[发明专利]道路异常智能识别模型训练、道路异常识别的方法及系统

说明书

本发明公开了道路异常智能识别模型训练、道路异常识别的方法及系统，涉及道路识别技术领域，解决了现有道路异常情况识别存在一定的误差，且识别精度有待进一步提升的问题，其技术方案要点是：获取多个处于异常状态的道路图像作为训练样本图像；提取各个训练样本图像中异常特征和车辆驾驶位特征，得到训练样本集；将训练样本集输入深度学习神经网络模型进行训练，得到道路异常智能识别模型。发明通过依据异常特征对车辆驾驶位特征的影响相关性进行模型训练，能够依据车辆密度分布信息、车辆驾驶方位信息的细节差异性表征精准、可靠的识别出道路异常的具体类型和具体情况，道路异常识别的误差较小。

技术领域

本发明涉及道路识别技术领域，更具体地说，它涉及道路异常智能识别模型训练、道路异常识别的方法及系统。

背景技术

随着我国居民生活水平的不断提高，汽车现存量不断提升，伴随而来的是道路拥堵也日益严重。道路拥堵主要是由车流量突发性增加、道路施工占道、道路损坏影响车速、交通事故占道以及坑洞、裂缝、补绽等道路病害一系列因素导致的，用户获取道路状态目前主要是通过实时地图显示、车载广播获取，但其主要是从大范围获知道路拥堵情况，对于道路拥堵具体详情并不能及时获知，也就无法为用户面对道路拥堵情况快速做出合理决策提供信息支撑。因此，对道路异常情况进行识别对于有效应对道路拥堵和防止道路拥堵进一步加深具有重大意义。

目前，对于道路异常情况的识别主要是通过神经网络模型对待识别的道路图像进行模型训练后提取异常特征，而其神经网络模型建立过程中主要是依据正常道路图像和异常图像进行训练的。然而，现有道路异常识别模型在训练提取异常特征时并未考虑的道路异常对驾驶车辆行驶状态影响的相关性，从而导致现有道路异常情况识别存在一定的误差，且识别精度有待进一步提升，导致现有道路异常情况识别无法应用到局部细节的道路拥堵管理，其主要是应用于宏观上的道路异常管理。

因此，如何研究设计一种道路异常智能识别模型训练、道路异常识别的方法及系统是我们目前急需解决的问题。

发明内容

为解决现有技术中的不足，本发明的目的是提供道路异常智能识别模型训练、道路异常识别的方法及系统过，本发明考虑了异常特征对车辆密度分布信息、车辆驾驶方位信息的影响相关性进行模型训练，能够精准、可靠的识别出道路异常的具体类型和具体情况，道路异常识别的误差较小，不仅可以为用户获知道路拥堵情况、道路工况提供了基础信息，还可实现智能道路巡查工作，且无需设置专用道路巡查车辆即可实现道路全面巡查工作，适用范围广，推广应用成本低。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，提供了道路异常智能识别模型训练方法，包括以下步骤：

获取多个处于异常状态的道路图像作为训练样本图像；

提取各个训练样本图像中异常特征和车辆驾驶位特征，得到训练样本集；

将训练样本集输入深度学习神经网络模型进行训练，得到道路异常智能识别模型。

进一步的，所述异常特征包括异常区域形态信息以及异常区域的行驶道站位信息。

进一步的，所述车辆驾驶位特征包括车辆密度分布信息和车辆驾驶方位信息。

进一步的，所述车辆密度分布信息的获取过程具体为：

提取预设像素区域内的车辆数量；

根据预设像素区域的像素值、车辆数量计算得到车辆平均分布密度；

根据预设像素区域内的像素占空率计算得到各个子区域的车辆实际分布密度；

根据预设像素区域内各个车辆所处子区域的车辆实际分布密度、对应车辆距离异常区域的像素值计算得到由异常密度影响值集成的车辆密度分布信息。