A deep convolutional neural network parking and car broke down visual inspection system based on the roads in the city include the installation of cameras, traffic cloud server and traffic incident automatic detection system; in the system by extracting various vehicle road convolutional neural network, and then determine whether belongs to the stationary vehicle with optical flow calculation and if there is a stationary vehicle and still longer than the residence time threshold to determine the illegal parking, finally use WebGIS or radio and road warning signs and other means in real time, so that the police quickly arranged to remove these traffic barriers, also reminded the accident appeared in the rear of the vehicle on the road ahead, so as to take corresponding measures as soon as possible to avoid the occurrence of two accident. The invention provides a vision detection system for parking and anchoring vehicles based on deep convolution neural network with better robustness and higher recognition precision.
【技术实现步骤摘要】
基于深度卷积神经网络的违章停车和抛锚车视觉检测系统
本专利技术涉及人工智能、卷积神经网络和计算机视觉在违章停车和抛锚车检测方面的应用,属于智能交通领域。
技术介绍
当今交通问题已经成为全球性的“城市通病”,而违章停车是城市“交通病症”的主要表现。城市违章停车的“病因”源于多种因素,且违章停车和抛锚车直接影响着道路的畅通和行人的安全,车辆违章停车一直是交通管理的顽疾。如何规范驾驶员的驾驶行为,对违反交通规则的行为及时准确地进行取证查处,是道路监控的一个关键。道路交通事故统计分析表明,交通事件具有以下几个特征:1)20%~50%的交通事故是由于受到已发生交通事件的影响而造成的,这里已发生交通事件称为一次事件,随后发生的事故被称为二次事故;2)50%以上的二次事故是在一次事件发生后10分钟内发生的,很多情况下,这些二次事故是由于小规模的一次事件造成的,如果将一次事件信息提前提供给驶来车辆的司机,这些二次事故是能够避免的;3)在城市道路上,交通事故和车辆抛锚导致的交通拥堵占全部拥堵的20%,而且这类拥堵持续的时间更长。因此,采用交通事件自动检测系统对交通事件进行快速准确的检测、及时发现事件、采取措施及时有效地处理和消除交通事件、并将事件信息报警给后来车辆的司机就能够减少或避免交通拥堵和预防二次交通事故的发生。中国专利技术专利申请号为201310020965.2公开了一种检测违章停车的方法,包括:检测视频图像内存在运动图像的区域;提取该运动图像的区域的特征点;如果提取的特征点与预先记录的一组基准特征点匹配成功,则确定存在违章停车。据称该方法可有效识别出视频图像中存在 ...
【技术保护点】
一种基于深度卷积神经网络的基于深度卷积神经网络的违章停车和抛锚车视觉检测系统,其特征在于:包括安装在城市道路上的摄像机、交通云服务器和道路交通事件自动检测系统;所述的摄像机用于获取城市各道路上的视频数据,配置在道路的上方,通过网络将道路上的视频图像数据传输给所述的交通云服务器;所述的交通云服务器用于接收从所述的摄像机所获得的道路视频数据,并将其递交给所述的道路交通事件自动检测系统进行检测和识别,最后将检测结果保存在云服务器中并以WebGIS的方式进行发布以便实现交通的控制、诱导和现场交警的快速应对及通知后方车辆及时避让以免发生二次交通事故;所述的交通事件自动检测系统包括道路交通事件检测模块和道路事件发布模块;所述的道路交通事件检测模块,包括基于Fast R‑CNN车辆检测单元、光流法静止车辆检测单元和违章停车判断单元;所述的道路事件发布模块,用于发布道路上发生的交通事件,通过WebGIS发布在事件发生的视觉检测情况,以便交警迅速安排清除这些交通障碍;通过广播和道路警示牌及时发布前方发生的交通事件,提醒后方车辆在前方道路上出现的事故情况,从而尽快采取相应措施避免二次事故的发生。
【技术特征摘要】
1.一种基于深度卷积神经网络的基于深度卷积神经网络的违章停车和抛锚车视觉检测系统,其特征在于:包括安装在城市道路上的摄像机、交通云服务器和道路交通事件自动检测系统;所述的摄像机用于获取城市各道路上的视频数据,配置在道路的上方,通过网络将道路上的视频图像数据传输给所述的交通云服务器;所述的交通云服务器用于接收从所述的摄像机所获得的道路视频数据,并将其递交给所述的道路交通事件自动检测系统进行检测和识别,最后将检测结果保存在云服务器中并以WebGIS的方式进行发布以便实现交通的控制、诱导和现场交警的快速应对及通知后方车辆及时避让以免发生二次交通事故;所述的交通事件自动检测系统包括道路交通事件检测模块和道路事件发布模块;所述的道路交通事件检测模块,包括基于FastR-CNN车辆检测单元、光流法静止车辆检测单元和违章停车判断单元;所述的道路事件发布模块,用于发布道路上发生的交通事件,通过WebGIS发布在事件发生的视觉检测情况,以便交警迅速安排清除这些交通障碍;通过广播和道路警示牌及时发布前方发生的交通事件,提醒后方车辆在前方道路上出现的事故情况,从而尽快采取相应措施避免二次事故的发生。2.如权利要求1所述的基于深度卷积神经网络的基于深度卷积神经网络的违章停车和抛锚车视觉检测系统,其特征在于:所述的基于FastR-CNN车辆检测单元用于检测在视频图像中的所有车辆,采用深度卷积神经网络快速分割出道路上的机动车辆并给出这些车辆在道路上所占的空间位置信息;使用的机动车分割及定位由两个模型组成,一个模型是生成RoI的选择性搜索网络;另一个模型是FastR-CNN机动车目标检测网络;所述的选择性搜索网络,即RPN;RPN网络将一个任意尺度图像作为输入,输出矩形目标建议框的集合,每个框包含4个位置坐标变量和一个得分;所述的目标建议框的目标指的是机动车辆对象;对每个建议框是目标/非目标的估计概率,是用二分类的softmax层实现的分类层;k个建议框被相应的k个称为anchor的建议框参数化;每个anchor以当前滑动窗口中心为中心,并对应一种尺度和长宽比,使用3种尺度和3种长宽比,这样在每一个滑动位置就有k=9个anchor;为了训练RPN网络,给每个anchor分配一个二进制的标签,以此来标注该anchor是不是目标;然后分配正标签给这两类anchor:(I)与某个真正目标包围盒,即GroundTruth,GT有最高的IoU,即Interse-ction-over-Union,交集并集之比,重叠的anchor;(II)与任意GT包围盒有大于0.7的IoU交叠的anchor;注意到一个GT包围盒可能给多个anchor分配正标签;分配负标签给与所有GT包围盒的IoU比率都低于0.3的anchor;非正非负的anchor对训练目标没有任何作用,则弃用;遵循FastR-CNN中的多任务损失,最小化目标函数,对一个图像的损失函数定义为:这里,i是一个anchor的索引,pi是anchor是第i目标的预测概率,如果anchor为正,GT标签就是1,如果anchor为负,就是0;ti是一个向量,表示预测的包围盒的4个参数化坐标,是与正anchor对应的GT包围盒的坐标向量;λ是一个平衡权重,Ncls是cls项的归一化值为mini-batch的大小,Nreg是reg项的归一化值为anchor位置的数量,分类损失函数Lcls是两个类别,即机动车辆对象目标与非机动车辆目标的对数损失:式中,Lcls为分类损失函数,Pi为anchor是第i目标的预测概率;Pi*为真正目标包围盒的第i目标的预测概率;对于回归损失函数Lreg,用以下函数定义:式中,Lreg为回归损失函数,R是鲁棒的损失函数,用公式(4)计算smoothL1;式中,smoothL1为smoothL1损失函数,x为变量;FastR-CNN网络,在输入图像经过深度卷积神经网络后可以得到特征图,依据特征图以及RPN网络则可以得到相应的RoIs,最后则通过RoI池化层;其中RoI,即感兴趣区域,指的就是机动车的区域;对于FastR-CNN网络,输入是N个特征映射和R个RoI;N个特征映射来自于最后一个卷积层,每个特征映射的大小都是w×h×c;每个RoI是一个元组(n,r,c,h,w),其中,n是特征映射的索引,n∈(0,1,2,...,N-1),r,c是左上角坐标,h,w分别是高和宽;输出则由最大池化得到的特征映射;将原图中的RoI与特征图中的块对应起来;并将特征图下采样为固定大小,然后再传入全连接。3.如权利要求2所述的基于深度卷积神经网络的基于深度卷积神经网络的违章停车和抛锚车视觉检测系统,其特征在于:所述选择性搜索网络和FastR-CNN都是独立训练的,使用4步训练算法,通过交替优化来学习共享的特征;第一步,依上述训练RPN,该网络用ImageNet预训练的模型初始化,并端到端微调用于区域建议任务;第二步,利用第一步的RPN生成的建议框,由FastR-CNN训练一个单独的检测网络,这个检测网络同样是由ImageNet预训练的模型初始化的,这时候两个网络还没有共享卷积层;第三步,用检测网络初始化RPN训练,但固定共享的卷积层,并且只微调RPN独有的层,现在两个网络共享卷积层了;第四步,保持共享的卷积层固定,微调FastR-CNN的fc,即全连接层;这样,两个网络共享相同的卷积层,构成一个统一的网络;通过上述两个网络的处理,检测出一帧视频图像中的机动车辆并对其的大小及空间位置进行了框定,即得到了车辆的大小及空间位置,其r,c是车辆在图像中的左上角坐标,...
【专利技术属性】
技术研发人员:汤一平,吴越,钱小鸿,柳展,
申请(专利权)人:银江股份有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。