[发明专利]一种基于深度学习的异常停车实时检测方法

说明书

本发明公布了一种基于深度学习的异常停车实时检测方法，包括有以下步骤：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；7)异常停车检测；8)异常停车目标上报。本发明提出了一种基于深度学习的异常停车实时检测算法，具有对环境变化较强的鲁棒性，实现了实时的检测效果以及较高的异常停车识别精度。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于深度学习的异常停车实时检测方法。

背景技术

近年来，随着汽车的普及，城市停车位置出现不足，且伴随着设计不妥以及道路的复杂，停车问题变得及其突出。人们开车上下班、出门旅游，往往因为车位不够或者找到空闲的车位太过于耗时，而导致车主选择随意停放汽车，这种行为不仅会面临交警的罚款，而且会影响道路的畅通。异常停车不仅仅会影响人们的出行效率，甚至更会导致严重的交通事故，严重危害人民的出行安全。因此，准确而实时地进行异常停车检测就显得尤为重要。

现有的一些关于异常停车的检测方法，大多是依赖于传统的图像处理技术，而该方法具有较低的准确率以及较差的鲁棒性，一旦遇到遮挡、天气变化，就会导致检测的准确率大幅度下降；又或者是通过特定的设备来进异常停车检测，这类方法需要较大的人力物力。因此结合现有的交通监控相机以及深度学习进行异常停车检测，具有很强的研究价值和潜在的商业应用。

发明内容

为克服现有技术上检测精度低、检测速度慢的不足，本发明提供了一种基于深度学习的异常停车实时检测方法，用深度卷积神经网络CNN特征进行车辆目标检测，并结合视频时空连续性来准确而快速地进行异常停车检测。

为实现上述发明，采用的技术方案如下：

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；

7)异常停车检测；

8)异常停车目标上报。

所述的一种基于深度学习的异常停车实时检测方法，其特征在于，步骤1)中，所述的相机预置位为进行异常停车检测时相机所处的固定位置。

所述的一种基于深度学习的异常停车实时检测方法，其特征在于，步骤1)中，所述的相机预置位设置为将摄像头调整到合适的异常停车检测位置，并将当前相机位置设置为预置位。

所述的一种基于深度学习的异常停车实时检测方法，其特征在于，步骤1)中，所述的相机标定为截取相机视频流的一帧图像，在其上进行车道线、兴趣区域ROI、异常停车检测区域的标定。

所述的一种基于深度学习的异常停车实时检测方法，其特征在于，步骤2)中，所述的卷积神经网络模型为YOLOv3，卷积神经网络模型初始化为卷积网络模型加载到GPU显卡中以及权重参数恢复。

所述的一种基于深度学习的异常停车实时检测方法，其特征在于，步骤4)中，所述的检查相机工作状态具体包括以下步骤：

4.1:获取当前相机的位置信息，与预置位比较是否相同，若相同，则进行异常停车检测；否则，将静态目标跟踪队列以及历史异常停车队列重置，并且不进行异常停车检测，直到相机位置恢复到与预置位相同；