一种道路路况智能视频监控方法及系统与流程

本发明涉及视频安防监控领域，尤其涉及一种道路路况智能视频监控方法及系统。

背景技术：

目前，道路是城市的一个主要组成部分，道路智能化能够实现城市服务能力提升。智慧道路建设，有如下意义和效果：弥补道路交通现状的信息采集覆盖不足、数据整合难的缺陷；实现运输管理的智能化监管、智能化调度；实现道路一侧情况智能识别和自动预警；融合实时路况实现对道路险情、交通拥堵及突发事件的预判和预警。因此需要一种道路路况智能视频监控方法及系统来实现道路实时路况智能识别和自动预警。

技术实现要素：

本发明实施例提供了一种道路路况智能视频监控方法及系统，可以解决现有技术中道路视频安防监控主要依赖人工，效率低，预警不及时及信息采集覆盖不足、数据整合难的技术问题。

为实现上述目的，本发明第一方面提供一种道路路况智能视频监控方法，所述方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；

对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆id个数，得到车流量，车速结果；

利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。

进一步地，还包括基于深度学习的神经网络对所述过往车辆场景进行识别车辆数据分析模型训练。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括路面险情识别。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别交通违法事件。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别非机动车违法事件。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别行人出行状态。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别机动车，行人，非机动车的越区越线行为。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析之后，还包括将识别的道路路况结果发送至后台。

进一步地，利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策包括设置相应道路路况阈值，若超过阈值则进行报警提示。

为实现上述目的，本发明实施例还提供一种道路路况智能视频监控系统，包括获取识别模块，车流车速结果确定模块，预警决策模块，

所述获取识别模块用于获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；

所述车流车速结果确定模块用于对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆id个数，得到车流量，车速结果；

所述预警决策模块用于利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。

本发明实施例提供一种道路路况智能视频监控方法，所述方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆id个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。运用该种道路路况智能视频监控方法，通过深度学习的神经网络对道路路况实时智能视频监控，通过实时分析采集车辆数据；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆id个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策，及时发现交通通行状况，违反安全规范的行为、人员，同时对行人和车辆的拥堵状态进行判断，并自动报警上传后端交通平台，后端交通平台通知相关工作人员立刻处理，确保道路通行安全，且该道路路况智能视频监控方法及系统选择普通摄像机安装嵌入式智能分析盒子，降低了整个系统的成本。

附图说明

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，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地介绍，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他的附图。

图1为本发明第一实施例中一种道路路况智能视频监控方法步骤流程示意图；

图2为本发明第二实施例中一种道路路况智能视频监控系统系统示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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。

请参阅图1，图1为本发明第一实施例中一种道路路况智能视频监控方法步骤流程示意图，本发明实施例中，一种道路路况智能视频监控方法，所述方法包括：

步骤101、获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；具体的，所有智能分析算法都是基于视频，所有算法都是采用神经网络深度学习算法，所有的智能分析算法都通过智能分析盒子实现，盒子接入已有监控摄像机，获取道路及过往车辆场景场景视频，通过深度学习的神经网络对道路过往车辆场景实时智能视频监控，通过实时分析采集车辆数据如车牌号码、车牌颜色、车牌类型、车身颜色、车型、车辆品牌；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆id个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策，及时发现交通通行状况，违反安全规范的行为、人员，同时对行人和车辆的拥堵状态进行判断，并自动报警上传后端交通平台，后端交通平台通知相关工作人员立刻处理，确保道路通行安全，且该道路路况智能视频监控方法及系统选择普通摄像机安装嵌入式智能分析盒子，降低了整个系统的成本。

步骤102、对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆id个数，得到车流量，车速结果；具体地，对出现在摄像机的视场角内每辆车进行车辆id跟踪，并在摄像机视频内配置一个区域，计算固定时间间隔内，通过该区域的车辆id个数，从而计算得到车流量，同一车辆id车速。所采集的数据自动上传给后端智慧交通大数据平台，同一车辆id车速可以根据距离时间公式得出，这里对道路过往车辆场景视频进行识别确定了车辆id个数即车流量，同一车辆id车速。

步骤103、利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策，具体实现中，管理人员可以对所述得到车流量，车速结果设置一个报警阈值，当超过报警阈值，预警出该路段的交通拥堵状况，比如车流量大，车速够慢时出现交通极度拥堵预警，从而及时调动周围警力及时舒缓交通，不用人工实时监控，预警及时，效率高，大大提升城市出行交通顺畅度。

以上步骤的具体细分步骤如下：

进一步地，还包括基于深度学习的神经网络对所述过往车辆场景进行识别车辆数据分析模型训练，如训练深度学习的神经网络通过车辆检测、车辆跟踪、车辆优选、车辆属性识别，实时识别采集车辆数据，车辆数据包括车牌号码、车牌颜色、车牌类型、车身颜色、车型、车辆品牌、车速、车流量，从而对过往车辆识别确定通过区域的车辆id个数，得到车流量，车速结果。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括路面险情识别，如训练深度学习的神经网络识别道路异常情况，包括路面险情(坍塌、裂缝、积水、异物)、设施损坏(井盖、护栏、标线、标志牌)，基于深度学习的神经网络收集各种道路各个时段异常状态的样本图片，用深度学习框架进行训练，形成道路各种异常识别的模型，部署到智能分析盒子。智能分析盒子通过接入的摄像机自动进行这些道路异常的识别，并自动报警上传后端交通平台，后端交通平台通知相关工作人员立刻处理，防止事故发生。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别交通违法事件，包含拥堵、车辆违停、特种路口的车辆违停，当出现识别到交通违法事件，及时拍照处罚，上传后台报告。智能分析盒子对出现在摄像机的视场角内每辆车进行车辆id跟踪，计算每辆车在视场角内出现的时间，然后计算平均值，若超过设置的阈值，表示当前道路拥堵，可以设置多个阈值，表示当前道路的不同拥堵状态，若发现拥堵，即使上传给后端交通平台，派工作人员协助处理。为了减少成本，部署球机，通过设置不同的预置位轮询监控不同的违停区域。在盒子接入视频上配置违停区域，若发现车辆传入该区域，并且超过设置阈值时间才离开，识别为非法停车。同时可设置违停区域和时间段、配合识别的车辆类型，进行特定类型车辆的违停识别，比如机动车占用公交专用车道等。识别该车辆的车牌号码、车牌种类、车牌颜色、车身颜色、车型、车辆品牌，自动上传给后端交通平台，包含车辆属性、非法停车图片。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别非机动车违法事件，

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别行人出行状态。

具体地，如非机动车不带安全帽、超载、加装伞具、闯红灯、逆行。可以识别行人属性识别，识别属性包括：上衣颜色、上衣款式、下衣颜色、下衣款式、是否背包、是否戴帽子、是否抱小孩。同时对行人和车辆的拥堵状态进行判断。进行行人属性识别，实时采集行人交通状况。智能分析盒子对接入的摄像机进行行人检测、行人跟踪、行人优选、根据优选的结果进行行人属性识别，识别属性包括：上衣颜色、上衣款式、下衣颜色、下衣款式、是否背包、是否戴帽子、是否抱小孩。盒子对出现在摄像机的区域内行人车进行检测，统计行人个数，配合摄像机区域标定，统计该摄像机的人群密度,若超过设置的阈值，表示当前道路拥堵，可以设置多个阈值，表示当前道路的不同拥堵状态，若发现拥堵，即使上传给后端交通平台，派工作人员协助处理。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别机动车，行人，非机动车的越区越线行为，如通过接入红绿灯检测器，配合区域入侵，实现闯红灯检测；通过画3条线，并设置线方向，配合越线，实现逆行检测。当发现违法类型，若能检测到人脸，进行人脸检测，若不能检测到人脸，进行非机动车车牌识别，通过人脸或非机动车车牌确认违法的身份信息，自动上传给后端交通平台。

进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析之后，还包括将识别的道路路况结果发送至后台。

进一步地，利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策包括设置相应道路路况阈值，若超过阈值则进行报警提示。

本实施例中，具体的实施步骤包括:

步骤1：在需要做实时智能监控地方安装普通摄像机，并调整好摄像机的高度、视场角。

步骤2：在普通摄像机上安装智能分析盒子，并配置每个摄像机检测区域、智能分析类型。

步骤3：后端部署智能预警平台，接入智能分析盒子。

为实现上述目的，请参阅图2，本发明实施例还提供一种道路路况智能视频监控系统包括：获取识别模块，车流车速结果确定模块，预警决策模块，

所述获取识别模块用于获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；

所述车流车速结果确定模块用于对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆id个数，得到车流量，车速结果；

所述预警决策模块用于利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。

以上系统模块均为实现上述方法实例制定，这里不再一一重复说明，深度学习的神经网络采用现有的开源模型训练框架进行训练，不做特别限定。

本发明实施例提供一种道路路况智能视频监控方法，所述方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆id个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。运用该种道路路况智能视频监控方法，通过深度学习的神经网络对道路路况实时智能视频监控，通过实时分析采集车辆数据；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆id个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策，及时发现交通通行状况，违反安全规范的行为、人员，同时对行人和车辆的拥堵状态进行判断，并自动报警上传后端交通平台，后端交通平台通知相关工作人员立刻处理，确保道路通行安全，且该道路路况智能视频监控方法及系统选择普通摄像机安装嵌入式智能分析盒子，降低了整个系统的成本。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上为对本发明所提供的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。