[发明专利]一种基于深度学习的高速公路实时预警方法及系统

权利要求书

1.一种基于深度学习的高速公路实时预警方法，其特征在于，该方法在智能芯片内实现，包括：

获取高速公路四个方向的实时视频数据；

基于智能芯片内的神经网络模型同时识别多个方向的实时视频数据，得到高速公路事件识别结果；

根据高速公路事件识别结果向预警装置发出预警信号，同时将预警信号发送至后台服务器，由后台服务器发送至预警区域客户端进行行车诱导；

所述智能芯片包括：

视频输入模块，用于接收高速公路多个方向的实时视频数据并将其存入到指定的内存区域；

所述视频输入模块通过移动产业处理器接口接收摄像头拍摄的实时视频数据，对接收到的原始视频图像数据进行处理，实现视频数据的采集；

视频处理子系统模块，用于将高速公路多个方向的实时视频数据分解为基础视频数据和扩展视频数据；其中，基础视频数据保持原始视频数据的分辨率；

扩展视频数据的分辨率与神经网络加速引擎模块内的神经网络模型相匹配；

智能视频引擎模块，用于将当前扩展视频数据中的图像帧数据转化为神经网络模型相匹配的图像格式的帧数据；

神经网络加速引擎模块，用于获取格式转化后的帧数据，通过神经网络模型识别，得到高速公路车辆类别、对应事件类别及车辆轮廓坐标位置信息；视频图形子系统模块，用于获取基础视频数据，再基于高速公路车辆类别、对应事件的类别及车辆轮廓坐标位置信息，在基础视频数据中勾画出识别高速公路车辆的轮廓框；

所述视频输入模块、视频处理子系统模块、智能视频引擎模块、神经网络加速引擎模块和视频图形子系统模块均在接收启动命令后启动并同时均进行初始化操作；

在初始化操作过程中，神经网络加速引擎模块的初始化包括加载特定格式的已经训练好的神经网络模型，在加载前，提前将计算机中训练好的神经网络模型进行格式转化，转化为神经网络加速引擎模块可加载的特定格式；

所述视频处理子系统模块、智能视频引擎模块、神经网络加速引擎模块和视频图形子系统模块间进行多线程并行操作；其中，视频处理子系统模块、神经网络加速引擎模块和视频图形子系统模块间进行VitoVo线程操作；智能视频引擎模块和神经网络加速引擎模块之间进行detect线程操作。

2.如权利要求1所述的基于深度学习的高速公路实时预警方法，其特征在于，在VitoVo线程操作中，从扩展视频帧数据提取帧数据，放入帧数据链表中；在detect线程操作中，从帧数据链表按顺序取出帧数据，判断该帧数据是否进行识别，并根据是否进行识别的结果定义标志位，将标志位与帧号存入标志位链表中。

3.如权利要求1所述的基于深度学习的高速公路实时预警方法，其特征在于，在VitoVo线程操作中，从识别结果链表中按顺序取出帧数据的高速公路车辆识别结果与帧号，帧数据的高速公路车辆识别结果与帧号是在识别detect线程中由神经网络加速引擎模块识别得到并被存入识别结果链表中的。