一种基于视频ai的高速公路交通智能监测系统

本发明高速公路交通智能监测，具体为一种基于视频ai的高速公路交通智能监测系统。

背景技术：

1、随着社会的快速发展和城市化进程的持续加速，高速公路交通流量不断增长，对高速公路交通状况的实时监测管理变得日益重要，高速公路作为城市交通的重要枢纽，其畅通与否直接关系到城市的经济发展和居民的日常出行；

2、然而，尽管现有的高速公路监控系统已经实现了全程的视频信息传输，使得交通监管部门能够实时获取高速公路的交通状况，但这些系统往往只能提供基础的视频信息，缺乏对视频信息的深度分析和预测能力，这意味着，当高速公路上出现车流异动、拥堵等紧急状况时，交通监管部门通常无法迅速了解实际情况并作出有效的应急反应，往往是在拥堵或事故已经发生后，才派遣相关人员前往现场进行处理，这种滞后的反应速度不仅影响了交通疏导的效率，还可能加剧拥堵状况，甚至导致交通事故的发生；

3、为了解决上述缺陷，现提供一种技术方案。

技术实现思路

1、本发明的目的就在于解决现有高速公路监控系统缺乏对视频信息的深度分析和预测能力的问题，而提出一种基于视频ai的高速公路交通智能监测系统。

2、本发明的目的可以通过以下技术方案实现：

3、一种基于视频ai的高速公路交通智能监测系统，包括：

4、监测点布防模块，用于对目标监测路段进行监测点布防，由此得到目标监测路段对应的交通图像；

5、交通监测初分析模块，用于对目标监测路段对应的车辆状态信息进行监测得到异常值，由此对目标监测路段对应的交通状态进行初步判定分析，若判定目标监测路段对应的交通状态为异常状态时，则执行交通监测深分析模块；

6、交通监测深分析模块，用于基于目标监测路段对应的交通状态被判定为异常状态，由此对目标监测路段对应的交通拥堵影响信息进行分析处理，得到目标监测路段对应的路况评估值、车行驶评估值和路面评估值，其中，交通监测深分析模块包括第一监测分析单元、第二监测分析单元和第三监测分析单元；

7、所述第一监测分析单元用于对目标监测路段对应的路况状态进行监测分析，由此得到目标监测路段对应的路况评估值；

8、所述第二监测分析单元用于对目标监测路段对应的车辆行驶状态进行监测分析，由此得到目标监测路段对应的车行驶评估值；

9、所述第三监测分析单元用于对目标监测路段对应的路面状态进行监测分析，由此得到目标监测路段对应的路面评估值；

10、交通预测模块，用于接收目标监测路段对应的路况评估值、车行驶评估值和路面评估值，由此对目标监测路段对应的交通拥堵趋势状态进行分析，据此得到拥堵趋势类型信号，并发送到执行处理模块，其中，拥堵趋势类型信号包括重度拥堵趋势信号、中度拥堵趋势信号和轻度拥堵趋势信号；

11、执行处理模块，用于接收拥堵趋势类型信号，由此触发对应的预防执行指令，同时进行对应的操作处理并在显示终端进行显示通知。

12、进一步的，对目标监测路段进行监测点布防，具体的分析过程如下：

13、对目标监测路段按照预设的区域面积进行划分，其具体划分方式为：获取目标监测路段的长度和宽度将目标监测路段按照预设的区域面积将目标监测路段平均划分为若干个等面积的各子区域，得到目标监测路段的各子区域，并对目标监测路段的各子区域内进行智能摄像头布设；

14、通过智能摄像头对一段时间内目标监测路段对应的交通视频进行采集，得到一段时间内目标监测路段对应的交通视频，并对一段时间内目标监测路段对应的交通视频进行解析，得到一段时间内目标监测路段对应的各监测时间点的交通图像。

15、进一步的，对目标监测路段对应的交通状态进行初步判定分析，具体的分析过程如下：

16、从一段时间内目标监测路段对应的各监测时间点的交通图像中提取车辆数量，并将其标记为车辆数值tch，h表示一段时间内的各监测时间点，且h=1，2，3……n1，n1为一段时间内的各监测时间点的总数，取值为正整数；并将各监测时间点的车辆数值进行均值分析，得到车辆数均值记为，将车辆数值与车辆数均值进行差值分析，依据公式：，得到车辆数差值，其中，将车辆数差值与预设的车辆数差阈值进行比较分析，若车辆数差值大于或等于预设的车辆数差阈值，则将该监测时间点标记为异常点，若车辆数差值小于预设的车辆数差阈值，则将该监测时间点标记为正常点，对一段时间内的异常点数量进行统计，得到一段时间内的异常点数量并将其标记为异常值，同时将异常值与预设的异常阈值进行比较分析，若异常值大于或等于预设的异常阈值时，则判定目标监测路段对应的交通状态为异常状态。

17、进一步的，对目标监测路段对应的路况状态进行监测分析，具体的分析过程如下：

18、通过对一段时间内目标监测路段对应的各车辆的位置数据进行获取，得到一段时间内目标监测路段对应的各车辆的位置数据，位置数据包括各个车辆距离对应周围每个车辆的距离，由此得到位置数据组成的矩阵，表示标号为p的车辆与标号为q的周围车辆之间的距离，其中p=1，2，3……m1，m1表示各个车辆标号的总数，q=1，2，3……m2，m2表示各个车辆对应周围每个车辆标号的总数，依据矩阵：，提取各个车辆与对应周围每个车辆之间的距离数列代入矩阵公式：，得到各个车辆与对应周围每个车辆的车行距安全参数值组成的矩阵，并将其代入预设的数学模型：，得到目标监测路段对应的车行距值，其中、、分别为各个车辆对应的车行距安全参数值、车行距安全阈值和预警权重因子；

19、通过对一段时间内目标监测路段对应的加塞次数和走应急车道的车辆数量进行获取，得到一段时间内目标监测路段对应的加塞次数和走应急车道的车辆数量，并将其分别标定为加塞值和偏离值；

20、提取车行距值、加塞值和偏离值的数值进行归一化处理，依据公式：，得到目标监测路段对应的路况评估值，其中，β1、β2和β3分别表示车行距值、加塞值和偏离值的权重系数。

21、进一步的，对目标监测路段对应的车辆行驶状态进行监测分析，具体的分析过程如下：

22、通过对一段时间内目标监测路段对应的各个车辆的行驶速度进行获取，得到一段时间内目标监测路段对应的各个车辆的行驶速度，并从中提取最高行驶速度和最低行驶速度的数值进行差值计算得到行驶速度差值并标记为，同时对一段时间内目标监测路段对应预设的参考行驶速度差值进行获取，得到一段时间内目标监测路段对应预设的参考行驶速度差值并标记为，依据公式：，得到行驶速变值，其中，µ表示设定的修正系数；

23、通过对一段时间内目标监测路段对应的各个车辆的总超车次数进行获取，得到一段时间内目标监测路段对应的各个车辆的总超车次数，同时从中提取成功超车次数，将成功超车次数与总超车次数进行占比计算，得到变道平稳值并记为；

24、通过对一段时间内目标监测路段对应的各个车辆驾驶员从开始学习驾驶到当前监测时间点所经过的时间长度和所行驶的里程进行获取，得到一段时间内目标监测路段对应的各个车辆驾驶员从开始学习驾驶到当前监测时间点所经过的时间长度和所行驶的里程，并将其分别标记为驾时值和驾行值，提取驾时值和驾行值的数值分别乘以对应的权重系数再相加得到驾龄值并记为；

25、提取行驶速变值、变道平稳值和驾龄值的数值进行归一化处理，依据公式：，得到目标监测路段对应的车行驶评估值t2，其中，e表示自然常数，η1、η2和η3分别表示驶速变值、变道平稳值和驾龄值的权重系数，且η1＞η2＞η3。

26、进一步的，对目标监测路段对应的路面状态进行监测分析，具体的分析过程如下：

27、通过对一段时间内目标监测路段对应的路面状态信息中的出滑值、湿度值和破损值进行获取，得到一段时间内目标监测路段对应的路面状态信息中的出滑值、湿度值和破损值，并将其分别标记为phz、sdd和atz，同时提取三者的数值进行归一化处理，依据公式：，得到目标监测路段对应的路面评估值t3，其中，和分别表示参考出滑值、参考湿度值和参考破损值，和分别表示出滑异常差值、湿度异常差值和破损异常差值，γ1、γ2和γ3分别表示为出滑异常程度、湿度异常程度和破损异常程度的权重系数，且γ1＞γ2＞γ3。

28、进一步的，对目标监测路段对应的交通拥堵趋势状态进行分析，具体的分析过程如下：

29、提取目标监测路段对应的路况评估值t1、车行驶评估值t2和路面评估值t3的数值进行归一化处理，依据公式：，得到交通拥堵影响系数jty，其中，δ1、δ2和δ3分别表示为设定的权值因子；

30、设置交通拥堵影响系数的三个拥堵影响梯度对比区间，分别为第一梯度拥堵影响区间tdsh1、第二梯度拥堵影响区间tdsh2和第三梯度拥堵影响区间tdsh3，且tdsh1=atdsh2=2atdsh3，其中，tdsh1＞tdsh2＞tdsh3，a表示梯度的倍数，且a的具体数值的设定由本领域技术人员在具体高速公路交通实例中进行具体设置；

31、当交通拥堵影响系数处于预设的第一梯度拥堵影响区间tdsh1时，则生成重度拥堵趋势信号，当交通拥堵影响系数处于预设的第二梯度拥堵影响区间tdsh2时，则生成中度拥堵趋势信号，当交通拥堵影响系数处于预设的第三梯度拥堵影响区间tdsh3时，则生成轻度拥堵趋势信号。

32、与现有技术相比，本发明的有益效果是：

33、本发明通过对目标监测路段进行监测点布设，使其能够全面覆盖目标监测路段，从而确保了交通图像的获取质量和实时性，为后续分析提供了强有力的数据支持；

34、本发明通过对目标监测路段对应的车辆状态信息进行监测分析，能够初步识别出交通异常情况，从而实现了能够更准确地判断交通状态，为后续深度分析提供了重要的依据；

35、本发明依据目标监测路段的交通状态被判定为异常时，通过对目标监测路段对应的交通拥堵影响信息进行获取，并由此对目标监测路段对应的路况评估值进行分析，同时对目标监测路段对应的车行驶评估值进行分析，在对目标监测路段对应的路面评估值进行分析，进而综合分析得到交通拥堵影响系数，使得拥堵程度得以量化，有助于交通管理部门和出行者更准确地了解拥堵的严重程度，从而作出相应的决策和调整，避免了交通管理部门采取盲目或无效的应对措施，导致资源浪费和拥堵状况加剧。