一种同时处理同一视频中多个远光灯车辆的方法与流程

本发明涉及公路机动车车牌抓拍领域，特别涉及一种同时处理同一视频中多个远光灯车辆的方法。

背景技术：

机动车驾驶人夜间行驶时不按规定使用远光灯，很可能造成跟车或者对向来车驾驶员几秒内的失明，是引发夜间交通事故的主要原因。传统远光灯检测利用视频压光找双灯筒技术，速度快，但是捕获率低，只能捕获到双灯筒车辆，不具有普遍性。传统远光灯违规车辆检测技术利用硬件装置检测，采用视频压光找双灯筒技术，有一定的局限性，体现在只可捕获双灯筒车型，无法捕获到单灯筒、多灯筒等，不具有证据公平性、公正性，捕获率只有60%，无法做到车型、灯筒全覆盖。采用硬件装置对远光灯进行检测的方法，由于检测方式的不可视化，安装和调试难度较大，容易受道路平坦度的影响，适应性较差。现有技术中，采用基于深度学习的目标跟踪算法进行远光灯检测，有效的解决了传统远光灯检测方法安装困难和虚警率高等问题，但是，实时性较视频处理差一些因此，急需一种可以解决远光灯抓拍的实时性、全覆盖性、虚警率高等问题的一种同时处理同一视频中多个远光灯车辆的方法。

技术实现要素：

本发明要解决的问题在于提供一种实时性、全覆盖性、虚警率低的一种同时处理同一视频中多个远光灯车辆的方法。

为解决上述问题，本发明提供一种同时处理同一视频中多个远光灯车辆的方法，包括以下步骤:

s1：首先远光灯硬件检测模块检测到远光灯，将远光灯信号发送至上位机程序；

s2：在上位机程序接收到模块发出的“模块1远光灯”信号后，开始调用摄像机sdk，下载视频，并保存至本地工控机上；

s3：通过处理系统同时处理同一视频中多个远光灯车辆，进行车牌的抓取筛选，处理完成后，将数据写入数据库，用于数据的上传。

本发明的有益效果是，通过采用软硬件结合方式，利用远光灯检测模块，同时加入基于深度学习的目标检测技术，双重保证，有效的解决了安装难、调试难问题，检测率高、适应性强。采用多线程、多视频同时处理技术，补充和提高了捕获率，大大提升了抓拍的实时性，更为不按规定使用远光灯现场执法打下了坚定的基础。

进一步的，所述步骤s3中还包括以下步骤：

a1：首先对远光灯的检测判断,根据远光灯数量相同的文件夹，其中，每个文件夹中的视频，对应每个初始远光灯车辆的坐标位置；

a2:远光灯车辆的追踪与车牌识别,删除重复车辆信息；

a3：将整理好的数据写入数据库，用于数据的上传。

进一步的，所述步骤a1中还包括以下步骤：

b1：首先在主线程中开启一个子线程，用于检测远光灯车辆信息；

b2：通过基于深度学习的远光灯检测算法，提取到视频第一帧，并找出视频帧中含有的远光灯车辆；

b3：检测完成后，根据检测到的不按规定使用远光灯车辆的数量信息，拷贝出不同的文件夹，文件夹中包含初始视频信息，并记录车辆的坐标位置，将坐标和文件夹路径发送到主线程中，等待主线程的处理；

b4：将所有信息发送至主线程后，销毁远光灯检测线程。

进一步的，所述步骤a2中还包括以下步骤：

c1：主线程接收到远光灯检测线程发来的坐标、路径信息后，分别创建不同的视频处理线程，每一个视频处理线程传入不按规定使用远光灯车辆的坐标信息和对应的视频路径信息；

c2：在视频处理过程中，通过读取视频，利用opencv的目标跟踪算法，跟踪原始远光灯车辆；

c3：车辆到视频近端时，利用基于深度学习的车牌提取算法，提取到车牌信息，车辆出框后，删除多余的视频帧；

c4：将处理后的车牌和视频路径信息发送至主线程，用于删除重复的车牌信息。

进一步的，所述步骤b2中还包括以下步骤：

d1：通过设置不同的远光灯检测置信度阈值进一步过滤掉非远光灯区域。

进一步的，所述步骤c4中还包括以下步骤：

e1：主线程接收到视频处理线程发送过来的车牌信息，存储到一个list列表中；

e2：比较list中的后20个车牌信息，如果有相同，则认为含有重复车牌，删除路径里的文件夹信息。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一种同时处理同一视频中多个远光灯车辆的方法的方法流程图。

具体实施方式

下面结合具体实施例，对本发明的内容做进一步的详细说明：

本发明要解决的问题在于提供一种实时性、全覆盖性、虚警率低的一种同时处理同一视频中多个远光灯车辆的方法。

如图1所示，为解决上述问题，本发明提供一种同时处理同一视频中多个远光灯车辆的方法，包括以下步骤:

s1：首先远光灯硬件检测模块检测到远光灯，将远光灯信号发送至上位机程序；

s2：在上位机程序接收到模块发出的“模块1远光灯”信号后，开始调用摄像机sdk，下载视频，并保存至本地工控机上；

s3：通过处理系统同时处理同一视频中多个远光灯车辆，进行车牌的抓取筛选，处理完成后，将数据写入数据库，用于数据的上传。

本发明的有益效果是，通过采用软硬件结合方式，利用远光灯检测模块，同时加入基于深度学习的目标检测技术，双重保证，有效的解决了安装难、调试难问题，检测率高、适应性强。采用多线程、多视频同时处理技术，补充和提高了捕获率，大大提升了抓拍的实时性，更为不按规定使用远光灯现场执法打下了坚定的基础。

进一步的，所述步骤s3中还包括以下步骤：

a1：首先对远光灯的检测判断,根据远光灯数量相同的文件夹，其中，每个文件夹中的视频，对应每个初始远光灯车辆的坐标位置；

a2:远光灯车辆的追踪与车牌识别,删除重复车辆信息；

a3：将整理好的数据写入数据库，用于数据的上传。

在实际操作中，同时处理同一视频中多个远光灯的方法主要步骤为：对远光灯的检测判断；根据远光灯数量相同的文件夹，其中，每个文件夹中的视频，对应每个初始远光灯车辆的坐标位置；远光灯车辆的追踪与车牌识别；删除重复车辆信息；处理完成等。为进行数据的同时处理，需要进行大量的线程操作，线程开启、线程处理、线程销毁等。

进一步的，所述步骤a1中还包括以下步骤：

b1：首先在主线程中开启一个子线程，用于检测远光灯车辆信息；

b2：通过基于深度学习的远光灯检测算法，提取到视频第一帧，并找出视频帧中含有的远光灯车辆；

b3：检测完成后，根据检测到的不按规定使用远光灯车辆的数量信息，拷贝出不同的文件夹，文件夹中包含初始视频信息，并记录车辆的坐标位置，将坐标和文件夹路径发送到主线程中，等待主线程的处理；

b4：将所有信息发送至主线程后，销毁远光灯检测线程。

进一步的，所述步骤a2中还包括以下步骤：

c1：主线程接收到远光灯检测线程发来的坐标、路径信息后，分别创建不同的视频处理线程，每一个视频处理线程传入不按规定使用远光灯车辆的坐标信息和对应的视频路径信息；

c2：在视频处理过程中，通过读取视频，利用opencv的目标跟踪算法，跟踪原始远光灯车辆；

c3：车辆到视频近端时，利用基于深度学习的车牌提取算法，提取到车牌信息，车辆出框后，删除多余的视频帧；

c4：将处理后的车牌和视频路径信息发送至主线程，用于删除重复的车牌信息。

进一步的，所述步骤b2中还包括以下步骤：

d1：通过设置不同的远光灯检测置信度阈值进一步过滤掉非远光灯区域。

进一步的，所述步骤c4中还包括以下步骤：

e1：主线程接收到视频处理线程发送过来的车牌信息，存储到一个list列表中；

e2：比较list中的后20个车牌信息，如果有相同，则认为含有重复车牌，删除路径里的文件夹信息。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。