CN212009589U - 一种基于深度学习的视频识别行车车轨迹获取装置 - Google Patents

Abstract

本实用新型公开了一种基于深度学习的视频识别行车车轨迹获取装置，包括采集车辆行驶轨迹的摄像机、视频转换器、图像处理单元、用于搭载神经网络模型的存储单元、显示单元、ARM处理器和对电源电压进行转换的电压转换单元；通过摄像机采集车辆的行驶轨迹，并输入到搭建的神经网络模型里进行训练，能够得到一个车辆行驶轨迹预测模型，通过基于深度学习构建出车辆行驶轨迹预测模型，只需要向车辆行驶轨迹预测模型输入车辆运动信息，就能够准确输出车辆的行驶轨迹，并不需要采用GPS厘米级别的高精度技术，同时，只需要通过摄像机实时采集车辆的运动数据，就能够比较完整地还原真实道路情况，解决了现有技术存在的数据和自然驾驶实验存在一定的差异性的问题。

Description

一种基于深度学习的视频识别行车车轨迹获取装置

技术领域

本实用新型涉及行车轨迹获取技术领域，尤其涉及一种基于深度学习的视频识别行车车轨迹获取装置。

背景技术

行车轨迹对于每位驾驶人员来说都有很重要的意义，通过行车轨迹可以了解车辆行驶的具体路线，也同时可以作为交通事故的判别依据，在道路设计和道路交通安全领域，行车轨迹可以作为路线设计的理论基础，同时行车轨迹的偏移程度还和道路安全息息相关。

目前获取汽车行驶轨迹的方法，可分为两大类，一类是通过终端软件获取GPS信息进行数据储存与GPS数据拼凑成像，这种处理方法非常依赖于GPS的精度，在高速移动的车辆中，目前的GPS厘米级别的高精度技术比较难实现；另一类是将真实的道路环境建立道路状况三维建模，通过模拟驾驶的多自由度驾驶仓也可得到相关的车辆行驶轨迹，但模拟驾驶实验难以完全还原真实道路情况，数据和自然驾驶实验存在一定的差异性。

实用新型内容

有鉴于此，本实用新型提出一种基于深度学习的视频识别行车车轨迹获取装置，可以解决现有行车车轨迹获取所存在的难以实现高精度和存在差异性等缺陷。

本实用新型的技术方案是这样实现的：

一种基于深度学习的视频识别行车车轨迹获取装置，包括采集车辆行驶轨迹的摄像机、视频转换器、图像处理单元、用于搭载神经网络模型的存储单元、显示单元、ARM处理器和对电源电压进行转换的电压转换单元，所述摄像机分别与所述视频转换器和所述ARM处理器连接，所述视频转换器与所述图像处理单元连接，所述图像处理单元与所述存储单元连接，所述存储单元分别与所述ARM处理器和所述显示单元连接，所述摄像机、视频转换器、图像处理单元、存储单元、显示单元和ARM处理器分别与所述电压转换单元连接。

作为所述基于深度学习的视频识别行车车轨迹获取装置的进一步可选方案，所述神经网络模型包括卷积层、池化层和全连接层。

作为所述基于深度学习的视频识别行车车轨迹获取装置的进一步可选方案，所述图像处理单元采用FPGA芯片作为图像处理中心。

作为所述基于深度学习的视频识别行车车轨迹获取装置的进一步可选方案，所述电压转换单元包括用于对电源电压进行滤波处理的滤波电路和用于将电源电压转换为工作电压的电压转换电路。

作为所述基于深度学习的视频识别行车车轨迹获取装置的进一步可选方案，所述摄像机上还设置有与ARM处理器连接并用于照射目标的红外夜视仪。

作为所述基于深度学习的视频识别行车车轨迹获取装置的进一步可选方案，所述摄像机上还设置有与ARM处理器连接并用于检测周围环境光线强度的光线传感器，所述ARM处理器用于根据光线传感器的检测结果控制红外夜视仪的工作状态。

本实用新型的有益效果是：通过摄像机采集车辆的行驶轨迹，并输入到搭建的神经网络模型里进行训练，能够得到一个车辆行驶轨迹预测模型，通过基于深度学习构建出车辆行驶轨迹预测模型，只需要向车辆行驶轨迹预测模型输入车辆运动信息，就能够准确输出车辆的行驶轨迹，并不需要采用GPS厘米级别的高精度技术，解决了现有技术存在的GPS厘米级别高精度技术难实现的问题，同时，只需要通过摄像机实时采集车辆的运动数据，就能够比较完整地还原真实道路情况，解决了现有技术存在的数据和自然驾驶实验存在一定的差异性的问题。

附图说明

为了更清楚地说明本实用新型实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实用新型的一些实施例，对于本领域普通技术人员来讲，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的附图。

图1为本实用新型一种基于深度学习的视频识别行车车轨迹获取装置的组成示意图。

具体实施方式

下面将对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本实用新型的一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，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它实施例，都属于本实用新型保护的范围。

参考图1，一种基于深度学习的视频识别行车车轨迹获取装置，包括采集车辆行驶轨迹的摄像机、视频转换器、图像处理单元、用于搭载神经网络模型的存储单元、显示单元、ARM处理器和对电源电压进行转换的电压转换单元，所述摄像机分别与所述视频转换器和所述ARM处理器连接，所述视频转换器与所述图像处理单元连接，所述图像处理单元与所述存储单元连接，所述存储单元分别与所述ARM处理器和所述显示单元连接，所述摄像机、视频转换器、图像处理单元、存储单元、显示单元和ARM处理器分别与所述电压转换单元连接。

具体为，首先需要通过摄像机获取车辆的行车轨迹作为训练数据，获取车辆行车轨迹的方法依靠监控高速公路作为视频数据的来源，当采集好视频数据之后，通过视频转换器将视频数据转换成图片集，所述转换按照20帧每秒转换为图片数据集，并将图片集进行划分，图片集划分好后，通过图像处理单元对图片数据进行预处理，然后将预处理后的图片数据输入到存储单元中的神经网络模型进行训练，得到一个车辆行驶轨迹预测模型，最后通过ARM处理器使用安装在无人机上的摄像机获取包括车辆实时运动信息的视频数据，输入至预测模型进行识别，预测模型就会输出车辆的行驶轨迹至显示单元进行显示。

在本实施例中，通过摄像机采集车辆的行驶轨迹，并输入到搭建的神经网络模型里进行训练，能够得到一个车辆行驶轨迹预测模型，通过基于深度学习构建出车辆行驶轨迹预测模型，只需要向车辆行驶轨迹预测模型输入车辆运动信息，就能够准确输出车辆的行驶轨迹，并不需要采用GPS的精度，解决了现有技术存在的GPS厘米级别高精度技术难实现的问题，同时，只需要通过摄像机实时采集车辆的运动数据，就能够比较完整地还原真实道路情况，解决了现有技术存在的数据和自然驾驶实验存在一定的差异性的问题；

需要说明的是，监控高速公路时，从监控时段、监控场景和监控线形获取足够数量的视频，并且保证视频样式的多样性，使得基本样本数据足够具有代表性和普适性，所述监控时段包括早上、中午和晚上，因为在不同照度和亮度的影响下，车辆的行驶轨迹有所不同，视频的采集需要需要考虑早中晚不同情景下的数据，保证视频数据具有的多样性；所述监控场景包括自由流、稳定流和阻塞流，因为高速公路车辆行驶的交通流可以根据交通密度的大小，分为自由流，稳定流和阻塞流，不同交通流状态下车辆不同，故需要考虑不同交通流下的视频数据；所述监控线形包括直线、上坡和曲线段，因为道路的设计基础便是道路线形设计，道路设计的线性不同会影响车辆的行驶速度，行驶轨迹，需要考虑各种平纵组合下的线性下的车辆行驶轨迹，如平直路段，上坡路段等，车辆的行驶轨迹尤其在曲线段行驶的研究极其具有价值；同时，所述图片数据集划分成训练集、验证集和测试集，所述训练集用于训练模型，所述验证集用于初步评估训练结果，会多次使用便于调参，以及观察是否发生过拟合，也可以验证哪个算法更好，选出最好的模型，所述测试集用于测试挑选出来的模型的性能；此外，在训练神经网络模型时，采用以下损失函数：

其中，X_i和Y_i为训练集的标定所得的精确值，X_i'和Y_i'为初步神经网络模型获得的预测值，n为测试样例数目。

优选的，所述神经网络模型包括卷积层、池化层和全连接层。

在本实施例中，卷积层的主要作用是生成图像的特征数据，它的操作主要包括窗口滑动以及局部关联两个方面，窗口滑动即通过卷积核在图像中滑动，与图像局部数据卷积，生成特征图；局部关联即每一个神经元只对周围局部感知，综合局部的特征信息得到全局特征，卷积操作后，需要使用RELU等激励函数对卷积结果进行非线性映射，保证网络模型的非线性；

池化层是对特征数据进行聚合统计，降低特征映射的维度，减少出现过拟合，池化的方法有最大池化和均值池化两种，根据检测目标的内容选择池化方法，最大池化的主要作用是对图片的纹理特征进行保留提取，而均值池化主要是对图片的背景特征进行提取，为了使学习到的数据特征更加全局化，数据会经过多层卷积池化操作，再输入到全连接层；

全连接层会将池化后的多组数据特征组合成一组信号数据输出，进行图片类别识别。

优选的，所述图像处理单元采用FPGA芯片作为图像处理中心。

在本实施例中，通过采用FPGA芯片作为图像处理中心对图像数据进行预处理，所述预处理包括特征提取，特征降维、特征空值处理、特征转换、特征归一化、目标值空值处理和目标值转换，通过对图像数据进行预处理，能够使得训练数据更加有用，训练出的预测模型预测效果更加地准确。

优选的，所述电压转换单元包括用于对电源电压进行滤波处理的滤波电路和用于将电源电压转换为工作电压的电压转换电路。

优选的，所述摄像机上还设置有与ARM处理器连接并用于照射目标的红外夜视仪。

在本实施例中，当周围环境光线较暗的时候，可以利用红外夜视仪的红外探照灯去照射目标，以确保摄像机可以采集到清晰的视频数据，避免视频数据被周围光线环境影响而导致神经网络模型的训练数据提供不够准确，从而引起预测网络的判断，进一步提高预测网络的预测准确性。

优选的，所述摄像机上还设置有与ARM处理器连接并用于检测周围环境光线强度的光线传感器，所述ARM处理器用于根据光线传感器的检测结果控制红外夜视仪的工作状态。

在本实施例中，通过设置光线传感器，能够检测出摄像机所处环境的光线，并通过检测到的光线强弱对红外夜视仪进行控制，具体为，当光线传感器检测到周围环境光线强度较暗时，所述ARM处理器单元控制红外夜视仪开启工作；当光线传感器检测到周围环境光线强度变亮时，所述ARM处理器单元控制红外夜视仪停止工作，起到节能的作用，此外，还能够有效降低红外夜视仪的使用时间，从而提高红外夜视仪的使用寿命。

以上所述仅为本实用新型的较佳实施方式而已，并不用以限制本实用新型，凡在本实用新型的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。

Claims (5)

1.一种基于深度学习的视频识别行车车轨迹获取装置，其特征在于，包括采集车辆行驶轨迹的摄像机、视频转换器、图像处理单元、用于搭载神经网络模型的存储单元、显示单元、ARM处理器和对电源电压进行转换的电压转换单元，所述摄像机分别与所述视频转换器和所述ARM处理器连接，所述视频转换器与所述图像处理单元连接，所述图像处理单元与所述存储单元连接，所述存储单元分别与所述ARM处理器和所述显示单元连接，所述摄像机、视频转换器、图像处理单元、存储单元、显示单元和ARM处理器分别与所述电压转换单元连接。

2.根据权利要求1所述的基于深度学习的视频识别行车车轨迹获取装置，其特征在于，所述图像处理单元采用FPGA芯片作为图像处理中心。

3.根据权利要求2所述的基于深度学习的视频识别行车车轨迹获取装置，其特征在于，所述电压转换单元包括用于对电源电压进行滤波处理的滤波电路和用于将电源电压转换为工作电压的电压转换电路。

4.根据权利要求3所述的基于深度学习的视频识别行车车轨迹获取装置，其特征在于，所述摄像机上还设置有与ARM处理器连接并用于照射目标的红外夜视仪。

5.根据权利要求4所述的基于深度学习的视频识别行车车轨迹获取装置，其特征在于，所述摄像机上还设置有与ARM处理器连接并用于检测周围环境光线强度的光线传感器，所述ARM处理器用于根据光线传感器的检测结果控制红外夜视仪的工作状态。

Images