本發(fā)明屬于圖像識(shí)別和計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，尤其涉及一種停車車輛的檢測(cè)方法，可用于城市環(huán)境中對(duì)違章停車車輛的檢測(cè)。

背景技術(shù)：

隨著現(xiàn)代社會(huì)經(jīng)濟(jì)的快速發(fā)展和城市化的普及，汽車作為一種重要的交通工具，其數(shù)量呈井噴式增長(zhǎng)，據(jù)公安部交管局統(tǒng)計(jì)，截止2016年底，全國(guó)汽車保有量達(dá)1.94億輛，新注冊(cè)量和年增長(zhǎng)量均達(dá)歷史最高水平。汽車數(shù)量的增長(zhǎng)給人們帶來(lái)便利的同時(shí)，也引發(fā)了諸如交通堵塞等一系列問(wèn)題，其中汽車的違章停車現(xiàn)象是導(dǎo)致交通堵塞的一種重要原因。因此，急需一種實(shí)時(shí)可靠的違章停車的檢測(cè)方法。

目前，針對(duì)違章停車檢測(cè)方法的研究，主要集中在利用視頻目標(biāo)識(shí)別和跟蹤技術(shù)對(duì)禁停區(qū)域內(nèi)的違章停車車輛進(jìn)行檢測(cè)。其實(shí)現(xiàn)方案是利用背景分割技術(shù)，先提取可能的運(yùn)動(dòng)前景目標(biāo)，再結(jié)合人工車輛特征判斷前景目標(biāo)是否為車輛，最后利用跟蹤算法判斷車輛是否違章停車。這種利用背景分割提取前景的方法，易受天氣和光照的影響，在復(fù)雜場(chǎng)景下無(wú)法準(zhǔn)確獲得前景車輛目標(biāo)，并且人工設(shè)計(jì)的特征具有設(shè)計(jì)難度大，不具有魯棒性等缺點(diǎn)，不適用于復(fù)雜多變的城市交通環(huán)境。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)上述已有的違章停車檢測(cè)方法的不足，提出一種基于ssd神經(jīng)網(wǎng)絡(luò)的違章停車車輛實(shí)時(shí)檢測(cè)方法，以提高檢測(cè)的準(zhǔn)確率和魯棒性。

本發(fā)明的技術(shù)思路是：利用ssd神經(jīng)網(wǎng)絡(luò)能快速和精確識(shí)別目標(biāo)的優(yōu)勢(shì)，通過(guò)k-means聚類方法，對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行聚類；根據(jù)聚類結(jié)果搭建針對(duì)車輛檢測(cè)的ssd網(wǎng)絡(luò)框架，識(shí)別禁停區(qū)域內(nèi)的行駛車輛；通過(guò)模板匹配算法對(duì)檢測(cè)的行駛車輛進(jìn)行追蹤，根據(jù)其運(yùn)動(dòng)軌跡判斷車輛是否為違章停車。其實(shí)現(xiàn)步驟包括如下：

1)構(gòu)建訓(xùn)練數(shù)據(jù)集：

1a)采集若干個(gè)不同場(chǎng)景、不同拍攝角度、不同光照變化和天氣情況下的車輛行駛視頻，將這些視頻每隔25幀保存成一張圖片；

1b)在每張圖片上劃定感興趣區(qū)域，并對(duì)感興趣區(qū)域內(nèi)的車輛進(jìn)行標(biāo)注，再將標(biāo)注車輛的坐標(biāo)、寬高以及類別信息存入到txt格式的標(biāo)簽文件中；

1c)合并所有標(biāo)簽文件，并將文件的txt格式轉(zhuǎn)換為xml格式，獲得與訓(xùn)練圖像相對(duì)應(yīng)的車輛類別以及位置信息的標(biāo)簽文件，即訓(xùn)練數(shù)據(jù)集；

2)k-means聚類獲得車輛寬高比的k個(gè)聚類中心：

2a)使用matlab函數(shù)importdata()讀入1b)生成的txt格式的標(biāo)注文件，獲取標(biāo)注車輛的坐標(biāo)、寬高以及類別信息，將所有標(biāo)注車輛的寬和高存成一個(gè)二維矩陣x，其中矩陣的列代表車輛的寬高，矩陣的行代表不同的標(biāo)注車輛；

2b)使用matlab函數(shù)kmeans()對(duì)二維矩陣x進(jìn)行k-means聚類，得到k個(gè)聚類的車輛寬高，用聚類后的寬除以高得到k個(gè)寬高比的聚類中心；

3)使用2b)得到的車輛聚類寬高比，對(duì)ssd網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，得到優(yōu)化后的ssd網(wǎng)絡(luò)模型；

4)利用優(yōu)化后的ssd網(wǎng)絡(luò)模型和跟蹤算法進(jìn)行違章停車檢測(cè)：

4a)讀取視頻，得到視頻流，并在視頻圖像中設(shè)定禁止停車區(qū)域；

4b)從視頻流中取第1幀圖像，使用優(yōu)化后的ssd網(wǎng)絡(luò)模型對(duì)圖像中禁停區(qū)域內(nèi)的行駛車輛進(jìn)行檢測(cè)，獲取車輛的位置信息；

4c)取視頻流中第2～25幀圖像，對(duì)4b)獲取的目標(biāo)車輛，調(diào)用opencv函數(shù)matchtemplate()使用模板匹配算法進(jìn)行追蹤，得到目標(biāo)車輛的運(yùn)動(dòng)狀態(tài)和位置信息；

4d)設(shè)定交疊率閾值u＝0.6，重復(fù)4b)，根據(jù)本次ssd檢測(cè)到的車輛位置與4c)跟蹤結(jié)束后的車輛位置，計(jì)算交疊率u，將交疊率與交疊率閾值進(jìn)行比較：若u>u，則將本次ssd檢測(cè)出的目標(biāo)車輛與追蹤后的目標(biāo)車輛判斷為同一輛車，若u≤u，則判斷本次ssd檢測(cè)出的目標(biāo)車輛為新進(jìn)入禁止停車區(qū)域的車輛；

4e)重復(fù)4c)-4d)，直到視頻流結(jié)束，得到車輛的運(yùn)動(dòng)軌跡，將在設(shè)定時(shí)間閾值內(nèi)保持靜止的車輛判斷為違章停車車輛。

本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

1.檢測(cè)準(zhǔn)確率高：

現(xiàn)有的違章停車檢測(cè)方法是通過(guò)背景分割的方法進(jìn)行車輛的提取，對(duì)光照天氣的變化過(guò)于敏感，易出現(xiàn)誤檢漏檢的情況。而本發(fā)明采用深度學(xué)習(xí)的方法，搭建適用于車輛檢測(cè)的ssd神經(jīng)網(wǎng)絡(luò)，對(duì)視頻中的車輛直接進(jìn)行識(shí)別，無(wú)需對(duì)車輛進(jìn)行提取的步驟，規(guī)避了背景分割的弊端，提升了檢測(cè)的準(zhǔn)確率；另外，相較于人工車輛特征的檢測(cè)算法，ssd網(wǎng)絡(luò)能自學(xué)習(xí)車輛的多尺度特征，可以準(zhǔn)確檢測(cè)出各種不同大小和角度的車輛，進(jìn)一步提高了檢測(cè)的準(zhǔn)確率。經(jīng)實(shí)際測(cè)試，本發(fā)明對(duì)汽車違章停車的檢測(cè)準(zhǔn)確率可以達(dá)到99％。

2.魯棒性好：

現(xiàn)有的違章停車檢測(cè)方法只能在交通狀況良好、天氣狀況優(yōu)良的前提下有相對(duì)較好的檢測(cè)效果，監(jiān)控視頻拍攝角度、拍攝場(chǎng)景的不同以及監(jiān)控探頭的抖動(dòng)都會(huì)影響檢測(cè)結(jié)果。而本發(fā)明基于ssd神經(jīng)網(wǎng)絡(luò)對(duì)違章停車車輛進(jìn)行檢測(cè)，對(duì)各種交通狀況及天氣情況都有很好的普適性，能克服不同角度、場(chǎng)景以及監(jiān)控探頭抖動(dòng)對(duì)檢測(cè)帶來(lái)的不良影響，具有較強(qiáng)的魯棒性。

附圖說(shuō)明

圖1為本發(fā)明的實(shí)現(xiàn)流程圖；

圖2為本發(fā)明中的k-means聚類車輛寬高比的結(jié)果圖；

圖3為用本發(fā)明在不同道路狀況和不同天氣下對(duì)車輛的檢測(cè)效果圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下：

步驟1，構(gòu)建訓(xùn)練數(shù)據(jù)集。

1a)采集若干個(gè)不同場(chǎng)景、不同拍攝角度、不同光照變化和天氣情況下的車輛行駛視頻，將這些視頻每隔25幀保存成一張圖片，根據(jù)視頻分辨率設(shè)置圖片大小為1280*720，放入jpegimages文件夾中，本實(shí)例生成的訓(xùn)練圖像為2000張；

1b)在采集的車輛行駛視頻中，將視頻內(nèi)下方三分之二的車道形成的t型區(qū)域作為感興趣區(qū)域，并在每張圖片上劃定出該感興趣區(qū)域，并對(duì)感興趣區(qū)域內(nèi)的車輛進(jìn)行標(biāo)注，再將標(biāo)注車輛的坐標(biāo)、寬高以及類別信息存入到txt格式的標(biāo)簽文件中，標(biāo)注完成后，每一張圖片對(duì)應(yīng)一個(gè)標(biāo)簽文件；

1c)合并所有標(biāo)簽文件，并將文件txt格式轉(zhuǎn)換為xml格式，獲得與訓(xùn)練圖像相對(duì)應(yīng)的車輛類別以及位置信息的標(biāo)簽文件，即構(gòu)成訓(xùn)練數(shù)據(jù)集。

步驟2，通過(guò)k-means聚類獲得車輛寬高比的k個(gè)聚類中心。

2a)通過(guò)商業(yè)軟件matlab的函數(shù)importdata()讀入(1b)生成的txt格式的標(biāo)注文件，把標(biāo)注車輛的寬和高導(dǎo)入matlab工作區(qū)，再把導(dǎo)入工作區(qū)的數(shù)據(jù)存入矩陣x，其中矩陣的列代表車輛的寬高，矩陣的行代表不同的標(biāo)注車輛；

2b)通過(guò)商業(yè)軟件matlab的函數(shù)kmeans()對(duì)(2a)中生成的二維矩陣x進(jìn)行聚類計(jì)算，得到k個(gè)聚類的車輛寬和高，用聚類后的寬除以高得到k個(gè)寬高比的聚類中心，本實(shí)例中k取值為10；

2c)將車輛寬高比的k個(gè)聚類中心保存到txt文檔中，結(jié)果如圖2所示，從圖2中能夠得出普遍適用的車輛寬高比為：0.5，0.6，0.7；

所述的importdata()函數(shù)和kmeans()函數(shù)，均為商業(yè)軟件matlab的自帶函數(shù)。

步驟3，使用(2c)得到的車輛聚類寬高比，對(duì)ssd網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，得到優(yōu)化后的ssd網(wǎng)絡(luò)模型。

本發(fā)明網(wǎng)絡(luò)的搭建以及訓(xùn)練參數(shù)的設(shè)置均以python文件的方式編輯實(shí)現(xiàn)，其實(shí)現(xiàn)步驟如下：

3a)在linux系統(tǒng)下，下載和安裝caffe-ssd深度學(xué)習(xí)平臺(tái)；

3b)根據(jù)(2c)中k-means寬高比聚類結(jié)果修改文件ssd_pascal.py中aspect_ratios的參數(shù)，本實(shí)例修改為：aspect_ratios＝[0.5,0.6,0.7]；

3c)修改caffe_ssd平臺(tái)下的標(biāo)簽字典labelmap_voc.prototxt，將標(biāo)簽字典改為“汽車”和“背景”這兩個(gè)類別；

3d)運(yùn)行create_data.sh程序，將(1)中準(zhǔn)備好的數(shù)據(jù)集轉(zhuǎn)換為lmdb格式文件；

3e)運(yùn)行ssd_pascal.py文件，開(kāi)始訓(xùn)練ssd網(wǎng)絡(luò)，直到網(wǎng)絡(luò)訓(xùn)練收斂，得到最終的網(wǎng)絡(luò)模型；

所述的create_data.sh程序?yàn)閏affe-ssd深度學(xué)習(xí)平臺(tái)自帶程序。

步驟4，利用優(yōu)化后的ssd網(wǎng)絡(luò)模型和跟蹤算法進(jìn)行違章停車檢測(cè)。

本發(fā)明的違章停車檢測(cè)算法的具體實(shí)現(xiàn)以c++語(yǔ)言和opencv視覺(jué)庫(kù)為載體，實(shí)現(xiàn)過(guò)程如下：

4a)讀取視頻，得到視頻流，并在視頻圖像中設(shè)定禁止停車區(qū)域；

4b)從視頻流中取第1幀圖像，使用優(yōu)化后的ssd網(wǎng)絡(luò)模型對(duì)圖像中禁停區(qū)域內(nèi)的行駛車輛進(jìn)行檢測(cè)，獲取車輛的位置信息；

4c)取視頻流中第1～25幀圖像，調(diào)用opencv函數(shù)matchtemplate()，利用(4b)獲取的目標(biāo)車輛作為模版，在視頻流中找出目標(biāo)車輛的位置，實(shí)現(xiàn)對(duì)車輛的追蹤，得到目標(biāo)車輛的運(yùn)動(dòng)狀態(tài)和位置信息，所述的matchtemplate()函數(shù)，為opencv開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)的自帶函數(shù)；

4d)設(shè)定交疊率閾值u＝0.6，重復(fù)(4b)，根據(jù)本次ssd檢測(cè)到的車輛位置與(4c)跟蹤結(jié)束后的車輛位置，計(jì)算交疊率u，將交疊率與交疊率閾值進(jìn)行比較：

若u>u，則將本次ssd檢測(cè)出的目標(biāo)車輛與追蹤后的目標(biāo)車輛判斷為同一輛車；

若u≤u，則判斷本次ssd檢測(cè)出的目標(biāo)車輛為新進(jìn)入禁止停車區(qū)域的車輛；

4e)重復(fù)4c)-4d)，直到視頻流結(jié)束，得到車輛的運(yùn)動(dòng)軌跡，將在設(shè)定時(shí)間閾值內(nèi)保持靜止的車輛判斷為違章停車車輛，本實(shí)例時(shí)間閾值設(shè)為15秒，檢測(cè)結(jié)果如圖3所示，其中圖3(a)為晴天下檢測(cè)效果圖，圖3(b)為雨天下檢測(cè)效果圖；

從圖3的檢測(cè)結(jié)果可以明顯的看出：本發(fā)明的基于深度學(xué)習(xí)的違章停車檢測(cè)方法適用于各種復(fù)雜的交通環(huán)境，對(duì)各種惡劣天氣下的檢測(cè)具有魯棒性，準(zhǔn)確率高且能達(dá)到實(shí)時(shí)檢測(cè)，滿足實(shí)際違章停車檢測(cè)的需求。