[发明专利]基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统

说明书

技术领域

本发明涉及人工智能、卷积神经网络和计算机视觉在车辆逆向行驶检测方面的应用，属于智能交通领域。

背景技术

单车道在城市道路通行中扮演着重要的角色，提高了城市道路通行水平，有效地缓解了城市交通拥堵。然而随着单车道的作用日益增强，伴随的安全隐患越来越受到人们的重视，而逆行违章事件又是造成单车道通行安全隐患的重要原因，如何有效地发现逆行现象，并及时制止，从而防止由于逆行所造成的人员和财产损失，一直作为智能交通领域中的一个热点问题，有着巨大的商业价值和经济效益。

逆向行驶，指的是车辆违法驶入对向车道、违法驶入单行线，在单行通道特别是人流聚集区中的逆行行为，极易引起交通拥堵，甚至造成事故。目前通常的检测手段是根据车道属性，即上行还是下行，行车轨迹等信息来判断是否存在违法驶入对向车道、违法驶入单行线等行为。因此，对监控场景中的车辆等移动目标进行的实时逆行检测，发出报警并触发其他相关动作，是逆行检测的主要任务。

目前常用的车辆逆行图像检测方法有：基于光流的逆行检测方法可以检测出物体的运动，但是对噪声干扰灵敏，容易漏报和误报；基于目标跟踪的逆行检测方法可以比较稳定的检测出逆行，但需要对每个目标进行检测，速度较慢，要求跟踪一直持续，资源占用严重，在多目标的场景中无法适用；基于光流与聚类的逆行检测方法能显著降低运算的复杂度，但仅通过对光流场特征点进行聚类来确定逆行，检测的准确率又不足。

中国发明专利申请号为201610319456.3公开了一种基于图像处理的机动车道车辆逆行识别方法，该方法利用几何滤波和空间聚类方法过滤线段噪声，提高了中心黄线的识别率；同时利用Kalman滤波算法对中心黄线进行预跟踪和预测从而得出最优中心黄线，有效地降低了个别帧的中心黄线识别错误或失败对车辆逆行识别方法造成的影响

中国发明专利申请号为201510089718.7公开了一种车辆逆行的检测方法和检测系统，该装置主要通过颜色识别和直线识别从道路行驶图像中确定待检测车辆在道路中的位置，再结合表征方向的静态特征物来确定车辆的预估行驶方向，并且通过光流法检测移动特征物的运动方向和速度，最后加权确定车辆是否逆行。

上述视觉检测技术属于前深度学习时代的视觉检测技术，存在着检测精度和检测鲁棒性不高的问题。

最近几年深度学习在计算机视觉领域的技术得到了迅速的发展,深度学习能利用大量的训练样本和隐藏层逐层深入地学习图像的抽象信息,更全面直接地获取图像特征。数字图像是以矩阵来描述的,卷积神经网络更好地从局部信息块出发,进而描述图像的整体结构,故在计算机视觉领域,深度学习方法中大多采用卷积神经网络来解决问题。回绕着提高检测精度和检测时间，深度卷积神经网络技术从R-CNN，Faster R-CNN到Fasterer R-CNN。具体表现为进一步精度提升、加速、端到端及更实用化，几乎覆盖了从分类到检测、分割、定位各个领域。深度学习技术运用于车辆逆向行驶视觉检测将是一个非常有实际应用价值的研究领域。

当人类的视觉系统在感知运动目标时，运动目标会在视觉系统的成像平面上形成一种均匀变化的图像流，称之为光流。光流表达了图像像素随时间的变化快慢程度，是一个图像序列中的图像灰度模式的表观运动，是空间运动物体的被观测表面上的像素点运动的瞬时速度场。光流法的优点在于提供了运动目标的相对运动速度、运动姿势位置以及表面纹理结构等丰富信息，而且能够在不知道场景任何信息的情况下，甚至复杂场景下，也能检测到运动目标。因此，在检测出道路上的车辆后，可以用光流法来识别运动车辆运行方向。

发明内容

为了克服已有车辆逆向行驶检测方式的检测精度较低、检测鲁棒性不高的不足，本发明提供一种检测精度较高、鲁棒性较高的基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统。

本发明解决其技术问题所采用的技术方案是：

一种基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统，包括安装在城市道路上的摄像机、交通云服务器和道路车辆逆向行驶检测系统；

所述的摄像机用于获取城市各道路上的视频数据，配置在道路的上方，通过网络将道路上的视频图像数据传输给所述的交通云服务器；

所述的交通云服务器用于接收从所述的摄像机所获得的道路视频数据，并将其递交给所述的道路车辆逆向行驶检测系统进行违章检测并对违章车辆身份识别，最后将检测结果合并现场抓拍图像自动生成违章检测报告保存在云服务器中，以便对逆向行驶车辆的车主进行警告和处罚，从而杜绝逆向行为的发生；