【技术实现步骤摘要】
一种基于深度学习的违反导向违法自动审核方法
本专利技术涉及机动车车辆人工智能检测、识别、分类
,特别涉及一种基于深度学习的违反导向违法自动审核系统。
技术介绍
随着社会经济的不断发展和人民生活水平的持续提高,城市机动车保有量迅猛增长。机动车车辆违法审核工作量也随之迅速增大。传统的车辆违法审核主要是通过人工审核,海量的数据通过人工审核比较耗费人力,并且长时间的人力审核由于疲劳也影响审核效率。如何准确、快速地对车辆进行违法审核,同时避免人工审核成本高,易疲劳,易疏忽等弊端,是急需解决的技术问题。
技术实现思路
本专利技术的目的是:提出一种基于深度学习的违反导向违法自动审核方法,自动对车辆进行违法审核,以满足如今对车辆进行违法审核工作效率、准确率的需求。本专利技术解决其技术问题所采用的技术方案是:1.一种基于深度学习的违反导向违法自动审核方法,包括以下步骤:S1、获取交通路口违法车辆时间间隔较短(1秒至20秒)三张不同图像数据,利用路口的摄像头从车辆后面抓拍不同时刻的三张图,因为摄像头是固定不动的,但是目标车辆一般是在运动的(直行、左转、右转),所以获取的第一张图一般是从目标车辆的正后方抓拍的,第二张第三张抓拍的有可能是正后角度或者侧面角度;S2、利用常规检测算法检测三张图像中所有车辆;S3、通过车牌识别方法定位第一张图中正确的车辆位置;S4、采用GoogLenet网络结构跟踪三张图中上述S3中车辆位置;S5、利用分割模型分割出违法车辆所在的路口的车道线以及导向线;S6、利用分类模型判断出目标车辆行驶方向的类别,将三张图中的目标车辆取出,贴在第一张图的分割结果 ...
【技术保护点】
1.一种基于深度学习的违反导向违法自动审核方法,包括以下步骤:S1、获取交通路口违法车辆时间间隔为1秒至20秒的三张不同图像数据,利用路口的摄像头从车辆后面抓拍不同时刻的三张图;S2、利用检测算法检测三张图像中所有车辆;S3、通过车牌识别方法定位第一张图中正确的车辆位置;S4、采用GoogLenet网络结构跟踪三张图中上述S3中车辆位置;S5、利用分割模型分割出违法车辆所在的路口的车道线以及导向线;S6、利用车辆行驶方向分类模型判断出目标车辆的行驶方向,将三张图中的目标车辆取出,贴在第一张图的分割结果图中对应位置,作为训练分类模型的训练数据进行训练;S7、根据三张图中目标车辆所在位置、车道线的位置以及车辆行驶方向分类结果判断目标车辆的行驶方向;S8、判断车辆行驶方向与第一张图中目标车辆所在的导向线的分割类型是否一致从而判断出车辆是否违反导向。
【技术特征摘要】
1.一种基于深度学习的违反导向违法自动审核方法,包括以下步骤:S1、获取交通路口违法车辆时间间隔为1秒至20秒的三张不同图像数据,利用路口的摄像头从车辆后面抓拍不同时刻的三张图;S2、利用检测算法检测三张图像中所有车辆;S3、通过车牌识别方法定位第一张图中正确的车辆位置;S4、采用GoogLenet网络结构跟踪三张图中上述S3中车辆位置;S5、利用分割模型分割出违法车辆所在的路口的车道线以及导向线;S6、利用车辆行驶方向分类模型判断出目标车辆的行驶方向,将三张图中的目标车辆取出,贴在第一张图的分割结果图中对应位置,作为训练分类模型的训练数据进行训练;S7、根据三张图中目标车辆所在位置、车道线的位置以及车辆行驶方向分类结果判断目标车辆的行驶方向;S8、判断车辆行驶方向与第一张图中目标车辆所在的导向线的分割类型是否一致从而判断出车辆是否违反导向。2.如权利要求1所述的一种基于深度学习的违反导向违法自动审核方法,其特征在于,所述采用GoogLenet网络对车辆跟踪步骤如下:S40、在训练特征提取模块时,在网络最后一个256维全连接层接一个分类层,该层对不同款车型进行分类,每一个类别拥有不同帧时刻采集的同一车,并对所有采集的车进行数据增强,当训练的损失值loss降低到最低时,裁剪掉分类层,取出上一个256维全连接层,此时获取的256维特征能够很好的表征该车辆的特征;S41、对第一张图定位到的车辆输入到GoogLenetInception-V2网络,在该网络的输入层,对输入的车辆进行padding,变成长宽一致的图像,多余的部分以0像素填充;然后对预处理后的图像进行上采样或下采样操作,统一resize成200*200分辨率的图像,最后得到一个256维特征;S42、对第二张图所有待匹配的车辆输入GoogLenetInception-V2网络,同S41,得到若干256维特征;S43、对第三张图所有待匹配的车辆输入GoogLenetInception-V2网络,同S41,得到若干256维特征;S44、用S41中一个256维特征和S42中若干个256维特征做余弦相似度,由于特征提取模块提取的256维特征已经能够很好的表征该车辆,所以采用余弦相似可以更显现出两辆车之间的差异度,最后取出得分最高所对应的256维特征;S45、用S42中得分最高的256维特征和S43中若干个256维特征做余弦相似度,取出得分最高所对应的256维特征;S46、由于第二张图和第三张图通过检测算法已经分别检测出若干辆车,用上述算法找到相似度得分最高的车,取出得分最高所对应的车辆索引号即为跟踪到的车辆。3.如权利要求1所述的一种基于深度学习...
【专利技术属性】
技术研发人员:周康明,
申请(专利权)人:上海眼控科技股份有限公司,
类型:发明
国别省市:上海,31
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。