违章停车的检测方法及装置、电子设备、计算机可读介质与流程

本公开实施例涉及计算机技术领域，特别涉及违章停车的检测方法及装置、电子设备、计算机可读介质。

背景技术：

在当今人工智能快速发展和渗透阶段，人工智能在安防和智慧城市领域逐步开始展现其强大的能力，其中，城管执法部门针对道路违章停车进行依法执法成为一大痛点。随着生活质量提高，私家车成为市民出行主要交通工具，越来越多的私家车成为城市道路规划时不得不考虑的一环，但是再多的停车位也永远赶不上私家车的增长速度，违章停车成为现阶段市容市貌的重点破坏对象，目前城管部门都是采用巡检的方式，先巡检，发现违法再执法的方式，这是城管部门中非常耗时、耗财、耗力的违规检测手段。

技术实现要素：

本公开实施例提供一种违章停车的检测方法及装置、电子设备、计算机可读介质。

第一方面，本公开实施例提供一种违章停车的检测方法，其包括：

通过第一神经网络，获取采集模块所采集的图像中类别为车辆的检测框，并确定出所述检测框的坐标信息；

通过第二神经网络，判断所述图像中对应所述检测框的区域是否为违章停车区域；

若判断出是违章停车区域，则判断预设时间内，所述检测框的坐标信息是否变化，并根据判断结果，确定出所述车辆是否违章停车。

在一些实施例中，所述通过第二神经网络，判断所述图像中对应所述检测框的区域是否为违章停车区域，包括：

将所述采集模块所采集的图像输入至第二神经网络，输出所述图像中每个像素所对应的道路类别，得到每个像素坐标与道路类别的对应关系；

获取所述图像中对应所述检测框的区域中各像素坐标，并根据每个像素坐标与道路类别的对应关系，得到检测框中各像素的道路类别；

根据检测框中各像素的道路类别和预设规则，判断所述检测框的所在区域是否为违章停车区域。

在一些实施例中，所述通过第二神经网络，判断所述图像中对应所述检测框的区域是否为违章停车区域，包括：

仅将所述图像中对应所述检测框区域的部分输入至第二神经网络，输出所述图像中对应所述检测框区域的部分中各像素的所对应的道路类别；

根据检测框中各像素的道路类别和预设规则，判断所述检测框的所在区域是否为违章停车区域。

在一些实施例中，所述根据检测框中各像素的道路类别和预设规则，判断所述检测框的所在区域是否为违章停车区域，包括：

根据检测框中各像素的道路类别，得到道路类别中违章道路类别对应的像素数量；

将道路类别中违章道路类别对应的像素数量与预设值进行比较，并根据比较结果，判断所述检测框的所在区域是否为违章停车区域。

在一些实施例中，所述检测框的坐标信息包括所述检测框的四个原点坐标。

第二方面，本公开实施例提供一种违章停车的检测装置，其包括：

车辆定位模块，用于通过第一神经网络，获取采集模块所采集的图像中类别为车辆的检测框，并确定出所述检测框的坐标信息；

违章停车区域判定模块，用于通过第二神经网络，判断所述图像中对应所述检测框的区域是否为违章停车区域；

违章车辆判定模块，用于在违章停车区域判定模块判断出是违章停车区域，判断预设时间内，所述检测框的坐标信息是否变化，并根据判断结果，确定出所述车辆是否违章停车。

在一些实施例中，所述违章停车区域判定模块，包括：

道路类别确定单元，用于将所述采集模块所采集的图像输入至第二神经网络，输出所述图像中每个像素所对应的道路类别，得到每个像素坐标与道路类别的对应关系；

获取单元，用于获取所述图像中对应所述检测框的区域中各像素坐标，并根据每个像素坐标与道路类别的对应关系，得到检测框中各像素的道路类别；

违章停车区域判定单元，用于根据检测框中各像素的道路类别和预设规则，判断所述检测框的所在区域是否为违章停车区域。

在一些实施例中，所述违章停车区域判定模块，包括：

获取单元，用于仅将所述图像中对应所述检测框区域的部分输入至第二神经网络，输出所述图像中对应所述检测框区域的部分中各像素的所对应的道路类别；

违章停车区域判定单元，用于根据检测框中各像素的道路类别和预设规则，判断所述检测框的所在区域是否为违章停车区域。

在一些实施例中，所述违章停车区域判定单元，包括：

计算子单元，用于根据检测框中各像素的道路类别，得到道路类别中违章道路类别对应的像素数量；

违章停车区域判定子单元，用于将道路类别中违章道路类别对应的像素数量与预设值进行比较，并根据比较结果，判断所述检测框的所在区域是否为违章停车区域。

第三方面，本公开实施例提供一种电子设备，其包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据上述的方法。

第四方面，本公开实施例提供计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现根据上述的方法。

本公开实施例提供的违章停车的检测方法，将采集模块所采集的图像作为输入，利用第一神经网络，确定出类别为车辆的检测框，也即对车辆进行定位，利用第二神经网络，对道路进行像素级的分类，实现对车辆所在道路进行精准定位，再通过判断预设时间内类别为车辆的检测框的坐标是否发生改变，以实现对车辆的违章停车行为的精准判定，该方法使得违章停车行为的检测更为高效，大大减少人力、物力。

附图说明

附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述，以上和其它特征和优点对本领域技术人员将变得更加显而易见，在附图中：

图1为本公开实施例的违章停车的检测方法的流程图；

图2为本公开实施例的步骤s2的第一种具体流程图；

图3为本公开实施例中的步骤s203的具体流程图；

图4为本公开实施例的步骤s2的第二种具体流程图；

图5为本公开实施例的违章停车的检测装置的框图；

图6为本公开实施例中的违章停车区域判定模块的第一种具体框图；

图7为本公开实施例中的违章停车区域判定模块的第二种具体框图；

图8为本公开实施例中的违章停车区域判定单元的具体框图。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的违章停车的检测方法及装置、电子设备、计算机可读介质进行详细描述。

在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。

如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。

本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。

本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。

除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。

本公开实施例提供一种违章停车的检测方法，在该方法中主要应用到两个神经网络，也即在下述实施例中所提到的第一神经网络和第二神经网络；其中，第一神经网络被配置为将图像信息作为输入，而输出目标类别为车辆的检测框；第二神经网络被配置为将图像信息作为输入，对所输入的图像进行像素级的分割，而输出图像中每个像素所对应的道路类别。

在此需要说明的是，在本公开实施例的方法实施前，首先需要采集一定数量的样本，进行模型训练，以得到相应的神经网络，而对于神经网络的训练是本领域技术人员公知的技术手段，在此不再详细描述。

其中，本公开实施例中的违章停车的检测方法的执行主体可以是违章停车的检测装置，该装置可以集成在采集模块(摄像头)中。

图1为本公开实施例的违章停车的检测方法的流程图。

第一方面，本公开实施例提供一种违章停车的检测方法，参照图1，该方法具体包括：

s1、通过第一神经网络，获取采集模块所采集的图像中类别为车辆的检测框，并确定出检测框的坐标信息。

其中，采集模块可以是摄像头，例如红绿灯上方所安装的摄像头，在本公开实施例中以采集模块为摄像头为例进行说明。

具体的，摄像头将其所采集图像(以帧为单位)，逐帧输入至第一神经网络中，第一神经网络通过检测框对图像中的特征提取，之后对检测框中的特征进行分类，以输出类别为车辆的检测框。

在此需要说明的是，实际道路监控场景下，摄像头监控范围广，车辆多，因此，优选采用1024*640的高分辨率图像作为第一神经网络的输入，确保监控场景下车辆不会过少，可以精确地检测到尽可能多的车辆。

其中，本公开实施例中所采用的第一神经网络为多尺度cnn神经网络。在实际场景下，摄像头由近至远，车辆尺度由达到小，因此采用多尺度cnn神经网络，可以提取图像的多尺度特征，实现不同尺度下的车辆定位。

其中，图像中的每一个像素位置可以用一个坐标表示，本公开实施例中的检测框是框在图像中，因此检测框的坐标信息，是与图像中像素的位置采用同一坐标系，坐标是相对应的，也就说检测框的某一点坐标也是图像中的某一像素的位置坐标。

s2、通过第二神经网络，判断图像中对应检测框的区域是否为违章停车区域，若步骤s2中判断出检测框的区域是违章停车区域，则执行步骤s3，若步骤s2中判断出检测框的区域是非违章停车区域，则到步骤s2终止。

在此需要说明的是，道路场景复杂，在实施本公开实施例的方法之前，先将道路类别进行划分，并采集一定数量的道路特征作为样本训练得到第二神经网络，以对道路进行分类。例如，将道路划分为正常道路、盲道、花园、停车区和其他；其中，正常道路：是指机动车行驶的道路，大部分区域都属于正常道路；盲道：是指建筑物前面有明显盲道标记区域为盲道；花园：是指路边的城市建设花园区，作为辅助判断类型；停车区：是指道路边上白色或黄色标记的停车区域。

图2为本公开实施例的步骤s2的第一种具体流程图。

在一些实施例中，参照图2，步骤s2的第一种具体实现具体可以包括：

s201、将摄像头所采集的图像输入至第二神经网络，输出图像中每个像素对应的道路类别，得到每个像素坐标与道路类别的对应关系。

具体的，将摄像头所采集的图像作为第二神经网络的输入，通过分割算法将道路可以分割为正常道路、盲道、花园、停车区和其他这五类，之后进行像素级的分割，输出每一个像素对应的道路类别，也即得到每个像素坐标与道路类别的对应关系，以达到像素级分割的目的。

s202、获取所述图像中对应所述检测框的区域中各像素坐标，并根据步骤s201中获取的每个像素坐标与道路类别的对应关系，得到检测框中各像素的道路类别。

也就是说，步骤s201中得到了图像每个像素的道路类别，在步骤s202中则在步骤s201中所获得检测框中每个像素的道路类别，确定出检测框中的各像素的道路类别。

s203、根据检测框中各像素的道路类别和预设规则，判断检测框的所在区域是否为违章停车区域。

图3为本公开实施例中的步骤s203的具体流程图。

在一些实施例中，参照图3，步骤s203可以包括：

s2031、根据检测框中各像素的道路类别，得到道路类别中违章道路类别对应的像素数量。

例如：统计检测框中各像素的道路类别处于盲道(盲道的类别为违章道路类别)中的像素数量。

s2032、将道路类别中违章道路类别对应的像素数量与预设值进行比较，并根据比较结果，判断所述检测框的所在区域是否为违章停车区域。

也就是说，在步骤s2031中得到的违章道路类别对应的像素数量大于预设值，则说明检测框中的车辆处于违章停车区域。若在步骤s2031中得到的违章道路类别对应的像素数量小于预设值，则说明检测框中的车辆处于正常道路。

当然，也可以通过统计检测框中各像素的道路类别处于正常道路类别的像素数量，这样一来，则可以按照上述方法同样可以判断出车辆是否违章停车。

图4为本公开实施例的步骤s2的第二种具体流程图。

在一些实施例中，参照图4，步骤s2的第二种具体实现可以包括：

s211、仅将图像中对应检测框区域的部分输入至第二神经网络，输出所述图像中对应检测框区域的部分中各像素的所对应的道路类别。

具体的，在步骤s211中，首先需要将摄像头所采集的图像中对应检测框区域的部分进行，也即得到检测框图像；之后将检测框图像输入至第二神经网络中，进行像素级的分割，输出检测框中的每一个像素所对应道路类别。

s212、根据检测框中各像素的道路类别和预设规则，判断检测框的所在区域是否为违章停车区域。

对于步骤s212与上述的步骤203的实现是相同，故在此不再赘述。

s3、判断预设时间内，检测框的坐标信息是否发生变化，并根据判断结果，确定出检测框中的车辆是否违章停车。

具体的，在一些实施例中，检测框的坐标信息可以是检测框的原点坐标，也即矩形检测框的四个边角点的坐标。若在预设时间内，检测框这四个边角点的坐标发生改变，则说明车辆发生移动，也就是说该车辆并没有长时间停在违章停车区域，故该车辆没有违章停车；若在预设时间内，检测框这四个边角点的坐标未发生改变，则说明车辆停止未动，则判定该车辆违章停车。

本公开实施例提供的违章停车的检测方法，将采集模块所采集的图像作为输入，利用第一神经网络，确定出类别为车辆的检测框，也即对车辆进行定位，利用第二神经网络，对道路进行像素级的分类，实现对车辆所在道路进行精准定位，再通过判断预设时间内类别为车辆的检测框的坐标是否发生改变，以实现对车辆的违章停车行为的精准判定，该方法使得违章停车行为的检测更为高效，大大减少人力、物力。

图5为本公开实施例的违章停车的检测装置的框图。

第二方面，本公开实施例提供一种违章停车的检测装置，参照图5，该装置包括：车辆定位模块1、违章停车区域判定模块2、违章车辆判定模块3。

其中，车辆定位模块1用于通过第一神经网络，获取采集模块所采集的图像中类别为车辆的检测框，并确定出所述检测框的坐标信息；违章停车区域判定模块2用于通过第二神经网络，判断所述图像中对应所述检测框的区域是否为违章停车区域；违章车辆判定模块3用于在违章停车区域判定模块判断出是违章停车区域，判断预设时间内，所述检测框的坐标信息是否变化，并根据判断结果，确定出所述车辆是否违章停车。

本公开了实施例提供的违章停车的检测装置，将采集模块所采集的图像作为输入，利用第一神经网络，确定出类别为车辆的检测框，也即对车辆进行定位，利用第二神经网络，对道路进行像素级的分类，实现对车辆所在道路进行精准定位，再通过判断预设时间内类别为车辆的检测框的坐标是否发生改变，以实现对车辆的违章停车行为的精准判定，该方法使得违章停车行为的检测更为高效，大大减少人力、物力。

需要说明的是，本公开实施例中的车辆定位模块1可用于执行上述实施例中的步骤s1；违章停车区域判定模块2可用于执行上述实施例中的步骤s2；违章车辆判定模块3可用于执行上述实施例中的步骤s3。

图6为本公开实施例中的违章停车区域判定模块的第一种具体框图。

在一些实施例中，参照图6，违章停车区域判定模块2，包括：道路类别确定单元201、获取单元202、违章停车区域判定单元203。

其中，道路类别确定单元201用于将所述采集模块所采集的图像输入至第二神经网络，输出所述图像中每个像素所对应的道路类别，得到每个像素坐标与道路类别的对应关系；获取单元202用于获取图像中对应所述检测框的区域中各像素坐标，并根据每个像素坐标与道路类别的对应关系，得到检测框中各像素的道路类别；违章停车区域判定单元203用于根据检测框中各像素的道路类别和预设规则，判断所述检测框的所在区域是否为违章停车区域。

需要说明的是，本公开实施例中的道路类别确定单元201可用于执行上述实施例中的步骤201；获取单元202可用于执行上述实施例中的步骤s202；违章停车区域判定单元203可用于执行上述实施例中的步骤s203。

图7为本公开实施例中的违章停车区域判定模块的第二种具体框图。

在一些实施例中，参照图7，违章停车区域判定模块2，包括：获取单元211和违章停车区域判定单元212。

其中，获取单元211用于仅将所述图像中对应所述检测框区域的部分输入至第二神经网络，输出所述图像中对应所述检测框区域的部分中各像素的所对应的道路类别；违章停车区域判定单元212用于根据检测框中各像素的道路类别和预设规则，判断所述检测框的所在区域是否为违章停车区域。

需要说明的是，本公开实施例中的获取单元211可用于执行上述实施例中的步骤s212；违章停车区域判定单元212可用于执行上述实施例中的步骤s213。

图8为本公开实施例中的违章停车区域判定单元的具体框图。

在一些实施例中，参照图8，违章停车区域判定单元203(212)，包括：计算子单元2031和违章停车区域判定子单元2032。

其中，计算子单元2031用于根据检测框中各像素的道路类别，得到道路类别中违章道路类别对应的像素数量；违章停车区域判定子单元2032将道路类别中违章道路类别对应的像素数量与预设值进行比较，并根据比较结果，判断所述检测框的所在区域是否为违章停车区域。

需要说明的是，本公开实施例中的计算子单元2031可用于执行上述实施例中的步骤s2031；违章停车区域判定子单元2032可用于执行上述实施例中的步骤s2032。

第三方面，本公开实施例提供一种电子设备，其包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述任意一种违章停车的检测方法。

第四方面，本公开实施例提供一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现上述任意一种违章停车的检测方法。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其它存储器技术、cd-rom、数字多功能盘(dvd)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据，并且可包括任何信息递送介质。

本文已经公开了示例实施例，并且虽然采用了具体术语，但它们仅用于并仅应当被解释为一般说明性含义，并且不用于限制的目的。在一些实例中，对本领域技术人员显而易见的是，除非另外明确指出，否则可单独使用与特定实施例相结合描述的特征、特性和/或元素，或可与其它实施例相结合描述的特征、特性和/或元件组合使用。因此，本领域技术人员将理解，在不脱离由所附的权利要求阐明的本公开的范围的情况下，可进行各种形式和细节上的改变。