[发明专利]一种用于复杂应用场景的车辆违停识别方法

权利要求书

1.一种用于复杂应用场景的车辆违停识别方法，其特征在于，包括以下步骤：

S1：获取禁停区域内的图像信息；

S2：基于禁停区域内的图像信息进行车辆目标检测，并获取对应目标车辆的车辆信息；

S3：根据目标车辆的车辆信息判断目标车辆是否移动：若是，则返回步骤S1；否则，基于目标车辆生成对应的疑似违停信息；

S4：当目标车辆累积生成两次疑似违停信息后，计算当前的疑似违停信息和上一次的疑似违停信息之间的疑似违停时间差；若疑似违停时间差大于设置的违停时间阈值，则判断目标车辆违停，并生成对应的违停事件信息作为车辆违停识别结果；否则，返回步骤S1。

2.如权利要求1所述的用于复杂应用场景的车辆违停识别方法，其特征在于，步骤S1中，获取禁停区域内的图像信息时，通过如下步骤修正图像信息：

将禁停区域的位置图像进行图像分割，然后对位置图像中的每个像素点进行标注，以得到禁停区域的边界像素点坐标；

基于禁停区域的边界像素点坐标对所述禁停区域内的图像信息进行裁剪和分割，以实现对禁停区域内的图像信息的修正。

3.如权利要求1所述的用于复杂应用场景的车辆违停识别方法，其特征在于：步骤S4中，首先判断当前的疑似违停信息和上一次的疑似违停信息的产生位置是否改变：若是，则返回步骤S1，并清空已生成的所有疑似违停信息；否则，计算对应的疑似违停时间差，并执行后续步骤。

4.如权利要求1所述的用于复杂应用场景的车辆违停识别方法，其特征在于，还包括：

S101：获取划线停车区域内的图像信息；

S102：基于划线停车区域内的图像信息进行车辆目标检测，并获取对应目标车辆的车辆信息；

S103：根据目标车辆的车辆信息判断目标车辆是否移动：若是，则返回步骤S101；否则，进入下一步骤；

S104：判断目标车辆是否压线停车：若是，则基于目标车辆生成对应的疑似未规范停车信息；否则，返回步骤S101；

S105：当目标车辆累积生成两次疑似未规范停车信息后，计算当前的疑似未规范停车信息和上一次的疑似未规范停车信息之间的未规范停车时间差，若未规范停车时间差大于设置的规范停车时间阈值，则判断目标车辆未规范停车，并生成对应的未规范停车事件信息作为车辆违停识别结果；否则，返回步骤S101。

5.如权利要求4所述的用于复杂应用场景的车辆违停识别方法，其特征在于：通过经预先训练的深度检测模型对禁停区域或划线停车区域内的图像信息进行车辆目标检测；所述深度检测模型基于Darknet深度学习框架构建。

6.如权利要求5所述的用于复杂应用场景的车辆违停识别方法，其特征在于：通过YOLO目标检测方法训练所述深度检测模型。

7.如权利要求4所述的用于复杂应用场景的车辆违停识别方法，其特征在于：通过CNN+OpenCV 的架构识别目标车辆的车牌信息作为其车辆信息。

8.如权利要求4所述的用于复杂应用场景的车辆违停识别方法，其特征在于：通过跳帧解析的方式从视频图像中选取若干帧图片帧作为对应的图像信息。

9.如权利要求8所述的用于复杂应用场景的车辆违停识别方法，其特征在于：通过IOU跟踪算法判断目标车辆是否移动；

具体的：首先通过目标框对图像信息中的目标车辆进行标记；对两次标记得到的目标框进行IOU计算，若IOU超过0.3则将两次标记的目标框看作是同一个目标车辆；再基于目标车辆的目标框进行判断：若第二次标记的目标框中心点横坐标或中心点纵坐标超过第一次标记的目标框原始横坐标或原始纵坐标的1/4，则目标车辆移动；否则，目标车辆未移动。

10.如权利要求4所述的用于复杂应用场景的车辆违停识别方法，其特征在于，步骤S104中，通过如下步骤判断目标车辆是否压线停车：

将划线停车区域的位置图像进行图像分割，然后对位置图像中的每个像素点进行标注以得到划线停车区域的边界像素点坐标；

基于车辆目标检测的Anchor Box坐标与划线停车区域的边界像素点坐标的比对结果判断目标车辆是否压线停车。