交通違規檢測方法及系統技術方案

本發明專利技術提供一種交通違規檢測方法及系統，該方法包括：采用深度學習網絡建立基于交通違規的識別模型；其中，所述識別模型包括吸煙識別模型、未綁安全帶識別模型與打電話識別模型；獲取車輛行駛過程中抓取的駕駛室內的圖像；檢測圖像中的駕駛員是否存在交通違規；當檢測到駕駛員存在交通違規時，獲取駕駛員所開車輛的位置信息與車牌號，將所述車輛對應的圖像、車牌號與位置信息發送交警平臺。從根本上解決了交通違規檢測方式單一，無法檢測到車輛內部狀態，規范了駕駛員行為且起到了警示作用，同時，減少了人工成本，提高了交通違規檢測的智能度，有效地減少了不良操作引起的交通事故。

【技術實現步驟摘要】

本專利技術涉及圖像識別
，特別是涉及一種交通違規檢測方法及系統。
技術介紹
隨著我國經濟的發展，汽車保有量大大增加，交通事故也越來越頻繁的發生。而多數交通事故是由于交通肇事造成的，尤其是闖紅燈、違規變道、逆行等嚴重違規行為。危害人民的生命財產安全，使國家蒙受不必要的重大經濟損失。因此對這些行為的監控有著重大的實際意義。我國當前對這些交通違規行為的檢測采用的是感應線圈技術，即在交通路口埋設感應線圈，通過感應線圈觸發照相拍攝。這種系統有以下幾個缺陷；一個是需要開挖道路埋設線圈，故障率高，需要定期開挖路面翻修；一個是線圈本身的壽命問題，一個是對逆行無法監控；一個是由于交通不可變道實線往往很長，距離路口長達30米，對違規實線變道控制埋設線圈的成本非常高。然而，另外一種方法是通過視頻對交通違規進行監測，既監測設備一端接入紅綠燈信號，另一端接入攝像頭。但該類技術有個缺陷，現有的交通違規檢測系統只能對車輛的具體行為違規做出判斷，卻無法對駕駛室內駕駛員具體行為進行判斷，往往駕駛員存在一些違規的駕駛習慣，如打手機、未綁安全帶以及吸煙等場景進行識別，從而無法確認駕駛員是否交通違法，擴大了駕駛員的危險系數。
技術實現思路
鑒于以上所述現有技術的缺點，本專利技術的目的在于提供一種交通違規檢測方法及系統，用于解決現有技術中交通違規檢測無法識別駕駛員在車內是否交通違規的問題。為實現上述目的及其他相關目的，本專利技術提供一種交通違規檢測方法，包括：采用深度學習網絡建立基于交通違規的識別模型；其中，所述識別模型包括吸煙識別模型、未綁安全帶識別模型與打電話識別模型；獲取車輛行駛過程中抓取的駕駛室內的圖像；檢測圖像中的駕駛員是否存在交通違規；當檢測到駕駛員存在交通違規時，獲取駕駛員所開車輛的位置信息與車牌號，將所述車輛對應的圖像、車牌號與位置信息發送交警平臺。本專利技術的另一目的在于提供一種交通違規檢測系統，包括：識別模型，用于采用深度學習網絡建立基于交通違規的識別模型；其中，所述識別模型包括吸煙識別模型、未綁安全帶識別模型與打電話識別模型；獲取模塊，用于獲取車輛行駛過程中抓取的駕駛室內的圖像；檢測模塊，用于檢測圖像中的駕駛員是否存在交通違規；違規模塊，用于當檢測到駕駛員存在交通違規時，獲取駕駛員所開車輛的位置信息與車牌號，將所述車輛對應的圖像、車牌號與位置信息發送交警平臺。如上所述，本專利技術的交通違規檢測方法及系統，具有以下有益效果：本專利技術以深度學習網絡為基礎，將預處理的圖像按照其違反的交通規則類型標注，按標準訓練圖像分別得到吸煙識別模型、未綁安全帶識別模型與打電話識別模型；當駕駛員在駕駛途中，攝像頭通過在路上設置監控點，采集包含駕駛員行為動作的圖像；依次調用識別模型檢測所述圖像中駕駛員是否存在交通違規，根據交通違規的時間將其對應的圖像、位置信息以及車輛車牌號均發給交警平臺。從根本上解決了交通違規檢測方式單一，無法檢測到車輛內部狀態，規范了駕駛員行為且起到了警示作用，同時，減少了人工成本，提高了交通違規檢測的智能度，有效地減少了不良操作引起的交通事故。附圖說明圖1顯示為本專利技術提供一種的交通違規檢測方法流程圖；圖2顯示為本專利技術提供一種的交通違規檢測方法流程中步驟S1的詳細流程圖；圖3顯示為本專利技術提供一種的交通違規檢測方法流程中步驟S12的詳細流程圖；圖4顯示為本專利技術提供一種的交通違規檢測方法流程中步驟S3的詳細流程圖；圖5顯示為本專利技術提供一種的交通違規檢測系統結構框圖；圖6顯示為本專利技術提供一種的交通違規檢測系統結構中識別模型1的結構框圖；圖7顯示為本專利技術提供一種的交通違規檢測系統結構中識別單元12的結構框圖；圖8顯示為本專利技術提供一種的交通違規檢測系統結構中檢測模塊3的結構框圖。具體實施方式以下通過特定的具體實例說明本專利技術的實施方式，本領域技術人員可由本說明書所揭露的內容輕易地了解本專利技術的其他優點與功效。本專利技術還可以通過另外不同的具體實施方式加以實施或應用，本說明書中的各項細節也可以基于不同觀點與應用，在沒有背離本專利技術的精神下進行各種修飾或改變。需說明的是，在不沖突的情況下，以下實施例及實施例中的特征可以相互組合。需要說明的是，以下實施例中所提供的圖示僅以示意方式說明本專利技術的基本構想，遂圖式中僅顯示與本專利技術中有關的組件而非按照實際實施時的組件數目、形狀及尺寸繪制，其實際實施時各組件的型態、數量及比例可為一種隨意的改變，且其組件布局型態也可能更為復雜。請參閱圖1，為本專利技術提供一種的交通違規檢測方法流程圖，包括：步驟S1，采用深度學習網絡建立基于交通違規的識別模型；其中，所述識別模型包括吸煙識別模型、未綁安全帶識別模型與打電話識別模型；其中，所述吸煙識別模型用于識別圖像中駕駛員是否在吸煙；所述未綁定安全帶識別模型用于識別圖像中駕駛員是否綁定安全帶；所述打電話識別模型用于識別圖像中駕駛員是否在打電話。步驟S2，獲取車輛行駛過程中抓取的駕駛室內的圖像；其中，通過攝像頭拍攝車輛在行駛途中圖片/相片/圖像，將所述攝像頭拍攝的圖片/相片/圖像進行預處理，生成統一大小、規格的圖像。步驟S3，檢測圖像中的駕駛員是否存在交通違規；其中，主要是預檢測的圖像輸入至提前訓練的吸煙識別模型、未綁安全帶識別模型與打電話識別模型，檢測駕駛員是否有交通違規；當駕駛員沒有違規操作時，則不操作；當駕駛員出現違規操作繼續執行步驟S4。步驟S4，當檢測到駕駛員存在交通違規時，獲取駕駛員所開車輛的位置信息與車牌號，將所述車輛對應的圖像、車牌號與位置信息發送交警平臺。具體地，當檢測到駕駛員存在交通違規時，顯示該交通違規對應的類型，且通過車輛圖像獲取到該車輛的車牌號以及根據拍攝該照片的攝像機確定車輛的位置信息，將駕駛員違規的圖像、車輛的車牌號與位置信息發送至交警平臺。在本實施例，通過替換到人工檢查駕駛室內的駕駛員在開車時，是否有出現一些不良駕駛習慣，如：開車不系安全帶、開車抽煙或開車打電話等現象；嚴打了上述不良習慣，規范了駕駛員的開車習慣，提升了駕駛安全，同時，交通違規檢測方式無需人工協助，提高了整個流程的智能化程度。請參閱圖2，為本專利技術提供一種的交通違規檢測方法流程中步驟S1的詳細流程圖，包括：步驟S11，采集駕駛室包含吸煙、未綁安全帶、打電話中任意一種或幾種的交通違規的圖像；具體地，圖像的格式無限制，另外，將所述圖像進行預處理得到預設規格的圖像，將所述圖像按照預設規格對其進行標記(標定)劃分成不同類型的違反交通規則的圖像，而且這些圖像組成訓練集。步驟S12，按交通違規的類型標記所述圖像，以深度學習平臺為基礎采用深度學習網絡結構訓練所述圖像，分別得到吸煙識別模型、未綁安全帶識別模型以及打電話識別模型，其中，所述深度學習平臺包含Caffe、Cntk或Mxnet；所述深度學習網絡結構包含Googlenet或Vgg。具體地，所述深度學習平臺與深度學習網絡結構可任意組合，Googlenet結構相對于VGG而言，擁有較好的深度與寬度，在深度方面googlenet在不同深度處增加了兩個loss來保證梯度回傳消失的現象，避免了梯度消失的問題；在寬度方面，增加了多種核且還增加maxpooling，降低了特征的厚度。在本實施例中，吸煙識別模型首先在標定照片中具體特征時，首先，會選中駕駛員的嘴部本文檔來自技高網...

【技術保護點】
一種交通違規檢測方法，其特征在于，包括：采用深度學習網絡建立基于交通違規的識別模型；其中，所述識別模型包括吸煙識別模型、未綁安全帶識別模型與打電話識別模型；獲取車輛行駛過程中抓取的駕駛室內的圖像；檢測圖像中的駕駛員是否存在交通違規；當檢測到駕駛員存在交通違規時，獲取駕駛員所開車輛的位置信息與車牌號，將所述車輛對應的圖像、車牌號與位置信息發送交警平臺。

【技術特征摘要】
1.一種交通違規檢測方法，其特征在于，包括：采用深度學習網絡建立基于交通違規的識別模型；其中，所述識別模型包括吸煙識別模型、未綁安全帶識別模型與打電話識別模型；獲取車輛行駛過程中抓取的駕駛室內的圖像；檢測圖像中的駕駛員是否存在交通違規；當檢測到駕駛員存在交通違規時，獲取駕駛員所開車輛的位置信息與車牌號，將所述車輛對應的圖像、車牌號與位置信息發送交警平臺。2.根據權利要求1所述的交通違規檢測方法，其特征在于，所述采用深度學習網絡建立基于交通違規的識別模型的步驟，包括：采集駕駛室包含吸煙、未綁安全帶、打電話中任意一種或幾種的交通違規的圖像；按交通違規的類型標記所述圖像，以深度學習平臺為基礎采用深度學習網絡結構訓練所述圖像，分別得到吸煙識別模型、未綁安全帶識別模型以及打電話識別模型，其中，所述深度學習平臺包含Caffe、Cntk或Mxnet；所述深度學習網絡結構包含Googlenet或Vgg。3.根據權利要求2所述的交通違規檢測方法，其特征在于，所述按交通違規的類型標記所述圖像，以深度學習平臺為基礎采用深度學習網絡結構訓練所述圖像，分別得到吸煙識別模型、未綁安全帶識別模型以及打電話識別模型的步驟，包括：調用Caffe平臺以Googlenet為結構，標記吸煙或打電話的圖像時，分別計算煙與嘴的關鍵點距離、電話與耳朵的關鍵點距離，分別訓練得到打電話識別模型與吸煙識別模型；調用Caffe平臺以Googlenet為結構，根據標記的未綁安全帶圖像檢測駕駛員胸前是否有安全帶，訓練得到未綁安全帶識別模型。4.根據權利要求1所述的交通違規檢測方法，其特征在于，所述檢測圖像中駕駛員是否存在交通違規的步驟，包括：依次采用吸煙識別模型、未綁安全帶識別模型與打電話識別模型分別對待檢測的圖像；當采用吸煙識別模型識別待檢測的圖像，計算所述圖像中煙與嘴的關鍵點距離，當檢測到煙與嘴的關鍵點距離低于預設第一距離時，則確定駕駛員開車時在吸煙；當采用打電話識別模型識別待檢測的圖像，計算所述圖像中電話與耳朵的關鍵點距離，當檢測到電話與耳朵的關鍵點距離低于預設第二距離時，則確定駕駛員開車時在打電話；當采用未綁安全帶識別模型識別待檢測的圖像，檢測駕駛員胸前是否存在安全帶，當檢測到駕駛員胸前無安全帶時，則確定駕駛員開車時未綁安全帶。5.根據權利要求1所述的交通違規檢測方法，其特征在于，所述當檢測到駕駛員存在交通違規時，獲取駕駛員所開車輛的位置信息與車牌號，將所述車輛對應的圖像、車牌號與位置信息發送交警平臺的步驟，包括：當檢測到駕駛員存在交通違規時，顯示該交通違規對應的類型，且通過車輛圖像獲取到該車輛的車牌號以及根據拍攝該照片的攝像機確定車輛的位置信息...

【專利技術屬性】
技術研發人員：周曦，許林權，
申請(專利權)人：重慶中科云叢科技有限公司，
類型：發明
國別省市：重慶;50