[發明專利]道路異常智能識別模型訓練、道路異常識別的方法及系統

有效

• 申請號: 202110721863.8
• 申請日: 2021-06-28
• 公開（公告）號: CN113343905B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 陳建達
• 申請（專利權）人: 山東理工大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 李英

1.道路異常智能識別模型訓練方法，其特征是，包括以下步驟：

獲取多個處于異常狀態的道路圖像作為訓練樣本圖像；

提取各個訓練樣本圖像中異常特征和車輛駕駛位特征，得到訓練樣本集；

將訓練樣本集輸入深度學習神經網絡模型進行訓練，得到道路異常智能識別模型；

所述車輛駕駛位特征包括車輛密度分布信息和車輛駕駛方位信息；

所述車輛密度分布信息的獲取過程具體為：

提取預設像素區域內的車輛數量；

根據預設像素區域的像素值、車輛數量計算得到車輛平均分布密度；

根據預設像素區域內的像素占空率計算得到各個子區域的車輛實際分布密度；

根據預設像素區域內各個車輛所處子區域的車輛實際分布密度、對應車輛距離異常區域的像素值計算得到由異常密度影響值集成的車輛密度分布信息。

2.根據權利要求1所述的道路異常智能識別模型訓練方法，其特征是，所述異常特征包括異常區域形態信息以及異常區域的行駛道站位信息。

3.根據權利要求1所述的道路異常智能識別模型訓練方法，其特征是，所述異常密度影響值與車輛實際分布密度呈正相關，且與對應車輛距離異常區域的像素值呈反相關。

4.根據權利要求1所述的道路異常智能識別模型訓練方法，其特征是，所述異常密度影響值參與模型訓練的頻率根據異常密度影響值、車輛平均分布密度之間的比值計算得到。

5.根據權利要求1所述的道路異常智能識別模型訓練方法，其特征是，所述車輛駕駛方位信息根據車輛駕駛方向相對于行駛道標注方向的偏移值確定。

6.根據權利要求1所述的道路異常智能識別模型訓練方法，其特征是，所述異常狀態包括道路擁堵、道路施工、交通事故、道路損壞。

7.道路異常識別方法，其特征是，包括以下步驟：

通過至少一個車載終端隨機采集待檢測的道路識別圖像；

根據車載終端的定位信息匹配本地服務器，建聯后將道路識別圖像上傳至本地服務器；

通過本地服務器內儲存的如權利要求1-6任意一項所述的道路異常智能識別模型對道路識別圖像進行圖像識別，得到道路識別圖像中的異常狀態信息；

通過本地服務器將異常狀態信息反饋至所屬定位區域內所有的車載終端。

8.道路異常識別系統，其特征是，包括：

至少一個車載終端，用于隨機采集待檢測的道路識別圖像，并根據車載終端的定位信息匹配本地服務器，以及建聯后將道路識別圖像上傳至本地服務器；

至少一個本地服務器，用于以儲存的如權利要求1-6任意一項所述的道路異常智能識別模型對道路識別圖像進行圖像識別后得到道路識別圖像中的異常狀態信息，并將異常狀態信息反饋至所屬定位區域內所有的車載終端。