一种基于AI的城市公共车位智能化检测识别系统的制作方法

一种基于ai的城市公共车位智能化检测识别系统
技术领域
1.本发明涉及智慧交通技术领域，具体涉及一种基于ai的城市公共车位智能化检测识别系统。


背景技术：

2.随着机动车数量和驾驶员数量的迅猛増长，城市停车问题逐渐成为我国各大中城市的热点问题。在全社会体验着机动化给人们出行带来便利的同时，道路停车困难、交通拥堵、秩序混乱这些交通弊病也随之显现出来。
3.现阶段，混乱的停车秩序是影响城市交通良好运行的重要原因之一。主要体现在：城市普遍出行停车难、逃费乱收费、违法无序占道停车等现象。针对城市路内停车管理问题，本文在路内停车问题调研的基础上，提出了一种基于ai的城市公共车位智能化检测识别系统，实现智能化停车的大规模推广应用，大幅提高城市停车管理的能力，降低人工成本、杜绝逃费现象，提高公众出行效率和体验，打通智能交通瓶颈，快速、低成本、最大化解决城市停车难问题，从而保障道路交通的畅通有序，建立供给侧改革的典范，树立全国文明城市的形象。“互联网 智能交通与智慧停车”将有利于缓解城市拥堵，规范停车管理，节能减排，提高市民生活质量。
4.在车辆识别过程中，很多时候由于客观原因例如环境偏暗或者阳光直射的情况下，会导致一些车辆无法识别或者识别困难。而且，对于传统的机器学习，由于算法方面的先天不足，其识别率比较低。对于现阶段的一些深度学习方法，对于海量数据的模型构建，不仅计算量大，消耗较多计算资源，而且对运行环境要求高，不利于集成化和小型化。


技术实现要素：

5.针对现有技术中存在的问题，本发明提供了设计合理的一种基于ai的城市公共车位智能化检测识别系统。
6.本发明的技术方案如下：
7.一种基于ai的城市公共车位智能化检测识别系统，其特征在于，包括视频接入模块、人工智能分析模块及预警输出模块；
8.所述视频接入模块，负责接入交通路口的监控视频，并将视频流转为单帧视频图像，并获得各帧图像的采集时刻之后送到人工智能分析模块之中；
9.所述人工智能分析模块，负责根据单帧视频图像，采用卷积神经网络进行分析对比是否存在预警信息；
10.所述预警输出模块，根据人工智能分析模块的分析结果和视频接入模块的视频数据合成证据数据，并抓取车辆驶入公共车位和驶出公共车位的图片留证，并及时上传到上层服务器中通知相关职能部门。
11.所述的一种基于ai的城市公共车位智能化检测识别系统，其特征在于，所述人工智能分析模块的处理过程如下：
12.1)将单帧视频图像中的公共车位区域标定为停车区域，并记录停车区域的区域坐标，将相机此位置信息设为预置位，判断停车区域内是否存在机动车辆检测样本；
13.2)获取当前相机的位置信息，判断是否为预置位，若是，则进行机动车辆检测，对视频图像中的机动车辆作为待检测对象进行目标检测，采用pytorch框架下的ssd和yolov3两个网络框架模型对机动车辆分别做目标检测回归，获得两者的目标检测回归均值，即得到机动车辆的高度h、宽度w和中心点坐标(x，y)；
14.3)进一步提取机动车辆的颜色、形状、大小及速度信息，并使用卡尔曼滤波状态预测方程对机动车辆的速度以及步骤2)所得检测回归框的高度h、宽度w和中心点坐标(x，y)进行跟踪，以此确认是否为同一辆车；当机动车辆驶入停车区域时，即机动车辆框的中心坐标(x，y)在停车区域内或者重叠率大于检测框的1/2时，重叠率的计算公式为：
15.iou＝(ca∩pa)/ca
16.其中ca表示机动车辆检测框的区域，pa表示停车区域；
17.对车辆车牌以及驶入时间进行时间记录；当机动车辆驶出停车区域时，根据驶入驶出时间计算车辆停留时间；若停留时间超出停车区域设定时间，则判定需要输出预警信息。
18.所述的一种基于ai的城市公共车位智能化检测识别系统，其特征在于，所述人工智能分析模块的步骤2)中，采用pytorch框架下的ssd和yolov3两个网络框架模型对机动车辆分别做目标检测回归的具体过程如下：
19.2.1)构建车辆检测数据集，该数据集由训练集、测试集和验证集组成，训练集主要用来训练ssd和yolov3网络模型，测试集主要用于测试训练得到的模型的精度，验证集主要用于评估训练得到的模型的泛化能力，构建过程如下：
20.2.1.1)收集了不同交通场景天气状况下的行车视频，对视频进行解帧，并加入开源车辆检测数据集，做hsl变换、角度旋转或加白噪声模拟雾天情况，再经过人工筛选出车辆轮廓清晰的图片，构造成新的训练集，增加样本的多样性，将所有图片按比例分为训练集、测试集和验证集；
21.2.1.2)利用标注软件对图像中的汽车目标进行标注，获取其位置信息，包括中心点坐标(x,y)、边界框宽高(w,h)和目标类别，此处只对汽车类进行检测并以txt格式存储标注文件；
22.2.2)定义损失函数，通过k
‑
means聚类方法生成锚框，训练基于ssd和yolov3的车辆检测模型，具体训练流程如下：
23.采用在imagenet数据集上预先训练好的darknet模型参数作为yolov3的初始化权重以减少训练时间；在训练基于的车辆检测模型时，设置最大迭代次数为n次，前n/5次每训练n次保存一个模型的权重文件，之后每隔a*n次，a>1且为整数，保存一次权重文件，直至训练结束；当训练到8*n/10次和9*n/10次时，令学习率分别在之前的基础上衰减10倍。
24.2.3)模型测试，将准备好的测试图片或者视频对训练好的模型进行测试,通过评价指标来评判模型质量的好坏。
25.本发明的有益效果如下：
26.1)人工智能技术：使用人工智能技术，效率高；可根据用户数据进行进一步训练，提高有效率。
27.2)解决复合应用问题：兼容所有视频分析检测接入，可以利用现有公共资源监控视频，无需重新架设相机，系统利用人工智能技术，对视频中标定好的监控区域进行分析，通过前后对比检测是否属于存在预警信息，然后根据需要将预警信息记录下来并上传到上层服务器，实时推送到相关职能部门。
28.3)强大的系统功能：采用人工智能技术对分析结果进行比对、验证，检测出监测区域的变化情况，然后根据需要将现场地点、时间等信息记录下来，同时输出到指定信息平台。
29.4)优异的产品兼容性：本发明的方法可采用国家标准化通信协议和视频解码算法，提高产品兼容性，可兼容国内所有主流视频抓拍系统和视频。
附图说明
30.图1为本发明的系统图；
31.图2为本发明的流程图。
具体实施方式
32.以下结合说明书附图，对本发明的作进一步描述。
33.如图1
‑
2所示，基于ai的城市公共车位智能化检测识别系统，包括视频接入模块、人工智能分析模块及预警输出模块。
34.视频接入模块：由onvif、gb28181等标准模块和各摄像机厂家公开提供的sdk接入组件封装组成，取样并通过运放进行解转码，输入gpu图形分析模块进行分析，由取样软件进行故障功能判断处理。负责接入停车区域的监控视频，并将视频流转为单帧视频图像，并获得各帧图像的采集时刻之后送到人工智能分析模块之中。
35.人工智能分析模块：负责根据视频图像，采用卷积神经网络进行比对分析是否存在预警信息并处理。其中包括以下步骤：
36.1)将视频图像中的公共车位区域标定为停车区域，并记录停车区域的区域坐标，将相机此位置信息设为预置位，判断停车区域内是否存在机动车辆检测样本；
37.2)获取当前相机的位置信息,判断是否为预置位,若是,则进行机动车辆检测；即对视频图像中的机动车辆作为待检测对象进行目标检测，采用pytorch框架下的ssd和yolov3两个网络框架模型对机动车辆分别做目标检测回归，获得两者的目标检测回归均值，即得到机动车辆的高度h、宽度w和中心点坐标(x，y)；
38.采用pytorch框架下的ssd和yolov3两个网络框架模型对机动车辆分别做目标检测回归的具体过程如下：
39.2.1)构建车辆检测数据集，该数据集由训练集、测试集和验证集组成，训练集主要用来训练ssd和yolov3网络模型，测试集主要用于测试训练得到的模型的精度，验证集主要用于评估训练得到的模型的泛化能力，构建过程如下：
40.2.1.1)收集了不同交通场景天气状况下的行车视频，对视频进行解帧，并加入开源车辆检测数据集，做hsl变换、角度旋转或加白噪声模拟雾天情况，再经过人工筛选出车辆轮廓清晰的图片，构造成新的训练集，增加样本的多样性，将所有图片按比例分为训练集、测试集和验证集；
41.2.1.2)利用标注软件对图像中的汽车目标进行标注，获取其位置信息，包括中心点坐标(x,y)、边界框宽高(w,h)和目标类别，此处只对汽车类进行检测并以txt格式存储标注文件；
42.2.2)定义损失函数，通过k
‑
means聚类方法生成锚框，训练基于ssd和yolov3的车辆检测模型，具体训练流程如下：
43.采用在imagenet数据集上预先训练好的darknet模型参数作为yolov3的初始化权重以减少训练时间；在训练基于的车辆检测模型时，设置最大迭代次数为10000次，前2000次每训练200次保存一个模型的权重文件，之后每隔1000次保存一次权重文件，直至训练结束；当训练到8000次和9000次时，令学习率分别在之前的基础上衰减10倍。
44.2.3)模型测试，将准备好的测试图片或者视频对训练好的模型进行测试,通过评价指标来评判模型质量的好坏。
45.3)进一步提取机动车辆的颜色、形状、大小及速度等信息，使用卡尔曼滤波状态方程以及预测进行目标跟踪，具体是对机动车辆的速度以及步骤2所得检测回归框的高度h、宽度w和中心点坐标(x，y)进行跟踪，以此确认为同一辆车；当机动车辆驶入停车区域时，即机动车辆框的中心坐标(x，y)在停车区域内或者重叠率大于检测框的一半时，重叠率的计算公式为：
46.iou＝(ca∩pa)/ca
47.其中ca表示机动车辆检测框的区域，pa表示停车区域。
48.对车辆车牌以及驶入时间进行时间记录；当机动车辆驶出停车区域时，根据驶入驶出时间计算车辆停留时间。若停留时间超出设定时间(根据客户需要进行设定，如设定时间为20分钟)，则判定需要输出预警信息。
49.预警输出模块，根据人工智能分析模块的分析结果和视频接入模块的视频数据合成证据数据，并抓取车辆驶入公共车位和驶出公共车位的图片留证，并及时上传到上层服务器中通知相关职能部门。同时支持手机app客户端报警、微信推送报警、手机短信报警、报警图片复合等功能扩展。