CN109726699A - 基于人工智能的电动自行车占用机动车道识别方法 - Google Patents
基于人工智能的电动自行车占用机动车道识别方法 Download PDFInfo
- Publication number
- CN109726699A CN109726699A CN201910011055.5A CN201910011055A CN109726699A CN 109726699 A CN109726699 A CN 109726699A CN 201910011055 A CN201910011055 A CN 201910011055A CN 109726699 A CN109726699 A CN 109726699A
- Authority
- CN
- China
- Prior art keywords
- electric bicycle
- video image
- car lane
- training pattern
- lane
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000005192 partition Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能的电动自行车占用机动车道识别方法,包括:拍摄所在区域的机动车道和非机动车道的视频图像,并传输给视频分析系统;采用基于深度神经网络学习电动自行车的特征,并建立电动自行车的外形训练模型和车牌训练模型;对视频图像进行图像分割,以区分机动车道和非机动车道;提取机动车道内的视频图像,并将所述视频图像输入外形训练模型以标记机动车道内的电动自行车;将所述标记机动车道内的电动自行车的视频图像输入车牌训练模型,检测输出电动自行车的车牌号码。通过上述方案,本发明具有识别准确、降低计算工作量等优点,在人工智能技术领域具有很高的实用价值和推广价值。
Description
技术领域
本发明涉及人工智能技术领域,尤其是基于人工智能的电动自行车占用机动车道识别方法。
背景技术
随着人工智能技术不断发展,人工智能也被广泛用于在机器视觉、指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、专家系统、自动规划、智能搜索、定理证明、智能控制、机器人学、语言和图像理解、遗传编程等领域。
随着汽车的快速发展,我国汽车总拥有量也逐年递增,如此也造成了城市交通拥堵。目前,较多人选择使用电动自行车作为上下班、外出的主要交通工具,其具体积较小、停车方便、操作简便等优点,电动自行车的城市拥有量也在逐年递增。随之而来电动自行车抢占机动车道事件也频频发生,既加重了交通负担,又增加了交警执法工作量。与此同时,还存在交通事故风险。
发明内容
针对上述问题,本发明的目的在于提供一种基于人工智能的电动自行车占用机动车道识别方法,本发明采用的技术方案如下:
基于人工智能的电动自行车占用机动车道识别方法,包括安装在电子眼安装支架上、且能拍摄到机动车道和非机动车道的视频图像的摄像头,与所述摄像头连接的视频分析系统。
所述电动自行车占用机动车道识别方法,包括以下步骤:
步骤S01,利用所述摄像头拍摄所在区域的机动车道和非机动车道的视频图像,将摄像头拍摄的视频图像转换成视频流,并传输给视频分析系统;同时,采用基于深度神经网络学习电动自行车的特征,并建立电动自行车的外形训练模型和车牌训练模型。
步骤S02,对摄像头拍摄的视频图像进行图像分割,以区分机动车道和非机动车道。
步骤S03,提取机动车道内的视频图像,并将所述视频图像输入外形训练模型以标记机动车道内的电动自行车。
步骤S04,将所述标记机动车道内的电动自行车的视频图像输入车牌训练模型,检测输出电动自行车的车牌号码。
进一步地,所述步骤S01中,建立电动自行车的外形训练模型和车牌训练模型包括以下步骤:
步骤S11,将电动自行车的视频图像划分为8×8的矩形块,并对任一矩形块进行聚类预测锚点框。
步骤S12,将所述分割的矩形块输入至多层卷积神经网络中,采用卷积神经网络提取视频图像内的图像特征,并训练获得任一电动自行车的外形训练模型和车牌训练模型。
更进一步地,所述步骤S02中,视频图像分割包括以下步骤:
步骤S21,识别摄像头拍摄的视频图像中的右侧道路划分线和中间隔离线;
步骤S22,采用基于边缘分割算法划分获得右侧道路划分线与中间隔离线之间的机动车道的视频图像。
优选地,所述步骤S21中,采用变形Sobel算子识别获得右侧道路划分线、车道划分线和中间隔离线的纹理特征。
优选地,所述中间隔离线包括单黄实线、双黄实线、黄色虚实线和双白实线。
与现有技术相比,本发明具有以下有益效果:
(1)本发明利用安装在电子眼安装支架上的摄像头拍摄到机动车道和非机动车道的视频图像,该摄像头为现有布设的成熟部件,本发明无需另设视频采集设备,可有效地降低设备投入成本。
(2)本发明采用深度神经网络学习获得电动自行车的外形训练模型和车牌训练模型,其识别能力强,且识别精度较高,有效地避免电动自行车占用机动车道误判。
(3)本发明采用变形Sobel算子识别获得右侧道路划分线、车道划分线和中间隔离线的纹理特征,为图像分割提供基础。进一步地,本发明采用图像分割以获得机动车道的视频图像,如此设计的好处在于,减少识别计算工作量。
(4)本发明通过标记机动车道内的电动自行车,并识别该机动车道内的电动自行车的车牌号码,为交通执法提供依据,并降低交警执法工作量。综上所述,本发明具有识别准确、降低计算工作量等优点,在人工智能技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需使用的附图作简单介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对保护范围的限定,对于本领域技术人员来说,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相关的附图。
图1为本发明的流程图。
图2为本发明的训练模型建立流程图。
图3为本发明的视频图像分割的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
如图1至图3所示,本实施例提供了一种基于人工智能的电动自行车占用机动车道识别方法,其包括安装在电子眼安装支架上、且能拍摄到机动车道和非机动车道的视频图像的摄像头,与所述摄像头连接的视频分析系统。在本实施例中,深度神经网络、边缘分割算法和变形Sobel算子均为现有技术,本实施例并未对其算法本身进行改进,因此,本实施例不再对深度神经网络、边缘分割算法和变形Sobel算子的计算过程进行详细阐述。
在本实施例中,所述电动自行车占用机动车道识别方法,包括以下步骤:
第一步,利用所述摄像头拍摄所在区域的机动车道和非机动车道的视频图像,将摄像头拍摄的视频图像转换成视频流,并传输给视频分析系统。在此,摄像头拍摄的视频图像中既包括有机动车道内的视频图像,又包括非机动车道内的视频图像。当且仅当,电动自行车驶入机动车道内才属于交通违章行为。同时,本实施例采用基于深度神经网络学习电动自行车的特征,并建立电动自行车的外形训练模型和车牌训练模型,具体如下:
(1)将电动自行车的视频图像划分为8×8的矩形块,并对任一矩形块进行聚类预测锚点框。
(2)将所述分割的矩形块输入至多层卷积神经网络中,采用卷积神经网络提取视频图像内的图像特征,并训练获得任一电动自行车的外形训练模型和车牌训练模型。
第二步,对摄像头拍摄的视频图像进行图像分割,以区分机动车道和非机动车道,具体来说:
(1)识别摄像头拍摄的视频图像中的右侧道路划分线和中间隔离线,其中,采用变形Sobel算子识别获得右侧道路划分线、车道划分线和中间隔离线的纹理特征。所述中间隔离线包括单黄实线、双黄实线、黄色虚实线和双白实线。
(2)采用基于边缘分割算法划分获得右侧道路划分线与中间隔离线之间的机动车道的视频图像。
第三步,提取机动车道内的视频图像,并将所述视频图像输入外形训练模型以标记机动车道内的电动自行车。
第四步,将所述标记机动车道内的电动自行车的视频图像输入车牌训练模型,检测输出电动自行车的车牌号码。
综上所述,本发明巧妙地利用神经网络识别电动自行车占用机动车道和该电动自行车的车牌号码,并利用图像分割以减少识别技术工作量,排除识别计算非机动车道内的电动自行车的情况。与现有技术相比,具有突出的实质性特点和显著的进步,在人工智能识别技术领域具有广阔的市场前景。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (5)
1.基于人工智能的电动自行车占用机动车道识别方法,包括安装在电子眼安装支架上、且能拍摄到机动车道和非机动车道的视频图像的摄像头,其特征在于,还包括与所述摄像头连接的视频分析系统;
所述电动自行车占用机动车道识别方法,包括以下步骤:
步骤S01,利用所述摄像头拍摄所在区域的机动车道和非机动车道的视频图像,将摄像头拍摄的视频图像转换成视频流,并传输给视频分析系统;同时,采用基于深度神经网络学习电动自行车的特征,并建立电动自行车的外形训练模型和车牌训练模型;
步骤S02,对摄像头拍摄的视频图像进行图像分割,以区分机动车道和非机动车道;
步骤S03,提取机动车道内的视频图像,并将所述视频图像输入外形训练模型以标记机动车道内的电动自行车;
步骤S04,将所述标记机动车道内的电动自行车的视频图像输入车牌训练模型,检测输出电动自行车的车牌号码。
2.根据权利要求1所述的基于人工智能的电动自行车占用机动车道识别方法,其特征在于,所述步骤S01中,建立电动自行车的外形训练模型和车牌训练模型包括以下步骤:
步骤S11,将电动自行车的视频图像划分为8×8的矩形块,并对任一矩形块进行聚类预测锚点框;
步骤S12,将所述分割的矩形块输入至多层卷积神经网络中,采用卷积神经网络提取视频图像内的图像特征,并训练获得任一电动自行车的外形训练模型和车牌训练模型。
3.根据权利要求2所述的基于人工智能的电动自行车占用机动车道识别方法,其特征在于,所述步骤S02中,视频图像分割包括以下步骤:
步骤S21,识别摄像头拍摄的视频图像中的右侧道路划分线和中间隔离线;
步骤S22,采用基于边缘分割算法划分获得右侧道路划分线与中间隔离线之间的机动车道的视频图像。
4.根据权利要求3所述的基于人工智能的电动自行车占用机动车道识别方法,其特征在于,所述步骤S21中,采用变形Sobel算子识别获得右侧道路划分线、车道划分线和中间隔离线的纹理特征。
5.根据权利要求4所述的基于人工智能的电动自行车占用机动车道识别方法,其特征在于,所述中间隔离线包括单黄实线、双黄实线、黄色虚实线和双白实线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910011055.5A CN109726699A (zh) | 2019-01-07 | 2019-01-07 | 基于人工智能的电动自行车占用机动车道识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910011055.5A CN109726699A (zh) | 2019-01-07 | 2019-01-07 | 基于人工智能的电动自行车占用机动车道识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726699A true CN109726699A (zh) | 2019-05-07 |
Family
ID=66298054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910011055.5A Pending CN109726699A (zh) | 2019-01-07 | 2019-01-07 | 基于人工智能的电动自行车占用机动车道识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726699A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148301A (zh) * | 2019-06-21 | 2019-08-20 | 北京精英系统科技有限公司 | 一种检测电动车自行车的方法 |
CN110310489A (zh) * | 2019-08-15 | 2019-10-08 | 四川长虹电器股份有限公司 | 一种非机动车道提醒系统及提醒方法 |
CN110909598A (zh) * | 2019-10-16 | 2020-03-24 | 合肥湛达智能科技有限公司 | 一种基于深度学习的非机动车道交通违法行驶识别方法 |
CN112562330A (zh) * | 2020-11-27 | 2021-03-26 | 深圳市综合交通运行指挥中心 | 评估道路运行指数的方法和装置、电子设备、存储介质 |
CN113129597A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种机动车道违法车辆识别方法及装置 |
CN113947945A (zh) * | 2021-09-02 | 2022-01-18 | 北京百度网讯科技有限公司 | 车辆行驶的报警方法、装置、电子设备和可读存储介质 |
CN114141022A (zh) * | 2020-09-03 | 2022-03-04 | 丰图科技(深圳)有限公司 | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240515A (zh) * | 2014-09-15 | 2014-12-24 | 郑州天迈科技股份有限公司 | 基于图像处理的公交专用道占道抓拍方法 |
CN105608906A (zh) * | 2016-03-29 | 2016-05-25 | 成都理工大学 | 高速公路机动车非法占用应急车道的监控系统及实现方法 |
CN106446856A (zh) * | 2016-09-30 | 2017-02-22 | 北京中星微电子有限公司 | 车辆占道行驶智能监控方法和系统 |
CN106503640A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 一种占用公交车道的检测方法 |
CN106781518A (zh) * | 2016-12-22 | 2017-05-31 | 江苏萝卜交通科技有限公司 | 电动车的违规检测方法 |
CN107315998A (zh) * | 2017-05-31 | 2017-11-03 | 淮阴工学院 | 基于车道线的车辆种类划分方法和系统 |
CN108052899A (zh) * | 2017-12-12 | 2018-05-18 | 成都睿码科技有限责任公司 | 一种通过视频区分电动自行车和摩托车的方法 |
-
2019
- 2019-01-07 CN CN201910011055.5A patent/CN109726699A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240515A (zh) * | 2014-09-15 | 2014-12-24 | 郑州天迈科技股份有限公司 | 基于图像处理的公交专用道占道抓拍方法 |
CN105608906A (zh) * | 2016-03-29 | 2016-05-25 | 成都理工大学 | 高速公路机动车非法占用应急车道的监控系统及实现方法 |
CN106446856A (zh) * | 2016-09-30 | 2017-02-22 | 北京中星微电子有限公司 | 车辆占道行驶智能监控方法和系统 |
CN106503640A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 一种占用公交车道的检测方法 |
CN106781518A (zh) * | 2016-12-22 | 2017-05-31 | 江苏萝卜交通科技有限公司 | 电动车的违规检测方法 |
CN107315998A (zh) * | 2017-05-31 | 2017-11-03 | 淮阴工学院 | 基于车道线的车辆种类划分方法和系统 |
CN108052899A (zh) * | 2017-12-12 | 2018-05-18 | 成都睿码科技有限责任公司 | 一种通过视频区分电动自行车和摩托车的方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148301A (zh) * | 2019-06-21 | 2019-08-20 | 北京精英系统科技有限公司 | 一种检测电动车自行车的方法 |
CN110310489A (zh) * | 2019-08-15 | 2019-10-08 | 四川长虹电器股份有限公司 | 一种非机动车道提醒系统及提醒方法 |
CN110909598A (zh) * | 2019-10-16 | 2020-03-24 | 合肥湛达智能科技有限公司 | 一种基于深度学习的非机动车道交通违法行驶识别方法 |
CN110909598B (zh) * | 2019-10-16 | 2024-02-02 | 合肥湛达智能科技有限公司 | 一种基于深度学习的非机动车道交通违法行驶识别方法 |
CN113129597A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种机动车道违法车辆识别方法及装置 |
CN114141022A (zh) * | 2020-09-03 | 2022-03-04 | 丰图科技(深圳)有限公司 | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
CN114141022B (zh) * | 2020-09-03 | 2023-05-23 | 丰图科技(深圳)有限公司 | 应急车道占用行为检测方法、装置、电子设备及存储介质 |
CN112562330A (zh) * | 2020-11-27 | 2021-03-26 | 深圳市综合交通运行指挥中心 | 评估道路运行指数的方法和装置、电子设备、存储介质 |
CN113947945A (zh) * | 2021-09-02 | 2022-01-18 | 北京百度网讯科技有限公司 | 车辆行驶的报警方法、装置、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726699A (zh) | 基于人工智能的电动自行车占用机动车道识别方法 | |
CN110688992B (zh) | 交通信号识别方法、装置、车辆导航设备和无人驾驶车辆 | |
Sotelo et al. | A color vision-based lane tracking system for autonomous driving on unmarked roads | |
CN105426864B (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
CN108230254B (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
CN100583125C (zh) | 车辆智能后视方法 | |
CN104751600B (zh) | 基于虹膜识别的防疲劳驾驶安全设备及其使用方法 | |
CN107315095B (zh) | 基于视频处理的具有光照适应性的多车辆自动测速方法 | |
CN105620391A (zh) | 一种车辆智能助理系统 | |
CN110782673A (zh) | 一种基于无人机拍摄云端计算的车辆违章识别检测系统 | |
DE112017007906T5 (de) | Fahrzeugsteuervorrichtung, fahrzeugsteuerverfahren und programm | |
CN105809130A (zh) | 一种基于双目深度感知的车辆可行驶区域计算方法 | |
CN105118305B (zh) | 室外停车场出口车辆管理平台 | |
CN109544940A (zh) | 基于三目视觉的公交车专用道占道抓拍系统及其抓拍方法 | |
CN105654073A (zh) | 一种基于视觉检测的速度自动控制方法 | |
CN110341704A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN114450735B (zh) | 一种联合预测运动对象轨迹的系统和方法 | |
CN112329553B (zh) | 一种车道线标注方法及装置 | |
CN108108680A (zh) | 一种基于双目视觉的后方车辆识别与测距方法 | |
CN110271546A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN110182206A (zh) | 一种基于双摄像头的无人驾驶汽车视觉识别系统 | |
CN106251652A (zh) | 信号灯系统及其控制方法 | |
CN109241855A (zh) | 基于立体视觉的智能车辆可行驶区域探测方法 | |
CN108734976A (zh) | 一种交通导航提示方法及其系统 | |
CN104915628A (zh) | 基于车载相机的场景建模进行运动行人预测的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |