【技术实现步骤摘要】
一种结合深度学习和高斯混合模型的无监督逆行检测算法
[0001]本专利技术涉及逆向行驶检测
，尤其涉及一种结合深度学习和高斯混合模型的无监督逆行检测算法。
技术介绍
[0002]现存的车辆逆行检测算法，主要有两种：1.基于细粒度分类的方法，通过目标检测识别出车辆，然后对识别的目标框进行细粒度分类，得到车辆的朝向(四方向或者八方向分类)，通过对比车辆朝向和事先设定的道路方向，即可判断出逆行车辆，该方法为二阶段算法，响应慢，细分类数据标注繁琐，且需要人为提供先验知识，应用面较窄；2.基于目标追踪的方法，通过目标检测算法识别出车辆，然后送入追踪算法进行追踪，同步算出该目标的运动方向，结合预先设定的道路方向，即可判断逆行车辆，该方法较前述方法更为简单，无需额外标注数据，但同样的，其也需要人为指定正确行驶方向，具有局限性。
[0003]综上所述，本专利技术通过设计一种结合深度学习和高斯混合模型的无监督逆行检测算法来解决存在的问题。
技术实现思路
[0004]本专利技术的目的在于提供一种结合深度学习和高斯混...
【技术保护点】
【技术特征摘要】
1.一种结合深度学习和高斯混合模型的无监督逆行检测算法，包括目标检测、目标追踪和速度聚类，其具体步骤如下：S1，目标检测：采用一阶段目标检测算法，并且利用coco预训练模型，可以得到车辆检测器，用该检测器可以检测出图片中车辆的位置坐标及宽高；S2，将S1中得到的目标图片和位置信息送入追踪器，进行追踪计算，将不同时间帧图片中的相同目标找到，同时通过状态转移矩阵得到目标的速度，考虑到单目相机的测距并不准确，此处的速度主要指速度方向，后面相同；S3，将图片进行网格化得到若干区域，每个区域初始化一个速度记录器，用来记录该区域的过往速度，并判断后续速度是否属于逆行，按照S1和S2，步骤得到车辆的位置和速度后，根据该车辆的位置选择速度记录器，将车辆的速度录入，更新记录器并判断车辆是否逆行。2.根据权利要求1所述的一种结合深度学习和高斯混合模型的无监督逆行检测算法，其特征在于，所述S1中一阶段目标检测算法包括但不仅限于yolo，ssd，retinanet,并且其具体步骤如下：S11,以yolov5为例，将图片变形为640*640的尺寸送入网络，得到包含[x,y,w,h,c,s]的识别结果，其中x，y为目标中心点坐标，w，h为目标框的宽和高，c是目标的类别，s为目标的置信度；S12,根据x，y，w，h和原图得到一个个具体目标的图片及其在原图中的位置。3.根据权利要求2所述的一种结合深度学习和高斯混合模型的无监督逆行检测算法，其特征在于，所述S2中追踪器采用但不仅限于deepsort,其具体步骤如下：以deepsort为例，得到每一个目标的唯一id，id相同的目标为同一个物体，由于deepsort中的卡尔曼滤波器的转移矩阵如下：从而在追踪的过程中也得到了目标的速度。4.根据权利要求3所述的一种结合深度学习和高斯混合模型的无监督逆行检测算法，其特征在于，所述S3中网格化的具体步骤如下：由于车辆的行驶方向是否属于逆行与其所处的路段有关，所以对图片进行网格化，假设图片尺寸为W*H，每一个小网格的尺寸为w*h，从而得到一共W//w*H//h个网格，每一个网格都初始化一个速度记录器，目标位置(x，y)和其所属的网格(i，j)之间的对应关系为(i，j)＝(x//w,y//h)。5.根据权利要求4所述的一种结合深度学习和高斯混合模型的无监督逆行检测算法，其特征在于，所述S3中速度记录器的具体步骤如下：每一个速度记录器实质是一个聚类器，采用高斯混合模型，记录该区域内过往行驶车辆的速度,聚类的簇k等于该区域的最大可通行方向，一般设为4即通常最大通行方向发生在交叉路口处，一般不会超过4个，高斯混合模型的参数计算过程一般采用极大似然估计和EM算法，结合实际情况，对EM算法进行简化。6.根据权利要求5所述的一种结合深度学习和高斯混合模型的无监督逆行检测算法，
其特征在于，所述S3中逆行的检测的具体步骤如下：对于每一个速度记录器，当速度个数，即样本数量大于一定值时，即可进行逆行判断，对于新来的车辆，计算其速度属于该区域的速度分布的概率，并基于此判断车辆速度是否正常即是否逆行。7.根据权利要求6所述的一种结合深度...
【专利技术属性】
技术研发人员：姚健，孙盛婷，吴凡，胡超，邬伟杰，赖盛鑫，赵万鹏，
申请(专利权)人：联通上海产业互联网有限公司，
类型：发明
国别省市：
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。