机动车未按规定使用远光灯识别方法、系统及存储介质与流程

文档序号:16254913发布日期:2018-12-12 00:21阅读:238来源:国知局
机动车未按规定使用远光灯识别方法、系统及存储介质与流程

本发明涉及人工智能机器视觉的技术领域,具体涉及一种机动车未按规定使用远光灯识别方法、系统及存储介质。

背景技术

近年来,我国道路交通事业发展迅猛,同时,道路交通安全问题日益突出。特别是夜间行驶时违反规定使用远光灯,已成为引发夜间交通事故的主要原因。众所周知,滥用远光灯会导致对向行驶车辆的驾驶人视觉上瞬间致盲,对同向行驶车辆的驾驶人的视线造成干扰,驾驶人对周围行人观察能力下降,对来车的速度、距离和宽度的感知力、判断力下降。

滥用远光灯引发很多交通事故,但是滥用远光灯很难查处,因滥用远光灯的行为具有可变性、动态性、瞬间性,驾驶人一旦采取变光措施,通过现场执法难以固定证据,容易引起执法纠纷。而且滥用远光灯致使他人车辆发生交通事故的,由于车辆本身没有直接参与碰撞,因此“肇事”车辆可以不留痕迹地迅速离开现场,这也导致了本应该承担事故责任的违法行为人逍遥法外。

目前,公安机关交通管理部门在查处不按规定使用远光灯的违法行为时,主要依靠路面执法,通过交通警察现场观察,再进行拦截取证,查处的方式较为被动,技术含量较低,特别是需要大量的警力参与,工作量很大,对交警的安全也有一定的影响,而且由于不能连续查处,治理效果也不显著。



技术实现要素:

(一)解决的技术问题

针对现有技术的不足,本发明提供了一种机动车未按规定使用远光灯识别方法、系统及存储介质,解决了当前使用的远光灯查处方法工作量较大耗时费力,并在存在安全隐患的技术问题。

(二)技术方案

为实现以上目的,本发明通过以下技术方案予以实现:

一种基于深度学习的机动车未按规定使用远光灯智能识别方法,包括:

采用两个摄像设备,其中一个摄像设备采用强光抑制摄像头,另一个摄像设备采用普通摄像头;安装所述两个摄像设备用于交通监控,使所述两个摄像设备能检测到同一物体,并对两个摄像设备做标定,测定地面坐标系和摄像设备像素之间的关系,并算出所述两个摄像设备的透视变换系数;

获取所述两个摄像设备分别采集到的视频流,所述视频流包括多帧图像;强光抑制摄像头采集到的为强光抑制视频流,普通摄像头采集到的为普通视频流;

采用预先训练的远光灯识别神经网络模型,在所述强光抑制视频流中对各帧图像中每一辆机动车的远光灯进行检测,获得目标区域的位置,根据所获得目标区域的位置,利用透视反变换得到所述目标区域的地面坐标位置;

根据所述目标区域的地面坐标位置,再利用透视反变换得到普通视频流中的像素坐标位置,确定普通视频流中的目标区域;

检测所述普通视频流中的目标区域的光照强度,与预先设置的光照强度阈值进行比较,判断远光灯开启的状态,根据远光灯开启的状态,判断所述车牌对应的机动车是否按规定使用其远光灯。

进一步的,所述两个摄像头距离检测区域的距离大于机动车近光灯所能照射的最远距离。

进一步的,所述检测普通视频流中的目标区域的光照强度,具体包括:

在普通视频流中选定目标区域所在的图像,通过对高清图像色彩直方图的分析,利用r、g、b三个色彩通道的对应点灰度值的特征评估光强度水平;

设vi=(ri,gi,bi)为图像中像素i的色彩空间向量,定义像素i的偏红水平:

ri越小表明像素i越偏向红色,如果像素i属于远光灯,那么ri∈[0,1];通过图像中某一区域的偏红水平,评估光强度水平;

定义区域s的偏红水平:

然后再定义一个光强度阈值ta,如果r>ta说明远光灯开启,否则认为远光灯没有开启。

进一步的,所述对两个摄像设备做标定,所述标定方法包括:

在地面上预先设定的摄像设备与检测区域的距离处画一矩形框,利用所述矩形框分别在所述两个摄像设备中的成像位置和实际矩形框的地面坐标的对应关系,分别计算出两个摄像设备的透视变换系数。

进一步的,所述远光灯识别神经网络模型训练过程包括:

构建训练样本集,所述训练样本集中包括多张标记车灯与车牌组合的图片,所述图片从强光抑制视频流获取;

采用yolo算法以车灯与车牌组合作为训练数据,对所述训练样本集中的多张图片进行训练,得到远光灯识别神经网络模型的各个模型参数。

进一步的,所述两个摄像设备距离检测区域的距离为50米。

一种基于深度学习的机动车未按规定使用远光灯智能识别系统,,包括:采集模块、获取模块、第一检测模块、第二检测模块及判断模块;其中,

采集模块包括两个摄像设备,其中一个摄像设备采用强光抑制摄像头,用于检测机动车的车灯、车牌;另一个摄像设备采用普通摄像头用于检测机动车车灯灯光的光强程度;

获取模块用于获取所述两个摄像头分别采集到的视频流,强光抑制摄像头采集到的为强光抑制视频流,普通摄像头采集到的为普通视频流;第一检测模块用于在所述强光抑制视频流中采用预先训练的远光灯识别神经网络模型,在所述强光抑制视频流中对各帧图像中每一辆机动车的远光灯进行检测,获得目标区域的位置,根据所获得目标区域的位置,利用透视反变换得到所述目标区域的地面坐标位置;

第二检测模块用于根据第一检测模块所得到的目标区域的地面坐标位置,利用透视反变换得到普通视频流中的像素坐标位置,确定普通视频流中的目标区域;

判断模块用于先检测第二检测模块所确定的普通视频流中的目标区域的光照强度,与预先设置的光照强度阈值进行比较,判断远光灯开启的状态,根据远光灯开启的状态,判断所述车牌对应的机动车是否按规定使用其远光灯。

第三方面,本发明提供一种存储介质,其上存储有计算机程序,在所述计算机程序被处理器执行时可实现上述方法。

(三)有益效果

本发明提供了一种机动车未按规定使用远光灯识别方法、系统及存储介质,采用两个摄像设备,其中一个摄像设备采用强光抑制摄像头,用于检测机动车的车灯、车牌,另一个摄像设备采用普通摄像头用于检测机动车车灯灯光的光强程度;通过获取所述两个摄像设备分别采集到的视频流,然后在强光抑制视频流中采用基于yolo算法的预先训练的远光灯识别神经网络模型,检测车灯加车牌目标组合获得目标区域的位置,再利用透视反变换得到普通视频流中的目标区域,检测所述普通视频流中的目标区域的光照强度,判断远光灯开启的状态,进而判断所述车牌对应的机动车是否按规定使用其远光灯。本发明可以智能识别机动车是否按规定正确使用远光灯,便于取证,减轻交管处对远光灯的查处难度,加大对远光灯的使用的管理力度,预防因高速公路行车未正确使用远光灯所引发的各类交通事故,减少交通伤亡和减轻交通伤害,切实保障国家、社会及广大人民群众的生命财产安全。

附图说明

为了更清楚地说明本发明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发明的一些实施例,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是本发明实施例方法流程示意图;

图2是本发明实施例摄像头距离检测区域的距离示意图;

图3是本发明实施例标定方法中矩形框四个端点的地面坐标与在两个相机中成像的对应关系示意图;

图4是本发明实施例车灯加车牌联合检测的方式示意图;

图5是本发明实施例对视频流检测流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

实施例:

由于当前公安机关交通管理部门在查处不按规定使用远光灯的违法行为时,主要依靠路面执法,通过交通警察现场观察,再进行拦截取证,查处的方式较为被动,技术含量较低,需要大量的警力参与,工作量很大,对交警的安全也有一定的影响,而且由于不能连续查处,治理效果也不显著。

鉴于上述原因,本实施例提供一种机动车未按规定使用远光灯识别方法,如图1所示,包括以下步骤:

s101、采用两个摄像设备,其中一个摄像设备采用强光抑制摄像头,另一个摄像设备采用普通摄像头;安装所述两个摄像设备用于交通监控,使所述两个摄像设备能检测到同一物体,并对两个摄像设备做标定,测定地面坐标系和摄像设备像素之间的关系,并算出所述两个摄像设备的透视变换系数;

s102、获取所述两个摄像设备分别采集到的视频流,所述视频流包括多帧图像;强光抑制摄像头采集到的为强光抑制视频流,普通摄像头采集到的为普通视频流;

s103、采用预先训练的远光灯识别神经网络模型,在所述强光抑制视频流中对各帧图像中每一辆机动车的远光灯进行检测,获得目标区域的位置,根据所获得目标区域的位置,利用透视反变换得到所述目标区域的地面坐标位置;

s104、根据所述目标区域的地面坐标位置,再利用透视反变换得到普通视频流中的像素坐标位置,确定普通视频流中的目标区域;

s105、检测所述普通视频流中的目标区域的光照强度,与预先设置的光照强度阈值进行比较,判断远光灯开启的状态,根据远光灯开启的状态,判断所述车牌对应的机动车是否按规定使用其远光灯。

下面结合附图对本发明做详细说明:

由于对远光灯的检测经常会受到近光灯的干扰,为了把近光灯和远光灯的影响区分开,图如2所示,所述两个摄像头距离检测区域的距离w要设置大于机动车近光灯所能照射的最远距离,本实施例设置有效的探测范围在50米左右,因为普通的近光灯的覆盖范围为0-40米,而远光灯的覆盖范围在80米以上;所以在50米的位置做检测可以有效的去除近光灯的干扰。

本发明实施例采用的双摄像头,其中一个摄像头为强光抑制摄像头,用于检测车灯、车牌和车距;另一个摄像头为普通摄像头用于检测远光灯的光强程度。为了让两个摄像头都能检测到同一物体,需要对两个摄像头做标定。标定用于测定地面坐标系和摄像头像素之间的关系,标定方法为摄像机安装好后,在地面距摄像头50米处画一矩形框,利用矩形框的成像和实际矩形框的地面坐标的对应关系算出摄像头的透视变换系数。

所述标定方法具体为如图3所示矩形框的四个端点a,b,c,d,在两个相机里的对应像素分别是a1,b1,c1,d1和a2,b2,c2,d2;然后根据透视变换的矩阵可以分别得到两个摄像头透视变换的系数。

由于夜间城市中的灯光干扰比较大,为了避免其它光线的干扰,本发明实施例不仅仅是检测灯光,而是采取车灯加车牌联合检测的方式,如图4所示。只有同时能看到左右两个灯和中间的车牌才认为是有效物体,在强光抑制摄像头获取的视频流中本实施例采用yolo网络来训练检测这种灯与车牌的组合。yolo网络是非常有效的目标检测工具,本发明实施例把车灯与车牌组合作为训练数据,然后按训练步骤进行训练,得到的网络模型就可以用来检测灯与车牌组合了。

如图5所示,本发明实施例对视频流检测流程如下:

先在强光抑制视频流中用yolo算法检测车灯与车牌的目标组合,这种方法可以有效去除城市杂光干扰;

首先预先训练远光灯识别神经网络模型,所述远光灯识别神经网络模型训练过程包括:构建训练样本集,所述训练样本集中包括多张标记车灯与车牌组合的图片,所述图片从强光抑制视频流获取;采用yolo算法以车灯与车牌组合作为训练数据,对所述训练样本集中的多张图片进行训练,得到远光灯识别神经网络模型的各个模型参数,进而得到远光灯识别神经网络模型;

然后在强光抑制视频流中采用基于yolo算法的预先训练的远光灯识别神经网络模型,检测车灯加车牌目标组合获得目标区域的位置,

获得目标区域的位置后利用透视反变换得到目标区域的地面坐标位置,然后再利用透视反变换得到普通视频流中的像素坐标;

这时从普通视频流中检测目标区域的光照强度,如果强度大于阈值t,则认为远光灯开启,否则不认为远光灯开启;根据远光灯开启的状态,判断所述车牌对应的机动车是否按规定使用其远光灯。

进一步的,本发明实施例对普通视频流的目标区域光强度检测步骤如下:

通过对高清图像色彩直方图的分析可知,利用r、g、b三个色彩通道的对应点灰度值的特征可以评估光强度水平;

设vi=(ri,gi,bi)为图像中像素i的色彩空间向量,定义像素i的偏红水平:

ri越小表明像素i越偏向红色,如果像素i属于远光灯,那么ri∈[0,1];本发明实施例通过图像中某一区域的偏红水平,评估光强度水平,定义区域s的偏红水平:

然后再定义一个光强度阈值ta,如果r>ta说明远光灯开启,否则认为远光灯没有开启,最后根据目标车辆远光灯的开启状态判断该车辆是否违法交通法规未按照规定使用远光灯。阈值ta的选择主要根据采集样本的实验参数确定,如采集1万张图像,然后分别算出开启远光灯的r1和不开启远光灯的r2,然后ta=(r1+r2)/2。

因为在相关路段是不允许开远光灯的,所以本实施例的摄像设备是设置在不允许开远光灯的路段,所以只需要检测、识别出远光灯开启状态即可判定该车辆驾驶人的交通违法行为,暨机动车驾驶人是否按规定违法使用远光灯。

第二方面,本发明实施例还提供一种机动车未按规定使用远光灯的识别系统,包括:采集模块、获取模块、第一检测模块、第二检测模块及判断模块;其中,

采集模块包括两个摄像设备,其中一个摄像设备采用强光抑制摄像头,用于检测机动车的车灯、车牌;另一个摄像设备采用普通摄像头用于检测机动车车灯灯光的光强程度;

获取模块用于获取所述两个摄像头分别采集到的视频流,强光抑制摄像头采集到的为强光抑制视频流,普通摄像头采集到的为普通视频流;

第一检测模块用于在所述强光抑制视频流中采用预先训练的远光灯识别神经网络模型,在所述强光抑制视频流中对各帧图像中每一辆机动车的远光灯进行检测,获得目标区域的位置,根据所获得目标区域的位置,利用透视反变换得到所述目标区域的地面坐标位置;

第二检测模块用于根据第一检测模块所得到的目标区域的地面坐标位置,利用透视反变换得到普通视频流中的像素坐标位置,确定普通视频流中的目标区域;

判断模块用于先检测第二检测模块所确定的普通视频流中的目标区域的光照强度,与预先设置的光照强度阈值进行比较,判断远光灯开启的状态,根据远光灯开启的状态,判断所述车牌对应的机动车是否按规定使用其远光灯。

可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。

第三方面,本发明实施例还提供一种存储介质,其上存储有计算机程序,在所述计算机程序被处理器执行时可实现上面所述的方法。

综上可知,本发明实施例通过采用的双摄像头,其中一个摄像头为强光抑制摄像头,用于检测车灯、车牌和车距;另一个摄像头为普通摄像头用于检测远光灯的光强程度,并分析所述两个摄像设备分别采集到的视频流,锁定目标车辆,并检测目标区域对应图像的光照强度,判断目标车辆远光灯开启的状态,可以智能识别机动车是否按规定正确使用远光灯,便于取证,减轻交管处对远光灯的查处难度。并且本发明实施例设置有效的探测范围去除近光灯的干扰,同时采取车灯加车牌联合检测的方式,使测量结果更准确高效,本发明实施例可以预防因高速公路行车未正确使用远光灯所引发的各类交通事故,减少交通伤亡和减轻交通伤害,安全可靠。

需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1