本發(fā)明涉及智能交通領(lǐng)域，具體涉及一種交通事件的自動識別方法。

背景技術(shù)：

1、隨著科技的不斷發(fā)展，自動識別交通事件的技術(shù)也在不斷進步。目前，智能交通識別技術(shù)已得到廣泛應(yīng)用，成為現(xiàn)代交通管理不可或缺的一部分。各種交通事件的識別不僅可以作為輔助應(yīng)急響應(yīng)的手段，同時也是提升交通效率、提高交通安全性的重要保障，對促進交通行業(yè)的持續(xù)健康發(fā)展具有重要的作用。

2、然而，雖然這些技術(shù)已經(jīng)取得了一定的進展，但在實際應(yīng)用中仍可能面臨諸多挑戰(zhàn)。比如，基于圖像的信息，沒有考慮視頻的時序信息，使得實際的交通事件判別缺乏可行性，或者難以保證準確率，進而導致在實際應(yīng)用中難以落地。

技術(shù)實現(xiàn)思路

1、為了解決上述背景技術(shù)中提到的至少一個問題，本發(fā)明提出了一種交通事件的自動識別方法。

2、一種交通事件的自動識別方法，具體地，工作流程包括步驟：

3、步驟s1，圖像采集裝置采集視頻數(shù)據(jù)，并將采集到的視頻數(shù)據(jù)發(fā)送給計算節(jié)點；

4、步驟s2，所述計算節(jié)點接收所述圖像采集裝置發(fā)送的視頻，對視頻進行處理；

5、步驟s3，對計算節(jié)點處理得到的數(shù)據(jù)執(zhí)行計算，從而得到交通事件的識別結(jié)果，具體地，處理得到的數(shù)據(jù)包括分類算法推理數(shù)據(jù)、檢測算法推理數(shù)據(jù)、追蹤算法推理數(shù)據(jù)，其中，

6、分類算法推理結(jié)果是densnet121輸出的推理結(jié)果result_class，result_class的格式為：

7、result_class＝{“camer_id”：cameranumber，“cls”：category，“score”：confidence}

8、其中，camer_id為攝像頭編號，cls為分類的類別，score為分類的置信度；

9、檢測算法推理結(jié)果是yolox輸出的推理結(jié)果result_detect，result_detect的格式為：

10、result_detect＝{“camer_id”：cameranumber，“cls”：category，“score”：confidence，

11、“detect_rect”：(x1，y1)，(x2，y2)}

12、其中，camer_id為攝像頭編號，cls為分類的類別，score為分類的置信度，detect_rect為檢測框的坐標位置，x1和y1分別為檢測框左上角x軸的坐標值和y軸的坐標值，x2和y2分別為檢測框右下角x軸的坐標值和y軸的坐標值；

13、追蹤算法推理結(jié)果是fairmot輸出的推理結(jié)果result_track，result_track的格式為：

14、result_track＝{“camer_id”：camera?number，“r_id”：re?identificationnumber，“track_rec”：(x1，y1)}

15、其中，camer_id為攝像頭編號，r_id為重識別的編號，score為分類的置信度,track_rec為追蹤軌跡點的坐標位置，x1和y1分別表示軌跡點x軸的坐標值和y軸的坐標值；

16、雖然自動識別交通技術(shù)已經(jīng)取得了一定的進展，但在實際應(yīng)用中仍可能面臨諸多挑戰(zhàn)。比如，基于圖像的信息，沒有考慮視頻的時序信息，使得實際的交通事件判別缺乏可行性，或者難以保證準確率，進而導致在實際應(yīng)用中難以落地。本發(fā)明根據(jù)實際交通場景，將交通場景下的算法任務(wù)的分為分類、檢測和追蹤三類，并根據(jù)算法結(jié)果提出了不同交通事件的識別流程及判斷邏輯，實現(xiàn)了對各種交通事件的自動化識別。

17、得到交通事件的識別結(jié)果，交通事件包括：機動車違規(guī)變道、車輛擁堵、能見度低、非機動車闖禁、機動車占用應(yīng)急車道，其中，

18、機動車違規(guī)變道的判斷條件是機動車輛的軌跡線與車道線存在交叉，具體計算公式為：

19、aix+bi＝ajx+bj

20、其中，aix+bi為車輛的軌跡線，ajx+bj為車道的軌跡線，當上面方程式成立且存在解時，則判定機動車發(fā)生變道。

21、車輛擁堵需要滿足以下條件：

22、條件n1，同一圖片下檢測到的機動車數(shù)量大于設(shè)定的閾值，具體計算公式為：

23、num≥t1

24、條件n2，num為車輛的數(shù)量，t1為設(shè)定的閾值；

25、條件n3，機動車的速度小于設(shè)定速度閾值，具體計算公式為：

26、s≥ts

27、

28、其中，s為機動車的速度，ts為設(shè)定的速度閾值，tj和ti表示推理圖像j和圖像i時對應(yīng)的不同時間，yj和yi表示圖像i和圖像j中同一機動車軌跡點的y軸坐標。

29、能見度低是根據(jù)以下步驟得到：

30、首先，對獲取的各個高速路段圖像按照可見度大小，分為能極度好、能極度一般、能極度差、能極度很差共四個等級；

31、然后，將分類后的圖片劃分成訓練集和驗證集，訓練densnet121分類器；

32、接著，將訓練好的分類器加載至邊緣計算節(jié)點進行推理，得到推理的結(jié)果；

33、最后，如果推理結(jié)果的能見度為能極度差或能極度很差時，則判定當前路段能見度低。

34、非機動車闖禁需要滿足以下條件：

35、首先，同時檢測到非機動車和人員；

36、其次，人員目標檢測框和非機動車檢測框存在交叉，具體計算公式為：

37、

38、iou≥0

39、其中，iou表示人員目標檢測框和非機動車檢測框交集和并集的比值，person和vehicle分別表示人員目標的檢測框和非機動車的檢測框，∩表示交集，∪表示并集，如果iou大于0，則判定人員目標檢測框和非機動車檢測框存在交叉；

40、機動車占用應(yīng)急車道的判斷條件是機動車輛x軸坐標位于應(yīng)急車道線內(nèi)，具體計算公式為：

41、xi-xj≥tl

42、其中，xi為機動車軌跡點的x軸坐標，xj為應(yīng)急車道線的x軸坐標，tl為設(shè)定的距離閾值，當xi-xj小于設(shè)定的距離閾值tl時，則判定機動車占用應(yīng)急車道。

43、本發(fā)明提出了一種交通事件的自動識別方法，與現(xiàn)有的技術(shù)相比，具有以下有益效果：

44、本發(fā)明根據(jù)實際交通場景，將交通場景下的算法任務(wù)的分為分類、檢測和追蹤三類，并根據(jù)算法結(jié)果提出了不同交通事件的識別流程及判斷邏輯，實現(xiàn)了對各種交通事件的自動化識別。能夠快速識別交通事故異常情況，能夠為交通管理部門提供科學的決策依據(jù)并有效地減輕事故的影響。

技術(shù)特征：

1.一種交通事件的自動識別方法，其特征在于，包括步驟：

2.根據(jù)權(quán)利要求1所述的一種交通事件的自動識別方法，步驟s3中所述的對計算節(jié)點處理得到的數(shù)據(jù)執(zhí)行計算，處理得到的數(shù)據(jù)包括分類算法推理數(shù)據(jù)、檢測算法推理數(shù)據(jù)、追蹤算法推理數(shù)據(jù)，其中，

3.根據(jù)權(quán)利要求2所述的一種交通事件的自動識別方法，所述機動車違規(guī)變道的判斷條件是機動車輛的軌跡線與車道線存在交叉，具體計算公式為：

4.根據(jù)權(quán)利要求2所述的一種交通事件的自動識別方法，所述車輛擁堵需要同時滿足以下條件：

5.根據(jù)權(quán)利要求2所述的一種交通事件的自動識別方法，所述能見度低是根據(jù)以下步驟得到：

6.根據(jù)權(quán)利要求2所述的一種交通事件的自動識別方法，所述所述非機動車闖禁需要滿足以下條件：

7.根據(jù)權(quán)利要求2所述的一種交通事件的自動識別方法，所述機動車占用應(yīng)急車道的判斷條件是機動車輛x軸坐標位于應(yīng)急車道線內(nèi)，具體計算公式為：

技術(shù)總結(jié)
本發(fā)明涉及智能交通領(lǐng)域，公開了一種交通事件的自動識別方法。本發(fā)明根據(jù)實際交通場景，將交通場景下的算法任務(wù)的分為分類、檢測和追蹤三類，并根據(jù)算法結(jié)果提出了不同交通事件的識別流程及判斷邏輯，實現(xiàn)了對各種交通事件的自動化識別。能夠快速識別交通事故異常情況，能夠為交通管理部門提供科學的決策依據(jù)并有效地減輕事故的影響。

技術(shù)研發(fā)人員：鄂欽,高睿
受保護的技術(shù)使用者：盈乾家智能科技（武漢）有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10