[發明專利]一種基于深度學習的動態交通斑馬線內不禮讓行人識別方法

在審

• 申請號: 201910981853.0
• 申請日: 2019-10-16
• 公開（公告）號: CN111008554A
• 公開（公告）日: 2020-04-14
• 發明（設計）人: 王定國;陳孝庭
• 申請（專利權）人: 合肥湛達智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T7/11
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 郭麗英

1.一種基于深度學習的動態交通斑馬線內不禮讓行人識別方法，其特征在于，所述方法包括：

S101，獲取連續時間段內的多個待檢測圖像，其中，目標圖像為包含斑馬線區域的行人和/或車輛的圖像；

S102，將每一個待檢測圖像進行圖像分割處理，獲得分割圖像，并對分割圖像按照時間順序和圖像的位置順序進行編號；

S103，將編號后的分割圖像分別輸入至深度學習模型中，通過所述深度學習模型進行識別是否存在不禮讓行為的機動車，并記錄該機動車的車牌號，其中，所述深度學習模型的識別過程包括：識別與行人距離最小、且位于斑馬線上的機動車；根據相鄰兩幅待檢測圖像確定車輛是否為減速狀態，如果否，則確認車輛為非禮讓行人狀態，并識別該車輛的車牌號。

2.根據權利要求1所述的基于深度學習的動態交通斑馬線內不禮讓行人識別方法，其特征在于，所述深度學習模型包括：

第一卷積層，包括兩個卷積層，每一個卷積層為多個3*3的卷積核，對包含非機動車道的輸入圖像進行卷積操作，獲得第一圖像特征；

第一池化層，接收所輸入的第一圖像特征，并對所述第一圖像特征進行壓縮；

第二卷積層，包括三個卷積層，每一個卷積層為多個3*3的卷積核，對包含非機動車道的輸入圖像進行卷積操作，獲得第二圖像特征；

第二池化層，接收所輸入的第二圖像特征，并對所述第二圖像特征進行壓縮；

第三卷積層，包括二個卷積層，每一個卷積層為多個3*3的卷積核，對包含非機動車道的輸入圖像進行卷積操作，獲得第三圖像特征；

第三池化層，接收所輸入的第三圖像特征，并對所述第三圖像特征進行壓縮；

所述第一卷積層與上采樣層相連逆卷積層后接一個向上采樣層，每一個卷積層與激活函數相連，第二卷積層后接一個向上采樣層，采用上采樣層進行內容復制并擴充特征映射圖；

接收原始車道圖片，通過多個卷積層提取車道區域特征信息，以及經過上采樣層進行填充處理，獲得與行人距離最小的車輛，并獲得車輛是否為減速狀態的結果。

3.根據權利要求1或2所述的基于深度學習的動態交通斑馬線內不禮讓行人識別方法，其特征在于，所述將編號后的分割圖像分別輸入至深度學習模型中的步驟，包括:

將分割后圖像輸入深度學習模型中，判定所述分割后圖像中各像素點的類別并賦予類別標簽，得到分割出車道區域的各分割后圖像，其中，所述類別標簽包括減速狀態和非減速狀態。

4.根據權利要求3所述的基于深度學習的動態交通斑馬線內不禮讓行人識別方法，其特征在于，所述深度學習模型的識別過程包括的步驟，包括：

根據所述類別標簽，獲取每一分割后圖像中每一個像素點所對應的類別標簽；

統計該分割后圖像中，每一個類別標簽的數量；

獲取所述數量的最大值；

將該最大值對應的類別標簽確定為該分割后圖像做對應的區域；

獲取類別標簽為非減速狀態的車輛，并識別該車輛的車牌號。

5.根據權利要求2所述的基于深度學習的動態交通斑馬線內不禮讓行人識別方法，其特征在于，所述深度學習模型的訓練方法包括：

從分割后圖像中隨機選取第一數量張圖像輸入卷積神經網絡中，第一數量為正整數，其中，第一數量張圖像包含正樣本和負樣本，其中，正樣本為不禮讓行人的圖像、負樣本為禮讓行人的圖像；

通過所述卷積神經網絡提取所述第一數量分割后圖像的特征；

根據提取的特征將所述第一數量分割后圖像劃分為減速狀態和非減速狀態，得到區域劃分結果；

根據所述區域劃分結果調整所述卷積神經網絡的參數。

6.根據權利要求5所述的基于深度學習的動態交通斑馬線內不禮讓行人識別方法，其特征在于，所述方法還包括：

從分割后圖像中隨機選取第二數量張圖像輸入卷積神經網絡中進行測試；

通過所述卷積神經網絡獲得所述第二數量分割后圖像中每一個圖像的分類結果；

根據分類結果確定劃分正確的樣本數量，并獲取分類正確率；

在分類正確率不小于預設閾值的情況下，并基于當前該卷積神經網絡的參數確定為深度學習模型。