技术特征：
1.道路异常智能识别模型训练方法，其特征是，包括以下步骤：获取多个处于异常状态的道路图像作为训练样本图像；提取各个训练样本图像中异常特征和车辆驾驶位特征，得到训练样本集；将训练样本集输入深度学习神经网络模型进行训练，得到道路异常智能识别模型。2.根据权利要求1所述的道路异常智能识别模型训练方法，其特征是，所述异常特征包括异常区域形态信息以及异常区域的行驶道站位信息。3.根据权利要求1所述的道路异常智能识别模型训练方法，其特征是，所述车辆驾驶位特征包括车辆密度分布信息和车辆驾驶方位信息。4.根据权利要求3所述的道路异常智能识别模型训练方法，其特征是，所述车辆密度分布信息的获取过程具体为：提取预设像素区域内的车辆数量；根据预设像素区域的像素值、车辆数量计算得到车辆平均分布密度；根据预设像素区域内的像素占空率计算得到各个子区域的车辆实际分布密度；根据预设像素区域内各个车辆所处子区域的车辆实际分布密度、对应车辆距离异常区域的像素值计算得到由异常密度影响值集成的车辆密度分布信息。5.根据权利要求4所述的道路异常智能识别模型训练方法，其特征是，所述异常密度影响值与车辆实际分布密度呈正相关，且与对应车辆距离异常区域的像素值呈反相关。6.根据权利要求4所述的道路异常智能识别模型训练方法，其特征是，所述异常密度影响值参与模型训练的频率根据异常密度影响值、车辆平均分布密度之间的比值计算得到。7.根据权利要求3所述的道路异常智能识别模型训练方法，其特征是，所述车辆驾驶方位信息根据车辆驾驶方向相对于行驶道标注方向的偏移值确定。8.根据权利要求1所述的道路异常智能识别模型训练方法，其特征是，所述异常状态包括道路拥堵、道路施工、交通事故、道路损坏。9.道路异常识别方法，其特征是，包括以下步骤：通过至少一个车载终端随机采集待检测的道路识别图像；根据车载终端的定位信息匹配本地服务器，建联后将道路识别图像上传至本地服务器；通过本地服务器内储存的如权利要求1
‑
8任意一项所述的道路异常智能识别模型对道路识别图像进行图像识别，得到道路识别图像中的异常状态信息；通过本地服务器将异常状态信息反馈至所属定位区域内所有的车载终端。10.道路异常识别系统，其特征是，包括：至少一个车载终端，用于随机采集待检测的道路识别图像，并根据车载终端的定位信息匹配本地服务器，以及建联后将道路识别图像上传至本地服务器；至少一个本地服务器，用于以储存的如权利要求1
‑
8任意一项所述的道路异常智能识别模型对道路识别图像进行图像识别后得到道路识别图像中的异常状态信息，并将异常状态信息反馈至所属定位区域内所有的车载终端。
技术总结
本发明公开了道路异常智能识别模型训练、道路异常识别的方法及系统，涉及道路识别技术领域，解决了现有道路异常情况识别存在一定的误差，且识别精度有待进一步提升的问题，其技术方案要点是：获取多个处于异常状态的道路图像作为训练样本图像；提取各个训练样本图像中异常特征和车辆驾驶位特征，得到训练样本集；将训练样本集输入深度学习神经网络模型进行训练，得到道路异常智能识别模型。发明通过依据异常特征对车辆驾驶位特征的影响相关性进行模型训练，能够依据车辆密度分布信息、车辆驾驶方位信息的细节差异性表征精准、可靠的识别出道路异常的具体类型和具体情况，道路异常识别的误差较小。识别的误差较小。识别的误差较小。
技术研发人员：陈建达
受保护的技术使用者：山东理工大学
技术研发日：2021.06.28
技术公布日：2021/9/3