技术摘要：
本发明公开了一种基于计算机视觉的机动车交通违法行为自动检测技术，包括如下步骤：构造目标检测数据集；加载YOLOv3模型进行模型的参数初始化过程，构建模型，训练模型；利用完成训练的YOLOv3模型预测目标类别及位置坐标；根据目标类别及位置坐标推理交通违法行为。本  全部
背景技术：
现有检测机动车交通违法行为的方法主要依赖于交警巡逻等人工方式来进行违 法行为的检测，其缺陷在于消耗大量人力成本，同时时空覆盖率不高。另外，机动车的使用 主要存在于中小型城市及农村，其存在范围广使得动员交警整治的人力开销巨大。 随着国家对互联网科技的重要，交通已进入智能时代。在日常交通出行中存在着 大量的交通违法行为，这些违法行为使得人们日常交通出行存在极大隐患。同时，机动车普 遍存在于大街小巷，其违法行为使驾驶员及行人都承担了安全风险。因此，针对机动车的交 通违法行为自动检测显得至关重要。
技术实现要素：
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于计算机视觉的 机动车的交通违法行为自动检测技术。 本发明采用如下技术方案： 一种基于计算机视觉的机动车交通违法行为自动检测技术，包括如下步骤： S1、构造目标检测数据集； S2、加载YOLOv3模型进行模型的参数初始化过程，构建模型，训练模型； S3、利用完成训练的YOLOv3模型预测目标类别及位置坐标； S4、根据目标类别及位置坐标推理交通违法行为。 其中，步骤S1具体包括： S11、针对机动车存在的违法行为确定数据集所需的类别，可自动检测的类别包括 超载、未戴安全帽，目标检测算法检测出的类别即包括机动车、人、安全帽； S12、从各大开源的数据集中收集所需类别数据，对于收集数量不足的类别进行针 对性的数据标注，标注工具使用数据标注软件labelImg，标注信息保存在xml格式的文件 中，即包括目标类别和位置坐标； S13、将所有xml格式的文件里的标注信息合并成一个txt格式文件，文件内容包括 图片路径、图片内包括的目标类别、目标对应的位置坐标； S14、将数据集划分为训练集、验证集和测试集； S15、在训练集被加载时随机地进行数据增强来增加数据集，即对图片进行平移、 缩放、扭曲。 其中，步骤S2具体包括： S21、利用聚类算法K-means对数据集的目标坐标框的尺寸大小进行聚类，将K- means算法的输出数值作为YOLOv3模型的候选框参数； 4 CN 111553199 A 说　明　书 2/4 页 S22、加载数据集及验证集txt格式文件，加载类别txt格式文件，加载候选框的txt 文件； S23、加载预训练的YOLOv3模型，构建计算损失函数和准确率函数，YOLOv3输出结 果为向量； S24、以批为迭代单位训练YOLOv3模型，反向传播修改YOLOv3模型参数。 S25、每迭代一轮，即训练集中每张图片都参与一次训练，输入验证集图片计算验 证集损失，当训练集损失和验证集损失都趋于稳定时，训练完毕保存模型。 其中，步骤S3具体包括： S31、加载S2中训练好的模型，加载类别txt文件，加载候选框的txt文件； S32、加载需要进行预测的图片，将图片输入到模型中； S33、模型预测得到目标类别ID及其位置坐标，根据目标类别ID得到类别txt文件 中对应的类别名； S34、将所得到的所有目标类别及其位置坐标组成列表作为S4推理过程的输入。 其中，步骤S4具体包括： S41、循环遍历输入的目标及其坐标，计算目标与目标间的交并比，即计算各个目 标的面积的交集所占面积的比例，面积可由位置坐标得到，具体公式为： S42、通过目标间的交并比推理目标间存在关系，即当IOU大于给定阈值时即认为 目标存在关系，如人在摩托车上； S43、通过目标间的关系推理是否存在违法行为，首先可以得到的目标关系有机动 车上乘坐人员数量和车上人员是否佩戴安全帽，当车上乘坐人员数量超过交通法规规定数 量时即可认为此车辆超载。 由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果： 现有的检测违法行为的方式或者依赖于各种硬件设施，如监控摄像头和地感线圈 等；或者依赖于交警人工巡逻检测违法行为，这些方式检测区域具有时空限制、建设维护成 本高。本发明基于计算机视觉，使用基于深度学习的目标检测算法和基于规则的推理方式 进行交通违法行为的自动检测。 附图说明 图1为本发明所揭示的交通违法行为自动检测流程图； 图2为使用数据标注软件labelimg标注训练样本示意图； 图3为目标检测和自动推理流程示意图。