[发明专利]基于深度学习的非法上下客检测方法、系统及存储介质

说明书

本发明公开了基于深度学习的非法上下客检测方法、系统及存储介质，方法包括以下步骤：获取待分析视频流，对所述待分析视频流进行预处理；对预处理后的待分析视频流进行车门检测；对检测到车门打开状态的待分析视频流进行人体检测；根据人体检测结果，确定是否存在非法上下客行为；对存在非法上下客行为的车辆，识别该车辆的车牌信息和车辆类型信息。本发明克服了现有技术通过执勤交警来进行治理的问题，降低了人工成本，且能够通过机器设备自动进行全天候执勤，覆盖范围广，治理难度低，可广泛应用于图像处理技术领域。

技术领域

本发明涉及图像处理技术领域，尤其是基于深度学习的非法上下客检测方法、系统及存储介质。

背景技术

人工智能技术的迅猛发展得益于深度神经网络技术的提出，深度学习的概念最早起源于西方的数学家和计算机科学家对人工神经网络的研究。人工神经网络(ArtificialNeural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(ConnectionModel)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。深度神经网络通过卷积操作去提取大量的图像特征，同时将低层特征进行组合，从而去获得更加抽象的高层特征，这些高层特征就可以用来表示对象的属性类别或隐藏的特征，以从图像信息中发现数据的分布规律或图像数据的特征表示。深度学习的迅猛发展，主要得益于三大方面：大数据的出现、计算能力的提升以及算法的发展，互联网的发展带来了海量的数据，同时计算机技术能力，尤其是GPU的出现为处理海量数据提供了足够的算力，同时各类神经网络算法层出不穷，这给深度学习技术的蓬勃发展带来了强劲的动力。

深度学习是实现机器学习的一种方法，机器学习是人工智能领域的一个分支。机器学习可分为监督学习、非监督学习以及半监督学习，深度学习的最大优势是用非监督式或半监督式的特征提取和学习方法来替代传统的手工方法去获取特征并进行比对，从而使得算法在海量数据中能够提取到足够的特征信息，从而根据获取的特征信息去进行推理。

近些年来，基于深度神经网络技术可以说是机器学习中的一个新的领域，其擅长模仿人脑的机制来处理结构化的数据，例如图像、文本和音频，其中，自然语言处理和计算机视觉是深度学习的两个很重要的应用领域。

经典的卷积神经网络由输入层(输入特征)、卷积层(提取特征)、激活函数(relu、tanh等)、池化层(特征压缩，较少参数)以及全连接层(分类)组成，整体流程可表示为：INPUT-CONV-RELU-POOL-FC。

在计算机视觉领域主要有几大方向，图像分类、目标检测和图像分割等，现有的基于卷积神经网络的图像识别和目标检测模型最经典的有四种，分别为AlexNet、VGGNets、GoogLeNet和ResNets模型。后来出现了YOLO系列模型，YOLO(your only look one)的目标是“更好、更快、更强”，YOLO算法目前为止一共有三代，分别为YOLOv1、YOLOv2和YOLOv3。目前综合性能最优的是第三代YOLO算法，即YOLOv3，YOLOv3之前的算法，对小目标的检测效果较差，YOLOv3针对性做了改进和优化。目前，各种图像识别与目标检测算法依旧层出不穷，很多算法目前仍在不断进行改进和完善，其应用领域越来越广，这为图像识别和目标检测技术在今后的发展和应用奠定了坚实的基础。

在交通管理中，出租车在禁停区违停上下客以及违法上下客现象较为突出，且非法上下客行为在时间和空间上较为分散，在日常执勤中，多需要执勤交警或辅警定点执勤去管理，这很大程度上增加了执勤强度，而且很难做到全天候执勤和覆盖所有点位，导致了目前针对各类非法上下客行为的治理难度很大。

发明内容

有鉴于此，本发明实施例提供一种人工成本低且能降低治理难度的，基于深度学习的非法上下客检测方法、系统及存储介质。

第一方面，本发明实施例提供了一种基于深度学习的非法上下客检测方法，包括以下步骤：