[發明專利]一種基于結合改進目標語義分割和目標檢測模型的實時移動交通違法檢測方法

在審

• 申請號: 202110263472.6
• 申請日: 2021-03-11
• 公開（公告）號: CN113033352A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 鄭河榮;張夢蝶;郭東巖;潘翔
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州之江專利事務所(普通合伙) 33216
• 代理人: 張慧英

本發明涉及一種基于結合改進目標語義分割和目標檢測模型的實時移動交通違法檢測方法，本發明能夠有效、實時地解決交通執法人員檢測到在可變換場景下的交通違法行為的問題。本發明框架簡單，性能強大，網絡結構簡單，性能良好；本發明檢測的精度和速度有很大的優勢，由于使用的網絡結構特殊，所以在保證精度的同時不需要犧牲檢測的速度，可以保證該方法的實時性；本發明具有移動性，比起固定的路樁式交通檢測攝像頭，本方法具有更好的靈活性和移動性，可以跟隨車輛的移動，對不同的場景路面進行很好的檢測，并且在保證精度的情況下保持速度。

技術領域

本發明涉及機器視覺技術領域，尤其涉及一種基于結合改進目標語義分割和目標檢測模型的實時移動交通違法檢測方法。

背景技術

隨著城鎮化進程的不斷加速，城市人口和機動車數目的迅猛增長，產生了一系列嚴重的安全與交通問題。雖然違反交通規章制度的行為數量日益增長，但現行的電子瞥察系統由于體積大、功耗高等局限性，通常只能安裝在固定的地點，監控范圍有限，易被駕駛員提前知曉并刻意躲避，使其監管范圍和效能受到了極大限制，這給交管執法部門的執法工作帶來了很大的困擾。所以，設計一種高效而方便的基于車載移動視覺平臺的實時交通違法自動識別方法意義重大。近年來，深度學習思想迅速發展，與傳統依賴先驗知識的特征提取算法不同，深度神經網絡可在訓練數據驅動下自適應地構建特征描述，具有更高的靈活性和普適性。作為實現深度學習的一項重要技術，卷積神經網絡(CNN)成功地訓練了首個深層神經網絡結構，已在圖像識別、語音識別等工程應用領域取得了卓越的成績。

車道線檢測和車輛目標檢測是該方法的兩種核心算法。傳統的車道線檢測方法依靠高度專業化，手工制作的特征和啟發式的組合來識別車道。大眾選擇這些手工制作的線索包括基于顏色的特征，結構張量，條形濾波器，脊線特征等，它們可能與霍夫變換相結合和粒子或卡爾曼濾波器在識別出目標之后，采用后處理技術將錯誤檢測目標過濾掉，以形成最終結果。總體來說，這些傳統方法雖然速度快，但會由于道路場景變化而容易于出現魯棒性差的問題，特別對于彎道的檢測效果不佳，計算成本昂貴且不易于擴展。為了改進這些缺點，最近的方法已經用神經網絡取代了手工制作的特征檢測器，基于CNN的車道線檢測屬于語義分割任務，在語義分割中需要將視覺輸入分為不同的語義可解釋類別，語義的可解釋性的定義就是分類類別在真實世界中是有意義的。基于CNN的語義分割車道線檢測方法會直接為圖像中的每個像素進行分類，原始圖像經過一個端到端模型后直接輸出分割結果，是一種從訓練數據出發，貫穿整個模型后直接輸出結果的模式。例如，可能需要區分圖像中屬于汽車的所有像素，并把這些像素涂成藍色，可能需要區分圖像中屬于人的所有像素，并把這些像素涂成紅色等。與圖像分類或目標檢測相比，語義分割能對圖像有更加細致的了解。這種了解在諸如自動駕駛、機器人以及圖像搜索引擎等許多領域都是非常有研究意義的。

目標檢測算法大體上可以分為基于傳統手工特征的時期(2013之前)以及基于深度學習的目標檢測時期(2013～今)。基于傳統手工特征的目標檢測是通過提取圖像的一些特征(如Harr、SIFT、HOG等)，使用DPM模型，用滑動窗口的方式來預測具有較高得分的目標位置邊框(bounding box)。2013年以后基于深度學習的目標檢測也可分為基于objectproposal、regression的兩步檢測和基于一體化卷積網絡的檢測。以CNN,Fast-RCNN,Faster-RCNN為代表的兩步走算法是基于候選區域(Region Proposal)的R-CNN系算法，需要先使用啟發式方法或者CNN網絡(RPN)產生候選區域，然后再在候選區域上做分類與回歸。而以YOLOv3,SSD,Retina-Net為代表的一步走算法是基于一體化卷積網絡的方法，是可以一次性預測多個Box位置和類別的卷積神經網絡，能夠實現端到端的目標檢測和識別。

發明內容

本發明為克服上述的不足之處，目的在于提供一種基于結合改進目標語義分割和目標檢測模型的實時移動交通違法檢測方法，本發明能夠有效、實時地解決交通執法人員檢測到在可變換場景下的交通違法行為的問題，以及在速度和精度方面都取得了良好的效果。