[发明专利]一种基于深度学习的车辆停车检测方法

权利要求书

1.一种基于深度学习的车辆停车检测方法，其特征在于：按如下步骤进行

步骤一、实时提取拍摄的交通运行图像，并对图像进行缩放预处理，缩放尺寸为320*320像素；

步骤二、使用改进后的RefineDet模型对实时拍摄的交通运行图像中每间隔20帧的图像进行车辆目标检测，并输出相应的车辆位置信息，目标检测模型所输出的信息为：车辆目标左上角坐标(x₁,y₁)，右下角坐标(x₂,y₂)；改进后的RefineDet模型是指，结合区域卷积神经网络RCNN与目标检测算法SSD的优势，使用经典分类模型VGG16作为基网络的目标检测模型RefineDet进行优化，优化实现方法为在RefineDet特征提取部分额外添加卷积层Conv7_1、Con7_2、Conv8_1和Conv8_2以加深网络结构；通过在RefineDet模型的分类损失上采用新的Focal Loss损失，优化网络的损失函数，使用隧道内车辆目标数据集对目标检测模型RefineDet进行训练，得到改进后的RefineDet模型；

步骤三、分别计算前后两个间隔帧中车辆位置之间的中心点距离，中心点距离阈值设置为20像素，若中心点距离小于中心点距离阈值，则进入下一步，否则舍弃；

步骤四、设置面积交并比阈值0.85，计算中心点距离小于中心点距离阈值的一对车辆位置的面积交并比，若大于面积交并比阈值，则认为出现停车行为，否则舍弃；

步骤五、重复上述检测，若在某一中心点存在中心点距离小于中心点距离阈值、面积交并比大于面积交并比阈值的检测结果，则认为出现了停车行为。

2.根据权利要求1所述的一种基于深度学习的车辆停车检测方法，其特征在于：步骤二中，在经过经典分类模型VGG16后将320*320像素的图片输入到区域优化模块ARM中，ARM模块能提取出大小不同的特征图，并进行粗略预估车辆的位置，去掉无效的车辆位置框，减少输入到目标检测模块ODM中需要分类和回归的车辆位置框数量，区域优化模块ARM的特征图通过特征图连接模块TCB输入到ODM模块中，在特征图连接模块TCB中利用FPN网络结构及上采样的方式，将低层特征图与高层特征图语义相融合，保证了检测层特征图可以进行不同尺寸的车辆的检测，在维持原来的结构的基础上，新增了Conv7_2、Conv8_2作为检测层，Conv8_2通过反卷积操作进行上采样，传递到Conv7_2中并进行相加，同样的，Conv7_2进行上采样后传递到上一层特征图中，逐层完成信息融合；新的Focal Loss损失函数为

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中，p_t为不同类别的分类概率，α_t用于调节正负样本比例，γ用于调节权重比例。

3.根据权利要求1所述的基于深度学习的车辆停车检测方法，其特征在于：中心点计算公式如下：

(x₁,y₁)、(x₂,y₂)为目标检测模型的输出结果，(x,y)为中心点坐标，

中心点距离计算公式如上式，(x,y)、(X,Y)为间隔帧中两个车辆位置坐标的中心点，d为中心点距离。

4.根据权利要求1所述的基于深度学习的车辆停车检测方法，其特征在于：面积交并比IoU的计算公式如下：

C、G分别为中心点距离满足阈值时所对应的两个车辆位置框。