一种基于深度学习的摄像头角度移动检测系统和方法与流程

本发明属于摄像头检测技术领域，涉及一种基于深度学习的摄像头角度移动检测系统和方法。

背景技术

在渣土车（自卸车）管控领域，货箱状态为监管的重中之重，渣土车货箱重载未密闭、超载等行为给城市环境和交通安全带来了重大危害和隐患。当前市面上较多采用的是机械式传感器来检测货箱的空重状态、打开密闭状态以及举升状态，但由于机械式传感器容易拆卸、作弊，大量违法司机为了逃避监管，想方设法在传感器上做手脚。由于深度学习算法的可靠性、精确度高，目前已有厂家通过在货箱上方的摄像装置中植入深度学习算法来进行货箱状态检测，摄像装置已逐渐代替机械式传感器，成为渣土运输行业的新技术。

但上有政策，就会下有对策，违法司机为了逃避监管，同样可以对摄像头功能进行影响，比如用布巾遮挡摄像头、用污泥污染摄像头，甚至转移摄像头角度，使得摄像头朝里或向天拍摄，偏离货箱方向。对于移动摄像头角度企图逃避污染的行为，需要采用有效的方案遏制和预防，否则通过摄像头对货箱进行检测也将失去原本的效果。

技术实现要素：

本发明所要解决的技术问题是：渣土车司机为了逃避监管，往往会将货箱监测摄像头角度移动，不对准货箱拍摄，为克服现有技术的缺点，提供一种基于深度学习的摄像头角度移动检测系统和方法，本申请可通过深度学习技术对摄像头角度异常的情况进行自动识别并报警，避免司机通过移动摄像头角度的作弊行为。

为了解决以上技术问题，本发明提供一种基于深度学习的摄像头角度移动检测系统，系统用于安装在自卸车货箱上方的摄像装置中，系统包括学习单元和验证单元，学习单元包括样本输入模块、样本标记模块和神经网络训练模块，验证单元包括验证输入模块、深度学习模型和结果输出模块；

样本输入模块用于输入训练用的货箱图片样本；

样本标记模块用于标记图片为拍摄“角度正常”的正样本，或是拍摄“角度异常”的负样本；

神经网络训练模块通过深度卷积神经网络学习“角度正常”和“角度异常”的图片特征，进行迭代训练后得到深度学习模型；

验证输入模块用于输入待验证的货箱图片，深度学习模型接收到待验证的货箱图片后进行识别，判断摄像头角度是否存在异常，并通过结果输出模块得出识别结果为“角度正常”或“角度异常”。

本发明进一步限定的技术方案是：

前述结果输出模块将角度识别结果上报至车载主机，车载主机包括信号接收模块、信号处理模块和报警管控模块，信号接收模块获取角度识别结果信息，并将角度识别结果信息上报至信号处理模块对其进行分析、计算，得出应对处理指令并通过报警管控模块执行。

前述报警管控模块可连接语音报警装置和/或通过屏幕显示报警信息。

前述报警管控模块可连接车辆ecu，通过下发管控信息至ecu对车辆进行锁车或限速的限制。

前述车载主机可通过无线通讯方式连接云平台，并将货箱检测摄像头被移动角度的作弊信息上报至云平台。车载主机可将货箱检测摄像头所拍摄的画面信息上传至云平台。

前述图片样本为均统一尺寸的图片。

进一步的，

本发明还提供一种基于深度学习的摄像头角度移动检测方法，包括如下具体步骤：

s1：收集汇总分别标记了摄像头“角度正常”和“角度异常”的货箱画面图片作为正样本和负样本，并统一所有图片尺寸；

s2：将正样本和负样本分别输入到深度卷积神经网络中，深度卷积神经网络学习“角度正常”和“角度异常”的货箱画面图片特征，进行迭代训练后得到深度学习模型；

s3：输入测试图片到深度学习模型中，自动识别测试图片是否具备“角度正常”或“角度异常”特征，判断摄像头角度是否存在异常，并输出结果。

前述正样本为整个货箱清晰、完整的包含在画面中。负样本为画面中的货箱不清晰、不完整或不包含货箱。

本发明的有益效果是：

为了杜绝渣土车司机想要通过移动货箱检测摄像头的拍摄角度，意图逃避监管的行为，本发明申请提出了一种基于深度学习的摄像头角度移动检测系统和方法，通过深度学习技术，将摄像头角度正常和异常的货箱图片样本分别标记后输入到深度卷积神经网络中，深度卷积神经网络通过学习“角度正常”和“角度异常”的货箱画面图片特征，进行迭代训练后得到深度学习模型。此时只要货箱检测摄像头拍摄到的货箱画面图片都可以通过深度学习模型进行识别，自动得出拍摄角度是否存在异常，从而判断摄像头是否被移动，若摄像头角度正常则车辆可正常启动和行驶，若摄像头角度异常，则可通车辆ecu对车辆进行管控，如锁车（限制启动）或限速（一般控制行驶速度不超过20km/h）,同时可上传报警信息和货箱画面信息至云平台，便于监管人员取证执法。

附图说明

图1为本发明的原理流程图；

图2为本发明的结构示意图一；

图3为本发明的结构示意图二；

图4为本发明的正样本示意图；

图5为本发明的负样本示意图。

具体实施方式

实施例1

本实施例提供一种基于深度学习的摄像头角度移动检测系统，结构如图2所示，系统用于安装在自卸车货箱上方的摄像装置中，系统包括学习单元和验证单元，学习单元包括样本输入模块、样本标记模块和神经网络训练模块，验证单元包括验证输入模块、深度学习模型和结果输出模块；样本输入模块用于输入训练用的货箱图片样本；样本标记模块用于标记图片为拍摄“角度正常”的正样本，或是拍摄“角度异常”的负样本；神经网络训练模块通过深度卷积神经网络学习“角度正常”和“角度异常”的图片特征，进行迭代训练后得到深度学习模型；验证输入模块用于输入待验证的货箱图片，深度学习模型接收到待验证的货箱图片后进行识别，判断摄像头角度是否存在异常，并通过结果输出模块得出识别结果为“角度正常”或“角度异常”。

如图3所示，前述结果输出模块将角度识别结果上报至车载主机，车载主机包括信号接收模块、信号处理模块和报警管控模块，信号接收模块获取角度识别结果信息，并将角度识别结果信息上报至信号处理模块对其进行分析、计算，得出应对处理指令并通过报警管控模块执行。前述报警管控模块可连接语音报警装置和/或通过屏幕显示报警信息。前述报警管控模块可连接车辆ecu，通过下发管控信息至ecu对车辆进行锁车或限速的限制。前述车载主机可通过无线通讯方式连接云平台，并将货箱检测摄像头被移动角度的作弊信息上报至云平台。车载主机可将货箱检测摄像头所拍摄的画面信息上传至云平台。前述图片样本为均统一尺寸的图片。

实施例2

本实施例还提供一种基于深度学习的摄像头角度移动检测方法，如图1所示，包括如下具体步骤：

s1：如图4、图5所示，收集汇总分别标记了摄像头“角度正常”和“角度异常”的货箱画面图片作为正样本和负样本，并统一所有图片尺寸；

s2：将正样本和负样本分别输入到深度卷积神经网络中，深度卷积神经网络学习“角度正常”和“角度异常”的货箱画面图片特征，进行迭代训练后得到深度学习模型；

s3：输入测试图片到深度学习模型中，自动识别测试图片是否具备“角度正常”或“角度异常”特征，判断摄像头角度是否存在异常，并输出结果。

前述正样本为整个货箱清晰、完整的包含在画面中。负样本为画面中的货箱不清晰、不完整或不包含货箱。

为了杜绝渣土车司机想要通过移动货箱检测摄像头的拍摄角度，意图逃避监管的行为，本实施例申请提出了一种基于深度学习的摄像头角度移动检测系统和方法，通过深度学习技术，将摄像头角度正常和异常的货箱图片样本分别标记后输入到深度卷积神经网络中，深度卷积神经网络通过学习“角度正常”和“角度异常”的货箱画面图片特征，进行迭代训练后得到深度学习模型。此时只要货箱检测摄像头拍摄到的货箱画面图片都可以通过深度学习模型进行识别，自动得出拍摄角度是否存在异常，从而判断摄像头是否被移动，若摄像头角度正常则车辆可正常启动和行驶，若摄像头角度异常，则可通车辆ecu对车辆进行管控，如锁车（限制启动）或限速（一般控制行驶速度不超过20km/h）,同时可上传报警信息和货箱画面信息至云平台，便于监管人员取证执法。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。