CN119445503B 基于机器视觉的路况监控识别方法、装置、设备及介质 （上海中中龙达智能科技有限公司）

路1800号3号楼21335室(上海泰和经基于机器视觉的路况监控识别方法、装置、征向量通过特征映射和知识图谱增强进行语义2对所述路况特征向量通过特征映射和知识图谱增强进行语义解析，得到路况属性集，对所述路况属性集进行多层次风险量化和时空传播仿真，得到分级预警对所述分级预警指标和风险分布图进行多目标权衡和因果链推理，得到自适应对所述道路环境中的可见光场景进行高分辨率扫描，得到高清图像流对所述道路环境进行三维激光扫描，得到激光点云，并通过毫米对所述空间一致性数据进行数据清洗和异常值检测，得到预处理数对所述原始数据集中的各个数据流进行时间序列分析，得到时间戳对所述规整后的时间序列进行插值处理，得到统一采样率的数据序列对所述时间窗口数据集中的各个数据模态进行特征提取，得到多模态通过多模态特征融合算法对所述归一化特征集进行跨模态特征融合，通过空间相关性分析算法对所述时序特征矩阵进行空间关系分析3通过高斯金字塔算法对所述时空特征张量进行多尺度分解，得到多尺度特征金字塔，并通过拉普拉斯金字塔算法对所述多尺度特征金字塔进行差分处理，得到多尺度差分特对所述多尺度差分特征通过卷积运算进行特征增强，得到增强特征图对所述压缩特征表示通过非线性激活函数进行特征变换，得到激对所述融合特征表示通过注意力机制进行关键信息提取，得到注意对所述路况特征向量通过特征映射算法进行语义空间投影，得到语义对所述初步语义类别通过知识图谱匹配算法进行概念对齐，得到语义对所述语义关系网络进行路面类型识别，得到路面类型，并对所述对所述语义关系网络进行路面附着物识别，得到附着物分布，对所述路况属性集进行风险因子识别，得到风险因子集，并对所述对所述加权风险因子通过多层次分析法进行层次化处理，得到风险层对所述分级风险指标通过时空插值算法进行空间分对所述风险传播模型进行多场景仿真，得到风险演变序列，并对所对所述风险概率图进行风险区域划分，得到所述分级预警指标，并分级预警指标和风险分布图进行多目标权衡和因果链推理，得到自适应交通调控指令集，对所述分级预警指标进行多目标函数构建，得到多目标优化问题，4通过帕累托最优化算法对所述带约束的优化问题进对所述风险分布图进行因果关系识别，得到因果图谱，并对所述因果通过因果干预分析算法对所述事件概率分布进行干8.一种基于机器视觉的路况监控识别装置，用于实现如权利要求1_7中任一项所述的融合模块，用于对所述原始数据集进行动态时间规整和多模提取模块，用于对所述时空特征张量进行多尺度金字塔分解和深度特征解析模块，用于对所述路况特征向量通过特征映射和知识图谱增强进仿真模块，用于对所述路况属性集进行多层次风险量化和时空推理模块，用于对所述分级预警指标和风险分布图进所述指令被处理器执行时实现如权利要求1_7中任一项所述的基于机器视觉的路况监控识5[0010]解析模块，用于对所述路况特征向量通过特征映射和知识图谱增强进行语义解6[0012]推理模块，用于对所述分级预警指标和风险分布图进行多目标权衡和因果链推7了原始数据中的关键信息。对路况特征向量通过特征映射和知识图谱增强进行语义解析，8风险分布图。多层次风险量化考虑了不同属性对道路安全的影响程度，通过层次分析法雷达数据以及每秒更新的温湿度等环境参数。通过动态时间窗口法将这些数据对齐到1秒9移动目标进行探测，得到毫米波雷达数据。毫米波雷达工作频率为77GHz，距离分辨率为戳对齐算法采用线性插值方法，将所有数据流对齐到统一的时间轴上，时间分辨率为光雷达以10Hz的频率扫描道路环境，每次扫描获得约13万个空间点。77GHz毫米波雷达每[0044]数据清洗阶段，剔除了激光点云中反射率低于5％的无效点填充了由于遮挡导致的红外图像局部空缺(约占的路面问题。多模态特征提取将清洗后的数据输入到预训练的深度神经网络中，提取出[0049](4)通过多模态特征融合算法对归一化特征集进行跨模态特征融合，得到融合特[0050](5)通过空间相关性分析算法对时序特征矩阵进行空间关系分析，得到时空特征而得到固定时间间隔的数据点。统一采样率通常设定为所有数据流中最高采样率的公约段采用滑动窗口技术，窗口大小根据具体应用需求设定，通常为1_10秒，窗口重叠率为[0055]对融合特征向量进行ACF和PACF分析，识别出特征序列中存在明显的15分钟周期[0057](1)通过高斯金字塔算法对时空特征张量进行多尺度分解，得到多尺度特征金字融合采用跳跃连接(SkipConnection)的思想，将不同层级的特征图通过元素级加法或拼注对路况识别最为关键的区域和特征。具体实现可采用自注意力(Self_Attention)机制，[0071](5)通过属性聚合算法对路面类型、损伤状态、附着物分布和交通流参数进行整程使用余弦相似度计算初步语义类别与知识图谱中概念的相似度，选择相似度最高的概念进行语义关系构建，得到语义关系网络。关系构建基于知识图谱中预定义的关系类型，如进行路面类型识别，得到路面类型。路面类型识别采用图卷积网络(GCN)处理语义关系网络，利用节点特征和拓扑结构进行分类。GCN的输出经过softmax函数得到各路面类型的概况特征向量通过预训练的Word2Vec模型映射为300维语义向量。K_means聚类(K＝10)将语是B向量t件和参数设置，如天气变化、交通流量波动等。[0102](3)对风险分布图进行因果关系识别，得到因果图谱，并对因果图谱进行概率推如何影响车辆制动距离，进而影响事故发生概率。因果图谱以有向无环图(DAG)的形式表h)计算出未来4小时内各路段的事故概率[0111]因果干预分析评估了多种措施，如在高风险路段(10_20km和60_70km)降低限速[0116]解析模块204，用于对所述路况特征向量通过特征映射和知识图谱增强进行语义[0118]推理模块206，用于对所述分级预警指标和风险分布图进行多目标权衡和因果