一种位于交通路口及弯道的检测预警方法及系统技术方案

本发明专利技术提供了一种位于交通路口及弯道的检测预警方法及系统，通过摄像设备在距离目标路口或目标弯道第一预设距离处连续采集原始图像；通过基于条件生成对抗网络的去雾算法对所述原始图像进行去雾处理，获得无雾图像；通过图像检测网络检测所述无雾图像中的车辆和行人；当检测到目标物，则将该目标物和该目标物距离路口或弯道的距离通过警示设备进行显示。本发明专利技术能够实时地监控弯道、路口等复杂路段，为驾驶员提供准确而及时的路况信息，填补农村弯道、路口预警方案的空白，适用于复杂的农村环境，大幅降低农村交通事故发生率。大幅降低农村交通事故发生率。大幅降低农村交通事故发生率。

【技术实现步骤摘要】
一种位于交通路口及弯道的检测预警方法及系统


[0001]本专利技术涉及图像检测
，尤其涉及一种位于交通路口及弯道的检测预警方法及系统。

技术介绍

[0002]在我国农村交通中，每年都会发生大量的交通事故，造成很多人致伤、致残甚至致死。农村交通中发生交通事故的原因有很多，其中一个重要原因是农村道路路况复杂，驾驶员不能及时地获取到交通状况信息，尤其是弯道、或者路口等不易看清路况的路段，进而导致了繁多的交通事故。因而，引入先进的基于摄像头的检测技术来对弯道、路口等复杂路段进行实时监测，提取路况信息并展示出来，为当前路段的驾驶员提供准确且实时的路况信息，起到大幅降低农村交通事故的作用。然而，当前的一些检测技术并不能很好地适用于农村交通，由于农村道路多靠近山地、农田等地理环境，风沙较大，雾气也大，用于检测的抓拍照片大多不太清晰。
[0003]现有技术的检测算法应用场景皆为环境较好、抓拍图片清晰的场景，对进一步复杂且并不良好的环境则支持的不是很友好。在农村环境中尚未被引用进入实际使用，一部分原因便是因为农村环境复杂，难以实现较好的工作效果。目前较流行的基于深度学习的目标检测技术是基于摄像头拍摄的照片来进行检测，因而对输入图像的质量要求较高，且若输入照片有噪声扰动则会对检测结果造成很大影响。

技术实现思路

[0004]为了克服上述技术缺陷，本专利技术的目的在于提供一种适用于雾气、风沙等环境干扰因素较大的弯道的。
[0005]本专利技术公开了一种位于交通路口及弯道的检测预警方法，包括：通过摄像设备在距离目标路口或目标弯道第一预设距离处连续采集原始图像，所述摄像设备设于目标路口的入口处、或设于目标弯道的外侧；通过基于条件生成对抗网络的去雾算法对所述原始图像进行去雾处理，所述基于条件生成对抗网络包括生成器和判别器；将所述原始图像输入生成器，获得无雾图像；将所述无雾图像与所述原始图像通过判别器进行对比，通过所述判别器的孪生神经网络进行相似度判断以获知该无雾图像是否为所述原始图像的无雾图像，若是，则输出该无雾图像；通过图像检测网络检测所述无雾图像中的目标物，所述目标物包括车辆和行人；当检测到目标物，则将该目标物和该目标物距离路口或弯道的距离通过警示设备进行显示；所述警示设备设于距离目标路口或目标弯道第二预设距离处，且位于所述目标路口或所述目标弯道的内侧。
[0006]优选的，所述基于条件生成对抗网络的去雾算法的损失函数为：
[0007]LossG＝log(D(x,G(x)))*W1+(y
‑
G(x))2*W2；所述判别器的损失函数为：
[0008]LossG＝
‑
(log(D(x,y))+log(1
‑
D(x,G(x))))；其中，G为生成器，D为判别器，x为原始图像，y为无雾图像。
[0009]优选的，所述生成器为Unet++网络，采用一条下采样通道和四条上采样通道，利用连接结构、并通过维度拼接的方法进行特征叠加；且在下采样阶段的每个卷积模块中，使用空洞率为[1,2,3,5]的串联空洞卷积组。
[0010]优选的，所述判别器包括Block_1、Block_2、Block_3、Block_4，其中：Block_2为inception_v4网络中的inception
‑
A模块；Block_3为inception_v4网络中的inception
‑
B模块；Block_4为inception_v4网络中的inception
‑
C模块。
[0011]优选的，所述当检测到目标物，则将该目标物和该目标物距离路口或弯道的距离通过警示设备进行显示还包括：将该目标物所位于的车道通过警示设备进行显示。
[0012]优选的，还包括：以第一预设时间段为间隔，保存所述第一预设时间内获取的若干张所述无雾图像中清晰度最高的一张无雾图像，作为分析图像；若检测到该第一预设时间段内的交通事故，则通过图像识别获取所述分析图像中的车辆的车牌号。
[0013]优选的，所述若检测到该第一预设时间段内的交通事故，则通过图像识别获取所述分析图像中的车辆的车牌号还包括：若无法检测获取车牌号，则将该分析图像进行标记保存。
[0014]优选的，所述第二预设距离大于20米。
[0015]本专利技术还公开了一种位于交通路口及弯道的检测预警系统，包括摄像模块、处理模块和警示模块；通过所述摄像模块在距离目标路口或目标弯道第一预设距离处连续采集原始图像，所述摄像模块设于目标路口的入口处、或设于目标弯道的外侧；通过所述处理模块内的基于条件生成对抗网络的去雾算法对所述原始图像进行去雾处理，获得无雾图像；并通过所述处理模块内的图像检测网络检测所述无雾图像中的目标物，所述目标物包括车辆和行人；当检测到目标物，则将该目标物和该目标物距离路口或弯道的距离通过所述警示模块进行显示；所述警示模块设于距离目标路口或目标弯道第二预设距离处，且位于所述目标弯道的内侧。
[0016]优选的，所述摄像模块包括设有云台的摄像头；所述警示模块包括设有灯具和扩音器的大屏显示器。
[0017]采用了上述技术方案后，与现有技术相比，具有以下有益效果：
[0018]1.通过Unet++网络结构对拍摄的路况照片进行去雾处理，减少图像中的干扰因素，适用于尘沙较大、雾气较重等道路环境复杂的农村弯道、路口等；几乎不会发生颜色失真，高度还原无雾场景，提高去雾准确率，为检测流程输入清晰度更高的图像，保证了道路环境复杂的农村环境下各类检测算法的精度；本专利技术能够实时地监控弯道、路口等复杂路段，为驾驶员提供准确而及时的路况信息，填补农村弯道、路口预警方案的空白，适用于复杂的农村环境，大幅降低农村交通事故发生率。
附图说明
[0019]图1为本专利技术提供的检测预警方法流程图；
[0020]图2为本专利技术提供的基于条件生成对抗网络的去雾算法流程；
[0021]图3为本专利技术提供的Unet++网络结构图；
[0022]图4为本专利技术提供的判别器网络的其中一结构图；
[0023]图5为本专利技术提供的附图4判别器网络的Block_1的结构图；
[0024]图6为本专利技术提供的判别器网络的孪生神经网络的结构图。
具体实施方式
[0025]以下结合附图与具体实施例进一步阐述本专利技术的优点。
[0026]这里将详细地对示例性实施例进行说明，其示例表示在附图中。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公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0027]在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种位于交通路口及弯道的检测预警方法，其特征在于，包括：通过摄像设备在距离目标路口或目标弯道第一预设距离处连续采集原始图像，所述摄像设备设于目标路口的入口处、或设于目标弯道的外侧；通过基于条件生成对抗网络的去雾算法对所述原始图像进行去雾处理，所述基于条件生成对抗网络包括生成器和判别器；将所述原始图像输入生成器，获得无雾图像；将所述无雾图像与所述原始图像通过判别器进行对比，通过所述判别器的孪生神经网络进行相似度判断以获知该无雾图像是否为所述原始图像的无雾图像，若是，则输出该无雾图像；通过图像检测网络检测所述无雾图像中的目标物，所述目标物包括车辆和行人；当检测到目标物，则将该目标物和该目标物距离路口或弯道的距离通过警示设备进行显示；所述警示设备设于距离目标路口或目标弯道第二预设距离处，且位于所述目标路口或所述目标弯道的内侧。2.根据权利要求1所述的检测预警方法，其特征在于，所述基于条件生成对抗网络的去雾算法的损失函数为：LossG＝log(D(x,G(x)))*W1+(y
‑
G(x))2*W2；所述判别器的损失函数为：LossG＝
‑
(log(D(x,y))+log(1
‑
D(x,G(x))))；其中，G为生成器，D为判别器，x为原始图像，y为无雾图像。3.根据权利要求1所述的检测预警方法，其特征在于，所述生成器为Unet++网络，采用一条下采样通道和四条上采样通道，利用连接结构、并通过维度拼接的方法进行特征叠加；且在下采样阶段的每个卷积模块中，使用空洞率为[1,2,3,5]的串联空洞卷积组。4.根据权利要求1所述的检测预警方法，其特征在于，所述判别器包括Block_1、Block_2、Block_3、Block_4，其中：Block_2为inception_v4网络中的inception
‑
A模块；Blo...

【专利技术属性】
技术研发人员：李才博，王迅，
申请(专利权)人：昭通亮风台信息科技有限公司，
类型：发明
国别省市：