[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

说明书

本发明涉及一种基于深度学习的非机动车道路违停检测方法和装置，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；并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。能够在任意采集的街景图像中检测是否存在非机动车违停行为，不依赖人工预先在图像中划定固定的违停区域，输入任意街景图像，来判断是否存在违停现象。基于待检测图像的上半部分的和下半部分不同类别的标签的占比的判定，提升违停案件的识别准确性。

技术领域

本发明涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，尤其涉及基于深度学习的非机动车道路违停检测方法及装置。

背景技术

随着我国经济的快速发展，人民生活水平不断得到改善，人们出行时使用的交通工具也呈现了多元化的趋势。越来越多的机动车和非机动车在人们日常出行中扮演着重要的角色，随之而来的拥堵也越来越频繁的出现在人们的日常生活中。除了非人为可控原因，例如车祸，道路维修等因素导致的拥堵外，现实生活中很大一部分拥堵是由于人为的乱停乱放导致的，如电动摩托车乱停乱放、共享单车的乱停乱放等都会给道路交通带来拥堵的风险。

由于人工检测耗时耗力，并且检查的效果受主观影响较大。人工检测具有实时性较差，连续性较弱，人工成本效率低，灵活性较差等缺点。具体来说，人工检测违停不仅比较耗时，并且和检测员的职业素养和工作的责任心有很大的关系。其次，人工检测无法做到非机动车违停的实时检测，也即无法在发现问题的同时及时解决问题。无论在人工检测环节设置多么严格的奖惩制度，在实施过程中总会出现疲劳导致的漏检、误判等，并且在现阶段人工检查环节，无法在恶劣天气和夜晚对所有待检测街道进行连续检测，导致该项工作在实施过程中连续性较弱。再者，由于人工检测需要派遣大量人员实时进行非机动车的违停检测，这不仅进一步增加了道路交通拥堵的可能，也使得雇佣人力资源的成本大大增加，不符合绿色经济发展的原则。最后，由于人工检测所搜集的信息无法快速汇总到一起，导致人工检测在整个非机动车违停检测工程中灵活性较差的缺点。

发明内容

现有的非机动车违停检测方法大都基于固定地点来检测非机动车是否有违停行为存在，为了能够在任意采集的街景图像中检测是否存在非机动车违停行为，本发明提出了一种基于有监督学习的非机动车违停检测方法和装置。相比于现有的检测方法，本发明能够不依赖人工预先在图像中划定固定的违停区域，输入任意街景图像，来判断是否存在违停现象。

为达到上述目的，本发明的技术方案是这样实现的，本发明公开了一种基于深度学习的非机动车道路违停检测方法，包括以下步骤：

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。

进一步的，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。

进一步的，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。

进一步的，所述语义分割模型为基于编码器-解码器结构的DeepLabv3plus模型。

进一步的，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：