[發明專利]目標檢測模型構建及闖紅燈追責方法、系統、終端及介質在審
| 申請號： | 202010798307.6 | 申請日： | 2020-08-11 |
| 公開（公告）號： | CN111931650A | 公開（公告）日： | 2020-11-13 |
| 發明（設計）人： | 曹學軍 | 申請（專利權）人： | 杭州智行星科技有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/32;G06K9/34;G06K9/62;G06N3/04;G06N3/08;G08G1/017 |
| 代理公司： | 上海唯源專利代理有限公司 31229 | 代理人： | 汪家瀚 |
| 地址： | 310012 浙江省杭州市西*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 目標 檢測 模型 構建 闖紅燈 方法 系統 終端 介質 | ||
1.一種基于深度學習的目標檢測模型構建方法，其特征在于，包括：
獲取指定區域內的交通視頻流；
對所述交通視頻流進行標注后得到車輛目標框和紅燈顯示區目標框，并形成第一標注數據；
對所述車輛目標框進行二次標注后得到車牌目標框，并形成第二標注數據；
將所述第一標注數據輸入第一深度學習目標檢測模型中進行訓練，并在訓練完成后對所述第一深度學習目標檢測模型進行測試，并根據測試結果確定用于識別目標車輛和紅燈狀態的車輛及紅燈檢測模型；
將所述第二標注數據輸入第二深度學習目標檢測模型中進行訓練，并在訓練完成后對所述第二深度學習目標檢測模型進行測試，并根據測試結果確定用于識別車牌的車牌檢測模型。
2.如權利要求1所述的目標檢測模型構建方法，其特征在于，還包括：
對所述車輛目標框和紅燈顯示區目標框進行目標框聚類，以得到接近實際場景所使用的目標框基準尺寸；
對聚類后的車輛目標框和紅燈顯示區目標框進行誤差平方和判斷。
3.如權利要求1所述的目標檢測模型構建方法，其特征在于，所述第一標注數據包括所述紅燈顯示區目標框的中心點坐標數據、寬度及高度數據，還包括所述車輛目標框的中心點坐標數據、寬度及高度數據；所述第二標注數據包括所述車牌目標框的中心點坐標數據、寬度及高度數據。
4.一種基于深度學習的闖紅燈追責方法，其特征在于，包括：
獲取當前交通視頻流，并確定實際場景紅燈目標框坐標；
將所述當前交通視頻流輸入通過訓練深度學習目標檢測模型得到的車輛及紅燈檢測模型，并獲取所述車輛及紅燈檢測模型輸出的車輛目標框坐標及紅燈顯示區目標框坐標；
計算所述實際場景紅燈目標框坐標與所述車輛及紅燈檢測模型輸出的紅燈顯示區目標框坐標之間的重疊度，并根據重疊度計算結果判斷所述當前視頻流的紅燈狀態；
將判斷為紅燈的當前交通視頻流所對應的車輛目標框輸入通過訓練深度學習目標檢測模型得到的車牌檢測模型，并獲取所述車牌檢測模型輸出的車牌目標框坐標；
根據所述車牌檢測模型輸出的車牌目標框坐標對車牌進行字符識別，以獲取車牌號；
將所述車牌號及車輛圖像同步輸出，以供進行闖紅燈追責。
5.如權利要求4所述的闖紅燈追責方法，其特征在于，所述根據重疊度計算結果判斷所述當前視頻流的紅燈狀態，包括：
判斷所述實際場景紅燈目標框坐標與所述車輛及紅燈檢測模型輸出的紅燈顯示區目標框坐標之間的重疊度是否超過重疊度閾值；
若超過重疊度閾值，判斷當前交通視頻流中的交通指示燈為紅燈狀態；
否則，判斷當前交通視頻流中的交通指示燈不為紅燈狀態。
6.如權利要求5所述的闖紅燈追責方法，其特征在于，所述重疊度閾值通過分別測試同一交通視頻流在不同重疊度閾值下的紅燈狀態檢測準確率來確定。
7.如權利要求4所述的闖紅燈追責方法，其特征在于，還包括：
將所述車牌號及車輛圖像添加時間戳后上傳至預指定的違章數據庫中。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于杭州智行星科技有限公司，未經杭州智行星科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010798307.6/1.html，轉載請聲明來源鉆瓜專利網。
