[发明专利]一种基于IFast-RCNN算法的道路交通安全保护模型

说明书

一种基于IFast‑RCNN算法的道路交通安全保护模型。训练数据采集：利用高清摄像头拍摄的驾驶员驾驶姿势和车外道路环境图片，确定相应的标签后上传至ASP数据库中；离线模型训练：上位机程序从ASP数据库中获取相应的训练数据，从而对提出的IFast‑RCNN算法模型进行训练，直至模型得以收敛；模型在线应用：高清摄像头将实时拍摄的驾驶员驾驶姿势和车外道路环境图片输入到步骤2中已训练好的IFast‑RCNN算法模型中进行判别；步骤4，模型的优化升级。本发明所述的IFast‑RCNN模型可以很好的对道路交通安全进行保护，有效的避免了交通事故的发生，具有很好的实际应用价值。

技术领域

本发明涉及道路交通安全领域，特别是涉及一种基于IFast-RCNN算法的道路交通安全保护模型。

背景技术

近年来，我国的城镇化建设、国民经济和科技水平得到了大力的发展，我国居民的汽车保有量逐年增加，在汽车保有量越来越多的情况下，不可避免的会发生交通事故。近年来，公路网络基本已经形成，作为公路交通的重要组成部分的交通监控系统更是不断地优化和完善，基本全面覆盖了主要路段，这为降低交通事故发生率提供了有力的保障。其实各类的交通事故，大部分都是可以避免的，只要我们能够在事故发生前对驾驶员发生警报，便可以有效的避免事故的发生。

从交通事故的本身来说，事故的原因主要可细化成以下两方面：一方面是驾驶员驾驶行为的不规范；另一方面是车外驾驶条件的恶劣或隐藏的危险。因此我们可以从以上两方面入手，这两方面都涉及图像识别领域，所以可以用高性能的深度学习模型对拍摄的驾驶员驾驶姿势图像或车外行驶条件图像进行识别，当发现危险时及时给出警报，从而避免事故的发生。在图像识别模型中，需要考虑两大难题：1.深度学习模型的性能极大的受到训练数据数量的制约，如何获取海量的样本数据以及将这些数据有效的利用成为了一个亟待解决的问题；2.摄像机所拍摄的图片在雨雾天气下可能会模糊，导致图像识别模型不能很好的提取特征，从而降低模型的识别精度。

国内涉及道路交通安全方面的专利有“一种公路交通安全智能监测系统”(202010201104.4)，该专利主要是针对道路交通中的温度、雨雪、结冰、能见度和交通事故等方面进行分析，其采用了ANFIS神经网络对交通事故进行分类，从而实现对公路交通事故程度等级的检测、预测和预警，但该专利中未考虑到恶劣条件下数据采集的不稳定性给模型识别精度带来的干扰。国家发明专利“一种基于CAN数据的驾驶安全提醒方法、装置及介质” (201910926150.8)，该方法基于线路空间和时间的划分，定义阈值判断规则自动生成不规范驾驶行为规则阈值，另外采用HMM和k-means聚类方法对所述不规范驾驶行为中的误判进行过滤，统计分析驾驶员及各线路的运行趋势并发出警示，但该方法中的不规范驾驶的阈值的定义不具有自适应性，从而对该方法的泛化性产生了一定的限制。由此可见，设计一个抗干扰且泛化性良好的道路安全保护模型是非常有必要的。

发明内容

为解决上述问题，本发明在ASP数据库、MSRCR算法和Fast-RCNN模型的基础上，提出了一种基于IFast-RCNN算法的道路交通安全保护模型。为了充分的利用数据样本，使用ASP数据库存储模型训练数据，并支持数据库的扩充和共享，从而可以极大的扩充 IFast-RCNN模型的训练样本量以提高模型的准确性和泛化性。考虑到恶劣环境如雨雾天气，摄像头拍摄的图像不清晰而对模型的识别精度产生影响，本发明采用了MSRCR算法对图像进行预处理以削弱图片的失真程度，而后利用Fast-RCNN模型对增强后的图像进行特征提取，从而实现对不规范的架势姿势或危险的道路交通条件的识别，并及时的警报以避免交通事故的发生。为达此目的，本发明提供一种基于IFast-RCNN算法的道路交通安全保护模型，具体步骤如下，其特征在于：

步骤1，训练数据采集：利用高清摄像头拍摄的驾驶员驾驶姿势和车外道路环境图片，确定相应的标签后上传至ASP数据库中；

步骤2，离线模型训练：上位机程序从ASP数据库中获取相应的训练数据，从而对提出的IFast-RCNN算法模型进行训练，直至模型得以收敛；