非机动车占用机动车车道识别方法

非机动车占用机动车车道识别方法

 ,刘萍, 赵春阳石峻, 师云秋 ,刘淋

（辽宁科技大学）

摘要：本项目公开了非机动车占用机动车车道识别方法，包括：拍摄所在区域的机动车道和非机动车道的视频图像，并传输给视频分析系统；采用基于深度神经网络学习电动自行车的特征，并建立电动自行车的外形训练模型和车牌训练模型；对视频图像进行图像分割，以区分机动车道和非机动车道；提取机动车道内的视频图像，并将所述视频图像输入外形训练模型以标记机动车道内的电动自行车；将所述标记机动车道内的电动自行车的视频图像输入车牌训练模型，检测输出电动自行车的车牌号码。通过上述方案，本项目具有识别准确、降低计算工作量等优点，在人工智能技术领域具有很高的实用价值和推广价值。

关键词：非机动车，占用车道，机动车，识别

1.前言

随着人工智能技术不断发展，人工智能也被广泛用于在机器视觉、指纹识别、人脸识别、视网膜识别、虹膜识别、掌纹识别、专家系统、自动规划、智能搜索、定理证明、智能控制、机器人学、语言和图像理解、遗传编程等领域。

随着汽车的快速发展，我国汽车总拥有量也逐年递增，如此也造成了城市交通拥堵。目前，较多人选择使用电动自行车作为上下班、外出的主要交通工具，其具体积较小、停车方便、操作简便等优点，电动自行车的城市拥有量也在逐年递增。随之而来电动自行车抢占机动车道事件也频频发生，既加重了交通负担，又增加了交警执法工作量。与此同时，还存在交通事故风险。

2.项目内容

针对上述问题，本项目的目的在于提供非机动车占用机动车车道识别方法，本项目采用的技术方案如下：

基于人工智能的电动自行车占用机动车道识别方法，包括安装在电子眼安装支架上、且能拍摄到机动车道和非机动车道的视频图像的摄像头，与所述摄像头连接的视频分析系统。

所述电动自行车占用机动车道识别方法，包括以下步骤：

步骤S01，利用所述摄像头拍摄所在区域的机动车道和非机动车道的视频图像，将摄像头拍摄的视频图像转换成视频流，并传输给视频分析系统；同时，采用基于深度神经网络学习电动自行车的特征，并建立电动自行车的外形训练模型和车牌训练模型。

步骤S02，对摄像头拍摄的视频图像进行图像分割，以区分机动车道和非机动车道。

步骤S03，提取机动车道内的视频图像，并将所述视频图像输入外形训练模型以标记机动车道内的电动自行车。

步骤S04，将所述标记机动车道内的电动自行车的视频图像输入车牌训练模型，检测输出电动自行车的车牌号码。

进一步地，所述步骤S01中，建立电动自行车的外形训练模型和车牌训练模型包括以下步骤：

步骤S11，将电动自行车的视频图像划分为8×8的矩形块，并对任一矩形块进行聚类预测锚点框。

步骤S12，将所述分割的矩形块输入至多层卷积神经网络中，采用卷积神经网络提取视频图像内的图像特征，并训练获得任一电动自行车的外形训练模型和车牌训练模型。

更进一步地，所述步骤S02中，视频图像分割包括以下步骤：

步骤S21，识别摄像头拍摄的视频图像中的右侧道路划分线和中间隔离线；

步骤S22，采用基于边缘分割算法划分获得右侧道路划分线与中间隔离线之间的机动车道的视频图像。

优选地，所述步骤S21中，采用变形Sobel算子识别获得右侧道路划分线、车道划分线和中间隔离线的纹理特征。

优选地，所述中间隔离线包括单黄实线、双黄实线、黄色虚实线和双白实线。

3.实验方式

本实施例提供了非机动车占用机动车车道识别方法，其包括安装在电子眼安装支架上、且能拍摄到机动车道和非机动车道的视频图像的摄像头，与所述摄像头连接的视频分析系统。在本实施例中，深度神经网络、边缘分割算法和变形Sobel算子均为现有技术，本实施例并未对其算法本身进行改进，因此，本实施例不再对深度神经网络、边缘分割算法和变形Sobel算子的计算过程进行详细阐述。

在本实施例中，所述电动自行车占用机动车道识别方法，包括以下步骤：

第一步，利用所述摄像头拍摄所在区域的机动车道和非机动车道的视频图像，将摄像头拍摄的视频图像转换成视频流，并传输给视频分析系统。在此，摄像头拍摄的视频图像中既包括有机动车道内的视频图像，又包括非机动车道内的视频图像。当且仅当，电动自行车驶入机动车道内才属于交通违章行为。同时，本实施例采用基于深度神经网络学习电动自行车的特征，并建立电动自行车的外形训练模型和车牌训练模型，具体如下：

(1)将电动自行车的视频图像划分为8×8的矩形块，并对任一矩形块进行聚类预测锚点框。

(2)将所述分割的矩形块输入至多层卷积神经网络中，采用卷积神经网络提取视频图像内的图像特征，并训练获得任一电动自行车的外形训练模型和车牌训练模型。

第二步，对摄像头拍摄的视频图像进行图像分割，以区分机动车道和非机动车道，具体来说：

(1)识别摄像头拍摄的视频图像中的右侧道路划分线和中间隔离线，其中，采用变形Sobel算子识别获得右侧道路划分线、车道划分线和中间隔离线的纹理特征。所述中间隔离线包括单黄实线、双黄实线、黄色虚实线和双白实线。

(2)采用基于边缘分割算法划分获得右侧道路划分线与中间隔离线之间的机动车道的视频图像。

第三步，提取机动车道内的视频图像，并将所述视频图像输入外形训练模型以标记机动车道内的电动自行车。

第四步，将所述标记机动车道内的电动自行车的视频图像输入车牌训练模型，检测输出电动自行车的车牌号码。

4.创新点

(1)本项目利用安装在电子眼安装支架上的摄像头拍摄到机动车道和非机动车道的视频图像，该摄像头为现有布设的成熟部件，本项目无需另设视频采集设备，可有效地降低设备投入成本。

(2)本项目采用深度神经网络学习获得电动自行车的外形训练模型和车牌训练模型，其识别能力强，且识别精度较高，有效地避免电动自行车占用机动车道误判。

(3)本项目采用变形Sobel算子识别获得右侧道路划分线、车道划分线和中间隔离线的纹理特征，为图像分割提供基础。进一步地，本项目采用图像分割以获得机动车道的视频图像，如此设计的好处在于，减少识别计算工作量。

(4)本项目通过标记机动车道内的电动自行车，并识别该机动车道内的电动自行车的车牌号码，为交通执法提供依据，并降低交警执法工作量。综上所述，本项目具有识别准确、降低计算工作量等优点，在人工智能技术领域具有很高的实用价值和推广价值。

参考文献：

[1] 基于YOLOv5+DeepSORT检测数据的车头时距混合分布模型研究[J]. 丁正道;吴红兰;孙有朝.测控技术

[2] 城市交通的热传导分布模型研究[J]. 王伟珠.长沙大学学报,2014(05)

[3] 高速公路施工区车头时距分布模型[J]. 李耘;吕猛;潘应久.中外公路,2016(03)

[4] 基于直方图优选的车速分布模型研究[J]. 曹瑾鑫;肖崇紫;武钧.内蒙古大学学报(自然科学版),2012(01)

[5] 基于车流速度的混合Gaussian分布模型[J]. 谌业文;胡尧;王旭琴;李丽.统计与决策,2016(20)

[6] 城市通达性面状分布模型研究[J]. 于晓艳;马劲松;刘艳;汪维录.水电能源科学,2010(06)

[7] 地铁盾构隧道壁后注浆浆液压力分布模型[J]. 邱明明;姜安龙.现代隧道技术,2013(04)

[8] 车头时距分布模型及其在山区双车道公路的应用[J]. 刘江,吕津燕,荣建,任福田.交通运输工程与信息学报,2004(04)

[9] 城市过剩通勤与职住平衡模型[J]. 杨超;汪超.同济大学学报(自然科学版),2013(11)

[10] 非严格优先权下许可相位左转车辆侵占时距分布模型[J]. 曲昭伟;白乔文;陈永恒;熊帅;邓晓磊.交通运输系统工程与信息,2018(02)

（辽宁科技大学2023年大学生创新创业训练计划项目立项资助）