基于物联网的智能交通监控方法及系统与流程

本发明涉及交通监控，具体为基于物联网的智能交通监控方法及系统。

背景技术：

1、随着城市交通日益繁忙，非机动车违章问题逐渐突显，传统的监测方法难以满足高效管理的需求。目前，一些城市交通违章监管主要依赖于人工巡逻和有限的监控摄像头，这种方式存在着监测盲区、效率低下以及对人力资源的高度依赖等问题，导致交通秩序难以有效维持。为了解决这些问题，一些基于物联网技术的交通违章监测系统应运而生。现有的系统大都是利用计算机视觉和图像处理技术对交叉口进行实时监测，以检测车辆违章行为。然而，现有技术在非机动车分类、个人信息识别以及行动轨迹分析等方面仍然存在一些局限，如对电动自行车和自行车的难以进行准确区分、对违章车辆难以进行追踪和记录，以及在信息记录过程中存在的隐私问题。现有技术对于违章车辆的持续监测和行为分析方面亦显不足，限制了对交通违章行为的及时响应和管理。

2、因此，本专利旨在提供一种基于图像处理、人脸/车牌识别和行动轨迹分析的智能交通监控系统，以更全面、高效地解决非机动车违章问题。从而提高违章检测的准确性以及实时性，减少违章行为对交通安全和秩序的不良影响。

技术实现思路

1、本发明的目的在于提供基于物联网的智能交通监控方法及系统，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：基于物联网的智能交通监控系统，该系统的运行方法包括以下步骤：

3、步骤一：通过结合车座与人体夹角以及行车速度，实现非机动车的区分；

4、步骤二：对非机动车违章行为进行检测，并针对违章行为进行警告；

5、步骤三：记录非机动车的违章信息，并生成相应的特征信息；

6、步骤四：对档案内的车辆进行违章信息统计和行动轨迹分析。

7、根据上述技术方案，所述通过结合车座与人体夹角以及行车速度，实现非机动车的区分的步骤，包括：

8、计算座位与后背的夹角，以及非机动车的速度；

9、设定速度阈值和夹角阈值，并与实际值比较，进行车辆类型识别。

10、根据上述技术方案，所述计算座位与后背的夹角，以及非机动车的速度的步骤，包括：

11、将系统与摄像装置进行连接，系统通过摄像装置获取骑行时的图像信息，摄像装置采用高分辨率的摄像头，该摄像头可以捕捉非机动车的关键部位，当非机动车从摄像装置下经过时，摄像装置对当前可拍摄范围进行拍照，然后上传至系统进行图像处理，系统首先通过使用canny边缘检测算法对图像中的车辆进行描边，突出车辆的轮廓，接下来，计算车座与后背的夹角，利用图像处理技术，识别车辆的座位和后背位置，然后通过向量夹角计算，确定二者之间的夹角(θ)：其中，v座位和v后背分别是座位和后背的向量，接着进行非机动车速度计算，通过摄像头进行视频拍摄，然后通过视频获取一系列连续的图像帧，随后建立图像序列，其中每一帧都包含运动中的非机动车，同时，使用sift对图像序列中的每一帧都进行特征点检测，在相邻帧之间进行特征点匹配，再使用光流法或基于特征点的运动估计算法，计算相邻帧之间特征点的运动矢量，最后，根据相邻帧的时间间隔δt和车辆特征点在图像中的位移δx，δy，计算每个特征点的像素速度，对于某一特征点，速度最后，对所有特征点的速度进行平均，通过对所有特征点速度进行加权平均，获得车辆的平均速度。

12、根据上述技术方案，所述设定速度阈值和夹角阈值，并与实际值比较，进行车辆类型识别的步骤，包括：

13、通过设定速度阈值和夹角阈值，进行电动自行车与自行车的识别，首先，根据实际情况设定一个速度阈值v阈值和一个夹角阈值θ阈值，用于判定车辆的类型，这两个阈值的选取可以通过实验确定，当测得的车辆速度v大于v阈值，则可以初步判定为电动自行车，因为通常电动自行车具有较高的速度，否则，继续下一步，对于速度未能判别的情况，考虑夹角θ，当夹角小于θ阈值，则判定为自行车，因为电动自行车的骑行姿势更直立，夹角更小，反之，夹角大于θ阈值是自行车。

14、根据上述技术方案，所述对非机动车违章行为进行检测，并针对违章行为进行警告的步骤，包括：

15、通过图像处理技术，检测交叉口的红绿灯状态，然后系统通过红绿灯的状态判断非机动车是否有闯红灯现象，同时分析非机动车在交叉口的位置和运动轨迹，通过跟踪非机动车在图像序列中的位置变化，可以推断其行驶方向和是否逆行，对于电动自行车的违法行为，系统首先获取相应的人脸信息，通过采用基于卷积神经网络的面部识别系统，进行人脸识别，随后通过人脸信息，获取非机动车主的身份信息，其次，对电动自行车进行车牌识别，提取电动自行车的车牌信息，并获取车牌信息所对应的个人信息，在成功识别电动自行车违章并获取个人信息后，系统自动触发短信警告系统，通过短信或电话，系统向电动自行车所有者发送包含违章信息的短信，对于自行车的违章情况，系统首先尝试进行面部识别，成功后，系统记录违章信息并发出警告，当面部识别失败，系统则引入个人违章档案模块，该模块为每辆违章的自行车生成唯一的标识符，然后将违章信息与标识符关联，并在档案模块中建立个人违章档案。

16、根据上述技术方案，所述记录非机动车的违章信息，并生成相应的特征信息的步骤，包括：

17、对每一起自行车违章事件进行详细记录，包括但不限于时间、地点、车辆颜色、天气状况、路面情况，时间记录将包括日期和具体时间，地点记录将包括具体的交叉口或位置信息，其次，引入多方面的特征，通过气象数据源，记录违章事件发生时的天气状况，如晴天、雨天或雪天，以考虑天气对骑行行为的影响，同时，通过图像处理技术或传感器，记录路面情况，如湿滑、坑洼，最后，将自行车辆的所有违章信息及相关特征安全存储，并通过加密算法进行保护，以防止未经授权的访问。

18、根据上述技术方案，所述对档案内的车辆进行违章信息统计和行动轨迹分析的步骤，包括：

19、启动行动轨迹分析，采用聚类算法和轨迹相似度计算；

20、预测结果提供给交通部门，增加监管力度，降低违章行为。

21、根据上述技术方案，所述启动行动轨迹分析，采用聚类算法和轨迹相似度计算的步骤，包括：

22、系统对该车辆进行违章次数统计，一旦违章次数超过预设的阈值，系统将启动行动轨迹分析，在行动轨迹分析阶段，系统采用聚类算法和轨迹相似度计算，首先，从自行车信息档案中提取车辆的历史行驶轨迹数据，包括位置坐标、时间戳信息，并进行数据预处理，接着，系统采用基于密度的dbscan聚类算法，对车辆的历史轨迹进行聚类分析，通过将相似的轨迹点分组，识别处车辆在不同时间段经常出现的地点或路口，同时，系统进行轨迹相似度计算，采用动态时间规整方法，对聚类结果中的每个类别进行详细的相似度评估，通过在同一类别中找到更为相似的轨迹，进一步细化车辆在常去地点的分布，最终，系统结合聚类分析和轨迹相似度计算的结果，确定车辆经常出现的路口或区域，并通过设定阈值或利用聚类中心进行标记，将这些常去地点的信息存储起来。

23、根据上述技术方案，所述该系统包括：

24、非机动车分类与区分模块，用于实时捕捉非机动车图像，通过高级图像处理技术准确分类电动自行车和自行车，提供关键运动信息；

25、违章行为检测与警告模块，用于通过红绿灯状态检测和面部/车牌识别，准确检测非机动车违章行为，触发警告系统保障交通安全；

26、违章信息记录与特征添加模块，用于详细记录每起自行车违章事件，包括时间、地点、车辆特征，添加多方面特征，提供全面深入的违章信息。

27、根据上述技术方案，所述非机动车分类与区分模块包括：

28、图像信息采集模块，用于通过高分辨率摄像头捕捉非机动车图像，提供关键信息给系统进行处理；

29、图像处理与分类模块，用于利用canny边缘检测和向量夹角计算，对电动自行车和自行车进行准确区分；

30、电动自行车与自行车识别模块，用于设定速度和夹角阈值，精准判别电动自行车和自行车，提高实时场景中的分类准确度。

31、与现有技术相比，本发明所达到的有益效果是：本发明，首先，通过结合车座与人体夹角和行车速度，区分电动自行车和自行车，接着，在步骤二中，系统检测非机动车违章行为，如闯红灯或逆行，通过面部识别、车牌识别等技术获取个人信息，并通过短信进行警告，步骤三记录了详细的违章信息，包括时间、地点、天气等多方面特征，最后，在步骤四中，系统通过对车辆信息档案的统计和轨迹分析，实现了对违章次数的统计和常去路口的标记，为交通部门提供精准的预测结果，以更有效地管理和监管非机动车的违章行为，该方法，具有提高违章检测的准确性以及实时性的特点。