[发明专利]目标检测模型构建及闯红灯追责方法、系统、终端及介质

权利要求书

1.一种基于深度学习的目标检测模型构建方法，其特征在于，包括：

获取指定区域内的交通视频流；

对所述交通视频流进行标注后得到车辆目标框和红灯显示区目标框，并形成第一标注数据；

对所述车辆目标框进行二次标注后得到车牌目标框，并形成第二标注数据；

将所述第一标注数据输入第一深度学习目标检测模型中进行训练，并在训练完成后对所述第一深度学习目标检测模型进行测试，并根据测试结果确定用于识别目标车辆和红灯状态的车辆及红灯检测模型；

将所述第二标注数据输入第二深度学习目标检测模型中进行训练，并在训练完成后对所述第二深度学习目标检测模型进行测试，并根据测试结果确定用于识别车牌的车牌检测模型。

2.如权利要求1所述的目标检测模型构建方法，其特征在于，还包括：

对所述车辆目标框和红灯显示区目标框进行目标框聚类，以得到接近实际场景所使用的目标框基准尺寸；

对聚类后的车辆目标框和红灯显示区目标框进行误差平方和判断。

3.如权利要求1所述的目标检测模型构建方法，其特征在于，所述第一标注数据包括所述红灯显示区目标框的中心点坐标数据、宽度及高度数据，还包括所述车辆目标框的中心点坐标数据、宽度及高度数据；所述第二标注数据包括所述车牌目标框的中心点坐标数据、宽度及高度数据。

4.一种基于深度学习的闯红灯追责方法，其特征在于，包括：

获取当前交通视频流，并确定实际场景红灯目标框坐标；

将所述当前交通视频流输入通过训练深度学习目标检测模型得到的车辆及红灯检测模型，并获取所述车辆及红灯检测模型输出的车辆目标框坐标及红灯显示区目标框坐标；

计算所述实际场景红灯目标框坐标与所述车辆及红灯检测模型输出的红灯显示区目标框坐标之间的重叠度，并根据重叠度计算结果判断所述当前视频流的红灯状态；

将判断为红灯的当前交通视频流所对应的车辆目标框输入通过训练深度学习目标检测模型得到的车牌检测模型，并获取所述车牌检测模型输出的车牌目标框坐标；

根据所述车牌检测模型输出的车牌目标框坐标对车牌进行字符识别，以获取车牌号；

将所述车牌号及车辆图像同步输出，以供进行闯红灯追责。

5.如权利要求4所述的闯红灯追责方法，其特征在于，所述根据重叠度计算结果判断所述当前视频流的红灯状态，包括：

判断所述实际场景红灯目标框坐标与所述车辆及红灯检测模型输出的红灯显示区目标框坐标之间的重叠度是否超过重叠度阈值；

若超过重叠度阈值，判断当前交通视频流中的交通指示灯为红灯状态；

否则，判断当前交通视频流中的交通指示灯不为红灯状态。

6.如权利要求5所述的闯红灯追责方法，其特征在于，所述重叠度阈值通过分别测试同一交通视频流在不同重叠度阈值下的红灯状态检测准确率来确定。

7.如权利要求4所述的闯红灯追责方法，其特征在于，还包括：

将所述车牌号及车辆图像添加时间戳后上传至预指定的违章数据库中。