一种基于视觉分析的交通管理方法及系统技术方案

本发明专利技术涉及机械设备领域，特别是一种基于视觉分析的交通管理方法及系统

【技术实现步骤摘要】
一种基于视觉分析的交通管理方法及系统


[0001]本专利技术涉及交通管理领域，特别是一种基于视觉分析的交通管理方法及系统
。

技术介绍

[0002]现有交通管理通常是交警根据以往的经验对以往交通拥堵的地点进行交通指挥，或者是在交通发生拥堵之后，根据摄像头获取到交通信息拥堵，并进行交通拥堵的处理；在交通事故处理过程中，通常为交通事故发生以后，通过事故责任人或者事故发生人进行报警信息获得交通事故的处理方案；因此交警人员获取到的交通信息都是滞后的，因此如何针对现有的交通数据进行分析，从而识别出交通事故的现场信息，并实时预警和监控提升交通管理的效率是现阶段丞待解决的技术问题
。

技术实现思路

[0003]本专利技术的目的是为了解决上述问题，设计了一种基于视觉分析的交通管理方法及系统
。
[0004]实现上述目的本专利技术的技术方案为，进一步，在上述一种基于视觉分析的交通管理方法中，所述交通管理方法包括以下步骤：获取交通管理系统中的历史交通状况数据，对历史交通状况数据进行数据预处理，得到训练交通状况数据和测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于视觉分析的交通管理方法，其特征在于，所述交通管理方法包括以下步骤：获取交通管理系统中的历史交通状况数据，对历史交通状况数据进行数据预处理，得到训练交通状况数据和测试交通状况数据；建立
YOLOv5
交通实时状况检测模型，改变所述
YOLOv5
交通实时状况检测模型中
Backbone
部分的特征提取结构，在所述
YOLOv5
交通实时状况检测模型的
SPPF
结构后引入
CA
注意力机制，得到
YOLOv5
交通实时状况检测模型；将所述训练交通状况数据输入至所述
YOLOv5
交通实时状况检测模型中进行训练，得到初始
YOLOv5
交通实时状况检测模型，将所述测试交通状况数据输入至所述初始
YOLOv5
交通实时状况检测模型中进行测试，得到目标
YOLOv5
交通实时状况检测模型；获取交通管理系统中的实时交通状况数据，将实时交通状况数据进行数据处理后输入至目标
YOLOv5
交通实时状况检测模型中进行识别，得到实时交通状况；若所述实时交通状况为十字交叉路口交通拥堵，则根据所述十字交叉路口交通拥堵生成十字交叉路口的红绿灯信号控制指令，将所述红绿灯信号控制指令输入至信号灯控制中心对十字交叉路口的红绿灯进行实时控制；若所述实时交通状况为车祸引起的交通拥堵，则获取车祸引起的交通拥堵的实时图像数据，将所述实时图像数据输入至所述交通管理系统中进行预警
。2.
如权利要求1所述的一种基于视觉分析的交通管理方法，其特征在于，所述获取交通管理系统中的历史交通状况数据，对历史交通状况数据进行数据预处理，得到训练交通状况数据和测试交通状况数据，包括：获取交通管理系统中的历史交通状况数据，所述历史交通状况数据至少包括道路交通图像数据
、
公关交通图像数据
、
道路交通运行图像数据
、
地面公交运行图像数据
、
信号灯图像数据
、
单行线图像数据
、
禁行线图像数据
、
轨道交通运行数据
、
出租车运行数据
、
城市规划及交通规划数据；利用
Mosaic
四图拼接和
Rectangular
矩形训练法对历史交通状况数据进行图像增强，得到增强交通状况数据；利用最大归一化对所述增强交通状况数据进行归一化处理，将所述增强交通状况数据的原始序列进行线性变换，得到交通状况数据集；随机抽取所述交通状况数据集中
80%
的数据，得到训练交通状况数据集，剩余
20%
为测试交通状况数据集
。3.
如权利要求1所述的一种基于视觉分析的交通管理方法，其特征在于，所述建立
YOLOv5
交通实时状况检测模型，改变所述
YOLOv5
交通实时状况检测模型中
Backbone
部分的特征提取结构，在所述
YOLOv5
交通实时状况检测模型的
SPPF
结构后引入
CA
注意力机制，得到
YOLOv5
交通实时状况检测模型，包括：建立
YOLOv5
交通实时状况检测模型，改变所述
YOLOv5
交通实时状况检测模型中
Backbone
部分的特征提取结构，将原始网络特征提取操作提前进行；从所述
YOLOv5
交通实时状况检测模型的
Backbone
结构的第一个
C3
模块开始提取目标特征，并横向融合到所述
YOLOv5
交通实时状况检测模型的
Neck
层相同尺度的特征层上；在所述
YOLOv5
交通实时状况检测模型的
SPPF
结构后引入
CA
注意力机制，并重构检测目标与背景信息的特征权重；
在所述
YOLOv5
交通实时状况检测模型的
head
端中加入上下文特征融合结构，所述下文特征融合结构对
head
端中3个用来预测目标的特征图进行融合；使用转置卷积变换最深层和次深层特征的宽高尺度，并将两者的通道尺度设置为浅层特征通道尺度的一半，作为上下文信息与浅层特征拼接进行特征融合，得到
YOLOv5
交通实时状况检测模型
。4.
如权利要求1所述的一种基于视觉分析的交通管理方法，其特征在于，所述将所述训练交通状况数据输入至所述
YOLOv5
交通实时状况检测模型中进行训练，得到初始
YOLOv5
交通实时状况检测模型，将所述测试交通状况数据输入至所述初始
YOLOv5
交通实时状况检测模型中进行测试，得到目标
YOLOv5
交通实时状况检测模型，包括：将所述训练交通状况数据输入至所述
YOLOv5
交通实时状况检测模型中进行训练；利用
RGC_SFLA
算法解码获取最优权值和阈值，利用所述最优权值和阈值进行随机编码；对随机训练历史检测信息进行迭代训练，采用
MAP
平均精度均值作为初始
YOLOv5
交通实时状况检测模型的评价标准，得到初始
YOLOv5
交通实时状况检测模型；将所述测试交通状况数据输入至所述初始
YOLOv5
交通实时状况检测模型中进行测试，得到目标
YOLOv5
交通实时状况检测模型
。5.
如权利要求1所述的一种基于视觉分析的交通管理方法，其特征在于，所述获取交通管理系统中的实时交通状况数据，将实时交通状况数据进行数据处理后输入至目标
YOLOv5
交通实时状况检测模型中进行识别，得到实时交通状况，包括：获取交通管理系统中的实时交通状况数据，所述实时交通状况数据至少包括通过图像采集装置获取的实时交通状况数据；对所述实时交通状况数据进行数据预处理，得到目标实时交通状况数据；将所述目标实时交通状况数据输入至目标
YOLOv5

【专利技术属性】
技术研发人员：何燕娥，
申请(专利权)人：深圳中科超远科技有限公司，
类型：发明
国别省市：