[0018] 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:
[0019] 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:
[0020] 步骤一:从已有的交通车辆管理系统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Ak、交通信号灯是否故障信息Bk、是否避让故障车或路障信息Ck、交通信号灯与现场交警指挥是否一致信息Dk、车牌是否被套用信息Ek以及车辆是否违章信息Gk。
[0021] 对以上信息整理分类,进一步设定出以下的误判信息:
[0022] Gk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。
[0023] Ak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。
[0024] Bk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。
[0025] Ck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。
[0026] Dk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。
[0027] Ek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。
[0028] 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Ak、Bk、Ck、Dk、Ek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。
[0029] 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Gk={G1,G2}={1,2},是否避让特殊车辆信息Ak={A1,A2,A3}={1,2,3}、交通信号灯是否故障信息Bk={B1,B2}={1,2},是否避让故障车或路障信息Ck={C1,C2,C3}={1,2,3},交通信号灯与现场交警指挥是否一致信息Dk={D1,D2,D3}={1,2},车牌是否被套用信息Ek={E1,E2}={1,2}。
[0030] 表1时间断内的初始数据训练集
[0031]Gk Ak Bk Ck Dk Ek
1 1 1 1 1 1
1 1 1 1 1 2
1 1 1 1 2 1
… … … … … …
。
[0032] 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。
[0033] 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(Ak/Gk)、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(Bk/Gk)、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(Ck/Gk)、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(Dk/Gk)、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(Ek/Gk)、车辆是否违章节点G的先验概率分布Pf(Gk),车辆是否违章节点G包含两种结果{G1,G2},则先验概率Pf(G)具体包括2个,分别为Pf(G1)和Pf(G2)。同理,条件概率分布P(Ak/Gk)具体包括2个,分别为P(Ak/G1)和P(Ak/G2);条件概率分布P(Bk/Gk)包括P(Bk/G1)和P(Bk/G2);条件概率分布P(Ck/Gk)包括P(Ck/G1)和P(Ck/G2);条件概率分布P(Dk/Gk)包括P(Dk/G1)和P(Dk/G2);条件概率分布P(Ek/Gk)包括P(Ek/G1)和P(Ek/G2)。
[0034] 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:
[0035] 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Ak、交通信号灯是否故障信息Bk,是否避让故障车或路障信息Ck,交通信号灯与现场交警指挥是否一致信息Dk,车牌是否被套用信息Ek。
[0036] 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(Ak),交通信号灯是否故障节点B的概率分布P(Bk),是否避让故障车或路障节点C的概率分布P(Ck),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(Dk),车牌是否被套用节点E的概率分布P(Ek)。结合车辆是否违章节点G的先验概率分布Pf(Gk)计算得到车辆是否违章节点G的后验概率分布:
[0037]
[0038]
[0039] 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,Pu(G1)表示车辆确实违章的后验概率,Pu(G2)表示违章车辆是误判的后验概率。
[0040] 对时间段内车辆违章误判识别的结果为:
[0041] 比较Pu(G1)和Pu(G2)的大小,若Pu(G1)≥Pu(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Pu(G1)
[0042] 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系统进行处理,对于误判车辆不录入违章系统。
[0043] 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。