基于行车记录仪的交通信息采集及分析系统的制作方法

本实用新型涉及交通数据采集及分析技术领域，特别涉及基于行车记录仪的交通信息采集及分析系统。

背景技术：

现有的行车记录仪功能已相对全面化，可说是汽车使用黑匣子，车内显示控制主机从摄像装置获取视频信息，并对视频信息进行图像处理后进行显示及存储。

但存储的视频只用于为交通事故提供证据以此保障驾驶人的自我权利或是自驾游用于记录美好瞬间。当存储视频占用内存大于一定限值时，行车记录仪便根据删除策略对视频进行分时段删除，故此没有全方位挖掘出存储视频的潜在价值，在一定程度上是对数据资源的浪费。

因此，需要对现有的行车记录仪进行改进，扩大行车记录仪的使用范围，克服现有技术的缺陷。

技术实现要素：

有鉴于现有技术的上述缺陷，本实用新型提供基于行车记录仪的交通信息采集及分析系统，实现的目的之一是可高效利用行车记录仪采集的视频图像资源，实现车辆密度分析、路况信息采集、市政施工定位，并通过拍摄的路况信息实现对交通基础设施的定位、识别、监测。

为实现上述目的，本实用新型公开了基于行车记录仪的交通信息采集及分析系统，包括若干行车记录仪，每一所述行车记录仪均包括摄像模块、摄像接收模块、视频传输模块、显示模块、存储模块和中央处理器模块。

其中，每一所述行车记录仪均还包括前端数据提取模块和移动通讯模块；

所述前端数据提取模块与所述存储模块和所述中央处理器模块分别连接，从所述存储模块和所述中央处理器模块中获取视频数据，然后籍由数据挖掘算法将所述视频数据处理后形成图片结构化数据；

所述移动通讯模块与所述前端数据提取模块连接，将每一所述行车记录仪处理后得到的所述图片结构化数据传送到后台图像分析模块；

所述后台图像分析模块对所述图片结构化数据进行图像二次识别和结构化数据预处理，之后将处理结构分类发送至相应的机构进行深度处理。

优选的，所述深度处理包括车辆密度分析、车辆实时分析、车辆历史记录、数据统计、路面状况分析、市政工程设计和图片管理。

优选的，所述移动通讯模块是3G、4G或5G通讯模块。

本实用新型的有益效果：

本实用新型的应用可高效利用行车记录仪采集的视频图像资源，实现车辆密度分析、路况信息采集、市政施工定位，并通过拍摄的路况信息实现对交通基础设施的定位、识别、监测，亦可基于图像识别技术，对图片进行二次识别，从而对交通基础设施运行状态(路面井盖、路面裂痕与坑槽、交通标志、标线与标牌等异常情况)进行分类、定级，并制定养护计划及实施方案，从而减轻工作人员的工作强度、提高工作效率、节省人力成本及增加安全性等。

以下将结合附图对本实用新型的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本实用新型的目的、特征和效果。

附图说明

图1示出本实用新型一实施例的结构示意图。

具体实施方式

实施例

如图1所示，基于行车记录仪的交通信息采集及分析系统，包括若干行车记录仪，每一行车记录仪均包括摄像模块、摄像接收模块、视频传输模块、显示模块、存储模块和中央处理器模块。

其中，每一行车记录仪均还包括前端数据提取模块和移动通讯模块；

前端数据提取模块与存储模块和中央处理器模块分别连接，从存储模块和中央处理器模块中获取视频数据，然后籍由数据挖掘算法将视频数据处理后形成图片结构化数据；

移动通讯模块与前端数据提取模块连接，将每一行车记录仪处理后得到的图片结构化数据传送到后台图像分析模块；

后台图像分析模块对图片结构化数据进行图像二次识别和结构化数据预处理，之后将处理结构分类发送至相应的机构进行深度处理。

本实用新型的原理在于，在基于Android系统的行车记录仪中嵌入附加数据挖掘算法的前端数据提取模块和移动通信模块。

前端数据提取模块将存储模块中的视频通过数据挖掘进行图片提取，并通过移动通信模块将处理后的图片及车速、定位等结构化数据传输至后台图像分析模块。

后台图像分析模块基于图像深度学习对图片进行二次识别、对车速、定位等结构化数据进行预处理，可实现车辆密度分析、车辆实时轨迹查询、车辆历史记录查询、提取图片管理、交通状态分析、市政施工定位、路面状况信息采集以及数据统计等功能，同时还可为交通基础设施提供损坏巡查和预警支撑。

在某些实施例中，深度处理包括车辆密度分析、车辆实时分析、车辆历史记录、数据统计、路面状况分析、市政工程设计和图片管理。

在某些实施例中，移动通讯模块是3G、4G或5G通讯模块。

本实用新型还提供基于行车记录仪的交通信息采集及分析系统的运行方法，包括数据挖掘算法，步骤如下：

A、每一形成记录仪将本身的硬件信息和视频数据作为原始数据分成两类分别存入设备信息表和行车记录表；其中，设备信息表包含行车记录仪的编号、对相应的车牌号和设备备注；车记录表包含记录流水ID、设备ID、时间戳、瞬时车速、天气信息、日期信息、经度坐标、和纬度坐标；

B、数据清理，对与视频数据对应的原始数据进行数据清洗；

C、根据清洗后的视频数据，对每一行车记录仪经过的道路进行道路拥堵判别，基于预设的路段信息，分析每一路段的拥堵状况，根据每一路段平均车辆进行判别；根据每一行车记录中的各路段采样个数以及车辆的瞬时速度，计算路段平均车速；

D、天气信息融合，跟据车记录表中的天气信息、日期信息时间戳、经度坐标、和纬度坐标，从天气信息中寻找到每一行车定位仪的实时天气信息；

E、将每日行车路径记录串联，然后统计路段名频度，并按降序排列，同时计算通过各路段平均车速的均值和标准差，分析路段平均车速的分布；

F、外因对车速的影响分析，外因主要包括环区、时段、天气状况，将车速在20码、40码、60码为阈值将车速分为4档，通过绘制各环区、时段、天气状况的车速直方图；

G、将步骤A至F中的处理结果打包形成图片结构化数据。

在某些实施例中，在步骤A中，当每一形成记录仪经过抽取(extract)、交互转换(transform)、加载(load)后，相应的行车记录表中增加道路信息。

本实用新型还提供基于行车记录仪的交通信息采集及分析系统的运行方法，基于图像深度学习和数据挖掘技术，对图片结构化数据进行图像二次识别和结构化数据预处理，对道路井盖、路面和交通标志标牌的异常情况进行预警和/或定位，对交通设施提供损坏巡查，步骤如下：

a、感兴趣区域的确定；在训练样本中，选取图片中心偏上的一个固定长宽比区域作为目标区域；

b、采用caffe开源深度学习框架对感兴趣区域的候选区进行特征提取和分类；采用caffe网络框架的卷积神经网络模型对样本进行训练；输入样本区域归一化为48*48BGR图像，CNN采用5层卷积层、3层池化层以及1层带随机参数的全连接层，ReLu为激活函数，最后由Softmax分类器给出分类结果。

在某些实施例中，在步骤b中，第一层卷积层，采用3通道的9*9卷积核，步长为1；池化层采用2*2的滤波器，步长为1；

第二层卷积层，采用3通道3*3的卷积核，步长为1；池化层采用2*2滤波器，步长为1；

第三层卷积层，不进行池化特征选择，采用3通道的4*4卷积核，步长为1；

第四层卷积层，不进行池化特征选择，采用3通道的1*1卷积核，步长为1；

第五层卷积层，采用3通道的3*3卷积核，步长为1，池化层采用2*2滤波器，步长为1；

最后一层全连接层，输出维度2*2的最终特征；并送入Softmax分类器得到分类结果。

以上详细描述了本实用新型的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本实用新型的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本实用新型的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。