[发明专利]基于深度学习的大型车辆分析系统

说明书

本申请公开了一种基于深度学习的大型车辆分析系统，包括正向道路抓拍摄像机、安装在服务器上的GPU图形分析模块，与所述正向道路抓拍摄像机相间隔一段距离安装有反向道路抓拍摄像机，服务器通过视频流接入模块分别获取正向道路抓拍摄像机和反向道路抓拍摄像机的视频流并将视频流输入至GPU图形分析模块；GPU图形分析模块对视频流进行视频解码或视频数据转换从而输出结构化图形数据，GPU图形分析模块将视频流分解为单帧图像传输到深度学习算法模块，深度学习算法模块对结构化图形数据中的所有车辆信息进行处理得到大型车辆全车信息并将存在违法行为的大型车辆全车信息输出至违法信息平台。

技术领域

本申请涉及道路交通领域，尤其涉及一种道路交通基于深度学习的大型车辆分析系统。

背景技术

目前我国货车保有量2000多万辆，占机动车保有量总数的7.8％，但货车肇事导致的死亡人数约占交通事故死亡总数的28％。2012年货车的万车事故率比同期全国交通事故万车事故率高出1倍多。近期，山东、福建、河北等地接连发生多起货车肇事导致的群死群伤道路交通事故，给人民群众生命财产安全造成重大损失。

目前智慧城市建设中的监控点位越来越多，对大型车辆的监管直接关系到道路交通安全。现有技术中所用的成像抓拍模式，对于污损车辆、遮挡车辆无法进行识别。导致对大型车辆事故逃逸、城市禁行等违法行为，无法完全有效的进行管理和追诉。

发明内容

为了解决现有技术的不足，本申请提供了一种基于深度学习的大型车辆分析系统。

一种基于深度学习的大型车辆分析系统，包括正向道路抓拍摄像机、安装在服务器上的GPU图形分析模块，与所述正向道路抓拍摄像机相间隔一段距离安装有反向道路抓拍摄像机，服务器通过视频流接入模块分别获取正向道路抓拍摄像机和反向道路抓拍摄像机的视频流并将视频流输入至GPU图形分析模块；GPU图形分析模块对视频流进行视频解码或视频数据转换从而输出结构化图形数据，GPU图形分析模块将视频流分解为单帧图像传输到深度学习算法模块，深度学习算法模块对结构化图形数据中的所有车辆信息进行处理得到大型车辆全车信息并将存在违法行为的大型车辆全车信息输出至违法信息平台。

作为本申请基于深度学习的大型车辆分析系统的技术方案的进一步改进，所述深度学习算法模块分别对进入正向道路抓拍摄像机和反道路抓拍摄像机拍摄范围的所有车辆进行同步轨迹跟踪并识别抓拍属于大型车辆的车头和车尾信息，然后对大型车辆的车头和车尾信息进行二次比对，确保获取的是同一大型车辆的车头和车尾信息并合成得到大型车辆全车信息；然后进一步分析判断合成全车的大型车辆是否有闯禁、超高、超限、抛洒、车斗未遮盖和遮挡号牌的违法行为，当存在违法行为时输出报警信息及违法车辆信息到违法信息平台。

作为本申请基于深度学习的大型车辆分析系统的技术方案的进一步改进，所述深度学习算法模块的神经网络包括基础特征提取的8层卷积层结构、多尺度特征提取的3层卷积层结构、特征合并层、金字塔池化层和分类检测回归层；图像输入网络进行前向传播时，先经过基础特征提取的8层卷积层结构，再输入到3层多尺度特征提取的卷积层结构中，将基础特征提取结构中第4层和第8层的特征，结合多尺度提取结构的特征，输入到特征合并层中进行合并，并将输出的合并特征输入到金字塔池化层中；最后将金字塔池化层的输出特征输入到最后的分类检测回归层中，输出违法判断结果；若输出1则为违章；输出为0，则为正常，最终得到车辆闯禁、超高、超限、抛洒、车斗未遮盖、遮挡号牌行为判断结果。

作为本申请基于深度学习的大型车辆分析系统的技术方案的进一步改进，所述视频流接入模块用于检测判断网络连接是否正常，检测判断正、反向道路抓拍摄像机是否正常工作、视频流是否正常，具体判断方法为：当网络不通或者网络延时超出预设值判断为网络不正常；摄像机当前图像场景变动、出现干扰、图像失真、模糊判断为正、反向道路抓拍摄像机不正常；视频流丢帧、跳帧判断为视频流不正常。