【技术实现步骤摘要】
本专利技术涉及人工智能领域，且更具体地涉及一种基于人工智能算法模型的异常停车识别方法。
技术介绍
1、随着城市化进程的加快和车辆保有量的增加，道路交通拥堵已经成为很多城市面临的严重问题，停车问题已经成为城市交通管理中的一个重要挑战。非法停车、违规停车等行为不仅妨碍了正常交通秩序，还给城市交通管理带来了很大的困扰，辆长时间停在紧急通道、消防通道或人行道上，会阻碍车辆和行人的通行，甚至妨碍紧急救援车辆的及时到达。
2、传统的停车违规检测方法主要依赖于人工巡逻和监控摄像头录像回放等方式，这种方式存在效率低下、准确性不高以及无法实时处理等问题。随着人工智能技术的迅速发展，基于人工智能算法模型的异常停车识别方法变得更加可行。
3、但是，现有的基于人工智能算法模型的异常停车识别方法获取到的标注数据往往相对较少，且可能存在噪声和不平衡问题，会影响模型的准确性和鲁棒性；并且由于停车场环境可能会受到天气、光照等因素的影响，当前基于人工智能算法模型的异常停车识别方法对环境变化较为敏感，可能会导致误报或漏报情况发生。
4、因此，本专利技术公开了一种基于人工智能算法模型的异常停车识别方法，能够多模态数据采集、数据预处理与增强、跨模态特征融合、优化的识别算法模型以及异常停车特征记忆与管理，可以提高异常停车识别的准确性和效率，并为停车管理提供科学决策支持。
技术实现思路
1、针对现有技术的不足，本专利技术公开了一种基于人工智能算法模型的异常停车识别方法，能够通过人工智能算法
2、本专利技术采用以下技术方案：
3、一种基于人工智能算法模型的异常停车识别方法，包括以下步骤：
4、步骤一、多模态停车信息采集，通过360°高清摄像机、图像传感器和地磁传感器采集停车现场数据，所述360°高清摄像机检测到车辆进入停车现场时，控制中心通过高速无线通讯网络触发图像传感器和地磁传感器同步采集停车现场数据，并通过定时器连续触发数据采集操作，以确保采集数据的完整性；
5、步骤二、多模态停车信息预处理，通过gpu服务器对停车现场数据进行去噪、转换和增强，以提高数据分析的准确性；
6、步骤三、特征提取和跨模态融合，通过自监督视觉表征学习方法和多任务视觉表征学习方法提取停车现场数据的多模态特征，并通过bp神经网络进行跨模态特征融合，以增强对异常停车行为的感知能力；
7、步骤四、异常停车识别，通过实时流处理引擎构建异常停车识别算法模型，并进行参数调优和训练，以提高异常停车识别效果；
8、步骤五、记忆异常停车特征，通过snowflake云端数据仓库对异常停车事件、时间戳、位置信息、图像特征和地磁特征进行储存，以便相似情况发生的快速响应；
9、步骤六、异常停车响应和管理，当识别出异常停车行为时，通过警报器、短信、邮件和app推送将异常停车信息告知车主和管理人员，并采用可视化管理平台对异常停车趋势进行统计，以优化停车管理措施。
10、作为本专利技术进一步的技术方案，所述高速无线通讯网络通过三层tcp/udp传输协议、七层http/https缓存协议和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以减少数据通讯时间，并采用低电压调制通讯标准lvm-hscs实现数据信号的抗干扰通讯，所述低电压调制通讯标准lvm-hscs通过对数据信号进行差分曼彻斯特编码实现数据信号的差分耦合，以提高数据信号通讯的抗干扰能力。
11、作为本专利技术进一步的技术方案，所述gpu服务器将停车现场数据分为数值型数据和非数值型数据进行预处理，停车现场数据表示为：
12、
13、在公式(1)中，a分别表示采集的停车现场数据，表示第v个非数值型停车现场数据，v≥1，o表示非数值型数据，表示第l个非数值型停车现场数据，l≥1，r表示非数值型数据，对停车现场数据进行平滑处理表示为：
14、
15、在公式(2)中，px表示停车现场数据的滤波数值，为非数值型停车现场数据邻域的第i个更新参数，1≤p≤v，为数值型停车现场数据邻域的第j个更新参数，1≤q≤l，根据停车现场数据的时间状态，离散得到平滑数据为：
16、
17、在公式(3)中，zk+1表示k+1时刻停车现场数据的状态参数，fk+1表示停车现场数据的增强变换矩阵，gk+1表示更新输入的停车现场数据，通过滤波迭代处理离散过程，停车现场数据增益的计算公式为：
18、
19、在公式(4)中，kgk+1表示k时刻停车现场数据增益，z′表示停车现场数据状态量的测量值，r表示滤波偏差。
20、作为本专利技术进一步的技术方案，所述停车现场数据的多模态特征集合为w，多模态融合后的输出特征指标数据为h＝{1,2,...,n}，dij为相同的数据传感器第i个数据点xi和第j个数据点xj的特征之差，dc为不同数据传感器数据之间的距离，采集停车现场数据多模态特征的局部特征量ρ输出函数公式为：
21、
22、在公式(5)中，ρ为采集停车现场数据多模态特征的局部特征量，δ表示不同传感器数据之间的关系因子，dij<dc，所述bp神经网络通过修正网络权值和阈值降低梯度方向误差提高数据融合能力，在数据处理过程中，所述bp神经网络启动sigmoid激活函数作为隐含层激励函数，神经网络模型中的各神经元权重系数迭代方程公式为：
23、
24、在公式(6)中，wi(x+1)表示bp神经网络中的第i个数据特征网络权值，mi为第i个数据特征网络，γ为bp神经网络中的阈值，αi为bp神经网络中的第i个数据特征输入节点，βi为bp神经网络中的第i个数据特征隐含节点，εi为bp神经网络中的第i个数据特征输出节点，τ为bp神经网络中的加权因子；融合后的多模态特征的误差公式为：
25、
26、在公式(7)中，μ为bp神经网络中的步长，bp神经网络输入层中特征参数不同，维度不同，ω为bp神经网络的维度，i＝{i1,i2,...,in}为bp神经网络输入层的神经元，n为神经元的个数，经过数据融合后的数据特征为：
27、
28、在公式(8)中，y为经过一次数据融合后的数据特征。
本文档来自技高网...【技术保护点】
1.一种基于人工智能算法模型的异常停车识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述高速无线通讯网络通过三层TCP/UDP传输协议、七层HTTP/HTTPS缓存协议和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以减少数据通讯时间，并采用低电压调制通讯标准LVM-hscs实现数据信号的抗干扰通讯，所述低电压调制通讯标准LVM-hscs通过对数据信号进行差分曼彻斯特编码实现数据信号的差分耦合，以提高数据信号通讯的抗干扰能力。
3.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述GPU服务器将停车现场数据分为数值型数据和非数值型数据进行预处理，停车现场数据表示为：
4.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述停车现场数据的多模态特征集合为W，多模态融合后的输出特征指标数据为H＝{1,2,...,N}，Dij为相同的数据传感器第i个数据点xi和第j个数据点xj的特征之差，Dc为不同数据传感器数据之间
5.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述异常停车识别算法模型包括输入层、数据层、模型层、算法层、优化层和输出层，所述异常停车识别算法模型的工作包括以下步骤：
6.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述Snowflake云端数据仓库通过访问计数器记录缓存信息项被调用的次数，并采用定时器触发清除操作，所述定时器基于LRU缓存策略清除缓存信息项，以提高调用速度，所述LRU缓存策略根据缓存信息项被调用的次数和调用时间进行缓存信息项权重由大至小排序，并按照倒序清除。
7.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述可视化管理平台基于关联性数据模型获取多数据源关联数据，以实现多维度数据关联分析，并采用交互式图表、热点图、地图和仪表板实现数据的趋势、关系及变化规律的实时监控，所述可视化管理平台采用Token用户身份验证机制验证访问用户的身份，以提高信息访问的安全性。
...【技术特征摘要】
1.一种基于人工智能算法模型的异常停车识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述高速无线通讯网络通过三层tcp/udp传输协议、七层http/https缓存协议和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以减少数据通讯时间，并采用低电压调制通讯标准lvm-hscs实现数据信号的抗干扰通讯，所述低电压调制通讯标准lvm-hscs通过对数据信号进行差分曼彻斯特编码实现数据信号的差分耦合，以提高数据信号通讯的抗干扰能力。
3.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述gpu服务器将停车现场数据分为数值型数据和非数值型数据进行预处理，停车现场数据表示为：
4.根据权利要求1所述的一种基于人工智能算法模型的异常停车识别方法，其特征在于：所述停车现场数据的多模态特征集合为w，多模态融合后的输出特征指标数据为h＝{1,2,...,n}，dij为相同的数据传感器第i个数据点xi和第j个数据点xj的特征之差，dc为不同数据传感器数据...
【专利技术属性】
技术研发人员：徐方勇，朱剑峰，徐超，
申请(专利权)人：浙江嘉广信息科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。