CN110288823B - 一种基于朴素贝叶斯网络的交通违章误判识别方法 - Google Patents

Abstract

本发明公开交通违章领域中的一种基于朴素贝叶斯网络的交通违章误判识别方法，从交通车辆管理***数据库中收集违章车辆在违章时刻的前后一段时间内的车辆及路况信息，建立初始数据训练集，构建朴素贝叶斯网络违章车辆误判识别模型，确定出条件概率分布；然后获取当前时间段中的车辆及路况信息，将获取的车辆及路况信息作为模型的输入，获得后验概率，最后判别车辆是否的确违章；本发明将朴素贝叶斯网络模型运用到车辆违章误判识别中，是在电子警察判定车辆违章后，再次对其是否违章进行深度识别，不仅考虑到了违章车辆当前路况信息，同时还考虑到了违章时刻前后一段时间范围内的路况信息，对于违章误判识别具有更高的准确度。

Description

一种基于朴素贝叶斯网络的交通违章误判识别方法

技术领域

本发明涉及交通违章技术领域，尤其涉及交通违章误判的识别方法。

背景技术

为维持城市车辆管理秩序，安装电子监控等设备对城市道路交通进行管理起到必不可少的作用，智能交通的倡导也让城市交通路口电子警察的设备随之增多。电子警察，是一种利用自动化检测与测量技术捕获交通违法或交通事故，利用网络将采集的信息传回公安部门进行分析处理，并以此为证据对肇事者进行处罚，以减少事故发生、辅助交警工作。但是电子警察毕竟是机器，难免会有“误伤”，从而导致对车辆违章的误判，且路况复杂多变，如为了避开119、急救车执行紧急任务等特殊车辆、信号灯故障违章、避让故障或事故车而违章、交通信号灯与现场交警指挥不一致、车辆被套牌等情况下，导致违章的情况是可以申请撤销违章记录的，又如更复杂的路况，在红灯路口为避免执行紧急任务的特殊车辆，导致前方连续的多辆车闯红灯或者压线违章，而距离特殊车辆最近的车辆在人工审核环节是容易识别为是可以申请撤销违章记录的，而距离特殊车辆较远的车辆较难识别，从而造成违章误判，且在人工审核环节，由于工作量巨大，可能由于人为因素或客观因素干扰而出现质量问题，由此产生的违法行为误判、错判。

针对交通违章误判问题，在中国专利申请号为CN201110123733.0的文献中公布了一种应用基于视频识别的违章车辆检测装置的违章车辆检测方法，可以同时检测车辆恶意加塞、实线变道和连续变更两条以上车道的交通违章行为，避免对正常变道行为的误判，但是这种方法无法解决以上提出的多种特殊路况下的违章误判。

贝叶斯理论是处理不确定性信息的重要工具。作为一种基于概率的不确定性推理方法，贝叶斯网络在处理不确定信息的智能化***中已得到了重要的应用，已成功地用于医疗诊断、统计决策、专家***等领域。这些成功的应用，充分体现了贝叶斯网络技术是一种强有力的不确定性推理方法。朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯网络模型是目前最为广泛的分类模型之一，它是一个包含一个根节点，多个叶节点的树状贝叶斯网。目前贝叶斯网络还没有应用于交通违章领域。

发明内容

本发明目的是针对现有技术中存在的多种特殊路况下的违章误判问题，提供了一种基于朴素贝叶斯网络的交通违章误判识别方法，利用违章车辆和违章前后一段时间内当前路段所有车辆的信息数据以及贝叶斯网络模型提供的算法对违章车辆是否误判进行识别，并根据交管所数据库里面数据所训练出来的概率点，判别违章车辆是否的确违章。

本发明是通过以下技术手段实现上述技术目的的：包括以下步骤：

步骤一：从交通车辆管理***数据库中收集违章车辆在违章时刻的前后一段时间内的车辆及路况信息，包括前后一段时间片段内违章车辆是否避让特殊车辆信息A_k、交通信号灯是否故障信息B_k、是否避让故障车或路障信息C_k、交通信号灯与现场交警指挥是否一致信息D_k、车牌是否被套用信息E_k以及车辆是否违章信息G_k，G_k包含车辆确实违章信息G₁和车辆是误判信息G₂；

步骤二：根据步骤一中的所有信息建立初始数据训练集，构建朴素贝叶斯网络违章车辆误判识别模型，包括车辆是否违章节点G、是否避让特殊车辆节点A、交通信号灯是否故障节点B、是否避让故障车或路障节点C、交通信号灯与现场交警指挥是否一致节点D、车牌是否被套用节点E；

步骤三：确定出节点A和节点G的条件概率分布P(A_k|G_k)、节点B和节点G的条件概率分布P(B_k|G_k)、节点C和节点G的条件概率分布P(C_k|G_k)、节点D和节点G的条件概率分布P(D_k|G_k)、节点E和节点G的条件概率分布P(E_k|G_k)、节点G的先验概率分布P_f(G_k)；节点G包含G₁和,G₂,先验概率P_f(G)包括P_f(G₁)和P_f(G₂)，条件概率分布P(A_k|G_k)包括P(A_k|G₁)和P(A_k|G₂)，条件概率分布P(B_k|G_k)包括P(B_k|G₁)和P(B_k|G₂)，条件概率分布P(C_k|G_k)包括P(C_k|G₁)和P(C_k|G₂)，条件概率分布P(D_k|G_k)包括P(D_k|G₁)和P(D_k|G₂)，条件概率分布P(E_k|G_k)包括P(E_k|G₁)和P(E_k|G₂)；

步骤四：采集违章时刻前后的车辆及路况图像信息，获取当前时间段中的车辆及路况信息，将获取的车辆及路况信息作为所述的朴素贝叶斯网络违章车辆误判识别模型的输入，获得是否避让特殊车辆节点A的概率分布P(A_k)、交通信号灯是否故障节点B的概率分布P(B_k)、是否避让故障车或路障节点C的概率分布P(C_k)、交通信号灯与现场交警指挥是否一致节点D的概率分布P(D_k)、车牌是否被套用节点E的概率分布P(E_k)；计算出车辆是否违章节点G的后验概率分布P_u(G₁)和P_u(G₂)，P_u(G₁)是车辆确实违章的后验概率，P_u(G₂)是违章车辆是误判的后验概率；

步骤五：比较P_u(G₁)和P_u(G₂)的大小，若P_u(G₁)≥P_u(G₂),则违章车辆判定为确实违章；若P_u(G₁)<P_u(G₂)，则判定此违章车辆为误判。

本发明采用上述技术方案后的有益效果是：

(1)本发明将朴素贝叶斯网络模型运用到车辆违章误判识别中，是在电子警察判定车辆违章后，再次对其是否违章进行深度识别，不仅考虑到了违章车辆当前路况信息，同时还考虑到了违章时刻前后一段时间范围内的路况信息，对于违章误判识别具有更高的准确度。

(2)本发明极大程度上减少对交通违章的误判，减轻了人工审核环节工作者的工作量，提高了工作效率。

附图说明

图1是朴素贝叶斯网络违章车辆误判识别模型的建立流程图。

图2是基于贝叶斯网络的违章车辆误判识别模型。

图3是基于图2所示模型的交通违章误判识别方法的流程图。

具体实施方式

如图1所示，本发明分为两个阶段实施，第一阶段是基于朴素贝叶斯网络建立朴素贝叶斯网络违章车辆误判识别模型，第二阶段是通过建立的模型对交通违章是否误判进行误判识别，具体是：

参见图1，第一阶段，建立朴素贝叶斯网络违章车辆误判识别模型的具体步骤如下：

步骤一：从已有的交通车辆管理***数据库中收集违章车辆违章时刻的前后一段时间内的车辆及路况信息，对所收集的信息进行整理分类。本发明中是收集前后10秒内的车辆及路况信息。具体包括前后一段时间片段内违章车辆是否避让特殊车辆信息A_k、交通信号灯是否故障信息B_k、是否避让故障车或路障信息C_k、交通信号灯与现场交警指挥是否一致信息D_k、车牌是否被套用信息E_k以及车辆是否违章信息G_k。

对以上信息整理分类，进一步设定出以下的误判信息：

G_k包含{G₁,G₂},G₁表示车辆确实违章信息，G₂表示车辆是误判信息。

A_k包含{A₁,A₂,A₃}，A₁表示不存在特殊车辆信息；A₂表示存在特殊车辆，且与违章车辆距离大于5m的信息；A₃表示特殊车辆与违章车辆距离小于5m的信息。

B_k包含{B₁,B₂}，B₁表示交通信号灯正常信息；B₂交通信号灯故障信息。

C_k包含{C₁,C₂,C₃},C₁表示不存在故障车或路障信息；C₂表示存在故障车或路障，且与违章车辆距离大于5m的信息；C₃表示与违章车辆距离小于5m的信息。

D_k包含{D₁,D₂,D₃},D₁表示现场不存在交警指挥信息；D₂表示信号灯与交警指挥一致信息；D₃表示信号灯与交警指挥不一致信息。

E_k包含{E₁,E₂},E₁表示违章车辆颜色与外形与其车牌号所对应的实际车辆一致信息，E₂表示不一致信息。

其中，所诉违章车辆在违章时刻的前后10秒车辆及路况信息A_k、B_k、C_k、D_k、E_k数据都是利用图像处理技术从电子警察所拍摄的图片中获得。

步骤二：根据步骤一得到的信息数据建立这个时间段内的初始数据训练集，此处训练数据集称为初始数据训练集，如表1所示。具体包括每一时间片段内车辆是否违章信息G_k＝{G₁，G₂}＝{1，2}，是否避让特殊车辆信息A_k＝{A₁，A₂，A₃}＝{1，2，3}、交通信号灯是否故障信息B_k＝{B₁，B₂}＝{1，2}，是否避让故障车或路障信息C_k＝{C₁，C₂，C₃}＝{1，2，3}，交通信号灯与现场交警指挥是否一致信息D_k＝{D₁，D₂，D₃}＝{1，2}，车牌是否被套用信息E_k＝{E₁，E₂}＝{1，2}。

表1时间断内的初始数据训练集

G<sub>k</sub>	A<sub>k</sub>	B<sub>k</sub>	C<sub>k</sub>	D<sub>k</sub>	E<sub>k</sub>
						1	1	1	1	1	1
1	1	1	1	1	2
						1	1	1	1	2	1
…	…	…	…	…	…

。

步骤三：构建当前时间段内的朴素贝叶斯网络违章车辆误判识别模型，如图2所示，模型具体包括车辆是否违章节点G、是否避让特殊车辆节点A、交通信号灯是否故障节点B、是否避让故障车或路障节点C、交通信号灯与现场交警指挥是否一致节点D、车牌是否被套用节点E。

利用参数学习方法，基于步骤二中建立的初始数据训练集进行参数学习，得到网络节点的条件概率分布，具体包括是否避让特殊车辆节点A和车辆是否违章节点G的条件概率分布P(A_k/G _k )、交通信号灯是否故障节点B和车辆是否违章节点G的条件概率分布P(B_k/G_k)、是否避让故障车或路障节点C和车辆是否违章节点G的条件概率分布P(C_k/G_k)、交通信号灯与现场交警指挥是否一致节点D和车辆是否违章节点G的条件概率分布P(D_k/G_k)、车牌是否被套用节点E和车辆是否违章节点G的条件概率分布P(E_k/G_k)、车辆是否违章节点G的先验概率分布P_f(G_k)，车辆是否违章节点G包含两种结果{G₁，G₂}，则先验概率P_f(G)具体包括2个，分别为P_f(G₁)和P_f(G₂)。同理，条件概率分布P(A_k/G _k )具体包括2个，分别为P(A_k/G₁)和P(A_k/G₂)；条件概率分布P(B_k/G_k)包括P(B_k/G₁)和P(B_k/G₂)；条件概率分布P(C_k/G_k)包括P(C_k/G₁)和P(C_k/G₂)；条件概率分布P(D_k/G_k)包括P(D_k/G₁)和P(D_k/G₂)；条件概率分布P(E_k/G_k)包括P(E_k/G₁)和P(E_k/G₂)。

第二阶段，采用第一阶段建立的识别模型对交通违章是否误判进行识别，具体步骤如下：

步骤一：采集违章时刻前后的车辆及路况图像信息，采样时长为20秒，并利用图像处理技术获取当前时间段中的车辆信息及路况信息参数，具体包括是否避让特殊车辆信息A_k、交通信号灯是否故障信息B_k，是否避让故障车或路障信息C_k，交通信号灯与现场交警指挥是否一致信息D_k，车牌是否被套用信息E_k。

步骤二：将获取的车辆信息及路况信息作为识别模型的输入，获得是否避让特殊车辆节点A的概率分布P(A_k),交通信号灯是否故障节点B的概率分布P(B_k),是否避让故障车或路障节点C的概率分布P(C_k),交通信号灯与现场交警指挥是否一致节点D的概率分布P(D_k),车牌是否被套用节点E的概率分布P(E_k)。结合车辆是否违章节点G的先验概率分布P_f(G_k)计算得到车辆是否违章节点G的后验概率分布：

其中，下标u表示所属概率分布为后验概率分布，下标f表示所属概率分布为先验概率分布，P_u(G₁)表示车辆确实违章的后验概率，P_u(G₂)表示违章车辆是误判的后验概率。

对时间段内车辆违章误判识别的结果为：

比较P_u(G₁)和P_u(G₂)的大小，若P_u(G₁)≥P_u(G₂),即车辆确实违章的后验概率大于或者等于违章车辆是误判的后验概率，则此违章车辆判定为确实违章；若P_u(G₁)<P_u(G₂)，即车辆违章的后验概率小于违章车辆是误判的后验概率，则判定此违章车辆为误判。

步骤三：将以上识别结果上传，对于确实违章车辆上传录入违章***进行处理，对于误判车辆不录入违章***。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (6)

1.一种基于朴素贝叶斯网络的交通违章误判识别方法，其特征是包括以下步骤：

步骤一：从交通车辆管理***数据库中收集违章车辆在违章时刻的前后一段时间内的车辆及路况信息，包括前后一段时间片段内违章车辆是否避让特殊车辆信息A_k、交通信号灯是否故障信息B_k、是否避让故障车或路障信息C_k、交通信号灯与现场交警指挥是否一致信息D_k、车牌是否被套用信息E_k以及车辆是否违章信息G_k，G_k包含车辆确实违章信息G₁和车辆是误判信息G₂；

步骤二：根据步骤一中的所有信息建立初始数据训练集，构建朴素贝叶斯网络违章车辆误判识别模型，包括车辆是否违章节点G、是否避让特殊车辆节点A、交通信号灯是否故障节点B、是否避让故障车或路障节点C、交通信号灯与现场交警指挥是否一致节点D、车牌是否被套用节点E；

步骤三：确定出节点A和节点G的条件概率分布P(A_k|G _k )、节点B和节点G的条件概率分布P(B_k|G_k)、节点C和节点G的条件概率分布P(C_k|G_k)、节点D和节点G的条件概率分布P(D_k|G_k)、节点E和节点G的条件概率分布P(E_k|G_k)、节点G的先验概率分布P_f(G_k)；节点G_k包含G₁和G₂，先验概率P_f(G)包括P_f(G₁)和P_f(G₂)，条件概率分布P(A_k|G _k )包括P(A_k|G₁)和P(A_k|G₂)，条件概率分布P(B_k|G_k)包括P(B_k|G₁)和P(B_k|G₂)，条件概率分布P(C_k|G_k)包括P(C_k|G₁)和P(C_k|G₂)，条件概率分布P(D_k|G_k)包括P(D_k|G₁)和P(D_k|G₂)，条件概率分布P(E_k|G_k)包括P(E_k|G₁)和P(E_k|G₂)；

步骤四：采集违章时刻前后的车辆及路况图像信息，获取当前时间段中的车辆及路况信息，将获取的车辆及路况信息作为所述的朴素贝叶斯网络违章车辆误判识别模型的输入，获得是否避让特殊车辆节点A的概率分布P(A_k)、交通信号灯是否故障节点B的概率分布P(B_k)、是否避让故障车或路障节点C的概率分布P(C_k)、交通信号灯与现场交警指挥是否一致节点D的概率分布P(D_k)、车牌是否被套用节点E的概率分布P(E_k)；计算出车辆是否违章节点G的后验概率分布P_u(G₁)和P_u(G₂)，P_u(G₁)是车辆确实违章的后验概率，P_u(G₂)是违章车辆是误判的后验概率；

步骤五：比较P_u(G₁)和P_u(G₂)的大小，若P_u(G₁)≥P_u(G₂),则违章车辆判定为确实违章；若P_u(G₁)<P_u(G₂)，则判定此违章车辆为误判。

2.根据权利要求1所述的一种基于朴素贝叶斯网络的交通违章误判识别方法，其特征是：步骤四中，

下标u表示所属概率分布为后验概率分布，下标f表示所属概率分布为先验概率分布。

3.根据权利要求1所述的一种基于朴素贝叶斯网络的交通违章误判识别方法，其特征是：步骤一中，设定：A_k包含{A₁,A₂,A₃}，A₁表示不存在特殊车辆信息，A₂表示存在特殊车辆且与违章车辆距离大于5m的信息，A₃表示特殊车辆与违章车辆距离小于5m的信息；B_k包含{B₁,B₂}，B₁表示交通信号灯正常信息，B₂交通信号灯故障信息；C_k包含{C₁,C₂,C₃},C₁表示不存在故障车或路障信息，C₂表示存在故障车或路障且与违章车辆距离大于5m的信息；C₃表示与违章车辆距离小于5m的信息；D_k包含{D₁,D₂,D₃},D₁表示现场不存在交警指挥信息，D₂表示信号灯与交警指挥一致信息，D₃表示信号灯与交警指挥不一致信息；E_k包含{E₁,E₂},E₁表示违章车辆颜色与外形与其车牌号所对应的实际车辆一致信息，E₂表示不一致信息。

4.根据权利要求1所述的一种基于朴素贝叶斯网络的交通违章误判识别方法，其特征是：步骤四中，采集违章时刻前后的车辆及路况图像信息的采样时长为20秒，利用图像处理技术获取当前时间段中的车辆及路况信息。

5.根据权利要求1所述的一种基于朴素贝叶斯网络的交通违章误判识别方法，其特征是：步骤五中，将确实违章车辆上传录入违章***进行处理，对于误判车辆不录入违章***。

6.根据权利要求1所述的一种基于朴素贝叶斯网络的交通违章误判识别方法，其特征是：步骤一中，从交通车辆管理***数据库中收集违章车辆违章时刻的前后10秒内的车辆及路况信息。

Images