[发明专利]一种基于深度学习的机场出发层违章车辆自动识别方法

说明书

本发明公开一种基于深度学习的机场出发层违章接客车辆识别方法：基于机场出发车道边实际固定机位的监控视频，使用YOLO_v4算法识别车辆与行人目标，利用DeepSORT算法跟踪目标，根据YOLO_v4返回的目标类别与DeepSORT记录的目标位置信息判断车辆的运行状态与乘客上下车行为，在车辆停止时统计车内人数变化情况，根据该统计结果判断车辆是否存在接客行为，完成对机场出发层违章车辆的识别。有益效果：准确度可以达到83.3％，检测速度相较传统人工识别方式提升巨大，可以大大减小监控执法人员的工作量，提高非现场执法的执法效率及执法准确性，在智能交通监管领域具有广阔的发展前景，可以使机场陆侧交通的安全管理得到进一步强化，为交通行业的长足发展提供有效保障。

技术领域

本发明涉及人工智能领域，具体涉及一种基于深度学习的机场出发层违章车辆自动识别方法。

背景技术

近年来，我国航空运输高速发展，各大机场客货吞吐量快速增长，给机场陆侧交通带来了一定的压力，因陆侧交通拥堵而导致的航空运输问题也不时发生。机场陆侧交通除机场附近路网道路外，也包含机场航站楼出发层车道边。机场出发层车道边是专门用于落客的区域，因机场无法保证所有车辆都能遵守规定，很多机场出发层车道边都是接送客混行，这无疑增加了出发层交通的压力。

针对这些行为，现在普遍使用的方法主要有人工现场监督和摄像头抓拍两种方式，但这两种技术手段也存在如下问题：

(1)人工现场管理因为需要不间断监督所以对人力成本消耗巨大；

(2)摄像头抓拍一般需要停车超过一定时间(5-7分钟)才可记录；

(3)两种方法均存在检测效率低、识别精度有限且不能从根本遏制违章行为。

综上所述，为改善现有违章监测手段、提升机场路侧交通通行效率，亟需从源头上改变现有的检测方式，开展机场路测智慧管控技术研究，建立精度高、成本低、鲁棒性强的机场违章车辆自动识别方法。

发明内容

本发明旨在于至少在一定程度上解决上述技术问题之一。

为此，本发明目的在于提供一种基于深度学习的机场出发层违章接客车辆自动识别方法，用于解决现有技术存在的检测成本高、检测的精度有限以及方法鲁棒性不强的问题。

本发明是通过以下技术方案实现的：

本发明的一种基于深度学习的机场出发层违章车辆自动识别方法，其特征在于：包括以下步骤：

S1：获取视频流，导入目标识别模型和多目标追踪判断模型，对视频流进行逐帧判断；S2：目标识别与判断，将车辆和行人作为识别目标，并分别赋予 id，如判断为车则执行步骤S3，如判断为人则执行步骤S4，直至视频文件每一帧均被判断完成；S3：对车辆是否处于静止状态进行识别，并保存车辆识别参数数据集至参数存储器；S4：对行人是否消失进行识别，并保存行人识别参数数据集至参数存储器；S5：对S3、S4中保存到参数存储器中的数据集进行计算，以一辆静止的车的检测范围内记录行人“出现”与“消失”的总次数的代数差来计算车辆的最终人数变化；S6：以车辆的车内最终人数变化为依据，对标记为消失的车辆进行违章行为识别；当人数变化＞0时，可以判断车辆存在接客行为，即违章；当人数变化＜0时，可以判断车辆存在送客行为，即未违章；当人数变化＝0时，可以判断车辆为路过车辆；当人数变化数据丢失时，则代表车辆丢失部分数据，将其人数变化记为0，同时将该车做上数据丢失的标记；S7：输出结果。

进一步的，上述S1中的视频流为时长为T的机场出发层车道边固定机位监控视频，用t表示监控视频的任一时刻，t∈[0，T]；

上述S2、S3、S5、S6的具体步骤为：车辆在t时刻被目标识别模型识别到并判断为“出现”时被赋予id为i，i∈N，N代表视频中所有个体被跟踪算法赋予的id集合；