申请/专利权人：合肥湛达智能科技有限公司

申请日：2019-10-16

公开（公告）日：2024-02-27

公开（公告）号：CN110991221B

主分类号：G06V20/54

分类号：G06V20/54;G06V20/62;G06V30/148;G06V30/19;G06V10/82;G06N3/0464;G08G1/017

优先权：

专利状态码：有效-授权

法律状态：2024.02.27#授权;2020.05.05#实质审查的生效;2020.04.10#公开

摘要：本发明提供了一种基于深度学习的动态交通闯红灯识别方法，应用于闯红灯自动识别技术领域，包括：采集车辆行进信息、行人信息以及交通标志线信息；采用深度学习模型交通标志线信息进行检测，并提取交通标志线；根据交通信号灯的控制时间，获取多个待检测图像；获得分割图像，并对分割图像按照时间顺序进行编号；将编号后的分割图像分别输入至深度学习模型中，通过所述深度学习模型进行识别车道线的车辆，并识别车辆对应的车牌号；基于时间顺序所对应的编号，确定处于非行驶时间内进入斑马线的车牌号，并将该车牌号所对应的车辆确定为交通闯红灯车辆。应用本发明实施例，实现了自动进行交通动态闯红灯的识别，提高车辆闯红灯的识别效率。

主权项：1.一种基于深度学习的动态交通闯红灯识别方法，其特征在于，所述方法包括：采集车辆行进信息、行人信息以及交通标志线信息；采用深度学习模型交通标志线信息进行检测，并提取交通标志线；根据交通信号灯的控制时间，获取多个待检测图像，其中，待检测图像为包含斑马线区域的行人和或车辆的图像；将每一个待检测图像进行图像分割处理，获得分割图像，并对分割图像按照时间顺序进行编号；将编号后的分割图像分别输入至深度学习模型中，通过所述深度学习模型进行识别车道线的车辆，并识别车辆对应的车牌号；基于时间顺序所对应的编号，确定处于非行驶时间内进入斑马线的车牌号，并将该车牌号所对应的车辆确定为交通闯红灯车辆；深度学习模型的训练步骤，包括：从分割后图像中随机选取第一数量张图像输入所述深度学习模型中，第一数量为正整数，其中，第一数量张图像包含正样本和负样本，其中，正样本为车辆闯红灯所对应的图像、负样本为车辆不闯红灯所对应的图像；通过所述深度学习模型提取所述第一数量分割后图像的特征；根据提取的特征将所述第一数量分割后图像划分为闯红灯状态和非闯红灯状态，得到区域划分结果；根据所述区域划分结果调整所述深度学习模型的参数；深度学习模型的测试步骤，包括：从分割后图像中随机选取第二数量张图像输入卷积神经网络中进行测试；通过所述卷积神经网络获得所述第二数量分割后图像中每一个图像的分类结果；根据分类结果确定划分正确的样本数量，并获取分类正确率；在分类正确率不小于预设阈值的情况下，并基于当前该卷积神经网络的参数确定为卷积神经网络；深度学习模型包括：第一卷积层，包括两个卷积层，每一个卷积层为多个3*3的卷积核，对包含非机动车道的输入图像进行卷积操作，获得第一图像特征；第一池化层，接收所输入的第一图像特征，并对所述第一图像特征进行压缩；第二卷积层，包括三个卷积层，每一个卷积层为多个3*3的卷积核，对包含非机动车道的输入图像进行卷积操作，获得第二图像特征；第二池化层，接收所输入的第二图像特征，并对所述第二图像特征进行压缩；第三卷积层，包括二个卷积层，每一个卷积层为多个3*3的卷积核，对包含非机动车道的输入图像进行卷积操作，获得第三图像特征；第三池化层，接收所输入的第三图像特征，并对所述第三图像特征进行压缩；所述第一卷积层与上采样层相连逆卷积层后接一个向上采样层，每一个卷积层与激活函数相连，第二卷积层后接一个向上采样层，采用上采样层进行内容复制并扩充特征映射图；接收原始车道图片，通过多个卷积层提取车道区域特征信息，以及经过上采样层进行填充处理，获得与位于非行驶区域内的车辆，并获得车辆的车牌号。

全文数据：

权利要求：

百度查询： 合肥湛达智能科技有限公司 一种基于深度学习的动态交通闯红灯识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD