[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

本發明提供了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，應用于交通自動識別技術領域，包括：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；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；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。應用本發明實施例，自動識別不禮讓行人的車輛，提高了識別效率。

技術領域

本發明涉及車道識別技術領域，尤其涉及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。

背景技術

目前對于機動車輛的違規主要可以通過電子攝像頭進行圖像的采集、識別，獲得違章結果，而對于非機動車道的車輛則沒有明確的檢測方法。

現有技術中，有的采用對非機動車道區域進行圖像獲取，并通過霍夫變換用于在二值圖像中找到直線，這通常對應于車道邊界。但是通過霍夫變換，通常很難確定一條線是否與車道邊界相對應。在色彩分割方法中，RGB圖像經常轉換為HSI或自定義色彩空間，由于這些方法在像素級別運行，它們通常對來自路燈或類似照明源的環境光顏色的變化敏感。

目前車道識別技術主要是通過對普通可見光圖像進行車道線邊緣的識別來實現，但該方法局限性較大，會受到很多外界因素如強光、陰影等的干擾，導致系統識別效率低，準確性差，普適性不高。

發明內容

本發明的目的在于克服現有技術之缺陷，提供了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，旨在自動識別斑馬線處不禮讓行人的車輛，提高識別效率。

本發明是這樣實現的：

本發明提供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，包括步驟：

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。

一種實現方式中，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。