一种针对低头族行人的安全警示系统及安全警示方法与流程

本发明属于交通管理领域，具体涉及一种针对低头族行人的安全警示系统及安全警示方法。
背景技术：
：现有“低头族”警示产品较少，有提示型手机软件和交叉口行人警示系统等，都有警示行人、促进交通安全的功能。但现有的软件或系统，基本无法识别道路上的“低头族”行人并予以警示，无针对性。手机软件的缺陷会导致使用手机者在安全的环境下或必须持续使用手机时得到软件提示，给使用者带来不舒适的体验；且现有常用的道路上的普通交叉口行人警示系统具有以下缺陷：即道路上没有低头族行人的情况下仍然有持续及多余的警示语音。因此，需要研究一种针对低头族行人的安全警示系统及方法来解决上述技术问题。技术实现要素：本发明所要解决的技术问题是针对上述现有技术的不足提供一种针对低头族行人的安全警示系统及安全警示方法，本针对低头族行人的安全警示系统及安全警示方法基于图像识别技术有效的识别出道路上的行人是否属于低头族行人，并进行相应的警示，为行人带来舒适的体验，促进交通安全。为实现上述技术目的，本发明采取的技术方案为：一种针对低头族行人的安全警示系统，包括行人信息采集设备、低头族识别系统和警示提醒设备；所述行人信息采集设备用于采集道路上的行人视频数据并传输至低头族识别系统进行分析处理；所述低头族识别系统用于通过opencv将视频转化为图片，用于采用基于tensorflow的objectdetectionapi训练用于识别低头族行人的rcnn模型，并用于通过训练完成的rcnn模型对转化后的图片进行识别，判断图片中是否存在低头族行人；所述警示提醒设备用于当低头族识别系统从图片中识别出低头族行人时对道路上的行人进行提醒；其中行人信息采集设备采用摄像头，低头族识别系统采用计算机分析装置，警示提醒设备采用警示喇叭。为实现上述技术目的，本发明采取的另一个技术方案为：一种针对低头族行人的安全警示方法，包括以下步骤：步骤1：采集道路上的行人视频数据，使用opencv将视频转化为图片，该图片为待识别图片；步骤2：采用基于tensorflow的objectdetectionapi训练用于识别低头族行人的rcnn模型；步骤3：通过训练完成的rcnn模型对步骤(1)中的待识别图片进行识别；步骤4：若从待识别图片中识别出低头族行人，则对道路上的行人进行提醒。作为本发明进一步改进的技术方案，所述的步骤1包括：在道路上安装摄像头和警示喇叭，通过摄像头采集道路上的行人视频数据，使用opencv对视频数据进行处理，将视频转化为图片，并将待识别图片保存至指定路径。作为本发明进一步改进的技术方案，所述的步骤1中在道路上安装摄像头和警示喇叭具体包括：若道路为双向行人道路，则在道路两侧皆安装摄像头；若道路为单向行人道路，则在道路一侧安装摄像头；将警示喇叭安装在摄像头下方。作为本发明进一步改进的技术方案，所述的步骤2包括：(a)选取若干个具有低头族行人的图片作为数据集样本；(b)利用标注工具将步骤(a)中每个图片中的低头族行人使用矩形框框选出，获取每个图片中矩形框的顶点坐标，并对矩形框内的对象标注类别标签；(c)将每个图片、每个图片中矩形框的顶点坐标以及矩形框内的对象类别标签均写入csv格式的表格文件中，将表格文件转化为tensorflow专用格式的数据文件，即tfrecord文件；(d)将步骤(c)中的数据文件作为rcnn模型的输入值且采用基于tensorflow的objectdetectionapi训练用于识别低头族行人的rcnn模型，得到训练完成的用于识别低头族行人的rcnn模型。作为本发明进一步改进的技术方案，所述的步骤3包括：通过训练完成的用于识别低头族行人的rcnn模型对步骤1中的指定路径中的待识别图片进行识别。作为本发明进一步改进的技术方案，所述的步骤4包括：若从待识别图片中识别出低头族行人，则通过警示喇叭对道路上的行人进行提醒，否则，不提醒。本发明的有益效果为：本发明以警示低头族行人为研究对象，通过安置于路边的摄像头采集行人影像、按固定帧数从影像数据中提取图片并将图片作为rcnn模型的输入值，通过图像识别技术识别出低头族行人，若识别出低头族行人，则通过警示喇叭对道路上的行人进行提醒，从而进一步减少了道路上的低头族行人，促进交通安全；当没有识别出低头族行人时，没有持续及多余的警示语音；另外，与提示型手机软件相比，本发明能给行人带来更加舒适的体验。本发明中的系统安装后即可实现无需人工、全自动、全天运作，效率高，实用性强，可广泛应用于交通管理中并为道路交通安全提供保障。附图说明图1为摄像头双侧布设示意图。图2为摄像头单侧布设示意图。具体实施方式下面根据图1至图2对本发明的具体实施方式作出进一步说明：本实施例提供一种针对低头族行人的安全警示系统，包括行人信息采集设备、低头族识别系统和警示提醒设备，其中行人信息采集设备、低头族识别系统和警示提醒设备均连接有供电电源；所述行人信息采集设备采用摄像头，所述低头族识别系统采用计算机分析装置，所述警示提醒设备采用警示喇叭。所述摄像头用于采集道路上的行人视频数据并传输至计算机分析装置进行分析处理；所述计算机分析装置用于通过opencv将视频转化为图片，用于采用基于tensorflow的objectdetectionapi训练用于识别低头族行人的rcnn模型，并用于通过训练完成的rcnn模型对图片进行识别，判断图片中是否存在低头族行人；所述警示喇叭用于在计算机分析装置的控制指令下(即当计算机分析装置从图片中识别出低头族行人时)对道路上的行人进行提醒。本实施例的安全警示系统中摄像头和警示喇叭的安装方法：一、路侧摄像头的安装：为解决有单向或双向行人道路的视频采集问题，本实施例有两种布设方式：(1)道路两侧皆安装多个摄像头：用于双向行人道路，能采集整个路面的视频信息，如图1所示，图1中1为摄像头。正常情况下，行人沿着图1中的人行道路长度方向行走，设行人正侧面为0°则α为正面能够识别行人的最大角度；β为背面能够识别的最大角度。l为同侧相邻摄像头之间的间距。人行道路的横向宽度为h，则a＝h·tanβ，b＝h·tanα。同一路侧l＝a+b＝h(tanα+tanβ)。(2)道路一侧安装多个摄像头：用于单向行人道路。这种方式能采集到单面摄像头可视角度区域的视频信息，如图2所示，图2中1为摄像头。同理图1中摄像头的安装方式，图2中相邻摄像头之间的距离为l＝2a＝2tanβ。现对α和β的角度范围的选取做出说明：本实施例设定：当处于某角度范围内的图片中低头族行人识别成功率为90％以上时，则该角度范围包含在摄像头所能覆盖的区域内。每个角度范围各选取100张图片，识别成功记作有效。表1为不同角度范围的图片中低头族行人的识别率：角度范围有效图片数图片总数识别率0～309810098％30～609910099％60～909410094％0～-309110091％-30及以上8310083％因此得出：α角的角度范围是0°～90°,β角的角度范围是0°～-30°。二、警示喇叭的安装：位于摄像头下方。本实施例的每个摄像头均连接一个计算机分析装置，每个摄像头下方均对应安装一个警示喇叭。或者：每个摄像头下方均对应安装一个警示喇叭，但一个计算机分析装置同时连接多个摄像头，工作时，计算机分析装置分别处理并分析多个摄像头采集的视频数据，当从某一摄像头采集的视频数据中分析出低头族行人后，则控制该摄像头下方对应的警示喇叭进行警示工作。本实施例还根据上述安全警示系统还提供一种安全警示方法，包括：1、通过摄像头采集视频影像数据：本实施例安全警示方法中的摄像头和警示喇叭的安装方式与安全警示系统中的安装方式相同；由若干摄像头采集道路上的行人视频数据，并使用opencv(一个计算机视觉库，可对视频进行多种方式的处理)将视频转化为图片，该图片为待识别图片，并将转化后的图片保存至指定路径，用于后续的计算机分析装置根据低头族的动作特征进行识别；2、基于图像识别技术对待识别图片中低头族行人进行识别：为了使针对低头族行人的图像识别结果清晰明了，本实施例采用基于tensorflow(基于数据流模型的编程软件，广泛应用于深度学习和神经网络算法)搭建的objectdetectionapi。objectdetection的功能是通过调用提前训练好的模型，根据模型判断待识别图片中对象的类别(即是否属于低头族行人)，并获取其位置，进而根据位置信息输出矩形框将对象框出。该api提供了对完整代码的简易接口，使用者可以直接套用，也可以进行简易的修改实现自己的需求。因此可以通过此api，训练一个用于识别低头族行人的rcnn模型，只对图片中低头族的行人进行识别。3、采用科学方法进行提醒：通过实验得出，为达到可观效果，当检测到待识别图片中存在有低头族行人时，道路上的警示喇叭进行提醒且提醒时需要至少连续提醒三次，且使用提醒标语“走路不要玩手机”。本实施例的安全警示方法中的基于图像识别技术对待识别图片中低头族行人进行识别的操作过程具体包括以下步骤：一、采用基于tensorflow的objectdetectionapi训练用于识别低头族行人的rcnn模型：(1)数据准备：objectdetection可接受的数据格式无法直接获取，其中用到labelimg这一图片标注工具，通过使用者自行用矩形框框选出图片中对象并标注类别，来获得矩形框的位置与框内对象的类别标签，并写入与图片文件名对应的xml文件。得到数据集需要以下三步：(1a)搜集若干个具有低头族行人的图片作为数据集样本，将搜集到的具有低头族行人的图片使用labelimg进行标注，将图片中的低头族行人框选出后添加类别标签：“dtz”；1000张图片作为训练集，在训练模型时直接读取；20张图片作为测试集，训练时用于检验模型。(1b)通过一个小脚本将数据集样本的图片与xml文件依据文件名一一对应写入csv格式的表格文件，表格文件中包含了图片文件名信息、图片中矩形框两个对角顶点坐标与宽高信息以及矩形框内对象的类别标签信息。(1c)再次通过一个脚本将表格文件转化为tensorflow专用格式的数据文件,即tfrecord文件，其中设置类别标签“dtz”的返回值为1，这个数据文件即是最终用于训练的数据文件。训练集的数据文件和测试集的数据文件需按照上述方式分别制作。(2)训练模型：将步骤(1c)中的数据文件作为rcnn模型的输入值且采用基于tensorflow的objectdetectionapi训练用于识别低头族行人的rcnn模型，得到训练完成的用于识别低头族行人的rcnn模型；具体地，数据集并非可直接用于训练，通过以下步骤得到生成模型所必要的checkpoint文件：(2a)下载官方提供的模型ssd_mobilenet_v1_coco，打开其中的config配置文件进行修改，修改类别数num_class＝1；每一次训练从数据集中读取的数据个数batch_size＝1，此处修改是由于受个人电脑配置限制，设为更大的数字时死机；将训练集和测试集改为上一步中步骤(1c)获得的数据集和测试集。打开模型同名的pbtxt文件，将item数修改为1，id与上一步返回值一样设置为1，name为dtz。(2b)运行脚本打开api中预设好的训练代码，导入config文件，同时设置训练的次数num_train_steps，与决定训练一定次数后基于测试集进行模型验证的参数num_eval_steps。训练结束后得到训练的checkpoint系列文件。(3)生成模型：运行脚本打开api中预设好的导出模型代码，读取checkpoint文件与config文件，在新的生成frozen_inference_graph以及model.ckpt即是我们所需的用于识别低头族行人的rcnn模型。二、低头族行人的识别：通过训练完成的rcnn模型对待识别图片进行识别；具体地，打开objectdetection的demo，在demo中修改model_name为存放自己模型的文件夹，path_to_labels修改为上一步中设定的pbtxt文件，num_classes修改为1。path_to_test_images修改为将要检测的图片，运行demo即可得到结果。本实施例以警示低头族行人为研究对象，通过安置于路边的摄像头采集行人影像、按固定帧数从影像数据中提取图片并将图片作为rcnn模型的输入值，通过图像识别技术识别出低头族行人，若识别出低头族行人，则通过警示喇叭对道路上的行人进行提醒，从而进一步减少了道路上的低头族行人，促进交通安全；当没有识别出低头族行人时，没有持续及多余的警示语音。本实施例中的系统安装后即可实现无需人工、全自动、全天运作，效率高，实用性强，可广泛应用于交通管理中并为道路交通安全提供保障本发明的保护范围包括但不限于以上实施方式，本发明的保护范围以权利要求书为准，任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。当前第1页12