一种用于停车异常检测预警方法及系统与流程

1.本技术涉及车辆监测技术领域，具体涉及一种用于停车异常检测预警方法及系统。


背景技术：

2.随着人们生活水平的提高，家用轿车的数量也越来越多，随之而来的是日益严重的交通拥堵问题和日渐增多的交通事故。目前存在的交通拥堵问题和交通事故大部分是由于违规停车、乱停乱放等现象造成的。传统的停车异常识别通常是通过人工对已有的交通影像数据进行识别，这种方法很大程度上降低了交通异常识别的效率和准确率，也影响了后期的处理速度。
3.综上所述，现有技术中存在通过人工对交通影像数据进行异常停车行为识别效率和准确率低的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种用于停车异常检测预警方法及系统。
5.一种用于停车异常检测预警方法，所述方法包括：连接目标区域道路监测系统，获得预设时间窗口内所述目标区域的道路图像数据；对所述道路图像数据进行预处理，获得道路图像处理结果；基于卷积神经网络构建异常停车识别模型；通过所述异常停车识别模型对所述道路图像处理结果进行异常停车识别，获得异常停车识别结果，其中所述异常停车识别结果包括车辆位置信息、异常停车状态、车辆信息；基于所述车辆位置信息对所述异常停车状态进行危险等级划分，获得异常停车危险级别；将所述车辆信息输入所述目标区域车联网系统，获得异常车辆画像信息；基于异常停车危险级别和所述异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人。
6.在一个实施例中，所述对所述道路图像数据进行预处理，获得道路图像处理结果，还包括：获得最近一次所述预设时间窗口内所述目标区域的道路图像数据，并将所述道路图像数据作为图像对比数据；基于所述图像对比数据对所述道路图像数据进行去噪处理，获得道路图像去噪数据；对所述道路图像去噪数据进行的图像增强处理，获得所述道路图像处理结果。
7.在一个实施例中，所述基于卷积神经网络构建异常停车识别模型，还包括：所述异常停车识别模型包括异常停车识别子模型和车辆特征提取子模型；基于bp神经网络，构建异常停车识别子模型；所述异常停车识别子模型包括违停区域判断模块和违停区域异常停车识别模块；通过图像采集装置获得所述目标区域的违停区域多角度的图像信息，根据所述图像信息构建区域样本数据集；通过所述区域样本数据集对所述异常停车识别子模型进行监督训练，获得所述违停区域判断模块；基于大数据进行多种违停车辆图像信息采集，根据违停车辆图像信息采集结果构建车辆样本数据集；通过所述车辆样本数据集对所述违停区域异常停车识别模块进行监督训练，获得所述违停区域异常停车识别模块。
8.在一个实施例中，还包括：基于卷积神经网络，构建所述车辆特征提取子模型；所述车辆特征提取子模型包括输入层、卷积层和输出层，其中所述输入层与所述异常停车识别子模型相连接；根据历史车辆图像信息和历史车辆图像特征提取结果构建样本数据集；通过所述样本数据集对所述车辆特征提取子模型进行监督训练，获得特征提取卷积核，并将所述特征提取卷积核嵌入所述车辆特征提取子模型的卷积层。
9.在一个实施例中，所述基于所述车辆位置信息对所述异常停车状态进行危险等级划分，获得异常停车危险级别，还包括：对所述目标区域的违停区域进行违停危险等级划分，获得违停区域危险等级；根据所述违停区域危险等级对所述车辆位置进行危险等级匹配，获得所述车辆位置违停危险等级；基于所述车辆位置违停危险等级和所述车辆信息对所述异常停车状态进行危险等级划分，获得所述异常停车危险级别。
10.在一个实施例中，所述将所述车辆信息输入所述目标区域车联网系统，获得异常车辆画像信息，所述方法还包括：对所述目标区域历史违停事件的车辆信息进行查询并记录，获得历史违停车辆信息集合；根据所述历史违停车辆信息集合构建违停车辆画像数据库，并将所述违停车辆数据库嵌入所述目标区域车辆网系统；将所述车辆信息输入所述目标区域车辆网系统，通过所述车辆画像数据库进行信息匹配，获得所述异常车辆画像信息。
11.在一个实施例中，所述基于异常停车危险级别和所述异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人，所述方法还包括：设置预警信息级别和处罚措施，其中所述预警信息级别和所述处罚措施具有对应关系；将所述异常停车危险级别输入预警信息对照表生成第一预警信息；根据所述异常车辆画像信息对所述第一预警信息进行信息校正，生成所述预警信息；根据所述预警信息生成车主预警信息和违规预警信息，其中所述违规预警信息包含车辆位置信息和处罚措施；通过所述目标区域车联网系统获取车主信息，将所述车主预警信息发送至所述车主。
12.在一个实施例中，所述方法还包括：获取所述目标区域多个交通负责人的实时位置信息；基于所述车辆位置信息和所述实时位置信息获得距离异常车辆最近的交通负责人；将所述违规预警信息发送至所述交通负责人。
13.一种用于停车异常检测预警系统，包括：
14.道路图像数据获得模块，所述道路图像数据获得模块用于连接目标区域道路监测系统，获得预设时间窗口内所述目标区域的道路图像数据；
15.道路图像处理结果获得模块，所述道路图像处理结果获得模块用于对所述道路图像数据进行预处理，获得道路图像处理结果；
16.异常停车识别模型构建模块，所述异常停车识别模型构建模块用于基于卷积神经网络构建异常停车识别模型；
17.异常停车识别结果获得模块，所述异常停车识别结果获得模块用于通过所述异常停车识别模型对所述道路图像处理结果进行异常停车识别，获得异常停车识别结果，其中所述异常停车识别结果包括车辆位置信息、异常停车状态、车辆信息；
18.异常停车危险级别获得模块，所述异常停车危险级别获得模块用于基于所述车辆位置信息对所述异常停车状态进行危险等级划分，获得异常停车危险级别；
19.异常车辆画面信息获得模块，所述异常车辆画面信息获得模块用于将所述车辆信息输入所述目标区域车联网系统，获得异常车辆画像信息；
20.预警信息发送模块，所述预警信息发送模块用于基于异常停车危险级别和所述异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人。
21.上述一种用于停车异常检测预警方法及系统，能够解决通过人工对交通影像数据进行异常停车行为识别效率和准确率低的问题，通过连接目标区域道路监测系统，获得预设时间窗口内所述目标区域的道路图像数据；对所述道路图像数据进行预处理，获得道路图像处理结果；基于卷积神经网络构建异常停车识别模型；通过所述异常停车识别模型对所述道路图像处理结果进行异常停车识别，获得异常停车识别结果，其中所述异常停车识别结果包括车辆位置信息、异常停车状态、车辆信息；基于所述车辆位置信息对所述异常停车状态进行危险等级划分，获得异常停车危险级别；将所述车辆信息输入所述目标区域车联网系统，获得异常车辆画像信息；基于异常停车危险级别和所述异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人。可以提高异常停车行为检测的准确率和效率，通过生成预警信息进行异常预警，从而可以降低交通事故发生的概率。
22.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
23.图1为本技术提供了一种用于停车异常检测预警方法的流程示意图；
24.图2为本技术提供了一种用于停车异常检测预警方法中构建异常停车识别模型的流程示意图；
25.图3为本技术提供了一种用于停车异常检测预警方法中获得异常停车危险级别的流程示意图；
26.图4为本技术提供了一种用于停车异常检测预警系统的结构示意图。
27.附图标记说明：道路图像数据获得模块1、道路图像处理结果获得模块2、异常停车识别模型构建模块3、异常停车识别结果获得模块4、异常停车危险级别获得模块5、异常车辆画面信息获得模块6、预警信息发送模块7。
具体实施方式
28.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
29.如图1所示，本技术提供了一种用于停车异常检测预警方法，所述方法包括：
30.步骤s100：连接目标区域道路监测系统，获得预设时间窗口内所述目标区域的道路图像数据；
31.具体而言，获得目标区域，所述目标区域为待进行停车异常检测的区域，连接所述目标区域道路监测系统，所述目标区域道路监测系统为由多个图像采集装置进行道路图像采集的综合道路监测系统。预设时间窗口，所述预设时间窗口本领域技术人员可基于道路实际情况自定义设置，例如：在早晚上下班高峰时期，时间窗口可设置为分钟，在中午空闲
时间段可设置为分钟，通过灵活设置时间窗口，可以在不降低监测效果的同时节约工作时间。获得所述预设时间窗口内的所述目标区域的道路图像数据。通过获得所述道路图像数据，为下一步进行停车异常分析提供了原始数据支持。
32.步骤s200：对所述道路图像数据进行预处理，获得道路图像处理结果；
33.在一个实施例中，本技术步骤s200还包括：
34.步骤s210：获得最近一次所述预设时间窗口内所述目标区域的道路图像数据，并将所述道路图像数据作为图像对比数据；
35.步骤s220：基于所述图像对比数据对所述道路图像数据进行去噪处理，获得道路图像去噪数据；
36.步骤s230：对所述道路图像去噪数据进行的图像增强处理，获得所述道路图像处理结果。
37.具体而言，获得上一个所述预设时间窗口内所述目标区域的道路图像数据，并将所述道路图像数据作为图像对比数据。根据所述图像对比数据对所述道路图像数据进行去噪处理，所述去噪处理是指将所述道路图像数据与所述图像对比数据中相同的图像数据进行剔除，获得道路图像去噪数据，通过对所述道路图像数据进行去噪处理，可以减少重复工作时间，提高道路图像异常识别的效率。然后对所述道路图像去噪数据进行图像增强处理，所述图像增强处理即对目标物进行图像增强，所述目标物包括违停区域图像、车辆图像等有价值的图像信息，获得所述道路图像处理结果。通过对所述道路图像数据进行预处理，可以减少重复工作时间，提高道路图像异常识别的效率和准确率。
38.步骤s300：基于卷积神经网络构建异常停车识别模型；
39.如图2所示，在一个实施例中，本技术步骤s300还包括：
40.步骤s310：所述异常停车识别模型包括异常停车识别子模型和车辆特征提取子模型；
41.步骤s320：基于bp神经网络，构建异常停车识别子模型；
42.步骤s330：所述异常停车识别子模型包括违停区域判断模块和违停区域异常停车识别模块；
43.步骤s340：通过图像采集装置获得所述目标区域的违停区域多角度的图像信息，根据所述图像信息构建区域样本数据集；
44.步骤s350：通过所述区域样本数据集对所述异常停车识别子模型进行监督训练，获得所述违停区域判断模块；
45.步骤s360：基于大数据进行多种违停车辆图像信息采集，根据违停车辆图像信息采集结果构建车辆样本数据集；
46.步骤s370：通过所述车辆样本数据集对所述违停区域异常停车识别模块进行监督训练，获得所述违停区域异常停车识别模块。
47.具体而言，构建异常停车识别模型，所述异常停车识别模型由异常停车识别子模型和车辆特征提取子模型组成。首先，基于bp神经网络，构建异常停车识别子模型，所述异常停车识别子模型为机器学习中可以不断进行分迭代优化的神经网络模型，通过训练数据集进行监督训练获得。其中所述异常停车识别子模型包括违停区域判断模块和违停区域异常停车识别模块，所述违停区域判断模块用于判断该区域是否为违停区域，所述违停区域
异常停车识别模块用于判断处于违停区域的物体是否为违停车辆。所述违停车辆是指符合违停标准的机动车，例如：轿车、越野车、皮卡等，不包含自行车、电动车等。
48.通过图像采集装置获得所述目标区域的多个违停区域多个角度的图像信息，获得违停区域图像信息集合，并将所述违停区域图像信息集合标注为区域样本数据集。根据预设数据划分指标将所述区域样本数据集划分为区域样本训练集和区域样本验证集，所述预设数据划分指标本领域技术人员可自定义设置，例如：训练集80％、验证集20％。根据所述区域样本训练集对所述违停区域判断模块进行监督训练，通过所述区域样本验证集对所述违停区域判断模块进行输出结果验证，获得所述违停区域判断模块，其中所述违停区域判断模块的输入数据为道路图像信息，输入数据为符合违停区域的图像信息。
49.基于大数据技术进行违停车辆图像信息采集，所述违停车辆图像信息包含多种违停车辆的多角度图像，并根据违停车辆图像信息采集结果构建车辆样本数据集。根据预设数据划分规则将所述车辆样本数据集划分为车辆样本训练集和车辆样本验证集。通过所述车辆样本训练集对所述违停区域异常停车识别模块进行监督训练，通过所述车辆样本验证集对所述违停区域异常停车识别模块的输出结果进行验证，获得所述违停区域异常停车识别模块，其中所述违停区域异常停车识别模块的输入数据为符合违停区域的图像信息，输入数据为是否符合违停车辆。
50.在一个实施例中，本技术步骤s300还包括：
51.步骤s380：基于卷积神经网络，构建所述车辆特征提取子模型；
52.步骤s390：所述车辆特征提取子模型包括输入层、卷积层和输出层，其中所述输入层与所述异常停车识别子模型相连接；
53.步骤s3100：根据历史车辆图像信息和历史车辆图像特征提取结果构建样本数据集；
54.步骤s3110：通过所述样本数据集对所述车辆特征提取子模型进行监督训练，获得特征提取卷积核，并将所述特征提取卷积核嵌入所述车辆特征提取子模型的卷积层。
55.具体而言，基于卷积神经网络，构建所述车辆特征提取子模型，其中所述车辆特征提取子模型由输入层、卷积层和输出层构成，所述输入层的输入信息为违停车辆图像信息，所述输入层与所述异常停车识别子模型的输出层相连接，所述输出层的输出信息为违停车辆图像特征提取结果。
56.获得多个历史车辆图像信息和历史车辆图像特征提取结果，其中所述历史车辆图像信息和历史车辆图像特征提取结果具有对应关系，所述历史车辆图像特征提取结果可自定义设置，例如：车辆位置、车牌号、车辆颜色等特征。通过所述历史车辆图像信息和历史车辆图像特征提取结果构建样本数据集。通过所述样本数据集对所述车辆特征提取子模型进行监督训练，获得符合特征提取结果的卷积核，然后将所述特征提取卷积核嵌入所述车辆特征提取子模型的卷积层。通过基于卷积神经网络构建所述异常停车识别模型，可以提高异常停车行为识别的效率和准确率。
57.步骤s400：通过所述异常停车识别模型对所述道路图像处理结果进行异常停车识别，获得异常停车识别结果，其中所述异常停车识别结果包括车辆位置信息、异常停车状态、车辆信息；
58.具体而言，将所述道路图像处理结果输入所述异常停车识别模型，首先通过所述
异常停车识别子模型进行异常停车状态识别，获得异常停车车辆图像，然后通过所述车辆特征提取子模型对所述异常停车车辆图像进行特征识别，获得异常停车识别结果，其中所述异常停车识别结果中包括车辆位置信息、异常停车状态和车辆信息。通过获得所述异常停车识别结果，为下一步生成预警信息提供了数据支持。
59.步骤s500：基于所述车辆位置信息对所述异常停车状态进行危险等级划分，获得异常停车危险级别；
60.如图3所示，在一个实施例中，本技术步骤s500还包括：
61.步骤s510：对所述目标区域的违停区域进行违停危险等级划分，获得违停区域危险等级；
62.步骤s520：根据所述违停区域危险等级对所述车辆位置进行危险等级匹配，获得所述车辆位置违停危险等级；
63.步骤s530：基于所述车辆位置违停危险等级和所述车辆信息对所述异常停车状态进行危险等级划分，获得所述异常停车危险级别。
64.具体而言，预设危险等级划分规则，根据所述危险等级划分规则对所述目标区域的违停区域进行违停危险等级划分，获得违停区域危险等级，例如：交通路口的违停可设置为三级危险，马路边违停设置为一级危险。然后根据所述违停区域危险等级对所述车辆位置进行危险等级匹配，获得所述车辆位置违停危险等级。根据所述车辆信息进行违停危险系数分析，例如：小型轿车违停为一级风险、水泥罐车违停为三级风险等。预设权重划分比例，所述权重划分比例本领域人员可自定义设置，例如：60％、40％。根据所述权重划分比例、所述车辆位置违停危险等级、所述车辆违停危险系数进行加权计算，获得所述异常停车危险级别。通过获得所述异常停车危险级别，为下一步生成预警信息提供了支持。
65.步骤s600：将所述车辆信息输入所述目标区域车联网系统，获得异常车辆画像信息；
66.在一个实施例中，本技术步骤s600还包括：
67.步骤s610：对所述目标区域历史违停事件的车辆信息进行查询并记录，获得历史违停车辆信息集合；
68.步骤s620：根据所述历史违停车辆信息集合构建违停车辆画像数据库，并将所述违停车辆数据库嵌入所述目标区域车辆网系统；
69.步骤s630：将所述车辆信息输入所述目标区域车辆网系统，通过所述车辆画像数据库进行信息匹配，获得所述异常车辆画像信息。
70.具体而言，首先对所述目标区域历史违停事件的车辆信息进行查询并记录，获得历史违停车辆信息集合，所述违停车辆信息中包括违停次数和违停时间。然后根据所述历史违停车辆信息集合构建违停车辆画像数据库，并将所述违停车辆数据库嵌入所述目标区域车辆网系统。将所述车辆信息输入所述目标区域车联网系统进行信息查询，所述车辆信息包括车牌号、车辆颜色等信息，通过所述建违停车辆画像数据库获得所述异常车辆画像信息。通过获得所述异常车辆画像信息，为下一步生成预警信息提供了支持。
71.步骤s700：基于异常停车危险级别和所述异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人。
72.在一个实施例中，本技术步骤s700还包括：
73.步骤s710：设置预警信息级别和处罚措施，其中所述预警信息级别和所述处罚措施具有对应关系；
74.步骤s720：将所述异常停车危险级别输入预警信息对照表生成第一预警信息；
75.步骤s730：根据所述异常车辆画像信息对所述第一预警信息进行信息校正，生成所述预警信息；
76.步骤s740：根据所述预警信息生成车主预警信息和违规预警信息，其中所述违规预警信息包含车辆位置信息和处罚措施；
77.步骤s750：通过所述目标区域车联网系统获取车主信息，将所述车主预警信息发送至所述车主。
78.具体而言，设置预警信息级别和对应的处罚措施，例如：可将预警信息级别分为一级预警、二级预警和三级预警，其中一级预警对应的处罚措施为口头警告，二级预警对应的处罚措施为抄写交通管理规则，三级预警对应的处罚措施为罚钱。根据异常停车危险等级设置预警信息对照表，然后将所述异常停车危险级别输入预警信息对照表生成第一预警信息，并根据所述异常车辆画像信息对所述第一预警信息进行信息校正，生成所述预警信息。例如：当所述预警信息为一级预警时，所述异常车辆画像信息为多次违停时，可将一级预警升级为二级预警，生成所述预警信息。然后根据所述预警信息生成车主预警信息和违规预警信息，其中所述违规预警信息包含车辆位置信息和处罚措施。通过所述目标区域车联网系统获取车主信息，然后将所述车主预警信息发送至所述车主本人。通过生成所述预警信息，可以提高异常停车事件解决的效率。
79.在一个实施例中，本技术步骤s700还包括：
80.步骤s760：获取所述目标区域多个交通负责人的实时位置信息；
81.步骤s770：基于所述车辆位置信息和所述实时位置信息获得距离异常车辆最近的交通负责人；
82.步骤s780：将所述违规预警信息发送至所述交通负责人。
83.具体而言，获得所述目标区域内多个交通负责人的实时位置信息，所述交通负责人可以是交警等交通管制人员。根据所述车辆位置信息和所述实时位置信息进行距离计算，获得距离所述异常车辆最近的交通负责人，然后将所述违规预警信息发送至所述交通负责人。通过上述方法解决了通过人工对交通影像数据进行异常停车行为识别效率和准确率低的问题，可以提高异常停车行为检测的准确率和效率，通过生成预警信息进行异常预警，从而可以降低交通事故发生的概率。
84.在一个实施例中，如图4所示提供了一种用于停车异常检测预警系统，包括：道路图像数据获得模块1、道路图像处理结果获得模块2、异常停车识别模型构建模块3、异常停车识别结果获得模块4、异常停车危险级别获得模块5、异常车辆画面信息获得模块6、预警信息发送模块7、其中：
85.道路图像数据获得模块1，所述道路图像数据获得模块1用于连接目标区域道路监测系统，获得预设时间窗口内所述目标区域的道路图像数据；
86.道路图像处理结果获得模块2，所述道路图像处理结果获得模块2用于对所述道路图像数据进行预处理，获得道路图像处理结果；
87.异常停车识别模型构建模块3，所述异常停车识别模型构建模块3用于基于卷积神
经网络构建异常停车识别模型；
88.异常停车识别结果获得模块4，所述异常停车识别结果获得模块4用于通过所述异常停车识别模型对所述道路图像处理结果进行异常停车识别，获得异常停车识别结果，其中所述异常停车识别结果包括车辆位置信息、异常停车状态、车辆信息；
89.异常停车危险级别获得模块5，所述异常停车危险级别获得模块5用于基于所述车辆位置信息对所述异常停车状态进行危险等级划分，获得异常停车危险级别；
90.异常车辆画面信息获得模块6，所述异常车辆画面信息获得模块6用于将所述车辆信息输入所述目标区域车联网系统，获得异常车辆画像信息；
91.预警信息发送模块7，所述预警信息发送模块7用于基于异常停车危险级别和所述异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人。
92.在一个实施例中，所述系统还包括：
93.图像对比数据获得模块，所述图像对比数据获得模块用于获得最近一次所述预设时间窗口内所述目标区域的道路图像数据，并将所述道路图像数据作为图像对比数据；
94.道路图像去噪数据获得模块，所述道路图像去噪数据获得模块用于基于所述图像对比数据对所述道路图像数据进行去噪处理，获得道路图像去噪数据；
95.道路图像处理结果获得模块，所述道路图像处理结果获得模块用于对所述道路图像去噪数据进行的图像增强处理，获得所述道路图像处理结果。
96.在一个实施例中，所述系统还包括：
97.异常停车识别模型模块，所述异常停车识别模型模块用于所述异常停车识别模型包括异常停车识别子模型和车辆特征提取子模型；
98.异常停车识别子模型构建模块，所述异常停车识别子模型构建模块用于基于bp神经网络，构建异常停车识别子模型；
99.模型概括模块，所述模型概括模块用于所述异常停车识别子模型包括违停区域判断模块和违停区域异常停车识别模块；
100.区域样本数据集构建模块，所述区域样本数据集构建模块用于通过图像采集装置获得所述目标区域的违停区域多角度的图像信息，根据所述图像信息构建区域样本数据集；
101.违停区域判断模块获得模块，所述违停区域判断模块获得模块用于通过所述区域样本数据集对所述异常停车识别子模型进行监督训练，获得所述违停区域判断模块；
102.车辆样本数据集构建模块，所述车辆样本数据集构建模块用于基于大数据进行多种违停车辆图像信息采集，根据违停车辆图像信息采集结果构建车辆样本数据集；
103.监督训练模块，所述监督训练模块用于通过所述车辆样本数据集对所述违停区域异常停车识别模块进行监督训练，获得所述违停区域异常停车识别模块。
104.在一个实施例中，所述系统还包括：
105.车辆特征提取子模型构建模块，所述车辆特征提取子模型构建模块用于基于卷积神经网络，构建所述车辆特征提取子模型；
106.模型概括模块，所述模型概括模块用于所述车辆特征提取子模型包括输入层、卷积层和输出层，其中所述输入层与所述异常停车识别子模型相连接；
107.样本数据集构建模块，所述样本数据集构建模块用于根据历史车辆图像信息和历
史车辆图像特征提取结果构建样本数据集；
108.特征提取卷积核获得模块，所述特征提取卷积核获得模块用于通过所述样本数据集对所述车辆特征提取子模型进行监督训练，获得特征提取卷积核，并将所述特征提取卷积核嵌入所述车辆特征提取子模型的卷积层。
109.在一个实施例中，所述系统还包括：
110.违停区域危险等级获得模块，所述违停区域危险等级获得模块用于对所述目标区域的违停区域进行违停危险等级划分，获得违停区域危险等级；
111.车辆位置违停危险等级获得模块，所述车辆位置违停危险等级获得模块用于根据所述违停区域危险等级对所述车辆位置进行危险等级匹配，获得所述车辆位置违停危险等级；
112.异常停车危险级别获得模块，所述异常停车危险级别获得模块用于基于所述车辆位置违停危险等级和所述车辆信息对所述异常停车状态进行危险等级划分，获得所述异常停车危险级别。
113.在一个实施例中，所述系统还包括：
114.历史违停车辆信息集合获得模块，所述历史违停车辆信息集合获得模块用于对所述目标区域历史违停事件的车辆信息进行查询并记录，获得历史违停车辆信息集合；
115.违停车辆画像数据库构建模块，所述违停车辆画像数据库构建模块用于根据所述历史违停车辆信息集合构建违停车辆画像数据库，并将所述违停车辆数据库嵌入所述目标区域车辆网系统；
116.异常车辆画像信息获得模块，所述异常车辆画像信息获得模块用于将所述车辆信息输入所述目标区域车辆网系统，通过所述车辆画像数据库进行信息匹配，获得所述异常车辆画像信息。
117.在一个实施例中，所述系统还包括：
118.信息设置模块，所述信息设置，模块用于设置预警信息级别和处罚措施，其中所述预警信息级别和所述处罚措施具有对应关系；
119.第一预警信息生成模块，所述第一预警信息生成模块用于将所述异常停车危险级别输入预警信息对照表生成第一预警信息；
120.预警信息生成模块，所述预警信息生成模块用于根据所述异常车辆画像信息对所述第一预警信息进行信息校正，生成所述预警信息；
121.信息获得模块，所述信息获得模块用于根据所述预警信息生成车主预警信息和违规预警信息，其中所述违规预警信息包含车辆位置信息和处罚措施；
122.预警信息发送模块，所述预警信息发送模块用于通过所述目标区域车联网系统获取车主信息，将所述车主预警信息发送至所述车主。
123.在一个实施例中，所述系统还包括：
124.实时位置信息获得模块，所述实时位置信息获得模块用于获取所述目标区域多个交通负责人的实时位置信息；
125.交通负责人获得模块，所述交通负责人获得模块用于基于所述车辆位置信息和所述实时位置信息获得距离异常车辆最近的交通负责人；
126.违规预警信息发送模块，所述违规预警信息发送模块用于将所述违规预警信息发
送至所述交通负责人。
127.综上所述，本技术提供了一种用于停车异常检测预警方法及系统具有以下技术效果：
128.1.解决了通过人工对交通影像数据进行异常停车行为识别效率和准确率低的问题，可以提高异常停车行为检测的准确率和效率，通过生成预警信息进行异常预警，从而可以降低交通事故发生的概率。
129.2.通过灵活设置时间窗口，可以在不降低监测效果的同时节约工作时间，通过对所述道路图像数据进行预处理，可以减少重复工作时间，提高道路图像异常识别的效率和准确率。
130.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
131.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种用于停车异常检测预警方法，其特征在于，所述方法包括：连接目标区域道路监测系统，获得预设时间窗口内所述目标区域的道路图像数据；对所述道路图像数据进行预处理，获得道路图像处理结果；基于卷积神经网络构建异常停车识别模型；通过所述异常停车识别模型对所述道路图像处理结果进行异常停车识别，获得异常停车识别结果，其中所述异常停车识别结果包括车辆位置信息、异常停车状态、车辆信息；基于所述车辆位置信息对所述异常停车状态进行危险等级划分，获得异常停车危险级别；将所述车辆信息输入所述目标区域车联网系统，获得异常车辆画像信息；基于异常停车危险级别和所述异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人。2.如权利要求1所述的方法，其特征在于，所述对所述道路图像数据进行预处理，获得道路图像处理结果，还包括：获得最近一次所述预设时间窗口内所述目标区域的道路图像数据，并将所述道路图像数据作为图像对比数据；基于所述图像对比数据对所述道路图像数据进行去噪处理，获得道路图像去噪数据；对所述道路图像去噪数据进行的图像增强处理，获得所述道路图像处理结果。3.如权利要求1所述的方法，其特征在于，所述基于卷积神经网络构建异常停车识别模型，还包括：所述异常停车识别模型包括异常停车识别子模型和车辆特征提取子模型；基于bp神经网络，构建异常停车识别子模型；所述异常停车识别子模型包括违停区域判断模块和违停区域异常停车识别模块；通过图像采集装置获得所述目标区域的违停区域多角度的图像信息，根据所述图像信息构建区域样本数据集；通过所述区域样本数据集对所述异常停车识别子模型进行监督训练，获得所述违停区域判断模块；基于大数据进行多种违停车辆图像信息采集，根据违停车辆图像信息采集结果构建车辆样本数据集；通过所述车辆样本数据集对所述违停区域异常停车识别模块进行监督训练，获得所述违停区域异常停车识别模块。4.如权利要求3所述的方法，其特征在于，所述方法还包括：基于卷积神经网络，构建所述车辆特征提取子模型；所述车辆特征提取子模型包括输入层、卷积层和输出层，其中所述输入层与所述异常停车识别子模型相连接；根据历史车辆图像信息和历史车辆图像特征提取结果构建样本数据集；通过所述样本数据集对所述车辆特征提取子模型进行监督训练，获得特征提取卷积核，并将所述特征提取卷积核嵌入所述车辆特征提取子模型的卷积层。5.如权利要求1所述的方法，其特征在于，所述基于所述车辆位置信息对所述异常停车状态进行危险等级划分，获得异常停车危险级别，还包括：
对所述目标区域的违停区域进行违停危险等级划分，获得违停区域危险等级；根据所述违停区域危险等级对所述车辆位置进行危险等级匹配，获得所述车辆位置违停危险等级；基于所述车辆位置违停危险等级和所述车辆信息对所述异常停车状态进行危险等级划分，获得所述异常停车危险级别。6.如权利要求1所述的方法，其特征在于，所述将所述车辆信息输入所述目标区域车联网系统，获得异常车辆画像信息，还包括：对所述目标区域历史违停事件的车辆信息进行查询并记录，获得历史违停车辆信息集合；根据所述历史违停车辆信息集合构建违停车辆画像数据库，并将所述违停车辆数据库嵌入所述目标区域车辆网系统；将所述车辆信息输入所述目标区域车辆网系统，通过所述车辆画像数据库进行信息匹配，获得所述异常车辆画像信息。7.如权利要求1所述的方法，其特征在于，所述基于异常停车危险级别和所述异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人，还包括：设置预警信息级别和处罚措施，其中所述预警信息级别和所述处罚措施具有对应关系；将所述异常停车危险级别输入预警信息对照表生成第一预警信息；根据所述异常车辆画像信息对所述第一预警信息进行信息校正，生成所述预警信息；根据所述预警信息生成车主预警信息和违规预警信息，其中所述违规预警信息包含车辆位置信息和处罚措施；通过所述目标区域车联网系统获取车主信息，将所述车主预警信息发送至所述车主。8.如权利要求7所述的方法，其特征在于，所述方法还包括：获取所述目标区域多个交通负责人的实时位置信息；基于所述车辆位置信息和所述实时位置信息获得距离异常车辆最近的交通负责人；将所述违规预警信息发送至所述交通负责人。9.一种用于停车异常检测预警系统，其特征在于，所述系统包括：道路图像数据获得模块，所述道路图像数据获得模块用于连接目标区域道路监测系统，获得预设时间窗口内所述目标区域的道路图像数据；道路图像处理结果获得模块，所述道路图像处理结果获得模块用于对所述道路图像数据进行预处理，获得道路图像处理结果；异常停车识别模型构建模块，所述异常停车识别模型构建模块用于基于卷积神经网络构建异常停车识别模型；异常停车识别结果获得模块，所述异常停车识别结果获得模块用于通过所述异常停车识别模型对所述道路图像处理结果进行异常停车识别，获得异常停车识别结果，其中所述异常停车识别结果包括车辆位置信息、异常停车状态、车辆信息；异常停车危险级别获得模块，所述异常停车危险级别获得模块用于基于所述车辆位置信息对所述异常停车状态进行危险等级划分，获得异常停车危险级别；异常车辆画面信息获得模块，所述异常车辆画面信息获得模块用于将所述车辆信息输
入所述目标区域车联网系统，获得异常车辆画像信息；预警信息发送模块，所述预警信息发送模块用于基于异常停车危险级别和所述异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人。

技术总结
本申请涉及车辆监测技术领域，提供了一种用于停车异常检测预警方法及系统，包括：获得道路图像数据；对道路图像数据进行预处理，获得道路图像处理结果；构建异常停车识别模型；对道路图像处理结果进行异常停车识别，获得异常停车识别结果；基于车辆位置获得异常停车危险级别；获得异常车辆画像信息；基于异常停车危险级别和异常车辆画像信息生成预警信息，并将所述预警信息发送至车主和目标区域交通负责人。能够解决通过人工对交通影像数据进行异常停车行为识别效率和准确率低的问题，可以提高异常停车行为检测的准确率和效率，通过生成预警信息进行异常预警，从而可以降低交通事故发生的概率。发生的概率。发生的概率。


技术研发人员：王凤菊 徐光智
受保护的技术使用者：智慧互通科技股份有限公司
技术研发日：2023.05.29
技术公布日：2023/8/28