一种基于智能图像处理及大数据分析处理方法技术

本次申请提出了一种基于智能图像处理以及大数据处理方法，涉及图像处理以及数据处理技术领域。方法包括：一整个道路包含两侧人行道、两侧非机动车道、双通或四通机车道，共6～8个视频采集装置分别安装在各个道路，精确采集行人监控视频信息，并将视频内容进行压缩，按一定帧率抽取图片上传至服务器。对上传的图片进行转换格式、预处理、边缘提取等操作，提取出行人的特征，并将行人的特征信息放入训练好的决策树进行分类任务。分类大标签共有三种：高危行为、中危行为、低危行为。当行人行为信息被归类为危险行为时，会对行人异常行为进行纠正。该方法可以有利解决现有技术对行人规范难的问题，确实保障人民生命财产安全。确实保障人民生命财产安全。确实保障人民生命财产安全。

【技术实现步骤摘要】
一种基于智能图像处理及大数据分析处理方法


[0001]本专利技术涉及图像领域及大数据处理领域，具体为一种基于智能图像处理及大数据分析处理方法。

技术介绍

[0002]现有技术中，在行使得车道上对于行人的规范，指导较少，近些年也发生了一些因为行人错误行为的一些悲剧。通常有行人不走人行道，沿着人行道边界行走容易被非机动车刮蹭、绊倒，步入非机动车道，步入机动车道，跨越、倚坐机动车道隔离措施、以及放任学龄儿童独自行走，这些行人的异常行为往往危险系数也是极高的。因此需要一种更加智能的智能图像处理及大数据分析处理方法，对马上路不规范的行人行为进行劝导，纠正等。

技术实现思路

[0003]为了解决以上问题，本专利技术提出一种基于智能图像处理及大数据分析处理方法，，能够正确的识别行人的异常行为，并且给出处理措施，提升交通的整体安全性。
[0004]为实现上述目的，本专利技术采取的技术方案是：
[0005]一种基于智能图像处理及大数据分析处理方法，其特征在于，具体包括以下步骤：
[0006]对现场进行视频采集；
[0007]将采集来的视频按帧率提取图片；
[0008]对图片进行预处理操作；
[0009]对图片中行人进行特征提取；
[0010]提取出的特征进行决策树多分类；
[0011]辨别行人得具体行为。
[0012]作为本专利技术进一步改进，对行人进行特征提取还包括模型训练以下步骤：
[0013]采集行人行为特征数据；
[0014]基于采集的行人行为特征数据进行YOLO算法模型训练，形成行人行为类型识别训练模型；
[0015]基于采集的行人行为特征数据进行模型测试验证，检验模型效果；
[0016]形成行人行为类型识别模型；
[0017]对行人行为类型识别模型进行行人坐标、行人各项特征坐标、非机动车与行人道台阶边界坐标、机动车道与机动车道栅栏坐标、机动车道中线边界坐标提取；
[0018]在行人坐标与非机动车与行人道台阶边界坐标关系中提取特征X1；
[0019]在行人坐标与非机动车与行人道台阶边界坐标关系及非机动车道与机动车道栅栏坐标提取特征X2；
[0020]在行人坐标与机动车道栅栏坐标及机动车道中线边界坐标提取特征X3；
[0021]根据各坐标横坐标直接关系提取特征X4，X5，X6，做为特征项得补充；
[0022]对关键特征X1，X2，X3进行多项式扩展形成特征X7，X8，X9，从而完成特征升维；
[0023]基于行人行为类型识别模型，提取特征X10；
[0024]基于行人行为类型识别模型，提取特征X1 1。
[0025]作为本专利技术进一步改进，对行人行为类型识别模型进行行人坐标、行人各项特征坐标、非机动车与行人道台阶边界坐标、机动车道与机动车道栅栏坐标、机动车道中线边界坐标提取；
[0026]其中行人框架信息为(X1
i
，Y1
i
，W1
i
，H1
i
)，(X1
i
，Y1
i
)为行人识别方框左上角坐标，W1
i
为行人方框识别宽度，H1
i
为行人方框识别高度。则行人位置坐标记为：
[0027]XS
i
＝X1
i
+W1
i
(1)
[0028]YS
i
＝Y1
i
+H1
i
(2)
[0029]其中XS
i
为行人横坐标，YS
i
为行人纵坐标；
[0030]其中手部坐标信息为(X2
i
，Y2
i
)、躯干坐标信息为(X3
i
，Y3
i
)、脚部坐标信息为(X4
i
，Y4
i
)，非机动车与行人道台阶边界坐标(X5
i
，Y5
i
)，非机动车道与机动车道栅栏坐标(X6
i
，Y6
i
)，机动车道中线边界坐标(X7
i
，Y7
i
)。
[0031]作为本专利技术进一步改进，特征X1、X2、X3、X10和X11提取方法如下：
[0032]其中特征提取思想本申请采用欧几里得距离：
[0033][0034]其中D为两坐标之间得绝对距离，X
i
，X
j
分别为两坐标得横坐标，Y
i
，Y
j
分别为两坐标得纵坐标，在本申请中，用来描述两坐标距离远近得程度，可理解为相关系数；
[0035][0036][0037]其中X1为特征项，u为单位越迁函数取值，XS
i
为行人横坐标，X5
j
非机动车与行人道台阶边界横坐标，YS
i
为行人纵坐标，Y5
i
为非机动车与行人道台阶边界纵坐标；
[0038][0039][0040]其中X2为特征项，u1、u2为单位越迁函数取值，XS
i
为行人横坐标，X5
i
非机动车与行人道台阶边界横坐标，X6
i
非机动车道与机动车道栅栏横坐标，YS
i
为行人纵坐标，Y5
i
为非机动车与行人道台阶边界纵坐标，Y6
i
为非机动车道与机动车道栅栏纵坐标；
[0041][0042][0043]其中X3为特征项，u2、u3为单位越迁函数取值，XS
i
为行人横坐标，X5
i
非机动车与行人道台阶边界横坐标；
[0044]X6
i
非机动车道与机动车道栅栏横坐标；
[0045]X7
i
机动车道中线边界横坐标YS
i
为行人纵坐标；
[0046]Y5
i
为非机动车与行人道台阶边界纵坐标；
[0047]Y6
i
为非机动车道与机动车道栅栏纵坐标；
[0048]Y7
i
机动车道中线边界纵坐标；
[0049]X4＝X5
i
‑
XS
i
(10)
[0050]X5＝X6
i
‑
XS
i
(11)
[0051]X6＝X7
i
‑
XS
i
(12)
[0052]其中X4，X5，X6为特征项，XS
i
为行人横坐标，X5
i
非机动车与行人道台阶边界横坐标，X6
i
非机动车道与机动车道栅栏横坐标，X7
i
机动车道中线边界横坐标；...

【技术保护点】

【技术特征摘要】
1.一种基于智能图像处理及大数据分析处理方法，其特征在于，具体包括以下步骤：对现场进行视频采集；将采集来的视频按帧率提取图片；对图片进行预处理操作；对图片中行人进行特征提取；提取出的特征进行决策树多分类；辨别行人得具体行为。2.如权利要求1所述的一种基于智能图像处理及大数据分析处理方法，其特征在于，对行人进行特征提取还包括模型训练以下步骤：采集行人行为特征数据；基于采集的行人行为特征数据进行YOLO算法模型训练，形成行人行为类型识别训练模型；基于采集的行人行为特征数据进行模型测试验证，检验模型效果；形成行人行为类型识别模型；对行人行为类型识别模型进行行人坐标、行人各项特征坐标、非机动车与行人道台阶边界坐标、机动车道与机动车道栅栏坐标、机动车道中线边界坐标提取；在行人坐标与非机动车与行人道台阶边界坐标关系中提取特征X1；在行人坐标与非机动车与行人道台阶边界坐标关系及非机动车道与机动车道栅栏坐标提取特征X2；在行人坐标与机动车道栅栏坐标及机动车道中线边界坐标提取特征X3；根据各坐标横坐标直接关系提取特征X4,X5,X6，做为特征项得补充；对关键特征X1,X2,X3进行多项式扩展形成特征X7,X8,X9，从而完成特征升维；基于行人行为类型识别模型，提取特征X10；基于行人行为类型识别模型，提取特征X11。3.如权利要求2所述的一种基于智能图像处理及大数据分析处理方法，其特征在于，对行人行为类型识别模型进行行人坐标、行人各项特征坐标、非机动车与行人道台阶边界坐标、机动车道与机动车道栅栏坐标、机动车道中线边界坐标提取；其中行人框架信息为(X1
i
，Y1
i
，W1
i
，H1
i
),(X1
i
，Y1
i
)为行人识别方框左上角坐标，W1
i
为行人方框识别宽度，H1
i
为行人方框识别高度。则行人位置坐标记为：XS
i
＝X1
i
+W1
i
⑴
YS
i
＝Y1
i
+H1
i
⑵
其中XS
i
为行人横坐标，YS
i
为行人纵坐标；其中手部坐标信息为(X2
i
，Y2
i
)、躯干坐标信息为(X3
i
，Y3
i
)、脚部坐标信息为(X4
i
，Y4
i
)，非机动车与行人道台阶边界坐标(X5
i
，Y5
i
)，非机动车道与机动车道栅栏坐标(X6
i
，Y6
i
)，机动车道中线边界坐标(X7
i
，Y7
i
)。4.如权利要求2所述的一种基于智能图像处理及大数据分析处理方法，其特征在于，特征X1、X2、X3、X10和X11提取方法如下：其中特征提取思想本申请采用欧几里得距离：
其中D为两坐标之间得绝对距离，X
i
，X
j
分别为两坐标得横坐标，Y
i
，Y
j
分别为两坐标得纵坐标，在本申请中，用来描述两坐标距离远近得程度，可理解为相关系数；坐标，在本申请中，用来描述两坐标距离远近得程度，可理解为相关系数；其中X1为特征项，u为单位越迁函数取值，XS
i
为行人横坐标，X5
i
非机动车与行人道台阶边界横坐标，YS...

【专利技术属性】
技术研发人员：雷鹏，刘杰，易良腾，
申请(专利权)人：武汉迅知云科技有限公司，
类型：发明
国别省市：