[发明专利]一种基于图像自学习的车辆排队消散时间预测方法

摘要

本发明涉及一种基于图像自学习的车辆排队消散时间预测方法，包括：S1、预设进口道各个车道的分析区域；S2、采集进口道图像；S3、由进口道图像分割出车道图像；S4、自学习神经网络对车道图像进行分析，得到车辆排队消散预测时间；S5、获取车辆排队消散实际时间；S6、计算排队消散预测时间与实际时间之间的预测差值；S7、判断预测差值是否均小于第一预设阈值，若判断为是，则开始预测下一周期的车辆排队消散时间，否则执行步骤S8；S8、将车道图像和排队消散实际时间加入到样本关系库，重新训练并更新步骤S4的自学习神经网络。与现有技术相比，本发明通过图像自学习，实现预测模型进化，能够准确预测车辆排队消散时间。

主权项

1.一种基于图像自学习的车辆排队消散时间预测方法，其特征在于，包括以下步骤：/nS1、预先设置进口道各个车道的分析区域；/nS2、基于进口道各个车道的分析区域，在预设拍照时刻，通过布设在进口道的视频采集设备，采集进口道图像；/nS3、对进口道图像进行图像分割，从进口道图像中划分出各个车道，得到各个车道对应的车道图像；/nS4、建立自学习神经网络，由自学习神经网络对车道图像进行分析，得到车道的车辆排队消散预测时间；/nS5、获取车道的车辆排队消散实际时间；/nS6、将车道的车辆排队消散预测时间与对应的车辆排队消散实际时间进行作差计算，得到车道对应的预测差值；/nS7、判断车道对应的预测差值是否均小于第一预设阈值，若判断为是，则不记录车道图像，返回步骤S2，开始预测下一周期的车辆排队消散时间，否则执行步骤S8；/nS8、将车道图像和对应的车辆排队消散实际时间加入到对应的样本关系库，根据样本关系库，重新训练步骤S4的自学习神经网络，之后将步骤S4中自学习神经网络更新替换为训练好的自学习神经网络，以对车道图像进行分析，得到车道的车辆排队消散预测时间。/n