[发明专利]基于深度学习的非机动车道路违停检测方法及装置

权利要求书

1.一种基于深度学习的非机动车道路违停检测方法，其特征在于，包括：

使用深度学习目标检测算法寻找待测图像中非机动车的位置；

使用语义分割模型将图像中的像素按照不同的类别设置标签，从而得到图像中属于不同类别标签的区域；

基于不同类别标签在待检测图像的上半和/或下半部分的占比判定是否存在违停行为。

2.根据权利要求1所述的非机动车道路违停检测方法，其特征在于，所述使用深度学习目标检测算法寻找待测图像中非机动车的位置的步骤包括：

所述待测图像在输入端经过预处理得到处理后的图片；

所述处理后的图片被送入主干网络中进行多尺度特征提取；

提取得到的特征经过特征增强模块的处理进行多尺度特征融合得到多尺度目标检测结果。

3.根据权利要求2所述的非机动车道路违停检测方法，其特征在于，

所述预处理步骤包括Mosiac数据增强技术、自适应锚框计算和图片缩放。

4.根据权利要求1所述的非机动车道路违停检测方法，其特征在于，所述语义分割模型为基于编码器-解码器结构的DeepLabv3plus模型。

5.根据权利要求1所述的非机动车道路违停检测方法，其特征在于，所述基于不同标签在待检测图像的上半和/或下半部分的占比判定是否存在违停行为的步骤包括：

在获取到非机动车检测框后，获取所述非机动车检测框上半部分中驾驶人像素标签与上半部分总像素标签的比例T；

如果TT₁，则判定非机动车处于驾驶状态，输出第一结果，其中T₁为第一阈值；

如果T≤T₁，获取所述非机动车检测框下半部分中车行道像素标签与下半部分总像素标签的比例T′；

如果T′T₂，则输出第二结果，其中T₂为第二阈值；

如果T′≤T₂，获取所述非机动车检测框下半部分中绿地像素标签与下半部分总像素标签的比例T″；

如果T″T₃，则输出第二结果，其中T₃为第三阈值；

如果T″≤T₃，则输出第一结果。

6.根据权利要求5所述的非机动车道路违停检测方法，其特征在于：

所述非机动车检测框上半部分和所述非机动车检测框下半部分基于所述非机动车检测框的50％像素高度划分。

7.根据权利要求1所述的非机动车道路违停检测方法，其特征在于：

采用Pascal VOC2012数据集作为所述目标检测算法输出的目标检测模型的训练集；

采用城市场景数据集Cityscapes作为所述语义分割模型的训练集。

8.根据权利要求7所述的非机动车道路违停检测方法，其特征在于，

采用UMC城市管理数据集作为所述目标检测模型和所述语义分割模型的测试集。

9.一种基于深度学习的非机动道路违停检测装置，其特征在于，所述装置包括输入单元、目标检测单元、语义分割单元和判定单元；

所述输入单元用于获取任意采集的街景图像，并将该街景图像分别输入目标检测单元和语义分割单元，

所述目标检测单元用于通过目标检测网络对采集到的街景图像进行目标检测，获取该街景图像的目标检测结果，所述目标检测结果包括非机动车的目标位置；

所述语义分割单元用于通过语义分割网络对所述街景图像进行语义分割，从而得到图像中属于不同类别标签的区域；

所述判定单元用于基于不同类别标签在待检测图像的上半和/或下半部分的占比判定是否存在违停行为。

10.一种电子设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的目标检测模型和语义分割模型，以实现如权利要求1-8种任意一项所述的非机动车道路违停检测方法。