一种基于物联网的超长隧道车辆超速抓拍方法及装置与流程
本发明属于图像处理,具体涉及一种基于物联网的超长隧道车辆超速抓拍方法及装置。
背景技术:
1、随着城市交通的迅速发展,车辆数量逐年增加,给城市交通管理带来了很大的压力。因超速和追尾的情况屡次发生,因此,对车辆进行有效监测尤其重要;
2、现有技术(公开号:cn117912001a)涉及人工智能技术领域,尤其涉及一种车牌检测方法、装置、设备及介质。通过预训练的车牌检测模型对融合后的特征图进行关键点预测,得到车牌的关键点,根据车牌的关键点与检测区域,对车牌进行矫正,得到矫正后的车牌图像,将矫正后的车牌图像作为车牌的检测结果。与原始目标检测模型中的预测模块增加了对车牌的关键点的预测,根据车牌的关键点对车牌进行矫正,得到矫正后的车牌图像。
3、上述专利主要对矫正后的车牌图像进行车牌识别,可以提高车牌的识别精度,高精度的识别从而提高了对车辆的管理效率;但是在隧道路段的检测过程中,由于隧道入口或者出口的强烈逆光、照明灯故障、浓烟环境,进而对车辆进行检测会出现残影现象,导致检测超速会出现误差;同时,由于车牌号为小目标检测,可能会出现误检或者漏检情况。
技术实现思路
1、本发明的目的就在于解决由于隧道入口或者出口的强烈逆光、照明灯故障、浓烟环境,对车辆进行检测会出现残影现象,导致检测超速会出现误差;由于车牌号为小目标检测,可能会出现误检或者漏检情况的问题,而提出一种基于物联网的超长隧道车辆超速抓拍方法及装置。
2、在本发明实施的第一方面,首先提出一种基于物联网的超长隧道车辆超速抓拍方法,所述方法包括:
3、实时获取目标隧道当前帧的道路图像和道路热成像图;
4、通过yolov8模型对道路图像进行识别后,得到多个车辆边界框;若未识别车辆边界框,则执行下一帧道路图像;若识别到车辆边界框,则获取当前帧的道路图像和与其对应的道路热成像图,通过当前帧的路热成像图对当前帧的道路图像的车辆位置进行修正得到当前帧的修正图像;以当前帧为起点,获取连续帧的修正图像;
5、对连续帧的修正图像进行图像融合得到最终修正图像;
6、对最终修正图像进行像素标尺变换得到尺度图像;
7、根据尺度图像进行对各个车辆进行判别生成违规结果;
8、将违规结果传输给服务器,以使所述服务器将违规结果传输给对应客户端,并将违规结果存储在预设违规数据库。
9、可选的,所述通过当前帧的路热成像图对当前帧的道路图像的车辆位置进行修正得到当前帧的修正图像包括:
10、获取当前帧的道路图像的多个车辆边界框;在道路热成像图提取多个热源区域的轮廓框;
11、对各个车辆边界框与依次对多个轮廓框进行匹配计算得到交并比;
12、若交并比大于交并阈值,则根据当前车辆边界框和匹配对应的轮廓框的中心坐标值计算得到中心偏移量;根据中心偏移量将当前车辆边界框整体移动,得到新边界框;
13、根据各个新边界框生成得到修正图像。
14、可选的,所述根据尺度图像进行对各个车辆进行判别生成违规结果包括:
15、根据尺度图像计算得到各个车辆车速和相邻车辆的距离;
16、对各个车辆的车速依次与隧道最大车速进行比较,若车速大于隧道最大车速,则将尺度图像代入车牌识别模型得到车牌号,并根据该车牌号的生成超速标签;
17、对任意相邻车辆的距离依次与隧道最小车距进行比较,若相邻车辆的距离大于隧道最小车距,则将尺度图像代入车牌识别模型得到车牌号;并根据该车牌号生成碰撞标签;
18、将各个车牌号对应的超速标签和碰撞标签整合得到违规结果。
19、可选的,所述车牌识别模型是基于yolov8模型的基础上进行改进得到的,具体包括:
20、在颈部结构中,将上采样模块后的concat模块都替换为自适应边界选择模块;
21、将检测头替换为动态检测头;
22、自适应边界选择模块的工作原理为:
23、将自适应边界选择模块的两个输入特征分别确定深层特征和浅层特征;所述深层特征和浅层特征的区别在深层特征是上采样模块的输出;
24、将浅层特征和深层特征依次代入特征互补模块得到深层补全特征;
25、将深层特征和浅层特征依次代入特征互补模块得到浅层补全特征;
26、对深层补全特征和浅层补全特征进行特征拼接后,再进行3×3卷积得到输出特征;
27、特征互补模块的计算步骤具体包括:
28、
29、
30、
31、
32、其中,表示浅层特征,表示深层特征,、是特征互补模块在计算过程中的特征;、表示深层补全特征和浅层补全特征;( )表示激活函数,conv( )表示标准卷积函数,下标为卷积核大小。
33、可选的,所述动态检测头的具体步骤包括:
34、将输入至动态检测头的特征确定为输入特征图;
35、对输入特征图进行全局平均池化后,再进行1×1卷积得到第一特征图;
36、将第一特征图代入高斯高通滤波得到第二特征图;
37、对输入特征图分别进行平均池化和全局池化得到第三特征图和第四特征图;对第三特征图和第四特征图进行特征拼接得到第五特征图;
38、对第二特征图和第五特征图进行逐元素相乘得到第六特征图;
39、将输入特征图与第六特征图进行逐元素相乘得到第七特征图;
40、对第七特征图进行激化函数得到目标特征。
41、在本发明实施的第二方面,提出一种基于物联网的超长隧道车辆超速抓拍装置,所述装置包括:
42、图像获取模块:实时获取目标隧道当前帧的道路图像和道路热成像图;
43、修正模块:通过yolov8模型对道路图像进行识别后,得到多个车辆边界框;若未识别车辆边界框,则执行下一帧道路图像;若识别到车辆边界框,则获取当前帧的道路图像和与其对应的道路热成像图,通过当前帧的路热成像图对当前帧的道路图像的车辆位置进行修正得到当前帧的修正图像;以当前帧为起点,获取连续帧的修正图像;
44、图像融合模块:对连续帧的修正图像进行图像融合得到最终修正图像;
45、尺度图像模块:对最终修正图像进行像素标尺变换得到尺度图像;
46、判别模块:根据尺度图像进行对各个车辆进行判别生成违规结果;
47、交互模块:将违规结果传输给服务器,以使所述服务器将违规结果传输给对应客户端,并将违规结果存储在预设违规数据库。
48、可选的,所述修正模块包括:车辆图像模块、交并比模块、判断模块和生成模块:
49、所述车辆图像模块,用于获取当前帧的道路图像的多个车辆边界框;在道路热成像图提取多个热源区域的轮廓框;
50、所述交并比模块,用于对各个车辆边界框与依次对多个轮廓框进行匹配计算得到交并比;
51、所述判断模块,用于若交并比大于交并阈值,则根据当前车辆边界框和匹配对应的轮廓框的中心坐标值计算得到中心偏移量;根据中心偏移量将当前车辆边界框整体移动,得到新边界框;
52、所述生成模块,用于根据各个新边界框生成得到修正图像。
53、可选的,所述判别模块包括:
54、所述车速车距模块,用于根据尺度图像计算得到各个车辆车速和相邻车辆的距离;
55、所述超速判别模块,用于对各个车辆的车速依次与隧道最大车速进行比较,若车速大于隧道最大车速,则将尺度图像代入车牌识别模型得到车牌号,并根据该车牌号的生成超速标签;
56、所述碰撞判别模块,用于对任意相邻车辆的距离依次与隧道最小车距进行比较,若相邻车辆的距离大于隧道最小车距,则将尺度图像代入车牌识别模型得到车牌号;并根据该车牌号生成碰撞标签;
57、所述违规结果模块,用于将各个车牌号对应的超速标签和碰撞标签整合得到违规结果。
58、可选的,所述车牌识别模型是基于yolov8模型的基础上进行改进得到的,具体包括:
59、在颈部结构中,将上采样模块后的concat模块都替换为自适应边界选择模块;
60、将检测头替换为动态检测头;
61、自适应边界选择模块的工作原理为:
62、将自适应边界选择模块的两个输入特征分别确定深层特征和浅层特征;所述深层特征和浅层特征的区别在深层特征是上采样模块的输出;
63、将浅层特征和深层特征依次代入特征互补模块得到深层补全特征;
64、将深层特征和浅层特征依次代入特征互补模块得到浅层补全特征;
65、对深层补全特征和浅层补全特征进行特征拼接后,再进行3×3卷积得到输出特征;
66、特征互补模块的计算步骤具体包括:
67、
68、
69、
70、
71、其中,表示浅层特征,表示深层特征,、是特征互补模块在计算过程中的特征;、表示深层补全特征和浅层补全特征;( )表示激活函数,conv( )表示标准卷积函数,下标为卷积核大小。
72、可选的,所述动态检测头的具体步骤包括:
73、将输入至动态检测头的特征确定为输入特征图;
74、对输入特征图进行全局平均池化后,再进行1×1卷积得到第一特征图;
75、将第一特征图代入高斯高通滤波得到第二特征图;
76、对输入特征图分别进行平均池化和全局池化得到第三特征图和第四特征图;对第三特征图和第四特征图进行特征拼接得到第五特征图;
77、对第二特征图和第五特征图进行逐元素相乘得到第六特征图;
78、将输入特征图与第六特征图进行逐元素相乘得到第七特征图;
79、对第七特征图进行激化函数得到目标特征。
80、本发明的有益效果:
81、本发明提出了一种基于物联网的超长隧道车辆超速抓拍方法及装置,通过利用热源轮廓对车辆边界框进行位置校正,能够明显提升车辆定位的准确性,从而减小相邻车距的测量误差、降低追尾事故风险,并有效应对因曝光过度或不足、浓烟、粉尘等环境因素导致的可见光图像模糊和车辆相互遮挡问题。同时,通过对连续帧进行修正图像融合,可进一步提高图像质量;结合像素标尺变换,实现图像坐标与实际米制距离之间的高精度映射,为车速和车距的可靠判断提供基础。在车牌等小目标识别方面,改进后的yolov8模型引入了自适应边界选择模块与动态检测头,提升了深层与浅层特征的互补能力,从而增强了车牌识别的鲁棒性和准确率,有效减少了误检与漏检情况。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com