交通监管模型的建立方法、交通监管系统及方法技术方案

本发明专利技术提供一种交通监管模型的建立方法、交通监管系统及方法。其中，本发明专利技术利用YOLOv5网络结构和MOT算法训练成交通监管模型，以应用于交通监管系统及方法中。所述交通监管系统包括：数据采集单元、图像处理单元和信息输出单元；数据处理单元用于采集道路的交通影像数据；图像处理单元基于训练出的交通监管模型，从交通影像数据中识别出目标车辆、驾驶员是否佩戴头盔和目标车辆的运行轨迹，并基于识别数据实现对目标车辆逆行、闯红灯以及未佩戴头盔的违规判定。信息输出单元用于将违规判定结果输出至终端。因此，本发明专利技术实现了对电动自行车违规的自动化识别，无需耗费大量的人力成本，提高了监管效率。提高了监管效率。提高了监管效率。

【技术实现步骤摘要】
交通监管模型的建立方法、交通监管系统及方法


[0001]本专利技术涉及智能交通
，特别涉及一种交通监管模型的建立方法、交通监管系统及方法。

技术介绍

[0002]电动自行车具有灵活性强和性价比高的特点，颇受大众青睐。基于此，电动自行车已成为大众短距离出行的首选方案。然而，随着电动自行车保有量的上升，电动自行车带来了诸多交通安全问题。例如，因超速、逆行以及闯红灯等问题造成的交通事故，使得驾驶员的人身安全和财产安全受到损害。尤其是因驾驶员的行车安全意识薄弱，不规范佩戴头盔，在发生严重交通事故时，甚至可能造成人员伤亡。对此，交通监管部门耗费大量的人力在各个交通路口进行人工监管，对于违反电动自行车安全驾驶规范的驾驶员进行警告或罚款。
[0003]然而，人工监管无法做到普遍性管控，且人力耗费巨大，效率低，成效不明显。因此，亟需一种电动自行车的交通监管系统，以实现自动化交通管控，降低人力成本，提高管控效率。

技术实现思路

[0004]本专利技术的目的在于提供一种交通监管模型的建立方法、交通监管系统及方法，以解决如何实现电动自行车的自动化交通监管，如何降低电动自行车的交通监管的人力成本以及提高监管效率中的至少一个问题。
[0005]为解决上述技术问题，本专利技术提供一种交通监管模型的建立方法，包括：
[0006]采集道路的交通影像数据；
[0007]对所述交通影像数据进行第一数据标注；
[0008]选取部分标注后的所述交通影像数据作为第一训练集，以及选取部分标注后的所述交通影像数据作为第一测试集；
[0009]将所述第一训练集输入YOLOv5网络结构，以训练并生成车辆识别模型；以及，采用所述第一测试集验证所述车辆识别模型；
[0010]采用所述车辆识别模型识别所述交通影像数据，以获得目标车辆数据集；
[0011]采用MOT算法对所述目标车辆数据集进行追踪处理，以获得目标车辆的运行轨迹；以及，根据所述目标车辆数据集至少训练生成头盔识别模型；
[0012]至少根据所述目标车辆的运行轨迹和所述头盔识别模型的识别结果，将所述目标车辆数据集按照设定规则，分为多个违规数据集。
[0013]可选的，在所述的交通监管模型的建立方法中，所述对所述交通影像数据进行第一数据标注的过程，包括：
[0014]至少识别所述交通影像数据中的行人图像、自行车图像和电动自行车图像；
[0015]对所有的所述行人图像、所述自行车图像和所述电动自行车图像分别进行序号标注。
[0016]可选的，在所述的交通监管模型的建立方法中，所述目标车辆数据集包括所有电动自行车图像。
[0017]可选的，在所述的交通监管模型的建立方法中，所述根据所述目标车辆数据集训练生成头盔识别模型的过程，包括：
[0018]对所述目标车辆数据集进行第二数据标注；
[0019]选取部分标注后的数据作为第二训练集，以及选取部分标注后的数据作为第二测试集；
[0020]将所述第二训练集输入所述YOLOv5网络结构，以训练并生成头盔识别模型，并采用所述第二测试集验证所述头盔识别模型。
[0021]可选的，在所述的交通监管模型的建立方法中，所述对所述目标车辆数据集进行第二数据标注的过程，包括：
[0022]识别所述目标车辆数据集中每个目标车辆上的驾驶员头部和头盔；
[0023]对所有所述驾驶员头部和所述头盔进行序号标注。
[0024]可选的，在所述的交通监管模型的建立方法中，在训练所述YOLOv5网络结构之前，采用K
‑
Means聚类算法处理训练数据。
[0025]可选的，在所述的交通监管模型的建立方法中，采用VoTT软件或Image Labeling软件进行数据标注。
[0026]可选的，在所述的交通监管模型的建立方法中，多个所述违规数据集包括：逆行数据集、闯红灯数据集以及未佩戴头盔数据集。
[0027]基于同一专利技术构思，本专利技术还提供一种交通监管系统，包括：数据采集单元、图像处理单元和信息输出单元；
[0028]所述数据处理单元用于采集道路的交通影像数据；
[0029]所述图像处理单元包括车辆识别模块、头盔识别模块、轨迹追踪模块和违规分类模块；其中，所述车辆识别模块具有车辆识别模型，用于识别所述交通影像数据中的目标车辆，以生成目标车辆数据集；所述头盔识别模块具有头盔识别模型，用于识别所述目标车辆中驾驶员是否佩戴头盔；所述轨迹追踪模块用于获取所述目标车辆的运行轨迹；所述违规分类模块用于根据所述头盔识别模型的识别结果以及所述运行轨迹，将所述目标车辆数据集至少分为逆行数据集、闯红灯数据集以及未佩戴头盔数据集；
[0030]所述信息输出单元用于至少输出所述逆行数据集、所述闯红灯数据集以及所述未佩戴头盔数据集至终端。
[0031]基于同一专利技术构思，本专利技术还提供一种交通监管方法，使用所述的交通监管系统，包括：
[0032]数据采集单元采集道路的交通影像数据，并输送至车辆识别模块；
[0033]所述车辆识别模块标注并识别目标车辆，以生成目标车辆数据集；
[0034]头盔识别模块识别所述目标车辆数据集中每个驾驶员是否佩戴头盔；以及，轨迹追踪模块获取所述目标车辆的运行轨迹；
[0035]违规分类模块根据所述头盔识别模型的识别结果以及所述运行轨迹，将所述目标车辆数据集至少分为逆行数据集、闯红灯数据集以及未佩戴头盔数据集；
[0036]所述信息输出单元至少输出所述逆行数据集、所述闯红灯数据集以及所述未佩戴
头盔数据集至终端。
[0037]综上所述，本专利技术提供一种交通监管模型的建立方法、交通监管系统及方法。其中，本专利技术利用YOLOv5网络结构和MOT算法训练成交通监管模型，以应用于交通监管系统及方法中。所述交通监管系统包括：数据采集单元、图像处理单元和信息输出单元；所述数据处理单元用于采集道路的交通影像数据；所述图像处理单元基于训练出的交通监管模型，从所述交通影像数据中识别出目标车辆、驾驶员是否佩戴头盔和目标车辆的运行轨迹，并基于识别数据实现对目标车辆逆行、闯红灯以及未佩戴头盔的违规判定。以及，通过所述信息输出单元将违规判定结果输出至终端。
[0038]因此，本专利技术提供的所述交通监管模型的建立方法、交通监管系统及方法，实现了对电动自行车违规的自动化识别，无需耗费大量的人力成本，提高了监管效率。
附图说明
[0039]图1是本专利技术实施例中的交通监管模型的建立方法的流程图。
[0040]图2是本专利技术实施例中的YOLOv5网络结构示意图。
[0041]图3是本专利技术实施例中的YOLOv5网络结构中输出端IOU交并比示意图。
[0042]图4是本专利技术实施例中的YOLOv5网络结构输出端CIOU_LOSS示意图。
[0043]图5是本专利技术实施例中的Sort追踪算法运行流程图。
[0044]图6是本专利技术实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通监管模型的建立方法，其特征在于，包括：采集道路的交通影像数据；对所述交通影像数据进行第一数据标注；选取部分标注后的所述交通影像数据作为第一训练集，以及选取部分标注后的所述交通影像数据作为第一测试集；将所述第一训练集输入YOLOv5网络结构，以训练并生成车辆识别模型；以及，采用所述第一测试集验证所述车辆识别模型；采用所述车辆识别模型识别所述交通影像数据，以获得目标车辆数据集；采用MOT算法对所述目标车辆数据集进行追踪处理，以获得目标车辆的运行轨迹；以及，根据所述目标车辆数据集至少训练生成头盔识别模型；至少根据所述目标车辆的运行轨迹和所述头盔识别模型的识别结果，将所述目标车辆数据集按照设定规则，分为多个违规数据集。2.根据权利要求1所述的交通监管模型的建立方法，其特征在于，所述对所述交通影像数据进行第一数据标注的过程，包括：至少识别所述交通影像数据中的行人图像、自行车图像和电动自行车图像；对所有的所述行人图像、所述自行车图像和所述电动自行车图像分别进行序号标注。3.根据权利要求2所述的交通监管模型的建立方法，其特征在于，所述目标车辆数据集包括所有电动自行车图像。4.根据权利要求1所述的交通监管模型的建立方法，其特征在于，所述根据所述目标车辆数据集训练生成头盔识别模型的过程，包括：对所述目标车辆数据集进行第二数据标注；选取部分标注后的数据作为第二训练集，以及选取部分标注后的数据作为第二测试集；将所述第二训练集输入所述YOLOv5网络结构，以训练并生成头盔识别模型，并采用所述第二测试集验证所述头盔识别模型。5.根据权利要求4所述的交通监管模型的建立方法，其特征在于，所述对所述目标车辆数据集进行第二数据标注的过程，包括：识别所述目标车辆数据集中每个目标车辆上的驾驶员头部和头盔；对所有所述驾驶员头部和所述头盔进行序号标注。6.根据权利要求1或4所述的交通监管模型的建...

【专利技术属性】
技术研发人员：黄健翔，王明明，唐举城，
申请(专利权)人：江苏集萃深度感知技术研究所有限公司，
类型：发明
国别省市：