一种去中心化的交通诚信评价系统

摘要

本发明公开了一种去中心化的交通诚信评价系统，由车载记录模块、服务器判断模块、APP诚信查询模块与交通管理网组成，所述车载记录模块包括电源模块、主控模块、视频捕捉模块、视频处理模块、4G通信模块和GPS定位模块；行车过程中，视频处理模块通过视频捕捉模块捕捉的视频判断前后方车辆是否存在交通违法行为，并将违法视频通过4G通信模块上传到服务器判断模块，服务器判断模块借助神经网络进一步判断，并举报到交通管理网，同时在APP诚信查询模块显示违法信息，为车主生成交通诚信分数。本发明在行驶过程中自动识别前后方车辆的交通违法行为，使交通违法行为的监管不再由特定的人群或设备执行，实现交通管理的去中心化，增加交通执法的约束力。

说明书

技术领域

本发明属于交通管理技术领域，具体为一种去中心化的交通诚信评价系统。

背景技术

未来，智慧城市产业规模将不断扩大，而智能交通、公共安全作为智慧城市的关键领域也将焕发勃勃生机。一些不易被监督的交通违法行为，如实线变道行为的频发严重地威胁到了公共安全，证明现行的交通监管系统存在着一定的漏洞。传统的"电子警察"摄像头位置固定，数量有限，覆盖范围较小，经常会出现司机规避摄像头的交通违法行为，导致在监管盲区的交通违法行为频发。

目前交通违法行为的监管和举报大多借助设置在十字路口的固定摄像头进行捕捉，或者由目击交通违法行为的举报者用手机拍摄然后上传到交通管理网的举报系统。这样的监管和举报不仅效率低，覆盖范围小，而且缺乏充分的证据，对违法车辆缺少震慑力。在高速公路等缺少固定摄像头的特殊路段，未系安全带、车距过近等交通违法行为频发，造成巨大的安全隐患，急需一个更加健全的交通违法行为监管系统进行监督。

CN110136447A公开了一种行车变道检测及违法变道识别的方法，包括：(1)通过待监控路段的监控摄像头，获取该路段俯拍的实时视频图像；(2)标记并存储该路段所有需检测的车道线信息；(3)对实时视频中所有车辆进行识别及定位，对于被判断为发生实线变道的车辆进行标记和截图取证，并记录其车牌信息。该方法具有明显的不足，仍需借助固定位置的监控摄像头，具有较大的死角，覆盖范围较小。

CN111047875A公开了一种在行车时快速举报交通违法行为的系统及方法，该系统包括如下步骤：(1)行驶前将手机固定在车内可以拍摄行驶前方的位置并进行实时拍摄；(2)实时储存举报前后10秒的视频信息作为举报证据；(3)当驾驶员发现前方的交通违法行为时，通过滑动屏幕或语音控制开启举报功能，并由系统通过视频信息判断是否属于交通违法行为并上传到交警举报平台。然而，这个系统仍需要驾驶员人为地去判断前方是否存在交通违法行为，具有一定的滞后性，而且存在交通隐患。

发明内容

本发明的目的在于提供了一种去中心化的交通诚信评价系统，该系统实现了在车辆行驶过程中自动识别并举报前后方车辆交通违法行为，并对存在交通违法行为的司机的交通诚信进行评价的功能。

实现本发明目的的技术解决方案为：一种去中心化的交通诚信评价系统，包括车载记录模块、服务器判断模块、APP诚信查询模块与交通管理网。

所述的车载记录模块包括：电源模块、主控模块、视频捕捉模块、视频处理模块、4G通信模块和GPS定位模块；所述的电源模块、视频捕捉模块、视频处理模块、4G通信模块和GPS定位模块分别与主控模块电路连接；所述的电源模块与汽车电源电路连接，汽车电源为电源模块提供电压；所述的GPS定位模块实时读取车辆的定位，根据定位将车辆所处位置分为高速公路和普通道路两种情况；所述的视频处理模块根据GPS定位模块的定位信息判断车辆是否行驶在高速公路，然后将视频捕捉模块捕捉到的视频逐帧进行图像处理，判断前后车辆是否存在交通违法行为；所述的4G通信模块通过4G网络与服务器判断模块通讯连接，将存在交通违法行为的视频上传到服务器判断模块。

所述的服务器判断模块与交通管理网通讯连接，借助神经网络算法进一步判断视频中是否存在交通违法行为，将存在交通违法行为的视频与违法车辆的车牌信息上传到交通管理网；所述的服务器判断模块使用的神经网络包括：识别车辆GoogleNET网络、识别车牌号CNN网络、识别信号灯Faster RCNN网络、识别车道线SSD网络与识别安全带DBN网络。

所述的APP诚信查询模块与服务器判断模块通讯连接，将服务器判断模块判定的交通违法行为同步到APP中；所述的APP诚信查询模块包括：注册界面、登录界面、查询界面与智能合约界面；车主通过注册界面填写驾驶证号、姓名、身份证号与车牌号等身份信息进行注册，在登录界面使用身份证号与密码登录；所述的APP诚信查询模块根据车主的交通违法行为为车主生成交通诚信分数，车主登录后可以在查询界面查询自己的交通违法行为、违法行为视频与交通诚信分数；所述的APP智能合约界面具有下述功能：车主在申请租用共享汽车、成为出租车司机、成为代驾司机甚至查询个人征信信息时，相应机构有权在智能合约界面查询车主的交通诚信分数并订立合约，所述的APP诚信查询模块在车主诚信分数下降到一定值时协助机构自动解除与车主的合约。

优选地，所述的视频捕捉模块包括：第一摄像头、第二摄像头、第三摄像头与警报铃；第一摄像头置于车辆左大灯的右侧，面向车前，第二摄像头置于车辆右大灯的左侧，面向车前，第三摄像头置于车顶，面向车后，第三摄像头与警报铃电路连接；所述的视频处理模块根据第一摄像头与第二摄像头的图像信息，判断前方车辆是否存在交通违法行为，根据第三摄像头采集的图像信息，判断后方车辆是否存在交通违法行为。

优选地，所述的视频处理模块处理视频的具体步骤如下：

(1)识别车道线并判断车道线的虚实

将视频转化为图像帧，裁取图像帧下半部分，进行灰度化，噪声滤波，边缘提取，根据白色车道线与黄色车道线选择阈值分别进行二值化，得到黑白化的色块，再经过霍夫变换算法以及圆锥曲线拟合算法，得到车道线的位置与斜率(曲率)。然后通过计算占空比的方法判断车道线的虚实。

(2)识别车辆与车牌的位置

对图像帧进行灰度化，噪声滤波，边缘提取，对于前车，根据车身的轮廓特征定位车辆位置；对于后车，根据挡风玻璃的轮廓特征定位车辆位置。然后根据蓝色车牌与黄色车牌选择阈值进行二值化，根据车牌轮廓与矩形的相似度消除干扰色块，定位车牌位置，如果没有检测到车牌则证明车辆无牌或者遮牌。

(3)判断前车是否进行实线违法变道

通过前车与车道线的相对位置关系判断前车是否变道，通过前车车身轮廓边缘与车道线的相交关系判断是否压线。再根据车道线的虚实判断车辆是否进行实线违法变道。

(4)判断前车是否闯红灯

当GPS定位模块判断车辆行驶在普通公路时，裁取图像帧上半部分，即交通信号灯所在区域，进行灰度化，噪声滤波，边缘提取，根据信号灯颜色采用三个阈值分别进行二值化，根据信号灯轮廓与圆形的相似度消除干扰色块，确定信号灯的位置与颜色，根据前车与本车的相对位置变化与信号灯的颜色判断前车是否发生闯红灯交通违法行为；若未检测到信号灯则不进行闯红灯判断。

(5)判断后车是否车距过近

当GPS定位模块判断车辆行驶在高速公路时，首先对后车挡风玻璃的轮廓特征进行识别，根据后车与本车的相对位置的变化判断两车的距离大小，距离持续小于安全距离达到一段时间后，判断后车发生高速路上车距过近的交通违法行为，主控模块控制车顶的警报铃长啸警告。

(6)判断后车驾驶员与副驾驶是否佩戴安全带

高速公路驾驶员与副驾驶不佩戴安全带的现象仍比较常见，产生比较大的安全隐患；当GPS定位模块判断车辆在高速公路的收费处附近时(此时车距较近，车顶摄像头采集到的视频比较清晰)，视频处理模块开始判断后车驾驶员与副驾驶是否佩戴安全带。首先根据后车挡风玻璃轮廓的大小和位置，在图像帧中截取驾驶员图框与副驾驶图框，分别进行灰度化，噪声滤波，边缘提取，根据人脸轮廓特征判断人脸的位置，以人脸的位置为参考，对肩膀轮廓进行提取，通过左右侧肩膀轮廓长度的对比，判断是否佩戴安全带。

本发明与现有技术相比，其有益效果为：视频捕捉模块置于行驶的车辆上，摆脱了传统电子警察只能固定在某一位置的缺点，大大减少监管盲区，并且可对交通违法者产生更强的威慑作用；系统自动进行视频捕捉与交通违法行为的判别，不需要驾驶员参与举报过程，减少行车安全隐患；系统安装在车身固定位置，方便进行调整与维修；服务器判断模块通过神经网络算法对举报视频进行第二次审核，大大提高举报信息的准确性，减轻交通管理网的交通违法行为处理压力；APP诚信查询模块可以实时查询到司机有无交通违法行为，查询到司机的交通诚信分数，加大对司机的监督管理。

附图说明

图1为本发明所述的去中心化的交通诚信评价系统的结构图。

图2为本发明所述的车载记录模块的结构图。

图3为本发明所述的服务器判断模块的结构图。

图4为本发明所述的APP诚信查询模块的结构图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明所公开的一种去中心化的交通诚信评价系统，包括车载记录模块1、服务器判断模块2、APP诚信查询模块3与交通管理网4。在私家车购买、挂牌或维修时，或者出租车与公交车等公共车辆工作时，由交通警察将所述的车载记录模块1安装在车上，安装该模块的车辆可以由交警部门给予适当的补助，并定期对模块进行维护与升级；所述的服务器判断模块2与交通管理网的数据库通讯连接，借助神经网络算法进一步判断视频中是否存在交通违法行为，减少误报，将存在交通违法行为的视频与违法车辆的车牌信息上传到交通管理网，完成举报过程；所述的APP诚信查询模块3与服务器判断模块2通讯连接，将服务器判断模块2判定的交通违法行为同步到APP中，车主通过提供自己的驾驶证、车牌号等信息完成APP身份注册，模块根据车主交通违法行为的多少为车主生成交通诚信分数，车主可以在APP查询自己的交通违法信息和违法视频。

如图2所示，所述的车载记录模块1包括：电源模块11、主控模块12、视频捕捉模块13、视频处理模块14、4G通信模块15和GPS定位模块16；所述的电源模块11、视频捕捉模块13、视频处理模块14、4G通信模块15和GPS定位模块16分别与主控模块12电路连接；所述的电源模块11与汽车电源电路连接，汽车电源为电源模块11提供电压；所述的GPS定位模块16实时读取车辆的定位，根据定位将车辆所处位置分为高速公路和普通道路两种情况；所述的视频处理模块14根据GPS定位模块16的定位信息判断车辆是否行驶在高速公路，然后将视频捕捉模块13捕捉到的视频逐帧进行图像处理，判断前后车辆是否存在交通违法行为；所述的4G通信模块15通过4G网络与服务器判断模块2通讯连接，将存在交通违法行为的视频上传到服务器判断模块2。

如图2所示，所述的视频捕捉模块13包括：第一摄像头131、第二摄像头132、第三摄像头133与警报铃134；第一摄像头131置于车辆左大灯的右侧，面向车前，第二摄像头132置于车辆右大灯的左侧，面向车前，第三摄像头133置于车顶，面向车后，第三摄像头133与警报铃134电路连接；所述的视频处理模块14根据第一摄像头131与第二摄像头132的图像信息，判断前方车辆是否存在交通违法行为，根据第三摄像头133采集的图像信息，判断后方车辆是否存在交通违法行为。

所述的视频处理模块14处理视频的具体步骤如下：

(1)识别车道线并判断车道线的虚实

车道线分为直道线与弯道线两种。直道线的识别是基于霍夫变换实现的。其基本原理在于利用点与线的对偶性，将原始图像空间的直线转换为霍夫参数空间的一个点，把原始图像中直线的检测问题转化为寻找该参数空间中的峰值的问题。因此首先将视频转化为图像帧，裁取图像帧下半部分(包含车道线的部分)，分别进行灰度化，噪声滤波，边缘提取，根据白色车道线与黄色车道线选择阈值分别进行二值化，得到多条黑白化的直线段，再经过霍夫变换算法，得到各个直线段的截距与斜率，根据车道线的斜率特征，筛选出车道线的位置。

弯道线的识别是基于圆锥曲线拟合算法实现的。因为弯道在局部可视为椭圆形状，因此可以用圆锥曲线进行拟合，步骤如下：首先将视频转化为图像帧，对有效区域分别进行灰度化，图像滤波，边缘提取，根据白色车道线与黄色车道线选择阈值分别进行二值化，得到含有曲线段的黑白色块，使用各个色块区域的点分别解出圆锥曲线的参数，然后将其余色块的点代入圆锥曲线的方程，在一定误差内使方程成立的点都可视为是弯道线上的点，点集最大的圆锥曲线即对应弯道线的位置。

确定车道线的位置后，通过计算二值化之后车道线的黑白占空比的方法判断车道线的虚实，占空比接近1的车道线为实线，占空比接近0.5的车道线为虚线。

(2)识别车辆与车牌的位置

对图像帧进行灰度化，噪声滤波，边缘提取，对于前车，根据车身的轮廓特征定位车辆位置；对于后车，根据挡风玻璃的轮廓特征定位车辆位置。然后根据蓝色车牌与黄色车牌选择阈值进行二值化，根据车牌轮廓与矩形的相似度消除干扰色块，定位车牌位置，如果没有检测到车牌则证明车辆无牌或者遮牌。

(3)判断前车是否进行实线违法变道

通过前车与车道线的相对位置关系判断前车是否变道，通过前车车身轮廓边缘与车道线的相交关系判断是否压线。再根据车道线的虚实判断车辆是否进行实线违法变道。

(4)判断前车是否闯红灯

当GPS定位模块16判断车辆行驶在普通公路时，裁取图像帧上半部分，即交通信号灯所在区域，进行灰度化，噪声滤波，边缘提取，根据信号灯颜色(红、黄、绿)采用三个阈值分别进行二值化，根据信号灯轮廓与圆形的相似度消除干扰色块，判断是否存在信号灯，并确定信号灯的位置与颜色。再根据前车与本车的相对位置变化与信号灯的颜色判断前车是否发生闯红灯交通违法行为；若未检测到信号灯则不进行闯红灯判断。

(5)判断后车是否车距过近

机动车在高速公路上行驶时，应当与同车道车辆保持至少50米以上的距离。当GPS定位模块16判断车辆行驶在高速公路时，首先对后车挡风玻璃的轮廓特征进行识别，根据后车与本车的相对位置的变化判断两车的距离大小，距离持续小于50米达到20秒后，判断后车发生高速公路上车距过近的交通违法行为，主控模块控制车顶的警报铃长啸警告。

(6)判断后车驾驶员与副驾驶是否佩戴安全带

高速公路驾驶员与副驾驶不佩戴安全带的现象仍比较常见，产生比较大的安全隐患。当GPS定位模块16判断车辆在高速公路的收费处附近时(此时车距较近，车顶摄像头采集到的视频比较清晰)，视频处理模块开始判断后车驾驶员与副驾驶是否佩戴安全带。根据后车挡风玻璃轮廓的大小和位置，在图像帧中截取驾驶员图框与副驾驶图框，分别进行灰度化，噪声滤波，边缘提取，根据人脸轮廓特征判断人脸的位置，以人脸的位置为参考，对肩膀轮廓进行提取，通过左右侧肩膀轮廓长度的对比，判断是否佩戴安全带。

如图3所示，所述的服务器判断模块2采用神经网络算法识别视频内的交通违法行为，使用的神经网络包括：识别车辆GoogleNET网络(21)、识别车牌号CNN网络(22)、识别信号灯Faster RCNN网络(23)、识别车道线SSD网络(24)与识别安全带DBN网络(25)。神经网络的训练周期比较长，因此模块采用提前训练好的神经网络模型，不进行在线更新。

识别车辆GoogleNET网络(21)的训练基于N-CARS数据集，并且筛选了数据集中车辆正面与背面的图片作为我们的训练集，去掉车辆侧面的图片，选用CNN神经网络中的GoogleNET网络模型进行训练，并使用本发明中所述的摄像头的角度，采集路边车辆的图片作为测试集，对网络进行评估。

识别车牌号CNN网络(22)的训练基于CCPD数据集，选用CNN神经网络的原因是它能够整体处理整张图像帧，避免了车牌数字的分割。训练的过程先对数据集的车牌相片进行裁剪，将单个数字分离出来，放在不同的类别中。使用34个不同类别的数据集(26个英文大写字母去掉“I”“O”以及数字0-10)对CNN神经网络进行了培训，并使用测试集进行评估

识别信号灯Faster RCNN网络(23)的训练基于“Traffic Lights Recognition(TLR)public benchmarks”数据集，考虑到信号灯在图片帧中的目标较小，选用CNN神经网络中的Faster RCNN神经网络进行训练，该神经网络在检测小目标方面比较有优势。采集不同天气的信号灯的图片组成测试集，对网络进行评估。

识别车道线SSD网络(24)的训练基于网络上与周围各种环境采集到的车道线的图片组成的数据集，考虑到CNN神经网络中的SSD神经网络在处理线性特征的优势，采用SSD神经网络识别直车道线与弯曲车道线，根据车道线的特征尽量选择较小的检测框，将直车道线与弯曲车道线分块识别并标记，按照分块的斜率和密集程度可以判断车道线的弯直与虚实。

识别安全带DBN网络(25)的训练基于网络上采集到的图片组成的数据集，为了去除无效区域，选取驾驶员与副驾驶脖子以下的部分的图片集作为训练集，分为佩戴安全带与不带安全带两类；首先采用RBM网络将训练集图片的特征向量映射到不同的特征空间，实现特征的逐层学习，尽可能多地保留图像的特征信息；然后借助BP网络作为DBN网络的最后一层，接收RBM网络地输出特征向量，有监督地微调整个DBN网络；测试网络时，首先对图片中驾驶员图框与副驾驶图框进行haar特征检测算法来检测人脸特征，选取脖子以下的部分的图框作为测试对象输入网络中，对网络进行评估。

服务器判断模块2的运行过程如下：当服务器判断模块2接收到车载记录模块1发送的违法视频信息时，将视频的图像帧分别导入各个网络中进行识别，并判断是否存在交通违法行为，将存在交通违法行为的视频信息与识别到的车牌信息上传到交通管理网4，完成举报过程。

如图4所示，所述的APP诚信查询模块3包括注册界面31、登录界面32、查询界面33与智能合约界面34。车主通过注册界面31填写驾驶证号、姓名、身份证号与车牌号等身份信息进行注册，在登录界面32使用身份证号与密码登录，登录后可以在查询界面33查询自己的交通违法行为及相关的违法视频证明，出现错误举报情况时，车主可以在查询界面33进行申诉，由人工后台进行筛查并取消错误判断的交通违法行为。所述的APP诚信查询模块3根据车主的交通违法行为生成交通诚信分数，可以在查询界面33进行查看。所述的APP智能合约界面34具有下述功能：车主在申请租用共享汽车、成为出租车司机、成为代驾司机甚至查询个人征信信息时，相应机构有权在智能合约界面34查询车主的交通诚信分数并订立合约，所述的APP诚信查询模块3在车主诚信分数下降到一定值时协助机构自动解除与车主的合约。

综上所述，本发明公开了一种去中心化的交通诚信评价系统，主要阐述了系统的组成以及运行过程。首先，在私家车购买、挂牌或维修时，或者出租车与公交车等公共车辆工作时，由交通警察将所述的车载记录模块安装在车上。在行车过程中，当视频处理模块将视频捕捉模块捕捉到的视频逐帧进行图像处理后，根据车前两个摄像头采集的图像信息，判断前方车辆是否存在实线违法变道、闯红灯、无牌或遮牌等交通违法行为；根据车顶摄像头采集的车后图像信息，判断后方车辆是否存在驾驶员或副驾驶未系安全带、车距过近、无牌或遮牌等交通违法行为，并将含违法行为的视频通过4G通信模块上传到服务器判断模块，然后服务器判断模块借助神经网络进一步判断视频中是否存在交通违法行为，根据车牌号找到对应车主信息，在APP诚信查询模块向车主显示违法信息，同时将存在交通违法行为的视频信息和车牌信息上传到交通管理网，完成举报过程，作为监管交通违法行为的激励，成功完成举报的车主能够获得交通管理局的举报奖励。与现有系统相比，该系统安装于私家车等行车上，大大减少监管盲区，可对交通违法者产生更强的威慑作用，同时系统自动进行视频捕捉与交通违法行为的判别，不需要驾驶员参与举报过程，减少行车安全隐患。系统安装在车身固定位置，方便进行调整与维修，服务器判断模块通过神经网络算法对举报视频进行第二次审核，大大提高举报信息的准确性，减轻交通管理网的交通违法行为处理压力。APP诚信查询模块可以实时查询到司机有无交通违法行为，查询到司机的交通诚信分数，加大对司机的监督管理。本发明使交通违法行为的监管不再由特定的人群(交警)或者设备(电子警察)所执行，实现了交通监管的去中心化，增加交通执法的范围与约束力。