[发明专利]一种基于目标检测和语义分割的人行道车辆违停检测方法

说明书

本发明公开了一种基于目标检测和语义分割的人行道车辆违停检测方法，属于深度学习和计算机视觉领域，在训练阶段分别训练语义分割网络和目标检测网络，得到语义分割模型和目标检测模型；在测试阶段首先使用混合高斯背景模型提取城市道路背景图，再使用语义分割算法及所述语义分割模型进行语义分割，得到语义分割图，然后使用感知哈希算法判断摄像头是否转动，再使用目标检测算法及所述目标检测模型进行车辆检测，标记车辆检测框，最后将车辆检测框与语义分割图进行比较。本发明解决了现有车辆违停检测方法存在误判率较高，实时性不佳，需要手动标定人行道违停区域，以及当摄像头转动时，需要重新手动标定违停区域导致不适用于转动摄像头的问题。

技术领域

本发明属于深度学习和计算机视觉领域，涉及一种基于目标检测和语义分割的人行道车辆违停检测方法。

背景技术

随着经济和城镇化建设的快速发展，我国各城市的道路和车辆总量不断增长，车辆违规停放行为也日益增加，对城市道路监控图像或者视频中的车辆进行违规检测已成为城市管理中的一项重要的任务。虽然高清监控摄像头已经在绝大多数路口部署，但每日产生的视频量越来越庞大，通过人工进行视频实时监控或离线处理既费时又费力，而且容易延误和遗漏，所以急需寻找一种高效的方法辅助人工进行监控处理。

车辆违停是个非常普遍的问题，其中人行道违规停车占了车辆违停事件的绝大多数。人行道违规停车会破坏市容、影响行人出行、堵塞交通甚至覆盖盲道，导致盲人无法通行。而对于复杂的道路情况进行分析，从而找到车辆违停事件是一项十分有挑战性的工作。

传统的车辆违停检测方法使用滑动窗口策略，通过HOG、SIFT等方法对目标特征进行提取，并将提取到的特征送入SVM、AdaBoost等分类器进行分类识别。这些特征本质上是一种手工设计的特征，针对不同的识别问题，提取到的特征好坏对系统性能有着直接的影响；由于监控视频的分辨率、摄像角度和方向都有着很大的差异，再加上不同时刻光线亮度的差异、大风带来的摄像头抖动等因素，使得监控视频中的图像质量受到影响；同时车辆的种类繁多，人工提供的特征无法满足车辆种类特征的需求，这对车辆检测带来了极大的困难，因此传统的车辆检测方法效果表现不佳。

近些年来，深度学习技术发展迅速，基于卷积神经网络的模型层出不穷。与传统方法相比，基于深度学习的目标检测算法和语义分割算法具有提取特征能力强，准确率高的优点，已经被应用到人脸识别，自动驾驶，医疗影像等各种领域。

因此，本发明针对上述问题，提出了一种基于目标检测和语义分割的人行道车辆违停检测方法。

发明内容

本发明的目的在于：提供了一种基于目标检测和语义分割的人行道车辆违停检测方法，解决了现有车辆违停检测方法存在误判率较高，实时性不佳，需要手动标定人行道违停区域，以及当摄像头转动时，需要重新手动标定违停区域导致不适用于转动摄像头的问题。

本发明采用的技术方案如下：

一种基于目标检测和语义分割的人行道车辆违停检测方法，包括以下步骤：

步骤1：收集不同场景下监控摄像头的监控照片，并进行语义分割的标注，得到语义分割数据集，用语义分割数据集训练语义分割网络，得到语义分割模型；

步骤2：收集不同场景下监控摄像头的监控照片，并进行目标检测的标注，得到目标检测数据集，用目标检测数据集训练目标检测网络，得到目标检测模型；

步骤3：获取一段道路的监控视频，使用混合高斯背景模型排除运动中车辆，提取视频背景，将其转化为干净的单帧城市道路背景图；

步骤4：使用语义分割算法及步骤1训练好的语义分割模型将干净的单帧城市道路背景图进行语义分割，生成语义分割图，将城市道路背景分割成人行道违停区和马路两种区域；

步骤5：使用感知哈希算法判断摄像头是否转动，若摄像头转动，则返回步骤3，重新生成城市道路背景图，若摄像头未转动，则进行下一步；