本發明專利技術公開了一種基于機器學習的交通監控方法、裝置、設備及介質，涉及智慧交通技術領域，解決了現有的高速公路監測方法無法快速準確發現異常交通事件的技術問題。所述基于機器學習的交通監控方法包括：根據預設幀率分解高速公路的監控視頻，得到一系列連續的幀圖像；根據預設深度學習目標檢測算法對每一所述幀圖像進行目標檢測，得到目標圖像，其中，所述目標圖像中包括目標物體；通過訓練好的預設深度學習模型對所述目標圖像進行結構化處理，得到與所述目標圖像對應的特征向量；對所述特征向量進行降維處理，得到特征值；根據所述特征值，檢測所述高速公路的異常事件：本發明專利技術能快速發現異常交通事件。現異常交通事件。
【技術實現步驟摘要】
基于機器學習的交通監控方法、裝置、設備及介質
[0001]本專利技術涉及智慧交通
，尤其是一種基于機器學習的交通監控方法、方法、設備及存儲介質。
技術介紹
[0002]高速公路是一種高速、大容量的道路網絡，通常用于連接城市、地區和國家之間的遠距離交通。它是現代交通基礎設施中的重要組成部分，對于促進經濟發展、便利人民出行以及加強城市間的聯系至關重要。
[0003]然而，高速公路上常常發生各種異常事件，如停車事件、擁堵事件、行人事件、逆行事件、拋灑物事件和交通事故等，這些事件對交通安全和效率產生了嚴重影響；
[0004]現有技術中，高速公路都部署了視頻監控系統，其中不少單位仍舊采用人工輪巡視頻監控畫面的方式或通過巡邏車方式進行交通事件檢測。但通過傳統“人眼盯看視頻”來發現異常或突發事件，人類視覺疲勞缺陷，安全盲點多，無法即時發現即時處理，巡邏車方式又存在巡邏空擋缺陷，均無法實現快速準確發現異常交通事件。
技術實現思路
[0005]本專利技術提供了一種基于機器學習的交通監控方法、方法、設備及存儲介質，用以解決現有的高速公路監測方法無法快速準確發現異常交通事件的技術問題。
[0006]第一方面，本專利技術提供了一種基于機器學習的交通監控方法，其特征在于，包括：
[0007]根據預設幀率分解高速公路的監控視頻，得到一系列連續的幀圖像；
[0008]根據預設深度學習目標檢測算法對每一所述幀圖像進行目標檢測，得到目標圖像，其中，所述目標圖像中包括目標物體；
[0009]通過訓練好的預設深度學習模型對所述目標圖像進行結構化處理，得到與所述目標圖像對應的特征向量；
[0010]對所述特征向量進行降維處理，得到特征值；
[0011]根據所述特征值，檢測所述高速公路的異常事件。
[0012]作為本申請的一可選實施例，所述根據預設深度學習目標檢測算法對每一所述幀圖像進行目標檢測，得到目標圖像的步驟，包括：
[0013]對每一所述幀圖像進行預處理，得到待識別圖像；
[0014]根據預設深度學習目標檢測算法，識別所述待識別圖像中的目標物體，其中，所述目標物體包括行人、車輛、機動車區域和非機動車區域；
[0015]在所述待識別圖像中標注每一所述目標物體的類別標簽，得到目標圖像。
[0016]作為本申請的一可選實施例，所述通過訓練好的預設深度學習模型對所述目標圖像進行結構化處理，得到與所述目標圖像對應的特征向量的步驟，包括：
[0017]獲取訓練好的預設深度學習模型，所述預設深度學習模型包括基于殘差網絡的模型或基于殘差網絡的模型；
[0018]將所述目標圖像輸入訓練好的預設深度學習模型，得到初始特征向量；
[0019]對所述初始特征向量進行歸一化處理，得到與所述目標圖像對應的特征向量。
[0020]作為本申請的一可選實施例，所述對所述特征向量進行降維處理，得到特征值的步驟，包括
[0021]計算所述特征向量的協方差矩陣；
[0022]根據預設特征值分解方法，對所述協方差矩陣進行特征值分解，得到特征向量對應的初始特征值；
[0023]根據所述初始特征值從大到小的順序對所述特征向量進行排序；
[0024]選擇前k個初始特征值對應的特征向量作為主要特征向量，其中k是預設降維特征維度；
[0025]將所述特征向量投影到所述主要特征向量上，得到特征值。
[0026]作為本申請的一可選實施例，所述異常事件包括多種異常事件類型，每一種異常事件類型具有不同的預設特征值范圍，所述根據所述特征值，檢測所述高速公路的異常事件的步驟，包括：
[0027]根據每一所述目標圖像對應的特征值和每一種異常事件類型所述預設特征值范圍，判斷所述高速公路是否存在異常事件；
[0028]當所述高速公路存在異常事件時，根據特征值落入的預設特征值范圍，獲取異常事件類型。
[0029]作為本申請的一可選實施例，在所述根據所述特征值，檢測所述高速公路的異常事件的步驟之后，還包括：
[0030]當所述高速公路存在異常事件時，根據所述異常事件類型，發送對應的提醒信息。
[0031]作為本申請的一可選實施例，所述提醒信息包括異常事件類型和對應的目標圖像，所述方法還包括：
[0032]判斷每一所述目標圖像和對應的異常事件類型之間是否匹配；
[0033]若不匹配，標記目標圖像正確的異常事件類型，并加入負樣本集；
[0034]根據所述負樣本集對預設深度學習模型進行訓練。
[0035]第二方面，本專利技術還提供了一種基于機器學習的交通監控裝置，其特征在于，所述裝置包括：
[0036]視頻分解模塊，用于根據預設幀率分解高速公路的監控視頻，得到一系列連續的幀圖像；
[0037]目標檢測模塊，用于根據預設深度學習目標檢測算法對每一所述幀圖像進行目標檢測，得到目標圖像，其中，所述目標圖像中包括目標物體；
[0038]結構化處理模塊，用于通過訓練好的預設深度學習模型對所述目標圖像進行結構化處理，得到與所述目標圖像對應的特征向量；
[0039]特征值獲取模塊，用于對所述特征向量進行降維處理，得到特征值；
[0040]異常事件檢測模塊，用于根據所述特征值，檢測所述高速公路的異常事件。
[0041]第三方面，本專利技術提供了一種電子設備，包括至少一個處理器、至少一個存儲器以及存儲在所述存儲器中的計算機程序指令，當所述計算機程序指令被所述處理器執行時實現第二方面所述的方法。
[0042]第四方面，本專利技術提供了一種存儲介質，其上存儲有計算機程序指令，當所述計算機程序指令被處理器執行時實現第二方面所述的方法。
[0043]綜上所述，本申請的有益效果如下：
[0044]本申請的基于機器學習的交通監控方法，首先據預設幀率分解高速公路的監控視頻，得到一系列連續的幀圖像；這個步驟的效果是將視頻流轉化為一系列靜態圖像，為后續目標檢測和分析提供輸入；使用預設深度學習目標檢測算法對每個幀圖像進行目標檢測，得到目標圖像，從而準確地識別圖像中的目標物體，并生成包含目標物體的圖像；通過訓練好的預設深度學習模型對目標圖像進行結構化處理，得到與目標圖像對應的特征向量，提取目標圖像的特征表示，將圖像轉化為高維特征向量，捕捉目標物體的關鍵特征；對所述特征向量進行降維處理，得到特征值。通過降維處理，將高維特征向量轉化為更低維度的特征表示，以減少數據的冗余和計算復雜度；最后根據所述特征值，檢測高速公路的異常事件；
[0045]這種基于機器學習的交通監控方法通過將監控視頻分解為幀圖像，利用深度學習目標檢測算法識別目標物體，通過訓練好的深度學習模型進行結構化處理和特征提取，最后通過降維和特征值的判定實現異常事件的檢測。這一系列步驟的實現了準確地捕捉目標物體、提取關鍵特征、降低數據維度和實現異常事件的檢測和分類可以為高速公路監控系統提供實時的異常事件監測和報警功能，有本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種基于機器學習的交通監控方法，其特征在于，包括：根據預設幀率分解高速公路的監控視頻，得到一系列連續的幀圖像；根據預設深度學習目標檢測算法對每一所述幀圖像進行目標檢測，得到目標圖像，其中，所述目標圖像中包括目標物體；通過訓練好的預設深度學習模型對所述目標圖像進行結構化處理，得到與所述目標圖像對應的特征向量；對所述特征向量進行降維處理，得到特征值；根據所述特征值，檢測所述高速公路的異常事件。2.根據權利要求1所述的基于機器學習的交通監控方法，其特征在于，所述根據預設深度學習目標檢測算法對每一所述幀圖像進行目標檢測，得到目標圖像的步驟，包括：對每一所述幀圖像進行預處理，得到待識別圖像；根據預設深度學習目標檢測算法，識別所述待識別圖像中的目標物體，其中，所述目標物體包括行人、車輛、機動車區域和非機動車區域；在所述待識別圖像中標注每一所述目標物體的類別標簽，得到目標圖像。3.根據權利要求1所述的基于機器學習的交通監控方法，其特征在于，所述通過訓練好的預設深度學習模型對所述目標圖像進行結構化處理，得到與所述目標圖像對應的特征向量的步驟，包括：獲取訓練好的預設深度學習模型，所述預設深度學習模型包括基于殘差網絡的模型或基于殘差網絡的模型；將所述目標圖像輸入訓練好的預設深度學習模型，得到初始特征向量；對所述初始特征向量進行歸一化處理，得到與所述目標圖像對應的特征向量。4.根據權利要求1所述的基于機器學習的交通監控方法，其特征在于，所述對所述特征向量進行降維處理，得到特征值的步驟，包括計算所述特征向量的協方差矩陣；根據預設特征值分解方法，對所述協方差矩陣進行特征值分解，得到特征向量對應的初始特征值；根據所述初始特征值從大到小的順序對所述特征向量進行排序；選擇前k個初始特征值對應的特征向量作為主要特征向量，其中k是預設降維特征維度；將所述特征向量投影到所述主要特征向量上，得到特征值。5.根據權利要求1
?
4任一項所述的基于機器學習的交通監控方法，其特征在于，所述...
【專利技術屬性】
技術研發人員：陳卓，李殿紅，楊海強，呂曉晨，吳海，
申請(專利權)人：紫光路安科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。