一种道路路况智能视频监控方法及系统技术方案

本发明专利技术公开了一种道路路况智能视频监控方法及系统，方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。运用该种道路路况智能视频监控方法及系统，通过深度学习的神经网络对道路路况实时智能视频监控，及时发现交通通行状况，违反安全规范的行为、人员，并自动报警上传后端交通平台，后端交通平台通知相关工作人员立刻处理，确保道路通行安全。

【技术实现步骤摘要】
一种道路路况智能视频监控方法及系统
本专利技术涉及视频安防监控领域，尤其涉及一种道路路况智能视频监控方法及系统。
技术介绍
目前，道路是城市的一个主要组成部分，道路智能化能够实现城市服务能力提升。智慧道路建设，有如下意义和效果：弥补道路交通现状的信息采集覆盖不足、数据整合难的缺陷；实现运输管理的智能化监管、智能化调度；实现道路一侧情况智能识别和自动预警；融合实时路况实现对道路险情、交通拥堵及突发事件的预判和预警。因此需要一种道路路况智能视频监控方法及系统来实现道路实时路况智能识别和自动预警。
技术实现思路
本专利技术实施例提供了一种道路路况智能视频监控方法及系统，可以解决现有技术中道路视频安防监控主要依赖人工，效率低，预警不及时及信息采集覆盖不足、数据整合难的技术问题。为实现上述目的，本专利技术第一方面提供一种道路路况智能视频监控方法，所述方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。进一步地，还包括基于深度学习的神经网络对所述过往车辆场景进行识别车辆数据分析模型训练。进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括路面险情识别。进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别交通违法事件。进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别非机动车违法事件。进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别行人出行状态。进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别机动车，行人，非机动车的越区越线行为。进一步地，基于深度学习的神经网络对所述过往车辆场景进行识别分析之后，还包括将识别的道路路况结果发送至后台。进一步地，利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策包括设置相应道路路况阈值，若超过阈值则进行报警提示。为实现上述目的，本专利技术实施例还提供一种道路路况智能视频监控系统，包括获取识别模块，车流车速结果确定模块，预警决策模块，所述获取识别模块用于获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；所述车流车速结果确定模块用于对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；所述预警决策模块用于利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。本专利技术实施例提供一种道路路况智能视频监控方法，所述方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。运用该种道路路况智能视频监控方法，通过深度学习的神经网络对道路路况实时智能视频监控，通过实时分析采集车辆数据；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策，及时发现交通通行状况，违反安全规范的行为、人员，同时对行人和车辆的拥堵状态进行判断，并自动报警上传后端交通平台，后端交通平台通知相关工作人员立刻处理，确保道路通行安全，且该道路路况智能视频监控方法及系统选择普通摄像机安装嵌入式智能分析盒子，降低了整个系统的成本。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，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他的附图。图1为本专利技术第一实施例中一种道路路况智能视频监控方法步骤流程示意图；图2为本专利技术第二实施例中一种道路路况智能视频监控系统系统示意图。具体实施方式为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而非全部实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，图1为本专利技术第一实施例中一种道路路况智能视频监控方法步骤流程示意图，本专利技术实施例中，一种道路路况智能视频监控方法，所述方法包括：步骤101、获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；具体的，所有智能分析算法都是基于视频，所有算法都是采用神经网络深度学习算法，所有的智能分析算法都通过智能分析盒子实现，盒子接入已有监控摄像机，获取道路及过往车辆场景场景视频，通过深度学习的神经网络对道路过往车辆场景实时智能视频监控，通过实时分析采集车辆数据如车牌号码、车牌颜色、车牌类型、车身颜色、车型、车辆品牌；对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策，及时发现交通通行状况，违反安全规范的行为、人员，同时对行人和车辆的拥堵状态进行判断，并自动报警上传后端交通平台，后端交通平台通知相关工作人员立刻处理，确保道路通行安全，且该道路路况智能视频监控方法及系统选择普通摄像机安装嵌入式智能分析盒子，降低了整个系统的成本。步骤102、对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；具体地，对出现在摄像机的视场角内每辆车进行车辆ID跟踪，并在摄像机视频内配置一个区域，计算固定时间间隔内，通过该区域的车辆ID个数，从而计算得到车流量，同一车辆ID车速。所采集的数据自动上传给后端智慧交通大数据平台，同一车辆ID车速可以根据距离时间公式得出，这里对道路过往车辆场景视频进行识别确定了车辆ID个数即车流量，同一车辆ID车速。步骤103、利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策，具体实现中，管理人员可以对所述得到车流量，车速结果设置一个报警阈值，当超过报警阈值，预警出该路段的交通拥堵状况，比如车流量大，车速够慢时出现交通极度拥本文档来自技高网...

【技术保护点】
1.一种道路路况智能视频监控方法，其特征在于，所述方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；/n对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；/n利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。/n

【技术特征摘要】
1.一种道路路况智能视频监控方法，其特征在于，所述方法包括：获取道路过往车辆场景视频，基于深度学习的神经网络对所述过往车辆视频进行识别分析，实时分析采集车辆数据；
对同一路段不同地点所获取的道路过往车辆场景视频进行识别，确定统计固定时间间隔内，通过该区域的车辆ID个数，得到车流量，车速结果；
利用所述得到车流量，车速结果推导道路路况至大数据平台，进行预警决策。


2.根据权利要求1所述的视频监控方法，其特征在于，还包括基于深度学习的神经网络对所述过往车辆场景进行识别车辆数据分析模型训练。


3.根据权利要求2所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括路面险情识别。


4.根据权利要求2所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别交通违法事件。


5.根据权利要求2所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆场景进行识别分析模型训练还包括识别非机动车违法事件。


6.根据权利要求2所述的视频监控方法，其特征在于，基于深度学习的神经网络对所述过往车辆...

【专利技术属性】
技术研发人员：王维治，
申请(专利权)人：深圳英飞拓科技股份有限公司，
类型：发明
国别省市：广东;44