[發明專利]一種社區監控場景下車輛違停實時檢測方法

在審

• 申請號: 202011029895.3
• 申請日: 2020-09-27
• 公開（公告）號: CN112287762A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 徐亮;張衛山;孫浩云;尹廣楹;張大千;管洪清
• 申請（專利權）人: 青島邃智信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G08G1/017
• 代理公司: 北京聯瑞聯豐知識產權代理事務所(普通合伙) 11411
• 代理人: 郭堃

本發明涉及視頻處理、人工智能、深度學習技術領域，具體公開了一種社區監控場景下車輛違停實時檢測方法，包括以下步驟：社區環境下采集車輛數據集，訓練本發明設計的車輛檢測網絡模型VDM?CNN，直至參數最優；使用訓練好的VDM?CNN網絡模型，對社區內禁停區域進行車輛目標檢測、使用跟蹤器存儲檢測到了目標車輛信息；計算跟蹤器內車輛信息關系，判斷是否有相同車輛對相同車輛在時間序列上進行時間、空間關系計算，判斷目標是否具有時間連續性和空間不變性，進而判斷是否有違規停車行為；GPU調度策略進行GPU調度。本發明具有較高的檢測準確率，從時間連續性和空間不變性兩個角度對禁停區域內的車輛是否違規停車進行分析判斷，具有很好的有效性和魯棒性。

技術領域

本發明涉及視頻處理、人工智能、深度學習技術領域，特別涉及一種社區監控場景下車輛違停實時檢測方法。

背景技術

隨著科學技術、網絡技術的不斷發展，不斷改變著社會居民的生活方式，人們的日常生活、衣食住行都逐步向數字化、網絡化方向發生轉變。近幾年來，隨著人工智能技術、機器學習的興起，推動了社會不斷朝著智能方向發展。智慧社區、智慧城市便是人工智能發展的產物。越來越多的研究學者開始關注深度學習領域，深度學習是目前機器學習發展階段的最高級別，而卷積神經網絡則是深度學習的典型代表，在圖像處理、圖像識別等方面都有著顯著的成效。對于特征提取，卷積神經網絡具有自動學習的優勢，代替了繁雜的傳統人工提取方法，減少了人工干預，提高了特征提取的精確度。卷積神經網絡不僅在特征提取方面有顯著成效，在目標檢測、識別等其他方面也起著不可替代的作用。

目標檢測技術被應用于商業、農業、軍事等各個領域。目標的有效檢測為目標識別提供了基礎。目標檢測的準確度與效率也是該領域一直被關注的重點。Faster R-CNN是目標識別領域最有效的方法之一，其優勢不僅在于把候選框提起部分放在GPU上運行，還把區域候選框的提取部分從網絡嵌入到網絡里邊，經過卷積后的特征圖可以用來獲取區域候選框。類似的目標識別網絡還有Mask-RCNN、YOLO、SSD等，雖然眾多技術上在實驗效果上準確度已達96％以上，但是其適用性嚴重依賴檢測環境，由于天氣、光照等客觀原因，以及目標本身的污損、形變等，這些外界因素影響了目標檢測，從而降低了眾多檢測模型的準確度。這些算法并不能適應各種復雜環境的要求，目標識別仍沒有完整的體系，因此如何設計出針對特定環境提高目標檢測識別準確度的算法依然是目前的研究重點。

車輛作為社區監控環境下的重要目標之一，而車輛在社區內的正確行駛以及正確停放是社區安全的一個因素，同時在車輛違停的情況下，很有可能會造成事故的發生，以及拖延他人行人造成不必要的損失，另一方面社區內行人較多，道路環境復雜，如何處理外界環境因素對社區內車輛違停車輛進行智能化檢測，增強社區居民的滿意度與體驗度，具有重要的研究意義和應用價值。

發明內容

為了解決社區復雜場景車輛違停的問題，本發明提供一種社區監控場景下車輛違停實時檢測方法。設計針對社區環境下的基于卷積神經網絡的車輛檢測網絡模型VDM-CNN，利用社區內車輛數據集對其訓練學習，提高了網絡模型的適用性與實用性，通過車輛跟蹤器記錄車輛行駛狀態及車輛信息，對比車輛在時間序列上的時間和空間特征判斷目標車輛是否有違規停車行為，從兩方面進行判斷，大大提升了該方法的實用性能。

為了解決上述技術問題，本發明的技術方案是：

一種社區監控場景下車輛違停實時檢測方法，包括采集社區車輛圖像數據集、訓練車輛檢測模型VDM-CNN、存儲目標車輛信息、判斷車輛相關性、計算時間、空間變化信息、GPU資源調度，還包括以下步驟：

步驟1：社區環境下采集車輛數據集，訓練本發明設計的車輛檢測網絡模型VDM-CNN，直至參數最優；

步驟2：使用訓練好的VDM-CNN網絡模型，對社區內禁停區域進行車輛目標檢測、使用跟蹤器存儲檢測到了目標車輛信息；

步驟3：計算跟蹤器內車輛信息關系，判斷是否有相同車輛；