本發(fā)明涉及智能交通，尤其涉及一種基于深度學習模型的公共交通安全管理方法及系統(tǒng)。

背景技術：

1、隨著科技的發(fā)展，視頻分析技術、人工智能應用技術以及圖像處理與計算機視覺技術在各個領域得到了廣泛的應用。在交通領域，這些技術被用于監(jiān)控道路狀況、分析駕駛員行為、預測交通事故等。同時，在公共交通領域，這些技術也被用于優(yōu)化車輛調度、提高乘客服務質量等方面。其中，駕駛員行為識別、車廂客流密度分析、車廂遺留物及清客是公共交通領域中的重要研究方向?，F(xiàn)有的技術主要是通過在車廂內安裝攝像頭，對車廂內的視頻進行實時監(jiān)控，然后通過人工或者智能算法對監(jiān)控視頻進行分析，以實現(xiàn)駕駛員行為識別、車廂客流密度分析、車廂遺留物及清客等功能。例如，可以通過深度學習算法對駕駛員的行為進行識別，判斷駕駛員是否疲勞駕駛、是否遵守交通規(guī)則等。然而，現(xiàn)有的技術在實際應用中還存在一些問題。首先，現(xiàn)有的人工智能算法在處理復雜場景下的視頻時，可能會出現(xiàn)識別準確率不高的問題。其次，現(xiàn)有的技術在對車廂客流密度進行分析時，可能會受到光照條件、乘客遮擋等因素的影響，導致分析結果的準確性降低。

2、中國專利申請?zhí)枺篶n202010112145.6公開了一種用于地鐵系統(tǒng)中的工程車的行車安全監(jiān)控系統(tǒng)，其包括彼此通信連接的車載子系統(tǒng)和地面子系統(tǒng)，其中，地面子系統(tǒng)包括多個地面定位設備和地面運行防護模塊，用于采集線路部分的atc信息并遠程監(jiān)控工程車的地面運行防護模塊。車載子系統(tǒng)包括車載定位模塊以及用于通過采集工程車的車載狀態(tài)信息并計算確定工程車的真實位置及生成移動授權信息及移動模式曲線的車載運行防護模塊。根據本發(fā)明的用于地鐵系統(tǒng)中的工程車的行車安全監(jiān)控系統(tǒng)，有助于實現(xiàn)對地鐵工程車的遠程監(jiān)控管理以及提高地鐵工程車的安全防護能力，同時還提高了工程車的作業(yè)和維護管理能力，及其運行的安全性和可靠性。由此可見，所述用于地鐵系統(tǒng)中的工程車的行車安全監(jiān)控系統(tǒng)存在以下問題：采集的車廂內狀況及駕駛人員狀態(tài)等信息易受光照、遮擋等因素影響，導致針對車輛行駛過程中的安全性的分析準確度不足。

技術實現(xiàn)思路

1、為此，本發(fā)明提供一種基于深度學習模型的公共交通安全管理方法，用以克服現(xiàn)有技術中采集的車廂內狀況及駕駛人員狀態(tài)等信息易受光照、遮擋等因素影響，導致針對車輛行駛過程中的安全性的分析準確度不足的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供一種基于深度學習模型的公共交通安全管理方法。包括：

3、步驟s1、基于車外參照物周期性監(jiān)測車輛位置，根據車輛位置確定車輛的移速；

4、步驟s2、根據車輛的移速分析車輛是否符合安全標準，并在初步判定車輛不符合安全標準時基于車內人數對車輛是否符合安全標準進一步分析，或，監(jiān)測駕駛人員的工作狀態(tài)；

5、步驟s3、算法模塊將駕駛人員當前的輪廓特征與正常工作狀態(tài)下的輪廓特征進行比對，并根據比對結果分析駕駛人員的工作狀態(tài)；

6、步驟s4、所述算法模塊在分析駕駛人員的工作狀態(tài)不合格時降低車速并發(fā)出警報指令。

7、進一步地，監(jiān)控模塊周期性監(jiān)測車輛位置，算法模塊基于當前時間節(jié)點處的位置和前一時間節(jié)點處的位置計算車輛在該時間區(qū)間內的平均移速判定車輛是否符合安全標準，

8、算法模塊在判定車輛符合安全標準時持續(xù)監(jiān)測；

9、所述算法模塊判定基于車內人數對所述車輛是否符合安全標準進行二次判定；

10、所述算法模塊在判定所述車輛不符合安全標準時啟動所述車內監(jiān)控單元監(jiān)測駕駛人員的工作狀態(tài)。

11、進一步地，所述算法模塊根據采集的乘客的輪廓特征確定車內人數，并根據車內人數判定所述車輛是否符合安全標準，

12、在初步判定車輛不符合安全標準時判定其不符合安全標準的原因為光線問題，或，啟動車內監(jiān)控單元監(jiān)測駕駛人員的工作狀態(tài)。

13、進一步地，所述算法模塊在判定車輛不符合安全標準的原因為光線問題時基于所述車內人數設有若干針對圖像亮度的調節(jié)方式，且各調節(jié)方式針對圖像亮度的調節(jié)幅度均不相同。

14、進一步地，所述算法模塊在判定啟動所述車內監(jiān)控單元檢測駕駛人員的工作狀態(tài)時基于采集的駕駛人員的特征輪廓與算法模塊中預設輪廓的相似度判定駕駛人員的狀態(tài)是否合格，

15、算法模塊在判定駕駛人員的狀態(tài)合格時基于當前車輛與前一班車輛的距離對車速進行調節(jié)；

16、所述算法模塊在初步判定駕駛人員的狀態(tài)不合格時判定根據所述特征輪廓的分布情況對所述駕駛人員的狀態(tài)是否合格進行二次判定，或，基于車輛參數與相似度差值對車速進行修正。

17、進一步地，所述算法模塊在判定駕駛人員的狀態(tài)合格時根據當前車輛與前一班車輛的距離設有若干針對車輛當前車速閾值的調節(jié)方式，且各調節(jié)方式針對車速閾值的調節(jié)幅度均不相同。

18、進一步地，所述算法模塊根據所述輪廓特征的分布情況判定是否符合標準修正標準，

19、并在判定符合標準修正標準時選用標準修正系數將第一預設相似度調節(jié)至對應值。

20、進一步地，所述算法模塊基于車輛重量m與所述相似度差值q計算車速評價值z，設定車速評價值z＝m×m/m0+q×q/q0，其中m為車重權重系數，q為相似度權重系數，m+q＝1，m0為預設車輛重量，q0為預設相似度差值，算法模塊根據車速評價值設有若干針對當前車速的修正方式，且各修正方式針對當前車速的修正幅度均不相同。

21、本發(fā)明提供一種基于深度學習模型的公共交通安全管理系統(tǒng)。包括：

22、監(jiān)控模塊，其包括車內監(jiān)控單元與車外監(jiān)控單元；

23、算法模塊，其與所述監(jiān)控模塊相連，用以根據監(jiān)控模塊的監(jiān)控數據對車輛的安全狀況以及駕駛人員的狀態(tài)進行分析，并在判定車輛的安全狀況不合格時將對應的參數調節(jié)至對應值；

24、應用模塊，其與所述算法模塊相連，用以根據算法模塊的分析結果執(zhí)行對應的指令；

25、上位機，其與所述監(jiān)控模塊相連，用以接收監(jiān)控模塊的傳輸數據。

26、與現(xiàn)有技術相比，本發(fā)明的有益效果在于，本發(fā)明中根據車速初步分析車輛的安全狀況，并在車速較快時根據車內人數進一步分析，提高了對車輛狀況的控制精度，提高了分析車輛狀況的準確度，在車速過快時檢測駕駛人員的工作狀態(tài)，提高了對駕駛人員的工作狀態(tài)的控制精度，提高了分析效率。

27、進一步地，本發(fā)明中基于采集的輪廓特征與標準的乘客的輪廓特征進行比對，并根據二者的相似度確定是否為乘客的輪廓，進一步確定車廂內人數，提高了針對車廂內狀況的控制精度，進一步提高了分析準確度。

28、進一步地，本發(fā)明中將采集的駕駛人員當前的圖像中的特征輪廓與正常工作狀態(tài)下的特征輪廓進行比對，根據兩者的相似度確定駕駛人員的工作狀態(tài)，提高了對駕駛人員的工作狀態(tài)的控制精度，提高了分析效率，當前車輛與前一班車輛的距離越短，追尾風險越大，基于兩者的距離調節(jié)車速，保證了行駛過程的安全性。

29、進一步地，本發(fā)明中根據駕駛人員的輪廓特征的在預設輪廓特征中的分布情況分析駕駛人員的工作狀態(tài)，若分布集中判定存在遮擋，提高了分析準確度。

30、進一步地，本發(fā)明中車越重，慣性越大，安全性越低，基于車輛自身重量與車內人數綜合確定車輛的慣性，根據慣性將車速降低至對應值，保證了車輛的安全性。