本发明公开交通违章领域中的一种基于朴素贝叶斯网络的交通违章误判识别方法,从交通车辆管理系统数据库中收集违章车辆在违章时刻的前后一段时间内的车辆及路况信息,建立初始数据训练集,构建朴素贝叶斯网络违章车辆误判识别模型,确定出条件概率分布;然后获取当前时间段中的车辆及路况信息,将获取的车辆及路况信息作为模型的输入,获得后验概率,最后判别车辆是否的确违章;本发明将朴素贝叶斯网络模型运用到车辆违章误判识别中,是在电子警察判定车辆违章后,再次对其是否违章进行深度识别,不仅考虑到了违章车辆当前路况信息,同时还考虑到了违章时刻前后一段时间范围内的路况信息,对于违章误判识别具有更高的准确度。
1.一种基于朴素贝叶斯网络的交通违章误判识别方法,其特征是包括以下步骤:步骤一:从交通车辆管理系统数据库中收集违章车辆在违章时刻的前后一段时间内的车辆及路况信息,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,Gk包含车辆确实违章信息G1和车辆是误判信息G2;步骤二:根据步骤一中的所有信息建立初始数据训练集,构建朴素贝叶斯网络违章车辆误判识别模型,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;步骤三:确定出节点A和节点G的条件概率分布P(Ak|Gk)、节点B和节点G的条件概率分布P(Bk|Gk)、节点C和节点G的条件概率分布P(Ck|Gk)、节点D和节点G的条件概率分布P(Dk|Gk)、节点E和节点G的条件概率分布P(Ek|Gk)、节点G的先验概率分布Pf(Gk);节点G包含G1和,G2,先验概率Pf(G)包括Pf(G1)和Pf(G2),条件概率分布P(Ak|Gk)包括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);步骤四:采集违章时刻前后的车辆及路况图像信息,获取当前时间段中的车辆及路况信息,将获取的车辆及路况信息作为所述的朴素贝叶斯网络违章车辆误判识别模型的输入,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);计算出车辆是否违章节点G的后验概率分布Pu(G1)和Pu(G2),Pu(G1)是车辆确实违章的后验概率,Pu(G2)是违章车辆是误判的后验概率;步骤五:比较Pu(G1)和Pu(G2)的大小,若Pu(G1)≥Pu(G2),则违章车辆判定为确实违章;若Pu(G1)<Pu(G2),则判定此违章车辆为误判。
本文链接:http://www.vipzhuanli.com/tech/sell/s_2279362.html,转载请声明来源钻瓜专利网。