一种基于大数据和视频技术的隧道车辆检测方法技术

本发明专利技术公开了一种基于大数据和视频技术的隧道车辆检测方法，通过高清卡口、监控视频等数据，以机器学习为技术方法，结合大数据处理手段和先进的图像识别算法技术，对进入公路隧道内的车辆状态进行精准识别，获取车辆车牌号、车辆类型、车辆型号、车辆运行速度、隧道内行驶轨迹位置、车流量等信息。同时可实现对隧道内的特殊事件进行检测，例如：车辆停车、车辆逆行、行人、遗撒物品、道路施工等。实时掌握危化品车辆行驶状态和隧道车流状况，车辆在隧道内发生的突发事件第一时间进行告警，可为应急处置部门对特殊事件快速处置和应急联动提供信息支持，加快对特殊事件的响应速度。加快对特殊事件的响应速度。加快对特殊事件的响应速度。

【技术实现步骤摘要】
一种基于大数据和视频技术的隧道车辆检测方法


[0001]本专利技术涉及交通管理
，尤其涉及一种基于大数据和视频技术的隧道车辆检测方法。

技术介绍

[0002]山西省地理环境比较复杂，高速公路建设中隧道数量多且长度较长，高速公路隧道运营里程已突破1000公里，且通车8年以上隧道占比超过50％，使得隧道运营安全风险等级越来越高。另一方面，山西省高速路网车型构成受区域产业影响，货运重载车辆比例超过40％，位居全国前列，特别是几条东西走向的货运走廊，如G18荣乌高速、S46五保高速、S66河汾高速等，扮演者山西西煤东运的重要角色，常年货运车辆占比50％以上，多为原煤、易燃煤制品、压缩天然气以及其他危险化学品，使得高速公路隧道行车安全问题越来越突出。如何提高高速公路危化品车辆过隧道的安全监管水平，减少人民群众生命财产损失，成为亟待解决的重要问题。
[0003]隧道的运营安全管理在整个高速公路的运营管理以及紧急事件处理中发挥着极其重要的作用，也是“智慧高速”未来发挥重要作用的领域。随着大数据与视频技术的高速发展，这些技术可以对隧道车辆的检测中发挥巨大作用。

技术实现思路

[0004]本专利技术提出一种基于大数据和视频技术的隧道车辆检测方法，用于事件检测，危化品检测，解决现有高速公路隧道安全运营存在的局限和缺陷。
[0005]一种基于大数据和视频技术的隧道车辆检测方法，包括事件检测和危化品检测，
[0006]通过高清卡口和监控视频数据，以机器学习为技术方法，结合大数据处理手段和先进的图像识别算法技术，对进入公路隧道内的车辆状态进行精准识别，获取车辆车牌号、车辆类型、车辆型号、车辆运行速度、隧道内行驶轨迹位置、车流量信息；
[0007]所述事件检测，包括视频图像获取模块，运动区域检测模块，物体检测模块和异常事件判别模块，其中运动区域检测模块采用自适应阈值的方法做帧差运动检测，将检测到的区域输入到物体检测模块，物体检测模块做车辆和行人的检测，将检测结果送入到异常事件判别模块，最终会判别出逆行、拥堵、违章停车、抛洒、行人闯入中的异常事件；
[0008]所述危化品检测，包括图像获取模块，车辆检测模块，车牌识别模块，车辆品牌识别模块和危险品标记检测模块，其中车辆检测模块采用深度学习算法进行检测，车牌识别模块采用传统方法结合深度学习方法，针对非两客车辆，送入危险品标记检测模块，判别是否为危险品车辆，最终输出车辆的车牌号码，是否为两客车辆，是否为一危车辆，进而对这些车辆进行管控。
[0009]进一步的，所述运动区域检测模块包括图像差分运动部分，自适应阈值选取部分和形态学操作部分，其中：
[0010]运动差分部分预先存储前N帧的图片，然后跟当前帧图片进行像素值差分运算，若
像素点的差分绝对值大于阈值T，则该点为运动点，否则为静止点；
[0011]自适应阈值选取部分选取当前整幅图像的灰度均值，根据事件段调整，白天阈值提高，夜晚阈值降低；或者将图相进行分块，每块采用不同的阈值；
[0012]形态学操作部分对运动的二值图像进行形态学操作，包括开运算和闭运算，取操作后的连通区域，保留连通区域面积较大的区域，作为运动区域。
[0013]进一步的，所述物体检测模块针对运动区域，采用深度学习检测方法做物体检测，主要检测车辆和行人，深度学习检测方法包括faster
‑
rcnn，ssd或yolov3算法对车辆进行检测，主模型采用vgg16或alexnet。
[0014]进一步的，所述车辆检测模块从图像中自动标记车辆的位置和置信度，采用改进的多种深度学习方法对输入图像进行车辆检测，使用faster
‑
rcnn或ssd算法对车辆进行检测。
[0015]进一步的，所述车牌识别模块，采用改进的mtcnn深度学习算法检测车牌的四个端点，然后利用透视变换算法，对车牌进行校正，采用基于crnn的神经网络识别算法，对车牌进行整牌识别，解决由于传统的车牌识别算法针对模糊车牌，悬挂倾斜车牌和光照条件较差的车牌识别效果较差，导致的识别效率的问题。
[0016]进一步的，所述车辆品牌识别模块，采用mobilenet分类神经网络对车辆品牌进行分类识别，同时根据识别的车辆品牌，经过后处理输出收费类型。
[0017]进一步的，所述危险品标记检测模块根据危险品的类型训练三个检测模型，采用yolo
‑
v1，yolo
‑
v2或yolo
‑
v3检测算法对危险品车辆进行检测判别。
[0018]本专利技术具有下述有益效果：
[0019]本专利技术提供的基于大数据及视频技术的高速公路隧道车辆监测技术，可提高交通事件的预警能力，加快对特殊事件的响应速度，使隧道运维管理更加合理、科学、高效。隧道内车辆在监控场景下会出现各种复杂状况(例如光照、视野、小目标、天气等)，增加了对车辆特征进行识别的难度。在内存和计算能力有限的嵌入式智能硬件平台上部署目标检测算法，需要平衡好检测精度和实时性要求。本专利技术采用基于多尺度神经网络模型的剪枝网络方法，通过稀疏化训练和网络剪枝操作，可显著降低模型复杂度和运行的计算成本，实现基于大数据和深度学习的隧道车辆自动检测技术。
附图说明
[0020]图1为本专利技术事件检测总体流程图；
[0021]图2为本专利技术异常事件判别流程图；
[0022]图3为本专利技术危化品检测总体流程图；
[0023]图4为ssd网络结构图；
[0024]图5为Yolo
‑
v3结构图；
[0025]图6为车牌识别模块技术方案第一阶段示意图；
[0026]图7为车牌识别模块技术方案第二阶段示意图；
[0027]图8为车牌识别模块技术方案第三阶段示意图。
具体实施方式
[0028]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述。
[0029]实施例
[0030]图1为本专利技术实施例提供的事件检测总体流程图，运动区域检测模块主要分图像差分，自适应阈值选取，形态学操作选取运动区域等几个部分。
[0031]运动差分：会预先存储前N(这里的N可以取4)帧的图片，然后跟当前帧图片进行像素值差分运算，若像素点的差分绝对值大于阈值T，则该点为运动点，否则为静止点。
[0032]自适应阈值选取：自适应阈值T选取可以选取当前整幅图像的灰度均值；也可以根据事件段调整，白天阈值提高，夜晚阈值降低；也可以将图相进行分块，每块采用不同的阈值，本专利技术专利采用的是第三种方案。
[0033]形态学操作：对运动的二值图像进行形态学操作，形态学操作主要分为开运算和闭运算，或取操作后的连通区域，保留连通区域面积较大的区域，作为运动区域。
[0034]针对运动区域，采用深度学习检测方法做物体检测，主要检测车辆和行人，本实例采取深度学习检测方法Yolo
‑
v3。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据和视频技术的隧道车辆检测方法，其特征在于，包括事件检测和危化品检测，通过高清卡口和监控视频数据，以机器学习为技术方法，结合大数据处理手段和先进的图像识别算法技术，对进入公路隧道内的车辆状态进行精准识别，获取车辆车牌号、车辆类型、车辆型号、车辆运行速度、隧道内行驶轨迹位置、车流量信息；所述事件检测，包括视频图像获取模块，运动区域检测模块，物体检测模块和异常事件判别模块，其中运动区域检测模块采用自适应阈值的方法做帧差运动检测，将检测到的区域输入到物体检测模块，物体检测模块做车辆和行人的检测，将检测结果送入到异常事件判别模块，最终会判别出逆行、拥堵、违章停车、抛洒、行人闯入中的异常事件；所述危化品检测，包括图像获取模块，车辆检测模块，车牌识别模块，车辆品牌识别模块和危险品标记检测模块，其中车辆检测模块采用深度学习算法进行检测，车牌识别模块采用传统方法结合深度学习方法，针对非两客车辆，送入危险品标记检测模块，判别是否为危险品车辆，最终输出车辆的车牌号码，是否为两客车辆，是否为一危车辆，进而对这些车辆进行管控。2.根据权利要求1所述的基于大数据和视频技术的隧道车辆检测方法，其特征在于，所述运动区域检测模块包括图像差分运动部分，自适应阈值选取部分和形态学操作部分，其中：运动差分部分预先存储前N帧的图片，然后跟当前帧图片进行像素值差分运算，若像素点的差分绝对值大于阈值T，则该点为运动点，否则为静止点；自适应阈值选取部分选取当前整幅图像的灰度均值，根据事件段调整，白天阈值提高，夜晚阈值降低；或者将图相进行分块，每块采用不同的阈值；形态学操作部分对运动的二值图像进行形态学操作，包...

【专利技术属性】
技术研发人员：谢鹏远，王瑜波，赵凯，张伟，张海跤，
申请(专利权)人：山西省智慧交通研究院有限公司，
类型：发明
国别省市：