本發(fā)明涉及交通行為識別，具體涉及一種基于機器學習的高速公路危險交通行為識別方法及裝置。

背景技術：

1、機器學習是人工智能的一個子領域，專注于通過數(shù)據(jù)和算法使計算機系統(tǒng)能夠自主學習和改進其性能，而無需明確編程指令，簡而言之，機器學習使計算機能夠從數(shù)據(jù)中提取模式和知識，然后根據(jù)這些模式進行預測或決策。

2、高速公路上的車輛行駛速度較快，不打轉(zhuǎn)向燈會導致其他駕駛員無法預測你的變道或退出動作，增加了碰撞的風險，并且其他駕駛員可能沒有足夠時間或空間來做出適當?shù)姆磻?，比如避讓或減速，從而引發(fā)鏈式反應的事故。

3、傳統(tǒng)方法常依賴人工觀察和判斷，如交警現(xiàn)場監(jiān)控或人工分析攝像頭錄像，這種方法效率低，且容易受到人為因素的影響，例如疲勞、主觀判斷誤差等；且傳統(tǒng)方法通常需要大量的設備和維護，涉及較高的資本投入和運營成本，包括安裝、維護和人員成本；而且傳統(tǒng)方法的數(shù)據(jù)處理和分析通常較為基礎，無法充分利用先進的圖像處理技術和機器學習模型，從而可能錯過關鍵的行為模式和異常情況；并且傳統(tǒng)系統(tǒng)常依賴于簡單的閾值設定，可能無法有效區(qū)分正常駕駛和危險駕駛行為，容易出現(xiàn)誤報或漏報情況。

技術實現(xiàn)思路

1、本發(fā)明目的是針對背景技術中存在的問題，提出一種基于機器學習的高速公路危險交通行為識別方法及裝置。

2、本發(fā)明的技術方案：一種基于機器學習的高速公路危險交通行為識別方法，包括：

3、通過視頻監(jiān)控攝像頭對目標高速路段進行視頻采集，以得到高速路段監(jiān)控視頻，并通過預設的圖像采樣周期對所述高速路段監(jiān)控視頻進行視頻截取，以得到高速路段圖像序列；

4、對所述高速路段圖像序列進行色彩增強，以得到標準高速路段圖像序列，基于訓練好的目標檢測模型對所述標準高速路段圖像序列內(nèi)的中心線和車輛進行檢測，以得到帶有中心線檢測框和車輛檢測框的標準高速路段圖像序列；

5、計算所述中心線檢測框和車輛檢測框之間的角度，以得到角度序列，將所述角度序列與預設的角度閾值進行逐一比對，并記錄連續(xù)大于預設的角度閾值的角度數(shù)量；

6、基于所述角度數(shù)量獲取所對應的所述標準高速路段圖像的數(shù)量，基于所述標準高速路段圖像的數(shù)量和所述預設的圖像采樣周期獲取車輛角度偏離時間；

7、將所述車輛角度偏離時間與預設的時間閾值進行比對，若大于預設的時間閾值，則獲取所對應的標準高速路段圖像序列，并基于訓練好的圖像分割模型對所述標準高速路段圖像序列內(nèi)的車輛左右尾燈進行圖像分割，以得到車輛左右尾燈圖像序列；

8、對所述車輛左右尾燈圖像進行圖像亮度提取，以分別得到左右尾燈圖像平均亮度序列，計算所述左右尾燈圖像平均亮度的差值，基于所述左右尾燈圖像平均亮度的差值判斷所述車輛預行駛方向，將所述車輛預行駛方向與角度進行匹配，以得到所述車輛的交通行為。

9、優(yōu)選的，對所述高速路段圖像序列進行色彩增強，以得到標準高速路段圖像序列，包括：

10、計算所述高速路段圖像的中心距，所述高速路段圖像的中心距計算公式如下：

11、

12、其中，uit表示高速路段圖像的i+t階中心距，m和n表示高速路段圖像的長和寬，f(x,y)表示高速路段圖像函數(shù)，(x0,y0)表示高速路段圖像的重心，且m10表示高速路段圖像的1+0階原點矩，m00表示高速路段圖像的0+0階原點矩，且且mab表示高速路段圖像的a+b階原點矩，且

13、對所述高速路段圖像的中心距進行標準化，以得到所述高速路段圖像的標準化中心距，所述高速路段圖像的標準化中心距計算公式如下：

14、

15、其中，iit表示高速路段圖像的i+t階標準化中心距；

16、基于所述高速路段圖像的標準化中心距獲取第一不變矩集合，所述第一不變矩集合表達式如下：

17、

18、其中，(c1,c2,c3,c4)表示第一不變矩集合。

19、優(yōu)選的，對所述高速路段圖像序列進行色彩增強，以得到標準高速路段圖像序列，還包括：

20、基于所述高速路段圖像的中心距獲取第二不變矩集合，將所述第一不變矩集合和所述第二不變矩集合進行組合，以得到組合不變矩，所述第二不變矩集合表達式如下：

21、

22、其中，(i1,i2,i3)表示第二不變矩集合；

23、所述組合不變矩表達式如下：

24、c＝(c1,c2,c3,c4,i1,i2,i3)；

25、其中，c表示組合不變矩；

26、基于所述組合不變矩對所述高速路段圖像進行色彩增強，以得到標準高速路段圖像序列，所述色彩增強公式如下：

27、

28、其中，g(x,y)表示標準高速路段圖像，c和d分別表示標準高速路段圖像的灰度范圍的上限和下限，e和f分別表示高速路段圖像的灰度范圍的上限和下限。

29、優(yōu)選的，所述目標檢測模型采用fasterr-cnn。

30、優(yōu)選的，計算所述中心線檢測框和車輛檢測框之間的角度，以得到角度序列，包括：

31、獲取所述中心線檢測框的中心點和所述車輛檢測框的中心點，并獲取所述中心線檢測框的中心點和所述車輛檢測框的中心點的像素坐標；

32、基于所述中心線檢測框的中心點和所述車輛檢測框的中心點的像素坐標通過反三角函數(shù)獲取所述中心線檢測框的中心點和所述車輛檢測框的中心點之間的角度，所述中心線檢測框的中心點和所述車輛檢測框的中心點之間的角度即為所述中心線檢測框和車輛檢測框之間的角度。

33、優(yōu)選的，所述圖像分割模型采用u-net。

34、優(yōu)選的，對所述車輛左右尾燈圖像進行圖像亮度提取，以分別得到左右尾燈圖像平均亮度序列，包括：

35、將所述車輛左右尾燈圖像中的顏色值進行歸一化，歸一化公式如下：

36、

37、其中，r′、g′和b′分別表示車輛左右尾燈圖像歸一化后的顏色值，r、g和b分別表示車輛左右尾燈圖像的顏色值；

38、基于歸一化后的所述車輛左右尾燈圖像中的顏色值將所述車輛左右尾燈圖像從rgb圖像轉(zhuǎn)換為hsv圖像，所述hsv圖像的h通道轉(zhuǎn)換公式如下：

39、

40、所述hsv圖像的s通道轉(zhuǎn)換公式如下：

41、

42、所述hsv圖像的v通道轉(zhuǎn)換公式如下：

43、v＝max(r′,g′,b′)；

44、其中，r′、g′和b′分別表示車輛左右尾燈圖像歸一化后的顏色值，r、g和b分別表示車輛左右尾燈圖像的顏色值。

45、優(yōu)選的，對所述車輛左右尾燈圖像進行圖像亮度提取，以分別得到左右尾燈圖像平均亮度序列，還包括：

46、預設所述車輛左右尾燈圖像的hsv分割閾值，基于所述hsv分割閾值對所述車輛左右尾燈圖像進行分割，并對分割后的所述車輛左右尾燈圖像進行形態(tài)學膨脹運算，以得到車輛左右尾燈增強圖像，所述hsv分割閾值如下：

47、

48、分別獲取車輛左右尾燈增強圖像的hsv值，并對所述增強車輛左右尾燈圖像的hsv值進行平均，以得到左右尾燈增強圖像的平均亮度序列，即為左右尾燈圖像的平均亮度序列。

49、優(yōu)選的，基于所述左右尾燈圖像平均亮度的差值判斷所述車輛預行駛方向，將所述車輛預行駛方向與角度進行匹配，以得到所述車輛的交通行為，包括：

50、若所述左右尾燈圖像平均亮度的差值為正值，則表示所述車輛預行駛方向為左方向，若所述左右尾燈圖像平均亮度的差值為負值，則表示所述車輛預行駛方向為右方向，若所述左右尾燈圖像平均亮度的差值為零，則表示所述車輛預行駛方向為直行方向；

51、若所述角度為正值，則表示所述車輛行駛方向為左方向，若所述角度為負值，則表示所述車輛行駛方向為右方向，若所述角度為零，則表示所述車輛行駛方向為直行方向；

52、將所述車輛預行駛方向與所述車輛行駛方向進行匹配，若所述車輛預行駛方向與所述車輛行駛方向一致，則所述車輛的交通行為為正常，否則，則所述車輛的交通行為為異常。

53、本發(fā)明的技術方案：一種基于機器學習的高速公路危險交通行為識別裝置，其適用于所述的一種基于機器學習的高速公路危險交通行為識別方法，包括：

54、視頻采集模塊，所述視頻采集模塊用于通過視頻監(jiān)控攝像頭對目標高速路段進行視頻采集，以得到高速路段監(jiān)控視頻，并通過預設的圖像采樣周期對所述高速路段監(jiān)控視頻進行視頻截取，以得到高速路段圖像序列；

55、目標檢測模塊，所述目標檢測模塊用于對所述高速路段圖像序列進行色彩增強，以得到標準高速路段圖像序列，基于訓練好的目標檢測模型對所述標準高速路段圖像序列內(nèi)的中心線和車輛進行檢測，以得到帶有中心線檢測框和車輛檢測框的標準高速路段圖像序列；

56、角度計算模塊，所述角度計算模塊用于計算所述中心線檢測框和車輛檢測框之間的角度，以得到角度序列，將所述角度序列與預設的角度閾值進行逐一比對，并記錄連續(xù)大于預設的角度閾值的角度數(shù)量；

57、時間計算模塊，所述時間計算模塊用于基于所述角度數(shù)量獲取所對應的所述標準高速路段圖像的數(shù)量，基于所述標準高速路段圖像的數(shù)量和所述預設的圖像采樣周期獲取車輛角度偏離時間；

58、圖像分割模塊，所述圖像分割模塊用于將所述車輛角度偏離時間與預設的時間閾值進行比對，若大于預設的時間閾值，則獲取所對應的標準高速路段圖像序列，并基于訓練好的圖像分割模型對所述標準高速路段圖像序列內(nèi)的車輛左右尾燈進行圖像分割，以得到車輛左右尾燈圖像序列；

59、行為判斷模塊，所述行為判斷模塊用于對所述車輛左右尾燈圖像進行圖像亮度提取，以分別得到左右尾燈圖像平均亮度序列，計算所述左右尾燈圖像平均亮度的差值，基于所述左右尾燈圖像平均亮度的差值判斷所述車輛預行駛方向，將所述車輛預行駛方向與角度進行匹配，以得到所述車輛的交通行為。

60、與現(xiàn)有技術相比，本發(fā)明的上述技術方案具有如下有益的技術效果：

61、1、本發(fā)明利用視頻監(jiān)控攝像頭進行實時視頻采集，并自動處理圖像序列，實現(xiàn)了對高速公路上交通行為的自動化監(jiān)測，從而減少了對人工干預的依賴，提高了檢測的效率和準確性，且通過色彩增強和目標檢測模型，對圖像序列中的中心線和車輛進行準確檢測，然后基于這些檢測結(jié)果進行角度計算和分析，有助于準確捕捉車輛的行為模式和駕駛異常，而且通過設定角度閾值和時間閾值來判斷車輛是否存在危險行為，可以有效減少誤報，只有當車輛的角度偏離時間持續(xù)超過預設的時間閾值時，才會進一步分析車輛的尾燈亮度變化，從而減少誤判。

62、2、本發(fā)明通過結(jié)合尾燈圖像的亮度提取和方向判斷，能夠?qū)囕v的行駛方向進行準確預測，從而有助于對車輛的駕駛行為進行更深入的理解，并可以預測潛在的危險行為，且通過實時監(jiān)測和精準識別危險駕駛行為，可以及時發(fā)出警報或采取干預措施，幫助減少交通事故的發(fā)生，提高高速公路的交通安全性，而且通過計算車輛的角度偏離和尾燈亮度差異，能夠精準地識別出車輛是否有異常駕駛行為，這種方法結(jié)合了車輛的角度信息和尾燈亮度變化，能夠有效區(qū)分正常駕駛和危險駕駛行為。