安全驾驶检测系统,为你的回家路保驾护航

之前“重庆公交车坠河”事件引起了全国人民的关注,使得交通安全问题再度成为公众关注的热点话题。小喵也针对交通事故做了调查,结果真是触目惊心。2016年全国交通事故发生总数达到212846起,造成226430人受伤,63093万人死亡,竟然同冰岛的全国人口数相当。在这些冰冷的数据背后,是一条条鲜活的生命,有效保障人民的交通安全,成为所有人的共同愿景。

 

在这些交通事故中,有很大一部分为疲劳驾驶、开车“低头族”造成的。疲劳驾驶状态下,驾驶员闭眼的1秒,事故率陡然升高;“低头族”看一眼微信的2秒内,可能就终结了一个人的生命。国家也出台了相关法规整治酒后驾车与开车“低头族”的问题,但是由此引发的事故仍旧屡见不鲜,提出更加高效的解决办法就显得更加迫切了。

 

科技的进步推动着社会的发展,前些年开始流行的“互联网+”为人们的生活提供了极大的便利,而近年开始成为热点的人工智能又开始同产业结合,改变人们的生活。就安全驾驶的问题而言,驾驶检测系统在AI的大背景下应运而生,改变着每个驾驶员的生命之路。

 

安全驾驶检测系统,是基于对各类交通图片数据的识别,通过深度学习,实现智能的对安全驾驶进行提醒与警告。其功能包括行人碰撞预警、前车碰撞预警、车道偏离预警、疲劳驾驶检测、盲区检测预警、夜视辅助系统等诸多功能,来保证驾驶安全。

 

行人碰撞预警系统(Pedestrian Collision Warning),基于计算机视觉的图像算法,检测行驶车道上静态和动态的行人,提前预警,防止行人碰撞事故的发生。

 

前车碰撞预警系统(Forward Collision Warning),它通过感应和计算在行驶过程中车辆与前车的距离来判断潜在的碰撞风险,并立即发出警示。

 

车道偏离预警(Lane Departure Warning),通过ADAS算法监测车辆在车道中的位置,当车辆压线或者即将压线时向司机发出警告,防止因车道偏离造成的交通事故发生。

 

疲劳驾驶监测(Driver Fatigue Monitor),通过视觉传感器对人的眼睑眼球的几何特征和动作特征、眼睛的凝视角度及其动态变化、头部位置和方向的变化等进行实时检测和测量,对疲劳驾驶行为进行预警。

 

盲区监测预警(Blind Spot Monitor),通过在驾驶者视觉盲区覆盖安装摄像头,帮助驾驶者看清盲区的路况信息,对盲区潜在碰撞进行预警。

 

夜视辅助系统(Night Vision),是一种源自军事用途的汽车驾驶辅助系统。在这个系统的帮助下,驾驶者在夜间或弱光线的驾驶过程中将获得更高的预见能力,能够针对潜在危险向驾驶者提供更加全面准确的信息或发出早期警告。

 

安全驾驶的功能,实现的基础是各类海量的图片数据,诸如各类驾驶员的图片资料、车辆行驶状况图片、车道线识别图片、信号灯图片、行人图片信息都是确保系统正常运转的基础,如果在数据环节出现错误,Uber无人车的车祸便是典型案例。

 

点我科技正是为无人驾驶与安全驾驶系统提供高质量数据服务的专业数据服务商,丰富的数据采集经验,涵盖了无人驾驶所需的全部领域,为安全驾驶系统提供数据基础,从根基层面保障驾驶安全。同时同各个人工智能厂商的合作,积累了丰富的数据经验,获得了广泛的好评。龙猫数据正在成长为数据行业的的领跑者,服务AI产业,筑基智慧生态。

推荐文章

来自工业界的最佳实践。车牌识别是一个老生常谈的话题,在工业界已经得到广泛应用。当深度学习在各种视觉识别任务上刷新更高精度的时候,却常常被认为计算量远大于传统方法。Intel公司俄罗斯IOTG计算机视觉组的工程师最近发布了一篇论文,揭示了自家已经商用的车牌识别算法,使用轻量级深度神经网络进行车牌识别,达到快准狠的新高度,即速度超快、精度超准、硬件利用率超狠。本文来自于论文《LPRNet: License Plate Recognition via Deep Neural Networks》。文章的的第一作者已经离开Intel,这篇论文是他们17年的工作,通过Linkedin得知,两位作者来自Intel收购的Itseez公司,也就是之前维护OpenCV的俄罗斯公司。该文提出了LPRNet – 自动车牌识别的end-to-end方法,识别之前无需进行初步的字符分割。该方法使用了深度神经网络,能够实时运算,在中国车牌识别准确度上高达95%,速度上在nVIDIA GeForce GTX 1080显卡运算每个车牌3ms,在英特尔酷睿i7-6700K上每个车牌1.3ms。LPRNet由轻量级卷积神经网络组成,因此可以端到端的方式进行训练。论文称,LPRNet是第一个不使用RNN的实时车牌识别系统。因为速度快,LPRNet算法可用于自动车牌识别的嵌入式解决方案,即使在具有挑战性的中国车牌上也具有高精度。需要说明的是,LPRNet解决的是识别的问题,文中车牌检测使用的是LBP-cascade。LPRNet特性1.实时、高精度、支持车牌字符变长、无需字符分割、对不同国家支持从零开始end-to-end的训练;2.第一个不需要使用RNN的足够轻量级的网络,可以运行在各种平台,包括嵌入式设备;3.鲁棒,LPRNet已经应用于真实的交通监控场景,事实证明它可以鲁棒地应对各种困难情况,包括透视变换、镜头畸变带来的成像失真、强光、视点变换等。车牌识别的挑战图像模糊、很差的光线条件、车牌数字的变化(比如中国和日本的车牌有一些特殊字符)、车牌变形、天气影响(比如雨雪天气)、车牌上的字符个数有变化。空间变换预处理LocNet这是对检测到的车牌形状上的校正,使用 Spatial Transformer Layer[1],这一步是可选的,但用上可以使得图像更好得被识别。LPRNet的基础构建模块LPRNet的基础网络构建模块受启发于SqueezeNet Fire Blocks[2]和Inception Blocks[3],如下图所示。特征提取骨干网架构骨干网将原始的RGB图像作为输入,计算得到空间分布的丰富特征。为了利用局部字符的上下文信息,该文使用了宽卷积(1×13 kernel)而没有使用LSTM-based RNN。骨干网络最终的输出,可以被认为是一系列字符的概率,其长度对应于输入图像像素宽度。由于解码器的输出与目标字符序列长度不同,训练的时候使用了CTC Loss[4],它可以很好的应对不需要字符分割和对齐的end-to-end训练。为了进一步提高性能,使用了论文[5]中global context嵌入。推理阶段对上述一系列字符的概率进行解码,使用beam search[6],它可以最大化输出序列的总概率。后过滤(post-filtering)阶段,使用面向任务的语言模型实现作为目标国家车牌模板的一组集合,后过滤阶段是和beam search 结合一起用的,获得通过beam search找到的前N个最可能序列,返回与预定义模板集合最匹配的第一个序列,该模板取决于特定国家的车牌规则。识别实验结果训练时,使用一个来自监控场景的中国车牌的私有库,总共有11696幅经过LBP级联检测器检测出来的车牌,并进行了数据增广(data augmentation)即随机旋转、平移、缩放,下图报告了上述各种tricks对识别精度的影响。最大的识别精度增益来自于global context(36%),其次是data augmentation(28.6%),STN-based alignment即预处理也带来了显著提高(2.8-5.2%),Beam Search联合post-filtering进一步提高了0.4-0.6%.识别速度Intel将LPRNet在CPUGPUFPGA上都进行了实现,每个车牌的识别时间如下:这里GPU用的是nVIDIA GeForce1080, CPU是Core i7-6700K SkyLake, FPGA是Intel Arria10,推断引擎IE来自Intel OpenVINO.虽然这篇文章本身没有什么新的发明,但52CV还是认为非常值得推荐给大家的,它绝不属于水文,因为Intel已经将其商用了,足以证明它的优势和价值。该文没有开源代码,论文地址:https://arxiv.org/abs/1806.10447v1在“我爱计算机视觉”公众号后台回复“lprnet”可以直接获取论文的百度网盘下载地址。参考文献[1]“Spatial Transformer Networks,”arXiv:1506.02025[2]“SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5mb model size,”arXiv:1602.07360[3]“Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning,” arXiv:1602.07261[4]Connectionist temporal classification:labelling unsegmented sequence data with recurrent neural networks. ICML 2006:369-376[5]“ParseNet: Looking Wider to See Better,” arXiv:1506.04579[6]Supervised Sequence Labelling with Recurrent Neural Networks, 2012th ed. Heidelberg ; New York:Springer, Feb. 2012.转载来源:《快准狠!Intel论文揭示自家车牌识别算法:LPRNet》

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。