[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

说明书

本发明提供目标检测模型构建及闯红灯追责方法、系统、终端及介质，当发生非机动车闯红灯违章现象时，采用本发明的技术方案可以在非人为干预的情况下利用计算机视觉以及深度学习系统做到自动化违章追责，对于有闯红灯行为的非机动车驾驶员进行违章处罚，从而规范非机动车驾驶员的行车行为，保障行车安全。

技术领域

本发明涉及人工智能及深度学习技术领域，尤其涉及目标检测模型构建及闯红灯追责方法、系统、终端及介质。

背景技术

随着城市公共交通日趋饱和，越来越多的出行者选择非机动车作为中短距离出行的交通工具，由此带来的问题是交通管理部门并不能对这些非机动车辆进行有效监测和管理。

有研究显示，电动车20％的死亡事故是由闯红灯造成的，非机动车驾驶员由于缺乏道路交通安全方面的培训，安全意识较为淡薄，在道路行驶过程中容易存在闯红灯的违法行为，引发较多交通事故，带来较大的安全隐患。对于此类违法行为，交管部门多是采取在马路道口设置卡点抓取闯红灯行为人，对其进行道路安全教育以及违法处罚。然而这样的检查方式耗费大量的人力，违法人多有侥幸心理，在无人监管的环境下没有可以约束非机动车驾驶员安全驾驶行为的措施，导致交管部门线下查处非机动车闯红灯的检查方式治标不治本。为此，需要提出一种可以对非机动车闯红灯行为闭环追责的系统方法。

发明内容

有鉴于现有技术的上述缺陷，本发明提出目标检测模型构建及闯红灯追责方法、系统、终端及介质，用于结局现有技术中对非机动车闯红灯行为追责低效、成本高、欠缺有效性等问题。

为实现上述目的，本发明的第一方面提供了一种基于深度学习的目标检测模型构建方法，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。

在本发明的较佳实施方式中，所述方法还包括：对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。

在本发明的另一较佳实施方式中，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。

为实现上述目的，本发明的第二方面提供一种基于深度学习的闯红灯追责方法，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；将车牌号及车辆图像同步输出，以供进行闯红灯追责。

在本发明的较佳实施方式中，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。