CN115440071A - 一种自动驾驶违规停车检测方法 - Google Patents

Abstract

本申请提供一种自动驾驶违规停车检测方法，包括：构建违规停车信息系统，并判断监控道路所属类型；进行道路的记号和划线检测，识别停车位；识别车辆的停靠状态，具体包括:进行监控视频图像预处理，进行物体的静止识别，并判断物体是否为车辆；统计各区域违规停车情况，判断监控区域是否属于经常性违规路段；获取路段通行能力，以此为根据对经常性违规路段进行停车位规划。

Description

一种自动驾驶违规停车检测方法

技术领域

本发明涉及信息技术领域，尤其涉及一种自动驾驶违规停车检测方法。

背景技术

停车在大城市里都是较规范的，固定的路段固定的车位，可以很好的判断每一次停车是否违规。但是在五六线城市，很多路段和停车位并没有明确的记号和划线。有些重要路段，确实会有违规停车的问题，有摄像头但是并无法根据车位明显的判断它是否违规停车。同时，缺少记号和划线可会会导致自动驾驶系统对停车位与禁停区域进行误判导致违规停车。路段违规停车的判断，本来是由交通部门规定的，但是在交通法规不够健全的区域，虽然拥有摄像头，但难以根据实际情况进行违规停车惩罚，且不能立刻解决违规停车行为。例如，在人流极少的正规道路违规停车，没有影响到任何人，与在人流很多的小道路上，违规停车。或者将车辆停于禁停区域，造成拥堵。按道理应该是影响到交通更应该受到惩罚。因此需要将技术融入法规，让相关的惩罚更加合理，并且能够执行到位。并且可在造成堵车前基于车联网和自动驾驶系统引导车辆进行自动巡航泊车，进行合规停车。

发明内容

本发明提供了一种自动驾驶违规停车检测方法，主要包括：

构建违规停车信息系统，并判断监控道路所属类型；进行道路的记号和划线检测，识别停车位；识别车辆的停靠状态，所述识别车辆的停靠状态，具体包括：进行监控视频图像预处理，进行物体的静止识别，并判断物体是否为车辆；检测停靠车辆是否违规，判断违规严重度，引导合规泊车，所述检测停靠车辆是否违规，判断违规严重度，引导合规泊车，具体包括：构建过线程度判断模型，建立基于监控视频的道路车流量检测模型，构建违规车辆车牌号识别模型，引导自动驾驶车辆合规泊车，基于多传感器融合的合规泊车，基于卫星导航的自动巡航泊车，判断违规停车的严重性，同步违规信息；统计各区域违规停车情况，判断监控区域是否属于经常性违规路段；获取路段通行能力，以此为根据对经常性违规路段进行停车位规划。

进一步可选地，所述构建违规停车信息系统，并判断监控道路所属类型包括：

构建停车违规信息系统，接入交管部门认证API，以此获取各条道路监控摄像头的视频数据；接入开放的地图API，结合API和地图API提供的数据，当摄像头没有标记道路信息时判断接入系统的摄像头所监控道路的道路类型；输出监控摄像头对应的道路编号与地理位置，同步数据库。

进一步可选地，所述进行道路的记号和划线检测，识别停车位包括：

基于透视变化和边缘检测建立划线检测模型，以此判断停靠区域是否有停车位的划线；在车辆停靠区域中识别到停车线时，提取停车线标记已有停车位，而后检测停靠车辆的过线程度；在车辆停靠区域未识别到停车线且当地法规未规定禁止路边停车时，利用监控摄像头进行单目测距，在监控图像中绘制相较路边一定距离的平行线，以该线为标准检测停靠车辆的过线程度；基于LeNet-5卷积神经网络进行禁停标志识别，当存在停车标志则标记禁停区域；划分停车相关区域，输出道路编号、区域编号、停车位类型。

进一步可选地，所述识别车辆的停靠状态包括：

读取道路监控的视频图像，检测监控视频中的停车区域出现车辆时，提取该段时间序列中的视频帧，将图像进行预处理；基于混合高斯分布进行图像的背景建模，并与原图像相减；根据预设的物体停靠时间阙值判断物体是否进行静止；识别静止物体是否为车辆；包括：进行监控视频图像预处理；进行物体的静止识别，并判断物体是否为车辆；

所述进行监控视频图像预处理，具体包括：

检测出现车辆时，依照RGB颜色空间对固定时间间隔的视频帧进行灰度化处理。以灰度化处理后的图像的每个像素点为中心，选取一个像素点为奇数的矩形区域，将区域内各像素点的灰度值进行排序，以排序后的中值灰度值作为像素点的新灰度值。构建灰度值的直方图，计算图像各灰度值的累积分布频率并归一化处理得到P，将P与灰度直方图中对应灰度值的高度相乘并将结果进行四舍五入以生成新的灰度直方图，而后依照新灰度直方图对原始图像进行灰度值归并。输出预处理后的图像。

所述进行物体的静止识别，并判断物体是否为车辆，具体包括：

获取预处理后的图像，对每一帧的图像，利用混合高斯模型背景建模。去除不属于背景的目标，用当前帧减去时间T前的背景，判断一段时间序列中像素变化值是否稳定。判断像素变化之稳定后，当灰度值G区别超过预设的阙值G0便可判断物体静止于停车区域，记有物体为True，无物体为False。按照预设的静止判断阈值T0和静止时间T判断是否静止，记静止为True，无静止为False。基于目标检测进行车辆识别，当判断为车辆后输出图片与车辆检测框坐标。

进一步可选地，所述检测停靠车辆是否违规，判断违规严重度，引导合规泊车包括：

构建违规车辆信息数据类型WG，判断出现违规停车行为时存放数据项；将判断为静止车辆的图像作为输入项，检测停靠车辆是否属于违规停车；首先，判断识别车辆是否停靠于禁停区域，若结果为True则判定为违规，结果为False则根据过线距离按照预设的阙值判断是否违规停车；其次，当识别车辆存在违规停车行为时，识别获取车辆号；接入车联网，向车主发送违规停车提示，并申请发送信息至自动驾驶系统引导停车；若车主不接收请求，则建立违规严重度判断模型；获取道路监控实时视频，检测道路车流量；然后，基于目标跟踪算法记录违章停车的时长；基于违规停车相关因素，设定各因素权重Wk计算严重度分数P，按照预设阈值判定违规严重度；违规停车相关因素包括车辆过线距离、是否于禁停区域停车、违规停车时长、道路车流量；向交管部门数据库同步违规信息，输出车牌号，违规时间，违规停车地点，停车图片，违规严重度；包括：构建过线程度判断模型；建立基于监控视频的道路车流量检测模型；构建违规车辆车牌号识别模型；引导自动驾驶车辆合规泊车；基于多传感器融合的合规泊车；基于卫星导航的自动巡航泊车；判断违规停车的严重性，同步违规信息；

所述构建过线程度判断模型，具体包括：

输入监控图像与车辆矩形检测框坐标。提取车辆于监控视频图像中最靠道路外侧一点的坐标x1,y1与同一截面中划线最内侧一点的坐标x2,y2。基于单目测距算法，计算车辆最外侧坐标与划线坐标的水平距离，记为车辆的过线距离D。按照预定阈值D0判定车辆的过线程度，无过线记为I、轻微过线记为II、严重过线记为III。若车辆停于禁停区域，则记其过线程度为X级。若过线程度为II、III、X，则记为违规停车。以当天检测的车辆次序作为违规车辆编号，输出摄像头编号，违规车辆编号，违规时间，过线程度，过线距离。

所述建立基于监控视频的道路车流量检测模型，具体包括：

首先，基于深度神经网路构建多车辆在线跟踪模型。其次，利用道路摄像头采集大量的多环境下的道路车辆行驶视频，运用YOLOv3进行车辆检测，将检测的输出结果划分为模型的训练集和测试集。然后，基于非极大值抑制去除重叠的车辆检测候选框，并运用卡尔曼滤波进行车辆运动轨迹预测，度量下一帧视频中运动轨迹与预测的匹配度。而后，对照测试集视频中实际通行数量与检测通行数量，测试模型精准度并修正检测器参数。最后，统计一定时间内通过的车辆数，计算车流量L＝车辆数/时间。输出检测时间与实时车流量。

所述构建违规车辆车牌号识别模型，具体包括：

首先，基于目标检测框架YOLOv3建立车牌检测的卷积神经网络模型。其次，基于监控视频进行人工筛选，标记车牌位置，构建多样性场景的预处理车辆图像样本库，划分训练集和测试集。而后，构建基于循环神经网络的OCR模型。生成具有标签的虚拟车牌图像作为样本库，划分训练集和测试集。依照测试集的识别准确度进行损失函数、目标函数与模型参数的调整。将车牌图像输入训练后的OCR模型，提取图像中的字符串。输出车牌号。

所述引导自动驾驶车辆合规泊车，具体包括：

接入车联网，基于车牌号检索数据，获取车辆信息。向车主发送违规停车警告信息，并申请发送引导信息至自动驾驶系统。若车主接收申请，则获取车辆过线程度，判定违规因素，基于多传感器与卫星导航引导自动驾驶车辆进行合规化泊车。若车主拒接申请，则应判定违规严重度。

所述基于多传感器融合的合规泊车，具体包括：

判定自动驾驶汽车是否因过线程度高而违规。发送基于边缘检测与单目测距建立的虚拟停车位成像至违规车辆的自动驾驶系统；基于车载的激光雷达与惯性传感器进行多传感器融合的停车位感知模型，构建停车位与车辆的3D环境成像。确定停车位坐标，进行停车车位调整，并检测调整后停靠是否违规。向车主发送车牌号与停车调整后状态反馈，向交管部门输出摄像头编号与路段反馈。

所述基于卫星导航的自动巡航泊车，具体包括：

判定自动驾驶汽车是否因停靠于禁停区域违规。检索与当前停车点最近的空闲合规停车点坐标，发送至违规车辆的自动驾驶系统。基于卫星导航引导车辆自动巡航泊车。向车主发送车牌号与新停车地点，向交管部门输出摄像头编号与路段反馈。将该监控区域基于车联网发送至自动驾驶系统，标记为禁停区域。

所述判断违规停车的严重性，同步违规信息，具体包括：

基于车辆跟踪模型和监控检测违规车辆的停车时长T。获取当地违章停车的法规，获取违规严重度判定因素。对道路车流量L、违规停车时长T以及当地违规停车法规因素进行标准化，化作同一量级的数据。按照权重Wk将道路车流量L、违规停车时长T以及当地违规停车法规因素进行加权计算，获得违规停车严重度得分Q，得分越高，说明对应的违规停车事件越严重，更需获得惩罚。给定违规严重度阈值Q0，根据违规严重度得分将违规严重度分级以区分惩罚优先级。将违规信息数据通过交管部门接口进行同步。

进一步可选地，所述统计各区域违规停车情况，判断监控区域是否属于经常性违规路段包括：

获取各区域的违规停车事件数据；以天为单位统计各道路监控对应区域的各级违规停车事件的数量，记为Nk，以及一天内总违规数N；给定对应阈值Mk与M，当违规停车事件的数量达到对应的阈值，则标注对应监控区域为经常性违规路段；输出摄像头编号与区域的最大车流量。

一种自动驾驶违规停车检测方法其特征在于，所述系统包括：

获取经常性违规路段与其相邻路段的最大车流量Lmax；获取道路通行能力V与车道数N，计算道路载荷度C；按照设定的阈值C0进行路段的路边停车位规划；道路载荷度超过阈值的路段应标识禁停，避免路边违规停车引起堵车，低于阈值的可合理规划路边停车位，缓解经常性违规路段通行压力；将新的道路规划同步至车联网，规范自动驾驶车辆的停靠。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明能够对自动驾驶汽车的违规停车行为进行监测，并结合车辆违规原因对交管部门进行路段修复提示，同时检测出现违规停车行为的路段是否为经常性违规路段，避免某些违规路段因为误规划而导致违规人员较多。针对违规停车者人员，优先基于自动驾驶技术进行合规化泊车引导，而针对拒绝合规泊车人员，可根据多因素共同判断的违规停车严重度进行合理化处罚，并向违规人员和交管部门同步违规信息，实现违规停车的自动化处理。

附图说明

图1为本发明的一种自动驾驶违规停车检测方法的流程图。

图2为本发明的一种自动驾驶违规停车检测方法的结构图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明的一种自动驾驶违规停车检测方法流程图。如图1所示，本实施例一种自动驾驶违规停车检测方法具体可以包括：

步骤101，构建违规停车信息系统，并判断监控道路所属类型。

构建停车违规信息系统，接入交管部门认证API，以此获取各条道路监控摄像头的视频数据。接入开放的地图API，结合API和地图API提供的数据，当摄像头没有标记道路信息时判断接入系统的摄像头所监控道路的道路类型。输出监控摄像头对应的道路编号与地理位置，同步数据库。例如：国道记为G、省道记为S、县道记为X、乡道记为Y、村道记为C；道路编号表示为类型代码+编号；例如：一个国道可记为{G103,江西省南昌市东湖区阳明路 2号道}。由于道路监控摄像头的数据属于内网，须得到认证后才可通过接口获取监控视频数据，为为避免数据不全，可接入开放地图API进行定位信息比对更新。

步骤102，进行道路的记号和划线检测，识别停车位。

基于透视变化和边缘检测建立划线检测模型，以此判断停靠区域是否有停车位的划线。在车辆停靠区域中识别到停车线时，提取停车线标记已有停车位，而后检测停靠车辆的过线程度。在车辆停靠区域未识别到停车线且当地法规未规定禁止路边停车时，利用监控摄像头进行单目测距，在监控图像中绘制相较路边一定距离的平行线，以该线为标准检测停靠车辆的过线程度。基于LeNet-5卷积神经网络进行禁停标志识别，当存在停车标志则标记禁停区域。划分停车相关区域，输出道路编号、区域编号、停车位类型。停车位类型记为{禁停区、虚拟停车区、正常停车区}；例如：国道中识别到禁止停车文字、蓝底红叉标志这类禁停标志，该区域标记为{G212,2,禁停区}；虚拟划定的停车区域可记为{X102,1,虚拟停车区}。参考《城市道路路内停车泊位设置规范》，城市内常用的小型停车位宽度为2.5米，所以平行线内侧应距离路边2.5米。在没有进行停车位划线，但也没有规定不允许路边停车的地区，路边停车的情况经常出现，为此可以通过虚拟划线的方式作为判断停靠车辆是否违规的参考对象。平行线宽度设定为15厘米，不区分道路类型。

步骤103，识别车辆的停靠状态。

读取道路监控的视频图像，检测监控视频中的停车区域出现车辆时，提取该段时间序列中的视频帧，将图像进行预处理。基于混合高斯分布进行图像的背景建模，并与原图像相减。根据预设的物体停靠时间阙值判断物体是否进行静止。识别静止物体是否为车辆。划定停车区域后，可避免对其他道路通行车道进行检测造成的资源浪费，仅需识别出现于标定的可能停车区域中的车辆。图像预处理包括灰度化、噪声抑制和图像增强，以此去除摄像头视频图像中包括的冗余信息及噪声信号所带来的干扰。例如：拍摄路边的第4帧与第1帧的背景有区别，则变化的变化仅可能为行人或车辆，可减少需锁定的目标。例如：车辆于路边停靠 10秒仅是临时接人上车，通过设置停靠时间t超过30秒才判断为停靠，避免出现无效计算。

进行监控视频图像预处理。

检测出现车辆时，依照RGB颜色空间对固定时间间隔的视频帧进行灰度化处理。以灰度化处理后的图像的每个像素点为中心，选取一个像素点为奇数的矩形区域，将区域内各像素点的灰度值进行排序，以排序后的中值灰度值作为像素点的新灰度值。构建灰度值的直方图，计算图像各灰度值的累积分布频率并归一化处理得到P，将P与灰度直方图中对应灰度值的高度相乘并将结果进行四舍五入以生成新的灰度直方图，而后依照新灰度直方图对原始图像进行灰度值归并。输出预处理后的图像。视频间隔可设定为0.5秒至1秒，以检测车辆停靠状态。灰度化公式为＝0.3R+0.59G+0.11B。灰度化处理可将255*255*255的颜色变化范围变为1字节的像素点变化范围，以此减少后续操作计算量。灰度化公式为研究中常用的以人眼敏感度为基准的加权计算灰度值的方式。利用中值降噪可消除图像中的噪音，并保留图片中的边缘信息。例如：初始的灰度直方图灰度值为2和8对应的直方图高度为2，但新直方图为0，则灰度值为2的像素点需要归并至1或3，使灰度值为1或3的像素点数量等于新直方图的高度，而8则归并至7和9中，以此扩展原图像的对比度。

进行物体的静止识别，并判断物体是否为车辆。

获取预处理后的图像，对每一帧的图像，利用混合高斯模型背景建模。去除不属于背景的目标，用当前帧减去时间T前的背景，判断一段时间序列中像素变化值是否稳定。判断像素变化之稳定后，当灰度值G区别超过预设的阙值G0便可判断物体静止于停车区域，记有物体为True，无物体为False。按照预设的静止判断阈值T0和静止时间T判断是否静止，记静止为True，无静止为False。基于目标检测进行车辆识别，当判断为车辆后输出图片与车辆检测框坐标。例如，识别到背景像素变化值为103，若预设的灰度值差异值为50，因 103>＝50，则代表停车区域出现物体，输出True；识别到物体静止时间T已为34秒，若设定静止阈值为30秒，因34>＝30，则物体不属于静止；识别物体为车辆，则输出{Car.jpg， {(2000,1000),(8000,4621)}}。针对每一帧图像进行背景建模，可自适应不同环境下的背景灰度值变化，实现背景更新。在进行背景建模时，背景像素的变化会分为临时通过和停靠，需判断一段时间序列中的像素变化之是否稳定，以确定有无前景物体停靠至监控区域。混合高斯分布建模针对光线、树叶遮蔽具有较好鲁棒性，并可适应连续车流量的场景识别，贴近真实的路边停车违章检测场景。设置灰度值差异值可避免因天气、时间、阴影遮蔽这一类因素所导致的背景灰度值变化，去除干扰项，仅当灰度值出现明显变化时才判断有物体出现停靠。

步骤104，检测停靠车辆是否违规，判断违规严重度，引导合规泊车。

构建违规车辆信息数据类型WG，判断出现违规停车行为时存放数据项。将判断为静止车辆的图像作为输入项，检测停靠车辆是否属于违规停车。首先，判断识别车辆是否停靠于禁停区域，若结果为True则判定为违规，结果为False则根据过线距离按照预设的阙值判断是否违规停车。其次，当识别车辆存在违规停车行为时，识别获取车辆号。接入车联网，向车主发送违规停车提示，并申请发送信息至自动驾驶系统引导停车。若车主不接收请求，则建立违规严重度判断模型。获取道路监控实时视频，检测道路车流量。然后，基于目标跟踪算法记录违章停车的时长。基于违规停车相关因素，设定各因素权重Wk计算严重度分数P，按照预设阈值判定违规严重度。违规停车相关因素包括车辆过线距离、是否于禁停区域停车、违规停车时长、道路车流量。向交管部门数据库同步违规信息，输出车牌号，违规时间，违规停车地点，停车图片，违规严重度。WG包括{摄像头编号，车辆编号，违规时间，过线严重度，道路车流量，违规时长，车牌号}。违规停车会因为占用了可通行道路导致道路拥堵，可通过过线距离，用于判断停靠车辆是否占用了额外的道路资源。为判断违规停车的车辆信息，需要获取可作为车辆唯一标识的车牌号用于违规信息同步。违规停车相关因素包括车辆过线距离、是否于禁停区域停车、违规停车时长、道路车流量。例如：在道路流量大的正规道路，虽有停车位，但因越线距离较多导致拥堵，但在没有停车线却道路流量小的地方，违规停车的车辆紧靠路边，没有导致堵车，相较下前者更应当受到处罚。违规信息包括车牌号，违规时间，违规停车地点，停车图片，违规严重度。通过车联网，可接入车辆自动驾驶系统，发送停车相关数据，如合规停车点。

构建过线程度判断模型。

输入监控图像与车辆矩形检测框坐标。提取车辆于监控视频图像中最靠道路外侧一点的坐标x1,y1与同一截面中划线最内侧一点的坐标x2,y2。基于单目测距算法，计算车辆最外侧坐标与划线坐标的水平距离，记为车辆的过线距离D。按照预定阈值D0判定车辆的过线程度，无过线记为I、轻微过线记为II、严重过线记为III。若车辆停于禁停区域，则记其过线程度为X级。若过线程度为II、III、X，则记为违规停车。以当天检测的车辆次序作为违规车辆编号，输出摄像头编号，违规车辆编号，违规时间，过线程度，过线距离。例如：停车位划线宽度为15厘米，若设定过线程度阈值分别为15和30，则当D<＝15时记为I，当 15<D<＝30时记为II，当D>30时记为III。当1号摄像头当天下午三点整第3次检测出违规停车，且严重过线，则记为{1,3,2022-7-14-15:00,III}。在没有造成道路堵塞的情况下，因其占用道路资源，在其他路段重复该行为有较大可能造成违规停车，所以过线程度严重的车辆也应判定为违规进行警告。禁停区域单独为一级，因该区域常设于易拥堵或关键区域。

建立基于监控视频的道路车流量检测模型。

首先，基于深度神经网路构建多车辆在线跟踪模型。其次，利用道路摄像头采集大量的多环境下的道路车辆行驶视频，运用YOLOv3进行车辆检测，将检测的输出结果划分为模型的训练集和测试集。然后，基于非极大值抑制去除重叠的车辆检测候选框，并运用卡尔曼滤波进行车辆运动轨迹预测，度量下一帧视频中运动轨迹与预测的匹配度。而后，对照测试集视频中实际通行数量与检测通行数量，测试模型精准度并修正检测器参数。最后，统计一定时间内通过的车辆数，计算车流量L＝车辆数/时间。输出检测时间与实时车流量。例如，下午2点23分的车流量记为{2022-07-24-14:23，47}。多场景包括道路类型、车辆类型、车速、天气、环境和分辨率的多样性。当匹配度为0时，应视作车辆离开监控覆盖区域。车流量一般以一分钟作为时间单位。

构建违规车辆车牌号识别模型。

首先，基于目标检测框架YOLOv3建立车牌检测的卷积神经网络模型。其次，基于监控视频进行人工筛选，标记车牌位置，构建多样性场景的预处理车辆图像样本库，划分训练集和测试集。而后，构建基于循环神经网络的OCR模型。生成具有标签的虚拟车牌图像作为样本库，划分训练集和测试集。依照测试集的识别准确度进行损失函数、目标函数与模型参数的调整。将车牌图像输入训练后的OCR模型，提取图像中的字符串。输出车牌号。车牌号识别需要先提取违规车辆的车牌照，而后进行车牌字符识别获得车牌号；样本库中应当包含悬挂传统蓝色车牌、新能源汽车绿色车牌、黄色车牌等常见车牌类型的车辆，以提取不同的车牌照，应对多品类自动驾驶车辆可能出现的违规行为；例如：普通车牌号为{粤AEG888}、新能源汽车车牌号为{沪CF99638}。场景包含日间和夜间的晴天、阴天、雨天下的多种自然条件。基于车牌号，可在车联网中获取车辆信息与车主信息，进行泊车引导与违规通知，作为违规停车识别信息系统与违规车辆连接的数据。

引导自动驾驶车辆合规泊车。

接入车联网，基于车牌号检索数据，获取车辆信息。向车主发送违规停车警告信息，并申请发送引导信息至自动驾驶系统。若车主接收申请，则获取车辆过线程度，判定违规因素，基于多传感器与卫星导航引导自动驾驶车辆进行合规化泊车。若车主拒接申请，则应判定违规严重度。例如：违规原因包括相较停车位划线过线距离多以及停靠禁停区域。获取过线程度为II、III，则代表违规原因为，则向自动驾驶系统发送虚拟停车线坐标，车辆可基于激光雷达、机器视觉、惯性传感器进行多传感器融合的车位调整；若过线程度为X，则代表违规原因为停靠于禁停区域，则基于监控视频识别最近的空闲停车位，发送定位使车辆自动巡航至泊车位。由于系统目的是为避免影响道路通行并对不同的违规停车行为进行处罚，应当优先避免道路堵塞，若无法避免则应对违规行为进行处分。

基于多传感器融合的合规泊车。

判定自动驾驶汽车是否因过线程度高而违规。发送基于边缘检测与单目测距建立的虚拟停车位成像至违规车辆的自动驾驶系统；基于车载的激光雷达与惯性传感器进行多传感器融合的停车位感知模型，构建停车位与车辆的3D环境成像。确定停车位坐标，进行停车车位调整，并检测调整后停靠是否违规。向车主发送车牌号与停车调整后状态反馈，向交管部门输出摄像头编号与路段反馈。自动驾驶汽车可能会因停车位划线与记号不明显导致停车位识别失败，可基于车联网同步监控构建的虚拟停车位，结合激光雷达与调整。调整结束后，应输出两个反馈。例如：向相关部门反馈{1，停车位划线与记号可能须修复}，向车主发送{粤 AEG888，已合规停靠}。

基于卫星导航的自动巡航泊车。

判定自动驾驶汽车是否因停靠于禁停区域违规。检索与当前停车点最近的空闲合规停车点坐标，发送至违规车辆的自动驾驶系统。基于卫星导航引导车辆自动巡航泊车。向车主发送车牌号与新停车地点，向交管部门输出摄像头编号与路段反馈。将该监控区域基于车联网发送至自动驾驶系统，标记为禁停区域。违规停车区域可能会因未在自动驾驶系统标识且路段缺少禁停标志导致违规停车。例如：向车主发送{粤AEG888，新华北路118号}，向交管部门输出{1，路段可能缺少禁停标志}。

判断违规停车的严重性，同步违规信息。

基于车辆跟踪模型和监控检测违规车辆的停车时长T。获取当地违章停车的法规，获取违规严重度判定因素。对道路车流量L、违规停车时长T以及当地违规停车法规因素进行标准化，化作同一量级的数据。按照权重Wk将道路车流量L、违规停车时长T以及当地违规停车法规因素进行加权计算，获得违规停车严重度得分Q，得分越高，说明对应的违规停车事件越严重，更需获得惩罚。给定违规严重度阈值Q0，根据违规严重度得分将违规严重度分级以区分惩罚优先级。将违规信息数据通过交管部门接口进行同步。例如：车辆出现违规停车事件后，当地路边违规停车的法规规定过线距离D为判定因素，且可依照违规严重度得分将严重度分为I、II、III级；该车辆违规时，L、T、D分别为(45，30min，20cm)，设标准化的参考数值L0＝30、T0＝60、D0＝15，则原数值/参考数值进行标准化后为(1.5，0.5， 1.333)；设权重为(0.4，0.3，0.3)，则加权相加后严重度得分Q＝1.15，设阈值分别为0.8 与1.5，因0.8<＝1.15<＝1.5，所以车辆违规严重度为II级。违规信息应包括：违规车辆车牌号、违规地点、违规时间、违规停车图片、违规严重度。

步骤105，统计各区域违规停车情况，判断监控区域是否属于经常性违规路段。

获取各区域的违规停车事件数据。以天为单位统计各道路监控对应区域的各级违规停车事件的数量，记为Nk，以及一天内总违规数N。给定对应阈值Mk与M，当违规停车事件的数量达到对应的阈值，则标注对应监控区域为经常性违规路段。输出摄像头编号与区域的最大车流量。例如有两个监控区域，存在I、II、III三级违规停车事件，并设定M为8，III类违规停车事件的M3为2，M2为4，M1为6。1号区域于一天内发生I类违规停车事件1次， II类违规停车事件0次，III类违规停车事件2次，因N3>＝M3，则该区域为经常性违规路段；2号区域于一天内发生I类违规停车事件5次，II类事件3次，III类事件0次，因总数为8，判定2号区域为经常性违规路段。

步骤106，获取路段通行能力，以此为根据对经常性违规路段进行停车位规划。

获取经常性违规路段与其相邻路段的最大车流量Lmax。获取道路通行能力V与车道数N，计算道路载荷度C。按照设定的阈值C0进行路段的路边停车位规划。道路载荷度超过阈值的路段应标识禁停，避免路边违规停车引起堵车，低于阈值的可合理规划路边停车位，缓解经常性违规路段通行压力。将新的道路规划同步至车联网，规范自动驾驶车辆的停靠。例如：经常性违规路段的Lmax＝54，其道路通行能力V＝30，两车道，则C＝0.9,若设阈值C0＝0.6，则C>＝C0,不允许设置停车位。道路通行能力可参考《城市道路设计规范》,如20km/h限速下每分钟通行量为23辆/min，30km/h限速下为26辆/min。道路载荷度数值越低，说明当前道路车辆通行越流畅，反之则代表当前道路更易堵车。

Claims (7)

1.一种自动驾驶违规停车检测方法，其特征在于，所述方法包括：

构建违规停车信息系统，并判断监控道路所属类型；进行道路的记号和划线检测，识别停车位；识别车辆的停靠状态，所述识别车辆的停靠状态，具体包括：进行监控视频图像预处理，进行物体的静止识别，并判断物体是否为车辆；检测停靠车辆是否违规，判断违规严重度，引导合规泊车，所述检测停靠车辆是否违规，判断违规严重度，引导合规泊车，具体包括：构建过线程度判断模型，建立基于监控视频的道路车流量检测模型，构建违规车辆车牌号识别模型，引导自动驾驶车辆合规泊车，基于多传感器融合的合规泊车，基于卫星导航的自动巡航泊车，判断违规停车的严重性，同步违规信息；统计各区域违规停车情况，判断监控区域是否属于经常性违规路段；获取路段通行能力，以此为根据对经常性违规路段进行停车位规划。

2.根据权利要求1所述的方法，其中，所述构建违规停车信息系统，并判断监控道路所属类型，包括:

构建停车违规信息系统，接入交管部门认证API，以此获取各条道路监控摄像头的视频数据；接入开放的地图API，结合API和地图API提供的数据，当摄像头没有标记道路信息时判断接入系统的摄像头所监控道路的道路类型；输出监控摄像头对应的道路编号与地理位置，同步数据库。

3.根据权利要求1所述的方法，其中，所述进行道路的记号和划线检测，识别停车位，包括:

基于透视变化和边缘检测建立划线检测模型，以此判断停靠区域是否有停车位的划线；在车辆停靠区域中识别到停车线时，提取停车线标记已有停车位，而后检测停靠车辆的过线程度；在车辆停靠区域未识别到停车线且当地法规未规定禁止路边停车时，利用监控摄像头进行单目测距，在监控图像中绘制相较路边一定距离的平行线，以该线为标准检测停靠车辆的过线程度；基于LeNet-5卷积神经网络进行禁停标志识别，当存在停车标志则标记禁停区域；划分停车相关区域，输出道路编号、区域编号、停车位类型。

4.根据权利要求1所述的方法，其中，所述识别车辆的停靠状态，包括:

读取道路监控的视频图像，检测监控视频中的停车区域出现车辆时，提取该段时间序列中的视频帧，将图像进行预处理；基于混合高斯分布进行图像的背景建模，并与原图像相减；根据预设的物体停靠时间阙值判断物体是否进行静止；识别静止物体是否为车辆；包括：进行监控视频图像预处理；进行物体的静止识别，并判断物体是否为车辆；

所述进行监控视频图像预处理，具体包括:

检测出现车辆时，依照RGB颜色空间对固定时间间隔的视频帧进行灰度化处理；以灰度化处理后的图像的每个像素点为中心，选取一个像素点为奇数的矩形区域，将区域内各像素点的灰度值进行排序，以排序后的中值灰度值作为像素点的新灰度值；构建灰度值的直方图，计算图像各灰度值的累积分布频率并归一化处理得到P，将P与灰度直方图中对应灰度值的高度相乘并将结果进行四舍五入以生成新的灰度直方图，而后依照新灰度直方图对原始图像进行灰度值归并；输出预处理后的图像；

所述进行物体的静止识别，并判断物体是否为车辆，具体包括:

获取预处理后的图像，对每一帧的图像，利用混合高斯模型背景建模；去除不属于背景的目标，用当前帧减去时间T前的背景，判断一段时间序列中像素变化值是否稳定；判断像素变化之稳定后，当灰度值G区别超过预设的阙值G0便可判断物体静止于停车区域，记有物体为True，无物体为False；按照预设的静止判断阈值T0和静止时间T判断是否静止，记静止为True，无静止为False；基于目标检测进行车辆识别，当判断为车辆后输出图片与车辆检测框坐标。

5.根据权利要求1所述的方法，其中，所述检测停靠车辆是否违规，判断违规严重度，引导合规泊车，包括:

构建违规车辆信息数据类型WG，判断出现违规停车行为时存放数据项；将判断为静止车辆的图像作为输入项，检测停靠车辆是否属于违规停车；首先，判断识别车辆是否停靠于禁停区域，若结果为True则判定为违规，结果为False则根据过线距离按照预设的阙值判断是否违规停车；其次，当识别车辆存在违规停车行为时，识别获取车辆号；接入车联网，向车主发送违规停车提示，并申请发送信息至自动驾驶系统引导停车；若车主不接收请求，则建立违规严重度判断模型；获取道路监控实时视频，检测道路车流量；然后，基于目标跟踪算法记录违章停车的时长；基于违规停车相关因素，设定各因素权重Wk计算严重度分数P，按照预设阈值判定违规严重度；违规停车相关因素包括车辆过线距离、是否于禁停区域停车、违规停车时长、道路车流量；向交管部门数据库同步违规信息，输出车牌号，违规时间，违规停车地点，停车图片，违规严重度；包括：构建过线程度判断模型；建立基于监控视频的道路车流量检测模型；构建违规车辆车牌号识别模型；引导自动驾驶车辆合规泊车；基于多传感器融合的合规泊车；基于卫星导航的自动巡航泊车；判断违规停车的严重性，同步违规信息；

所述构建过线程度判断模型，具体包括:

输入监控图像与车辆矩形检测框坐标；提取车辆于监控视频图像中最靠道路外侧一点的坐标x1,y1与同一截面中划线最内侧一点的坐标x2,y2；基于单目测距算法，计算车辆最外侧坐标与划线坐标的水平距离，记为车辆的过线距离D；按照预定阈值D0判定车辆的过线程度，无过线记为I、轻微过线记为II、严重过线记为III；若车辆停于禁停区域，则记其过线程度为X级；若过线程度为II、III、X，则记为违规停车；以当天检测的车辆次序作为违规车辆编号，输出摄像头编号，违规车辆编号，违规时间，过线程度，过线距离；

所述建立基于监控视频的道路车流量检测模型，具体包括:

首先，基于深度神经网路构建多车辆在线跟踪模型；其次，利用道路摄像头采集大量的多环境下的道路车辆行驶视频，运用YOLOv3进行车辆检测，将检测的输出结果划分为模型的训练集和测试集；然后，基于非极大值抑制去除重叠的车辆检测候选框，并运用卡尔曼滤波进行车辆运动轨迹预测，度量下一帧视频中运动轨迹与预测的匹配度；而后，对照测试集视频中实际通行数量与检测通行数量，测试模型精准度并修正检测器参数；最后，统计一定时间内通过的车辆数，计算车流量L=车辆数/时间；输出检测时间与实时车流量；

所述构建违规车辆车牌号识别模型，具体包括:

首先，基于目标检测框架YOLOv3建立车牌检测的卷积神经网络模型；其次，基于监控视频进行人工筛选，标记车牌位置，构建多样性场景的预处理车辆图像样本库，划分训练集和测试集；而后，构建基于循环神经网络的OCR模型；生成具有标签的虚拟车牌图像作为样本库，划分训练集和测试集；依照测试集的识别准确度进行损失函数、目标函数与模型参数的调整；将车牌图像输入训练后的OCR模型，提取图像中的字符串；输出车牌号；

所述引导自动驾驶车辆合规泊车，具体包括:

接入车联网，基于车牌号检索数据，获取车辆信息；向车主发送违规停车警告信息，并申请发送引导信息至自动驾驶系统；若车主接收申请，则获取车辆过线程度，判定违规因素，基于多传感器与卫星导航引导自动驾驶车辆进行合规化泊车；若车主拒接申请，则应判定违规严重度；

所述基于多传感器融合的合规泊车，具体包括:

判定自动驾驶汽车是否因过线程度高而违规；发送基于边缘检测与单目测距建立的虚拟停车位成像至违规车辆的自动驾驶系统；基于车载的激光雷达与惯性传感器进行多传感器融合的停车位感知模型，构建停车位与车辆的3D环境成像；确定停车位坐标，进行停车车位调整，并检测调整后停靠是否违规；向车主发送车牌号与停车调整后状态反馈，向交管部门输出摄像头编号与路段反馈；

所述基于卫星导航的自动巡航泊车，具体包括:

判定自动驾驶汽车是否因停靠于禁停区域违规；检索与当前停车点最近的空闲合规停车点坐标，发送至违规车辆的自动驾驶系统；基于卫星导航引导车辆自动巡航泊车；向车主发送车牌号与新停车地点，向交管部门输出摄像头编号与路段反馈；将该监控区域基于车联网发送至自动驾驶系统，标记为禁停区域；

所述判断违规停车的严重性，同步违规信息，具体包括:

基于车辆跟踪模型和监控检测违规车辆的停车时长T；获取当地违章停车的法规，获取违规严重度判定因素；对道路车流量L、违规停车时长T以及当地违规停车法规因素进行标准化，化作同一量级的数据；按照权重Wk将道路车流量L、违规停车时长T以及当地违规停车法规因素进行加权计算，获得违规停车严重度得分Q，得分越高，说明对应的违规停车事件越严重，更需获得惩罚；给定违规严重度阈值Q0，根据违规严重度得分将违规严重度分级以区分惩罚优先级；将违规信息数据通过交管部门接口进行同步。

6.根据权利要求1所述的方法，其中，所述统计各区域违规停车情况，判断监控区域是否属于经常性违规路段，包括:

获取各区域的违规停车事件数据；以天为单位统计各道路监控对应区域的各级违规停车事件的数量，记为Nk，以及一天内总违规数N；给定对应阈值Mk与M，当违规停车事件的数量达到对应的阈值，则标注对应监控区域为经常性违规路段；输出摄像头编号与区域的最大车流量。

7.根据权利要求1所述的方法，其中，所述获取路段通行能力，以此为根据对经常性违规路段进行停车位规划，包括:

获取经常性违规路段与其相邻路段的最大车流量Lmax；获取道路通行能力V与车道数N，计算道路载荷度C；按照设定的阈值C0进行路段的路边停车位规划；道路载荷度超过阈值的路段应标识禁停，避免路边违规停车引起堵车，低于阈值的可合理规划路边停车位，缓解经常性违规路段通行压力；将新的道路规划同步至车联网，规范自动驾驶车辆的停靠。

Images