基于图像识别的公共交通区域汛情风险评估系统及方法技术方案

本发明专利技术公开了一种基于图像识别的公共交通区域汛情风险评估系统及方法。所述系统包括图像采集单元、全域像素识别单元、移动目标属性识别单元、非可变区域差分识别单元、双反向特征标记识别系统、接口服务程序、数据分析处理单元，通过全域像素识别、移动目标属性识别输出的结果数据，提升非可变区域差分识别和双反向特征标记系统对积水的识别准确度，再由数据分析处理单元进行融合分析，得出积水综合分析结果量化数值，从而快速准确判断公共交通区域的积水、积雪、汛情等风险，提高了交通部门的汛情排查能力。汛情排查能力。汛情排查能力。

【技术实现步骤摘要】
基于图像识别的公共交通区域汛情风险评估系统及方法


[0001]本专利技术涉及计算机数据处理
，具体涉及一种基于图像识别的公共交通区域汛情风险评估系统及方法。

技术介绍

[0002]公共交通的运营安全对保障人民群众生命财产安全、维护社会稳定以及提升人民群众获得感具有重要意义。随着技术的发展，公共交通种类不断增多、运营规模快速增长、客运量不断攀升，安全保障难度越来越大，对运营安全管理提出了更高要求。在汛期内，因暴雨、短时强降雨等恶劣天气，造成车场、站厅、桥隧、设备间、风井等区域积水、淹水的情况时有发生，然而，在防涝防汛方面，目前还依赖工作人员定期人工巡检排查，排查过程不仅对人力消耗很大，而且还容易出现漏检、排查不及时等风险，给公共交通的安全运营带来隐患。

技术实现思路

[0003]专利技术目的：本专利技术提出一种基于图像识别的公共交通区域汛情风险评估系统及方法，利用图像识别技术实现对公共交通区域的积水和涝情进行有效检测和评估。
[0004]技术方案：第一方面，一种基于图像识别的公共交通区域汛情风险评估系统，包括：
[0005]图像采集单元，用于对各交通场景防汛识别区域中的实时图像数据进行采集；
[0006]全域像素识别单元，用于对待识别图像的全域像素进行逐点扫描判断，确定视图能见度数值、全彩或灰度属性，并将结果输出给接口服务程序；
[0007]移动目标属性识别单元，用于基于卷积神经网络对图像中目标属性及位置进行识别，并将结果输出给接口服务程序；
[0008]非可变区域差分识别单元，用于通过对非可变区域的背景进行定期更新和差分分析，实现对积水/积雪状态、积水/积雪面积的检测，并将结果输出给接口服务程序；
[0009]双反向特征标记识别系统，用于通过对由水平设置的水感标贴和纯色标贴构成的标记系统区域进行水感变色和覆盖变色分析，实现对积水状态、水位高度的检测，并将结果输出给接口服务程序；
[0010]接口服务程序，用于为各子系统提供数据流转服务，并对数据库进行操作和应用；
[0011]数据分析治理单元，用于对全域像素识别单元、移动目标属性识别单元、非可变区域差分识别单元、双反向特征标记识别系统的输出数据进行融合分析，得出积水综合分析结果量化数值，并进行汛情风险评估。
[0012]优选地，所述系统还包括图像预处理单元，用于通过GB/T 28181协议获取图像采集单元的码流数据并转换成视频文件，定时对图片进行抽帧，并对抽帧后的图片剪裁、滤波、增强后，组成时间序列图帧T0(x，y)
′
、T1(x，y)
′……
T
n
(x，y)
′
，x、y分别为像素的横纵坐标，n为时间序列图帧数目。
[0013]优选地，所述全域像素识别单元包括：
[0014]图像属性判定单元，用于基于预先定义的色偏值Diff和图像像素点的RGB分量判断图像是灰度属性还是全彩属性，其中，当图像中全域像素的RGB值满足Diff＞MAX(|R
‑
G|，|R
‑
B|，|G
‑
B|)时，判定图像为灰度属性，对应红外夜视相机或灰度相机图像；当图帧中全域像素符合Diff≤MAX(|R
‑
G|，|R
‑
B|，|G
‑
B|)时，判定图像为全彩属性，对应星光级夜视相机或全彩相机图像，向接口服务程序输出结果数据；以及
[0015]能见度判定单元，用于基于预先定义的能见度阈值Dal，对图像的全域像素的RGB值进行扫描累加，当累加和小于Dal时，判定图像能见度低，向接口服务程序输出结果数据，并对能见度低的状态进行告警。
[0016]优选地，所述移动目标属性识别单元包括：
[0017]标注单元，用于进行数据集图片标注，生成具备二值化标签的分类数据集，划分为训练集和测试集；
[0018]模型训练单元，建立R
‑
CNN神经网络，通过AlexNet卷积神经网络对训练集待检测图像的特征向量进行提取；将提取到的特征向量及其二值化标签按其类别送入各个类别的SVM二分类器进行训练；将提取到的特征向量及真实目标框坐标信息送入边界框进行回归训练；
[0019]模型检验单元，通过AlexNet卷积神经网络对测试集待检测图像的特征向量进行提取，并送入训练好的各个类别的SVM二分类器特征向量进行打分，再将每个类别的特征向量送入训练好的边界框回归器进行定位预测，通过测试集检验模型的有效性；
[0020]检测单元，将摄像头拍摄的图像输入训练好并经过检验的检测模型，识别出图片中的目标类型和边界框坐标。
[0021]优选地，所述非可变区域差分识别单元包括：
[0022]背景建模单元，用于将时间序列图帧中各图片从RGB三通道图像进行灰度化处理，转换为灰度图，对识别点位的真实地面坐标参数进行设定，利用背景分割算法对地面区域像素进行背景建模，得到背景帧图像Back(x，y)；
[0023]背景更新单元，用于按指定的背景更新时间间隔对除移动目标属性识别单元输出目标类型为移动目标的边界矩形框区域外的其他区域进行背景更新，生成非可变区域的背景帧图像，并覆盖原背景帧图像Back(x，y)；
[0024]差分单元，用于按指定的差分时间间隔将序列图帧的当前帧Current(x，y)和背景帧图像Back(x，y)进行差分处理，得到背景差分图像Diff(x，y)；
[0025]二值化处理单元，用于通过二值化处理保留背景差分图像中变化的后覆盖区域，得到二值化图像；
[0026]连通域分析单元，用于对二值化图像中连通域像素点进行扫描，计算出后覆盖区域面积，进行连通域边缘检测，获取对后覆盖区域轮廓点坐标，计算出连通域重心坐标，从而得到对后覆盖区域位置坐标、轮廓点坐标、积水/积雪面积的量化值；
[0027]后覆盖区域属性判断单元，用于根据积水、积雪色域阈值范围，对后覆盖区域进行色域识别，从而判定后覆盖区域的属性为积水、积雪或其他属性；
[0028]区域特征变化跟踪单元，用于根据时间序列，将前后帧积水/积雪的面积、坐标进行差值和距离计算，根据面积扩散速率和位置变化速率，分析积水/积雪区域特征随时间的
变化关系，得出当前检测环境下积水/积雪的定量评估结果和差分识别置信度α。
[0029]优选地，所述双反向特征标记识别系统包括：
[0030]图像切割单元，用于将时间序列图帧T
n
(x，y)
′
中存在双反向特征标记的区域进行图像切割，分别将水感标贴、纯色标贴切割图像保存为W
n
(x，y)
′
和C
n
(x，y)
′
；
[0031]水感标贴水位识别单元，用于扫描W
n
(x，y)
′
像素点，将HSV值处于干色色域阈值范围内的像素本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的公共交通区域汛情风险评估系统，其特征在于，包括：图像采集单元，用于对各交通场景防汛识别区域中的实时图像数据进行采集；全域像素识别单元，用于对待识别图像的全域像素进行逐点扫描判断，确定视图能见度数值、全彩或灰度属性，并将结果输出给接口服务程序；移动目标属性识别单元，用于基于卷积神经网络对图像中目标属性及位置进行识别，并将结果输出给接口服务程序；非可变区域差分识别单元，用于通过对非可变区域的背景进行定期更新和差分分析，实现对积水/积雪状态、积水/积雪面积的检测，并将结果输出给接口服务程序；双反向特征标记识别系统，用于通过对由水平设置的水感标贴和纯色标贴构成的标记系统区域进行水感变色和覆盖变色分析，实现对积水状态、水位高度的检测，并将结果输出给接口服务程序；接口服务程序，用于为各子系统提供数据流转服务，并对数据库进行操作和应用；数据分析治理单元，用于对全域像素识别单元、移动目标属性识别单元、非可变区域差分识别单元、双反向特征标记识别系统的输出数据进行融合分析，得出积水综合分析结果量化数值，并进行汛情风险评估。2.根据权利要求1所述的系统，其特征在于，还包括图像预处理单元，用于通过GB/T 28181协议获取图像采集单元的码流数据并转换成视频文件，定时对图片进行抽帧，并对抽帧后的图片剪裁、滤波、增强后，组成时间序列图帧T0(x，y)
′
、T1(x，y)
′……
T
n
(x，y)
′
，x、y分别为像素的横纵坐标，n为时间序列图帧数目。3.根据权利要求1所述的系统，其特征在于，所述全域像素识别单元包括：图像属性判定单元，用于基于预先定义的色偏值Diff和图像像素点的RGB分量判断图像是灰度属性还是全彩属性，其中，当图像中全域像素的RGB值满足Diff＞MAX(|R
‑
G|，|R
‑
B|，|G
‑
B|)时，判定图像为灰度属性，对应红外夜视相机或灰度相机图像；当图帧中全域像素符合Diff≤MAX(|R
‑
G|，|R
‑
B|，|G
‑
B|)时，判定图像为全彩属性，对应星光级夜视相机或全彩相机图像，向接口服务程序输出结果数据；以及能见度判定单元，用于基于预先定义的能见度阈值Dal，对图像的全域像素的RGB值进行扫描累加，当累加和小于Dal时，判定图像能见度低，向接口服务程序输出结果数据，并对能见度低的状态进行告警。4.根据权利要求1所述的系统，其特征在于，所述移动目标属性识别单元包括：标注单元，用于进行数据集图片标注，生成具备二值化标签的分类数据集，划分为训练集和测试集；模型训练单元，建立R
‑
CNN神经网络，通过AlexNet卷积神经网络对训练集待检测图像的特征向量进行提取；将提取到的特征向量及其二值化标签按其类别送入各个类别的SVM二分类器进行训练；将提取到的特征向量及真实目标框坐标信息送入边界框进行回归训练；模型检验单元，通过AlexNet卷积神经网络对测试集待检测图像的特征向量进行提取，并送入训练好的各个类别的SVM二分类器特征向量进行打分，再将每个类别的特征向量送入训练好的边界框回归器进行定位预测，通过测试集检验模型的有效性；检测单元，将摄像头拍摄的图像输入训练好并经过检验的检测模型，识别出图片中的
目标类型和边界框坐标。5.根据权利要求1所述的系统，其特征在于，所述非可变区域差分识别单元包括：背景建模单元，用于将时间序列图帧中各图片从RGB三通道图像进行灰度化处理，转换为灰度图，对识别点位的真实地面坐标参数进行设定，利用背景分割算法对地面区域像素进行背景建模，得到背景帧图像Back(x，y)；背景更新单元，用于按指定的背景更新时间间隔对除移动目标属性识别单元输出目标类型为移动目标的边界矩形框区域外的其他区域进行背景更新，生成非可变区域的背景帧图像，并覆盖原背景帧图像Back(x，y)；差分单元，用于按指定的差分时间间隔将序列图帧的当前帧Current(x，y)和背景帧图像Back(x，y)进行差分处...

【专利技术属性】
技术研发人员：郭旭周，徐舒，张振焜，李胜兵，孙昊，李勇，顾勇，胡鹏路，
申请(专利权)人：南京熊猫信息产业有限公司，
类型：发明
国别省市：