机动车未按规定使用远光灯识别方法、系统及存储介质技术方案

本发明专利技术公布一种机动车未按规定使用远光灯识别方法、系统及存储介质，涉及人工智能机器视觉的技术领域，可解决当前查处方法工作量较大，并存在安全隐患的技术问题。包括采用两个摄像头并安装用于交通监控，获取所述两个摄像头分别采集到的视频流，在所述强光抑制视频流中采取车灯加车牌目标组合检测方式，获得目标区域的位置，利用透视反变换得到所述目标区域的地面坐标位置；再利用透视反变换得普通视频流中的目标区域；检测所述普通视频流中的目标区域的光照强度，判断远光灯开启的状态，根据远光灯开启的状态，判断所述车牌对应的机动车是否按规定使用其远光灯。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远光灯，便于取证，安全可靠。

【技术实现步骤摘要】
机动车未按规定使用远光灯识别方法、系统及存储介质
本专利技术涉及人工智能机器视觉的
，具体涉及一种机动车未按规定使用远光灯识别方法、系统及存储介质。
技术介绍
近年来，我国道路交通事业发展迅猛，同时，道路交通安全问题日益突出。特别是夜间行驶时违反规定使用远光灯，已成为引发夜间交通事故的主要原因。众所周知，滥用远光灯会导致对向行驶车辆的驾驶人视觉上瞬间致盲，对同向行驶车辆的驾驶人的视线造成干扰，驾驶人对周围行人观察能力下降，对来车的速度、距离和宽度的感知力、判断力下降。滥用远光灯引发很多交通事故，但是滥用远光灯很难查处，因滥用远光灯的行为具有可变性、动态性、瞬间性，驾驶人一旦采取变光措施，通过现场执法难以固定证据，容易引起执法纠纷。而且滥用远光灯致使他人车辆发生交通事故的，由于车辆本身没有直接参与碰撞，因此“肇事”车辆可以不留痕迹地迅速离开现场，这也导致了本应该承担事故责任的违法行为人逍遥法外。目前，公安机关交通管理部门在查处不按规定使用远光灯的违法行为时，主要依靠路面执法，通过交通警察现场观察，再进行拦截取证，查处的方式较为被动，技术含量较低，特别是需要大量的警力参与，工作量很大，对交警的安全也有一定的影响，而且由于不能连续查处，治理效果也不显著。
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机动车未按规定使用远光灯识别方法、系统及存储介质，解决了当前使用的远光灯查处方法工作量较大耗时费力，并在存在安全隐患的技术问题。(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：一种基于深度学习的机动车未按规定使用远光灯智能识别方法，包括：采用两个摄像设备，其中一个摄像设备采用强光抑制摄像头，另一个摄像设备采用普通摄像头；安装所述两个摄像设备用于交通监控，使所述两个摄像设备能检测到同一物体，并对两个摄像设备做标定，测定地面坐标系和摄像设备像素之间的关系，并算出所述两个摄像设备的透视变换系数；获取所述两个摄像设备分别采集到的视频流，所述视频流包括多帧图像；强光抑制摄像头采集到的为强光抑制视频流，普通摄像头采集到的为普通视频流；采用预先训练的远光灯识别神经网络模型，在所述强光抑制视频流中对各帧图像中每一辆机动车的远光灯进行检测，获得目标区域的位置，根据所获得目标区域的位置，利用透视反变换得到所述目标区域的地面坐标位置；根据所述目标区域的地面坐标位置，再利用透视反变换得到普通视频流中的像素坐标位置，确定普通视频流中的目标区域；检测所述普通视频流中的目标区域的光照强度，与预先设置的光照强度阈值进行比较，判断远光灯开启的状态，根据远光灯开启的状态，判断所述车牌对应的机动车是否按规定使用其远光灯。进一步的，所述两个摄像头距离检测区域的距离大于机动车近光灯所能照射的最远距离。进一步的，所述检测普通视频流中的目标区域的光照强度，具体包括：在普通视频流中选定目标区域所在的图像，通过对高清图像色彩直方图的分析，利用R、G、B三个色彩通道的对应点灰度值的特征评估光强度水平；设Vi＝(Ri,Gi,Bi)为图像中像素i的色彩空间向量，定义像素i的偏红水平：ri越小表明像素i越偏向红色，如果像素i属于远光灯，那么ri∈[0,1]；通过图像中某一区域的偏红水平，评估光强度水平；定义区域S的偏红水平：然后再定义一个光强度阈值Ta，如果r>Ta说明远光灯开启，否则认为远光灯没有开启。进一步的，所述对两个摄像设备做标定，所述标定方法包括：在地面上预先设定的摄像设备与检测区域的距离处画一矩形框，利用所述矩形框分别在所述两个摄像设备中的成像位置和实际矩形框的地面坐标的对应关系，分别计算出两个摄像设备的透视变换系数。进一步的，所述远光灯识别神经网络模型训练过程包括：构建训练样本集，所述训练样本集中包括多张标记车灯与车牌组合的图片，所述图片从强光抑制视频流获取；采用yolo算法以车灯与车牌组合作为训练数据，对所述训练样本集中的多张图片进行训练，得到远光灯识别神经网络模型的各个模型参数。进一步的，所述两个摄像设备距离检测区域的距离为50米。一种基于深度学习的机动车未按规定使用远光灯智能识别系统，，包括：采集模块、获取模块、第一检测模块、第二检测模块及判断模块；其中，采集模块包括两个摄像设备，其中一个摄像设备采用强光抑制摄像头，用于检测机动车的车灯、车牌；另一个摄像设备采用普通摄像头用于检测机动车车灯灯光的光强程度；获取模块用于获取所述两个摄像头分别采集到的视频流，强光抑制摄像头采集到的为强光抑制视频流，普通摄像头采集到的为普通视频流；第一检测模块用于在所述强光抑制视频流中采用预先训练的远光灯识别神经网络模型，在所述强光抑制视频流中对各帧图像中每一辆机动车的远光灯进行检测，获得目标区域的位置，根据所获得目标区域的位置，利用透视反变换得到所述目标区域的地面坐标位置；第二检测模块用于根据第一检测模块所得到的目标区域的地面坐标位置，利用透视反变换得到普通视频流中的像素坐标位置，确定普通视频流中的目标区域；判断模块用于先检测第二检测模块所确定的普通视频流中的目标区域的光照强度，与预先设置的光照强度阈值进行比较，判断远光灯开启的状态，根据远光灯开启的状态，判断所述车牌对应的机动车是否按规定使用其远光灯。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上述方法。(三)有益效果本专利技术提供了一种机动车未按规定使用远光灯识别方法、系统及存储介质，采用两个摄像设备，其中一个摄像设备采用强光抑制摄像头，用于检测机动车的车灯、车牌，另一个摄像设备采用普通摄像头用于检测机动车车灯灯光的光强程度；通过获取所述两个摄像设备分别采集到的视频流，然后在强光抑制视频流中采用基于yolo算法的预先训练的远光灯识别神经网络模型，检测车灯加车牌目标组合获得目标区域的位置，再利用透视反变换得到普通视频流中的目标区域，检测所述普通视频流中的目标区域的光照强度，判断远光灯开启的状态，进而判断所述车牌对应的机动车是否按规定使用其远光灯。本专利技术可以智能识别机动车是否按规定正确使用远光灯，便于取证，减轻交管处对远光灯的查处难度，加大对远光灯的使用的管理力度，预防因高速公路行车未正确使用远光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1是本专利技术实施例方法流程示意图；图2是本专利技术实施例摄像头距离检测区域的距离示意图；图3是本专利技术实施例标定方法中矩形框四个端点的地面坐标与在两个相机中成像的对应关系示意图；图4是本专利技术实施例车灯加车牌联合检测的方式示意图；图5是本专利技术实施例对视频流检测流程示意图。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远光灯智能识别方法，其特征在于，包括：采用两个摄像设备，其中一个摄像设备采用强光抑制摄像头，另一个摄像设备采用普通摄像头；安装所述两个摄像设备用于交通监控，使所述两个摄像设备能检测到同一物体，并对两个摄像设备做标定，测定地面坐标系和摄像设备像素之间的关系，并算出所述两个摄像设备的透视变换系数；获取所述两个摄像设备分别采集到的视频流，所述视频流包括多帧图像；强光抑制摄像头采集到的为强光抑制视频流，普通摄像头采集到的为普通视频流；采用预先训练的远光灯识别神经网络模型，在所述强光抑制视频流中对各帧图像中每一辆机动车的远光灯进行检测，获得目标区域的位置，根据所获得目标区域的位置，利用透视反变换得到所述目标区域的地面坐标位置；根据所述目标区域的地面坐标位置，再利用透视反变换得到普通视频流中的像素坐标位置，确定普通视频流中的目标区域；检测所述普通视频流中的目标区域的光照强度，与预先设置的光照强度阈值进行比较，判断远光灯开启的状态，根据远光灯开启的状态，判断所述车牌对应的机动车是否按规定使用其远光灯。

【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远光灯智能识别方法，其特征在于，包括：采用两个摄像设备，其中一个摄像设备采用强光抑制摄像头，另一个摄像设备采用普通摄像头；安装所述两个摄像设备用于交通监控，使所述两个摄像设备能检测到同一物体，并对两个摄像设备做标定，测定地面坐标系和摄像设备像素之间的关系，并算出所述两个摄像设备的透视变换系数；获取所述两个摄像设备分别采集到的视频流，所述视频流包括多帧图像；强光抑制摄像头采集到的为强光抑制视频流，普通摄像头采集到的为普通视频流；采用预先训练的远光灯识别神经网络模型，在所述强光抑制视频流中对各帧图像中每一辆机动车的远光灯进行检测，获得目标区域的位置，根据所获得目标区域的位置，利用透视反变换得到所述目标区域的地面坐标位置；根据所述目标区域的地面坐标位置，再利用透视反变换得到普通视频流中的像素坐标位置，确定普通视频流中的目标区域；检测所述普通视频流中的目标区域的光照强度，与预先设置的光照强度阈值进行比较，判断远光灯开启的状态，根据远光灯开启的状态，判断所述车牌对应的机动车是否按规定使用其远光灯。2.如权利要求1所述的基于深度学习的机动车未按规定使用远光灯智能识别方法，其特征在于，所述两个摄像头距离检测区域的距离大于机动车近光灯所能照射的最远距离。3.如权利要求2所述的基于深度学习的机动车未按规定使用远光灯智能识别方法，其特征在于，所述检测普通视频流中的目标区域的光照强度，具体包括：在普通视频流中选定目标区域所在的图像，通过对高清图像色彩直方图的分析，利用R、G、B三个色彩通道的对应点灰度值的特征评估光强度水平；设Vi＝(Ri,Gi,Bi)为图像中像素i的色彩空间向量，定义像素i的偏红水平：ri越小表明像素i越偏向红色，如果像素i属于远光灯，那么ri∈[0,1]；通过图像中某一区域的偏红水平，评估光强度水平；定义区域S的偏红水平：然后再定义一个光强度阈值Ta，如果r>Ta说明远光灯开启，否则认为远光灯没有开启。4.如权利要求1所述的基于深度学习的机动车未按规定使用远光灯智能识别方法，其特征在于，所述对两个摄像设备做标定...

【专利技术属性】
技术研发人员：钮军，陈亮，钟磊，
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