[发明专利]一种基于图像的车辆行驶方向判断方法

权利要求书

1.一种基于图像的车辆行驶方向判断方法，其特征在于，包括以下步骤：

S1、获取通过路口的视频采集设备采集的某时刻的图像、待判定车辆的车牌号；

S2、通过常规的检测算法获取该图像下的所有车辆的位置信息；

S3、通过常规的检测算法检测出该图像下所有车中对应车牌的位置信息；

S4、通过常规的车牌识别算法识别出该图像下所有车的车牌号码；

S5、通过S4中得到车牌号码找到与待判定车辆的车牌号相同的当前车；

S6、通过分割算法对三张图中的黄线、实线即车道线进行语义分割；

S7、通过分割得到的轮廓进行直线拟合；

S8、通过拟合的车道线确定该图像下的灭点；

S9、通过常规方法即第一种方法判断当前车辆的行驶方向；

S10、通过改进算法一即第二种算法再次判断当前车辆的行驶方向；

S11、通过改进算法二即第三种算法再次判断当前车辆的行驶方向；

S12、若方法一和方法二判断结果相同，则直接相信当前结果，结束判断；

S13、若方法一和方法二判断结果不同，当方法三和方法一相同时，则相信方法一/方法三，当方法二和方法三相同时，则相信方法二/方法三，当方法一、方法二、方法三三种方法皆不相同时，则返回不确定，结束判断。

2.如权利要求1所述的一种基于图像的车辆行驶方向判断方法，其特征在于，所述步骤S6的语义分割算法具体步骤如下：

S61、收集应用场景的车道线图片，并人工标注出车道线区域，即人工标注包围公交车道的闭合多边形；

S62、将人工标注转换为标签矩阵，即将人工标注的黄线闭合多边形内所有像素点对应标签设置为0、将人工标注的实线闭合多边形内所有像素点对应标签设置为1、将人工标注的虚线闭合多边形内所有像素点对应标签设置为2、其他像素点对应的标签设置为0；

S63、将车道线图片及对应的标签矩阵输入deeplab-v2分割算法训练，deeplab-v2分割算法采用ResNet-34作为骨干网络，psp_module和unet模块作为解码器，并使用skip layer引入低维细节特征作为模型网络结构，使用a*bce_loss+b*lovasz_loss作为最终loss，其中a和b大于等于0，a和b小于等于1，，并引入辅助损失aux_loss进行训练；

S64、应用训练好的deeplab-v2分割算法预测输入图像像素点类别，将属于黄线、实线以及虚线类别的像素点坐标集合输出，从而实现车道线区域的分割。

3.如权利要求1所述的一种基于图像的车辆行驶方向判断方法，其特征在于，所述步骤S8的灭点检测算法具体步骤如下：

S81、通过输入的车道线个数，对灭点的检测分为不同的方法；

S82、若车道线个数为0，则将X轴上图片列数的中点作为灭点；

S83、若车道线个数为1，则将车道线拟合的直线与X轴的交点作为灭点；

S84、若车道线个数为2，则将两条车道线的交点作为灭点；

S85、若车道线个数大于2，在S7中通过轮廓点数对车道线轮廓进行从大到小的排序，因此只选取前两条直线，将这两条直线的交点作为灭点。

4.如权利要求1所述的一种基于图像的车辆行驶方向判断方法，其特征在于，所述步骤S9的第一种方法判断当前车辆的行驶方向：

S91、将当前车辆从原图中抠出，人为对其进行四个类别的分类，包括前、左、右以及后，并作为深度学习的训练样本；

S92、采用2个Inception Googlenet裁剪作为训练以及测试网络，输入为步骤S91抠出的原图，输出为4个类别；

S93、当训练网络的loss下降到一定阈值以后，存下该训练model，供算法前向使用；

S94、该算法前向中，直接将当前车辆在原图中抠出，送进模型前向，读取模型输出分类结果即为此方法下求得的当前车辆行驶方向结果。