[发明专利]一种基于深度学习的车辆停车检测方法

说明书

本发明涉及图像处理技术领域，一种基于深度学习的车辆停车检测方法，将深度学习与车辆位置判断算法相结合，以判断图像中的车辆是否发生停车。其中，使用自制隧道内车辆目标数据集对深度学习目标检测模型RefineDet进行预训练，并针对车辆特征对RefineDet模型结构进行改进；使用改进后的RefineDet模型进行实时隧道内车辆目标检测，获得车辆位置信息；以车辆面积交并比、车辆中心点距离设计车辆位置判断算法，根据车辆位置信息进行车辆停车行为检测。通过本发明，能够及时地检测到车道上车辆停车行为，避免发生二次事故，减少损失。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于深度学习的车辆停车检测方法。

背景技术

近年来，随着国民经济的快速发展，机动车保有量快速增加，这极大地促进了我国公路车流量的迅猛发展，增加了通行、管理压力。在高速公路隧道内场景下，其环境具有车道窄小、照明条件不佳、空间封闭、可视范围小等诸多特点。由于上述诸多特征，发生在高速公路隧道内的事故多、较难处理，并对事故后续处理、救援等工作产生了较大的限制。因此及时对高速公路隧道内的车辆进行异常停车行为识别对交通管理工作具有重大的意义。

现阶段对于隧道内停车行为的检测，主要通过人工对监控视频进行观察，不仅耗费大量的人力，而且长时间的观看监控视频会造成视觉疲劳，不能常常第一时间观察到停车事件的发生。由于高速公路隧道内一般已安装较为完善的道路监控视频，因此利用图像处理的方法对视频进行检测有着极大的应用前景。

发明内容

本发明的目的是为解决上述现有技术的不足之处而提供一种基于深度学习的车辆停车检测方法。

本发明所采用的技术方案是：一种基于深度学习的车辆停车检测方法，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)；

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。

步骤二改进后的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(2018年张士峰等人在IEEE计算机视觉与模式识别会议上提出)，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。