[发明专利]基于SSD神经网络的违章停车车辆实时检测方法

说明书

本发明公开了一种基于SSD神经网络的违章停车车辆实时检测方法，主要解决现有技术在道路复杂、天气光照多变的情况下检测准确率低和鲁棒性弱的问题。其实现方案是：1.拍摄若干不同场景和天气下的车辆行驶视频，构建训练数据集；2.通过K‑Means聚类算法对数据集中车辆的长宽比进行聚类；3.利用聚类结果优化SSD网络模型，并进行训练；4.设定禁止停车区域，用训练好的网络模型对车辆进行检测，将识别到的车辆使用追踪算法进行追踪，获得车辆的运动状态，在设定时间阈值内保持静止的车辆判断为违章停车车辆。本发明不仅提高了检测的准确率，而且增强了鲁棒性，可用于各种复杂场景和不同天气状况下违章停车车辆的检测。

技术领域

本发明属于图像识别和计算机视觉技术领域，尤其涉及一种停车车辆的检测方法，可用于城市环境中对违章停车车辆的检测。

背景技术

随着现代社会经济的快速发展和城市化的普及，汽车作为一种重要的交通工具，其数量呈井喷式增长，据公安部交管局统计，截止2016年底，全国汽车保有量达1.94亿辆，新注册量和年增长量均达历史最高水平。汽车数量的增长给人们带来便利的同时，也引发了诸如交通堵塞等一系列问题，其中汽车的违章停车现象是导致交通堵塞的一种重要原因。因此，急需一种实时可靠的违章停车的检测方法。

目前，针对违章停车检测方法的研究，主要集中在利用视频目标识别和跟踪技术对禁停区域内的违章停车车辆进行检测。其实现方案是利用背景分割技术，先提取可能的运动前景目标，再结合人工车辆特征判断前景目标是否为车辆，最后利用跟踪算法判断车辆是否违章停车。这种利用背景分割提取前景的方法，易受天气和光照的影响，在复杂场景下无法准确获得前景车辆目标，并且人工设计的特征具有设计难度大，不具有鲁棒性等缺点，不适用于复杂多变的城市交通环境。

发明内容

本发明的目的在于针对上述已有的违章停车检测方法的不足，提出一种基于SSD神经网络的违章停车车辆实时检测方法，以提高检测的准确率和鲁棒性。

本发明的技术思路是：利用SSD神经网络能快速和精确识别目标的优势，通过K-means聚类方法，对训练数据集进行聚类；根据聚类结果搭建针对车辆检测的SSD网络框架，识别禁停区域内的行驶车辆；通过模板匹配算法对检测的行驶车辆进行追踪，根据其运动轨迹判断车辆是否为违章停车。其实现步骤包括如下：

1)构建训练数据集：

1a)采集若干个不同场景、不同拍摄角度、不同光照变化和天气情况下的车辆行驶视频，将这些视频每隔25帧保存成一张图片；

1b)在每张图片上划定感兴趣区域，并对感兴趣区域内的车辆进行标注，再将标注车辆的坐标、宽高以及类别信息存入到txt格式的标签文件中；

1c)合并所有标签文件，并将文件的txt格式转换为xml格式，获得与训练图像相对应的车辆类别以及位置信息的标签文件，即训练数据集；

2)K-Means聚类获得车辆宽高比的K个聚类中心：

2a)使用MATLAB函数importdata()读入1b)生成的txt格式的标注文件，获取标注车辆的坐标、宽高以及类别信息，将所有标注车辆的宽和高存成一个二维矩阵X，其中矩阵的列代表车辆的宽高，矩阵的行代表不同的标注车辆；

2b)使用MATLAB函数Kmeans()对二维矩阵X进行K-Means聚类，得到K个聚类的车辆宽高，用聚类后的宽除以高得到K个宽高比的聚类中心；

3)使用2b)得到的车辆聚类宽高比，对SSD网络模型进行优化，得到优化后的SSD网络模型；

4)利用优化后的SSD网络模型和跟踪算法进行违章停车检测：

4a)读取视频，得到视频流，并在视频图像中设定禁止停车区域；