CN111985373A - 基于交通路口识别的安全预警方法、装置及电子设备 - Google Patents
基于交通路口识别的安全预警方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111985373A CN111985373A CN202010808246.7A CN202010808246A CN111985373A CN 111985373 A CN111985373 A CN 111985373A CN 202010808246 A CN202010808246 A CN 202010808246A CN 111985373 A CN111985373 A CN 111985373A
- Authority
- CN
- China
- Prior art keywords
- traffic
- intersection
- identification
- recognition
- crossing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000005286 illumination Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000547 structure data Methods 0.000 claims description 13
- 238000009401 outcrossing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Atmospheric Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于交通路口识别的安全预警方法、装置及电子设备,该方法包括:实时获取车辆前方的路面视频数据;将路面视频数据转换成多个待识别图片;将多个待识别图片输入预设的交通标识识别模型,获得路口标识的识别结果,根据识别结果确定车辆是否即将到达或驶离交通路口,识别结果包括是否存在路口标识;路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;若确定车辆即将到达或驶离交通路口,生成安全预警信息;其中,交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图像特征和路口标识特征作为输入,通过机器学习训练得到的模型,本方法能提醒驾驶员观察路况以及时减速,提高行车安全。
Description
技术领域
本发明涉及道路交通安全技术领域,尤其涉及一种基于交通路口识别的安全预警方法、装置及电子设备。
背景技术
交通路口是道路交通全过程中较为重要的场景,因为交通路口的路况复杂多变,汇集的交通流众多,车辆和行人分布也更密集,所以,交通路口处存在着更多的交通冲突及安全隐患。
针对交通路口安全管理,现有技术中通常有两种方式,其一、在交通路口处借助***设备安装监控提醒***,当监控提醒***监控到车辆到达路口时,发出声光信号提醒车辆内的驾驶员,此方式中,车辆内的驾驶员往往由于路口人车密集或环境嘈杂导致的干扰而无法接收到声光提醒信号;其二、在车辆上安装监控提醒***,采用各个路口的特征图片进行交通路口的识别,再通过声光信号提醒驾驶员,此方式中,因为各个交通路口千差万别、复杂多样,导致交通路口类别错乱,并且各种不同天气或环境对交通路口特征识别的影响也非常大,导致交通路口识别准确率很低、所获提醒信号可参考性差。
发明内容
针对现有技术存在的问题,本发明实施例提供了一种基于交通路口识别的安全预警方法、装置及电子设备。
第一方面,本发明实施例提供了一种基于交通路口识别的安全预警方法,包括:
实时获取沿驾驶路线上车辆前方的路面视频数据;
将所述路面视频数据转换成多个待识别图片;
将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果,并根据所述识别结果确定车辆是否即将到达或驶离交通路口,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
若确定车辆即将到达或驶离交通路口,生成安全预警信息;
其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图像特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型。
进一步地,所述交通标识识别模型的训练过程包括:采用Python语言和PyTorch框架对不同天气或光照条件下路面图片进行检测训练,并获得模型数据文件。
进一步地,所述安全预警方法还包括:对所述模型数据文件进行压缩加密处理,获得网络结构数据文件和权重参数数据文件,所述网络结构数据文件为模型训练过程所需的路面图片数据的网络化结构存储文件,所述权重参数数据文件为模型训练后获得的用于描述模型的权重参数信息数据。
进一步地,所述网络结构数据文件采用.net文件格式,所述权重参数数据文件采用.weight文件格式。
进一步地,所述安全预警方法,通过可执行程序和动态链接库将所述路面视频数据转换成多个待识别图片。
进一步地,所述模型数据文件中还包括所述路口标识的类别信息、位置信息和置信度信息;
相应的,识别结果为存在路口标识时,所述识别结果还包括路口标识对应的类别信息、位置信息和置信度信息。
进一步地,所述安全预警信息为包括识别结果的信息或与识别结果相应的预警提示信息。
第二方面,本发明实施例还提供了一种基于交通路口识别的安全预警装置,包括:
视频采集模块,用于实时获取沿驾驶路线上车辆前方的路面视频数据;
数据处理模块,用于将所述路面视频数据转换成多个待识别图片;
识别判断模块,用于将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果,并根据所述识别结果确定车辆是否即将到达或驶离交通路口,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
预警生成模块,用于若确定车辆即将到达或驶离交通路口,生成安全预警信息;
其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图形特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述的基于交通路口识别的安全预警方法。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的基于交通路口识别的安全预警方法。
本发明实施例提供了一种基于交通路口识别的安全预警方法、装置及电子设备,所述基于交通路口识别的安全预警方法,将获取的路面视频数据转换成多个待识别图片,再将多个待识别图片输入预设的交通标识识别模型中进行识别,获得的识别结果准确度高,并根据识别结果确定出车辆此时是否即将到达或驶离交通路口,最后在确定车辆即将到达或驶离交通路口的同时生成安全预警信息以提醒驾驶员,使驾驶员有更充分的时间观察路况,及时进行减速、停车等操作,提高行车安全,有效地降低了交通路口行车事故的发生率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单的介绍,显而易见地,下面描述中的附图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1是本发明实施例提供的一种基于交通路口识别的安全预警方法的流程示意图;
图2是本发明实施例提供的一种基于交通路口识别的安全预警方法的应用场景示意图;
图3是本发明实施例提供的一种基于交通路口识别的安全预警装置的结构示意图;
图4是本发明实施例提供的一种电子设备的结构示意图。
附图标记:
210:车载智能终端;220:外部摄像机;
310:视频采集模块;320:数据处理模块;330:识别判断模块;340:预警生成模块;
410:处理器;420:通信接口;430:存储器;440:通信总线。
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。
本发明实施例提供了一种基于交通路口识别的安全预警方法、装置及电子设备,所述基于交通路口识别的安全预警方法具体包括:
实时获取沿驾驶路线上车辆前方的路面视频数据;
将所述路面视频数据转换成多个待识别图片;
将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果,并根据所述识别结果确定车辆是否即将到达或驶离交通路口,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
若确定车辆即将到达或驶离交通路口,生成安全预警信息;
其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图像特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型。
本发明实施例提供的基于交通路口识别的安全预警方法,将获取的路面视频数据转换成多个待识别图片,再将多个待识别图片输入预设的交通标识识别模型中进行识别,获得的识别结果准确度高,并根据识别结果确定出车辆此时是否即将到达或驶离交通路口,最后在确定车辆即将到达或驶离交通路口的同时生成安全预警信息以提醒驾驶员,使驾驶员有更充分的时间观察路况,及时进行减速、停车等操作,提高行车安全,有效地降低了交通路口行车事故的发生率。
下面对本发明实施例提供的基于交通路口识别的安全预警方法进行更为详细的说明。
第一方面,本发明实施例提供了一种基于交通路口识别的安全预警方法,图1是本发明实施例提供的一种基于交通路口识别的安全预警方法的流程示意图,图2是本发明实施例提供的一种基于交通路口识别的安全预警方法的应用场景示意图,所述方法可以应用于实现交通路口识别功能的智能终端设备上,比如车载智能终端,如图1-图2所示,所述方法包括:
步骤S110,实时获取沿驾驶路线上车辆前方的路面视频数据。
当该方法应用于实现交通路口识别功能的车载智能终端时,可以直接通过内部具有摄像单元的车载智能终端来实时获取路面视频数据,此时,车载智能终端需要吊装于车辆内的前挡风玻璃上方位置,如行车记录仪一侧。也可以将内嵌有该方法的车载智能终端与外部摄像机或行车记录仪相连,由外部摄像机或行车记录仪辅助车载智能终端来获取车辆前方的路面视频数据,此时,车载智能终端可安装在车辆内部任意适宜位置,具体可根据实际应用场景设计。
本实施例图2中仅示出以车载智能终端和外部摄像机配合工作的应用场景,结合图1和图2所示,外部摄像机220动态地监控沿驾驶路线上车辆前方的路面状态,并实时获取车辆前方的当前的路面视频数据,传输给车辆内部的车载智能终端210。
步骤S120,将所述路面视频数据转换成多个待识别图片。
所述车载智能终端210将通过一个或多个外部摄像机获得的车辆前方的当前的路面视频数据实时转换成多个待识别图片。
步骤S130,又进一步包括步骤S1301和步骤S1302,步骤S1301是将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果;其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图像特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型;步骤S1302是根据所述识别结果确定车辆是否即将到达或驶离交通路口;其中,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
所述车载智能终端210通过预设的交通标识识别模型对转换的多个所述待识别图片进行识别,将各所述待识别图片分别与交通标识识别模型中的带有路口标识的图片或不带有路口标识的图片进行精准对比,获得是否存在所述路口标识的识别结果。
且所述路口标识既包括路口图案标识、图形标识,也包括简单的标线标识,具体包括人行横道标识(人行横道白线)、人行横道预告标识(人行横道预告图形)、路口减速线标识(减速带)和导向箭头标识(左右转向、掉头白线及引导图标)等任何具有交通路口辨识引导功能的标识。相应的,对各待识别图片的识别结果具体包括:存在人行横道标识,预示存在人行路;不存在人行横道标识,表示不存在人行路;存在人行横道预告标识,预示即将遇到人行横道;不存在人行横道预告标识,表示没遇到人行横道;存在路口减速线标识,预示即将遇到交通路口;不存在路口减速线标识,表示没遇到交通路口;存在导向箭头标识,预示即将遇到路口或刚刚驶离路口(转弯或掉头动作完成时对应刚刚驶离路口的状态),不存在导向箭头标识,表示没遇到路口,也并非刚刚驶离路口。当然,车辆已经到达路口的状态所对应的路口标识与上述各种路口标识相同或类似,识别原理相同,此处不再赘述。
而在前期预设阶段的交通标识识别模型的构建过程中,更需要采集大量的带有路口标识的路面图片或不带有路口标识的路面图片作为样本,以根据大量路面图片样本确定的图像特征和路口标识特征作为输入,利用深度学习算法,通过机器学习训练来构建交通标识识别模型,具体训练过程为:
1-1.获取用于模型训练的训练数据集,所述训练数据集中包括不同天气或光照条件下大量的路面图片,所述路面图片可以选取存在或部分存在人行横道标识/人行横道预告标识/路口减速线标识/导向箭头标识的大量路面图片;还可以选取不存在人行横道标识/人行横道预告标识/路口减速线标识/导向箭头标识的大量路面图片,从而丰富训练数据集;获取到的用于模型训练的训练数据集中的大量路面图片后,还需要结合实际情况对各路面图片进行图片标注以及路口标识类别划分,在此过程中,还需要进行无用图片数据剔除、图片数据增强等数据图片优化处理操作,以提升整体训练数据集的精确性和可用性。
1-2.将上一步骤获取的所述训练数据集的大量路面图片作为样本,并将根据大量路面图片样本确定的图像特征和路口标识特征作为模型训练使用的输入数据,采用深度学习算法进行训练,并可以指定语言和指定框架进行针对性训练,从而构建出用于识别车辆即将到达路口的交通标识识别模型。
步骤S140,若步骤S1302的判断结果为确定车辆即将到达或驶离交通路口,则生成安全预警信息;反之,则返回,继续步骤S110。
也就是说,车载智能终端210根据步骤S1302的判断结果继续执行步骤S140,若待识别图片中存在人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识中的任意一种或多种时,即是确定车辆即将到达或驶离交通路口时,则生成安全预警信息以提醒驾驶员,所述安全预警信息为包括识别结果的信息,或者,为与识别结果相应的预警提示信息,如文字消息提示、语音广播提示、闪光报警提示等等。
本方法车载智能终端210将外部摄像机220实时动态获取的路面视频数据转换成多个待识别图片,再将多个待识别图片输入预设的交通标识识别模型中进行识别,识别判断出当前路面是否存在预示即将到达/已经到达或刚刚驶离交通路口的交通标识或标线,进而根据识别结果确定出车辆此时是否即将到达或驶离交通路口,最后在确定车辆即将到达或驶离交通路口的同时生成安全预警信息,通过智车载智能终端以多种方式提醒驾驶员,使驾驶员有更充分的时间观察路况,及时进行减速、停车等操作,提高行车安全,有效地降低了交通路口行车事故的发生率。
在上述实施例的基础上,所述交通标识识别模型的训练过程包括:采用Python语言和PyTorch框架对不同天气或光照条件下路面图片进行检测训练,并获得模型数据文件。该模型数据文件实际上是网络结构数据和权重参数数据混合的综合数据文件。利用深度学***台上保证推理精度的情况下尽量减小模型的大小,指定使用Python语言和运用PyTorch框架对不同天气或光照条件下的大量路面图片进行检测训练,获得综合的模型数据文件,并持续丰富训练数据集,继续训练,从而增加模型的鲁棒性。其中,Python语言是一种跨平台的计算机程序设计语言,也是面向对象的动态类型语言,而PyTorch框架是指开源的Python语言的机器学习库。
在上述实施例的基础上,所述安全预警方法还包括:对所述模型数据文件进行压缩加密处理,获得网络结构数据文件和权重参数数据文件,所述网络结构数据文件为模型训练过程所需的路面图片数据的网络化结构存储文件,所述权重参数数据文件为模型训练后获得的用于描述模型的权重参数信息数据,也可理解为模型相应的偏置数据。其中,网络结构数据文件采用.net文件格式,所述权重参数数据文件采用.weight文件格式。网络结构数据文件(.net文件)和权重参数数据文件(.weight文件)均是二进制自定义私有文件,是通过交通标识识别模型实现基于交通路口识别的安全预警方法的专有格式。并且,网络结构数据文件(.net文件)是训练用的网络保存的文件,权重参数数据文件(.weight)是使用训练网络训练得出的权重参数数据文件,二者均用于车辆是否即将到达或驶离路口的识别过程中,从而降低了识别过程中的硬件需求,节约硬件资源。
在上述实施例的基础上,所述安全预警方法,通过可执行程序和动态链接库将所述路面视频数据转换成多个待识别图片。具体地,将交通标识识别模型的识别判断的推理过程,运用编译或交叉编译的方式生成嵌入式平台可用的可执行程序和动态链接库,并通过可执行程序和动态链接库将外部摄像头实时获取的路面视频转换成多个待识别图片。
在上述实施例的基础上,所述模型数据文件中还包括所述路口标识的类别信息、位置信息和置信度信息;相应的,识别结果为存在路口标识时,所述识别结果还包括路口标识对应的类别信息、位置信息和置信度信息。具体地,,具体地,将所述路口标识的类别信息、位置信息和置信度信息均存储在模型数据文件加密压缩处理后的权重参数数据文件(.weight文件)中,辅助描述交通标识识别模型。其中,位置信息即是指路口标识在当前待识别图片中的准确位置,体现为路口标识左上角的x轴坐标、y轴坐标,以及当前待识别图片的高度、宽度等具体参量。
类别信息即对位置信息内的对象进行判定,检测到的目标为具体的路口标识类别;置信度信息即对位置信息内的类别判定的置信度,是通过模型运算得来的。
本方法通过调用所述模型数据文件压缩和解密后的网络结构数据文件(.net文件)和权重参数数据文件(.weight文件),来获得待识别图片中的路口标识对应的类别信息、位置信息和置信度信息,具体地,位置信息可通过可执行程序调用模型数据文件,并对待识别图片进行处理,获取路口标识在待识别图片中的准确位置,而类别信息的判定,即是将待识别图片中已确定准确位置的路口标识作为对象,判定其所属的路口标识类别,而置信度信息,则是对当前已确定准确位置、已确定所述路口标识类别的对象判定其置信度,是通过模型具体运算才能得到的。相应的,识别结果为存在路口标识时,识别结果还包括识别出的路口标识对应的类别信息、位置信息和置信度信息,甚至还可以包括识别时间信息。进而可以根据待识别图片对应的路口标识的类别信息、位置信息、置信度信息和识别时间信息等,确定待识别图片里存在的路口标识,以及确定待识别图片对应的车辆是否即将到达或驶离路口的识别结果。
在上述实施例的基础上,所述安全预警信息为包括识别结果的信息或与识别结果相应的预警提示信息,具体可以为如文字消息提示、语音广播提示、闪光报警提示等任何能传递安全预警信号的提示信息,可通过车载智能终端的扬声器或显示屏发出,以提醒驾驶员注意安全。同时,如果执行基于交通路口识别的安全预警方法的车载智能终端连接有远程服务器,则所述安全预警信息可以上报到远程服务器上,以为实现基于交通路口识别的安全预警远程协作服务提供数据基础。
下面对本发明实施例提供的基于交通路口识别的安全预警装置进行描述,下文描述的基于交通路口识别的安全预警装置与上文描述的基于交通路口识别的安全预警方法可相互对应参照,此处不再赘述。
第二方面,本发明实施例还提供了一种基于交通路口识别的安全预警装置,如图3所示,所述装置包括:
视频采集模块310,用于实时获取沿驾驶路线上车辆前方的路面视频数据;
数据处理模块320,用于将所述路面视频数据转换成多个待识别图片;
识别判断模块330,用于将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果,并根据所述识别结果确定车辆是否即将到达或驶离交通路口,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
预警生成模块340,用于若确定车辆即将到达或驶离交通路口,生成安全预警信息;
其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图形特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型。
另外,所述视频采集模块310可以是设置在车载智能终端内部的摄像单元,也可以是与车载智能终端连接的外部摄像机。并且其中的数据处理模块320和识别判断模块330可以合并为一个识别模块,该识别模块能够完成相应的两个功能。
本发明实施例提供的基于交通路口识别的安全预警装置,各模块相互协配合协作,数据处理模块320将视频采集模块310获取的路面视频数据转换成多个待识别图片,再通过识别判断模块330将多个所述待识别图片输入到预设的基于深度学习的交通标识识别模型中进行识别,获得的识别结果准确度高,并根据识别结果确定出车辆此时是否即将到达或驶离交通路口,预警生成模块340在识别判断模块330确定出车辆此时确实即将到达或驶离交通路口时,生成安全预警信息,以提醒驾驶员,使驾驶员有更充分的时间观察路况,及时进行减速、停车等操作,提高行车安全,有效地降低了交通路口行车事故的发生率。
第三方面,本发明实施例还提供了一种电子设备,图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410、通信接口420和存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各方法实施例所提供的基于交通路口识别的安全预警方法,该方法包括:
实时获取沿驾驶路线上车辆前方的路面视频数据;
将所述路面视频数据转换成多个待识别图片;
将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果,并根据所述识别结果确定车辆是否即将到达或驶离交通路口,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
若确定车辆即将到达或驶离交通路口,生成安全预警信息;
其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图像特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另外,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的基于交通路口识别的安全预警方法,该方法包括:
实时获取沿驾驶路线上车辆前方的路面视频数据;
将所述路面视频数据转换成多个待识别图片;
将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果,并根据所述识别结果确定车辆是否即将到达或驶离交通路口,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
若确定车辆即将到达或驶离交通路口,生成安全预警信息;
其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图像特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型。
第四方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于交通路口识别的安全预警方法,该方法包括:
实时获取沿驾驶路线上车辆前方的路面视频数据;
将所述路面视频数据转换成多个待识别图片;
将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果,并根据所述识别结果确定车辆是否即将到达或驶离交通路口,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
若确定车辆即将到达或驶离交通路口,生成安全预警信息;
其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图像特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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 (10)
1.一种基于交通路口识别的安全预警方法,其特征在于,包括:
实时获取沿驾驶路线上车辆前方的路面视频数据;
将所述路面视频数据转换成多个待识别图片;
将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果,并根据所述识别结果确定车辆是否即将到达或驶离交通路口,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
若确定车辆即将到达或驶离交通路口,生成安全预警信息;
其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图像特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型。
2.根据权利要求1所述的基于交通路口识别的安全预警方法,其特征在于,所述交通标识识别模型的训练过程包括:采用Python语言和PyTorch框架对不同天气或光照条件下路面图片进行检测训练,并获得模型数据文件。
3.根据权利要求2所述的基于交通路口识别的安全预警方法,其特征在于,还包括:对所述模型数据文件进行压缩加密处理,获得网络结构数据文件和权重参数数据文件,所述网络结构数据文件为模型训练过程所需的路面图片数据的网络化结构存储文件,所述权重参数数据文件为模型训练后获得的用于描述模型的权重参数信息数据。
4.根据权利要求3所述的基于交通路口识别的安全预警方法,其特征在于,所述网络结构数据文件采用.net文件格式,所述权重参数数据文件采用.weight文件格式。
5.根据权利要求1至4任一所述的基于交通路口识别的安全预警方法,其特征在于,通过可执行程序和动态链接库将所述路面视频数据转换成多个待识别图片。
6.根据权利要求2所述的基于交通路口识别的安全预警方法,其特征在于,所述模型数据文件中还包括所述路口标识的类别信息、位置信息和置信度信息;
相应的,识别结果为存在路口标识时,所述识别结果还包括路口标识对应的类别信息、位置信息和置信度信息。
7.根据权利要求1所述的基于交通路口识别的安全预警方法,其特征在于,所述安全预警信息为包括识别结果的信息或与识别结果相应的预警提示信息。
8.一种基于交通路口识别的安全预警装置,其特征在于,包括:
视频采集模块,用于实时获取沿驾驶路线上车辆前方的路面视频数据;
数据处理模块,用于将所述路面视频数据转换成多个待识别图片;
识别判断模块,用于将所述多个待识别图片输入预设的交通标识识别模型,获得所述交通标识识别模型输出的路口标识的识别结果,并根据所述识别结果确定车辆是否即将到达或驶离交通路口,所述识别结果包括是否存在所述路口标识;所述路口标识包括人行横道标识、人行横道预告标识、路口减速线标识和导向箭头标识;
预警生成模块,用于若确定车辆即将到达或驶离交通路口,生成安全预警信息;
其中,所述交通标识识别模型为根据不同天气或光照条件下路面图片样本确定的图形特征和路口标识特征作为输入,通过机器学习训练得到的,用于进行路口标识识别的模型。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一所述的基于交通路口识别的安全预警方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7任一所述的基于交通路口识别的安全预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010808246.7A CN111985373A (zh) | 2020-08-12 | 2020-08-12 | 基于交通路口识别的安全预警方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010808246.7A CN111985373A (zh) | 2020-08-12 | 2020-08-12 | 基于交通路口识别的安全预警方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985373A true CN111985373A (zh) | 2020-11-24 |
Family
ID=73434952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010808246.7A Pending CN111985373A (zh) | 2020-08-12 | 2020-08-12 | 基于交通路口识别的安全预警方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985373A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735165A (zh) * | 2020-12-28 | 2021-04-30 | 深圳市金溢科技股份有限公司 | 车路协同道路预警方法、车载单元及路侧单元 |
CN112818956A (zh) * | 2021-03-19 | 2021-05-18 | 张秀霞 | 一种智慧交通数据采集***及其采集方法 |
CN113392762A (zh) * | 2021-06-15 | 2021-09-14 | 北京纵目安驰智能科技有限公司 | 路口的检测方法、***、终端及计算机可读存储介质 |
CN114003672A (zh) * | 2021-10-22 | 2022-02-01 | 北京百度网讯科技有限公司 | 一种道路动态事件的处理方法、装置、设备和介质 |
WO2023273259A1 (zh) * | 2021-06-30 | 2023-01-05 | 北京百度网讯科技有限公司 | 生成方向识别模型的方法、装置、设备、介质及程序产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150161455A1 (en) * | 2012-05-25 | 2015-06-11 | Denso Corporation | Intersection recognition device and road type recognition device |
US20170190334A1 (en) * | 2016-01-06 | 2017-07-06 | GM Global Technology Operations LLC | Prediction of driver intent at intersection |
CN107609485A (zh) * | 2017-08-16 | 2018-01-19 | 中国科学院自动化研究所 | 交通标志的识别方法、存储介质、处理设备 |
CN107886034A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 行车提醒方法、装置及车辆 |
CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
CN109389838A (zh) * | 2018-11-26 | 2019-02-26 | 爱驰汽车有限公司 | 无人驾驶路口路径规划方法、***、设备及存储介质 |
CN111259808A (zh) * | 2020-01-17 | 2020-06-09 | 北京工业大学 | 一种基于改进ssd算法的交通标识的检测识别方法 |
-
2020
- 2020-08-12 CN CN202010808246.7A patent/CN111985373A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150161455A1 (en) * | 2012-05-25 | 2015-06-11 | Denso Corporation | Intersection recognition device and road type recognition device |
US20170190334A1 (en) * | 2016-01-06 | 2017-07-06 | GM Global Technology Operations LLC | Prediction of driver intent at intersection |
CN107886034A (zh) * | 2016-09-30 | 2018-04-06 | 比亚迪股份有限公司 | 行车提醒方法、装置及车辆 |
CN107609485A (zh) * | 2017-08-16 | 2018-01-19 | 中国科学院自动化研究所 | 交通标志的识别方法、存储介质、处理设备 |
CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
CN109389838A (zh) * | 2018-11-26 | 2019-02-26 | 爱驰汽车有限公司 | 无人驾驶路口路径规划方法、***、设备及存储介质 |
CN111259808A (zh) * | 2020-01-17 | 2020-06-09 | 北京工业大学 | 一种基于改进ssd算法的交通标识的检测识别方法 |
Non-Patent Citations (4)
Title |
---|
GABRIEL VILLALÓN-SEPÚLVEDA 等: "Traffic Sign Detection System for Locating Road Intersections and Roundabouts: The Chilean Case", 《SENSORS》, pages 1 - 21 * |
任洪梅;: "基于深度学习的路面交通标志识别", 《信息通信》, no. 04, pages 26 - 27 * |
尹斌军: "基于卷积神经网络的交通标志检测识别算法设计与FPGA验证", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 035 - 256 * |
李昕蔚;丁正彦;尚岩峰;祝永新;汪辉;钟雪霞;田犁;黄尊恺;封松林;: "一种针对路口监控图像的区域分割方法", 《计算机应用与软件》, vol. 37, no. 03, pages 236 - 243 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735165A (zh) * | 2020-12-28 | 2021-04-30 | 深圳市金溢科技股份有限公司 | 车路协同道路预警方法、车载单元及路侧单元 |
CN112735165B (zh) * | 2020-12-28 | 2022-03-08 | 深圳市金溢科技股份有限公司 | 车路协同道路预警方法、车载单元及路侧单元 |
CN112818956A (zh) * | 2021-03-19 | 2021-05-18 | 张秀霞 | 一种智慧交通数据采集***及其采集方法 |
CN113392762A (zh) * | 2021-06-15 | 2021-09-14 | 北京纵目安驰智能科技有限公司 | 路口的检测方法、***、终端及计算机可读存储介质 |
CN113392762B (zh) * | 2021-06-15 | 2024-04-26 | 北京纵目安驰智能科技有限公司 | 路口的检测方法、***、终端及计算机可读存储介质 |
WO2023273259A1 (zh) * | 2021-06-30 | 2023-01-05 | 北京百度网讯科技有限公司 | 生成方向识别模型的方法、装置、设备、介质及程序产品 |
CN114003672A (zh) * | 2021-10-22 | 2022-02-01 | 北京百度网讯科技有限公司 | 一种道路动态事件的处理方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985373A (zh) | 基于交通路口识别的安全预警方法、装置及电子设备 | |
US10913461B2 (en) | Driving behavior determining method, apparatus, and device, and storage medium | |
CN108632530B (zh) | 一种车辆定损的数据处理方法、装置、设备及客户端、电子设备 | |
CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
US20210192239A1 (en) | Method for recognizing indication information of an indicator light, electronic apparatus and storage medium | |
CN109782364B (zh) | 基于机器视觉的交通标志牌缺失检测方法 | |
CN110519727B (zh) | 基于中央网关cgw的数据处理方法及cgw | |
CN112766069A (zh) | 基于深度学习的车辆违停检测方法、装置及电子设备 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN113221756A (zh) | 交通标志检测方法及相关设备 | |
CN114677848B (zh) | 感知预警***、方法、装置及计算机程序产品 | |
CN112990162A (zh) | 目标检测方法、装置、终端设备及存储介质 | |
KR101874352B1 (ko) | 효율적인 교통정보 전달을 위한 교통 전광판과 차내 단말 및 이를 포함하는 지능형 교통 시스템 | |
CN107548466B (zh) | 一种检测道路障碍物的方法及装置 | |
CN113052047B (zh) | 交通事件的检测方法、路侧设备、云控平台及*** | |
CN114419603A (zh) | 一种自动驾驶车辆控制方法、***和自动驾驶车辆 | |
CN106803937B (zh) | 一种具有文本日志的双摄像头视频监控方法、***和监控装置 | |
CN108932503A (zh) | 恶劣天气下车前障碍的识别方法及装置、存储介质、终端 | |
CN115489536B (zh) | 一种驾驶辅助方法、***、设备及可读存储介质 | |
CN116612638A (zh) | 交通碰撞事故检测方法、装置及可读介质 | |
CN113609956B (zh) | 训练方法、识别方法、装置、电子设备以及存储介质 | |
CN116798247A (zh) | 事故数据提示的方法及相关设备 | |
CN110198439A (zh) | 用于自动测试adas相机的图像识别性能的方法和装置 | |
KR102377393B1 (ko) | 중장비 및 가스관 인식용 영상 분석 방법 및 시스템 | |
CN114037763A (zh) | 目标对象缺失检测方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |