1.基于物联网的智能交通监控方法，其特征在于：所述方法包括以下步骤：

步骤一：通过结合车座与人体夹角以及行车速度，实现非机动车的区分；

步骤二：对非机动车违章行为进行检测，并针对违章行为进行警告；

步骤三：记录非机动车的违章信息，并生成相应的特征信息；

步骤四：对档案内的车辆进行违章信息统计和行动轨迹分析；

所述通过结合车座与人体夹角以及行车速度，实现非机动车的区分的步骤，包括：

计算座位与后背的夹角，以及非机动车的速度；

设定速度阈值和夹角阈值，并与实际值比较，进行车辆类型识别；

所述计算座位与后背的夹角，以及非机动车的速度的步骤，包括：

将系统与摄像装置进行连接，系统通过摄像装置获取骑行时的图像信息，摄像装置采用高分辨率的摄像头，该摄像头捕捉非机动车的关键部位，当非机动车从摄像装置下经过时，摄像装置对当前可拍摄范围进行拍照，然后上传至系统进行图像处理，系统首先通过使用Canny边缘检测算法对图像中的车辆进行描边，突出车辆的轮廓，接下来，计算车座与后背的夹角，利用图像处理技术，识别车辆的座位和后背位置，然后通过向量夹角计算，确定二者之间的夹角(θ)： 其中，V座位和V后背分别是座位和后背的向量，接着进行非机动车速度计算，通过摄像头进行视频拍摄，然后通过视频获取一系列连续的图像帧，随后建立图像序列，其中每一帧都包含运动中的非机动车，同时，使用SIFT对图像序列中的每一帧都进行特征点检测，在相邻帧之间进行特征点匹配，再使用光流法或基于特征点的运动估计算法，计算相邻帧之间特征点的运动矢量，最后，根据相邻帧的时间间隔Δt和车辆特征点在图像中的位移Δx，Δy，计算每个特征点的像素速度，对于某一特征点，速度 最后，对所有特征点的速度进行平均，通过对所有特征点速度进行加权平均，获得车辆的平均速度；

所述设定速度阈值和夹角阈值，并与实际值比较，进行车辆类型识别的步骤，包括：

通过设定速度阈值和夹角阈值，进行电动自行车与自行车的识别，首先，根据实际情况设定一个速度阈值V阈值和一个夹角阈值θ阈值，用于判定车辆的类型，这两个阈值的选取通过实验确定，当测得的车辆速度V大于V阈值，则初步判定为电动自行车，否则，继续下一步，对于速度未能判别的情况，考虑夹角θ，当夹角小于θ阈值，则判定为电动自行车，电动自行车的骑行姿势更直立，夹角更小，反之，夹角大于θ阈值是自行车。

2.根据权利要求1所述的基于物联网的智能交通监控方法，其特征在于：所述对非机动车违章行为进行检测，并针对违章行为进行警告的步骤，包括：通过图像处理技术，检测交叉口的红绿灯状态，然后系统通过红绿灯的状态判断非机动车是否有闯红灯现象，同时分析非机动车在交叉口的位置和运动轨迹，通过跟踪非机动车在图像序列中的位置变化，推断其行驶方向和是否逆行，对于电动自行车的违法行为，系统首先获取相应的人脸信息，通过采用基于卷积神经网络的面部识别系统，进行人脸识别，随后通过人脸信息，获取非机动车主的身份信息，其次，对电动自行车进行车牌识别，提取电动自行车的车牌信息，并获取车牌信息所对应的个人信息，在成功识别电动自行车违章并获取个人信息后，系统自动触发短信警告系统，通过短信或电话，系统向电动自行车所有者发送包含违章信息的短信，对于自行车的违章情况，系统首先尝试进行面部识别，成功后，系统记录违章信息并发出警告，当面部识别失败，系统则引入个人违章档案模块，该模块为每辆违章的自行车生成唯一的标识符，然后将违章信息与标识符关联，并在档案模块中建立个人违章档案。

3.根据权利要求2所述的基于物联网的智能交通监控方法，其特征在于：所述记录非机动车的违章信息，并生成相应的特征信息的步骤，包括：对每一起自行车违章事件进行详细记录，包括但不限于时间、地点、车辆颜色、天气状况、路面情况，时间记录将包括日期和具体时间，地点记录将包括具体的交叉口或位置信息，其次，引入多方面的特征，通过气象数据源，记录违章事件发生时的天气状况，以考虑天气对骑行行为的影响，同时，通过图像处理技术或传感器，记录路面情况，最后，将自行车辆的所有违章信息及相关特征安全存储，并通过加密算法进行保护，以防止未经授权的访问。

4.根据权利要求3所述的基于物联网的智能交通监控方法，其特征在于：所述对档案内的车辆进行违章信息统计和行动轨迹分析的步骤，包括：启动行动轨迹分析，采用聚类算法和轨迹相似度计算；

预测结果提供给交通部门，增加监管力度，降低违章行为。

5.根据权利要求4所述的基于物联网的智能交通监控方法，其特征在于：所述启动行动轨迹分析，采用聚类算法和轨迹相似度计算的步骤，包括：系统对该车辆进行违章次数统计，一旦违章次数超过预设的阈值，系统将启动行动轨迹分析，在行动轨迹分析阶段，系统采用聚类算法和轨迹相似度计算，首先，从自行车信息档案中提取车辆的历史行驶轨迹数据，包括位置坐标、时间戳信息，并进行数据预处理，接着，系统采用基于密度的DBSCAN聚类算法，对车辆的历史轨迹进行聚类分析，通过将相似的轨迹点分组，识别处车辆在不同时间段经常出现的地点或路口，同时，系统进行轨迹相似度计算，采用动态时间规整方法，对聚类结果中的每个类别进行详细的相似度评估，通过在同一类别中找到更为相似的轨迹，进一步细化车辆在常去地点的分布，最终，系统结合聚类分析和轨迹相似度计算的结果，确定车辆经常出现的路口或区域，并通过设定阈值或利用聚类中心进行标记，将这些常去地点的信息存储起来。