一种车位上车辆驶出状态误判的检测方法及装置

技术领域

本发明涉及图像处理、智慧停车、车位检测，特别涉及一种车位上车辆驶出状态误判的检测方法及装置。

背景技术

随着经济的快速发展，车辆数量与日俱增，停车难问题日益突出。车位检测方法可以有效的解决车位资源有限的问题，提高停车场车位的使用率。

现有的基于计算机视觉的车位上车辆状态检测方法，针对并列的垂直多车位，如果出现非垂直车辆停靠遮挡住垂直多车位上的车辆的情况，会出现垂直多车位上的车辆被误判为驶出状态，从而造成该车位状态误报。

综上所述，目前迫切需要提出一种解决上述问题的车位上车辆驶出状态误判的检测方法。

发明内容

有鉴于此，本发明的主要目的在于提供一种车位上车辆驶出状态误判的检测方法，能够实现精度和速度并重。

为达到上述目的，按照本发明的第一个方面，提供了一种车位上车辆驶出状态误判的检测方法，该方法包括：

第一步骤，采用yolov5s网络，输入垂直停车车辆和非垂直停车车辆的样本图像，获取训练好的车检模型；

第二步骤，输入停车场的视频图像，采用训练好的车检模型进行车检，获取垂直停车车辆矩形框和非垂直停车车辆矩形框；根据每帧停车场的视频图像中垂直停车车辆矩形框，获取垂直停车车辆的目标轨迹；

第三步骤，输入当前帧停车场的视频图像，判断垂直停车车辆是否丢失，判断非垂直停车车辆是否为过路车辆；

第四步骤，如果垂直停车车辆丢失，且非垂直停车车辆为过路车辆，则计算垂直停车车辆矩形框和非垂直停车车辆矩形框的交并比；如果交并比大于第一阈值，则垂直停车车辆状态不改变；否则统计垂直停车车辆丢失时间和丢失帧数，如果丢失时间大于第二阈值并且丢失帧数大于第三阈值，则输出垂直停车车辆为驶出状态，否则垂直停车车辆状态不改变；

第五步骤，如果垂直停车车辆未丢失，则输出垂直停车车辆为停稳状态。

进一步地，所述第一步骤包括：采用yolov5s网络，网络输入尺度为448*256，输出为2类，一类是垂直停车车辆，一类是非垂直停车车辆；在yolov5s网络，输入垂直停车车辆和非垂直停车车辆的样本图像进行训练，直至收敛，得到训练好的车检模型。

进一步地，所述第三步骤包括：

当前帧视频图像输入步骤，输入当前帧停车场的视频图像；

垂直停车车辆丢失判断步骤，如果未检测到垂直停车车辆矩形框，但垂直停车车辆的目标轨迹存在，则认为垂直停车车辆丢失；

过路车辆判断步骤，获取非垂直停车车辆矩形框的宽度W、下边界坐标Y

其中，所述λ

进一步地，所述第四步骤包括：

过路车辆响应步骤，如果垂直停车车辆丢失，并且非垂直停车车辆为过路车辆，则转入交并比计算和车辆状态判断步骤；如果垂直停车车辆丢失，非垂直停车车辆不是过路车辆，则转入车辆丢失统计和车辆状态判断步骤；

交并比计算和车辆状态判断步骤，计算垂直停车车辆矩形框和非垂直停车车辆矩形框的交并比；如果交并比大于第一阈值，则认为垂直停车车辆被过路车辆遮挡，标记垂直停车车辆被遮挡，垂直停车车辆状态不改变，否则转入车辆丢失统计和车辆状态判断步骤；

车辆丢失统计和车辆状态判断步骤，统计垂直停车车辆丢失时间和丢失帧数，如果丢失时间大于第二阈值并且丢失帧数大于第三阈值，则输出垂直停车车辆为驶出状态，否则垂直停车车辆状态不改变。

按照本发明的另一个方面，提供了一种车位上车辆驶出状态误判的检测装置，该装置包括：

车检模型训练模块，用于采用yolov5s网络，输入垂直停车车辆和非垂直停车车辆的样本图像，获取训练好的车检模型；

垂直停车车辆和非垂直停车车辆获取模块，用于输入停车场的视频图像，采用训练好的车检模型进行车检，获取垂直停车车辆矩形框和非垂直停车车辆矩形框；根据每帧停车场的视频图像中垂直停车车辆矩形框，获取垂直停车车辆的目标轨迹；

车辆丢失和过路车辆判断模块，用于输入当前帧停车场的视频图像，判断垂直停车车辆是否丢失，判断非垂直停车车辆是否为过路车辆；

车辆丢失时车辆状态判断模块，用于如果垂直停车车辆丢失，且非垂直停车车辆为过路车辆，则计算垂直停车车辆矩形框和非垂直停车车辆矩形框的交并比；如果交并比大于第一阈值，则垂直停车车辆状态不改变；否则统计垂直停车车辆丢失时间和丢失帧数，如果丢失时间大于第二阈值并且丢失帧数大于第三阈值，则输出垂直停车车辆为驶出状态，否则垂直停车车辆状态不改变；

车辆未丢失时车辆状态判断模块，用于如果垂直停车车辆未丢失，则输出垂直停车车辆为停稳状态。

进一步地，所述车检模型训练模块包括：用于采用yolov5s网络，网络输入尺度为448*256，输出为2类，一类是垂直停车车辆，一类是非垂直停车车辆；在yolov5s网络，输入垂直停车车辆和非垂直停车车辆的样本图像进行训练，直至收敛，得到训练好的车检模型。

进一步地，所述车辆丢失和过路车辆判断模块包括：

当前帧视频图像输入模块，用于输入当前帧停车场的视频图像；

垂直停车车辆丢失判断模块，用于如果未检测到垂直停车车辆矩形框，但垂直停车车辆的目标轨迹存在，则认为垂直停车车辆丢失；

过路车辆判断模块，用于获取非垂直停车车辆矩形框的宽度W、下边界坐标Y

其中，所述λ

进一步地，所述车辆丢失时车辆状态判断模块包括：

过路车辆响应模块，用于如果垂直停车车辆丢失，并且非垂直停车车辆为过路车辆，则转入交并比计算和车辆状态判断模块；如果垂直停车车辆丢失，非垂直停车车辆不是过路车辆，则转入车辆丢失统计和车辆状态判断模块；

交并比计算和车辆状态判断模块，用于计算垂直停车车辆矩形框和非垂直停车车辆矩形框的交并比；如果交并比大于第一阈值，则认为垂直停车车辆被过路车辆遮挡，标记垂直停车车辆被遮挡，垂直停车车辆状态不改变，否则转入车辆丢失统计和车辆状态判断模块；

车辆丢失统计和车辆状态判断模块，用于统计垂直停车车辆丢失时间和丢失帧数，如果丢失时间大于第二阈值并且丢失帧数大于第三阈值，则输出垂直停车车辆为驶出状态，否则垂直停车车辆状态不改变。

与现有的车辆状态检测技术相比，本发明的一种车位上车辆驶出状态误判的检测方法的优点在于：可以有效地检测出由于非垂直车辆停靠遮挡，而造成的车位上车辆驶出状态误判的情况。

附图说明

图1示出了按照本发明的一种车位上车辆驶出状态误判的检测方法的流程图。

图2示出了按照本发明的一种车位上车辆驶出状态误判的检测装置的框架图。

实施方式

为使本领域的技术人员能进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。

图1给出了按照本发明的一种车位上车辆驶出状态误判的检测方法的流程图。如图1所示，按照本发明的一种车位上车辆驶出状态误判的检测方法包括：

第一步骤S1，采用yolov5s网络，输入垂直停车车辆和非垂直停车车辆的样本图像，获取训练好的车检模型；

第二步骤S2，输入停车场的视频图像，采用训练好的车检模型进行车检，获取垂直停车车辆矩形框和非垂直停车车辆矩形框；根据每帧停车场的视频图像中垂直停车车辆矩形框，获取垂直停车车辆的目标轨迹；

第三步骤S3，输入当前帧停车场的视频图像，判断垂直停车车辆是否丢失，判断非垂直停车车辆是否为过路车辆；

第四步骤S4，如果垂直停车车辆丢失，且非垂直停车车辆为过路车辆，则计算垂直停车车辆矩形框和非垂直停车车辆矩形框的交并比；如果交并比大于第一阈值，则垂直停车车辆状态不改变；否则统计垂直停车车辆丢失时间和丢失帧数，如果丢失时间大于第二阈值并且丢失帧数大于第三阈值，则输出垂直停车车辆为驶出状态，否则垂直停车车辆状态不改变；

第五步骤S5，如果垂直停车车辆未丢失，则输出垂直停车车辆为停稳状态。

进一步地，所述第一步骤S1包括：采用yolov5s网络，网络输入尺度为448*256，输出为2类，一类是垂直停车车辆，一类是非垂直停车车辆；在yolov5s网络，输入垂直停车车辆和非垂直停车车辆的样本图像进行训练，直至收敛，得到训练好的车检模型。

所述垂直停车车辆、非垂直停车车辆的样本图像分别是指已标记垂直停车、非垂直停车的车辆图像，所述垂直停车车辆、非垂直停车车辆的样本图像的尺度为448*256。

其中，所述yolov5s网络是开源的网络架构。

进一步地，所述第三步骤S3包括：

当前帧视频图像输入步骤S31，输入当前帧停车场的视频图像；

垂直停车车辆丢失判断步骤S32，如果未检测到垂直停车车辆矩形框，但垂直停车车辆的目标轨迹存在，则认为垂直停车车辆丢失；

过路车辆判断步骤S33，获取非垂直停车车辆矩形框的宽度W、下边界坐标Y

其中，所述λ

进一步地，所述第四步骤S4包括：

过路车辆响应步骤S41，如果垂直停车车辆丢失，并且非垂直停车车辆为过路车辆，则转入交并比计算和车辆状态判断步骤S42；如果垂直停车车辆丢失，非垂直停车车辆不是过路车辆，则转入车辆丢失统计和车辆状态判断步骤S43；

交并比计算和车辆状态判断步骤S42，计算垂直停车车辆矩形框和非垂直停车车辆矩形框的交并比；如果交并比大于第一阈值，则认为垂直停车车辆被过路车辆遮挡，标记垂直停车车辆被遮挡，垂直停车车辆状态不改变，否则转入车辆丢失统计和车辆状态判断步骤S43；

车辆丢失统计和车辆状态判断步骤S43，统计垂直停车车辆丢失时间和丢失帧数，如果丢失时间大于第二阈值并且丢失帧数大于第三阈值，则输出垂直停车车辆为驶出状态，否则垂直停车车辆状态不改变。

其中，所述第一阈值的取值范围为0.35~0.45。示例性地，所述第一阈值选为0.4。所述第二阈值的取值范围为1~20秒，所述第三阈值的取值范围为20~100帧。示例性地，所述第二阈值选为5秒，所述第三阈值选为50帧。

图2给出了按照本发明的一种车位上车辆驶出状态误判的检测装置的框架图。如图2所示，按照本发明的一种车位上车辆驶出状态误判的检测装置包括：

车检模型训练模块1，用于采用yolov5s网络，输入垂直停车车辆和非垂直停车车辆的样本图像，获取训练好的车检模型；

垂直停车车辆和非垂直停车车辆获取模块2，用于输入停车场的视频图像，采用训练好的车检模型进行车检，获取垂直停车车辆矩形框和非垂直停车车辆矩形框；根据每帧停车场的视频图像中垂直停车车辆矩形框，获取垂直停车车辆的目标轨迹；

车辆丢失和过路车辆判断模块3，用于输入当前帧停车场的视频图像，判断垂直停车车辆是否丢失，判断非垂直停车车辆是否为过路车辆；

车辆丢失时车辆状态判断模块4，用于如果垂直停车车辆丢失，且非垂直停车车辆为过路车辆，则计算垂直停车车辆矩形框和非垂直停车车辆矩形框的交并比；如果交并比大于第一阈值，则垂直停车车辆状态不改变；否则统计垂直停车车辆丢失时间和丢失帧数，如果丢失时间大于第二阈值并且丢失帧数大于第三阈值，则输出垂直停车车辆为驶出状态，否则垂直停车车辆状态不改变；

车辆未丢失时车辆状态判断模块5，用于如果垂直停车车辆未丢失，则输出垂直停车车辆为停稳状态。

进一步地，所述车检模型训练模块1包括：用于采用yolov5s网络，网络输入尺度为448*256，输出为2类，一类是垂直停车车辆，一类是非垂直停车车辆；在yolov5s网络，输入垂直停车车辆和非垂直停车车辆的样本图像进行训练，直至收敛，得到训练好的车检模型。

所述垂直停车车辆、非垂直停车车辆的样本图像分别是指已标记垂直停车、非垂直停车的车辆图像，所述垂直停车车辆、非垂直停车车辆的样本图像的尺度为448*256。

其中，所述yolov5s网络是开源的网络架构。

进一步地，所述车辆丢失和过路车辆判断模块3包括：

当前帧视频图像输入模块31，用于输入当前帧停车场的视频图像；

垂直停车车辆丢失判断模块32，用于如果未检测到垂直停车车辆矩形框，但垂直停车车辆的目标轨迹存在，则认为垂直停车车辆丢失；

过路车辆判断模块33，用于获取非垂直停车车辆矩形框的宽度W、下边界坐标Y

其中，所述λ

进一步地，所述车辆丢失时车辆状态判断模块4包括：

过路车辆响应模块41，用于如果垂直停车车辆丢失，并且非垂直停车车辆为过路车辆，则转入交并比计算和车辆状态判断模块42；如果垂直停车车辆丢失，非垂直停车车辆不是过路车辆，则转入车辆丢失统计和车辆状态判断模块43；

交并比计算和车辆状态判断模块42，用于计算垂直停车车辆矩形框和非垂直停车车辆矩形框的交并比；如果交并比大于第一阈值，则认为垂直停车车辆被过路车辆遮挡，标记垂直停车车辆被遮挡，垂直停车车辆状态不改变，否则转入车辆丢失统计和车辆状态判断模块43；

车辆丢失统计和车辆状态判断模块43，用于统计垂直停车车辆丢失时间和丢失帧数，如果丢失时间大于第二阈值并且丢失帧数大于第三阈值，则输出垂直停车车辆为驶出状态，否则垂直停车车辆状态不改变。

其中，所述第一阈值的取值范围为0.35~0.45。示例性地，所述第一阈值选为0.4。所述第二阈值的取值范围为1~20秒，所述第三阈值的取值范围为20~100帧。示例性地，所述第二阈值选为5秒，所述第三阈值选为50帧。

与现有的车辆状态检测技术相比，本发明的一种车位上车辆驶出状态误判的检测方法的优点在于：可以有效地检测出由于非垂直车辆停靠遮挡，而造成的车位上车辆驶出状态误判的情况。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。