CN117012032A - 一种基于大数据的智能交通管理系统以及方法 - Google Patents
一种基于大数据的智能交通管理系统以及方法 Download PDFInfo
- Publication number
- CN117012032A CN117012032A CN202311265374.1A CN202311265374A CN117012032A CN 117012032 A CN117012032 A CN 117012032A CN 202311265374 A CN202311265374 A CN 202311265374A CN 117012032 A CN117012032 A CN 117012032A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- vehicle
- abnormal
- quick reading
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 117
- 238000012549 training Methods 0.000 claims description 31
- 230000006835 compression Effects 0.000 claims description 27
- 238000007906 compression Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 239000012535 impurity Substances 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 abstract description 21
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 54
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Abstract
本发明涉及一种基于大数据的智能交通管理系统以及方法,包括若干交通摄像头,每一交通摄像头配置有控制装置,每一控制装置包括通讯模块,所述通讯模块用于和相邻的交通摄像头通讯;所述控制装置包括异常分析模块、车辆速读模块、速读识别模块、指令生成模块以及异常识别模块,通过这样设置,首先车辆的识别可以通过压缩数据进行快速关联,同时将危险行为拆分成若干个独立的异常行为的组合,无需进行图像拼接,减少了大量的数据传输成本,同时当异常行为发生时,可以通过大数据判断是否符合危险发生的要素,从而对应设置不同的触发阈值,可以针对性进行提醒和管控。
Description
技术领域
本发明涉及交通信息技术领域,更具体地说,涉及一种基于大数据的智能交通管理系统以及方法。
背景技术
目前随着智能化和信息化的普及,交通管理也进入了信息化的高发期和发展期,例如网络交警、智慧停车等智能项目也在多数城市普及和实施,而随着技术的进步,例如驾驶风险预警评估,综合图像分析,智能导航等项目也已经开始实施,特别是驾驶风险,如果更加的智能化和优化,将交通风险提前进行预警,从而提醒驾驶人员,那么就可以规避风险,甚至可以挽救生命,特别是高速路段,一般而言,驾驶人员危险预警是通过车速监控提醒,但是仅仅是车速提醒还不能非常好的规避险情的发生,例如一般而言,多数的交通事故发生之前,驾驶者已经出现危险驾驶行为,例如跟车过近、偏离车道驾驶、频繁超车变道等行为,但是由于这个行为不是连续发生的,例如一瞬间的跟车过近无法直接被判断成危险价值,其他的行为也是同理,但是由于车速较快,一般无法在一个摄像路段捕捉到一个完整的行为,而对于路段而言,安装全路段摄像头,明显非常浪费资源,且凭借图像拼接完整反馈用户行为,也明显会产生大量的运算存储资源的占用,同时大量的图像数据如果进行处理,响应速度较慢,则无法达到预警和提醒的需求,所以通过识别危险驾驶行为进行预警,存在一定的难度。
发明内容
有鉴于此,本发明目的是提供一种基于大数据的智能交通管理系统。
为了解决上述技术问题,本发明的技术方案是:一种基于大数据的智能交通管理系统,包括若干交通摄像头,每一交通摄像头配置有控制装置,每一控制装置包括通讯模块,所述通讯模块用于和相邻的交通摄像头通讯;
所述控制装置包括异常分析模块、车辆速读模块、速读识别模块、指令生成模块以及异常识别模块,所述异常分析模块存储有若干异常特征,每一异常特征对应有异常值,所述异常分析模块通过识别图像信息中的异常信息以匹配对应的异常特征,所述车辆速读模块用于分析图像信息以生成每一车辆的速读压缩信息,速读压缩信息与车辆对应,速读识别模块用于根据速读压缩信息生成速读识别卷积核,并通过速读识别卷积核在图像信息中识别车辆,所述指令生成模块用于根据速读压缩信息以及异常值生成对应的异常指令并发送至该车辆的行驶方向对应的下一个交通摄像头,所述异常识别模块用于根据异常值计算每一车辆的异常累计值,当异常累计值大于预设的危险行为触发阈值时,生成对应的异常结果。
进一步地,所述车辆速读模块预先构建有特征速读神经网络,所述特征速读神经网络包括若干速读特征节点,每一速读特征节点反映某一车辆的图像特征,所述速读特征节点之间构建有关联特征线,每一关联特征线预先配置有对应的关联特征值;
所述车辆速读模块通过特征速读神经网络分析图像信息以匹配对应的速读特征节点,当匹配的速读特征节点满足预设的速读触发条件时,根据获得的速读特征节点生成所述速读压缩信息。
进一步地,所述车辆速读模块还包括实时计算速读特征值,有,其中,/>为速读特征值,/>为速读特征节点的数量,/>为第/>个被激活的关联特征线对应的关联特征值,/>为被激活的关联特征线的数量,当关联特征线两端的速读特征节点均被匹配时,该关联特征线被激活,/>为预设的节点触发权重,为预设的节点关联权重,有/>,当速读特征值大于预设的基准速读值时,视为满足速读触发条件。
进一步地,所述车辆速读模块还包括节点屏蔽单元,所述节点屏蔽单元预先于所述特征速读神经网络构建有相似特征线,所述相似特征线连接于所述速读特征节点之间,每一相似特征线对应有特征相似值,所述节点屏蔽单元将特征相似值高于相似度阈值的相似特征线划分为屏蔽特征线,所述特征相似值反映速读特征节点之间的相似度,所述节点屏蔽单元响应于接收到的速读压缩信息,并根据速读压缩信息对应的速读特征节点以屏蔽与其具有同一屏蔽特征线的速读特征节点。
进一步地,还包括大数据训练子系统,所述大数据训练子系统包括车辆训练模块,所述车辆训练模块配置有车辆训练策略,所述车辆训练策略包括
步骤A1、代入车辆外观目标样本;
步骤A2、通过识别车辆外观目标样本以得出若干车辆外观特征;
步骤A3、重复进行步骤A1直至获取所有的车辆外观特征;
步骤A4、对车辆外观特征通过视角进行划分以获得若干外观视角组;
步骤A5、在每一外观视角组中以车辆外观特征的特征类型进行分类以获得若干外观类型项;
步骤A6、在每一外观类型项通过聚类分析算法将车辆外观特征分为若干特征子簇;
步骤A7、根据每一特征子簇产生一速读特征节点;
步骤A8、若两个特征子簇中具有一组属于同一车辆外观样本,但不属于同一的外观视角组的车辆外观特征,则赋对应的第一关联累加值;若两个特征子簇中具有一组属于同一车辆外观样本,且属于同一的外观视角组的车辆外观特征,则赋对应的第二关联累加值,通过第一关联累加值和第二关联累加值计算所述的关联特征值并生成对应的关联特征线;
步骤A9、根据特征子簇之间的图像样本的相似度生成所述特征相似值并生成对应的相似特征线;
步骤A10、计算速读特征节点的图像杂度,并根据图像杂度确定速读特征节点在所述特征速读神经网络的识别优先级。
进一步地,所述大数据训练子系统包括异常训练模块,所述异常训练模块配置有异常训练策略,所述异常训练策略包括
步骤B1、代入车辆事故样本;
步骤B2、从事故样本中提取历史行驶图像;
步骤B3、识别历史行驶图像中的异常特征,并根据车辆事故样本中的危重等级为该异常特征赋不同的历史异常累加值;
步骤B4、重复步骤B1直至所有的车辆事故样本被代入;
步骤B5、根据不同的异常特征的历史异常累加值生成对应该异常特征的异常值。
进一步地,所述步骤B5中根据约束权重公式计算所述异常值,所述约束权重公式为,其中,/>为第/>个异常特征对应的异常值,/>为预设的异常基准值,/>为第/>个异常特征对应的历史异常累加值,/>为第/>个异常特征对应的历史异常累加值,/>为异常特征的总数量。
进一步地,所述的异常特征的类型包括有加速异常特征、减速异常特征、速度异常特征、变道异常特征、占道异常特征、指向性异常特征以及跟车异常特征。
为了实现本发明的另一目的,提供一种基于大数据的智能交通管理方法,包括
步骤S1、获取交通摄像头对应的图像信息;
步骤S2、识别图像信息中的异常信息以匹配对应的异常特征同时分析图像信息以生成每一车辆的速读压缩信息,速读压缩信息与车辆对应;
步骤S3、根据异常信息匹配对应的异常特征并获取异常值;
步骤S4、根据速读压缩信息以及异常值生成对应的异常指令并发送至该车辆的行驶方向对应的下一个交通摄像头;
步骤S5、每一交通摄像头接收到异常指令时,根据速读压缩信息生成速读识别卷积核,并通过速读识别卷积核在图像信息中识别车辆;
步骤S6、根据异常值计算每一车辆的异常累计值,当异常累计值大于预设的危险行为触发阈值时,生成对应的异常结果。
本发明技术效果主要体现在以下方面:通过这样设置,首先车辆的识别可以通过压缩数据进行快速关联,同时将危险行为拆分成若干个独立的异常行为的组合,无需进行图像拼接,减少了大量的数据传输成本,同时当异常行为发生时,可以通过大数据判断是否符合危险发生的要素,从而对应设置不同的触发阈值,可以针对性进行提醒和管控。
附图说明
图1:本发明基于大数据的智能交通管理系统架构原理图。
附图标记:100、控制装置;110、异常分析模块;120、车辆速读模块;130、速读识别模块;140、指令生成模块;150、异常识别模块;200、大数据训练子系统;210、车辆训练模块;220、异常训练模块。
具体实施方式
以下结合附图,对本发明的具体实施方式作进一步详述,以使本发明技术方案更易于理解和掌握。
参照图1所示,一种基于大数据的智能交通管理系统,包括若干交通摄像头,每一交通摄像头配置有控制装置100,每一控制装置100包括通讯模块,所述通讯模块用于和相邻的交通摄像头通讯;首先,需要说明的是,目前在硬件上需要在传统的交通摄像头内配置短距的通讯模块,通讯方式可以是有线通讯也可以是无线通讯,同时还要增设控制装置100,或在原有的控制装置100的基础上,增设数据处理模块,但是这样设置的优势在于,目前多数摄像头以及具有短距通讯以及图像识别的能力,所以需要改进的事项就会减小,而本发明旨在以最小的改动完成对车辆行驶过程中的危险行为予以拆分、识别和提醒,如果要实现上述目的,无论是通过增设摄像头以及图像拼接,还是通过回传数据后台分析,其效率都无法达到现场分析的程度,其对传输资源和数据资源的占用也非常高。
所述控制装置100包括异常分析模块110、车辆速读模块120、速读识别模块130、指令生成模块140以及异常识别模块150,首先需要达到危险行为拆分识别的目的,需要使摄像头能够具备两个基本功能,第一是如何识别到一个危险的拆分的行为,且同时如何在尽可能减小数据传输量的情况下,将危险行为发送到下一个摄像头予以获知,第二是如何标记出现危险行为的车辆,以及如何在尽可能减小数据传输量的情况下将识别结果发送至下一个摄像头,因为数据传输量如果较大,传输时长较长,那么再加上识别的时间,车辆经过下一个摄像头时,还不足以完成识别,这样就会造成时滞,导致最后的异常行为无法识别,所以本发明旨在尽可能减小传输的负荷以及识别工作的负荷。
所述异常分析模块110存储有若干异常特征,每一异常特征对应有异常值,所述异常分析模块110通过识别图像信息中的异常信息以匹配对应的异常特征,首先是异常分析模块110,异常分析模块110用于分析车辆的异常行为,然后通过这个异常行为进行查表,获得对应的异常值,比如所述的异常特征的类型包括有加速异常特征、减速异常特征、速度异常特征、变道异常特征、占道异常特征、指向性异常特征以及跟车异常特征。加速异常特征对应于加速过快、减速异常特征对应于减速过快、速度异常特征对应于速度过快或过慢,变道异常特征对应于变道过快或变道过慢,占道异常特征对应于占用车道线行驶,指向性异常特征对应于车辆指向性不稳定,以上异常行为在车辆行驶图像处理技术领域都已经较为常见,如何识别这些异常再此不做赘述,而识别出异常后,通过比对获取对应的异常值,当然,可以根据异常特征再对以下情况进行细化,赋予不同的异常值。
所述车辆速读模块120用于分析图像信息以生成每一车辆的速读压缩信息,速读压缩信息与车辆对应,首先分析图像信息以提取车辆中的特征然后生成速读压缩信息,具体是所述车辆速读模块120预先构建有特征速读神经网络,所述特征速读神经网络包括若干速读特征节点,每一速读特征节点反映某一车辆的图像特征,所述速读特征节点之间构建有关联特征线,每一关联特征线预先配置有对应的关联特征值;也就是说通过特征速读神经网络分析整个图像,以快速筛选出速读特征节点的组合。
所述车辆速读模块120通过特征速读神经网络分析图像信息以匹配对应的速读特征节点,当匹配的速读特征节点满足预设的速读触发条件时,根据获得的速读特征节点生成所述速读压缩信息。所述车辆速读模块还包括实时计算速读特征值,有,其中,/>为速读特征值,/>为速读特征节点的数量,/>为第/>个被激活的关联特征线对应的关联特征值,/>为被激活的关联特征线的数量,当关联特征线两端的速读特征节点均被匹配时,该关联特征线被激活,/>为预设的节点触发权重,/>为预设的节点关联权重,有/>,当速读特征值大于预设的基准速读值时,视为满足速读触发条件。例如黑色车辆,具有长条形车纹、车长5.05米、车宽1.98米、车上方具有银色车架等特征被匹配,当匹配到速读特征值足够高时,也就是相当于这个车比较容易被识别出来,不会被误读,这样就可以视为识别成功,因为通过一个摄像头区域的位置的车辆数量是有限的,所以只用识别几个特征就可以完成独特性辨识,而这些特征被组成速度压缩信息进行发送到行驶方向上的下一个摄像头。
所述车辆速读模块120还包括节点屏蔽单元,所述节点屏蔽单元预先于所述特征速读神经网络构建有相似特征线,所述相似特征线连接于所述速读特征节点之间,每一相似特征线对应有特征相似值,所述节点屏蔽单元将特征相似值高于相似度阈值的相似特征线划分为屏蔽特征线,所述特征相似值反映速读特征节点之间的相似度,所述节点屏蔽单元响应于接收到的速读压缩信息,并根据速读压缩信息对应的速读特征节点以屏蔽与其具有同一屏蔽特征线的速读特征节点。节点屏蔽单元的额目的是屏蔽一些速读特征节点,因为如果同一个区域有多个相似的速读特征节点的对应车辆,那么需要屏蔽一些速读特征节点,那后续的节点的识别会更加的快速,因为相似的节点都属于A车辆的特征,B车辆需要通过其他的特征被识别,才能够确定,这样的划分可以提高识别效率。
速读识别模块130用于根据速读压缩信息生成速读识别卷积核,并通过速读识别卷积核在图像信息中识别车辆,不同的特征节点会生成不同的卷积核,通过卷积核卷积图像的方式验证对应信息,虽然会丢失掉一定程度的准确性,但是极大的提高了效率,这样当一个车辆被某一摄像头识别完成后,另一车辆可以快速的完成对同一车辆的识别和标记。而且速读压缩信息的传输相比于传输车辆原图效率更高,保证了响应的速度。
所述指令生成模块140用于根据速读压缩信息以及异常值生成对应的异常指令并发送至该车辆的行驶方向对应的下一个交通摄像头,直接发送速读压缩信息和异常值,降低了数据量,同时可以快速进行识别和计算。
所述异常识别模块150用于根据异常值计算每一车辆的异常累计值,当异常累计值大于预设的危险行为触发阈值时,生成对应的异常结果。具体可以对应每次接受到的异常值通过衰减因子进行衰减,也就是时间越靠近的异常值越大,而衰减因子的大小和摄像头之间的距离相关,距离越大,衰减越慢,然后通过将该车辆的所有异常值相加,就可以得到对应的异常累计值,这样就可以判断车辆是否有危险行为,如果危险行为,可以通过交通交警进行拦截或者通过路段中设置的语音模块进行针对性提醒。
而本发明还包括大数据训练子系统200,所述大数据训练子系统200包括车辆训练模块210,所述车辆训练模块210配置有车辆训练策略,所述车辆训练策略包括
步骤A1、代入车辆外观目标样本;车辆外观样本需要通过交通摄像头拍摄的历史照片进行获取,将历史照片和真实的车辆类型进行关联,从而生成样本、
步骤A2、通过识别车辆外观目标样本以得出若干车辆外观特征;
步骤A3、重复进行步骤A1直至获取所有的车辆外观特征;至此,就获得了大量的用于训练的车辆外观,理论上,某一车辆外观特征越多,则说明这个车辆的特征越常见,或者是车辆越常见。
步骤A4、对车辆外观特征通过视角进行划分以获得若干外观视角组;由于不同摄像头对应的拍摄视角不同,所以不能直接将车辆外观特征进行划分,首先根据拍摄视角进行划分,相同车辆拍摄视角不同,能够提取到的形状图像颜色特征也可能不同,所以通过视角进行分组,视角相同的可以划分为同组。
步骤A5、在每一外观视角组中以车辆外观特征的特征类型进行分类以获得若干外观类型项;在同一外观视角组中,再通过外观特征的类型进行二次分组,形成若干类型项,例如车顶颜色、车顶形状,车门颜色、车门形状,属于不同的类型项,因为要识别一个车辆,类型越多越容易辨识。
步骤A6、在每一外观类型项通过聚类分析算法将车辆外观特征分为若干特征子簇;聚类分析算法可以通过K-MEAN聚类分析算法实现,再此不做赘述,将相近的车辆外观特征划分成同一簇。
步骤A7、根据每一特征子簇产生一速读特征节点;
步骤A8、若两个特征子簇中具有一组属于同一车辆外观样本,但不属于同一的外观视角组的车辆外观特征,则赋对应的第一关联累加值;若两个特征子簇中具有一组属于同一车辆外观样本,且属于同一的外观视角组的车辆外观特征,则赋对应的第二关联累加值,通过第一关联累加值和第二关联累加值计算所述的关联特征值并生成对应的关联特征线;也就是说,如果出现一次,则增加第一关联累加值或第二关联累加值一个单位,最后加权的方式计算得到对应的关联特征值,这个也就反映两个特征的相关性。
步骤A9、根据特征子簇之间的图像样本的相似度生成所述特征相似值并生成对应的相似特征线;通过相似度生成对应的特征相似值并生成相似特征线,通过相似特征线反映两个特征子簇之间的相似度,为屏蔽提供基础。
步骤A10、计算速读特征节点的图像杂度,并根据图像杂度确定速读特征节点在所述特征速读神经网络的识别优先级。具体计算方式如下,图像杂度涉及以下三个维度的数据1、关联特征线;2、相似特征线;3、本身的样本数量,本身样本数量越多,图像杂度也就越高,关联特征线的数量越多,则图像杂度越高,相似特征线的数量越多,则图像杂度越低,这样一来,通过图像杂度就可以判断识别优先级,因为神经网络是根据关联关系依次进行识别,所以将图像杂度高的优先识别,提高可靠性,具体可以是,其中,/>为速读特征节点涉及的样本的数量,/>为关联特征线的数量,/>为相似特征线的数量。
所述大数据训练子系统200包括异常训练模块220,所述异常训练模块220配置有异常训练策略,所述异常训练策略包括
步骤B1、代入车辆事故样本;车辆事故样本包括事故内容,以及事故发生前后的交通摄像头拍摄图像。
步骤B2、从事故样本中提取历史行驶图像;
步骤B3、识别历史行驶图像中的异常特征,并根据车辆事故样本中的危重等级为该异常特征赋不同的历史异常累加值;这样就可以将事故结果和事故前发生的行驶行为进行关联,从而判断哪些行驶行为对结果影响较大。
步骤B4、重复步骤B1直至所有的车辆事故样本被代入;
步骤B5、根据不同的异常特征的历史异常累加值生成对应该异常特征的异常值。所述步骤B5中根据约束权重公式计算所述异常值,所述约束权重公式为,其中,/>为第/>个异常特征对应的异常值,/>为预设的异常基准值,/>为第/>个异常特征对应的历史异常累加值,/>为第/>个异常特征对应的历史异常累加值,/>为异常特征的总数量。通过历史异常累加值的计算,可以计算得到最后的异常值,并根据样本不断进行更新调整。提高系统的准确性。
在另一个实施例中,一种基于大数据的智能交通管理方法,包括
步骤S1、获取交通摄像头对应的图像信息;
步骤S2、识别图像信息中的异常信息以匹配对应的异常特征同时分析图像信息以生成每一车辆的速读压缩信息,速读压缩信息与车辆对应;
步骤S3、根据异常信息匹配对应的异常特征并获取异常值;
步骤S4、根据速读压缩信息以及异常值生成对应的异常指令并发送至该车辆的行驶方向对应的下一个交通摄像头;
步骤S5、每一交通摄像头接收到异常指令时,根据速读压缩信息生成速读识别卷积核,并通过速读识别卷积核在图像信息中识别车辆;
步骤S6、根据异常值计算每一车辆的异常累计值,当异常累计值大于预设的危险行为触发阈值时,生成对应的异常结果。
当然,以上只是本发明的典型实例,除此之外,本发明还可以有其它多种具体实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求保护的范围之内。
Claims (9)
1.一种基于大数据的智能交通管理系统,其特征在于:包括若干交通摄像头,每一交通摄像头配置有控制装置,每一控制装置包括通讯模块,所述通讯模块用于和相邻的交通摄像头通讯;
所述控制装置包括异常分析模块、车辆速读模块、速读识别模块、指令生成模块以及异常识别模块,所述异常分析模块存储有若干异常特征,每一异常特征对应有异常值,所述异常分析模块通过识别图像信息中的异常信息以匹配对应的异常特征,所述车辆速读模块用于分析图像信息以生成每一车辆的速读压缩信息,速读压缩信息与车辆对应,速读识别模块用于根据速读压缩信息生成速读识别卷积核,并通过速读识别卷积核在图像信息中识别车辆,所述指令生成模块用于根据速读压缩信息以及异常值生成对应的异常指令并发送至该车辆的行驶方向对应的下一个交通摄像头,所述异常识别模块用于根据异常值计算每一车辆的异常累计值,当异常累计值大于预设的危险行为触发阈值时,生成对应的异常结果。
2.如权利要求1所述的一种基于大数据的智能交通管理系统,其特征在于:所述车辆速读模块预先构建有特征速读神经网络,所述特征速读神经网络包括若干速读特征节点,每一速读特征节点反映某一车辆的图像特征,所述速读特征节点之间构建有关联特征线,每一关联特征线预先配置有对应的关联特征值;
所述车辆速读模块通过特征速读神经网络分析图像信息以匹配对应的速读特征节点,当匹配的速读特征节点满足预设的速读触发条件时,根据获得的速读特征节点生成所述速读压缩信息。
3.如权利要求2所述的一种基于大数据的智能交通管理系统,其特征在于:所述车辆速读模块还包括实时计算速读特征值,有,其中,/>为速读特征值,/>为速读特征节点的数量,/>为第/>个被激活的关联特征线对应的关联特征值,/>为被激活的关联特征线的数量,当关联特征线两端的速读特征节点均被匹配时,该关联特征线被激活,为预设的节点触发权重,/>为预设的节点关联权重,有/>,当速读特征值大于预设的基准速读值时,视为满足速读触发条件。
4.如权利要求2所述的一种基于大数据的智能交通管理系统,其特征在于:所述车辆速读模块还包括节点屏蔽单元,所述节点屏蔽单元预先于所述特征速读神经网络构建有相似特征线,所述相似特征线连接于所述速读特征节点之间,每一相似特征线对应有特征相似值,所述节点屏蔽单元将特征相似值高于相似度阈值的相似特征线划分为屏蔽特征线,所述特征相似值反映速读特征节点之间的相似度,所述节点屏蔽单元响应于接收到的速读压缩信息,并根据速读压缩信息对应的速读特征节点以屏蔽与其具有同一屏蔽特征线的速读特征节点。
5.如权利要求4所述的一种基于大数据的智能交通管理系统,其特征在于:还包括大数据训练子系统,所述大数据训练子系统包括车辆训练模块,所述车辆训练模块配置有车辆训练策略,所述车辆训练策略包括:
步骤A1、代入车辆外观目标样本;
步骤A2、通过识别车辆外观目标样本以得出若干车辆外观特征;
步骤A3、重复进行步骤A1直至获取所有的车辆外观特征;
步骤A4、对车辆外观特征通过视角进行划分以获得若干外观视角组;
步骤A5、在每一外观视角组中以车辆外观特征的特征类型进行分类以获得若干外观类型项;
步骤A6、在每一外观类型项通过聚类分析算法将车辆外观特征分为若干特征子簇;
步骤A7、根据每一特征子簇产生一速读特征节点;
步骤A8、若两个特征子簇中具有一组属于同一车辆外观样本,但不属于同一的外观视角组的车辆外观特征,则赋对应的第一关联累加值;若两个特征子簇中具有一组属于同一车辆外观样本,且属于同一的外观视角组的车辆外观特征,则赋对应的第二关联累加值,通过第一关联累加值和第二关联累加值计算所述的关联特征值并生成对应的关联特征线;
步骤A9、根据特征子簇之间的图像样本的相似度生成所述特征相似值并生成对应的相似特征线;
步骤A10、计算速读特征节点的图像杂度,并根据图像杂度确定速读特征节点在所述特征速读神经网络的识别优先级。
6.如权利要求5所述的一种基于大数据的智能交通管理系统,其特征在于:所述大数据训练子系统包括异常训练模块,所述异常训练模块配置有异常训练策略,所述异常训练策略包括:
步骤B1、代入车辆事故样本;
步骤B2、从事故样本中提取历史行驶图像;
步骤B3、识别历史行驶图像中的异常特征,并根据车辆事故样本中的危重等级为该异常特征赋不同的历史异常累加值;
步骤B4、重复步骤B1直至所有的车辆事故样本被代入;
步骤B5、根据不同的异常特征的历史异常累加值生成对应该异常特征的异常值。
7.如权利要求6所述的一种基于大数据的智能交通管理系统,其特征在于:所述步骤B5中根据约束权重公式计算所述异常值,所述约束权重公式为,其中,为第/>个异常特征对应的异常值,/>为预设的异常基准值,/>为第/>个异常特征对应的历史异常累加值,/>为第/>个异常特征对应的历史异常累加值,/>为异常特征的总数量。
8.如权利要求1所述的一种基于大数据的智能交通管理系统,其特征在于:所述的异常特征的类型包括有加速异常特征、减速异常特征、速度异常特征、变道异常特征、占道异常特征、指向性异常特征以及跟车异常特征。
9.一种基于大数据的智能交通管理方法,其特征在于:包括:
步骤S1、获取交通摄像头对应的图像信息;
步骤S2、识别图像信息中的异常信息以匹配对应的异常特征同时分析图像信息以生成每一车辆的速读压缩信息,速读压缩信息与车辆对应;
步骤S3、根据异常信息匹配对应的异常特征并获取异常值;
步骤S4、根据速读压缩信息以及异常值生成对应的异常指令并发送至该车辆的行驶方向对应的下一个交通摄像头;
步骤S5、每一交通摄像头接收到异常指令时,根据速读压缩信息生成速读识别卷积核,并通过速读识别卷积核在图像信息中识别车辆;
步骤S6、根据异常值计算每一车辆的异常累计值,当异常累计值大于预设的危险行为触发阈值时,生成对应的异常结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311265374.1A CN117012032B (zh) | 2023-09-28 | 2023-09-28 | 一种基于大数据的智能交通管理系统以及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311265374.1A CN117012032B (zh) | 2023-09-28 | 2023-09-28 | 一种基于大数据的智能交通管理系统以及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117012032A true CN117012032A (zh) | 2023-11-07 |
CN117012032B CN117012032B (zh) | 2023-12-19 |
Family
ID=88576527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311265374.1A Active CN117012032B (zh) | 2023-09-28 | 2023-09-28 | 一种基于大数据的智能交通管理系统以及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117012032B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109649166A (zh) * | 2017-10-10 | 2019-04-19 | 孙鸿 | 车辆驾驶监控管理方法、装置以及系统 |
CN110276953A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆违规行驶风险分析方法 |
CN111291722A (zh) * | 2020-03-10 | 2020-06-16 | 无锡物联网创新中心有限公司 | 一种基于v2i技术的车辆重识别系统 |
KR102167522B1 (ko) * | 2020-04-02 | 2020-10-19 | 트라웍스(주) | 교통 정보 제공 시스템 및 그 방법 |
CN113192326A (zh) * | 2021-04-23 | 2021-07-30 | 长安大学 | 一种级联式道路运行风险防控系统和单点故障隔离方法 |
CN114023069A (zh) * | 2021-11-18 | 2022-02-08 | 北京图盟科技有限公司 | 一种异常停车检测方法、装置、设备及可读存储介质 |
CN114913690A (zh) * | 2022-07-13 | 2022-08-16 | 北京融信数联科技有限公司 | 交通精细化监控方法、系统和可读存储介质 |
CN114926791A (zh) * | 2022-05-10 | 2022-08-19 | 北京市公安局公安交通管理局 | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 |
CN115953748A (zh) * | 2022-12-06 | 2023-04-11 | 苏州创元产业投资有限公司 | 用于车联网的多传感器融合感知方法、系统、设备和介质 |
CN116645817A (zh) * | 2023-04-23 | 2023-08-25 | 湖北天存信息技术有限公司 | 一种违章车辆跟踪方法、系统、电子设备及存储介质 |
CN116681722A (zh) * | 2023-05-24 | 2023-09-01 | 西安电子科技大学 | 一种基于孤立森林算法和目标跟踪的交通事故检测方法 |
-
2023
- 2023-09-28 CN CN202311265374.1A patent/CN117012032B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109649166A (zh) * | 2017-10-10 | 2019-04-19 | 孙鸿 | 车辆驾驶监控管理方法、装置以及系统 |
CN110276953A (zh) * | 2019-06-28 | 2019-09-24 | 青岛无车承运服务中心有限公司 | 基于北斗定位系统的车辆违规行驶风险分析方法 |
CN111291722A (zh) * | 2020-03-10 | 2020-06-16 | 无锡物联网创新中心有限公司 | 一种基于v2i技术的车辆重识别系统 |
KR102167522B1 (ko) * | 2020-04-02 | 2020-10-19 | 트라웍스(주) | 교통 정보 제공 시스템 및 그 방법 |
CN113192326A (zh) * | 2021-04-23 | 2021-07-30 | 长安大学 | 一种级联式道路运行风险防控系统和单点故障隔离方法 |
CN114023069A (zh) * | 2021-11-18 | 2022-02-08 | 北京图盟科技有限公司 | 一种异常停车检测方法、装置、设备及可读存储介质 |
CN114926791A (zh) * | 2022-05-10 | 2022-08-19 | 北京市公安局公安交通管理局 | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 |
CN114913690A (zh) * | 2022-07-13 | 2022-08-16 | 北京融信数联科技有限公司 | 交通精细化监控方法、系统和可读存储介质 |
CN115953748A (zh) * | 2022-12-06 | 2023-04-11 | 苏州创元产业投资有限公司 | 用于车联网的多传感器融合感知方法、系统、设备和介质 |
CN116645817A (zh) * | 2023-04-23 | 2023-08-25 | 湖北天存信息技术有限公司 | 一种违章车辆跟踪方法、系统、电子设备及存储介质 |
CN116681722A (zh) * | 2023-05-24 | 2023-09-01 | 西安电子科技大学 | 一种基于孤立森林算法和目标跟踪的交通事故检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117012032B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Detecting safety helmet wearing on construction sites with bounding‐box regression and deep transfer learning | |
CN110097109B (zh) | 一种基于深度学习的道路环境障碍物检测系统及方法 | |
CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
CN107292291B (zh) | 一种车辆识别方法和系统 | |
CN107851195B (zh) | 利用神经网络进行目标检测 | |
US9336450B2 (en) | Methods and systems for selecting target vehicles for occupancy detection | |
CN112085952A (zh) | 监控车辆数据方法、装置、计算机设备及存储介质 | |
CN112487905B (zh) | 一种车辆周边行人危险等级预测方法及系统 | |
Jain et al. | Performance analysis of object detection and tracking algorithms for traffic surveillance applications using neural networks | |
CN108960074B (zh) | 基于深度学习的小尺寸行人目标检测方法 | |
CN107529659B (zh) | 安全带佩戴检测方法、装置及电子设备 | |
CN113012469A (zh) | 一种基于目标识别的智能交通预警系统 | |
CN111284501A (zh) | 基于对象识别来管理行驶模型的装置和方法、使用该装置的车辆行驶控制装置 | |
US11557133B1 (en) | Automatic license plate recognition | |
CN113378751A (zh) | 一种基于dbscan算法的交通目标识别方法 | |
CN114915646B (zh) | 一种无人驾驶矿车的数据分级上传方法和装置 | |
CN111062319B (zh) | 一种基于主动红外图像的驾驶员打电话检测方法 | |
CN110620760A (zh) | 一种SVM和贝叶斯网络的FlexRay总线融合入侵检测方法和检测装置 | |
KR102561656B1 (ko) | 딥-러닝 기반 객체 감응을 활용한 차량 흐름 제어 시스템 | |
CN117012032B (zh) | 一种基于大数据的智能交通管理系统以及方法 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
Matsuda et al. | A system for real-time on-street parking detection and visualization on an edge device | |
CN116189107A (zh) | 无人机高速公路监控方法、无人机和存储介质 | |
CN115393785A (zh) | 热源监控方法、装置、电子装置和存储介质 | |
CN112766176A (zh) | 轻量化卷积神经网络的训练方法及人脸属性识别方法 |
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 |