【技术实现步骤摘要】
本专利技术属于深度学习的计算机视觉，尤其涉及一种基于深度学习的电动车违章识别方法。
技术介绍
1、计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。
2、交警虽然可以在高峰时段进行人工检查电动车人员是否正确佩戴了头盔，但因为下班时人较多，交警只有有限的注意力，参与交通人员会避开交警的视线，交警并不能检查到各个方向行驶的电动车人员，而且天气在夏季炎热冬季寒冷，交警的工作环境很差。
3、因此，有必要提供一种新的基于深度学习的电动车违章识别方法解决上述技术问题。
技术实现思路
1、本专利技术解决的技术问题是提供一种可以解决交警注意力有限、参与交通人员存在侥幸心理而不遵守交规问题的基于深度学习的电动车违章识别方法。
2、为解决上述技术问题，本专利技术提供的基于深度学习的电动车违章识别方法包括以下步骤：
3、s1：收集主从两类摄像头收集不同类型路口的电动车人员图像并标注，所述相关的图像包括有电动车人员行驶
4、(1).预处理阶段：对图像信号进行去噪、翻转、对比度等数据增强操作，来提高图像质量；标注时严格按照不同模型的数据要求进行标注；
5、(2).模型训练阶段：在计算机上采用某种模型训练，之后保存训练后的权重参数，然后对模型进行验证迭代，最终部署在服务器当中进行推理识别；
6、(3).识别阶段：将采集到的图像经过预处理、特征提取后，根掘算法与训练出的模型库中各个模型进行推理，判断视频序列中是否出现电动车人员未佩戴头盔、电动车人员的人脸信息、电动车人员的车牌信息以及出现的位置；
7、s2：通过电动车人员跟踪模型及目标检测模型将未佩戴头盔的电动车人脸及车牌进行确定及截取；
8、s3：通过电动车人员人脸识别模型将未佩戴头盔的电动车人脸结合数据库中的人脸进行对比；
9、s4：通过电动车人员车牌识别模型将未佩戴头盔的电动车车牌识别出来；
10、作为本专利技术的进一步方案，所述s1还包括如下：
11、主从摄像头的安放位置需要根据各模型训练迭代的效果进行设计。
12、作为本专利技术的进一步方案，所述s2还包括如下：
13、通过预训练模型对模型进行微调，电动车人员跟踪模型及目标检测模型的训练图像数量在5000张以上。
14、作为本专利技术的进一步方案，所述s3还包括如下：
15、通过预训练模型对模型进行微调，电动车人员人脸识别模型的训练图像数量在2000张以上。
16、作为本专利技术的进一步方案，所述预处理阶段具体如下：
17、摄像头获得的路口视频为超高清画质，像素分辨率为1920×1080，但深度学习模型本身网络深度深、层数多，大尺寸的图像送入网络训练，会使网络训练缓慢，收敛较慢，故需对视频数据进行预处理。为保证画面清晰度与训练网络处理速度，利用opencv中resize函数功能，将原视频缩放至856×480尺寸后截取视频。
18、样本选择不同时间段路口所有人出现的视频场景。为保证样本丰富性同时考虑训练数据数量，在选取的变电所视频中每隔5帧截取一帧图像，按照训练集与测试集、验证集8:1:1的比例，图片随机选择，利用可视化的图像标定工具进行标定，标定框标记电动车人员为person类，生成的xml文件除了包含图片原有的尺寸之外，还有标记框的信息，包含要检测目标的类别，以及标定框左上角和右下角坐标相对于原图的偏移。数据标注完成后，python编写程序转换到voc 格式下的训练集、验证集和测试集的txt文件。通过调整旋转角度、曝光量、以及转换到hsv空间改变色调分量来产生更多样本，来提高模型的鲁棒性，进行数据增强。训练集、验证集在训练过程中检验模型收敛情况，测试集用于检验最终模型训练的效果。
19、与相关技术相比较，本专利技术提供的基于深度学习的电动车违章识别方法具有如下有益效果：
20、1、本专利技术可以解决交警注意力有限的问题；
21、2、本专利技术可以解决参与交通人员存在侥幸心理而不遵守交规的问题；
22、3、本专利技术可以解决交警工作环境较差的问题。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的电动车违章识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的电动车违章识别方法，其特征在于：所述S1还包括如下：
3.根据权利要求1所述的基于深度学习的电动车违章识别方法，其特征在于：所述S2还包括如下：
4.根据权利要求1所述的基于深度学习的电动车违章识别方法，其特征在于：所述S3还包括如下：
5.根据权利要求1所述的基于深度学习的电动车违章识别方法，其特征在于：所述预处理阶段具体如下：
【技术特征摘要】
1.一种基于深度学习的电动车违章识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的电动车违章识别方法，其特征在于：所述s1还包括如下：
3.根据权利要求1所述的基于深度学习的电动车违章识别方法，其特...
【专利技术属性】
技术研发人员：刘泽蒙，刘迎春，刘浩楠，
申请(专利权)人：江苏新狮科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。