本發(fā)明屬于無人機交通應(yīng)用，具體涉及基于無人機監(jiān)控的交通異常事件的處理緊急程度排序方法。

背景技術(shù)：

1、交通異常事件對城市的運行和居民的日常生活具有深遠的影響。首先，這些事件直接影響交通流的順暢性，導(dǎo)致交通擁堵，增加通行時間，影響人們的工作效率和生活質(zhì)量。例如，一起嚴重的車禍可能導(dǎo)致主要道路封閉，迫使大量車輛繞行，增加了周邊道路的交通負擔(dān)。其次，交通異常事件還可能導(dǎo)致經(jīng)濟損失，包括直接的事故損失、增加的運輸成本、以及因延誤引起的商業(yè)損失。此外，這些事件可能對環(huán)境造成影響，例如，道路擁堵會增加車輛排放，惡化空氣質(zhì)量。在公共安全方面，交通異常事件可能威脅到生命安全，尤其是在涉及嚴重交通事故或緊急情況時。最后，這些事件對公共心理健康也有影響，長時間的交通擁堵和不斷的交通事故報道可能導(dǎo)致駕駛者和乘客感到焦慮和壓力。

2、交通異常事件處理的緊急程度判別對于有效的交通管理和緊急響應(yīng)至關(guān)重要。首先，通過對事件緊急程度的正確評估，可以確保資源被合理分配，優(yōu)先處理那些對交通影響最大或潛在危害最嚴重的事件。例如，一起涉及有毒化學(xué)品泄漏的車禍比普通的碰撞事故更需要迅速的應(yīng)急響應(yīng)。其次，緊急程度的判別可以幫助縮短響應(yīng)時間，減少事故造成的損害，提高救援效率，從而挽救生命，減少財產(chǎn)損失。此外，這種判別方法有助于提高公共對交通管理效率的信任和滿意度，當(dāng)公眾看到交通部門能夠迅速有效地處理嚴重事件時，將更加信賴和支持政府的交通安全措施。

3、缺少交通異常事件處理的緊急程度判別方法可能導(dǎo)致多方面的負面后果。首先，缺乏有效的判別方法將導(dǎo)致資源分配不合理，緊急資源可能被分配給相對不那么緊急的事件，而更緊急的事件則得不到及時處理。這種資源分配的失誤不僅會增加交通擁堵的持續(xù)時間，還可能在事故中造成不必要的傷亡。其次，沒有緊急程度判別，交通管理部門的響應(yīng)策略可能缺乏針對性，導(dǎo)致處理效率低下，增加了公共不滿和對交通管理系統(tǒng)的不信任。長期來看，這種缺失可能影響到整個交通系統(tǒng)的可持續(xù)發(fā)展，阻礙城市交通安全和管理的改進，最終影響城市的生活質(zhì)量和經(jīng)濟發(fā)展。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的問題是對交通異常事件基于緊急程度進行及時處理，提出基于無人機監(jiān)控的交通異常事件的處理緊急程度排序方法。

2、為實現(xiàn)上述目的，本發(fā)明通過以下技術(shù)方案實現(xiàn)：

3、一種基于無人機監(jiān)控的交通異常事件的處理緊急程度排序方法，包括如下步驟：

4、s1.?利用無人機采集交通視頻，然后從交通視頻中采用視頻中提取幀的方式獲取交通圖像；

5、s2.?對從交通視頻中獲取的交通圖像進行圖像處理，得到更新的交通圖像；

6、s3.?利用步驟s2獲取的更新的交通圖像，人工挑選出包括不同類型車輛的交通異常事件的圖像，對yolov10深度學(xué)習(xí)模型進行訓(xùn)練，得到識別交通異常事件的交通智能識別模型；

7、s4.?將步驟s2得到的更新的交通圖像，輸入到步驟s3中識別交通異常事件的交通智能識別模型中進行交通異常事件識別，將識別到交通異常事件的圖像建立圖像尺寸與實際尺寸的轉(zhuǎn)換關(guān)系；

8、s5.?基于步驟s3識別到的交通異常事件的圖像和視頻和步驟s4得到的圖像尺寸與實際尺寸的轉(zhuǎn)換關(guān)系，構(gòu)建交通異常事件對交通影響的演化規(guī)律分析方法，分析交通擁堵長度變化、交通流量變化、平均車速變化、延誤時間變化；

9、s6.?構(gòu)建交通異常事件對應(yīng)的交通擁堵長度變化矩陣、交通異常事件對應(yīng)的交通流量變化矩陣、交通異常事件對應(yīng)的平均車速變化矩陣、交通異常事件對應(yīng)的延誤時間變化矩陣，然后基于構(gòu)建的矩陣建立交通異常事件的綜合影響指數(shù)，對基于無人機監(jiān)控的交通異常事件的處理緊急程度進行排序。

10、進一步的，步驟s2的具體實現(xiàn)方法包括如下步驟：

11、s2.1.?對步驟s1得到的從交通視頻中獲取的交通圖像，采集圖像在像素坐標(biāo)( a, b)位置處的像素值表示為 a( a, b)，其中， a和 b是水平方向的像素坐標(biāo)和垂直方向的像素坐標(biāo)，計算像素梯度在圖像中的水平方向的差分和垂直方向的差分，表達式為：

12、；

13、；

14、其中，為圖像在坐標(biāo)( a+1, b)位置處的像素值，為圖像在坐標(biāo)( a, b+1)位置處的像素值；

15、然后計算像素梯度，計算公式為：

16、；

17、像素梯度用于確定圖像像素點上的邊緣強度；

18、s2.2.?設(shè)置調(diào)整系數(shù) c( a, b)，用于確定圖像中不同位置( a, b)處像素的更新程度，調(diào)整系數(shù) c( a, b)的計算公式為：

19、；

20、其中，為控制敏感度的常數(shù)，為控制梯度分量的常數(shù)，兩個常數(shù)均由經(jīng)驗確定；

21、s2.3.?進行圖像的像素更新，得到更新的圖像在坐標(biāo)( a, b)位置處的像素值，計算公式為：

22、；

23、其中，為像素坐標(biāo)( a, b)在上、下、左、右四個方向相鄰的四個像素坐標(biāo)，指在上、下、左、右四個方向相鄰的四個像素坐標(biāo)的像素值。

24、進一步的，步驟s3的具體實現(xiàn)方法包括如下步驟：

25、s3.1.?人工挑選出包括不同類型車輛的交通異常事件的圖像，所述交通異常事件包括車輛碰撞、車輛拋錨、路面塌陷、泥石流、建筑物坍塌、樹木折斷、大霧、路面結(jié)冰、突發(fā)性擁堵、長期性擁堵、非法停車、車輛起火、危險品泄露、道路施工；所述不同類型車輛包括轎車、suv、面包車、貨車、卡車、公交車、長途客車、工程車、兩輪車、水泥攪拌車、油罐車、拖拉機；

26、s3.2.?將步驟s3.1人工挑選的圖像，采用標(biāo)注工具，為每張圖像標(biāo)注車輛的位置、類別，標(biāo)注交通異常事件發(fā)生的區(qū)域及事件類型；

27、s3.3.?構(gòu)建數(shù)據(jù)集，將步驟s3.2得到的圖像標(biāo)注文件轉(zhuǎn)換成txt格式，將圖像和對應(yīng)的圖像標(biāo)注文件按照70%、15%、15%的比例劃分數(shù)據(jù)集為訓(xùn)練集、驗證集、測試集；

28、s3.4.?使用步驟s3.3得到的訓(xùn)練集訓(xùn)練yolov10模型，首先，配置適用于yolov10模型運行的環(huán)境，并且設(shè)置學(xué)習(xí)率、批大小、訓(xùn)練周期、超參數(shù)，使用訓(xùn)練過程中的損失和驗證集上的表現(xiàn)監(jiān)控訓(xùn)練進度，調(diào)整訓(xùn)練參數(shù)；

29、使用精確度、召回率參數(shù)評估車輛識別和異常事件檢測的效果，當(dāng)精確率和召回率達到設(shè)定值時，停止訓(xùn)練，此時，對應(yīng)的模型為識別交通異常事件的交通智能識別模型。

30、進一步的，步驟s4的具體實現(xiàn)方法包括如下步驟：

31、s4.1.?將步驟s2得到的更新的交通圖像，輸入到步驟s3中識別交通異常事件的交通智能識別模型中進行交通異常事件識別，識別到交通異常事件的圖像；

32、s4.2.?從無人機載定位系統(tǒng)中，獲取無人機飛行高度數(shù)據(jù) h w，從相機設(shè)備中獲取相機焦距 j、傳感器的寬度 k sen、高度 h sen，以及交通異常事件的圖像的寬度 k img、高度 h img；計算交通異常事件的圖像單位像素對應(yīng)的實際長度，計算公式為：

33、；

34、；

35、其中，和分別為交通異常事件的圖像單位像素在水平方向上的地面距離和垂直方向上的地面距離；

36、s4.3.?基于采用無人機采集的圖像中單位像素在水平和垂直方向上的地面距離是相等的，即，則建立像素坐標(biāo)( a, b)與實際地理坐標(biāo)之間的轉(zhuǎn)換關(guān)系，表達式為：

37、；

38、；

39、其中，為圖像參考點的地理坐標(biāo)，為圖像參考點在圖像中的像素坐標(biāo)。

40、進一步的，步驟s5的具體實現(xiàn)方法包括如下步驟：

41、s5.1.?計算交通擁堵長度變化：

42、基于識別到的交通異常事件的圖像，提取包括車輛類型、車輛中心點坐標(biāo)( q a， q b)、車輛的長度 c q和車輛的寬度 k q，以異常事件中心點坐標(biāo)( y a， y b)為起始點，沿行車方向的反方向，對識別到的車輛進行排序，依次排序為1,2,3，…，p，其中，p為識別車輛的總數(shù)量；

43、排序后的第 i個車輛的中心點坐標(biāo)依次記為( q ai， q bi)，i=1,2，…，p，按照排序，依次計算相鄰兩輛車之間的距離 r i，計算公式為：

44、；

45、設(shè)定擁堵閾值 rt，比較 r i與 rt的關(guān)系，

46、當(dāng)時，表明相鄰兩輛車之間的距離較大，該區(qū)域未出現(xiàn)擁堵情況；

47、當(dāng)時，表明相鄰兩輛車之間的距離較小，該區(qū)域出現(xiàn)擁堵情況；

48、交通異常事件附近為擁堵最易發(fā)生的區(qū)域，記錄首次出現(xiàn)時的 i的值記錄為 it，對應(yīng)的車輛的中心點坐標(biāo)為( q ait， q bit)；

49、結(jié)合得到的交通異常事件的圖像單位像素在水平方向上的地面距離，計算第1輛車的中心點坐標(biāo)( q a1， q b1)與第 it輛車中心點坐標(biāo)( q ait， q bit)之間的距離為交通擁堵長度 x2，計算公式為：

50、；

51、采用 t0時刻采集的圖像計算得到 t0時刻的交通擁堵長度，采用 t1時刻采集的圖像計算得到 t1時刻的交通擁堵長度；

52、在此基礎(chǔ)上，計算交通擁堵長度變化

53、；

54、s5.2.?計算交通流量變化：

55、基于提取的視頻數(shù)據(jù)中，人工選取第1斷面dm1，采用識別交通異常事件的交通智能識別模型，識別并統(tǒng)計1分鐘時間行駛至第1斷面dm1處的車輛的總數(shù)量 u，基于 u換算得到交通流量 x3，表達式為：

56、；

57、采用 t0時刻采集的圖像，可計算得到 t0時刻的交通流量；采用 t1時刻采集的圖像，計算得到 t1時刻的交通流量；

58、在此基礎(chǔ)上，計算交通流量變化：

59、；

60、s5.3.?計算平均車速變化：

61、基于提取的視頻數(shù)據(jù)中，人工選取第1斷面dm1、第2斷面dm2，提取dm1、dm2之間的像素距離為 v，采用視頻數(shù)據(jù)中的時間戳，計算車輛從斷面dm1行駛至斷面dm2所需的時間 ta，結(jié)合交通異常事件的圖像單位像素在水平方向上的地面距離，計算得到平均車速 x4，表達式為：

62、；

63、采用 t0時刻采集的圖像，計算得到 t0時刻的平均車速；采用 t1時刻采集的圖像，計算得到 t1時刻的平均車速；

64、在此基礎(chǔ)上，計算平均車速變化：

65、；

66、s5.4.?計算延誤時間變化：

67、基于提取的視頻數(shù)據(jù)中，人工選取第1斷面dm1、第2斷面dm2，提取dm1、dm2之間的像素距離為 v，采用視頻數(shù)據(jù)中的時間戳，計算車輛從斷面dm1行駛至斷面dm2所需的時間 ta，結(jié)合交通異常事件的圖像單位像素在水平方向上的地面距離，路段的設(shè)計速度為 v，計算得到延誤時間 x5，表達式為：

68、；

69、采用 t0時刻采集的圖像，計算得到 t0時刻的延誤時間；采用 t1時刻采集的圖像，計算得到 t1時刻的延誤時間；

70、在此基礎(chǔ)上，計算平均車速變化：

71、。

72、進一步的，步驟s6的具體實現(xiàn)方法包括如下步驟：

73、s6.1.?設(shè)置交通異常事件發(fā)生后，交通的變化情況影響因素包括道路類型cl、車道數(shù)量cs、交通流量jl、天氣狀況tz、事故發(fā)生的地理位置dw、繞行路線數(shù)量rs、路肩寬度lk、異常事件類型yl、異常事件發(fā)生時間ys；

74、s6.2.?收集 dm個交通異常事件，每個交通異常事件均包括全部交通的變化情況影響因素，基于全部 dm個交通異常事件，構(gòu)建交通異常事件信息匯總矩陣 xj：

75、；

76、其中， t為矩陣的轉(zhuǎn)置，為第 di個交通異常事件信息矩陣；

77、；

78、其中，依次為第 di個交通異常事件對應(yīng)的道路類型、車道數(shù)量、交通流量、天氣狀況、事故發(fā)生的地理位置、繞行路線數(shù)量、路肩寬度、異常事件類型、異常事件發(fā)生時間；

79、基于步驟s5的方法分別計算 dm個交通異常事件對應(yīng)的交通擁堵長度變化矩陣、交通異常事件對應(yīng)的交通流量變化矩陣、交通異常事件對應(yīng)的平均車速變化矩陣、交通異常事件對應(yīng)的延誤時間變化矩陣：

80、；

81、；

82、；

83、；

84、其中，、、、依次為第 di個交通異常事件對應(yīng)的交通擁堵長度變化值、交通流量變化值、平均車速變化值、延誤時間變化值；

85、s6.3.?建立交通擁堵長度變化對應(yīng)的權(quán)重矩陣：

86、；

87、其中，依次為道路類型、車道數(shù)量、交通流量、天氣狀況、事故發(fā)生的地理位置、繞行路線數(shù)量、路肩寬度、異常事件類型、異常事件發(fā)生時間對交通擁堵長度變化的權(quán)重系數(shù)；

88、建立交通異常事件信息匯總矩陣 xj、交通異常事件對應(yīng)的交通擁堵長度變化矩陣、以及交通擁堵長度變化對應(yīng)的權(quán)重矩陣三者之間的關(guān)系：

89、；

90、然后計算得到中的值；

91、s6.4.?建立交通流量變化對應(yīng)的權(quán)重矩陣：

92、；

93、其中，依次為道路類型、車道數(shù)量、交通流量、天氣狀況、事故發(fā)生的地理位置、繞行路線數(shù)量、路肩寬度、異常事件類型、異常事件發(fā)生時間對交通流量變化的權(quán)重系數(shù)；

94、建立交通異常事件信息匯總矩陣 xj、交通異常事件對應(yīng)的交通流量變化矩陣、以及交通流量變化對應(yīng)的權(quán)重矩陣三者之間的關(guān)系：

95、；

96、然后計算得到中的值；

97、s6.5.?建立平均車速變化對應(yīng)的權(quán)重矩陣：

98、；

99、其中，依次為道路類型、車道數(shù)量、交通流量、天氣狀況、事故發(fā)生的地理位置、繞行路線數(shù)量、路肩寬度、異常事件類型、異常事件發(fā)生時間對平均車速變化的權(quán)重系數(shù)；

100、建立交通異常事件信息匯總矩陣 xj、交通異常事件對應(yīng)的平均車速變化矩陣、以及平均車速變化對應(yīng)的權(quán)重矩陣三者之間的關(guān)系：

101、；

102、然后計算得到中的值；

103、s6.6.?建立延誤時間變化對應(yīng)的權(quán)重矩陣：

104、；

105、其中，依次為道路類型、車道數(shù)量、交通流量、天氣狀況、事故發(fā)生的地理位置、繞行路線數(shù)量、路肩寬度、異常事件類型、異常事件發(fā)生時間對延誤時間變化的權(quán)重系數(shù)；

106、建立交通異常事件信息匯總矩陣 xj、交通異常事件對應(yīng)的延誤時間變化矩陣、以及延誤時間變化對應(yīng)的權(quán)重矩陣三者之間的關(guān)系：

107、；

108、然后計算得到中的值；

109、s6.7.?建立綜合影響指數(shù) zh：

110、；

111、；

112、其中，、、、分別為綜合影響指數(shù)中交通擁堵長度變化、交通流量變化、平均車速變化、延誤時間變化對應(yīng)的權(quán)重，為處理難度指數(shù)；上述值均由技術(shù)人員根據(jù)經(jīng)驗確定；

113、計算交通異常事件對應(yīng)的綜合影響指數(shù)，然后按照從大到小的順序進行排列，得到交通異常事件處理緊急程度的順序。

114、本發(fā)明的有益效果：

115、本發(fā)明所述的一種基于無人機監(jiān)控的交通異常事件的處理緊急程度排序方法，通過動態(tài)調(diào)整圖像中的像素值來改善圖像質(zhì)量，使得圖像增強更為自然，減少了過度處理的風(fēng)險。

116、本發(fā)明所述的一種基于無人機監(jiān)控的交通異常事件的處理緊急程度排序方法，可對異常事件發(fā)生后，交通變化情況進行預(yù)測。對于提前部署交通管理資源、制定有效的應(yīng)對策略和減少交通擁堵及相關(guān)經(jīng)濟損失具有重要意義。可以提高道路使用效率，保障公共安全，并優(yōu)化交通流動。

117、本發(fā)明所述的一種基于無人機監(jiān)控的交通異常事件的處理緊急程度排序方法，可對交通異常事件處理緊急程度的順序。此方法可以確保最關(guān)鍵的事件得到優(yōu)先處理，減少事故的潛在危害。