(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210995518.8 (22)申请日 2022.08.19 (65)同一申请的已公布的文献号 申请公布号 CN 115063979 A (43)申请公布日 2022.09.16 (73)专利权人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 冯忠祥　代莉　张卫华　李靖宇　 郑玉冰　朱殿臣　 (74)专利代理 机构 北京圣州专利代理事务所 (普通合伙) 11818 专利代理师 黄青青 (51)Int.Cl. G08G 1/01(2006.01)G08G 1/0967(2006.01) G06V 20/58(2022.01) G06N 3/04(2006.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06V 20/40(2022.01) G06V 20/56(2022.01) 审查员 李亚琪 (54)发明名称 一种智能网联环境下的交通信息量化方法 及其系统 (57)摘要 本发明公开了一种智能网联环境下的交通 信息量化方法， 具体步骤如下： 步骤S1： 根据采集 到的视频提取交通信息源， 并将交通信息源进行 种类划分； 步骤S2： 通过实际观测和计算获得各 交通信息源的状态集和概率分布； 步骤S3： 采用 信息论量化交通信息源。 同时公开了一种智能网 联环境下的交通信息量化系统， 采用上述结构的 一种智能网联环境下的交通信息量化方法及其 系统， 将驾驶人驾驶过程的行车信息进行量化， 计算出信息量， 能将不确定的信息转化为确定的 信息， 提高驾驶效率， 帮助 驾驶人优化驾驶过程， 保障驾驶 安全。 权利要求书2页 说明书6页 附图3页 CN 115063979 B 2022.12.23 CN 115063979 B 1.一种智能网联环境下的交通信息量 化方法， 其特 征在于， 具体步骤如下： 步骤S1： 根据采集到的视频提取交通信息源， 并将交通信息源进行种类划分， 在步骤S1中， 交通信息源的种类包括交通 参与者、 车、 路以及环境； 划分的具体步骤如下： 步骤S11： 汽车摄像头实时采集图像， 并将采集到的图像发送至卷积神经网络模型中， 卷积神经网络模型包括卷积层和全连接层； 步骤S12： 将图像输入Resnet框架后， 进行Zeropad操作 并使用滑动窗口来处理场景图 像， 卷积层操作之后， 通过BN正则化操作， Relu激活函数， 最大池化操作， 对原始图像进行信 息特征提取； 步骤S13： 将提取的信息特征输入串联的两种不同的残差块， 残差块的输出进行 Average‑Pooling操作， 再将其进行 Flatten操作得到高级特 征； 步骤S14： 高级特征输入到全连接层中对图像进行分类， 得到交通参与者、 车辆、 道路和 背景环境的交通信息源； 步骤S2： 通过实际观测和计算获得各交通信息源的状态集和概率分布， 在步骤S2中， 根 据步骤S1获取的各个交通信息源， 通过实际观测得到每个信息源的状态集， 通过计算获得 概率分布， 设 是一个信息源的有限状态集， 令 ， 是该有限状态集S的一个 概率分布， 记状态 发生的概 率为 ； 步骤S3： 采用信息论 量化交通信息源， 在步骤S3中， 具体步骤如下： 步骤S31： 计算单个交通信息源的信息量， 在信息论中， 信息由交通信息源输出的， 交通信息源为 ， 另 记交通信息源 在发生状态 时的信息量 为 ， 计算公式如下： 信息熵可以表示交通信 息源的不确定程度， 用所有可能发生状态的信 息量的总体平均 值来表示， 信息熵与 交通信息源的不确定程度正相关， 交通信息源 的信息熵计算公式如 下： 当每个状态发出的信息概 率相等， 则 步骤S32： 计算驾驶场景的信息量， 计算公式如下： 其中， 为驾驶场景的交通信息源的个数； 驾驶场景的信息熵计算公式如下：权　利　要　求　书 1/2 页 2 CN 115063979 B 2。 2.一种基于上述权利要求1的一种智能网联环境下的交通信息量化方法的系统， 其特 征在于： 包括信息源提取设备、 处 理器以及存 储器， 所述信息源提取设备包括采集驾驶场景图像的摄像头和用于提取交通信息源识别的 卷积神经网络模型； 处理器用于计算交通信息源的状态概 率分布和交通信息量； 所述存储 器中存储有执行程序和各交通信息源的状态集及概 率分布。权　利　要　求　书 2/2 页 3 CN 115063979 B 3