发明内容
本申请的目的是提供一种车辆驾驶行为检测方法,能够减少网络流量的消耗,降低运用成本,提供更精准的分析结果,优化车辆的规划管理和运营调度。
其采用的技术方案如下:
一种车辆驾驶行为检测方法,其包括如下步骤:
步骤1:采集公路图像;
步骤2:读取所述公路图像,对公路图像中的车辆进行检测并生成检测数据;
步骤3:将所述检测数据上传至后台服务器进行存储,以供查询分析。
通过采用这种技术方案:将执行检测运算的设备设置于本地的各个节点上,并只对云平台回传最后的检测结果。由此大大节省了网络带宽。同时云平台可以不需要很强的算力,只需要对回传数据进行分类存储,节约了成本。用户可以在后台查询数据信息,也能进行数据分析,从而为规划管理和运营调度提供更科学有效的依据。
优选的,上述车辆驾驶行为检测方法中,所述步骤2包括:
步骤21:分别在各帧公路图像中取得车道线;
步骤22:基于YOLOV3卷积神经网络从各帧公路图像中取得车辆的车辆检测框;
步骤23:基于匈牙利算法将车辆检测框与跟踪框进行匹配;基于卡尔曼滤波算法跟踪车辆运动状态、获取车辆移动轨迹;
步骤24:实时计算车辆的移动轨迹与各车道线的相对位置关系、判断车辆所在车道及车辆是否变道;
步骤25:计算车辆的移动速度;
步骤26:检测各车辆的车灯;
步骤27:识别各车辆的车牌信息。
通过采用上述技术方案:在端处理器上分别实现对车辆信息、车辆移动轨迹、车辆速度,路面车道线和车辆变道情况的检测,从而在本地设备上满足了绝大部分的检测要求。
更优选的,上述车辆驾驶行为检测方法中,所述步骤21包括:
步骤211:在公路图像中标定兴趣区域、并在所述兴趣区域中提取兴趣区域边缘;
步骤212:基于灰度值在公路图像中提取潜在车道的左边沿和右边沿;
步骤213:基于预设的车道宽度和车道线灰度阈值,滤除无效的左边沿和右边沿;
步骤214:基于DFS搜索组合出连续车道线。
通过采用这种技术方案:相对于传统的霍夫线检测,采用上述方案可以进一步检测弯曲的车道线,拓展了检测车道线的准确性。具体来说:霍夫线检测是一种直线检测算法,假定了直线方程,拟合方程参数。而本方法没有任何假设,也没有采用拟合方程的方法,而是通过离散点组合连续线。
更优选的,上述车辆驾驶行为检测方法中,所述步骤26包括:
步骤261:选取待测车辆所对应的车辆检测框;
步骤262:截取步骤261所得车辆检测框的下半区域为兴趣区域;
步骤263:基于Mobilnet-SSD模型在兴趣区域识别车灯分类为亮灯或暗灯。
通过采用这种技术方案:由于车灯在车辆车头的两角,通过将兴趣区域缩小从而仅在车头下半部区域检测车灯,减小了算力需求,提高检测准确率。
更优选的是,上述车辆驾驶行为检测方法中,所述步骤27包括:
步骤271:选取待测车辆所对应的车辆检测框作为兴趣区域;
步骤272:通过卷积神经网络检测车牌位置与类别;
步骤273:通过空间转换网络对车牌进行仿射变换形成车牌正对图像;
步骤274:使用LPRNet识别车牌正对图像、并输出18x68的结果向量;
步骤275:对结果向量进行解码过滤。
通过采用这种技术方案:取得车牌位置后,由于场景不固定,车牌在摄像装置中的角度位置不确定,通过STN将车牌仿射变换到正面,提高检测准确率。由于LPRNet输出的是固定长度的固定字符概率数组,需要对结果进行解码。这里我们设置长度为18,字符数量为68,其包含省市简称,数字,字母和一个间隔符号。在解码时,我们利用车牌号规则(如车牌第一位必是省市简称),将无效结果直接过滤掉,只累积有效车牌的概率。这样将车牌识别与误判过滤结合,提升了输出正确车牌的概率。
更优选的是,上述车辆驾驶行为检测方法中,步骤275包括:
步骤2751:计算第一位的字符概率,将其中概率最大的五个字符保存为字符串并分别记录其概率;
步骤2752:计算下一位的字符概率,将其中概率最大的五个字符作为新增字符分别添加至各字符串后构成五个新的字符串;
步骤2753:将原字符串概率与新增字符概率相乘作为新的字符串的概率;
步骤2754:循环执行步骤2752—2753,直至遍历结果向量中的各个位;
步骤2755:将同样的字符串合并且过滤无效字符串;
步骤2755:取概率最高的字符串作为车牌识别结果输出。
更优选的是,上述车辆驾驶行为检测方法中,所述步骤25包括:
步骤251:在公路图像中标定两条预设线;
步骤252:取得车辆通过所述两条预设线的时间差;
步骤253:基于两条预设线的距离和车辆通过所述两条预设线的时间差求得车辆移速。
为实现上述车辆驾驶行为检测方法,本申请还公开了一种车辆驾驶行为检测***,其采用的技术方案如下:
一种车辆驾驶行为检测***,其特征在于,包括:
摄像装置,所述摄像装置用于采集公路图像;
端处理器,所述端处理器用于读取摄像装置采集的公路图像,对公路图像中的车辆行为进行检测;
4G路由器,所述4G路由器用于实现端处理器与后台服务器之间的信号传输;
后台服务器,后台服务器用于存储端处理器上传的检测数据。
优选的,上述车辆驾驶行为检测***中:
所述端处理器包括:车辆检测模块,跟踪检测模块,车速检测模块,车道检测模块,变道检测模块,车灯检测模块和车牌检测模块;
所述车道检测模块用于分别在各帧公路图像中取得车道线;
所述车辆检测模块用于基于YOLOV3卷积神经网络从各帧公路图像中取得车辆的车辆检测框;
所述跟踪检测模块用于基于匈牙利算法将车辆检测框与跟踪框进行匹配;基于卡尔曼滤波算法跟踪车辆运动状态、获取车辆移动轨迹;
所述变道检测模块用于实时计算车辆的移动轨迹与车道线的位置关系,并基于计算结果判定车辆是否变道;
所述车速检测模块用于计算车辆的移动速度;
所述车灯检测模块用于检测各车辆的车灯;
所述车牌检测模块用于识别各车辆的车牌信息。
更优选的,上述车辆驾驶行为检测***中:所述摄像装置为可转动相机。
相对于现有技术,本申请的技术方案通过采用计算端,把算力从分散到多个端设备上。节省了大量的网络带宽,且便于将来增加不同的检测功能。同时,满足多个端设备接入设备管理平台、定时或者根据请求向管理平台发送检测结果、检测记录、设备状态等信息的要求。减少了平台的对接开发量。
具体实施方式
为了更清楚地说明本申请的技术方案,下面将结合各个实施例作进一步描述。
如图1-2所示:
实施例1,一种车辆驾驶行为检测***,其包括:摄像装置1,端处理器2,4G路由器3和后台服务器4。
所述摄像装置1用于采集公路图像;所述端处理器2用于读取摄像装置1采集的公路图像,对公路图像中的车辆行为进行检测;所述4G路由器3用于实现端处理器2与后台服务器4之间的信号传输;后台服务器4,后台服务器4用于存储端处理器2上传的检测数据。
其中,所述端处理器2包括:车辆检测模块,跟踪检测模块,车速检测模块,车道检测模块,变道检测模块,车灯检测模块和车牌检测模块;所述车道检测模块用于分别在各帧公路图像中取得车道线;所述车辆检测模块用于基于YOLOV3卷积神经网络从各帧公路图像中取得车辆的车辆检测框;所述跟踪检测模块用于基于匈牙利算法将车辆检测框与跟踪框进行匹配;基于卡尔曼滤波算法跟踪车辆运动状态、获取车辆移动轨迹;所述变道检测模块用于实时计算车辆的移动轨迹与车道线的位置关系,并基于计算结果判定车辆是否变道;所述车速检测模块用于计算车辆的移动速度;所述车灯检测模块用于检测各车辆的车灯;所述车牌检测模块用于识别各车辆的车牌信息。所述摄像装置1为可转动相机。
实践中,其工作过程如下:
步骤1:摄像装置1采集公路图像;
步骤2:端处理器2通过4G路由器3连接摄像装置1、读取摄像装置1输出的公路图像、并对公路图像中的车辆进行检测并生成检测数据;本步骤2具体包括:
步骤21:分别在各帧公路图像中取得车道线,本步骤21具体包括:
步骤211:在公路图像中标定兴趣区域、并在所述兴趣区域中提取兴趣区域边缘;
步骤212:基于灰度值在公路图像中提取潜在车道的左边沿和右边沿;
步骤213:基于预设的车道宽度和车道线灰度阈值,滤除无效的左边沿和右边沿;
步骤214:基于DFS搜索组合出连续车道线。
步骤22:基于YOLOV3卷积神经网络从各帧公路图像中取得车辆的车辆检测框;
步骤23:基于匈牙利算法将车辆检测框与跟踪框进行匹配;基于卡尔曼滤波算法跟踪车辆运动状态、获取车辆移动轨迹;
步骤24:实时计算车辆的移动轨迹与各车道线的相对位置关系、判断车辆所在车道及车辆是否变道;具体的,当车辆的移动轨迹从当前所在车道向相邻车道方向延伸时,判定此时车辆在进行变道。
步骤25:计算车辆的移动速度。具体的,步骤25包括:
步骤251:在公路图像中标定两条预设线,两线间的区域设置为希望测定车速的区域,测量出两线间距为14米;
步骤252:取得车辆通过所述两条预设线的时间差;计算出时间差为2.5秒;
步骤253:基于两条预设线的距离和车辆通过所述两条预设线的时间差求得车辆在测速区域内的平均时速为14m/2.5s=20.16km/h;
步骤26:检测各车辆的车灯,具体的所述步骤26包括:
步骤261:选取待测车辆所对应的车辆检测框;
步骤262:截取步骤261所得车辆检测框的下半区域为兴趣区域;
步骤263:将截取的图像输入到Mobilenet-SSD模型网络,根据车灯框在车辆框中的位置判断是左侧灯还是右侧灯,根据输出灯类别判断灯亮暗情况。
步骤27:识别各车辆的车牌信息。具体的,步骤271包括:
步骤271:选取待测车辆所对应的车辆检测框作为兴趣区域;
步骤272:通过卷积神经网络检测车牌位置与类别;
步骤273:通过空间转换网络对车牌进行仿射变换形成车牌正对图像;
步骤274:使用LPRNet识别车牌正对图像、并输出18x68的结果向量;
步骤275:对结果向量进行解码过滤。
步骤2751:计算第一位的字符概率,将其中概率最大的五个字符保存为字符串并分别记录其概率;
步骤2752:计算下一位的字符概率,将其中概率最大的五个字符作为新增字符分别添加至各字符串后构成五个新的字符串;
步骤2753:将原字符串概率与新增字符概率相乘作为新的字符串的概率;
步骤2754:循环执行步骤2752—2753,直至遍历结果向量中的各个位;
步骤2755:将同样的字符串合并且过滤无效字符串;
步骤2755:取概率最高的字符串作为车牌识别结果输出。
步骤3:将所述检测数据上传至后台服务器4进行存储,以供查询分析。
以上所述,仅为本申请的具体实施例,但本申请的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本申请公开的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围以权利要求书的保护范围为准。