一种用于精确监测车辆违停、乱放的方法技术

本发明专利技术涉及视频监控领域，涉及一种用于精确监测车辆违停、乱放的方法，包括以下步骤：1)设置标准停靠方向范围、违停时间阈值、以及若干停车区域，并建立车辆违停数据库、车辆乱放数据库；2)获取上一时刻的车辆信息数据集；3)获取当前时刻的车辆信息数据集；4)采用匈牙利算法，得到相邻两个时刻车辆信息数据集的最大匹配集合；5)根据最大匹配集合，确定该车辆当前时刻的位置坐标；6)判断当前时刻各车辆是否违停，或者乱放；7)重复步骤2)至步骤6)。本发明专利技术在传统IOU和REID特征进行相似度判断的基础上,引入了更多的特征数据来对车辆相似度进行计算，在各种复杂环境中均能够准确识别出同一车辆，提高了判断车辆违停乱放的准确率。提高了判断车辆违停乱放的准确率。提高了判断车辆违停乱放的准确率。

【技术实现步骤摘要】
一种用于精确监测车辆违停、乱放的方法


[0001]本专利技术涉及视频监控
，具体涉及一种用于精确监测车辆违停、乱放的方法。

技术介绍

[0002]随着社会经济的发展，国内车辆的保有量逐年提高，机动车违停、乱放现象多发。而一般的街道、公共停车场均已配备普通视频监控，但由于摄像头不具备相应的AI功能，只能通过人工现场取证执法，信息滞后，容易产生疏漏，耗费大量人力物力，却得不到良好的监管效果。
[0003]为了对机动车违停乱放现象实现及时预警，减轻值守人员的负担，改善市容市貌，申请号为CN202111153392.1的《一种用于复杂应用场景的车辆违停识别方法》虽然通过CNN+OpenCV的架构识别、深度检测模型和IOU跟踪算法联合的方式，实现了云计算和深度学习的融合，能够对车辆的违停乱放状态进行判断，但是往往由于车辆所处环境复杂，监控范围较大，而且大多数的车辆外形相似的原因，仅采用目标检测中的交并比(Intersection
‑
over
‑
Union，IoU)进行相似度判断，很难区分出在当前时刻与上一时刻的相同位置上的车辆是否为同一辆车，采用该方法的误报率极高。
[0004]而申请号为CN202111513371.6的《一种车辆违停检测方法和系统》虽然可以根据路况图像轮廓识别结果确定动态车辆，对动态车辆进行特征识别，随机获取一线图像，生成违停信息，但是使用轮廓特征对目标的表征能力不足，导致模型环境适应性较差，漏检误检增多。
[0005]综上所述，现有技术的车辆相似度度量标准比较单一，若在同一时间需要对多个相似度较高的车辆进行判断、匹配，极易将处于复杂环境之中的不同车辆判断为同一车辆，或者将不同时刻的同一车辆判断成不同的车辆，从而导致误报或者漏报，亟待一种在各种复杂环境中均能够准确识别出同一车辆的方法，以提高判断车辆违停乱放的准确率。

技术实现思路

[0006]本专利技术的目的是针对现有技术对应的不足，提供一种用于精确监测车辆违停、乱放的方法，在传统IOU和REID特征进行相似度判断的基础上,引入了更多的特征数据来对车辆相似度进行计算，在各种复杂环境中均能够准确识别出同一车辆，以提高判断车辆违停乱放的准确率。
[0007]本专利技术的目的是采用下述方案实现的：一种用于精确监测车辆违停、乱放的方法，包括以下步骤：
[0008]1)设置标准停靠方向范围、违停时间阈值、以及若干停车区域，并建立车辆违停数据库、车辆乱放数据库；
[0009]2)对上一时刻的所有车辆编号，并通过神经网络模型提取每一车辆至少三种对应的特征数据，结合各车辆对应的位置坐标，得到上一时刻各车辆对应的车辆信息，形成上一
时刻的车辆信息数据集；
[0010]3)对当前时刻的所有车辆编号，并通过神经网络模型提取每一车辆至少三种对应的特征数据，结合各车辆对应的位置坐标，得到当前时刻各车辆对应的车辆信息，形成当前时刻的车辆信息数据集；
[0011]4)采用匈牙利算法，将步骤2)与步骤3)中相邻两个时刻所有车辆的车辆信息根据特征数据的相似度一一配对，得到相邻两个时刻车辆信息数据集的最大匹配集合；
[0012]5)根据最大匹配集合，上一时刻各个编号的车辆均通过当前时刻对应的编号确定该车辆当前时刻的位置坐标；
[0013]6)根据当前时刻各车辆的位置坐标以及预设的停车区域、违停时间阈值，判断当前时刻各车辆是否违停：
[0014]①
若车辆违停，生成该车辆的违停编号，与该车辆的车辆信息一并存储在车辆违停数据库中；
[0015]②
若车辆没有违停，则根据车辆的标准停靠方向范围判断车辆是否乱放，若车辆乱放，生成该车辆的乱放编号，与该车辆的车辆信息一并存储在车辆乱放数据库中；
[0016]7)对当前时刻的所有车辆判断完毕后完成一个循环，重复步骤2)至步骤6)，循环。
[0017]优选地，判断当前时刻各车辆是否违停的具体方式如下：
[0018]①
当任一车辆的位置坐标在预设的停车区域外时，记录当前时刻作为该车辆的初次疑似违停时间，直到该车辆的位置坐标处于停车区域内时，记录当前时刻为该车辆的最终疑似违停时间；
[0019]②
若该车辆的最终疑似违停时间与初次疑似违停时间之差大于预设的违停时间阈值，则该车辆为违停车辆。
[0020]优选地，所述特征数据包括方向特征，若车辆没有违停，根据车辆的标准停靠方向范围通过下列方式判断车辆是否乱放的具体步骤如下：
[0021]①
根据任一车辆当前时刻的方向特征确定该车辆的停靠方向；
[0022]②
若该车辆的停靠方向不在标准停靠方向范围内，则该车辆为乱放车辆；
[0023]③
若该车辆的停靠方向在标准停靠方向范围内，则该车辆没有乱放。
[0024]优选地，所述最大匹配集合中的任一元素均包括同一车辆上一时刻对应的编号，以及当前时刻对应的编号和位置坐标。
[0025]优选地，步骤4)中匈牙利算法的步骤如下：
[0026]①
设置置信度分类阈值，并计算当前时刻各车辆的置信度，将当前时刻各车辆的车辆信息按照置信度分类阈值进行分类，得到高置信度车辆集合、低置信度车辆集合；
[0027]②
计算高置信度车辆集合与上一时刻的车辆信息数据集的车辆信息相似度矩阵，通过递归寻找增广路，将高置信度车辆集合与上一时刻的车辆信息数据集中特征数据相似的车辆信息一一配对，得到高置信度匹配集合，并将上一时刻的车辆信息数据集中未参与匹配的车辆信息作为第二轮匹配集合；
[0028]③
计算第二轮匹配集合与低置信度车辆集合的车辆信息相似度矩阵，通过递归寻找增广路，将第二轮匹配集合与低置信度车辆集合中特征数据相似的车辆信息一一配对，得到低置信度匹配集合；
[0029]④
将高置信度匹配集合并上低置信度匹配集合，得到最大匹配集合。
[0030]优选地，所述车辆信息相似度矩阵的计算方式如下：
[0031]①
按照下列公式分别计算两个集合各特征数据之间的余弦相似度：
[0032][0033]式中，cosθ为余弦相似度，为其中一个集合中第i个特征数据，为另一个集合中第j个特征数据；
[0034]②
利用步骤
①
得到的若干余弦相似度组成一个用于体现两个集合中特征数据相似程度的特征相似度矩阵；
[0035]③
根据各车辆的位置坐标获取对应车辆的矩形框，并按照下列公式计算两个集合中各车辆之间的矩形框交并比：
[0036][0037]式中，S
iou
为矩形框交并比，S
C
为两个车辆的矩形框交集，S
D
为两个车辆的矩形框并集；
[0038]④
利用步骤
③
得到的若干矩形框交并比组成一个用于体现两个集合中车辆位置相似程度的位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于精确监测车辆违停、乱放的方法，其特征在于，包括以下步骤：1)设置标准停靠方向范围、违停时间阈值、以及若干停车区域，并建立车辆违停数据库、车辆乱放数据库；2)对上一时刻的所有车辆编号，并通过神经网络模型提取每一车辆至少三种对应的特征数据，结合各车辆对应的位置坐标，得到上一时刻各车辆对应的车辆信息，形成上一时刻的车辆信息数据集；3)对当前时刻的所有车辆编号，并通过神经网络模型提取每一车辆至少三种对应的特征数据，结合各车辆对应的位置坐标，得到当前时刻各车辆对应的车辆信息，形成当前时刻的车辆信息数据集；4)采用匈牙利算法，将步骤2)与步骤3)中相邻两个时刻所有车辆的车辆信息根据特征数据的相似度一一配对，得到相邻两个时刻车辆信息数据集的最大匹配集合；5)根据最大匹配集合，上一时刻各个编号的车辆均通过当前时刻对应的编号确定该车辆当前时刻的位置坐标；6)根据当前时刻各车辆的位置坐标以及预设的停车区域、违停时间阈值，判断当前时刻各车辆是否违停：
①
若车辆违停，生成该车辆的违停编号，与该车辆的车辆信息一并存储在车辆违停数据库中；
②
若车辆没有违停，则根据车辆的标准停靠方向范围判断车辆是否乱放，若车辆乱放，生成该车辆的乱放编号，与该车辆的车辆信息一并存储在车辆乱放数据库中；7)对当前时刻的所有车辆判断完毕后完成一个循环，重复步骤2)至步骤6)，循环。2.根据权利要求1所述的方法，其特征在于，判断当前时刻各车辆是否违停的具体方式如下：
①
当任一车辆的位置坐标在预设的停车区域外时，记录当前时刻作为该车辆的初次疑似违停时间，直到该车辆的位置坐标处于停车区域内时，记录当前时刻为该车辆的最终疑似违停时间；
②
若该车辆的最终疑似违停时间与初次疑似违停时间之差大于预设的违停时间阈值，则该车辆为违停车辆。3.根据权利要求1所述的方法，其特征在于，所述特征数据包括方向特征，若车辆没有违停，根据车辆的标准停靠方向范围通过下列方式判断车辆是否乱放的具体方式如下：
①
根据任一车辆当前时刻的方向特征确定该车辆的停靠方向；
②
若该车辆的停靠方向不在标准停靠方向范围内，则该车辆为乱放车辆；
③
若该车辆的停靠方向在标准停靠方向范围内，则该车辆没有乱放。4.根据权利要求1所述的方法，其特征在于，所述最大匹配集合中的任一元素均包括同一车辆上一时刻对应的编号，以及当前时刻对应的编号和位置坐标。5.根据权利要求1所述的方法，其特征在于，步骤4)中匈牙利算法的步骤如下：
①
设置置信度分类阈值，并计算当前时刻各车辆的置信度，将当前时刻各车辆的车辆信息按照置信度分类阈值进行分类，得到高置信度车辆集合、低置信度车辆集合；
②
计算高置信度车辆集合与上一时刻的车辆信息数据集的车辆信息相似度矩阵，通过递归寻找增广路，将高置信度车辆集合与上一时刻的车辆信息数据集中特征数据相似的车
辆信息一一配对，得到高置信度匹配集合，并将上一时刻的车辆信息数据集中未参与匹配的车辆信息作为第二轮匹配...

【专利技术属性】
技术研发人员：孙琴，刘惠强，杨杭，吴真诚，黎云，彭博，焦花，
申请(专利权)人：重庆电信系统集成有限公司，
类型：发明
国别省市：