【技术实现步骤摘要】
本专利技术涉及模型训练，特别涉及一种基于adaboost算法的城市交通数据挖掘方法及系统。
技术介绍
1、目前，随着智慧城市的大趋势发展，各种智能系统在城市道路管理上的应用日益广泛，例如汽车的智能辅助系统，汽车的智能辅助系统可以智能的监测前面的道路情况，从而做出预警，例如，交通信号灯。
2、现有技术中，在面对完整的交通信号灯，大部分能准确识别出当前的信号灯以及对应的时间，而在面对交通信号灯内的时间显示由于电路故障造成显示不完全的情况，往往会造成信号灯的识别不准确，从而影响行车安全。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于adaboost算法的城市交通数据挖掘方法及系统，旨在解决现有技术中由于交通信号灯的时间显示区域受损而导致安全性差的问题。
2、本专利技术是这样实现的：
3、一种基于adaboost算法的城市交通数据挖掘方法，所述方法包括：
4、获取连续的多张包含交通信号灯的目标识别图像，并分别对多张所述目标识别图像进行特征分割提取，以分别获取所述交通信号灯的颜色显示区域以及时间显示区域图像；
5、将所述颜色显示区域图像输入至预训练好的颜色识别模型当中，以识别出所述颜色显示区域的当前显示颜色；
6、将所述时间显示区域图像输入至基于adaboost算法迭代训练得到的时间识别模型当中，以识别出所述时间显示区域的残缺时间显示结果；
7、根据连续的所述残缺时间显示结果的变化规律推断出当
8、进一步的，上述基于adaboost算法的城市交通数据挖掘方法，其中，所述时间识别模型当中的训练过程包括：
9、获取历史时间显示区域图像以及对应的历史时间显示结果组成的训练数据集，并对所述训练数据集的权值分布进行初始化；
10、利用adaboost算法对所述训练数据集进行迭代训练，直至满足预设训练完成条件以得到所述时间识别模型；
11、其中，所述预设训练完成条件包括所述时间识别模型分类误差率满足预设阈值或者所述迭代次数满足预设阈值。
12、进一步的，上述基于adaboost算法的城市交通数据挖掘方法，其中，所述根据连续的所述残缺时间显示结果的变化规律推断出当前的所述交通信号灯的准确显示时间的步骤包括：
13、根据连续的所述残缺时间显示结果确定所述时间显示区域当中的残缺部分，并在识别到所述残缺时间显示结果利用所述残缺部分进行补齐得到所述准确显示时间。
14、进一步的，上述基于adaboost算法的城市交通数据挖掘方法，其中，所述根据连续的所述残缺时间显示结果的变化规律推断出当前的所述交通信号灯的准确显示时间的步骤还包括：
15、获取显示残缺的历史时间显示区域图像以及对应的补全后的历史完整时间显示区域图像；
16、并按预设规则对连续的所述历史时间显示区域图像以及对应的所述历史完整时间显示区域图像进行分组得到多个训练图像集；
17、将所述多个训练图像集输入至预设的神经网络当中进行深度学习训练以得到时间补全模型；
18、将连续多张的所述时间显示区域图像输入至所述时间补全模型当中以得到当前的所述交通信号灯的准确显示时间。
19、进一步的，上述基于adaboost算法的城市交通数据挖掘方法，其中，获取对应补全后的所述历史完整时间显示区域图像的步骤包括：
20、确定显示残缺的所述历史时间显示区域图像中残缺部分，并获取所述残缺部分附近可用于补全的特征子图像；
21、将所述可用于补全的特征子图像补入至所述残缺时间显示区域图像中残缺部分以获取对应补全后的残缺时间显示区域图像。
22、进一步的，上述基于adaboost算法的城市交通数据挖掘方法，其中，所述时间显示区域包括多个单独的时间显示子区域，所述获取所述残缺部分附近可用于补全的特征子图像的步骤包括：
23、当所述残缺部分为单个时，获取所述残缺部分的中心，以所述残缺部分为圆心，预设半径的框选圆形区域，根据所述圆形区域的覆盖范围从所述时间显示子区域当中确定目标显示子区域，将所述目标显示子区域的特征子图像补入至所述残缺时间显示区域图像中；
24、当所述残缺部分为多个时，对相邻的所述残缺部分的中心依次连线，确定基准线；
25、以所述基准线的中心为圆心，预设半径的框选圆形区域，根据所述圆形区域的覆盖范围从所述时间显示子区域当中确定目标显示子区域，将所述目标显示子区域的特征子图像补入至所述残缺时间显示区域图像中。
26、进一步的，上述基于adaboost算法的城市交通数据挖掘方法，其中，所述颜色识别模型的训练过程为：
27、采集历史交通信号灯的颜色显示区域图像以及对应的颜色显示结果，以获取所述目标识别模型的训练集和验证集；
28、根据所述目标识别模型的训练集和验证集利用预设算法进行迭代训练以得到所述颜色识别模型。
29、本专利技术的另一个目的在于一种基于adaboost算法的城市交通数据挖掘系统，其中，所述系统包括：
30、分割模块，用于获取连续的多张包含交通信号灯的目标识别图像，并分别对多张所述目标识别图像进行特征分割提取，以分别获取所述交通信号灯的颜色显示区域以及时间显示区域图像；
31、识别模块，用于将所述颜色显示区域图像输入至预训练好的颜色识别模型当中，以识别出所述颜色显示区域的当前显示颜色；
32、训练模块，用于将所述时间显示区域图像输入至基于adaboost算法迭代训练得到的时间识别模型当中，以识别出所述时间显示区域的残缺时间显示结果；
33、确定模块，用于根据连续的所述残缺时间显示结果的变化规律推断出当前的所述交通信号灯的准确显示时间，并根据所述准确显示时间以及所述当前显示颜色确定当前的交通信号灯信息。
34、本专利技术的另一个目的在于提供一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上述任意一项所述的方法的步骤。
35、本专利技术的另一个目的在于提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一所述的方法的步骤。
36、本专利技术通过获取连续的多张包含交通信号灯的目标识别图像，并分别对多张目标识别图像进行特征分割提取，以分别获取交通信号灯的颜色显示区域以及时间显示区域图像；将颜色显示区域图像输入至预训练好的颜色识别模型当中，以识别出颜色显示区域的当前显示颜色；将时间显示区域图像输入至基于adaboost算法迭代训练得到的时间识别模型当中，以识别出时间显示区域的残缺时间显示结果；根据连续的残缺时间显示结果的变化规律推断出当前的交通信号灯的准确显示时间，并根据准确显示时间以及当本文档来自技高网...
【技术保护点】
1.一种基于Adaboost算法的城市交通数据挖掘方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于Adaboost算法的城市交通数据挖掘方法，其特征在于，所述时间识别模型当中的训练过程包括：
3.根据权利要求1所述的基于Adaboost算法的城市交通数据挖掘方法，其特征在于，所述根据连续的所述残缺时间显示结果的变化规律推断出当前的所述交通信号灯的准确显示时间的步骤包括：
4.根据权利要求1所述的基于Adaboost算法的城市交通数据挖掘方法，其特征在于，所述根据连续的所述残缺时间显示结果的变化规律推断出当前的所述交通信号灯的准确显示时间的步骤还包括：
5.根据权利要求4所述的基于Adaboost算法的城市交通数据挖掘方法，其特征在于，获取对应补全后的所述历史完整时间显示区域图像的步骤包括：
6.根据权利要求5所述的基于Adaboost算法的城市交通数据挖掘方法，其特征在于，所述时间显示区域包括多个单独的时间显示子区域，所述获取所述残缺部分附近可用于补全的特征子图像的步骤包括：
7.根据权利要求1
8.一种基于Adaboost算法的城市交通数据挖掘系统，其特征在于，所述系统包括：
9.一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任意一项所述的方法的步骤。
10.一种电子设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任一所述的方法的步骤。
...【技术特征摘要】
1.一种基于adaboost算法的城市交通数据挖掘方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于adaboost算法的城市交通数据挖掘方法，其特征在于，所述时间识别模型当中的训练过程包括：
3.根据权利要求1所述的基于adaboost算法的城市交通数据挖掘方法，其特征在于，所述根据连续的所述残缺时间显示结果的变化规律推断出当前的所述交通信号灯的准确显示时间的步骤包括：
4.根据权利要求1所述的基于adaboost算法的城市交通数据挖掘方法，其特征在于，所述根据连续的所述残缺时间显示结果的变化规律推断出当前的所述交通信号灯的准确显示时间的步骤还包括：
5.根据权利要求4所述的基于adaboost算法的城市交通数据挖掘方法，其特征在于，获取对应补全后的所述历史完整时间显示区域图像的步骤包括...
【专利技术属性】
技术研发人员：秦辉，姜涛，纪良文，黄伟，刘小波，
申请(专利权)人：上饶高投智城科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。