一种基于深度学习的违章掉头实时检测方法技术

本发明专利技术公布了一种基于深度学习的违章掉头实时检测方法，包括有以下步骤：1)相机预置位设置以及相机标定；2)卷积神经网络模型初始化；3)获取实时视频流；4)检查相机工作状态；5)使用卷积神经网络模型进行车辆目标检测；6)进行车辆目标跟踪；7)车辆跟踪目标状态转换；8)违章掉头分析；9)违章掉头上报。本发明专利技术提出一种基于深度学习的违章掉头实时检测方法，具有对环境变化较强的鲁棒性，实现了实时的检测效果以及较高的违章掉头识别精度，并简化了取证工作，极大降低人力资源成本。

A real-time detection method of illegal turn based on deep learning

【技术实现步骤摘要】
一种基于深度学习的违章掉头实时检测方法
本专利技术涉及深度学习
，具体涉及一种基于深度学习的违章掉头实时检测方法。
技术介绍
近年来，随着汽车的普及，人们生活节奏的加快和交通安全意识的欠缺，违章掉头行为时常会产生。违章掉头主要是在不允许进行掉头的路口，强行进行掉头。该行为往往容易导致交通拥堵，影响人们的出行效率，甚至更会导致严重的交通事故，严重危害人民的出行安全。因此准确地检测并实时地检测车辆的违章掉头行为就显得尤为重要。就目前来说，检测违章掉头的方式主要有三种方式，第一种是人工检测违章掉头行为，例如交管人员现场执法或者利用视频监控进行手工抓取违章调头行为，但人工方式无法保证全天候的检查监督，而且工作繁琐，人力开销大；第二种是利用地感应线等传感器进行违章掉头行为检测，但存在地感应线的建设需要对路面造成破坏且施工复杂，易损坏，难修复；第三种是使用计算机视觉技术实现自动化检测违章掉头行为，目前大多是使用传统方法进行车辆检测，存在着使用的局限性，雨雾天、摄像头抖动、光线变化等现象均会对场景造成影响，进而直接影响检测效果，算法的鲁棒性较差本文档来自技高网...

【技术保护点】
1.一种基于深度学习的违章掉头实时检测方法，其特征在于，包括如下步骤：/n1)相机预置位设置以及相机标定；/n2)卷积神经网络模型初始化；/n3)获取实时视频流；/n4)检查相机工作状态；/n5)使用卷积神经网络模型进行车辆目标检测；/n6)进行车辆目标跟踪；/n7)车辆跟踪目标状态转换；/n8)违章掉头分析；/n9)违章掉头上报。/n

【技术特征摘要】
1.一种基于深度学习的违章掉头实时检测方法，其特征在于，包括如下步骤：
1)相机预置位设置以及相机标定；
2)卷积神经网络模型初始化；
3)获取实时视频流；
4)检查相机工作状态；
5)使用卷积神经网络模型进行车辆目标检测；
6)进行车辆目标跟踪；
7)车辆跟踪目标状态转换；
8)违章掉头分析；
9)违章掉头上报。


2.如权利要求1所述的一种基于深度学习的违章掉头实时检测方法，其特征在于，步骤1)中，所述的相机预置位为进行违章掉头检测时相机所处的固定位置。


3.如权利要求1所述的一种基于深度学习的违章掉头实时检测方法，其特征在于，步骤1)中，所述的相机预置位设置为将摄像头调整到合适的进行违章掉头检测的位置，并将当前相机位置设置为预置位。


4.如权利要求1所述的一种基于深度学习的违章掉头实时检测方法，其特征在于，步骤1)中，所述的相机标定为截取相机视频流的一帧图像，在其上进行车道线、过车检测区域、违章掉头检测区域、违章掉头开始线、违章掉头中间线、违章掉头结束线的标定。


5.如权利要求1所述的一种基于深度学习的违章掉头实时检测方法，其特征在于，步骤2)中，所述的卷积神经网络模型为tiny-YOLO-v3，卷积神经网络模型初始化为卷积网络模型加载到GPU显卡中以及权重参数恢复。


6.如权利要求1所述的一种基于深度学习的违章掉头实时检测方法，其特征在于，步骤4)中，所述的检查相机工作状态具体包括以下步骤：
4.1:获取当前相机的位置信息，与预置位比较是否相同，若相同则进行违章掉头检测；否则，不进行违章掉头检测；
4.2:根据公式(1)计算当前视频帧时间Tcur与前一帧时间Tpre的时间间隔Tspace，单位均为秒；若Tspace≥T0，则将目标跟踪队列重置；否则，进行正常的违章掉头检测；T0表示时间阈值，单位为秒；
Tspace＝Tcur-Tpre(1)


7.如权利要求1所述的一种基于深度学习的违章掉头实时检测方法，其特征在于，步骤(6)中，所述的进行车辆目标跟踪包含以下步骤：
6.1:车辆检测结果与跟踪目标匹配：
6.1.1:计算当前帧检测到的车辆目标D和跟踪队列中目标Q的IoU和宽高误差Ew、Eh；IoU根据公式(2)计算；宽高误差Ew、Eh分别根据公式(3)、公式(4)计算；









其中，Dbox为当前帧的车辆目标D的边界框，QTrackingBox为跟踪队列中目标Q的实时跟踪边界框，∩为求交集，∪为求并集；Dw和Dh分别为当前帧的车辆目标D实时跟踪边界框的宽高，Qw和Qh分别为跟踪队列中目标Q的实时跟踪边界框的宽高；
6.1.2:如果IoU≥IoUt，Ew≤Ewt，Eh≤E...

【专利技术属性】
技术研发人员：高飞，王金超，李帅，卢书芳，张元鸣，程振波，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33