本发明涉及道路测评，具体为一种基于智能识别算法的智能测评系统。
背景技术：
1、道路测评，也称为交通评价，是对交通系统达到其目标程度的估价过程；这一过程包括明确评价目的、建立指标体系、建立评价模型以及进行综合评价；由于评价目的不同，评价对象也会有所不同，因此评价指标和模型也会相应变化。
2、行驶道路的设计是确保交通安全、提高通行效率以及满足环境和社会需求的关键环节；因此需要保证行驶道路的平整，并且减少障碍物出现在行驶道路上；但是在行驶道路中，随着时间的推移和各种交通工具的行驶，行驶道路上会出现不平整的情况，变形严重的可能会对经过的行人和车辆造成危险。
技术实现思路
1、本发明的目的在于提供一种基于智能识别算法的智能测评系统，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：一种基于智能识别算法的智能测评系统，智能测评系统包括异常关联分析模块、关联调整分析模块、风险评估模块和实时预警模块；
3、所述异常关联分析模块，用于建立一个道路测评系统，对各段道路的拍摄情况和车辆行驶状况进行存储，生成各段道路的测评日志；获取某段道路的历史测评日志中拍摄得到的照片和车辆行驶状况，对照片中呈现的异常情况进行识别，得到照片中所述某段道路的异常情况与车辆行驶状况之间的关联系数；
4、所述关联调整分析模块，用于获取道路测评系统中任意两个历史测评日志，比较所述两个历史测评日志中照片所呈现的异常情况和车辆行驶状况；根据所述两个历史测评日志之间的差异程度，对关联系数进行动态调整，得到适用于任意一条道路的综合关联系数；
5、所述风险评估模块，用于构建一个道路风险评估模型，根据任意一段道路的测评日志中照片所呈现的异常情况和车辆行驶状况，计算得到照片所呈现的异常情况对应的风险值；分析道路测评系统中各个测评日志中的车辆行驶状况，得到所述任意一段道路出现异常的风险阈值；
6、所述实时预警模块，用于实时拍摄某段道路的照片，分析所述某段道路的照片中所呈现的异常情况，计算得到所述异常情况对应的风险值；将计算得到的风险值与风险阈值进行比较，判断是否对所述某段道路进行风险预警。
7、进一步的，异常关联分析模块包括测评记录生成单元、道路异常分析单元和关联系数计算单元；
8、所述测评记录生成单元，用于任意选取一段道路，每隔一个时间段对所述道路进行拍摄，并对所述道路在各个时间段中的车辆行驶状况进行记录，其中，一个时间段的两个时间端点均为拍摄时间点；将一个时间段中的车辆行驶状况与所述单位周期中的前一个拍摄时间点拍摄的照片进行整合，生成所述道路的测评日志中的一条测评记录；
9、所述道路异常分析单元，用于任意获取所述测评日志中的相邻两条测评记录，分别对所述两条测评记录中的拍摄的照片进行图像识别，分析两张照片之间所呈现的差异情况，得到所述两条测评记录中，后一条测评记录中照片中呈现的道路异常情况；
10、所述关联系数计算单元，用于分析所述测评日志中，各条测评记录中记录的车辆行驶状况和照片中所呈现的异常情况之间的关系，得到车辆行驶状况与异常情况之间的关联系数。
11、进一步的，道路异常分析单元，包括：
12、获取所述测评日志的第i条测评记录的照片pi，利用图像识别技术对照片pi中的特征信息进行提取，得到若干个特征点，并确定每一个特征点在照片pi中的坐标位置；获取第i+1条测评记录的照片pi+1，确定照片pi+1中的若干个特征点和每一个特征点在照片pi+1中的坐标位置；分别从两张照片中提取一个特征点进行相似度比对，将相似度超过设定的相似度阈值的两个特征点设定为相同特征点，得到照片pi和照片pi+1之间的相同特征点集合；虽然照片的拍摄角度相同，但可能受到其他因素干扰导致相邻拍摄的照片位置不一致，因此需要对两张照片进行校准后，才能够帮助后续寻找差异增加准确度；
13、获取相同特征点集合中，第a个相同特征点在照片pi中的坐标位置和在照片pi+1中的坐标位置，计算第a个相同特征点在两张图片间的距离；设定所有相同特征点中，在两张图片间的最小距离为dmin，选取距离为dmin的一个相同特征点作为照片pi和照片pi+1的参照特征点，将照片pi进行移动使得两张照片的参照特征点进行重合，对照片pi和照片pi+1进行重合；
14、将照片pi+1的若干个特征点中，不属于相同特征点集合的特征点设定为异常特征点；并在照片pi和照片pi+1重合后，获取相同特征点集合中第a个相同特征点在两张图片间的距离为若则将第a个相同特征点设定为异常特征点；获取每个异常特征点在图片pi+1中的轮廓信息，确定每个特征点在图片pi+1中的面积占比；
15、对相邻两张照片中存在差异的特征点进行分析，能够有效得到存在差异的地方，而存在差异的地方就是道路存在异常的地方；异常特征点包括了后一张照片中存在的特征点不在前一张照片中，则说明后一张照片中存在异常特征点。
16、进一步的，关联系数计算单元，包括：
17、获取所述测评日志的第i+1条测评记录中，在第i+1个时间段中各车辆的行驶轨迹；当存在某车辆行驶轨迹与第a个异常特征点的轮廓相交时，获取所述某车辆在相交前的行驶速度为v和相交后的最低行驶速度为(vmin)a，计算得到第a个异常特征点对所述某车辆的影响程度为fa＝|v-(vmin)a|/v；通过车辆行驶速度的变化去反映异常特征点对车辆的影响程度是最直接、有效的；
18、获取第a个异常特征点对各车辆的影响程度，按照影响程度的数值从大到小进行排序；设定数量占比阈值，对影响程度按照顺序进行提取使得提取的影响程度数量满足数量占比阈值；对提取得到的影响程度进行平均值计算得到第a个异常特征点对经过车辆的平均影响程度为获取在照片pi+1中呈现的各个异常特征点对经过车辆的平均影响程度，计算得到照片pi+1中呈现的所有异常特征点对经过所述道路的车辆的综合影响程度为其中，n为照片pi+1中呈现的异常特征点的数量；
19、获取提取的影响程度占所有影响程度的数量占比为ra，根据公式：
20、
21、其中，si+1为照片pi+1中呈现的异常特征点的面积占比，b为正整数，b∈(1,n)且b≠a，gi+1为照片pi+1中呈现的异常特征点与所述道路的车辆行驶状况之间的关联系数；计算得到关联系数gi+1；获取所述测评日志中各条测评记录的关联系数，得到所述道路的异常情况与车辆行驶状况之间的平均关联系数g。
22、进一步的，关联调整分析模块包括区别分析单元和关联系数调整单元；
23、所述差异获取单元，用于分别获取任意两段道路的测评日志，根据其中一个测评日志中照片所呈现的异常特征点和车辆行驶状况，得到对应道路的综合关联系数；根据所述其中一个测评日志的综合关联系数和另一个测评日志中照片所呈现的异常特征点，得到所述另一个测评日志对应道路的理论车辆行驶状况；并对所述另一个测评日志对应道路的实际车辆行驶状况进行获取；对理论车辆行驶状况和实际车辆行驶状况进行差异比对；
24、所述关联系数调整单元，用于根据理论车辆行驶状况和实际车辆行驶状况的差异比对情况，对综合关联系数进行调整。
25、进一步的，差异获取单元包括：
26、设定选取第p个测评日志中记录，得到第p个测评日志的综合关联系数为gp；获取第q个测评日志的第i条测评记录中，存储的照片中所呈现的异常特征点的面积占比为si和异常特征点的数量ni；提取在第i条测评记录中记录的车辆行驶状况，计算得到经过第q个测评日志对应道路的车辆的理论影响程度fi；
27、获取第i条测评记录中每一个异常特征点对经过各车辆的平均影响程度，计算得到第i条测评记录中的照片呈现的所有异常特征点对经过的车辆的实际影响程度为f'i；得到影响差异程度δi＝|fi-f'i|/fi；对第q个测评日志中的每条测评记录的影响差异程度进行获取，得到第q个测评日志的影响差异程度δq；
28、设定差异程度阈值δmax，若δq>δmax，则对综合关联系数gp进行异常标记；
29、使用之前求得的关联系数去计算其他道路的影响程度，结果导致与实际的影响程度之间存在差异，是因为在不同道路中，车流量不同，在车流量较小的情况下，人们会更加地关注道路的情况，则会导致关联系数发生变化，就会导致得到的影响程度差距较大。
30、进一步的，关联系数调整单元，包括：
31、获取所述第q个测评日志的第i条测评记录中，在第i个时间段中经过的车辆数量为mi；获取第i条测评中照片所呈现的异常特征点，确定每一个异常特征点在道路中所处的异常区域；统计各车辆的行驶轨迹与第a个异常区域相交的车辆数量为(mi)a；
32、获取所述第q个测评日志的第i条测评记录中，所有异常特征点在照片中呈现的面积占比为si，根据公式：
33、
34、其中，为所述第q个测评日志的第i条测评记录中的异常特征点数量，f'i为第i条测评记录中的照片呈现的所有异常特征点对经过的车辆的实际影响程度，fi为经过第q个测评日志对应道路的车辆的理论影响程度，gp为综合关联系数，g'为调整后的综合关联系数；计算得到调整后的综合关联系数g'；
35、考虑到道路中车流量的不同影响关联系数，对关联系数进行校准，有利于后续进行风险值计算能够更加地准确，使得对道路的异常程度判断更加地准确。
36、进一步的，风险评估模块包括风险值计算单元和风险阈值设定单元；
37、所述风险值计算单元，用于获取某段道路的测评日志的任意一条测评记录中存储的照片和单位时间内的车流量；提取所述照片中呈现的若干个异常特征点，根据所述若干个异常特征点在所述照片中的面积占比，结合单位时间内的车流量，计算得到所述某段道路在所述测评记录中的风险值；
38、所述风险阈值设定单元，用于获取每一段道路的测评日志中，每一条测评记录的风险值；获取任意一条测评记录中，某车辆的行驶轨迹与任意一个异常特征点的轮廓相交时，所述某车辆的最低行驶速度为0时，则将所述测评记录的风险值作为参考风险值；选取所有参考风险值中，数值最小的一个参考风险值作为任意一段道路出现异常的风险阈值rmin。
39、进一步的，风险值计算单元，包括：
40、设定某段道路的测评日志中，第i条测评记录中存储的照片中属于异常特征点的异常区域的面积占比为si；获取在第i个时间段中经过所述某段道路的车辆数量为mi，设定第i个时间段的时长为ti，得到单位时间的车流量为li＝mi/ti；
41、根据公式：
42、ri＝si×(1+g′)×li
43、其中，g'为调整后的综合关联系数；计算得到第i条测评记录的风险值为ri。
44、进一步的，实时预警模块，包括：
45、获取道路测评系统中，距离当前时间点的时间间隔最短的一条最新测评记录；获取所述最新测评记录中拍摄到的照片，得到照片中属于异常特征点的异常区域的面积占比，并获取在最新测评记录中存储的一个时间段里的车流量，计算得到所述最新测评记录所对应的道路出现异常的风险值，若风险值超过设定的风险阈值，则对所述道路进行风险预警。
46、与现有技术相比，本发明所达到的有益效果是：(1)本发明通过对道路的平整情况进行有效分析，能够及时监测得到道路情况对来往车辆的行驶是否会产生风险，对存在异常的道路能够及时发现并进行解决；(2)本发明通过图像识别对道路的异常情况进行捕捉，并通过监控得到的车辆行驶状况，得到两者之间的关联情况，有利于后续能够通过拍摄到的照片对道路的异常情况进行直接分析，排除了之前只能在车辆行驶过程出现问题才能发现道路异常的情况，能够有效避免行驶问题的发生，有效提高了车辆行驶的安全性；(3)本发明考虑到不同区域下因为车流量不同，对道路的异常情况的关注情况不同，影响到车辆行驶出现异常的比例，对关联系数进行调整，帮助后续对道路的风险值的计算更加地准确，对道路的异常程度的判断也更加地精确。
1.一种基于智能识别算法的智能测评系统，其特征在于：所述智能测评系统包括异常关联分析模块、关联调整分析模块、风险评估模块和实时预警模块；
2.根据权利要求1所述的一种基于智能识别算法的智能测评系统，其特征在于：所述异常关联分析模块包括测评记录生成单元、道路异常分析单元和关联系数计算单元；
3.根据权利要求2所述的一种基于智能识别算法的智能测评系统，其特征在于：所述道路异常分析单元，包括：
4.根据权利要求3所述的一种基于智能识别算法的智能测评系统，其特征在于：所述关联系数计算单元，包括：
5.根据权利要求4所述的一种基于智能识别算法的智能测评系统，其特征在于：所述关联调整分析模块包括区别分析单元和关联系数调整单元；
6.根据权利要求5所述的一种基于智能识别算法的智能测评系统，其特征在于：所述差异获取单元包括：
7.根据权利要求6所述的一种基于智能识别算法的智能测评系统，其特征在于：所述关联系数调整单元，包括：
8.根据权利要求7所述的一种基于智能识别算法的智能测评系统，其特征在于：所述风险评估模块包括风险值计算单元和风险阈值设定单元；
9.根据权利要求8所述的一种基于智能识别算法的智能测评系统，其特征在于：所述风险值计算单元，包括：
10.根据权利要求9所述的一种基于智能识别算法的智能测评系统，其特征在于：所述实时预警模块，包括：
