(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 202210749036.4 (22)申请日 2022.06.29 (71)申请人 上海华讯网络系统有限公司 地址 201203 上海市浦东 新区碧波路45 6号 A109-1室 (72)发明人 王晓龙　张晏玮　幸健　蒋雄　 安国成　 (74)专利代理 机构 上海锻创知识产权代理有限 公司 314 48 专利代理师 陈少凌 (51)Int.Cl. G08G 1/015(2006.01) G08G 1/14(2006.01) G06V 20/40(2022.01) G06V 20/52(2022.01)G06N 3/08(2006.01) (54)发明名称 基于全局匹配策略的违停事件识别方法及 系统 (57)摘要 本发明提供了一种基于全局匹配策略的违 停事件识别方法及系统， 包括输入图像预处理； 深度学习模 型进行车辆目标检测； 车型与车位自 动分组； 车型与车位进行绑定； 加权停车位占用 率计算， 计算每个车位的加权停车位占用率， 构 建带权重车位占用率矩阵； 进行匈牙利匹配， 对 正常占用组合， 将步骤S5中生成的带权占用率矩 阵作为计算匈牙利匹配代价矩阵的依据， 进行匈 牙利匹配算法， 为每个停车位搜索到最匹配的车 辆； 进行新型距离计算， 对于异常占用的组合， 通 过计算车辆与车位区域的接近程度来判断停车 位占用状态。 本发明降低了基于AI视觉算法的违 停检测技术的漏检与误检； 提高对不文明停车行 为检测精度。 权利要求书3页 说明书9页 附图1页 CN 115331450 A 2022.11.11 CN 115331450 A 1.一种基于全局匹配策略的违停事 件识别方法， 其特 征在于， 所述方法包括如下步骤： 步骤S1： 输入图像预处理， 输入图像为一张RGB图像， 将图像分辨率压缩/放大到目标检 测网络能够处理分辨率大小， 然后对图像进行归一化和通道转换处理后， 得到最终输入图 像； 步骤S2： 深度学习模型进行 车辆目标检测； 步骤S3： 车 型与车位自动分组； 步骤S4： 车型与车位进行绑定， 根据车型类别， 将检测出的车辆划分为大车组和小车 组， 根据车位类别将车位划分为大车位组和小车位组， 车型与车位按分组， 两两组合， 相同 的车型与车位组合 为正常组合， 不同则为异常组合； 步骤S5： 加权停车位占用率计算， 计算每个车位的加权停车位占用率， 构建带权重车位 占用率矩阵； 步骤S6： 进行匈牙利匹配， 对正常占用组合， 将步骤S5中生成的带权占用率矩阵作 为计 算匈牙利匹配代价矩阵的依据， 进行匈 牙利匹配算法， 为每 个停车位搜索到最匹配的车辆； 步骤S7： 进行新型距离计算， 对于异常占用的组合， 通过计算车辆与车位区域的接近程 度来判断停车位占用状态。 2.根据权利要求1所述的基于全局匹配策略的违停事件识别方法， 其特征在于， 所述步 骤S2中的车辆目标检测包括： 将预处理后的图像输入到深度 学习目标检测模型中， 检测出图像中的车辆位置及 分类 信息， 位置信息能够表示一个车辆目标 的大小以及在图像中的位置， 分类信息能够描述车 辆属于哪种车 型， 车型总数为 N， N的取值是目标检测模型能够检测出的车 型数量。 3.根据权利要求1所述的基于全局匹配策略的违停事件识别方法， 其特征在于， 所述步 骤S3中的车 型与车位自动分组包括： 将检测出的车辆进行分组， 按照车长、 体积和功能划分为不同的组， 同理将停车位划分 为与车型对应的停车位组， 将原本的N种车型， 简化为对K种车型组违停检测， 其中N>K， K取 值为2， 即车 型分组为大 车组和小车组。 4.根据权利要求1所述的基于全局匹配策略的违停事件识别方法， 其特征在于， 所述步 骤S5中的加权停车位占用率计算包括： 停车位占用率是指停车位区域中被车辆矩形区域覆盖的面积与停车位区域总面积 的 比， 加权的停车位占用率表示 为： M表示停车位划分出的子区域数量， Si表示车辆矩形区域与停车位第i个区域重叠面 积， Wi表示停车位第i个区域权 重,Di表示停车位第i个区域的面积。 5.根据权利要求1所述的基于全局匹配策略的违停事件识别方法， 其特征在于， 所述步 骤S6中的匈 牙利匹配算法包括： 设定一个占用率阈值t， t表示匹配过程中能接受的最小车位占用率， 将占用率矩阵中 将小于t的值置为0； 利用上一步所得到 的占用率矩阵， 计算出匈牙利匹配所需的代价矩阵cost_martrix，权　利　要　求　书 1/3 页 2 CN 115331450 A 2如公式3： cost_mar trixij＝1‑w_accupy_mar trixij 公式3 代价矩阵中的每一个值cost_mar trixij表示第i个停车位与第j辆车组合所需的代价； 进行匈牙利匹配， 计算出能够使总体代价最小的最佳匹配组合， 若停车位能匹配到车 位， 则该停车位状态更新为正常占用， 若没有可与停车位匹配的车辆， 则车位状态为未占 用。 6.一种基于全局匹配策略的违停事 件识别系统， 其特 征在于， 所述系统包括如下模块： 模块M1： 输入图像预处理， 输入图像为一张RGB图像， 将图像分辨率压缩/放大到目标检 测网络能够处理分辨率大小， 然后对图像进行归一化和通道转换处理后， 得到最终输入图 像； 模块M2： 深度学习模型进行 车辆目标检测； 模块M3： 车型与车位自动分组； 模块M4： 车型与车位进行绑定， 根据车型类别， 将检测出的车辆划分为大车组和小车 组， 根据车位类别将车位划分为大车位组和小车位组， 车型与车位按分组， 两两组合， 相同 的车型与车位组合 为正常组合， 不同则为异常组合； 模块M5： 加权停车位占用率计算， 计算每个车位的加权停车位占用率， 构建带权重车位 占用率矩阵； 模块M6： 进行匈牙利匹配， 对正常占用组合， 将模块M5中生成的带权占用率矩阵作 为计 算匈牙利匹配代价矩阵的依据， 进行匈 牙利匹配算法， 为每 个停车位搜索到最匹配的车辆； 模块M7： 进行新型距离计算， 对于异常占用的组合， 通过计算车辆与车位区域的接近程 度来判断停车位占用状态。 7.根据权利要求6所述的基于全局匹配策略的违停事件识别系统， 其特征在于， 所述模 块M2中的车辆目标检测包括： 将预处理后的图像输入到深度 学习目标检测模型中， 检测出图像中的车辆位置及 分类 信息， 位置信息能够表示一个车辆目标 的大小以及在图像中的位置， 分类信息能够描述车 辆属于哪种车 型， 车型总数为 N， N的取值是目标检测模型能够检测出的车 型数量。 8.根据权利要求6所述的基于全局匹配策略的违停事件识别系统， 其特征在于， 所述模 块M3中的车型与车位自动分组包括： 将检测出的车辆进行分组， 按照车长、 体积和功能划分为不同的组， 同理将停车位划分 为与车型对应的停车位组， 将原本的N种车型， 简化为对K种车型组违停检测， 其中N>K， K取 值为2， 即车 型分组为大 车组和小车组。 9.根据权利要求6所述的基于全局匹配策略的违停事件识别系统， 其特征在于， 所述模 块M5中的加权停车位占用率计算包括： 停车位占用率是指停车位区域中被车辆矩形区域覆盖的面积与停车位区域总面积 的 比， 加权的停车位占用率表示 为： M表示停车位划分出的子区域数量， Si表示车辆矩形区域与停车位第i个区域重叠面权　利　要　求　书 2/3 页 3 CN 115331450 A 3