一种用于共享电动车骑行与停放的位姿检测方法技术

本发明专利技术公开了一种用于共享电动车骑行与停放的位姿检测方法，包括以下步骤：步骤1：设计逆行标识和停车标识，将逆行标识铺设在非机动车道路面，将停车标识铺设在非机动车停车道路路面；步骤2：根据标识检测距离与视场角的需求选择图像传感器和镜头，在共享电动车不随车把摆动的部位安装相机，相机安装时，翻滚角、巡航角与车身一致，俯仰角垂直向下，对相机进行标定，建立相机内参数模型，获得镜头畸变参数；通过本发明专利技术的实施，同时实现了电单车序化停车与逆行检测两种规范功能，整体成本相对较低，提高了用户还车体验，安全性也较高，独立性强，环境友好，整体方案的技术原理科学合理，起到了突出性地进步，具有一定的使用价值和推广价值。值。值。

【技术实现步骤摘要】
一种用于共享电动车骑行与停放的位姿检测方法


[0001]本专利技术涉及视觉识别与神经网络分析
，尤其涉及一种用于共享电动车骑行与停放的位姿检测方法。

技术介绍

[0002]共享电动车因其便利性、高效率逐渐成为城市中短距离出行的重要交通工具。伴随而来的，是部分用户违反交规的骑行行为，有的为了抄近路，在非机动车道上逆向行驶，危及自身和其它车辆的安全；有的为了图方便，将电单车随意停放，不但影响了市容市貌，挤占了城市公共空间，甚至引起交通堵塞，成为安全隐患。
[0003]现有的电动自行车逆行检测技术主要有两种：基于GPS轨迹和基于RFID感应。基于GPS轨迹的技术将车辆行进轨迹与预设的地图信息做比对，以判断是否逆行。该技术依赖于GPS信号质量，只有达到很高的定位精度和定位密度，才能区分车辆位于哪个方向的非机动车道上，并做出逆行判定和实时报警。由于树叶、建筑物、云层的遮挡影响，GPS定位精度不高，逆行检测的可靠性较低。基于RFID感应的技术，在车辆上安装远距离RFID芯片，在车道上布设若干个RFID读卡器节点，以不同读卡器感应到同一个RFID的时间顺序，判断车辆的逆行状态。该方案在密集车流的情况下容易有漏检的情况发生，同时安装RFID读卡器需在非机动车道树立多个监控杆，成本较高。
[0004]现有电单车的停车管理技术方案有：蓝牙道钉方案，由于蓝牙信号不稳定，定位精度在2
‑
3米，无法精准定位车辆是否在站点框内，同时也无法规范停车方向。RFID感应技术，在站点地面铺设RFID芯片，通过安装在车辆底部的RFID读卡器感知RFID信号，以判断车辆是否在站点内，但该技术感应距离短，用户体验较差，同时RFID芯片铺在地面上易损坏，而且也无法感知停车方向。最近也有用相机检测停车标识的方案，但该类方案有的检测算法运行在服务器上，延时大体验差，有的需要借助于其它传感器检测停车方向，成本高误差大，都不能很好解决电单车规范停车问题。
[0005]综上所述，需要一种用于共享电动车骑行与停放的位姿检测方法来解决现有技术中心存在的问题。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供了一种用于共享电动车骑行与停放的位姿检测方法，旨在解决上述问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种用于共享电动车骑行与停放的位姿检测方法，包括以下步骤：
[0008]步骤1：设计逆行标识和停车标识，将逆行标识铺设在非机动车道路面，将停车标识铺设在非机动车停车道路路面；
[0009]步骤2：根据标识检测距离与视场角的需求选择图像传感器和镜头，在共享电动车不随车把摆动的部位安装相机，相机安装时，翻滚角、巡航角与车身一致，俯仰角垂直向下，
对相机进行标定，建立相机内参数模型，获得镜头畸变参数，选择具有神经网络算力的嵌入式处理器作为相机中央处理单元；
[0010]步骤3：使用共享电动车车载相机拍摄大量原始标识图像作为样本，对逆行标识拍摄各个角度的图像作为样本，设定一个角度范围的样本作为判定逆行的正样本，其余角度的标识样本作为负样本，在样本图像中，标注出标识类别及其坐标位置；
[0011]步骤4：选用面向目标检测的神经网络模型及算法，用标注好的样本图像库，对选定的神经网络进行训练，得到网络模型参数；
[0012]步骤5：用户骑行过程中，若车辆GPS位置进入到逆行检测区间路段，则相机开始拍照，并调用步骤4中预先训练好的网络模型，使用一阶段目标检测算法进行逆行标识检测，将整幅图像作为输入，通过神经网络直接回归得到目标的位置坐标和分类概率；
[0013]步骤6：基于步骤5的目标检测结果，根据目标数量和置信度进行滤波，最终判定是否逆行，以降低虚警概率；
[0014]步骤7：步骤6检测到逆行后，车辆通过语音报警提醒用户遵守交通规范，并将当前事件的信息上传至云平台，云平台结合用户信息做记录存档；
[0015]步骤8：骑行用户通过手机等移动终端发起还车请求时，车辆将自身GPS定位发到车联网服务器，车联网服务器判断当前车辆位置是否在还车站点附近，若不在还车站点坐标范围内，则不允许还车；如在站点范围内，则向相机发送还车拍照检测指令；
[0016]步骤9：车载相机收到拍照检测指令后，拍摄图像并对图像进行预处理，相机调用步骤4中预先训练好的神经网络模型，进行停车标识检测；将图像输入到网络模型，网络模型输出若干目标，其描述为(Cl,Cf,(x,y,w,h)),Cl与Cf分别代表目标的类别与置信度，(x,y,w,h)代表目标预测框左上角坐标、宽度和高度；再通过非极大值抑制过滤部分重叠预测框；
[0017]步骤10：若在图像中检测到停车标识，则选择置信度最高的3个目标框，求得其中心坐标位置，再选择中心坐标位置y值最大的目标作为最佳目标(离车最近标识)；若在采集图像中未检测到停车标识，或者最佳位置位于规定范围之外，则表明车辆未停在标识线规定距离内，不允许还车；如最佳目标位于规定范围之内，则截取包含图标的局部图像，简称标识图像块；作为角度检测的次优方法，若检测到多个目标，计算其中两个目标中心形成的直线在图像中与x轴的夹角即是车辆的巡航角；
[0018]步骤11：对标识图像块进行特征点检测，选择检测速度快的ORB特征，得到的特征点进行排序；将排序后的特征点与参考图像中的特征点进行匹配，获得特征点对应关系。
[0019]步骤12：利用匹配特征点的坐标变换关系，得到空间转换的单应矩阵，并从单应矩阵中分离出代表车辆与标识相对角度关系的旋转矩阵。
[0020]步骤13：根据旋转矩阵中的偏航角判断共享电动车的还车角度，若偏航角超出预先设定范围，则不允许还车；偏航角符合要求，则还车成功。
[0021]作为优选，所述步骤1中，逆行标识和停车标识为非旋转对称的几何图形。
[0022]作为优选，所述步骤2中，相机安装于共享电动车车身或车篮上。
[0023]作为优选，通过基于深度学习的目标检测算法，根据相机拍摄图像中是否有特定标识，判断共享电动车是否在相应标识附近；进一步地，根据标识在图像中的坐标位置，判断共享电动车与标识的相对距离；根据标识在图像中的方向，判断共享电动车的车身方向。
[0024]作为优选，所述步骤5中，需在共享电动车骑行过程中检测到逆行标识，相对应地，采用的深度神经网络和目标检测算法，在嵌入式处理器上运行时，采集和检测一张图像的时间应小于100毫秒，优先选择一阶段目标检测算法，例如YOLO、SSD等，并选择带有神经网络处理单元的嵌入式处理器。
[0025]作为优选，所述步骤6中，目标检测结果判定逆行的方法包括有：
[0026]6.1：在一帧图像中检测到多个逆行标识目标，则判定为逆行；
[0027]6.2：检测所得目标中，置信度最高的是逆行标识，且其置信度高于设定阈值，则判定为逆行。
[0028]作为优选，所述步骤7中，当前事件的信息包括有时间、GPS坐标、车辆编号以及现场照片。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于共享电动车骑行与停放的位姿检测方法，其特征在于，包括：步骤1：设计逆行标识和停车标识，将逆行标识铺设在非机动车道路面，将停车标识铺设在非机动车停车道路路面；步骤2：根据标识检测距离与视场角的需求选择图像传感器和镜头，在共享电动车不随车把摆动的部位安装相机，相机安装时，翻滚角、巡航角与车身一致，俯仰角垂直向下，对相机进行标定，建立相机内参数模型，获得镜头畸变参数，选择具有神经网络算力的嵌入式处理器作为相机中央处理单元；步骤3：使用共享电动车车载相机拍摄大量原始标识图像作为样本，拍摄逆行标识各个角度的图像作为样本，设定一个角度范围的样本作为判定逆行的正样本，其余角度的标识样本作为负样本，在样本图像中，标注出标识类别及其坐标位置；步骤4：选用面向目标检测的神经网络模型及算法，用标注好的样本图像库，对选定的神经网络进行训练，得到网络模型参数；步骤5：用户骑行过程中，若车辆GPS位置进入到逆行检测区间路段，则相机开始拍照，并调用步骤4中预先训练好的网络模型，使用一阶段目标检测算法进行逆行标识检测，将整幅图像作为输入，通过神经网络直接回归得到目标的位置坐标和分类概率；步骤6：基于步骤5的目标检测结果，根据目标数量和置信度进行滤波，最终判定是否逆行，以降低虚警概率；步骤7：步骤6检测到逆行后，车辆通过语音报警提醒用户遵守交通规范，并将当前事件的信息上传至云平台，云平台结合用户信息做记录存档；步骤8：骑行用户通过手机等移动终端发起还车请求时，车辆将自身GPS定位发到车联网服务器，车联网服务器判断当前车辆位置是否在还车站点附近，若不在还车站点坐标范围内，则不允许还车；如在站点范围内，则向相机发送还车拍照检测指令；步骤9：车载相机收到拍照检测指令后，拍摄图像并对图像进行预处理，相机调用步骤4中预先训练好的神经网络模型，进行停车标识检测；将图像输入到网络模型，网络模型输出若干目标，其描述为(Cl,Cf,(x,y,w,h)),Cl与Cf分别代表目标的类别与置信度，(x,y,w,h)代表目标预测框左上角坐标、宽度和高度；再通过非极大值抑制过滤部分重叠预测框；步骤10：若在图像中检测到停车标识，则选择置信度最高的3个目标框，求得其中心坐标位置，再选择中心坐标位置y值最大的目标作为最佳目标；若在采集图像中未检测到停车标识，或者最佳位置位于规定范围之外，则表明车辆未停在标识线规定距离内，不允许还车；如最佳目标位于规定范围之内，则截取包含图标的局部图像，简称标识图像块；作为角度检测的次优方法，若检测到多个目标，计算其中两个目标中心形成的直线在图像中与x轴的夹角即是车辆的巡航角；步骤11：对标识图像块进行特征点检测，选择检测速度快的ORB特征，得到的特征点进行排序，将排序后的特征点与参考图像中的特征点进行匹配，获得特征点对应关系；步骤12：利用匹配特征点的坐标变换关系，得到空间转换的单应矩阵，并从单应矩阵中分离出代表车辆与标识相对角度关系的旋转矩阵；步骤13：根据旋转矩阵中的偏航角判断共享电动车的还车角度，若偏航角超出预先设定...

【专利技术属性】
技术研发人员：楼斌，
申请(专利权)人：杭州笃远智能科技有限公司，
类型：发明
国别省市：