【技术实现步骤摘要】
本专利技术属于交通，具体涉及高速公路场景下一种基于无人机影像的违法行为识别系统。
技术介绍
1、随着高速公路上的各类车辆数量急剧增长，由此带来的交通压力和承载压力也越来越大，高速公路车辆违章率和事故率也逐年递增，严重的危害了社会公共安全，传统的高速公路违章监管方式存在一定缺陷，比如固定式摄像头，存在着监控死角且使用成本较高。
技术实现思路
1、本专利技术的目的在于提供高速公路场景下一种基于无人机影像的违法行为识别系统，以解决上述
技术介绍
中提出的存在着监控死角且使用成本较高的问题。
2、为实现上述目的，本专利技术提供如下技术方案：高速公路场景下一种基于无人机影像的违法行为识别系统，包括：
3、数据采集模块，所述数据采集模块用于通过无人机航拍收集车辆数据和道路图像数据，并对图像数据进行信息标注；
4、模型训练模块，所述模型训练模块用于通过标注后的图像数据作为训练集，并通过训练集对深度神经网络模型进行训练，得到车辆检测模型和车道线分割模型；
5、模型部署应用模块，所述模型部署应用模块用于将车辆检测模型和车道线分割模型加载到系统中，通过深度神经网络的目标识别和定位算法对无人机航拍实时图像进行车辆检测，得到车辆检测结果，同时通过语义分割模型对道路图像进行分割，得到车道线分割结果；
6、违法行为判断模块，所述违法行为判断模块用于依据车辆检测结果和车道线分割结果，判断是否有车辆占用应急车道。
7、优选地，所述数据采集模块包括
8、优选地，所述数据采集模块还包括信息标注子模块，所述信息标注子模块用于对无人机航拍图像中的车辆位置和车辆类别，以及道路中车道线像素区域和车道线类别进行标注。
9、优选地，识别系统还包括一个显示模块，所述显示模块用于显示无人机航拍实时图像、车辆检测结果、车道线分割结果以及预警信息。
10、优选地，识别系统还包括数据存储模块，所述数据存储模块用于存储无人机航拍的图像数据、车辆检测结果、车道线分割结果以及预警信息。
11、优选地，所述的并通过训练集对深度神经网络模型进行训练中，训练流程包括数据加载、模型初始化、前向计算、损失函数计算和梯度更新。
12、优选地，所述车道线类别包括虚线和实线。
13、优选地，所述的所述模型部署应用模块用于将车辆检测模型和车道线分割模型加载到系统中，通过深度神经网络的目标识别和定位算法对无人机航拍实时图像进行车辆检测，得到车辆检测结果，同时通过语义分割模型对道路图像进行分割，得到车道线分割结果具体包括如下步骤：
14、s1：在车辆非法占用应急车道应用中加载训练好的模型，在车辆非法占用应急车道应用中加载训练好的模型；
15、s2：基于深度神经网络的目标识别和定位算法对无人机航拍实时图像进行车辆检测，另外，基于语义分割模型，使用编码器对无人机航拍实时图像进行多层级的特征提取；
16、s3：在目标检测任务中，模型会在不同尺度的特征图上利用不同尺度的锚框生成一系列的候选区域，并对这些候选区域是否包含物体进行预测，若包含目标物体，则进一步预测出物体所属的类别，另外使用解码器融合从高层级到低层级的细节特征和语义特征，并产生每个像素的类别值。
17、优选地，所述违法行为判断模块的工作流程为：
18、a1：针对语义分割模型对图像的分割结果，通过连通域提取、连通域过滤、图像形态学处理等方法获得图像中各车道线像素区域；
19、a2：然后对各车道线区域分别进行直线拟合，将直线按照从左向右顺序进行排序，并计算车道线与图像边界的交点坐标和相邻车道线之间的间距；
20、a3：在应急车道位于图像左侧或右侧已知的条件下，根据识别的车道线类别信息对应急车道区域进行判断，若应急车道位于图像中右侧，则以识别到的最右侧两条实线车道线与图像相交区域作为应急车道区域；
21、a4：对于道路上右侧应急车道仅有一条实线车道线的情况，则在识别到的最右侧实线车道线的右侧增加一条直线；
22、a5：以识别到的最右侧实线车道线和生成的直线与图像相交区域作为应急车道区域，当应急车道位于图像中左侧时，则分析识别到的最左侧车道实线。
23、优选地，所述a4中，所述直线依据相邻车道线之间的间距均值生成。
24、与现有技术相比，本专利技术的有益效果是：
25、本专利技术能够通过无人机实时航拍获取道路交通情况，并自动识别车辆位置和类别，提高了交通管理的效率和准确性，减少了人工监控的需求，并且通过深度神经网络模型进行车道线分割，该系统能够准确识别道路中的车道线，包括虚线和实线，有助于准确判断车辆是否非法占用应急车道，有助于提高高速公路交通管理的效率和安全性。
本文档来自技高网...【技术保护点】
1.高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：包括：
2.根据权利要求1所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：所述数据采集模块包括无人机航拍子模块，所述无人机航拍子模块用于实时获取道路交通情况的无人机航拍图像。
3.根据权利要求2所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：所述数据采集模块还包括信息标注子模块，所述信息标注子模块用于对无人机航拍图像中的车辆位置和车辆类别，以及道路中车道线像素区域和车道线类别进行标注。
4.根据权利要求1所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：还包括一个显示模块，所述显示模块用于显示无人机航拍实时图像、车辆检测结果、车道线分割结果以及预警信息。
5.根据权利要求1所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：还包括数据存储模块，所述数据存储模块用于存储无人机航拍的图像数据、车辆检测结果、车道线分割结果以及预警信息。
6.根据权利要求1所述的高速公路场景下一种
7.根据权利要求3所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：所述车道线类别包括虚线和实线。
8.根据权利要求1所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：所述的所述模型部署应用模块用于将车辆检测模型和车道线分割模型加载到系统中，通过深度神经网络的目标识别和定位算法对无人机航拍实时图像进行车辆检测，得到车辆检测结果，同时通过语义分割模型对道路图像进行分割，得到车道线分割结果具体包括如下步骤：
9.根据权利要求1所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：所述违法行为判断模块的工作流程为：
10.根据权利要求9所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：所述A4中，所述直线依据相邻车道线之间的间距均值生成。
...【技术特征摘要】
1.高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：包括：
2.根据权利要求1所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：所述数据采集模块包括无人机航拍子模块，所述无人机航拍子模块用于实时获取道路交通情况的无人机航拍图像。
3.根据权利要求2所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：所述数据采集模块还包括信息标注子模块，所述信息标注子模块用于对无人机航拍图像中的车辆位置和车辆类别，以及道路中车道线像素区域和车道线类别进行标注。
4.根据权利要求1所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：还包括一个显示模块，所述显示模块用于显示无人机航拍实时图像、车辆检测结果、车道线分割结果以及预警信息。
5.根据权利要求1所述的高速公路场景下一种基于无人机影像的违法行为识别系统，其特征在于：还包括数据存储模块，所述数据存储模块用于存储无人机航拍的图像数据、车辆检测结果、车道线分割结果以及预警信息。
6.根据权...
【专利技术属性】
技术研发人员：陈尧，蔡亮，王高，
申请(专利权)人：南京模幻天空航空科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。