【技术实现步骤摘要】
本申请涉及道路交通，尤其涉及一种基于深度学习网络的交通动态控制方法和系统。
技术介绍
1、目前，随着城市化和机动化水平的提高，社会各界对于智能交通系统的需求也日益强烈。人工智能的发展也使得智能交通系统成为未来交通的发展方向，而道路监控作为智能交通系统中的关键，在其中起着非常重要的作用，实现对交通监控视频中车辆、行人等目标的分割具有较大的研究和应用价值。
2、虽然目前用于安全驾驶预警的方法多种多样，但通常只能对交通中的某一种风险情形进行预警，缺乏一个统一的指标对道路中可能出现的各种情形进行风险程度的评估。
技术实现思路
1、本申请的主要目的在于提供一种基于深度学习网络的交通动态控制方法和系统，以解决现有技术中道路交通运动目标风险监测不准确的问题。
2、为实现上述目的，本申请提供如下技术方案：
3、根据本专利技术第一方面，本专利技术请求保护一种基于深度学习网络的交通动态控制方法，其特征在于，所述方法包括：
4、采集垂直运动动态目标序列和水平运动动态目标序列，所述垂直运动动态目标序列为垂直运动序列组的多个垂直运动动态目标序列中的超速动态目标序列，所述水平运动动态目标序列为水平运动序列组的至少一个水平运动动态目标序列中的超速动态目标序列，所述垂直运动序列组和所述水平运动序列组的每个序列组中的每个动态目标序列包括至少一个动态目标，每个动态目标包括风险阈值，每个序列组中的所述动态目标序列是依据垂直运动速度或水平运动速度依次检测的，在依据所述垂直运
5、进行多次调整，每次调整包括：
6、将所述垂直运动动态目标序列和所述水平运动动态目标序列发送至风险分析端，所述风险分析端用于确定所述垂直运动动态目标序列和所述水平运动目标序列中相等的所述风险阈值；
7、在每个序列组中的所述动态目标序列依据所述垂直运动速度依次检测，且垂直运动风险阈值小于或等于水平运动风险阈值的场景下，或者，在每个序列组中的所述动态目标序列依据所述水平运动速度依次检测，且第三风险阈值大于或等于第四风险阈值的场景下，采集所述垂直运动序列组中位于所述垂直运动动态目标序列之后的垂直运动动态目标序列作为所述垂直运动动态目标序列，所述垂直运动风险阈值为所述垂直运动动态目标序列中最大的风险阈值，所述水平运动风险阈值为所述水平运动动态目标序列中最大的风险阈值，所述第三风险阈值为所述垂直运动动态目标序列中最小的风险阈值，所述第四风险阈值为所述水平运动动态目标序列中最小的风险阈值。
8、进一步的，所述风险分析端包括解析网格，所述解析网格包括k×k个解析子网格，k为正整数，垂直运动动态目标序列和水平运动动态目标序列中每个动态目标序列中至少一个动态目标的数量小于或等于k，
9、所述垂直运动动态目标序列中的第m个垂直运动动态目标是在调整的第n个发送频率发送至位于垂直运动目标分界线的k个所述解析子网格中沿水平运动方向的第n个所述解析子网格的，所述水平运动目标序列中的第x个水平运动动态目标是在调整的第y个发送频率发送至位于水平运动目标分界线的k个所述解析子网格中沿垂直运动方向的第y个所述解析子网格的，所述垂直运动目标分界线与所述水平运动目标分界线相邻，每个动态目标序列中不同的所述动态目标发送的所述解析子网格不同，所述垂直运动方向为从所述水平运动目标分界线指向所述解析网格内部且垂直所述水平运动目标分界线的方向，所述水平运动方向为从所述垂直运动目标分界线指向所述解析网格内部且垂直所述垂直运动目标分界线的方向，m、n、x、y均为正整数；
10、所述解析网格中的每个解析子网格用于，确定在同一个所述发送频率发送至所述解析子网格的垂直运动动态目标中的所述风险阈值与水平运动动态目标中的所述风险阈值是否相等；
11、在k大于1的场景下，所述解析网格中的每个解析子网格还用于，在接收所述垂直运动动态目标和所述水平运动动态目标的下一个发送频率，将所述垂直运动动态目标发送至沿所述垂直运动方向的下一个所述解析子网格，将所述水平运动动态目标发送至沿所述水平运动方向的下一个所述解析子网格。
12、进一步的，每个序列组中不同的动态目标中的所述风险阈值不同，所述解析网格中的每个解析子网格用于，在所述垂直运动动态目标中的所述风险阈值与所述水平运动动态目标中的所述风险阈值不相等的场景下，将所述垂直运动动态目标发送至沿所述垂直运动方向的下一个所述解析子网格，并将所述水平运动动态目标发送至沿所述水平运动方向的下一个所述解析子网格。
13、进一步的，所述风险分析端还包括筛选网格，所述筛选网格包括k个筛选子网格，所述k个筛选子网格分别位于所述解析网格沿所述垂直运动方向的k行中每一行沿所述水平运动方向的最后一个解析子网格之后，
14、所述解析网格中的每个解析子网格还用于：
15、在所述垂直运动动态目标中的所述风险阈值与所述水平运动动态目标中的所述风险阈值相等的场景下，在接收所述垂直运动动态目标和所述水平运动动态目标的下一个所述发送频率，将所述解析子网格的解析结果沿所述水平运动方向发送至下一个子网格，所述子网格为所述解析子网格或所述筛选子网格，所述解析结果包括相等的所述风险阈值；或者，
16、在接收所述解析结果的下一个所述发送频率，将所述解析结果沿所述水平运动方向发送至下一个子网格；
17、所述方法还包括：在所述垂直运动风险阈值大于或等于所述水平运动风险阈值的场景下，控制沿所述垂直运动方向的所述k个筛选子网格依据所述发送频率依次输出所述水平运动动态目标序列对应的所述解析结果。
18、根据本专利技术第二方面，本专利技术请求保护一种基于深度学习网络的交通动态控制系统，其特征在于，包括：采集模块和解析模块，
19、所述采集模块用于，采集垂直运动动态目标序列和水平运动动态目标序列，所述垂直运动动态目标序列为垂直运动序列组的多个垂直运动动态目标序列中的超速动态目标序列，所述水平运动动态目标序列为水平运动序列组的至少一个水平运动动态目标序列中的超速动态目标序列，所述垂直运动序列组和所述水平运动序列组的每个序列组中的每个动态目标序列包括至少一个动态目标，每个动态目标包括风险阈值，每个序列组中的所述动态目标序列是依据垂直运动速度或水平运动速度依次检测的，在依据所述垂直运动速度依次检测的场景下每个序列组中任一个所述动态目标序列中的每个风险阈值均小于位于任一个动态目标序列之后的动态目标序列中每个风险阈值，在依据所述水平运动速度依次检测的场景下每个序列组中任一个所述动态目标序列中的每个风险阈值均大于位于任一个动态目标序列之后的动态目标序列中每个风险阈值；
20、本文档来自技高网...
【技术保护点】
1.一种基于深度学习网络的交通动态控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习网络的交通动态控制方法，其特征在于，所述风险分析端包括解析网格，所述解析网格包括k×k个解析子网格，k为正整数，垂直运动动态目标序列和水平运动动态目标序列中每个动态目标序列中至少一个动态目标的数量小于或等于k，
3.根据权利要求2所述的一种基于深度学习网络的交通动态控制方法，其特征在于，每个序列组中不同的动态目标中的所述风险阈值不同，所述解析网格中的每个解析子网格用于，在所述垂直运动动态目标中的所述风险阈值与所述水平运动动态目标中的所述风险阈值不相等的场景下，将所述垂直运动动态目标发送至沿所述垂直运动方向的下一个所述解析子网格，并将所述水平运动动态目标发送至沿所述水平运动方向的下一个所述解析子网格。
4.根据权利要求3所述的一种基于深度学习网络的交通动态控制方法，其特征在于，所述风险分析端还包括筛选网格，所述筛选网格包括k个筛选子网格，所述k个筛选子网格分别位于所述解析网格沿所述垂直运动方向的k行中每一行沿所述水平运动方向的最后一个解
5.一种基于深度学习网络的交通动态控制系统，其特征在于，包括：采集模块和解析模块，
6.根据权利要求5所述的一种基于深度学习网络的交通动态控制系统，其特征在于，所述风险分析端包括解析网格，所述解析网格包括k×k个解析子网格，k为正整数，垂直运动动态目标序列和水平运动动态目标序列中每个动态目标序列中至少一个动态目标的数量小于或等于k，
7.根据权利要求6所述的一种基于深度学习网络的交通动态控制系统，其特征在于，每个序列组中不同的动态目标中的所述风险阈值不同，所述解析网格中的每个解析子网格用于，在所述垂直运动动态目标中的所述风险阈值与所述水平运动动态目标中的所述风险阈值不相等的场景下，将所述垂直运动动态目标发送至沿所述垂直运动方向的下一个所述解析子网格，并将所述水平运动动态目标发送至沿所述水平运动方向的下一个所述解析子网格。
8.根据权利要求7所述的一种基于深度学习网络的交通动态控制系统，其特征在于，所述风险分析端还包括筛选网格，所述筛选网格包括k个筛选子网格，所述k个筛选子网格分别位于所述解析网格沿所述垂直运动方向的k行中每一行沿所述水平运动方向的最后一个解析子网格之后，
...【技术特征摘要】
1.一种基于深度学习网络的交通动态控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习网络的交通动态控制方法，其特征在于，所述风险分析端包括解析网格，所述解析网格包括k×k个解析子网格，k为正整数，垂直运动动态目标序列和水平运动动态目标序列中每个动态目标序列中至少一个动态目标的数量小于或等于k，
3.根据权利要求2所述的一种基于深度学习网络的交通动态控制方法，其特征在于，每个序列组中不同的动态目标中的所述风险阈值不同，所述解析网格中的每个解析子网格用于，在所述垂直运动动态目标中的所述风险阈值与所述水平运动动态目标中的所述风险阈值不相等的场景下，将所述垂直运动动态目标发送至沿所述垂直运动方向的下一个所述解析子网格，并将所述水平运动动态目标发送至沿所述水平运动方向的下一个所述解析子网格。
4.根据权利要求3所述的一种基于深度学习网络的交通动态控制方法，其特征在于，所述风险分析端还包括筛选网格，所述筛选网格包括k个筛选子网格，所述k个筛选子网格分别位于所述解析网格沿所述垂直运动方向的k行中每一行沿所述水平运动方向的最后一个解析子网格之后，
...
【专利技术属性】
技术研发人员：谢燕梅，黎浩许，李艳，王强，
申请(专利权)人：成都航空职业技术学院，
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。