基于人工智能的运输路线监控方法与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能的运输路线监控方法。


背景技术：

2.随着运输行业的发展，物联网、车联网技术的深入，对车辆的监控管理集中形成了一定的规模化管理。虽然管理日趋精细化，但仍在存在较多的“多拉快跑”等违法现象，以至于道路运输过程中的安全事故也不断增加；在车辆的监管上溢出了更高的技术要求，更多的创新型的技术融入到车联网中，且北斗技术的发展更进一步推动了车联网终端技术的发展。
3.目前对车辆运输的监控方式仅仅是在运输车中安装gps定位模块，通过实时获取运输车的位置进行运输监控。以渣土车为例，渣土车在运输过程中，由于所运输的渣土质量较大，因此其自身也存在较大的运输风险，则监控运输中的运输状态就显得尤为重要。在gps定位模块中，只能定位到车辆的大致位置，无法确定车辆当前的运行状态，很多车辆在行驶过程中可能存在超速现象，而渣土车的超速行驶极易造成渣土掉落；甚至有司机为了减少油耗，从而存在乱倒渣土的现象；渣土掉落在车道上或者随机乱倒渣土都会给市政管理带来很大的不便，而现有的监控方法可靠性较低，无法实现可靠有效的运输监控。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的运输路线监控方法，该方法包括以下步骤：
5.采集渣土车装载完成后的初始状态图像，所述初始状态图像包括所述渣土车区域；
6.获取所述渣土车在运输过程中的多帧监控图像；对每帧所述监控图像进行高斯下采样得到多张采样图像；对所述初始状态图像与每张所述采样图像进行角点匹配得到多个匹配点对；
7.以任意所述匹配点对为目标点对，根据所述目标点对及其邻近区域内所有所述匹配点对之间的距离差异得到所述目标点对的置信度；获取所述采样图像中所有所述匹配点对的置信度均值，当所述置信度均值小于预设阈值时，根据所述置信度均值对所述高斯下采样的高斯核进行调整；
8.基于调整后的高斯核对每帧所述监控图像进行高斯下采样得到多张优选采样图像，获取所述优选采样图像与所述初始图像之间的第一匹配度；根据每张所述优选采样图像的第一匹配度得到每帧所述监控图像的匹配度；根据多帧所述监控图像的所述匹配度对所述渣土车的司机进行预警。
9.优选的，所述根据所述目标点对及其邻近区域内所有所述匹配点对之间的距离差异得到所述目标点对的置信度的步骤，包括：
10.所述置信度的计算公式为：
[0011][0012]
其中，w表示置信度；dk表示目标点对之间的距离；表示目标点对的邻近区域内所有匹配点对之间距离的均值；s表示目标点对的邻近区域内所有匹配点对的数量。
[0013]
优选的，所述高斯下采样的高斯核与所述置信度均值呈负相关关系。
[0014]
优选的，所述获取所述优选采样图像与所述初始图像之间的第一匹配度的步骤，包括：
[0015]
获取所述优选采样图像与所述初始状态图像之间所有的匹配点对，所述第一匹配度与所述匹配点对的数量呈正相关关系。
[0016]
优选的，所述根据每张所述优选采样图像的第一匹配度得到每帧所述监控图像的匹配度的步骤，包括：
[0017]
获取所有所述优选采样图像的第一匹配度的和，所述第一匹配度的和为所述监控图像的匹配度。
[0018]
优选的，所述获取所述初始状态图像与每张所述采样图像角点的方法为sift角点检测算法。
[0019]
优选的，所述根据多帧所述监控图像的所述匹配度对所述渣土车的运输情况进行预警的步骤，包括：
[0020]
获取多帧所述监控图像中匹配度的最大值，当所述最大值低于预设阈值时，对所述渣土车的司机进行提示预警。
[0021]
本发明具有如下有益效果：本发明实施例在不改变车辆原有结构的基础上，对每辆渣土车在运输过程中的渣土情况进行监控，通过渣土车运输途中的实时监控图像与最初的初始状态图像进行对比分析，提高了检测结果的准确性。且对监控图像利用多尺度的采样图像进行分析，根据每张采样图像对匹配点对的置信度调整高斯下采样的高斯核，以保证采样图像对比的精准度，通过简单的图像角点对比得到渣土车此时运输途中的渣土情况，提高了道路监控相机的利用率并及时向渣土车司机进行提示预警，增加了处理的时效性，提供了可靠性较高的实时运输监控。
附图说明
[0022]
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
[0023]
图1为本发明一个实施例所提供的一种基于人工智能的运输路线监控的方法流程图。
具体实施方式
[0024]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的运输路线监控方法，其具
体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0025]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0026]
本技术适用于对渣土车运输过程中的状态监控，为了解决现有监控可靠性低的问题，本发明实施例中首先对渣土车运输前初始状态进行图像采集，然后获取渣土车在实际运输中的多帧监控图像，对每帧监控图像进行一系列检测得到每张监控图像与初始状态图像之间的匹配度，根据匹配度得到最佳图像并对该渣土车运输的状态进行监控，达到了对渣土车运输的实时监控的目的，且监控得到图像数据的可靠性较高，增加了处理的时效性。
[0027]
下面结合附图具体的说明本发明所提供的一种基于人工智能的运输路线监控方法的具体方案。
[0028]
请参阅图1，其示出了本发明一个实施例提供的基于人工智能的运输路线监控的方法流程图，该方法包括以下步骤：
[0029]
步骤s100，采集渣土车装载完成后的初始状态图像，初始状态图像包括渣土车区域。
[0030]
具体的，设置相机对装载完成的渣土车的图像进行采集，为了尽可能的避免与道路监控相机采集到的车辆图像的差异，本发明实施例中将相机设置在正对渣土车车头的方向，且位于渣土车车头斜上方30
°
的位置进行图像采集，以尽可能的模拟道路监控相机对渣土车图像的采集位置。
[0031]
进一步的，为减少后续分析的计算量，对采集到装载完成的渣土车的初始图像进行处理，本发明实施例中采用深度神经网络对该初始图像进行处理，得到包括渣土车区域的初始状态图像。该深度神经网络的结构为编码器-解码器，训练集为形态多种多样的渣土车车辆图像数据，具体过程如下：
[0032]
(1)深度神经网络的输入为采集到的初始图像；
[0033]
(2)标注过程为单通道的语义标签，将属于渣土车车辆的区域像素点标注为1，将其他背景类的像素点标注为0；
[0034]
(3)损失函数采用交叉熵损失函数；
[0035]
(4)深度神经网络的输出为包括渣土车区域的初始状态图像。
[0036]
以此得到渣土车在装载完成后的初始状态图像，将该初始状态图像作为基准图像对后续图像进行分析。
[0037]
步骤s200，获取渣土车在运输过程中的多帧监控图像；对每帧监控图像进行高斯下采样得到多张采样图像；对初始状态图像与每张采样图像进行角点匹配得到多个匹配点对。
[0038]
在渣土车实际运输过程中，由于道路的颠簸或者司机的异常驾驶均可能导致渣土车内渣土的掉落，掉落在道路上的渣土会对市政管理带来较大的影响，因此需要对运输过程中渣土车进行实时监控。通过渣土车本身的gps定位系统与运输道路中的道路监控相机进行匹配，根据渣土车当前所在位置找出距离该渣土车最近的道路监控相机，以该道路监控相机对渣土车的运输状态进行图像采集；当车辆对应的gps位置到达该道路监控相机的
图像采集范围时开始进行多帧图像采集，本发明实施例中采集连续的多帧监控图像进行分析对比；由于gps定位本身可能会存在误差，因此对采集到的多帧监控图像进行初步的目标识别，利用步骤s100中训练完成的深度神经网络对运输图像中的渣土车辆进行处理，以得到包括渣土车区域的监控图像。
[0039]
具体的，由于渣土车车辆的本身为刚体，渣土车受到颠簸等外界的影响通常为局部影响，在渣土车没有掉落的情况下，渣土可能会因为颠簸的影响产生细节变化，与最初的状态存在一定的差异性。因此对获取到的每帧监控图像进行多尺度的高斯下采样得到采样图像，高斯下采样的方法为：首先，对每帧监控图像进行高斯模糊处理，本发明实施例中设置高斯模糊处理时的初始高斯核为σ＝1；然后，对高斯模糊处理之后的监控图像进行去除偶数的行和列操作，从而完成一次下采样，得到一张尺寸减半的采样图像。本发明实施例中设置高斯下采样的次数为5次，即每帧监控图像对应5张不同尺度的采样图像。
[0040]
进一步的，为了对渣土车的实时状态进行分析，对步骤s100中获取到的初始状态图像以及上述获取的多尺度的采样图像进行角点检测，本发明实施例中采用sift角点检测算法获取该渣土车的初始状态图像中的所有角点以及不同尺度下的采样图像中的所有角点；通过对初始状态图像中的角点与每个尺度下采样图像的角点进行对应匹配，得到每个尺度的采样图像与该初始状态图像之间的多个匹配点对。
[0041]
步骤s300，以任意匹配点对为目标点对，根据目标点对及其邻近区域内所有匹配点对之间的距离差异得到目标点对的置信度；获取采样图像中所有匹配点对的置信度均值，当置信度均值小于预设阈值时，根据置信度均值对高斯下采样的高斯核进行调整。
[0042]
由于对图像拍摄的状态或者高斯下采样的高斯核设置不合理可能会使得角点位置之间存在差异，从而导致对应监控图像与初始状态图像之间的角点匹配存在误差；但在同一个感受野中的图像特征的变化应该是相似的，因此以任意尺度的采样图像中的任意匹配点对作为目标点对，获取目标点对在该采样图像与初始状态图像之间的欧式距离；同理获取该目标点对的邻近区域内的所有匹配点对，获取邻近区域内所有匹配点对在采样图像与初始状态图像之间的欧式距离，基于此对该目标点对的置信度进行计算为：
[0043][0044]
其中，w表示目标点对的置信度；dk表示目标点对之间的欧式距离；表示目标点对的邻近区域内所有匹配点对之间欧式距离的均值；s表示目标点对的邻近区域内所有匹配点对的数量。
[0045]
作为优选，本发明实施例中设置该目标点对的邻近区域范围为：以该目标点对在采样图像中角点的位置为中心点，该中心点邻近的21*21的滑窗范围为该目标点对的邻近区域范围。
[0046]
当该目标点对对应的置信度越小，说明该目标点对的匹配越不准确。基于上述获取每个匹配点对置信度的方法，获取每个尺度下采样图像中所有匹配点对的置信度，进一步根据所有匹配点对的置信度计算每个尺度下采样图像对应的置信度均值，当该置信度均值小于预设阈值时，表明该尺度采样图像与初始状态图像中角点匹配的准确性较低，需要对高斯下采样时的高斯核进行调整。
[0047]
作为优选，本发明实施例中将预设阈值取经验值为0.8，即当采样图像对应的置信
度均值小于0.8时，表示该采样图像中角点匹配的准确性较低。
[0048]
进一步的，高斯下采样的高斯核与置信度均值呈负相关关系，对高斯下采样的高斯核进行调整的方法为：
[0049]
σ
′
＝δ*exp(-a)
[0050]
其中，σ
′
为调整后的高斯核；δ表示超参数；a表示该采样图像对应的置信度均值。
[0051]
作为优选，本发明实施例中设置超参数δ＝4。由此对高斯核进行调整，使得高斯下采样得到的多尺度采样图像能够尽量避免噪声或者高频纹理的干扰，以此提高角点匹配的准确性。
[0052]
步骤s400，基于调整后的高斯核对每帧监控图像进行高斯下采样得到多张优选采样图像，获取优选采样图像与初始图像之间的第一匹配度；根据每张优选采样图像的第一匹配度得到每帧监控图像的匹配度；根据多帧监控图像的匹配度对渣土车的司机进行预警。
[0053]
由步骤s300中得到调整后的高斯核，基于该高斯核对采集到的每帧监控图像进行第二次高斯金字塔下采样，从而得到每帧监控图像对应的多尺度的优选采样图像。获取优选采样图像与初始状态图像之间所有的匹配点对，第一匹配度与匹配点对的数量呈正相关关系。
[0054]
具体的，将每张优选采样图像与步骤s100中获取的初始状态图像进行角点匹配得到多个匹配点对，根据获取到的匹配点对计算该候选监控图像的第一匹配度为：
[0055][0056]
其中，q表示该优选采样图像的第一匹配度；x表示该优选采样图像中匹配成功的匹配点对数量；x表示该优选采样图像中所有角点的数量。
[0057]
获取所有优选采样图像的第一匹配度的和，第一匹配度的和为监控图像的匹配度。即基于每帧监控图像对应的多尺度的优选采样图像的第一匹配度得到该监控图像对应的匹配度，该监控图像对应的匹配度为其对应的多尺度的优选采样图像的第一匹配度的和。
[0058]
进一步的，获取到每帧运输图像对应的与初始状态图像之间的匹配度，获取多帧监控图像中匹配度的最大值，当最大值低于预设阈值时，对渣土车的司机进行提示预警。
[0059]
具体的，选取匹配度最大时对应的监控图像为最佳图像，当该最佳图像对应的匹配度大于预设阈值时，说明此时运输中的渣土车的实际状态与初始状态图像中的状态未发生较大的变化；否则认为该渣土车在运输中的状态发生变化，即大概率发生了渣土车上渣土掉落的情况，因此应及时向该渣土车的司机发出预警，并根据渣土掉落的情况及时反馈给相应的市政部门，对掉落物进行处理。
[0060]
作为优选，本发明实施例中将匹配度预设阈值设置为0.8，即当匹配度的值小于0.8时，表明该渣土车存在渣土掉落的情况。
[0061]
需要说明的是，在渣土车继续运输途中，第二个道路监控相机拍摄图像进行对比的依据为此时的最佳图像，当第二个道路监控相机拍摄的图像与此时最佳图像之间匹配度小于0.8时，说明在该路段仍然存在渣土掉落的情况，继续向该渣土车司机进行预警提示。
[0062]
综上所述，本发明实施例中将渣土车装载完成的初始状态图像作为基准图像，再
对该渣土车在实际运输过程中的监控图像进行采集，对每帧监控图像进行高斯下采样处理从而得到多个尺度的采样图像，对初始状态图像以及每个尺度的采样图像进行角点匹配得到多个匹配点对；以任意匹配点对作为目标点对，根据该目标点对及其邻近区域的匹配点对之间的距离得到该目标点对的置信度，从而得到每张采样图像对应的置信度均值，当该置信度均值小于预设阈值时，调整高斯下采样的高斯核，根据调整后的高斯核再次对每帧监控图像进行多次下采样得到多张优选采样图像，统计每张优选采样图像与初始状态图像之间的匹配点对，根据匹配点对的数量得到该优选采样图像对应的第一匹配度，所有优选采样图像对应的第一匹配度的和为每帧监控图像的匹配度，将匹配度最大的监控图像作为最佳图像与该初始状态图像进行对比分析，当该最佳图像对应的匹配度小于预设阈值时，表明渣土车的状态发生了变化，需及时联系司机提示预警，并反馈给当地市政部门对掉落物进行处理。利用道路现有的监控相机对渣土车实时监控，结构简单且不改变运输车辆原有的结构，通过置信度对高斯核的调整增加了监控的准确性，及时发现渣土的变化增加了处理的时效性。
[0063]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0064]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0065]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。