一种用于交通管理的图像处理方法及系统与流程

技术特征：
1.一种用于交通管理的图像处理方法，其特征在于，包括以下步骤：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；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；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；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。2.根据权利要求1所述的一种用于交通管理的图像处理方法，其特征在于：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{t
i
|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{t
i
|i∈[1，n]}，t
i
＝t
i
δt，n为时序总数量，表征为时序t
i
上的进端交通真实图像，表征为时序t
i
上的出端交通真实图像。3.根据权利要求2所述的一种用于交通管理的图像处理方法，其特征在于：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：将所述出端交通时序图像中每个时序t
i
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，若所述目标路段在时序t
i
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；若所述目标路段在时序t
i
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。
4.根据权利要求3所述的一种用于交通管理的图像处理方法，其特征在于：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。5.根据权利要求4所述的一种用于交通管理的图像处理方法，其特征在于：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：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t
j
上的训练样本，且为时序t
j
上的出端交通真实图像，n为训练总时序；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，误差设定为模式，误差设定为n为训练总时序，为时序t
j
上的训练样本，且为时序t
j
上的出端交通真实图像，为lstm长短期记忆网络输出时序t
j
的出端交通真实图像；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。6.根据权利要求5所述的一种用于交通管理的图像处理方法，其特征在于：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。7.根据权利要求6所述的一种用于交通管理的图像处理方法，其特征在于，所述步骤s4中，所述监测阈值的确定方法包括：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：其中，l
i
为出端交通时序图像和进端交通时序图像在对应时序t
i
和t
i
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，y
k
，z
k
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(y
k
，z
k
)是y
k
和z
k
的联合概率分布函数，而p(y
k
)和p(z
k
)分别是y
k
和z
k
的边缘概率分布函数；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；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。8.根据权利要求7所述的一种用于交通管理的图像处理方法，其特征在于，所述步骤s4中，所述目标路段的交通状态的预测方法包括：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，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；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。9.一种根据权利要求1-8所述的用于交通管理的图像处理方法的图像处理系统，其特征在于，包括：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；模型建立单元(2)，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；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；交通预警单元(4)，根据所述目标路段的交通状态的预测结果进行交通预警。10.根据权利要求9所述的一种图像处理系统，其特征在于，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。

技术总结
本发明公开了一种用于交通管理的图像处理方法及系统，步骤S1、构成进端交通时序图像和出端交通时序图像；步骤S2、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；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；步骤S4、得到目标路段在未来时序处的交通状态。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，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。划。划。


技术研发人员：马争锋
受保护的技术使用者：青海民族大学
技术研发日：2021.12.07
技术公布日：2022/3/22