[发明专利]基于深度卷积神经网络的车辆违停逆行检测方法

权利要求书

1.基于深度卷积神经网络的车辆违停逆行检测方法，其特征是基于深度卷积神经网络Deep-CNN网络模型，Deep-CNN网络模型将路面感兴趣区域划分为多个网格，构建路面—非路面识别模型，通过非路面网格反向识别非法停车或逆行目标，包括以下步骤：

Step1：路面模型训练，采集道路摄像头的视频图像，将视频图像中路面的感兴趣区域ROI_路面网格化分割成多个小块，标准化后作为Deep-CNN网络模型的训练集，训练时首先采用无监督方法训练获取图像特征，聚类后再设置标签，人工方式标记路面类型，区分路面与非路面，得到路面—非路面识别模型；

Step2：非路面前景模型训练，将被分为非路面的网格图片按连通区域组合成候选目标加入训练库，再次采用Deep-CNN网络模型进行训练，分级训练路面目标，所述路面目标包括车辆、路面遗留物和行人，得到前景识别模型；

Step3：前景目标检测，在step1及step2的识别模型基础上，对实时视频图像使用Deep-CNN网络模型和SVM分类器实现前景目标的检测与分类，先识别路面非路面，再识别出前景目标的类型；

Step4：行为分析，在前景目标分类识别基础上，根据前景目标在视频图像序列中的上下文信息，进行道路事件车辆违停逆行检测识别，设与分别为T₀与T_0+t时刻的第k个前景候选目标的位置，计算前景候选目标在图像区域位移的欧氏距离获取第k个前景候选目标运动状态与方向，进一步确定目标是否存在停止或逆行状态。

2.根据权利要求1所述的基于深度卷积神经网络的车辆违停逆行检测方法，其特征是所述的道路事件车辆违停逆行检测识别具体为：

Step4.1：对实时视频图像中的路面设置禁止区域ROI_禁，视频图像网格化后，根据路面—非路面识别模型进行分类；

Step4.2：连通ROI_禁区域内非路面网格图片I_i,j，生成候选目标O_k；

Step4.3：对候选目标O_k分类识别，如果为车，则锁定为车辆目标；

Step4.4：计算初始时刻T₀与t时刻后T_0+t之间车辆目标位移距离与方向，和正常道路车辆方向进行对比；

Step4.5：判定车辆违停或逆行行为。

3.根据权利要求1所述的基于深度卷积神经网络的车辆违停逆行检测方法，其特征是Step1和Step2具体为：

1)设置感兴趣区域ROI_路面：采集道路或街景监控器的视频图像，获得各帧道路或街景视频图像，根据实际的道路或街景状况，在当前帧图像上提取关注区域的边界对角4个点，对所提取的点进行直线拟合计算，形成叉形结构，叉形结构内作为检测的感兴趣区域ROI_路面，也就是有效检测区域；

2)非检测区域漫水填充：非ROI_路面为非检测区域，进行漫水填充处理，填充后，落在ROI_路面区域外的网格图片像素均值为0，直接滤除不再进行后续处理；

3)检测区域ROI_路面网格化分块，网格图片经Deep-CNN分类结果为路面或非路面，将ROI_路面的分块中非路面的网格图片连起来，记为I_p,q，即I_p,q组成候选目标，送入分类器，分类为车辆、行人或路面遗留物。