一种高速公路车辆异常停驶检测方法

技术领域

本发明涉及高速车辆领域，特别涉及一种高速公路车辆异常停驶检测方法。

背景技术

目前高速公路基于视频的车辆异常停驶检测方法，通常采用对边端监控相机人工设定检测区域的方式进行监测车辆异常停驶行为，由于球机自带转动效果，在发生转动后，监控场景变化，已人工干预设定的区域与新场景不匹配，易导致检测误报，同时人工干预维护工作量大，球机转动视野变化，则需要人工重新设定监控区域。

本申请发明人在对高速公路车辆是否异常停驶监测的过程中，发现上述技术至少存在如下技术问题：

目前高速公路车辆异常停驶检测，靠人工事先标定检测区域的方式进行，球机转动，则标定区域不适用新场景，易误检，维护成本高，操作不便捷，为此，我们提出一种高速公路车辆异常停驶检测方法来解决上述问题。

发明内容

本发明的主要目的在于提供一种高速公路车辆异常停驶检测方法，本发明无需人工干预，不固定检测范围，全量智能检测视频监控范围。首先利用目标检测算法检测出车辆，然后在对目标车辆的位移进行监测，在一定的时间内位移未发生移动的次数达到一定的阈值，来判断车辆是否异常停驶，达到高速公路车辆异常停驶智能检测的目的。

为实现上述目的，本发明采取的技术方案为：

一种高速公路车辆异常停驶检测方法，具体检测步骤如下：

步骤一、从高速公路摄像机获取图片帧；

步骤二、构建事先训练好的车辆检测模型；

步骤三、车辆检测：将摄像头的视频帧图像放缩到指定大小，然后输入模型检测出车辆位置；

步骤四、车辆异常停驶判断步骤如下：

第一步，获取车辆状态；

第二步，判断车辆异常停驶，判断车辆停驶的次数是否达到设定的阈值，若达到设定的阈值则判断出车辆发生了异常停驶的行为。

优选的，所述步骤一中把图片输入事先训练好的车辆目标检测模型，以对获取的图片检查出车辆目标，获取车辆目标的位置信息，以此作为判断基点，连续循环抽取图片帧，检测车辆目标的位置信息，对比位置信息在一定的时间内是否发生位置偏移，若在一定的时间内，位置信息未发生偏移的次数达到设定的阈值，则判断车辆出现异常停驶的行为。

优选的，所述步骤二中车辆建模：包括模型修改和模型训练，

模型修改：本专利模型是在YOLOv5基础上进行修改，针对本专利的使用场景，减少特征提取单元的数目，简化模型，使得模型处理单帧图像的时间降低；

模型训练：需要用大量的包含车辆高速公路图像，标注得到训练标签，标签转换，利用标注好的label和原图，经过训练，得到一个车辆检测模型。

优选的，所述步骤二中YOLOv5就是作为一款对图像进行检测、分类和定位的iOS端APP进入人们的视野，而且APP还是由YOLOv5的作者亲自开发。

优选的，所述步骤四中车辆异常检测：以第一帧图像中检测出的车辆位置信息为基准，连续抽取多帧图片，每一帧图像检测出的车辆位置信息与第一帧图像的车辆位置信息进行比较，判断位置信息是否发生位移，若位置信息差值在很小的范围内，则判断车辆状态为停驶。

优选的，所述步骤四中车辆异常检测：在第一步的基础上获得车辆的状态为停驶并进行计数，在一定的时间内，车辆连续停驶的次数达到设定的阈值时，则判断为车辆发生了异常停驶的行为。

优选的，从监控系统获取相机视频流数据，进行抽帧处理得到待处理图片，把待处理的图片输入到预先训练好的车辆检测模型中，获取车辆位置信息，并把第一帧图像中检测出的车辆位置信息为基准。

优选的，从监控系统连续抽取多帧图片，输入到车辆检测模型中，获取车辆位置信息，并与第一帧车辆位置信息进行比较，判断位置信息是否发生位移，若位置信息差值在很小的范围内，则判断车辆状态为停驶并计数。

与现有技术相比，本发明具有如下有益效果：

本发明实现全量智能检测视频监控范围，无需人工干预，不固定检测范围，不受球机转动影响检测结果，创新点是不固定检测区域、不需要人工干预标定、相机转动不影响检测，通用性更强。

附图说明

图1为本发明一种高速公路车辆异常停驶检测方法的整体结构图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

一种高速公路车辆异常停驶检测方法，具体检测步骤如下，

步骤一、从高速公路摄像机获取图片帧：

把图片输入事先训练好的车辆目标检测模型，以对获取的图片检查出车辆目标，获取车辆目标的位置信息，以此作为判断基点，连续循环抽取图片帧，检测车辆目标的位置信息，对比位置信息在一定的时间内是否发生位置偏移，若在一定的时间内，位置信息未发生偏移的次数达到设定的阈值，则判断车辆出现异常停驶的行为；

步骤二、事先训练好的车辆检测模型构建步骤如下：

模型修改：本专利模型是在YOLOv5基础上进行修改，其中YOLOv5就是作为一款对图像进行检测、分类和定位的iOS端APP进入人们的视野，而且APP还是由YOLOv5的作者亲自开发，针对本专利的使用场景，减少特征提取单元的数目，简化模型，使得模型处理单帧图像的时间降低；

模型训练：需要用大量的包含车辆高速公路图像，标注得到训练标签，标签转换，利用标注好的label和原图，经过训练，得到一个车辆检测模型；

步骤三、车辆检测：将摄像头的视频帧图像放缩到指定大小，然后输入模型检测出车辆位置；

步骤四、车辆异常停驶判断步骤如下：

第一步，获取车辆状态：

以第一帧图像中检测出的车辆位置信息为基准，连续抽取多帧图片，每一帧图像检测出的车辆位置信息与第一帧图像的车辆位置信息进行比较，判断位置信息是否发生位移，若位置信息差值在很小的范围内，则判断车辆状态为停驶；

第二步，判断车辆异常停驶：

在第一步的基础上获得车辆的状态为停驶并进行计数，在一定的时间内，车辆连续停驶的次数达到设定的阈值时，则判断为车辆发生了异常停驶的行为。

实施例1

从监控系统获取相机视频流数据，进行抽帧处理得到待处理图片，把待处理的图片输入到预先训练好的车辆检测模型中，获取车辆位置信息，并把第一帧图像中检测出的车辆位置信息为基准。

实施例2

从监控系统连续抽取多帧图片，输入到车辆检测模型中，获取车辆位置信息，并与第一帧车辆位置信息进行比较，判断位置信息是否发生位移，若位置信息差值在很小的范围内，则判断车辆状态为停驶并计数。

实施例3

判断车辆停驶的次数是否达到设定的阈值，若达到设定的阈值则判断出车辆发生了异常停驶的行为。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。