[发明专利]一种基于车载摄像机的平交口视距遮挡检测方法及系统

说明书

本发明公开了一种基于车载摄像机的平交口视距遮挡检测方法及系统。该方法包括：获取遮挡检测神经网络模型，所述遮挡检测神经网络模型为以平交口转角的视距三角形范围图像为神经网络的输入，以平交口转角的视距三角形范围内有无遮挡及遮挡物类别为神经网络的输出的训练后的神经网络模型；利用CCD工业相机采集待检测平交口转角的视距三角形范围图像；将所述待检测平交口转角的视距三角形范围图像输入所述遮挡检测神经网络模型，得到识别后的平交口视距遮挡物及遮挡物类别。本发明能够快速检测平交口视距，准确判断视距遮挡物的遮挡情况。

技术领域

本发明涉及平交口视距检测技术领域，特别是涉及一种基于车载摄像机的平交口视距遮挡检测方法及检测系统。

背景技术

在机动车驾驶员开车进出平交口的过程中，除超速、闯红灯等违法行为可能会发生机动车与行人之间的交通事故外，平交口转角空间所设置的各类交通设施、绿化以及街道家具对机动车和行人造成的视距遮挡也可能会引发严重的交通事故。目前平交口视距检测均为人工肉眼检测。由于人为检测需要大量的人力物力，检测效率低，不能及时的解决平交口视距遮挡问题。

相较于人工肉眼检测而言，基于视频识别的平交口视距遮挡检测系统具有快速、精确、高度信息化的特点，在视距检测应用中未曾有先例。

发明内容

本发明的目的是提供一种基于车载摄像机的平交口视距遮挡检测方法及系统，能够快速检测平交口视距，准确判断视距遮挡物的遮挡情况。

为实现上述目的，本发明提供如下方案：

一种基于车载摄像机的平交口视距遮挡检测方法，包括：

获取遮挡检测神经网络模型，所述遮挡检测神经网络模型为以平交口转角的视距三角形范围图像为神经网络的输入，以平交口转角的视距三角形范围内有无遮挡及遮挡物类别为神经网络的输出的训练后的神经网络模型；所述视距三角形为冲突点和两视点构成的三角形，所述冲突点为两条相交道路中一条道路的最右侧车道中心线的直行线方向与另一条道路右侧直行线方向相交点，所述两视点分别为所述两条道路上的停止线向后的一个停车视距的视点；

利用CCD工业相机采集待检测平交口转角的视距三角形范围图像；

将所述待检测平交口转角的视距三角形范围图像输入所述遮挡检测神经网络模型，得到识别后的平交口视距遮挡物及遮挡物类别。

可选的，所述获取遮挡检测神经网络模型具体包括：

获取训练样本数据，所述训练样本数据为平交口转角的视距三角形范围图像，所述视距三角形范围图像内包括无遮挡图像和有遮挡图像，所述有遮挡图像中的遮挡物包括绿化、杆件和/或箱体；

对所述视距三角形范围图像进行标定，得到标定结果，所述标定结果包括有遮挡结果和无遮挡结果；所述有遮挡结果包括绿化遮挡、杆件遮挡、箱体遮挡和其他遮挡；

建立深度神经网络模型；

以所述视距三角形范围图像为所述深度神经网络模型的输入，以所述标定结果为所述深度神经网络模型的输出，进行优化训练，得到遮挡检测神经网络模型。

可选的，所述对所述视距三角形范围图像进行标定，得到标定结果具体包括：

当所述视距三角形范围图像中存在绿化植被，判断所述绿化植被的平均高度是否超1m，若是，则标定为有遮挡结果，并确定为绿化遮挡；若无，标定为无遮挡结果；

当所述视距三角形范围图像中存在杆件，判断所述杆件的数量是否大于或等于设定杆件数量阈值，若是，则标定为有遮挡结果，并确定为杆件遮挡；若无，标定为无遮挡结果；

当所述视距三角形范围图像中存在箱体，判断所述箱体的高度是否超1m，若是，则标定为有遮挡结果，并确定为箱体遮挡；若无，标定为无遮挡结果。