[發(fā)明專利]一種高速公路隧道內(nèi)停車檢測(cè)的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011572493.8
• 申請(qǐng)日: 2020-12-25
• 公開（公告）號(hào): CN112738470B
• 公開（公告）日: 2022-10-21
• 發(fā)明（設(shè)計(jì)）人: 丁潔;范緒閣;楊祖莨
• 申請(qǐng)（專利權(quán)）人: 太原理工大學(xué)
• 主分類號(hào): H04N7/18
• 分類號(hào): H04N7/18;G08G1/01;G06V20/52;G06V10/762;G06V10/80;G06V10/82;G06N3/04;G06T7/277;G06T7/73
• 代理公司: 太原市科瑞達(dá)專利代理有限公司 14101
• 代理人: 李富元

本發(fā)明涉及高速公路隧道內(nèi)停車檢測(cè)領(lǐng)域。一種高速公路隧道內(nèi)停車檢測(cè)的方法，對(duì)高速公路隧道內(nèi)進(jìn)行實(shí)時(shí)拍照獲得監(jiān)控視頻，建立車輛檢測(cè)模型，制作數(shù)據(jù)集，將監(jiān)控視頻輸入車輛檢測(cè)模型，利用停車檢測(cè)算法實(shí)現(xiàn)隧道內(nèi)車輛停車的檢測(cè)，車輛檢測(cè)模型采用YOLOv3?TunnelVehicle網(wǎng)絡(luò)結(jié)構(gòu)，YOLOv3?TunnelVehicle網(wǎng)絡(luò)結(jié)構(gòu)為在YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)上的改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)。本發(fā)明可以較好地在高速公路隧道中完成停車檢測(cè)的任務(wù)，進(jìn)一步提高停車檢測(cè)的效率，為高速公路管理系統(tǒng)賦予更多的智能化與高效化。

技術(shù)領(lǐng)域

本發(fā)明涉及高速公路隧道內(nèi)停車檢測(cè)領(lǐng)域。

背景技術(shù)

隨著高速公路建設(shè)快速發(fā)展，高速公路隧道的運(yùn)營(yíng)里程不斷增加，為人們帶來很多便利。然而，由于隧道內(nèi)空間狹小、具有一定密閉性、光照受限等特點(diǎn)，發(fā)生在高速公路隧道的交通事故比例最高。因此，高速公路隧道內(nèi)的停車檢測(cè)是十分必要的，對(duì)促進(jìn)高速公路隧道管理系統(tǒng)的智能化發(fā)展意義重大。

在基于視頻圖像的檢測(cè)研究初期，研究主要集中于傳統(tǒng)圖像處理方向并且大多數(shù)是針對(duì)露天的場(chǎng)景，在2007年已經(jīng)提出了基于Peripheral多目標(biāo)跟蹤器從背景減法獲得的前景中確定每輛車的位置，但該方法會(huì)將快速變化的背景錯(cuò)誤地檢測(cè)為車輛。在同一年還提出了一種基于雙背景的異常事件檢測(cè)方法，該方法用于建立長(zhǎng)、短背景的時(shí)間常數(shù)時(shí)，存在很大不確定性。在2014年，發(fā)表在《計(jì)算機(jī)測(cè)量與控制》的文章“露天場(chǎng)景下高速公路違章停車視頻檢測(cè)算法”提出基于混合高斯模型檢測(cè)靜止目標(biāo)，根據(jù)車輛的區(qū)域特征對(duì)靜止目標(biāo)中的停車車輛進(jìn)行識(shí)別，但仍然缺乏對(duì)車輛識(shí)別的魯棒性。隨著卷積神經(jīng)網(wǎng)絡(luò)在圖像檢測(cè)與識(shí)別領(lǐng)域的快速發(fā)展，在停車檢測(cè)中也引入了卷積神經(jīng)網(wǎng)絡(luò)。在傳統(tǒng)圖像處理方法的基礎(chǔ)上引入卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別車輛，這樣在一定程度上克服了燈光干擾帶來的誤檢，但并不能從車輛檢測(cè)的根本上改進(jìn)。

目前，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型已經(jīng)有了廣泛應(yīng)用，然而這些模型并不是面向高速公路車輛檢測(cè)來設(shè)計(jì)的。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：如何對(duì)高速公路隧道內(nèi)停車狀況進(jìn)行檢測(cè)。

本發(fā)明所采用的技術(shù)方案是：一種高速公路隧道內(nèi)停車檢測(cè)的方法，對(duì)高速公路隧道內(nèi)進(jìn)行實(shí)時(shí)拍照獲得監(jiān)控視頻，建立車輛檢測(cè)模型，制作數(shù)據(jù)集，將監(jiān)控視頻輸入車輛檢測(cè)模型，利用停車檢測(cè)算法實(shí)現(xiàn)隧道內(nèi)車輛停車的檢測(cè)，車輛檢測(cè)模型采用YOLOv3-TunnelVehicle網(wǎng)絡(luò)結(jié)構(gòu)，YOLOv3-TunnelVehicle網(wǎng)絡(luò)結(jié)構(gòu)為在YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)上的改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，利用停車檢測(cè)算法實(shí)現(xiàn)隧道內(nèi)車輛停車的檢測(cè)具體步驟如下

步驟一、采用YOLOv3-TunnelVehicle網(wǎng)絡(luò)結(jié)構(gòu)作為車輛檢測(cè)模型檢測(cè)出車輛的位置；

步驟二、在獲得車輛的具體位置后，將其輸入給Deep SORT多目標(biāo)跟蹤算法來跟蹤車輛，進(jìn)而計(jì)算被跟蹤車輛的速度判斷是否停車。

YOLOv3-TunnelVehicle網(wǎng)絡(luò)結(jié)構(gòu)采用YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)深度殘差網(wǎng)絡(luò)提取車輛特征，將YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)深度殘差網(wǎng)絡(luò)結(jié)構(gòu)的第11層、第36層、第61層和第79層分別修改為獲得128*128*128、64*64*256、32*32*512和16*16*512的特征圖尺寸，在YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)殘差網(wǎng)絡(luò)之后添加多個(gè)卷積層，并將其分成4個(gè)分支，形成多尺度預(yù)測(cè)網(wǎng)絡(luò)，預(yù)測(cè)網(wǎng)絡(luò)中的特征圖通過上采樣的方式提高特征圖的尺寸，與深度殘差網(wǎng)絡(luò)中相對(duì)應(yīng)的特征圖進(jìn)行融合，即第85層32*32*256與第61層32*32*512融合獲得32*32*768的特征圖，第97層64*64*128與第36層64*64*256融合獲得64*64*384的特征圖，第109層128*128*128與第11層128*128*128融合獲得128*128*256的特征圖；對(duì)YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)的先驗(yàn)框采用K-means算法聚類得到適合高速公路隧道車輛邊界框尺寸的先驗(yàn)框，具體步驟如下