一种对车辆违规行为的检测方法及其系统技术方案

本发明专利技术公开一种对车辆违规行为的检测方法及其系统，其系统包括双目摄像头模块、中央处理器、GPS定位模块、舵机控制模块、云计算服务器和云管理平台。本发明专利技术利用主车和从车拍摄的视频信息形成的违规证据链，可以从各角度收集违规证件进行车辆重识别综合判断车辆是否违规，使得证据链更完整，并且证据更清晰，极大的降低了误检率；并且证据链通过车辆重识别算法对违规行为进行精确检测，硬件所搭载的算法为可以抵抗对抗性样本攻击的Yolo‑DAP算法，对抗性样本攻击中表现更加优良，检测更精确。

【技术实现步骤摘要】
一种对车辆违规行为的检测方法及其系统
本专利技术涉及行车安全
，具体涉及一种可在行驶中进行违章取证的对车辆违规行为的检测方法及其系统。
技术介绍
智能交通促进人、车、路的和谐，是城市发展重要部分。对车辆违规行为的智能化检测是交通治理中重要的一环，关系到人民生命财产安全，车辆违章检测，通常通过固定位置的摄像头拍摄视频，由管理人员根据视频判别哪些车辆存在违章行为，并记录该段违章过程用于对驾驶员处罚的依据。在这样的过程中，首先需要大量的人力物力，需要人力去检测诸多视频，而且还会存在误检漏检现象；其次，由于固定位置摄像头有限，只能拍摄到一定范围内的违章现象；最后由于现有摄像头涵盖范围有限，会让部分司机存在侥幸心理，在摄像头拍摄区域外恣意妄为，无视交规，造成重大事故。现有技术中为此做了一些研究，如公开号为CN104952122A的中国专利公开了一种可自动进行违章取证的行车记录仪，包括三维视觉系统和处理模块，三维视觉系统采集行驶环境中的视频数据并识别行驶环境中的交通标识和周围车辆以生成交通标识信息和周围车辆信息，判断周围车辆是否触发所述交通标本文档来自技高网...

【技术保护点】
1.一种对车辆违规行为的检测方法，其特征在于，包括以下步骤：/n(1)主车采集行驶环境中的视频流，并使用目标检测算法对视频流进行目标检测，判断视频流中是否有违规行为的违章车辆；当判断存在违规行为时，同时判断当前道路是否处于特殊状态，如道路不处于特殊状态，提醒用户前方车辆可能存在违规行为，同时识别车辆的车牌号、记录违规时间段；并将检测出违规车辆的相关视频进行压缩后和GPS信息、时间信息一起上传至云计算服务器；/n(2)云计算服务器在云端对图像进行超分辨重建，将违规车辆车的牌号、视频帧对应的时间和当前GPS信息上传至云管理平台；/n(3)云计算服务器根据GPS信息向违规车辆周围的从车发送消息；/n...

【技术特征摘要】
1.一种对车辆违规行为的检测方法，其特征在于，包括以下步骤：
(1)主车采集行驶环境中的视频流，并使用目标检测算法对视频流进行目标检测，判断视频流中是否有违规行为的违章车辆；当判断存在违规行为时，同时判断当前道路是否处于特殊状态，如道路不处于特殊状态，提醒用户前方车辆可能存在违规行为，同时识别车辆的车牌号、记录违规时间段；并将检测出违规车辆的相关视频进行压缩后和GPS信息、时间信息一起上传至云计算服务器；
(2)云计算服务器在云端对图像进行超分辨重建，将违规车辆车的牌号、视频帧对应的时间和当前GPS信息上传至云管理平台；
(3)云计算服务器根据GPS信息向违规车辆周围的从车发送消息；
(4)从车接收到消息后把在违规时间内拍摄到的视频信息压缩后上传至云计算服务器；
(5)云计算服务器再次对视频流信息进行超分辨重建，主车和从车的视频信息形成的违规证据链进行车辆重识别并确定车辆在视频画面中的位置，综合多角度判断车辆是否违规；若车辆违规且不在特殊车辆数据库当中，则将违规车辆信息和证据链保存至云管理平台数据库中；若车辆违规情况仍旧无法进行判断且不属于特殊车辆数据库当中则上传至人工通道进行判断；若车辆没有违规则删除违规证据链。


2.根据权利要求1所述的一种对车辆违规行为的检测方法，其特征在于：当从车接收到主车发送的图像信息后，首先对图像信息进行解析以获取从云管理服务器传输来的时间戳信息；然后将时间戳内的视频流进行压缩，接着移动摄像头舵机采集周围车辆信息判断当前视野中是否有目标车辆，如果还有画面中识别到目标车辆则将摄像头舵机移动到合适的拍摄角度再拍摄5秒，将再次拍摄的视频数据进行压缩一并上传至云计算服务器。


3.根据权利要求1或2所述的一种对车辆违规行为的检测方法，其特征在于：在步骤(1)中，如道路处于特殊状态，判断道路处于特殊状态时车辆是否违规，如违规，则识别车辆的车牌号、记录违规时间段；并将检测出违规车辆的相关视频帧进行压缩后上传至云计算服务器。


4.根据权利要求1或2所述的一种对车辆违规行为的检测方法，其特征在于，在步骤(1)中使用的目标检测算法为YOLO-DAP算法，包括以下步骤：
①训练基础YOLO识别网络：将FPRN层和PRN层的参数进行冻结，训练出可以正常识别物体的神经网络；
②训练SVM分类器：首先对抗样本图像数据集进行整理，数据中包含正常图像和干扰之后的图像，正常的图像对应输出标签0，干扰之后的图像即为对抗性图像，模型输入为干扰数据即对抗性图像与正常图像按照向量运算相减之后的干扰像素，若输出标签为0则表示不是干扰像素，若输出标签为1则表示为干扰像素，经过多次迭代后当SVM分类器可以在测试数据集中表现良好时停止训练；
③训练PRN层和FPRN层：将Yolo骨干网络除FPRN层外的参数进行冻结，即在接下来的训练过程中只更新PRN层和FPRN层的参数，训练数据集为正常图像和由正常图像生成的干扰图像，在一次迭代的过程中，将正常图像直接输入到目标网络当中得到预测标签即图像是正常图像还是经过恶意扰动后会对检测网络造成影响的图像，之后将干扰图像输入PRN层后再输入到目标检测网络中得到图像中车辆、行人等物体的位置信息、置信度信息和类别信息，最后根据损失函数的计算结果更新网络权重；
④对攻击图像分类：使用训练好的SVM分类器对输入的图像进行分类，判断该图像是否为攻击图像；
⑤对攻击图像进行修复：如果步骤④中判断输入图像为攻击图像则...

【专利技术属性】
技术研发人员：雷晓春，卢畅，陈俊彦，盖军雄，宫照庭，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45