【技术实现步骤摘要】
本专利技术属于智能交通领域，涉及目标检测技术，具体是基于深度学习的交通目标检测及识别方法。
技术介绍
1、随着智能交通系统的快速发展，交通目标检测及识别技术在保障交通安全、提升道路使用效率、优化交通管理等方面扮演着重要角色，交通目标的检测和识别是智能交通系统的重要组成部分，它可以为交通部门提供强有力的信息支撑和决策支持。
2、申请号为cn2020112511338的专利技术专利，公开了一种基于规则与学习的交通场景异常目标检测方法，该专利技术通过对交通视频数据进行运算得到目标物体的疑似异常运动信息，确定出目标物体在预设时间段的运动速度、目标物体在预设时间段的运动方向、目标物体在预设时间段的运动轨迹、目标物体当前的交通场景和在当前交通场景的目标物体数量，根据当前状态与交通规则判断目标是否进入异常状态。该专利技术在对道路中行驶的车辆进行检测时，根据预设的交通状态与当前运动状态进行比较，在路面情况较差的情况时，可能会出现与预设速度无法相符的情况，且无法及时的对车辆的行为进行检测，影响交通部门采取救援措施的最佳时间。
3、本专利技术提到了基于深度学习的交通目标检测及识别方法，以解决上述技术问题。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一；为此，本专利技术提出了基于深度学习的交通目标检测及识别方法，用于解决检测道路中车辆在行驶时出现失控的技术问题，本专利技术通过取连续帧画面图像组中对应特征点位置差异和帧画面时间差异，得到轮胎的转速；根据历史轮
2、为实现上述目的，本专利技术的第一方面提供了基于深度学习的交通目标检测及识别方法，包括：
3、步骤一：通过图像采集设备采集车辆的连续帧画面图像，对帧画面图像进行预处理得到标准图像；
4、步骤二：提取连续两帧的标准图像，将连续两帧的标准图像标记为帧画面图像组；根据帧画面图像组得到预测车速和预测方向，根据帧画面图像组得到实际车速与实际方向；
5、步骤三：基于预测车速、预测方向、实际车速和实际方向得到车辆状态；基于车辆状态对车辆进行标记得到车辆标签；其中，车辆状态包括失控状态和正常状态；车辆标签包括失控车辆和正常车辆；
6、步骤四：获取失控车辆的位置信息并发送给交通部门，交通部门进行紧急援护。
7、本专利技术通过提取连续帧画面图像组中对应特征点位置差异和帧画面时间差异，得到轮胎的转速；根据历史轮胎转速与对应的车速，训练得到速度模型，根据速度模型得到轮胎转速对应的预测车速，并根据帧画面图像中车辆轮胎留下的方向得到预测方向；根据帧画面图像组中车辆上对应特征点位置差异和帧画面时间差，得到实际车速与实际方向；判断实际车速与预测车速的差异是否大于差速阈值以及实际方向与预测方向的差异是否大于方向阈值得到车辆状态；判断n组帧画面图像组的失控状态是否大于失控阈值，得到车辆的标签。
8、优选的，所述根据帧画面图像组得到预测车速和预测方向，包括：
9、提取帧画面图像组，将前一标准图像标记为帧画面一，将后一标准图像标记为帧画面二，将帧画面一与帧画面二中车辆轮胎上的边缘点标记为特征点一和特征点二，以帧画面一上的特征点一a标记为原点，建立二维直角坐标系，将帧画面一中的二维直角坐标系映射到帧画面二中，得到特征点二b(x，y)；根据帧画面图像获取轮胎的半径r以及特征点一与特征点二与轮胎中心点连线的夹角θ，得到轮胎在帧画面时间差内运行的距离，提取帧画面一与帧画面二的时间差，根据轮胎运行距离与帧画面时间差得到轮胎转速；根据轮胎转速得到预测车速；
10、提取帧画面图像中汽车轮胎留下轨迹的方向，将汽车轮胎留下轨迹的方向标记为预测方向。
11、优选的，所述根据轮胎转速得到预测车速，包括：
12、提取同型号车辆历史轮胎转速与对应的历史车速；
13、将历史轮胎转速与对应的历史车速整合成若干组标准训练数据；使用标准训练数据对神经网络模型进行训练，得到输入为轮胎转速，输出为车速的速度模型；其中，神经网络模型为bp神经网络模型；
14、将轮胎转速输入速度模型，得到预测车速。
15、优选的，所述根据帧画面图像组实际车速与实际方向，包括：
16、提取两帧画面图像，将车辆左后视镜边缘点标记为车辆特征点一和车辆特征点二，以帧画面一上的车辆特征点一c作为原点，建立二维直角坐标系，将帧画面一中的二维直角坐标系映射到帧画面二中，得到车辆特征点二d(m，n)；计算车辆特征点二与原点的距离得到车辆行驶距离，根据帧画面时间差和车辆行驶距离得到实际车速，将原点到d点连线的方向标记为实际方向。
17、优选的，所述基于预测车速、预测方向、实际车速和实际方向得到车辆状态，包括：
18、s1：提取预测车速、预测方向、实际车速和实际方向；
19、s2：判断预测车速与实际车速的差值是否大于差速阈值；是，则将车辆状态标记为失控状态；否，则跳转至s3；
20、s3：判断预测方向与实际方向的夹角是否大于方向阈值；是，则将车辆状态标记为失控状态；否，则将车辆状态标记为正常状态。
21、需要说明的是，差速阈值与方向阈值是根据实际路面情况与经验设定的。
22、优选的，所述基于车辆状态对车辆进行标记得到车辆标签，包括：
23、提取连续组n帧画面图像组的车辆状态；
24、判断n组帧画面图像组车辆状态中失控状态的数量是否大于失控阈值；是，则将车辆标签标记为失控车辆；否，则将车辆标签标记为正常车辆。
25、与现有技术相比，本专利技术的有益效果是：
26、1.本专利技术通过提取连续帧画面图像组中对应特征点位置差异和帧画面时间差异，得到轮胎的转速；根据速度模型得到轮胎转速对应的预测车速，并根据帧画面图像中车辆轮胎留下的方向得到预测方向；根据帧画面图像组中车辆上对应特征点位置差异和帧画面时间差，得到实际车速与实际方向；根据预测车速、预测方向、实际车速与实际方向得到车辆状态；根据车辆状态得到车辆的标签；能够准确的判断道路中车辆是否失控，并获取失控车辆的位置信息发送给交通部门，帮助交通部门快速对失控车辆采取救援、控制等一系列措施。
27、2.本专利技术通过判断预测车速与实际车速的差值是否大于差速阈值以及预测方向与实际方向是否大于方向阈值得到车辆状态，并根据连续n组帧画面图像组的车辆状态判断车辆是否失控，能够准确的判断车辆是否已失控。
本文档来自技高网...【技术保护点】
1.基于深度学习的交通目标检测及识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的交通目标检测及识别方法，其特征在于，所述根据帧画面图像组得到预测车速和预测方向，包括：
3.根据权利要求2所述的基于深度学习的交通目标检测及识别方法，其特征在于，所述根据轮胎转速得到预测车速，包括：
4.根据权利要求1所述的基于深度学习的交通目标检测及识别方法，其特征在于，所述根据帧画面图像组实际车速与实际方向，包括：
5.根据权利要求1所述的基于深度学习的交通目标检测及识别方法，其特征在于，所述基于预测车速、预测方向、实际车速和实际方向得到车辆状态，包括：
6.根据权利要求1所述的基于深度学习的交通目标检测及识别方法，其特征在于，所述基于车辆状态对车辆进行标记得到车辆标签，包括：
【技术特征摘要】
1.基于深度学习的交通目标检测及识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的交通目标检测及识别方法，其特征在于，所述根据帧画面图像组得到预测车速和预测方向，包括：
3.根据权利要求2所述的基于深度学习的交通目标检测及识别方法，其特征在于，所述根据轮胎转速得到预测车速，包括：
4.根据权利要求1所述的基于深度学习的...
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。