【技术实现步骤摘要】
本专利技术道路安全保护领域，具体而言，涉及基于深度学习的车辆车速识别方法、装置、设备及介质。
技术介绍
1、由于高速公路上车辆行驶速度快，为保障高速公路上车辆行驶的安全性，将车辆车速控制在合理的范围内尤为重要。虽然现有的测速设施在一定程度上增强了高速公路上车辆行驶的安全性，但高速公路上的测速装置一般测量的是车辆在某个区间内行驶的平均速度或在某处的速度，以此来判断车辆是否超速，并不能发现车辆速度的变化情况。且测速装置成本高，安装繁琐，一般需要多个设备配合使用才能检测到车速。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的车辆车速识别方法、装置、设备及介质，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：
2、第一方面，本申请提供了一种基于深度学习的车辆车速识别方法，包括：
3、获取车辆的行驶视频，从行驶视频中截取道路图像，将所述道路图像输入车道线分割模型中得到车道线与道路的分割结果图；
4、将分割结果图转换为第一鸟瞰图，基于所述第一鸟瞰图上的车道线计算得到单位像素与实际距离的转换关系式；
5、将所述行驶视频输入车辆跟踪模型，追踪车辆的至少两个行驶位置和每个行驶位置对应的时刻，以计算车辆在任意两个行驶位置之间的时间差值；
6、将所述行驶位置转换至第二鸟瞰图，并由所述转换关系式计算得到两个行驶位置之间的实际距离；
7、基于两个行驶位置之间的实际距离和时间差值计算得到车辆的平均车速。>
8、第二方面，本申请还提供了一种基于深度学习的车辆车速识别装置，包括：
9、分割模块：用于获取车辆的行驶视频，从行驶视频中截取道路图像，将所述道路图像输入车道线分割模型中得到车道线与道路的分割结果图；
10、转换模块：用于将分割结果图转换为第一鸟瞰图，基于所述第一鸟瞰图上的车道线计算得到单位像素与实际距离的转换关系式；
11、追踪模块：用于将所述行驶视频输入车辆跟踪模型，追踪车辆的至少两个行驶位置和每个行驶位置对应的时刻，以计算车辆在任意两个行驶位置之间的时间差值；
12、第一计算模块：用于将所述行驶位置转换至第二鸟瞰图，并由所述转换关系式计算得到两个行驶位置之间的实际距离；
13、第二计算模块：用于基于两个行驶位置之间的实际距离和时间差值计算得到车辆的平均车速。
14、第三方面，本申请还提供了一种基于深度学习的车辆车速识别设备，包括：
15、存储器，用于存储计算机程序；
16、处理器，用于执行所述计算机程序时实现所述基于深度学习的车辆车速识别方法的步骤。
17、第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深度学习的车辆车速识别方法的步骤。
18、本专利技术的有益效果为：
19、本专利技术使用机器视觉的方法对监控视角下车辆的车速进行检测，硬件设施简单，安装简单。先使用车道线分割算法对车道线进行分割，计算出车道线的像素长度，通过计算将单位像素对应到现实距离；再使用目标检测算法对车辆进行定位，使用跟踪算法对车辆进行跟踪，获取到每一个车辆行驶的像素长度和该长度对应的时间；结合车辆在第二鸟瞰图中行驶的像素长度和单位像素长度对应的现实距离，计算车辆行驶的车速。设计了低推理时延高精度的目标跟踪算法，能对车辆进行实时准确的车速识别。
20、本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的车辆车速识别方法，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车辆车速识别方法，其特征在于，将分割结果图转换为第一鸟瞰图，基于所述第一鸟瞰图上的车道线计算得到单位像素与实际距离的转换关系式，包括：
3.根据权利要求1所述的基于深度学习的车辆车速识别方法，其特征在于，将所述行驶视频输入车辆跟踪模型，追踪车辆的至少两个行驶位置和每个行驶位置对应的时刻，包括：
4.根据权利要求3所述的基于深度学习的车辆车速识别方法，其特征在于，对单帧图像中的车辆进行编号，包括：
5.一种基于深度学习的车辆车速识别装置，其特征在于，包括：
6.根据权利要求5所述的基于深度学习的车辆车速识别装置，其特征在于，所述转换模块包括：
7.根据权利要求5所述的基于深度学习的车辆车速识别装置，其特征在于，所述追踪模块包括：
8.根据权利要求7所述的基于深度学习的车辆车速识别装置，其特征在于，所述划分单元包括：
9.一种基于深度学习的车辆车速识别设备，其特征在于，包括：
10
...【技术特征摘要】
1.一种基于深度学习的车辆车速识别方法，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车辆车速识别方法，其特征在于，将分割结果图转换为第一鸟瞰图，基于所述第一鸟瞰图上的车道线计算得到单位像素与实际距离的转换关系式，包括：
3.根据权利要求1所述的基于深度学习的车辆车速识别方法，其特征在于，将所述行驶视频输入车辆跟踪模型，追踪车辆的至少两个行驶位置和每个行驶位置对应的时刻，包括：
4.根据权利要求3所述的基于深度学习的车辆车速识别方法，其特征在于，对单帧图像中的车辆进行编号，包括：
5.一种基于深度学习的车辆车速识别...
【专利技术属性】
技术研发人员：杨柳，蒲玲玲，赵欣卉，马征，刘恒，
申请(专利权)人：西南交通大学，
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。