[发明专利]用于交通监控、事件检测和变化预测的视频数据和GIS映射

说明书

一种用于交通监控和事件检测的分布式系统包含位于待监控的大街的视距内的多个视频单元。每个视频单元处理视频流同时监控在大街处的事件、识别并分析事件、编码表征分析的交通元数据、并将元数据发送到中央控制器。中央处理器存储表示大街的地理地图、关联从视频单元接收的元数据、并形成地理地图与经关联的元数据的合成表示。中央控制器重放先前存储的地理地图与经关联的在彼此不同的事件条件下监控的元数据的合成表示。中央控制器还被配置为允许改变先前存储的地理地图与经关联的元数据的合成表示，以便理解变化的影响。

该国际申请基于并要求于2016年10月31日提交的题为“用于交通监控、事件检测和变化预测的视频数据和GIS映射”的美国申请序号No.15/338,633的优先权，并且其全部内容通过引用并入本文。

技术领域

所公开的本发明广泛地涉及捕获交通活动，并且更具体地涉及采用交通监控和事件检测数据来驱动用于改善交通行为洞察力和理解变化的影响的能力的地理信息系统(GIS)地图上的活动重放或模拟。

背景技术

出于许多商业和政府原因，监控交通的能力是重要的。一个特别重要的原因是获取必要的底层数据，以理解在驾驶车辆时的人类行为以及驾驶员之间、驾驶员与环境之间以及二者的关系。数据收集的最终目标是允许经由重放进行分析或利用其他能够导致平滑货物和服务的流动、加快应急车辆的速度、并总体上提高人类生活质量的后续改进的理解方法。监控、检测和报告关于事件的准确信息的能力对决策者、交通管理人员和驾驶员等都至关重要。在这方面，已经创建了整个系统来响应这种监控挑战。但是，这些系统受到交通活动的完整描述所需的大量的监控数据的严重约束。如今的系统也受到能量限制、高成本、无法有效搜索视频、无法关联多个数据输入以及传感器网络部署中受约束的多跳通信的限制现实的阻碍。最后，所有问题中最大的问题是这些系统无法准确地重放交通事件或者在环境因素发生变化时提供对未来行为的洞察，例如天气、停车灯的定时、限定车辆尺寸或拓宽道路。

持续的监控问题是对信息的渴求总是在增长，这驱动技术从简单的标量交通计数发展到更复杂的交通分类技术。作为IoT在日常生活中不断扩大的作用的一部分，智能城市的智能交通引导和管理系统充斥着监控数据。计数车辆、人员和物品(装配线上的产品、货物托盘、车辆中的人员、车辆类型、速度等)正在逐渐成为“杀手级应用”的关键类别，这将大大有助于推广监控并收集用于未来交通应用的数据的IoT部署。如今，技术的发展也驱动了超越计数到对程序化事件的自动监控，到最终地回答道路容量、最佳速度限制是什么、需要多少车行道等问题的主动使用的愿望。

如今，单台摄像机通过人工智能(AI)算法驱动的精密交通分析软件可以做到的令人惊讶。虽然AI算法已经出现了一段时间了，但它们仍在不断发展，并且在事件检测和报告活动方面越来越好。但是，在基于分布式IoT传感器的环境中，AI在网络边缘的应用是新的并且存在重大挑战。由于摩尔定律，与支持大量和越来越多的视频馈送的大规模视频传输基础设施的成本相比，处理变得非常便宜。关键问题是挖掘嵌入在视频数据中的、其在哪里被捕获以及要监控哪里的信息，并通常远程地检测被编程到系统中的事件。使用事件检测方法比不必要地在能量和容量受约束的网络周围移动原始视频数据更加有效和紧凑。相反，由于经济趋势，将可编程处理器附接到数据收集点以减少传输的数据量并管理为网络传感器/节点供电所需的能量以提供更高的监控和事件检测覆盖是可能的。

由如今的基本传感器网络收集的数据具有带有更少信息的简单的标量形式，这使得处理简单(例如，通常生成加法、减法、除法、求和以及平均的简单计算)。但是很难基于简单的标量信息形成对环境的全面理解。另一方面，视频传感器网络收集的视频和图像信息丰富。它们是无损的，并且可以被反复分析，但具有复杂的形式。可以以精确和逐步的方式搜索和分析视频，寻找并深入研究事件。如今，视频有时会被压缩并发送到后端服务器进行此处理(格式化、集成、分析等)，以满足不同的应用需求。但简单的压缩对于即将到来的大量未来数据来说还不够。