【技术实现步骤摘要】
视频车辆检测模型在线更新方法、装置及雷视融合系统
[0001]本专利技术属于雷达视觉融合
，具体地涉及一种视频车辆检测模型在线更新方法、装置及雷视融合系统。
技术介绍
[0002]及时有效的交通异常事件及违法驾驶行为的上报和应急处置尤为重要。
[0003]交通事件是指道路上偶然发生的且非规律性的事件，比如说车辆碰撞、车辆刹车失灵以及各种违规现象，比如超速或违规变道等。现有技术中主要是通过视频监控的方式进行监控，但是对于交通事件的发生与否无法自动判断，通常需要人工监视，或者在事故发生之后被人所知需要查询的时候才会通过人工查阅的方式进行查看，这样使得交通的监控十分的困难并且不及时，难以在交通事件发生的时候迅速的做出反应，容易错失处理交通事件的最佳时机。因此仅仅依靠人工报告/电视监视等非自动检测方法来发现交通事件，不但浪费大量的资源，且不够全面及时，给交通安全带来了二次隐患。
[0004]为了解决传统通过视频监控或人工浏览判断交通事件的方式，所存在效率极低和无法满足现代化智能时代需求的问题。现有智能交通技术提...
【技术保护点】
【技术特征摘要】
1.一种视频车辆检测模型在线更新方法，其特征在于，在基于深度学习网络建模而得的视频车辆检测模型上线后执行，包括：将由摄像头采集的视频图像作为待检测图像输入所述视频车辆检测模型，输出得到视频车辆检测结果，其中，所述视频车辆检测结果包含有检测所得车辆在所述视频图像中的车辆图像坐标；根据由雷达检测器输出的且与所述视频图像同期采集的雷达数据，确定出所述检测所得车辆在雷达坐标系中的车辆真实坐标，其中，所述雷达检测器中的雷达与所述摄像头分别朝同一方向设置；根据所述车辆图像坐标和所述车辆真实坐标，得到所述检测所得车辆的坐标偏差程度；针对在所述视频车辆检测模型上线后的各个时刻,将在对应时刻的坐标偏差程度作为用于估量所述视频车辆检测模型在对应时刻的预测结果与真实结果的不一致程度，得到所述视频车辆检测模型在对应时刻的损失函数值，然后计算出在对应时刻损失函数对所述深度学习网络中各个权重的偏导数；针对所述各个权重，按照如下公式迭代更新对应的权重值：式中，i、j和t分别表示自然数，ω
t+1,i
表示第i个权重在t+1时刻的权重值，z
t,i
表示所述第i个权重在t时刻的第一中间量，+＝表示复合赋值运算符，g
t,i
表示在t时刻损失函数对所述第i个权重的偏导数，α和λ1分别表示预设的超参数，n
i
表示所述第i个权重在t时刻的第二中间量，ω
t,i
表示所述第i个权重在t时刻的权重值，η
t
表示所述第i个权重在t时刻的第三中间量，g
j,i
表示在j时刻损失函数对所述第i个权重的偏导数，sgn()表示符号函数；将所述各个权重的最新权重值传入所述深度学习网络中，得到完成在线更新的视频车辆检测模型。2.如权利要求1所述的视频车辆检测模型在线更新方法，其特征在于，所述深度学习网络包括卷积神经网络。3.如权利要求1所述的视频车辆检测模型在线更新方法，其特征在于，所述检测所得车辆包括机动车或非机动车。4.如权利要求1所述的视频车辆检测模型在线更新方法，其特征在于，所述车辆图像坐标包含有所述检测所得车辆在所述视频图像中的车辆图像左上角坐标和车辆图像右下角坐标。5.如权利要求1所述的视频车辆检测模型在线更新方法，其特征在于，根据所述车辆图
像坐标和所述车辆真实坐标，得到所述检测所得车辆的坐标偏差程度，包括：根据所述车辆图像坐标，确定所述检测所得车辆在所述摄像头的相机坐标系下的车辆估算坐标；根据所述雷达坐标系与所述相机坐标系的已知坐标变换关系，将所述车辆真实坐标变换为在所述相机坐标系下的车辆实际坐标；计算所述车辆实际坐标与所述车辆估算坐标的差的平方，得到所述检测所得车辆的坐标偏差程度。6.一种视频车辆检测模型在线更新装置，其特征在于，用于在基于深度学习网络建模而得的视频车辆检测模型上线后启用，包括有视频车辆检测单元、真实坐标确定单元、坐标偏差获取单元、权重偏导数获取单元、权重值更新单元和权重值传...
【专利技术属性】
技术研发人员：黄金叶，陈磊，陈予涵，陈予琦，吴维，
申请(专利权)人：深圳市旗扬特种装备技术工程有限公司，
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。