申请/专利权人：浙江工业大学

申请日：2020-08-26

公开（公告）日：2024-06-21

公开（公告）号：CN112084900B

主分类号：G06V20/52

分类号：G06V20/52;G06V20/62;G06V10/44;G06V10/48;G06V30/19;G06V10/764;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2021.01.01#实质审查的生效;2020.12.15#公开

摘要：一种基于视频分析的地下车库乱停检测方法，获取视频，截取得到图片集合；使用YOLOv3模型对图片进行目标检测，检测出车头、车侧、车尾、车牌和停车线区域；如果检测到车侧或车尾，则将该车辆标记为乱停，并记录；对停车线区域进行一系列图像处理操作，进行直线检测并过滤得到停车线；根据停车线的交点得到停车位的角点，并进行停车位与车辆的匹配；使用越线检测算法对车头框的中心点和对应停车位的两个角点的坐标进行越线的检测，若越线记录相关信息。通过本发明的方法能够使用目标检测和图像处理方法，依托自动巡逻的机器人检测出地下车库的乱停车行为。

主权项：1.一种基于视频分析的地下车库乱停检测方法，其特征在于，所述方法包括以下步骤：步骤1：自动巡航机器人通过摄像头获取车库视频；步骤2：视频每隔一定帧进行截取得到图片集合P＝{Pi|i＝1,2,…,nP}；步骤3：使用YOLOv3模型对每张图片Pi进行车头、车侧、车尾、车牌和停车线的目标检测；步骤4：若角点矩形区域光照不均，对其进行光照补偿，通过直方图均衡化，对图像进行矫正；步骤5：采用自适应均值方法对每个区域Rt的子图像进行二值化；步骤6：对每个区域Rt的子图像进行角点检测；步骤7：根据角点矩形区域集合A中所有角点区域的角点坐标，将它们按照横坐标排序，从而构成有序的角点坐标集Q＝{xt,yt|t＝1,2,…,m}；步骤8：若m＝1，则无车位；否则，得车位集合Y＝{xiL,yiL,xiR,yiR|i＝1,2,…,nY}； 且xiL,yiL和xiR,yiR在Q中前后相邻8其中，其中xiL,yiL表示第i个停车位的左角点坐标，xiR,yiR表示第i个停车位的右角点坐标，δ0和δ1分别表示事先标定的车位最小宽度和最大宽度，单位为像素；步骤9：根据边界框集合C＝{aj,bj,wj,hj|j＝1,2,…,nC}和车位集合Y＝{xiL,yiL,xiR,yiR|i＝1,2,…,nY}进行越线检测；所述步骤3的过程如下：步骤3.1：检测出图片Pi的车辆区域，获得边界框集合C＝{aj,bj,wj,hj|j＝1,2,…,nC},其中aj,bj为边界框左上角点坐标，wj为边界框的宽，hj为边界框的高；步骤3.2：从C中删除满足公式1的边界框元素； 其中x0和x1分别为截取图片的左边界横坐标和右边界横坐标；步骤3.2：如果检测出车侧，则将该车辆标记为乱停并记录，从C中删除对应的边界框元素；步骤3.3：如果检测出车尾，则将该车辆标记为乱停，通过深度学习模型检测出乱停车辆中车牌区域，识别车牌信息并记录，从C中删除对应的边界框元素；步骤3.4：若图片Pi对应的C为空，删除Pi；步骤3.5：通过深度学习模型检测出停车位角点区域，并将检测到的m个角点矩形区域集合记为A＝{Rt|t＝1,2,…,m}，其中，Rt表示第t个角点矩形区域；所述步骤9的过程如下：步骤9.1：计算每个边界框Cj的中点横坐标Mj＝aj+wj2，满足公式9的Yi为其对应车位，否则将该车辆标记为乱停,记录下车牌信息；xiL≤Mj≤xiR9步骤9.2：对已经匹配好对应车位的车头，进行越线检测，把边界框满足公式10或11的车辆标记为乱停并记录下车牌信息；Mj-xiL≤ξ10xiR-Mj≤ξ11其中ξ为越线检测所用的阈值，单位为像素。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于视频分析的地下车库乱停检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD