[发明专利]一种基于城市道路的违停车辆检测及管理方法及系统

权利要求书

1.一种基于城市道路的违停车辆检测方法，其特征在于，包括以下步骤：

获取连续帧的监控视频图像并选取监控区域；

检测所述连续帧的监控视频图像内的所述监控区域内的车辆的车辆坐标数据和车牌号码，若相同车牌号码对应的车辆的所述车辆坐标数据的偏移值小于位置阈值，且监控区域对应的是禁停区域，则所述车辆为违停车辆；若所述监控区域对应的是临时停车区域，对所述车辆进行人脸检测以及停车时长统计，若同时满足检测到人脸以及停车时长小于时长阈值的条件，则所述车辆为临时停靠车辆，否之，所述车辆为违停车辆。

2.根据权利要求1所述的基于城市道路的违停车辆检测方法，其特征在于，所述车辆坐标数据至少包括车辆中心点坐标以及车辆宽高，基于所述车辆坐标数据从对应的监控视频图像中截取车辆区域，对所述车辆区域进行车牌识别，获取所述车辆号码，选择相同车牌号码对应的车辆的所述车辆中心点坐标，计算车辆中心点坐标之间的差值是否小于位置阈值。

3.根据权利要求1所述的基于城市道路的违停车辆检测方法，其特征在于，将所述车辆对应的车辆区域输入到人脸检测模型进行人脸检测，若驾驶座位上没有检测到人脸，所述车辆为违停车辆；若驾驶座检测到人脸，则进行停车时长统计，若停车时长不小于停车阈值，所述车辆为违停车辆。

4.根据权利要求1所述的基于城市道路的违停车辆检测方法，其特征在于，所述连续帧的监控视频图像输入车辆检测模型中获取所述车辆的车辆坐标数据，所述车辆检测模型对应的车辆检测网络结构采用沙漏网络对输入的数据进行特征提取获取特征图，所述特征图后接3个卷积层，所述3个卷积层分别与focal损失函数、中心偏移损失函数、边框尺寸损失函数相连接，采用所述focal损失函数、所述中心偏移损失函数以及所述边框尺寸损失函数训练所述车辆检测网络，直至以上损失函数不再降低。

5.根据权利要求3所述的基于城市道路的违停车辆检测方法，其特征在于，人脸检测模型的构建过程如下：

步骤1：训练样本准备：对公开人脸数据集进行随机裁剪，生成正样本、负样本和中间样本，其中，所述负样本是与标注人脸区域交并比小于阈值U1的样本，所述正样本是与标注人脸区域交并比大于阈值U2的样本，所述中间样本是与标注人脸区域交并比在阈值U3至阈值U4之间的样本；

步骤2：所述人脸检测模型的网络结构搭建：所述人脸检测模型的网络结构包括两个网络，分别为候选框网络和输出网络，所述候选框网络包括p1个卷积层，p2个池化层，所述输出网络包括p3个卷积层、p4个池化层及p5个全连接层；

步骤3：训练：将所述正样本、负样本以及中间样本尺寸变换为W₃×H₃输入到所述候选框网络，采用SoftMax损失函数和欧几里得损失函数训练所述候选框网络，直到损失值不再降低时，停止训练；

步骤4：将所述公开人脸数据集对应的原图像输入到上述步骤3训练好的所述候选框网络得到候选区域，将所述候选区域与所述标注人脸区域的交并比划分正样本、负样本及中间样本；

步骤5：将上述步骤4得到的所述正样本、负样本以及中间样本尺寸变换为W₄×H₄,输入到所述输出网络，采用SoftMax损失函数和欧几里得损失函数训练输出网络，直到损失值不再降低时，停止训练。

6.根据权利要求3所述的基于城市道路的违停车辆检测方法，其特征在于，所述车辆对应的车辆区域对应的监控视频图像输入到所述人脸检测模型检测，将所述监控视频图像多次进行缩放形成图像金字塔，将所述金字塔输入到训练好的所述人脸检测模型的候选框网络中，得到候选框，采用非极大值抑制算法将重叠过高的所述候选框删除；根据所述候选框的位置从原始的所述待测试的监控视频图像上截取感兴趣区域，并变换尺寸大小输入到所述人脸检测模型的候选框网络中，采用非极大值抑制算法删除重叠的所述候选框，剩下的所述候选框为最终人脸框。