随着时代发展,汽车在我们的生活中越来越普及,随之由汽车导致的交通事故量也迅速增加,而事故发生最主要原因是由驾驶人员的不良习惯与违法操作所导致。其中车辆压线是最为常见的违规驾驶行为,在交通事故死亡率中占比最高。现有的交通管理系统利用监控摄像头对交通进行监控,对驾驶员有一定震慑作用,但固定摄像头无法做到全面覆盖。对此,本文采用覆盖率广泛的车载摄像头对交通进行监控。实验基于深度学习对车载图像提取有用信息,构建车辆压线检测算法模型,对车载图像中车辆压线的情况进行研究。本文的主要研究内容如下:(1)鉴于深度学习检测算法需要大量数据,本文根据需求构建了实验所需的数据集,对构建的数据集进行预标注,可节省大量人工时间,再利用标注工具进行修改。(2)车载图像在采集过程由于光照、天气等因素影响图像质量,分析图像预处理方法后,最终选用了中值滤波来削弱图像噪声,HSV彩色图像直方图均衡化来增强图像对比度。(3)搭建Google Net-FCN语义分割网络来提取车道线和wheel-line线信息,对分割信息进行形态学滤波和连通区域面积阈值法改善分割效果,模型在测试集上测评MIo U值达到66.2%。对Mobile Net-SSD网络进行改良根据具体数据集进行修改预测分支和anchor值,并进行特征融合,网络在数据集上表现的准确率为95.7%、召回率为94.6%。(4)建立压线算法模型,利用深度学习模型提取车载图像的有用信息进行车辆压线判断。根据车道线和wheel-line线存在的交点所在位置设置阈值判断是否压线,根据不同阈值在压线数据上的测评结果找到最佳阈值。最后对算法性能进行分析,算法平均每帧耗时67.8ms、准确率为96.6%。实验结果证明,本系统目标车辆压线检测算法具有良好的准确性和鲁棒性,同时也能满足实时性要求。