基于人工智能的电动车头盔识别方法技术

本发明专利技术涉及一种基于人工智能的电动车头盔识别方法，通过摄像头采集当前马路场景图，通过人体姿态技术估计识别出马路场景中的人体的关键节点，建立坐标系，按照头部关键节点坐标进行区域划分，利用最小二乘法得到人体头部坐标拟合直线，根据拟合直线得到共乘关键节点集合和非共乘关键节点集合，结合目标检测网络，对电动车人员是否按规定佩戴头盔进行识别判断，基于人工智能，极大的节省了检测成本，提高了工作效率。高了工作效率。高了工作效率。

【技术实现步骤摘要】
基于人工智能的电动车头盔识别方法


[0001]本申请涉及人工智能领域，具体涉及一种基于人工智能的电动车头盔识别方法。

技术介绍

[0002]目前对电动车人员是否佩戴头盔的检测主要有两种，一种是交警等工作人员的人工检测，缺点是：用有限的警力去检查数量巨大的电动车骑行者及乘客，不仅费时而且费力，工作效率较低；另一种是利用视频监控系统，通过路边交通摄像头来采集图像信息，利用DNN网络识别电动车驾驶者情况，先检测驾驶工具是否为电动车，在检测对应目标有无佩戴头盔，缺点是：当图像为道路摄像头从后上方获取，图像中目标较多且存在电动车带人的现象中，无法判断其是否存在违规现象。

技术实现思路

[0003]为了克服上述现有技术的缺点，本专利技术的目的是提供一种基于人工智能的电动车头盔识别方法。
[0004]为实现上述目的，本专利技术采用如下技术方案：一种基于人工智能的电动车头盔识别方法，包括如下步骤：获取非机动车道场景图片；通过人体姿态估计得到非机动车道场景中的人体关键节点，建立坐标系，得到每个人体关键节点中头部关键节点的坐标；根据头部关键节点坐标进行区域划分，对各区域内的头部关键节点坐标进行直线拟合，获得多条拟合直线，对多条拟合直线进行分类，得到共乘关系拟合直线和非共乘关系拟合直线，通过分类后的共乘关系拟合直线和非共乘关系拟合直线得到共乘关键节点集合和非共乘关键节点集合；使用目标检测网络对所有头部关键节点中对应的人体是否佩戴头盔进行检测，当检测出人体无佩戴头盔时，若该无佩戴头盔人体的头部关键节点位于共乘关键节点集合内，则该人体无佩戴头盔的事件存在违规，若无佩戴头盔人体的头部关键节点位于非共乘关键节点集合内，对人体无佩戴头盔事件对应的人员检测是否使用交通工具，若交通工具为电动车，则该人体无佩戴头盔事件存在违规。
[0005]所述直线拟合方法为：对人体头部关键节点按照坐标大小编号，并初始化头部位置点的连接标志和检测状态=0，选取标号最小的点，选取其一排中纵坐标差距不超过一半电动车车长的点划分为一个区域；计算该区域内的各个点的纵坐标的平均值，选取纵坐标和平均值差距不超过一个电动车车长的点，划分为一个区域，设置该点，选取该区域内剩余未检测的点中选取标号最小且的点，重复上述步骤，直到图像中不存在未检测的点；
依次遍历各个区域，利用最小二乘法对各区域内的点进行直线拟合得到拟合直线，若该拟合直线有内点也有外点时，该拟合直线为共乘关系拟合直线，若该拟合直线有内点无外点时，该拟合直线为非共乘关系拟合直线。
[0006]所述共乘关键节点集合包括所有共乘关系拟合直线中外点和距离该外点距离最短的内点，非共乘关键节点集合包括所有非共乘关系拟合直线中的内点和所有共乘关系拟合直线中无对应外点的内点。
[0007]所述人体姿态估计是通过Encoder
‑
Decoder结构的人体关键点检测网络，将训练过后的马路场景图像信息作为输入，并进行编码、解码，标签为人体的双脚、双膝、双胯、双肩、双肘、双手和头部等13类关键点，Loss函数采用均方差损失函数训练得到。
[0008]所述目标检测网络是使用Encoder
‑
FC网络，设人体头部坐标为，双肩坐标分别为，，以为中心，，为顶点裁剪出的矩形框进行标注和训练，得到标签为0的目标认定为无头盔目标，标签为1的目标认为是戴头盔目标。
[0009]所述检测驾驶工具方法如下：获取每个可疑对象的头部以及双手的位置坐标，设头部的坐标为，双手的位置坐标为，以，，，为顶点，做矩形框，使用Encoder
‑
FC网络检测该区域，若该区域有电动车后视镜，则说明驾驶工具为电动车。
[0010]本专利技术的有益效果为：基于人工智能，通过人体姿态估计技术，结合最小二乘法得到拟合直线，根据拟合直线得到共乘关系关键点集合和非共乘关键点集合，结合目标检测网络，分析人体头部关键点与集合的位置关系及交通工具，实现对头盔情况进行识别，判断是否违规，极大的节省了检测成本，精准而高效。
附图说明
[0011]图1是本专利技术一种基于人工智能的电动车头盔识别方法中应用场景示意图。
[0012]图2是本专利技术一种基于人工智能的电动车头盔识别方法流程图。
[0013]图3是本专利技术一种基于人工智能的电动车头盔识别方法中头部标记示意图。
[0014]图4是本专利技术一种基于人工智能的电动车头盔识别方法中去除背景后的头部坐标示意图。
[0015]图5是本专利技术一种基于人工智能的电动车头盔识别方法中头部编号示意图。
[0016]图6是本专利技术一种基于人工智能的电动车头盔识别方法中非共乘关系拟合直线示意图。
[0017]图7是本专利技术一种基于人工智能的电动车头盔识别方法中共乘关系拟合直线示意图。
[0018]图8是本专利技术一种基于人工智能的电动车头盔识别方法中应用场景中共乘关键点连接示意图。
具体实施方式
[0019]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例
方式作进一步地详细描述。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0020]实施例1:本实施例如图1所示，应用场景为非机动车道处，车辆较多。
[0021]本实施例如图2所示提供一种基于人工智能的电动车头盔识别方法，包括：获取非机动车道场景图片；该步骤是通过马路口高处的摄像机拍摄到当前场景中非机动车道的图片。
[0022]通过人体姿态估计得到非机动车道场景中的人体关键节点，建立坐标系，得到每个人体关键节点中头部关键节点的坐标；该步骤的目的是得到图像中的人体关键点位置，方便后续处理。
[0023]其中，人体的关键点检测网络为Encoder
‑
Decoder的结构，输入训练过后的马路场景图像信息，并对此进行编码，然后进行解码，标签为人体的双脚，双膝，双胯，双肩，双肘，双手和头部等13类关键点。
[0024]其中，标注过程为：每类关键点对应一个单通道，在该通道中，标记关键点对应像素的位置，而后采用高斯模糊，使标记点处形成关键点的人，本专利技术使用了13类关键点，故标签图像共包含13个通道。Loss函数采用均方差损失函数进行训练。
[0025]根据头部关键节点坐标进行区域划分，对各区域内的头部关键节点坐标进行直线拟合，获得多条拟合直线，对多条拟合直线进行分类，得到共乘关系拟合直线和非共乘关系拟合直线，通过分类后的共乘关系拟合直线和非共乘关系拟合直线得到共乘关键节点集合和非共乘关键节点集合；该步骤的目的是检测出所有点中存在电动车载人关系的点和不存在电动车载人关系的点的集合。
[0026]其中，直线拟合方法为:（1）初始化数据（1）初始化数据（1）初始化数据（1）初始化数据，以图像左下角为原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的电动车头盔识别方法，其特征在于，包括如下步骤：获取非机动车道场景图片；通过人体姿态估计得到非机动车道场景中的人体关键节点，建立坐标系，得到每个人体关键节点中头部关键节点的坐标；根据头部关键节点坐标进行区域划分，对各区域内的头部关键节点坐标进行直线拟合，获得多条拟合直线，对多条拟合直线进行分类，得到共乘关系拟合直线和非共乘关系拟合直线，通过分类后的共乘关系拟合直线和非共乘关系拟合直线得到共乘关键节点集合和非共乘关键节点集合；使用目标检测网络对所有头部关键节点中对应的人体是否佩戴头盔进行检测，当检测出人体无佩戴头盔时，若该无佩戴头盔人体的头部关键节点位于共乘关键节点集合内，则该人体无佩戴头盔的事件存在违规，若无佩戴头盔人体的头部关键节点位于非共乘关键节点集合内，对人体无佩戴头盔事件对应的人员检测是否使用交通工具，若交通工具为电动车，则该人体无佩戴头盔事件存在违规。2.根据权利要求1所述一种基于人工智能的电动车头盔识别方法，其特征在于，所述直线拟合方法为：对人体头部关键节点按照坐标大小编号，并初始化头部位置点的连接标志和检测状态=0，选取标号最小的点，选取其一排中纵坐标差距不超过一半电动车车长的点划分为一个区域；计算该区域内的各个点的纵坐标的平均值，选取纵坐标和平均值差距不超过一个电动车车长的点，划分为一个区域，设置该点，选取该区域内剩余未检测的点中选取标号最小且的点，重复上述步骤，直到图像中不存在未检测的点；依次遍历各个区域，利用最小二乘法对各区域内的点进行直线拟合得到拟合直线，若该拟合直线有...

【专利技术属性】
技术研发人员：吴亚斌，
申请(专利权)人：江苏巨亨智能科技有限公司，
类型：发明
国别省市：