一种建立交通意外高危人群信息库的方法及装置与流程

本发明涉及交通识别及物联网领域,特别是涉及一种建立交通意外高危人群信息库的方法及装置。

背景技术：

现实生活中，许多交通意外是由于不遵守交通规则而造成的，目前都以事后查明原因，对事故责任方进行处罚。如果能够提前识别出不遵守交通规则的人，识别出交通意外高危人群，进行事前提醒，或进行一定的惩戒，对减少意外的发生有非常重要的意义。

技术实现要素：

本发明目的是提供一种建立交通意外高危人群信息库的方法及装置，本发明通过对行人车辆的违章行为进行捕捉分析判断，达到识别记录交通意外高危人群的目的。

为了实现上述目的，本发明采用以下的技术方案。

一种建立交通意外高危人群信息库的方法,包括以下步骤：

对行人车辆的违章行为进行动态捕捉，获取违章行为记录；

通过人脸检测模型获取违章人员动态图片下人脸图片；通过人脸特征提取模型提取人脸图片的面部特征信息；

通过上述面部特征信息判断该违章人员以前是否存在违章记录；

根据判断结果做相应记录；若存在违章记录，则该人危险值按危险系数进行加权累计及违章次数加1；若不存在违章记录，则创建一条此人违章记录，记录该人危险值及违章次数加1；

将违章次数及危险值达到阈值的人员录入交通意外高危人群信息库。

进一步的，对行人车辆的违章行为进行动态捕捉，获取违章行为记录，之前，还包括，对违章行为进行预定义，对不同的违章行为设置不同的加权系数。

进一步的，通过人脸检测模型获取违章人员动态图片下人脸图片；通过人脸特征提取模型提取人脸图片的面部特征信息，之前，还包括，基于深度学习框架和网络架构，建立人脸检测的模型与人脸特征提取模型。

进一步的，将违章次数及危险值达到阈值的人员录入交通意外高危人群信息库，之后，还包括将本地交通意外高危人群信息库上传至云端交通意外高危人群信息库。

进一步的，所述的云端交通意外高危人群信息库为各地方交通意外高危人群信息库的汇总。

进一步的，基于深度学习框架和网络架构，建立人脸检测的模型与人脸特征提取模型，人脸特征包括，在动态静态下人员面部特征信息及面部局部特征信息。

一种建立交通意外高危人群信息库的装置,包括：

违章行为记录模块：用于对路上行人车辆的违章行为进行动态捕捉，获取违章行为记录；

人脸特征获取模块：用于通过人脸检测模型获取该违章人员动态图片下人脸图片，通过人脸特征提取模型提取违章人员人脸图片的面部特征信息；

判断模块：用于通过上述面部特征信息判断该违章人员以前是否存在违章记录；

记录模块：用于根据判断结果做相应记录；若存在违章记录，则该人危险值按危险系数进行加权累计及违章次数加1；若不存在违章记录，则创建一条此人违章记录，记录该人危险值及违章次数加1；

入库模块：用于将违章次数及危险值达到阈值的人员录入交通意外高危人群信息库。

进一步的，还包括：

建模模块：用于基于深度学习框架和网络架构，建立人脸检测的模型与人脸特征提取模型。

进一步的，还包括：

上传模块：用于将本地交通意外高危人群信息库上传至云端交通意外高危人群信息库。

进一步的，还包括：

汇总模块：用于将各地方交通意外高危人群信息库的汇总。

与现有技术相比，本发明具有以下优点：

本发明通过对行人车辆的违章行为进行捕捉分析判断，达到识别记录交通意外高危人群的目的。

附图说明

图1是本发明一种建立交通意外高危人群信息库的方法的流程示意图1；

图2是本发明一种建立交通意外高危人群信息库的方法的流程示意图2；

图3是本发明一种建立交通意外高危人群信息库的装置的结构示意图1；

图4是本发明一种建立交通意外高危人群信息库的装置的结构示意图2。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述：

一种建立交通意外高危人群信息库的方法，包括以下步骤：

实施例1

请参考图1，图1为本发明一种建立交通意外高危人群信息库的方法的流程示意图；本实施例提供一种建立交通意外高危人群信息库的方法，包括以下步骤：

步骤s101,对行人车辆的违章行为进行动态捕捉，获取违章行为记录。

对违章行为进行动态捕捉的捕捉方式，采用高清摄像机和/或录像机，感应器；拍摄到的图像应可以清楚地分辨的面部特征；

步骤s102，通过人脸检测模型获取违章人员动态图片下人脸图片；通过人脸特征提取模型提取人脸图片的面部特征信息；

拍摄到的图像的人脸图片，清楚分辨违章人员的面部特征信息；

步骤s103，通过上述面部特征信息判断该违章人员以前是否存在违章记录；

步骤s104，根据判断结果做相应记录；若存在违章记录，则该人危险值按危险系数进行加权累计及违章次数加1；若不存在违章记录，则创建一条此人违章记录，记录该人危险值及违章次数加1

步骤s105，将违章次数及危险值达到阈值的人员录入交通意外高危人群信息库。

实施例2

请参考图2，图2为是本发明一种建立交通意外高危人群信息库的方法的流程示意图2；本实施例提供另一种建立交通意外高危人群信息库的方法，包括以下步骤：

步骤s201,对违章行为进行预定义，对不同的违章行为设置不同的加权系数；

首先将违章类型分为行人、车辆；行人违章又分为闯红灯、走机动车道等；车辆违章又分为闯红灯、超速行驶、逆向行驶、驶入禁行线、超越前方正在调头的车等；加权系数方面，行人与车辆系数不同；因为车辆违章可能造成的危害更大，加权系统设置的也更大些；比如，闯红灯，行人设置系数为1x，车辆设置系数就为5x；车辆的不同违章行为根据危害性大小不同，加权系数也不同，比如闯红灯加权系数为5x，而违规停车，系统可能为0.5x。

步骤s202，对行人车辆的违章行为进行动态捕捉，获取违章行为记录；

对不同的违章行为采用不同的获取方式。

比如车辆超速违章行为捕捉，可采用线圈+测试器+高清摄像方式，但不限于此种方式。拍摄到的图像应可以清楚地分辨司乘人员（前排）的面部特征，且具有尽可能高的车牌自动识别率；摄像机系统应可以适应各种天气光照环境，对于白天的强光和夜间的补光应有有效的解决方法；系统应有较快的拍摄速度、识别速度、查询速度；

具体捕捉步骤如下:

a)当车辆到来触发1号线圈时，测速器记录当前的时刻t1；

b)当车辆触发2号线圈时，测速器记录下当前的时刻t2；

c)计算并校验车辆的速度；

d)测速器给出触发信号和校验好的车辆速度，触发高清晰摄像机进行图像捕捉；

e)同时，高清晰像机给出触发信号同步智能闪光灯；

f)高清像机捕捉到车辆图像并生成图像进行保存。

比如行人闯红灯违章行为捕捉，可采用传感器+交通信号灯+高清摄方

式，但不限于此种方式。拍摄到的图像应可以清楚地行人的面部特征，摄像机系统应可以适应各种天气光照环境，对于白天的强光和夜间的补光应有有效的解决方法；应有较快的拍摄速度、识别速度；

具体捕捉步骤如下:

a)道路传感器监测十字路口行人或车辆信息，若有行人或车辆经过，则发送信号至信号处理器；若没有行人或车辆经过，则继续监测；

b)信号处理器接收到道路位置传感器发送的信号后，信号处理器控制行人识别装置识别行人的具体位置信息；

c)信号处理器获取交通信号灯信号，若交通信号灯信号为红灯，则将行人的具体位置信息和预设在信号处理器内的红灯不应出现行人的区域做比较，若行人的具体位置信息在区域内，则触发高清晰摄像机进行图像捕捉，且行人识别装置识别行人的位置，及红灯的开始时间，判断行人走到一半红灯亮，还是行人横穿马路时红灯已亮起，不同的行为给予不同的危险系数。

步骤s203，基于深度学习框架和网络架构，训练得到人脸检测的模型；

人脸检测模型采用caffe深度学习框架和faster-rcnn网络架构，但不限于使用此深度学习方法及此此网络架构；像加州伯克利分校的caffe、蒙特利尔理工学院的theano、瑞士人工智能实验室idsia的brainstorm、是普林斯顿大学marvin等任一都可以作为此深度学习的框架；像ssd、faster-rcnn等可以作为此建模的一个网络架构。

步骤s204，通过人脸检测模型获取违章人员动态图片下人脸图片。

步骤s205，基于深度学习框架和网络架构，训练得到人脸特征提取模型；

人脸特征提取模型采用基于caffe深度学习框架和vggface网络架构，但不限于使用此深度学习方法及此此网络架构；

提取多组不同场景下人脸图片，进行深度学习，输出各面部特征点；设置各项面部特征点，包括人员面部动态静态下人员面部特征信息，包括脸的形状、大小、皮肤、毛发颜色，面部的中心点信息和边界点信息以及人脸的边界点信息，还包括局部特征信息，如鼻子、嘴巴、左眼、右眼、左眉和右眉及相互距离。

步骤s206，通过人脸特征提取模型提取人脸图片的面部特征信息。

步骤s207，通过上述面部特征信息判断该违章人员以前是否存在违章记录。

步骤s208，根据判断结果做相应记录；若存在违章记录，则该人危险值按危险系数进行加权累计及违章次数加1；若不存在违章记录，则创建一条此人违章记录，记录该人危险值及违章次数加1。

根据不同的违章类型对应的加权系数，进行同一人的危险值按危险系数的加权累计。

步骤s209，将违章次数及危险值达到阈值的人员录入交通意外高危人群信息库。

预先设置交通意外危险系数阈值，比如，违章累计达到n次，危险系数达到m，即违章大于等于n次，危险系统大于等于m，即视为是交通意外高危人。

步骤s210，将本地交通意外高危人群信息库上传至云端交通意外高危人群信息库。

步骤s211，各地方交通意外高危人群信息库的汇总云入端交通意外高危人群信息库。

实施例3

请参考图3，图3为本发明一种一种建立交通意外高危人群信息库的装置的结构示意图1；本实施例提供一种一种建立交通意外高危人群信息库的装置，包括：

违章行为记录模块11：用于对路上行人车辆的违章行为进行动态捕捉，获取违章行为记录；

人脸特征获取模块12：用于通过人脸检测模型获取该违章人员动态图片下人脸图片，通过人脸特征提取模型提取违章人员人脸图片的面部特征信息；

判断模块13：用于通过上述面部特征信息判断该违章人员以前是否存在违章记录；

记录模块14：用于根据判断结果做相应记录；若存在违章记录，则该人危险值按危险系数进行加权累计及违章次数加1；若不存在违章记录，则创建一条此人违章记录，记录该人危险值及违章次数加1

入库模块15：用于将违章次数及危险值达到阈值的人员录入交通意外高危人群信息库；

实施例4

请参考图4，图4为本发明一种一种建立交通意外高危人群信息库的装置的结构示意图2；本实施例提供一种一种建立交通意外高危人群信息库的装置，包括：

违章行为记录模块21：用于对路上行人车辆的违章行为进行动态捕捉，获取违章行为记录；

建模模块22：用于基于深度学习框架和网络架构，训练得到人脸特征提取模型，还用于基于深度学习框架和网络架构，训练得到人脸特征提取模型；

人脸特征获取模块23：用于通过人脸检测模型获取该违章人员动态图片下人脸图片，通过人脸特征提取模型提取违章人员人脸图片的面部特征信息；

判断模块24：用于通过上述面部特征信息判断该违章人员以前是否存在违章记录；

记录模块25：用于根据判断结果做相应记录；若存在违章记录，则该人危险值按危险系数进行加权累计及违章次数加1；若不存在违章记录，则创建一条此人违章记录，记录该人危险值及违章次数加1

入库模块26：用于将违章次数及危险值达到阈值的人员录入交通意外高危人群信息库；

上传模块27：用于将本地交通意外高危人群信息库上传至云端交通意外高危人群信息库。

汇总模块28：用于将各地方交通意外高危人群信息库的汇总

以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。