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
一种基于深度学习的视频识别行车车轨迹获取装置 Download PDFInfo
- Publication number
- CN212009589U CN212009589U CN202020557879.0U CN202020557879U CN212009589U CN 212009589 U CN212009589 U CN 212009589U CN 202020557879 U CN202020557879 U CN 202020557879U CN 212009589 U CN212009589 U CN 212009589U
- Authority
- CN
- China
- Prior art keywords
- vehicle
- camera
- image processing
- deep learning
- driving
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
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
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,Xi和Yi为训练集的标定所得的精确值,Xi'和Yi'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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202020557879.0U CN212009589U (zh) | 2020-04-15 | 2020-04-15 | 一种基于深度学习的视频识别行车车轨迹获取装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202020557879.0U CN212009589U (zh) | 2020-04-15 | 2020-04-15 | 一种基于深度学习的视频识别行车车轨迹获取装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN212009589U true CN212009589U (zh) | 2020-11-24 |
Family
ID=73413385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202020557879.0U Active CN212009589U (zh) | 2020-04-15 | 2020-04-15 | 一种基于深度学习的视频识别行车车轨迹获取装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN212009589U (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034916A (zh) * | 2021-03-31 | 2021-06-25 | 北京同方软件有限公司 | 一种多任务的交通事件及交通参数计算方法 |
CN113689671A (zh) * | 2021-07-20 | 2021-11-23 | 广州市炬盾科技发展有限公司 | 一种城市地下空间安防警报方法及系统 |
CN114566052A (zh) * | 2022-04-27 | 2022-05-31 | 华南理工大学 | 一种基于车流方向判别高速公路车流监控设备转动的方法 |
-
2020
- 2020-04-15 CN CN202020557879.0U patent/CN212009589U/zh active Active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034916A (zh) * | 2021-03-31 | 2021-06-25 | 北京同方软件有限公司 | 一种多任务的交通事件及交通参数计算方法 |
CN113034916B (zh) * | 2021-03-31 | 2022-07-01 | 北京同方软件有限公司 | 一种多任务的交通事件及交通参数计算方法 |
CN113689671A (zh) * | 2021-07-20 | 2021-11-23 | 广州市炬盾科技发展有限公司 | 一种城市地下空间安防警报方法及系统 |
CN114566052A (zh) * | 2022-04-27 | 2022-05-31 | 华南理工大学 | 一种基于车流方向判别高速公路车流监控设备转动的方法 |
CN114566052B (zh) * | 2022-04-27 | 2022-08-12 | 华南理工大学 | 一种基于车流方向判别高速公路车流监控设备转动的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN212009589U (zh) | 一种基于深度学习的视频识别行车车轨迹获取装置 | |
CN106680281B (zh) | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 | |
CN109389046B (zh) | 用于自动驾驶的全天候物体识别与车道线检测方法 | |
CN108509954A (zh) | 一种实时交通场景的多车牌动态识别方法 | |
CN105844257A (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN103942560B (zh) | 一种智能交通监控系统中的高分辨率视频车辆检测方法 | |
CN107729951B (zh) | 一种考虑道路与环境特征的驾驶员行为分析装置及方法 | |
CN109086803B (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
CN112329533B (zh) | 一种基于图像分割的局部路面附着系数估计方法 | |
CN111340151A (zh) | 一种用于辅助车辆自动驾驶的天气现象识别系统和方法 | |
CN112735164B (zh) | 测试数据构建方法及测试方法 | |
CN110991221A (zh) | 一种基于深度学习的动态交通闯红灯识别方法 | |
CN111723697A (zh) | 一种基于Mask-RCNN改进的驾驶员背景分割方法 | |
CN110069982A (zh) | 一种交通车辆与行人的自动识别方法 | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
CN111060926B (zh) | 一种雨量计算系统和方法 | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
CN116796158A (zh) | 收集车辆智能化评估数据的方法、系统及车辆 | |
CN111723695A (zh) | 基于改进的Yolov3驾驶员关键子区域识别和定位方法 | |
CN114613144B (zh) | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 | |
CN112193245B (zh) | 一种考虑驾驶员模糊感知的深度学习跟驰预测方法 | |
CN115170783A (zh) | 一种使用街景图像的快速公路路面裂缝检测方法 | |
CN116597404B (zh) | 基于多源传感器融合的可持续道路异常检测方法与系统 | |
CN113504056A (zh) | 一种自动驾驶汽车测试评价系统及方法 | |
CN113343817A (zh) | 一种面向目标区域的无人车路径检测方法、装置及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |