一种非机动车儿童搭乘检测方法、电子设备及存储介质技术

本发明专利技术提出一种非机动车儿童搭乘检测方法、电子设备及存储介质，属于非机动车儿童搭乘检测技术领域。包括以下步骤：S1.获取场景监控数据，基于监控数据获取检测区域；S2.创建非机动车、人和安全座椅目标检测模型，输出带有唯一标号的非机动车、人和安全座椅目标框；S3.创建骑行状态检测模型，输出非机动车骑行状态；S4.将非机动车、驾驶员和安全座椅进行匹配；S5.建立搭乘人员年龄估计模型，输出搭乘人员年龄；S6.对非机动车儿童乘用进行安全分析；若搭乘人员年龄小于6岁，分析结果为儿童搭乘非机动车。解决非机动车儿童搭乘检测成本高、效率低的技术问题。效率低的技术问题。效率低的技术问题。

【技术实现步骤摘要】
一种非机动车儿童搭乘检测方法、电子设备及存储介质


[0001]本申请涉及儿童搭乘检测方法，尤其涉及一种非机动车儿童搭乘检测方法、电子设备及存储介质，属于非机动车儿童搭乘检测


技术介绍

[0002]近年来，非机动车无安全座椅行驶造成儿童伤亡的事件备受关注，在交通事故中，儿童受伤或死亡的比例很高，而儿童安全座椅可以最大限度地减少对儿童车内活动的影响减少伤害。因此，各大城市对安全座椅皆有规定：驾驶自行车、电动自行车搭载6周岁以下未成年人的，使用固定座椅、在城市市区道路上不得载人，但安装有固定安全座椅的，可以附载一名身高1.2米以下儿童。
[0003]因此，如何在监控场景中准确检测非机动车儿童乘用安全情况变得尤为重要，这有助于指导交警及时对不安全行为进行阻拦及教育，降低道路安全事故发生的可能性。
[0004]在传统的非机动车儿童乘用安全检测工作中，通常是安排交警等专业人员进行定期的巡视检查，但是这种方法效率低下，消耗极大的人力和物力。如果使用云计算，将大量的视频流信息上传到云平台进行集中处理，同样将大大增加网络和存储的压力，不仅成本高而且可靠性难以保证。

技术实现思路

[0005]在下文中给出了关于本专利技术的简要概述，以便提供关于本专利技术的某些方面的基本理解。应当理解，这个概述并不是关于本专利技术的穷举性概述。它并不是意图确定本专利技术的关键或重要部分，也不是意图限定本专利技术的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
[0006]鉴于此，为解决现有技术中存在的非机动车儿童搭乘检测成本高、效率低的技术问题，本专利技术提供一种非机动车儿童搭乘检测方法，实现对道路智能化、实时化的有效监控，同时给管理层提供了有效的决策依据。
[0007]方案一：一种非机动车儿童搭乘检测方法，包括以下步骤：S1.获取场景监控数据，基于监控数据获取检测区域；S2.创建非机动车、人和安全座椅目标检测模型，输出带有唯一标号的非机动车、人和安全座椅目标框；S3.创建骑行状态检测模型，输出非机动车骑行状态；S4.将非机动车、驾驶员和安全座椅进行匹配，其包括以下步骤：S41.根据S2所述模型检测出人目标框、非机动车目标框和安全座椅目标框；S42.构建姿势判定模型，对每个人目标框，进行姿势判定，分类为行人和驾乘人员，将行人目标框删除；S43.对驾乘人员、安全座椅和非机动车根据距离判定进行驾驶员匹配，未匹配的驾乘人员、安全座椅划分到待匹配人员和安全座椅；
S44.分析待匹配人员运动轨迹和非机动车运动轨迹，进行轨迹相似度分析，为非机动车匹配到对应的搭乘人员；S5.建立搭乘人员年龄估计模型，输出搭乘人员年龄；S6.对非机动车儿童乘用进行安全分析；若搭乘人员年龄小于6岁，分析结果为儿童搭乘非机动车。
[0008]优选的，S2具体是，包括以下步骤：S21.预先获得真实数据集，数据集中需包括非机动车、人和安全座椅；S22.对真实数据集中的非机动车、人和安全座椅进行标注；S23.将标注后的真实数据集输入DCGAN网络，首先训练判别器，再通过判别器不断提高生成器的性能，训练完成后将随机向量转换为生成对抗数据集；S24.将真实数据集输入YOLOv5网络进行训练，并使用生成对抗数据集进行测试；S25.运用迁移学习获得权重文件，得到非机动车、人和安全座椅目标检测模型。
[0009]优选的，S3具体是：包括CNN特征提取网络，LSTM时序建模网络和FC行驶状态分析网络；CNN特征提取网络对图像序列中的每一帧目标监控图像分别进行特征提取，特征提取后，将每一帧目标序列图像的空间特征经过变形成LSTM时序建模网络接受的数据形式；LSTM时序建模网络的每个LSTM单元接受一帧CNN网络输出的空间特征作为输入，同时上一个LSTM单元的输出，经过内部处理后，输出一组细胞状态，一次构建非机动车特征在时序上的关联，将每一个LSTM输出的细胞状态进行拼接后，输入到全连接的FC行驶状态分析网络中；FC行驶状态分析网络输出层有两个神经元，分别代表“推行”和“骑行”，如果代表“骑行”的神经元激活并且分数高于设定的阈值t，则输出结果为“骑行”，否则输出“推行”。
[0010]优选的，S42具体是，包括以下步骤：S421.使用Kaggle平台驾驶员姿态数据集进行训练，包含103,282张带有行为注释的驾驶员图像；S422、通过Lightweight
‑
Openpose模型将图像数据集转化关节点坐标，并选取8号至13号关节点的坐标作为训练数据集A；S423、将训练集A作为SVM分类器的输入，经过迭代训练后进行二分类，分类结果为行人或驾乘人员。
[0011]优选的，S5具体是，包括以下步骤：S51.对图像序列中的每一帧驾乘人员目标框分别进行人脸定位，得到人脸样本图像；S52.将人脸样本图像进行图像预处理；S53.将人脸样本图像进行的像素区域划分，将中心像素与相邻8个像素的灰度值分别进行比较得到区域的纹理信息，划分检测窗口大小相同的细胞单元，并分别提取相应的梯度信息,将细胞单元信息聚合成块信息，将块信息串联起来得到特征向量；S54.将两个特征进行连接，获得系列特征融合得到特征向量；S55.选定损失函数，输入特征向量，模型训练时通过SAPSO优化算法优化SVR得到
最优回归超平面及支持向量机，输出年龄检测值，从而判断搭乘人员是否超过6岁。
[0012]优选的，S43具体是，包括以下步骤：S431.对每个非机动目标框，分别计算所有驾乘人员目标框、安全座椅目标框的中心点与非机动车目标框的中心点，并分别以驾乘人员目标框和非机动车目标框中心点的连线、安全座椅目标框和非机动车目标框中心点的连线为半径画一个圆，圆心取为非机动车目标框的中心点；S432.取半径小于设定阈值的人目标框和安全座椅目标框，所述人目标框和安全座椅目标框不多于3个，目标框分别为该非机动车对应的疑似驾驶员和安全座椅；S433.分别计算驾乘人员目标框、安全座椅与圆重合区域的面积占圆总面积的比例，取占比最大的安全座椅目标框和人目标框；若人目标框占比最大的有多个，则取圆半径最小人目标框为驾驶员目标框，剩下的为搭乘人员目标框；若安全座椅目标框占比最大的有多个，则取圈面经最大的安全座椅目标框为安全座椅目标框；S434.用最小邻接矩形将驾驶员目标框、安全座椅目标框与非机动车目标框包裹起来，形成最小邻接矩阵目标框，计算最小邻接矩形的中心点坐标，为唯一的最小邻接矩形目标框、驾乘人员目标框、安全座椅目标框和非机动车目标框的标号生成的唯一标号；S435.将最小邻接矩形的中心点坐标与检测区域的坐标进行比较，判断最小邻接矩阵目标框中心点是否在检测区域内；若否，则不做任何操作；若是，则对最小邻接矩形目标框进行跟踪和行为分析，同时使用目标跟踪算法对连续帧目标检测图像中的同一邻接矩形进行关联，并给每个邻接矩形分配唯一的目标序号，直至该邻接矩形目标框消失或该邻接矩形离开检测区域；S436.假若非机动车重新进入该检测区域，应当分配一个新的目标序号，其中目标序号由8位或以上的数字或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非机动车儿童搭乘检测方法，其特征在于，包括以下步骤：S1.获取场景监控数据，基于监控数据获取检测区域；S2.创建非机动车、人和安全座椅目标检测模型，输出带有唯一标号的非机动车、人和安全座椅目标框；S3.创建骑行状态检测模型，输出非机动车骑行状态；S4.将非机动车、驾驶员和安全座椅进行匹配，其包括以下步骤：S41.根据S2所述模型检测出人目标框、非机动车目标框和安全座椅目标框；S42.构建姿势判定模型，对每个人目标框，进行姿势判定，分类为行人和驾乘人员，将行人目标框删除；S43.对驾乘人员、安全座椅和非机动车根据距离判定进行驾驶员匹配，未匹配的驾乘人员、安全座椅划分到待匹配人员和安全座椅；S44.分析待匹配人员运动轨迹和非机动车运动轨迹，进行轨迹相似度分析，为非机动车匹配到对应的搭乘人员；S5.建立搭乘人员年龄估计模型，输出搭乘人员年龄；S6.对非机动车儿童乘用进行安全分析；若搭乘人员年龄小于6岁，分析结果为儿童搭乘非机动车。2.根据权利要求1所述的一种非机动车儿童搭乘检测方法，其特征在于，S2具体是，包括以下步骤：S21.预先获得真实数据集，数据集中需包括非机动车、人和安全座椅；S22.对真实数据集中的非机动车、人和安全座椅进行标注；S23.将标注后的真实数据集输入DCGAN网络，首先训练判别器，再通过判别器不断提高生成器的性能，训练完成后将随机向量转换为生成对抗数据集；S24.将真实数据集输入YOLOv5网络进行训练，并使用生成对抗数据集进行测试；S25.运用迁移学习获得权重文件，得到非机动车、人和安全座椅目标检测模型。3.根据权利要求2所述的一种非机动车儿童搭乘检测方法，其特征在于，S3具体是：包括CNN特征提取网络，LSTM时序建模网络和FC行驶状态分析网络；CNN特征提取网络对图像序列中的每一帧目标监控图像分别进行特征提取，特征提取后，将每一帧目标序列图像的空间特征经过变形成LSTM时序建模网络接受的数据形式；LSTM时序建模网络的每个LSTM单元接受一帧CNN网络输出的空间特征作为输入，同时上一个LSTM单元的输出，经过内部处理后，输出一组细胞状态，一次构建非机动车特征在时序上的关联，将每一个LSTM输出的细胞状态进行拼接后，输入到全连接的FC行驶状态分析网络中；FC行驶状态分析网络输出层有两个神经元，分别代表“推行”和“骑行”，如果代表“骑行”的神经元激活并且分数高于设定的阈值t，则输出结果为“骑行”，否则输出“推行”。4.根据权利要求3所述的一种非机动车儿童搭乘检测方法，其特征在于，S42具体是，包括以下步骤：S421.使用Kaggle平台驾驶员姿态数据集进行训练，包含103,282张带有行为注释的驾驶员图像；S422、通过Lightweight
‑
Openpose模型将图像数据集转化关节点坐标，并选取8号至13
号关节点的坐标作为训练数据集A；S423、将训练集A作为SVM分类器的输入，经过迭代训练后进行二分类，分类结果为行人或驾乘人员。5.根据权利要求4所述的一种非机动车儿童搭乘检测方法，其特征在于，S5具体是，包括以下步骤：S51.对图像序列中的每一帧驾乘人员目标框分别进行人脸定位，得到人脸样本图像；S52.将人脸样本图像进行图像预处理；S53.将人脸样本图像进行的像素区域划分，将中心像素与相邻8个像素的灰度值分别进行比较得到区域的纹理信息，划分检测窗口大小相同的细胞单元，并分别提取相应的梯度信息,将细胞单元信息聚合成块信息，将块信息串联起来得到特征向量；S54.将两个特征进行连接，获得系列特征融合得到特征向量；S55.选定损失函数，输入特征向量，模型训练时通过SAPSO优化算法优化SVR得到最优回归超平面及支持向量机，输出年龄检测值，从而判断搭乘人员是否超过6岁。6.根据权利要求5所述的一种非机动车儿童搭乘检测方法，其特征在于，S43具体是，包括以下步骤：S431.对每个非机动目标框，分别计算所有驾乘人员目标框、安全座椅目标框的中心点与非机动车目标框的中心点，...

【专利技术属性】
技术研发人员：张晓春，翟俊奇，鄢全文，刘星，庄蔚群，
申请(专利权)人：深圳市城市交通规划设计研究中心股份有限公司，
类型：发明
国别省市：