基于人工智能的电动车头盔识别方法与流程

1.本技术涉及人工智能领域，具体涉及一种基于人工智能的电动车头盔识别方法。


背景技术：

2.目前对电动车人员是否佩戴头盔的检测主要有两种，一种是交警等工作人员的人工检测，缺点是：用有限的警力去检查数量巨大的电动车骑行者及乘客，不仅费时而且费力，工作效率较低；另一种是利用视频监控系统，通过路边交通摄像头来采集图像信息，利用dnn网络识别电动车驾驶者情况，先检测驾驶工具是否为电动车，在检测对应目标有无佩戴头盔，缺点是：当图像为道路摄像头从后上方获取，图像中目标较多且存在电动车带人的现象中，无法判断其是否存在违规现象。


技术实现要素：

3.为了克服上述现有技术的缺点，本发明的目的是提供一种基于人工智能的电动车头盔识别方法。
4.为实现上述目的，本发明采用如下技术方案：一种基于人工智能的电动车头盔识别方法，包括如下步骤：获取非机动车道场景图片；通过人体姿态估计得到非机动车道场景中的人体关键节点，建立坐标系，得到每个人体关键节点中头部关键节点的坐标；根据头部关键节点坐标进行区域划分，对各区域内的头部关键节点坐标进行直线拟合，获得多条拟合直线，对多条拟合直线进行分类，得到共乘关系拟合直线和非共乘关系拟合直线，通过分类后的共乘关系拟合直线和非共乘关系拟合直线得到共乘关键节点集合和非共乘关键节点集合；使用目标检测网络对所有头部关键节点中对应的人体是否佩戴头盔进行检测，当检测出人体无佩戴头盔时，若该无佩戴头盔人体的头部关键节点位于共乘关键节点集合内，则该人体无佩戴头盔的事件存在违规，若无佩戴头盔人体的头部关键节点位于非共乘关键节点集合内，对人体无佩戴头盔事件对应的人员检测是否使用交通工具，若交通工具为电动车，则该人体无佩戴头盔事件存在违规。
5.所述直线拟合方法为：对人体头部关键节点按照坐标大小编号，并初始化头部位置点的连接标志和检测状态=0，选取标号最小的点，选取其一排中纵坐标差距不超过一半电动车车长的点划分为一个区域；计算该区域内的各个点的纵坐标的平均值，选取纵坐标和平均值差距不超过一个电动车车长的点，划分为一个区域，设置该点，选取该区域内剩余未检测的点中选取标号最小且的点，重复上述步骤，直到图像中不存在未检测的点；
依次遍历各个区域，利用最小二乘法对各区域内的点进行直线拟合得到拟合直线，若该拟合直线有内点也有外点时，该拟合直线为共乘关系拟合直线，若该拟合直线有内点无外点时，该拟合直线为非共乘关系拟合直线。
6.所述共乘关键节点集合包括所有共乘关系拟合直线中外点和距离该外点距离最短的内点，非共乘关键节点集合包括所有非共乘关系拟合直线中的内点和所有共乘关系拟合直线中无对应外点的内点。
7.所述人体姿态估计是通过encoder
‑
decoder结构的人体关键点检测网络，将训练过后的马路场景图像信息作为输入，并进行编码、解码，标签为人体的双脚、双膝、双胯、双肩、双肘、双手和头部等13类关键点，loss函数采用均方差损失函数训练得到。
8.所述目标检测网络是使用encoder
‑
fc网络，设人体头部坐标为，双肩坐标分别为，，以为中心，，为顶点裁剪出的矩形框进行标注和训练，得到标签为0的目标认定为无头盔目标，标签为1的目标认为是戴头盔目标。
9.所述检测驾驶工具方法如下：获取每个可疑对象的头部以及双手的位置坐标，设头部的坐标为，双手的位置坐标为，以，，，为顶点，做矩形框，使用encoder
‑
fc网络检测该区域，若该区域有电动车后视镜，则说明驾驶工具为电动车。
10.本发明的有益效果为：基于人工智能，通过人体姿态估计技术，结合最小二乘法得到拟合直线，根据拟合直线得到共乘关系关键点集合和非共乘关键点集合，结合目标检测网络，分析人体头部关键点与集合的位置关系及交通工具，实现对头盔情况进行识别，判断是否违规，极大的节省了检测成本，精准而高效。
附图说明
11.图1是本发明一种基于人工智能的电动车头盔识别方法中应用场景示意图。
12.图2是本发明一种基于人工智能的电动车头盔识别方法流程图。
13.图3是本发明一种基于人工智能的电动车头盔识别方法中头部标记示意图。
14.图4是本发明一种基于人工智能的电动车头盔识别方法中去除背景后的头部坐标示意图。
15.图5是本发明一种基于人工智能的电动车头盔识别方法中头部编号示意图。
16.图6是本发明一种基于人工智能的电动车头盔识别方法中非共乘关系拟合直线示意图。
17.图7是本发明一种基于人工智能的电动车头盔识别方法中共乘关系拟合直线示意图。
18.图8是本发明一种基于人工智能的电动车头盔识别方法中应用场景中共乘关键点连接示意图。
具体实施方式
19.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例
方式作进一步地详细描述。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
20.实施例1:本实施例如图1所示，应用场景为非机动车道处，车辆较多。
21.本实施例如图2所示提供一种基于人工智能的电动车头盔识别方法，包括：获取非机动车道场景图片；该步骤是通过马路口高处的摄像机拍摄到当前场景中非机动车道的图片。
22.通过人体姿态估计得到非机动车道场景中的人体关键节点，建立坐标系，得到每个人体关键节点中头部关键节点的坐标；该步骤的目的是得到图像中的人体关键点位置，方便后续处理。
23.其中，人体的关键点检测网络为encoder
‑
decoder的结构，输入训练过后的马路场景图像信息，并对此进行编码，然后进行解码，标签为人体的双脚，双膝，双胯，双肩，双肘，双手和头部等13类关键点。
24.其中，标注过程为：每类关键点对应一个单通道，在该通道中，标记关键点对应像素的位置，而后采用高斯模糊，使标记点处形成关键点的人，本发明使用了13类关键点，故标签图像共包含13个通道。loss函数采用均方差损失函数进行训练。
25.根据头部关键节点坐标进行区域划分，对各区域内的头部关键节点坐标进行直线拟合，获得多条拟合直线，对多条拟合直线进行分类，得到共乘关系拟合直线和非共乘关系拟合直线，通过分类后的共乘关系拟合直线和非共乘关系拟合直线得到共乘关键节点集合和非共乘关键节点集合；该步骤的目的是检测出所有点中存在电动车载人关系的点和不存在电动车载人关系的点的集合。
26.其中，直线拟合方法为:（1）初始化数据（1）初始化数据（1）初始化数据（1）初始化数据，以图像左下角为原点，将关键点检出的人体头部进行标记如图3所示，去除背景得到图4，从左到右，自下而上地对该道路检测到的人体头部进行标号如图5所示，标号规则为，先对每个点的纵坐标进行排序，对于纵坐标相同的点，再对其横坐标进行排序，对应的坐标为，，，
……
,，每个点设置一个表示连接关系的标志以及一个表示检测状态的标志，初始值均为0表示该点无连接，未检测。
27.（2）成排区域分割，由于在一段直行的道路场景中，前后位置的电动车驾驶者头部相差的距离可以近似的认为两者相差一个电动车车身长度，则所有电动车每一排就会被划分为一个区域，具体划分步骤如下：a.取整个区域中标号最小的点，即图5中标号为1的点，在一排的车辆之间的纵坐标差距不能超过一半的车长，否则将无法保证直线拟合的准确性，选取纵坐标位于区域内的点，划分为一组，其中为根据相机成像原理，将现实场景中的车身长度在距离摄像头不同远近的大小投影到图像中对应位置的车身长度；
b.取该组内的各个点的纵坐标的平均值,所得再将坐标位于划分为一个区域，选取所有纵坐标在该区域内的点划为一组，再设置选取出来的这些点的标志;c．选取剩余未检测的点中选取标号最小的一个点，即检测状态标志，且标号值最小的点再次重复上述步骤，直到图像中不存在未检测点，即不存在的点；需要说明的是，市面上常见的电动车的车身长度在之间，自行车车身长度在之间，但现在人们的电动车逐渐并且大部分偏于小巧，故可以将该场景中的自行车或电动车的一般车身长度设为，根据相机成像原理，得到其在图像中不同位置对应的长度为一个阈值。
28.（3）依次遍历各个区域，利用最小二乘法对该区域内的点进行直线拟合，拟合原理为：其中,是事先选定的一组线性无关的函数，是待定系数,，拟合准则是使 与 的距离的平方和最小，其中最终被选入进行直线拟合的点为内点，未选入该直线的点为外点。
29.进一步对拟合直线进行分类，若该拟合直线有内点也有外点时，该拟合直线为共乘关系拟合直线，若该拟合直线有内点无外点时，该拟合直线为非共乘关系拟合直线。
30.其中，共乘关键点是在共乘关系拟合直线中，对于拟合直线外的一个点，遍历拟合直线上所有内点，选取距离最小的一个内点与该外点建立连接关系，此时二者之间存在共乘关系，互相设置连接标志，二者为共乘关键点，非共乘关键点包括在非共乘关系拟合直线中，位于拟合直线上的内点和在共乘关系拟合直线中无对应外点的内点，可得到共乘关键点集合和非共乘关键点的集合。
31.进一步举例说明共乘关系拟合直线和非共乘关系拟合直线及共乘关键点的使用，例如，对图5中第一区域的点进行拟合得到图6，由图可知点1，点2，点3为内点，在纵坐标差距为0.5范围内没有外点，认为该拟合直线为非共乘关系拟合直线，点1，点2，点3为非共乘关键点，再选取剩余未检测的点中选取标号最小的一个点4，划分步骤与上一步相同，如图7所示，不同的是，在这一组分割后，点，点，点，点为拟合直线内点，出现了一个外点，点8，则认为此拟合直线为共乘关系拟合直线。此时计算号点到其他点的欧氏距离，可以得到号点到号点的距离最小，所以认为号点与号点为共乘关键点，建立两点之间的连接，如图8所示，用橙色线表示，结合初始化原图3对比发现，8号和6号确实共乘一辆电动车，在图6和图7这两个区域中，共乘关键点集合为图7中的点8和点6，非共乘关键点集合为图6中点1，点2，点3和图7中的点4，点5，点7。
32.使用目标检测网络对所有头部关键节点中对应的人体是否佩戴头盔进行检测，当检测出人体无佩戴头盔时，若该无佩戴头盔人体的头部关键节点位于共乘关键节点集合
内，则该人体无佩戴头盔的事件存在违规，若无佩戴头盔人体的头部关键节点位于非共乘关键节点集合内，对人体无佩戴头盔事件对应的人员检测是否使用交通工具，若交通工具为电动车，则人体无佩戴头盔事件存在违规。
33.该步骤目的是通过判断无头盔的目标是否存在违规，因为现实情况中，路边摄像头所拍摄的图像中大部分遮挡挡住的是车辆下部分，对于上部分的车头以及车辆后视镜的遮挡较小，所以可以对可疑对象进一步识别其驾驶车辆有无后视镜，对应人体的区域为双肩到双手的区域内，所以只需要检测该区域内有无电动车后视镜即可。
34.其中，目标网络检测方法如下：（1）设人体头部坐标为，双肩坐标分别为，；以为中心，，为顶点作矩形框；（2）使用encoder
‑
fc网络，对矩形框标注一条宽度为1像素的曲线作为对应头盔的标签，即每行像素中头盔像素的中心点为标签，标为1，其他标为0，loss函数采用交叉熵损失函数进行训练；（3）训练后得到的标签为1的目标认为是戴头盔目标，标签为0的目标认定为无头盔目标。
35.其中，判断是否存在违规方法为：检测无头盔目标连接标记，若，说明该目标头部关键节点位于共乘关键节点集合内，说明此时电动车载人且有人没带头盔，则判定违规；若，说明该目标头部关键节点位于非共乘关键节点集合内，需进一步检测交通工具，若交通工具为电动车，则存在违规，否则不存在违规。
36.进一步说明，检测交通工具方法如下：（1）获取每个可疑对象的头部，以及双手的位置坐标，设头部的坐标为，双手的位置坐标为，以，，，为顶点，做矩形框，检测该区域内有无电动车后视镜特征。
37.（2）使用encoder
‑
fc网络，对经第一步处理后的矩形框进行标注，进标注一条宽度为1像素的曲线作为对应电动车后视镜的标签，即每行像素中电动车后视镜像素的中心点为标签，标为1，其他标为0,loss函数采用交叉熵损失函数。
38.进一步举例说明，如图8所示，检测出点6和点8未佩戴头盔，二者头部关键节点位于共乘关键节点集合内，则认定其存在违规，检测出点3未佩戴头盔，其头部关键节点位于非共乘关键节点集合内，进一步检测到点3交通工具为电动车，则认定其存在违规。
39.基于本发明第一实施例提出第二实施例，包括信息采集单元，通过架在非机动车道高处的摄像机，采集车道图像；信息处理单元，将图像信息发送云端服务器，通过程序分析处理，判断图中是否存在电动车人员未佩戴头盔的违规现象；提示单元，在判定当前有人违规时，可通过架在车道高处的音频输出设备进行提示或通知，如：“当前有人未按照规定佩戴头盔，请检查头盔佩戴情况”，也可通过在路旁设立视频图像显示设备，显示图中存在违规的人员图像，并配合语音进行提示通知。
40.在实际应用中，本方案可应用于红绿灯处路口处非机动车道违规检测场景中，对
于大量骑行者，无需人工检测是否为骑电动车对象，是否未按规定佩戴头盔，只需摄像头拍摄到的图片，进行处理和分析，即可判断出违规事件，基于人工智能，精确而高效。
41.以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。