CN117392853B - 一种基于云端的大数据智能车道控制系统 - Google Patents
一种基于云端的大数据智能车道控制系统 Download PDFInfo
- Publication number
- CN117392853B CN117392853B CN202311689387.1A CN202311689387A CN117392853B CN 117392853 B CN117392853 B CN 117392853B CN 202311689387 A CN202311689387 A CN 202311689387A CN 117392853 B CN117392853 B CN 117392853B
- Authority
- CN
- China
- Prior art keywords
- segment
- vehicle
- character
- contour
- license plate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 19
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 238000005520 cutting process Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000691 measurement method Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012015 optical character recognition Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000001308 synthesis method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 27
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本发明提供了一种基于云端的大数据智能车道控制系统,涉及智能交通技术领域,该系统包括:车辆采集终端、云端及显示终端;云端包括车型识别单元、车流量预测单元、智能车道调度单元及数据传输单元。本发明能够实时采集车辆图像数据和车流量信息,利用车型识别单元识别车辆类型和判断车辆是否安装智能设备,以及车流量预测单元预测未来车流量情况,并通过智能车道调度单元智能地优化车道组合和调度,提高交通通行效率,从而能够提升交通安全性,为驾驶者和乘客提供更高效、便捷和安全的出行体验。
Description
技术领域
本发明涉及智能交通技术领域,具体来说,特别涉及一种基于云端的大数据智能车道控制系统。
背景技术
随着我国经济实力和科技实力的不断增强,我国的高速公路网络也在逐渐地增加和完善。社会经济的持续增长,带动了人们出行需求的增加,同时也促进了我国汽车行业的蓬勃发展。在高速公路优质的行驶条件和全国高速公路网日益完善的情况下,越来越多的驾驶者愿意选择高速公路作为出行的首选。
收费站云收费是一种基于云计算技术的收费方式,它用于取代传统的人工收费和固定式收费站,以实现无停车、无感知、高效快捷的收费体验。云收费利用现代化的信息技术和智能设备,将收费站和道路交通信息集成到云端平台,通过车辆识别、电子收费等技术实现车辆通行费用的自动收取和在线结算;智能车道控制是一种利用现代信息技术和智能算法,对交通车道进行智能化管理和控制的系统;其目标是优化交通流量,提高道路通行效率,减少交通拥堵,并提升交通安全性。目前,随着ETC(Electronic Toll Collection,电子收费)的全面普及,高速公路收费站的交通流量必将呈现出ETC车辆远多于MTC(ManualToll Collection,人工收费)车辆的特征,但是,由于收费站的车道数量固定,而对于ETC车道和人工车道的分配,通常是根据交通流量和需求来决定的,但对于一些特殊时间段来说,会出现两种车道车流量不同,因此,会导致某一种车道出现拥挤,另一种车道出现空闲的情况,从而会对车辆的通行带来影响。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
有鉴于此,针对相关技术中的问题,本发明提供提出一种基于云端的大数据智能车道控制系统,以解决上述提及的对于一些特殊时间段来说,会出现两种车道车流量不同,会对车辆的通行带来影响问题。
为了解决上述问题为此,本发明采用的具体技术方案如下:
一种基于云端的大数据智能车道控制系统,该系统包括:车辆采集终端、云端及显示终端;
所述车辆采集终端,用于通过智能监控设备采集预设时间内的车辆图像数据以及车流量信息;
所述云端,用于获取采集终端采集的数据信息进行分析处理,得到车道分配方案,并发送信息提醒车道管理员按照车道分配方案对车道进行调整;
所述显示终端,用于将车道管理员对车道调整后的结果进行展示;
其中,所述云端包括车型识别单元、车流量预测单元、智能车道调度单元及数据传输单元;
所述车型识别单元,用于利用大数据分析技术对采集的车辆图像数据进行处理和分析,以识别车辆类型,并判断车辆是否安装智能设备;
所述车流量预测单元,用于通过预设车流量预测模型并结合实时车流量数据,预测未来预设时间段内的车流量;
所述智能车道调度单元,用于根据预测的车流量情况、车辆类型以及车辆是否安装智能设备,智能地优化车道组合;
所述数据传输单元,用于将优化后的车道组合发送至移动设备并对车道管理员提醒。
作为本文的一个实施例,所述利用大数据分析技术对采集的车辆图像数据进行处理和分析,以识别车辆类型,并判断车辆是否安装智能设备包括:
S21、利用边缘检测算法从车辆图像中检测和定位车牌区域,并将定位的车牌区域进行字符切割,得到车牌字符图像;
S22、根据车牌的字符图像识别出车辆的车牌号;
S23、根据识别出的车牌号与预设的车辆信息数据库进行比对,判断出车辆是否安装智能设备及车辆类型。
作为本文的一个实施例,所述利用边缘检测算法从车辆图像中检测和定位车牌区域,并将定位的车牌区域进行字符切割,得到车牌字符图像包括:
S211、对车辆图像进行预处理,所述预处理包括图像灰度化、直方图均衡化及高斯滤波;
S212、利用边缘检测算法检测车辆图像的边缘信息;
S213、根据边缘检测结果利用连通域分析法提取车牌的候选区域,所述候选区域包括车牌的轮廓;
S214、根据车牌的特征信息确定车牌的区域;
S215、根据字符的位置和间距对确定的车牌区域进行字符切割,得到车牌字符图像。
作为本文的一个实施例,所述根据车牌的字符图像识别出车辆的车牌号包括:
S221、基于迭代渐进的凸包算法进行车牌字符轮廓点提取,并判断字符轮廓是否被遮挡;
S222、通过光学字符识别法对未遮挡的字符进行字符识别;
S223、对遮挡的字符进行轮廓分段,并利用相似性度量法识别字符;
S224、对每个字符的识别结果进行组合,得到完整的车牌号。
作为本文的一个实施例,所述基于迭代渐进的凸包算法进行车牌字符轮廓点提取,并判断字符轮廓是否被遮挡包括:
S2211、使用轮廓提取算法提取车牌字符的轮廓点;
S2212、将提取的轮廓点自下而上进行等间距分层,并将每一层轮廓点储存成一个独立单元,对分层后的轮廓点进行z轴投影;
S2213、对每层轮廓点利用凸包算法进行外层凸包构建,得到凸包轮廓;
S2214、定义边长阈值,并以大于边长阈值的边为直径在凸包轮廓内作圆形区域,并将圆形区域内的点作为疑似边界点;
S2215、选取疑似边界点中与直径端点组成最大角的边界点作为新的边界点;
S2216、重复执行S2214-S2215,直至满足新的边界点与上一次迭代得到的边界点相差值小于预设阈值时,停止迭代,得到最终边界点并作为字符轮廓线;
S2217、对得到的字符轮廓线进行完整性判断,检测边界点能否形成一个封闭的多边形,若能形成,则表示该字符未被遮挡,否则,则表示该字符被遮挡。
作为本文的一个实施例,所述对遮挡的字符进行轮廓分段,并利用相似性度量法识别字符包括:
S2231、通过Douglas-Peucker算法对字符轮廓线进行简化,计算出边界点对字符轮廓特征的贡献度;
所述边界点对字符轮廓特征的贡献度计算公式为:
式中,K(Ot,Ot+1)表示边界点对字符轮廓特征的贡献度;
Ot表示构成字符轮廓的第t条线段;
Ot+1表示构成字符轮廓的第t+1条线段;
δ(Ot,Ot+1)表示线段Ot和线段Ot+1的夹角;
b(Ot)表示线段Ot相对于字符轮廓周长归一化后的长度;
b(Ot+1)表示线段Ot+1相对于字符轮廓周长归一化后的长度;
S2232、筛选出贡献度大于预设阈值的边界点,并通过筛选的边界点对字符轮廓进行初步分段,得到初步轮廓段;
S2233、计算初步轮廓段中每个分段的起伏度,并根据起伏度结果对初步轮廓段合并优化,得到最终轮廓分段;
其中,所述计算初步轮廓段中每个分段的起伏度,并根据起伏度结果对初步轮廓段合并优化,得到最终轮廓分段包括:
S22331、定义最小分段数Q,并计算初步轮廓段中每个分段的起伏度V;
S22332、当轮廓分段数大于Q时,对初步轮廓段中的每个分段进行合并,否则,将当前分段作为最终轮廓分段;
S22333、根据每个分段的起伏度V,选取初步轮廓段中起伏度V最小的分段St进行合并,对于最小分段St左右相邻的分段St-1和St+1,若V(St-1)≥V(St+1),则最小分段St与左边相邻分段进行St-1合并,若V(St-1)<V(St+1),则最小分段St与右边相邻分段进行St+1合并;
S2234、将合并完成后的轮廓分段添加至分段集合中,并在分段集合中将原分段St删除,重新计算合并后分段的起伏度,若当前分段数大于最小分段数Q时,则重新执行步骤S232,否则结束分段合并,得到最终轮廓分段;
S2234、基于高度函数和动态规划将最终轮廓分段与预设的字符分段数据进行相似性度量;
S2235、根据相似性度量的结果,对每个最终轮廓分段进行字符识别。
作为本文的一个实施例,所述基于高度函数和动态规划将最终轮廓分段与预设的字符分段数据进行相似性度量包括:
S22341、对于最终轮廓分段与预设字符分段中的任意分段ri和qi,分别计算其高度函数值并进行归一化处理;
S22342、计算最终轮廓分段与预设字符分段中任意分段ri和qi之间的高度函数值的特征距离;
所述最终轮廓分段与预设字符分段中任意分段ri和qi之间的高度函数值的特征距离的计算公式为:
式中,cv(ri,qi)表示最终轮廓分段与预设字符分段中任意分段ri和qi之间的高度函数值的特征距离;
gr表示分段ri归一化后的高度函数值;
gq表示分段qi归一化后的高度函数值;
ri表示最终轮廓分段中第i个分段;
qi表示预设字符分段中第i个分段;
N表示分段的数量;
μ表示权重系数;
S22343、利用动态规划算法寻找最终轮廓分段与预设字符分段的最优匹配关系,使得最终轮廓分段与预设字符分段中分段匹配的距离总和最小,得到最终轮廓分段与预设字符分段之间的距离差异。
作为本文的一个实施例,所述通过预设车流量预测模型并结合实时车流量数据,预测未来预设时间段内的车流量包括:
S31、收集历史车流量数据并行清洗和处理;
S32、从车流量数据中提取特征参数;
S33、基于神经网络构建车流量预测模型;
S34、使用历史数据对车流量预测模型进行训练;
S35、利用训练后的车流量预测模型并结合实时车流量数据对未来预设时间段内的车流量进行预测。
作为本文的一个实施例,所述根据预测的车流量情况、车辆类型以及车辆是否安装智能设备,智能地优化车道组合包括:
S41、根据预测的车流量情况、车辆类型以及车辆是否安装智能设备,并分别作为x轴、y轴以及z轴建模,转换调度为优先级评价坐标系中的坐标参数;
S42、染色体初始化,随机生成各车辆在各车道上的初始位置;
S43、计算车辆之间欧氏距离,并通过映射函数确定车辆之间的相似度,并构建相似度矩阵;
S44、判断构建的相似度矩阵是否为模糊等价关系,若是,则进行模糊聚类得到分类结果并执行S48,否则执行S45;
S45、通过平方自合成方法求出相似矩阵的传递闭包;
S46、通过置信水平λ∈[0,1],求出传递闭包的λ截矩阵;
S47、根据λ截矩阵对车辆进行分类,将相似的车辆划分到同一类别;
S48、根据分类结果计算适应度值;
S49、判断是否满足预设收敛条件,若满足,则执行S411,否则执行S410,
S410、对染色体进行交叉和变异操作,并返回S43;
S411、输出车道的分配方案作为最优车道组合,并结束流程。
作为本文的一个实施例,所述判断构建的相似度矩阵是否为模糊等价关系,若是,则进行模糊聚类得到分类结果包括:
S441、在相似度矩阵中随机选取预设车辆作为初始聚类中心;
S442、计算每个车辆与聚类中心的相似度;
S443、根据车辆与聚类中心的相似度,计算每个车辆属于每个聚类的隶属度;
S444、根据车辆的隶属度,更新聚类中心的位置;
S445、重复执行S443-S444,直到聚类中心不再改变。
与现有技术相比,本发明提供了基于云端的大数据智能车道控制系统,具备以下有益效果:
(1)本发明可以实时采集车辆图像数据和车流量信息,利用车型识别单元识别车辆类型和判断车辆是否安装智能设备,以及车流量预测单元预测未来车流量情况,并通过智能车道调度单元智能地优化车道组合和调度,提高交通通行效率,从而能够提升交通安全性,为驾驶者和乘客提供更高效、便捷和安全的出行体验。
(2)本发明通过边缘检测算法对车辆图像进行预处理和边缘检测,能够有效地定位车牌区域,凸包算法和相似性度量法等多种方法结合,可以更全面地对车辆图像进行分析和判别,提高了车辆识别的准确性和鲁棒性,实现智能车辆识别和字符识别,无需人工干预,大大提高了处理效率和准确性。
(3)本发明通过收集历史车流量数据并进行清洗和处理,提取特征参数,并使用神经网络构建预测模型,可以得到更准确的车流量预测结果;结合实时车流量数据,可以进一步提高预测的准确性。
(4)本发明据预测的车流量情况、车辆类型以及车辆是否安装智能设备建模,并转换为优先级评价坐标系中的坐标参数,可以实现智能化的车道调度,通过计算车辆之间的相似度,并根据相似度矩阵进行模糊聚类,将相似的车辆划分到同一类别,可以实现车道上车辆的最优分配,最大化车道的利用率,使得每个车道上的车辆数量和类型都能够达到最优平衡,通过染色体的交叉和变异操作,可以不断调整车道组合,以适应实时交通情况的变化;这样可以实现实时动态调度,使得车道组合能够灵活应对交通状况的变化,提高道路的适应性和鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是根据本发明实施例的基于云端的大数据智能车道控制系统的原理框图。
图中:
1、车辆采集终端;2、云端;3、显示终端。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本申请一部分实施方式,而不是全部的实施方式。基于本申请中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都应当属于本申请保护的范围。
根据本发明的实施例,提供了一种基于云端的大数据智能车道控制系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于云端的大数据智能车道控制系统,该系统包括:车辆采集终端1、云端2及显示终端3;
所述车辆采集终端1,用于通过智能监控设备采集预设时间内的车辆图像数据以及车流量信息;
需要说明的是,通过智能监控设备,可以实时采集预设时间内的车辆图像数据以及车流量信息。智能监控设备通常包括摄像头和传感器等硬件设备,配合软件系统,可以自动捕捉路面上经过的车辆。
所述云端2,用于获取采集终端采集的数据信息进行分析处理,得到车道分配方案,并发送信息提醒车道管理员按照车道分配方案对车道进行调整;
其中,所述云端包括车型识别单元、车流量预测单元、智能车道调度单元及数据传输单元;
所述车型识别单元,用于利用大数据分析技术对采集的车辆图像数据进行处理和分析,以识别车辆类型,并判断车辆是否安装智能设备;
需要解释说明的是,上述智能设备为ETC设备。
作为优选实施方式,所述利用大数据分析技术对采集的车辆图像数据进行处理和分析,以识别车辆类型,并判断车辆是否安装智能设备包括:
S21、利用边缘检测算法从车辆图像中检测和定位车牌区域,并将定位的车牌区域进行字符切割,得到车牌字符图像;
作为优选实施方式,所述利用边缘检测算法从车辆图像中检测和定位车牌区域,并将定位的车牌区域进行字符切割,得到车牌字符图像包括:
S211、对车辆图像进行预处理,所述预处理包括图像灰度化、直方图均衡化及高斯滤波;
需要说明的是,图像灰度化是将彩色图像转换为灰度图像的过程;在车辆图像处理中,通常将彩色图像转换为灰度图像可以简化后续处理步骤,减少计算量。
直方图均衡化是一种增强图像对比度的方法,它能够调整图像的像素值分布,使得图像的亮度范围更广,细节更加突出。在车辆图像处理中,直方图均衡化可以使车牌区域更清晰,有利于后续车牌定位和字符切割。
高斯滤波是一种平滑图像的滤波方法,能够去除图像中的噪声,使图像更加清晰;在车辆图像处理中,使用高斯滤波可以减少车牌区域的噪声,提高车牌定位的准确性。
S212、利用边缘检测算法检测车辆图像的边缘信息;
需要说明的是,边缘检测是用于检测图像中物体的边界或轮廓。在车辆图像处理中,边缘检测能够帮助准确定位车牌区域,提取车牌的边界信息,从而为后续的字符切割和识别提供基础,常用的边缘检测算法包括Sobel算子、Prewitt算子、Canny边缘检测等。
S213、根据边缘检测结果利用连通域分析法提取车牌的候选区域,所述候选区域包括车牌的轮廓;
需要说明的是,对边缘检测结果进行连通域标记,即将具有相同属性且相互连接的像素点组成一个连通区域,并为每个连通区域分配一个唯一的标记或标签;对连通区域进行分析,通过计算每个连通区域的特征(如面积、长宽比、形状等),筛选出可能是车牌的候选区域;根据连通域的边界信息,可以得到车牌候选区域的轮廓;这些轮廓可以用于后续的字符切割和识别。
S214、根据车牌的特征信息确定车牌的区域;
需要说明的是,确定车牌的区域是车牌识别的重要步骤,它基于车牌的一些特征信息来准确定位车牌区域。车牌的特征信息包括车牌的颜色、形状、长宽比、字符间距等。
S215、根据字符的位置和间距对确定的车牌区域进行字符切割,得到车牌字符图像。
需要说明的是,字符切割是将确定的车牌区域进一步分割成单个字符,以便后续进行字符识别,具体包括以下步骤:
根据得到的车牌区域,利用字符的位置和间距信息,定位出车牌上每个字符的大致位置;
根据字符的定位信息,对车牌区域进行字符分割;可以通过垂直投影或水平投影来分割字符;垂直投影是将车牌区域在垂直方向上的像素值进行累加,得到一个投影图像,其中字符的列区域会有明显的波峰;水平投影则是将车牌区域在水平方向上的像素值进行累加,同样可以得到字符行的投影图像。
根据垂直或水平投影的波峰,确定字符之间的分割位置,进行字符切割;可以根据波峰的位置和字符间距来确定字符的边界,将车牌区域分割成单个字符的图像。
S22、根据车牌的字符图像识别出车辆的车牌号;
作为优选实施方式,所述根据车牌的字符图像识别出车辆的车牌号包括:
S221、基于迭代渐进的凸包算法进行车牌字符轮廓点提取,并判断字符轮廓是否被遮挡;
作为优选实施方式,所述基于迭代渐进的凸包算法进行车牌字符轮廓点提取,并判断字符轮廓是否被遮挡包括:
S2211、使用轮廓提取算法提取车牌字符的轮廓点;
需要说明的是,轮廓提取算法是一种用于在图像中检测物体边界的方法,它能够找到图像中物体的外部轮廓,从而实现对物体的形状描述和边界分析。
S2212、将提取的轮廓点自下而上进行等间距分层,并将每一层轮廓点储存成一个独立单元,对分层后的轮廓点进行z轴投影;
需要说明的是,将提取的轮廓点自下而上进行等间距分层,并将每一层轮廓点储存成一个独立单元,并对分层后的轮廓点进行z轴投影具体包括以下步骤:
将提取的轮廓点按照其y坐标(通常是垂直方向)自下而上进行等间距分层。具体来说,可以将轮廓点根据y坐标的大小进行排序,然后按照一定的间隔(例如每隔一定像素)将轮廓点分为多个层次,每个层次包含一定范围内的y坐标值的轮廓点。
将每一层的轮廓点储存成一个独立的单元,可以使用数据结构(例如数组、列表或字典)来存储每个层次的轮廓点。
对分层后的轮廓点进行z轴投影,是为了得到每个轮廓点在三维空间中的位置信息。
S2213、对每层轮廓点利用凸包算法进行外层凸包构建,得到凸包轮廓;
需要说明的是,对于每一层的轮廓点,应用凸包算法来计算出包围这些点的最小凸多边形,凸包算法计算得到的结果是一个多边形的顶点集合,这些顶点组成了凸包轮廓,凸包轮廓能够更好地表现车牌字符的形状,因为它是由轮廓点集合组成的最小凸多边形。
S2214、定义边长阈值,并以大于边长阈值的边为直径在凸包轮廓内作圆形区域,并将圆形区域内的点作为疑似边界点;
S2215、选取疑似边界点中与直径端点组成最大角的边界点作为新的边界点;
S2216、重复执行S2214-S2215,直至满足新的边界点与上一次迭代得到的边界点相差值小于预设阈值时,停止迭代,得到最终边界点并作为字符轮廓线;
S2217、对得到的字符轮廓线进行完整性判断,检测边界点能否形成一个封闭的多边形,若能形成,则表示该字符未被遮挡,否则,则表示该字符被遮挡。
S222、通过光学字符识别法对未遮挡的字符进行字符识别;
需要说明的是,光学字符识别是一种将图像中的文字、数字、符号等字符内容转换为计算机可编辑文本的技术;光学字符识别技术通过图像处理和模式识别方法,将印刷体或手写体字符转换成计算机可识别的文本形式,从而实现对图像中的字符进行自动化识别和提取。
S223、对遮挡的字符进行轮廓分段,并利用相似性度量法识别字符;
作为优选实施方式,所述对遮挡的字符进行轮廓分段,并利用相似性度量法识别字符包括:
S2231、通过Douglas-Peucker算法对字符轮廓线进行简化,计算出边界点对字符轮廓特征的贡献度;
需要说明的是,Douglas-Peucker算法是一种用于对曲线或折线进行简化的算法,常用于图形处理和轨迹压缩等领域;在字符轮廓线处理中,Douglas-Peucker算法可以用于简化字符的边界点,从而减少数据量,同时保留关键的特征点,以便后续进行字符识别和辨识。
所述边界点对字符轮廓特征的贡献度计算公式为:
式中,K(Ot,Ot+1)表示边界点对字符轮廓特征的贡献度;
Ot表示构成字符轮廓的第t条线段;
Ot+1表示构成字符轮廓的第t+1条线段;
δ(Ot,Ot+1)表示线段Ot和线段Ot+1的夹角;
b(Ot)表示线段Ot相对于字符轮廓周长归一化后的长度;
b(Ot+1)表示线段Ot+1相对于字符轮廓周长归一化后的长度;
S2232、筛选出贡献度大于预设阈值的边界点,并通过筛选的边界点对字符轮廓进行初步分段,得到初步轮廓段;
S2233、计算初步轮廓段中每个分段的起伏度,并根据起伏度结果对初步轮廓段合并优化,得到最终轮廓分段;
其中,所述计算初步轮廓段中每个分段的起伏度,并根据起伏度结果对初步轮廓段合并优化,得到最终轮廓分段包括:
S22331、定义最小分段数Q,并计算初步轮廓段中每个分段的起伏度V;
需要说明的是,每个分段的起伏度用来描述分段的高度变化情况,它反映了分段中高低点之间的差异程度,计算公式为:V=(hmax-hmin)/L,式中,V表示分段的起伏度;hmax表示分段中最高点的高度;hmin表示分段中最低点的高度;L表示分段的长度。
S22332、当轮廓分段数大于Q时,对初步轮廓段中的每个分段进行合并,否则,将当前分段作为最终轮廓分段;
S22333、根据每个分段的起伏度V,选取初步轮廓段中起伏度V最小的分段St进行合并,对于最小分段St左右相邻的分段St-1和St+1,若V(St-1)≥V(St+1),则最小分段St与左边相邻分段进行St-1合并,若V(St-1)<V(St+1),则最小分段St与右边相邻分段进行St+1合并;
S2234、将合并完成后的轮廓分段添加至分段集合中,并在分段集合中将原分段St删除,重新计算合并后分段的起伏度,若当前分段数大于最小分段数Q时,则重新执行步骤S232,否则结束分段合并,得到最终轮廓分段;
S2234、基于高度函数和动态规划将最终轮廓分段与预设的字符分段数据进行相似性度量;
作为优选实施方式,所述基于高度函数和动态规划将最终轮廓分段与预设的字符分段数据进行相似性度量包括:
S22341、对于最终轮廓分段与预设字符分段中的任意分段ri和qi,分别计算其高度函数值并进行归一化处理;
需要说明的是,高度函数值是指分段中每个点的高度(y坐标值)构成的函数。在车牌字符轮廓的上下边界提取过程中,可以将字符轮廓线上的每个点的y坐标作为高度函数值。
S22342、计算最终轮廓分段与预设字符分段中任意分段ri和qi之间的高度函数值的特征距离;
所述最终轮廓分段与预设字符分段中任意分段ri和qi之间的高度函数值的特征距离的计算公式为:
式中,cv(ri,qi)表示最终轮廓分段与预设字符分段中任意分段ri和qi之间的高度函数值的特征距离;
gr表示分段ri归一化后的高度函数值;
gq表示分段qi归一化后的高度函数值;
ri表示最终轮廓分段中第i个分段;
qi表示预设字符分段中第i个分段;
N表示分段的数量;
μ表示权重系数;
S22343、利用动态规划算法寻找最终轮廓分段与预设字符分段的最优匹配关系,使得最终轮廓分段与预设字符分段中分段匹配的距离总和最小,得到最终轮廓分段与预设字符分段之间的距离差异。
需要说明的是,动态规划算法通常将复杂问题拆分为若干个子问题,并保存子问题的解,从而避免重复计算,以提高算法的效率;动态规划算法通常有两种实现方式:自顶向下的递归方法和自底向上的迭代方法。自顶向下的递归方法通常使用递归函数来解决子问题,但需要注意避免重复计算。自底向上的迭代方法则从最简单的子问题开始,一步步求解更复杂的子问题,直到得到最终结果。
S2235、根据相似性度量的结果,对每个最终轮廓分段进行字符识别。
需要说明的是,根据相似性度量的结果,对每个最终轮廓分段进行字符识别具体包括以下步骤:
根据相似性度量的计算结果,得到最终轮廓分段与预设字符分段之间的距离差异。这个距离差异反映了最终轮廓分段与预设字符分段之间的相似性程度,即两者之间的差异程度;
根据距离差异的大小,将最终轮廓分段与预设字符分段进行匹配;通常情况下,距离差异较小的最终轮廓分段将与距离差异最小的预设字符分段匹配;
将匹配得到的预设字符分段视为对应的字符,并记录下来;
重复上述步骤,直到对所有最终轮廓分段都进行了字符识别;
最终得到的字符识别结果即为对车辆的车牌号。
S224、对每个字符的识别结果进行组合,得到完整的车牌号。
S23、根据识别出的车牌号与预设的车辆信息数据库进行比对,判断出车辆是否安装智能设备及车辆类型;
需要说明的是,预设的车辆信息数据库中包括已安装ETC设备的车辆信息以及每个车牌所对应的车辆类型。
所述车流量预测单元,用于通过预设车流量预测模型并结合实时车流量数据,预测未来预设时间段内的车流量;
作为优选实施方式,所述通过预设车流量预测模型并结合实时车流量数据,预测未来预设时间段内的车流量包括:
S31、收集历史车流量数据并行清洗和处理;
需要说明的是,收集历史车流量数据,这些数据可以来自车辆通过收费站时的车流量记录、车辆类型等数据;对数据进行清洗和处理,去除异常值和重复数据,确保数据的准确性和可靠性。
S32、从车流量数据中提取特征参数;
需要说明的是,特征参数包括车辆类型,车辆的车牌信息等;
S33、基于神经网络构建车流量预测模型;
需要说明的是,基于神经网络构建车流量预测模型具体包括:确定神经网络的结构,包括输入层、隐藏层和输出层的神经元数量、激活函数的选择等;
S34、使用历史数据对车流量预测模型进行训练;
S35、利用训练后的车流量预测模型并结合实时车流量数据对未来预设时间段内的车流量进行预测。
所述智能车道调度单元,用于根据预测的车流量情况、车辆类型以及车辆是否安装智能设备,智能地优化车道组合;
作为优选实施方式,所述根据预测的车流量情况、车辆类型以及车辆是否安装智能设备,智能地优化车道组合包括:
S41、根据预测的车流量情况、车辆类型以及车辆是否安装智能设备,并分别作为x轴、y轴以及z轴建模,转换调度为优先级评价坐标系中的坐标参数;
需要说明的是,将车流量、车辆类型和智能设备信息作为坐标参数,构建一个三维坐标系;在这个坐标系中,每个车辆都可以表示为一个三维点,其中x轴坐标表示车流量情况,y轴坐标表示车辆类型,z轴坐标表示车辆是否安装智能设备;通过这种转换,可以将车辆的优先级和调度顺序编码为一个三维坐标,方便后续的优化算法进行处理。
S42、染色体初始化,随机生成各车辆在各车道上的初始位置;
需要说明的是,在智能优化车道组合的过程中,染色体初始化是指对车辆在各车道上的初始位置进行随机生成,以构建初始的车道组合方案。染色体是遗传算法中的一个概念,用于表示问题的解,对于每个车辆,随机选择一个可用的车道作为其初始位置。确保每个车道上的车辆数量不超过车道的容量,将所有车辆的初始位置按照一定顺序排列,形成一个染色体。这个染色体即表示了一个初始的车道组合方案。
S43、计算车辆之间欧氏距离,并通过映射函数确定车辆之间的相似度,并构建相似度矩阵;
需要说明的是,欧氏距离是表示两个点之间的距离,通过计算车辆之间欧氏距离,可以衡量两个点之间的相似性,对于所有车辆,可以得到一个车辆之间的欧氏距离矩阵,通过一个映射函数将欧氏距离转换为相似度,从而得到车辆之间的相似度矩阵,常见的映射函数有指数函数、高斯函数等。
S44、判断构建的相似度矩阵是否为模糊等价关系,若是,则进行模糊聚类得到分类结果并执行S48,否则执行S45;
作为优选实施方式,所述判断构建的相似度矩阵是否为模糊等价关系,若是,则进行模糊聚类得到分类结果包括:
S441、在相似度矩阵中随机选取预设车辆作为初始聚类中心;
S442、计算每个车辆与聚类中心的相似度;
S443、根据车辆与聚类中心的相似度,计算每个车辆属于每个聚类的隶属度;
S444、根据车辆的隶属度,更新聚类中心的位置;
S445、重复执行S443-S444,直到聚类中心不再改变。
S45、通过平方自合成方法求出相似矩阵的传递闭包;
需要说明的是,在平方自合成方法中,可以通过对相似矩阵进行连续平方运算,直到传递闭包达到稳定状态为止;传递闭包表示的是两两元素之间是否存在传递关系,即通过其他元素的中转,可以从一个元素到达另一个元素;通过求出传递闭包矩阵C,可以获得所有元素之间的传递关系,从而更全面地理解元素之间的相似性。在车辆调度优化中,传递闭包可以更好地理解车辆之间的相似性,有助于将相似的车辆分配到同一类别或车道上,以优化车辆调度方案。
S46、通过置信水平λ∈[0,1],求出传递闭包的λ截矩阵;
需要说明的是,在计算传递闭包的λ截矩阵时,通过使用置信水平λ∈[0,1]来确定传递关系的阈值;传递闭包的λ截矩阵表示在给定置信水平λ下,元素之间是否存在传递关系。
具体的,定义传递闭包矩阵为C,大小为W×W,其中C(m,n)表示从元素i到元素j是否存在传递关系,C(m,n)=1表示存在传递关系,C(m,n)=0表示不存在传递关系。
要得到λ截矩阵,将传递闭包矩阵C的每个元素C(m,n)与置信水平λ进行比较,如果C(m,n)≥λ,则将λ截矩阵中对应位置设为1,表示存在传递关系;否则,将其设为0,表示不存在传递关系。
S47、根据λ截矩阵对车辆进行分类,将相似的车辆划分到同一类别;
需要说明的是,遍历所有车辆,对于每个车辆,找到与该车辆相似度大于等于λ的其他车辆,将它们归为同一类;如果没有与该车辆相似度大于等于λ的其他车辆,则将该车辆作为新的一类;
S48、根据分类结果计算适应度值;
需要说明的是,适应度值可以是车辆的通行效率,计算适应度值的具体包括以下步骤:
根据分类结果,将车辆分配到对应的车道组合中;
对于每个车道组合,根据车辆通过收费站的速度和流量来计算通行效率;
根据通行效率的计算结果,为每个车道组合分配一个适应度值。适应度值越高,表示车道组合的通行效率越好;
比较所有车道组合的适应度值,选取具有最高适应度值的车道组合作为最优方案。
S49、判断是否满足预设收敛条件,若满足,则执行S411,否则执行S410,
S410、对染色体进行交叉和变异操作,并返回S43;
需要说明的是,交叉操作是通过交换两个染色体的一部分基因信息来产生新的个体。在车道调度问题中,可以通过选择两个不同的染色体(代表两个不同的车道组合方案),然后随机选择一个交叉点,在交叉点之后将两个染色体的基因信息进行交换;这样可以产生两个新的个体,它们继承了两个父代个体的优良特性。
变异操作是在染色体中随机地修改一个或多个基因信息;变异操作引入了随机性,有助于保持种群的多样性,避免陷入局部最优解。在车道调度问题中,可以随机选择一个染色体,并随机改变染色体中的一个或多个基因信息,比如随机调换车道上车辆的位置或者将车辆从一个车道移到另一个车道。
S411、输出车道的分配方案作为最优车道组合,并结束流程。
所述数据传输单元,用于将优化后的车道组合发送至移动设备并对车道管理员提醒。
需要说明的是,移动设备可以是手机、笔记本等便携式设备。方便车道管理员可以根据移动设备接收的优化后的车道分配方案进行车道调整。
所述显示终端3,用于将车道管理员对车道调整后的结果进行展示。
需要说明的是,可通过电子展示牌将优化后的车道组合进行展示,可以向驾驶者展示当前的最优车道组合方案,以便提供更高效快捷的通行体验,电子展示牌根据优化的车道组合方案,将每个车道上的车辆位置、车辆信息及车道通行信息显示在电子展示牌上。并以文字、图标或者图表等形式进行展示。
综上所述,借助于本发明的上述技术方案,本发明可以实时采集车辆图像数据和车流量信息,利用车型识别单元识别车辆类型和判断车辆是否安装智能设备,以及车流量预测单元预测未来车流量情况,并通过智能车道调度单元智能地优化车道组合和调度,提高交通通行效率,从而能够提升交通安全性,为驾驶者和乘客提供更高效、便捷和安全的出行体验;本发明通过边缘检测算法对车辆图像进行预处理和边缘检测,能够有效地定位车牌区域,凸包算法和相似性度量法等多种方法结合,可以更全面地对车辆图像进行分析和判别,提高了车辆识别的准确性和鲁棒性,实现智能车辆识别和字符识别,无需人工干预,大大提高了处理效率和准确性;本发明通过收集历史车流量数据并进行清洗和处理,提取特征参数,并使用神经网络构建预测模型,可以得到更准确的车流量预测结果。结合实时车流量数据,可以进一步提高预测的准确性;本发明据预测的车流量情况、车辆类型以及车辆是否安装智能设备建模,并转换为优先级评价坐标系中的坐标参数,可以实现智能化的车道调度,通过计算车辆之间的相似度,并根据相似度矩阵进行模糊聚类,将相似的车辆划分到同一类别,可以实现车道上车辆的最优分配,最大化车道的利用率,使得每个车道上的车辆数量和类型都能够达到最优平衡,通过染色体的交叉和变异操作,可以不断调整车道组合,以适应实时交通情况的变化。这样可以实现实时动态调度,使得车道组合能够灵活应对交通状况的变化,提高道路的适应性和鲁棒性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于云端的大数据智能车道控制系统,其特征在于,该系统包括:车辆采集终端、云端及显示终端;
所述车辆采集终端,用于通过智能监控设备采集预设时间内的车辆图像数据以及车流量信息;
所述云端,用于获取采集终端采集的数据信息进行分析处理,得到车道分配方案,并发送信息提醒车道管理员按照车道分配方案对车道进行调整;
所述显示终端,用于将车道管理员对车道调整后的结果进行展示;
其中,所述云端包括车型识别单元、车流量预测单元、智能车道调度单元及数据传输单元;
所述车型识别单元,用于利用大数据分析技术对采集的车辆图像数据进行处理和分析,以识别车辆类型,并判断车辆是否安装智能设备;
所述车流量预测单元,用于通过预设车流量预测模型并结合实时车流量数据,预测未来预设时间段内的车流量;
所述智能车道调度单元,用于根据预测的车流量情况、车辆类型以及车辆是否安装智能设备,智能地优化车道组合;
所述数据传输单元,用于将优化后的车道组合发送至移动设备并对车道管理员提醒;
所述利用大数据分析技术对采集的车辆图像数据进行处理和分析,以识别车辆类型,并判断车辆是否安装智能设备包括:
S21、利用边缘检测算法从车辆图像中检测和定位车牌区域,并将定位的车牌区域进行字符切割,得到车牌字符图像;
S22、根据车牌的字符图像识别出车辆的车牌号;
S23、根据识别出的车牌号与预设的车辆信息数据库进行比对,判断出车辆是否安装智能设备及车辆类型;
所述根据车牌的字符图像识别出车辆的车牌号包括:
S221、基于迭代渐进的凸包算法进行车牌字符轮廓点提取,并判断字符轮廓是否被遮挡;
S222、通过光学字符识别法对未遮挡的字符进行字符识别;
S223、对遮挡的字符进行轮廓分段,并利用相似性度量法识别字符;
S224、对每个字符的识别结果进行组合,得到完整的车牌号;
所述对遮挡的字符进行轮廓分段,并利用相似性度量法识别字符包括:
S2231、通过Douglas-Peucker算法对字符轮廓线进行简化,计算出边界点对字符轮廓特征的贡献度;
所述边界点对字符轮廓特征的贡献度计算公式为:
式中,K(Ot,Ot+1)表示边界点对字符轮廓特征的贡献度;
Ot表示构成字符轮廓的第t条线段;
Ot+1表示构成字符轮廓的第t+1条线段;
δ(Ot,Ot+1)表示线段Ot和线段Ot+1的夹角;
b(Ot)表示线段Ot相对于字符轮廓周长归一化后的长度;
b(Ot+1)表示线段Ot+1相对于字符轮廓周长归一化后的长度;
S2232、筛选出贡献度大于预设阈值的边界点,并通过筛选的边界点对字符轮廓进行初步分段,得到初步轮廓段;
S2233、计算初步轮廓段中每个分段的起伏度,并根据起伏度结果对初步轮廓段合并优化,得到最终轮廓分段;
其中,所述计算初步轮廓段中每个分段的起伏度,并根据起伏度结果对初步轮廓段合并优化,得到最终轮廓分段包括:
S22331、定义最小分段数Q,并计算初步轮廓段中每个分段的起伏度V;
S22332、当轮廓分段数大于Q时,对初步轮廓段中的每个分段进行合并,否则,将当前分段作为最终轮廓分段;
S22333、根据每个分段的起伏度V,选取初步轮廓段中起伏度V最小的分段St进行合并,对于最小分段St左右相邻的分段St-1和St+1,若V(St-1)≥V(St+1),则最小分段St与左边相邻分段进行St-1合并,若V(St-1)<V(St+1),则最小分段St与右边相邻分段进行St+1合并;
S2234、将合并完成后的轮廓分段添加至分段集合中,并在分段集合中将原分段St删除,重新计算合并后分段的起伏度,若当前分段数大于最小分段数Q时,则重新执行步骤S232,否则结束分段合并,得到最终轮廓分段;
S2234、基于高度函数和动态规划将最终轮廓分段与预设的字符分段数据进行相似性度量;
S2235、根据相似性度量的结果,对每个最终轮廓分段进行字符识别;
所述根据预测的车流量情况、车辆类型以及车辆是否安装智能设备,智能地优化车道组合包括:
S41、根据预测的车流量情况、车辆类型以及车辆是否安装智能设备,并分别作为x轴、y轴以及z轴建模,转换调度为优先级评价坐标系中的坐标参数;
S42、染色体初始化,随机生成各车辆在各车道上的初始位置;
S43、计算车辆之间欧氏距离,并通过映射函数确定车辆之间的相似度,并构建相似度矩阵;
S44、判断构建的相似度矩阵是否为模糊等价关系,若是,则进行模糊聚类得到分类结果并执行S48,否则执行S45;
S45、通过平方自合成方法求出相似矩阵的传递闭包;
S46、通过置信水平λ∈[0,1],求出传递闭包的λ截矩阵;
S47、根据λ截矩阵对车辆进行分类,将相似的车辆划分到同一类别;
S48、根据分类结果计算适应度值;
S49、判断是否满足预设收敛条件,若满足,则执行S411,否则执行S410,
S410、对染色体进行交叉和变异操作,并返回S43;
S411、输出车道的分配方案作为最优车道组合,并结束流程。
2.根据权利要求1所述的一种基于云端的大数据智能车道控制系统,其特征在于,所述利用边缘检测算法从车辆图像中检测和定位车牌区域,并将定位的车牌区域进行字符切割,得到车牌字符图像包括:
S211、对车辆图像进行预处理,所述预处理包括图像灰度化、直方图均衡化及高斯滤波;
S212、利用边缘检测算法检测车辆图像的边缘信息;
S213、根据边缘检测结果利用连通域分析法提取车牌的候选区域,所述候选区域包括车牌的轮廓;
S214、根据车牌的特征信息确定车牌的区域;
S215、根据字符的位置和间距对确定的车牌区域进行字符切割,得到车牌字符图像。
3.根据权利要求2所述的一种基于云端的大数据智能车道控制系统,其特征在于,所述基于迭代渐进的凸包算法进行车牌字符轮廓点提取,并判断字符轮廓是否被遮挡包括:
S2211、使用轮廓提取算法提取车牌字符的轮廓点;
S2212、将提取的轮廓点自下而上进行等间距分层,并将每一层轮廓点储存成一个独立单元,对分层后的轮廓点进行z轴投影;
S2213、对每层轮廓点利用凸包算法进行外层凸包构建,得到凸包轮廓;
S2214、定义边长阈值,并以大于边长阈值的边为直径在凸包轮廓内作圆形区域,并将圆形区域内的点作为疑似边界点;
S2215、选取疑似边界点中与直径端点组成最大角的边界点作为新的边界点;
S2216、重复执行S2214-S2215,直至满足新的边界点与上一次迭代得到的边界点相差值小于预设阈值时,停止迭代,得到最终边界点并作为字符轮廓线;
S2217、对得到的字符轮廓线进行完整性判断,检测边界点能否形成一个封闭的多边形,若能形成,则表示该字符未被遮挡,否则,则表示该字符被遮挡。
4.根据权利要求3所述的一种基于云端的大数据智能车道控制系统,其特征在于,所述基于高度函数和动态规划将最终轮廓分段与预设的字符分段数据进行相似性度量包括:
S22341、对于最终轮廓分段与预设字符分段中的任意分段ri和qi,分别计算其高度函数值并进行归一化处理;
S22342、计算最终轮廓分段与预设字符分段中任意分段ri和qi之间的高度函数值的特征距离;
所述最终轮廓分段与预设字符分段中任意分段ri和qi之间的高度函数值的特征距离的计算公式为:
式中,cv(ri,qi)表示最终轮廓分段与预设字符分段中任意分段ri和qi之间的高度函数值的特征距离;
gr表示分段ri归一化后的高度函数值;
gq表示分段qi归一化后的高度函数值;
ri表示最终轮廓分段中第i个分段;
qi表示预设字符分段中第i个分段;
N表示分段的数量;
μ表示权重系数;
S22343、利用动态规划算法寻找最终轮廓分段与预设字符分段的最优匹配关系,使得最终轮廓分段与预设字符分段中分段匹配的距离总和最小,得到最终轮廓分段与预设字符分段之间的距离差异。
5.根据权利要求1所述的一种基于云端的大数据智能车道控制系统,其特征在于,所述通过预设车流量预测模型并结合实时车流量数据,预测未来预设时间段内的车流量包括:
S31、收集历史车流量数据并行清洗和处理;
S32、从车流量数据中提取特征参数;
S33、基于神经网络构建车流量预测模型;
S34、使用历史数据对车流量预测模型进行训练;
S35、利用训练后的车流量预测模型并结合实时车流量数据对未来预设时间段内的车流量进行预测。
6.根据权利要求5所述的一种基于云端的大数据智能车道控制系统,其特征在于,所述判断构建的相似度矩阵是否为模糊等价关系,若是,则进行模糊聚类得到分类结果包括:
S441、在相似度矩阵中随机选取预设车辆作为初始聚类中心;
S442、计算每个车辆与聚类中心的相似度;
S443、根据车辆与聚类中心的相似度,计算每个车辆属于每个聚类的隶属度;
S444、根据车辆的隶属度,更新聚类中心的位置;
S445、重复执行S443-S444,直到聚类中心不再改变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311689387.1A CN117392853B (zh) | 2023-12-11 | 2023-12-11 | 一种基于云端的大数据智能车道控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311689387.1A CN117392853B (zh) | 2023-12-11 | 2023-12-11 | 一种基于云端的大数据智能车道控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392853A CN117392853A (zh) | 2024-01-12 |
CN117392853B true CN117392853B (zh) | 2024-04-12 |
Family
ID=89472506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311689387.1A Active CN117392853B (zh) | 2023-12-11 | 2023-12-11 | 一种基于云端的大数据智能车道控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392853B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063159A (zh) * | 2012-12-31 | 2013-04-24 | 南京信息工程大学 | 一种基于ccd的零件尺寸测量方法 |
CN106228841A (zh) * | 2016-08-10 | 2016-12-14 | 中国科学院深圳先进技术研究院 | 一种城市级停车诱导方法、装置及电子设备 |
CN112257964A (zh) * | 2020-11-23 | 2021-01-22 | 国网上海市电力公司 | 一种负荷密集型城市智慧园区需求聚合建模方法 |
CN114613137A (zh) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
CN115034337A (zh) * | 2022-08-10 | 2022-09-09 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
CN115187648A (zh) * | 2022-09-08 | 2022-10-14 | 安徽继远软件有限公司 | 输电线路本体逆向建模方法、装置、电子设备及存储介质 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115457489A (zh) * | 2022-08-29 | 2022-12-09 | 中国汽车技术研究中心有限公司 | 一种基于视频监控的车型识别方法 |
CN115512310A (zh) * | 2022-09-06 | 2022-12-23 | 武汉理工大学 | 一种基于视频监控下车脸特征的车型识别方法及系统 |
CN115562835A (zh) * | 2022-10-21 | 2023-01-03 | 中国人民解放军国防科技大学 | 基于数据驱动的敏捷卫星成像任务调度方法及系统 |
CN115861247A (zh) * | 2022-12-09 | 2023-03-28 | 山东科技大学 | 一种高分辨率遥感影像轮廓多级正则化方法、系统及应用 |
CN116001802A (zh) * | 2022-12-19 | 2023-04-25 | 北京百度网讯科技有限公司 | 一种车辆控制方法及装置 |
CN116403407A (zh) * | 2023-05-31 | 2023-07-07 | 山东高速信息集团有限公司 | 一种公路收费站的车道动态配置与诱导方法、设备及介质 |
CN116503848A (zh) * | 2023-06-27 | 2023-07-28 | 深圳市前海铼停科技有限公司 | 车牌的智能识别方法、装置、设备及存储介质 |
CN116993817A (zh) * | 2023-09-26 | 2023-11-03 | 深圳魔视智能科技有限公司 | 目标车辆的位姿确定方法、装置、计算机设备及存储介质 |
CN117132737A (zh) * | 2023-10-26 | 2023-11-28 | 自然资源部第三地理信息制图院 | 一种三维建筑模型构建方法、系统及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10037689B2 (en) * | 2015-03-24 | 2018-07-31 | Donald Warren Taylor | Apparatus and system to manage monitored vehicular flow rate |
-
2023
- 2023-12-11 CN CN202311689387.1A patent/CN117392853B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063159A (zh) * | 2012-12-31 | 2013-04-24 | 南京信息工程大学 | 一种基于ccd的零件尺寸测量方法 |
CN106228841A (zh) * | 2016-08-10 | 2016-12-14 | 中国科学院深圳先进技术研究院 | 一种城市级停车诱导方法、装置及电子设备 |
CN112257964A (zh) * | 2020-11-23 | 2021-01-22 | 国网上海市电力公司 | 一种负荷密集型城市智慧园区需求聚合建模方法 |
CN114613137A (zh) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
CN115034337A (zh) * | 2022-08-10 | 2022-09-09 | 江西科骏实业有限公司 | 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质 |
CN115457489A (zh) * | 2022-08-29 | 2022-12-09 | 中国汽车技术研究中心有限公司 | 一种基于视频监控的车型识别方法 |
CN115512310A (zh) * | 2022-09-06 | 2022-12-23 | 武汉理工大学 | 一种基于视频监控下车脸特征的车型识别方法及系统 |
CN115187648A (zh) * | 2022-09-08 | 2022-10-14 | 安徽继远软件有限公司 | 输电线路本体逆向建模方法、装置、电子设备及存储介质 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115562835A (zh) * | 2022-10-21 | 2023-01-03 | 中国人民解放军国防科技大学 | 基于数据驱动的敏捷卫星成像任务调度方法及系统 |
CN115861247A (zh) * | 2022-12-09 | 2023-03-28 | 山东科技大学 | 一种高分辨率遥感影像轮廓多级正则化方法、系统及应用 |
CN116001802A (zh) * | 2022-12-19 | 2023-04-25 | 北京百度网讯科技有限公司 | 一种车辆控制方法及装置 |
CN116403407A (zh) * | 2023-05-31 | 2023-07-07 | 山东高速信息集团有限公司 | 一种公路收费站的车道动态配置与诱导方法、设备及介质 |
CN116503848A (zh) * | 2023-06-27 | 2023-07-28 | 深圳市前海铼停科技有限公司 | 车牌的智能识别方法、装置、设备及存储介质 |
CN116993817A (zh) * | 2023-09-26 | 2023-11-03 | 深圳魔视智能科技有限公司 | 目标车辆的位姿确定方法、装置、计算机设备及存储介质 |
CN117132737A (zh) * | 2023-10-26 | 2023-11-28 | 自然资源部第三地理信息制图院 | 一种三维建筑模型构建方法、系统及设备 |
Non-Patent Citations (3)
Title |
---|
一种提取山脊线和山谷线的新方法;熊汉江;李秀娟;;武汉大学学报(信息科学版);20150405(第04期);全文 * |
基于方向预测规则化的机载激光雷达建筑物正交轮廓线提取;郭亚栋;王贤昆;宿殿鹏;亓超;阳凡林;;激光与光电子学进展;20200331(第06期);全文 * |
基于模糊聚类的泊位分配与岸桥调度优先级计算方法;司玉军;《中国科技论文》;20171031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117392853A (zh) | 2024-01-12 |
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 | |
US10223597B2 (en) | Method and system for calculating passenger crowdedness degree | |
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN111540201B (zh) | 基于路侧激光雷达的车辆排队长度实时估计方法及系统 | |
CN110197166B (zh) | 一种基于图像识别的车体装载状态识别装置及方法 | |
CN109034024B (zh) | 基于图像目标检测的物流车辆车型分类识别方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN104156731A (zh) | 基于人工神经网络的车牌识别系统与方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
WO2023109099A1 (zh) | 基于非侵入式检测的充电负荷概率预测系统及方法 | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
CN116504076A (zh) | 基于etc门架数据的高速公路车流量预测方法 | |
Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
CN117392853B (zh) | 一种基于云端的大数据智能车道控制系统 | |
CN113688821A (zh) | 一种基于深度学习的ocr文字识别方法 | |
Yazdian et al. | Automatic Ontario license plate recognition using local normalization and intelligent character classification | |
Al Nasim et al. | An automated approach for the recognition of bengali license plates | |
CN115512315B (zh) | 一种非机动车儿童搭乘检测方法、电子设备及存储介质 | |
CN115546743B (zh) | 基于附着系数的车路协同控制方法、装置、设备及介质 | |
CN117037082A (zh) | 一种停车行为的识别方法及系统 | |
CN116805409A (zh) | 一种利用行车视频进行路面状态识别与平整性评估的方法 | |
Satti et al. | R‐ICTS: Recognize the Indian cautionary traffic signs in real‐time using an optimized adaptive boosting cascade classifier and a convolutional neural network | |
CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
Adak et al. | Automatic number plate recognition (ANPR) with YOLOv3-CNN | |
CN110555425A (zh) | 一种视频流实时行人检测方法 |
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 |