一种车路协同的交警动作识别方法和装置制造方法及图纸

本发明专利技术公开了一种车路协同的交警动作识别方法和装置，通过获取在指挥监测区域拍摄到的包含人员的第一图像，并通过人脸识别技术对人员的身份进行识别，根据识别结果判断人员是否是合法交通指挥人员；获取在车辆监测区域拍摄到的车辆前方的包含人员的第二图像，并获取拍摄到的包含人员和车辆的第三图像；通过位置回归网络分别对第二图像和第三图像进行人体检测，将各自的颜色通道分别进行归一化并叠加得到双视角图片；将双视角图片输入深度卷积神经网络，输出分数最高的动作作为最终结果；将各个动作的三维模型生成的二维图片与第二局部图像输入姿态一致性判别网络，判断得到姿态是否具备一致性。本发明专利技术可以提高自动驾驶系统的安全性。的安全性。的安全性。

【技术实现步骤摘要】
一种车路协同的交警动作识别方法和装置


[0001]本专利技术涉及行为识别领域，具体涉及一种车路协同的交警动作识别方法和装置。

技术介绍

[0002]自动驾驶是当前人工智能智能的热点研究方向。对车辆感知到的场景进行理解和分析是自动驾驶中的核心技术。自动驾驶作为未来智能交通系统的重要组成部分，能够准确识别交警动作并及时作出判断是无人驾驶汽车安全行驶的重要保障。
[0003]现有的交警动作识别方法将常规的动作识别方法直接应用过来。主要的思路是：首先获取带标签的动作类别的训练数据集(图像或者视频)；然后，利用机器学习技术构建分类器。常用的分类器有：支持向量机、随机森林和深度学习等。
[0004]目前对交警动作识别的研究有两大类：基于可穿戴式传感器的方法以及基于视觉传感器的方法，对于自动驾驶汽车而言基于视觉方法更具有可行性。传统的基于视觉的交警动作识别方法分为两步，首先基于视频序列提取交警手势的空间特征，其次对空间特征分类。然而由于交警的身高、衣着，交通场景光照以及复杂度等条件的影响，交警手势空间特征提取存在较大误差；同时传统的特征分类方法只能针对简单特定场景，而且模型泛化能力较差，无法满足实际应用中实时性与精度要求。
[0005]现有的交警动作识别方法将常规的动作识别方法直接应用过来。主要的思路是：首先获取带标签的(动作类别)的训练数据集(图像或者视频)；然后，利用机器学习技术构建分类器。常用的分类器有：支持向量机、随机森林和深度学习等。
[0006]现有的方法没有解决的一个问题是：自动驾驶场景中的交警动作识别方法包含两个层面：
[0007](1)要判断当前在车辆前方的人是否是交警；
[0008](2)在步骤1的基础，利用现有的技术对交警的动作进行识别。
[0009]有鉴于此，建立一种车路协同的交警动作识别方法和装置是非常具有意义的。

技术实现思路

[0010]针对上述提到当自动驾驶车辆在十字路口时，如何确定是否有交警并理解交警的动作，从而决定驾驶策略等问题。本申请的实施例的目的在于提出了一种车路协同的交警动作识别方法和装置来解决以上
技术介绍
部分提到的技术问题。
[0011]第一方面，本申请的实施例提供了一种车路协同的交警动作识别方法，包括以下步骤：
[0012]身份确认步骤，获取在指挥监测区域拍摄到的包含人员的第一图像，并通过人脸识别技术对人员的身份进行识别，得到识别结果，根据识别结果判断人员是否是合法交通指挥人员，若是则进入下一步骤，否则发出预警；
[0013]数据采集步骤，在车辆进入车辆监测区域后，对车辆发送指挥监测区域内有合法交通指挥人员的指示，获取在车辆监测区域拍摄到的车辆前方的包含人员的第二图像，并
获取在指挥监测区域和车辆监测区域的附近拍摄到的包含人员和车辆的第三图像；
[0014]数据处理步骤，通过位置回归网络分别对第二图像和第三图像中的人员进行检测，获得包含人员的外接紧凑矩形框的第二局部图像和第三局部图像，将第二局部图像和第三局部图像的各自的颜色通道分别进行归一化并叠加得到双视角图片；
[0015]分类步骤，将双视角图片输入深度卷积神经网络，得到对应于人员的各个动作的分数，输出分数最高的动作作为最终结果；以及
[0016]验证步骤，通过具有各个动作的三维模型生成对应视角下的二维图片，将二维图片与最终结果所对应的第二局部图像输入姿态一致性判别网络，判断得到二维图像与最终结果所对应的第二局部图像的姿态是否具备一致性，若是，则表明最终结果是正确的，否则将车辆设置为人工驾驶模式，其中姿态一致性判别网络采用三层架构的多层感知机模型。
[0017]在一些实施例中，第三图像中人员的外接紧凑矩形框的高度大于100个像素，车辆的外接紧凑矩形框的宽度大于200个像素。根据第三图像上人员和车辆的像素大小可以清晰地看到指挥监测区域上的人员和车辆监测区域的车辆，便于后续对第三图像进行处理，获得不同视角下的人员的动作。
[0018]在一些实施例中，身份确认步骤具体包括：
[0019]当人员进入指挥监测区域，判断人员是否是交警着装的人体并站立在指挥监测区域，若是则进入下一步骤；
[0020]获取第一图像，基于第一图像进行人脸识别，得到识别结果；以及
[0021]根据识别结果与交通指挥系统当天的任务分配情况进行比对，得到比对结果，根据比对结果判断人员是否是合法交通指挥人员。
[0022]通过以上步骤，可以避免其他人员在指挥监测区域进行对自动驾驶的车辆进行误导指挥，造成其他安全隐患。
[0023]在一些实施例中，第一图像的高度大于60个像素。在此情况下可以拍摄到人员的人脸图片，人脸识别的准确度比较高。
[0024]在一些实施例中，数据采集步骤具体包括：
[0025]在车辆监测区域监测到车辆驶入，则建立与车辆的通信连接，并向车辆发送指挥监测区域内有合法交通指挥人员的指示；
[0026]当车辆对指示进行解析后，通过车辆上的图像采集设备拍摄获得车辆前方的第二图像；以及
[0027]在接收到第二图像后，获取到第三图像。
[0028]第二图像和第三图像从多个视角中获得，可以准确分析评估出交警的动作，提高动作识别的准确度。
[0029]在一些实施例中，还包括以下步骤：
[0030]在接收到第二图像的第n毫秒后，接收到车辆发送的获取最终结果的请求，若在m秒内无法发送最终结果或发送的最终结果为未识别，则将车辆设置为人工驾驶模式。
[0031]基于动作识别的最终结果切换车辆的人工驾驶和自动驾驶模式，实现车路协同创新一体化。
[0032]在一些实施例中，数据处理步骤中第二局部图像和第三局部图像归一化后具有固定大小，并至少包含RGB三个颜色通道，根据颜色通道分别进行叠加后转换为具有三维张量
的双视角图片。通过对第二局部图像和第三局部图像结合进行归一化处理得到双视角图片，通过双视角进行动作识别，提高动作识别的准确度。
[0033]在一些实施例中，深度卷积神经网络的隐含层设置为5层，采用ReLU作为激活函数，隐含层的神经元的数目分别为200、150、100、50、25，深度卷积神经网络的损失函数采用交叉熵损失。经过训练后的深度卷积神经网络能够对交警的动作进行准确的识别。
[0034]在一些实施例中，数据处理步骤具体包括：在第二图像和第三图像上设置感兴趣区域，将感兴趣区域输入位置回归网络，输出第二局部图像和第三局部图像，其中位置回归网络采用包括输入、隐含层和输出层的全连接的卷积神经网络，隐含层有3个，隐含层的神经元数目分别为100、50、25，并采用距离平方损失函数。通过位置回归网络可以对第二图像和第三图像中的交警人员进行检测，得到具有紧凑矩形框的第二局部图像和第三局部图像。
[0035]第二方面，本申请的实施例还提出了一种车路协同的交警动作识别装置，包括：
[0036]身份确认模块，被配置为获取在指挥监测区域拍本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车路协同的交警动作识别方法，其特征在于，包括以下步骤：身份确认步骤，获取在指挥监测区域拍摄到的包含人员的第一图像，并通过人脸识别技术对所述人员的身份进行识别，得到识别结果，根据所述识别结果判断所述人员是否是合法交通指挥人员，若是则进入下一步骤，否则发出预警；数据采集步骤，在车辆进入车辆监测区域后，对所述车辆发送所述指挥监测区域内有合法交通指挥人员的指示，获取在所述车辆监测区域拍摄到的所述车辆前方的包含所述人员的第二图像，并获取在所述指挥监测区域和所述车辆监测区域的附近拍摄到的包含所述人员和所述车辆的第三图像；数据处理步骤，通过位置回归网络分别对所述第二图像和所述第三图像中的所述人员进行检测，获得包含所述人员的外接紧凑矩形框的第二局部图像和第三局部图像，将所述第二局部图像和所述第三局部图像的各自的颜色通道分别进行归一化并叠加得到双视角图片；分类步骤，将所述双视角图片输入深度卷积神经网络，得到对应于所述人员的各个动作的分数，输出分数最高的动作作为最终结果；以及验证步骤，通过具有各个动作的三维模型生成对应视角下的二维图片，将所述二维图片与所述最终结果所对应的所述第二局部图像输入姿态一致性判别网络，判断得到所述二维图像与所述最终结果所对应的所述第二局部图像的姿态是否具备一致性，若是，则表明所述最终结果是正确的，否则将所述车辆设置为人工驾驶模式，其中所述姿态一致性判别网络采用三层架构的多层感知机模型。2.根据权利要求1所述的车路协同的交警动作识别方法，其特征在于，所述第三图像中所述人员的外接紧凑矩形框的高度大于100个像素，所述车辆的外接紧凑矩形框的宽度大于200个像素。3.根据权利要求1所述的车路协同的交警动作识别方法，其特征在于，所述身份确认步骤具体包括：当所述人员进入所述指挥监测区域，判断所述人员是否是交警着装的人体并站立在所述指挥监测区域，若是则进入下一步骤；获取所述第一图像，基于所述第一图像进行人脸识别，得到所述识别结果；以及根据所述识别结果与交通指挥系统当天的任务分配情况进行比对，得到比对结果，根据所述比对结果判断所述人员是否是合法交通指挥人员。4.根据权利要求1所述的车路协同的交警动作识别方法，其特征在于，所述第一图像的高度大于60个像素。5.根据权利要求1所述的车路协同的交警动作识别方法，其特征在于，所述数据采集步骤具体包括：在所述车辆监测区域监测到所述车辆驶入，则建立与所述车辆的通信连接，并向所述车辆发送所述指挥监测区域内有合法交通指挥人员的指示；当所述车辆对所述指示进行解析后，通过所述车辆上的图像采集设备拍摄获得所述车辆前方的所述第二图像；以及在接收到所述第二图像后，获取到所述第三图像。6.根据权利要求5所述的车路协同的交警动作识别方法，其特征在于，还包括以下步
骤：在接收到所述第二图像的第n毫秒后，接收到所述车辆发送的获取所述最终结果的请求，若在m秒内无法发送所述最终结果或发送的所述最终结果为未识别，则将所述车辆设置为人工驾驶模式。7.根据权利要求1
‑
6中任...

【专利技术属性】
技术研发人员：苏松剑，苏松志，蔡国榕，江文涛，吴俊，
申请(专利权)人：罗普特厦门系统集成有限公司，
类型：发明
国别省市：