【技术实现步骤摘要】
一种闯红灯的识别方法、装置、电子设备及存储介质
本申请涉及计算机视觉
,尤其涉及一种闯红灯的识别方法、装置、电子设备及存储介质。
技术介绍
近年来,人工智能在全球范围内迅速崛起,影响了我们生活的方方面面。在智能交通系统中,结合高清摄像机,依靠视频图像处理技术,实时地对经过的车辆进行全天候检测、抓拍与记录。现有的闯红灯识别方法主要依赖于人工对前端抓拍的车辆图像进行审核,确定是否闯红灯。专利技术人认为,采用现有技术中的人工审核方式,通过人工对前端抓拍图进行审核来识别车辆是否闯红灯,存在如下缺陷:1.前端识别功能弱,违法识别的准确率低,废片很多;2.目前完全依靠人工审核抓拍合成图像,成本高,效率低;3.人工处理速度慢,人力资源有限,无法及时处理所有的数据。4.人工审核误审率高,很多违法图被审核为废片。
技术实现思路
本申请实施例中提供了一种闯红灯的识别方法、装置、电子设备及存储介质,用于解决现有技术中人工审核识别准确率不高的问题。根据本申请实施例的第一个方面,提供了一种闯红灯的识别方法,包括:获取至少一组待识别图像;其中,一组待识别图像包括四张图像;四张图像包括目标车辆的放大图和三张过程图;三张过程图是分别包括目标车辆在路口三个不同位置的图像;对放大图执行车牌检测和特征提取,并根据目标车辆的车牌或特征确定三张过程图中的目标车辆;并对三张过程图车道线进行分割,确定三张过程图中目标车道线和目标停止线的位置;确定三张过程图中红绿灯的位置、种类和颜色;根据三张过程图中的目标车辆分别 ...
【技术保护点】
1.一种闯红灯的识别方法,其特征在于,包括:/n获取至少一组待识别图像;其中,一组待识别图像包括四张图像;所述四张图像包括目标车辆的放大图和三张过程图;所述三张过程图是分别包括所述目标车辆在路口三个不同位置的图像;/n对所述放大图执行车牌检测和特征提取,根据所述目标车辆的车牌或特征确定所述三张过程图中的目标车辆;并对所述三张过程图车道线进行分割,确定所述三张过程图中目标车道线和目标停止线的位置;确定所述三张过程图中红绿灯的位置、种类和颜色;/n根据所述三张过程图中的目标车辆分别与目标车道线和目标停止线的相对位置以及目标红绿灯颜色,确定所述目标车辆是否闯红灯。/n
【技术特征摘要】
1.一种闯红灯的识别方法,其特征在于,包括:
获取至少一组待识别图像;其中,一组待识别图像包括四张图像;所述四张图像包括目标车辆的放大图和三张过程图;所述三张过程图是分别包括所述目标车辆在路口三个不同位置的图像;
对所述放大图执行车牌检测和特征提取,根据所述目标车辆的车牌或特征确定所述三张过程图中的目标车辆;并对所述三张过程图车道线进行分割,确定所述三张过程图中目标车道线和目标停止线的位置;确定所述三张过程图中红绿灯的位置、种类和颜色;
根据所述三张过程图中的目标车辆分别与目标车道线和目标停止线的相对位置以及目标红绿灯颜色,确定所述目标车辆是否闯红灯。
2.根据权利要求1所述的方法,其特征在于,在获取至少一组待识别图像之前,还包括:
获取原始输入图像;
将原始输入图像划分为多个区域,根据所述多个区域的曝光程序的不同,预设不同的权重系数;
根据所述多个区域分别对应的权重系数,确定图像的最佳曝光率;
根据所述最佳曝光率合成曝光图像;
根据所述原始输入图像和所述合成的曝光图像,得到增强的图像;
将所述增强的图像作为待识别图像。
3.根据权利要求1所述的方法,其特征在于,根据所述目标车辆的车牌确定所述三张过程图中的目标车辆,具体包括:
对所述三张过程图中的多个车辆执行车牌检测;
将所述放大图中的车牌与多个车辆的车牌进行对比;
当车牌一致时,确定目标车辆。
4.根据权利要求1所述的方法,其特征在于,根据所述目标车辆的特征确定所述三张过程图中的目标车辆,具体包括:
对所述三张过程图中的多个车辆执行特征提取;
将所述放大图中的车辆特征与多个车辆的特征进行对比;
根据对比结果,确定目标车辆。
5.根据权利要求1所述的方法,其特征在于,
对所述三张过程图车道线进行分割,具体包括:利用深度学习分割网络对所述三张过程图中的车道线进行分割;
确定所述三张过程图中红绿灯的位置、种类和颜色,具体包括:通过红绿灯检测识别算法确定所述三张过程图中红绿灯的位置、种类和颜色。
6.根据权利要求5所述的方法,其特征在于,所述深度学习分割网络的输出上采样2倍后,将网络下采样1/8的特征图进行连接,block2层的输出使用1*1的卷积降维,再将网络上采样2倍。
7.根据权利要求5所述的方法,其特征在于,所述深度学习分割网络中的每张训练图像的车道线和背景为不同的损失权重:
其中,p为对应类别在总体样本中出现的概率,c是预设的超参数。
8.根据权利要求7所述的方法,其特征在于,所述深度学习分割网络中对每一张标注图像计算一个权重图,车道线区域的权重图如下:
其中,d(x)代表到最近车道线边界的距离的平方;w0和σ为经验值。
9.根据权利要求5所述的方法,其特征在于,所述深度学习分割网络激活函数使用EReLU。
10.根据权利要求5所述的方法,其特征在于,在确定所述三张过程图中红绿灯的位置之前,还包括:
将各过程图裁剪为X张小图;各相邻小图彼此之间重叠N个像素;
通过红绿灯检测识别算法确定所述三张过程图中红绿灯的位置,具体包括:在各过程图对应的X张小图中检测红绿灯的位置,并根据各个结果得到各过程图中红绿灯的位置。
11.根据权利要求5所述的方法,其特征在于,在确定所述三张过程图中红绿灯的种类和颜色之前,还包括:
在训练样本中,对左转红绿灯左右翻转扩大所述右转红绿灯的样本量;
确定用于识别红绿灯的种类和颜色的网络;所述网络的全连接层连接两个分支,一个分支用于识别红绿灯种类,另一个分支用于识别红绿灯颜色;所述两个分支的损失函数采用FocalLoss函数。
12.根据权利要求1所述的方法,其特征在于,根据所述三张过程图中的目标车辆分别与目标车道线和目标停止线的相对位置以及目标红绿灯颜色,确定所述目标车辆是否闯红灯,具体包括:
根据所述目标车辆的位置和所述目标车道线和目标停止线的位置,确定所述三张过程图中的目标车辆分别与目标车道线和目标停止线的相对位置;所述相对位置包括未过停止线、越过停止线较短距离、越过停止线较长距离;
根据所述目标车辆越过目标停止线较长距离的图像,判断所述目标车辆的行驶方向;
根据所述目标车辆的行驶方向、红绿灯的位置和种类,确定目标红绿灯;
当三张过程图中所述目标红绿灯颜色均为红色时,确定所述目标车辆闯红灯。
13.一种闯红灯的识别装置,其特征在于,包括:
获取模块,用于获取至少一组...
【专利技术属性】
技术研发人员:周星宇,张二路,毛雷,张德兵,周瑞,
申请(专利权)人:北京格灵深瞳信息技术有限公司,
类型:发明
国别省市:北京;11
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。