一种基于单阶段目标检测的交通常见事件检测方法技术

本发明专利技术涉及交通智能识别技术领域，公开了一种基于单阶段目标检测的交通常见事件检测方法，包括以下步骤：

【技术实现步骤摘要】
一种基于单阶段目标检测的交通常见事件检测方法


[0001]本专利技术涉及交通智能识别
，具体是一种基于单阶段目标检测的交通常见事件检测方法
。

技术介绍

[0002]近年来，随着我国经济社会的快速发展，我国交通建设事业取得了巨大的成就，高速公路方面发展得非常迅速，建设了大量里程的高速公路；对于现在的高速公路发展现状来说，人们不再满足于单纯的方便快捷；随着车辆的普及，人们对于高速公路安全性的要求也在不断提高
。
由于高速公路上的车流量大，车速块，一旦发生事故，轻则造成财产损失，重则人员伤亡，现有的交通检测，是采用纯人工巡检方式，
24
小时不间断排查，导致效率低下，且发生事件时，有一定的滞后性，与交通领域对事件发生时要求的时效性相悖
。
[0003]中国专利公开了交通事件检测方法以及系统
(
公告号
CN105809954B)
，该专利技术不需要选择海量的视频特征，不需要实现精确的目标分类和识别，不需要采集海量的轨迹样本，不需要构建复杂的视频事件库，不需要对交通事件的上下文信息进行智能辨识，不需要构建丰富的语义库
。
利用熵值来检测交通事件降低了系统的复杂度，并进而降低了应用成本，但是其不能针对道路上出现的不同况且进行分析判断，从而导致实用性不强
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于单阶段目标检测的交通常见事件检测方法，以解决上述
技术介绍
中提出的问题
。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种基于单阶段目标检测的交通常见事件检测方法，包括以下步骤：
[0007]S1、
视频画面处理：通过相机拍摄整段道路，并将视频画面传入到视频接入层，再利用
VPF
对视频帧进行硬解码，获取结果帧；并将结果帧转为
Tensor
；
[0008]S2、
目标检测：结果帧转为
Tensor
后，传入到目标检测层，利用
Backbone+neck+head
的方法，从
Tensor
中检测并定位目标的位置
、
置信度及类别；
[0009]S3、
目标跟踪：目标检测层检测完成以后，将目标的位置
、
置信度以及类别传入到目标跟踪层，再利用目标跟踪方法，将跟踪的目标框分为高分框和低分框，采用卡尔曼滤波
+
匈牙利算法进行匹配，获得目标参数；
[0010]S4、
车辆属性和车牌识别：目标跟踪完成以后，将目标参数传入到车辆属性和车牌识别层；再利用图片多标签分类技术，采用
ResNet18
网络识别车辆属性，其中，车辆属性包括车型
、
车身颜色和车牌颜色，并输出类别为车型总类别
+
车身颜色总类别
+
车牌颜色总类别；再使用
OCR
文本识别技术，对车辆的车牌进行识别，输出类别为车型总类别
+
车身颜色总类别
+
车牌颜色总类别
+
车牌；
[0011]S5、
算法逻辑判断：车辆属性和车牌识别完成以后，将处理结果传送到算法逻辑层，在算法逻辑层实现交通常见事件检测的逻辑处理，并将逻辑处理结果上报到平台层，由
平台层进行数据展示，由于只一次提取特征即实现目标检测，因此，实现单阶段目标检测的交通常见事件检测
。
[0012]作为本专利技术再进一步的方案：在所述
S2
步骤中，
Backbone+neck+head
的处理方法具体步骤如下：先通过
Backbone
提取结果帧的特征，从结果帧中分类目标物；再将输出结果经过
neck
进行降维和调整处理，以便更好地适应任务要求，然后传入
head
后输出回归目标位置；接着，采用
Anchor
‑
free
的目标检测算法，利用
head
回归目标位置，并使用
NMS
过滤低置信度的目标，得到目标的位置
、
置信度以及类别
。
[0013]作为本专利技术再进一步的方案：在所述
S3
步骤中，目标参数包括坐标
、
置信度
、
类别
、id
以及得分，当目标因遮挡造成得分较低时，通过匹配低分框，并结合高分框的方式来减小跟踪
id
变动的情况；具体方法如下：
[0014]通过判断当前目标的置信度是否大于高分框的阈值，以此来判断当前目标是属于低分框还是高分框；若当前目标属于高分框时，则只从高分框中通过匈牙利算法进行匹配；若当前目标属于低分框时，则会从高分框和低分框两个部分匹配
。
[0015]作为本专利技术再进一步的方案：在所述
S5
步骤中，交通常见事件检测的逻辑处理包括交通拥堵检测的逻辑处理
、
交通事故检测的逻辑处理
、
超低速行驶检测的逻辑处理以及道路杂物检测的逻辑处理
。
[0016]作为本专利技术再进一步的方案：所述交通拥堵检测的逻辑处理方法如下：通过检测车道上每辆车与前一辆车相距的时间间隔及位置间隔，并对不同的通行情况，设置不同的拥堵级别
。
[0017]作为本专利技术再进一步的方案：所述交通事故检测的逻辑处理方法如下：通过检测目标跟踪返回的每辆车的位置信息是否长时间无位移，及周围是否有超过两辆车长时间无位移的方法，来判定是否发生交通事故
。
[0018]作为本专利技术再进一步的方案：所述超低速行驶检测的逻辑处理方法如下：采用人工辅助框定图像，并确定图像中两点之间的像素距离和实际距离，并根据相机近大远小的成像原理，通过求每个像素代表的实际距离的方法，来确定车辆每一时刻的瞬时速度，进而判断是否有车辆超低速行驶；
[0019]其中，每个像素代表的实际距离具体公式为：
n
＝
x
1/y
(1),
上式
(1)
中，
n
表示实际像素距离，
x
表示从一点到另一点的像素值，
y
表示从一点到另一点的实际距离
。
[0020]作为本专利技术再进一步的方案：所述道路杂物检测的逻辑处理方法如下：采用基于深度学习的图像分割算法和基于
CNN
的图像分类方法，先将图像中车道内的目标物从背景图像中分割出来，再对分割出来的每一个目标物进行分析判断，判断其是否是车辆或行人，对于不是车辆和行人的目标物，当被检测到超过三次的时候，则认为是道路杂物
。
[0021]与现有技术相比，本专利技术的有益效果：
...

【技术保护点】

【技术特征摘要】
1.
一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，包括以下步骤：
S1、
视频画面处理：通过相机拍摄整段道路，并将视频画面传入到视频接入层，再利用
VPF
对视频帧进行硬解码，获取结果帧；并将结果帧转为
Tensor
；
S2、
目标检测：结果帧转为
Tensor
后，传入到目标检测层，利用
Backbone + neck + head
的方法，从
Tensor
中检测并定位目标的位置
、
置信度及类别；
S3、
目标跟踪：目标检测层检测完成以后，将目标的位置
、
置信度以及类别传入到目标跟踪层，再利用目标跟踪方法，将跟踪的目标框分为高分框和低分框，采用卡尔曼滤波
+
匈牙利算法进行匹配，获得目标参数；
S4、
车辆属性和车牌识别：目标跟踪完成以后，将结果传入到车辆属性和车牌识别层；再利用图片多标签分类技术，采用
ResNet18
网络识别车辆属性，其中，车辆属性包括车型
、
车身颜色和车牌颜色，并输出类别为车型总类别
+
车身颜色总类别
+
车牌颜色总类别；再使用
OCR
文本识别技术，对车辆的车牌进行识别，输出类别为车型总类别
+
车身颜色总类别
+
车牌颜色总类别
+
车牌；
S5、
算法逻辑判断：车辆属性和车牌识别完成以后，将处理结果传送到算法逻辑层，在算法逻辑层实现交通常见事件检测的逻辑处理，并将逻辑处理结果上报到平台层，由平台层进行数据展示，实现单阶段目标检测的交通常见事件检测
。2.
根据权利要求1所述的一种基于单阶段目标检测的交通常见事件检测方法，其特征在于，在所述
S2
步骤中，
Backbone + neck + head
的处理方法具体步骤如下：先通过
Backbone
提取结果帧的特征，从结果帧中分类目标物；再将输出结果经过
neck
进行降维和调整处理，以便更好地适应任务要求，然后传入
head
后输出回归目标位置；接着，采用
Anchor
‑
free
的目标检测算法，利用
head
回归目标位置，并使用
NMS
过滤低...

【专利技术属性】
技术研发人员：马仁吉，黄荣华，包永成，马凯，王昭君，邵家伟，
申请(专利权)人：江苏正方交通科技有限公司，
类型：发明
国别省市：