(19)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 202211318418.8 (22)申请日 2022.10.26 (71)申请人 中国电子系统技 术有限公司 地址 100036 北京市海淀区复兴 路四十九 号 (72)发明人 潘明远　朱金华　刘加　李鹏飞　 左健豪　赵冲　 (74)专利代理 机构 北京尚钺知识产权代理事务 所(普通合伙) 11723 专利代理师 王海荣 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/254(2017.01) G06T 7/11(2017.01) G06T 7/62(2017.01)G06T 7/90(2017.01) G06V 10/82(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) (54)发明名称 一种基于yolov5的车辆 违停识别方法 (57)摘要 本发明涉及深度学习图像分析处理技术领 域， 提供一种基于yolov5的车辆违停识别方法， 本发明的方法， 包括： 采集并解析车辆停放图片 得到车辆停放数据集， 根据车辆停放数据集训练 并部署yolov5检测模型； 通过页面配置系统算法 参数， 根据配置好的系统算法参数调用部署的 yolov5检测模型， 处理摄像头下的图片， 输出车 辆位置信息； 根据当前帧图片与上一帧图片中的 车辆位置信息， 判断当前帧图片中的车辆是否违 停， 对违停车辆输出报警信息。 根据本发明示例 性实施例的基于yolov5的车辆违停识别方法， 可 以高效、 准确地识别车辆违停行为并及时发出报 警信息， 方便城市管理。 权利要求书2页 说明书6页 附图2页 CN 115546181 A 2022.12.30 CN 115546181 A 1.一种基于yo lov5的车辆违停 识别方法， 其特 征在于， 所述方法， 包括： 步骤S1： 采集并解析车辆停放图片得到车辆停放数据集， 根据车辆停放数据集训练并 部署yolov5检测模型； 步骤S2： 通过页面配置系统算法参数， 根据配置好的系统算法参数调用部署的yolov5 检测模型， 处 理摄像头下的图片， 输出 车辆位置信息； 步骤S3： 根据当前帧图片与上一帧图片中的车辆位置信息， 判断当前帧图片中的车辆 是否违停， 对违停车辆 输出报警信息 。 2.根据权利要求1所述的基于yo lov5的车辆违停 识别方法， 其特 征在于， 步骤S1， 包括： 步骤S11： 采集车辆停放图片， 对采集的车辆停放图片进行清洗处理和标注处理， 得到 车辆停放数据集， 将车辆停放数据集按比例划分为训练数据集与测试 数据集； 步骤S12： 采用训练数据集训练yo lov5检测模型， 保存训练过程中的模型参数； 步骤S13： 采用测试 数据集验证保存的模型参数， 获取优化的yo lov5检测模型； 步骤S14： 将优化的yo lov5检测模型部署在GPU服 务器上。 3.根据权利要求1所述的基于yolov5的车辆违停识别方法， 其特征在于， 步骤S1中， 采 集并解析 车辆停放图片得到车辆停放数据集， 包括： 通过监控摄像头采集车辆停放图片， 根据图片清晰度与 是否完好去除采集车辆停放图 片中的无效图片； 采用labelImg标注工具在 车辆停放图片中标注车辆的矩形框， 标记车辆类型， 生成xml 标注文件并将xml标注文件转换为适用于yolov5检测 模型的txt文件， txt文件中每行表示 一个车辆的信息， 包含车辆类别、 车辆中心点横坐标、 车辆中心点纵坐标、 车辆宽度和车辆 高度。 4.根据权利要求1所述的基于yolov5的车辆违停识别方法， 其特征在于， 步骤S1中， 根 据车辆停 放数据集训练并部署yolov5检测模 型， 包括： 在训练过程中， 通过数据增强方法扩 充训练数据集， 所述数据增强方法包括图片旋转、 图片平 移、 图片翻折以及图片随机 裁剪。 5.根据权利要求1所述的基于yo lov5的车辆违停 识别方法， 其特 征在于， 步骤S2， 包括： 步骤S21： 通过页面配置系统算法参数， 所述系统算法参数包括： 任务起始时间、 摄像头 id、 违停时长阈值、 车辆 置信度以及违停区域； 步骤S22： 采用配置好的系统算法参数调用步骤S1中部署的yo lov5检测模型； 步骤S23： 采用部署的yolov5检测模型检测车辆停放图片中置信度大于等于设定车辆 置信度的车辆； 步骤S24： 采用部署的yolov5检测模型检测步骤S23中的车辆是否在违停区域， 当所述 车辆在违停区域内， 将报警标志 位初始化为0， 输出添加有初始 化的报警标志 位的车辆位置 信息。 6.根据权利要求1所述的基于yo lov5的车辆违停 识别方法， 其特 征在于， 步骤S3， 包括： 获取当前帧图片与上一帧图片中的车辆位置信息； 设置重合度阈值， 根据当前帧图片 与上一帧图片中的车辆位置信息判断当前帧图片与上一帧图片中的位置是否为同一 位置； 如果当前帧图片与 上一帧图片中的位置是同一位置， 通过感知哈希算法计算两帧图片 中的车辆的相似度， 根据相似度判断两帧图片中的车辆是否为同一车辆； 如果两帧图片中的车辆为同一车辆， 将上一帧图片的报警标志位赋给当前帧图片， 将权　利　要　求　书 1/2 页 2 CN 115546181 A 2上一帧图片产生的时间赋给当前帧图片产生的时间， 根据当前帧图片的报警标志位及违停 时长判断当前帧图片中的车辆是否违停； 如果当前帧图片中的车辆被判定为违停， 报警并将当前帧图片的报警标志位 修改为1。 7.根据权利 要求6所述的基于yolov5的车辆违停识别方法， 其特征在于， 设置重合度阈 值， 根据当前帧图片与上一帧图片中的车辆位置信息判断是当前帧图片与上一帧图片中的 位置是否为同一 位置， 包括： 计算当前帧图片标注的车辆矩形框与上一帧图片标注的车辆矩形框的交集面积与并 集面积； 将所述交集面积与 所述并集面积的比值作为重合度值， 比较重合度值与设置的重合度 阈值， 若重合度值大于等于重合度阈值， 判定当前帧图片与上一帧图片 中的位置为同一位 置； 若重合度值小于 重合度阈值， 判定当前帧图片与上一帧图片中的位置为 不同位置 。 8.根据权利 要求6所述的基于yolov5的车辆违停识别方法， 其特征在于， 如果当前帧图 片与上一帧图片中的位置是同一位置， 通过感知 哈希算法计算两帧图片中的车辆的相似 度， 根据相似度判断两帧图片中的车辆是否为同一车辆， 包括： 将当前帧图片与上一帧图片的像素缩放至32*32， 分别得到两帧图片的32*32像素值矩 阵， 将缩放后的两帧图片转 化为灰度图； 分别对两帧图片的32*32像素值矩阵进行离散余弦变换， 分别从变换后的矩阵左上角 获取对应的8*8的矩阵， 分别将对应的8*8矩阵拉伸为1*64的向量， 并分别计算1*64的向量 中64个值的平均值； 遍历当前帧灰度图中的每个像素， 比较每个像素的灰度值与对应的平均值； 遍历上一 帧灰度图中的每个像素， 比较每个像素 的灰度值与对应的平均值； 如果像素 的灰度值大于 平均值， 记录为1， 否则记录为0， 分别得到 两帧图片的 由64位1或0的数值构成的哈希值； 计算两帧灰度图的哈希值之间的汉明距离dist， 将所述汉明距离dist按以下公式转化 为相似度： similarity＝1 ‑dist*1.0 /64 式中， similarity为相似度， dist为汉明距离； 设置相似度阈值， 如果相似度大于相似度阈值， 判定当前帧图片与上一帧图片中的车 辆为同一车辆； 如果相似度不大于相似度阈值， 判定当前帧图片与上一帧图片 中的车辆为 不同车辆 。 9.根据权利 要求6所述的基于yolov5的车辆违停识别方法， 其特征在于， 根据当前帧图 片的报警标志位及违停 时长判断当前帧图片 中的车辆是否违停， 包括： 如果当前帧图片的 报警标志位 为0， 车辆停车时长大于违停时长阈值时， 判定当前帧图片中的车辆违停。 10.根据权利 要求1所述的基于yolov5的车辆违停识别方法， 其特征在于， 所述方法， 包 括： 在任务 起始时间内， 循环执 行步骤S3的操作。权　利　要　求　书 2/2 页 3 CN 115546181 A 3