CN111898457A - 一种行车违章违法行为智能识别方法及设备 - Google Patents
一种行车违章违法行为智能识别方法及设备 Download PDFInfo
- Publication number
- CN111898457A CN111898457A CN202010641502.8A CN202010641502A CN111898457A CN 111898457 A CN111898457 A CN 111898457A CN 202010641502 A CN202010641502 A CN 202010641502A CN 111898457 A CN111898457 A CN 111898457A
- Authority
- CN
- China
- Prior art keywords
- intelligent identification
- vehicle
- illegal
- identification method
- training
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000002093 peripheral effect Effects 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种行车违章违法行为智能识别方法，包括：步骤1：采用车载摄像头拍摄车辆外围的实时视频图像，所述实时视频图像中包括外围路况和外围车辆；步骤2：对所述实时视频图像中的外围路况和外围车辆进行识别，并判断外围车辆的违章违法行为。该智能识别方法可自动识别外围车辆是否存在违法违章行为，为提前预警或者辅助自动驾驶避让、远离等的实现提供可能性。本发明还提供了一种行车违章违法行为智能识别设备。
Description
技术领域
本发明涉及违章违法识别领域，尤其涉及一种行车违章违法行为智能识别方法及设备。
背景技术
在开车时，虽然人们越来越遵守交通法规，但是总有一些交通事故是由于别人不遵守交通法规而导致的，比如外围车辆违规超车而撞到自己，面对这些交通事故，虽然事故责任不在自己，但是人员伤亡、车辆受损总一种无冕之灾。
发明内容
为了解决上述现有技术的不足，本发明提供一种智能识别方法及设备，可自动识别外围车辆是否存在违法违章行为，为提前预警或者辅助自动驾驶避让、远离等的实现提供可能性。
本发明所要解决的技术问题通过以下技术方案予以实现：
一种行车违章违法行为智能识别方法，包括：
步骤1：采用车载摄像头拍摄车辆外围的实时视频图像，所述实时视频图像中包括外围路况和外围车辆；
步骤2：对所述实时视频图像中的外围路况和外围车辆进行识别，并判断外围车辆的违章违法行为。
进一步地，所述车载摄像头包括前视摄像头、后视摄像头、行车记录仪、全景环视摄像头中的至少一种。
进一步地，所述步骤2包括：
步骤2.1：按照预设间隔对采集到的实时视频图像进行视频帧的提取；
步骤2.2：对提取出来的视频帧进行灰度二值化处理；
步骤2.3：将处理后的视频帧输入到训练好的卷积神经网络模型中进行识别；
步骤2.4：接收所述卷积神经网络模型输出的外围车辆的违章违法类型。
进一步地，所述步骤2包括：所述卷积神经网络包括第一卷积层、第一抽样层、第二卷积层、第二抽样层、全连接层和sotfmax输出层，以sigmoid函数作为激活函数。
进一步地，在步骤2.1中，按照预设的时间间隔或帧数间隔来对所述实时视频图像进行视频帧的提取。
进一步地，在步骤2之前，训练所述卷积神经网络模型的步骤如下：
S100：将车辆外围的各种训练视频图像进行处理，得到训练图像集；
S200：为所述训练图像集创建对应的训练标签集，所述训练标签集中的标签与所述训练图像集中的训练视频图像一一对应，且不同的标签表示不同的违章违法行为；
S300：将所述训练图像集和训练标签集输入到所述卷积神经网络模型中对所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
进一步地，在步骤S100中，对各种训练视频图像为按照预设时间间隔或帧数间隔对各种训练视频图像进行视频帧的提取，然后对提取出来的视频帧进行灰度二值化处理后形成所述训练图像集。
一种行车违章违法行为智能识别设备，包括车载摄像头以及与所述车载摄像头连接的控制模块，所述控制模块用于上述行车违章违法行为智能识别方法。
本发明具有如下有益效果：该智能识别方法及设备可自动识别外围车辆是否存在违法违章行为，并判断违法违章类型，然后可以对驾驶员进行预警或者辅助自动驾驶对违法违章车辆进行避让、远离等。
附图说明
图1为本发明提供的行车违章违法行为智能识别方法的步骤框图；
图2为图1所示的步骤2的分步骤框图；
图3为本发明提供的卷积神经网络模型的训练步骤框图。
具体实施方式
下面结合附图和实施例对本发明进行详细的说明。
实施例一
如图1所示，一种行车违章违法行为智能识别方法，包括：
步骤1：采用车载摄像头拍摄车辆外围的实时视频图像，所述实时视频图像中包括外围路况和外围车辆。
在该步骤1中，所述车载摄像头的数量至少有一个，根据拍摄需求而分布于车辆的各个位置上，以向车辆外围进行拍摄，采集车辆外围各个方向上的外围路况和外围车辆；这些车载摄像头包括但不限于设于车辆前方的前视摄像头、设于车辆后方的后视摄像头、设于车辆驾驶室内的行车记录仪、设于车辆顶部外的全景环视摄像头中的至少一种。
步骤2：对所述实时视频图像中的外围路况和外围车辆进行识别，并判断外围车辆的违章违法行为。
在该步骤2中，通过图像识别算法及卷积神经网络对采集到的实时视频图像进行识别，以获取所述实时视频图像中包含的外围路况信息和外围车辆信息，其中， 所述外围路况信息包括但不限于车道位置、车道数量、路口位置、交通灯、交通指示牌等信息，所述外围车辆包括但不限于车辆的轮廓、位置、号牌等信息。
具体的，如图2所示，所述步骤2包括：
步骤2.1：按照预设间隔对采集到的实时视频图像进行视频帧的提取。
在该步骤2.1中，可以按照预设的时间间隔或帧数间隔来对所述实时视频图像进行视频帧的提取。
步骤2.2：对提取出来的视频帧进行灰度二值化处理。
步骤2.3：将处理后的视频帧输入到训练好的卷积神经网络模型中进行识别。
在该步骤2.3中，所述卷积神经网络包括第一卷积层、第一抽样层、第二卷积层、第二抽样层、全连接层和sotfmax输出层，以sigmoid函数作为激活函数。
步骤2.4：接收所述卷积神经网络模型输出的外围车辆的违章违法类型。
在该步骤2.4中，所述卷积神经网络模型输出的是违章违法类型所对应的标签，比如0代表外围车辆无违章违法行为、1代表外围车辆实线变道、3代表外围车辆违规停车、4代表外围车辆逆行等等。
其中，在步骤2之前，如图3所示，训练所述卷积神经网络模型的步骤如下：
S100：将车辆外围的各种训练视频图像进行处理，得到训练图像集。
在该步骤S100中，各种训练视频图像可以是预先录制好的专门用于对所述卷积神经网络模型进行训练用的视频图像，也可以是由所述车载摄像头过往录制并储存好的视频图像。
同样的，对各种训练视频图像为按照预设时间间隔或帧数间隔对各种训练视频图像进行视频帧的提取，然后对提取出来的视频帧进行灰度二值化处理后形成所述训练图像集。
S200：为所述训练图像集创建对应的训练标签集，所述训练标签集中的标签与所述训练图像集中的训练视频图像一一对应，且不同的标签表示不同的违章违法行为。
在该步骤S200中，用0、1、2、3、4……作为标签创建所述标签数据集，0代表外围车辆无违章违法行为、1代表外围车辆实线变道、3代表外围车辆违规停车、4代表外围车辆逆行等等，一个标签代表一种违章违法行为且与所述训练图像集中对应的训练视频图像中的违章违法行为相对应。
S300：将所述训练图像集和训练标签集输入到所述卷积神经网络模型中对所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
该智能识别方法可自动识别外围车辆是否存在违法违章行为，并判断违法违章类型，然后可以对驾驶员进行预警或者辅助自动驾驶对违法违章车辆进行避让、远离等。
实施例二
一种行车违章违法行为智能识别设备，包括车载摄像头以及与所述车载摄像头连接的控制模块，所述控制模块用于实施例一所述行车违章违法行为智能识别方法。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制，但凡采用等同替换或等效变换的形式所获得的技术方案，均应落在本发明的保护范围之内。
Claims (8)
1.一种行车违章违法行为智能识别方法，其特征在于，包括：
步骤1：采用车载摄像头拍摄车辆外围的实时视频图像，所述实时视频图像中包括外围路况和外围车辆；
步骤2：对所述实时视频图像中的外围路况和外围车辆进行识别，并判断外围车辆的违章违法行为。
2.根据权利要求1所述行车违章违法行为智能识别方法，其特征在于，所述车载摄像头包括前视摄像头、后视摄像头、行车记录仪、全景环视摄像头中的至少一种。
3.根据权利要求1所述行车违章违法行为智能识别方法，其特征在于，所述步骤2包括：
步骤2.1：按照预设间隔对采集到的实时视频图像进行视频帧的提取；
步骤2.2：对提取出来的视频帧进行灰度二值化处理；
步骤2.3：将处理后的视频帧输入到训练好的卷积神经网络模型中进行识别；
步骤2.4：接收所述卷积神经网络模型输出的外围车辆的违章违法类型。
4.根据权利要求3所述行车违章违法行为智能识别方法，其特征在于，所述步骤2包括：所述卷积神经网络包括第一卷积层、第一抽样层、第二卷积层、第二抽样层、全连接层和sotfmax输出层，以sigmoid函数作为激活函数。
5.根据权利要求3所述行车违章违法行为智能识别方法，其特征在于，在步骤2.1中，按照预设的时间间隔或帧数间隔来对所述实时视频图像进行视频帧的提取。
6.根据权利要求1-5中任一所述行车违章违法行为智能识别方法，其特征在于，在步骤2之前，训练所述卷积神经网络模型的步骤如下：
S100：将车辆外围的各种训练视频图像进行处理，得到训练图像集；
S200：为所述训练图像集创建对应的训练标签集，所述训练标签集中的标签与所述训练图像集中的训练视频图像一一对应，且不同的标签表示不同的违章违法行为；
S300：将所述训练图像集和训练标签集输入到所述卷积神经网络模型中对所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
7.根据权利要求6所述行车违章违法行为智能识别方法，其特征在于，在步骤S100中，对各种训练视频图像为按照预设时间间隔或帧数间隔对各种训练视频图像进行视频帧的提取，然后对提取出来的视频帧进行灰度二值化处理后形成所述训练图像集。
8.一种行车违章违法行为智能识别设备，包括车载摄像头以及与所述车载摄像头连接的控制模块，其特征在于，所述控制模块用于执行权利要求1-7中任一所述行车违章违法行为智能识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010641502.8A CN111898457A (zh) | 2020-07-06 | 2020-07-06 | 一种行车违章违法行为智能识别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010641502.8A CN111898457A (zh) | 2020-07-06 | 2020-07-06 | 一种行车违章违法行为智能识别方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111898457A true CN111898457A (zh) | 2020-11-06 |
Family
ID=73191616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010641502.8A Pending CN111898457A (zh) | 2020-07-06 | 2020-07-06 | 一种行车违章违法行为智能识别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111898457A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469105A (zh) * | 2021-07-15 | 2021-10-01 | 恒大恒驰新能源汽车研究院(上海)有限公司 | 监控周边车辆的方法及装置、计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207518751U (zh) * | 2017-12-18 | 2018-06-19 | 杭州好好开车科技有限公司 | 一种自动抓拍车辆未礼让行人违章的摄像装置 |
| CN109615869A (zh) * | 2018-12-29 | 2019-04-12 | 重庆集诚汽车电子有限责任公司 | 分布式车载实时智能违章抓拍上报系统 |
| CN110046547A (zh) * | 2019-03-06 | 2019-07-23 | 深圳市麦谷科技有限公司 | 违章举报方法、系统、计算机设备及存储介质 |
| WO2020042984A1 (zh) * | 2018-08-28 | 2020-03-05 | 杭州海康威视数字技术股份有限公司 | 一种车辆行为检测方法及装置 |
-
2020
- 2020-07-06 CN CN202010641502.8A patent/CN111898457A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207518751U (zh) * | 2017-12-18 | 2018-06-19 | 杭州好好开车科技有限公司 | 一种自动抓拍车辆未礼让行人违章的摄像装置 |
| WO2020042984A1 (zh) * | 2018-08-28 | 2020-03-05 | 杭州海康威视数字技术股份有限公司 | 一种车辆行为检测方法及装置 |
| CN109615869A (zh) * | 2018-12-29 | 2019-04-12 | 重庆集诚汽车电子有限责任公司 | 分布式车载实时智能违章抓拍上报系统 |
| CN110046547A (zh) * | 2019-03-06 | 2019-07-23 | 深圳市麦谷科技有限公司 | 违章举报方法、系统、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 徐宁;: "道路客运违章视频智能检测分析系统应用研究", 运输经理世界, no. 01 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469105A (zh) * | 2021-07-15 | 2021-10-01 | 恒大恒驰新能源汽车研究院(上海)有限公司 | 监控周边车辆的方法及装置、计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107967806B (zh) | 车辆套牌检测方法、装置、可读存储介质及电子设备 | |
| CN104875681A (zh) | 一种基于应用场景进行车载摄像头动态控制的方法 | |
| CN111091718B (zh) | 一种停车监控预警方法及停车监控预警系统 | |
| CN107122765B (zh) | 一种高速公路服务区全景监控方法及系统 | |
| CN111815959A (zh) | 一种车辆违章的检测方法、装置以及计算机可读存储介质 | |
| CN112389419B (zh) | 识别停车位的方法和停车辅助系统 | |
| CN111071248B (zh) | 一种基于电子助力制动器的智能泊车方法 | |
| CN109389060B (zh) | 一种基于视觉的车周碰撞预警方法 | |
| CN110718058A (zh) | 一种基于主动安全终端的高速公路应急车道占用检测和处置方法 | |
| CN114418895A (zh) | 驾驶辅助方法及装置、车载设备及存储介质 | |
| CN110310485B (zh) | 周围信息采集显示系统 | |
| CN113033275B (zh) | 基于深度学习的车辆变道不打转向灯分析系统 | |
| KR102355431B1 (ko) | Ai 기반 돌발상황 검지 방법 및 그 시스템 | |
| CN112677977A (zh) | 行车状态识别方法、装置、电子设备和转向灯控制方法 | |
| CN111754783A (zh) | 基于云计算和人工智能的违章停车告警和抓拍方法及系统 | |
| CN114475429B (zh) | 一种结合用户行驶意图的红绿灯提醒方法、系统及汽车 | |
| CN109910744B (zh) | Ldw车道偏离预警系统 | |
| CN111898457A (zh) | 一种行车违章违法行为智能识别方法及设备 | |
| CN114582146A (zh) | 红绿灯剩余时长智能提醒方法、系统、存储介质及汽车 | |
| CN116824549B (zh) | 基于多检测网络融合的目标检测方法、装置及车辆 | |
| CN110706115A (zh) | 交通事故快速理赔方法、系统以及一种服务器 | |
| CN115431958B (zh) | 基于汽车辅助驾驶的全景泊车辅助系统 | |
| CN113392680A (zh) | 道路识别装置及方法、电子设备 | |
| CN212604818U (zh) | 一种具有去除车身阴影功能的检测系统 | |
| CN111824164B (zh) | 周围信息采集显示方法 |
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 |