[发明专利]一种用于车辆运动方向判定的逆行检测方法

权利要求书

1.一种用于车辆运动方向判定的逆行检测方法，具体包括：

步骤1)初始化车辆正常行驶方向，设定逆行检测区域D；

步骤2)在逆行检测区域D内，基于深度学习模型检测出车辆集合A＝{A₁,A₂,...,A_i}；

步骤3)根据步骤2)的车辆集合A＝{A₁,A₂,...,A_i}，遍历跟踪车辆集合B＝{B₁,B₂,...,B_j}，从中筛选出与跟踪车辆B_i匹配的车辆集合C＝{C₁,C₂,...,C_i}，再与跟踪车辆列表进行比对匹配，更新跟踪车辆列表信息；

步骤4)判断更新后的跟踪车辆列表中的跟踪车辆B_j是否为逆行车辆；若跟踪车辆B_j不是逆行车辆，则继续追踪；若跟踪车辆B_j为逆行车辆，则标注该车辆并发出逆行判决。

2.根据权利要求1所述的逆行检测方法，其特征在于，所述步骤1)具体包括：

初始化车辆正常行驶方向，采用有向线段N表示；设置四边形车辆逆行检测区域D；由逆行检测区域D与有向线段N可以得到区域D内正常行驶车辆入口区域与出口区域。

3.根据权利要求1所述的逆行检测方法，其特征在于，所述步骤2)具体包括：

输入道路监控视频图像；根据步骤1)得到的检测区域D，将D归一化到448×448作为输入图像，基于深度学习模型检测出当前帧图像中的车辆集合A＝{A₁,A₂,...,A_i},车辆A_i的矩形包围框区域为PA_i＝{x_i,y_i,w_i,h_i}，其中，x_i和y_i分别为车辆A_i中心点坐标；w_i和h_i分别对应为车辆A_i矩形包围框的宽和车辆A_i矩形包围框的高。

4.根据权利要求3所述的逆行检测方法，其特征在于，该深度学习模型所用的卷积神经网络结构包括：8个卷积层，4个下采样层，2个全连接层和一个输出层；

卷积层中扫描边界自动填充0，均利用Leaky-ReLu函数对神经元进行激活；下采样层中均采用最大池化；

卷积层C1的卷积核大小为7×7，16个卷积核，步长为2，生成特征图大小为224×224；下采样层S1窗口大小为4×4，步长为4，生成特征图大小为56×56；卷积层C2卷积核大小为3×3，32个卷积核，步长为1，生成特征图大小为56×56；卷积层C3卷积核大小为3×3，32个卷0积核，步长为1，生成特征图大小为56×56；下采样层S2窗口大小为2×2，步长为2，生成特征图大小为28×28；卷积层C4卷积核大小为3×3，64个卷积核，步长为1，生成特征图大小为28×28；卷积层C5卷积核大小为3×3，64个卷积核，步长为1，生成特征图大小为28×28；卷积层C6卷积核大小为3×3，64个卷积核，步长为1，生成特征图大小为28×28；下采样层S3窗口大小为2×2，步长为2，生成特征图大小为14×14；卷积层C7卷积核大小为3×3，128个卷积核，步长为1，生成特征图大小为14×14；下采样层S4窗口大小为2×2，步长为2，生成特征图大小为7×7；卷积层C8卷积核大小为3×3，256个卷积核，步长为1，生成特征图大小为7×7；

全连接层F1由256个神经元构成，使用Relu函数对神经元进行激活；全连接层F2由2048个神经元构成，使用Leaky-ReLu函数对神经元进行激活；输出层由539个神经元构成，使用Relu函数对神经元进行激活。