[发明专利]一种基于深度学习的车辆压线违法自动审核方法

说明书

本发明公开了一种基于深度学习的车辆压线违法自动审核方法，包括以下步骤：获取摄像头的抓拍图片，对图片进行切割和排序；获取目标车辆车牌号码；采用基于深度学习的目标车辆检测模块，分别检测出各个排序图的目标车辆，获得目标车辆的检测框；采用基于深度学习的场景分割模块的对排序图做场景分割，获得分割出的实线像素；在每个排序图上，采用车辆压线违法判断模块计算实线拟合的直线与目标车辆检测框的下边框所在直线是否有交点；根据交点的位置判断该组排序图上的目标车辆是否压线违法，本方法适用于现实场景中交通摄像头拍摄的图片的违章审核。

技术领域

本发明涉及交通违法的人工智能判断技术领域，特别涉及到一种用于车辆压线违法审核的系统。

背景技术

随着社会经济的不断发展和人民生活水平的持续提高，交通管理局对于交通违章自动审核的需求越来越大。传统和违章审核主要是通过人工识别，该方法人工成本较高,效率较低,且长时间重复性校验操作容易产生疲劳，疏忽等不良状态，影响校验准确率。

如何准确、快速地对交通中的违法行为进行审核,同时避免人工识别成本高,易疲劳,易疏忽等弊端,是急需解决的技术问题。

发明内容

本发明的目的是：提出一种基于深度学习的车辆压线违法自动审核系统，自动审核压线违法行为，以满足如今对交通违法审核工作中效率、准确率的需求。

本发明采用的技术方案是：

一种基于深度学习的车辆压线违法自动审核系统，包括如下步骤：

S1、按行读取违章数据集信息表；每一行数据信息包括图片地址信息,设备号信息,车牌号码信息；根据图片地址信息读入多合一的图片，对图片进行切割并按切割的位置的依次顺序,获得一组排序图；

S2、采用基于深度学习的目标车辆检测模块，分别检测出该组排序图每个图像的目标车辆，获得目标车辆的检测框；

S3、采用基于深度学习的场景分割模块算法对该组排序图的每个图像做场景分割，获得分割出的车道线轮廓,停止线轮廓,导向线轮廓,和目标车辆的轮廓；

S4、该组排序图的各个图像之间,分别对车道线轮廓,停止线轮廓,导向线轮廓求几何学的并集；

S5、分别计算车道线轮廓,停止线轮廓,导向线轮廓的外接矩形,通过外接矩形的尺寸过滤掉较小的轮廓；

S6、分别计算车道线轮廓的拟合线段和停止线的拟合线段；若两个车道线轮廓之间的拟合线段满足重合判断条件,则认为这两个轮廓属于同一个车道线,将这两个轮廓进行轮廓合并,再对合并的轮廓拟合线段；若两个停止线轮廓之间的拟合直线重合,则认为这两个轮廓属于同一个车道线,将这两个轮廓进行轮廓合并,再对合并的轮廓拟合线段；

S7、每一个车道线和每一个导向线通过车道线和导向线位置关系算法判断是否接触；若接触判断车道线为误分割车道线,删除该车道线；

S8、若车道线拟合线段的个数大于等于2,计算出每两个车道线之间交点,这些交点通过灭点计算算法求解出灭点位置；计算灭点与车道线拟合线段的垂直距离,垂直距离若大于100像素,则认为该车道线是为误分割,删除该车道线；

S9、保留长度最大的停止线拟合线段,将车道线延长到停止线；

S10、在每个排序图上,通过车辆底盘底部轮廓拟合算法计算目标车辆轮廓的底部轮廓的拟合线段,计算底部轮廓的拟合线段左右端点与目标车辆检测框的间隙；间隙大的一侧目标车辆轮廓认为有可视的底盘侧轮廓,选取目标车辆轮廓中横向坐标位于该间隙内且纵向坐标位于目标车辆检测框下半检测框高度范围内的轮廓点做拟合线段,该拟合线段即为目标车辆的可视侧底盘轮廓拟合线段；间隙小的一侧端点认为是不可视底盘侧轮廓拟合线段下端点；