基于tensorflow的机动车违停识别方法及应用技术

本申请提出了基于tensorflow的机动车违停识别方法及应用，包括以下步骤：S00、建立样本库；S10、通过tensorflow对进行扩充；S20、通过tensorflow处理扩充后的所有抓拍图片，进行封装；S30、对所有抓拍图片进行归一化处理并输出规格一致的文件；S40、采用输出的规格一致的文件作为训练样本，通过tensorflow提供的预训练模型进行训练，得到违停识别模型；S50、监听抓拍图片的存储文件目录，当新的抓拍图片存储后，将该抓拍图片输入至违停识别模型，以输出检测结果。本申请具有识别效率高，识别速度快，避免漏拍误拍等问题发生。避免漏拍误拍等问题发生。避免漏拍误拍等问题发生。

【技术实现步骤摘要】
基于tensorflow的机动车违停识别方法及应用


[0001]本申请涉及交通违法识别
，特别是涉及基于tensorflow的机动车违停识别方法及应用。

技术介绍

[0002]随着社会生活水平的提高，越来越多的人选择使用私家车作为出行的主要交通工具，机动车停放问题成了城市治理痛点。诸如：机动车停在非机动车道，占用人行道以及未按车位标线停车等问题，不仅占用了公共资源给市民出行带来不便，还会造成交通拥堵，存在安全隐患。目前的车辆违停问题主要是靠道路摄像头抓拍以及巡逻城管，交警上报。遇上车流量密集的区域容易造成遗漏或者误判等问题，影响城市治理精确性的同时，还会造成人力资源的浪费。
[0003]目前的车辆违停抓拍还停留在摄像头抓拍直接上报层面，并未引入深度学习技术对抓拍后的图像进行识别，因此经常会出现一些误报漏报的情况。如中国专利CN109285351B公开的违停抓拍方法及装置，其通过的是多次抓拍解决漏拍的问题，主要是针对监控死角，其也是能够一定程度上解决监控画面内误报漏报的情况，但是存在数据量极大的问题，同样在监控摄像头数量不变的情况下，需要更多的抓拍照片，显然更加依赖于其图像识别能力和存储空间的大小。
[0004]现有虽然也有加入深度学习的违章识别算法，如中国专利CN115294774A公开的基于深度学习的非机动车道路违停检测方法及装置，其也是通过深度学习来进行违停识别，但是主要针对非机动车，不太适用于机动车的违停识别，同时是根据非机动车的上下两个部分的占比来判定是否存在违停行为的，运用在机动车识别上的效果有待考证。
[0005]因此，亟待一种能够加入深度学习且识别精度高，减少数据量的同时提高识别速度的基于tensorflow的机动车违停识别方法及其应用。

技术实现思路

[0006]本申请实施例提供了基于tensorflow的机动车违停识别方法及其应用，针对目前技术识别精度低，识别速度慢的问题。
[0007]本专利技术核心技术主要是先建立违停车辆抓拍图片的样本库，建立样本库之后使用Tensorflow对图片样本进行处理，转换为机器可识别的二进制流。样本处理完后，搭建卷积神经网络样本的违停车辆训练集，训练卷积神经网络，提高违停的精确性，当训练完毕之后生成机动车违停识别模型。
[0008]第一方面，本申请提供了基于tensorflow的机动车违停识别方法，所述方法包括以下步骤：
[0009]S00、采集不同违停类型的抓拍图片并进行分类，以建立样本库；
[0010]其中，每张抓拍图片在被识别后已经进行了违法特征的标注处理；
[0011]S10、通过tensorflow对样本库的抓拍图片进行扩充；
[0012]S20、通过tensorflow处理扩充后的所有抓拍图片，输出包含图片的二进制特征数据并和特征标签以键值对的形式进行封装；
[0013]S30、对所有抓拍图片进行归一化处理并输出规格一致的文件；
[0014]S40、采用输出的规格一致的文件作为训练样本，通过tensorflow提供的预训练模型进行训练，得到违停识别模型；
[0015]S50、监听抓拍图片的存储文件目录，当新的抓拍图片存储后，将该抓拍图片输入至违停识别模型，以输出检测结果。
[0016]进一步地，S10步骤中，扩充的具体步骤为：
[0017]S11、将tensorflow的tf.image.resize_images函数的method参数设为0，在保留视觉信息的同时压缩图片；
[0018]S12、使用tf.image.resize_images函数的tf.image.resize_image_with_crop_or_pad方法对所有抓拍图片做resize操作，以保证所有抓拍图片规格一致；
[0019]S13、对所有抓拍图片进行上下翻转并存储为第一组数据，对所有抓拍图片进行左右翻转并存储为第二组数据；
[0020]S14、使用tensorflow的tf.image.adjust_brightness方法调整所有抓拍图片的亮度，并使用tensorflow的ttf.clip_by_value方法将调整亮度后的图片数据作为第一个参数传入到tf.image.adjust_brightness方法中，同时将tf.image.adjust_brig htness方法的第二个参数设置为0.5；
[0021]S15、使用tensorflow的tf.image.adjust_contrast方法调整所有抓拍图片的对比度，设置第二个参数为1，以将所有抓拍图片的对比度增加1倍。
[0022]进一步地，S20步骤中，通过tensorflow的tf.train.Example方法处理扩充后的所有抓拍图片，并将二进制数据和特征标签以键值对的形式进行封装。
[0023]进一步地，S20步骤中，通过tensorflow的tf.python_io.TFRecordWriter方法输出为TFRecords文件。
[0024]进一步地，S40步骤中，预训练模型为Faster
‑
RCNN
‑
Inception
‑
V2。
[0025]进一步地，S40步骤中，将违停识别模型的路径修改为/model.ckpt，并将违停识别模型的TFRecords数据的文件路径修改为S20步骤中存放TFRecords文件的地址。
[0026]进一步地，S00步骤中，违停类型至少包括禁停标志及标线路段、公共设施周围、人行道及盲道、交叉路口铁路道口及宽度不足4米的窄路、桥梁陡坡及隧道。
[0027]第二方面，本申请提供了一种基于tensorflow的机动车违停识别装置，包括：
[0028]采集模块，用于采集不同违停类型的抓拍图片并进行分类，以建立样本库；
[0029]其中，每张抓拍图片在被识别后已经进行了违法特征的标注处理；
[0030]模型搭建模块，用于通过tensorflow对样本库的抓拍图片进行扩充；通过tensorflow处理扩充后的所有抓拍图片，输出包含图片的二进制特征数据并和特征标签以键值对的形式进行封装；对所有抓拍图片进行归一化处理并输出规格一致的文件；
[0031]模型训练模块，用于采用输出的规格一致的文件作为训练样本，通过tensorflow提供的预训练模型进行训练，得到违停识别模型；
[0032]识别输出模块，用于监听抓拍图片的存储文件目录，当新的抓拍图片存储后，将该抓拍图片输入至违停识别模型，以输出检测结果。
[0033]第三方面，本申请提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的基于tensorflow的机动车违停识别方法。
[0034]第四方面，本申请提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于tensorflow的机动车违停识别方法，其特征在于，包括以下步骤：S00、采集不同违停类型的抓拍图片并进行分类，以建立样本库；其中，每张所述抓拍图片在被识别后已经进行了违法特征的标注处理；S10、通过tensorflow对样本库的抓拍图片进行扩充；S20、通过tensorflow处理扩充后的所有抓拍图片，输出包含图片的二进制特征数据并和特征标签以键值对的形式进行封装；S30、对所有抓拍图片进行归一化处理并输出规格一致的文件；S40、采用输出的规格一致的文件作为训练样本，通过tensorflow提供的预训练模型进行训练，得到违停识别模型；S50、监听所述抓拍图片的存储文件目录，当新的抓拍图片存储后，将该抓拍图片输入至所述违停识别模型，以输出检测结果。2.如权利要求1所述的基于tensorflow的机动车违停识别方法，其特征在于，S10步骤中，扩充的具体步骤为：S11、将tensorflow的tf.image.resize_images函数的method参数设为0，在保留视觉信息的同时压缩图片；S12、使用tf.image.resize_images函数的tf.image.resize_image_with_crop_or_pad方法对所有抓拍图片做resize操作，以保证所有抓拍图片规格一致；S13、对所有抓拍图片进行上下翻转并存储为第一组数据，对所有抓拍图片进行左右翻转并存储为第二组数据；S14、使用tensorflow的tf.image.adjust_brightness方法调整所有抓拍图片的亮度，并使用tensorflow的ttf.clip_by_value方法将调整亮度后的图片数据作为第一个参数传入到tf.image.adjust_brightness方法中，同时将tf.image.adjust_brig htness方法的第二个参数设置为0.5；S15、使用tensorflow的tf.image.adjust_contrast方法调整所有抓拍图片的对比度，设置第二个参数为1，以将所有抓拍图片的对比度增加1倍。3.如权利要求1所述的基于tensorflow的机动车违停识别方法，其特征在于，S20步骤中，通过tensorflow的tf.train.Example方法处理扩充后的所有抓拍图片，并将二进制数据和特征标签以键值对的形式进行封装。4.如权利要求1所述的基于ten...

【专利技术属性】
技术研发人员：毛云青，徐洪亮，黄红叶，倪林杰，
申请(专利权)人：城云科技中国有限公司，
类型：发明
国别省市：