一种跑车超速检测系统、方法、电子设备及存储介质与流程

1.本技术涉及一种检测方法，尤其涉及一种跑车超速检测系统、方法、电子设备及存储介质，属于深度学习技术领域。


背景技术：

2.超级跑车往往拥有大排量的发动机和大量涡轮，结合高强度和轻量化的复合材料，能够实现相比于日常轿车的更快移动速度，若在市区街道以极快的速度驾驶跑车，伴随着独特的引擎声，这将给城市的交通安全带来极大的隐患，不及时针对该类驾驶者给予一定的处罚，很有可能造成严重的交通事故。
3.由于当前城市道路所装置的交通执法设备多为电警卡口，只能对路口闯红灯、违规压线、不系安全带的车辆进行监管处罚，无法对道路上行驶的超速跑车进行检测处置，常见的交警现场监督的方法无法应用在较大范围的城市道路上。而具备测速功能的电警必须配备外场测速设备如线圈、雷达，线圈安装需埋设于地面下，维护困难，且在桥梁立交等路面禁止进行施工，而雷达造价高，需投入较大的资金。
4.传统的跑车超速行为人工处罚工作需要安排交警在城市道路的路口、路段进行现场监督，录下违章视频。传统的跑车超速行为自动检测处罚需结合前端线圈或雷达设备进行，通过电子警察系统进行违章处罚。该方法的缺点是交警人员数量有限，管辖区域小，人力成本高，且存在人工误判的情况。线圈安装需埋设于地面下，维护困难，且在桥梁立交等路面禁止进行施工，而雷达造价高，需投入较大的资金。
5.针对上述情况，若能够依托路侧挂载的摄像头和超速检测算法，采用纯视觉的超速监测算法，能够减少对路面的破坏和资金投入，当跑车超速时保留违章视频证据并联动电警设备进行抓拍，可对违法跑车进行有效处罚。
6.因此，亟需一种跑车超速检测方法，解决传统跑车违规人工检测方法费时费力、自动检测方法投资多和对路面伤害大等问题，保障城市交通的正常秩序。


技术实现要素：

7.在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
8.鉴于此，为解决现有技术中存在的传统跑车违规人工检测方法费时费力、自动检测方法投资多和对路面伤害大的技术问题，本发明提供一种跑车超速检测系统、方法、电子设备及存储介质。
9.方案一：一种跑车超速检测系统，包括视频采集模块、跑车识别模块和跑车超速检测模块；所述视频采集模块、跑车识别模块和跑车超速检测模块顺序连接；所述视频采集模块用于获取视频流信息并对其进行解码和预处理；
所述跑车识别模块用于构建跑车识别模型，识别跑车；所述跑车超速检测模块用于实现跑车超速检测。
10.优选的，还包括数据处理传输模块，所述数据处理传输模块的输入端与所述跑车超速检测模块的输出端连接，所述输出端连接电子警察系统；用于将跑车超速检测结果传输至电子警察系统，联动电子警察系统将违章视频和违章跑车车牌记录上传至交警平台，作为处罚依据。
11.方案二： 一种跑车超速检测方法，包括以下步骤：s1. 获取交通视频流信息，并对视频进行预处理；s2. 构建跑车识别模型；s3. 判断跑车是否超速，具体方法是：包括以下步骤：s31. 绘制垂直于车型方向的虚拟检测线，方法是，在道路线、车行道分界线上绘制两条垂直于道路线的虚拟检测线；假设检测线1：y1=ax1 b，检测线2：y2=cx2 d，按车辆正常形式路径先经过检测线1再经过2；s32. 获取车辆包围矩形框坐标；由于yolov3所输出的坐标为包围跑车框的中心点坐标和矩形框宽长，假设调取当前包围跑车的矩形框b参数为（b.x，b.y，b.w，b.h），则当前矩形框四个角的坐标（左上、右上、左下、右下）为（b.x-b.w/2，b.y-b.h/2）、（b.x b.w/2，b.y-b.h/2）、（b.x-b.w/2，b.y b.h/2）、（b.x b.w/2，b.y b.h/2）；s33. 跑车超速检测。
12.优选的，所述获取交通视频流信息，并对视频进行预处理的方法是，对单帧图片进行颜色空间的转换和图像滤波去噪处理。
13.优选的，所述构建跑车识别模型的方法是，包括模型构建和模型训练两个部分，模型构建：在visual studio中更改darknet-53模型架构代码，并完成模型的成功编译；模型训练：构建跑车数据集，将构建好的跑车数据集输入到改进的yolov3模型中，通过将输入图片的像素数据输入模型中，将输出与期望输出做对比，并使用成本函数计算误差，迭代更新模型权重，降低模型的训练损失率至最小值，以完成模型最终确定权重。
14.优选的，所述构建跑车数据集的方法是，包括以下步骤：s21. 获取不同拍摄场景下1000张跑车照片；s22. 对跑车图片进行拼接扩充，具体方法是，包括4图拼接扩充、10图拼接扩充和16图拼接扩充；s22. 4图拼接扩充，包括以下步骤：s221. 将图片像素统一处理为a*b像素；s222. 随机抽取4图片作为拼接素材图；s223. 取1/2张图片横向拼接得到图片a；取剩余1/2张图片横向拼接得到图片b；s224. 将图片a与图片b竖直拼接，得到图片c，图片c为训练图片；s23. 10图拼接扩充，包括以下步骤：s231. 随机抽取10图片作为拼接素材图；s232. 将其中8张图片按照4图拼接扩充方法进行拼接，得到图片d和图片e；s233. 调整图片d与图片e与剩余两张图片的像素统一为a*b像素；
s234. 将剩余2张图片与图片d和图片e按照4图拼接扩充方法进行拼接获得图片f，图片f为训练图片；s24. 16图拼接扩充，包括以下步骤：s241. 随机抽取16图片作为拼接素材图；s242. 分别按照4图拼接扩充方法进行拼接，得到图片h、图片g、图片i和图片j；s234. 将图片h、图片g、图片i和图片j按照4图拼接扩充方法进行拼接获得图片k，图片k为训练图片。
15.优选的，包括以下步骤：所述跑车超速检测的方法是，包括以下步骤：s331. 以跑车右上角坐标为基准，当该坐标第一次进入虚拟检测线1时，即y1≤a（b.x b.w/2） b且g≤b.x b.w/2≤h时，记录当前时刻t1，当前跑车右上角坐标（,）；当该坐标第一次进入虚拟检测线2时，即y2≤c（b.x b.w/2） d且g≤b.x b.w/2≤h时，记录当前时刻t2，当前跑车右上角坐标（,）；s332.根据虚拟检测线内跑车移动实际距离算法，已知坐标（,），（,），可得到对应的实际坐标（,）、（，）；s333. 根据实际坐标（,）、（，）推算虚拟检测线内跑车移动实际距离f，；s334. 计算跑车平均速度v=f/(t2-t1)，将跑车平均速度与当地限速作对比判定当前跑车是否超速。
16.方案三：一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种跑车超速检测方法的步骤。
17.方案四：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种跑车超速检测方法。
18.本发明的有益效果如下：本发明依托路侧挂载的摄像头所拍摄的视频，采用深度学习技术对跑车进行识别处理，并通过多维图像处理技术判断跑车是否有超速行为，若存在，则保存跑车违章视频证据，联动电警进行抓拍，将数据上传至交警平台。本发明具有部署简单、精度较高、投入较少、实时性强等特点，能够降低现场监督交警人力投入和线圈雷达采购布设资金投入，实现城市精细化管理。本发明解决了传统跑车违规人工检测方法费时费力、自动检测方法投资多和对路面伤害大等问题，保障了城市交通的正常秩序。
附图说明
19.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本发明系统结构连接示意图；图2为本发明方法流程示意图；图3为本发明最小外接矩形框包围示意图；图4为本发明绘制虚拟检测线示意图；
图5为本发明结合实际道路绘制虚拟检测线示意图；图6为本发明判定跑车超速示意图；图7为本发明第五个残差网络结构示意图；图8为车辆识别模型网络结构示意图。
具体实施方式
20.为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本技术的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
21.实施例1、参照图1说明本实施方式，一种跑车超速检测系统，包括视频采集模块、跑车识别模块和跑车超速检测模块；所述视频采集模块、跑车识别模块和跑车超速检测模块顺序连接；所述视频采集模块用于获取视频流信息并对其进行解码和预处理；所述跑车识别模块用于构建跑车识别模型，识别跑车；所述跑车超速检测模块用于实现跑车超速检测。
22.还包括数据处理传输模块，所述数据处理传输模块的输入端与所述跑车超速检测模块的输出端连接，所述输出端连接电子警察系统；用于将跑车超速检测结果传输至电子警察系统，联动电子警察系统将违章视频和违章跑车车牌记录上传至交警平台，作为处罚依据。
23.本实施例各个模块之间的处理流程为：首先视频采集模块获取路侧摄像头所拍摄的道路实时视频，然后经跑车识别模块进行处理，利用训练好的跑车识别模型将视频中的跑车框选出来，然后进入跑车超速检测模块，获取跑车经过该路段的平均车速，与当地限制车速作对比，当检测到跑车超过最高限速时，记录违章视频证据并联合电子警察设备进行抓拍，经数据传输模上传至交警平台。
24.实施例2、参照图2-图8说明本实施方式，一种跑车超速检测方法，包括以下步骤：s1. 获取交通视频流信息，并对视频进行预处理；s11. 接入摄像头视频流信息：使用rj45以太网网线将摄像头和边缘计算网关的网络接口进行连接，边缘计算网关在自身系统软件内部，通过rtsp视频流地址的方式接入摄像头采集的实时视频流信息。
25.s12.视频解码：通过压缩技术，将原始视频格式的文件转换成另一种视频格式文件的方式。视频流传输中最为重要的编解码标准有国际电联的h.261、h.263、h.264。
26.s13.视频预处理：对单帧图片进行颜色空间的转换和图像滤波去噪处理，便于后续对图像的深度处理操作。
27.s2. 构建跑车识别模块；本实施例使用改进的yolov3 模型，对原本darknet-53模型结构进行调整，参照图7，原网络架构中的图示部分，第五个残差网络结构中加入 1x1，512filters的卷积层，以提高对离相机较远跑车目标的识别准确率。
28.原darknet-53模型结构主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个bn层和一个leakyrelu)层，网络中有53个convolutional layers，所以叫做
darknet-53（2 1*2 1 2*2 1 8*2 1 8*2 1 4*2 1 = 53 按照顺序数，最后的connected是全连接层也算卷积层，一共53个）。
29.构建跑车识别模块包括模型构建和模型训练两个部分；模型构建：在visual studio中更改darknet-53模型架构代码，并完成模型的成功编译；模型训练：构建跑车数据集，将构建好的跑车数据集输入到改进的yolov3模型中，通过将输入图片的像素数据输入模型中，将输出与期望输出做对比，并使用成本函数计算误差，迭代更新模型权重，降低模型的训练损失率至最小值，以完成模型最终确定权重。
30.所述构建跑车数据集的方法是，包括以下步骤：s21. 获取不同拍摄场景下1000张跑车照片；s22. 对跑车图片进行拼接扩充，具体方法是，包括4图拼接扩充、10图拼接扩充和16图拼接扩充；s22. 4图拼接扩充，包括以下步骤：s221. 将图片像素统一处理为a*b像素；s222. 随机抽取4图片作为拼接素材图；s223. 取1/2张图片横向拼接得到图片a；取剩余1/2张图片横向拼接得到图片b；s224. 将图片a与图片b竖直拼接，得到图片c，图片c为训练图片；s23. 10图拼接扩充，包括以下步骤：s231. 随机抽取10图片作为拼接素材图；s232. 将其中8张图片按照4图拼接扩充方法进行拼接，得到图片d和图片e；s233. 调整图片d与图片e与剩余两张图片的像素统一为a*b像素；s234. 将剩余2张图片与图片d和图片e按照4图拼接扩充方法进行拼接获得图片f，图片f为训练图片；s24. 16图拼接扩充，包括以下步骤：s241. 随机抽取16图片作为拼接素材图；s242. 分别按照4图拼接扩充方法进行拼接，得到图片h、图片g、图片i和图片j；s234. 将图片h、图片g、图片i和图片j按照4图拼接扩充方法进行拼接获得图片k，图片k为训练图片。
31.神经网络训练流程：步骤1、在神经网络中随机初始化权重步骤2、将第一组输入值发送给神经网络，使其传播通过网络并得到输出值。
32.步骤3、我们将输出值和期望的输出值进行比较，并使用成本函数计算误差。
33.步骤4、将误差传播回网络，并根据这些信息设置权重。
34.步骤5、对于训练集中的每个输入值，重复2至4的步骤。
35.步骤6、当整个训练集都发送给了神经网络，就完成了一个epoch, 之后重复多次epochs）；模型网络中包含特征抽取(feature extraction)，候选区域(region proposal)提取，边框回归(bounding box regression)，分类(classification)等功能，使得综合性能有较大提高，在检测速度方面尤为明显。
36.参照图8，说明整个车辆识别模型网络基本结构；图中conv layers，为改进的
yolov3；图中region proposal networks，用于生成建议区域(region proposals)；该层通过softmax网络判断anchors属于正样本(positive)还是负样本(negative)，再利用边界框回归(bounding box regression)修正anchors获得精确的建议(proposal)；图中roi pooling，该层收集输入的特征图(feature maps)和建议(proposal)，综合信息后提取建议特征图(proposal feature maps)，送入后续的全连接层判定目标类别；图中classification，利用建议特征图(proposal feature maps)计算建议(proposal)的类别，同时再次边界框回归(bounding box regression)获得检测框最终的精确位置。
37.通过使用配置好环境的visual studio，将改进的yolov3模型的yolov3.cfg、obj.name、obj.data文件设置好后进入darknet.exe的目录地址中，输入训练指令即可开始训练模型。
38.s3. 判断跑车是否超速，具体方法是：包括以下步骤：为实现对跑车车速的检测，使用opencv绘制虚拟检测线，为后续跑车超速检测算法提供依据，参照图4，在现有的道路线、车行道分界线上绘制两条垂直于道路线的虚拟检测线。在yolov3模型中，输出的矩形框四个参数分别矩形框中心点位横、纵坐标，以及矩形框的宽、长，推导出跑车在该路段的实时数值。
39.s31.绘制垂直于车型方向的虚拟检测线，假设检测线1：y1=ax1 b，检测线2：y2=cx2 d，按车辆正常形式路径先经过检测线1再经过2；s32. 获取车辆包围矩形框坐标，由于yolov3所输出的坐标为包围跑车框的中心点坐标和矩形框宽长，假设调取当前包围跑车的矩形框b参数为（b.x，b.y，b.w，b.h），则当前矩形框四个角的坐标（左上、右上、左下、右下）为（b.x-b.w/2，b.y-b.h/2）、（b.x b.w/2，b.y-b.h/2）、（b.x-b.w/2，b.y b.h/2）、（b.x b.w/2，b.y b.h/2）。
40.s33. 跑车超速检测，以跑车右上角坐标为基准，当该坐标第一次进入虚拟线1时，即y1≤a（b.x b.w/2） b且g≤b.x b.w/2≤h时，记录当前时刻t1，当前跑车右上角坐标（,）；当该坐标第一次进入虚拟线2时，即y2≤c（b.x b.w/2） d且g≤b.x b.w/2≤h时，记录当前时刻t2，,当前跑车右上角坐标（,）。根据虚拟线内跑车移动实际距离算法，已知坐标（,）、（,），可得到对应的实际坐标（,）、（，），即可推算出虚拟线内跑车移动实际距离f，由此可计算跑车平均速度v=f/(t2-t1)，将跑车平均速度与当地限速作对比判定当前跑车是否超速。
41.具体的，包括以下步骤：s331. 以跑车右上角坐标为基准，当该坐标第一次进入虚拟检测线1时，即y1≤a（b.x b.w/2） b且g≤b.x b.w/2≤h时，记录当前时刻t1，当前跑车右上角坐标（,）；当该坐标第一次进入虚拟检测线2时，即y2≤c（b.x b.w/2） d且g≤b.x b.w/2≤h时，记录当前时刻t2，当前跑车右上角坐标（,）；s332. 在根据虚拟检测线内跑车移动实际距离算法，已知坐标（,），（,），可得到对应的实际坐标（,）、（，）；s333. 根据像素坐标推算虚拟检测线内跑车移动实际距离f，具体方法是，将图像
坐标转化到世界坐标：假设像素坐标为（，），相机坐标为（，，），实际坐标为（，，），、为前端相机感光器件像素尺寸，、为图像中间点坐标。为图像中间点坐标。
42.其中，为相机坐标中的z坐标值，为相机内参，为相机外参 ,在架设调焦完相机后可用张正友标定法获取，h为相机内外参数矩阵的乘积，设h=，将图像坐标到世界坐标的转化公式简写为 获得矩阵第三行的值f3、g3，为旋转矩阵的逆矩阵：获得矩阵第三行的值f3、g3可推算得到，进而推导出
若已知图像两点坐标（,），（,），在跑车测速场景中=0，可得到对应的实际坐标（,）、（，），进而推算两实际坐标直接的距离；s334. 计算跑车平均速度v=f/(t2-t1)，将跑车平均速度与当地限速作对比判定当前跑车是否超速。
43.本发明的缩略语和关键术语定义：conv：卷积，卷积核上所有作用点依次作用于原始像素点后（相乘），线性叠加的输出结果。
44.bn（batchnorm）：神经网络的层，把逐渐向非线性函数映射后向取值区间极限饱和区靠拢的输入分布强制拉回到均值为0方差为1的比较标准的正态分布，使得非线性变换函数的输入值落入对输入比较敏感的区域，以此避免梯度消失问题。
45.leakyrelu：非饱和激活函数，数学表达式： y = max(0, x) leak*min(0,x) 。
46.connected：神经网络连接层softmax：交叉熵，一般在神经网络中作为分类任务的输出层。
47.filters：滤波器，可将图片变成多通道。
48.fpn：结合多层级特征来解决多尺度问题的特征金字塔模型。
49.实施例3、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于creo软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
50.所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
51.所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
52.实施例4、计算机可读存储介质实施例本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于creo软件的可修改由关系驱动的建模数据的建模方法的步骤。
53.所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
54.尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。