2023-07-10 | 市政车辆的监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116884214B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013003901A (ja) * | 2011-06-17 | 2013-01-07 | Sumitomo Electric Ind Ltd | 電動車両識別装置及び電動車両識別方法 |
CN108334881A (zh) * | 2018-03-12 | 2018-07-27 | 南京云创大数据科技股份有限公司 | 一种基于深度学习的车牌识别方法 |
CN108961790A (zh) * | 2018-07-24 | 2018-12-07 | 河北德冠隆电子科技有限公司 | 基于四维实景交通仿真的恶劣天气预警管理系统及方法 |
CN110728283A (zh) * | 2019-10-11 | 2020-01-24 | 高新兴科技集团股份有限公司 | 一种车牌类型识别方法及设备 |
CN111582261A (zh) * | 2020-04-30 | 2020-08-25 | 浙江大华技术股份有限公司 | 一种非机动车的车牌识别方法和车牌识别装置 |
KR20200107718A (ko) * | 2019-03-07 | 2020-09-16 | 손근호 | 주유 혼합 방지 시스템 |
CN112115939A (zh) * | 2020-08-26 | 2020-12-22 | 深圳市金溢科技股份有限公司 | 车辆车牌的识别方法、装置 |
DE102020102756A1 (de) * | 2020-02-04 | 2021-08-05 | Schmitz Gmbh | Ermittlungsverfahren zur (Teil-)Erfassung und Verarbeitung eines Fahrzeugidentifikationsmittels eines Fahrzeugs |
CN113486885A (zh) * | 2021-06-17 | 2021-10-08 | 杭州鸿泉物联网技术股份有限公司 | 一种车牌识别方法、装置、电子设备及存储介质 |
CN113850123A (zh) * | 2021-08-18 | 2021-12-28 | 广州国交润万交通信息有限公司 | 基于视频的公路监控方法及装置、存储介质和监控系统 |
CN114241767A (zh) * | 2021-12-16 | 2022-03-25 | 深圳市鹏城交通网络股份有限公司 | 基于智慧交通综合数据仓城市体检数据分析方法及系统 |
KR20220076050A (ko) * | 2020-11-30 | 2022-06-08 | (주)이현 | 색상 판독을 이용한 전기차 인식 방법 및 그를 이용한 전기차 주차관리 시스템 |
CN114648741A (zh) * | 2022-03-23 | 2022-06-21 | 深圳一清创新科技有限公司 | 一种车牌检测方法、装置、无人驾驶车及存储介质 |
CN114842563A (zh) * | 2022-05-11 | 2022-08-02 | 杭州数查科技有限公司 | 一种智慧停车场管理系统 |
CN115019297A (zh) * | 2022-08-04 | 2022-09-06 | 之江实验室 | 一种基于颜色增广的实时车牌检测识别方法和装置 |
CN115257784A (zh) * | 2022-06-15 | 2022-11-01 | 西安电子科技大学 | 基于4d毫米波雷达的车路协同系统 |
-
2023
- 2023-07-10 CN CN202310843948.2A patent/CN116884214B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013003901A (ja) * | 2011-06-17 | 2013-01-07 | Sumitomo Electric Ind Ltd | 電動車両識別装置及び電動車両識別方法 |
CN108334881A (zh) * | 2018-03-12 | 2018-07-27 | 南京云创大数据科技股份有限公司 | 一种基于深度学习的车牌识别方法 |
CN108961790A (zh) * | 2018-07-24 | 2018-12-07 | 河北德冠隆电子科技有限公司 | 基于四维实景交通仿真的恶劣天气预警管理系统及方法 |
KR20200107718A (ko) * | 2019-03-07 | 2020-09-16 | 손근호 | 주유 혼합 방지 시스템 |
CN110728283A (zh) * | 2019-10-11 | 2020-01-24 | 高新兴科技集团股份有限公司 | 一种车牌类型识别方法及设备 |
DE102020102756A1 (de) * | 2020-02-04 | 2021-08-05 | Schmitz Gmbh | Ermittlungsverfahren zur (Teil-)Erfassung und Verarbeitung eines Fahrzeugidentifikationsmittels eines Fahrzeugs |
CN111582261A (zh) * | 2020-04-30 | 2020-08-25 | 浙江大华技术股份有限公司 | 一种非机动车的车牌识别方法和车牌识别装置 |
CN112115939A (zh) * | 2020-08-26 | 2020-12-22 | 深圳市金溢科技股份有限公司 | 车辆车牌的识别方法、装置 |
KR20220076050A (ko) * | 2020-11-30 | 2022-06-08 | (주)이현 | 색상 판독을 이용한 전기차 인식 방법 및 그를 이용한 전기차 주차관리 시스템 |
CN113486885A (zh) * | 2021-06-17 | 2021-10-08 | 杭州鸿泉物联网技术股份有限公司 | 一种车牌识别方法、装置、电子设备及存储介质 |
CN113850123A (zh) * | 2021-08-18 | 2021-12-28 | 广州国交润万交通信息有限公司 | 基于视频的公路监控方法及装置、存储介质和监控系统 |
CN114241767A (zh) * | 2021-12-16 | 2022-03-25 | 深圳市鹏城交通网络股份有限公司 | 基于智慧交通综合数据仓城市体检数据分析方法及系统 |
CN114648741A (zh) * | 2022-03-23 | 2022-06-21 | 深圳一清创新科技有限公司 | 一种车牌检测方法、装置、无人驾驶车及存储介质 |
CN114842563A (zh) * | 2022-05-11 | 2022-08-02 | 杭州数查科技有限公司 | 一种智慧停车场管理系统 |
CN115257784A (zh) * | 2022-06-15 | 2022-11-01 | 西安电子科技大学 | 基于4d毫米波雷达的车路协同系统 |
CN115019297A (zh) * | 2022-08-04 | 2022-09-06 | 之江实验室 | 一种基于颜色增广的实时车牌检测识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116884214B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829403B (zh) | 一种基于深度学习的车辆防碰撞预警方法及系统 | |
CN109637151B (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
CN107301777A (zh) | 基于视频检测技术的车辆违章变道检测方法 | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
CN105741559A (zh) | 一种基于车道线模型的违法占用应急车道检测方法 | |
CN110738857A (zh) | 一种车辆违章取证方法、装置及设备 | |
CN103354029A (zh) | 一种多功能路口交通信息采集方法 | |
CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
CN113033275B (zh) | 基于深度学习的车辆变道不打转向灯分析系统 | |
CN112749630A (zh) | 一种道路路况智能视频监控方法及系统 | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及系统 | |
CN111899514A (zh) | 一种人工智能的拥堵检测系统 | |
CN114387785A (zh) | 一种基于智慧公路的安全管控方法、系统及可存储介质 | |
CN114329074B (zh) | 一种匝道路段通行能效检测方法和系统 | |
CN109887303B (zh) | 随意变更车道行为预警系统及方法 | |
CN117474870B (zh) | 一种基于大数据筛选的公路路面裂缝识别决策方法及系统 | |
CN116884214B (zh) | 市政车辆的监测预警方法及系统 | |
CN113076852A (zh) | 一种基于5g通信的占用公交车道车载抓拍处理系统 | |
CN111985295A (zh) | 一种电动自行车行为识别方法、系统、工控机及摄像头 | |
CN113177443A (zh) | 一种基于图像视觉的智能识别道路交通违章的方法 | |
CN114898309A (zh) | 一种基于视觉ai技术的城市智能巡检车系统及巡检方法 | |
Marmo et al. | Railway sign detection and classification | |
CN112488026A (zh) | 一种基于视频分析的车行道破损检测方法 | |
CN117292552B (zh) | 基于机器视觉的高速路况分析系统及方法 |
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 |