一种基于图像识别的电动自行车违章提醒方法及装置专利检索-视频流媒体流多媒体工具与应用专利检索查询-专利查询网

一种基于图像识别的电动自行车违章提醒方法及装置

阅读：1030发布：2020-05-25

专利汇可以提供一种基于图像识别的电动自行车违章提醒方法及装置专利检索，专利查询，专利分析的服务。并且本发明公开一种基于图像识别的电动自行车违章提醒方法及装置，涉及图像处理技术领域，采用技术方案：首先通过采集模块采集电动自行车的日常违章照片，将日常违章照片输入深度学习框架进行训练，得到识别违章模型，将识别违章模型转固化为二进制文件存储于具有计算能力的图像计算模块；随后通过电动自行车前端的摄像模块采集车前方道路信息，图像计算模块接收摄像模块采集的信息并实时分析，在图像计算模块分析得出电动自行车发生违章行为时，图像计算模块向扬声器模块传递控制信号，扬声器模块进行语音播报并提醒驾驶员。本发明可以对电动自行车的驾驶员进行违章提醒，进而提高驾驶员的警惕性，降低电动自行车因违章而发生交通事故的概率。，下面是一种基于图像识别的电动自行车违章提醒方法及装置专利的具体信息内容。

权利要求

1.一种基于图像识别的电动自行车违章提醒方法，其特征在于,该方法包括采集训练阶段、部署阶段、违章提醒阶段；
在采集训练阶段，通过采集模块采集电动自行车的日常违章照片，将日常违章照片输入深度学习框架进行训练，得到识别违章模型，将识别违章模型转固化为二进制文件存储于具有计算能力的图像计算模块；
在部署阶段，将摄像模块和扬声器模块安装在电动自行车的前端，将图像计算模块集成安装于电动自行车的控制模块，摄像模块、图像计算模块、扬声器模块三者依次通信连接；
在违章提醒阶段，电动自行车的摄像模块采集车前方道路信息，图像计算模块接收摄像模块采集的信息并实时分析，在图像计算模块分析得出电动自行车发生违章行为时，图像计算模块向扬声器模块传递控制信号，扬声器模块进行语音播报并提醒驾驶员。
2.根据权利要求1所述的一种基于图像识别的电动自行车违章提醒方法，其特征在于，在采集训练阶段，通过采集模块采集电动自行车的日常违章照片后，根据违章情况，首先对违章照片进行手动分类，随后，将分类后的违章照片输入深度学习框架进行训练，得到识别违章模型；
在违章提醒阶段，在图像计算模块分析得出电动自行车发生违章行为时，图像计算模块向扬声器模块传递控制信号，扬声器模块向驾驶员语音播报具体的违章情况；
所述违章情况包括闯红灯和驶入机动车道两种。
3.根据权利要求1所述的一种基于图像识别的电动自行车违章提醒方法，其特征在于，所述识别违章模型采用开源深度学习框架Tensorflow，所述开源深度学习框架Tensorflow调用input_data.read_data_sets 接口接收摄像模块采集的电动自行车日常违章照片，利用采集的电动自行车日常违章照片训练Tensorflow得到识别违章模型。
4.根据权利要求3所述的一种基于图像识别的电动自行车违章提醒方法，其特征在于，所述图像计算模块采用STM32F4系列单片机作为主控芯片，提供IIC、I2 S和DCMI接口；
所述图像计算模块的电源采用DC电源集成芯片，DC电源集成芯片将电动自行车的48v或60v 电压转换为12v、5v和3.3v为图像计算模块、摄像模块、扬声器模块供电。
5.根据权利要求4所述的一种基于图像识别的电动自行车违章提醒方法，其特征在于，所述摄像模块采用OV7670模块，OV7670模块的SCCB总线和数据总线分别与图像计算模块的IIC和DCMI总线连接，OV7670模块将视频流数据实时传输到图像计算模块，并为图像计算模块提供原始图像数据。
6.根据权利要求4所述的一种基于图像识别的电动自行车违章提醒方法，其特征在于，所述扬声器模块包括音频功放芯片和喇叭，音频功放芯片与图像计算模块通过I2 S连接。
7.一种基于图像识别的电动自行车违章提醒装置，其特征在于，其结构包括：
采集模块，用于采集电动自行车的日常违章照片；
深度学习框架，用于获取电动自行车的日常违章照片进行训练，得到识别违章模型；
摄像模块，安装在电动自行车的前端，用于采集电动自行车的前方道路信息；
图像计算模块，存储有转固化为二进制文件的识别违章模型，用于接收并实时分析摄像模块采集的信息，还用于根据分析结果输出控制信号；
扬声器模块，用于接收图像计算模块的控制信号，并根据控制信号进行语音播报，以提醒驾驶员。
8.根据权利要求7所述的一种基于图像识别的电动自行车违章提醒装置，其特征在于，在采集模块采集电动自行车的日常违章照片后，根据违章情况，手动分类采集的日常违章照片，并将分类后的违章照片输入深度学习框架进行训练，得到识别违章模型；
图像计算模块实时分析摄像模块采集的信息后，根据分析结果向扬声器模块传递控制信号，扬声器模块向驾驶员语音播报具体的违章情况；
所述违章情况包括闯红灯和驶入机动车道两种。
9.根据权利要求7所述的一种基于图像识别的电动自行车违章提醒装置，其特征在于，所述识别违章模型采用开源深度学习框架Tensorflow，所述开源深度学习框架Tensorflow调用input_data.read_data_sets接口接收采集模块采集的电动自行车日常违章照片；
所述图像计算模块采用STM32F4系列单片机作为主控芯片，提供IIC、I2 S和DCMI接口；
所述摄像模块采用OV7670模块，OV7670模块的SCCB总线和数据总线分别与图像计算模块的IIC和DCMI总线连接，OV7670模块将视频流数据实时传输到图像计算模块，并为图像计算模块提供原始图像数据；
所述扬声器模块包括音频功放芯片和喇叭，音频功放芯片与所述图像计算模块通过I2 S连接。
10.根据权利要求9所述的一种基于图像识别的电动自行车违章提醒装置，其特征在于，所述图像计算模块的电源采用DC电源集成芯片，DC电源集成芯片将电动自行车的48v或
60v电压转换为12v、5v和3.3v为图像计算模块、摄像模块、扬声器模块供电。

说明书全文

一种基于图像识别的电动自行车违章提醒方法及装置

技术领域

[0001] 本发明涉及图像处理技术领域，具体的说是一种基于图像识别的电动自行车违章提醒方法及装置。

背景技术

[0002] 随着居民可支配收入的不断上涨，人们更加追求生活的舒适性、便捷性和安全感，对于消费品价格的承受能力也不断加强。电动自行车因其操作简易、方便快捷、省时省力、性价比高等特点，成为人们改善出行条件的重要选择，目前我国电动自行车的保有量已达到2.5亿辆。

[0003] 然而，虽然电动自行车属于非机动车辆，但车主往往忽视非机动车的交通规则，如随意闯红灯、不走非机动车道等，而由此造成的人身伤亡事件也在呈逐年上升的趋势。

发明内容

[0004] 本发明针对目前技术发展的需求和不足之处，提供一种基于图像识别的电动自行车违章提醒方法及装置，通过采集电动自行车的道路信息，及时提醒驾驶员的违章行为，降低意外事故发生的概率。

[0005] 首先，本发明提供一种基于图像识别的电动自行车违章提醒方法，解决上述技术问题采用的技术方案如下：

[0006] 一种基于图像识别的电动自行车违章提醒方法，该方法包括采集训练阶段、部署阶段、违章提醒阶段；

[0007] 在采集训练阶段，通过采集模块采集电动自行车的日常违章照片，将日常违章照片输入深度学习框架进行训练，得到识别违章模型，将识别违章模型转固化为二进制文件存储于具有计算能力的图像计算模块；

[0008] 在部署阶段，将摄像模块和扬声器模块安装在电动自行车的前端，将图像计算模块集成安装于电动自行车的控制模块，摄像模块、图像计算模块、扬声器模块三者依次通信连接；

[0009] 在违章提醒阶段，电动自行车的摄像模块采集车前方道路信息，图像计算模块接收摄像模块采集的信息并实时分析，在图像计算模块分析得出电动自行车发生违章行为时，图像计算模块向扬声器模块传递控制信号，扬声器模块进行语音播报并提醒驾驶员。

[0010] 在采集训练阶段，通过采集模块采集电动自行车的日常违章照片后，根据违章情况，首先对违章照片进行手动分类，随后，将分类后的违章照片输入深度学习框架进行训练，得到识别违章模型；

[0011] 在违章提醒阶段，在图像计算模块分析得出电动自行车发生违章行为时，图像计算模块向扬声器模块传递控制信号，扬声器模块向驾驶员语音播报具体的违章情况；

[0012] 违章情况包括闯红灯和驶入机动车道两种。

[0013] 可选的，所涉及识别违章模型采用开源深度学习框架Tensorflow，开源深度学习框架Tensorflow调用input_data.read_data_sets 接口接收摄像模块采集的电动自行车日常违章照片，利用采集的电动自行车日常违章照片训练Tensorflow得到识别违章模型。

[0014] 可选的，所涉及图像计算模块采用STM32F4系列单片机作为主控芯片，提供IIC、 I2 S和DCMI接口。图像计算模块的电源采用DC电源集成芯片，DC电源集成芯片将电动自行车的48v或60v 电压转换为12v、5v和3.3v为图像计算模块、摄像模块、扬声器模块供电。

[0015] 可选的，所涉及摄像模块采用OV7670模块，OV7670模块的SCCB总线和数据总线分别与图像计算模块的IIC和DCMI总线连接，OV7670模块将视频流数据实时传输到图像计算模块，并为图像计算模块提供原始图像数据。

[0016] 可选的，所涉及扬声器模块包括音频功放芯片和喇叭，音频功放芯片与图像计算模块通过I2 S连接。

[0017] 其次，本发明提供一种基于图像识别的电动自行车违章提醒装置，解决上述技术问题采用的技术方案如下：

[0018] 一种基于图像识别的电动自行车违章提醒装置，其结构包括：

[0019] 采集模块，用于采集电动自行车的日常违章照片；

[0020] 深度学习框架，用于获取电动自行车的日常违章照片进行训练，得到识别违章模型；

[0021] 摄像模块，安装在电动自行车的前端，用于采集电动自行车的前方道路信息；

[0022] 图像计算模块，存储有转固化为二进制文件的识别违章模型，用于接收并实时分析摄像模块采集的信息，还用于根据分析结果输出控制信号；

[0023] 扬声器模块，用于接收图像计算模块的控制信号，并根据控制信号进行语音播报，以提醒驾驶员。

[0024] 可选的，在采集模块采集电动自行车的日常违章照片后，根据违章情况，手动分类采集的日常违章照片，并将分类后的违章照片输入深度学习框架进行训练，得到识别违章模型；

[0025] 图像计算模块实时分析摄像模块采集的信息后，根据分析结果向扬声器模块传递控制信号，扬声器模块向驾驶员语音播报具体的违章情况；

[0026] 所述违章情况包括闯红灯和驶入机动车道两种。

[0027] 可选的，所涉及识别违章模型采用开源深度学习框架Tensorflow，所述开源深度学习框架Tensorflow调用input_data.read_data_sets接口接收采集模块采集的电动自行车日常违章照片；

[0028] 图像计算模块采用STM32F4系列单片机作为主控芯片，提供IIC、I2 S和DCMI 接口；

[0029] 摄像模块采用OV7670模块，OV7670模块的SCCB总线和数据总线分别与图像计算模块的IIC和DCMI总线连接，OV7670模块将视频流数据实时传输到图像计算模块，并为图像计算模块提供原始图像数据；

[0030] 扬声器模块包括音频功放芯片和喇叭，音频功放芯片与图像计算模块通过I2 S连接。

[0031] 进一步可选的，所涉及图像计算模块的电源采用DC电源集成芯片，DC电源集成芯片将电动自行车的48v或60v电压转换为12v、5v和3.3v为图像计算模块、摄像模块、扬声器模块供电。

[0032] 本发明的一种基于图像识别的电动自行车违章提醒方法及装置，与现有技术相比具有的有益效果是：

[0033] 1)本发明通过现有违章照片训练得到识别违章模型，将识别违章模型转固化为二进制文件后存储于具有计算能力的图像计算模块，图像计算模块对所属电动自行车采集的信息进行分析，并向扬声器模块发出信号，使得扬声器模块可以根据接收信号对驾驶员做出违章提醒；

[0034] 2)本发明部署于电动自行车上进行使用，使得电动自行车出厂即具有违章提醒功能，可以提高电动自行车驾驶员的警惕性，进而降低电动自行车因违章而发生交通事故的概率。附图说明

[0035] 附图1是本发明的连接框架示意图。

[0036] 附图中各标号信息表示：

[0037] 1、采集模块，2、深度学习框架，3、识别违章模型，4、图像计算模块，[0038] 5、摄像模块，6、扬声器模块，7、DC电源集成芯片。

具体实施方式

[0039] 为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述。

[0040] 实施例一：

[0041] 参考附图1，本实施例提出一种基于图像识别的电动自行车违章提醒方法，该方法包括采集训练阶段、部署阶段、违章提醒阶段；

[0042] 在采集训练阶段，通过采集模块1采集电动自行车的日常违章照片，将日常违章照片输入深度学习框架2进行训练，得到识别违章模型3，将识别违章模型3转固化为二进制文件存储于具有计算能力的图像计算模块4；

[0043] 在部署阶段，将摄像模块5和扬声器模块6安装在电动自行车的前端，将图像计算模块4集成安装于电动自行车的控制模块，摄像模块5、图像计算模块4、扬声器模块6三者依次通信连接；

[0044] 在违章提醒阶段，电动自行车的摄像模块5采集车前方道路信息，图像计算模块 4接收摄像模块5采集的信息并实时分析，在图像计算模块4分析得出电动自行车发生违章行为时，图像计算模块4向扬声器模块6传递控制信号，扬声器模块6进行语音播报并提醒驾驶员。

[0045] 在采集训练阶段，通过采集模块1采集电动自行车的日常违章照片后，根据违章情况，首先对违章照片进行手动分类，随后，将分类后的违章照片输入深度学习框架 2进行训练，得到识别违章模型3；

[0046] 在违章提醒阶段，在图像计算模块4分析得出电动自行车发生违章行为时，图像计算模块4向扬声器模块6传递控制信号，扬声器模块6向驾驶员语音播报具体的违章情况；

[0047] 违章情况包括闯红灯和驶入机动车道两种。

[0048] 本实施例中，所涉及识别违章模型3采用开源深度学习框架Tensorflow，开源深度学习框架Tensorflow调用input_data.read_data_sets接口接收摄像模块5采集的电动自行车日常违章照片，利用采集的电动自行车日常违章照片训练Tensorflow得到识别违章模型3。

[0049] 同时，本实施例中：

[0050] 所涉及图像计算模块4采用STM32F4系列单片机作为主控芯片，提供IIC、I2 S 和DCMI接口。图像计算模块4的电源采用DC电源集成芯片7，DC电源集成芯片7 将电动自行车的48v或60v电压转换为12v、5v和3.3v为图像计算模块4、摄像模块 5、扬声器模块6供电。

[0051] 所涉及摄像模块5采用OV7670模块，OV7670模块的SCCB总线和数据总线分别与图像计算模块4的IIC和DCMI总线连接，OV7670模块将视频流数据实时传输到图像计算模块4，并为图像计算模块4提供原始图像数据。

[0052] 所涉及所涉及扬声器模块6包括音频功放芯片和喇叭，音频功放芯片与图像计算模块4通过I2 S连接。

[0053] 实施例二：

[0054] 参考附图1，本实施例提出一种基于图像识别的电动自行车违章提醒装置，其结构包括：

[0055] 采集模块1，用于采集电动自行车的日常违章照片；

[0056] 深度学习框架2，用于获取电动自行车的日常违章照片进行训练，得到识别违章模型3；

[0057] 摄像模块5，安装在电动自行车的前端，用于采集电动自行车的前方道路信息；

[0058] 图像计算模块4，存储有转固化为二进制文件的识别违章模型3，用于接收并实时分析摄像模块5采集的信息，还用于根据分析结果输出控制信号；

[0059] 扬声器模块6，用于接收图像计算模块4的控制信号，并根据控制信号进行语音播报，以提醒驾驶员。

[0060] 本实施例中，为了能够更好的训练识别违章模型3，在采集模块1采集电动自行车的日常违章照片后，根据违章情况，手动分类采集的日常违章照片，并将分类后的违章照片输入深度学习框架2进行训练，得到识别违章模型3。这样的话，图像计算模块4实时分析摄像模块5采集的信息后，即可根据分析结果向扬声器模块6传递控制信号，扬声器模块6向驾驶员语音播报具体的违章情况。违章情况包括闯红灯和驶入机动车道两种。

[0061] 本实施例中，识别违章模型3优先采用开源深度学习框架Tensorflow，开源深度学习框架Tensorflow调用input_data.read_data_sets接口接收采集模块1采集的电动自行车日常违章照片。

[0062] 同时，本实施例中：

[0063] 图像计算模块4采用STM32F4系列单片机作为主控芯片，提供IIC、I2 S和DCMI 接口。

[0064] 摄像模块5采用OV7670模块，OV7670模块的SCCB总线和数据总线分别与图像计算模块4的IIC和DCMI总线连接，OV7670模块将视频流数据实时传输到图像计算模块4，并为图像计算模块4提供原始图像数据；

[0065] 扬声器模块6包括音频功放芯片和喇叭，音频功放芯片与图像计算模块4通过I 2S连接。

[0066] 本实施例中，图像计算模块4的电源采用DC电源集成芯片7，DC电源集成芯片7将电动自行车的48v或60v电压转换为12v、5v和3.3v为图像计算模块4、摄像模块5、扬声器模块6供电，这样可以避免单独为摄像模块5、扬声器模块6进行供电，或者，避免隔段时间对摄像模块5、扬声器模块6更换电池。

[0067] 综上可知，采用本发明的一种基于图像识别的电动自行车违章提醒方法及装置，部署于电动自行车上进行使用，使得电动自行车出厂即具有违章提醒功能，可以提高电动自行车驾驶员的警惕性，进而降低电动自行车因违章而发生交通事故的概率。

[0068] 基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。

标题	发布/更新时间	阅读量
调节视频码率的方法和装置	2020-05-08	801
一种基于CPU的8K超高清视频高速编码方法	2020-05-08	269
全景视频处理方法及系统	2020-05-08	252
场景联动方法及场景联动系统	2020-05-08	688
一种多路视频合成的方法及装置	2020-05-08	864
多媒体视频流总结系统及流程	2020-05-08	321
人机交互式软件录屏方法	2020-05-08	564
处理直播内容的方法、装置、系统	2020-05-08	77
基于动态模式分解的运动检测方法、终端设备及计算机可读存储介质	2020-05-08	828
一种受前面帧目标信息约束的相关滤波目标跟踪算法	2020-05-08	841

一种基于图像识别的电动自行车违章提醒方法及装置

一种基于图像识别的电动自行车违章提醒方法及装置

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：