【技术实现步骤摘要】
本专利技术涉及二轮车行为识别，特别是涉及一种基于深度学习的二轮车闯红灯实时检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、随着深度学习技术的发展，其被广泛应用在交通管理中，如闯红灯检测。而目前常用的闯红灯检测技术一般应用目标检测算法。
3、现有的闯红灯检测大多为yolov4、yolov5系列的目标检测技术，误检较多且容易漏检很多小目标，使得二轮车闯红灯行为存在较多漏检与误检。
4、另外，目前的红绿灯状态采用分类模型进行处理，在摄像头分辨率较低、晚上光晕较大、视像头距离红绿灯较远等情况下无法对红绿灯进行有效的检测。
5、现有目标追踪技术是对相邻帧目标特征向量进行相似度计算，计算值超过阈值判定为同一目标。在实际闯红灯场景之中可能存在很多目标闯红灯，这会导致目标可能存在遮挡，导致相似度低于设定阈值，从而使得目标追踪失败。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了一种基于深度学习的二轮车闯红灯实时检测方法、系统、电子设备及计算机可读存储介质，实时且识别准确率较高，能够在保证运行速度的同时，得到更高的二轮车闯红灯识别准确率。
2、第一方面，本专利技术提供了一种基于深度学习的二轮车闯红灯实时检测方法；
3、一种基于深度学习的二轮车闯红灯实时检测方法，包括：
4、通过目标检测算法对实时视频帧图像中的二轮车与红绿灯进行目标检测，获取实
5、将红绿灯图像输入训练好的红绿灯分类模型进行处理，获取信号灯状态；
6、若信号灯状态为红灯，通过目标追踪算法对二轮车目标图像进行追踪检测，确定追踪轨迹；
7、获取斑马线区域，根据追踪轨迹和斑马线区域，判断二轮车是否达成闯红灯条件。
8、进一步的，所述将红绿灯图像输入预设的红绿灯分类模型进行处理包括：
9、将红绿灯图像输入训练好的repvgg-b1模型进行检测，获取信号灯状态分类结果和分类置信度；
10、将分类置信度与预设的置信度阈值进行比较；
11、若分类置信度大于预设的置信度阈值，则将信号灯状态分类结果作为信号灯状态输出；
12、若分类置信度小于预设的置信度阈值，则对红绿灯图像进行亮度判断，获取信号灯状态。
13、进一步的，所述通过目标追踪算法对二轮车目标图像进行追踪检测包括：
14、通过训练好的reid模型对二轮车目标图像进行追踪检测，确定是否存在追踪轨迹；
15、若是，输出追踪轨迹；
16、若否，在预设帧范围内对相邻帧图像进行追踪匹配，确定追踪轨迹。
17、优选的，对二轮车目标图像进行追踪检测时，对于存在二轮车目标重合及相邻帧目标特征值相似度低的目标不进行追踪。
18、进一步的，所述获取斑马线区域具体为：
19、通过语义分割技术对实时视频帧图像进行处理，确定斑马线区域。
20、进一步的，所述根据追踪轨迹和斑马线区域，判断二轮车是否达成闯红灯条件包括：
21、根据追踪轨迹和斑马线区域，确定二轮车超过斑马线的距离；
22、根据二轮车超过斑马线的距离和预设的距离阈值，判断二轮车是否达成闯红灯条件。
23、进一步的，通过yolov7模型对实时视频帧图像中的二轮车与红绿灯进行目标检测。
24、第二方面，本专利技术提供了一种基于深度学习的二轮车闯红灯实时检测系统；
25、一种基于深度学习的二轮车闯红灯实时检测系统，包括：
26、目标检测模块，被配置为：通过目标检测算法对实时视频帧图像中的二轮车与红绿灯进行目标检测，获取实时视频帧图像中的二轮车与红绿灯的坐标信息，并根据二轮车与红绿灯的坐标信息，获取二轮车目标图像和红绿灯图像；
27、信号灯状态确定模块，被配置为：将红绿灯图像输入训练好的红绿灯分类模型进行处理，获取信号灯状态；
28、二轮车轨迹追踪模块，被配置为：若信号灯状态为红灯，通过目标追踪算法对二轮车目标图像进行追踪检测，确定追踪轨迹；
29、闯红灯检测模块，被配置为：获取斑马线区域，根据追踪轨迹和斑马线区域，判断二轮车是否达成闯红灯条件。
30、第三方面，本专利技术提供了一种电子设备；
31、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述基于深度学习的二轮车闯红灯实时检测方法的步骤。
32、第四方面，本专利技术提供了一种计算机可读存储介质；
33、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述基于深度学习的二轮车闯红灯实时检测方法的步骤。
34、与现有技术相比，本专利技术的有益效果是：
35、本专利技术提供的技术方案，考虑到车辆中存在较多的小目标，使用的是对小目标有更好识别效果的yolov7算法进行目标检测，提高目标检测的准确率；追踪算法只对二轮车进行追踪，不对人进行追踪，提高追踪准确率；对于相邻帧目标特征值相似度较低的目标不进行追踪，对最多25帧内目标进行追踪，提高追踪的准确率；使用的repvgg-b1大模型对红绿灯图像进行分析，对结果置信度较低的结果使用亮度进行判断，提高红绿灯预测准确率。综合结合上述三种算法，提高二轮车闯红灯实时检测的准确性和效率。
本文档来自技高网...【技术保护点】
1.基于深度学习的二轮车闯红灯实时检测方法，其特征在于，包括：
2.如权利要求1所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，所述将红绿灯图像输入预设的红绿灯分类模型进行处理包括：
3.如权利要求1所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，所述通过目标追踪算法对二轮车目标图像进行追踪检测包括：
4.如权利要求3所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，对二轮车目标图像进行追踪检测时，对于存在二轮车目标重合及相邻帧目标特征值相似度低的目标不进行追踪。
5.如权利要求1所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，所述获取斑马线区域具体为：
6.如权利要求1所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，所述根据追踪轨迹和斑马线区域，判断二轮车是否达成闯红灯条件包括：
7.如权利要求1所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，通过yolov7模型对实时视频帧图像中的二轮车与红绿灯进行目标检测。
8.基于深度学习的二轮车闯
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述基于深度学习的二轮车闯红灯实时检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述基于深度学习的二轮车闯红灯实时检测方法的步骤。
...【技术特征摘要】
1.基于深度学习的二轮车闯红灯实时检测方法，其特征在于，包括：
2.如权利要求1所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，所述将红绿灯图像输入预设的红绿灯分类模型进行处理包括：
3.如权利要求1所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，所述通过目标追踪算法对二轮车目标图像进行追踪检测包括：
4.如权利要求3所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，对二轮车目标图像进行追踪检测时，对于存在二轮车目标重合及相邻帧目标特征值相似度低的目标不进行追踪。
5.如权利要求1所述的基于深度学习的二轮车闯红灯实时检测方法，其特征在于，所述获取斑马线区域具体为：
6.如权利要求1所述的基于深度学习的二轮车闯红灯实时...
【专利技术属性】
技术研发人员：赵承帅，李凡平，石柱国，
申请(专利权)人：以萨技术股份有限公司，
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。