CN112863186A - 一种基于车载无人机的逃逸车辆快速识别和追踪方法 - Google Patents

一种基于车载无人机的逃逸车辆快速识别和追踪方法 Download PDF

Info

Publication number
CN112863186A
CN112863186A CN202110062889.6A CN202110062889A CN112863186A CN 112863186 A CN112863186 A CN 112863186A CN 202110062889 A CN202110062889 A CN 202110062889A CN 112863186 A CN112863186 A CN 112863186A
Authority
CN
China
Prior art keywords
vehicle
escaping
hit
model
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.)
Granted
Application number
CN202110062889.6A
Other languages
English (en)
Other versions
CN112863186B (zh
Inventor
孙伟
解帅
孙中钰
葛楷
田梦瑶
左欣幼
付锦燚
严皖宁
孙高宇
孙冉冉
周旭阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110062889.6A priority Critical patent/CN112863186B/zh
Publication of CN112863186A publication Critical patent/CN112863186A/zh
Application granted granted Critical
Publication of CN112863186B publication Critical patent/CN112863186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于车载无人机的逃逸车辆快速识别和追踪方法，具体包括步骤：(1)构建逃逸车辆所在路段位置预测模型，将概率值最大的前三个区域作为候选区域(2)对三个候选区域的车辆进行扫描并5G网络上传至云端(3)建立基于改进DenseNet121的轻量化逃逸车辆重识别模型，基于待查询逃逸车辆分别在每个候选区域的图片上进行车辆特征提取和重识别；(4)将逃逸车辆重识别率最高的图片所在候选区域的位置信息传输至执勤人员，完成肇事逃逸车辆的追踪。本发明实现无人机对逃逸车辆快速可靠的重识别，提高破案效率。

Description

一种基于车载无人机的逃逸车辆快速识别和追踪方法
技术领域
本发明涉及车辆追踪及车辆重识别领域，尤其涉及一种基于车载无人机的逃逸车辆快速识别和追踪方法。
背景技术
目前，随着车辆和驾驶员数量的持续增长，交通安全形式日益严峻；交通肇事后逃逸致人重伤的比例越来越大，不仅带来了巨大经济损失，而且还带来了一系列社会问题。在公安干警人手紧缺、道路位置偏僻这样严峻的大背景下，对肇事逃逸车辆的技术追踪便显得尤为重要。如何高效、智能追捕在逃车辆也成为一项值得关注、有待解决的紧要问题。
计算机视觉和机器学习的发展日新月异，这也给逃逸车辆的追踪带来了新的思路。比如近年来低空无人机就可以使用无线和自主飞行来完成复杂环境中的飞行任务。各种续航、悬停、云台技术的发展增加了它的实用性，多旋翼无人机也开始投入警用，所以将二者结合应用在城市道路背景下能够实现逃逸车辆快速追踪，具有重要的研究价值和巨大的经济社会效益。同时，5G技术和物联网技术在交通行业中也得到大范围的应用，并衍生出多种具有创新性的技术，这些都为逃逸车辆的快速准确追踪提供了可能。现阶段，在交通肇事逃逸车辆的方面，目前采用的大都是手动离线的车辆重识别方法，耗费大量人力和时间。同时，大都基于固定摄像头被动采集的车辆图像，无法做到搜查范围的机动灵活、全面覆盖和信息共享。
发明内容
发明目的：本发明目的是有效解决传统基于固定摄像头、手动离线车辆重识别效率低以及因深度网络模型规模不断扩大导致难以将其部署到云端的缺陷，提供一种基于车载无人机的逃逸车辆快速识别和追踪方法，结合逃逸车辆所经过的交通场景信息，实现对肇事逃逸车辆及时高效的追踪。
技术方案：本发明提供一种基于车载无人机的逃逸车辆快速识别和追踪方法，包括如下步骤：
(1)构建逃逸车辆所在路段位置预测模型，预测肇事逃逸车辆在各路口出现的概率，并进行排序，将概率值最大的前三个区域作为候选区域；
(2)利用带有摄像机的无人机对三个候选区域的车辆进行扫描，将扫描的车辆图片通过5G网络上传至云端；
(3)建立基于改进DenseNet121的轻量化逃逸车辆重识别模型，基于待查询逃逸车辆分别在每个候选区域的图片上进行车辆特征提取和重识别；
(4)将逃逸车辆重识别率最高的图片所在候选区域的位置信息传输至执勤人员，完成肇事逃逸车辆的追踪。
进一步地，步骤(1)具体包括两个阶段，一是逃逸车辆所在路段位置预测模型的网络训练阶段，二是逃逸车辆位置预测模型的实时检测阶段。
进一步地，在网络训练阶段，首先确定神经网络的结构，建立一个包括输入层、隐含层和输出层的逃逸车辆位置预测BP人工神经网络，其中，输入层节点数为8，包括肇事逃逸车辆的时间特征x0，肇事逃逸车辆的位置拓扑信息x1，肇事逃逸车辆的连接性特征x2，肇事逃逸车辆的天气特征x3以及肇事逃逸车辆用户的行为特征，其中用户行为特征又包括平均通行时间x4、平均速度x5、绕行率x6、方向信息x7这8维输入变量；隐藏层包括2层，每层节点数为8；输出层节点包括y0,y1,y2,y3,y4,y5,y6,...,ym，共m+1个路口的概率值；
进一步地，收集网络的训练样本对网络进行训练，使用从交管部门得到的历史肇事逃逸车辆轨迹位置信息作为训练数据进行模型的训练，包括特征提取和模型训练两个方面；
在特征提取方面，包括时间特征，位置拓扑信息、连接性特征、天气特征、用户行为特征，其中用户行为特征又包括平均通行时间、平均速度、绕行率、方向信息，提取的特征向量表达式为：
X＝(x0,x1,x2,x3,x4,x5,x6,x7)
x0表示肇事逃逸车辆当前样本点的时间特征，即当前样本点对应的肇事逃逸车辆在轨迹中的时间点；x1表示肇事逃逸车辆的位置拓扑信息，即当前路段到起始和终点的曼哈顿距离的比值；x2表示肇事逃逸车辆的连接性特征，即经过当前路段r的路径数占所有可能的路径数的比值；x3表示肇事逃逸车辆当前路段的天气特征；肇事逃逸车辆用户的行为特征，具体包括(1)在上一段轨迹中，该车辆轨迹的通行时间以及所有训练数据中通过相同相邻交通卡口的所有轨迹的平均通行时间x4，(2)在上一段轨迹中，该车辆轨迹的平均速度和训练数据中所有通过相同的相邻交通卡口的所有轨迹的平均速度x5，(3)该车辆在上一段轨迹中的绕行率x6，即恢复出来轨迹的总距离和两个监控卡口最短距离的比值，(4)该车辆在上一段轨迹中的方向信息x7；
在网络模型训练方面，通过输入训练数据，使用梯度下降法，最终通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
进一步地，在逃逸车辆位置预测模型的实时检测阶段，实时采集两个路口间的特征向量x0～x5输入训练好的BP神经网络模型，计算并输出逃逸车辆在不同路口出现的概率值，然后将肇事车辆经过各区域的概率进行降序排列，查询排序较高的前三个区域作为候选逃逸车辆所在区域，从而缩小后续车辆图像重识别的检索范围，提高逃逸车辆快速识别和追踪的效率。
进一步地，步骤(3)具体包括两个阶段，逃逸车辆重识别模型的训练阶段和实时识别阶段。
进一步地，在模型的训练阶段，包括逃逸车辆重识别模型的结构设计和参数训练两个方面：
在模型的结构设计方面，建立一个DenseNet121骨干网络，通过添加SE block，自动获取DenseNet121网络每一特征通道的重要程度，并根据重要性对每一通道输出相应大小的权重，进而向深层传递加权后的通道特征；对高H宽W通道为C的特征X使用全局平均池化作压缩操作，紧接着两个全连接层去建模通道间的相关性；给定压缩率r，通过全连接层进行特征降维，经过ReLU激活后再通过全连接层升回到原来的维度，通过一个Sigmoid函数获得归一化的权重，通过一个加权scale操作将归一化后的权重加权到每个通道的特征上得到向后传递的特征
Figure BDA0002903004100000031
添加SE block后，通过网络根据loss学习特征获取每个特征通道的重要程度，实现有效的特征图feature map权重大，无效或效果小的特征图feature map权重小，进一步提高了模型的特征表达能力；
在模型的参数训练方面，输入训练集
Figure BDA0002903004100000041
通过预先采集到的训练集车辆图片，利用Triplet loss和Focal loss相结合的联合损失，使模型在训练过程中更加关注难分样本，增强模型对难分样本的鉴别能力，从而学习得到较好的特征提取模型φ(Xt,θ)，θ表示模型要学习到的权值参数。
进一步地，在逃逸车辆实时识别阶段，输入给定肇事逃逸车辆图片xq，基于训练好的重识别模型，提取其特征，然后基于欧氏距离的度量学习，与步骤(2)无人机采集到的候选区域的车辆图片提取的特征进行比对和重识别；
进一步地，步骤(4)具体包括：将与逃逸车辆欧氏距离最近的车辆图片所在的候选区域位置，即，与逃逸车辆相似度最高的车辆图片所在的候选区域位置确定为逃逸车辆所在的位置并传输至执勤人员，实现逃逸车辆的快速识别和追踪。
有益效果：与现有技术相比，本发明具有如下显著的优点：
(1)基于固定卡口交通流的预测，迅速判断逃逸车辆可能存在范围，缩短追踪预判的时间；利用带有摄像头的无人机移动平台进行跨视域多重协作，区域全覆盖搜索，克服常规办案因跨部门、多领域信息难以共享导致的实时性差的缺陷，提高破案效率；
(2)搭载5G技术为云计算提供可靠性强的网络环境，支持逃逸车辆追踪即时性要求较高的应用场景，适用智能识别所需的无线传输4K超高清视频；
(3)采用DenseNet121作为骨干网络，通过添加SE block，自动获取DenseNet121网络每一特征通道的重要程度，并根据其重要性对每一通道输出相应大小的权重，进而向深层传递加权后的通道特征，在特征传递过程中更加关注权重大即信息量最大的通道特征，有效降低冗余特征；与传统采用额外标注方法提取车辆的局部特征不同，本发明利用DenseNet121网络中层和深层特征的互补表达优势，抽取中间层的特征，直接将中间层特征与最终层特征拼接融合在一起，不仅获得有效的全局特征，而且能获得有鉴别力的局部特征，解决因深度网络模型规模不断扩大导致难以将其部署到云端的难题，为基于无人机的逃逸车辆提供了快速、可靠实用的重识别。
附图说明
图1为本发明的流程示意图；
图2为本发明的车载无人机运载平台系统；
图3为本发明的SE block结构示意图；
图4为本发明的基于改进DenseNet121的逃逸车辆重识别模型结构示意图；
图5为本发明的BP神经网络层；
图6为本发明的轻量化车辆重识别系统模型。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，一种基于车载无人机的逃逸车辆快速识别和追踪方法，具体包括如下步骤：
步骤1：构建逃逸车辆所在路段位置预测模型，预测肇事逃逸车辆在各路口出现的概率，并进行排序，将概率值最大的前三个区域作为候选区域。
具体包括两个阶段：一是逃逸车辆所在路段位置预测模型的网络训练阶段，二是预测模型的实时检测阶段：
在网络训练阶段，首先确定神经网络的结构，如图5所示，建立一个包括输入层、隐含层和输出层的逃逸车辆位置预测BP人工神经网络，其中，输入层节点数为8，包括肇事逃逸车辆的时间特征x0，肇事逃逸车辆的位置拓扑信息x1，肇事逃逸车辆的连接性特征x2，肇事逃逸车辆的天气特征x3以及肇事逃逸车辆用户的行为特征，其中用户行为特征又包括平均通行时间x4、平均速度x5、绕行率x6、方向信息x7这8维输入变量；隐藏层包括2层，每层节点数为8；输出层节点包括y0,y1,y2,y3,y4,y5,y6,...,ym，共m+1个路口的概率值；
接着收集网络的训练样本对网络进行训练，使用从交管部门得到的历史肇事逃逸车辆轨迹位置信息作为训练数据进行模型的训练，包括特征提取和模型训练两个方面；在特征提取方面，包括时间特征，位置拓扑信息、连接性特征、天气特征、用户行为特征，其中用户行为特征又包括平均通行时间、平均速度、绕行率、方向信息，提取的特征向量表达式为：
X＝(x0,x1,x2,x3,x4,x5,x6,x7)
x0表示肇事逃逸车辆当前样本点的时间特征，即当前样本点对应的肇事逃逸车辆在轨迹中的时间点；x1表示肇事逃逸车辆的位置拓扑信息，即当前路段到起始和终点的曼哈顿距离的比值；x2表示肇事逃逸车辆的连接性特征，即经过当前路段r的路径数占所有可能的路径数的比值；x3表示肇事逃逸车辆当前路段的天气特征；肇事逃逸车辆用户的行为特征，具体包括(1)在上一段轨迹中，该车辆轨迹的通行时间以及所有训练数据中通过相同相邻交通卡口的所有轨迹的平均通行时间x4，(2)在上一段轨迹中，该车辆轨迹的平均速度和训练数据中所有通过相同的相邻交通卡口的所有轨迹的平均速度x5，(3)该车辆在上一段轨迹中的绕行率x6，即恢复出来轨迹的总距离和两个监控卡口最短距离的比值，(4)该车辆在上一段轨迹中的方向信息x7；
在网络模型训练方面，通过输入训练数据，使用梯度下降法，最终通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小；
在逃逸车辆位置预测模型的实时检测阶段，实时采集两个路口间的特征向量x0～x5输入训练好的BP神经网络模型，计算并输出逃逸车辆在不同路口出现的概率值，然后将肇事车辆经过各区域的概率进行降序排列，查询排序较高的前三个区域作为候选逃逸车辆所在区域，从而缩小后续车辆图像重识别的检索范围，提高逃逸车辆快速识别和追踪的效率。
步骤2：利用带有摄像机的无人机对三个候选区域的车辆进行扫描，将扫描的车辆图片通过5G网络上传至云端。
车载无人机运载平台需具备平稳、精准落地、飞行灵活等特点。本发明采用带网孔的升降系统，能有效减少地面和升降平台反冲气流对无人机精确定位和降落的影响。同时，配合多传感器，其中，包括视觉传感器，精确降落在预定位置上。在飞行中，无人机运载平台所需稳定性极高，一旦失控便导致设备全部损坏且影响道路安全，本发明采用性能较好的大疆经纬Matrice 200V2系列套件作为机载平台。无人机通过无线传输模块接收地面终端控制系统发出的信号，飞行控制模块配合导航模块来确定飞机的飞行轨迹，最后将飞行轨迹数据反馈给地面终端。车载无人机运载平台系统具体如图2所示。
本发明基于预测的候选车辆所在区域的位置信息，使用车载无人机上的摄像头，进行所在区域的车辆进行扫描，并采用5G通信网络的低延迟、大宽带特性，解决数据传输的问题，将扫描图像快速上传至云端，为基于图像分析的逃逸车辆智能化识别提供可能。
步骤3：建立基于改进DenseNet121的轻量化逃逸车辆重识别模型，基于待查询逃逸车辆分别在每个候选区域的图片上进行车辆特征提取和重识别。
具体包括两个阶段，逃逸车辆重识别模型的训练阶段和实时识别阶段：
在模型的训练阶段，包括逃逸车辆重识别模型的结构设计和参数训练两个方面；在模型的结构设计方面，建立一个DenseNet121骨干网络；
DenseNet121是一种具有密集连接的卷积神经网络，基本思想是保证网络中层与层之间最大程度信息的传输，从而直接将所有层连接起来。主要特点是其中的各层网络不仅与下一层连接，而且与后面的每一层都直接连接，每一层的输入来自前面所有层的输出。
在网络的第l层的输出可以为：
xl＝Hl([x0,x1,...,xl-1])
Hi(.)表示非线性转化函数，它是一个组合操作。
通过添加SE block，自动获取DenseNet121网络每一特征通道的重要程度，并根据其重要性对每一通道的输出相应大小的权重，进而向深层传递加权后的通道特征。
一次获取P×K帧车辆图像，图像的大小被裁剪为256×256像素。经过随机擦除后的车辆图像由Improved DenseNet121提取特征，改进的DenseNet121如图4的上部分所示，在原DenseNet121的denseblock后都添加相应的SE block，SE block3、SE block4提取的特征分别为中层特征fmid与深层特征fhigh，将这两个特征拼接融合后得到最终的特征f，在之后添加了一个批处理标准化(BN)层，f经过一个BN层得到归一化特征fb。
具体为，在每一个denseblock模块后都添加一个SE block，SE block结构如图3所示，在DenseNet121每一个denseblock后通过添加SE block。对高H宽W通道为C的特征X使用全局平均池化作Squeeze操作，紧接着两个全连接层去建模通道间的相关性。给定reduction ratio r，通过全连接层进行特征降维，经过ReLU激活后再通过个全连接层升回到原来的维度，然后通过一个Sigmoid函数获得归一化的权重，最后通过一个scale的操作将归一化后的权重加权到每个通道的特征上得到向后传递的特征
Figure BDA0002903004100000081
添加SE block后可以通过网络根据loss去学习特征获取每个特征通道的重要程度即权重，使得有效的featuremap权重大，无效或效果小的feature map权重小，减少DenseNet121由于特征重用产生许多作用不大特征对识别效果的影响。
在模型的参数训练方面，输入训练集
Figure BDA0002903004100000082
通过预先采集到的训练集车辆图片，利用Triplet loss和Focal loss相结合的联合损失，使模型在训练过程中更加关注难分样本，增强模型对难分样本的鉴别能力，从而学习得到较好的特征提取模型φ(Xt,θ)，θ表示模型要学习到的权值参数。
在逃逸车辆实时识别阶段，输入给定肇事逃逸车辆图片xq，基于训练好的重识别模型，提取其特征，然后基于欧氏距离的度量学习，与步骤(2)无人机采集到的候选区域的车辆图片提取的特征进行比对和重识别。
步骤4：将逃逸车辆重识别率最高的图片所在候选区域的位置信息传输至执勤人员，完成肇事逃逸车辆的追踪。
如图6所示，将与逃逸车辆欧氏距离最近的车辆图片所在的候选区域位置，即，与逃逸车辆相似度最高的车辆图片所在的候选区域位置确定为逃逸车辆所在的位置并传输至执勤人员，从而实现逃逸车辆的快速识别和追踪。

Claims (9)

1.一种基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，包括如下步骤：
(1)构建逃逸车辆所在路段位置预测模型，预测肇事逃逸车辆在各路口出现的概率，并进行排序，将概率值最大的前三个区域作为候选区域；
(2)利用带有摄像机的无人机对三个候选区域的车辆进行扫描，将扫描的车辆图片通过5G网络上传至云端；
(3)建立基于改进DenseNet121的轻量化逃逸车辆重识别模型，基于待查询逃逸车辆分别在每个候选区域的图片上进行车辆特征提取和重识别；
(4)将逃逸车辆重识别率最高的图片所在候选区域的位置信息传输至执勤人员，完成肇事逃逸车辆的追踪。
2.根据权利要求1所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，步骤(1)具体包括两个阶段：一是逃逸车辆所在路段位置预测模型的网络训练阶段，二是逃逸车辆位置预测模型的实时检测阶段。
3.根据权利要求2所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，在所述的网络训练阶段，建立一个包括输入层、隐含层和输出层的逃逸车辆位置预测BP人工神经网络，其中，输入层节点数为8，包括肇事逃逸车辆的时间特征x0，肇事逃逸车辆的位置拓扑信息x1，肇事逃逸车辆的连接性特征x2，肇事逃逸车辆的天气特征x3以及肇事逃逸车辆用户的行为特征，其中用户行为特征又包括平均通行时间x4、平均速度x5、绕行率x6、方向信息x7这8维输入变量；隐藏层包括2层，每层节点数为8；输出层节点包括y0,y1,y2,y3,y4,y5,y6,...,ym，共m+1个路口的概率值。
4.根据权利要求3所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，在所述的网络训练阶段还包括收集网络的训练样本对网络进行训练，使用从交管部门得到的历史肇事逃逸车辆轨迹位置信息作为训练数据进行模型的训练，包括特征提取和模型训练两个方面：
在特征提取方面，包括时间特征、位置拓扑信息、连接性特征、天气特征、用户行为特征，其中用户行为特征又包括平均通行时间、平均速度、绕行率、方向信息，提取的特征向量表达式为：
X＝(x0,x1,x2,x3,x4,x5,x6,x7)
x0表示肇事逃逸车辆当前样本点的时间特征，即当前样本点对应的肇事逃逸车辆在轨迹中的时间点；x1表示肇事逃逸车辆的位置拓扑信息，即当前路段到起始和终点的曼哈顿距离的比值；x2表示肇事逃逸车辆的连接性特征，即经过当前路段r的路径数占所有可能的路径数的比值；x3表示肇事逃逸车辆当前路段的天气特征；
肇事逃逸车辆用户的行为特征，具体包括
(1)在上一段轨迹中，该车辆轨迹的通行时间以及所有训练数据中通过相同相邻交通卡口的所有轨迹的平均通行时间x4；
(2)在上一段轨迹中，该车辆轨迹的平均速度和训练数据中所有通过相同的相邻交通卡口的所有轨迹的平均速度x5：
(3)该车辆在上一段轨迹中的绕行率x6，即恢复出来轨迹的总距离和两个监控卡口最短距离的比值：
(4)该车辆在上一段轨迹中的方向信息x7；
在网络模型训练方面，通过输入训练数据，使用梯度下降法，最终通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
5.根据权利要求3所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，在所述的逃逸车辆位置预测模型的实时检测阶段，实时采集两个路口间的特征向量x0～x5输入训练好的BP神经网络模型，计算并输出逃逸车辆在不同路口出现的概率值，然后将肇事车辆经过各区域的概率进行降序排列，查询排序较高的前三个区域作为候选逃逸车辆所在区域。
6.根据权利要求1所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，所述步骤(3)具体包括两个阶段：逃逸车辆重识别模型的训练阶段和实时识别阶段。
7.根据权利要求6所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，所述训练阶段，包括逃逸车辆重识别模型的结构设计和参数训练两个方面：
在模型的结构设计方面，建立一个DenseNet121骨干网络，通过添加SE block，自动获取DenseNet121网络每一特征通道的重要程度，并根据重要性对每一通道输出相应大小的权重，进而向深层传递加权后的通道特征；对高H宽W通道为C的特征X使用全局平均池化作压缩操作，紧接着两个全连接层去建模通道间的相关性；给定压缩率r，通过全连接层进行特征降维，经过ReLU激活后再通过全连接层升回到原来的维度，通过一个Sigmoid函数获得归一化的权重，通过一个加权scale操作将归一化后的权重加权到每个通道的特征上得到向后传递的特征
Figure FDA0002903004090000031
添加SE block后，通过网络根据loss学习特征获取每个特征通道的重要程度，实现有效的特征图feature map权重大，无效或效果小的特征图feature map权重小，；
在模型的参数训练方面，输入训练集
Figure FDA0002903004090000032
通过预先采集到的训练集车辆图片，利用Triplet loss和Focal loss相结合的联合损失，使模型在训练过程中更加关注难分样本，增强模型对难分样本的鉴别能力，从而学习得到较好的特征提取模型φ(Xt,θ)，θ表示模型要学习到的权值参数。
8.根据权利要求6所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，所述实时识别阶段，输入给定肇事逃逸车辆图片xq，基于训练好的重识别模型，提取其特征，基于欧氏距离的度量学习，与步骤(2)无人机采集到的候选区域的车辆图片提取的特征进行比对和重识别。
9.根据权利要求1所述的基于车载无人机的逃逸车辆快速识别和追踪方法，其特征在于，所述步骤(4)具体包括：将与逃逸车辆欧氏距离最近的车辆图片所在的候选区域位置，即，与逃逸车辆相似度最高的车辆图片所在的候选区域位置确定为逃逸车辆所在的位置并传输至执勤人员，实现逃逸车辆的快速识别和追踪。
CN202110062889.6A 2021-01-18 2021-01-18 一种基于车载无人机的逃逸车辆快速识别和追踪方法 Active CN112863186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110062889.6A CN112863186B (zh) 2021-01-18 2021-01-18 一种基于车载无人机的逃逸车辆快速识别和追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110062889.6A CN112863186B (zh) 2021-01-18 2021-01-18 一种基于车载无人机的逃逸车辆快速识别和追踪方法

Publications (2)

Publication Number Publication Date
CN112863186A true CN112863186A (zh) 2021-05-28
CN112863186B CN112863186B (zh) 2022-06-10

Family

ID=76006549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110062889.6A Active CN112863186B (zh) 2021-01-18 2021-01-18 一种基于车载无人机的逃逸车辆快速识别和追踪方法

Country Status (1)

Country Link
CN (1) CN112863186B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516106A (zh) * 2021-09-08 2021-10-19 深圳联和智慧科技有限公司 基于城市管理的无人机智能车辆识别方法及系统
CN115512154A (zh) * 2022-09-21 2022-12-23 东南大学 基于深度学习神经网络的高速公路车辆图像检索方法
CN115731436A (zh) * 2022-09-21 2023-03-03 东南大学 基于深度学习融合模型的高速公路车辆图像检索方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868691A (zh) * 2016-03-08 2016-08-17 中国石油大学(华东) 基于快速区域卷积神经网络的城市车辆追踪方法
CN205862593U (zh) * 2016-08-10 2017-01-04 安徽钰龙信息科技有限公司 基于车载无人机移动治理超载超限的跟踪系统
CN107293125A (zh) * 2017-07-03 2017-10-24 武汉理工大学 一种基于无人机的逃逸车辆识别跟踪系统
CN209103529U (zh) * 2018-11-16 2019-07-12 重庆盛海科技发展有限公司 智能交通违法抓拍系统
CN111862576A (zh) * 2019-04-28 2020-10-30 奥迪股份公司 追踪嫌疑目标的方法及相应的车辆、服务器、系统和介质
CN111914664A (zh) * 2020-07-06 2020-11-10 同济大学 基于重识别的车辆多目标检测和轨迹跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868691A (zh) * 2016-03-08 2016-08-17 中国石油大学(华东) 基于快速区域卷积神经网络的城市车辆追踪方法
CN205862593U (zh) * 2016-08-10 2017-01-04 安徽钰龙信息科技有限公司 基于车载无人机移动治理超载超限的跟踪系统
CN107293125A (zh) * 2017-07-03 2017-10-24 武汉理工大学 一种基于无人机的逃逸车辆识别跟踪系统
CN209103529U (zh) * 2018-11-16 2019-07-12 重庆盛海科技发展有限公司 智能交通违法抓拍系统
CN111862576A (zh) * 2019-04-28 2020-10-30 奥迪股份公司 追踪嫌疑目标的方法及相应的车辆、服务器、系统和介质
CN111914664A (zh) * 2020-07-06 2020-11-10 同济大学 基于重识别的车辆多目标检测和轨迹跟踪方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516106A (zh) * 2021-09-08 2021-10-19 深圳联和智慧科技有限公司 基于城市管理的无人机智能车辆识别方法及系统
CN115512154A (zh) * 2022-09-21 2022-12-23 东南大学 基于深度学习神经网络的高速公路车辆图像检索方法
CN115731436A (zh) * 2022-09-21 2023-03-03 东南大学 基于深度学习融合模型的高速公路车辆图像检索方法
CN115731436B (zh) * 2022-09-21 2023-09-26 东南大学 基于深度学习融合模型的高速公路车辆图像检索方法

Also Published As

Publication number Publication date
CN112863186B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN112863186B (zh) 一种基于车载无人机的逃逸车辆快速识别和追踪方法
CN103679674B (zh) 一种无人飞行器实时图像拼接方法及系统
CN110717387B (zh) 一种基于无人机平台的实时车辆检测方法
CN111985325B (zh) 特高压环境评价中的航拍小目标快速识别方法
EP3690744B1 (en) Method for integrating driving images acquired from vehicles performing cooperative driving and driving image integrating device using same
Sheppard et al. Real-time scene understanding for UAV imagery based on deep convolutional neural networks
CN114677507A (zh) 一种基于双向注意力网络的街景图像分割方法及系统
CN114998251B (zh) 一种基于联邦学习的空中多视觉平台地面异常检测方法
CN112071075B (zh) 逃逸车辆重识别方法
CN113052106A (zh) 一种基于PSPNet网络的飞机起降跑道识别方法
CN112862171A (zh) 一种基于时空神经网络的航班到达时间预测方法
CN114089786A (zh) 一种基于无人机视觉的沿山区公路自主巡检系统
CN116222579A (zh) 一种基于建筑施工的无人机巡察方法及系统
CN109359545B (zh) 复杂低空环境下一种协同监视方法与装置
CN113553949B (zh) 一种基于摄影测量数据的尾矿库语义分割方法
CN109215059B (zh) 一种航拍视频中运动车辆跟踪的局部数据关联方法
Cui et al. Optimizing Internet of Things-based intelligent transportation system’s information acquisition using deep learning
CN117558158A (zh) 一种基于无人机场组网的静态交通常态化巡检系统和方法
CN116310894B (zh) 一种基于无人机遥感的小样本小目标藏羚羊智能识别方法
CN114592411B (zh) 一种载体寄生式公路损坏智能巡查方法
Ichim et al. Flooded areas evaluation from aerial images based on convolutional neural network
CN116229424A (zh) 基于改进YOLO v3的智能网联汽车行人检测方法
CN114743168A (zh) 基于深度学习的行车风险源识别评估方法及系统
CN113721255B (zh) 基于激光雷达与视觉融合的列车站台停车点精准检测方法
Xia et al. Research on Traffic Accident Detection Based on Vehicle Perspective

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
GR01 Patent grant
GR01 Patent grant