[發明專利]多車道合并違法自動審核方法、系統、裝置和存儲介質

有效

• 申請號: 202111091015.X
• 申請日: 2021-09-17
• 公開（公告）號: CN113851001B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 齊鵬;吳致遠
• 申請（專利權）人: 同濟大學
• 主分類號: G08G1/017
• 分類號: G08G1/017;G06V20/58
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 趙繼明

本發明涉及一種多車道合并違法自動審核方法、系統、裝置和存儲介質，其中方法包括檢測車道的車輛情況并識別所有車輛信息，檢測車道的車速和車距，并判斷是否符合交通堵塞狀態；當交通堵塞時，根據車輛的位置信息，當檢測到任意車輛駛入合并后車道后，對應計數器加一，計數器每進行一次計數便重新檢測車速和車距并判斷此時是否仍處于交通堵塞狀態，并根據判斷結果，選擇計算計數結果或是繼續檢測車速車距，若計數結果為車輛違法，則識別違法車輛的信息，上傳至交警系統，將計數器清零；若未產生違法，則繼續計數。與現有技術相比，本發明具有可實現全自動審核，且檢測準確性高等優點。

技術領域

本發明涉及一種交通違法判斷領域，尤其是涉及一種多車道合并違法自動審核方法、系統、裝置和存儲介質。

背景技術

深度學習是機器學習領域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標——人工智能。深度學習是學習樣本數據的內在規律和表示層次，這些學習過程中獲得的信息對諸如文字，圖像和聲音等數據的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。深度學習是一個復雜的機器學習算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關技術。深度學習在搜索技術，數據挖掘，機器學習，機器翻譯，自然語言處理，多媒體學習，語音，推薦和個性化技術，以及其他相關領域都取得了很多成果。深度學習使機器模仿視聽和思考等人類的活動，解決了很多復雜的模式識別難題，使得人工智能相關技術取得了很大進步。就具體研究內容而言，深度學習主要涉及三類方法：基于卷積運算的神經網絡系統，即卷積神經網絡。基于多層神經元的自編碼神經網絡，包括自編碼以及近年來受到廣泛關注的稀疏編碼兩類。以多層自編碼神經網絡的方式進行預訓練，進而結合鑒別信息進一步優化神經網絡權值的深度置信網絡。通過多層處理，逐漸將初始的“低層”特征表示轉化為“高層”特征表示后，用“簡單模型”即可完成復雜的分類等學習任務。由此可將深度學習理解為進行“特征學習”或“表示學習”。深度學習是機器學習的一種，而機器學習是實現人工智能的必經路徑。深度學習的概念源于人工神經網絡的研究，含多個隱藏層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。研究深度學習的動機在于建立模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本等。從一個輸入中產生一個輸出所涉及的計算可以通過一個流向圖來表示：流向圖是一種能夠表示計算的圖，在這種圖中每一個節點表示一個基本的計算以及一個計算的值，計算的結果被應用到這個節點的子節點的值。考慮這樣一個計算集合，它可以被允許在每一個節點和可能的圖結構中，并定義了一個函數族。輸入節點沒有父節點，輸出節點沒有子節點。這種流向圖的一個特別屬性是深度：從一個輸入到一個輸出的最長路徑的長度。傳統的前饋神經網絡能夠被看作擁有等于層數的深度。人工智能研究的方向之一，是以所謂“專家系統”為代表的，用大量“如果-就”規則定義的，自上而下的思路。人工神經網絡，標志著另外一種自下而上的思路。神經網絡沒有一個嚴格的正式定義。它的基本特點，是試圖模仿大腦的神經元之間傳遞，處理信息的模式。

隨著社會經濟的不斷發展和人民生活水平的持續提高，交通管理局對于交通違章自動審核的需求越來越大。傳統和違章審核主要是通過人工識別，該方法人工成本較高,效率較低,且長時間重復性校驗操作容易產生疲勞，疏忽等不良狀態，影響校驗準確率。如何準確、快速地對交通中的違法行為進行審核,同時避免人工識別成本高,易疲勞,易疏忽等弊端,是急需解決的技術問題。