本发明涉及人工智能，具体为一种基于人工智能的车辆行为识别开闸系统。
背景技术：
1、在现有的智能交通系统中，开闸控制是确保车辆有序通行的重要环节；然而，传统的开闸系统通常依赖于简单的感应设备或人工控制，难以应对复杂的交通状况和多变的环境条件；特别是在面对大量车辆通行时，这些系统常常无法准确识别和判断车辆的行为，导致误闸、错闸等现象，不仅影响交通效率，还存在一定的安全隐患。
2、随着人工智能技术的发展，越来越多的开闸系统开始引入智能化的决策机制，例如采用机器学习算法来分析和判断车辆行为；然而，现有技术中，这些系统在处理复杂天气中的复杂车辆行为的识别和合法性判断方面仍存在不足；传统的车辆行为识别算法通常只能处理单一类型的传感器数据，难以融合多源数据，导致识别精度不高，特别是在复杂天气或复杂路况下表现尤为明显；现有的开闸系统大多缺乏实时的学习和调整机制，无法根据不断变化的环境动态调整开闸。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种基于人工智能的车辆行为识别开闸系统，解决了如何在复杂环境下精准识别车辆行为，通过对车辆行为的判断而控制开闸的问题。
3、(二)技术方案
4、为实现以上目的，本发明通过以下技术方案予以实现：一种基于人工智能的车辆行为识别开闸系统，包括，
5、数据采集模块，用于整合监控设备采集的数据，通过对数据的整合，将数据传输到车辆行为分析模块；
6、车辆行为分析模块，基于数据采集模块整合的数据，采用gau-yolov5模型提升车辆图像质量，并识别复杂的车辆行为；
7、行为合法性判断模块，用于根据所述车辆行为分析模块识别出的车辆行为，结合当前交通规则和环境条件进行合法性和合理性判断；
8、智能决策模块，基于行为合法性判断模块结果，通过强化学习算法优化闸门控制策略，自动判定是否开闸或延迟开闸。
9、优选的，数据采集模块通过监控设备收集车辆的行为数据，其中监控设备包括摄像头、红外传感器和激光雷达；其中摄像头提供高分辨率的视觉数据，激光雷达捕捉环境的三维点云数据，红外传感器则在低光或恶劣天气条件下采集热成像数据；该模块对所有监控设备数据进行时间同步，将同一时刻采集的数据组合在一起，消除时间上的偏差；数据采集模块对各类数据进行去噪和预处理；对于激光雷达数据，去除杂散点；对于摄像头视觉数据，消除模糊或光线干扰噪声；该模块根据需求调整数据的分辨率，将图像、三维点云数据标准化为一致的分辨率，数据采集模块将不同传感器的原始数据转换为统一的处理格式，如将视频数据转换为帧图像，点云数据转换为二维或三维矩阵，以便后续处理；在完成预处理后，数据采集模块使用数据融合技术将来自不同监控设备的数据进行整合处理，形成一个统一的数据集；通过特征级融合，将红外图像的热力特征与激光雷达的距离信息结合；数据采集模块将融合后的数据传输到车辆行为分析模块。
10、优选的，数据融合技术通过数据集中的关键特征，包括摄像头的视觉特征、激光雷达的三维空间特征和红外传感器的热力特征；关键特征通过特征融合算法被合并在一起，并将这些特征转换为统一格式和尺度；特征融合阶段，系统采用特征拼接方式，根据判断车辆行为的数据特征重要性分配权重，实现不同特征的有效整合；将标准化后的特征按照权重进行拼接，创建一个统一的特征，其中每个特征的贡献与其权重成比例；例如，如果有两个特征a和b，权重分别为wa和wb，那么拼接后的特征可以表示为：featurevector＝[wa*a,wb*b]；融合后的特征通过gau-yolov5模型进行处理。
11、优选的，车辆行为分析模块通过gau-yolov5提升图像质量并识别车辆的行为；将gan生成器的中间特征层融入到yolov5的特征提取网络中，为yolov5提供更丰富的上下文信息和高质量特征图，增强其对车辆图像的理解和识别能力；通过特征级联融合技术，gan生成器的相应层与yolov5的每一层卷积网络之间进行跨层连接，进一步提升yolov5对图像局部特征和全局特征的理解，特别是在复杂天气条件下的车辆行为检测；gan的判别器通过对生成图像的质量进行评估，提供反馈信息给yolov5的检测模块，帮助其在目标检测中识别出关键特征，并进行优先处理，在训练过程中，通过联合损失函数优化，gan的判别器和yolov5共享同一个损失函数，该损失函数综合生成损失、判别损失和yolov5的检测损失，通过反向传播实现对gan生成质量和yolov5检测性能的同时改进；利用gan生成器提供的高质量特征图，yolov5通过高质量特征图识别更为清晰的特征判断车辆的动态行为，包括急刹车、逆行、变道；结合判别器提供的图像真实性判断，yolov5进一步提高对车辆行为的判断精度；在识别出车辆的复杂行为后，通过yolov5与gan的判别器联动，对车辆行为的合理性和合法性进行联合评估
12、优选的，行为合法性判断模块接收自车辆行为分析模块的输出，行为合法性判断模块将车辆行为与交通规则进行匹配；若车辆的行驶速度超过道路的标准，模块标记该行为为非法；对环境状况进行分析，环境状况包括当前的天气状况、道路状况、周围车辆的密度和行驶状况；环境数据通过监控设备获取，并输入到合法性判断模块中；环境条件的分析使系统更好地理解在复杂环境下某些行为是否合理；行为合法性判断模块通过逻辑推理和条件判断的方式，对每一条行为数据进行逐步验证；对于每一种车辆的行为，行为合法性判断模块生成一个合法性和合理性评分，基于评分与交通规则和环境条件的匹配程度，生成行为合法性判断模块的决策结果，决策结果包括具体行为的合法性标记和合理性评估报告，这些结果将作为输入给后续的智能决策模块，用于进一步的动作决策。
13、优选的，智能决策模块接收来自车辆行为分析模块的决策结果，智能决策模块将决策结果转化为强化学习算法的观测状态，观测状态反映当前交通环境和车辆行为的综合情况；智能决策模块中的智能体根据观测状态，依据预定义的策略选择一个动作，其中动作为开闸或延时开闸的决策；智能体根据选择的动作，执行相应的闸门控制操作，并观察由此产生的结果，例如交通流畅度、车辆等待时间等；观察结果被转化为奖励信号，反馈给智能体，奖励信号的设计旨在鼓励智能体选择能够提高交通效率、保障安全的动作；智能体利用这些奖励信号来更新其策略，通过强化学习算法不断优化策略，使得长期累积奖励最大化；随着时间的推移，智能决策模块通过不断的学习和策略更新，使其在不同情况下作出最合适的闸门控制决策；智能决策模块通过实时分析车辆行为和环境状况，快速做出是否开闸的决策。
14、(三)有益效果
15、本发明提供了一种基于人工智能的车辆行为识别开闸系统，具备以下有益效果：
16、1、本发明通过采用gau-yolov5模型能够有效提升在复杂环境下的车辆图像质量和行为识别的精度，特别是在恶劣天气和复杂交通条件下，显著减少了识别误差。
17、2、本发明的数据采集模块能够整合来自摄像头、激光雷达和红外传感器的多源数据，通过数据融合，全面获取车辆的各类行为特征，增强了系统对车辆行为的全面感知能力。
18、3、本发明通过对复杂天气中的车辆进行行为分析，根据车辆的行为判断合理性与合法性，使系统通过车辆行为的合理性与合法性进行开闸控制，提高了交通的整体智能化管理水平，增强了交通安全性，优化了交通的顺畅度，并在复杂天气条件下提升了交通控制的有效性。
1.一种基于人工智能的车辆行为识别开闸系统，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的车辆行为识别开闸系统，其特征在于：所述数据采集模块通过监控设备收集车辆的行为数据，其中监控设备包括摄像头、红外传感器和激光雷达；其中摄像头提供高分辨率的视觉数据，激光雷达捕捉环境的三维点云数据，红外传感器则在低光或恶劣天气条件下采集热成像数据；数据采集模块对所有监控设备数据进行时间同步，将同一时刻采集的数据组合在一起，消除时间上的偏差；数据采集模块对各类数据进行预处理；对于激光雷达数据，去除杂散点；对于摄像头视觉数据，消除模糊或光线干扰噪声；数据采集模块根据gau-yolov5模型需求调整数据的分辨率，将图像、三维点云数据的分辨率标准化，数据采集模块将不同监控设备的原始数据转换为统一的处理格式；在完成预处理后，数据采集模块使用数据融合将来自不同监控设备的数据进行整合处理，形成一个数据集；数据采集模块将融合后的数据集传输给车辆行为分析模块。
3.根据权利要求2所述的一种基于人工智能的车辆行为识别开闸系统，其特征在于：所述数据融合通过提取数据集的关键特征，关键特征包括摄像头的视觉数据中的视觉特征、激光雷达中三维点云数据的三维空间特征和红外传感器中热成像数据的热力特征；关键特征通过特征融合算法被合并在一起，并将数据的关键特征转换为统一格式和尺度；特征融合阶段，系统采用特征拼接方式，根据判断车辆行为的数据特征重要性分配权重，实现不同特征的有效整合。
4.根据权利要求3所述的一种基于人工智能的车辆行为识别开闸系统，其特征在于：所述车辆行为分析模块将融合后的特征输入到gau-yolov5模型进行处理，通过gau-yolov5提升图像质量并识别车辆的行为；将gan的生成器的中间特征层融入到yolov5的特征提取网络中，为yolov5提供更丰富的上下文信息和高质量特征图，增强其对车辆图像的理解和识别能力；gan的生成器的卷积层与yolov5的每一层卷积网络之间进行跨层连接，进一步提升yolov5对图像局部和全局特征的理解，特别是在复杂天气条件下的车辆行为检测；gan的判别器通过对生成图像的质量进行评估，提供反馈信息给yolov5的检测模块，帮助yolov5检测识别关键特征，并进行优先处理。
5.根据权利要求4所述的一种基于人工智能的车辆行为识别开闸系统，其特征在于：利用gan的生成器提供的高质量特征图，yolov5进入车辆行为识别阶段，在这一阶段，yolov5通过其检测头对提取到的高质量特征图进行处理，生成预测框和置信度分数，用于识别和定位图像中的车辆行为，并输出车辆的行为，其中预测框用于表示车辆的位置和范围，置信度分数介于0-1之间，表示gau-yolov5模型对于预测框内包含车辆行为的确定程度；yolov5在预测过程中，通过分析高质量特征图中的局部和全局特征来判断车辆的行为；在识别出潜在的复杂的车辆行为后，yolov5进一步结合gan判别器的反馈进行行为的精度提升；gan的判别器评估生成的特征图和识别结果的真实性和一致性，通过gan的判别器，yolov5排除由于图像噪声或其他干扰导致的误判。
6.根据权利要求5所述的一种基于人工智能的车辆行为识别开闸系统，其特征在于：所述行为合法性判断模块接收自车辆行为分析模块的输出，行为合法性判断模块将车辆的行为与交通规则进行匹配；若车辆的行驶速度超过道路的标准，行为合法性判断模块标记该行为为非法；对环境状况进行分析，环境状况包括当前的天气状况、道路状况、周围车辆的密度和行驶状况；环境数据通过监控设备获取，并输入到合法性判断模块中；行为合法性判断模块通过逻辑推理和条件判断的方式，对每一个车辆的行为进行逐步验证；对于车辆的每一种行为，行为合法性判断模块生成一个合法性和合理性评分，基于评分与交通规则和环境条件的匹配程度，生成行为合法性判断模块的决策结果，决策结果包括具体行为的合法性标记和合理性评估报告。
7.根据权利要求6所述的一种基于人工智能的车辆行为识别开闸系统，其特征在于：所述智能决策模块接收来自车辆行为分析模块的决策结果，并将其转化为强化学习算法的观测状态，观测状态反映当前交通环境和车辆行为的综合情况；智能决策模块中的智能体根据观测状态，依据预定义的开关闸策略选择一个动作，其中动作包括开闸、关闸或延时开闸的决策；智能体根据选择的动作，执行相应的闸门控制操作，并观察由此产生的结果；这些观察结果被转化为奖励信号，反馈给智能体；通过累计奖励信号使智能体选择最合适的闸门控制决策；智能决策模块通过自动化的闸门控制，实时分析车辆行为和交通状况，快速做出是否开闸的决策。
