CN114860976A - 一种基于大数据的图像数据查询方法和*** - Google Patents

一种基于大数据的图像数据查询方法和*** Download PDF

Info

Publication number
CN114860976A
CN114860976A CN202210475519.XA CN202210475519A CN114860976A CN 114860976 A CN114860976 A CN 114860976A CN 202210475519 A CN202210475519 A CN 202210475519A CN 114860976 A CN114860976 A CN 114860976A
Authority
CN
China
Prior art keywords
vehicle
image
data
acquisition
image data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210475519.XA
Other languages
English (en)
Other versions
CN114860976B (zh
Inventor
周剑飞
唐超
盛清
徐峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Public Transport Smart Big Data Technology Co ltd
Original Assignee
Nantong Smart Transportation Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong Smart Transportation Technology Co ltd filed Critical Nantong Smart Transportation Technology Co ltd
Priority to CN202210475519.XA priority Critical patent/CN114860976B/zh
Publication of CN114860976A publication Critical patent/CN114860976A/zh
Application granted granted Critical
Publication of CN114860976B publication Critical patent/CN114860976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于大数据的图像数据查询方法和***，所述图像数据查询***包括图像数据查询输入端、大数据信息采集端和数据分级整理端，所述数据分级整理端分别与图像数据查询输入端和大数据信息采集端电连接；其中，所述图像数据查询输入端用于在智慧交通信息分析下对输入目标车辆的交通信息进行查询；所述大数据信息采集端用于采集智慧交通***管控下的路段路况数据信息，并为所述图像数据查询***提供数据支撑；所述数据分级整理端用于根据所述大数据信息采集端的大数据库进行快速图像识别追踪，并对目标车辆进行追踪查询，本发明，具有实用性强和查询效率高的特点。

Description

一种基于大数据的图像数据查询方法和***
技术领域
本发明涉及智慧交通大数据技术领域，具体为一种基于大数据的图像数据查询方法和***。
背景技术
近年来，随着交通需求与车辆数目的不断增加，交通***日益复杂。国内大中城市普遍存在交通堵塞、运输效率低下的问题。解决城市交通问题的一个可行途径就是引入有效与合理的管理技术，建立实用高效的智慧交通***。智慧交通***将获取到的交通信息进行分析，得出有效的指挥手段，通过对交通***中硬件设施的调控，完成对交通状态进行优化的任务。由此可见研究如何快速准确的获取交通信息具有重大的意义。获取交通信息的一大重要课题就是解决图像采集设备对车辆的追踪问题。
车辆在道路上的行驶过程中，会由不同的图像采集设备采集到该车辆的多个图像信息，通常会涉及到大量的联动控制操作，往往需要服务端的人员反复切换设备采集的图像，查询目标车辆的交通信息。然而此种方案不仅使车辆追踪排查效率极低，而且极容易出现人工误判的情况，造成最终对车辆追踪及复核所花费的人力与时间成本巨大。因此，设计实用性强和查询效率高的一种基于大数据的图像数据查询方法和***是很有必要的。
发明内容
本发明的目的在于提供一种基于大数据的图像数据查询方法和***，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的图像数据查询方法和***，所述图像数据查询***包括图像数据查询输入端、大数据信息采集端和数据分级整理端，所述数据分级整理端分别与图像数据查询输入端和大数据信息采集端电连接；其中，
所述图像数据查询输入端用于在智慧交通信息分析下对输入目标车辆的交通信息进行查询；
所述大数据信息采集端用于采集智慧交通***管控下的路段路况数据信息，并为所述图像数据查询***提供数据支撑；
所述数据分级整理端用于根据所述大数据信息采集端的大数据库进行快速图像识别追踪，并对目标车辆进行追踪查询。
根据上述技术方案，所述图像数据查询输入端包括接收模块和图像处理单元，所述接收模块与图像处理单元电连接；其中，
所述接收模块用于在图像数据查询***下接收用户录入的查询目标车辆的交通信息；
所述图像处理单元用于根据目标车辆的交通信息对其进行图像扫描和图像特征拟合；确定查询车辆的特征，便于锁定特征进行快速查询和连续性跟踪查询；
所述接收模块进一步包括数据更新子模块，所述数据更新子模块用于对接收模块接收的目标车辆交通信息进行自动更新。
根据上述技术方案，所述大数据信息采集端包括图像采集设备集成输入单元、控制器单元和路况获取模块，所述图像采集设备集成输入单元与控制器单元电连接；其中，
所述图像采集设备集成输入单元用于调控路网交通采集设备，建立采集数据集成；将大量路网交通采集设备调控整合，避免人为切换或逐个查询而造成跟踪排查效率极低的可能；
所述控制器单元用于调控查询后台，控制图像采集设备后台的调动；
所述路况获取模块用于根据路网交通大数据实时调取路网交通信息。
根据上述技术方案，所述数据分级整理端包括图像抓取模块、数据处理模块和预测跟踪模块，所述数据处理模块分别与图像抓取模块和预测跟踪模块电连接；其中，
所述图像抓取模块用于根据图像采集设备智能抓取最优图像；
所述数据处理模块用于对抓取的图像进行分级整合，并解析处理；
所述预测跟踪模块用于对目标车辆捕捉后深度分析预测目标车辆的动态轨迹。
根据上述技术方案，所述查询方法主要包括以下步骤：
步骤S1：根据智慧交通***的调控，输入需要查询车辆被调控到的交通信息；
步骤S2：在输入了被调控到的交通信息后，开始对被调控到的交通信息中，最基本的图像数据进行扫描处理，直至完成后，电信号传输上述录入且被处理后的交通信息；
步骤S3：在数据分级整理端处，图像数据查询***发布处理指令，数据分级处理端启动，同步获取到步骤S2中的交通信息后，进行大数据调度请求；
步骤S4：根据大数据调度请求的内容，大数据信息采集端开始具有指向性信息内容采集；
步骤S5：数据分级整理端开始深度数据处理，捕捉到查询的车辆信息后，及时更新记录至图像数据查询***，为图像数据查询***内部查询进行递进更新处理，图像数据查询***实时参考最近数据基准，同步跟踪并预测车辆动态，提供查询对应车辆的精准交通信息。
根据上述技术方案，所述步骤S2进一步包括：
图像数据查询输入端接收输入的交通信息，其中，所述交通信息包括所需查询车辆的图像采集画面、以及车辆图像采集画面所对应的采集时间、采集地点、瞬间车辆测速速度、车辆行驶方向和采集道路路况；
对所需查询的车辆图像进行扫描，扣出车辆轮廓，读取瞬间车辆车速速度值，结合速度值对车辆轮廓阴影祛噪点，输出精准车辆轮廓，并将精准车辆轮廓与测速时采集的动态图像结合，以动态图像的视角变化和单个精准车辆轮廓3D拟合出查询车辆的3D轮廓框架，并标记3D轮廓框架的特征数值；
再次对车辆的区域色泽扫描识别，得出车辆颜色分布结果后再次拟合于3D轮廓框架中；
输出3D拟合特征值以及车辆图像采集画面所对应的采集时间、采集地点、瞬间车辆测速速度、车辆行驶方向和采集道路路况。
根据上述技术方案，所述步骤S3中大数据调度请求方法包括：
获取交通信息后，以采集地点为中心、预测波及范围为半径进行大数据调度请求，其中，所述预测波及范围为采集时间至当前时间的时间差t，与瞬间车辆测速速度值v之积的两倍距离。
根据上述技术方案，所述步骤S4进一步包括：
大数据信息采集端向符合大数据调度请求的图像采集设备建立采集数据集成连接，并调动建立连接的图像采集设备后台，使其运行至采集前端，对路网交通数据进行大数据的采集，同时根据路网交通大数据实时调取路网交通信息，完成对调取请求区域的整体信息采集。
根据上述技术方案，所述步骤S5进一步包括：
对符合大数据调度请求的图像采集设备采集画面进行图像抓取，并开始实时抓取且实时处理工作，其中数据处理工作以分级处理方式，主要包括：
步骤A：先确定车辆预测点位置；
步骤B：以车辆预测点位置为中心位置度，各组图像采集设备与中心位置度的距离递增形式，分别对每组图像采集设备的图像抓取内容进行初步匹配；所述初步匹配是指：通过对抓取图像中的车辆颜色色块区域的排布，与所需查询车辆图像中，3D拟合相同视角下，颜色色块区域的排布结果匹配相同时，则符合初步匹配特征要求；
步骤C：当初步匹配到图像符合查询车辆特征要求时，则对该图像进行深度匹配，反之则继续以距离递增形式的初步匹配任务；所述深度匹配是指：通过对抓取图像的轮廓阴影祛噪点处理，再将其轮廓与所需查询的车辆，在3D拟合相同视角下，图像轮廓重合度匹配，和具体车辆颜色分布区域匹配，上述二则完全相同则符合深度匹配特征要求；
步骤D：当深度匹配再次符合查询车辆特征要求时，则完成车辆交通信息的查询，并记录该次捕捉到的车辆交通信息，且将捕捉到的车辆交通信息及时更新记录至图像数据查询***，自动切换图像数据查询输入端内输入数据的内容，并重复步骤S1-S5，对查询车辆动态跟踪，预测查询，时刻保证查询到对应车辆的精准交通信息，直至输入终止目标车辆的查询指令；当深度匹配不符合查询车辆的特征要求时，则继续以距离递增形式初步匹配任务，并重复步骤C。
根据上述技术方案，所述步骤A中，车辆预测点位置的确定方法为：
先根据输入端的车辆图像采集画面所对应的采集时间、瞬间车辆测速速度，结合当前时间，预算出至查询时，该段时间差内车辆理想行车距离；
再调取上述时间段内的道路路况信息，根据拥堵程度和拥堵时间，以人为设定算法综合给出控制参数，受控制参数影响下，通过理想行车距离得到精确行车距离；
最后以车辆行驶方向，接入大数据路网交通，确定车辆预测点位置。
与现有技术相比，本发明所达到的有益效果是：本发明，可以使查询时，以查询到车辆可能性高低有序进行，避免盲目查询而徒增查询耗时，同时初步匹配尽可能筛选出大量与目标车辆不符的颜色色块排布的车辆，无需逐一进行深度查询，以分级整理形式尽可能的减少查询算力。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的***模块组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：一种基于大数据的图像数据查询方法和***，图像数据查询***包括图像数据查询输入端、大数据信息采集端和数据分级整理端，数据分级整理端分别与图像数据查询输入端和大数据信息采集端电连接；其中，
图像数据查询输入端用于在智慧交通信息分析下对输入目标车辆的交通信息进行查询；
大数据信息采集端用于采集智慧交通***管控下的路段路况数据信息，并为图像数据查询***提供数据支撑；
数据分级整理端用于根据大数据信息采集端的大数据库进行快速图像识别追踪，并对目标车辆进行追踪查询；可以大数据信息整合，对目标车辆进行连续性追踪，从而实现高效跟踪排查的作用。
图像数据查询输入端包括接收模块和图像处理单元，接收模块与图像处理单元电连接；其中，
接收模块用于在图像数据查询***下接收用户录入的查询目标车辆的交通信息；
图像处理单元用于根据目标车辆的交通信息对其进行图像扫描和图像特征拟合；确定查询车辆的特征，便于锁定特征进行快速查询和连续性跟踪查询；
接收模块进一步包括数据更新子模块，数据更新子模块用于对接收模块接收的目标车辆交通信息进行自动更新。
大数据信息采集端包括图像采集设备集成输入单元、控制器单元和路况获取模块，图像采集设备集成输入单元与控制器单元电连接；其中，
图像采集设备集成输入单元用于调控路网交通采集设备，建立采集数据集成；将大量路网交通采集设备调控整合，避免人为切换或逐个查询而造成跟踪排查效率极低的可能；
控制器单元用于调控查询后台，控制图像采集设备后台的调动；
路况获取模块用于根据路网交通大数据实时调取路网交通信息。
数据分级整理端包括图像抓取模块、数据处理模块和预测跟踪模块，数据处理模块分别与图像抓取模块和预测跟踪模块电连接；其中，
图像抓取模块用于根据图像采集设备智能抓取最优图像；在采集动态图像中以抓取单帧图像，便于深度扫描识别，提高图像数据查询精度；
数据处理模块用于对抓取的图像进行分级整合，并解析处理；通过分级整合操作，可以对捕捉到目标车辆可能性较大的图像数据优先解析处理，做出更高的劳动功效，提高图像数据查询***的查询效率；
预测跟踪模块用于对目标车辆捕捉后深度分析预测目标车辆的动态轨迹。
查询方法主要包括以下步骤：
步骤S1：根据智慧交通***的调控，输入需要查询车辆被调控到的交通信息；
步骤S2：在输入了被调控到的交通信息后，开始对被调控到的交通信息中，最基本的图像数据进行扫描处理，直至完成后，电信号传输上述录入且被处理后的交通信息；
步骤S3：在数据分级整理端处，图像数据查询***发布处理指令，数据分级处理端启动，同步获取到步骤S2中的交通信息后，进行大数据调度请求；
步骤S4：根据大数据调度请求的内容，大数据信息采集端开始具有指向性信息内容采集；避免盲目信息内容采集而徒增查询工作量，提高查询效率；
步骤S5：数据分级整理端开始深度数据处理，捕捉到查询的车辆信息后，及时更新记录至图像数据查询***，为图像数据查询***内部查询进行递进更新处理，图像数据查询***实时参考最近数据基准，同步跟踪并预测车辆动态，提供查询对应车辆的精准交通信息；使得图像数据查询***可以连续性跟踪查询目标车辆，直至确认对其停止查询的指令，无需多次手动输入车辆的交通信息，自动储存最新车辆交通信息，达到省时省心的效果。
步骤S2进一步包括：
图像数据查询输入端接收输入的交通信息，其中，交通信息包括所需查询车辆的图像采集画面、以及车辆图像采集画面所对应的采集时间、采集地点、瞬间车辆测速速度、车辆行驶方向和采集道路路况；
对所需查询的车辆图像进行扫描，扣出车辆轮廓，读取瞬间车辆车速速度值，结合速度值对车辆轮廓阴影祛噪点，输出精准车辆轮廓，并将精准车辆轮廓与测速时采集的动态图像结合，以动态图像的视角变化和单个精准车辆轮廓3D拟合出查询车辆的3D轮廓框架，并标记3D轮廓框架的特征数值；
再次对车辆的区域色泽扫描识别，得出车辆颜色分布结果后再次拟合于3D轮廓框架中；
输出3D拟合特征值以及车辆图像采集画面所对应的采集时间、采集地点、瞬间车辆测速速度、车辆行驶方向和采集道路路况。
步骤S3中大数据调度请求方法包括：
获取交通信息后，以采集地点为中心、预测波及范围为半径进行大数据调度请求，其中，预测波及范围为采集时间至当前时间的时间差t，与瞬间车辆测速速度值v之积的两倍距离；因车辆理想行车距离为瞬间车辆测速速度值和期间行使时间之积，避免后续车速误差带来影响，将预测波及范围放大至理想行车距离的两倍，尽可能保证车辆在预测波及范围内，使大数据调度请求的图像采集设备控制在能查询到目标车辆同时，最大化避免庞大的查询体量，进一步提高查询效率。
步骤S4进一步包括：
大数据信息采集端向符合大数据调度请求的图像采集设备建立采集数据集成连接，并调动建立连接的图像采集设备后台，使其运行至采集前端，对路网交通数据进行大数据的采集，同时根据路网交通大数据实时调取路网交通信息，完成对调取请求区域的整体信息采集。
步骤S5进一步包括：
对符合大数据调度请求的图像采集设备采集画面进行图像抓取，并开始实时抓取且实时处理工作，其中数据处理工作以分级处理方式，主要包括：
步骤A：先确定车辆预测点位置；
步骤B：以车辆预测点位置为中心位置度，各组图像采集设备与中心位置度的距离递增形式，分别对每组图像采集设备的图像抓取内容进行初步匹配；初步匹配是指：通过对抓取图像中的车辆颜色色块区域的排布，与所需查询车辆图像中，3D拟合相同视角下，颜色色块区域的排布结果匹配相同时，则符合初步匹配特征要求；从而可以使查询时，以查询到车辆可能性高低有序进行，避免盲目查询而徒增查询耗时，同时初步匹配尽可能筛选出大量与目标车辆不符的颜色色块排布的车辆，无需逐一进行深度查询，以分级整理形式尽可能的减少查询算力；
步骤C：当初步匹配到图像符合查询车辆特征要求时，则对该图像进行深度匹配，反之则继续以距离递增形式的初步匹配任务；深度匹配是指：通过对抓取图像的轮廓阴影祛噪点处理，再将其轮廓与所需查询的车辆，在3D拟合相同视角下，图像轮廓重合度匹配，和具体车辆颜色分布区域匹配，上述二则完全相同则符合深度匹配特征要求；因车辆新旧程度、人员乘坐不同、车型不同，在深度匹配下，高度轮廓重合和具体车辆颜色分布区域匹配具有唯一性，可精准查询到目标车辆，避免出现人工误判的情况，同时该查询方法也可避免不法车主恶意遮挡车牌号等行为，实用性强；
步骤D：当深度匹配再次符合查询车辆特征要求时，则完成车辆交通信息的查询，并记录该次捕捉到的车辆交通信息，且将捕捉到的车辆交通信息及时更新记录至图像数据查询***，自动切换图像数据查询输入端内输入数据的内容，并重复步骤S1-S5，对查询车辆动态跟踪，预测查询，时刻保证查询到对应车辆的精准交通信息，直至输入终止目标车辆的查询指令；当深度匹配不符合查询车辆的特征要求时，则继续以距离递增形式初步匹配任务，并重复步骤C。
步骤A中，车辆预测点位置的确定方法为：
先根据输入端的车辆图像采集画面所对应的采集时间、瞬间车辆测速速度，结合当前时间，预算出至查询时，该段时间差内车辆理想行车距离；
再调取上述时间段内的道路路况信息，根据拥堵程度和拥堵时间，以人为设定算法综合给出控制参数，受控制参数影响下，通过理想行车距离得到精确行车距离；
最后以车辆行驶方向，接入大数据路网交通，确定车辆预测点位置；实现了采集图像信息时同步进行车辆预测跟踪计算，为减少后续车辆追踪查询提供保障。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的图像数据查询***，其特征在于：所述图像数据查询***包括图像数据查询输入端、大数据信息采集端和数据分级整理端，所述数据分级整理端分别与图像数据查询输入端和大数据信息采集端电连接；其中，
所述图像数据查询输入端用于在智慧交通信息分析下对输入目标车辆的交通信息进行查询；
所述大数据信息采集端用于采集智慧交通***管控下的路段路况数据信息，并为所述图像数据查询***提供数据支撑；
所述数据分级整理端用于根据所述大数据信息采集端的大数据库进行快速图像识别追踪，并对目标车辆进行追踪查询。
2.根据权利要求1所述的一种基于大数据的图像数据查询***，其特征在于：所述图像数据查询输入端包括接收模块和图像处理单元，所述接收模块与图像处理单元电连接；其中，
所述接收模块用于在图像数据查询***下接收用户录入的查询目标车辆的交通信息；
所述图像处理单元用于根据目标车辆的交通信息对其进行图像扫描和图像特征拟合；
所述接收模块进一步包括数据更新子模块，所述数据更新子模块用于对接收模块接收的目标车辆交通信息进行自动更新。
3.根据权利要求2所述的一种基于大数据的图像数据查询***，其特征在于：所述大数据信息采集端包括图像采集设备集成输入单元、控制器单元和路况获取模块，所述图像采集设备集成输入单元与控制器单元电连接；其中，
所述图像采集设备集成输入单元用于调控路网交通采集设备，建立采集数据集成；
所述控制器单元用于调控查询后台，控制图像采集设备后台的调动；
所述路况获取模块用于根据路网交通大数据实时调取路网交通信息。
4.根据权利要求3所述的一种基于大数据的图像数据查询***，其特征在于：所述数据分级整理端包括图像抓取模块、数据处理模块和预测跟踪模块，所述数据处理模块分别与图像抓取模块和预测跟踪模块电连接；其中，
所述图像抓取模块用于根据图像采集设备智能抓取最优图像；
所述数据处理模块用于对抓取的图像进行分级整合，并解析处理；
所述预测跟踪模块用于对目标车辆捕捉后深度分析预测目标车辆的动态轨迹。
5.一种如权利要求1至4中任一项所述的基于大数据的图像数据查询***的查询方法，其特征在于，所述查询方法主要包括以下步骤：
步骤S1：根据智慧交通***的调控，输入需要查询车辆被调控到的交通信息；
步骤S2：在输入了被调控到的交通信息后，开始对被调控到的交通信息中，最基本的图像数据进行扫描处理，直至完成后，电信号传输上述录入且被处理后的交通信息；
步骤S3：在数据分级整理端处，图像数据查询***发布处理指令，数据分级处理端启动，同步获取到步骤S2中的交通信息后，进行大数据调度请求；
步骤S4：根据大数据调度请求的内容，大数据信息采集端开始具有指向性信息内容采集；
步骤S5：数据分级整理端开始深度数据处理，捕捉到查询的车辆信息后，及时更新记录至图像数据查询***，为图像数据查询***内部查询进行递进更新处理，图像数据查询***实时参考最近数据基准，同步跟踪并预测车辆动态，提供查询对应车辆的精准交通信息。
6.根据权利要求5所述的图像数据查询方法，其特征在于：所述步骤S2进一步包括：
图像数据查询输入端接收输入的交通信息，其中，所述交通信息包括所需查询车辆的图像采集画面、以及车辆图像采集画面所对应的采集时间、采集地点、瞬间车辆测速速度、车辆行驶方向和采集道路路况；
对所需查询的车辆图像进行扫描，扣出车辆轮廓，读取瞬间车辆车速速度值，结合速度值对车辆轮廓阴影祛噪点，输出精准车辆轮廓，并将精准车辆轮廓与测速时采集的动态图像结合，以动态图像的视角变化和单个精准车辆轮廓3D拟合出查询车辆的3D轮廓框架，并标记3D轮廓框架的特征数值；
再次对车辆的区域色泽扫描识别，得出车辆颜色分布结果后再次拟合于3D轮廓框架中；
输出3D拟合特征值以及车辆图像采集画面所对应的采集时间、采集地点、瞬间车辆测速速度、车辆行驶方向和采集道路路况。
7.根据权利要求6所述的图像数据查询方法，其特征在于：所述步骤S3中大数据调度请求方法包括：
获取交通信息后，以采集地点为中心、预测波及范围为半径进行大数据调度请求，其中，所述预测波及范围为采集时间至当前时间的时间差t，与瞬间车辆测速速度值v之积的两倍距离。
8.根据权利要求7所述的图像数据查询方法，其特征在于：所述步骤S4进一步包括：
大数据信息采集端向符合大数据调度请求的图像采集设备建立采集数据集成连接，并调动建立连接的图像采集设备后台，使其运行至采集前端，对路网交通数据进行大数据的采集，同时根据路网交通大数据实时调取路网交通信息，完成对调取请求区域的整体信息采集。
9.根据权利要求8所述的图像数据查询方法，其特征在于：所述步骤S5进一步包括：
对符合大数据调度请求的图像采集设备采集画面进行图像抓取，并开始实时抓取且实时处理工作，其中数据处理工作以分级处理方式，主要包括：
步骤A：先确定车辆预测点位置；
步骤B：以车辆预测点位置为中心位置度，各组图像采集设备与中心位置度的距离递增形式，分别对每组图像采集设备的图像抓取内容进行初步匹配；所述初步匹配是指：通过对抓取图像中的车辆颜色色块区域的排布，与所需查询车辆图像中，3D拟合相同视角下，颜色色块区域的排布结果匹配相同时，则符合初步匹配特征要求；
步骤C：当初步匹配到图像符合查询车辆特征要求时，则对该图像进行深度匹配，反之则继续以距离递增形式的初步匹配任务；所述深度匹配是指：通过对抓取图像的轮廓阴影祛噪点处理，再将其轮廓与所需查询的车辆，在3D拟合相同视角下，图像轮廓重合度匹配，和具体车辆颜色分布区域匹配，上述二则完全相同则符合深度匹配特征要求；
步骤D：当深度匹配再次符合查询车辆特征要求时，则完成车辆交通信息的查询，并记录该次捕捉到的车辆交通信息，且将捕捉到的车辆交通信息及时更新记录至图像数据查询***，自动切换图像数据查询输入端内输入数据的内容，并重复步骤S1-S5，对查询车辆动态跟踪，预测查询，时刻保证查询到对应车辆的精准交通信息，直至输入终止目标车辆的查询指令；当深度匹配不符合查询车辆的特征要求时，则继续以距离递增形式初步匹配任务，并重复步骤C。
10.根据权利要求9所述的图像数据查询方法，其特征在于：所述步骤A中，车辆预测点位置的确定方法为：
先根据输入端的车辆图像采集画面所对应的采集时间、瞬间车辆测速速度，结合当前时间，预算出至查询时，该段时间差内车辆理想行车距离；
再调取上述时间段内的道路路况信息，根据拥堵程度和拥堵时间，以人为设定算法综合给出控制参数，受控制参数影响下，通过理想行车距离得到精确行车距离；
最后以车辆行驶方向，接入大数据路网交通，确定车辆预测点位置。
CN202210475519.XA 2022-04-29 2022-04-29 一种基于大数据的图像数据查询方法和*** Active CN114860976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210475519.XA CN114860976B (zh) 2022-04-29 2022-04-29 一种基于大数据的图像数据查询方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210475519.XA CN114860976B (zh) 2022-04-29 2022-04-29 一种基于大数据的图像数据查询方法和***

Publications (2)

Publication Number Publication Date
CN114860976A true CN114860976A (zh) 2022-08-05
CN114860976B CN114860976B (zh) 2023-05-05

Family

ID=82635293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210475519.XA Active CN114860976B (zh) 2022-04-29 2022-04-29 一种基于大数据的图像数据查询方法和***

Country Status (1)

Country Link
CN (1) CN114860976B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226834A (zh) * 2013-03-26 2013-07-31 长安大学 一种图像运动目标特征点快速搜索方法
CN103294775A (zh) * 2013-05-10 2013-09-11 苏州祥益网络科技有限公司 基于地理时空约束的警务云图像识别车辆管控***
CN103927764A (zh) * 2014-04-29 2014-07-16 重庆大学 一种结合目标信息和运动估计的车辆跟踪方法
CN106682087A (zh) * 2016-11-28 2017-05-17 东南大学 一种基于车载装饰品特征稀疏编码的车辆检索方法
CN107749170A (zh) * 2017-12-07 2018-03-02 东莞职业技术学院 一种车辆跟踪装置及方法
CN109300308A (zh) * 2018-10-23 2019-02-01 王龙 一种基于动态交通图谱分析的智能管理平台
CN109520500A (zh) * 2018-10-19 2019-03-26 南京航空航天大学 一种基于终端拍摄图像匹配的精确定位及街景库采集方法
CN109558823A (zh) * 2018-11-22 2019-04-02 北京市首都公路发展集团有限公司 一种以图搜图的车辆识别方法及***
CN110276947A (zh) * 2019-06-05 2019-09-24 中国科学院深圳先进技术研究院 一种交通融合分析预测方法、***及电子设备
CN111504331A (zh) * 2020-04-29 2020-08-07 杭州环峻科技有限公司 一种由粗到细的全景智能车辆定位方法和装置
CN111818313A (zh) * 2020-08-28 2020-10-23 深圳市城市交通规划设计研究中心股份有限公司 一种基于监控视频的车辆实时追踪方法及装置
CN112135038A (zh) * 2020-08-11 2020-12-25 浙江登凯建设有限公司 基于交通监控的车辆追踪方法、***及其存储介质
CN112905824A (zh) * 2021-02-08 2021-06-04 智慧眼科技股份有限公司 目标车辆追踪方法、装置、计算机设备及存储介质
EP3851802A1 (en) * 2020-01-20 2021-07-21 Beijing Baidu Netcom Science And Technology Co. Ltd. Method and apparatus for positioning vehicle, electronic device and storage medium
CN113194138A (zh) * 2021-04-28 2021-07-30 昭通亮风台信息科技有限公司 基于ai深度学习的出行管理方法和***

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226834A (zh) * 2013-03-26 2013-07-31 长安大学 一种图像运动目标特征点快速搜索方法
CN103294775A (zh) * 2013-05-10 2013-09-11 苏州祥益网络科技有限公司 基于地理时空约束的警务云图像识别车辆管控***
CN103927764A (zh) * 2014-04-29 2014-07-16 重庆大学 一种结合目标信息和运动估计的车辆跟踪方法
CN106682087A (zh) * 2016-11-28 2017-05-17 东南大学 一种基于车载装饰品特征稀疏编码的车辆检索方法
CN107749170A (zh) * 2017-12-07 2018-03-02 东莞职业技术学院 一种车辆跟踪装置及方法
CN109520500A (zh) * 2018-10-19 2019-03-26 南京航空航天大学 一种基于终端拍摄图像匹配的精确定位及街景库采集方法
CN109300308A (zh) * 2018-10-23 2019-02-01 王龙 一种基于动态交通图谱分析的智能管理平台
CN109558823A (zh) * 2018-11-22 2019-04-02 北京市首都公路发展集团有限公司 一种以图搜图的车辆识别方法及***
CN110276947A (zh) * 2019-06-05 2019-09-24 中国科学院深圳先进技术研究院 一种交通融合分析预测方法、***及电子设备
EP3851802A1 (en) * 2020-01-20 2021-07-21 Beijing Baidu Netcom Science And Technology Co. Ltd. Method and apparatus for positioning vehicle, electronic device and storage medium
CN111504331A (zh) * 2020-04-29 2020-08-07 杭州环峻科技有限公司 一种由粗到细的全景智能车辆定位方法和装置
CN112135038A (zh) * 2020-08-11 2020-12-25 浙江登凯建设有限公司 基于交通监控的车辆追踪方法、***及其存储介质
CN111818313A (zh) * 2020-08-28 2020-10-23 深圳市城市交通规划设计研究中心股份有限公司 一种基于监控视频的车辆实时追踪方法及装置
CN112905824A (zh) * 2021-02-08 2021-06-04 智慧眼科技股份有限公司 目标车辆追踪方法、装置、计算机设备及存储介质
CN113194138A (zh) * 2021-04-28 2021-07-30 昭通亮风台信息科技有限公司 基于ai深度学习的出行管理方法和***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SAYANAN SIVARAMAN 等: "A General Active-Learning Framework for On-Road Vehicle Recognition and Tracking", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
杜宇人 等: "一种基于视频图像的运动车辆跟踪方法", 《电子测量与仪器学报》 *
陶春燕 等: "实时路况信息服务***设计方案", 《中国交通信息化》 *

Also Published As

Publication number Publication date
CN114860976B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN110570658B (zh) 基于层次聚类的路口异常车辆轨迹识别分析方法
US5696503A (en) Wide area traffic surveillance using a multisensor tracking system
US5801943A (en) Traffic surveillance and simulation apparatus
CN101510356B (zh) 视频检测***及其数据处理装置、视频检测方法
CN108550277A (zh) 一种基于图像深度学习的停车位识别及查询方法
CN102385803B (zh) 基于视频监控的全天候市区车辆跟踪与计数方法
CN109887283B (zh) 一种基于卡口数据的道路拥堵预测方法、***及装置
CN101303727A (zh) 基于视频人数统计的智能管理方法及其***
CN108694216B (zh) 一种多源对象关联方法及装置
CN101833859A (zh) 基于虚拟线圈的自触发车牌识别方法
CN103985182A (zh) 一种公交客流自动计数方法及自动计数***
CN106650976A (zh) 出行分析预测方法及***、基于ic卡的出行分析预测方法及***
CN113378659A (zh) 一种占道经营识别方法
CN113255588B (zh) 垃圾清扫车垃圾清扫方法、装置、电子设备及存储介质
CN109697867A (zh) 一种基于深度学习的交通控制方法及***
CN115984769A (zh) 一种智慧城市垃圾清扫点确定方法和物联网***
CN115759492A (zh) 一种基于卷积神经网络算法的仓储管理方法及***
CN113380069A (zh) 一种基于路灯的路边停车***及其方法
CN114860976A (zh) 一种基于大数据的图像数据查询方法和***
DE102018201787A1 (de) Verfahren und System zum Optimieren und Vorhersagen einer Verkehrssituation
CN114549444A (zh) 一种跨摄像头目标检测与跟踪***及方法
Masmoudi et al. Vision based approach for adaptive parking lots occupancy estimation
Exner et al. Monitoring Street Infrastructures with Artificial Intelligence
Kollek et al. Real-time traffic counting on resource constrained embedded systems
Junwei et al. A novel image segmentation technology in intelligent traffic light control systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230417

Address after: No. 318-2, Science and Technology Information Building, No. 352 Tongzipo West Road, High tech Industrial Development Zone, Changsha City, Hunan Province, 410000

Applicant after: Changsha Public Transport Smart Big Data Technology Co.,Ltd.

Address before: 226000 floor 13, building 8, Chuangyuan Science Park, No. 2, Panxiang Road, Chongchuan District, Nantong City, Jiangsu Province

Applicant before: NANTONG SMART TRANSPORTATION TECHNOLOGY CO.,LTD.

GR01 Patent grant
GR01 Patent grant