本發(fā)明屬于圖像識別和計算機視覺技術領域，尤其涉及一種停車車輛的檢測方法，可用于城市環(huán)境中對違章停車車輛的檢測。

背景技術：

隨著現(xiàn)代社會經(jīng)濟的快速發(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，據(jù)公安部交管局統(tǒng)計，截止2016年底，全國汽車保有量達1.94億輛，新注冊量和年增長量均達歷史最高水平。汽車數(shù)量的增長給人們帶來便利的同時，也引發(fā)了諸如交通堵塞等一系列問題，其中汽車的違章停車現(xiàn)象是導致交通堵塞的一種重要原因。因此，急需一種實時可靠的違章停車的檢測方法。

目前，針對違章停車檢測方法的研究，主要集中在利用視頻目標識別和跟蹤技術對禁停區(qū)域內(nèi)的違章停車車輛進行檢測。其實現(xiàn)方案是利用背景分割技術，先提取可能的運動前景目標，再結合人工車輛特征判斷前景目標是否為車輛，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，在復雜場景下無法準確獲得前景車輛目標，并且人工設計的特征具有設計難度大，不具有魯棒性等缺點，不適用于復雜多變的城市交通環(huán)境。

技術實現(xiàn)要素：

本發(fā)明的目的在于針對上述已有的違章停車檢測方法的不足，提出一種基于ssd神經(jīng)網(wǎng)絡的違章停車車輛實時檢測方法，以提高檢測的準確率和魯棒性。

本發(fā)明的技術思路是：利用ssd神經(jīng)網(wǎng)絡能快速和精確識別目標的優(yōu)勢，通過k-means聚類方法，對訓練數(shù)據(jù)集進行聚類；根據(jù)聚類結果搭建針對車輛檢測的ssd網(wǎng)絡框架，識別禁停區(qū)域內(nèi)的行駛車輛；通過模板匹配算法對檢測的行駛車輛進行追蹤，根據(jù)其運動軌跡判斷車輛是否為違章停車。其實現(xiàn)步驟包括如下：

1)構建訓練數(shù)據(jù)集：

1a)采集若干個不同場景、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，并對感興趣區(qū)域內(nèi)的車輛進行標注，再將標注車輛的坐標、寬高以及類別信息存入到txt格式的標簽文件中；

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

2)k-means聚類獲得車輛寬高比的k個聚類中心：

2a)使用matlab函數(shù)importdata()讀入1b)生成的txt格式的標注文件，獲取標注車輛的坐標、寬高以及類別信息，將所有標注車輛的寬和高存成一個二維矩陣x，其中矩陣的列代表車輛的寬高，矩陣的行代表不同的標注車輛；

2b)使用matlab函數(shù)kmeans()對二維矩陣x進行k-means聚類，得到k個聚類的車輛寬高，用聚類后的寬除以高得到k個寬高比的聚類中心；

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

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

4a)讀取視頻，得到視頻流，并在視頻圖像中設定禁止停車區(qū)域；

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

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

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

4e)重復4c)-4d)，直到視頻流結束，得到車輛的運動軌跡，將在設定時間閾值內(nèi)保持靜止的車輛判斷為違章停車車輛。

本發(fā)明與現(xiàn)有技術相比具有以下優(yōu)點：

1.檢測準確率高：

現(xiàn)有的違章停車檢測方法是通過背景分割的方法進行車輛的提取，對光照天氣的變化過于敏感，易出現(xiàn)誤檢漏檢的情況。而本發(fā)明采用深度學習的方法，搭建適用于車輛檢測的ssd神經(jīng)網(wǎng)絡，對視頻中的車輛直接進行識別，無需對車輛進行提取的步驟，規(guī)避了背景分割的弊端，提升了檢測的準確率；另外，相較于人工車輛特征的檢測算法，ssd網(wǎng)絡能自學習車輛的多尺度特征，可以準確檢測出各種不同大小和角度的車輛，進一步提高了檢測的準確率。經(jīng)實際測試，本發(fā)明對汽車違章停車的檢測準確率可以達到99％。

2.魯棒性好：

現(xiàn)有的違章停車檢測方法只能在交通狀況良好、天氣狀況優(yōu)良的前提下有相對較好的檢測效果，監(jiān)控視頻拍攝角度、拍攝場景的不同以及監(jiān)控探頭的抖動都會影響檢測結果。而本發(fā)明基于ssd神經(jīng)網(wǎng)絡對違章停車車輛進行檢測，對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、場景以及監(jiān)控探頭抖動對檢測帶來的不良影響，具有較強的魯棒性。

附圖說明

圖1為本發(fā)明的實現(xiàn)流程圖；

圖2為本發(fā)明中的k-means聚類車輛寬高比的結果圖；

圖3為用本發(fā)明在不同道路狀況和不同天氣下對車輛的檢測效果圖。

具體實施方式

下面結合附圖和實例對本發(fā)明進行詳細說明。

參照圖1，本發(fā)明的實現(xiàn)步驟如下：

步驟1，構建訓練數(shù)據(jù)集。

1a)采集若干個不同場景、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)視頻分辨率設置圖片大小為1280*720，放入jpegimages文件夾中，本實例生成的訓練圖像為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，并對感興趣區(qū)域內(nèi)的車輛進行標注，再將標注車輛的坐標、寬高以及類別信息存入到txt格式的標簽文件中，標注完成后，每一張圖片對應一個標簽文件；

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

步驟2，通過k-means聚類獲得車輛寬高比的k個聚類中心。

2a)通過商業(yè)軟件matlab的函數(shù)importdata()讀入(1b)生成的txt格式的標注文件，把標注車輛的寬和高導入matlab工作區(qū)，再把導入工作區(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注車輛；

2b)通過商業(yè)軟件matlab的函數(shù)kmeans()對(2a)中生成的二維矩陣x進行聚類計算，得到k個聚類的車輛寬和高，用聚類后的寬除以高得到k個寬高比的聚類中心，本實例中k取值為10；

2c)將車輛寬高比的k個聚類中心保存到txt文檔中，結果如圖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ssd網(wǎng)絡模型進行優(yōu)化，得到優(yōu)化后的ssd網(wǎng)絡模型。

本發(fā)明網(wǎng)絡的搭建以及訓練參數(shù)的設置均以python文件的方式編輯實現(xiàn)，其實現(xiàn)步驟如下：

3a)在linux系統(tǒng)下，下載和安裝caffe-ssd深度學習平臺；

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

3c)修改caffe_ssd平臺下的標簽字典labelmap_voc.prototxt，將標簽字典改為“汽車”和“背景”這兩個類別；

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

3e)運行ssd_pascal.py文件，開始訓練ssd網(wǎng)絡，直到網(wǎng)絡訓練收斂，得到最終的網(wǎng)絡模型；

所述的create_data.sh程序為caffe-ssd深度學習平臺自帶程序。

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

本發(fā)明的違章停車檢測算法的具體實現(xiàn)以c++語言和opencv視覺庫為載體，實現(xiàn)過程如下：

4a)讀取視頻，得到視頻流，并在視頻圖像中設定禁止停車區(qū)域；

4b)從視頻流中取第1幀圖像，使用優(yōu)化后的ssd網(wǎng)絡模型對圖像中禁停區(qū)域內(nèi)的行駛車輛進行檢測，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)獲取的目標車輛作為模版，在視頻流中找出目標車輛的位置，實現(xiàn)對車輛的追蹤，得到目標車輛的運動狀態(tài)和位置信息，所述的matchtemplate()函數(shù)，為opencv開源計算機視覺庫的自帶函數(shù)；

4d)設定交疊率閾值u＝0.6，重復(4b)，根據(jù)本次ssd檢測到的車輛位置與(4c)跟蹤結束后的車輛位置，計算交疊率u，將交疊率與交疊率閾值進行比較：

若u>u，則將本次ssd檢測出的目標車輛與追蹤后的目標車輛判斷為同一輛車；

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

4e)重復4c)-4d)，直到視頻流結束，得到車輛的運動軌跡，將在設定時間閾值內(nèi)保持靜止的車輛判斷為違章停車車輛，本實例時間閾值設為15秒，檢測結果如圖3所示，其中圖3(a)為晴天下檢測效果圖，圖3(b)為雨天下檢測效果圖；

從圖3的檢測結果可以明顯的看出：本發(fā)明的基于深度學習的違章停車檢測方法適用于各種復雜的交通環(huán)境，對各種惡劣天氣下的檢測具有魯棒性，準確率高且能達到實時檢測，滿足實際違章停車檢測的需求。