System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及汽车辅助驾驶检测,具体涉及一种基于机器视觉的驾驶行为异常检测方法及系统。
技术介绍
1、随着经济全球化的推进,在我国经济得到快速发展的同时,人民的生活质量也在不断提升,因此越来越多的人选择了以汽车作为代步工具。据公安部交管局统计:截至2020年6月,全国的机动车保有量达到了3.6亿辆,其中,汽车的保有量达到了2.7亿辆,占机动车总量的75%(公安部交管局,2020)。汽车本身为广大人民群众的交通出行提供了巨大便利,但随着汽车数量的增加就加大了交通系统的压力,使其交通承载水平并不能满足人们出行的需要,进而导致一系列的社会问题变得越来越明显。究其原因是交通问题,若交通问题解决不好,城市的发展也将会受到很大的阻碍。目前在现实生活中常见的交通问题是交通拥堵,而导致交通拥堵现象的发生不仅仅是城市的交通承载水平不能满足车辆数量的快速增长,更重要的是驾驶人员不遵守交通规则,违章行驶。比如车辆在道路上不按规定换道压实线行驶,这种行为易导致交通事故的发生,并对人类的生命和财产安全产生威胁。
2、现在智能交通系统(intelligent traffic system),利用信息技术、大数据、传感器等先进科学技术来对交通进行监管,对交通安全有重要作用。存在一些驾驶员对交通法规和安全意识较淡薄,在繁华地段和重要路口有完善的交通管理系统对当前状况进行监控,驾驶员会遵守相应规则,但是国内交通管理系统目前还无法做到全面覆盖,在偏远地段和无监控地段驾驶员会更加无视规则去驾驶,交通事故的概率也大增。
3、鉴于目前汽车大多都安
技术实现思路
1、针对现有技术的不足,本专利技术提出了一种基于机器视觉的驾驶行为异常检测方法及系统,方便便捷,可以实时、准确的检测车辆压线违规情况。
2、本专利技术是通过以下技术方案实现的:
3、一种基于机器视觉的驾驶行为异常检测方法,包括步骤:
4、在车载端采集车辆gps位置信息和视频信息;
5、对视频信息进行数据预处理,得到预处理后的图片信息;
6、采用车道线目标检测算法,对图片进行车道实线的提取;
7、基于提取车道实线的图片,采用训练好的mask-rcnn分割模型得到车辆轮廓;
8、基于车道实线和车辆轮廓,判别该车辆是否违规压实线,若违规压实线,则采用车牌识别目标检测算法提取该车辆的车牌信息,记录车牌信息和gps位置信息。
9、进一步地,所述视频信息通过行车记录仪或csi摄像头获取。
10、进一步地,对视频信息进行数据预处理包括:对视频进行帧的提取,每秒提取一帧图片,每两帧为一组。
11、进一步地,采用车道线目标检测算法,对图片进行车道实线的提取具体包括:
12、选择图片中可能存在车道线的区域,根据直线参数和先验知识,对检测到的直线进行筛选,只保留可能是车道线的直线;
13、采用目标检测算法,找出图片中虚实线的位置,并用一个个圆点来进行标记;
14、对图像进行灰度化处理并采用clahe进行图像增强,对于两帧图片,记录所有圆点的灰度值,如果大于设置阈值的点的个数占比在百分之九十以上,则判别当前车道线为实线。
15、进一步地,所设置阈值是230。
16、进一步地,所述mask-rcnn分割模型的采用上采样卷积层来代替双线性插值法,通过转置卷积实现,即:
17、y(i,j)=∑m∑nx(i-ms,j-ns)·k(m,n)
18、其中,y(i,j)为上采样后的输出图像的像素值,位于输出图像的第i行第j列,∑m∑nx(i-ms,j-ns)为输入图像上的像素值,其中m和n是卷积核在输入图像上的位置,s是步长;k(m,n)为上采样卷积核的权重,即可学习的参数。
19、一种基于机器视觉的驾驶行为异常检测系统,包括车载端数据采集模块和服务器端,其中,
20、所述车载端数据采集模块包括gps模块、摄像头模块、开关模块和主控模块;所述摄像头模块用于收集前面车况信息,gps模块用于实时收集当前位置信息;所述开关模块用于触发中断,将当前段视频和位置信息进行上传;所述主控模块采用jetsonnano平台,连接gps模块、摄像头模块、开关模块,用于保存视频信息收集、保存gps位置信息收集以及网络通信;
21、所述服务器端用于对csi摄像头模块采集的图像进行分析,判别该车辆是否违规,包括:
22、对视频信息进行数据预处理,得到预处理后的图片信息;
23、采用车道线目标检测算法,对图片进行车道实线的提取;
24、基于提取车道实线的图片,采用训练好的mask-rcnn分割模型得到车辆轮廓;
25、基于车道实线和车辆轮廓,判别该车辆是否违规压实线,若违规压实线,则采用车牌识别目标检测算法提取该车辆的车牌信息,记录车牌信息和gps位置信息。
26、进一步地,所述服务器端还包括人机交互单元,用于显示当前车辆位置信息、当前违规的画面帧以及车牌号。
27、进一步地,所述gps模块采用的通用标准nmea0183协议,所述摄像头模块采用csi摄像头。
28、进一步地,所述服务器端的架构采用tensorrt推理加速。
29、与现有技术,本专利技术的有益效果是:
30、本专利技术的检测系统不依赖于车体改装,只需要一个小的移动平台即可,方便便捷;本专利技术对于获取的图片进行了图像增强,大大提升了有用信息的准确度,并改进了分割网络模型,提升了对于车辆分割的准确度,结合神经网络的车道线检测精度也十分高;本专利技术使用了tensorrt进行了推理加速,使得整个服务器端的速度有一个大的提升,满足实际工作中的需求;本专利技术提供了一个可视化的界面,方便查询。
本文档来自技高网...【技术保护点】
1.一种基于机器视觉的驾驶行为异常检测方法,其特征在于,包括步骤:
2.根据权利要求1所述的一种基于机器视觉的驾驶行为异常检测方法,其特征在于,所述视频信息通过行车记录仪或CSI摄像头获取。
3.根据权利要求1所述的一种基于机器视觉的驾驶行为异常检测方法,其特征在于,对视频信息进行数据预处理包括:对视频进行帧的提取,每秒提取一帧图片,每两帧为一组。
4.根据权利要求1所述的一种基于机器视觉的驾驶行为异常检测方法,其特征在于,采用车道线目标检测算法,对图片进行车道实线的提取具体包括:
5.根据权利要求4所述的一种基于机器视觉的驾驶行为异常检测方法,其特征在于,所设置阈值是230。
6.根据权利要求1所述的一种基于机器视觉的驾驶行为异常检测方法,其特征在于,所述mask-rcnn分割模型的采用上采样卷积层来代替双线性插值法,通过转置卷积实现,即:
7.一种基于机器视觉的驾驶行为异常检测系统,其特征在于,包括车载端数据采集模块和服务器端,其中,
8.根据权利要求7所述的一种基于机器视觉的驾驶行为异常检测
9.根据权利要求7所述的一种基于机器视觉的驾驶行为异常检测系统,其特征在于,所述GPS模块采用的通用标准NMEA0183协议,所述摄像头模块采用CSI摄像头。
10.根据权利要求7所述的一种基于机器视觉的驾驶行为异常检测系统,其特征在于,所述服务器端的架构采用TensorRT推理加速。
...【技术特征摘要】
1.一种基于机器视觉的驾驶行为异常检测方法,其特征在于,包括步骤:
2.根据权利要求1所述的一种基于机器视觉的驾驶行为异常检测方法,其特征在于,所述视频信息通过行车记录仪或csi摄像头获取。
3.根据权利要求1所述的一种基于机器视觉的驾驶行为异常检测方法,其特征在于,对视频信息进行数据预处理包括:对视频进行帧的提取,每秒提取一帧图片,每两帧为一组。
4.根据权利要求1所述的一种基于机器视觉的驾驶行为异常检测方法,其特征在于,采用车道线目标检测算法,对图片进行车道实线的提取具体包括:
5.根据权利要求4所述的一种基于机器视觉的驾驶行为异常检测方法,其特征在于,所设置阈值是230。
6.根据权利要求1所述的一种基于机器视觉的驾驶行为异常检测方...
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。