[發明專利]一種基于深度學習的車輛停車檢測方法

有效

• 申請號: 202011573540.0
• 申請日: 2020-12-25
• 公開（公告）號: CN112597917B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 丁潔;丁冰;劉晉峰
• 申請（專利權）人: 太原理工大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/22;G06V10/25;G06V10/764;G06V10/82;G06K9/62;G06T3/40;G06T7/62;G06T7/73;G06N3/04;G06N3/08
• 代理公司: 太原市科瑞達專利代理有限公司 14101
• 代理人: 李富元

本發明涉及圖像處理技術領域，一種基于深度學習的車輛停車檢測方法，將深度學習與車輛位置判斷算法相結合，以判斷圖像中的車輛是否發生停車。其中，使用自制隧道內車輛目標數據集對深度學習目標檢測模型RefineDet進行預訓練，并針對車輛特征對RefineDet模型結構進行改進；使用改進后的RefineDet模型進行實時隧道內車輛目標檢測，獲得車輛位置信息；以車輛面積交并比、車輛中心點距離設計車輛位置判斷算法，根據車輛位置信息進行車輛停車行為檢測。通過本發明，能夠及時地檢測到車道上車輛停車行為，避免發生二次事故，減少損失。

技術領域

本發明涉及圖像處理技術領域，特別是涉及一種基于深度學習的車輛停車檢測方法。

背景技術

近年來，隨著國民經濟的快速發展，機動車保有量快速增加，這極大地促進了我國公路車流量的迅猛發展，增加了通行、管理壓力。在高速公路隧道內場景下，其環境具有車道窄小、照明條件不佳、空間封閉、可視范圍小等諸多特點。由于上述諸多特征，發生在高速公路隧道內的事故多、較難處理，并對事故后續處理、救援等工作產生了較大的限制。因此及時對高速公路隧道內的車輛進行異常停車行為識別對交通管理工作具有重大的意義。

現階段對于隧道內停車行為的檢測，主要通過人工對監控視頻進行觀察，不僅耗費大量的人力，而且長時間的觀看監控視頻會造成視覺疲勞，不能常常第一時間觀察到停車事件的發生。由于高速公路隧道內一般已安裝較為完善的道路監控視頻，因此利用圖像處理的方法對視頻進行檢測有著極大的應用前景。

發明內容

本發明的目的是為解決上述現有技術的不足之處而提供一種基于深度學習的車輛停車檢測方法。

本發明所采用的技術方案是：一種基于深度學習的車輛停車檢測方法，按如下步驟進行

步驟一、實時提取拍攝的交通運行圖像，并對圖像進行縮放預處理，縮放尺寸為320*320像素；

步驟二、使用改進后的RefineDet模型對實時拍攝的交通運行圖像中每間隔20幀的圖像進行車輛目標檢測，并輸出相應的車輛位置信息，目標檢測模型所輸出的信息為：車輛目標左上角坐標(x₁,y₁)，右下角坐標(x₂,y₂)；

步驟三、分別計算前后兩個間隔幀中車輛位置之間的中心點距離，中心點距離閾值設置為20像素，若中心點距離小于中心點距離閾值，則進入下一步，否則舍棄；

步驟四、設置面積交并比閾值0.85，計算中心點距離小于中心點距離閾值的一對車輛位置的面積交并比，若大于面積交并比閾值，則認為出現停車行為，否則舍棄；

步驟五、重復上述檢測，若在某一中心點存在中心點距離小于中心點距離閾值、面積交并比大于面積交并比閾值的檢測結果，則認為出現了停車行為。

步驟二改進后的RefineDet模型是指，結合區域卷積神經網絡RCNN與目標檢測算法SSD的優勢(2018年張士峰等人在IEEE計算機視覺與模式識別會議上提出)，使用經典分類模型VGG16作為基網絡的目標檢測模型RefineDet進行優化，優化實現方法為在RefineDet特征提取部分額外添加卷積層Conv7_1、Con7_2、Conv8_1和Conv8_2以加深網絡結構；通過在RefineDet模型的分類損失上采用新的Focal Loss損失，優化網絡的損失函數，使用隧道內車輛目標數據集對目標檢測模型RefineDet進行訓練，得到改進后的RefineDet模型。