【技术实现步骤摘要】
本专利技术涉及安防监控，具体为一种基于混合特征识别的安防视频监控方法。
技术介绍
1、交通拥堵问题现已成为大城市普遍面临的管理难题，高峰时段交通流量激增导致交通管理部门难以快速且有效地应对突发的交通拥堵现象，导致通行效率下降、车辆延误增多，甚至引发交通事故。现有技术中，传统的交通监控系统主要依赖于固定传感器、交通信号灯以及人工观测等手段来实现对交通流量的监测。然而，这些方法在应对复杂多变的交通状况时存在显著的局限性。
2、传统的监控系统在交通流量的实时性和动态性监测方面表现不足，通常无法做到实时预警，往往是在交通拥堵已经形成后才能采取干预措施，导致响应滞后。现有系统的监控手段较为单一，通常仅通过统计车辆数量或监测车辆速度来评估交通状况，忽视了车辆的外形结构、行驶轨迹及环境因素对交通流的综合影响。这种单一维度的分析方式，难以准确捕捉拥堵发生的早期信号，导致监测信息的片面性。
3、为此，提出一种基于混合特征识别的安防视频监控方法。
技术实现思路
1、本专利技术的目的在于提供一种基于混合特征识别的安防视频监控方法，本专利技术涉及安防监控
，具体为一种基于混合特征识别的安防视频监控方法。首先构建历史交通拥挤数据集和实时交通拥挤数据集，数据集包括车辆外观特征、车辆运动状态、行人状态及环境状态多维度特征；根据历史数据构建第一和第二交通拥挤概率预测模型。通过对实时车辆运动和行人状态数据进行分析，得到交通拥挤的第一预测概率；同时特别分析车辆外观特征和环境状态数据对车辆
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于混合特征识别的安防视频监控方法，包括：
4、采集时常发生交通拥挤路段监控摄像头历史交通流量的历史视频数据以及实时视频数据；
5、依据所述历史视频数据获取交通拥挤发生时历史交通拥挤数据集；所述历史交通拥挤数据集包括历史车辆外观特征数据、历史车辆运动状态数据、历史行人状态数据以及历史环境状态数据；
6、依据所述实时视频数据获取实时交通拥挤数据集；所述实时交通拥挤数据集包括实时车辆外观特征数据、实时车辆运动状态数据、实时行人状态数据以及实时环境状态数据；
7、依据所述历史车辆运动状态数据和历史行人状态数据，构建第一交通拥挤概率预测模型；
8、通过所述第一交通拥挤概率预测模型对所述实时车辆运动状态数据和实时行人状态数据进行识别，得到交通拥挤第一预测概率；
9、依据所述历史车辆外观特征数据和所述历史环境状态数据，构建第二交通拥挤概率预测模型；
10、通过所述第二交通拥挤概率预测模型对所述实时车辆外观特征数据和实时环境状态数据进行分析，得到交通拥挤第二预测概率；
11、根据所述交通拥挤第一预测概率和交通拥挤第二预测概率，测算得到交通拥挤综合预测概率；并根据交通拥挤综合预测概率阈值进行预警。
12、优选的，所述历史车辆外观特征数据包括车辆尺寸、车辆重量、车辆外形以及车辆颜色；
13、所述历史车辆运动状态数据包括车辆速度、加速度、行驶轨迹、行驶时间和刹车行为；
14、所述历史行人状态数据包括行人数量、行人运动轨迹、行人速度以及行人密度；
15、所述历史环境状态数据包括天气状况、光照强度以及信号灯状态；
16、所述实时车辆外观特征数据包括车辆尺寸、车辆重量、车辆外形以及车辆颜色；
17、所述实时车辆运动状态数据包括车辆速度、加速度、行驶轨迹、行驶时间和刹车行为；
18、所述实时行人状态数据包括行人数量、行人运动轨迹、行人速度以及行人密度；
19、所述实时环境状态数据包括天气状况、光照强度以及信号灯状态。
20、优选的，对所述历史交通拥挤数据集进行预处理，去除异常数据和缺失值，并将数据进行标准化；
21、对所述历史交通拥挤数据集进行特征提取，得到历史车辆外观特征向量组、历史车辆运动状态向量组、历史行人状态向量组和历史环境状态向量组；
22、对所述历史车辆运动状态数据和历史行人状态数据进行综合分析，得到车辆与行人交互特征；
23、对所述历史车辆外观特征向量组和历史环境状态向量组进行综合分析，得到车辆与行人交互特征。
24、优选的，所述第一交通拥挤概率预测模型包括时空关联评估单元、状态评估单元和第一拥堵融合单元；
25、所述时空关联评估单元通过实时车辆运动状态向量组和实时行人状态向量组分析车辆和行人在空间和时间维度上的交互，检测行人与车辆之间的距离，获得行驶方向第一拥堵概率；
26、所述状态评估单元通过实时车辆运动状态向量组和实时行人状态向量组分析车辆和行人的密度，得到行驶方向第二拥堵概率；
27、所述第一拥堵融合单元根据所述行驶方向第一拥堵概率和所述行驶方向第二拥堵概率确定交通拥挤第一预测概率。
28、优选的，所述交通拥挤第一预测概率的具体计算公式为：
29、
30、其中，p1为交通拥挤第一预测概率，ω1为时空关联评估权重，α1为行人与车辆的平均距离权重，d为行人与车辆的平均距离，α2为行人与车辆的速度差权重，v为行人与车辆的速度差，ω2为状态评估权重，β1为车辆密度权重，ρc为车辆密度，β2为行人密度权重，ρp为行人密度。
31、优选的，所述第二交通拥挤概率预测模型通过历史车辆外观特征向量组和历史环境状态向量组进行训练；
32、通过所述历史车辆外观特征向量组和所述历史环境状态向量组对所述第二交通拥挤概率预测模型进行模型训练的步骤包括：
33、数据集划分：将所述历史车辆外观特征向量组和所述历史环境状态向量组按照7:3的比例划分为训练集和测试集；
34、训练模型：将训练集输入至所述第二交通拥挤概率预测模型，直到符合模型训练停止条件，得到初始第二交通拥挤概率预测模型；所述模型训练停止条件为所述第二交通拥挤概率预测模型的损失达到收敛；
35、测试模型：将测试集输入至所述第二交通拥挤概率预测模型进行测试，根据测试结果对所述第二交通拥挤概率预测模型进行优化，得到最优第二交通拥挤概率预测模型；
36、所述第二交通拥挤概率预测模型包括预处理层、特征分析层和交通拥挤第二预测概率输出层；
37、所述预处理层用于对所述实时车辆外观特征数据和所述实时环境状态数据进行预处理操作；
38、所述特征分析层包括lstm网络结构，用于对预处理后的向量组进行分析速度对于交通拥挤的概率；
39、所述交通拥挤第二预测概率输出层用于对所述交通拥挤第二预测概本文档来自技高网...
【技术保护点】
1.一种基于混合特征识别的安防视频监控方法，其特征在于，包括：
2.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：
3.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：对所述历史交通拥挤数据集进行预处理，去除异常数据和缺失值，并将数据进行标准化；
4.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：所述第一交通拥挤概率预测模型包括时空关联评估单元、状态评估单元和第一拥堵融合单元；
5.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：所述交通拥挤第一预测概率的具体计算公式为：
6.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：所述第二交通拥挤概率预测模型通过历史车辆外观特征向量组和历史环境状态向量组进行训练；
7.根据权利要求6所述的一种基于混合特征识别的安防视频监控方法，其特征在于：所述特征分析层分析过程为：
8.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其
9.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：根据所述交通拥挤第一预测概率和所述交通拥挤第二预测概率，通过多特征融合，生成交通拥挤综合预测概率；所述多特征融合的公式为：
10.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：根据所述交通拥挤综合预测概率阈值进行预警，根据所述交通拥挤综合预测概率以灯光和声音的方式进行警示包括：警示信息为即将发生拥堵、可能发生拥堵和不会发生拥堵，分别使用红灯、黄灯、绿灯进行警示。
...【技术特征摘要】
1.一种基于混合特征识别的安防视频监控方法，其特征在于，包括：
2.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：
3.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：对所述历史交通拥挤数据集进行预处理，去除异常数据和缺失值，并将数据进行标准化；
4.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：所述第一交通拥挤概率预测模型包括时空关联评估单元、状态评估单元和第一拥堵融合单元；
5.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：所述交通拥挤第一预测概率的具体计算公式为：
6.根据权利要求1所述的一种基于混合特征识别的安防视频监控方法，其特征在于：所述第二交通拥挤概率预测模型通过历史车辆外观特征向量组和...
【专利技术属性】
技术研发人员：严翔，陈中华，宋立明，李季，申云海，张鑫，
申请(专利权)人：射阳县公安局，
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。