基于人工智能的電動自行車占用機動車道識別方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于人工智能的電動自行車占用機動車道識別方法，包括：拍攝所在區(qū)域的機動車道和非機動車道的視頻圖像，并傳輸給視頻分析系統(tǒng)；采用基于深度神經(jīng)網(wǎng)絡(luò)學習電動自行車的特征，并建立電動自行車的外形訓練模型和車牌訓練模型；對視頻圖像進行圖像分割，以區(qū)分機動車道和非機動車道；提取機動車道內(nèi)的視頻圖像，并將所述視頻圖像輸入外形訓練模型以標記機動車道內(nèi)的電動自行車；將所述標記機動車道內(nèi)的電動自行車的視頻圖像輸入車牌訓練模型，檢測輸出電動自行車的車牌號碼。通過上述方案，本發(fā)明專利技術(shù)具有識別準確、降低計算工作量等優(yōu)點，在人工智能技術(shù)領(lǐng)域具有很高的實用價值和推廣價值。

Recognition Method of Electric Bicycle Occupying Vehicle Lane Based on Artificial Intelligence

【技術(shù)實現(xiàn)步驟摘要】
基于人工智能的電動自行車占用機動車道識別方法
本專利技術(shù)涉及人工智能
，尤其是基于人工智能的電動自行車占用機動車道識別方法。
技術(shù)介紹
隨著人工智能技術(shù)不斷發(fā)展，人工智能也被廣泛用于在機器視覺、指紋識別、人臉識別、視網(wǎng)膜識別、虹膜識別、掌紋識別、專家系統(tǒng)、自動規(guī)劃、智能搜索、定理證明、智能控制、機器人學、語言和圖像理解、遺傳編程等領(lǐng)域。隨著汽車的快速發(fā)展，我國汽車總擁有量也逐年遞增，如此也造成了城市交通擁堵。目前，較多人選擇使用電動自行車作為上下班、外出的主要交通工具，其具體積較小、停車方便、操作簡便等優(yōu)點，電動自行車的城市擁有量也在逐年遞增。隨之而來電動自行車搶占機動車道事件也頻頻發(fā)生，既加重了交通負擔，又增加了交警執(zhí)法工作量。與此同時，還存在交通事故風險。
技術(shù)實現(xiàn)思路
針對上述問題，本專利技術(shù)的目的在于提供一種基于人工智能的電動自行車占用機動車道識別方法，本專利技術(shù)采用的技術(shù)方案如下：基于人工智能的電動自行車占用機動車道識別方法，包括安裝在電子眼安裝支架上、且能拍攝到機動車道和非機動車道的視頻圖像的攝像頭，與所述攝像頭連接的視頻分析系統(tǒng)。所述電動自行車占用機動車道識別方法，包括以下步驟：步驟S01，利用所述攝像頭拍攝所在區(qū)域的機動車道和非機動車道的視頻圖像，將攝像頭拍攝的視頻圖像轉(zhuǎn)換成視頻流，并傳輸給視頻分析系統(tǒng)；同時，采用基于深度神經(jīng)網(wǎng)絡(luò)學習電動自行車的特征，并建立電動自行車的外形訓練模型和車牌訓練模型。步驟S02，對攝像頭拍攝的視頻圖像進行圖像分割，以區(qū)分機動車道和非機動車道。步驟S03，提取機動車道內(nèi)的視頻圖像，并將所述視頻圖像輸入外形訓練模型以標記機動車道內(nèi)的電動自行車。步驟S04，將所述標記機動車道內(nèi)的電動自行車的視頻圖像輸入車牌訓練模型，檢測輸出電動自行車的車牌號碼。進一步地，所述步驟S01中，建立電動自行車的外形訓練模型和車牌訓練模型包括以下步驟：步驟S11，將電動自行車的視頻圖像劃分為8×8的矩形塊，并對任一矩形塊進行聚類預測錨點框。步驟S12，將所述分割的矩形塊輸入至多層卷積神經(jīng)網(wǎng)絡(luò)中，采用卷積神經(jīng)網(wǎng)絡(luò)提取視頻圖像內(nèi)的圖像特征，并訓練獲得任一電動自行車的外形訓練模型和車牌訓練模型。更進一步地，所述步驟S02中，視頻圖像分割包括以下步驟：步驟S21，識別攝像頭拍攝的視頻圖像中的右側(cè)道路劃分線和中間隔離線；步驟S22，采用基于邊緣分割算法劃分獲得右側(cè)道路劃分線與中間隔離線之間的機動車道的視頻圖像。優(yōu)選地，所述步驟S21中，采用變形Sobel算子識別獲得右側(cè)道路劃分線、車道劃分線和中間隔離線的紋理特征。優(yōu)選地，所述中間隔離線包括單黃實線、雙黃實線、黃色虛實線和雙白實線。與現(xiàn)有技術(shù)相比，本專利技術(shù)具有以下有益效果：(1)本專利技術(shù)利用安裝在電子眼安裝支架上的攝像頭拍攝到機動車道和非機動車道的視頻圖像，該攝像頭為現(xiàn)有布設(shè)的成熟部件，本專利技術(shù)無需另設(shè)視頻采集設(shè)備，可有效地降低設(shè)備投入成本。(2)本專利技術(shù)采用深度神經(jīng)網(wǎng)絡(luò)學習獲得電動自行車的外形訓練模型和車牌訓練模型，其識別能力強，且識別精度較高，有效地避免電動自行車占用機動車道誤判。(3)本專利技術(shù)采用變形Sobel算子識別獲得右側(cè)道路劃分線、車道劃分線和中間隔離線的紋理特征，為圖像分割提供基礎(chǔ)。進一步地，本專利技術(shù)采用圖像分割以獲得機動車道的視頻圖像，如此設(shè)計的好處在于，減少識別計算工作量。(4)本專利技術(shù)通過標記機動車道內(nèi)的電動自行車，并識別該機動車道內(nèi)的電動自行車的車牌號碼，為交通執(zhí)法提供依據(jù)，并降低交警執(zhí)法工作量。綜上所述，本專利技術(shù)具有識別準確、降低計算工作量等優(yōu)點，在人工智能
具有很高的實用價值和推廣價值。附圖說明為了更清楚地說明本專利技術(shù)實施例的技術(shù)方案，下面將對實施例中所需使用的附圖作簡單介紹，應(yīng)當理解，以下附圖僅示出了本專利技術(shù)的某些實施例，因此不應(yīng)被看作是對保護范圍的限定，對于本領(lǐng)域技術(shù)人員來說，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。圖1為本專利技術(shù)的流程圖。圖2為本專利技術(shù)的訓練模型建立流程圖。圖3為本專利技術(shù)的視頻圖像分割的流程圖。具體實施方式為使本申請的目的、技術(shù)方案和優(yōu)點更為清楚，下面結(jié)合附圖和實施例對本專利技術(shù)作進一步說明，本專利技術(shù)的實施方式包括但不限于下列實施例。基于本申請中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。實施例如圖1至圖3所示，本實施例提供了一種基于人工智能的電動自行車占用機動車道識別方法，其包括安裝在電子眼安裝支架上、且能拍攝到機動車道和非機動車道的視頻圖像的攝像頭，與所述攝像頭連接的視頻分析系統(tǒng)。在本實施例中，深度神經(jīng)網(wǎng)絡(luò)、邊緣分割算法和變形Sobel算子均為現(xiàn)有技術(shù)，本實施例并未對其算法本身進行改進，因此，本實施例不再對深度神經(jīng)網(wǎng)絡(luò)、邊緣分割算法和變形Sobel算子的計算過程進行詳細闡述。在本實施例中，所述電動自行車占用機動車道識別方法，包括以下步驟：第一步，利用所述攝像頭拍攝所在區(qū)域的機動車道和非機動車道的視頻圖像，將攝像頭拍攝的視頻圖像轉(zhuǎn)換成視頻流，并傳輸給視頻分析系統(tǒng)。在此，攝像頭拍攝的視頻圖像中既包括有機動車道內(nèi)的視頻圖像，又包括非機動車道內(nèi)的視頻圖像。當且僅當，電動自行車駛?cè)霗C動車道內(nèi)才屬于交通違章行為。同時，本實施例采用基于深度神經(jīng)網(wǎng)絡(luò)學習電動自行車的特征，并建立電動自行車的外形訓練模型和車牌訓練模型，具體如下：(1)將電動自行車的視頻圖像劃分為8×8的矩形塊，并對任一矩形塊進行聚類預測錨點框。(2)將所述分割的矩形塊輸入至多層卷積神經(jīng)網(wǎng)絡(luò)中，采用卷積神經(jīng)網(wǎng)絡(luò)提取視頻圖像內(nèi)的圖像特征，并訓練獲得任一電動自行車的外形訓練模型和車牌訓練模型。第二步，對攝像頭拍攝的視頻圖像進行圖像分割，以區(qū)分機動車道和非機動車道，具體來說：(1)識別攝像頭拍攝的視頻圖像中的右側(cè)道路劃分線和中間隔離線，其中，采用變形Sobel算子識別獲得右側(cè)道路劃分線、車道劃分線和中間隔離線的紋理特征。所述中間隔離線包括單黃實線、雙黃實線、黃色虛實線和雙白實線。(2)采用基于邊緣分割算法劃分獲得右側(cè)道路劃分線與中間隔離線之間的機動車道的視頻圖像。第三步，提取機動車道內(nèi)的視頻圖像，并將所述視頻圖像輸入外形訓練模型以標記機動車道內(nèi)的電動自行車。第四步，將所述標記機動車道內(nèi)的電動自行車的視頻圖像輸入車牌訓練模型，檢測輸出電動自行車的車牌號碼。綜上所述，本專利技術(shù)巧妙地利用神經(jīng)網(wǎng)絡(luò)識別電動自行車占用機動車道和該電動自行車的車牌號碼，并利用圖像分割以減少識別技術(shù)工作量，排除識別計算非機動車道內(nèi)的電動自行車的情況。與現(xiàn)有技術(shù)相比，具有突出的實質(zhì)性特點和顯著的進步，在人工智能識別
具有廣闊的市場前景。上述實施例僅為本專利技術(shù)的優(yōu)選實施例，并非對本專利技術(shù)保護范圍的限制，但凡采用本專利技術(shù)的設(shè)計原理，以及在此基礎(chǔ)上進行非創(chuàng)造性勞動而作出的變化，均應(yīng)屬于本專利技術(shù)的保護范圍之內(nèi)。本文檔來自技高網(wǎng)...

【技術(shù)保護點】
1.基于人工智能的電動自行車占用機動車道識別方法，包括安裝在電子眼安裝支架上、且能拍攝到機動車道和非機動車道的視頻圖像的攝像頭，其特征在于，還包括與所述攝像頭連接的視頻分析系統(tǒng)；所述電動自行車占用機動車道識別方法，包括以下步驟：步驟S01，利用所述攝像頭拍攝所在區(qū)域的機動車道和非機動車道的視頻圖像，將攝像頭拍攝的視頻圖像轉(zhuǎn)換成視頻流，并傳輸給視頻分析系統(tǒng)；同時，采用基于深度神經(jīng)網(wǎng)絡(luò)學習電動自行車的特征，并建立電動自行車的外形訓練模型和車牌訓練模型；步驟S02，對攝像頭拍攝的視頻圖像進行圖像分割，以區(qū)分機動車道和非機動車道；步驟S03，提取機動車道內(nèi)的視頻圖像，并將所述視頻圖像輸入外形訓練模型以標記機動車道內(nèi)的電動自行車；步驟S04，將所述標記機動車道內(nèi)的電動自行車的視頻圖像輸入車牌訓練模型，檢測輸出電動自行車的車牌號碼。

【技術(shù)特征摘要】
1.基于人工智能的電動自行車占用機動車道識別方法，包括安裝在電子眼安裝支架上、且能拍攝到機動車道和非機動車道的視頻圖像的攝像頭，其特征在于，還包括與所述攝像頭連接的視頻分析系統(tǒng)；所述電動自行車占用機動車道識別方法，包括以下步驟：步驟S01，利用所述攝像頭拍攝所在區(qū)域的機動車道和非機動車道的視頻圖像，將攝像頭拍攝的視頻圖像轉(zhuǎn)換成視頻流，并傳輸給視頻分析系統(tǒng)；同時，采用基于深度神經(jīng)網(wǎng)絡(luò)學習電動自行車的特征，并建立電動自行車的外形訓練模型和車牌訓練模型；步驟S02，對攝像頭拍攝的視頻圖像進行圖像分割，以區(qū)分機動車道和非機動車道；步驟S03，提取機動車道內(nèi)的視頻圖像，并將所述視頻圖像輸入外形訓練模型以標記機動車道內(nèi)的電動自行車；步驟S04，將所述標記機動車道內(nèi)的電動自行車的視頻圖像輸入車牌訓練模型，檢測輸出電動自行車的車牌號碼。2.根據(jù)權(quán)利要求1所述的基于人工智能的電動自行車占用機動車道識別方法，其特征在于，所述步驟S01中，建立電動自行車的外形訓練模型和車牌訓練...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：殷鵬，張小輝，
申請(專利權(quán))人：殷鵬，
類型：發(fā)明
國別省市：廣東,44