一种基于车载无人机的逃逸车辆快速识别和追踪方法技术

本发明专利技术公开了一种基于车载无人机的逃逸车辆快速识别和追踪方法，具体包括步骤：(1)构建逃逸车辆所在路段位置预测模型，将概率值最大的前三个区域作为候选区域(2)对三个候选区域的车辆进行扫描并5G网络上传至云端(3)建立基于改进DenseNet121的轻量化逃逸车辆重识别模型，基于待查询逃逸车辆分别在每个候选区域的图片上进行车辆特征提取和重识别；(4)将逃逸车辆重识别率最高的图片所在候选区域的位置信息传输至执勤人员，完成肇事逃逸车辆的追踪。本发明专利技术实现无人机对逃逸车辆快速可靠的重识别，提高破案效率。

【技术实现步骤摘要】
一种基于车载无人机的逃逸车辆快速识别和追踪方法
本专利技术涉及车辆追踪及车辆重识别领域，尤其涉及一种基于车载无人机的逃逸车辆快速识别和追踪方法。
技术介绍
目前，随着车辆和驾驶员数量的持续增长，交通安全形式日益严峻；交通肇事后逃逸致人重伤的比例越来越大，不仅带来了巨大经济损失，而且还带来了一系列社会问题。在公安干警人手紧缺、道路位置偏僻这样严峻的大背景下，对肇事逃逸车辆的技术追踪便显得尤为重要。如何高效、智能追捕在逃车辆也成为一项值得关注、有待解决的紧要问题。计算机视觉和机器学习的发展日新月异，这也给逃逸车辆的追踪带来了新的思路。比如近年来低空无人机就可以使用无线和自主飞行来完成复杂环境中的飞行任务。各种续航、悬停、云台技术的发展增加了它的实用性，多旋翼无人机也开始投入警用，所以将二者结合应用在城市道路背景下能够实现逃逸车辆快速追踪，具有重要的研究价值和巨大的经济社会效益。同时，5G技术和物联网技术在交通行业中也得到大范围的应用，并衍生出多种具有创新性的技术，这些都为逃逸车辆的快速准确追踪提供了可能。现阶段，在交通肇事逃逸车辆的方面，目本文档来自技高网...

【技术保护点】
1.一种基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，包括如下步骤：/n(1)构建逃逸车辆所在路段位置预测模型，预测肇事逃逸车辆在各路口出现的概率，并进行排序，将概率值最大的前三个区域作为候选区域；/n(2)利用带有摄像机的无人机对三个候选区域的车辆进行扫描，将扫描的车辆图片通过5G网络上传至云端；/n(3)建立基于改进DenseNet121的轻量化逃逸车辆重识别模型，基于待查询逃逸车辆分别在每个候选区域的图片上进行车辆特征提取和重识别；/n(4)将逃逸车辆重识别率最高的图片所在候选区域的位置信息传输至执勤人员，完成肇事逃逸车辆的追踪。/n

【技术特征摘要】
1.一种基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，包括如下步骤：
(1)构建逃逸车辆所在路段位置预测模型，预测肇事逃逸车辆在各路口出现的概率，并进行排序，将概率值最大的前三个区域作为候选区域；
(2)利用带有摄像机的无人机对三个候选区域的车辆进行扫描，将扫描的车辆图片通过5G网络上传至云端；
(3)建立基于改进DenseNet121的轻量化逃逸车辆重识别模型，基于待查询逃逸车辆分别在每个候选区域的图片上进行车辆特征提取和重识别；
(4)将逃逸车辆重识别率最高的图片所在候选区域的位置信息传输至执勤人员，完成肇事逃逸车辆的追踪。


2.根据权利要求1所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，步骤(1)具体包括两个阶段：一是逃逸车辆所在路段位置预测模型的网络训练阶段，二是逃逸车辆位置预测模型的实时检测阶段。


3.根据权利要求2所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，在所述的网络训练阶段，建立一个包括输入层、隐含层和输出层的逃逸车辆位置预测BP人工神经网络，其中，输入层节点数为8，包括肇事逃逸车辆的时间特征x0，肇事逃逸车辆的位置拓扑信息x1，肇事逃逸车辆的连接性特征x2，肇事逃逸车辆的天气特征x3以及肇事逃逸车辆用户的行为特征，其中用户行为特征又包括平均通行时间x4、平均速度x5、绕行率x6、方向信息x7这8维输入变量；隐藏层包括2层，每层节点数为8；输出层节点包括y0,y1,y2,y3,y4,y5,y6,...,ym，共m+1个路口的概率值。


4.根据权利要求3所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，在所述的网络训练阶段还包括收集网络的训练样本对网络进行训练，使用从交管部门得到的历史肇事逃逸车辆轨迹位置信息作为训练数据进行模型的训练，包括特征提取和模型训练两个方面：
在特征提取方面，包括时间特征、位置拓扑信息、连接性特征、天气特征、用户行为特征，其中用户行为特征又包括平均通行时间、平均速度、绕行率、方向信息，提取的特征向量表达式为：
X＝(x0,x1,x2,x3,x4,x5,x6,x7)
x0表示肇事逃逸车辆当前样本点的时间特征，即当前样本点对应的肇事逃逸车辆在轨迹中的时间点；x1表示肇事逃逸车辆的位置拓扑信息，即当前路段到起始和终点的曼哈顿距离的比值；x2表示肇事逃逸车辆的连接性特征，即经过当前路段r的路径数占所有可能的路径数的比值；x3表示肇事逃逸车辆当前路段的天气特征；
肇事逃逸车辆用户的行为特征，具体包括
(1)在上一段轨迹中，该车辆轨迹的通行时间以及所有训练数据中通过相同相邻交通卡口的所有轨迹的平均通行时间x4；
(2)在上一段轨迹中，该车辆轨迹的平均速度和训练数据中所有通过相同的相邻交通卡口的所有轨迹的平均速度x5：
(3)该车辆在上一段轨迹中的绕行率x6...

【专利技术属性】
技术研发人员：孙伟，解帅，孙中钰，葛楷，田梦瑶，左欣幼，付锦燚，严皖宁，孙高宇，孙冉冉，周旭阳，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32