CN109191855A - 机动车未按规定粘贴反光标识识别方法、***及存储介质 - Google Patents

Abstract

本发明公布一种机动车未按规定粘贴反光标识识别方法、***及存储介质，解决了当前交通部门在查处未按规定粘贴反光标识时工作量较大耗时费力，并在存在安全隐患的技术问题。包括获取交通监控设备所采集的视频流，所述视频流包括多帧图像；采用预先训练的车型识别神经网络模型，对各帧图像中每一机动车的车型进行识别；采用预先训练的反光标识识别神经网络模型，对各帧图像中每一机动车的反光标识进行识别；将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识。本发明可预防减少车身反光标识粘贴不规范、缺失等引发的交通事故，可减少此类交通伤亡和交通伤害，保障人民群众的生命安全。

Description

机动车未按规定粘贴反光标识识别方法、***及存储介质

技术领域

本发明涉及人工智能机器视觉的技术领域，具体涉及一种机动车未按规定粘贴反光标识识别方法、***及存储介质。

背景技术

近年来，我国道路交通事业发展迅猛，同时，道路交通安全问题日益突出。夜间车辆在行驶时，若是未粘贴反光标识，或反光标识粘贴不规范，容易造成车辆行驶时反光范围和面积存在偏差，从而存在安全隐患，因而车身因严格按照要求粘贴反光标识。

但是，目前，一些车辆由于使用时间长了，容易使车身上的反光标识粘贴不规范，而车主的安全意识不够强烈，容易忽视该问题，这不仅会给车主带来安全隐患，同时，还会给其它车辆带来安全隐患。

目前，公安机关交通管理部门对查处不按规定粘贴反光标识的违法行为，没有较好的办法，主要依靠路面执法，通过交通警察现场观察，再进行拦截取证，查处的方式较为被动，技术含量较低，特别是需要大量的警力参与，工作量很大，对交警的安全也有一定的影响，而且由于不能连续查处，治理效果也不显著。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种机动车未按规定粘贴反光标识识别方法、***及存储介质，解决了当前交通部门在查处未按规定粘贴反光标识时工作量较大耗时费力，并在存在安全隐患的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种机动车未按规定粘贴反光标识识别方法，包括：

获取交通监控设备所采集的视频流，所述视频流包括多帧图像；

采用预先训练的车型识别神经网络模型，对各帧图像中每一机动车的车型进行识别；

采用预先训练的反光标识识别神经网络模型，对各帧图像中每一机动车的反光标识进行识别；

将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识。

进一步的，将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识，包括：

根据所识别的目标机动车的车型，查询该车型的反光标识粘贴的标准方式的标准点阵；

匹配所识别的目标机动车的反光标识，检测出该反光标识的畸变点阵；

根据预先设置的透视反变换参数，对所述畸变点阵进行透视反变换；

将所述畸变点阵进行透视反变换后的点阵与标准点阵进行比较，计算出hausdoff距离，并将所述hausdoff距离值与预先设置的阈值相比较，根据比较结果判断该目标机动车的反光标识粘贴是否符合要求。

进一步的，所述预先设置的透视反变换参数设置过程包括：

将所检测目标机动车的反光标识的点阵像素与目标机动车对应车型的反光标识粘贴的标准模型坐标相对应；

采用最小二乘法，确定所检测目标机动车的反光标识的点阵像素的透视反变换参数。

进一步的，所述车型识别神经网络模型训练过程包括：

构建第一训练样本集，所述第一训练样本集中包括多张标记车型的第一图片，所述第一图片由交通监控设备预先采集；

采用yolo算法基于所标记的车型对所述第一训练样本集中的多张第一图片进行训练，得到车型识别神经网络模型的各个模型参数。

进一步的，所述反光标识识别神经网络模型的训练过程包括：

构建第二训练样本集，所述第二训练样本集中包括多张标记反光标识的第二图片，所述第二图片由交通监控设备预先采集；

采用yolo算法基于所标记的反光标识对所述第二训练样本集中的多张第二图片进行训练，得到反光标识识别神经网络模型的各个模型参数。

另一方面，本发明公布一种机动车未按规定粘贴反光标识识别***，包括：

获取模块，用于获取交通监控设备所采集的视频流，所述视频流包括多帧图像；

第一识别模块，用于采用预先训练的车型识别神经网络模型，对各帧图像中每一机动车的车型进行识别；

第二识别模块，用于采用预先训练的反光标识识别神经网络模型，对各帧图像中每一机动车的反光标识进行识别；

判断模块，用于将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识。

优选的，还包括：

反变换模块，用于在将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识之前，对所识别目标机动车的反光标识并检测出该反光标识的畸变点阵，根据预先设置的透视反变换参数，对所述畸变点阵进行透视反变换。

第三方面，本发明公布一种存储介质，其上存储有计算机程序，在所述计算机程序被处理器执行时可实现上述的方法。

(三)有益效果

本发明提供了一种机动车未按规定粘贴反光标识识别方法、***及存储介质，即可以对机动车不按规定粘贴反光标识的自动筛检、识别，首先通过视频图像识别出车型，并检测出已经粘贴好的反光标识，然后将这些检测出的效果与机动车安全防护装置和车身反光标识专项标准及要求进行对比，用hausdorff距离评判该粘贴是否违规；本发明在雨雪等各种复杂天气以及白天夜间等全天时情况下都能取得比较好的检测效果；可以预防减少因防护装置和车身反光标识粘贴不规范、缺失等引发的交通事故，特别防止一些大货车的重特大事故的发生，减轻此类交通伤亡和交通伤害，切实保障广大人民群众的生命财产安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a和图1b是本发明实施例方法流程示意图；

图2是本发明实施例所检测目标车辆的反光标识的位置与标准模型位置相对应示意图；

图3是本发明实施例检测出来的反光标识与对应车型标准贴法进行比较，并示出hausdoff距离示意图；

图4是本发明实施例基于深度学习的神经元网络算法训练流程示意图；

图5是机动车车身反光标识通常定义示意图；

图6是本发明实施例提出的机动车车身反光标识的标记方法示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

由于当前公安机关交通管理部门在查处车辆不按规定粘贴反光标识的违法行为时，主要依靠路面执法，通过交通警察现场观察，再进行拦截取证，查处的方式较为被动，技术含量较低，需要大量的警力参与，工作量很大，对交警的安全也有一定的影响，而且由于不能连续查处，治理效果也不显著。

鉴于上述原因，本实施例提供一种机动车未按规定粘贴反光标识识别方法，如图1a和图1b所示，包括以下步骤：

S1、获取交通监控设备所采集的视频流，所述视频流包括多帧图像；

可理解的是，交通监控设备可以但不限于设置在高速公路事故多发区、高速公路复杂路段、高速桥面出入口、城市快速路事故多发区等区域。

S2、采用预先训练的车型识别神经网络模型，对各帧图像中每一机动车的车型进行识别；

可理解的是，将上述多帧图像输入上述车型识别神经网络模型，便得到出现在上述多帧图像中的各辆机动车的车型；

其中，车型识别神经网络模型的训练过程包括如下过程：

S21、构建第一训练样本集，所述第一训练样本集中包括多张标记车型的第一图片，所述第一图片由交通监控设备预先采集；

S22、采用yolo算法基于所标记的车型对所述第一训练样本集中的多张第一图片进行训练，得到车型识别神经网络模型的各个模型参数。

可理解的是，S22得到车型识别神经网络模型的各个模型参数，即得到训练好的车型识别神经网络模型。

举例来说，如图4所示，标记车型图片即对第一图片中的车型进行标记，然后采用yolo算法进行训练，得到用于车型检测的模型的参数。

S3、采用预先训练的反光标识识别神经网络模型，对各帧图像中每一机动车的反光标识进行识别；

可理解的是，将上述多帧图像输入上述反光标识识别神经网络模型，便得到出现在上述多帧图像中的各辆机动车的反光标识；

其中，所述反光标识识别神经网络模型的训练过程包括：

S31、构建第二训练样本集，所述第二训练样本集中包括多张标记反光标识的第二图片，所述第二图片由交通监控设备预先采集；

如图5所示，通常车身反光标识定义为红白相间的条状，描述反光标识通常有两种方法，如定义红前白后，或者白前红后。但是这两种定义具有歧义性，因为有时反光标识以红结尾，有时以白结尾，有时以红开头，有时以白开头，这样会导致反光标识漏检或少检。而交给计算机学习训练的规则必须具有唯一性和非歧义性，这样才便于计算机学习和算法收敛。

所以如图6所示，本发明实施例提出了只标红色的标记方法，这样不管白前还是红前，不管白上还是红上，都可以得到唯一确定的标记方法。

S32、采用yolo算法基于所标记的反光标识对所述第二训练样本集中的多张第二图片进行训练，得到反光标识识别神经网络模型的各个模型参数。

可理解的是，S32得到反光标识识别神经网络模型的各个模型参数，即得到训练好的反光标识识别神经网络模型。

举例来说，如图4所示，标记车型图片即对第一图片中的反光标识进行标记，然后采用yolo算法进行训练，得到用于反光标识检测的模型的参数。

S4、将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识。

可理解的是，这里将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配的过程，实际上将目标机动车的车型和该目标机动车的反光标识进行对应的过程。

其中，自动识别判断目标机动车是否按规定粘贴反光标识，包括：

S41、根据所识别的目标机动车的车型，查询该车型的反光标识粘贴的标准方式的标准点阵；

S42、匹配所识别的目标机动车的反光标识，检测出该反光标识的畸变点阵；

S43、根据预先设置的透视反变换参数，对所述畸变点阵进行透视反变换；

S44、将所述畸变点阵进行透视反变换后的点阵与标准点阵进行比较，计算出hausdoff距离，并将所述hausdoff距离值与预先设置的阈值相比较，根据比较结果判断该目标机动车的反光标识粘贴是否符合要求。

其中，Hausdorff距离是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式：假设有两组集合A＝{a1,…,ap},B＝{b1,…,bq},则这两个点集合之间的Hausdorff距离定义为：

H(A,B)＝max(h(A,B),h(B,A))(1)

其中,

h(A,B)＝max(a∈A)min(b∈B)‖a-b‖(2)

h(B,A)＝max(b∈B)min(a∈A)‖b-a‖(3)

其中,a,b分别是集合A与集合B中的点，‖〃‖是点集A和B点集间的距离范式(如:L2或Euclidean距离)；

由式(1)知,Hausdorff距离H(A,B)度量了两个点集间的最大不匹配程度，距离越小，则表示匹配程度越高。

例如计算出hausdoff距离h后，将h与阈值T相比较，h<T就表示该标示粘贴符合要求。由于不同车型粘贴的标识数目和位置显著不同，导致其对应的阈值T也不同，在实际情况中按照实际需求选取。

Hausdorff距离可以评估两组点的相似程度，但是前提要求在同一个坐标系内，为此本实施例提出了用基于透视反变换矫正的hausdorff距离来解决这个问题。

在一些实施例中，在执行S2和S3之前，还可以根据预先设置的透视反变换参数，对各帧图像进行透视反变换。

如图3所示，左边是所检测出来反光标识对应的点是图片像素，右边是标准模型坐标，中间间隔一个透视变换。其中，所述预先设置的透视反变换参数设置过程包括：

将所检测目标机动车的反光标识的点阵像素与目标机动车对应车型的反光标识粘贴的标准模型坐标相对应；采用最小二乘法，确定所检测目标机动车的反光标识的点阵像素的透视反变换参数。

如图2所示、本发明实施例在检测车型时，我们同时用yolo算法回归出车尾部的矩形位置，利用该矩形位置4个角所在的点和标准模型中相应位置的对应关系，可以用最小二乘法得出透视变换的参数。

即各帧图像中反光标识所在位置对应的像素点与标准模型即世界坐标系中的位置之间的映射关系可以表示为：

上式中，X、Y、Z为世界坐标系中的各个点；x、y为第一图像中各个像素点，mij为透射变换参数。投射变换参数可以采用最小二乘法得到。

综上，本发明实施例提供了一种机动车未按规定粘贴反光标识识别方法即可以对机动车不按规定粘贴反光标识的自动筛检、识别，采用预先训练的车型识别神经网络模型，对各帧图像中每一机动车的车型进行识别；采用预先训练的反光标识识别神经网络模型，对各帧图像中每一机动车的反光标识进行识别；然后将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识；具体采用hausdorff距离评判该粘贴是否违规；本发明在雨雪等各种复杂天气以及白天夜间等全天时情况下都能取得比较好的检测效果；可以预防减少因防护装置和车身反光标识粘贴不规范、缺失等引发的交通事故，特别防止一些大货车的重特大事故的发生，减轻此类交通伤亡和交通伤害，切实保障广大人民群众的生命财产安全。

第二方面，本发明实施例还公布一种机动车未按规定粘贴反光标识识别***，包括：

获取模块，用于获取交通监控设备所采集的视频流，所述视频流包括多帧图像；

第一识别模块，用于采用预先训练的车型识别神经网络模型，对各帧图像中每一机动车的车型进行识别；

第二识别模块，用于采用预先训练的反光标识识别神经网络模型，对各帧图像中每一机动车的反光标识进行识别；

判断模块，用于将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识。

本实施例的所述***还包括：

反变换模块，用于在将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识之前，对所识别目标机动车的反光标识并检测出该反光标识的畸变点阵，根据预先设置的透视反变换参数，对所述畸变点阵进行透视反变换。

在一些实施例中，还包括参数设置模块，用于将所检测目标机动车的反光标识的点阵像素与目标机动车对应车型的反光标识粘贴的标准模型坐标相对应；采用最小二乘法，确定所检测目标机动车的反光标识的点阵像素的透视反变换参数。

所述参数设置模块具体用于：在检测车型时，用yolo算法回归出车尾部的矩形位置，利用该矩形位置4个角的像素点和标准模型中相应位置的4个点相映射，用最小二乘法得出透视变换的参数。

在一些实施例中，***还包括：

第一模型构建模块，用于构建第一训练样本集，所述第一训练样本集中包括多张标记车型的第一图片，所述第一图片由交通监控设备预先采集；采用yolo算法基于所标记的车型对所述第一训练样本集中的多张第一图片进行训练，得到车型识别神经网络模型的各个模型参数。

在一些实施例中，***还包括：

第二模型构建模块，用于构建第二训练样本集，所述第二训练样本集中包括多张标记反光标识的第二图片，所述第二图片由交通监控设备预先采集；采用yolo算法基于所标记的反光标识对所述第二训练样本集中的多张第二图片进行训练，得到反光标识识别神经网络模型的各个模型参数。

可以理解的是本发明提供的***与本发明提供的方法相对应，有关内容的解释、举例和有益效果等内容可以参考上述方法中的相应部分。

第三方面，本发明提供一种存储介质，其上存储有计算机程序，在所述计算机程序被处理器执行时可实现上述的方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种机动车未按规定粘贴反光标识识别方法，其特征在于，包括：

获取交通监控设备所采集的视频流，所述视频流包括多帧图像；

采用预先训练的车型识别神经网络模型，对各帧图像中每一机动车的车型进行识别；

采用预先训练的反光标识识别神经网络模型，对各帧图像中每一机动车的反光标识进行识别；

将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识。

2.如权利要求1所述的机动车未按规定粘贴反光标识识别方法，其特征在于，将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识，包括：

根据所识别的目标机动车的车型，查询该车型的反光标识粘贴的标准方式的标准点阵；

匹配所识别的目标机动车的反光标识，检测出该反光标识的畸变点阵；

根据预先设置的透视反变换参数，对所述畸变点阵进行透视反变换；

将所述畸变点阵进行透视反变换后的点阵与标准点阵进行比较，计算出hausdoff距离，并将所述hausdoff距离值与预先设置的阈值相比较，根据比较结果判断该目标机动车的反光标识粘贴是否符合要求。

3.如权利要求2所述的机动车未按规定粘贴反光标识识别方法，其特征在于，所述预先设置的透视反变换参数设置过程包括：

将所检测目标机动车的反光标识的点阵像素与目标机动车对应车型的反光标识粘贴的标准模型坐标相对应；

采用最小二乘法，确定所检测目标机动车的反光标识的点阵像素的透视反变换参数。

4.如权利要求1-3任意一项所述的机动车未按规定粘贴反光标识识别方法，其特征在于，所述车型识别神经网络模型训练过程包括：

构建第一训练样本集，所述第一训练样本集中包括多张标记车型的第一图片，所述第一图片由交通监控设备预先采集；

采用yolo算法基于所标记的车型对所述第一训练样本集中的多张第一图片进行训练，得到车型识别神经网络模型的各个模型参数。

5.如权利要求4所述的机动车未按规定粘贴反光标识识别方法，其特征在于，所述反光标识识别神经网络模型的训练过程包括：

构建第二训练样本集，所述第二训练样本集中包括多张标记反光标识的第二图片，所述第二图片由交通监控设备预先采集；

采用yolo算法基于所标记的反光标识对所述第二训练样本集中的多张第二图片进行训练，得到反光标识识别神经网络模型的各个模型参数。

6.一种机动车未按规定粘贴反光标识识别***，其特征在于，包括：

获取模块，用于获取交通监控设备所采集的视频流，所述视频流包括多帧图像；

第一识别模块，用于采用预先训练的车型识别神经网络模型，对各帧图像中每一机动车的车型进行识别；

第二识别模块，用于采用预先训练的反光标识识别神经网络模型，对各帧图像中每一机动车的反光标识进行识别；

判断模块，用于将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识。

7.如权利要求6所述的机动车未按规定粘贴反光标识识别***，其特征在于，还包括：

反变换模块，用于在将所识别目标机动车的车型与所识别目标机动车的反光标识相匹配，并自动识别判断目标机动车是否按规定粘贴反光标识之前，对所识别目标机动车的反光标识并检测出该反光标识的畸变点阵，根据预先设置的透视反变换参数，对所述畸变点阵进行透视反变换。

8.一种存储介质，其上存储有计算机程序，其特征在于，在所述计算机程序被处理器执行时可实现权利要求1～5任一项所述的方法。