(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111665332.8 (22)申请日 2021.12.31 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 申请人 星际(重庆)智能装备技 术研究院有 限公司　 迪比(重庆)智能科技研究院有限公 司 (72)发明人 宋永端　陈欢　庞思袁　凌凯　 赵梦雯　卫佳　王攀　程霜雄　 魏大创　廖昕怡　 (74)专利代理 机构 重庆晟轩知识产权代理事务 所(普通合伙) 50238 代理人 王海凤(51)Int.Cl. G06V 20/40(2022.01) G06V 10/22(2022.01) G06V 10/25(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 融合传统停车检测与神经网络的隧道停车 事件检测方法 (57)摘要 本发明涉及融合传统停车检测与神经网络 的隧道停车事件检测方法， 从高速公路隧道不同 场景下的摄像头采集行车视频， 获取该视频的中 的图片并进行标注得到VOC 数据集； 对VOC 数据集 中的图片进行聚类， 得到每种车辆类别最适合的 车辆目标边界框尺寸并将该尺寸作为SSD神经网 络中Anchor尺寸； 构建并训练基于SSD神经网络 的车辆识别模 型得到最优车辆识别模 型； 将一段 待检测视频输入传统的停车检测算法后得到的 存在固定前景目标图片的对应视频帧图片作为 待预测图片将待预测图片作为输入最优车辆识 别模型得到判定结果。 本发明方法相对于传统的 停车事件检测算法具有更高的准确率。 权利要求书3页 说明书8页 附图1页 CN 114299438 A 2022.04.08 CN 114299438 A 1.融合传统停车检测与神经网络的隧道停车事件检测方法， 其特征在于， 包括如下步 骤： S1： 从高速公路隧道不同场景下的摄像头采集行车视频， 按照固定帧率截取图片并保 存， 收集多张图片作为数据集； 采用图像标注工具对数据集中每张图片中的车辆目标进行标注， 标注内容包括车辆类 别和包围该 车辆目标边界框的坐标值， 所有标注后的图片作为 一号样本构成VOC数据集； S2： 对S1得到VOC数据 集中的每张图片中标注的包围该车辆目标边界框进行聚类， 得到 每种车辆类别最适合的车辆目标边界框尺寸， 并将每种车辆类别最适合的车辆目标边界框 尺寸作为S SD神经网络中Anc hor尺寸； S3： 构建并训练基于S SD神经网络的车辆识别模型， 所述车辆识别模型的结构为： 选择VGG16作为骨干网络， 通过使用小尺寸卷积核替代大尺寸卷积核； 并对VGG16做了如下修改： 先去掉VGG16最后用于分类的全连接层， 剩下的两个全连接 层fc6和fc 7对应的改为卷积层Conv6和Conv7， 然后额外添加了4个卷积层， 命名为Conv8_2、 Conv9_2、 Conv10_2、 Conv11_2， 最后选取Conv4 ‑3、 Conv7、 Conv8 ‑2、 Conv9‑2、 Conv10 ‑2、 Conv11‑2共6个卷积层形成特 征金字塔多尺度检测结构； 将S2中得到 的SSD神经网络中Anchor尺寸作为车辆识别模型的尺寸， 并采用一号样本 训练车辆识别模型 得到最优车辆识别模型； S4： 将一段待检测视频输入传统的停车检测算法后， 得到的存在固定前景目标图片的 对应视频帧图片作为待预测图片， 将待预测图片作为输入传给最优车辆识别模型； S5： 最优车辆识别模型通过两次判断， 得到所述待检测视频中的车辆目标是否是隧道 停车事件。 2.如权利要求1所述的融合传统停车检测与神经网络的隧道停车事件检测方法， 其特 征在于： 所述S2中的对VOC数据集中的图片进行聚类选取SSD神经网络中合适的Anchor尺寸 的步骤如下： S21： 提取每 个一号样本中包围车辆目标边界框的长 宽尺度信息 S22： 将每个一号样本中包围车辆目标边界框的长宽尺度信息和一号样本中车辆类别 对应的车辆目标尺寸信息作为二号样本得到二号样本集， 采用K ‑Means聚类算法对二号样 本集中的所有二 号样本进行聚类， 步骤如下： S221： 从二号样本集中任意选择B个二号样本作为初始聚类 中心， 每个初始聚类中心作 为一个簇的簇中心； S222： 计算二号样本集中其余所有二号样本到这B个初始聚类 中心的距离， 并将二号样 本分配到距离其 最近的簇， 距离计算公式为： di,c＝1‑IOU(i,c)      (1)； 式中， di,c表示第i个二号样本到第c个簇中心的距离， i表示第i个二号样本， c表示第c 个簇中心， IOU表示 二号样本与簇中心的面积的交并比； S223： 计算第c个簇中每个二号样本到簇中心距离的平均值 将最接近 的di,c所对 应的第i个二 号样本作为第c个簇的新簇中心； S224： 计算第c个簇的新簇中心与第c个簇的初始聚类中心簇中心之间的距离d；权　利　要　求　书 1/3 页 2 CN 114299438 A 2S225： 判断d是否小于设置的阈值或是否达到最大迭代次数， 如果d小于设置的阈值则 退出， 否则将第c个簇的新簇中心更新初始聚类中心， 返回S2 22； 如果当前迭代次数到达最大迭代次数， 则退出， 否则将第c个簇的新簇中心更新初始聚 类中心， 返回S2 22。 3.如权利要求1或2所述的融合传统停车检测与神经网络的隧道停车事件检测方法， 其 特征在于： 所述S3中采用一 号样本训练车辆识别模型 得到最优车辆识别模型的过程如下： S31： 使用ImageNet大规模分类数据集对车辆识别模型进行预训练得到次优车辆识别 模型， 在次优车辆识别模型的基础上， 对上述VGG16网络各层进行初始化， 其中对新增层采 用Xavier方法进行初始化； S32： 将SSD神经网络中类别总数修改为2； S33： 将一号样本集中的所有一号样本输入次优车辆识别模型， 计算当前迭代的损失， 根据损失使用随机梯度下降法更新次优车辆识别模型的参数； S34： 判断是否达到最大迭代次数， 如果达到则当前次优车辆识别模型为最优车辆识别 模型， 否则返回S3 3。 4.如权利要求3所述的融合传统停车检测与神经网络的隧道停车事件检测方法， 其特 征在于： 所述S 5中最优车辆识别模型得到待检测视频中的车辆目标是否是隧道停车事件的 过程如下： S51： 在给定置信度阈值下得到初步检测结果， 通过优车辆识别 模型识别图片中的车辆 目标并获取车辆目标边界框坐标信息(x1,y1,x2,y2)， 其中(x1,y1)表示车辆目标边界框左 上角坐标， (x2,y2)表示车辆目标边界框右下角坐标； S52： 计算车辆目标边界框面积A rea_Det， 公式A rea_Det具体表现形式为： Area_Det＝(x2 ‑x1)(y2‑y1)      (2)； S53： 统计车辆目标边界框内的停车前景像素点个数Q， 来表示固定前景目标在检测框 内所占的面积； S54： 统计车辆目标边界框内停车目标 前景的占比P， 前 景占比P公式表示 为： 通过车辆目标边界框的坐标去遍历固定前景目标图片， 如果占比P超过设定阈值T， 则 判定该车辆目标存在隧道 停车事件， 否则判定不存在隧道 停车事件。 5.如权利要求3所述的融合传统停车检测与神经网络的隧道停车事件检测方法， 其特 征在于： 所述S3 3计算当前迭代的损失的步骤如下： 当前迭代的损失函数loss由位置损失函数loc和置信损失函数conf的加权和表示， 其 公式表示 为： 其中， α用于调整位置损失函数loc和置信损失函数conf之间的比例， N是Anchor匹配到 标注框的默认框总数， 如果N为0， 则定义损失函数loss为0， 位置损失是一号样本经次优车 辆识别模型输出的预测框和标注的包围该车辆目标边界框之间的平滑损失smoothL1， 默认 框d的中心为(cx,cy)， 宽度为 w， 高度为h， 位置损失函数如下：权　利　要　求　书 2/3 页 3 CN 114299438 A 3