基于特征匹配的交叉口运行状态智能诊断系统及方法技术方案

本发明专利技术公开了一种基于特征匹配的交叉口运行状态智能诊断系统及方法，具体为：在交叉口上空通过无人机采集高峰和平峰视频；检测交叉口机动车和非机动车流量、速度等动态参数以及交叉口内部和进口道标线、导向箭头坐标等静态参数；构建多元融合指标体系；建立交叉口影响因素数据库和改善措施数据库；基于数字孪生技术对静态建模和动态感知得到的数据仿真推演，获取交叉口影响因素数据库不同交通场景的数据特征；通过多维Apriori关联规则实现影响因素库与改善措施库一对一强规则关联。本发明专利技术可有效提高现有非机动车检测精度和检测效率低的问题，对不同规格的交叉口自适应诊断评价。价。价。

【技术实现步骤摘要】
基于特征匹配的交叉口运行状态智能诊断系统及方法


[0001]本专利技术涉及交叉口运行状态智能诊断领域，尤其是一种基于特征匹配的交叉口运行状态智能诊断系统及方法。

技术介绍

[0002]随着我国城市化水平加快，道路交通体系的不断完善以及社会经济的快速发展，目前各地发达城市路网运行压力越来越大，部分道路已经不能满足交通运行需求。交叉口作为路网的重要组成部分，而非机动车的数量日益增多，对交叉口产生的影响日益严重，交叉口运行状态的优化提升对城市交通体系的完善有重要影响。
[0003]目前已有的交叉口运行状态诊断方法，主要通过对两到三个指标的评价结果的量化，输出宏观层面上的交叉口运行状态诊断等级，以此来确定多个交叉口治理的顺序，微观层面上的交叉口运行状态问题诊断及优化仍停留在人工阶段。一方面，前期的交通调查需要耗费大量的人力财力以及时间；另一方面，在后期交叉口的问题诊断及优化上不够全面和智能。因此需要一种能结合高精度的道路交通检测技术的智能化交叉口运行状态诊断系统。

技术实现思路

[0004]本专利技术的目的在于提供一种基于特征匹本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征匹配的交叉口运行状态智能诊断系统，其特征在于，包括：视频输入模块，用于将无人机采集的交叉口上空不同高度视频，输入交叉口运行状态智能诊断系统；参数提取模块，用于对输入的视频进行深度学习目标检测和轨迹追踪，提取动态交通参数和静态交通参数；指标构建模块，根据提取到的交通参数构建多元融合指标体系；诊断评价模块，根据不同规格的交叉口采用不同的多元融合指标集进行自适应评价得到评价集；因素生成模块，对融合得到的指标集构建交叉口影响因素库，利用异构体分解
‑
多特征匹配算法自主生成最合适的影响因素；措施匹配模块，根据交叉口影响因素库，按需求优化建立交叉口改善措施库，通过多维Apriori关联规则在交叉口影响因素数据库和改善措施数据库建立关联，采用KMP算法实现一对一匹配；可视化输出模块，搭载UI对诊断、评价、匹配结果输出，SUMO仿真平台对交叉口实际运行状态可视化。2.根据权利要求1所述的基于特征匹配的交叉口运行状态智能诊断系统，其特征在于，无人机采集交叉口上空60米、80米或100米高度的视频。3.根据权利要求1所述的基于特征匹配的交叉口运行状态智能诊断系统，其特征在于，动态交通参数包括机动车速度、车头时距、车流密度、流量、时间占有率以及非机动车流量、速度，静态交通参数包括交叉口内部、进口道静态标线。4.一种基于特征匹配的交叉口运行状态智能诊断方法，其特征在于，包括如下步骤：步骤1、无人机采集交叉口上空不同高度的视频，输入交叉口运行状态智能诊断系统；步骤2、对输入的视频进行深度学习目标检测和轨迹追踪，提取动态交通参数和静态交通参数；动态交通参数包括机动车速度、车头时距、车流密度、流量、时间占有率以及非机动车流量、速度，静态交通参数包括交叉口内部、进口道静态标线；步骤3、根据提取到的交通参数构建多元融合指标体系；步骤4、根据不同规格的交叉口采用不同的多元融合指标集进行自适应评价得到评价集；步骤5、对融合得到的指标集构建交叉口影响因素库，利用异构体分解
‑
多特征匹配算法自主生成最合适的影响因素；步骤6、根据交叉口影响因素库，按需求优化建立交叉口改善措施库，通过多维Apriori关联规则在交叉口影响因素数据库和改善措施数据库建立关联，采用KMP算法实现一对一匹配；步骤7、搭载UI对诊断、评价、匹配结果输出，SUMO仿真平台对交叉口实际运行状态可视化。5.根据权利要求4所述的基于特征匹配的交叉口运行状态智能诊断方法，其特征在于，步骤1中无人机采集交叉口上空60米、80米或100米高度的视频。6.根据权利要求4所述的基于特征匹配的交叉口运行状态智能诊断方法，其特征在于，步骤2包括：
S201、采用YOLOv5
‑
X算法对机动车、非机动车进行检测，采用改进的JDE多目标追踪算法对机动车和非机动车追踪并提取相关交通参数，具体如下：(1)从实地采集的交叉口无人机视频，将视频按帧拆分成图片并保存在文件夹，获得不同时刻的若干张图片作为目标检测的训练集；(2)使用Labelimg对采集图片中的车辆和标线进行画框，标签为其车型；(3)将Labelimg标注生成的xml格式文件转换成YOLOv5
‑
X使用的txt格式文件；(4)修改YOLOv5
‑
X算法的cfg、data、weights、hyp、epochs、batch
‑
size参数，运行算法训练部分对数据集进行训练，得到机动车与非机动车检测算法；(5)运行(4)的检测算法得到检测结果，使用改进的JDE追踪算法进行再训练，提取轨迹；所述改进的JDE追踪算法在原有JDE算法的基础上将中心距离惩罚策略引入到损失函数softmax中，将softmax函数经L2正则化得到Loss1，引入中心距离惩罚项得到Loss2：softmax中，将softmax函数经L2正则化得到Loss1，引入中心距离惩罚项得到Loss2：式中，x
i
表示属于y
i
类的第i个样本的特征向量；θ表示权重向量和特征向量x
i
之间的角度；N是训练的批量大小；n是类的数量；C
yi
是yi的特征中心；α和r均为超参数；(6)利用训练后的追踪模型对交叉口无人机视频中的机动车与电动自行车进行追踪，提取相关参数：机动车速度、车头时距、车流密度、流量和非机动车流量、速度；S202、运用DeepLab图像分割算法，获取机动车道、人行道、斑马线区域语义数据，依托电子地图，获取静态交通参数的经纬度。7.根据权利要...

【专利技术属性】
技术研发人员：周竹萍，胡春钢，戚湧，汤睿尧，刘洋，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：