[发明专利]一种基于深度学习的异常停车实时检测方法

权利要求书

1.一种基于深度学习的异常停车实时检测方法，其特征在于，包括如下步骤：

1)相机预置位设置以及相机标定；

2)卷积神经网络模型初始化；

3)获取当前视频帧与视频帧时间；

4)检查相机工作状态；

5)使用卷积神经网络模型对兴趣区域ROI进行车辆目标检测；

6)维护静态目标跟踪队列；

步骤6)中，所述的维护静态目标跟踪队列包含以下步骤：

6.1):得到当前帧的车辆目标检测结果后，过滤掉不在车道线内以及异常停车检测区域内的车辆；

6.2):基于检测的静态目标匹配：

6.2.1):计算当前帧检测到的车辆目标D和静态目标跟踪队列中目标Q的IoU和宽高误差E_w、E_h；IoU根据公式(2)计算：

其中，D_box为当前帧的车辆目标D的边界框box，Q_{init_box}为跟踪队列中目标Q的初始边界框init_box，∩为求交集，∪为求并集；

宽高误差E_w、E_h分别根据公式(3)、公式(4)计算：

其中abs()为求绝对值，D_w和D_h分别为当前帧的车辆目标D边界框box的宽高，Q_w和Q_h分别为跟踪队列中目标Q边界框box的宽高；

6.2.2):如果IoU≥IoU_threshold，E_w≤E_{w_threshold}，E_h≤E_{h_threshold}，则认为D和Q是同一辆车且是静止车辆，将Q标记为当前帧已检测；否则，则将该车辆目标D加入跟踪队列中，初始box为当前目标D的box，初始图像为当前视频帧，初始时间Q_{init_time}为当前视频帧的时间；其中IoU_threshold，E_{w_threshold}，E_{h_threshold}为预先设置的阈值，IoU_threshold的取值范围为0～1.0，E_{w_threshold}和E_{h_threshold}的取值要求大于等于0；

6.3):维护静态目标跟踪队列：在静态目标跟踪队列中，若存在跟踪目标Q在当前帧中没有检测到、且前Error_{tolerate_frame}帧也没有得到更新，则认为该目标已经移动，需要将该跟踪目标Q从跟踪队列中移除；其中Error_{tolerate_frame}为预先设置的可调值，Error_{tolerate_frame}≥1；

7)异常停车检测；

步骤7)中，所述的异常停车检测包含以下步骤；

7.1):维护历史异常停车队列为将队列中满足条件T_spaceL≥Threshold_{parkTolerantTime}的目标移除；

T_spaceL根据公式(5)计算：

T_spaceL＝T_cur-P_{latest_time} (5)

其中T_cur为当前视频帧时间，P_{latest_time}为历史异常停车目标P的最新检测时间；

7.2):判断目标车辆是否异常停止：跟踪目标Q满足During≥Threshold_during以及parkScore≥Threshold_park，则判断该目标车辆Q异常停止；其中Threshold_during，Threshold_park为预先设置的阈值，Threshold_during的单位为秒，其取值范围为Threshold_during≥1，Threshold_park的取值范围为0～1.0；parkScore表示异常停车分数；

停留时间During根据公式(6)计算：

During＝T_cur-Q_{init_time} (6)

其中，T_cur为当前视频帧时间，Q_{init_time}为跟踪目标Q的初始时间；

parkScore根据公式(7)计算：

其中，TrackQueue为静态目标跟踪队列，Q_area为跟踪目标Q前5个车位内的区域，且该区域Q_area限制在跟踪目标Q所处车道，|.|为计算区域Q_area或者车辆在道路行驶方向上的长度，为判断q_i是否在区域Q_area内的指示函数，若q_i在Q_area内，则返回1，否则，返回0；

8)异常停车目标上传。