一种基于深度学习的车辆违规检测方法技术

本申请提供了一种基于深度学习的车辆违规检测方法，包括步骤：采集路面实线场景数据集；对路面实线场景数据集的背景区域、黄实线区域、白实线区域标注；通过设置像素值区分背景区域、黄实线区域、白实线区域生成mask标签图像；将mask标签图像进行数据增强的扩充处理，生成训练集；将训练集输入带全局池化模块的分割网络中进行训练，得到路面实线分割模型；将车辆实时图像分别输入到路面实线分割模型以及车辆目标检测模型，输出黄实线区域、白实线区域以及车辆目标；检测车辆目标相对于黄实线区域、白实线区域的位置关系，输出车辆违规检测结果；本申请的基于深度学习的车辆违规检测方法提升了图像分割效果差以及输出车辆违规的准确率。违规的准确率。违规的准确率。

【技术实现步骤摘要】
一种基于深度学习的车辆违规检测方法


[0001]本申请属于图像处理
，更具体地说，是涉及一种基于深度学习的车辆违规检测方法。

技术介绍

[0002]现代城市的发展，交通问题越来越引起人们的关注。随着城市车辆的增加，已经成为交通管理部门所面临的重要问题。智能交通违章识别算法对于道路车辆的管理很重要。
[0003]伴随着道路交通出行的发展趋势，车道区划得更为细腻。车道的区划一般是应用黄实线和白实线，不一样颜色的线、不一样式样的线及其单线铁路和多线都是有不一样的需求和规则。其中，最常见的白实线为禁止跨越同向车道分界线，黄色双实线和黄色单实线都是禁止跨越对向车道分界线，用于分隔对向行驶的交通流，并禁止车辆越线或压线行驶。
[0004]在现有技术中，为检测车辆是否按照车道规定行驶，会用到传统的非监督学习图像分割法，主要是提取图片的低级特征再进行分割，分割的方法大致为OTSU、FCM、N
‑
Cut算法等，分割出来的结果存在语义模糊的问题，例如夜晚、雨雪等特殊场景感知能力弱，同时当实线上有物体遮挡和边缘模糊存在时，易发生误分割、目标残缺以及图像边缘轮廓分割不清晰等问题；同时对于车辆违规的种类繁多，例如压白实线违规、压单黄线违规、压双黄线违规、掉头违规、停车违规等现象，交通法规定对压虚线、黄实线、白实线的规定及处罚都有不同，现有交通识别算法输出车辆违规的种类准确率不足。

技术实现思路

[0005]本申请实施例的目的在于提供一种基于深度学习的车辆违规检测方法，以解决现有技术对车辆违规检测过程中存在的图像分割效果差以及输出车辆违规的种类的准确率不足的技术问题。
[0006]为实现上述目的，本申请采用的技术方案是：提供一种基于深度学习的车辆违规检测方法，包括步骤：
[0007]采集路面实线场景数据集；
[0008]对路面实线场景数据集的背景区域、黄实线区域、白实线区域标注；
[0009]通过设置像素值区分背景区域、黄实线区域、白实线区域生成mask标签图像；
[0010]将mask标签图像进行数据增强的扩充处理，生成训练集；
[0011]将训练集输入带全局池化模块的分割网络中进行训练，得到路面实线分割模型；
[0012]将车辆实时图像分别输入到路面实线分割模型以及车辆目标检测模型，输出黄实线区域、白实线区域以及车辆目标；
[0013]检测车辆目标相对于黄实线区域、白实线区域的位置关系，输出车辆违规检测结果。
[0014]优选地，所述通过设置像素值区分背景区域、黄实线区域、白实线区域生成mask标签图像的方法，包括步骤：
[0015]将背景区域的像素全部设置为0，黄实线区域的像素全部设置为1，白实线区域的像素全部设置为2，再生成mask标签图像。
[0016]优选地，所述将mask标签图像进行数据增强的扩充处理的方法，包括步骤：
[0017]获取python的PIL图像处理库；
[0018]对mask标签图像分别执行水平镜像、尺寸缩放、图像翻转的随机概率增强；
[0019]保持路面实线场景数据集和对应mask标签图像的同步扩充；
[0020]将同步扩充完毕后的数据集生成训练集保存。
[0021]优选地，所述将训练集输入带全局池化模块的分割网络中进行训练的方法，包括步骤：
[0022]构建上下文路径模块使用ResNet
‑
18作为主干网络，在末端加上全局池化模块，生成分割网络；
[0023]将训练集输入至分割网络中进行训练以及验证测试；
[0024]计算分析深度学习分割网络Bisenet的定量分析指标mean IOU的结果，mean IOU的计算公式为：
[0025][0026]其中，k为分割的目标物体类别，P
ii
表示预测分类正确的像素点，P
ij
和P
ji
表示假正和假负的像素点数量。
[0027]优选地，所述将训练集输入带全局池化模块的分割网络中进行训练的方法，还包括步骤：
[0028]计算损失函数Loss优化网络模型，Loss的计算公式为：
[0029]Loss＝
‑
α(1
‑
p
i
)2log(p
i
)，
[0030]其中，且p∈[0,1]，α表示损失系数，p表示预测标签为1的概率；y表示标签的取值。
[0031]优选地，所述检测车辆目标相对于黄实线区域、白实线区域的位置关系，输出车辆违规检测结果的方法，包括步骤：
[0032]对车辆目标检测模型输出黄实线区域、白实线区域进行轮廓位置信息提取；
[0033]提取车辆目标的俯视面；
[0034]分别判断车辆目标的俯视面与黄实线轮廓、白实线轮廓是否有交集。
[0035]优选地，所述提取车辆目标的俯视面的方法，包括步骤：
[0036]提取车辆目标图像；
[0037]检测车辆目标图像中的全部车轮目标；
[0038]若车轮目标的数量为2，则以2个车轮目标的中心点的连线为底边，生成等腰梯形区域，以等腰梯形区域为车辆目标的俯视面。
[0039]优选地，所述提取车辆目标的俯视面的方法，包括步骤：
[0040]若车轮目标的数量为3，则根据3个车轮目标的中心点的相互连线，生成第一三角形；
[0041]将第一三角形以第一三角形的长边的中点为中心点旋转180
°
得到第二三角形；
[0042]将第一三角形与第二三角形执行像素逻辑或操作，得到平行四边形区域；以平行四边形区域为车辆目标的俯视面。
[0043]优选地，所述检测车辆目标相对于黄实线区域、白实线区域的位置关系，输出车辆违规检测结果的方法，包括步骤：
[0044]判断车辆目标的俯视面与黄实线轮廓、白实线轮廓都无有交集时，检测车辆目标的行驶方向；
[0045]判断车辆目标的俯视面位于黄实线轮廓左侧或右侧，输出车辆是否逆行。
[0046]优选地，所述采集路面实线场景数据集的方法，包括步骤：
[0047]将摄像头设置于道路中间的黄实线正上方，摄像头的中心视角平行于路面延伸方向。
[0048]本申请提供的基于深度学习的车辆违规检测方法，与现有技术相比，通过标注并设置像素值区分背景区域、黄实线区域、白实线区域生成mask标签图像，能够实现端到端的像素级分割方法，避免了传统的分割方法所产生的实线分割结果图像边缘模糊和误分割的现象；将训练集输入带全局池化模块的分割网络中进行训练，使得像素点在预测类别时能够结合周边像素的信息，提升了实线分割准确率并减少计算资源；车辆目标检测模型输出的黄实线区域、白实线区域是带有不同色彩的连续线条，不仅可以更加满足更多复杂场景下的违规种类精准检测，并且可以输出具体交通违规类型。
附图说明
[0049]为了更清楚地说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车辆违规检测方法，其特征在于，包括步骤：采集路面实线场景数据集；对路面实线场景数据集的背景区域、黄实线区域、白实线区域标注；通过设置像素值区分背景区域、黄实线区域、白实线区域生成mask标签图像；将mask标签图像进行数据增强的扩充处理，生成训练集；将训练集输入带全局池化模块的分割网络中进行训练，得到路面实线分割模型；将车辆实时图像分别输入到路面实线分割模型以及车辆目标检测模型，输出黄实线区域、白实线区域以及车辆目标；检测车辆目标相对于黄实线区域、白实线区域的位置关系，输出车辆违规检测结果。2.如权利要求1所述的基于深度学习的车辆违规检测方法，其特征在于，所述通过设置像素值区分背景区域、黄实线区域、白实线区域生成mask标签图像的方法，包括步骤：将背景区域的像素全部设置为0，黄实线区域的像素全部设置为1，白实线区域的像素全部设置为2，再生成mask标签图像。3.如权利要求1所述的基于深度学习的车辆违规检测方法，其特征在于，所述将mask标签图像进行数据增强的扩充处理的方法，包括步骤：获取python的PIL图像处理库；对mask标签图像分别执行水平镜像、尺寸缩放、图像翻转的随机概率增强；保持路面实线场景数据集和对应mask标签图像的同步扩充；将同步扩充完毕后的数据集生成训练集保存。4.如权利要求1所述的基于深度学习的车辆违规检测方法，其特征在于，所述将训练集输入带全局池化模块的分割网络中进行训练的方法，包括步骤：构建上下文路径模块使用ResNet
‑
18作为主干网络，在末端加上全局池化模块，生成分割网络；将训练集输入至分割网络中进行训练以及验证测试；计算分析深度学习分割网络Bisenet的定量分析指标mean IOU的结果，mean IOU的计算公式为：其中，k为分割的目标物体类别，P
ii
表示预测分类正确的像素点，P
ij
和P
ji
表示假正和假负的像素点数量。5.如权利要求4所述的基于深度学习的车辆违规检测方法，其特征在于，所述将训练集输入带全局池化模块的分割网络...

【专利技术属性】
技术研发人员：陈雅琼，罗富章，朱光强，龚小龙，李晓凯，陈海涛，赖时伍，湛艳波，
申请(专利权)人：盛视科技股份有限公司，
类型：发明
国别省市：