(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 202210838170.1 (22)申请日 2022.07.18 (71)申请人 松立控股集团股份有限公司 地址 266000 山东省青岛市 市南区宁 夏路 288号软件园6号楼1 1层 (72)发明人 刘寒松　王永　王国强　翟贵乾　 刘瑞　李贤超　 (74)专利代理 机构 青岛高晓专利事务所(普通 合伙) 37104 专利代理师 黄晓敏 (51)Int.Cl. G06V 20/54(2022.01) G06V 20/58(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/04(2006.01) (54)发明名称 一种停车场异常事 件检测方法 (57)摘要 本发明属于停车场检测技术领域， 涉及一种 停车场异常事件检测方法， 通过构建数据集训练 视频帧预测网络， 训练时利用多帧和多尺度的特 征进行预测， 对比原始图像和预测图像， 通过 SSIM计算原始图像和预测图像之间的相似度， 检 测视频帧的异常， 能有效检测到视频中的异常事 件， 为停车场用户和管理者 提供证据， 减 小损失。 权利要求书1页 说明书3页 附图2页 CN 115082870 A 2022.09.20 CN 115082870 A 1.一种停车场异常事 件检测方法， 其特 征在于， 具体过程 为： （1） 数据集构建： 从高位相机监测到的视频中采集图像构建数据集， 将采集到的图像按 照正常图像和异常图像进行 标注， 并将数据集划分为训练集、 验证集和 测试集； （2） 基于序列图像帧预测图像： 将根据视频采集的前十幅图像通过预测网络生成当前 图像的预测图像； （3） 训练视频帧预测网络模型： 选用标注为正常图像继续训练， 网络结构采用步骤 （2） 的预测网络， 能量损失采用L2损失， 即能量损失函数为： 其中I为真实图像， 为预测图像； 将训练集中的图像尺寸缩放为 ， 依次 把连续的图像送入预测网络， 根据每次训练需要的图像数量B， 依次输入到预测网络后输出 预测图像， 再通过反向传播更新参数， 经过200次完整训练集训练迭代后， 保存验证集上结 果最好的模型参数， 作为 最终模型训练好的参数， 即得到训练好的视频帧预测网络模型； （4） 计算异常分值判断是否存在事件异常： 选用原始图像与预测图像之间的SSIM值作 为视频帧是否为异常帧的判断准则， 根据步骤 （1） 标注的异常图像确定SSIM值的阈值参数， 如果小于阈值则认为该视频帧为异常视频帧， 如果大于阈值， 则认为该视频预测帧与真实 视频帧很相似， 不存在异常； （5） 通过推理得到结果： 将图像输入到步骤 （3） 中得到的视频帧预测网络模型中得到预 测图像， 利用步骤 （4） 中的方法判断图像是否为异常， 实现停车场异常事 件检测。 2.根据权利要求1所述停车场异常事件检测方法， 其特征在于， 步骤 （1） 采集图像的过 程为： 根据高位相机监测的视频每隔5帧采样一张图像， 对于每秒 30帧的视频， 每秒钟采集5 张图像， 并将采集的图像进行二值标签标注， 正常的视频图像标注为1， 异常视频图像标注 为0， 其中正常视频是指没有车辆刮擦、 没有行人损坏车辆的视频， 异常视频是指视频中存 在车辆刮擦和行 人破坏车辆的视频。 3.根据权利要求2所述停车场异常事件检测方法， 其特征在于， 步骤 （2） 中所述预测网 络由卷积神经网络和ConvLSTM网络组成， 卷积神经网络的卷积层用来提取特征， ConvLSTM 将不同帧的特征进行融合并往下一帧进行特征传递， 预测网络的最下一层为解码层， 解码 层自左至右有三个卷积层， 最左侧的卷积层为3个3*3卷积， 中间的卷积层采用的64个3*3卷 积， 最右侧采用的是128个3*3卷积， 在上面的各层为译码层， 每层译码层自左至右有三个卷 积层， 最左侧的卷积层采用的64个3*3卷积， 中间的卷积层采用的128个3*3卷积， 最右侧采 用的是25 6个3*3卷积。权　利　要　求　书 1/1 页 2 CN 115082870 A 2一种停车场异常事件检测方 法 技术领域 [0001]本发明属于停车场检测技 术领域， 涉及一种停车场异常事 件检测方法。 背景技术 [0002]随着人工智能与计算机视觉等技术的迅速发展， 智慧停车场在智慧城市中发挥了 重要作用， 智慧停车场除了门禁采用自动识别车牌进行车辆通行控制， 实现停车场停车自 动导航、 全自动化泊车管理， 合理疏导车流， 还有一个更加重要的作用是能够自动识别停车 场内的异常事件， 包括车辆被刮擦， 车辆被行人故意破坏等事件， 及时提醒给车主或管理 员， 以更好的应对突发事 件， 对车主或停车场运营公司带来 最小的损失。 [0003]随着停车场高位相机的普及， 基于人工智能的视频分析技术在异常事件监测中成 为可能， 因此， 基于视频分析的异常行人检测具有重要的现实意义， 但是目前尚未见有基于 高位相机的停车场异常事件检测方法， 为了利用高位相 机对智慧城市进行赋能， 亟需设计 提供一种基于高位相机的停车场异常事 件检测方法。 发明内容 [0004]本发明的目的在于克服现有技术存在的缺点， 设计提供一种停车场异常事件检测 方法， 利用高位相机对停车场视频进 行采集， 采用视频帧预测的方法进 行异常视频帧检测， 从而实现异常事 件的检测 和预测。 [0005]为实现上述目的， 本发明实现停车场异常事 件检测的具体过程 为： （1） 数据集构建： 从高位相机监测到的视频中采集图像构建数据集， 将采集到的图 像按照正常图像和异常图像进行 标注， 并将数据集划分为训练集、 验证集和 测试集； （2） 基于序列图像帧预测图像： 将根据视频采集的前十幅图像通过预测网络生成 当前图像的预测图像； （3） 训练视频帧预测网络模型： 选用标注为正常图像继续训练， 网络结构采用步骤 （2） 的预测网络， 能量损失采用L2损失， 即能量损失函数为： 其中I为真实图像， 为预测图像； 将训练集中的图像尺寸缩放为 ， 依次把连续的图像送入预测网络， 根据每次训练需要的图像数量B， 依次输入到预测网络后 输出预测图像， 再通过反向传播更新参数， 经过200次完整训练集训练迭代后， 保存验证集 上结果最好的模型参数， 作为最终模型训练好的参数， 即得到训练好的视频帧预测网络模 型； （4） 计算异常分值判断是否存在事件异常： 选用原始图像与预测图像之间的SSIM 值作为视频帧是否为异常帧的判断准则， 根据步骤 （1） 标注的异常图像确 定SSIM值的阈值 参数， 如果小于阈值则认为该视频帧为异常视频帧， 如果大于阈值， 则认为该视频预测帧与 真实视频帧很相似， 不存在异常；说　明　书 1/3 页 3 CN 115082870 A 3