一种用于交通管理的图像处理方法及系统与流程

1.本发明涉及交通管理技术领域，具体涉及一种用于交通管理的图像处理方法及系统。


背景技术：

2.智能交通系统(intelligent traffic system，简称its)又称智能运输系统(intelligent transportation system)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
3.现有技术cn202011314742.3公开了一种基于大数据图像采集的道路交通追踪管理方法及系统，包括：获取海量交通道路图像，并利用灰度图转换方法将交通道路图像转换为灰度图；利用局部最大类间方差法对所述灰度图进行二值化处理，得到二值化交通道路图像；利用一种基于形态学的去雾算法对二值化交通道路图像进行去雾处理，得到去雾后的交通道路图像；利用边缘滤波器对去雾后的交通道路图像进行边缘滤波处理，得到边缘图像；利用基于最佳梯度方向和插值算法的车道线识别算法对边缘图像中的车道线进行识别，实现交通道路的识别和追踪。
4.虽然上述现有技术能够实现交通道路的识别和追踪，但仍然存在一定的不足，包括智能对交通道路进行实时的局部识别和追踪，并不能实现对交通道路在未来时序上的交通状态的全面掌控，难以进行交通道路的提前规划或预警。


技术实现要素：

5.本发明的目的在于提供一种用于交通管理的图像处理方法及系统，以解决现有技术中不能实现对交通道路在未来时序上的交通状态的全面掌控，难以进行交通道路的提前规划或预警的技术问题。
6.为解决上述技术问题，本发明具体提供下述技术方案：
7.一种用于交通管理的图像处理方法，包括以下步骤：
8.步骤s1、在目标路段的路段入口端和路段出口端处设置交通监测点，并利用所述交通监测点采集路段入口端和路段出口端处在每个时序上的进端交通真实图像和出端交通真实图像，再依时序排列分别构成进端交通时序图像和出端交通时序图像；
9.步骤s2、在出端交通时序图像中标记出表征目标路段处于异常交通状态的异常出端交通真实图像，并在出端交通时序图像中截取一段连续时序的出端交通真实图像作为训练时序样本，所述训练时序样本包括正样本和负样本，其中，所述正样本表征为目标路段处于正常交通状态的正常出端交通真实图像，负样本表征为目标路段处于异常交通状态的异常出端交通真实图像；
10.步骤s3、利用所述训练时序样本训练cnn-lstm预测模型得到路段出口端的出端交
通图像预测模型，所述出端交通图像预测模型用于预测出路段出口端在未来时序的出端交通预测图像；
11.步骤s4、计算所述出端交通时序图像与进端交通时序图像在对应时序上的图像相似度得到出端和进端的图像关系曲线，并依据所述图像关系曲线得到区分目标路段处于正常交通状态和异常交通状态的监测阈值，将出端交通预测图像与对应未来时序处的进端交通真实图像的图像相似度与监测阈值比较得到目标路段在未来时序处的交通状态，以实现对目标路段的交通状态的预测。
12.作为本发明的一种优选方案，所述步骤s1中，所述路段出口端对出端交通真实图像采集时序比所述路段入口端对进端交通真实图像采集时序滞后一个时序间隔δt，所述时序间隔δt为交通车辆从路段入口端通行到路段出口端所需的标准通行时长，其中，所述进端交通真实图像表征为交通车辆在所述路段入口端处形成的交通景象，所述出端交通真实图像表征为交通车辆在所述路段出口端处形成的交通景象，以实现通过比较出端交通真实图像与进端交通真实图像的图像相似度判断交通车辆在标准通行时长从路段入口端到路段出口端的通行结果，再通过所述通行结果判断出所述目标路段的交通状态，所述进端交通时序图像为所述路段入口端对进端交通真实图像采集时序为{ti|i∈[1,n]}，所述出端交通时序图像为所述路段出口端对出端交通真实图像采集时序为{ti|i∈[1,n]}，ti＝ti δt，n为时序总数量，表征为时序ti上的进端交通真实图像，表征为时序ti上的出端交通真实图像。
[0013]
作为本发明的一种优选方案，所述步骤s2中，所述异常出端交通真实图像的标记方法包括：
[0014]
将所述出端交通时序图像中每个时序ti上的出端交通真实图像按照目标路段的交通状态进行标记，其中，
[0015]
若所述目标路段在时序ti上处于异常交通状态，则将出端交通真实图像标记为异常出端交通真实图像；
[0016]
若所述目标路段在时序ti上处于正常交通状态，则将出端交通真实图像标记为正常出端交通真实图像。
[0017]
作为本发明的一种优选方案，所述步骤s2中，所述训练时序样本中包含的正样本和负样本的选取比例与出端交通时序图像中的所有异常出端交通真实图像与所有正常出端交通真实图像的数量比值相一致以保障样本选取的均衡性。
[0018]
作为本发明的一种优选方案，所述步骤s3中，所述出端交通图像预测模型的构建方法包括：
[0019]
步骤s301、将所述训练时序样本为输入cnn卷积神经网络进行图像特征提取，输出图像特征序列，其中，所述cnn卷积神经网络的训练参数设定包括：网络filter设定为64个，激活函数设定为relu函数，池化处理设定为max-poling模式，dropout概率设定为0.25，为时序tj上的训练样本，且为时序tj上的出端交通真实图像，n为训练
总时序；
[0020]
步骤s302、将所述图像特征序列输入值lstm长短期记忆网络中进行时序预测训练，输出训练时序上的出端交通预测图像，其中，所述lstm长短期记忆网络的训练参数设定包括：网络层timestep设定为图像特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为传递模式，误差设定为n为训练总时序，为时序tj上的训练样本，且为时序tj上的出端交通真实图像，为lstm长短期记忆网络输出时序tj的出端交通真实图像；
[0021]
步骤s303、根据误差loss最小原则确定出cnn卷积神经网络和lstm长短期记忆网络的网络参数得到出端交通图像预测模型。
[0022]
作为本发明的一种优选方案，所述步骤s3中，所述出端交通图像预测模型的输入为出端交通时序图像输出为在未来时序{t
τ
|τ∈[n 1,n m]}的出端交通预测图像其中，表征为时序t
τ
上的出端交通预测图像，m为未来时序的总数目。
[0023]
作为本发明的一种优选方案，所述步骤s4中，所述监测阈值的确定方法包括：
[0024]
步骤s401、将所述出端交通时序图像和所述进端交通时序图像中对应时序的出端交通真实图像和进端交通真实图像进行图像相似度分析得到出端和进端的图像关系曲线，所述图像关系曲线的计算公式为：
[0025][0026]
其中，li为出端交通时序图像和进端交通时序图像在对应时序ti和ti的出端交通真实图像和进端交通真实图像的图像相似度，并且为图像关系曲线中第i个数据节点，yk，zk分别为出端交通真实图像和进端交通真实图像的第k个像素点的像素值，n为时序总数量，m为出端交通真实图像或进端交通真实图像的像素点总数量，p(yk,zk)是yk和zk的联合概率分布函数，而p(yk)和p(zk)分别是yk和zk的边缘概率分布函数；
[0027]
步骤s402、在所述图像关系曲线中将与所述出端交通时序图像中所有异常出端交通真实图像具有相同时序的数据节点连接为监测阈值下限线，在所述图像关系曲线中将与所述出端交通时序图像中所有正常出端交通真实图像具有相同时序的数据节点连接为监测阈值上限线；
[0028]
步骤s403、在所述监测阈值上限线和监测阈值下限线之间随机选择一条直线作为监测阈值线，并将所述监测阈值线对应的图像相似度作为所述监测阈值。
[0029]
作为本发明的一种优选方案，所述步骤s4中，所述目标路段的交通状态的预测方
法包括：
[0030]
将出端交通预测图像与对应未来时序处的进端交通真实图像的图像相似度与监测阈值比较，其中，
[0031]
若和的图像相似度小于监测阈值，则所述目标路段在未来时序处于异常交通状态；
[0032]
若和的图像相似度大于监测阈值，则所述目标路段在未来时序处于正常交通状态。
[0033]
作为本发明的一种优选方案，本发明提供了一种根据所述的用于交通管理的图像处理方法的图像处理系统，包括：
[0034]
监测装置，分别设置在目标路段的路段入口端和路段出口端的交通监测点处，并用于采集路段入口端和路段出口端处在每个时序上的进端交通真实图像和出端交通真实图像；
[0035]
模型建立单元，确定训练时序样本，并利用所述训练时序样本训练cnn-lstm预测模型得到路段出口端的出端交通图像预测模型；
[0036]
交通状态判定单元，确定监测阈值，将出端交通预测图像与对应未来时序处的进端交通真实图像的图像相似度与监测阈值比较得到目标路段在未来时序处的交通状态，以实现对目标路段的交通状态的预测；
[0037]
交通预警单元，根据所述目标路段的交通状态的预测结果进行交通预警。
[0038]
作为本发明的一种优选方案，设置在目标路段的路段出口端的交通监测点处的监测装置的采集时序比设置在目标路段的路段入口端的交通监测点处的监测装置的采集时序滞后时序间隔δt，设置在目标路段的路段出口端的交通监测点处的监测装置与设置在目标路段的路段入口端的交通监测点处的监测装置具有相同的图像拍摄规格。
[0039]
本发明与现有技术相比较具有如下有益效果：
[0040]
本发明利用cnn-lstm预测模型得到路段出口端的出端交通图像预测模型，利用出端交通图像预测模型预测出路段出口端在未来时序的出端交通预测图像，并依据所述图像关系曲线得到区分目标路段处于正常交通状态和异常交通状态的监测阈值，将出端交通预测图像与对应未来时序处的进端交通真实图像的图像相似度与监测阈值比较得到目标路段在未来时序处的交通状态，以实现对目标路段的交通状态的预测，可便于后续对目标路段进行交通预警或对目标路段的提前规划。
附图说明
[0041]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0042]
图1为本发明实施例提供的图像处理方法流程图；
[0043]
图2为本发明实施例提供的监测阈值线示意图；
[0044]
图3为本发明实施例提供的图像处理系统结构框图。
[0045]
图中的标号分别表示如下：
[0046]
1-监测装置；2-模型建立单元；3-交通状态判定单元；4-交通预警单元；5-图像关系曲线；6-监测阈值上限线；7-监测阈值下限线；8-监测阈值线。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
如图1-3所示，目标路段的交通状态可分为正常交通状态和异常交通状态，正常交通状态通常是指目标路段能够保持交通车辆通畅的通行，而异常交通状态通常指目标路段上存在车辆事故导致交通车辆在目标路段产生拥堵的通行状况，正常交通状态的实现建立在从目标路段的路段入口端驶入目标路段的交通车辆能够在一定时间间隔后从目标路段的路段出口端驶出目标路段，一定时间间隔是指交通车辆以目标路段限速范围内的车速从路段入口端无障碍通行到路段出口端所需的通行时长，即目标路段处于正常交通状态则表示处于路段入口端的交通车辆在一定时间间隔后处于路段出口端，映射到图像层面是指路段入口端的交通车辆形成的交通景象与在一定时间间隔后处于路段出口端的交通车辆形成的交通景象具有极高的相似度，因此要判定目标路段的交通状态可直接比对路段入口端的交通车辆形成的交通景象与在一定时间间隔后处于路段出口端的交通车辆形成的交通景象的图像相似度，基于上述理论基础本发明提供了一种用于交通管理的图像处理方法，可以先预测出未来时序的处于路段出口端的交通车辆形成的交通景象，再与未来时序的处于路段出口端的交通车辆形成的交通景象进行图像相似度比较，预测出未来时序的目标路段的交通状态。
[0049]
本发明提供了一种用于交通管理的图像处理方法，包括以下步骤：
[0050]
步骤s1、在目标路段的路段入口端和路段出口端处设置交通监测点，并利用交通监测点采集路段入口端和路段出口端处在每个时序上的进端交通真实图像和出端交通真实图像，再依时序排列分别构成进端交通时序图像和出端交通时序图像；
[0051]
步骤s1中，路段出口端对出端交通真实图像采集时序比路段入口端对进端交通真实图像采集时序滞后一个时序间隔δt，时序间隔δt为交通车辆从路段入口端通行到路段出口端所需的标准通行时长，其中，进端交通真实图像表征为交通车辆在路段入口端处形成的交通景象，出端交通真实图像表征为交通车辆在路段出口端处形成的交通景象，以实现通过比较出端交通真实图像与进端交通真实图像的图像相似度判断交通车辆在标准通行时长从路段入口端到路段出口端的通行结果，再通过通行结果判断出目标路段的交通状态，进端交通时序图像为路段入口端对进端交通真实图像采集时序为{ti|i∈[1,n]}，出端交通时序图像为路段出口端对出端交通真实图像采集时序为{ti|i∈[1,n]}，ti＝ti δt，n为时序总数量，表征为时序ti上的进端交通真实图像，
表征为时序ti上的出端交通真实图像。
[0052]
时序间隔δt的确定方法包括：利用目标路段的路段入口端的交通监测点和路段出口端的交通监测点之间的路段距离，除以目标路段中交通车辆的平均车速得到时序间隔δt的取值，目标路段中交通车辆的平均车速可根据对目标路段处于正常交通状态在一段通行时序中所有的交通车辆从路段入口端的交通监测点行驶到路段出口端的交通监测点的车速求平均得到，本实施例对时序间隔δt不作具体数值的限定，使用者可根据实际使用进行自定义调整。
[0053]
本实施例可根据处于路段出口端的交通车辆在现有时序上形成的交通景象通过预测出处于路段出口端的交通车辆在未来时序上形成的交通景象，若要使得目标路段在未来时序为正常交通状态，利用正常交通状态的判定方法：路段入口端的交通车辆形成的交通景象与在一定时间间隔后处于路段出口端的交通车辆形成的交通景象具有极高的相似度，由现有时序转换至未来时序，则需要使得处于路段出口端的交通车辆在未来时序上形成的交通景象与处于路段入口端的交通车辆在对应未来时序上形成的交通景象具有极高的相似度，其中路段入口端的交通车辆在对应未来时序上形成的交通景象可根据监测装置真实采集到，只需要将路段入口端的交通车辆在对应未来时序上形成的交通景象与预测得到的路段出口端的交通车辆在未来时序上形成的交通景象进行图像相似度比较，就可以判定出目标路段在未来时序上的交通状态，映射到目标路段上是指若目标路段在未来时序上处于正常交通状态，则采集到的路段入口端的交通车辆在对应未来时序上形成的交通景象应该与预测得到的路段出口端的交通车辆在未来时序上形成的交通景象具有高相似度，若若目标路段在未来时序上处于异常交通状态，则采集到的路段入口端的交通车辆在对应未来时序上形成的交通景象应该与预测得到的路段出口端的交通车辆在未来时序上形成的交通景象具有低相似度，因此在预测目标路段在未来时序上的交通状态之前，需要先进行路段出口端的交通车辆在未来时序上形成的交通景象的预测，本实施例提出了一种出端交通图像预测模型，预测表征出路段出口端在未来时序由交通车辆形成的交通景象的出端交通预测图像。
[0054]
出端交通图像预测模型的样本确定方法如下：
[0055]
步骤s2、在出端交通时序图像中标记出表征目标路段处于异常交通状态的异常出端交通真实图像，并在出端交通时序图像中截取一段连续时序的出端交通真实图像作为训练时序样本，训练时序样本包括正样本和负样本，其中，正样本表征为目标路段处于正常交通状态的正常出端交通真实图像，负样本表征为目标路段处于异常交通状态的异常出端交通真实图像；
[0056]
步骤s2中，异常出端交通真实图像的标记方法包括：
[0057]
将出端交通时序图像中每个时序ti上的出端交通真实图像按照目标路段的交通状态进行标记，其中，
[0058]
若目标路段在时序ti上处于异常交通状态，则将出端交通真实图像标记为异常出端交通真实图像；
[0059]
若目标路段在时序ti上处于正常交通状态，则将出端交通真实图像标记为正
常出端交通真实图像。
[0060]
步骤s2中，训练时序样本中包含的正样本和负样本的选取比例与出端交通时序图像中的所有异常出端交通真实图像与所有正常出端交通真实图像的数量比值相一致以保障样本选取的均衡性，可防止模型欠拟合和过拟合而导致的预测结果不可信。
[0061]
步骤s3、利用训练时序样本训练cnn-lstm预测模型得到路段出口端的出端交通图像预测模型，出端交通图像预测模型用于预测出路段出口端在未来时序的出端交通预测图像；
[0062]
步骤s3中，出端交通图像预测模型的构建方法包括：
[0063]
步骤s301、将训练时序样本为输入cnn卷积神经网络进行图像特征提取，输出图像特征序列，其中，cnn卷积神经网络的训练参数设定包括：网络filter设定为64个，激活函数设定为relu函数，池化处理设定为max-poling模式，dropout概率设定为0.25，为时序tj上的训练样本，且为时序tj上的出端交通真实图像，n为训练总时序；
[0064]
步骤s302、将图像特征序列输入值lstm长短期记忆网络中进行时序预测训练，输出训练时序上的出端交通预测图像，其中，lstm长短期记忆网络的训练参数设定包括：网络层timestep设定为图像特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为误差设定为n为训练总时序，stj为时序tj上的训练样本，且为时序tj上的出端交通真实图像，为lstm长短期记忆网络输出时序tj的出端交通真实图像；
[0065]
步骤s303、根据误差loss最小原则确定出cnn卷积神经网络和lstm长短期记忆网络的网络参数得到出端交通图像预测模型。
[0066]
出端交通图像预测模型的输入为出端交通时序图像输出为在时序{tj|j∈[1,n]}的出端交通预测图像通过与相对比可衡量出造价周期预测模型的预测精度，即与数据差异度越小，则模型预测精度越高，与数据差异度越大，则模型预测精度越低，以与差异度构建损失函数，可以使得建立的出端交通图像预测模型具有高精度属性，迁移到目标路段上输入为目标路段在现有时序的出端交通真实图像，输出为目标路段在未来时序的出端交通预测图像，则目标路段在未来时序的出端交通预测图像越接近与目标路段在未来时序的出端交通真实图像，因此能够利用出端交通预测图像反映出目标路段在未来时序上的真实走向趋势。
[0067]
步骤s3中，出端交通图像预测模型的输入为出端交通时序图像输出为在未来时序{t
τ
|τ∈[n 1,n m]}的出端交通预测图像其中，表征为时序t
τ
上的出端交通预测图像，m为未来时序的总数目。
[0068]
步骤s4、计算出端交通时序图像与进端交通时序图像在对应时序上的图像相似度
得到出端和进端的图像关系曲线，并依据图像关系曲线得到区分目标路段处于正常交通状态和异常交通状态的监测阈值，将出端交通预测图像与对应未来时序处的进端交通真实图像的图像相似度与监测阈值比较得到目标路段在未来时序处的交通状态，以实现对目标路段的交通状态的预测。
[0069]
步骤s4中，监测阈值的确定方法包括：
[0070]
步骤s401、将出端交通时序图像和进端交通时序图像中对应时序的出端交通真实图像和进端交通真实图像进行图像相似度分析得到出端和进端的图像关系曲线，图像关系曲线的计算公式为：
[0071][0072]
其中，li为出端交通时序图像和进端交通时序图像在对应时序ti和ti的出端交通真实图像和进端交通真实图像的图像相似度，并且为图像关系曲线中第i个数据节点，yk，zk分别为出端交通真实图像和进端交通真实图像的第k个像素点的像素值，n为时序总数量，m为出端交通真实图像或进端交通真实图像的像素点总数量，p(yk，zk)是yk和zk的联合概率分布函数，而p(yk)和p(zk)分别是yk和zk的边缘概率分布函数；
[0073]
图像相似度是指出端交通真实图像和进端交通真实图像的相似程度，若图像相似度越高，则出端交通真实图像和进端交通真实图像越相似，则目标路段的交通状态越偏向正常，若图像相似度越低，则出端交通真实图像和进端交通真实图像越不相似，则目标路段的交通状态越偏向异常。
[0074]
如图2所示，步骤s402、在图像关系曲线中将与出端交通时序图像中所有异常出端交通真实图像具有相同时序的数据节点连接为监测阈值下限线，在图像关系曲线中将与出端交通时序图像中所有正常出端交通真实图像具有相同时序的数据节点连接为监测阈值上限线；
[0075]
在图像关系曲线中将与出端交通时序图像中所有异常出端交通真实图像具有相同时序的数据节点是指目标路段处于异常交通状态的所有时序，表明在这些时序上目标路段出现异常事故，目标路段发生拥堵以及交通车辆无法从路段入口端经过时间间隔δt到达路段出口端，则目标路段的交通状态越偏向异常，即这些时序上的出端交通真实图像和进端交通真实图像的越不相似，因此将图像关系曲线中将与出端交通时序图像中所有异常出端交通真实图像具有相同时序的数据节点连接为监测阈值下限线，使得越接近监测阈值下限线的出端交通真实图像和进端交通真实图像的图像相似度越低，则目标路段在时序ti上的交通状态越偏向异常，同理将图像关系曲线中
将与出端交通时序图像中所有正常出端交通真实图像具有相同时序的数据节点连接为监测阈值上限线，使得越接近监测阈值上限线的出端交通真实图像和进端交通真实图像的图像相似度越高，则目标路段在时序ti上的交通状态越偏向正常。
[0076]
步骤s403、在监测阈值上限线和监测阈值下限线之间随机选择一条直线作为监测阈值线，并将监测阈值线对应的图像相似度作为监测阈值，监测阈值线用于区分目标路段的交通状态，低于监测阈值线认为接近于监测阈值下限线，则归为异常交通状态，高于监测阈值线认为接近于监测阈值上限线，则归为正常交通状态。
[0077]
步骤s4中，目标路段的交通状态的预测方法包括：
[0078]
将出端交通预测图像与对应未来时序处的进端交通真实图像的图像相似度与监测阈值比较，t
τ
＝t
τ
δt，其中，
[0079]
若和的图像相似度小于监测阈值，则目标路段在未来时序处于异常交通状态；
[0080]
若和的图像相似度大于监测阈值，则目标路段在未来时序处于正常交通状态。
[0081]
本实施例可在采集到进端交通真实图像的同时在时序t
τ
处计算出目标路段在未来时序的交通状态并在时序t
τ
预警，因此可在使得交管部门在时序段[t
τ
,t
τ
]内进行应急反应，采取相应交管措施比如控制路段入口端流量或开启路段侧边出口以避免目标路段发生拥堵等故障，可实现通过预测目标路段在未来时序的交通状态，进行提前交管规划或调控，或者向交通车辆预警，告知交通车辆前方路段在未来时序可能发生异常交通状态，进行提前的出行规划，提高出行效率。
[0082]
如图3所示，基于上述用于交通管理的图像处理方法，本发明提供了一种图像处理系统，包括：
[0083]
监测装置1，分别设置在目标路段的路段入口端和路段出口端的交通监测点处，并用于采集路段入口端和路段出口端处在每个时序上的进端交通真实图像和出端交通真实图像；
[0084]
模型建立单元2，确定训练时序样本，并利用训练时序样本训练cnn-lstm预测模型得到路段出口端的出端交通图像预测模型；
[0085]
交通状态判定单元3，确定监测阈值，将出端交通预测图像与对应未来时序处的进端交通真实图像的图像相似度与监测阈值比较得到目标路段在未来时序处的交通状态，以实现对目标路段的交通状态的预测；
[0086]
交通预警单元4，根据目标路段的交通状态的预测结果进行交通预警。
[0087]
设置在目标路段的路段出口端的交通监测点处的监测装置的采集时序比设置在目标路段的路段入口端的交通监测点处的监测装置的采集时序滞后时序间隔δt，设置在目标路段的路段出口端的交通监测点处的监测装置与设置在目标路段的路段入口端的交通监测点处的监测装置具有相同的图像拍摄规格。
[0088]
本发明利用cnn-lstm预测模型得到路段出口端的出端交通图像预测模型，利用出
端交通图像预测模型预测出路段出口端在未来时序的出端交通预测图像，并依据图像关系曲线得到区分目标路段处于正常交通状态和异常交通状态的监测阈值，将出端交通预测图像与对应未来时序处的进端交通真实图像的图像相似度与监测阈值比较得到目标路段在未来时序处的交通状态，以实现对目标路段的交通状态的预测，可便于后续对目标路段进行交通预警或对目标路段的提前规划。
[0089]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。