[发明专利]一种基于深度学习的机动车违停智能识别方法及系统

权利要求书

1.一种基于深度学习的机动车违停智能识别方法及系统，其特征在于：包括以下步骤：

步骤100，采集用于训练的数据图像，人工标注所述数据图像中的所有机动车以得到用于训练的数据集；

步骤200，使用所述数据集对基于目标检测领域State-of-the-art的目标检测模型YOLOV5的预训练模型进行迁移学习训练；

步骤300，通过基于web的用户配置界面配置算法参数及违停区；

步骤400，获取摄像头视频数据，将摄像头采集到的每一帧图像送入所述目标检测模型，得到机动车目标检测结果；

步骤500，将所述机动车目标检测结果送入SORT跟踪算法，对识别到的机动车目标进行跟踪；

步骤600，识别并判断跟踪的所述机动车目标是否位于所述违停区并判断所述机动车目标是否违停。

2.根据权利要求1所述的基于深度学习的机动车违停智能识别方法及系统，其特征在于：对基于目标检测领域State-of-the-art的目标检测模型YOLOV5的预训练模型进行迁移学习训练后，使用TensorRT对模型进行算子融合、Kernal funciton优化、权重量化的优化操作。

3.根据权利要求1所述的基于深度学习的机动车违停智能识别方法及系统，其特征在于：判断车辆是否处于违停区包含以下步骤：

步骤601，获取当前图像帧中某一个机动车检测框的左下方和右下方脚点及检测框中心点坐标；

步骤602，若机动车检测框左下脚点与右下脚点均在违停区内，判断机动车违停；

步骤603，若机动车检测框只有一侧脚点位于违停区内，则进行步骤604；

步骤604，判断车辆中心点是否位于违停区内，若车辆中心点位于违停区内则判断机动车违停，否则进行下一步；

步骤605，继续获取当前图像帧中的其他检测目标并进车辆是否违停判断的操作。

4.根据权利要求3所述的基于深度学习的机动车违停智能识别方法及系统，其特征在于：还包含一种判断机动车位于违停区内是否缓慢移动的方法，包括以下步骤：

步骤a01，计算前一帧图像中机动车的中心坐标与当前帧图像中所述机动车的中心坐标的像素距离，若所述像素距离超过阈值，则判定为车辆移动；

步骤a02，若判断车辆处于移动状态，则将车辆信息中的违停时长清零并处理其他检测目标车辆；

步骤a03，若车辆未在动，则获取当前时间并计算车辆停止累计时间，将所述车辆停止累计时间与设定的违停时长阈值进行比较，若所述车辆停止累计时间超过违停时长阈值，则判断为车辆违停，若所述车辆停止累计时间未超过违停时长，则当前目标车辆处理结束，继续处理其他检测目标。

5.根据权利要求4所述的基于深度学习的机动车违停智能识别方法及系统，其特征在于：所述阈值采用d/p的动态形式阈值来判断车辆缓慢移动，其中，式中字母d表示检测框的对角线距离，字母p为阈值比例因子。

6.根据权利要求4所述的基于深度学习的机动车违停智能识别方法及系统，其特征在于：若跟踪信息中上一帧图像跟踪到某一车辆，而当前帧中未跟踪到所述车辆时，则系统设置一个最大消失帧数，在未达到最大消失帧数之前，并不判断所述机动车丢失，之后使用SORT跟踪算法中的卡尔曼滤波基于上一帧中的所述机动车目标框位置对当前帧的所述机动车目标框进行预测，预测的结果作为当前帧目标框；

若下一帧图像检测到所述机动车目标框位置与所述当前帧目标框匹配，则判断为检测算法错误导致的车辆消失；

若达到最大消失帧数后，直接视为所述机动车目标消失，系统删除此目标跟踪信息；

若未达到最大消失帧数的时间段中所述机动车目标重新出现，则判断为所述机动车目标被短时间遮挡。

7.根据权利要求6所述的基于深度学习的机动车违停智能识别方法及系统，其特征在于：播放所述250-500帧图像的时间为10秒-20秒。