一种治超非现场执法车辆行为识别方法技术

针对治超非现场执法系统的实际应用过程中，存在的不按规定车道正常行驶的行为，本发明专利技术提出一种治超非现场执法车辆行为识别方法，根据非现场执法系统采集到的车辆行驶状态相关信息建立识别样本数据集，依托数据集训练车辆行为识别模型，建立车辆行为识别库，利用分类算法实现正常行驶车辆与异常行驶车辆的筛选与识别

【技术实现步骤摘要】
一种治超非现场执法车辆行为识别方法


[0001]本专利技术属于治超领域，具体涉及治超非现场执法车辆行为识别方法
。

技术介绍

[0002]治超非现场执法系统的实际应用过程中，存在部分车辆为了规避执法检查，不按规定车道正常行驶的行为，对系统检测车辆重量等存在干扰，影响检测数据的真实性和有效性
。
因此，提高治超非现场执法系统对称重车辆行为的有效识别，对系统检测功能的提升作用显而易见
。
[0003]车辆在治超非现场执法系统检测区域行驶的行为包括正常行驶和异常行驶两类
。
治超非现场执法系统的设计初始是按正常车道布设检测进行配置和使用，可以对正常行驶的车辆进行有效检测，但在使用过程中，车辆的异常行为干扰了系统的检测，需要提升对系统对车辆的异常行为的识别能力
。

技术实现思路

[0004]本专利技术的目的在于提出一种治超非现场执法车辆行为识别方法，结合称重
、
分车
、
抓拍等多元信息，对车辆在混合车道中的行驶行为做出有效判断，分类识别，从而提高数据识别匹配率
。
[0005]本专利技术的技术方案是：一种治超非现场执法车辆行为识别方法，其特征是：根据非现场执法系统采集到的车辆行驶状态相关信息建立识别样本数据集，依托数据集训练车辆行为识别模型，建立车辆行为识别库，利用分类算法实现正常行驶车辆与异常行驶车辆的筛选与识别；具体包括以下步骤：
[0006](1)
构建识别样本数据集并进行分类
[0007]从非现场执法系统过车数据库中人工筛选出具有代表性的一定样本量的过车数据组成识别样本数据集；每一条过车数据则可生成1组识别样本数据集，每一条样本数据集的基本构成单元包括本车道数据集和相邻车道数据集，两种数据集分别又包含三种设备采集的数据子集：包括用于判别车辆的分车装置采集的分车数据子集
、
用于检测车辆轴载的装置采集的轴载数据子集
、
以及车辆抓拍装置采集的抓拍数据子集，每个数据子集对应的数据包含若干标记；其中分车数据子集和轴载数据子集为单一数据，属于结构化数据；抓拍数据子集为图片，属于非结构化数据；
[0008](2)
依托数据集训练车辆行为识别模型
[0009]根据实际车辆行驶状态为识别样本数据集打上正常行驶或异常行驶标记，使用神经网络按一定规则进行训练，得到一组配置参数和车辆行为识别模型，构成车辆行为识别基础库；训练时根据结构化数据和非结构化数据两类分别进行训练；车辆行为识别模型输入为正常行驶车辆数据集和异常行驶车辆数据集，输出为车辆正常行驶状态和异常行驶状态；同时在识别过程中可根据未识别情况扩展数据集样本形成扩展数据集输入；
[0010](3)
数据集对比
[0011]将车辆行为识别模型部署在称重处理一体机中进行测试验证，当前过车车辆数据集生成后，输入车辆行为识别模型进行处理，寻找与当前车辆数据集匹配的识别样本数据集进行匹配，计算匹配系数，若匹配系数大于一定阈值时，该识别样本数据集作为有效数据集，继续匹配，直到找到与当前车辆数据集最为匹配的一组识别样本数据集作为比对数据集，以该比对数据集标记的行驶状态作为当前车辆行驶状态，作为车辆行为识别模型输出结果；如果匹配过程中有多条数据匹配度超过
90
％，则以匹配度最高的数据集输出结果为准；
[0012](4)
数据集扩展
[0013]当一种新的车辆行驶状态数据集出现时，即该新的车辆数据集与识别样本数据集样本匹配系数低于一定阈值时，将该车辆数据集纳入扩展样本库；后续未识别车辆数据集在扩展样本库中进行匹配，若找到与未识别车辆数据集标记完全一致的数据集样本，则进行匹配计数，若匹配次数达到一定次数时，则将该匹配次数达标的数据集作为新的识别样本数据集并入车辆行为识别基础库，使得样本识别基础库得以扩展，后续再遇到此类数据则可实现匹配
。
[0014]进一步地，神经网络训练规则是：对数据集中的分车数据子集
、
轴载数据子集的各标记进行不同权重分配计算匹配系数；对抓拍数据子集先进行图像预处理，识别车辆在图中相对标准线位置，作出标记，再按各标记进行不同权重分配计算匹配系数；直到依据样本计算识别出的车辆行驶状态结果与人工标记的车辆行驶状态结果匹配度达到
90
％以上
。
[0015]进一步地，步骤
(1)
判别车辆的分车装置采集到的信息根据车辆输入时间
、
离开时间
、
车道位置
、
感应数值生成4项标记；
[0016]检测车辆轴载的装置采集到的信息根据轴型
、
轴距
、
速度
、
方向
、
位置
、
感应数值生成6项标记；
[0017]车辆抓拍装置识别的图片信息包括车头
、
车尾
、
前侧
、
后侧生成4项标记
。
[0018]与现有技术相比，本专利技术具有的特点和有益效果是：
[0019]相对传统非现场执法系统采用的简单识别方法，本方法采用了更具智能化的识别方法，根据特征库筛选比对的方式进行识别，同时兼具扩展性
。
附图说明
[0020]图1是治超非现场执法系统示意图；
[0021]图2是过车数据集基本单元组成示意图；
[0022]图3是车辆识别库组成示意图；
[0023]图4是车辆行为识别模型示意图；
[0024]图5是数据集比对流程示意图
。
具体实施方式
[0025]以下将结合附图和实施例对本
技术实现思路
做进一步说明，但本专利技术的实际应用形式并不仅限于下述的实施例
。
[0026]参见附图，本专利技术一种治超非现场执法车辆行为识别方法，其实施步骤如下所述：
[0027]1、
构建识别样本数据集并进行分类
[0028]从非现场执法系统过车数据库中人工筛选出具有代表性的一定样本量的过车数据组成识别样本数据集
。
样本数据集内容从非现场执法系统中能够反映车辆行驶状态的设备中提取到的车辆行驶状态相关信息构成
。
能够反映车辆行驶状态的感知设备包括，用于判别车辆的分车装置
、
用于检测车辆轴载的装置
、
以及车辆抓拍装置等，这些设备采集到的数据分成3种数据子集
。
同时每种设备采集到的信息会生成若干标记
。
见图
1。
[0029]如：判别车辆的分车装置采集到的信息根据车辆输入时间
、
离开时间
、
车道位置
、
感应数值等生成4项标记
。
[0030]检测车辆轴载的装置采集到的信息根据轴型
、
...

【技术保护点】

【技术特征摘要】
1.
一种治超非现场执法车辆行为识别方法，其特征是：根据非现场执法系统采集到的车辆行驶状态相关信息建立识别样本数据集，依托数据集训练车辆行为识别模型，建立车辆行为识别库，利用分类算法实现正常行驶车辆与异常行驶车辆的筛选与识别；具体包括以下步骤：
(1)
构建识别样本数据集并进行分类从非现场执法系统过车数据库中人工筛选出具有代表性的一定样本量的过车数据组成识别样本数据集；每一条过车数据则可生成1组识别样本数据集，每一条样本数据集的基本构成单元包括本车道数据集和相邻车道数据集，两种数据集分别又包含三种设备采集的数据子集：包括用于判别车辆的分车装置采集的分车数据子集
、
用于检测车辆轴载的装置采集的轴载数据子集
、
以及车辆抓拍装置采集的抓拍数据子集，每个数据子集对应的数据包含若干标记；其中分车数据子集和轴载数据子集为单一数据，属于结构化数据；抓拍数据子集为图片，属于非结构化数据；
(2)
依托数据集训练车辆行为识别模型根据实际车辆行驶状态为识别样本数据集打上正常行驶或异常行驶标记，使用神经网络按一定规则进行训练，得到一组配置参数和车辆行为识别模型，构成车辆行为识别基础库；训练时根据结构化数据和非结构化数据两类分别进行训练；车辆行为识别模型输入为正常行驶车辆数据集和异常行驶车辆数据集，输出为车辆正常行驶状态和异常行驶状态；同时在识别过程中可根据未识别情况扩展数据集样本形成扩展数据集输入；
(3)
数据集对比将车辆行为识别模型部署在称重处理一体机中进行测试验证，当前过车车辆数据集生成后，输入车辆行为识别模型进行处理，寻找与当前车辆数据集匹配的识别样本数据集进行匹配，计算匹配系数，若匹配系数大于一定阈值时，该识别样本数据集作为有效数据集，继续匹配，直到找到与当前车辆数据集最为匹配的一组识别样本数据集作为比对数据集，以该比对数据集标记的行驶状态作为当前车辆行驶状态，则将识别样本数据集中该条数据对应的车辆行驶状态作为...

【专利技术属性】
技术研发人员：张伟，张贝乐，马筱，赵文，晏路，曹锐，
申请(专利权)人：西安航天三沃机电设备有限责任公司，
类型：发明
国别省市：