一种基于交通图像信息的车辆最优路径挖掘方法技术

本发明专利技术公开了一种基于交通图像信息的车辆最优路径挖掘方法，包括下列步骤：（1）标定摄像头，记录地理位置信息；（2）根据道路可达性测量相邻摄像头之间的路程距离（3）构建摄像头分布网络图；（4）对每一子结点设置3个堆栈，分别存放固定信息、历史信息、实时信息；（5）根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；（6）对神经网络的隐含层构建深层学习框架，进行3层逐层（layerbylayer）学习，输出路径序列；（7）将输出的结果连成线即为一个有向图中的最优路径；（8）将此最优路径通过各结点路程相加，可得最优路径总长度，根据交通流量，可以估算出出发地至目的地的时间；步骤（9）：生成一张交通引导图。本发明专利技术能根据采集点的固定信息、历史采集信息和实时采集信息。使用深层神经网络计算，生成最优路径，为智能交通系统提供了一种新的可靠的最优路径挖掘方法。

【技术实现步骤摘要】

本专利技术涉及交通图像处理技术中的智能路径挖掘领域，具体涉及一种交通图像信息挖掘整合利用方法。
技术介绍
现有技术中，随着社会经济快速发展，交通在人类经济、社会活动中的地位日益显著。交通管理的层次、质量更是与人们生活密切相关，提高交通管理水平的重要措施就是采用智能交通系统，即ITS。基于交通图像的车辆检测、跟踪和分类技术的发展为ITS中动态交通信息的采集与分析提供了一条很好的途径，这些技术可以广泛地应用于车辆收费、道路监控、大型停车场以及提高公路利用效率等领域。以图像理解为基础的智能交通系统随着计算机视觉和模式识别技术的不断发展， 进入实际应用阶段。基于图像理解的车辆检测、跟踪及分类技术的研究与发展为交通信息的采集与分析提供了一条良好途径，这些技术伴随数据挖掘的技术，可以为交管部门提供决策支持，亦可为驾驶人员提供最优路径选择。这是目前智能交通系统研究的热点。传统的交通图像主要用于牌照识别，违章检测(闯红灯，违规转弯，逆行等)，且都针对同一场景的图片进行处理，许多有用信息没有得到充分利用。例如摄像头自身所处的位置信息；图片拍摄的精确时间；多个摄像头之间的距离信息，这些信息的提取都没有被用于计算挖掘出新的信息，而是作为历史信息存于数据库内，在一定的时间内被更新掉了。深层学习(De印Learning)作为一种新的机器学习理论框架于2010年被提出，参见 http//deeplearning. net。神经网络具有以下性质和能力(一)非线性。一个由非线性神经元互连而成的神经网络自身是非线性的，这种非线性是针对网络结点的特殊性质。(二)输入输出映射。通过训练样本对神经网络的突触权值进行调整，每个样本由唯一的输入信号和相应的期望响应组成。(三)适应性。神经网络具有调整自身突触权值来适应外界变化的能力，当其处于时变环境中，突触权值可设计成随时间变化。2009 年，Learning Deep Architectures for AI 理论由力口拿大科学家 Yoshua Bengio先生提出，该理论对通过构建深层结构(De印Architectures)和逐层(layer by layer)学习为解决人工智能中复杂数据优化的问题提供了有效途径。[文献出处Yoshua Bengioj Learning Deep Architectures for AI [J]， Foundations and Trends in Machine LearningVol. 2，No. 1 (2009) pp. 1-127·]然而，将交通图像信息与神经网络，尤其是深层学习结合，进行车辆最优路径的挖掘的构思，未见报道。
技术实现思路
本专利技术的专利技术目的是提供，用以为复杂交通环境下车辆最优路径的选择与决策支持，具有良好的鲁棒性。为达到上述专利技术目的，专利技术人首先针对交通路网的摄像头布局特性进行了研究， 发现交通图像的采集设备固定，而且采集设备之间的路程距离可以测量，不同的采集设备相对于不同的地理位置构成了一张交通网络。采用图论的原理可构建一个有向图，得到最优路径为特定人员提供服务。其次，由于各摄像头(结点)的计算所要考虑的因素较多，且各因素在不同层次的权重不一样，不能使用单一权值进行全局处理。基于上述特定特点，本专利技术考虑采用将深层神经网络与图论理论相结合进行深度优化计算。首先各结点的信息按时间维度分类保存，如结点地理位置，交通图片信息采集时间，各结点之间的实际路程距离，结点区域车流量等。其次构建深层神经网络计算输入层、 输出层信息，然后，设置隐含层进行逐层计算，再将输出结果使用图论原理得出最优路径。 该路径可用于交管指挥、特种车辆行驶，及用户行驶决策支持。由此，本专利技术采用的技术方案是，在待挖掘车辆最优路径的交通路网中布置有摄像头，挖掘方法包括下列步骤(1)针对交通路网的摄像头布局特性进行采集，对各摄像头进行名称标定，并记录各摄像头对应地理位置信息；各摄像头的名称可以采用如Cl、C2、C3……进行标定，对应地理位置信息表达如某某路No. 005位置；(2)根据道路可达性测量相邻摄像头之间的路程距离；(3)构建摄像头分布的带权网络图，每个摄像头对应一个结点，权值是相邻摄像头之间的路程距离；(4)对每一个结点设置3个堆栈，一个存放固定信息，一个存放历史采集信息，一个存放实时采集信息；(5)根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；(6)对神经网络的隐含层构建深层学习框架，进行3层逐层(layerby layer)学习， 输出路径序列；(7)输入需要挖掘车辆最优路径的出发点摄像头名称和目的地摄像头名称，利用步骤 (4)到(6)构建的神经网络进行处理，将输出的结果连成线即为一个有向图中的最优路径；(8)将有向图中的最优路径与交通图结合，获得所需的车辆最优路径。上文中，根据有向图中的最优路径，将此最优路径通过各结点路程相加，可得最优路径总长度；根据交通流量，可以估算出出发地至目的地的时间；将此最优路径各结点与交通图结合，串联成线就可生成一张交通引导图。在进行深层神经网络体系计算时步骤 (4)、(5)、(6)有循环的成分。上述技术方案中，所述步骤中，存放固定信息的堆栈^中包括的数据为，而表示出发点和目的地的一对摄像头名称，α 表示结点地理位置，表示与本结点相邻节点之间的实际路程距离；存放历史采集信息的堆栈禺中包括的数据为^表示出发点和目的地的一对摄像头名称，为交通图片信息采集时间段ι表示在固定时间段内同一车辆通过相邻节点之间所花费的时间，·表示在固定时间段内本结点所示区域车流量，~表示在固定时间段内相邻结点所示区域车流量；4存放实时采集信息的堆栈4中包括的数据为A表示出发点和目的地的一对摄像头名称，％为交通图片信息实时采集时间点，<H为本结点所示区域车量拥堵状况。神经网络的输入层为O^a2、A、a4、 、 、 、Λ8、 ；输出层。为行驶时间最短路径力行驶距离最短路径、 为道路通畅度最高路径。由于上述技术方案的运用，本专利技术与现有技术相比具有下列优点1.本专利技术最优路径的选择是根据城市交通图像采集系统完成的，不依赖现有的 GPS (卫星定位系统)，即不必付费更新，是基于现有系统上的功能扩充，不必增加投入。2.本专利技术使用采集点的固定信息、历史采集信息和实时采集信息这三类信息，与现有旅游交通引导系统只针对某一阶段历史采集信息相比更具实用价值。因为交通道路上堵车，事故发生是只对历史采集信息分析得不出的。只有通过实时信息的判断才能得出道路的车流量是否正常，进而选择实际可行路线。3.本专利技术在处理固定信息、历史采集信息和实时采集信息这三类信息时采用深层神经网络计算，能更好的反映这三类信息权重在系统中的作用。4.实验证明，是可行的，通过最优路径生成方法比较，验证了该方法性能优于其他方法。具有较高的实用价值，为交通图像挖掘处理在智能交通系统的构建中起到良好的推动作用。5.将本专利技术应用于智能交通系统最优路径挖掘中，算法的时间复杂度低，具有良好的鲁棒性。附图说明图1是实施例一中基于交通图像信息的车辆最优路径挖掘方法总体流程图； 图2是实施例一中获得的上三角形矩阵；图3是实施例一中的带权路径网络图； 图4是实施例一中的神经网络结构示意图； 图5是实施例一中3层逐层学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于交通图像信息的车辆最优路径挖掘方法，在待挖掘车辆最优路径的交通路网中布置有摄像头，其特征在于挖掘方法包括下列步骤(1)针对交通路网的摄像头布局特性进行采集，对各摄像头进行名称标定，并记录各摄像头对应地理位置信息；(2)根据道路可达性测量相邻摄像头之间的路程距离；(3)构建摄像头分布的带权网络图，每个摄像头对应一个结点，权值是相邻摄像头之间的路程距离；(4)对每一个结点设置3个堆栈，一个存放固定信息，一个存放历史采集信息，一个存放实时采集信息；(5)根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；(6)对神经网络的隐含层构建深层学习框架，进行3层逐层学习，输出路径序列；(7)输入需要挖掘车辆最优路径的出发点摄像头名称和目的地摄像头名称，利用步骤 (4)到(6)构建的神经网络进行处理，将输出的结果连成线即为一个有向图中的最优路径；(8)将有向图中的最优路径与交通图结合，获得所需的车辆最优路径。2.根据...

【专利技术属性】
技术研发人员：崔志明，张广铭，吴健，杨元峰，和天旭，
申请(专利权)人：崔志明，张广铭，吴健，
类型：发明
国别省市：