[发明专利]一种社区监控场景下车辆违停实时检测方法

说明书

本发明涉及视频处理、人工智能、深度学习技术领域，具体公开了一种社区监控场景下车辆违停实时检测方法，包括以下步骤：社区环境下采集车辆数据集，训练本发明设计的车辆检测网络模型VDM‑CNN，直至参数最优；使用训练好的VDM‑CNN网络模型，对社区内禁停区域进行车辆目标检测、使用跟踪器存储检测到了目标车辆信息；计算跟踪器内车辆信息关系，判断是否有相同车辆对相同车辆在时间序列上进行时间、空间关系计算，判断目标是否具有时间连续性和空间不变性，进而判断是否有违规停车行为；GPU调度策略进行GPU调度。本发明具有较高的检测准确率，从时间连续性和空间不变性两个角度对禁停区域内的车辆是否违规停车进行分析判断，具有很好的有效性和鲁棒性。

技术领域

本发明涉及视频处理、人工智能、深度学习技术领域，特别涉及一种社区监控场景下车辆违停实时检测方法。

背景技术

随着科学技术、网络技术的不断发展，不断改变着社会居民的生活方式，人们的日常生活、衣食住行都逐步向数字化、网络化方向发生转变。近几年来，随着人工智能技术、机器学习的兴起，推动了社会不断朝着智能方向发展。智慧社区、智慧城市便是人工智能发展的产物。越来越多的研究学者开始关注深度学习领域，深度学习是目前机器学习发展阶段的最高级别，而卷积神经网络则是深度学习的典型代表，在图像处理、图像识别等方面都有着显著的成效。对于特征提取，卷积神经网络具有自动学习的优势，代替了繁杂的传统人工提取方法，减少了人工干预，提高了特征提取的精确度。卷积神经网络不仅在特征提取方面有显著成效，在目标检测、识别等其他方面也起着不可替代的作用。

目标检测技术被应用于商业、农业、军事等各个领域。目标的有效检测为目标识别提供了基础。目标检测的准确度与效率也是该领域一直被关注的重点。Faster R-CNN是目标识别领域最有效的方法之一，其优势不仅在于把候选框提起部分放在GPU上运行，还把区域候选框的提取部分从网络嵌入到网络里边，经过卷积后的特征图可以用来获取区域候选框。类似的目标识别网络还有Mask-RCNN、YOLO、SSD等，虽然众多技术上在实验效果上准确度已达96％以上，但是其适用性严重依赖检测环境，由于天气、光照等客观原因，以及目标本身的污损、形变等，这些外界因素影响了目标检测，从而降低了众多检测模型的准确度。这些算法并不能适应各种复杂环境的要求，目标识别仍没有完整的体系，因此如何设计出针对特定环境提高目标检测识别准确度的算法依然是目前的研究重点。

车辆作为社区监控环境下的重要目标之一，而车辆在社区内的正确行驶以及正确停放是社区安全的一个因素，同时在车辆违停的情况下，很有可能会造成事故的发生，以及拖延他人行人造成不必要的损失，另一方面社区内行人较多，道路环境复杂，如何处理外界环境因素对社区内车辆违停车辆进行智能化检测，增强社区居民的满意度与体验度，具有重要的研究意义和应用价值。

发明内容

为了解决社区复杂场景车辆违停的问题，本发明提供一种社区监控场景下车辆违停实时检测方法。设计针对社区环境下的基于卷积神经网络的车辆检测网络模型VDM-CNN，利用社区内车辆数据集对其训练学习，提高了网络模型的适用性与实用性，通过车辆跟踪器记录车辆行驶状态及车辆信息，对比车辆在时间序列上的时间和空间特征判断目标车辆是否有违规停车行为，从两方面进行判断，大大提升了该方法的实用性能。

为了解决上述技术问题，本发明的技术方案是：

一种社区监控场景下车辆违停实时检测方法，包括采集社区车辆图像数据集、训练车辆检测模型VDM-CNN、存储目标车辆信息、判断车辆相关性、计算时间、空间变化信息、GPU资源调度，还包括以下步骤：

步骤1：社区环境下采集车辆数据集，训练本发明设计的车辆检测网络模型VDM-CNN，直至参数最优；

步骤2：使用训练好的VDM-CNN网络模型，对社区内禁停区域进行车辆目标检测、使用跟踪器存储检测到了目标车辆信息；

步骤3：计算跟踪器内车辆信息关系，判断是否有相同车辆；