弯道安全预警监控方法、装置以及系统制造方法及图纸

本发明专利技术实施例公开了一种弯道安全预警监控方法、装置以及系统，将获取到的即将进入弯道的待测车辆的图像输入至车辆识别复合模型中得到待测车辆的车型信息和车牌信息；根据车型信息获取待测车辆的刹车距离以及重量；将刹车距离、重量、弯道的路面信息、气象信息、待测车辆的当前车速、待测车辆当前与弯道的会车口的距离以及对向车辆数，输入至预警监测模型中得到待测车辆进入弯道的安全预警级别；并根据安全预警级别获取对应的弯道预警信息；根据车牌信息获取待测车辆对应的车辆用户信息，并根据车辆用户信息将对应的弯道预警信息发送给相应的车主用户的终端设备。本发明专利技术监测精度和智能程度较高。

【技术实现步骤摘要】
弯道安全预警监控方法、装置以及系统
本专利技术涉及图像识别
，尤其涉及一种弯道安全预警监控方法、装置以及系统。
技术介绍
目前，面向景区内部道路智能安全预警技术的研究，主要有两种方法，一种是依赖于地磁检测的弯道会车预警系统，该系统在弯道两侧的入口上分别设置地磁检测装置和预警装置，通过地磁检测装置来检测是否有车辆进入弯道，当检测到有车辆进入弯道时，在另一侧预警显示装置上显示预警信息。另一种方法是依赖于两个通讯子系统的多弯道路段安全预警系统，该系统将多弯道路段安全预警系统分为多弯道路段路边安全预警系统和多弯道路车载安全预警系统。多弯道路段路边安全预警系统与多弯道道路车载安全预警系统进行数据通讯，从而达到对经过弯道路段的车辆进行警示作用。传统技术中的弯道预警方式功能较为单一，在弯道上需要铺设的硬件较为复杂，且存在部分未能够结合车辆的实际情况进行预警监测判断，其精度不高，导致对车辆进入弯道的安全预警效果不够理想。
技术实现思路
基于此，有必要针对上述问题提供一种弯道安全预警监控方法、装置以及系统。在一个实施例中，本专利本文档来自技高网...

【技术保护点】
1.一种弯道安全预警监控方法，其特征在于，包括：/n将获取到的即将进入弯道的待测车辆的图像输入至预先训练好的车辆识别复合模型中进行车型识别和车牌识别，得到所述待测车辆的车型信息和车牌信息；所述车辆识别复合模型包括基于ResNet152网络模型训练得到的车型识别模型、和基于Darknet53网络模型训练得到的车牌识别模型；/n根据所述车型信息获取所述待测车辆的刹车距离以及重量；/n将所述刹车距离和所述重量，以及获取到的所述弯道的路面信息、气象信息、所述待测车辆的当前车速、所述待测车辆当前与所述弯道的会车口的距离以及对向车辆数，输入至预先训练好的预警监测模型中，并根据对应的权重系数进行计算，得到所...

【技术特征摘要】
1.一种弯道安全预警监控方法，其特征在于，包括：
将获取到的即将进入弯道的待测车辆的图像输入至预先训练好的车辆识别复合模型中进行车型识别和车牌识别，得到所述待测车辆的车型信息和车牌信息；所述车辆识别复合模型包括基于ResNet152网络模型训练得到的车型识别模型、和基于Darknet53网络模型训练得到的车牌识别模型；
根据所述车型信息获取所述待测车辆的刹车距离以及重量；
将所述刹车距离和所述重量，以及获取到的所述弯道的路面信息、气象信息、所述待测车辆的当前车速、所述待测车辆当前与所述弯道的会车口的距离以及对向车辆数，输入至预先训练好的预警监测模型中，并根据对应的权重系数进行计算，得到所述待测车辆进入所述弯道的安全预警级别；并根据所述安全预警级别获取对应的弯道预警信息；
根据所述车牌信息获取所述待测车辆对应的车辆用户信息，并根据所述车辆用户信息将所述对应的弯道预警信息发送给相应车主用户的终端设备。


2.根据权利要求1所述的弯道安全预警监控方法，其特征在于，所述预警监测模型的数学表达式如下：
Monitor_leveri＝α1disi+α2Braking_distanceik+α3opposite_vehicles；
Monitor_leveri表示所述待测车辆i的安全预警级别；α1、α2、α3代表第一权重系数；disi表示所述待测车辆i当前距离所述弯道的会车口的距离；Braking_distanceik表示所述待测车辆i所属车型k的刹车距离；opposite_vehicles表示所述对向车辆数；
其中，
β1、β2、β3、β4表示第二权重系数；Gk表示所述待测车辆i所属车型k的重量；μk表示所述待测车辆i所属车型k的摩擦系数；V表示所述当前车速；Freeze表示弯道路面的结冰程度；Weather表示所述气象信息。


3.根据权利要求1所述的弯道安全预警监控方法，其特征在于，所述训练好的车辆识别复合模型的训练过程包括：
将获取到预设数量的车辆样本图像输入至预设的所述ResNet152网络模型和预设的所述Darknet53网络模型中；
获取所述ResNet152网络模型对每一所述车辆样本图像进行车型识别，输出的预测车型信息和对应的车型预测概率；
获取所述Darknet53网络模型对每一所述车辆样本图像进行车牌识别，输出的预测车牌信息；所述预测车牌信息包括预测车牌类型、所述预测车牌类型对应的置信度、预测车牌号序列、预测车牌号序列的长度、预测车牌边框的位置和大小、以及所述预测车牌号序列的预测概率；
根据各所述车辆样本图像对应的真实车型信息、真实车牌信息、所述预测车型信息、所述对应的车型预测概率、以及所述预测车牌信息，基于预设的车辆识别复合模型的损失函数计算损失函数值，并根据损失函数值分别调节所述ResNet152网络模型和所述Darknet53网络模型的网络参数，直至调整后的ResNet152网络模型输出的所述预测车型信息和对应的车型预测概率，以及调整后的Darknet53网络模型输出的所述预测车牌信息，使得所述损失函数值达到预设值，则将最终调节后的ResNet152网络模型作为所述车型识别模型，和将最终调节后的Darknet53网络模型作为所述车牌识别模型；并将所述车型识别模型和所述车牌识别模型组成所述车辆识别复合模型。


4.根据权利要求3所述的弯道安全预警监控方法，其特征在于，获取所述ResNet152网络模型对每一所述车辆样本图像进行车型识别，输出的预测车型信息和对应的车型预测概率，包括：
提取所述ResNet152网络模型的倒数第二层卷积层输出的所述车辆样本图像中车辆的多维图像特征向量；
将所述多维图像特征向量转换成一维图像特征向量，并将所述一维图像特征向量输入至所述ResNet152网络模型的全连接层；
获取所述全连接层根据逻辑回归算法判断所述车辆样本图像中车辆分别属于所有车型的概率后，输出的所述预测车型信息和对应的车型预测概率。


5.根据权利要求3所述的弯道安全预警监控方法，其特征在于，获取所述Darknet53网络模型对每一所述车辆样本图像进行车牌识别后，输出的预测车牌信息，包括：
提取所述Darknet53网络模型的倒数第二层卷积层输出的所述车辆样本图像中车牌的深度学习特征，得到所述预测车牌类型、所述预测车牌类型对应的置信度和车牌中各字符对应的字符候选区域；
根据双线性采样算法将各所述字符候选区域统一映射为高度一致宽度变长的特征序列；
将所述特征序列输入至循环神经网络层，并将所述循环神经网络层输出的概率矩阵通过连接时序时间分类层进行识别，得到所述车辆样本图像中车牌的所述预测车牌号序列、所述预测车牌号序列的长度、以及所述预...

【专利技术属性】
技术研发人员：朱黎，赵坤，谭建军，孙先波，黄勇，易金桥，胡涛，
申请(专利权)人：湖北民族大学，恩施州师达电子信息科技有限公司，
类型：发明
国别省市：湖北;42