CN109615928A - 一种覆盖盲区泊位的停车管理*** - Google Patents

Abstract

本发明实施例提供了一种覆盖盲区泊位的停车管理***，所述停车管理***，包括：至少一个摄像机组、主控器和至少一个安装杆或者安装位；所述至少一个安装杆或者安装位，配置在路侧停车泊位区域；所述至少一个摄像机组，分别位于每一个安装杆或者安装位上，用于采集路侧停车泊位区域图像，所述停车泊位区域包括与每一个安装杆或者安装位垂直的正下方的盲区泊位；所述主控器用于通过分析已采集到的路侧停车泊位区域图像，确定路侧停车泊位区域各个泊位的占用信息，以用于对路侧停车进行管理。通过本发明，能够对包括盲区泊位的各个泊位进行停车管理，解决了现有高位视频无法对盲区泊位进行停车管理的缺陷。

Description

一种覆盖盲区泊位的停车管理***

技术领域

本发明涉及智能停车管理技术领域，尤其涉及一种覆盖盲区泊位的停车管理***。

背景技术

城市级智慧停车是指运用AI(Artificial Intelligence，人工智能)、互联网、云计算、大数据、金融科技等前沿技术，采用多种终端设备采集车位信息，应用于城市停车位的信息采集、管理、查询、预订与导航，从而实现停车位资源利用率的最大化和停车服务的最优化。在城市级智慧停车管理中，路侧停车场智慧化管理的必要性尤为突出，对改善城市交通状况和停车效率也更显著。

目前路侧停车管理的主要技术实现是基于地磁、低位路面视频桩和高位视频几种方式，高位视频由于其单设备管理的泊位多，安装位置高、不破坏路面、场景适应性强以及停车数据丰富取证容易的优点，已成为各大城市优选的路侧停车管理方式，但是，高位视频设备由于安装位置高，存在一个杆正下方盲区泊位，俗称“灯下黑”，在城市路侧停车场实际建设中会遇到部分泊位无法管理的难题。目前，现有高位视频盲区泊位的管理的技术方案主要有如下几种：

一、使用相邻杆位交叉管理

在该种方式下，本杆位下的盲区泊位需要利用前一个杆位的高位视频设备来管理，将本杆位下的盲区泊位划归到前一个杆位的高位视频设备管理范围内；该方式存在如下缺陷：建设时需要考虑相邻杆位之间的距离，保证两个视频杆位之间的距离在高位视频设备的管理距离内；然而在实际建设中，由于路侧情况复杂，经常会遇到各种路口，无法保证杆与杆之间的距离满足上述要求；同时，对于路侧的起始杆位，则无法通过前一个杆位来代管该起始杆位下的盲区泊位；

二、使用距离传感器探测

在该种方式下，需在本杆位上安装一个距离传感器，如雷达传感器、超声波传感器等，当有车辆进入该盲区泊位后，距离传感器能够探测到地面高度发生变化，随后通知管理人员进行手动录入取证；该方式存在如下缺陷：距离传感器易受环境干扰，在有行人、自行车等非机动车进入传感器探测范围后，会发生误触发的情况；该方式依然需要人工录入，无法实现真正的智慧化无人管理；

三、使用距离传感器结合视频的方式

在该种方式下，需在本杆位上安装一个距离传感器，如雷达传感器、超声波传感器等，当有车辆进入该盲区泊位后，距离传感器能够探测到地面高度发生变化，随后通知视频进行回溯处理，完成取证过程；该方式存在如下缺陷：依然需要距离传感器来确认泊位内是否停有车辆的情况，但是距离传感器无法分辨机动车辆、非机动车辆以及行人等目标，无法真正意义上确认泊位的真实使用状态；另外，通过视频方式回溯得到的车牌，有可能是其他过路车辆，无法与真正停在盲区泊位的车辆进行匹配，容易发生误取证的情况。

发明内容

本发明实施例提供一种覆盖盲区泊位的停车管理***，能够对包括盲区泊位的各个泊位进行停车管理，解决了现有高位视频无法对盲区泊位进行停车管理的缺陷。

本发明实施例提供了一种覆盖盲区泊位的停车管理***，所述停车管理***，包括：至少一个摄像机组、主控器和至少一个安装杆或者安装位；

所述至少一个安装杆或者安装位，配置在路侧停车泊位区域；

所述至少一个摄像机组，分别位于每一个安装杆或者安装位上，用于采集路侧停车泊位区域图像，所述停车泊位区域包括与每一个安装杆或者安装位垂直的正下方的盲区泊位；

所述主控器用于通过分析已采集到的路侧停车泊位区域图像，确定路侧停车泊位区域各个泊位的占用信息，以用于对路侧停车进行管理。

上述技术方案具有如下有益效果：通过本发明，能够对包括盲区泊位的各个泊位进行停车管理，解决了现有高位视频无法对盲区泊位进行停车管理的缺陷；同时，基于摄像机组多相机采集到的路侧停车泊位区域图像，通过利用了人工智能深度学习算法，确定路侧停车泊位区域各个泊位的占用信息，摆脱了停车管理对传统传感器的依赖，实现了能够不受周围环境影响即能够可靠、精确、高效地对杆下盲区泊位进行管理，进一步地，节约了停车管理的管理成本。

附图说明

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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种覆盖盲区泊位的停车管理***的结构示意图；

图2为本发明一实施例中一种覆盖盲区泊位的停车管理***中各部分位置关系示意图；

图3为本发明一优选实施例中一种覆盖盲区泊位的停车管理***的中车辆入场管理流程示意图；

图4为本发明一优选实施例中一种覆盖盲区泊位的停车管理***的车辆出场管理流程示意图；

图5为本发明一优选实施例中一种覆盖盲区泊位的停车管理***的车辆回溯处理流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明实施例中一种覆盖盲区泊位的停车管理***的结构示意图，所述停车管理***，包括：至少一个摄像机组、主控器和至少一个安装杆或者安装位；

所述至少一个安装杆或者安装位，配置在路侧停车泊位区域；

所述至少一个摄像机组，分别位于每一个安装杆或者安装位上，用于采集路侧停车泊位区域图像，所述停车泊位区域包括与每一个安装杆或者安装位垂直的正下方的盲区泊位；

所述主控器用于通过分析已采集到的路侧停车泊位区域图像，确定路侧停车泊位区域各个泊位的占用信息，以用于对路侧停车进行管理。

进一步地，所述至少一个安装杆或者安装位，配置在路侧停车区域，包括：

所述至少一个安装杆或者安装位，配置在与路侧停车泊位区域预定泊位的车辆驶入端/车辆驶出端相距预定距离的位置上。

进一步地，所述至少一个摄像机组，分别位于每一个安装杆或者安装位上，具体包括：

每一个摄像机组包括至少两个摄像机，所述至少两个摄像机分别位于所述摄像机组所在的安装杆或者安装位上与路侧泊位平行方向的左右两侧；

其中，位于所述安装杆或者安装位上与路侧泊位平行方向的左侧的至少一个摄像机为第一摄像机，用于采集以所述安装杆或者安装位垂直正下方为起点与路侧泊位平行方向的左侧区域的第一停车区域图像；

其中，位于所述安装杆或者安装位上与路侧泊位平行方向的右侧的至少一个摄像机为第二摄像机，用于采集以所述安装杆或者安装位垂直正下方为起点与路侧泊位平行方向的右侧区域的第二停车区域图像。

进一步地，所述主控器用于通过分析已采集到的路侧停车泊位区域图像，确定路侧停车泊位区域各个泊位的占用信息，包括：

针对每一个摄像机组，所述主控器基于预定频率从当前摄像机组中的每一个摄像机中获取预定分辨率的图片；

确定预定摄像机中获取到的图片，基于所述预定频率，通过预定车辆检测模型对从所述预定摄像机中获取到的图片进行车辆目标的检测，并根据检测结果判断所述预定摄像机采集图像范围的停车区域是否检测到车辆目标；

根据判断结果，确定所述目标车辆的停车状态。

进一步地，所述预定车辆检测模型为通过预定深度学习算法训练从每一个摄像机组中的每一个摄像机中获取预定分辨率的多张图片得到的车辆检测模型；

其中，所述车辆目标的检测包括车辆目标的入场检测和/或车辆目标的出场检测。

可选地，所述针对每一个摄像机组，所述主控器基于预定频率从当前摄像机组中的每一个摄像机中获取预定分辨率的图片，还包括：

将获取到的各个图片缓存在所述主控器中的存储器中，并记录各个图片的缓存时间；

当任一图片的缓存时间超过预定缓存时间时，清空所述任一图片的缓存地址。

进一步地，所述确定预定摄像机中获取到的图片，基于所述预定频率，通过预定车辆检测模型对从所述预定摄像机中获取到的图片进行车辆目标的检测，并根据检测结果判断所述预定摄像机采集图像范围的停车区域是否检测到车辆目标，包括：

基于从每一个摄像机中获取到的图片，确定获取到的第一摄像机的图片和第二摄像机的图片；

基于所述预定频率，通过预定车辆检测模型确定在当前摄像机组第一摄像机采集图像的第一停车区域和当前摄像机组第二摄像机采集图像的第二停车区域是否检测到车辆目标。

进一步地，所述基于从每一个摄像机中获取到的图片，确定获取到的第一摄像机的图片和第二摄像机的图片，包括：

确定获取到的第一摄像机的图片和第二摄像机的图片中包含当前摄像机组所在安装杆或者安装位垂直的正下方的盲区泊位区域的图片；

其中，所述通过预定车辆检测模型确定在当前摄像机组第一摄像机采集图像的第一停车区域和当前摄像机组第二摄像机采集图像的第二停车区域是否检测到车辆目标，包括：

通过预定车辆检测模型确定在当前摄像机组所在安装杆或者安装位垂直的正下方的盲区泊位内是否检测到车辆目标。

进一步地，当车辆目标的检测为车辆目标的入场检测时，若判断停车泊位区域检测到车辆目标，所述根据判断结果，确定所述目标车辆的停车状态，包括：

若停车泊位区域检测到车辆目标，通过所述预定车辆检测模型得到车辆目标判断值；

根据所述判断值，确定所述判断值是否大于预定判断阈值；

若大于，则确认检测到的车辆目标为机动车辆，并通过所述预定车辆检测模型计算得到所述车辆目标的车辆特征值，并确定是否存在上一次计算得到所述车辆目标的车辆特征值；

若存在，比较上一次计算得到所述车辆目标的车辆特征值与所述计算得到所述车辆目标的车辆特征值是否一致；

若一致，统计所述车辆目标的车辆特征值比较一致的次数，并确定所述统计的次数是否超过预定比较阈值；

若超过，确定所述车辆目标已停在停车泊位内。

进一步地，当车辆目标的检测为车辆目标的出场检测时，若判断停车泊位区域未检测到车辆目标，所述根据判断结果，确定所述目标车辆的停车状态，包括：

若停车泊位区域未检测到车辆目标，在进行车辆目标的检测中，确定是否连续超过预定次数未检测到目标车辆；

若连续超过预定次数未检测到目标车辆，确定所述目标车辆已离开停车泊位。

可选地，还包括：

在所述主控器中的存储器缓存的图片中，确定在预定时间内在当前摄像机组的各个摄像机中已缓存的待处理图片；

通过预定车辆检测模型对所述待处理图片进行车辆目标的车牌目标检测；

若检测到车辆目标的车牌，通过预定车辆检测模型判断所述检测到车牌的车辆目标的车辆特征是否与已停在停车泊位区域中车辆的车辆特征一致；

若一致，通过预定矫正算法对所述检测到车辆目标的车牌图片进行矫正处理；

通过车牌识别算法对所述矫正处理后的车辆目标的车牌的图片进行车牌识别；

基于识别到的车辆目标的车牌信息，生成所述车辆目标的停车取证信息。

其中，所述停车取证信息包括车辆目标的车牌号码、车辆目标的车牌图片、车辆目标的入场时间和车辆目标的出场时间中的至少一项。

本发明实施例上述技术方案具有如下有益效果：通过本发明，能够对包括盲区泊位的各个泊位进行停车管理，解决了现有高位视频无法对盲区泊位进行停车管理的缺陷；同时，基于摄像机组多相机采集到的路侧停车泊位区域图像，通过利用了人工智能深度学习算法，确定路侧停车泊位区域各个泊位的占用信息，摆脱了停车管理对传统传感器的依赖，实现了能够不受周围环境影响即能够可靠、精确、高效地对杆下盲区泊位进行管理，进一步地，节约了停车管理的管理成本。

以下结合应用实例对本发明实施例上述技术方案进行详细说明：

本发明应用实例旨在能够对包括盲区泊位的各个泊位进行停车管理，解决了现有高位视频无法对盲区泊位进行停车管理的缺陷。

如图1所示，例如，在停车管理***S中，包括至少一个摄像机组、主控器和至少一个安装杆或者安装位，该至少一个安装杆或者安装位，配置在路侧停车泊位区域；其中，摄像机组的数量与安装杆或者安装位的数量相同，每一个摄像机组分别位于一个安装杆或者安装位上；每一个摄像机组，如包括摄像机A和摄像机B，用于采集路侧停车泊位区域图像；主控器配置在该至少一个安装杆或者安装位上，该主控器用于根据采集到的路侧停车泊位区域图像，确定路侧停车泊位区域各个泊位的占用信息，以用于对路侧停车进行管理。其中，针对每一个安装杆或者安装位，停车管理***中的摄像机组、主控器和安装杆或者安装位在路侧停车区域的位置关系如图1所示；停车管理***S的***结构示意图如图2所示，需要说明的是，主控器为AI终端设备，其核心计算平台可采用人工智能平台，该人工智能平台包含深度学***台中包括深度学习目标检测算法以及停车事件处理软件；摄像机组，如图2中的摄像机A和摄像机B为网络摄像机，可以输出RTSP(Real Time Streaming Protocol，实时流传输协议)码流，同时也可以通过网络快照抓图；交换机用于主控器与摄像机A和摄像机B互联，4G(Fourth GenerationCommunications System，***移动通信***)路由器用于主控器与云端服务器之间的信息交互；云端服务器，用于接收、处理停车取证信息，以及生成停车取证记录。

需要说明的是，本发明中主控器的数量不做限定，当主控器的数量为多个时，可以根据需求分别配置在多个安装位或者安装杆上，也可以将多个主控器配置在同一安装杆或者安装位上，在此不做限定。

在一种可能的实施方式中，所述至少一个安装杆或者安装位，配置在路侧停车区域，包括：所述至少一个安装杆或者安装位，配置在与路侧停车泊位区域预定泊位的车辆驶入端/车辆驶出端相距预定距离的位置上。所述至少一个摄像机组，分别位于每一个安装杆或者安装位上，具体包括：每一个摄像机组包括至少两个摄像机，所述至少两个摄像机分别位于所述摄像机组所在的安装杆或者安装位上与路侧泊位平行方向的左右两侧。

其中，位于所述安装杆或者安装位上与路侧泊位平行方向的左侧的至少一个摄像机为第一摄像机，用于采集以所述安装杆或者安装位垂直正下方为起点与路侧泊位平行方向的左侧区域的第一停车区域图像。

其中，位于所述安装杆或者安装位上与路侧泊位平行方向的右侧的至少一个摄像机为第二摄像机，用于采集以所述安装杆或者安装位垂直正下方为起点与路侧泊位平行方向的右侧区域的第二停车区域图像。

例如，在停车管理***S中，至少一个安装杆或者安装位，配置在与路侧停车泊位区域预定泊位的车辆驶入端/车辆驶出端相距预定距离的位置上，如图1中所示，安装杆配置在与路侧停车泊位区域P1泊位的车辆驶入端，即P1泊位左侧端起相距1/3泊位距离的位置上；每一个摄像机组，包括至少两个摄像机，如图2中所示的摄像机A和摄像机B，分别位于安装杆或者安装位上与路侧泊位平行方向的左右两侧。

通过本实施例，实现了对盲区泊位的停车泊位进行图像采集和分析，能够精确、快速地对盲区泊位进行管理。

在一种可能的实施方式中，所述主控器用于通过分析已采集到的路侧停车泊位区域图像，确定路侧停车泊位区域各个泊位的占用信息，包括：针对每一个摄像机组，所述主控器基于预定频率从当前摄像机组中的每一个摄像机中获取预定分辨率的图片；确定预定摄像机中获取到的图片，基于所述预定频率，通过预定车辆检测模型对从所述预定摄像机中获取到的图片进行车辆目标的检测，并根据检测结果判断所述预定摄像机采集图像范围的停车区域是否检测到车辆目标；根据判断结果，确定所述目标车辆的停车状态。

其中，所述预定车辆检测模型为通过预定深度学习算法训练从每一个摄像机组中的每一个摄像机中获取预定分辨率的多张图片得到的车辆检测模型；所述车辆目标的检测包括车辆目标的入场检测和/或车辆目标的出场检测。

例如，在停车管理***S中，针对每一个摄像机组，主控器基于预定频率，如2秒/次，从摄像机组中的摄像机A和摄像机B中获取预定分辨率的图片，如分辨率为1080*1920的图片；随后，确定预定摄像机，如摄像机A和/或摄像机B，中获取到的图片，并基于该预定频率，如2秒/次，通过预定车辆检测模型对从该预定摄像机中获取到的图片进行车辆目标的检测，其中，车辆目标的检测包括车辆目标的入场检测和/或车辆目标的出场检测。

需要说明的是，本领域技术人员可以理解，本发明中的预定车辆检测模型，是通过深度学习图像目标检测算法训练摄像机组中获取到的图片得到的，深度学习图像目标检测算法，如Caffe(Convolutional Architecture for Fast Feature Embedding，卷积神经网络框架)，本发明中虽会以特定深度学习图像目标检测算法为例说明，但在此不做限定。

在一种可能的实施方式中，所述针对每一个摄像机组，通过所述主控器基于预定频率从当前摄像机组中的每一个摄像机中获取预定分辨率的图片，还包括：将获取到的各个图片缓存在所述主控器中的存储器中，并记录各个图片的缓存时间；当任一图片的缓存时间超过预定缓存时间时，清空所述任一图片的缓存地址。

例如，在停车管理***S中，针对每一个摄像机组，主控器基于预定频率从当前摄像机组中的每一个摄像机中获取预定分辨率的图片后，将获取到的各个图片缓存在主控器中的存储器中，如主控器中的Flash存储器中，并记录各个图片的缓存时间；当任一图片的缓存时间超过预定缓存时间，如15分钟，清空该图片的缓存地址，以用于缓存后续获取的图片，实现图片的循环覆盖，从而有效地利用存储器的存储空间。

在一种可能的实施方式中，所述确定预定摄像机中获取到的图片，基于所述预定频率，通过预定车辆检测模型对从所述预定摄像机中获取到的图片进行车辆目标的检测，并根据检测结果判断所述预定摄像机采集图像范围的停车区域是否检测到车辆目标，包括：基于从每一个摄像机中获取到的图片，确定获取到的第一摄像机的图片和第二摄像机的图片；基于所述预定频率，通过预定车辆检测模型确定在当前摄像机组第一摄像机采集图像的第一停车区域和当前摄像机组第二摄像机采集图像的第二停车区域是否检测到车辆目标。

其中，所述基于从每一个摄像机中获取到的图片，确定获取到的第一摄像机的图片和第二摄像机的图片，包括：确定获取到的第一摄像机的图片和第二摄像机的图片中包含当前摄像机组所在安装杆或者安装位垂直的正下方的盲区泊位区域的图片。

其中，所述通过预定车辆检测模型确定在当前摄像机组第一摄像机采集图像的第一停车区域和当前摄像机组第二摄像机采集图像的第二停车区域是否检测到车辆目标，包括：通过预定车辆检测模型确定在当前摄像机组所在安装杆或者安装位垂直的正下方的盲区泊位内是否检测到车辆目标。

例如，在停车管理***S中，针对每一个摄像机组，主控器基于预定频率，如2秒/次，从当前摄像机组中的摄像机A和摄像机B中获取预定分辨率的图片，如分辨率为1080*1920的图片；基于该预定频率，如2秒/次，通过预定车辆检测模型确定在当前摄像机组第一摄像机采集图像的第一停车区域和当前摄像机组第二摄像机采集图像的第二停车区域是否检测到车辆目标；当针对当前摄像机组，若确定获取到的摄像机A的图片和摄像机B的图片中包含当前摄像机组所在安装杆或者安装位垂直的正下方的盲区泊位区域的图片，通过预定车辆检测模型确定在当前摄像机组所在安装杆或者安装位垂直的正下方的盲区泊位内是否检测到车辆目标。

通过本实施例，能够全方位的检测停车区域是否有车辆目标，避免了无法准确地检测到盲区泊位是否有车辆目标的情况。

在一种可能的实施方式中，当车辆目标的检测为车辆目标的入场检测时，若判断停车泊位区域检测到车辆目标，所述根据判断结果，确定所述目标车辆的停车状态，包括：若停车泊位区域检测到车辆目标，通过所述预定车辆检测模型得到车辆目标判断值；根据所述判断值，确定所述判断值是否大于预定判断阈值；若大于，则确认检测到的车辆目标为机动车辆，并通过所述预定车辆检测模型计算得到所述车辆目标的车辆特征值，并确定是否存在上一次计算得到所述车辆目标的车辆特征值；若存在，比较上一次计算得到所述车辆目标的车辆特征值与所述计算得到所述车辆目标的车辆特征值是否一致；若一致，统计所述车辆目标的车辆特征值比较一致的次数，并确定所述统计的次数是否超过预定比较阈值；若超过，确定所述车辆目标已停在停车泊位内。

例如，接上例，若在当前摄像机组第一摄像机采集图像的第一停车区域和当前摄像机组第二摄像机采集图像的第二停车区域检测到车辆目标，通过预定车辆检测模型得到车辆目标判断值，如置信度值为0.93；若预定判断阈值为0.9，随后确定置信度值0.93大于预定判断阈值0.9，则确认检测到的车辆目标为机动车辆，并通过预定车辆检测模型计算得到该车辆目标的车辆特征值；在进行车辆目标的检测过程中，确定是否存在上一次计算得到该车辆目标的车辆特征值；若存在，通过余弦相似度比较上一次计算得到该车辆目标的车辆特征值与本次计算得到该车辆目标的车辆特征值是否一致；若一致，统计该车辆目标的车辆特征值比较一致的次数，如为12次，若预定比较阈值为10，并确定该统计的次数12次超过预定比较阈值，确定该车辆目标已停在停车泊位内。车辆目标的入场检测流程示意图如图3所示。通过本实施例，摆脱了停车管理对传统传感器的依赖，能够简单、精确、高效地对车辆目标进行入场检测，进一步地极大地提高了对停车泊位的管理的准确率。

需要说明的是，本领域技术人员可以了解到，余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦相似度将向量根据坐标值，绘制到向量空间中，如最常见的二维空间，本发明中虽会以特定方式为例来比较上一次计算得到该车辆目标的车辆特征值与本次计算得到该车辆目标的车辆特征值是否一致，但在此不做限定。

在一种可能的实施方式中，当车辆目标的检测为车辆目标的出场检测时，若判断停车泊位区域未检测到车辆目标，所述根据判断结果，确定所述目标车辆的停车状态，包括：若停车泊位区域未检测到车辆目标，在进行车辆目标的检测中，确定是否连续超过预定次数未检测到目标车辆；若连续超过预定次数未检测到目标车辆，确定所述目标车辆已离开停车泊位。

例如，在停车管理***S中，针对每一个摄像机组，主控器基于预定频率，如2秒/次，从当前摄像机组中的摄像机A和摄像机B中获取预定分辨率的图片，如分辨率为1080*1920的图片；基于该预定频率，如2秒/次，通过预定车辆检测模型确定在当前摄像机组第一摄像机采集图像的第一停车区域和当前摄像机组第二摄像机采集图像的第二停车区域是否检测到车辆目标；若未检测到车辆目标，在进行车辆目标的检测中，若确定连续超过预定次数，如5次，未检测到目标车辆，确定该目标车辆已离开停车泊位。车辆目标的出场检测流程示意图如图4所示。

通过本实施例，摆脱了停车管理对传统传感器的依赖，能够简单、精确、高效地对车辆目标进行出场检测，进一步地极大地提高了对停车泊位的管理的准确率。

在一种可能的实施方式中，该***还包括：在所述主控器中的存储器缓存的图片中，确定在预定时间内在当前摄像机组的各个摄像机中已缓存的待处理图片；通过预定车辆检测模型对所述待处理图片进行车辆目标的车牌目标检测；若检测到车辆目标的车牌，通过预定车辆检测模型判断所述检测到车牌的车辆目标的车辆特征是否与已停在停车泊位区域中车辆的车辆特征一致；若一致，通过预定矫正算法对所述检测到车辆目标的车牌图片进行矫正处理；通过车牌识别算法对所述矫正处理后的车辆目标的车牌的图片进行车牌识别；基于识别到的车辆目标的车牌信息，生成所述车辆目标的停车取证信息。

其中，所述停车取证信息包括车辆目标的车牌号码、车辆目标的车牌图片、车辆目标的入场时间和车辆目标的出场时间中的至少一项。

例如，在停车管理***S中，完成车辆目标的入场/出场检测后，在主控器中的Flash存储器缓存的图片中，确定出在预定时间内，如1分钟内，已缓存的当前摄像机组中各个摄像机的待处理图片；通过预定车辆检测模型对待处理图片进行车辆目标的车牌目标检测；若检测到车辆目标的车牌，通过预定车辆检测模型判断该检测到车牌的车辆目标的车辆特征是否与已停在停车泊位区域中车辆的车辆特征一致；若一致，通过预定矫正算法，如仿射变换或透视变换，对该检测到车辆目标的车牌图片进行矫正处理；通过车牌识别算法对矫正处理后的车辆目标的车牌的图片进行车牌识别；基于识别到的车辆目标的车牌信息，生成该车辆目标的停车取证信息，如车辆目标的车牌号码信息、车辆目标的车牌图片信息、车辆目标的入场时间信息和车辆目标的出场时间信息。其中，停车管理***S的车辆回溯处理流程示意图如图5所示。

通过本实施例，实现了无需借助传统传感器即可对车辆的停车过程进行回溯，同时，通过预定车辆检测模型来确认车辆目标信息，能够快速、精确地进行车辆停车过程的回溯，从而及时、准确地完成车辆信息的取证和车辆相关业务信息的获取，进一步地，提高了用户的使用体验。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。

在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种覆盖盲区泊位的停车管理***，其特征在于，所述停车管理***，包括：至少一个摄像机组、主控器和至少一个安装杆或者安装位；

所述至少一个安装杆或者安装位，配置在路侧停车泊位区域；

所述至少一个摄像机组，分别位于每一个安装杆或者安装位上，用于采集路侧停车泊位区域图像，所述停车泊位区域包括与每一个安装杆或者安装位垂直的正下方的盲区泊位；

所述主控器用于通过分析已采集到的路侧停车泊位区域图像，确定路侧停车泊位区域各个泊位的占用信息，以用于对路侧停车进行管理。

2.根据权利要求1所述的停车管理***，其特征在于，所述至少一个安装杆或者安装位，配置在路侧停车区域，包括：

所述至少一个安装杆或者安装位，配置在与路侧停车泊位区域预定泊位的车辆驶入端/车辆驶出端相距预定距离的位置上。

3.根据权利要求2所述的停车管理***，其特征在于，所述至少一个摄像机组，分别位于每一个安装杆或者安装位上，具体包括：

每一个摄像机组包括至少两个摄像机，所述至少两个摄像机分别位于所述摄像机组所在的安装杆或者安装位上与路侧泊位平行方向的左右两侧；

其中，位于所述安装杆或者安装位上与路侧泊位平行方向的左侧的至少一个摄像机为第一摄像机，用于采集以所述安装杆或者安装位垂直正下方为起点与路侧泊位平行方向的左侧区域的第一停车区域图像；

其中，位于所述安装杆或者安装位上与路侧泊位平行方向的右侧的至少一个摄像机为第二摄像机，用于采集以所述安装杆或者安装位垂直正下方为起点与路侧泊位平行方向的右侧区域的第二停车区域图像。

4.根据权利要求3所述的停车管理***，其特征在于，所述主控器用于通过分析已采集到的路侧停车泊位区域图像，确定路侧停车泊位区域各个泊位的占用信息，包括：

针对每一个摄像机组，所述主控器基于预定频率从当前摄像机组中的每一个摄像机中获取预定分辨率的图片；

确定预定摄像机中获取到的图片，基于所述预定频率，通过预定车辆检测模型对从所述预定摄像机中获取到的图片进行车辆目标的检测，并根据检测结果判断所述预定摄像机采集图像范围的停车区域是否检测到车辆目标；

根据判断结果，确定所述目标车辆的停车状态。

5.根据权利要求4所述的停车管理***，所述预定车辆检测模型为通过预定深度学习算法训练从每一个摄像机组中的每一个摄像机中获取预定分辨率的多张图片得到的车辆检测模型；

其中，所述车辆目标的检测包括车辆目标的入场检测和/或车辆目标的出场检测。

6.根据权利要求4或5所述的停车管理***，其特征在于，所述针对每一个摄像机组，所述主控器基于预定频率从当前摄像机组中的每一个摄像机中获取预定分辨率的图片，还包括：

将获取到的各个图片缓存在所述主控器中的存储器中，并记录各个图片的缓存时间；

当任一图片的缓存时间超过预定缓存时间时，清空所述任一图片的缓存地址。

7.根据权利要求6所述的停车管理***，其特征在于，所述确定预定摄像机中获取到的图片，基于所述预定频率，通过预定车辆检测模型对从所述预定摄像机中获取到的图片进行车辆目标的检测，并根据检测结果判断所述预定摄像机采集图像范围的停车区域是否检测到车辆目标，包括：

基于从每一个摄像机中获取到的图片，确定获取到的第一摄像机的图片和第二摄像机的图片；

基于所述预定频率，通过预定车辆检测模型确定在当前摄像机组第一摄像机采集图像的第一停车区域和当前摄像机组第二摄像机采集图像的第二停车区域是否检测到车辆目标。

8.根据权利要求7所述的停车管理***，其特征在于，所述基于从每一个摄像机中获取到的图片，确定获取到的第一摄像机的图片和第二摄像机的图片，包括：

确定获取到的第一摄像机的图片和第二摄像机的图片中包含当前摄像机组所在安装杆或者安装位垂直的正下方的盲区泊位区域的图片；

其中，所述通过预定车辆检测模型确定在当前摄像机组第一摄像机采集图像的第一停车区域和当前摄像机组第二摄像机采集图像的第二停车区域是否检测到车辆目标，包括：

通过预定车辆检测模型确定在当前摄像机组所在安装杆或者安装位垂直的正下方的盲区泊位内是否检测到车辆目标。

9.根据权利要求8所述的停车管理***，其特征在于，当车辆目标的检测为车辆目标的入场检测时，若判断停车泊位区域检测到车辆目标，所述根据判断结果，确定所述目标车辆的停车状态，包括：

若停车泊位区域检测到车辆目标，通过所述预定车辆检测模型得到车辆目标判断值；

根据所述判断值，确定所述判断值是否大于预定判断阈值；

若大于，则确认检测到的车辆目标为机动车辆，并通过所述预定车辆检测模型计算得到所述车辆目标的车辆特征值，并确定是否存在上一次计算得到所述车辆目标的车辆特征值；

若存在，比较上一次计算得到所述车辆目标的车辆特征值与所述计算得到所述车辆目标的车辆特征值是否一致；

若一致，统计所述车辆目标的车辆特征值比较一致的次数，并确定所述统计的次数是否超过预定比较阈值；

若超过，确定所述车辆目标已停在停车泊位内。

10.根据权利要求8所述的停车管理***，其特征在于，当车辆目标的检测为车辆目标的出场检测时，若判断停车泊位区域未检测到车辆目标，所述根据判断结果，确定所述目标车辆的停车状态，包括：

若停车泊位区域未检测到车辆目标，在进行车辆目标的检测中，确定是否连续超过预定次数未检测到目标车辆；

若连续超过预定次数未检测到目标车辆，确定所述目标车辆已离开停车泊位。

11.根据权利要求8所述的停车管理***，还包括：

在所述主控器中的存储器缓存的图片中，确定在预定时间内在当前摄像机组的各个摄像机中已缓存的待处理图片；

通过预定车辆检测模型对所述待处理图片进行车辆目标的车牌目标检测；

若检测到车辆目标的车牌，通过预定车辆检测模型判断所述检测到车牌的车辆目标的车辆特征是否与已停在停车泊位区域中车辆的车辆特征一致；

若一致，通过预定矫正算法对所述检测到车辆目标的车牌图片进行矫正处理；

通过车牌识别算法对所述矫正处理后的车辆目标的车牌的图片进行车牌识别；

基于识别到的车辆目标的车牌信息，生成所述车辆目标的停车取证信息；

其中，所述停车取证信息包括车辆目标的车牌号码、车辆目标的车牌图片、车辆目标的入场时间和车辆目标的出场时间中的至少一项。