CN111640293A - 一种基于嵌入式终端的深度学习非机动车道行驶检测方法 - Google Patents
一种基于嵌入式终端的深度学习非机动车道行驶检测方法 Download PDFInfo
- Publication number
- CN111640293A CN111640293A CN202010332952.9A CN202010332952A CN111640293A CN 111640293 A CN111640293 A CN 111640293A CN 202010332952 A CN202010332952 A CN 202010332952A CN 111640293 A CN111640293 A CN 111640293A
- Authority
- CN
- China
- Prior art keywords
- motor vehicle
- vehicle lane
- driving
- motor vehicles
- motor
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Abstract
本发明涉及交通检测技术领域,尤其为一种基于嵌入式终端的深度学习非机动车道行驶检测方法,包括:步骤一:建立多个摄像头监控识别系统;步骤二:创建图像集,图像集保存至各自监控识别系统的基础数据库内;步骤三:参数对比;步骤四:将违规机动车辆的图像帧按顺序保存并创建一个新的子图片集;步骤五:上传中央数据库,中央数据库进行整合,扩充中央数据库。本发明通过对机动车辆是否在非机动车道上和非机动车辆正行逆行进行标记记录,对多次违规的车辆进行重点标记,扩大中央数据库,解决了由于机动车道和非机动车道多是并行,致使基础数据的参数较少,时常导致检测精度不够,且检测速度不够快,导致漏判的情况发生。
Description
技术领域
本发明涉及交通检测技术领域,具体为一种基于嵌入式终端的深度学习非机动车道行驶检测方法。
背景技术
随着城市汽车数量的快速增长,城市道路空间划分的因素,导致交通违法行为也是屡见不鲜。其中,非机动车道作为非机动车行驶的道路,却时常有机动车行驶在非机动车道上,不仅对交通秩序造成巨大影响,对人们的生命安全也是巨大的威胁。现有的针对非机动车道的行驶检测,多是采用架设监控设备拍照识别的方式,对行驶于非机动车道上的车辆进行拍照识别,再与系统数据库内的基础数据进行对比、判定,这种方式由于机动车道和非机动车道多是并行,致使基础数据的参数较少,时常导致检测精度不够,且检测速度不够快,导致漏判的情况发生。鉴于此,我们提出一种基于嵌入式终端的深度学习非机动车道行驶检测方法。
发明内容
本发明的目的在于提供一种基于嵌入式终端的深度学习非机动车道行驶检测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于嵌入式终端的深度学习非机动车道行驶检测方法,通过深度学习的方式提供高精度非机动车道行驶检测方法,包括如下具体操作步骤:
步骤一:建立多个摄像头监控识别系统,并安装于多个红绿灯路口区域以及道路中部位置,获取整个车道的视频图像以及对过往车辆进行检测识别;
其中,非机动车道和机动车道之间设有禁止线,并将非机动车道划分为禁行区域;
步骤二:针对信号灯颜色进行识别,保留红色信号灯的图像帧,并创建图像集,同时获取图像集内机动车辆行驶参数以及非机动车辆行驶参数,并再次创建机动车辆行驶图像集、非机动车辆行驶图像集,将图像集保存至各自监控识别系统的基础数据库内;
步骤三:将经过红绿灯路口区域的机动车辆行驶参数与基础数据库中的参数进行对比,检测对应的非机动车道禁行区域内是否出现机动车辆,将出现于非机动车道禁行区域内的机动车辆判定为违规车辆;
获取经过红绿灯路口区域的非机动车辆行驶参数,根据路标显示判断其正行或逆行;
步骤四:将行驶于非机动车道禁行区域内的机动车辆进行识别标记,记录车牌信息、车身颜色、车辆特征、违规地点、违规时间等,并将该机动车辆的图像帧按顺序保存并创建一个新的子图片集,对非位于非机动车道禁行区域内的车辆数据进行删除;
步骤五:将各个摄像头监控识别系统保存的基础数据上传至中央数据库,并对中央数据库进行整合,单独创建非机动车道车辆行驶数据库,扩充中央数据库;
作为本发明优选的技术方案:所述步骤一中摄像头监控识别系统由摄像机部分、传输部分、控制与记录部分以及显示部分四大块组成,其中,控制与记录部分负责对摄像机的控制,并对图像帧中的机动车辆和非机动车辆进行记录、识别。
作为本发明优选的技术方案:摄像机部分为固定摄像头,其获取的图像帧位置、范围均固定不变。
作为本发明优选的技术方案:所述步骤二中摄像头监控识别系统识别记录方式如下:
对位于监控区域内的红色信号灯亮起时间内以及经过的车辆进行录像,并将录像保存至监控系统的存储器内;
对获取的图像进行分析处理,提取机动车辆行驶参数和非机动车辆行驶参数,检测对应的非机动车道禁行区域内是否出现机动车辆以及非机动车辆是否逆行,判定车辆是否违规。
作为本发明优选的技术方案:所述步骤二和步骤四中,后期对数据的处理,需删除没有违规行驶的机动车辆信息,且将违规行驶的机动车辆信息保存至数据库,并上传至中央数据库内。
作为本发明优选的技术方案:所述步骤四中,对于多次行驶于非机动车道禁行区域内的机动车辆单独创建图片集,对多次逆行的非机动车辆单独创建图片集,并重点标记,方便对机动车辆车主进行惩罚和教育。
作为本发明优选的技术方案:所述步骤一中,禁行区域确认方式为,将机动车道和机动车道之间禁止分界线与非机动车道靠近路边的禁止分界线之间的区域确定为禁行区域。
与现有技术相比,本发明的有益效果是:
本发明通过对多个红绿灯路口区域以及道路中部位置的监控识别,通过对红色信号灯范围内、位于非机动车道禁行区域内的机动车辆进行标记记录,同时对非机动车辆正行逆行进行标记记录,判定该机动车辆或非机动车辆是否违规,同时对机动车辆和非机动车辆进行识别判定,提高了准确性和适用性,同时对多次违规的车辆进行重点标记,可以在单位时间内更快的识别该机动车辆,提升了检测速度,同时创建多个图片集,并将每次记录的数据进行整合和上传,能够扩大中央数据库,解决了由于机动车道和非机动车道多是并行,致使基础数据的参数较少,时常导致检测精度不够,且检测速度不够快,导致漏判的情况发生。
附图说明
图1为本发明的操作流程图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
本发明提供的技术方案:
一种基于嵌入式终端的深度学习非机动车道行驶检测方法,通过深度学习的方式提供高精度非机动车道行驶检测方法,包括如下具体操作步骤:
步骤一:建立多个摄像头监控识别系统,并安装于多个红绿灯路口区域以及道路中部位置,获取整个车道的视频图像以及对过往车辆进行检测识别;
其中,非机动车道和机动车道之间设有禁止线,并将非机动车道划分为禁行区域;
步骤二:针对信号灯颜色进行识别,保留红色信号灯的图像帧,并创建图像集,同时获取图像集内机动车辆行驶参数以及非机动车辆行驶参数,并再次创建机动车辆行驶图像集、非机动车辆行驶图像集,将图像集保存至各自监控识别系统的基础数据库内;
步骤三:将经过红绿灯路口区域的机动车辆行驶参数与基础数据库中的参数进行对比,检测对应的非机动车道禁行区域内是否出现机动车辆,将出现于非机动车道禁行区域内的机动车辆判定为违规车辆;
获取经过红绿灯路口区域的非机动车辆行驶参数,根据路标显示判断其正行或逆行;
步骤四:将行驶于非机动车道禁行区域内的机动车辆进行识别标记,记录车牌信息、车身颜色、车辆特征、违规地点、违规时间等,并将该机动车辆的图像帧按顺序保存并创建一个新的子图片集,对非位于非机动车道禁行区域内的车辆数据进行删除;
步骤五:将各个摄像头监控识别系统保存的基础数据上传至中央数据库,并对中央数据库进行整合,单独创建非机动车道车辆行驶数据库,扩充中央数据库。
本实施例中,步骤一中摄像头监控识别系统由摄像机部分、传输部分、控制与记录部分以及显示部分四大块组成,其中,控制与记录部分负责对摄像机的控制,并对图像帧中的机动车辆和非机动车辆进行记录、识别,能够最大程度对机动车辆和非机动车辆进行记录,且确保了记录的准确性。
进一步的,摄像机部分为固定摄像头,其获取的图像帧位置、范围均固定不变,能够对一个区域实现连续准确的录像,对于判定车辆是否违规更加准确。
此外,步骤二中摄像头监控识别系统识别记录方式如下:
对位于监控区域内的红色信号灯亮起时间内以及经过的车辆进行录像,并将录像保存至监控系统的存储器内;
对获取的图像进行分析处理,提取机动车辆行驶参数和非机动车辆行驶参数,检测对应的非机动车道禁行区域内是否出现机动车辆以及非机动车辆是否逆行,判定车辆是否违规,其中,非机动车辆行驶参数将作为中央数据库的补充数据,可以增加对机动车辆是否违规判定的精度。
进一步的,步骤二和步骤四中,后期对数据的处理,需删除没有违规行驶的机动车辆信息,且将违规行驶的机动车辆信息保存至数据库,并上传至中央数据库内,刨除不必要的数据,增加判定机动车辆是否违规的效率。
此外,步骤四中,步骤四中,对于多次行驶于非机动车道禁行区域内的机动车辆单独创建图片集,对多次逆行的非机动车辆单独创建图片集,并重点标记,方便对该车辆车主进行惩罚和教育,针对多次违规的车辆进行重点标记,在后续的监控识别过程中,可以更快对这些机动车辆进行识别和判定是否违规,提高了后续判定是否违规的效率。
进一步的,步骤一中,禁行区域确认方式为,将机动车道和机动车道之间禁止分界线与非机动车道靠近路边的禁止分界线之间的区域确定为禁行区域,使得监控摄像头的固定位置、监控范围可以重点监控禁行区域内的车辆行驶情况,准确记录禁行区域内的交通情况,提高判定的准确性。
Claims (7)
1.一种基于嵌入式终端的深度学习非机动车道行驶检测方法,其特征在于:通过深度学习的方式提供高精度非机动车道行驶检测方法,包括如下具体操作步骤:
步骤一:建立多个摄像头监控识别系统,并安装于多个红绿灯路口区域以及道路中部位置,获取整个车道的视频图像以及对过往车辆进行检测识别;
其中,非机动车道和机动车道之间设有禁止线,并将非机动车道划分为禁行区域;
步骤二:针对信号灯颜色进行识别,保留红色信号灯的图像帧,并创建图像集,同时获取图像集内机动车辆行驶参数以及非机动车辆行驶参数,并再次创建机动车辆行驶图像集、非机动车辆行驶图像集,将图像集保存至各自监控识别系统的基础数据库内;
步骤三:将经过红绿灯路口区域的机动车辆行驶参数与基础数据库中的参数进行对比,检测对应的非机动车道禁行区域内是否出现机动车辆,将出现于非机动车道禁行区域内的机动车辆判定为违规车辆;
获取经过红绿灯路口区域的非机动车辆行驶参数,根据路标显示判断其正行或逆行;
步骤四:将行驶于非机动车道禁行区域内的机动车辆进行识别标记,记录车牌信息、车身颜色、车辆特征、违规地点、违规时间等,并将该机动车辆的图像帧按顺序保存并创建一个新的子图片集,对非位于非机动车道禁行区域内的车辆数据进行删除;
步骤五:将各个摄像头监控识别系统保存的基础数据上传至中央数据库,并对中央数据库进行整合,单独创建非机动车道车辆行驶数据库,扩充中央数据库。
2.根据权利要求1所述的基于嵌入式终端的深度学习非机动车道行驶检测方法,其特征在于:所述步骤一中摄像头监控识别系统由摄像机部分、传输部分、控制与记录部分以及显示部分四大块组成,其中,控制与记录部分负责对摄像机的控制,并对图像帧中的机动车辆和非机动车辆进行记录、识别。
3.根据权利要求22所述的基于嵌入式终端的深度学习非机动车道行驶检测方法,其特征在于:摄像机部分为固定摄像头,其获取的图像帧位置、范围均固定不变。
4.根据权利要求1所述的基于嵌入式终端的深度学习非机动车道行驶检测方法,其特征在于:所述步骤二中摄像头监控识别系统识别记录方式如下:
对位于监控区域内的红色信号灯亮起时间内以及经过的车辆进行录像,并将录像保存至监控系统的存储器内;
对获取的图像进行分析处理,提取机动车辆行驶参数和非机动车辆行驶参数,检测对应的非机动车道禁行区域内是否出现机动车辆以及非机动车辆是否逆行,判定车辆是否违规。
5.根据权利要求1所述的基于嵌入式终端的深度学习非机动车道行驶检测方法,其特征在于:所述步骤二和步骤四中,后期对数据的处理,需删除没有违规行驶的机动车辆信息,且将违规行驶的车辆信息保存至数据库,并上传至中央数据库内。
6.根据权利要求1所述的基于嵌入式终端的深度学习非机动车道行驶检测方法,其特征在于:所述步骤四中,对于多次行驶于非机动车道禁行区域内的机动车辆单独创建图片集,对多次逆行的非机动车辆单独创建图片集,并重点标记,方便对车辆车主进行惩罚和教育。
7.根据权利要求1所述的基于嵌入式终端的深度学习非机动车道行驶检测方法,其特征在于:所述步骤一中,禁行区域确认方式为,将机动车道和机动车道之间禁止分界线与非机动车道靠近路边的禁止分界线之间的区域确定为禁行区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010332952.9A CN111640293A (zh) | 2020-04-24 | 2020-04-24 | 一种基于嵌入式终端的深度学习非机动车道行驶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010332952.9A CN111640293A (zh) | 2020-04-24 | 2020-04-24 | 一种基于嵌入式终端的深度学习非机动车道行驶检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111640293A true CN111640293A (zh) | 2020-09-08 |
Family
ID=72331834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010332952.9A Pending CN111640293A (zh) | 2020-04-24 | 2020-04-24 | 一种基于嵌入式终端的深度学习非机动车道行驶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640293A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446334A (zh) * | 2020-12-02 | 2021-03-05 | 福建亿安智能技术有限公司 | 一种非机动车违法行为识别的方法和系统 |
CN112699202A (zh) * | 2021-01-14 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 禁行道路的识别方法、装置、电子设备及存储介质 |
CN113052069A (zh) * | 2021-03-24 | 2021-06-29 | 安徽超视野智能科技有限公司 | 基于图像识别的非机动车违停监控系统及方法 |
CN113256997A (zh) * | 2021-04-30 | 2021-08-13 | 贵州数据宝网络科技有限公司 | 一种交通车辆违规行为检测装置及方法 |
CN113422938A (zh) * | 2021-08-23 | 2021-09-21 | 深圳市旗扬特种装备技术工程有限公司 | 人工智能的道路事件监控方法、装置、系统及存储介质 |
CN115273479A (zh) * | 2022-09-19 | 2022-11-01 | 深圳市博科思智能股份有限公司 | 基于图像处理的运维管理方法、装置、设备及存储介质 |
CN115439278A (zh) * | 2022-08-05 | 2022-12-06 | 火焰蓝(浙江)信息科技有限公司 | 适用于非机动车驾驶员的线上学习方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203179284U (zh) * | 2013-03-06 | 2013-09-04 | 博隆建亚科技(北京)有限公司 | 闯红灯及超速智能检测装置 |
CN105551110A (zh) * | 2016-02-05 | 2016-05-04 | 北京奇虎科技有限公司 | 一种行车数据记录方法、装置和系统 |
WO2017125063A1 (zh) * | 2016-01-20 | 2017-07-27 | 中兴通讯股份有限公司 | 违规车辆处理方法及装置 |
CN108847032A (zh) * | 2018-08-21 | 2018-11-20 | 北京深瞐科技有限公司 | 一种交通违法行为识别方法及装置 |
CN109658698A (zh) * | 2019-01-25 | 2019-04-19 | 合肥市智信汽车科技有限公司 | 一种基于深度学习的机动车违法行驶检测及抓拍方法 |
CN110969858A (zh) * | 2018-09-29 | 2020-04-07 | 比亚迪股份有限公司 | 车祸处理的方法、装置和存储介质及电子设备 |
-
2020
- 2020-04-24 CN CN202010332952.9A patent/CN111640293A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203179284U (zh) * | 2013-03-06 | 2013-09-04 | 博隆建亚科技(北京)有限公司 | 闯红灯及超速智能检测装置 |
WO2017125063A1 (zh) * | 2016-01-20 | 2017-07-27 | 中兴通讯股份有限公司 | 违规车辆处理方法及装置 |
CN105551110A (zh) * | 2016-02-05 | 2016-05-04 | 北京奇虎科技有限公司 | 一种行车数据记录方法、装置和系统 |
CN108847032A (zh) * | 2018-08-21 | 2018-11-20 | 北京深瞐科技有限公司 | 一种交通违法行为识别方法及装置 |
CN110969858A (zh) * | 2018-09-29 | 2020-04-07 | 比亚迪股份有限公司 | 车祸处理的方法、装置和存储介质及电子设备 |
CN109658698A (zh) * | 2019-01-25 | 2019-04-19 | 合肥市智信汽车科技有限公司 | 一种基于深度学习的机动车违法行驶检测及抓拍方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446334A (zh) * | 2020-12-02 | 2021-03-05 | 福建亿安智能技术有限公司 | 一种非机动车违法行为识别的方法和系统 |
CN112699202A (zh) * | 2021-01-14 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 禁行道路的识别方法、装置、电子设备及存储介质 |
CN113052069A (zh) * | 2021-03-24 | 2021-06-29 | 安徽超视野智能科技有限公司 | 基于图像识别的非机动车违停监控系统及方法 |
CN113256997A (zh) * | 2021-04-30 | 2021-08-13 | 贵州数据宝网络科技有限公司 | 一种交通车辆违规行为检测装置及方法 |
CN113422938A (zh) * | 2021-08-23 | 2021-09-21 | 深圳市旗扬特种装备技术工程有限公司 | 人工智能的道路事件监控方法、装置、系统及存储介质 |
CN115439278A (zh) * | 2022-08-05 | 2022-12-06 | 火焰蓝(浙江)信息科技有限公司 | 适用于非机动车驾驶员的线上学习方法及系统 |
CN115273479A (zh) * | 2022-09-19 | 2022-11-01 | 深圳市博科思智能股份有限公司 | 基于图像处理的运维管理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640293A (zh) | 一种基于嵌入式终端的深度学习非机动车道行驶检测方法 | |
CN109637151B (zh) | 一种高速公路应急车道违章行驶的识别方法 | |
CN103778786B (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
CN100578562C (zh) | 用视频监测车辆违法行为的方法 | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
CN110866479A (zh) | 一种检测摩托车驾驶员未戴头盔的方法、装置及系统 | |
CN105654734A (zh) | 车辆违章行为的数据处理方法及装置 | |
CN101123039A (zh) | 基于数字摄像机的闯红灯检测系统及方法 | |
CN111405196B (zh) | 一种基于视频拼接的车辆管理的方法及系统 | |
CN110032947B (zh) | 一种监控事件发生的方法及装置 | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN111339994A (zh) | 一种判断临时违章停车的方法及装置 | |
CN104835214A (zh) | 一种基于路况切换行车记录仪视频分辨率的方法及系统 | |
CN101567041A (zh) | 基于三维投影的机动车号牌图像的字符识别方法 | |
CN107393311B (zh) | 一种车牌篡改识别装置及方法 | |
CN102169583B (zh) | 基于车窗定位的车辆遮挡检测与分割方法 | |
CN113033275A (zh) | 基于深度学习的车辆变道不打转向灯分析系统 | |
CN108682154B (zh) | 基于车流状态变化深度学习分析的道路拥堵检测系统 | |
CN111753634A (zh) | 交通事件检测方法和设备 | |
CN114694095A (zh) | 确定车辆进出泊位的方法、装置、设备和存储介质 | |
CN102147860A (zh) | 一种基于白平衡的车牌识别方法和装置 | |
CN113469105A (zh) | 监控周边车辆的方法及装置、计算机可读存储介质 | |
CN113076852A (zh) | 一种基于5g通信的占用公交车道车载抓拍处理系统 | |
CN113362610A (zh) | 识别违规交通参与对象的方法、系统和计算机可读存储介质 | |
CN111899521A (zh) | 一种高速公路的车辆违规行为检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200908 |