[发明专利]一种基于结合改进目标语义分割和目标检测模型的实时移动交通违法检测方法

说明书

本发明涉及一种基于结合改进目标语义分割和目标检测模型的实时移动交通违法检测方法，本发明能够有效、实时地解决交通执法人员检测到在可变换场景下的交通违法行为的问题。本发明框架简单，性能强大，网络结构简单，性能良好；本发明检测的精度和速度有很大的优势，由于使用的网络结构特殊，所以在保证精度的同时不需要牺牲检测的速度，可以保证该方法的实时性；本发明具有移动性，比起固定的路桩式交通检测摄像头，本方法具有更好的灵活性和移动性，可以跟随车辆的移动，对不同的场景路面进行很好的检测，并且在保证精度的情况下保持速度。

技术领域

本发明涉及机器视觉技术领域，尤其涉及一种基于结合改进目标语义分割和目标检测模型的实时移动交通违法检测方法。

背景技术

随着城镇化进程的不断加速，城市人口和机动车数目的迅猛增长，产生了一系列严重的安全与交通问题。虽然违反交通规章制度的行为数量日益增长，但现行的电子瞥察系统由于体积大、功耗高等局限性，通常只能安装在固定的地点，监控范围有限，易被驾驶员提前知晓并刻意躲避，使其监管范围和效能受到了极大限制，这给交管执法部门的执法工作带来了很大的困扰。所以，设计一种高效而方便的基于车载移动视觉平台的实时交通违法自动识别方法意义重大。近年来，深度学习思想迅速发展，与传统依赖先验知识的特征提取算法不同，深度神经网络可在训练数据驱动下自适应地构建特征描述，具有更高的灵活性和普适性。作为实现深度学习的一项重要技术，卷积神经网络(CNN)成功地训练了首个深层神经网络结构，已在图像识别、语音识别等工程应用领域取得了卓越的成绩。

车道线检测和车辆目标检测是该方法的两种核心算法。传统的车道线检测方法依靠高度专业化，手工制作的特征和启发式的组合来识别车道。大众选择这些手工制作的线索包括基于颜色的特征，结构张量，条形滤波器，脊线特征等，它们可能与霍夫变换相结合和粒子或卡尔曼滤波器在识别出目标之后，采用后处理技术将错误检测目标过滤掉，以形成最终结果。总体来说，这些传统方法虽然速度快，但会由于道路场景变化而容易于出现鲁棒性差的问题，特别对于弯道的检测效果不佳，计算成本昂贵且不易于扩展。为了改进这些缺点，最近的方法已经用神经网络取代了手工制作的特征检测器，基于CNN的车道线检测属于语义分割任务，在语义分割中需要将视觉输入分为不同的语义可解释类别，语义的可解释性的定义就是分类类别在真实世界中是有意义的。基于CNN的语义分割车道线检测方法会直接为图像中的每个像素进行分类，原始图像经过一个端到端模型后直接输出分割结果，是一种从训练数据出发，贯穿整个模型后直接输出结果的模式。例如，可能需要区分图像中属于汽车的所有像素，并把这些像素涂成蓝色，可能需要区分图像中属于人的所有像素，并把这些像素涂成红色等。与图像分类或目标检测相比，语义分割能对图像有更加细致的了解。这种了解在诸如自动驾驶、机器人以及图像搜索引擎等许多领域都是非常有研究意义的。

目标检测算法大体上可以分为基于传统手工特征的时期(2013之前)以及基于深度学习的目标检测时期(2013～今)。基于传统手工特征的目标检测是通过提取图像的一些特征(如Harr、SIFT、HOG等)，使用DPM模型，用滑动窗口的方式来预测具有较高得分的目标位置边框(bounding box)。2013年以后基于深度学习的目标检测也可分为基于objectproposal、regression的两步检测和基于一体化卷积网络的检测。以CNN,Fast-RCNN,Faster-RCNN为代表的两步走算法是基于候选区域(Region Proposal)的R-CNN系算法，需要先使用启发式方法或者CNN网络(RPN)产生候选区域，然后再在候选区域上做分类与回归。而以YOLOv3,SSD,Retina-Net为代表的一步走算法是基于一体化卷积网络的方法，是可以一次性预测多个Box位置和类别的卷积神经网络，能够实现端到端的目标检测和识别。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于结合改进目标语义分割和目标检测模型的实时移动交通违法检测方法，本发明能够有效、实时地解决交通执法人员检测到在可变换场景下的交通违法行为的问题，以及在速度和精度方面都取得了良好的效果。