一种停车场异常事件检测方法技术

本发明专利技术属于停车场检测技术领域，涉及一种停车场异常事件检测方法，通过构建数据集训练视频帧预测网络，训练时利用多帧和多尺度的特征进行预测，对比原始图像和预测图像，通过SSIM计算原始图像和预测图像之间的相似度，检测视频帧的异常，能有效检测到视频中的异常事件，为停车场用户和管理者提供证据，减小损失。减小损失。减小损失。

【技术实现步骤摘要】
一种停车场异常事件检测方法


[0001]本专利技术属于停车场检测
，涉及一种停车场异常事件检测方法。

技术介绍

[0002]随着人工智能与计算机视觉等技术的迅速发展，智慧停车场在智慧城市中发挥了重要作用，智慧停车场除了门禁采用自动识别车牌进行车辆通行控制，实现停车场停车自动导航、全自动化泊车管理，合理疏导车流，还有一个更加重要的作用是能够自动识别停车场内的异常事件，包括车辆被刮擦，车辆被行人故意破坏等事件，及时提醒给车主或管理员，以更好的应对突发事件，对车主或停车场运营公司带来最小的损失。
[0003]随着停车场高位相机的普及，基于人工智能的视频分析技术在异常事件监测中成为可能，因此，基于视频分析的异常行人检测具有重要的现实意义，但是目前尚未见有基于高位相机的停车场异常事件检测方法，为了利用高位相机对智慧城市进行赋能，亟需设计提供一种基于高位相机的停车场异常事件检测方法。

技术实现思路

[0004]本专利技术的目的在于克服现有技术存在的缺点，设计提供一种停车场异常事件检测方法，利用高位相机对停车场视频进行采集，采用视频帧预测的方法进行异常视频帧检测，从而实现异常事件的检测和预测。
[0005]为实现上述目的，本专利技术实现停车场异常事件检测的具体过程为：（1）数据集构建：从高位相机监测到的视频中采集图像构建数据集，将采集到的图像按照正常图像和异常图像进行标注，并将数据集划分为训练集、验证集和测试集；（2）基于序列图像帧预测图像：将根据视频采集的前十幅图像通过预测网络生成当前图像的预测图像；（3）训练视频帧预测网络模型：选用标注为正常图像继续训练，网络结构采用步骤（2）的预测网络，能量损失采用L2损失，即能量损失函数为：其中I为真实图像，为预测图像；将训练集中的图像尺寸缩放为，依次把连续的图像送入预测网络，根据每次训练需要的图像数量B，依次输入到预测网络后输出预测图像，再通过反向传播更新参数，经过200次完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的视频帧预测网络模型；（4）计算异常分值判断是否存在事件异常：选用原始图像与预测图像之间的SSIM值作为视频帧是否为异常帧的判断准则，根据步骤（1）标注的异常图像确定SSIM值的阈值参数，如果小于阈值则认为该视频帧为异常视频帧，如果大于阈值，则认为该视频预测帧与真实视频帧很相似，不存在异常；
（5）通过推理得到结果：将图像输入到步骤（3）中得到的视频帧预测网络模型中得到预测图像，利用步骤（4）中的方法判断图像是否为异常，实现停车场异常事件检测。
[0006]作为本专利技术的进一步技术方案，步骤（1）采集图像的过程为：根据高位相机监测的视频每隔5帧采样一张图像，对于每秒30帧的视频，每秒钟采集5张图像，并将采集的图像进行二值标签标注，正常的视频图像标注为1，异常视频图像标注为0，其中正常视频是指没有车辆刮擦、没有行人损坏车辆的视频，异常视频是指视频中存在车辆刮擦和行人破坏车辆的视频。
[0007]作为本专利技术的进一步技术方案，步骤（2）中所述预测网络由卷积神经网络和ConvLSTM网络组成，卷积神经网络的卷积层用来提取特征，ConvLSTM将不同帧的特征进行融合并往下一帧进行特征传递，预测网络的最下一层为解码层，解码层自左至右有三个卷积层，最左侧的卷积层为3个3*3卷积，中间的卷积层采用的64个3*3卷积，最右侧采用的是128个3*3卷积，在上面的各层为译码层，每层译码层自左至右有三个卷积层，最左侧的卷积层采用的64个3*3卷积，中间的卷积层采用的128个3*3卷积，最右侧采用的是256个3*3卷积。
[0008]与现有技术相比，本专利技术的有益效果是：通过构建数据集训练视频帧预测网络，训练时利用多帧和多尺度的特征进行预测，对比原始图像和预测图像，通过SSIM计算原始图像和预测图像之间的相似度，检测视频帧的异常，能有效检测到视频中的异常事件，为停车场用户和管理者提供证据，减小损失。
附图说明
[0009]图1为本专利技术所述预测网络结构图。
[0010]图2为本专利技术的工作流程框图。
具体实施方式
[0011]下面结合附图并通过实施例进一步描述本专利技术，但不以任何方式限制本专利技术的范围。
[0012]实施例：本实施例实现停车场异常事件检测的具体过程如图2所示，具体包括如下步骤：（1）数据集构建：收集高位相机视频并对其进行图像采样得到图像数据集，每隔5帧采样一张图像，对于每秒30帧的视频图像，每秒钟采集5张图像，并对图像进行二值标签标注，正常的视频帧标注为1，异常视频帧标注为0；将图像数据集划分为训练集、验证集和测试集；（2）基于序列图像帧预测未来图像帧：给定间隔采样的图像（每隔5帧采集一张图像），将前面采集的十幅图像I，通过预测网络P生成当前图像的预测图像I
’
(0)=P (I(
‑
10),I(
‑
9)...,I(
−
1))，其中预测网络P由卷积神经网络和ConvLSTM网络来共同实现进行图像预测，其结构如图1所示，采用了多尺度的方法，即通过不同尺度特征层的融合进行预测，网络结构中的卷积层用来提取特征，ConvLSTM用来把不同帧的特征进行融合并往下一帧进行特征传递，通过这种机制，在视频帧预测的时候融合近十帧的特征，预测网络结构中，除去最下面一层，在上面的各层统称为
译码层，最左侧的卷积层采用的64个3*3卷积，中间的卷积层采用的128个3*3卷积，最右侧采用的是256个3*3卷积。最下面一层为解码层，在解码层中，最左侧的卷积层为3个3*3卷积，中间的卷积层采用的64个3*3卷积，最右侧采用的是128个3*3卷积，C表示特征之间是通过特征排列叠加进行融合；如果预测帧I
’
与真实值图像I之间的差异很小，则认为该视频帧为正常，如果预测帧与真实视频帧之间差距很大，则认为该视频可能存在异常；（3）设计网络训练预测图像帧：利用步骤（1）中的数据集，选用标注为正常的图像继续训练，网络结构采用步骤（2）中的预测网络结构，能量损失采用L2损失，即能量损失函数为：使用数据集中训练集的图像，原始视频图像为，我们把图片尺寸缩放为，依次把连续的视频帧送入网络中，根据每次训练所需的图像数量B，依次输入到网络中，所以整个网络的输入，输出为预测的图像，通过反向传播更新参数，经过设定次数（200次）完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的视频帧预测网络模型；（4）计算异常分值判断是否存在事件异常：选用原始图像与预测图像之间的SSIM值作为图像是否为异常的判断准则，如果小于阈值则认为该视频帧为异常视频帧，如果大于阈值，则认为该视频预测帧与真实视频帧很相似，不存在异常，其中阈值根据步骤（1）中数据集标注为异常的图像进行确定；（5）通过推理得到结果：对于需要测试的图像，将图像输入到步骤（3）中得到的网络中计算预测视频帧图像，利用步骤（4）中的方法判断视频帧是否为异常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种停车场异常事件检测方法，其特征在于，具体过程为：（1）数据集构建：从高位相机监测到的视频中采集图像构建数据集，将采集到的图像按照正常图像和异常图像进行标注，并将数据集划分为训练集、验证集和测试集；（2）基于序列图像帧预测图像：将根据视频采集的前十幅图像通过预测网络生成当前图像的预测图像；（3）训练视频帧预测网络模型：选用标注为正常图像继续训练，网络结构采用步骤（2）的预测网络，能量损失采用L2损失，即能量损失函数为：其中I为真实图像，为预测图像；将训练集中的图像尺寸缩放为，依次把连续的图像送入预测网络，根据每次训练需要的图像数量B，依次输入到预测网络后输出预测图像，再通过反向传播更新参数，经过200次完整训练集训练迭代后，保存验证集上结果最好的模型参数，作为最终模型训练好的参数，即得到训练好的视频帧预测网络模型；（4）计算异常分值判断是否存在事件异常：选用原始图像与预测图像之间的SSIM值作为视频帧是否为异常帧的判断准则，根据步骤（1）标注的异常图像确定SSIM值的阈值参数，如果小于阈值则认为该视频帧为异常视频帧，如果大于阈值，则认为该视频预测帧与真实视频帧很相似，不存在异常；（5）通过推理得到结果：将图像输...

【专利技术属性】
技术研发人员：刘寒松，王永，王国强，翟贵乾，刘瑞，李贤超，
申请(专利权)人：松立控股集团股份有限公司，
类型：发明
国别省市：