一种基于云端的车辆行程检测方法与流程

1.本发明涉及检测交通运动技术领域，具体涉及一种基于云端的车辆行程检测方法。


背景技术：

2.现有技术对于车辆行程的检测方法主要是：通过摄像头拍摄车辆车牌号，通过车牌号识别车辆，根据所识别车辆位置实现车辆的行程检测，进一步对车辆进行管控并将车辆人员隔离。但是当车辆经过中高风险区域但车辆人员并没有在中高风险区域活动的情况下，没有对车辆人员进行隔离的必要，无法实现精准管控。。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种基于云端的车辆行程检测方法，所采用的技术方案具体如下：本发明体处理一种基于云端的车辆行程检测方法，所述方法包括：根据预设采样频率采集车辆数据获取车辆车牌图像数据及其对应的车辆行程数据并存储至云端；所述车辆行程数据包括时间信息和路段位置信息；根据所述车牌图像数据识别目标车辆；根据所述目标车辆对应的所述车辆行程数据筛选出所述目标车辆所在的疑似下车行为路段；获得每个所述疑似下车行为路段中所有车辆的第一平均速度；获得每个所述疑似下车行为路段中的车辆分布特征；根据所述第一平均速度和所述车辆分布特征获得所述目标车辆在每个所在的所述疑似下车行为路段中的堵车概率，根据所述堵车概率判断所述目标车辆的下车行为状况；通过云端得到全国的中高风险区域，根据所述目标车辆在所述中高风险区域内的所述下车行为状况判断所述目标车辆是否需要消毒处理和所述目标车辆上的人员是否需要进行隔离。
4.进一步地，所述根据所述目标车辆对应的所述车辆行程数据筛选出所述目标车辆所在的疑似下车行为路段包括：根据车辆行程数据得到所述目标车辆所经过的所有城区路段，计算出所述目标车辆在所有城区路段的平均速度，当所述目标车辆所经过的所述目标城区路段速度小于所述平均速度的一半时，将所述目标城区路段记为疑似下车行为路段。
5.进一步地，所述获得每个所述疑似下车行为路段中所有车辆的第一平均速度包括：将所述目标车辆经过所述疑似下车行为路段的时间段按照预设扩增步长进行扩增，获得统计时间段；获得所述统计时间段内所有车辆通过所述疑似下车行为路段的平均速度并记为第一平均速度。
6.进一步地，所述获得每个所述疑似下车行为路段中的车辆分布特征包括：每隔预设提取时间得到所述目标车辆在所述疑似下车行为路段中的疑似下车行为路段图像，以所述疑似下车行为路段图像中所有车辆编号为纵轴，以所述目标车辆经过疑似下车行为路段的时间为横轴建立矩阵，当所述疑似下车行为路段图像内存在车辆时，将所述疑似下车行为路段图像时间对应的横轴和所述车辆编号对应的元素记为1，否则记为0；计算得到矩阵中每个1值到矩阵对角线的距离平均值并记为所述疑似下车行为路段的车辆分布特征。
7.进一步地，所述根据所述第一平均速度和所述车辆分布特征获得所述目标车辆在每个所在的所述疑似下车行为路段中的堵车概率包括：将所述第一平均速度和所述车辆分布特征归一化后通过堵车概率模型得到所述疑似下车行为路段中的堵车概率，所述堵车概率模型包括：其中，为所述堵车概率，为所述第一平均速度，为所述车辆分布特征，为所述第一平均速度对应的权值参数，为所述车辆分布特征对应的权值参数。
8.进一步地，所述根据所述车牌图像数据通过神经网络识别目标车辆包括：通过cnn神经网络识别所述目标车辆，所述cnn神经网络的输入为所述车辆车牌图像数据，所述cnn神经网络的输出为车牌号，损失函数为交叉熵损失函数，根据所述cnn神经网络的输出的所述车牌号识别所述目标车辆。
9.进一步地，所述根据所述全国各个区域的中高风险状况和所述下车行为状况判断所述目标车辆是否需要消毒处理和所述目标车辆人员是否需要进行隔离包括：当所述目标车辆经过中高风险区域时但不存在下车行为时，对该车辆进行消毒处理；当所述目标车辆经过中高风险区域时且存在下车行为时，对所述目标车辆上的人员进行隔离处理。
10.本发明具有如下有益效果：本发明实施例利用对目标车辆的车辆形成数据筛选出疑似下车行为路段，考虑到车辆在路段上行驶行为的不确定性，对于目标车辆所在的疑似下车行为路段进行进一步的分析，利用第一平均速度表征路段内其他车辆的速度信息，利用车辆分布特征表征疑似下车行为路段其他车辆的分布，通过车辆分布特征和第一平均速度获得堵车概率，即通过堵车概率能够作为判断对应疑似下车行为路段堵车的参考数据，进而判断目标车辆的下车行为状况。通过结合中高风险区域信息对目标车辆实施准确的管控措施，实现了车辆行程检测的同时通过行为检测减小了管理成本。
附图说明
11.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和优点，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的介绍，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，对于本领域普通技术人员来讲，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它附图。
12.图1为本发明一个实施例所提供的一种基于云端的车辆行程检测方法流程图。
具体实施方式
13.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于云端的车辆行程检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
14.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
15.下面结合附图具体的说明本发明所提供的一种基于云端的车辆行程检测方法的具体方案。
16.请参阅图1，其示出了本发明一个实施例提供的一种基于云端的车辆行程检测方法流程图，该方法包括：步骤s1：根据预设采样频率采集车辆数据获取车辆车牌图像数据及其对应的车辆行程数据并存储至云端；所述车辆行程数据包括时间信息和路段位置信息；根据所述车牌图像数据识别目标车辆。
17.在道路上架设摄像头，通过摄像头每隔一定采样频率采集道路上车辆图像数据，需要保证目标车辆在其沿途经过的所有道路口或者高速上的监控摄像头都能够采集到目标车辆的车牌图像。在本发明实施例中摄像头采集图像的频率为每秒1次。
18.在本发明实施例中，在拍摄到车辆图像数据后，对车牌图像数据进行预处理，具体包括：将车辆图像数据进行灰度化处理，筛选灰度化后的车辆图像数据中出车牌图像不清晰的数据和重复数据，以减少误差发生的可能性；对于车牌图像不清晰的数据，通过图像增强算法进行解决。在本发明实施例中，所采用的图像增强算法为直方图均衡化。需要说明的是，所述直方图均衡化为本领域技术人所熟知的现有技术，在此不做进一步限定和赘述。对于重复数据，重复数据出现的原因是当摄像头架设在具有红绿灯的路口处时，目标车辆遇到红灯需要在路口等待，此时每1s采集一张图像就会得到多张图像在此时的图像也就是重复数据，如果按时间进行排序，计算出来的行程时间就会不准确；通过设定重新采样频率解决重复数据的问题，当某一张车辆图像数据通过图像识别出车牌号存在时，设定重新采样频率t，即在t秒后该车牌被识别后才会被统计。在本发明实施例中，统计不同市区内的红绿灯平均转换时间，将该时间作为统计频率t。
19.预处理后的图像数据包括车辆行程数据和车牌图像数据，将车辆行程数据和车牌图像数据储存至云端。车辆行程数据包括时间信息和路段位置信息；时间信息为摄像头拍摄车辆图像数据的时刻，路段位置信息为摄像头拍摄车辆图像数据时摄像头的位置。对于车牌图像数据，对预处理后的图像数据进行车牌图像裁剪，将疑似车牌的部分裁剪出来作为车牌图像数据。需要说明的是，所述车牌图像裁剪为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。
20.根据预处理后的车辆图像数据中的车牌图像数据识别出目标车辆。优选的，采用cnn神经网络根据车牌图像数据识别目标车辆，cnn神经网络的输入为车牌图像数据，输出为车牌号，损失函数为交叉熵损失函数，进一步根据车牌号识别目标车辆。需要说明的是，cnn神经网络为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。
21.步骤s2：根据所述目标车辆对应的所述车辆行程数据筛选出所述目标车辆所在的疑似下车行为路段。
22.至此，通过对图像数据的预处理和神经网络处理，通过云端可以识别到目标车辆的时间信息和路段位置信息，下面则根据时间信息和路段位置信息判断目标车辆是否有疑似下车行为。
23.根据时间信息和路段位置信息通过云端得到目标车辆的行程路线。在本发明实施例中，当目标车辆被监控摄像头采集识别后得到其所处路段位置信息和采集的时间信息，为了避免重复数据，再次采集的时间是t秒后。将该车辆每次被采集的路段位置信息和时间信息上传至云端，将云端中所采集到的数据按照时间排列，每采集一次新的数据就在该车辆的数据序列前添加一位，至此即可得到一个数据序列记为，序列由多个二元组构成，每个二元组包括时间信息和位置信息，序列具体为：其中，表示目标车辆识别出的车辆行程数据数量，表示该车辆行程数据中目标车辆的位置，表示该车辆行程数据中采集的时间。
24.通过序列中的位置信息再结合电子地图信息就可以得到序列中两个相邻二元组之间的真实距离，即该距离表示一个路段的路程，记为l。将进一步通过采集的时间信息得到每一个路段的行程距离时间，记为；由此可以得到时间距离序列，具体为：其中，表示目标车辆识别出的车辆行程数据数量，表示一个路段的路程，表示一个路段的行程距离时间。
25.根据时间距离序列可以得到目标车辆通过每一个路段的时间，根据每个路段对应的路程可以求得目标车辆经过每个路段的平均速度，当目标车辆在某个路段速度明显更低时，那么该车辆则可能存在下车行为，因此可根据目标车辆对应的所述车辆行程数据筛选出所述目标车辆所在的疑似下车行为路段，具体为：首先根据车辆行程数据判断车辆是在高速路段还是城区路段，在电子地图中将所有城区部分进行提取，计算车辆行程与城区的交底，将车辆行程分为高速路段和城区路段。计算目标车辆在城区路段中每一段的速度，并且记为。当城区部分路段速度小于时，认为目标车辆在该路段疑似出现下车行为，并将该路段记为疑似下车行为路段。疑似下车行为路段为目标车辆在该路段上的某一时间可能存在下车行为，即该疑似下车行为路段包括目标车辆可能存在下车行为路段的位置和存在下车行为的时间。
26.步骤s3：获得每个所述疑似下车行为路段中所有车辆的第一平均速度；获得每个所述疑似下车行为路段中的车辆分布特征；根据所述第一平均速度和所述车辆分布特征获得所述目标车辆在每个所在的所述疑似下车行为路段中的堵车概率，根据所述堵车概率判断所述目标车辆的下车行为状况。
27.在得到疑似下车行为路段后，并不能认为目标车辆在此路段下车，因为可能存在堵车的情况导致目标车辆在疑似下车行为路段车速变慢，因此要对疑似下车行为路段进行
进一步分析来确定目标车辆是否在疑似下车行为路段下车。
28.筛选出序列中所有疑似下车行为路段对应的二元组，将该路段对应的二元组转换为序列中的两个对值，也就得到了该路段的位置和目标车辆进出该路段对应的时间，将所述目标车辆经过疑似下车行为路段的时间段按照预设扩增步长进行扩增，获得统计时间段，获得统计时间段内所有车辆通过所述疑似下车行为路段的时间，由于数据都是上传在云端中，因此可以轻易的得到目标车辆在疑似下车行为路段统计时间段内所有车辆通过这个路段对应两个路口的时间，计算出所有车辆通过疑似下车行为路段的平均速度，记为第一平均速度。在本发明实施例中，预设扩增步长设置为疑似下车行为路段的时间段的一倍。
29.除此之外，可能会存在某一个路段下某一时段的行驶车辆很少，样本少代表性较差，若间隔路口太多，出现岔路等因素也会影响到堵车的判断，所以根据目标车辆在疑似下车行为路段中其他车辆的分布状况引入车辆分布特征进一步判断堵车情况。具体的：对于疑似下车行为路段在中对应的两个二元组为两次采集到车辆信息的前后时间，假设该疑似下车行为路段中存在m个摄像头，m为正整数，那么对于每一个摄像头，从采集到该车进入该路段的时间开始，摄像头采集时间为1s。在本发明实施例中，为了减少运算，每10s提取一张图像，识别图像中的所有车辆，因此对于每一个摄像头就可以构成一个矩阵，矩阵的横轴为时间，时间为目标车辆从进入这个路段到出这个路段的时间，纵轴为车辆编号，两者的交叉项为在当前时间是否存在该车辆，若存在记为1，不存在记为0。
30.在本发明实施例中，根据所得到的疑似下车行为路段对应的矩阵得到对应的车辆分布特征，当出现堵车现象时，摄像头会采集并识别出更多的车辆，反映在矩阵上表现为矩阵的纵轴会出现多个1，并且出现堵车现象时，每隔10s采集的图像连续的多张可能存在同一车辆，反映在矩阵上表现为矩阵的横轴上会出现多个1，并且会大量聚集在矩阵中。矩阵会呈现出所有值都汇聚在对角线处。根据所有1值在矩阵中的位置，得到矩阵的主对角线，计算矩阵中每个1值到矩阵对角线的距离平均值并记为疑似下车行为路段的车辆分布特征，对应的当值越小时，越有可能发生堵车。因此通过矩阵行驶将车辆行程数据进行量化能够准确提取出车辆分布特征。
31.优选的，在得到第一平均速度和车辆分布特征后进行归一化，根据归一化后的第一平均速度和归一化后的车辆分布特征通过堵车概率模型得到疑似下车行为路段的堵车概率，堵车概率模型包括：其中，为所述堵车概率，为所述第一平均速度，为所述车辆分布特征，和为权值参数，在本发明实施例中，和的经验值为0.5。
32.分别通过1减去第一平均速度和车辆分布特征使得堵车概率与第一平均速度和车辆分布特征呈反比，进一步引入，作为第一平均速度和车辆分布特征的权值使得对不同的城区路段有更好的适应性。
33.进一步地，根据所求得的疑似下车行为路段的堵车概率判断车辆的下车行为状
况，具体包括：当时，就认为该路线发生堵车，认为此时检测车辆没有出现下车状况；时，就认为该路线没有发生拥堵，并且认为此时检测车辆出现下车情况。
34.至此，通过判断疑似下车行为路段是否出现堵车情况来判断目标车辆是否在疑似下车行为路段的下车行为状况，进一步的根据目标车辆的下车行为状况对车辆进行管控。
35.步骤s4：通过云端得到全国的中高风险区域，根据所述目标车辆在所述中高风险区域内的所述下车行为状况判断所述目标车辆是否需要消毒处理和所述目标车辆上的人员是否需要进行隔离。
36.通过云端得到全国各个区域的中高风险情况，将其分割出来，将其与车辆的路程求交集，得到新的序列，其中，就表示目标车在疑似下车行为路段是否下车，其中1为下车，0为未下车；为目标车辆是否经过中高风险区域，若经过记为1，未经过记为0。由此当最终得到的新序列中一个数值对中出现11时，就表示需要隔离，若出现01时，需要进行全车消毒，其余情况不需要进行处理。即当目标车辆经过中高风险区域时但不存在下车行为时，对该车辆进行消毒处理；当所述目标车辆经过中高风险区域时且存在下车行为时，对所述目标车辆人员进行隔离处理。
37.至此，根据对目标车辆的管控实现车辆的行程检测。
38.综上所述，本发明通过各个路口摄像头采集车辆的图像并记录行程数据，通过云端统计车辆的行程数据判断是否经过中高风险地区并检测目标车辆是否在中高风险地区有下车行为。本发明在检测车辆行程的基础上通过车辆是否遭遇堵车情况来进一步判断车辆人员是否在中高风险区域有下车行为，使得对车辆的行程的管控更加准确。因此本发明在对车辆行程管控更加准确的同时节省了成本。
39.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
40.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
41.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。