[发明专利]一种基于深度学习的车辆闯红灯识别判定方法

说明书

本发明提供一种基于深度学习的车辆闯红灯识别判定方法,包括以下步骤：获取视频流，对视频流进行抽帧处理，并对视频流中的场景进行区域标定；采集车辆数据并标注，建立车辆种类标注数据集，采用Yolov5s模型对不同种类车辆进行结构化检测训练；用MobilenNetV1模型来进行红绿灯状态的分类检测，判断当前的红绿灯状态与车辆通行状态连动；对标定区域内的车辆进行轨迹追踪，对目标车辆轨迹记录；根据目标车辆轨迹结果，进行目标车辆行驶方向和闯红灯状态的判定。本发明能够很大程度上降低硬件成本，降低现场施工人员的人工和维护成本，还避免了对道路进行二次破坏，有效节省了资源又可提高准确性。

技术领域

本发明涉及交通信息技术领域，尤其涉及一种基于深度学习的闯红灯识别判定方法。

背景技术

伴随着社会的逐步发展，私家车的社会保有量呈爆发式增长，但是人民的驾驶安全意识有待提高，闯红灯等违法行为也是时有发生，并且因为闯红灯行为而造成的人身和财产安全威胁也是屡见不鲜，因此，交管部门需要对闯红灯的违法行为进行抓拍和处罚。

目前已有的闯红灯抓拍技术，多是基于智能摄像头等高成本硬件进行行为抓拍，不利于后续的迭代优化，人工维护成本也是很高的。或者以雷达方式进行行为检测的装置，往往会对正常道路进行破坏，不利于道路的养护，缩短使用年限，造成社会资源的浪费。

发明内容

本发明解决的技术问题是提供一种基于深度学习对视频流的闯红灯行为进行实时检测和判定，并完成结果推送的方法。

为解决上述技术问题，本发明提供的一种基于深度学习的车辆闯红灯识别判定方法，包括以下步骤：

S1：获取视频流，对视频流进行抽帧处理，并对视频流中的场景进行区域标定；

S2：采集视频流中车辆数据并标注，建立车辆种类标注数据集，采用Yolov5s模型对不同种类车辆进行结构化检测模型训练，并使用TensorRT模型优化；

S3：采用MobilenNetV1模型来进行红绿灯状态的分类检测，判断当前的红灯，绿灯或者黄灯状态，并将红绿灯状态与车辆通行状态连动；

S4：对经过标定的待检测标定区域内的车辆进行轨迹追踪，包括以下步骤：

S41：判定车辆是否在标定区域内；

S42：对进入标定区域内的车辆进行车辆初始化信息采集；

S43：进行车辆特征匹配，通过行Reid模型对目标车辆进行追踪和轨迹记录；

S5：根据步骤S43中对目标车辆追踪的轨迹结果，进行目标车辆行驶方向和闯红灯状态的判定，并推送出判定结果。

进一步的，所述步骤S1中，区域标定包括以下步骤：

S101：对视频流中的道路线和红绿灯位置信息进行标定，并将道路坐标写入数据库中；

S102：将S101中道路线属性进行标定，并生成json格式标定文件。

进一步的，所述S102中的道路线属性包括直行、右转、左转、直行左转、直行右转或无限制。

进一步的，所述S3中，红绿灯状态的分类包括以下步骤：

S301：进行红绿灯数据采集，建立红绿灯分类的数据集；

S302：对S301中的数据集进行红绿灯状态分类模型训练，并使用TensorRT模型优化。

进一步的，所述S41包括以下步骤：

S411：将标定区域中顶点位置对应关系，按照顺时针的顺序依次排列p1,p2,p3,p4；

S412：根据标定区域内部点p0，计算位置间的向量关系