【技术实现步骤摘要】
基于深度学习的交通视频车辆违停自动识别抓拍的方法
本专利技术涉及车牌识别领域，具体涉及一种基于深度学习的交通视频车辆违停自动识别抓拍的方法。
技术介绍
随着社会经济的蓬勃发展和城市车辆保有量的逐年攀升，城市道路拥堵和交通违规问题不断加剧，已经成为社会关注的重点。其中，车辆的违章停车行为不仅恶化了拥堵现象，破坏了交通秩序，还容易引发交通事故带来极大的安全隐患。为此，城市架设了密集的交通摄像头监控车辆的违停行为。然而，面对海量的交通监控视频录像，需要人工逐段浏览视频以定位车辆的违章行为和违章片段，耗时耗力且效率低下。另外，对于停放较远或视角较差的区域，摄像头难以捕获清晰的车牌号码图片，无法为后期执法提供直接有力的客观证据。为了解决违停车辆的视频自动识别问题，在专利《一种违章停车检测方法和装置》CN103116985B中，根据视频序列获得图像的禁停区域，利用前景检测得到车辆目标，并跟踪车辆目标判断是否进入禁停区域并计算违停时长。专利《一种交通视频行为分析与报警服务器》CN102081844A采用高斯背景建模方法检测监控视频中的运动物体，并根据物体大小、长宽比例、直方图信...
【技术保护点】
1.一种基于深度学习的交通视频车辆违停自动识别抓拍的方法，其特征在于：包括下列步骤：步骤一：获取多段包含特定类型的监控车辆目标违停行为的视频序列，并添加标签，构成训练数据集；步骤二：基于步骤一中的训练数据集，训练目标检测深层卷积神经网络，得到车辆车牌检测模型；步骤三：基于步骤一中训练数据集，训练字符识别卷积神经网络，得到车牌号码识别模型；步骤四：对实时交通监控视频流进行解码，得到单帧交通图像；步骤五：基于步骤二中车辆车牌检测模型对单帧交通图像进行检测，得到特定类型的车辆所在的像素区域、车牌所在的像素区域；步骤六：基于多张连续的单帧交通图像的车辆所在像素区域，利用帧间差分法进...
【技术特征摘要】
1.一种基于深度学习的交通视频车辆违停自动识别抓拍的方法，其特征在于：包括下列步骤：步骤一：获取多段包含特定类型的监控车辆目标违停行为的视频序列，并添加标签，构成训练数据集；步骤二：基于步骤一中的训练数据集，训练目标检测深层卷积神经网络，得到车辆车牌检测模型；步骤三：基于步骤一中训练数据集，训练字符识别卷积神经网络，得到车牌号码识别模型；步骤四：对实时交通监控视频流进行解码，得到单帧交通图像；步骤五：基于步骤二中车辆车牌检测模型对单帧交通图像进行检测，得到特定类型的车辆所在的像素区域、车牌所在的像素区域；步骤六：基于多张连续的单帧交通图像的车辆所在像素区域，利用帧间差分法进行运动判别，得到多张单帧交通图像所对应的车辆的运动状态；步骤七：对多张单帧交通图像的车辆运动状态判别结果，分析车辆是否有违停行为，并定位违停的起始、持续、结束时间点；步骤八：当出现违停的起始时间点时，开始违停的抓拍录制，并利用三维定位技术联动控制调整摄像球机，获得清晰的车辆图像；步骤九：基于步骤三中车牌号码识别模型对清晰的车辆图像进行车牌号码识别，得到车牌号码；步骤十：当出现违停的结束时间点时，结束违停的抓拍录制。2.根据权利要求1所述的基于深度学习的交通视频车辆违停自动识别抓拍的方法，其特征在于：在步骤二和步骤三中，目标检测深层卷积神经网络和字符识别深层卷积神经网络均包括一个输入层、多个卷积层、多个池化层、1个或多个全连接层、1个输出层，训练过程分别基于梯度下降法进行，迭代多次直至收敛，分别得到车辆车牌检测模型和车牌号码识别模型。3.根据权利要求1所述的基于深度学习的交通视频车辆违停自动识别抓拍的方法，其特征在于：步骤五包括下列分步骤：5.1对单帧交通图像进行尺寸缩放及像素归一化；5.2将归一化后的图像输入到车辆车牌检测模型中，得到特定类型的车辆所在的像素区域、车牌所在的像素区域。4.根据权利要求1所述的基于深度学习的交通视频车辆违停自动识别抓拍的方法，其特征在于：利用三维定位技术联动控制调整摄像球机包含：基于车辆检测结果进行球机摄像角度的调整和画面的缩放，使得车...
【专利技术属性】
技术研发人员：刘若泉，马佳丽，
申请(专利权)人：珠海华园信息技术有限公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。