一种基于实时视频的城市道路车辆异常停驶检测方法与流程

本发明属于人类感应设备技术领域，特别是涉及一种基于实时视频的城市道路车辆异常停驶检测方法。

背景技术：

随着智慧交通的发展和建设，许多城市建设起了数量庞大的城市道路监控系统。大多监控系统通常存在数据量大而存储空间不足，人工查看效率有限，以及事件难以被及时发现的问题。及时赋予监控视频以“智慧”，是目前工业界和学界都关注的问题。

车辆异常停驶是其中最被关注的交通事件之一，这是因为相比正在行驶的车辆，停驶的车辆更有可能发生或已经发生交通事件，需要及时解决城市道路车辆异常停驶检测处理方法，防患于未然。

因此，有必要发明一种基于实时视频的城市道路车辆异常停驶检测方法。

技术实现要素：

本发明所要解决的技术问题是：提出一种基于实时视频的城市道路车辆异常停驶检测方法，该方法既能实时检测到监控区域是否出现异常停驶事件，也能检测到异常车辆的当前位置。

本发明采用的技术方案是：包括摄像头和计算机，所述摄像头采集道路的视频图像，通过计算机处理视频图像判断城市道路车辆有否异常停驶；

所述基于实时视频的城市道路车辆异常停驶检测方法，检测方法如下步骤：

s10.摄像头采集道路的视频图像，利用背景模型，生成实时视频的静态帧并实时更新；

所述背景模型的数学表达式如下：

sframe(t)＝(1-α)·sframe(t-1)+α·frame(t)

其中，t为时间序列索引，

sframe(t)为当前静态帧，

frame(t)为前视频帧，

α为学习率，α为0到1之间的分数，

所述学习率取值越大静态帧更新的变化程度越大。

s20.所述静态帧能够学习到视频中静止的目标，将每一静态帧与相同时间序列的视频帧所对应；

s30.使用深度学习fast-rcnn或者yolo目标检测算法，分别检测静态帧和视频帧中的车辆目标的检测模型；

s40.使用所述步骤s30得到的目标框，计算静态帧与视频帧中各目标的区域交叠度，计算方法如下：

其中，o1表示静态帧的目标框的区域面积，

o2表示视频帧的目标框的区域面积；

s50.所述步骤s40计算得到区域交叠度，判断异常停驶的过程如下：

所述静态帧的目标框，存在与之交叠的视频帧的目标框，且两者的区域交叠度大于设定的设定阈值，则判断当前时刻存在停驶车辆，

并且将视频帧中对应的目标框定为当前时刻异常停驶的车辆目标位置判断异常停驶的目标位置。

进一步方案为，所述步骤s30中的检测模型生成过程如下：

s31.准备常见交通目标图像数据，包括小车、卡车、公交车等；

s32.使用深度学习fast-rcnn或者yolo目标检测框架进行训练，生成检测模型；

s33.使用生成的检测模型进行目标检测。

进一步方案为，所述步骤s30中静态帧或视频帧中若未检测到车辆，则当前时刻并不存在车辆异常停驶事件。

进一步方案为，根据所述步骤50的判定结果，将触发事件的车辆目标在视频帧中框出，并输出结果视频给计算机储存或相关交通部门。

进一步方案为，所述设定阈值范围为0.5-0.95。

本发明实施例提供的技术方案带来的有益效果是：利用背景模型，生成实时视频的静态帧并实时更新，利用深度学习目标检测算法检测静态帧和视频帧中的车辆目标，通过目标框并计算静态帧与视频帧中各目标的区域交叠度，检测判断城市道路车辆是否异常停驶；

1、应用场景广泛，静态帧的实时更新和目标检测算法的灵活搭配使得本方法具有很强的鲁棒性和稳定性，可以有效的应用于各种场景；

2、扩展性强，本方法能够返回发生停驶事件车辆的精确目标框，具备结合多源数据建模分析交通态势的潜力；

3、实时性强，本方法能够及时发现和处理异常停驶事件。

附图说明：

图1为本发明工作原理流程示意图；

图2为本发明小车目标框异常停驶计算机界面示意图；

图3本发明货车目标框异常停驶计算机界面示意图。

具体实施方式

为了更充分理解本发明的技术内容，下面结合附图和具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。

参见图1至图3所示，一种基于实时视频的城市道路车辆异常停驶检测方法，包括摄像头和计算机，摄像头采集道路的视频图像，通过计算机处理视频图像判断城市道路车辆有否异常停驶；

如图1所示，基于实时视频的城市道路车辆异常停驶检测方法，检测方法如下步骤：

s10.摄像头采集道路的视频图像，利用背景模型，生成实时视频的静态帧并实时更新；

背景模型的数学表达式如下：

sframe(t)＝(1-α)·sframe(t-1)+α·frame(t)

其中，t为时间序列索引，

sframe(t)为当前静态帧，

frame(t)为前视频帧，

α为学习率，α为0到1之间的分数，

学习率取值越大静态帧更新的变化程度越大。

s20.静态帧能够学习到视频中静止的目标，将每一静态帧与相同时间序列的视频帧所对应；

s30.使用深度学习fast-rcnn或者yolo目标检测算法，分别检测静态帧和视频帧中的车辆目标的检测模型；

s40.使用步骤s30得到的目标框，计算静态帧与视频帧中各目标的区域交叠度，计算方法如下：

其中，o1表示静态帧的目标框的区域面积，

o2表示视频帧的目标框的区域面积；

s50.步骤s40计算得到区域交叠度，判断异常停驶的过程如下：

静态帧的目标框，存在与之交叠的视频帧的目标框，且两者的区域交叠度大于设定的设定阈值，设定阈值范围为0.5-0.95，则判断当前时刻存在停驶车辆，

并且将视频帧中对应的目标框定为当前时刻异常停驶的车辆目标位置判断异常停驶的目标位置。

进一步地，如图2和图3所示，步骤s30中的检测模型生成过程如下：

s31.准备常见交通目标图像数据，包括小车、卡车、公交车等，能行驶在公路上；

s32.使用深度学习fast-rcnn或者yolo目标检测框架进行训练，生成检测模型；

s33.使用生成的检测模型进行目标检测。

进一步地，步骤s30中静态帧或视频帧中若未检测到车辆，则当前时刻并不存在车辆异常停驶事件。

进一步地，如图2和图3所示，根据步骤50的判定结果，将触发事件的车辆目标在视频帧中框出，并输出结果视频给计算机储存或相关相关交通部门，及时控制异常停驶车辆。

本发明利用背景模型，生成实时视频的静态帧并实时更新，利用深度学习目标检测算法检测静态帧和视频帧中的车辆目标，通过目标框并计算静态帧与视频帧中各目标的区域交叠度，检测判断城市道路车辆是否异常停驶；

1、应用场景广泛，静态帧的实时更新和目标检测算法的灵活搭配使得本方法具有很强的鲁棒性和稳定性，可以有效的应用于各种场景；

2、扩展性强，本方法能够返回发生停驶事件车辆的精确目标框，具备结合多源数据建模分析交通态势的潜力；

3、实时性强，本方法能够及时发现和处理异常停驶事件。

以上所述仅为本专利优选实施方式，并非限制本专利范围，凡是利用说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其它相关的技术领域，均属于本专利保护范围。