可左右滑动选省市

一种基于视频ai分析的交通流量预测系统发明专利

更新时间:2024-11-01
一种基于视频ai分析的交通流量预测系统发明专利 专利申请类型:发明专利;
地区:广东-广州;
源自:广州高价值专利检索信息库;

专利名称:一种基于视频ai分析的交通流量预测系统

专利类型:发明专利

专利申请号:CN202410753437.6

专利申请(专利权)人:广东工业大学,云垚大数据科技(广东)有限公司
权利人地址:广东省广州市东风东路729号

专利发明(设计)人:曹碧蓉,邵长城,李文纬

专利摘要:本发明属于交通管控技术领域,具体是一种基于视频ai分析的交通流量预测系统,包括视频数据采集传输模块、视频数据预处理模块、目标检测跟踪模块、交通目标特征提取模块、交通流量预测模块和结果输出模块;本发明通过实时获取交通监控视频数据并对其进行预处理,以及基于深度学习算法对预处理后的视频数据进行目标检测跟踪和运动特征提取,基于提取出的交通目标运动特征并结合历史交通数据以进行交通流量预测,且能够准确反馈相应道路中所有监控摄像头的运行状况和检查紧急性状况,并针对道路中不同路段采取所适配的管理方案,有利于保证相应道路的通畅和通行安全。

主权利要求:
1.一种基于视频ai分析的交通流量预测系统,其特征在于,包括视频数据采集传输模块、视频数据预处理模块、目标检测跟踪模块、交通目标特征提取模块、交通流量预测模块和结果输出模块;视频数据采集传输模块实时获取交通监控视频数据,并将交通监控视频数据发送至视频数据预处理模块;视频数据预处理模块对采集到的视频数据进行预处理,包括去噪、增强和格式转换,且将预处理后的视频数据发送至目标检测跟踪模块;
目标检测跟踪模块基于深度学习算法,对预处理后的视频数据进行目标检测与跟踪,提取出所有交通目标的运动轨迹,且将目标检测跟踪结果发送至交通目标特征提取模块;
交通目标特征提取模块根据目标检测跟踪结果,提取出交通目标的运动特征,且将提取的所有运动特征信息发送至交通流量预测模块;交通流量预测模块基于提取出的交通目标运动特征,结合历史交通数据,利用机器学习算法进行交通流量预测,且将流量预测信息发送至结果输出模块,结果输出模块将预测结果以可视化形式输出至交通管理终端;
交通管理终端与监控稳定性管理模块通信连接,视频数据采集传输模块通过道路上的若干组监控摄像头进行交通监控视频数据的采集,监控稳定性管理模块获取到所有监控摄像头,对所有监控摄像头进行运行监测,将对应监控摄像头标记为i,且i为大于1的自然数;
通过分析以判断监控摄像头i的运行表现状况,并判断是否生成监控预警信号,且将监控摄像头i的监控预警信号发送至交通管理终端;
监控稳定性管理模块的具体运行过程包括:
通过分析获取到监控摄像头i的运行测定符号YP‑1或YP‑2和视频测定符号SP‑1或SP‑
2,若获取到YP‑1∩SP‑1,则生成监控摄像头i的监控预警信号,其余情况则不生成监控摄像头i的监控预警信号;
运行测定符号的分析获取方法如下:
采集到监控摄像头i在运行时的电流和电压,将电流相较于预设标准电流的偏差值标记为摄像头流检值,将电压相较于预设标准电压的偏差值标记为摄像头压检值,将摄像头流检值和摄像头压检值与预设摄像头流检阈值和预设摄像头压检阈值分别进行数值比较,若摄像头流检值或摄像头压检值超过对应预设阈值,则判断监控摄像头i处于运检隐患状态;
获取到单位时间内监控摄像头i处于运检隐患状态的总时长并将其标记为运检隐患检测值,且将单位时间内的所有摄像头流检值进行均值计算得到摄像头流况值,将单位时间内的所有摄像头压检值进行均值计算得到摄像头压况值,通过将运检隐患检测值、摄像头流况值和摄像头压况值进行数值计算得到监控摄像头i的运行测定值,若运行测定值未超过预设运行测定阈值,则向其分配运行测定符号YP‑1;若运行测定值超过预设运行测定阈值,则向其分配运行测定符号YP‑2;
视频测定符号的分析获取方法如下:
获取到监控摄像头i在单位时间内所采集的交通监控视频,将相应交通监控视频的清晰度标记为视频清晰值,以及将相应交通监控视频的卡顿时长标记为视频卡析值,且采集到单位时间内监控摄像头i进行视频传输的延迟数据并将其标记为视频延迟值,通过将视频清晰值、视频卡析值和视频延迟值进行数值计算得到视频测定值,若视频测定值未超过预设视频测定阈值,则向其分配视频测定符号SP‑1;若视频测定值超过预设视频测定阈值,则向其分配视频测定符号SP‑2;
交通管理终端与巡查提醒模块通信连接,巡查提醒模块用于设定检测周期,通过将监控预警值、生隔低析值和巡查隔时值进行数值计算得到巡查提醒系数,将巡查提醒系数与预设巡查提醒系数阈值进行数值比较,若巡查提醒系数超过预设巡查提醒系数阈值,则生成监控摄像头i的巡查提醒信号,且将监控摄像头i的巡查提醒信号发送至交通管理终端;
交通管理终端与道路分段评估模块通信连接,道路分段评估模块将需要进行监控的道路分割为若干个路段,将对应路段标记为监控对象q,且q为大于1的自然数;通过分段精准评估分析以将监控对象q标记为复杂路段或易行路段,且将监控对象q的标记信息发送至交通管理终端;
分段精准评估分析的具体分析过程如下:
在每天设定十二个检测时段,每个检测时段的时长为两小时;采集到相应日期监控对象q在对应检测时段每次出现拥堵的持续时长并将其标记为单次拥堵时长,将对应检测时段的所有单次拥堵时长进行求和计算得到拥堵时况值,将超过预设单次拥堵时长阈值的单次拥堵时长的数量标记为拥堵数况值,通过将拥堵时况值和拥堵数况值进行数值计算得到拥堵检况值,若拥堵检况值超过预设拥堵检况阈值,则将对应检测时段标记为堵检时段;
将相应日期监控对象q的堵检时段的数量标记为堵检数析值,并将相应日期监控对象q的所有拥堵检况值进行均值计算得到拥堵日况值,将拥堵日况值与堵检数析值进行数值计算得到拥堵评况值,若拥堵评况值超过预设拥堵评况阈值,则将相应日期标记为监控对象q的堵表日;设定评估周期,采集到评估周期内监控对象q的堵表日的数量占比值并将其标记为堵测值,若堵测值超过预设堵测阈值,则将监控对象q标记为复杂路段;若堵测值未超过预设堵测阈值,则将监控对象q标记为易行路段。
2.根据权利要求1所述的一种基于视频ai分析的交通流量预测系统,其特征在于,交通目标特征提取模块所提取的运动特征包括速度、方向和密度,通过分析交通目标在连续视频帧中的位置变化,计算交通目标的瞬时速度或平均速度,基于速度特征初步判断道路的交通状况,识别拥堵或快速流动的交通流;通过分析交通目标在视频帧中的移动轨迹,确定其运动方向,计算目标轨迹的斜率或方向向量,基于方向特征识别交通流的流向,判断是否存在交叉或转向的复杂交通情况;通过统计一定区域内交通目标的数量或计算交通目标的平均间距,来评估交通目标的密度,基于密度特征判断道路的拥堵程度以及预测未来交通流量变化。
3.根据权利要求1所述的一种基于视频ai分析的交通流量预测系统,其特征在于,交通流量预测模块的具体分析过程如下:
数据融合:将交通目标特征提取模块输出的交通目标运动特征与历史交通数据进行融合;
特征选择与处理:在数据融合的基础上,进一步进行特征选择和处理,包括选择对交通流量预测有重要影响的特征,并对这些特征进行归一化和标准化处理,消除不同特征之间的量纲差异和噪声影响;
机器学习算法应用:利用机器学习算法进行交通流量预测,所采用的机器学习算法包括支持向量机、随机森林和神经网络,通过机器学习算法对历史数据和实时特征进行学习和建模,预测未来一段时间内的交通流量变化。 说明书 : 一种基于视频ai分析的交通流量预测系统技术领域[0001] 本发明涉及交通管控技术领域,具体是一种基于视频ai分析的交通流量预测系统。背景技术[0002] 随着城市化进程的加快,交通流量日益增大,交通拥堵问题日益严重,现有的交通流量预测方法普遍依赖于历史交通数据,无法实时反映交通状况的变化,预测精度有限;[0003] 且不能准确反馈相应道路中所有监控摄像头的运行状况和检查紧急性状况,以及难以针对道路中不同路段采取所适配的管理方案,加大了道路交通管理难度,不利于保证所监管道路的通畅和通行安全,智能化程度低;[0004] 针对上述的技术缺陷,现提出一种解决方案。发明内容[0005] 本发明的目的在于提供一种基于视频ai分析的交通流量预测系统,解决了现有技术无法实时反映交通状况的变化,预测精度有限,且不能准确反馈相应道路中所有监控摄像头的运行状况和检查紧急性状况,以及难以针对道路中不同路段采取所适配的管理方案,道路交通管理难度大,智能化程度低的问题。[0006] 为实现上述目的,本发明提供如下技术方案:[0007] 一种基于视频ai分析的交通流量预测系统,包括视频数据采集传输模块、视频数据预处理模块、目标检测跟踪模块、交通目标特征提取模块、交通流量预测模块和结果输出模块;视频数据采集传输模块实时获取交通监控视频数据,并将交通监控视频数据发送至视频数据预处理模块;视频数据预处理模块对采集到的视频数据进行预处理,包括去噪、增强和格式转换,且将预处理后的视频数据发送至目标检测跟踪模块;[0008] 目标检测跟踪模块基于深度学习算法,对预处理后的视频数据进行目标检测与跟踪,提取出所有交通目标的运动轨迹,且将目标检测跟踪结果发送至交通目标特征提取模块;交通目标特征提取模块根据目标检测跟踪结果,提取出交通目标的运动特征,且将提取的所有运动特征信息发送至交通流量预测模块;交通流量预测模块基于提取出的交通目标运动特征,结合历史交通数据,利用机器学习算法进行交通流量预测,且将流量预测信息发送至结果输出模块,结果输出模块将预测结果以可视化形式输出至交通管理终端。[0009] 进一步的,交通目标特征提取模块所提取的运动特征包括速度、方向和密度,通过分析交通目标在连续视频帧中的位置变化,计算交通目标的瞬时速度或平均速度,基于速度特征初步判断道路的交通状况,识别拥堵或快速流动的交通流;通过分析交通目标在视频帧中的移动轨迹,确定其运动方向,计算目标轨迹的斜率或方向向量,基于方向特征识别交通流的流向,判断是否存在交叉或转向的复杂交通情况;通过统计一定区域内交通目标的数量或计算交通目标的平均间距,来评估交通目标的密度,基于密度特征判断道路的拥堵程度以及预测未来交通流量变化。[0010] 进一步的,交通流量预测模块的具体分析过程如下:[0011] 数据融合:将交通目标特征提取模块输出的交通目标运动特征与历史交通数据进行融合,通过融合这两种数据,充分利用实时视频信息和历史数据的优势,提高预测的准确性;[0012] 特征选择与处理:在数据融合的基础上,进一步进行特征选择和处理,包括选择对交通流量预测有重要影响的特征,并对这些特征进行归一化和标准化处理,消除不同特征之间的量纲差异和噪声影响;[0013] 机器学习算法应用:利用机器学习算法进行交通流量预测,所采用的机器学习算法包括支持向量机、随机森林和神经网络,通过机器学习算法对历史数据和实时特征进行学习和建模,预测未来一段时间内的交通流量变化。[0014] 进一步的,交通管理终端与监控稳定性管理模块通信连接,视频数据采集传输模块通过道路上的若干组监控摄像头进行交通监控视频数据的采集,监控稳定性管理模块获取到所有监控摄像头,对所有监控摄像头进行运行监测,将对应监控摄像头标记为i,且i为大于1的自然数;通过分析以判断监控摄像头i的运行表现状况,并判断是否生成监控预警信号,且将监控摄像头i的监控预警信号发送至交通管理终端。[0015] 进一步的,监控稳定性管理模块的具体运行过程包括:[0016] 通过分析获取到监控摄像头i的运行测定符号YP‑1或YP‑2和视频测定符号SP‑1或SP‑2,若获取到YP‑1∩SP‑1,则生成监控摄像头i的监控预警信号,其余情况则不生成监控摄像头i的监控预警信号。[0017] 进一步的,运行测定符号的分析获取方法如下:[0018] 采集到监控摄像头i在运行时的电流和电压,将电流相较于预设标准电流的偏差值标记为摄像头流检值,将电压相较于预设标准电压的偏差值标记为摄像头压检值,将摄像头流检值和摄像头压检值与预设摄像头流检阈值和预设摄像头压检阈值分别进行数值比较,若摄像头流检值或摄像头压检值超过对应预设阈值,则判断监控摄像头i处于运检隐患状态;[0019] 获取到单位时间内监控摄像头i处于运检隐患状态的总时长并将其标记为运检隐患检测值,且将单位时间内的所有摄像头流检值进行均值计算得到摄像头流况值,将单位时间内的所有摄像头压检值进行均值计算得到摄像头压况值,通过将运检隐患检测值、摄像头流况值和摄像头压况值进行数值计算得到监控摄像头i的运行测定值,将运行测定值与预设运行测定阈值进行数值比较,若运行测定值未超过预设运行测定阈值,则向其分配运行测定符号YP‑1;若运行测定值超过预设运行测定阈值,则向其分配运行测定符号YP‑2。[0020] 进一步的,视频测定符号的分析获取方法如下:[0021] 获取到监控摄像头i在单位时间内所采集的交通监控视频,将相应交通监控视频的清晰度标记为视频清晰值,以及将相应交通监控视频的卡顿时长标记为视频卡析值,且采集到单位时间内监控摄像头i进行视频传输的延迟数据并将其标记为视频延迟值,通过将视频清晰值、视频卡析值和视频延迟值进行数值计算得到视频测定值,将视频测定值与预设视频测定阈值进行数值比较,若视频测定值未超过预设视频测定阈值,则向其分配视频测定符号SP‑1;若视频测定值超过预设视频测定阈值,则向其分配视频测定符号SP‑2。[0022] 进一步的,交通管理终端与巡查提醒模块通信连接,巡查提醒模块用于设定检测周期,采集到检测周期内监控摄像头i生成监控预警信号的次数并将其标记为监控预警值,以及采集到相应监控预警信号的生成时刻,将相邻两组生成时刻之间的间隔时长标记为生隔时长,将检测周期内未超过预设生隔时长阈值的生隔时长的数量标记为生隔低析值,以及将当前时刻与相邻上一次针对监控摄像头i的巡查时刻进行时间差计算得到巡查隔时值;[0023] 通过将监控预警值、生隔低析值和巡查隔时值进行数值计算得到巡查提醒系数,将巡查提醒系数与预设巡查提醒系数阈值进行数值比较,若巡查提醒系数超过预设巡查提醒系数阈值,则生成监控摄像头i的巡查提醒信号,且将监控摄像头i的巡查提醒信号发送至交通管理终端。[0024] 进一步的,交通管理终端与道路分段评估模块通信连接,道路分段评估模块将需要进行监控的道路分割为若干个路段,将对应路段标记为监控对象q,且q为大于1的自然数;通过分段精准评估分析以将监控对象q标记为复杂路段或易行路段,且将监控对象q的标记信息发送至交通管理终端。[0025] 进一步的,分段精准评估分析的具体分析过程如下:[0026] 在每天设定十二个检测时段,每个检测时段的时长为两小时;采集到相应日期监控对象q在对应检测时段每次出现拥堵的持续时长并将其标记为单次拥堵时长,将对应检测时段的所有单次拥堵时长进行求和计算得到拥堵时况值,将超过预设单次拥堵时长阈值的单次拥堵时长的数量标记为拥堵数况值,通过将拥堵时况值和拥堵数况值进行数值计算得到拥堵检况值,将拥堵检况值与预设拥堵检况阈值进行数值比较,若拥堵检况值超过预设拥堵检况阈值,则将对应检测时段标记为堵检时段;[0027] 将相应日期监控对象q的堵检时段的数量标记为堵检数析值,并将相应日期监控对象q的所有拥堵检况值进行均值计算得到拥堵日况值,将拥堵日况值与堵检数析值进行数值计算得到拥堵评况值,将拥堵评况值与预设拥堵评况阈值进行数值比较,若拥堵评况值超过预设拥堵评况阈值,则将相应日期标记为监控对象q的堵表日;设定评估周期,采集到评估周期内监控对象q的堵表日的数量占比值并将其标记为堵测值,将堵测值与预设堵测阈值进行数值比较,若堵测值超过预设堵测阈值,则将监控对象q的复杂路段;若堵测值未超过预设堵测阈值,则将监控对象q的易行路段。[0028] 与现有技术相比,本发明的有益效果是:[0029] 1、本发明中,通过视频数据采集传输模块实时获取交通监控视频数据,视频数据预处理模块对采集到的视频数据进行预处理,目标检测跟踪模块基于深度学习算法,对预处理后的视频数据进行目标检测与跟踪,交通目标特征提取模块根据目标检测跟踪结果,提取出交通目标的运动特征,交通流量预测模块基于提取出的交通目标运动特征并结合历史交通数据以进行交通流量预测,结果输出模块将预测结果以可视化形式输出至交通管理终端,以便交通管理人员及时了解所管理道路的交通状况,制定相应管理措施,保证相应道路的通畅和通行安全,智能化程度高,显著减小道路交通监管难度;[0030] 2、本发明中,通过监控稳定性管理模块对所有监控摄像头进行运行监测,并评估相应监控摄像头的运行表现状况,在生成监控预警信号时进行原因调查并对相应监控摄像头进行远程调控,且通过巡查提醒模块进行分析以判断是否生成相应监控摄像头的巡查提醒信号,在生成巡查提醒信号时对相应监控摄像头进行现场检查维护,从而保证所有监控摄像头的安全稳定运行,有利于降低道路交通风险,以及通过道路分段评估模块进行分段精准评估分析以确定复杂路段和易行路段,方便针对不同路段采取相适配的管理方案,进一步减小道路监管难度,智能化程度高。附图说明[0031] 为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明;[0032] 图1为本发明中实施例一的系统框图;[0033] 图2为本发明中实施例二和实施例三的系统框图;[0034] 图3为本发明中实施例四的系统框图。具体实施方式[0035] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。[0036] 实施例一:如图1所示,本发明提出的一种基于视频ai分析的交通流量预测系统,包括视频数据采集传输模块、视频数据预处理模块、目标检测跟踪模块、交通目标特征提取模块、交通流量预测模块和结果输出模块;视频数据采集传输模块实时获取交通监控视频数据,并将交通监控视频数据发送至视频数据预处理模块;视频数据预处理模块对采集到的视频数据进行预处理,包括去噪、增强和格式转换等,以提高后续分析的准确性,且将预处理后的视频数据发送至目标检测跟踪模块;[0037] 目标检测跟踪模块基于深度学习算法,对预处理后的视频数据进行目标检测与跟踪,提取出所有交通目标(车辆、行人等)的运动轨迹,且将目标检测跟踪结果发送至交通目标特征提取模块;交通目标特征提取模块根据目标检测跟踪结果,提取出交通目标的运动特征,且将提取的所有运动特征信息发送至交通流量预测模块;其中,交通目标特征提取模块所提取的运动特征包括速度、方向和密度等;[0038] 具体而言,通过分析交通目标在连续视频帧中的位置变化,计算交通目标的瞬时速度或平均速度,涉及到对目标轨迹的拟合和速度向量的计算,基于速度特征初步判断道路的交通状况,比如识别拥堵或快速流动的交通流;通过分析交通目标在视频帧中的移动轨迹,确定其运动方向,可通过计算目标轨迹的斜率或方向向量来实现,基于方向特征识别交通流的流向,以及判断是否存在交叉或转向等复杂交通情况;密度特征描述了交通目标的分布情况,通过统计一定区域内交通目标的数量或计算交通目标的平均间距,来评估交通目标的密度,基于密度特征判断道路的拥堵程度以及预测未来交通流量变化。[0039] 此外,交通目标特征提取模块还可以根据实际需求提取其他运动特征,如加速度、转弯半径等,以提供更全面的交通目标运动信息,这些特征提取方法基于计算机视觉和图像处理技术,如背景建模、形态学操作、光流法等。[0040] 交通流量预测模块基于提取出的交通目标运动特征,结合历史交通数据,利用机器学习算法进行交通流量预测,且将流量预测信息发送至结果输出模块,结果输出模块将预测结果以可视化形式输出至交通管理终端,以便交通管理人员及时了解所管理道路的交通状况,制定相应措施,保证相应道路的通畅和通行安全,智能化程度高,显著减小道路交通监管难度;交通流量预测模块的具体分析过程如下:[0041] 数据融合:将交通目标特征提取模块输出的交通目标运动特征与历史交通数据进行融合,通过融合这两种数据,充分利用实时视频信息和历史数据的优势,提高预测的准确性;特征选择与处理:在数据融合的基础上,进一步进行特征选择和处理,包括选择对交通流量预测有重要影响的特征,如速度、方向、密度等,并对这些特征进行归一化和标准化处理,消除不同特征之间的量纲差异和噪声影响;[0042] 机器学习算法应用:利用机器学习算法进行交通流量预测,所采用的机器学习算法包括支持向量机、随机森林和神经网络,通过机器学习算法对历史数据和实时特征进行学习和建模,预测未来一段时间内的交通流量变化。进一步而言,为了提高预测精度和稳定性,交通流量预测模块还可进行模型训练和优化,包括选择合适的模型参数、调整算法超参数、进行交叉验证等,通过不断优化模型结构和参数设置,以逐步提高交通流量预测的准确性和可靠性。[0043] 实施例二:如图2所示,本实施例与实施例1的区别在于,交通管理终端与监控稳定性管理模块通信连接,视频数据采集传输模块通过道路上的若干组监控摄像头进行交通监控视频数据的采集,监控稳定性管理模块获取到所有监控摄像头,对所有监控摄像头进行运行监测,将对应监控摄像头标记为i,且i为大于1的自然数;[0044] 通过分析以判断监控摄像头i的运行表现状况,并判断是否生成监控预警信号,且将监控摄像头i的监控预警信号发送至交通管理终端,交通管理终端接收到监控预警信号时发出相应预警,以便交通管理人员进行原因调查并作出相应远程调控操作,从而保证所有监控摄像头的安全稳定运行,有利于降低道路交通风险;监控稳定性管理模块的具体运行过程如下:[0045] 通过分析获取到监控摄像头i的运行测定符号YP‑1或YP‑2和视频测定符号SP‑1或SP‑2,若获取到YP‑1∩SP‑1,则生成监控摄像头i的监控预警信号,其余情况(YP‑2∩SP‑1、YP‑1∩SP‑2和YP‑2∩SP‑2)则不生成监控摄像头i的监控预警信号。[0046] 并且,运行测定符号的分析获取方法为:采集到监控摄像头i在运行时的电流和电压,将电流相较于预设标准电流的偏差值标记为摄像头流检值,将电压相较于预设标准电压的偏差值标记为摄像头压检值,将摄像头流检值和摄像头压检值与预设摄像头流检阈值和预设摄像头压检阈值分别进行数值比较,若摄像头流检值或摄像头压检值超过对应预设阈值,则判断监控摄像头i处于运检隐患状态;[0047] 获取到单位时间内监控摄像头i处于运检隐患状态的总时长并将其标记为运检隐患检测值,且将单位时间内的所有摄像头流检值进行均值计算得到摄像头流况值,将单位时间内的所有摄像头压检值进行均值计算得到摄像头压况值,通过公式WXi=ew1*WFi+(ew2*WSi+ew3*WKi)/2将运检隐患检测值WFi、摄像头流况值WSi和摄像头压况值WKi进行数值计算得到监控摄像头i的运行测定值WXi;其中,ew1、ew2、ew3为预设比例系数,ew1、ew2、ew3的取值均为正数;并且,运行测定值WXi的数值越大,表明监控摄像头i的运行状况越差;[0048] 将运行测定值WXi与预设运行测定阈值进行数值比较,若运行测定值WXi未超过预设运行测定阈值,表明监控摄像头i的运行状况较好,则向其分配运行测定符号YP‑1;若运行测定值WXi超过预设运行测定阈值,表明监控摄像头i的运行状况较差,则向其分配运行测定符号YP‑2。[0049] 进一步而言,视频测定符号的分析获取方法为:获取到监控摄像头i在单位时间内所采集的交通监控视频,将相应交通监控视频的清晰度标记为视频清晰值,以及将相应交通监控视频的卡顿时长标记为视频卡析值,且采集到单位时间内监控摄像头i进行视频传输的延迟数据并将其标记为视频延迟值;[0050] 通过公式HPi=(ep2*HXi+ep3*HMi)/(ep1*HYi+1.265)将视频清晰值HYi、视频卡析值HXi和视频延迟值HMi进行数值计算得到视频测定值HPi,其中,ep1、ep2、ep3为预设比例系数,ep1、ep2、ep3的取值均为正数;并且,视频测定值HPi的数值越大,表明监控摄像头的监控状况越差;[0051] 将视频测定值HPi与预设视频测定阈值进行数值比较,若视频测定值HPi未超过预设视频测定阈值,表明监控摄像头的监控状况较好,则向其分配视频测定符号SP‑1;若视频测定值HPi超过预设视频测定阈值,表明监控摄像头的监控状况较差,则向其分配视频测定符号SP‑2。[0052] 实施例三:如图2所示,本实施例与实施例1、实施例2的区别在于,交通管理终端与巡查提醒模块通信连接,巡查提醒模块用于设定检测周期,优选的,检测周期为七天;采集到检测周期内监控摄像头i生成监控预警信号的次数并将其标记为监控预警值,以及采集到相应监控预警信号的生成时刻,将相邻两组生成时刻之间的间隔时长标记为生隔时长,将生隔时长与预设生隔时长阈值进行数值比较,且将检测周期内未超过预设生隔时长阈值的生隔时长的数量标记为生隔低析值,以及采集到相邻上一次针对监控摄像头i的检查维护时刻并将其标记为巡查时刻,将当前时刻与相邻上一次针对监控摄像头i的巡查时刻进行时间差计算得到巡查隔时值;[0053] 通过公式 将监控预警值TYi、生隔低析值TSi和巡查隔时值TPi进行数值计算得到巡查提醒系数TXi,其中,fy1、fy2、fy3为预设比例系数,fy2>fy1>fy3>0;并且,巡查提醒系数TXi的数值越大,表明越需要及时对监控摄像头i进行现场检查;[0054] 将巡查提醒系数TXi与预设巡查提醒系数阈值进行数值比较,若巡查提醒系数TXi超过预设巡查提醒系数阈值,表明需要及时对监控摄像头i进行现场检查,则生成监控摄像头i的巡查提醒信号,且将监控摄像头i的巡查提醒信号发送至交通管理终端,交通管理终端接收到巡查提醒信号时发出相应预警,以提醒交通管理人员及时对相应监控摄像头i进行现场检查维护,保证其后续运行效果,从而有利于实现道路安全。[0055] 实施例四:如图3所示,本实施例与实施例1、实施例2、实施例3的区别在于,交通管理终端与道路分段评估模块通信连接,道路分段评估模块将需要进行监控的道路分割为若干个路段,将对应路段标记为监控对象q,且q为大于1的自然数;通过分段精准评估分析以将监控对象q标记为复杂路段或易行路段,且将监控对象q的标记信息发送至交通管理终端,交通管理人员在加强对复杂路段的交通监管,方便针对不同路段采取相适配的管理方案,减小道路监管难度,智能化程度高;分段精准评估分析的具体分析过程如下:[0056] 在每天设定十二个检测时段,每个检测时段的时长为两小时;采集到相应日期监控对象q在对应检测时段每次出现拥堵的持续时长并将其标记为单次拥堵时长,将对应检测时段的所有单次拥堵时长进行求和计算得到拥堵时况值,且将单次拥堵时长与预设单次拥堵时长阈值进行数值比较,并将超过预设单次拥堵时长阈值的单次拥堵时长的数量标记为拥堵数况值;[0057] 通过公式YSq=a1*YLq/a2+a2*YKq将拥堵时况值YLq和拥堵数况值YKq进行数值计算得到拥堵检况值YSq,其中,a1、a2为预设比例系数,a2>a1>0;并且,拥堵检况值YSq的数值越大,表明相应日期监控对象q在对应检测时段的拥堵状况越严重;将拥堵检况值YSq与预设拥堵检况阈值进行数值比较,若拥堵检况值YSq超过预设拥堵检况阈值,表明相应日期监控对象q在对应检测时段的拥堵状况较严重,则将对应检测时段标记为堵检时段;将相应日期监控对象q的堵检时段的数量标记为堵检数析值,并将相应日期监控对象q的所有拥堵检况值进行均值计算得到拥堵日况值;[0058] 通过公式 将拥堵日况值YRq与堵检数析值YMq进行数值计算得到拥堵评况值YWq,其中,ry1、ry2为预设比例系数,ry1、ry2的取值均为正数;并且,拥堵评况值YWq的数值越大,表明相应日期监控对象q的拥堵状况越严重;将拥堵评况值YWq与预设拥堵评况阈值进行数值比较,若拥堵评况值YWq超过预设拥堵评况阈值,表明相应日期监控对象q的拥堵状况较严重,则将相应日期标记为监控对象q的堵表日;[0059] 设定评估周期,优选的,评估周期为十五天;采集到评估周期内监控对象q的堵表日的数量占比值(即堵表日的数量与评估周期的天数的比值)并将其标记为堵测值,将堵测值与预设堵测阈值进行数值比较,若堵测值超过预设堵测阈值,表明监控对象q的拥堵较严重,交通状况较复杂,需要加强监管,则将监控对象q的复杂路段;若堵测值未超过预设堵测阈值,表明监控对象q的拥堵不严重,交通状况不复杂,则将监控对象q的易行路段。[0060] 本发明的工作原理:使用时,通过视频数据采集传输模块实时获取交通监控视频数据,视频数据预处理模块对采集到的视频数据进行预处理,目标检测跟踪模块基于深度学习算法,对预处理后的视频数据进行目标检测与跟踪,提取出所有交通目标的运动轨迹,交通目标特征提取模块根据目标检测跟踪结果,提取出交通目标的运动特征,交通流量预测模块基于提取出的交通目标运动特征并结合历史交通数据,利用机器学习算法进行交通流量预测,结果输出模块将预测结果以可视化形式输出至交通管理终端,以便交通管理人员及时了解所管理道路的交通状况,制定相应管理措施,保证相应道路的通畅和通行安全,智能化程度高,显著减小道路交通监管难度。[0061] 上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

专利地区:广东

专利申请日期:2024-06-12

专利公开日期:2024-09-03

专利公告号:CN118334866B


以上信息来自国家知识产权局,如信息有误请联系我方更正!
电话咨询
读内容
搜本页
回顶部