CN111951601B - 一种识别配送车辆停放位置的方法及装置 - Google Patents

Abstract

本发明实施例提供了一种识别配送车辆停放位置的方法及装置，该方法包括：根据预定频率获取预定监控区域的视频信息；基于深度学习的目标检测算法，检测所述视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域的第二矩形框坐标；根据所述第一矩形框坐标和所述第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积；确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值；根据所述交叉区域面积比值，判断配送车辆是否违规停放。通过本实施例，实现了精确、快速地确定配送车辆的停放位置，并以此精确地判断配送车辆是否停放规范。

Description

一种识别配送车辆停放位置的方法及装置

技术领域

本发明涉及智能停车管理技术领域，尤其涉及一种识别配送车辆停放位置的方法及装置。

背景技术

目前静态交通管理系统通常采用高位摄像机作为主体前端设备，并通过网络与后端云服务连接，其中，采用计算机视觉技术分析视频监控场景中的车辆行为，如停车计时，车辆违停分析等。现有静态交通管理系统的计算机视觉方法主要包括基于图像和视频的车牌识别、车辆识别等。静态交通管理系统在智慧城市中的布局为城市道路、停车场景的自动化管理提高的效率，节约了成本。

然而在静态交通管理系统中，对快递外卖车等配送车辆的管理尚处于空缺阶段。随着各个快递外卖商家快速发展，给市民的城市生活提供便利的同时，因快递外卖车等配送车辆的驾驶人员不规范行驶，如快递外卖车辆在道路上随意穿梭、占道以及不规范停放、占用汽车泊位等，也为城市交通管理带来了困窘。由于快递外卖车等配送车辆大多数为非机动车辆，无固定号牌，且车身体积较小，导致现有静态交通管理系统无法根据常规的机动车车牌识别、车辆识别方法对配送车辆进行识别，因此，如何对城市快递和外卖等配送车辆的停放进行规范管理是亟待解决的一大难题。

发明内容

本发明实施例提供一种识别配送车辆停放位置的方法及装置，实现了。

一方面，本发明实施例提供了一种识别配送车辆停放位置的方法，包括：

根据预定频率获取预定监控区域的视频信息；

基于深度学习的目标检测算法，检测所述视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域的第二矩形框坐标；

根据所述第一矩形框坐标和所述第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积；

确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值；

根据所述交叉区域面积比值，判断配送车辆是否违规停放。

另一方面，本发明实施例提供了一种识别配送车辆停放位置的装置，包括：

获取模块，用于根据预定频率获取预定监控区域的视频信息；

检测模块，用于基于深度学习的目标检测算法，检测所述视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域的第二矩形框坐标；

第一计算模块，用于根据所述第一矩形框坐标和所述第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积；

第二计算模块，用于确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值；

判断模块，用于根据所述交叉区域面积比值，判断配送车辆是否违规停放。

上述技术方案具有如下有益效果：通过本实施例，能够精确地检测出监控视频信息中配送车辆的停放区域以及配送车辆的禁停区域，为后续精确地计算配送车辆的停放区域面积与禁停区域的面积提供了重要的前提保障；根据计算得到的配送车辆的停放区域面积与禁停区域的面积，基于像素点，精确地计算得到交叉区域面积比值，为后续精确地判断配送车辆是否违规停放提供了必要的前提条件，实现了结合计算机视觉技术，精确、快速地确定配送车辆的停放位置，并以此精确地判断配送车辆是否停放规范，填补了现有技术中无法对配送车辆进行识别、停放规范管理的空白，进一步地，提高了自动化交通管理的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种识别配送车辆停放位置的方法流程图；

图2为本发明一优选实施例中配送车辆检测模型的训练示意图；

图3为本发明一优选实施例中一像素对应的8区域结构示意图；

图4为本发明一优选实施例中配送车辆与机动车泊位相对位置存在交叉区域的示意图；

图5为本发明一优选实施例中配送车辆所属商家的识别流程示意图；

图6为本发明一实施例中一种识别配送车辆停放位置的装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明实施例中一种识别配送车辆停放位置的方法流程图，包括：

101、根据预定频率获取预定监控区域的视频信息；

102、基于深度学习的目标检测算法，检测所述视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域的第二矩形框坐标；

103、根据所述第一矩形框坐标和所述第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积；

104、确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值；

105、根据所述交叉区域面积比值，判断配送车辆是否违规停放。

进一步地，在所述基于深度学习的目标检测算法，检测所述视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域的第二矩形框坐标的步骤之前，包括：

获取多张包含配送车辆的图像信息，并标注各图像中配送车辆区域的矩形框；

通过深度卷积神经网络的目标检测模型，根据已标注的各图像信息，训练得到配送车辆检测模型；

其中，所述配送车辆的车辆类型包括快递车辆、外卖车辆中的任一种。

进一步地，所述根据所述第一矩形框坐标和所述第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积，包括：

确定所述第一矩形框坐标与所述第二矩形框坐标内的任一第二像素点，根据所述第二像素点，计算配送车辆的停放区域面积与禁停区域的面积。

进一步地，所述确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值，包括：

确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，并将所述第一像素点放入数据结构的栈中；

步骤a、针对所述栈中的任一像素点，确定所述栈中的任一像素点在预定数量区域内的各个区域像素点；

确定所述各个区域像素点中在交叉区域内的各交叉像素点，并将各交叉像素点放入所述栈中，跳转至步骤a，直至所述栈中的像素点为空时，统计从所述栈中取出的像素点总数，并根据所述总数确定交叉区域的面积；

根据所述交叉区域的面积，计算所述停放区域与所述禁停区域的交叉区域面积比值。

进一步地，在所述根据所述交叉区域面积比值，判断配送车辆是否违规停放的步骤之前，包括：

基于深度可分离卷积网络模型，训练配送车辆的识别模型。

进一步地，所述根据所述交叉区域面积比值，判断配送车辆是否违规停放，包括：

若判断配送车辆违规停放，通过所述配送车辆的识别模型，确定所述配送车辆所属商家的置信度；

当所述置信度大于预定阈值时，确定配送车辆所属商家的信息，并将配送车辆违规停放的信息发送至配送车辆所属商家对应的数据接收端。

如图6所示，为一种识别配送车辆停放位置的装置结构示意图，包括：

获取模块61，用于根据预定频率获取预定监控区域的视频信息；

检测模块62，用于基于深度学习的目标检测算法，检测所述视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域的第二矩形框坐标；

第一计算模块63，用于根据所述第一矩形框坐标和所述第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积；

第二计算模块64，用于确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值；

判断模块65，用于根据所述交叉区域面积比值，判断配送车辆是否违规停放。

进一步地，包括：

获取及标注模块，用于获取多张包含配送车辆的图像信息，并标注各图像中配送车辆区域的矩形框；

第一训练模块，用于通过深度卷积神经网络的目标检测模型，根据已标注的各图像信息，训练得到配送车辆检测模型；

其中，所述配送车辆的车辆类型包括快递车辆、外卖车辆中的任一种。

进一步地，所述第一计算模块，具体用于

确定所述第一矩形框坐标与所述第二矩形框坐标内的任一第二像素点，根据所述第二像素点，计算配送车辆的停放区域面积与禁停区域的面积。

进一步地，所述第二计算模块，包括：

第一确定单元，用于确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，并将所述第一像素点放入数据结构的栈中；

第二确定单元，用于针对所述栈中的任一像素点，确定所述栈中的任一像素点在预定数量区域内的各个区域像素点；

第三确定单元，用于确定所述各个区域像素点中在交叉区域内的各交叉像素点，并将各交叉像素点放入所述栈中，跳转至第二确定单元，直至所述栈中的像素点为空时，统计从所述栈中取出的像素点总数，并根据所述总数确定交叉区域的面积；

计算单元，用于根据所述交叉区域的面积，计算所述停放区域与所述禁停区域的交叉区域面积比值。

进一步地，包括：

第二训练模块，用于基于深度可分离卷积网络模型，训练配送车辆的识别模型。

进一步地，所述判断模块，包括：

第四确定单元，用于若判断配送车辆违规停放，通过所述配送车辆的识别模型，确定所述配送车辆所属商家的置信度；

发送单元，用于当所述置信度大于预定阈值时，确定配送车辆所属商家的信息，并将配送车辆违规停放的信息发送至配送车辆所属商家对应的数据接收端。。

本发明实施例上述技术方案具有如下有益效果：通过本实施例，能够精确地检测出监控视频信息中配送车辆的停放区域以及配送车辆的禁停区域，为后续精确地计算配送车辆的停放区域面积与禁停区域的面积提供了重要的前提保障；根据计算得到的配送车辆的停放区域面积与禁停区域的面积，基于像素点，精确地计算得到交叉区域面积比值，为后续精确地判断配送车辆是否违规停放提供了必要的前提条件，实现了结合计算机视觉技术，精确、快速地确定配送车辆的停放位置，并以此精确地判断配送车辆是否停放规范，填补了现有技术中无法对配送车辆进行识别、停放规范管理的空白，进一步地，提高了自动化交通管理的效率。

以下结合应用实例对本发明实施例上述技术方案进行详细说明：

本发明应用实例旨在实现对配送车辆的精确识别，对配送车辆进行规范管理。

如图1所示，在车辆识别系统中，可根据预定频率获取预定监控区域的视频信息；随后，基于深度学习的目标检测算法，检测该视频信息中配送车辆区域的第一矩形框坐标，并基于人工标注的方式确定禁停区域的第二矩形框坐标；根据第一矩形框坐标和第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积；具体的，首先确定所述第一矩形框坐标与所述第二矩形框坐标内的任一第二像素点，根据第二像素点，计算配送车辆的停放区域面积与禁停区域的面积；随后，确定配送车辆区域与禁停区域的交叉区域内任一第一像素点，根据第一像素点，计算停放区域与禁停区域的交叉区域面积比值；最后根据该交叉区域面积比值，判断配送车辆是否违规停放。

在一可能的实现方式中，在步骤102所述基于深度学习的目标检测算法，检测所述视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域的第二矩形框坐标的步骤之前，包括：获取多张包含配送车辆的图像信息，并标注各图像中配送车辆区域的矩形框；通过深度卷积神经网络的目标检测模型，根据已标注的各图像信息，训练得到配送车辆检测模型。

其中，配送车辆的车辆类型包括快递车辆、外卖车辆中的任一种。

例如，在车辆识别系统中，基于深度学习的目标检测算法采用YOLOv3(You OnlyLook Once系列的目标检测算法中的第三版)的目标检测模型，YOLOv3模型的主干部分包含75个卷积层，没有全连接层，使用类似残差网络ResNet(深度残差网络)和特征金字塔FPN(Feature Pyramid Networks，特征金字塔网络)结构。对于每幅输入图像，YOLOv3会预测输出三个不同大小的3维张量，对应着三个不同的尺度，设计这三个尺度的目的就是为了能够检测出不同大小的目标物体。如图2所示，将获取的视频信息中包含配送车辆的图像，大小规则化为像素大小为416×416作为输入，通过YOLOv3的多层网络，输出三个不同尺度的张量，大小分别为13x13像素、26x26像素，52x52像素。对于在13x13像素这一尺寸上，原始输入图像会被分成分割成13x13的网格，每个网格对应着三维张量中1x1x18的一个长条形，该长条形中的数值代表检测目标的矩形框坐标，物体置信度，以及相对应的每个类别的置信度。

随后，训练基于YOLOv3的配送车辆检测时采用预先制作好的配送车辆检测的训练集。该训练集由预先从静态交通系统的收集的图像组成，训练集中的所有图像x_i经过标注，获取图像x_i所对应的矩形框标签y_i，即每张图像的中配送车辆区域的第一矩形框，最后建立配送车辆检测的训练数据库为<X,Y>，其中X＝(x₁,x₂,...,x_n)，Y＝(y₁,y₂,...,y_n)，n表示图像帧的总数，通过梯度下降算法训练YOLOv3检测模型，训练得到最优的配送车辆检测模型。最后，导出最终训练后的YOLOv3的配送车辆检测模型，用于静态交通系统中配送车辆的检测，以获取配送车辆区域的第一矩形框。

在一可能的实现方式中，步骤104确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值，包括：确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，并将所述第一像素点放入数据结构的栈中；步骤a、针对所述栈中的任一像素点，确定所述栈中的任一像素点在预定数量区域内的各个区域像素点；确定所述各个区域像素点中在交叉区域内的各交叉像素点，并将各交叉像素点放入所述栈中，跳转至步骤a，直至所述栈中的像素点为空时，统计从所述栈中取出的像素点总数，并根据所述总数确定交叉区域的面积；根据所述交叉区域的面积，计算所述停放区域与所述禁停区域的交叉区域面积比值。

例如，在车辆识别系统中，根据预定频率获取预定监控区域的视频信息；基于深度学习的目标检测算法，检测该视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域如机动车泊位的第二矩形框坐标；根据第一矩形框坐标和第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积；确定该停放区域与该禁停区域的交叉区域内任一第一像素点，并将第一像素点放入数据结构的栈S中；步骤a、针对栈S中的任一像素点，确定栈S中的任一像素点在预定数量区域，如8区域内的各个区域像素点，如图3所示；确定该8区域各个区域像素点中在交叉区域内的各交叉像素点，并将各交叉像素点放入栈S中，跳转至步骤a，直至栈S中的像素点为空时，统计从栈S中取出的像素点总数，并确定该总数为交叉区域的面积；随后，根据交叉区域的面积，计算停放区域与所述禁停区域的交叉区域面积的比值。其中，交叉区域如图4所示。

其中，配送车辆的停放区域面积，禁停区域面积的计算方式与交叉区域面积的计算方式相似，在此不再赘述。

在一可能的实现方式中，在步骤105所述根据所述交叉区域面积比值，判断配送车辆是否违规停放的步骤之前，包括：基于深度可分离卷积网络模型，训练配送车辆的识别模型。

其中，步骤105根据所述交叉区域面积比值，判断配送车辆是否违规停放，包括：若判断配送车辆违规停放，通过所述配送车辆的识别模型，确定所述配送车辆所属商家的置信度；当所述置信度大于预定阈值时，确定配送车辆所属商家的信息，并将配送车辆违规停放的信息发送至配送车辆所属商家对应的数据接收端。

例如，在车辆识别系统中，采用基于可分离卷积的轻量级卷积神经网络MobileNetv2(为移动端神经网络第二版)为模型对配送车辆进行分类，其中类别标签包括如美团、饿了么、KFC、闪送、蜂鸟、京东、顺丰、中通、申通、邮政、圆通和韵达等常见的快递外卖商家。MobileNetv2模型由深度可分离卷积为基本单元构成，模型具有体积小，推理快特征，以检测到配送车辆的停放区域作为MobileNetv2模型输入；获取配送车辆的商家名称，如图5所示；训练基于MobileNetv2的配送车辆商家时采用预先制作好的配送车辆识别的训练集。该训练集由预先从静态交通系统的收集的图像组成，通过配送车辆检测模型，获取配送车辆的所在区域；每张配送车辆的图像经过类型标注，即得到每张配送车辆图像的商家标签；在已有配送车辆识别的训练集基础上，通过梯度下降算法训练MobileNetv2配送车辆的识别模型。在车辆识别系统中，若判断当前识别到的配送车辆违规停放，通过该配送车辆的识别模型，确定该配送车辆所属商家的置信度；当置信度大于预定阈值，如80％，时，确定该配送车辆所属商家的信息，并将该配送车辆违规停放的信息发送至配送车辆所属商家对应的数据接收端，如配送车辆所属商家对应的用于接收信息的服务器端。

通过本实施例，能够精确地确定配送车辆所属的商家信息，并能够及时地将配送车辆违规停放的信息发送至所属商家，从而为后续及时的通过所属商家通知违规配送车辆的驾驶员提供了必要的前提条件，极大地提高了管理的效率，以及用户的使用体验。

本发明实施例提供了一种识别配送车辆停放位置的装置，可以实现上述提供的方法实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种识别配送车辆停放位置的方法，其特征在于，包括：

根据预定频率获取预定监控区域的视频信息；

基于深度学习的目标检测算法，检测所述视频信息中配送的第一矩形框坐标，并确定禁停区域的第二矩形框坐标；

根据所述第一矩形框坐标和所述第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积；

确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值；

根据所述交叉区域面积比值，判断配送车辆是否违规停放；

在所述根据所述交叉区域面积比值，判断配送车辆是否违规停放的步骤之前，包括：

基于深度可分离卷积网络模型，训练配送车辆的识别模型，

所述根据所述交叉区域面积比值，判断配送车辆是否违规停放，包括：

若判断配送车辆违规停放，通过所述配送车辆的识别模型，确定所述配送车辆所属商家的置信度；

当所述置信度大于预定阈值时，确定配送车辆所属商家的信息，并将配送车辆违规停放的信息发送至配送车辆所属商家对应的数据接收端。

2.根据权利要求1所述的方法，其特征在于，在所述基于深度学习的目标检测算法，检测所述视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域的第二矩形框坐标的步骤之前，包括：

获取多张包含配送车辆的图像信息，并标注各图像中配送车辆区域的矩形框；

通过深度卷积神经网络的目标检测模型，根据已标注的各图像信息，训练得到配送车辆检测模型；

其中，所述配送车辆的车辆类型包括快递车辆、外卖车辆中的任一种。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一矩形框坐标和所述第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积，包括：

确定所述第一矩形框坐标与所述第二矩形框坐标内的任一第二像素点，根据所述第二像素点，计算配送车辆的停放区域面积与禁停区域的面积。

4.根据权利要求1所述的方法，其特征在于，所述确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值，包括：

确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，并将所述第一像素点放入数据结构的栈中；

步骤a、针对所述栈中的任一像素点，确定所述栈中的任一像素点在预定数量区域内的各个区域像素点；

确定所述各个区域像素点中在交叉区域内的各交叉像素点，并将各交叉像素点放入所述栈中，跳转至步骤a，直至所述栈中的像素点为空时，统计从所述栈中取出的像素点总数，并根据所述总数确定交叉区域的面积；

根据所述交叉区域的面积，计算所述停放区域与所述禁停区域的交叉区域面积比值。

5.一种识别配送车辆停放位置的装置，其特征在于，包括：

获取模块，用于根据预定频率获取预定监控区域的视频信息；

检测模块，用于基于深度学习的目标检测算法，检测所述视频信息中配送车辆区域的第一矩形框坐标，并确定禁停区域的第二矩形框坐标；

第一计算模块，用于根据所述第一矩形框坐标和所述第二矩形框坐标，计算配送车辆的停放区域面积与禁停区域的面积；

第二计算模块，用于确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，根据所述第一像素点，计算所述停放区域与所述禁停区域的交叉区域面积比值；

判断模块，用于根据所述交叉区域面积比值，判断配送车辆是否违规停放；

所述装置还包括：

第二训练模块，用于基于深度可分离卷积网络模型，训练配送车辆的识别模型；

所述判断模块包括：

第四确定单元，用于若判断配送车辆违规停放，通过所述配送车辆的识别模型，确定所述配送车辆所属商家的置信度；

发送单元，用于当所述置信度大于预定阈值时，确定配送车辆所属商家的信息，并将配送车辆违规停放的信息发送至配送车辆所属商家对应的数据接收端。

6.根据权利要求5所述的装置，其特征在于，包括：

获取及标注模块，用于获取多张包含配送车辆的图像信息，并标注各图像中配送车辆区域的矩形框；

第一训练模块，用于通过深度卷积神经网络的目标检测模型，根据已标注的各图像信息，训练得到配送车辆检测模型；

其中，所述配送车辆的车辆类型包括快递车辆、外卖车辆中的任一种。

7.根据权利要求5或6所述的装置，其特征在于，所述第一计算模块，具体用于

确定所述第一矩形框坐标与所述第二矩形框坐标内的任一第二像素点，根据所述第二像素点，计算配送车辆的停放区域面积与禁停区域的面积。

8.根据权利要求7所述的装置，其特征在于，所述第二计算模块，包括：

第一确定单元，用于确定所述停放区域与所述禁停区域的交叉区域内任一第一像素点，并将所述第一像素点放入数据结构的栈中；

第二确定单元，用于针对所述栈中的任一像素点，确定所述栈中的任一像素点在预定数量区域内的各个区域像素点；

第三确定单元，用于确定所述各个区域像素点中在交叉区域内的各交叉像素点，并将各交叉像素点放入所述栈中，跳转至第二确定单元，直至所述栈中的像素点为空时，统计从所述栈中取出的像素点总数，并根据所述总数确定交叉区域的面积；

计算单元，用于根据所述交叉区域的面积，计算所述停放区域与所述禁停区域的交叉区域面积比值。

Images