一种不规范路内停车检测方法和系统与流程

一种不规范路内停车检测方法和系统
1.技术邻域
2.本发明涉及智慧停车技术邻域，尤其涉及一种不规范路内停车检测方法和系统。

背景技术：

3.智慧停车是智能化城市建设中重要的一环，充分利用城市道路的路内停车是实现智慧停车的重要组成部分。绝大部分车主能够将车停入泊位线内，但是少部分车主存在随意停车的行为，即停车时，车辆部分驶入泊位或者跨位停车，这些不规范停车行为影响交通安全和路内停车位的资源使用。
4.目前路内停车检测通常使用高位视频或者视频桩，通过ai实时分析视频数据，使用目标检测模型和车辆行为分析，可以检测出车辆驶入/驶出停车位。而对于不规范停车的检测，一般是使用目标检测模型检测出来的车辆框和泊位边框之间的相对位置关系，通过数据计算来判断是否违规停车。但是，在实际使用场景中，由于摄像头的安装角度和位置存在近端、远端、同侧、对侧等不同场景，这种利用车辆框和泊位边框匹配方式判断是否违规停车的方式，就很难适配各种场景，同时准确度也较低。

技术实现要素：

5.本发明的主要目的在于：针对现有的利用车辆框和泊位边框匹配方式判断是否违规停车的方式，就很难适配各种场景，同时准确度也较低的问题，提供一种不规范路内停车检测方法和系统。
6.为实现上述目的，本发明提供一种不规范路内停车检测方法，包括以下步骤：
7.车辆驶入泊位后，通过目标检测模型得到驶入车辆的车辆检测框；
8.根据所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析；以及
9.根据聚类结果，判定所述驶入车辆是否违规停车。
10.在本发明提供的不规范路内停车检测方法中，根据所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析的步骤包括：
11.根据所述泊位的历史数据，对用于聚类分析的聚类参数进行调整，所述聚类参数包括邻域和邻域最小样本数；
12.根据调整后的聚类参数、所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析。
13.在本发明提供的不规范路内停车检测方法中，根据所述泊位的历史数据，对用于聚类分析的聚类参数进行调整的步骤包括：
14.获取所述泊位的邻域初始值和邻域最小样本数初始值；
15.增加邻域最小样本数的值；
16.增加邻域的值；
17.在增加后的邻域的值大于邻域预设阈值时，利用调整后的所述聚类参数对所述泊位的历史数据进行聚类分析；
18.在聚类分析得到的最大类别样本数占总样本数的比例超过比例阈值时，停止聚类，将调整后的邻域和邻域最小样本数的值作为所述泊位本次使用的聚类参数。
19.在本发明提供的不规范路内停车检测方法中，根据聚类结果，判定所述驶入车辆是否违规停车的步骤包括：
20.判定所述驶入车辆的所述车辆检测框是否属于所述聚类结果的最大分类，如果属于，则判定所述驶入车辆为正常停车，如果不属于，则根据聚类结果，计算所述驶入车辆的车辆检测框的置信度：
21.在所述置信度超过预设阈值时，判定所述驶入车辆为违规停车。
22.此外，为实现上述目的，本发明还提供一种不规范路内停车检测系统，包括：
23.检测模块，用于在车辆驶入泊位后，通过目标检测模型得到驶入车辆的车辆检测框；
24.分析模块，用于根据所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析；以及
25.判定模块，用于根据聚类结果，判定所述驶入车辆是否违规停车。
26.在本发明提供的不规范路内停车检测系统中，所述分析模块包括：
27.调整单元，根据所述泊位的历史数据，对用于聚类分析的聚类参数进行调整，所述聚类参数包括邻域和邻域最小样本数；
28.聚类单元，用于根据调整后的聚类参数、所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析。
29.在本发明提供的不规范路内停车检测系统中，所述调整单元包括：
30.初始值获取子单元，用于获取所述泊位的邻域初始值和邻域最小样本数初始值；
31.聚类参数调整子单元，用于增加邻域的值和邻域最小样本数的值；
32.聚类分析子单元，用于在增加后的邻域的值大于邻域预设阈值时，利用调整后的所述聚类参数对所述泊位的历史数据进行聚类分析；
33.比较子单元，用于在聚类分析得到的最大类别样本数占总样本数的比例超过比例阈值时，停止聚类，将调整后的邻域和邻域最小样本数的值作为所述泊位本次使用的聚类参数。
34.在本发明提供的不规范路内停车检测系统中，所述判定模块包括：
35.第一判定单元，用于判定所述驶入车辆的所述车辆检测框是否属于所述聚类结果的最大分类，如果不属于，则初步判定所述驶入车辆为违规停车，如果属于，则判定所述驶入车辆为正常停车；
36.置信度计算单元，用于在初步判定所述驶入车辆为违规停车时，根据聚类结果，计算所述驶入车辆的车辆检测框的置信度：
37.第二判定单元，用于在所述置信度超过预设阈值时，判定所述驶入车辆为违规停车。
38.本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上所述的不规范路内停车检测方法的步骤。
39.本发明提供的不规范路内停车检测系统和方法具有以下有益效果：本发明提供的不规范路内停车检测方法，在车辆驶入某个泊位后，通过目标检测模型获得车辆的车辆检
测框；然后获取该泊位的历史数据，并与当前数据一起做聚类分析；根据聚类结果，判定车辆是否属于违规停车；由此，可以适用于各种场景，同时提高违规停车行为的检测精度，有效节约路边停车管理成本，减少人工判定工作量，充分利用路边停车场资源。
附图说明
40.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本邻域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图：
41.图1所示为本发明一实施例提供的不规范路内停车检测方法的流程图。
具体实施方式
42.为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
43.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术邻域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
44.本发明总的思路是：针对现有的利用车辆框和泊位边框匹配方式判断是否违规停车的方式，就很难适配各种场景，同时准确度也较低的问题，通过收集同一个泊位，车主每次停车时的车辆检测框进行分析，呈现出比较明显的聚类现象，取车辆检测框的某个点进行聚类分析，距离聚类核心越远，属于违规停车的置信度越高。因此，本发明在车辆驶入某个泊位后，通过目标检测模型获得车辆的车辆检测框；然后获取该泊位的历史数据，并与当前数据一起做聚类分析；根据聚类结果，判定车辆是否属于违规停车。由此，可以适用于各种场景，同时提高违规停车行为的检测精度，有效节约路边停车管理成本，减少人工判定工作量，充分利用路边停车场资源。
45.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
46.参照图1，图1所示为本发明一实施例提供的不规范路内停车检测方法的原理图，该不规范路内停车检测方法，包括以下步骤：
47.步骤s1、车辆驶入泊位后，通过目标检测模型得到驶入车辆的车辆检测框；
48.具体地，在本发明一实施例中，车辆驶入泊位后，通过摄像机获取车辆停放在泊位上的图片，然后利用目标检测模型检测当前车辆的车辆检测框。检测得到的车辆检测框为矩形框，选定矩形框左上点和矩形框右下点用作聚类分析的目标点。其中，利用目标检测模型检测车辆得到车辆检测框为现有技术，本发明在此不再赘述。
49.步骤s2、根据泊位的历史数据和驶入车辆的车辆检测框进行聚类分析；
50.具体地，在本发明一实施例中，在得到了驶入泊位的当前车辆的车辆检测框的样
本数据后，采用基于密度的聚类算法对当前车辆的样本数据与该泊位的历史数据进行聚类分析。采用基于密度的聚类算法不需要指定聚类的类别数目，可以对任意形状进行聚类，且只需要两个聚类参数。因此，采用聚类分析可以提高违规停车行为的检测精度，减少人工判定工作量，有效节约路边停车管理成本。
51.具体地，在本发明一实施例中，该泊位的历史数据是指以泊位为单位，收集录该泊位的样本数据，并持久化保存。每个泊位需要收集到一定数量的样本，才能进行聚类分析。即在每次有车辆驶入泊位时，通过摄像机获取车辆停放在泊位上的图片，然后利用目标检测模型检测当前车辆的车辆检测框。检测得到的车辆检测框为矩形框，选定矩形框左上点和矩形框右下点用作聚类分析的目标点，保存该目标点的数据作为该泊位的历史数据。通过采集泊位的历史数据可以包含多种场景下的违规停车情况，使得本发明的方法可以适用于多种场景。
52.具体地，在本发明一实施例中，基于密度的聚类算法采用的聚类参数包括：
53.邻域ε：距离阈值，对xj∈d，其邻域ε是指样本集d中与xj距离不大于ε的样本个数；泊位距离摄像头越远，在图片中成像越小，因此每次使用时需要动态微调邻域ε；
54.邻域最小样本数minpoints：邻域内的最小样本数，如果大于该阈值，则将样本称之为核心样本。
55.进一步地，在本发明一实施例中，由于不同场景泊位达到最佳聚类效果的聚类参数不同，每个泊位需要单独调整。因此，为了获得最佳聚类效果进而提高检测准确率，每次驶入车辆后，用于该泊位的聚类参数需要进行微调。因此，步骤s2包括：
56.步骤s21、根据泊位的历史数据，对用于聚类分析的聚类参数进行调整；
57.步骤s22、根据调整后的聚类参数、泊位的历史数据和驶入车辆的车辆检测框进行聚类分析。
58.具体地，在本发明一实施例中，在根据该泊位的历史数据对聚类参数进行微调时，包括：
59.步骤s211、获取泊位的邻域初始值和邻域最小样本数初始值；
60.步骤s212、增加邻域最小样本数，例如，每次增加1；
61.步骤s213、增加邻域值，例如，每次增加1；
62.步骤s214、比较增加后的邻域的值和邻域预设阈值，如果邻域的值小于或等于邻域预设阈值，则返回步骤s212，如果邻域的值大于邻域预设阈值，则前进到步骤s215；
63.步骤s215、利用调整后的邻域值和邻域最小样本数的值对该泊位的历史数据进行聚类分析，获得聚类数量以及每个聚类的样本数；
64.步骤s216、比较最大类别的样本数占总样本数的比例和比例阈值，如果最大类别的样本数占总样本数的比例小于或等于比例阈值，则返回步骤s213，如果最大类别的样本数占总样本数的比例大于比例阈值(例如，80％)，则前进到步骤s217；
65.步骤s217，停止聚类，将调整后的邻域和邻域最小样本数的值作为该泊位本次使用的聚类参数。
66.进一步地，在本发明一实施例中，邻域最小样本数初始值可以根据典型场景选择，例如5；邻域初始值则通过以下公式获取：
67.该泊位相对图片的比例e1＝(w1/w2)
68.该泊位的邻域ε的初始值eps＝es*(e1/rs)
69.其中，w1为图片中的泊位框的宽度，w2为图片宽度，es为邻域ε的标准值，rs为泊位相对图片的标准比例，rs和es通过采集典型场景泊位的历史数据取平均值获得。一步地，在本发明一实施例中，当该泊位的聚类参数调整完成后，取该泊位的历史数据和当前数据，利用调整后的聚类参数一起做聚类分析，由此可以获得最佳聚类效果。
70.步骤s3、根据聚类结果，判定驶入车辆是否违规停车。
71.具体地，在本发明一实施例中，在利用调整后的聚类参数取得了该泊位的本次驶入车辆的聚类结果后，分析本次输入车辆的车辆检测框的目标点是否属于聚类结果中的最大分类，如果属于，则判定本次输入车辆为正常停车；如果本次输入车辆的车辆检测框的目标点不属于聚类结果中的最大分类，则初步判定本次驶入车辆为违规停车；在初步判定本次驶入车辆为违规停车后，根据聚类结果计算本次驶入车辆的车辆检测框的置信度，在置信度超过预设阈值时，判定驶入车辆为违规停车。由于大部分车主会按照规范将车停放在泊位线内，只有少部分车主存在违规停车行为，因此，聚类结果中的最大分类对应于正常停车的情况，如果本次驶入车辆与该泊位的历史数据进行聚类分析得到的聚类结果是该车辆的样本数据没有在最大分类中，则表示该本次驶入车辆可能存在违停的情况；由于距离聚类核心越远，属于违规停车的置信度越高，因此，接下来通过继续分析本次驶入车辆的置信度可以最终判定该车辆是否违停，通过置信度的进一步判断极大提高了检测的准确率，避免出现误判情况。
72.进一步地，在本发明一实施例中，假设当前位置到最大聚类核心的长度为da，当前位置到最大聚类最近边缘点距离为db，则当前位置的置信度为(1-db/da)，取值范围为[0,1]。
[0073]
以下以一个详细示例说明本发明的检测过程：
[0074]
1)对泊位a进行，总共采集100个样本，根据采集得到的样本集，计算各个样本左上点的平均坐标，作为核心点，记录为pc，值为(1621,808)，作为泊位a的历史数据；
[0075]
2)检测到新的车辆驶入泊位a，通过目标检测模型得到车辆检测框的左上点记录为：p1，值为(1624,898)；
[0076]
3)根据泊位a的历史数据，对泊位a的聚类参数进行调整，得到调整后的泊位参数为邻域ε＝55，minpoints＝5；
[0077]
4)将新检测到的车辆的数据和泊位a的历史数据一起构成新的样本集，利用调整后的聚类参数进行聚类,总共101个样本；
[0078]
5)聚类结果为：(-1:18,main:83)；总共两个分组，分组id分别为-1和main
[0079]
6)由于本次驶入车辆的聚类结果属于-1分组，因此，初步判定可能违规停车；
[0080]
7)寻main分组中距离检测框坐标最近的点，记录为p2，值为(1622,809)；
[0081]
8)计算d1＝euclideandistance(p1,pn)，d2＝euclideandistance(p2,pn)，confidence＝d2/d1
[0082]
9)如果confidence大于0.8(可配置)，则认为是违规停车。
[0083]
相应地，本发明还提供一种不规范路内停车检测系统，包括：用于在车辆驶入泊位后，通过目标检测模型得到驶入车辆的车辆检测框的检测模块；用于根据泊位的历史数据和驶入车辆的车辆检测框进行聚类分析的分析模块；以及用于根据聚类结果判定驶入车辆
是否违规停车的判定模块。
[0084]
具体地，在本发明一实施例中，车辆驶入泊位后，通过摄像机获取车辆停放在泊位上的图片，然后检测模块利用目标检测模型检测当前车辆的车辆检测框。检测得到的车辆检测框为矩形框，选定矩形框左上点和矩形框右下点用作聚类分析的目标点。
[0085]
具体地，在本发明一实施例中，由于不同场景泊位达到最佳聚类效果的聚类参数不同，每个泊位需要单独调整。因此，为了获得最佳聚类效果进而提高检测准确率，每次驶入车辆后，用于该泊位的聚类参数需要进行微调。因此，分析模块包括：调整单元，根据泊位的历史数据，对用于聚类分析的聚类参数进行调整，聚类参数包括邻域和邻域最小样本数；聚类单元，用于根据调整后的聚类参数、泊位的历史数据和驶入车辆的车辆检测框进行聚类分析。
[0086]
进一步地，在本发明一实施例中，调整单元包括：
[0087]
初始值获取子单元，用于获取泊位的邻域初始值和邻域最小样本数初始值；
[0088]
聚类参数调整子单元，用于增加邻域的值和邻域最小样本数的值；
[0089]
聚类分析子单元，用于在增加后的邻域的值大于邻域预设阈值时，利用调整后的聚类参数对泊位的历史数据进行聚类分析；
[0090]
比较子单元，用于在聚类分析得到的最大类别样本数占总样本数的比例超过比例阈值时，停止聚类，将调整后的邻域和邻域最小样本数的值作为泊位本次使用的聚类参数。
[0091]
具体地，在本发明一实施例中，由于大部分车主会按照规范将车停放在泊位线内，只有少部分车主存在违规停车行为，因此，聚类结果中的最大分类对应于正常停车的情况，如果本次驶入车辆与该泊位的历史数据进行聚类分析得到的聚类结果是该车辆的样本数据没有在最大分类中，则表示该本次驶入车辆可能存在违停的情况；由于距离聚类核心越远，属于违规停车的置信度越高，因此，通过继续分析本次驶入车辆的置信度可以最终判定该车辆是否违停，通过置信度的进一步判断极大提高了检测的准确率，避免出现误判情况。因此，判定模块包括：
[0092]
第一判定单元，用于判定驶入车辆的车辆检测框是否属于聚类结果的最大分类，如果不属于，则初步判定驶入车辆为违规停车，如果属于，则判定驶入车辆为正常停车；
[0093]
置信度计算单元，用于在初步判定驶入车辆为违规停车时，根据聚类结果，计算驶入车辆的车辆检测框的置信度：
[0094]
第二判定单元，用于在置信度超过预设阈值时，判定驶入车辆为违规停车。
[0095]
本发明实施例还提供了一种不规范路内停车检测设备，可以包括：
[0096]
存储器，用于存储计算机程序；
[0097]
处理器，用于执行上述存储器存储的计算机程序时可实现如下步骤：
[0098]
车辆驶入泊位后，通过目标检测模型得到驶入车辆的车辆检测框；根据所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析；以及根据聚类结果，判定所述驶入车辆是否违规停车。
[0099]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时可实现如下步骤；
[0100]
车辆驶入泊位后，通过目标检测模型得到驶入车辆的车辆检测框；根据所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析；以及根据聚类结果，判定所
述驶入车辆是否违规停车。
[0101]
该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory,rom)＞随机存取存储器(random access memory,ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0102]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0103]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0104]
本邻域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0105]
此外，本邻域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0106]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本邻域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0107]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本邻域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项
来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

技术特征：

1.一种不规范路内停车检测方法，其特征在于，包括以下步骤：车辆驶入泊位后，通过目标检测模型得到驶入车辆的车辆检测框；根据所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析；以及根据聚类结果，判定所述驶入车辆是否违规停车。2.如权利要求1的不规范路内停车检测方法，其特征在于，根据所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析的步骤包括：根据所述泊位的历史数据，对用于聚类分析的聚类参数进行调整，所述聚类参数包括邻域和邻域最小样本数；根据调整后的聚类参数、所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析。3.如权利要求2的不规范路内停车检测方法，其特征在于，根据所述泊位的历史数据，对用于聚类分析的聚类参数进行调整的步骤包括：获取所述泊位的邻域初始值和邻域最小样本数初始值；增加邻域最小样本数的值；增加邻域的值；在增加后的邻域的值大于邻域预设阈值时，利用调整后的所述聚类参数对所述泊位的历史数据进行聚类分析；在聚类分析得到的最大类别样本数占总样本数的比例超过比例阈值时，停止聚类，将调整后的邻域和邻域最小样本数的值作为所述泊位本次使用的聚类参数。4.如权利要求1的不规范路内停车检测方法，其特征在于，根据聚类结果，判定所述驶入车辆是否违规停车的步骤包括：判定所述驶入车辆的所述车辆检测框是否属于所述聚类结果的最大分类，如果属于，则判定所述驶入车辆为正常停车，如果不属于，则根据聚类结果，计算所述驶入车辆的车辆检测框的置信度：在所述置信度超过预设阈值时，判定所述驶入车辆为违规停车。5.一种不规范路内停车检测系统，其特征在于，包括：检测模块，用于在车辆驶入泊位后，通过目标检测模型得到驶入车辆的车辆检测框；分析模块，用于根据所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析；以及判定模块，用于根据聚类结果，判定所述驶入车辆是否违规停车。6.如权利要求5的不规范路内停车检测系统，其特征在于，所述分析模块包括：调整单元，根据所述泊位的历史数据，对用于聚类分析的聚类参数进行调整，所述聚类参数包括邻域和邻域最小样本数；聚类单元，用于根据调整后的聚类参数、所述泊位的历史数据和所述驶入车辆的所述车辆检测框进行聚类分析。7.如权利要求6的不规范路内停车检测系统，其特征在于，所述调整单元包括：初始值获取子单元，用于获取所述泊位的邻域初始值和邻域最小样本数初始值；聚类参数调整子单元，用于增加邻域的值和邻域最小样本数的值；聚类分析子单元，用于在增加后的邻域的值大于邻域预设阈值时，利用调整后的所述
聚类参数对所述泊位的历史数据进行聚类分析；比较子单元，用于在聚类分析得到的最大类别样本数占总样本数的比例超过比例阈值时，停止聚类，将调整后的邻域和邻域最小样本数的值作为所述泊位本次使用的聚类参数。8.如权利要求5的不规范路内停车检测系统，其特征在于，所述判定模块包括：第一判定单元，用于判定所述驶入车辆的所述车辆检测框是否属于所述聚类结果的最大分类，如果不属于，则初步判定所述驶入车辆为违规停车，如果属于，则判定所述驶入车辆为正常停车；置信度计算单元，用于在初步判定所述驶入车辆为违规停车时，根据聚类结果，计算所述驶入车辆的车辆检测框的置信度：第二判定单元，用于在所述置信度超过预设阈值时，判定所述驶入车辆为违规停车。9.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如权利要求1至4中任一项的不规范路内停车检测方法的步骤。10.一种不规范路内停车检测装置，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项的不规范路内停车检测方法的步骤。

技术总结

本发明公开了一种不规范路内停车检测方法，包括车辆驶入泊位后，通过目标检测模型得到驶入车辆的车辆检测框；根据泊位的历史数据和驶入车辆的车辆检测框进行聚类分析；根据聚类结果，判定驶入车辆是否违规停车。本发明在车辆驶入某个泊位后，通过目标检测模型获得车辆的车辆检测框；然后获取该泊位的历史数据，并与当前数据一起做聚类分析，判定车辆是否属于违规停车。由此，提高违规停车行为的检测精度，有效节约路边停车管理成本，减少人工判定工作量，充分利用路边停车场资源。充分利用路边停车场资源。充分利用路边停车场资源。