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 ...
【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
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。