[发明专利]一种基于监控视频的深度学习车辆停车检测方法

权利要求书

1.一种基于监控视频的深度学习车辆停车检测方法，其特征在于用在高速公路隧道中，包括以下步骤：

S100.从高速公路隧道摄像头获取的视频中按帧抽取图片并做预处理；

S200.利用步骤S100中抽取的图片，提取运动前景目标；

S300.进行静止目标区域的检测；

S400.使用卷积神经网络分类模型判断静止目标是否为车辆，进行停车行为的判断。

2.根据权利要求1所述的一种基于监控视频的深度学习车辆停车检测方法，其特征在于：所述步骤S100中的预处理包括以下步骤：

S101.对图片进行双三次插值法缩放来调整图片的尺寸；

S102.根据隧道特征确定图片中的停车检测区域。

3.根据权利要求1所述的一种基于监控视频的深度学习车辆停车检测方法，其特征在于：所述步骤S200包括以下步骤：

S201.采用混合高斯建立背景模型；

S202.将当前像素点同当前混合高斯模型按照优先级顺序进行匹配，提取出背景和运动前景目标。

4.根据权利要求1所述的一种基于监控视频的深度学习车辆停车检测方法，其特征在于：所述步骤S300包括以下步骤：

S301.通过短时跟踪来估计运动目标的速度，得到可疑静止目标区域；

S302.对可疑静止目标区域进行图像相关性计算，当相关系数大于设定阈值时则判定为静止目标区域；

其中，相关系数r的公式为：

式中，X，Y分别表示短时跟踪前后可疑静止目标区域的图像像素值，Cov(X,Y)为X与Y的协方差，δ_x，δ_y分别表示X，Y的方差。

5.根据权利要求1所述的一种基于监控视频的深度学习车辆停车检测方法，其特征在于：所述步骤S400具体包括以下步骤：

构建5个卷积层的网络结构作为分类模型，使用3x3的小卷积核进行特征提取；

使用批规范化对网络层中每个mini-batch的数据进行归一化；在最后的全连接部分采用Dropout算法；

将静止目标区域图片作为卷积神经网络分类模型的训练集，使用以TensorFlow为底层深度学习语言的Keras框架来实现对分类模型的构建和训练，得到可以判断静止目标是否为车辆的模型；

判断静止目标是否为车辆的模型，如果静止目标被识别为车辆，则判断有车辆停车事件发生。

6.根据权利要求2所述的一种基于监控视频的深度学习车辆停车检测方法，其特征在于：所述步骤S101中的双三次差值法，基于如下三阶多项式产生插值系数h_c(s)：

式中，s为插值像素和参考像素之间的距离，c为一个可调参数。

7.根据权利要求2所述的一种基于监控视频的深度学习车辆停车检测方法，其特征在于：所述步骤S102的停车检测区域包括正常的行车道和应急车道。

8.根据权利要求4所述的一种基于监控视频的深度学习车辆停车检测方法，其特征在于：所述步骤S301中通过短时跟踪来估计运动目标的速度的步骤包括：

先利用Meanshift跟踪算法得到运动目标在当前帧中的位置；

然后计算运动目标的初始质心位置和跟踪后的质心位置，通过质心位置的移动情况得到运动目标的粗略估计速度，计算公式为v＝Δd/Δt，

式中，Δd为运动目标的质心位置移动的距离，Δt是视频帧采集间隔帧数N所对应的采集间隔时间；

所述步骤S301中得到可疑静止目标区域的步骤包括：当v＜λ时则判定为该目标为可疑静止目标区域，其中，λ为模糊系数。