[發(fā)明專(zhuān)利]基于深度卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛違停逆行檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710059676.1
• 申請(qǐng)日: 2017-01-24
• 公開(kāi)（公告）號(hào): CN106874863B
• 公開(kāi)（公告）日: 2020-02-07
• 發(fā)明（設(shè)計(jì)）人: 阮雅端;高妍;趙博睿;陳金艷;陳啟美
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/32;G06K9/62;G06N3/04
• 代理公司: 32112 南京天翼專(zhuān)利代理有限責(zé)任公司
• 代理人: 奚銘

1.基于深度卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛違停逆行檢測(cè)方法，其特征是基于深度卷積神經(jīng)網(wǎng)絡(luò)Deep-CNN網(wǎng)絡(luò)模型，Deep-CNN網(wǎng)絡(luò)模型將路面感興趣區(qū)域劃分為多個(gè)網(wǎng)格，構(gòu)建路面—非路面識(shí)別模型，通過(guò)非路面網(wǎng)格反向識(shí)別非法停車(chē)或逆行目標(biāo)，包括以下步驟：

Step1：路面模型訓(xùn)練，采集道路攝像頭的視頻圖像，將視頻圖像中路面的感興趣區(qū)域ROI_路面網(wǎng)格化分割成多個(gè)小塊，標(biāo)準(zhǔn)化后作為Deep-CNN網(wǎng)絡(luò)模型的訓(xùn)練集，訓(xùn)練時(shí)首先采用無(wú)監(jiān)督方法訓(xùn)練獲取圖像特征，聚類(lèi)后再設(shè)置標(biāo)簽，人工方式標(biāo)記路面類(lèi)型，區(qū)分路面與非路面，得到路面—非路面識(shí)別模型；

Step2：非路面前景模型訓(xùn)練，將被分為非路面的網(wǎng)格圖片按連通區(qū)域組合成候選目標(biāo)加入訓(xùn)練庫(kù)，再次采用Deep-CNN網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，分級(jí)訓(xùn)練路面目標(biāo)，所述路面目標(biāo)包括車(chē)輛、路面遺留物和行人，得到前景識(shí)別模型；

Step3：前景目標(biāo)檢測(cè)，在step1及step2的識(shí)別模型基礎(chǔ)上，對(duì)實(shí)時(shí)視頻圖像使用Deep-CNN網(wǎng)絡(luò)模型和SVM分類(lèi)器實(shí)現(xiàn)前景目標(biāo)的檢測(cè)與分類(lèi)，先識(shí)別路面非路面，再識(shí)別出前景目標(biāo)的類(lèi)型；

Step4：行為分析，在前景目標(biāo)分類(lèi)識(shí)別基礎(chǔ)上，根據(jù)前景目標(biāo)在視頻圖像序列中的上下文信息，進(jìn)行道路事件車(chē)輛違停逆行檢測(cè)識(shí)別，設(shè)與分別為T(mén)₀與T_0+t時(shí)刻的第k個(gè)前景候選目標(biāo)的位置，計(jì)算前景候選目標(biāo)在圖像區(qū)域位移的歐氏距離獲取第k個(gè)前景候選目標(biāo)運(yùn)動(dòng)狀態(tài)與方向，進(jìn)一步確定目標(biāo)是否存在停止或逆行狀態(tài)。

2.根據(jù)權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛違停逆行檢測(cè)方法，其特征是所述的道路事件車(chē)輛違停逆行檢測(cè)識(shí)別具體為：

Step4.1：對(duì)實(shí)時(shí)視頻圖像中的路面設(shè)置禁止區(qū)域ROI_禁，視頻圖像網(wǎng)格化后，根據(jù)路面—非路面識(shí)別模型進(jìn)行分類(lèi)；

Step4.2：連通ROI_禁區(qū)域內(nèi)非路面網(wǎng)格圖片I_i,j，生成候選目標(biāo)O_k；

Step4.3：對(duì)候選目標(biāo)O_k分類(lèi)識(shí)別，如果為車(chē)，則鎖定為車(chē)輛目標(biāo)；

Step4.4：計(jì)算初始時(shí)刻T₀與t時(shí)刻后T_0+t之間車(chē)輛目標(biāo)位移距離與方向，和正常道路車(chē)輛方向進(jìn)行對(duì)比；

Step4.5：判定車(chē)輛違停或逆行行為。

3.根據(jù)權(quán)利要求1所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛違停逆行檢測(cè)方法，其特征是Step1和Step2具體為：

1)設(shè)置感興趣區(qū)域ROI_路面：采集道路或街景監(jiān)控器的視頻圖像，獲得各幀道路或街景視頻圖像，根據(jù)實(shí)際的道路或街景狀況，在當(dāng)前幀圖像上提取關(guān)注區(qū)域的邊界對(duì)角4個(gè)點(diǎn)，對(duì)所提取的點(diǎn)進(jìn)行直線(xiàn)擬合計(jì)算，形成叉形結(jié)構(gòu)，叉形結(jié)構(gòu)內(nèi)作為檢測(cè)的感興趣區(qū)域ROI_路面，也就是有效檢測(cè)區(qū)域；

2)非檢測(cè)區(qū)域漫水填充：非ROI_路面為非檢測(cè)區(qū)域，進(jìn)行漫水填充處理，填充后，落在ROI_路面區(qū)域外的網(wǎng)格圖片像素均值為0，直接濾除不再進(jìn)行后續(xù)處理；

3)檢測(cè)區(qū)域ROI_路面網(wǎng)格化分塊，網(wǎng)格圖片經(jīng)Deep-CNN分類(lèi)結(jié)果為路面或非路面，將ROI_路面的分塊中非路面的網(wǎng)格圖片連起來(lái)，記為I_p,q，即I_p,q組成候選目標(biāo)，送入分類(lèi)器，分類(lèi)為車(chē)輛、行人或路面遺留物。