基于人工智能的运输路线监控方法技术

本发明专利技术涉及人工智能技术领域，具体涉及一种基于人工智能的运输路线监控方法。该方法包括：采集渣土车装载完成后的初始状态图像；对渣土车在运输过程中的每帧监控图像进行高斯下采样得到多张采样图像；根据初始状态图像与每张采样图像进得到多个匹配点对；获取每个匹配点对的置信度进而得到该采样图像的置信度均值，当置信度均值小于预设阈值时，对高斯下采样的高斯核进行调整再次获取每帧监控图像对应的多张优选采样图像，根据每张优选采样图像的第一匹配度得到每帧监控图像的匹配度；根据多帧监控图像的匹配度对渣土车的司机进行预警。提高了道路监控相机的利用率，增加了处理的时效性，提供了可靠性较高的实时运输监控。控。控。

【技术实现步骤摘要】
基于人工智能的运输路线监控方法


[0001]本专利技术涉及人工智能
，具体涉及一种基于人工智能的运输路线监控方法。

技术介绍

[0002]随着运输行业的发展，物联网、车联网技术的深入，对车辆的监控管理集中形成了一定的规模化管理。虽然管理日趋精细化，但仍在存在较多的“多拉快跑”等违法现象，以至于道路运输过程中的安全事故也不断增加；在车辆的监管上溢出了更高的技术要求，更多的创新型的技术融入到车联网中，且北斗技术的发展更进一步推动了车联网终端技术的发展。
[0003]目前对车辆运输的监控方式仅仅是在运输车中安装GPS定位模块，通过实时获取运输车的位置进行运输监控。以渣土车为例，渣土车在运输过程中，由于所运输的渣土质量较大，因此其自身也存在较大的运输风险，则监控运输中的运输状态就显得尤为重要。在GPS定位模块中，只能定位到车辆的大致位置，无法确定车辆当前的运行状态，很多车辆在行驶过程中可能存在超速现象，而渣土车的超速行驶极易造成渣土掉落；甚至有司机为了减少油耗，从而存在乱倒渣土的现象；渣土掉落在车道上或者随机乱倒渣土都会给市政管理带来很大的不便，而现有的监控方法可靠性较低，无法实现可靠有效的运输监控。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的运输路线监控方法，该方法包括以下步骤：
[0005]采集渣土车装载完成后的初始状态图像，所述初始状态图像包括所述渣土车区域；
[0006]获取所述渣土车在运输过程中的多帧监控图像；对每帧所述监控图像进行高斯下采样得到多张采样图像；对所述初始状态图像与每张所述采样图像进行角点匹配得到多个匹配点对；
[0007]以任意所述匹配点对为目标点对，根据所述目标点对及其邻近区域内所有所述匹配点对之间的距离差异得到所述目标点对的置信度；获取所述采样图像中所有所述匹配点对的置信度均值，当所述置信度均值小于预设阈值时，根据所述置信度均值对所述高斯下采样的高斯核进行调整；
[0008]基于调整后的高斯核对每帧所述监控图像进行高斯下采样得到多张优选采样图像，获取所述优选采样图像与所述初始图像之间的第一匹配度；根据每张所述优选采样图像的第一匹配度得到每帧所述监控图像的匹配度；根据多帧所述监控图像的所述匹配度对所述渣土车的司机进行预警。
[0009]优选的，所述根据所述目标点对及其邻近区域内所有所述匹配点对之间的距离差异得到所述目标点对的置信度的步骤，包括：
[0010]所述置信度的计算公式为：
[0011][0012]其中，W表示置信度；d
k
表示目标点对之间的距离；表示目标点对的邻近区域内所有匹配点对之间距离的均值；s表示目标点对的邻近区域内所有匹配点对的数量。
[0013]优选的，所述高斯下采样的高斯核与所述置信度均值呈负相关关系。
[0014]优选的，所述获取所述优选采样图像与所述初始图像之间的第一匹配度的步骤，包括：
[0015]获取所述优选采样图像与所述初始状态图像之间所有的匹配点对，所述第一匹配度与所述匹配点对的数量呈正相关关系。
[0016]优选的，所述根据每张所述优选采样图像的第一匹配度得到每帧所述监控图像的匹配度的步骤，包括：
[0017]获取所有所述优选采样图像的第一匹配度的和，所述第一匹配度的和为所述监控图像的匹配度。
[0018]优选的，所述获取所述初始状态图像与每张所述采样图像角点的方法为SIFT角点检测算法。
[0019]优选的，所述根据多帧所述监控图像的所述匹配度对所述渣土车的运输情况进行预警的步骤，包括：
[0020]获取多帧所述监控图像中匹配度的最大值，当所述最大值低于预设阈值时，对所述渣土车的司机进行提示预警。
[0021]本专利技术具有如下有益效果：本专利技术实施例在不改变车辆原有结构的基础上，对每辆渣土车在运输过程中的渣土情况进行监控，通过渣土车运输途中的实时监控图像与最初的初始状态图像进行对比分析，提高了检测结果的准确性。且对监控图像利用多尺度的采样图像进行分析，根据每张采样图像对匹配点对的置信度调整高斯下采样的高斯核，以保证采样图像对比的精准度，通过简单的图像角点对比得到渣土车此时运输途中的渣土情况，提高了道路监控相机的利用率并及时向渣土车司机进行提示预警，增加了处理的时效性，提供了可靠性较高的实时运输监控。
附图说明
[0022]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专利技术的一些实施例，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。
[0023]图1为本专利技术一个实施例所提供的一种基于人工智能的运输路线监控的方法流程图。
具体实施方式
[0024]为了更进一步阐述本专利技术为达成预定专利技术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，对依据本专利技术提出的一种基于人工智能的运输路线监控方法，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。
[0025]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专利技术的
的技术人员通常理解的含义相同。
[0026]本申请适用于对渣土车运输过程中的状态监控，为了解决现有监控可靠性低的问题，本专利技术实施例中首先对渣土车运输前初始状态进行图像采集，然后获取渣土车在实际运输中的多帧监控图像，对每帧监控图像进行一系列检测得到每张监控图像与初始状态图像之间的匹配度，根据匹配度得到最佳图像并对该渣土车运输的状态进行监控，达到了对渣土车运输的实时监控的目的，且监控得到图像数据的可靠性较高，增加了处理的时效性。
[0027]下面结合附图具体的说明本专利技术所提供的一种基于人工智能的运输路线监控方法的具体方案。
[0028]请参阅图1，其示出了本专利技术一个实施例提供的基于人工智能的运输路线监控的方法流程图，该方法包括以下步骤：
[0029]步骤S100，采集渣土车装载完成后的初始状态图像，初始状态图像包括渣土车区域。
[0030]具体的，设置相机对装载完成的渣土车的图像进行采集，为了尽可能的避免与道路监控相机采集到的车辆图像的差异，本专利技术实施例中将相机设置在正对渣土车车头的方向，且位于渣土车车头斜上方30
°
的位置进行图像采集，以尽可能的模拟道路监控相机对渣土车图像的采集位置。
[0031]进一步的，为减少后续分析的计算量，对采集到装载完成的渣土车的初始图像进行处理，本专利技术实施例中采用深度神经网络对该初始图像进行处理，得到包括渣土车区域的初始状态图像。该深度神经网络的结构为编码器
‑
解码器，训练集为形态多种多样的渣土车车辆图像数据，具体过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的运输路线监控方法，其特征在于，该方法包括以下步骤：采集渣土车装载完成后的初始状态图像，所述初始状态图像包括所述渣土车区域；获取所述渣土车在运输过程中的多帧监控图像；对每帧所述监控图像进行高斯下采样得到多张采样图像；对所述初始状态图像与每张所述采样图像进行角点匹配得到多个匹配点对；以任意所述匹配点对为目标点对，根据所述目标点对及其邻近区域内所有所述匹配点对之间的距离差异得到所述目标点对的置信度；获取所述采样图像中所有所述匹配点对的置信度均值，当所述置信度均值小于预设阈值时，根据所述置信度均值对所述高斯下采样的高斯核进行调整；基于调整后的高斯核对每帧所述监控图像进行高斯下采样得到多张优选采样图像，获取所述优选采样图像与所述初始图像之间的第一匹配度；根据每张所述优选采样图像的第一匹配度得到每帧所述监控图像的匹配度；根据多帧所述监控图像的所述匹配度对所述渣土车的司机进行预警。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标点对及其邻近区域内所有所述匹配点对之间的距离差异得到所述目标点对的置信度的步骤，包括：所述置信度的计算公式为：其中，W表示置信度；d
k...

【专利技术属性】
技术研发人员：吕东洋，
申请(专利权)人：南通顺沃供应链管理有限公司，
类型：发明
国别省市：