[发明专利]基于多特征融合级联深度模型的车辆违停检测方法

权利要求书

1.一种基于多特征融合级联深度模型的车辆违停检测方法，包括以下步骤：

(1)从监控视频中截取视频帧，对获得的帧图像打上车辆标签形成训练样本，构建训练集；

(2)构建网络模型，该模型包括VGG-16网络、改进的RPN网络以及联合神经网络，其中，VGG-16网络用于提取输入图像的初始特征，改进的RPN网络的输入连接于VGG-16的输出，通过设定的多个层级检测阈值对获得前景识别边框进行层级筛选，获得最终前景识别边框和前景特征图，联合神经网络的输入与联合神经网络的输出相连，用于提取前景特征图的局部特征和全局特征，并分别计算局部特征和全局特征的损失值，将两个损失值之和作为总的损失值；

(3)利用训练集对步骤(2)中构建的网络模型进行训练，直到训练结束，确定网络模型的参数，即获得车辆识别模型；

(4)将待测图像输入至车辆识别模型中，经计算获得待测图像中的车辆；

(5)根据预先划定的电子围栏，判断步骤(4)中识别的车辆是否在电子围栏区域内，从而确定是否违停；

其中，所述改进的RPN网络的结构为：

卷积层，用于对输入的初始特征图进行特征提取；

基础RPN网络，用于对卷积层输出的特征图进行卷积操作，获得初始前景识别边框BOX₀；

前景识别边框筛选网络，根据预设的层级检测阈值对初始前景识别边框BOX₀进行层级筛选，获得最终前景识别边框和前景特征，具体地，所述前景识别边框筛选网络包括：

第一池化层，用于将获得的初始前景识别边框BOX₀映射到原始输入图像中；

第一检测器，利用预设的第一层级检测阈值对初始前景识别边框BOX₀进行筛选，获得前景识别边框BOX₁；

第二池化层，用于将获得的前景识别边框BOX₁映射到原始输入图像中；

第二检测器，利用预设的第二层级检测阈值对前景识别边框BOX₁进行筛选，获得前景识别边框BOX₂；

第三池化层，用于将获得的前景识别边框BOX₂映射到原始输入图像中；

第三检测器，利用预设的第三层级检测阈值对前景识别边框BOX₂进行筛选，获得前景识别边框BOX₃和前景识别边框BOX₃对应的前景特征图。

2.如权利要求1所述的基于多特征融合级联深度模型的车辆违停检测方法，其特征在于，将帧图像输入至网络模型前，还对帧图像进行尺寸调整，以适应网络模型的输入图像尺寸。

3.如权利要求2所述的基于多特征融合级联深度模型的车辆违停检测方法，其特征在于，若输入图像的长和宽分别为x*,y*，帧图像的长和宽分别为x,y，比较和若大，固定x不变，为y加padding，使得和的大小相等；同理，若大，固定y不变，为x加padding；然后，重新设定到指定尺寸。