基于深度学习的机动车未按规定使用示廓灯智能识别方法技术

本发明专利技术提供一种基于深度学习的机动车未按规定使用示廓灯智能识别方法和系统、存储介质，该方法包括：获取交通监控设备所采集的视频流，所述视频流包括多帧图像；采用车牌识别神经网络模型，对各帧图像中每一机动车的车牌进行识别，并根据识别出的车牌在各帧图像中的位置，实现对所识别出的车牌对应的机动车的跟踪；采用示廓灯识别神经网络模型，对各帧图像中每一机动车的示廓灯进行识别；将识别出的车牌和识别出的示廓灯进行匹配，并根据每一车牌对应的机动车的跟踪路线中预设行驶距离内示廓灯的状态，判断该车牌对应的机动车是否按规定使用其示廓灯。本发明专利技术可以智能识别机动车是否按规定正确使用示廓灯，加大对示廓灯的使用的管理力度。

Intelligent Recognition Method of Motor Vehicles Failing to Use Profiler Lights According to Regulations Based on Deep Learning

The invention provides an intelligent recognition method and system and storage medium for motor vehicles that do not use profilers according to regulations based on in-depth learning. The method includes: acquiring video streams collected by traffic monitoring equipment, the video streams include multi-frame images; adopting license plate recognition neural network model, each motor vehicle in each frame image is acquired. The license plate is recognized, and the vehicle tracking corresponding to the recognized license plate is realized according to the position of the recognized license plate in each frame image; the outline lamp of each motor vehicle in each frame image is recognized by using the outline lamp recognition neural network model; the recognized license plate and the recognized outline lamp are matched. According to the status of the preset driving distance inside outline lamp in the tracking route of each vehicle license plate, it can be judged whether the vehicle corresponding to the license plate uses its outline lamp according to the regulations. The invention can intelligently identify whether the motor vehicle uses the indicator lamp correctly according to the regulations, and strengthen the management of the use of the indicator lamp.

【技术实现步骤摘要】
基于深度学习的机动车未按规定使用示廓灯智能识别方法
本专利技术涉及智能交通
，具体涉及一种基于深度学习的机动车未按规定使用示廓灯智能识别方法和系统、存储介质。
技术介绍
示廓灯是车前、后方最边上的灯，大货车的车顶上和侧面也有示廓灯。示廓灯，光从字面上看，“示”是警示的意思，“廓”有轮廓之意，所以示廓灯是一种警示标志的车灯，用来提醒其它车辆注意的示意灯。安装在车辆顶部的边缘处，既能表示车辆的高度又能表示车辆的宽度。安全标准规定在车高高于3米的机动车必须安装示廓灯，示廓灯的颜色为前白后红。示廓灯与相应位置灯的相对位置要求是在两灯各自的基准轴方向上，视表面上最相邻的点在一横向垂直平面内的投影间距应不小于400mm。在阴天变道的时候看后视镜，如果后面的机动车没开示宽灯，基本上就是黑影一团，跟路面混在一起，让人很难从后视镜里看到，特别是后面加速上来的车子如果没开示宽灯，在大雨的情况下基本上很难看清，此时是非常危险的。目前，没有可以自动检测和识别机动车的示廓灯是否开启的方案，而机动车的示廓灯未按规定开启的现象在高速公路行驶的机动车中大量存在，而且安全隐患巨大。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种基于深度学习的机动车未按规定使用示廓灯智能识别方法和系统、存储介质，可以智能识别机动车是否按规定正确使用示廓灯。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：第一方面，本专利技术提供一种基于深度学习的机动车未按规定使用示廓灯智能识别方法，包括：获取交通监控设备所采集的视频流，所述视频流包括多帧图像；采用预先训练的车牌识别神经网络模型，对各帧图像中每一机动车的车牌进行识别，并根据识别出的车牌在各帧图像中的位置，实现对所识别出的车牌对应的机动车的跟踪；采用预先训练的示廓灯识别神经网络模型，对各帧图像中每一机动车的示廓灯进行识别；将识别出的车牌和识别出的示廓灯进行匹配，并根据每一车牌对应的机动车的跟踪路线中预设行驶距离内示廓灯的状态，判断该车牌对应的机动车是否按规定使用其示廓灯。在一些实施例中，对各帧图像中每一机动车的示廓灯和车牌进行识别之前，所述方法还包括：根据预先设置的透视反变换参数，对各帧图像进行透视反变换。在一些实施例中，所述透视反变换参数的设置过程包括：从所述交通监控设备的监控区域内选择检测区域，所述检测区域与所述示廓灯识别神经网络模型的输入数据相对应；采用最小二乘法，确定所述检测区域中每一像素的透视反变换参数。在一些实施例中，所述从所述交通监控设备的监控区域内选择检测区域，包括：在所述监控区域中沿车道线选取4个像素点，所述4个像素点与一个矩形的四个端点相映射，该矩形的大小与所述示廓灯识别神经网络模型的输入数据的个数相同。在一些实施例中，所述车牌识别神经网络模型的训练过程包括：构建第一训练样本集，所述第一训练样本集中包括多张标记车牌的第一图片，所述第一图片由交通监控设备预先采集；采用yolo算法对所述第一训练样本集中的多张第一图片进行训练，得到车牌识别神经网络模型的各个模型参数。在一些实施例中，所述示廓灯识别神经网络模型的训练过程包括：构建第二训练样本集，所述第二训练样本集中包括多张标记示廓灯及其状态的第二图片，所述第二图片由交通监控设备预先采集；采用yolo算法对所述第二训练样本集中的多张第二图片进行训练，得到示廓灯识别神经网络模型的各个模型参数。第二方面，本专利技术提供一种基于深度学习的机动车未按规定使用示廓灯智能识别系统，包括：获取模块，用于获取交通监控设备所采集的视频流，所述视频流包括多帧图像；第一识别模块，用于采用预先训练的车牌识别神经网络模型，对各帧图像中每一机动车的车牌进行识别，并根据识别出的车牌在各帧图像中的位置，实现对所识别出的车牌对应的机动车的跟踪；第二识别模块，用于采用预先训练的示廓灯识别神经网络模型，对各帧图像中每一机动车的示廓灯进行识别；判断模块，用于将识别出的车牌和识别出的示廓灯进行匹配，并根据每一车牌对应的机动车的跟踪路线中预设行驶距离内示廓灯的状态，判断该车牌对应的机动车是否按规定使用其示廓灯。在一些实施例中，系统还包括：反变换模块，用于所述第一识别模块对各帧图像中每一机动车的车牌进行识别和所述第二识别模块对各帧图像中的每一机动车的示廓灯进行识别之前，根据预先设置的透视反变换参数，对各帧图像进行透视反变换。第三方面，本专利技术提供一种存储介质，其上存储有计算机程序，在所述计算机程序被处理器执行时可实现如上方法。(三)有益效果本专利技术实施例提供了一种基于深度学习的机动车未按规定使用示廓灯智能识别方法和系统、存储介质，采用车牌识别神经网络模型识别出各帧图像中的车牌，并采用示廓灯识别神经网络模型识别出各帧图像中的示廓灯，然后将示廓灯和车牌进行匹配，进而根据示廓灯的状态判断与示廓灯匹配的车牌所对应的机动车是否按规定使用示廓灯。可见，本专利技术可以智能识别机动车是否按规定正确使用示廓灯，加大对示廓灯的使用的管理力度，预防减少因高速公路行车未正确使用示廓灯所引发的各类交通事故，减少交通伤亡和减轻交通伤害，切实保障国家、社会及广大人民群众的生命财产安全。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1a和图1b示出了本专利技术一实施例中基于深度学习的机动车未按规定使用示廓灯智能识别方法的流程示意图；图2示出了本专利技术一实施例中机动车行驶到近处的一帧图像的视图；图3示出了本专利技术一实施例中机动车行驶到远处的一帧图像的示意图；图4示出了本专利技术一实施例中在监控区域中选择检测区域的示意图；图5示出了本专利技术一实施例中离线部分的流程示意图；图6示出了本专利技术一实施例中基于深度学习的机动车未按规定使用示廓灯智能识别系统的结构框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。第一方面，本专利技术实施例提供一种基于深度学习的机动车未按规定使用示廓灯智能识别方法，如图1a和图1b所示，该方法包括：S1、获取交通监控设备所采集的视频流，该视频流包括多帧图像；可理解的是，交通监控设备可以但不限于设置在高速公路事故多发区、高速公路复杂路段、高速桥面出入口、城市快速路事故多发区等区域。S2、采用预先训练的车牌识别神经网络模型，对各帧图像中每一机动车的车牌进行识别，并根据识别出的车牌在各帧图像中的位置，实现对所识别出的车牌对应的机动车的跟踪；可理解的是，将上述多帧图像输入上述车牌识别神经网络模型，便得到出现在上述多帧图像中的各辆机动车的车牌；由于交通监控设备监控的是一段距离，因此需要对机动车进行跟踪，这里通过车牌进行跟踪，具体为：先识别出车牌，然后根据车牌在前后帧图像中的位置变化，实现对机动车的跟踪。其中，车牌识别神本文档来自技高网...

【技术保护点】
1.一种基于深度学习的机动车未按规定使用示廓灯智能识别方法，其特征在于，包括：获取交通监控设备所采集的视频流，所述视频流包括多帧图像；采用预先训练的车牌识别神经网络模型，对各帧图像中每一机动车的车牌进行识别，并根据识别出的车牌在各帧图像中的位置，实现对所识别出的车牌对应的机动车的跟踪；采用预先训练的示廓灯识别神经网络模型，对各帧图像中每一机动车的示廓灯进行识别；将识别出的车牌和识别出的示廓灯进行匹配，并根据每一车牌对应的机动车的跟踪路线中预设行驶距离内示廓灯的状态，判断该车牌对应的机动车是否按规定使用其示廓灯。

【技术特征摘要】
1.一种基于深度学习的机动车未按规定使用示廓灯智能识别方法，其特征在于，包括：获取交通监控设备所采集的视频流，所述视频流包括多帧图像；采用预先训练的车牌识别神经网络模型，对各帧图像中每一机动车的车牌进行识别，并根据识别出的车牌在各帧图像中的位置，实现对所识别出的车牌对应的机动车的跟踪；采用预先训练的示廓灯识别神经网络模型，对各帧图像中每一机动车的示廓灯进行识别；将识别出的车牌和识别出的示廓灯进行匹配，并根据每一车牌对应的机动车的跟踪路线中预设行驶距离内示廓灯的状态，判断该车牌对应的机动车是否按规定使用其示廓灯。2.如权利要求1所述的方法，其特征在于，对各帧图像中每一机动车的示廓灯和车牌进行识别之前，所述方法还包括：根据预先设置的透视反变换参数，对各帧图像进行透视反变换。3.根据权利要求2所述的方法，其特征在于，所述透视反变换参数的设置过程包括：从所述交通监控设备的监控区域内选择检测区域，所述检测区域与所述示廓灯识别神经网络模型的输入数据相对应；采用最小二乘法，确定所述检测区域中每一像素的透视反变换参数。4.根据权利要求3所述的方法，其特征在于，所述从所述交通监控设备的监控区域内选择检测区域，包括：在所述监控区域中沿车道线选取4个像素点，所述4个像素点与一个矩形的四个端点相映射，该矩形的大小与所述示廓灯识别神经网络模型的输入数据的个数相同。5.根据权利要求1～4所述的方法，其特征在于，所述车牌识别神经网络模型的训练过程包括：构建第一训练样本集，所述第一训练样本集中包括多张标记车牌的第一图片，所述第一图片由交通监控设备预先采集；采...

【专利技术属性】
技术研发人员：高子贤，陈亮，徐雪，
申请(专利权)人：安徽金赛弗信息技术有限公司，
类型：发明
国别省市：安徽,34