CN106935038B - 一种停车检测***及检测方法 - Google Patents

Abstract

本发明涉及一种停车检测***及检测方法。所述停车检测***包括地磁传感器、数据量化模块和状态判断模块，所述地磁传感器用于获取当前车位地磁值、一定范围内周边车位地磁值以及周边车位地磁值的变化幅值，所述数据量化模块用于对将地磁传感器获取的数据进行量化处理，所述状态判断模块用于根据当前车位的地磁值及预设的地磁高低阀值判断当前车位状态，如果当前车位的地磁值介于预设的高低阈值之间，将采集并量化的当前车位的地磁值、周围车位地磁变化幅值与原地磁值的比值输入构造的机器模型进行判断，根据机器模型得出车位状态结果。本发明可对地磁值处于模糊区的车位状态做出准确判断。

Description

一种停车检测***及检测方法

技术领域

本发明属于停车检测技术领域，尤其涉及一种停车检测***及检测方法。

背景技术

目前的停车检测***大概可以分为两种：一种是封闭式的停车场，在进出时通过RFID卡片来进行计时；另一种是开放式的路边停车场，大多通过人工计时来进行收费管理。这些停车检测方式都存在着耗费人工、计时不准确等问题。随着技术的发展和进步，地磁传感器开始逐渐应用到停车检测***中，地磁传感器通过对地磁变化的敏锐感知能够及时准确地捕捉到车位是否有车辆停泊的信息，同时能够对车辆停车时间进行准确计算，大大减少了人工操作成本和失误。如图1所示，为现有地磁传感器的检测原理图。现有地磁传感器的检测原理为：对地磁值设定上下两个阈值：当地磁值低于低阈值时判定为车辆出库，地磁值高于高阈值时判定为车辆入库。

现有的基于地磁传感器的停车检测***存在的缺陷在于：介于两个阈值之间的阀值无法对车位状态做出判断。同时，由于受地磁周边物理环境的影响(例如地磁漂移等)，导致现有的基于地磁传感器的停车检测***存在检测误差，例如，当车辆出库时，该车位地磁值依然停留在有车阈值以上；车辆入库时，该车位地磁值并没有下降到无车阈值以下。

发明内容

本发明提供了一种停车检测***及检测方法，旨在至少在一定程度上解决现有技术中的上述问题。

本发明实现方式如下，一种停车检测***，包括地磁传感器，所述地磁传感器用于获取当前车位地磁值、一定范围内周边车位地磁值以及周边车位地磁值的变化幅值，所述停车检测***还包括数据量化模块和状态判断模块，所述数据量化模块用于对将地磁传感器获取的数据进行量化处理，所述状态判断模块用于根据当前车位的地磁值及预设的地磁高低阀值判断当前车位状态，如果当前车位的地磁值低于预设的低阈值，判定车辆出库，如果当前车位的地磁值高于预设的高阈值，判定车辆入库；如果当前车位的地磁值介于预设的高低阈值之间，将采集并量化的当前车位的地磁值、周围车位地磁变化幅值与原地磁值的比值输入构造的机器模型进行判断，根据机器模型得出车位状态结果。

本发明实施例采取的技术方案还包括：所述停车检测***还包括样本训练模块、模型训练模块和机器学习模块，所述样本训练模块用于根据周边车位地磁值的变化幅值及对应车位的原地磁值计算车位的地磁变化比值，并根据地磁变化比值建立样本训练模型，所述模型训练模块用于对样本训练模型中的样本训练数据进行量化处理，将连续的地磁变化比值量化为离散值；所述机器学习模块用于根据上述量化后的训练数据集建立决策树，并根据决策树构造机器模型。

本发明实施例采取的技术方案还包括：所述机器模型为随机森林模型。

本发明实施例采取的技术方案还包括：所述机器学习模块包括参数确定单元、决策树构造单元和模型构造单元，所述参数确定单元用于确定随机森林模型中决策树的数目以及每棵决策树中的属性数目m；所述决策树构造单元用于对决策树数目及属性个数进行数据采样，分别获得每棵决策树的数据训练集，并根据数据训练集构造多棵决策树；所述模型构造单元用于根据所有决策树构造随机森林模型。

本发明实施例采取的技术方案还包括：所述决策树构造单元采用ID3算法构造决策树。

本发明实施例采取的技术方案还包括：所述状态判断模块获取随机森林模型决策树的所有判断结果，根据结果的众数判定为车位状态。

本发明实施例采取的另一技术方案为：一种停车检测方法，包括：

步骤A：获取当前车位地磁值、一定范围内周边车位地磁值以及周边车位地磁值的变化幅值；

步骤B：将当前车位地磁值与预先设定的地磁高低阀值进行比较，如果当前车位地磁值大于地磁高阈值，则判断车位状态为车辆入库，如果当前车位地磁值小于地磁低阈值，则判断车位状态为车辆出库，如果当前车位的地磁值介于预设的高低阈值之间，则进入步骤C；

步骤C：将采集并量化的当前车位的地磁值、周围车位地磁变化幅值与原地磁值的比值输入构造的机器模型进行判断，根据机器模型得出车位状态结果。

本发明实施例采取的技术方案还包括：在所述步骤C中，构造的机器模型为随机森林模型。

本发明实施例采取的技术方案还包括：在所述步骤C中，构建随机森林模型具体包括：获取停车位的训练数据集；对停车位训练数据集进行筛选并量化成指定格式；根据量化后的数据集确定随机森林中决策树的个数以及每棵决策树中的属性数目；分别采样获得每棵决策树的训练集然后构造决策树，得到随机森林模型。

本发明实施例采取的技术方案还包括：在所述步骤C中，所述根据机器模型得出车位状态结果包括：获取随机森林模型决策树的所有判断结果，根据结果的众数判定为车位状态。

本发明实施例的停车检测***及检测方法通过利用周边车位地磁信息建立随机森林模型，通过构建的随机森林模型对地磁值处于模糊区的车位状态做出准确判断；另外，在随机森林模型中构造多颗决策树，用决策结果的众数来判断最终的车位状态而不是某一棵树的决策结果，有效避免由于某一个节点的误差而对最终结果造成的影响，大幅提高判断精确度。

附图说明

图1本发明实施例的停车检测***的结构示意图；

图2是本发明实施例的停车检测***井字形停车场场景示意图；

图3本发明实施例的停车检测***当前车位及所能影响的周边车位的模型效果图；

图4是本发明实施例的停车检测***采用ID3算法构造的决策树的示意图；

图5是本发明实施例的停车检测***随机森林模型示意图；

图6是本发明实施例的停车检测方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，是本发明实施例的停车检测***的结构示意图。本发明实施例的停车检测***包括地磁传感器、样本训练模块、模型训练模块、机器学习模块、数据量化模块和状态判断模块；具体地：

地磁传感器用于获取当前车位地磁值、一定范围内周边车位地磁值以及周边车位地磁值的变化幅值。由于当前车位的地磁值介于预设的高低阈值之间而无法检测出真实车位状态，本发明实施例通过当前车位周边的车位地磁传感器的检测结果为当前车位状态判断提供新的判断依据，通过车位间地磁传感器的部署和实验发现，当前车位状态为车辆入库时，当前车位周边车位的地磁传感器的地磁值会同时产生有规律的变化(例如，平行车位地磁值下降10％)，周边车位与当前车位的相对位置和距离对周边车位地磁变化具有显著相关性。请一并参阅图2，设定1号车位为所需要判断车位状态的车位，采用周围的2,3,4,5,6,7,8,9号车位来作为辅助判断车位，则采用周边车位地磁值变化幅度而不是地磁值来作为判断依据。由于周边车位地磁值与当前车位状态并没有直接关联，而是周边车位地磁值的变化幅值(并且这个变化必须满足一定条件)与当前车位状态关联，且由于周边车位状态的组合会有很多种情况，比如可能某几号车位无车，某几号车位有车，那么周边车位地磁值的取值范围会很广泛，无疑会使数据变得复杂。而经实验发现，对于不同的停车场场景，当前车位所能影响的周边车位数目以及位置都是不一样的，具体可以总结为三种模型，即：一字型、十字形和井字形，具体如图3所示，为本发明实施例的停车检测***当前车位及所能影响的周边车位的模型效果图。

样本训练模块用于根据周边车位地磁值的变化幅值及对应车位的原地磁值计算车位的地磁变化比值，并根据地磁变化比值建立样本训练模型；其中，样本训练模型具体包括当前车位地磁值、地磁变化比值数据和车位状态标签。地磁变化比值数据即周边车位的地磁变化幅度与原地磁值的比值；车位状态标签包括两种类别：车辆入库和车辆出库。具体如下表1所示：

表1

模型训练模块用于对样本训练模型中的样本训练数据进行量化处理，将连续的地磁变化比值量化为离散值，剔除不在给定范围内的样本训练数据，得到规范后的训练数据集；其中，对样本训练数据进行量化处理是指将在某个区间内的所有值都量化为某一数字。如上表所示，当有车辆出库时，2号车位地磁值总会有一个-0.15左右的下降比例；当有车辆入库时，2号车位地磁值总会有一个0.05左右的上升比例。该下降比或上升比是较为稳定的，因为2号车位相对于当前车位的距离与方位都是固定的。于是，可以将2号车位地磁值的下降比例在(-0.2，-0.1)区间内的地磁变化比值量化为-1，上升比例在(+0.05,+0.1)区间内的地磁变化比值量化为+1。对其它所有不在这两个区间内的所有地磁变化比值都量化为0，舍弃所有量化后的地磁变化比值为0的训练样本，并对所有训练样本数据都进行上述量化处理，舍去量化后的含有地磁变化比值为0的周边车位，即不考虑该周边车位此次地磁值变化与当前车位的关系，得到规范后的训练数据集，具体如下表2和表3所示：

表2

舍弃表2中含有0值的训练样本，得到下表3中的规范的训练数据集：

表3

其中，在当前车位的地磁值介于预设的高低阈值之间而无法检测出真实车位状态时，当前车位周边的车位地磁设备检测结果为当前车位状态判断提供了新的判断依据。通过车位间地磁设备的部署和实验发现，当前车位状态为车辆入库时，当前车位周边车位的地磁设备的地磁值会同时产生有规律的变化(例如，平行车位地磁值下降10％)，周边车位与当前车位的相对位置和距离对周边车位地磁变化具有显著相关性。

机器学习模块用于根据上述量化后的训练数据集建立决策树，并根据决策树构造随机森林模型；具体地，机器学习模块包括参数确定单元、决策树构造单元和模型构造单元；

参数确定单元用于确定随机森林模型中决策树的数目以及每棵决策树中的属性数目m；其中，决策树是一个判断模型，代表了对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。数据挖掘中决策树是一种常用技术，可以用于分析数据，也可以用于判断或者预测。当前车位状态对周边车位的地磁值影响强度是随着距离、方向的变化而变化的，很好地符合了决策树的属性选择特征。在决策树中，不同的属性(对应不同的周边车位的地磁信息)对决策结果造成的影响力是不一样的，以便能够构造出性能最好的决策树。对停车检测***来说，当前车位车辆入库、出库对当前车位的地磁值影响必定最大，对紧邻的车位地磁值影响次之，对再远的车位影响更次之(或许不单单是距离的影响，还有方位等的影响，此处仅是举例说明)，但是决策树仍然存在着一些问题。随着考虑的周边临近车位的增多，决策树会变得越来越深越来越复杂，在加大决策模型复杂度的同时降低决策树的决策准确度。决策树是一种环环相扣的模型，某一个节点出现偏差就会导致结果的错误，深度的决策网络出错的概率显然大于较浅的决策网络。我们减小每棵树中节点的个数(对应于所选择的辅助车位数目)，每次只随机抽样某m个车位作为辅助车位(严格意义的随机森林要求m<<M,M为全部属性数目)，以减小决策树深度。构造多棵决策树，用多棵决策树决策结果的众数来判断最终的车位状态，能够有效避免由于某一个节点的误差而对最终结果造成的影响，提高检测精确度。

决策树构造单元用于对决策树数目及属性个数进行数据采样，分别获得每棵决策树的数据训练集，并根据数据训练集构造多棵决策树；其中，在随机森林中，随机性体现在两个方面：一是属性的选择随机，每棵决策树都随机从M个属性中随机选择m个(m<<M，一般取m＝sqrt(M))来进行构造，相当于进行数据训练集采样；二是样本的选择随机。构造每棵决策树所需的训练数据都随机从N个总样本中有放回地抽取N个；有效地避免了over-fitting(过度拟合)的产生。本发明实施例中，假设设定决策树数目为5，属性个数m为3，随机采样出来的五组属性组合为

{(2,5,6)，(3,4,9)，(6,4,1),(7,3,8)，(9,4,2)}

分别对这五组属性组合进行训练数据采样，有放回地抽取N次(N为总训练集大小)，假设对于属性组合(2,5,6)，随机采样得到的训练集如下表4所示：

表4

根据该训练集构造决策树，基本的决策树构造算法包括ID3和C4.5，本发明采用ID3算法来进行决策树构造，对(2,5,6)属性值采用ID3算法构造的决策树如图4所示，具体构造过程本发明不再赘述。依照上述方式，依次构造所有的决策树，即可得到随机森林模型。其中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。随机森林相比于决策树具有以下优点：对训练数据的容错能力，是一种有效地估计缺失数据的一种方法，当数据集中有大比例的数据缺失时仍然可以保持精度不变；能够有效地处理大的数据集；可以处理没有删减的成千上万的变量；能够在分类的过程中可以生成一个泛化误差的内部无偏估计；能够检测到特征之间的相互影响以及重要性程度；不过出现过度拟合；实现简单容易并行化。

模型构造单元用于根据所有决策树构造随机森林模型；具体如图6所示，为本发明实施例的停车检测***随机森林模型示意图。

数据量化模块用于对将地磁传感器获取的新数据进行量化处理。

状态判断模块用于根据当前车位的地磁值及预设的地磁高低阀值判断当前车位状态，如果当前车位的地磁值低于预设的低阈值，判定车辆出库，如果当前车位的地磁值高于预设的高阈值，判定车辆入库；如果当前车位的地磁值介于预设的高低阈值之间，将采集并量化的当前车位的地磁值、周围车位地磁变化幅值与原地磁值的比值输入构造的随机森林模型进行判断，由随机森林模型决策树得出车位状态结果，并取结果的众数为最终判定的车位状态。

例如，当前车位地磁值和周边车位地磁变化幅值与原地磁值的比值如下表5所示：

表5

将表5中的周边车位地磁变化幅值与原地磁值的比值量化处理后如下表6所示：

表6

然后输入随机森林网络进行判断，这五颗决策树得出的结果为(出库，出库，入库，出库，出库)，取结果的众数“出库”，所以最终判定车位状态为“车辆出库”。

请参阅图6，是本发明实施例的停车检测方法的流程图。本发明实施例的停车检测方法包括：

步骤100：获取当前车位地磁值、一定范围内周边车位地磁值以及周边车位地磁值的变化幅值；

在步骤100中，通过地磁感应器采集当前车位地磁值、一定范围内周边车位地磁值以及周边车位地磁值的变化幅值。

步骤200：将当前车位地磁值与预先设定的地磁阈值进行比较，其中所述地磁阈值包括有车阈值和无车阈值，如果当前车位地磁值大于有车阈值，则进入步骤300，如果当前车位地磁值不大于有车阈值，则进入步骤400；

步骤300：判断车位状态为车辆入库；

步骤400：判断当前车位地磁值是否小于无车阈值，如果当前车位地磁值小于无车阈值则进入步骤500，否则进入步骤600；

步骤500：判断车位状态为车辆出库；

步骤600：对采集的当前车位地磁值、一定范围内周边车位地磁值以及周边车位地磁值的变化幅值数据进行量化处理；

在步骤600中，量化指把在某个区间内的所有值都规定为某一数字。假设有一组新来的数据如下所示：

对数据量化处理变为：

步骤700：将量化后的数据输入机器学习模型进行判断，得到车位状态的判定结果。

在步骤700中，机器学习模型采用随机森林模型，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。在随机森林中，随机性体现在两个方面：一是属性的选择随机，二是样本的选择随机。输入随机森林网络进行判断，这五颗决策树得出的结果为(出库，出库，入库，出库，出库)，取结果的众数“出库”，所以最终判定车位状态为“车辆出库”，至此，整个判定过程完毕。

构建本发明实施例的随机森林模型具体包括：

步骤710：获取停车位的训练数据集；

在步骤710中，通过实验采集训练数据，训练数据包含数据和标签两部分，数据是指周围车位的地磁变化幅度与原来地磁值的比值；标签有两种类别：车辆入库和车辆出库。现有一份采集的数据集如下表1所示：

表1

步骤720：对停车位训练数据集进行筛选并量化成指定格式；

在步骤720中，量化指把在某个区间内的所有值都规定为某一数字。例如，通过对上述训练集观察可以发现，当有车辆出库时，2号车位地磁值总会有一个-0.15左右的下降比例；当有车辆入库时，2号车位地磁值总会有一个0.05左右的上升比例。这个下降比(上升比)是较为稳定的，因为2号车位相对于当前车位的距离与方位都是固定的。于是，可以将2号车位地磁值的下降比例在(-0.2，-0.1)区间内量化为-1，上升比例在(+0.05,+0.1)之间规定为+1。对其它所有不在这两个区间内的所有值我们都量化为0，舍弃所有含有0值的训练样本。在测试集当中，若含有量化后的地磁变化比值为0的周边车位，则舍去该周边车位的地磁信息，即不考虑该周边车位此次地磁值变化与当前车位的关系。同时，在随机森林中含有该周边车位的决策树也都被舍去。对所有训练数据都进行上述量化处理，我们可以得到规范后的训练数据集如下所示：

舍弃含有0值的样本后变成：

步骤730：根据量化后的数据集确定随机森林中决策树的个数以及每棵决策树中的属性数目；

在步骤730中，在随机森林中，随机性体现在两个方面：一是属性的选择随机，每棵决策树都随机从M个属性中随机选择m个(m<<M，一般取m＝sqrt(M))来进行构造，这相当于对训练集进行列采样；二是样本的选择随机。构造每棵决策树所需的训练数据随机从N个总样本中有放回地抽取N个。这两个随机性有效地避免了over-fitting的产生。随机森林中，有两个参数需要认为确定：决策树的数目和每棵决策树的属性个数m。在此，设定决策树数目为5，属性个数m为3。随机采样出来的五组属性组合为

{(2,5,6)，(3,4,9)，(6,4,1),(7,3,8)，(9,4,2)}

分别对这五组属性组合进行训练数据采样，又放回地抽取N次(N为总训练集大小)，假设对于属性组合(2,5,6)，随机采样得到的训练集如下表所示：

根据这个数据集来构造决策树，基本的决策树算法有ID3和C4.5两种，在本发明实施例中，采用ID3算法来进行决策树构造，假设对(2,5,6)属性值采用ID3算法构造的决策树：

步骤740：分别采样获得每棵决策树的训练集然后构造决策树，得到随机森林模型。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种停车检测***，包括地磁传感器，所述地磁传感器用于获取当前车位地磁值，其特征在于：所述地磁传感器还用于获取一定范围内周边车位地磁值以及周边车位地磁值的变化幅值，所述停车检测***还包括数据量化模块和状态判断模块，所述数据量化模块用于对将地磁传感器获取的数据进行量化处理，所述状态判断模块用于根据当前车位的地磁值及预设的地磁高低阀值判断当前车位状态，如果当前车位的地磁值低于预设的低阈值，判定车辆出库，如果当前车位的地磁值高于预设的高阈值，判定车辆入库；如果当前车位的地磁值介于预设的高低阈值之间，将采集并量化的当前车位的地磁值、周围车位地磁变化幅值与原地磁值的比值输入构造的机器模型进行判断，根据机器模型得出车位状态结果；

还包括样本训练模块、模型训练模块和机器学习模块，所述样本训练模块用于根据周边车位地磁值的变化幅值及对应车位的原地磁值计算车位的地磁变化比值，并根据地磁变化比值建立样本训练模型，所述模型训练模块用于对样本训练模型中的样本训练数据进行量化处理，将连续的地磁变化比值量化为离散值；所述机器学习模块用于根据上述量化后的训练数据集建立决策树，并根据决策树构造机器模型；

所述机器模型为随机森林模型；

所述机器学习模块包括参数确定单元、决策树构造单元和模型构造单元，所述参数确定单元用于确定随机森林模型中决策树的数目以及每棵决策树中的属性数目m；所述决策树构造单元用于对决策树数目及属性个数进行数据采样，分别获得每棵决策树的数据训练集，并根据数据训练集构造多棵决策树；所述模型构造单元用于根据所有决策树构造随机森林模型；

所述决策树构造单元采用ID3算法构造决策树；

所述状态判断模块获取随机森林模型决策树的所有判断结果，取结果的众数，为最终判定的车位状态。

2.一种停车检测方法，包括：

步骤A：获取当前车位地磁值、一定范围内周边车位地磁值以及周边车位地磁值的变化幅值；

步骤B：将当前车位地磁值与预先设定的地磁高低阀值进行比较，如果当前车位地磁值大于地磁高阈值，则判断车位状态为车辆入库，如果当前车位地磁值小于地磁低阈值，则判断车位状态为车辆出库，如果当前车位的地磁值介于预设的高低阈值之间，则进入步骤C；

步骤C：将采集并量化的当前车位的地磁值、周围车位地磁变化幅值与原地磁值的比值输入构造的机器模型进行判断，根据机器模型得出车位状态结果；

在所述步骤C中，构造的机器模型为随机森林模型；

在所述步骤C中，构建随机森林模型具体包括：获取停车位的训练数据集；对停车位训练数据集进行筛选并量化成指定格式；根据量化后的数据集确定随机森林中决策树的个数以及每棵决策树中的属性数目；分别采样获得每棵决策树的训练集然后构造决策树，得到随机森林模型；

在所述步骤C中，所述根据机器模型得出车位状态结果包括：获取随机森林模型决策树的所有判断结果，取结果的众数，为最终判定的车位状态。

Images