步行道上违法占道停车现象存在交通安全隐患,是城市管理中的一大难点。传统基于定点监控设备的违停检测方法不适用于步行道场景,执法人员人工巡检则存在效率低下的问题。针对以上问题,本文基于移动设备采集到的步行道图像运用深度学习领域中的视觉识别技术,提出了一种对实例分割网络改进后的违停车辆检测算法。本文的主要研究内容与成果如下:(1)建立适用于深度学习的城市步行道场景数据集。在建立过程中,为提升数据集的规模来增强深度模型的泛化能力,对原始图片进行翻转、改变颜色空间、缩放与旋转的图像增广技术;为解决手工标注在面对像素级标注任务花费过多时间的问题,针对本文需要检测的类别基于Polygon-RNN++模型设计了一套合理高效的快速标注流程。(2)基于实例分割网络模型Mask R-CNN对车辆与步行道上的可停区域的检测进行研究。基于稠密连接的思想修改Mask R-CNN中基础网络结构中特征传递方式,加强大物体的定位特征信息;调整区域提议网络中锚框与候选提议框数量,减小模型的复杂度。(3)基于Mask R-CNN实例分割结果的后处理优化设计一种违停判定算法。对于车辆可能存在重叠问题使用Soft-NMS技术进行后处理改善,提出了一种基于Mask-Io U的连通区域融合方法改善可停区域的实例分割结果。在后处理优化后,计算车辆与可停区域包围框的重叠率与相对空间位置关系设计了一种违停判定算法,有效的区分步行道上违停车辆与合规车辆。最终对于违停车辆的查全率与查准率分别达到90.5%和80.8%。(4)对本文进行总结,提出步行道违停检测算法的研究中后续需要解决的问题。本文提出的算法显著提高了对步行道上违停车辆的查全率和查准率,有效解决定点监控下的检测盲区问题和人工巡检的效率问题,有助于实现步行道上违停车辆的智能化检测,提升城市管理智能化水平。