[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

本發明公開了道路異常智能識別模型訓練、道路異常識別的方法及系統，涉及道路識別技術領域，解決了現有道路異常情況識別存在一定的誤差，且識別精度有待進一步提升的問題，其技術方案要點是：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。發明通過依據異常特征對車輛駕駛位特征的影響相關性進行模型訓練，能夠依據車輛密度分布信息、車輛駕駛方位信息的細節差異性表征精準、可靠的識別出道路異常的具體類型和具體情況，道路異常識別的誤差較小。

技術領域

本發明涉及道路識別技術領域，更具體地說，它涉及道路異常智能識別模型訓練、道路異常識別的方法及系統。

背景技術

隨著我國居民生活水平的不斷提高，汽車現存量不斷提升，伴隨而來的是道路擁堵也日益嚴重。道路擁堵主要是由車流量突發性增加、道路施工占道、道路損壞影響車速、交通事故占道以及坑洞、裂縫、補綻等道路病害一系列因素導致的，用戶獲取道路狀態目前主要是通過實時地圖顯示、車載廣播獲取，但其主要是從大范圍獲知道路擁堵情況，對于道路擁堵具體詳情并不能及時獲知，也就無法為用戶面對道路擁堵情況快速做出合理決策提供信息支撐。因此，對道路異常情況進行識別對于有效應對道路擁堵和防止道路擁堵進一步加深具有重大意義。

目前，對于道路異常情況的識別主要是通過神經網絡模型對待識別的道路圖像進行模型訓練后提取異常特征，而其神經網絡模型建立過程中主要是依據正常道路圖像和異常圖像進行訓練的。然而，現有道路異常識別模型在訓練提取異常特征時并未考慮的道路異常對駕駛車輛行駛狀態影響的相關性，從而導致現有道路異常情況識別存在一定的誤差，且識別精度有待進一步提升，導致現有道路異常情況識別無法應用到局部細節的道路擁堵管理，其主要是應用于宏觀上的道路異常管理。

因此，如何研究設計一種道路異常智能識別模型訓練、道路異常識別的方法及系統是我們目前急需解決的問題。

發明內容

為解決現有技術中的不足，本發明的目的是提供道路異常智能識別模型訓練、道路異常識別的方法及系統過，本發明考慮了異常特征對車輛密度分布信息、車輛駕駛方位信息的影響相關性進行模型訓練，能夠精準、可靠的識別出道路異常的具體類型和具體情況，道路異常識別的誤差較小，不僅可以為用戶獲知道路擁堵情況、道路工況提供了基礎信息，還可實現智能道路巡查工作，且無需設置專用道路巡查車輛即可實現道路全面巡查工作，適用范圍廣，推廣應用成本低。

本發明的上述技術目的是通過以下技術方案得以實現的：

第一方面，提供了道路異常智能識別模型訓練方法，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。

進一步的，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。

進一步的，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。

進一步的，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。