CN110009929A - 一种车辆泊位管理方法、设备及*** - Google Patents

一种车辆泊位管理方法、设备及*** Download PDF

Info

Publication number
CN110009929A
CN110009929A CN201910195918.9A CN201910195918A CN110009929A CN 110009929 A CN110009929 A CN 110009929A CN 201910195918 A CN201910195918 A CN 201910195918A CN 110009929 A CN110009929 A CN 110009929A
Authority
CN
China
Prior art keywords
image
berth
vehicle
same
present
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910195918.9A
Other languages
English (en)
Inventor
单冠达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yam Technology Co Ltd
Original Assignee
Beijing Yam Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Yam Technology Co Ltd filed Critical Beijing Yam Technology Co Ltd
Priority to CN201910195918.9A priority Critical patent/CN110009929A/zh
Publication of CN110009929A publication Critical patent/CN110009929A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/02—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种车辆泊位管理方法、设备及***，其中的方法包括获取图像采集装置对包含至少一个泊位的区域采集的图像，通过对两幅图像中泊位占用状态的判断，以及对于在同一泊位中相应车辆是否相同的判断，即可同时确定对多个泊位的中的车辆的停车起止时间进行确定，本发明通过少量图像即可完成车辆泊位的管理，可以大大减少对设备计算力的要求，降低流量和硬件成本，通过任意调整获取两幅图像的时间间隔，便于在停车计费的准确率与图像上传时间和计算成本上进行平衡，另外，还提高了多泊位管理的效率。

Description

一种车辆泊位管理方法、设备及***
技术领域
本发明涉及图像识别领域，具体涉及一种车辆泊位管理方法、设备及***。
背景技术
智能交通监控***是当今交通监控行业的一个重要发展方向，其依靠计算机视觉和深度学习等技术对监控摄像头拍摄的画面进行自动分析，可应用于违章行为判断、车辆泊位管理、车牌识别、车型识别等多个方面。其中，在车辆泊位管理方面，现有技术中是识别定位泊位中的车辆轮廓，从而通过连续跟踪车辆运行轨迹的方式来确定泊位的占用状态，从而对车辆的停车时间进行计时，这种方式需要采集大量图像来保证跟踪效果，通常需要一秒钟上传多次图像，因此计算力和流量成本高，并且停车计时的准确性较差，尤其在多泊位的情况下管理效率较低，对车辆泊位的智能化管理造成了影响。
发明内容
针对上述技术问题，本发明提供一种车辆泊位管理方法、设备及***。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供一种车辆泊位管理方法，包括：
获取图像采集装置对包含至少一个泊位的区域采集的图像；
判断图像中每个泊位的占用状态；
若至少一个泊位在上一图像和当前图像中均为占用状态，则判断占用同一泊位的相应车辆是否为同一辆车；
其中，若占用同一泊位的相应车辆是同一辆车，则等待下一图像，以便判断下一图像中每个泊位的占用状态；
若占用同一泊位的相应车辆不是同一辆车，则将获取上一图像的时间作为在上一图像中占用该泊位的车辆的停车截止时间，将获取当前图像的时间作为在当前图像中占用该泊位的车辆的停车起始时间。
本发明的有益效果是：仅通过两幅图像中泊位占用状态的判断，以及对于在同一泊位中相应车辆是否相同的判断，即可同时确定对多个泊位的中的车辆的停车起止时间进行确定，可以大大减少对设备计算力的要求，降低流量和硬件成本，通过任意调整获取两幅图像的时间间隔，便于在停车计费的准确率与图像上传时间和计算成本上进行平衡，另外，还提高了多泊位管理的效率。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，该方法还包括：
若所有泊位在上一图像和当前图像中均为未占用状态，则等待下一图像，以便判断下一图像中每个泊位的占用状态。
进一步，该方法还包括：
若至少一个泊位在上一图像中为未占用状态，并且同一泊位在当前图像中为占用状态，则将获取当前图像的时间作为当前图像中占用该泊位的车辆的停车起始时间。
进一步，该方法还包括：
若至少一个泊位在上一图像中为占用状态，并且同一泊位在当前图像中为未占用状态，则将获取上一图像的时间作为上一图像中占用该泊位的车辆的停车截止时间。
进一步，图像采集装置设置在泊位的对面。
进一步，在获取图像采集装置对包含至少一个泊位的区域采集的图像之后，该方法还包括：
识别并标记图像中物体的轮廓，物体至少包括车辆；
在判断占用同一泊位的相应车辆是否为同一辆车之前，还包括：
将在上一图像中占用同一泊位的车辆的轮廓放置在当前图像中相同的位置，判断在上一图像中占用同一泊位的车辆的轮廓与当前图像中其他物体的轮廓的重叠部分与在上一图像中占用同一泊位的车辆的轮廓的比值是否低于预设比例，若是则执行判断占用同一泊位的相应车辆是否为同一辆车，否则不执行并等待下一图像，以便判断下一图像中每个泊位的占用状态。
进一步，判断占用同一泊位的相应车辆是否为同一辆车，具体包括：
将前一图像和当前图像进行叠加；
将叠加后的图像输入经过预先训练的卷积神经网络模型，判断占用同一泊位的相应车辆是否为同一辆车，其中，卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。
进一步，将前一图像和当前图像进行叠加，具体包括：
将前一图像和当前图像的3通道RGB数据进行叠加，得到叠加后的图像的6通道RGB-RGB数据，通过叠加后图像的6通道RGB-RGB数据判断占用同一泊位的相应车辆是否为同一辆车。
进一步，卷积神经网络模型的训练方法为：
将包含有干扰项的同一车辆在同一区域同一时间段、且不同时间的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆在同一区域的两张图像进行叠加作为负样本，基于多个正样本和负样本训练卷积神经网络模型。
进一步，将叠加后的图像输入经过预先训练的卷积神经网络模型，判断占用同一泊位的相应车辆是否为同一辆车，具体包括：
基于经过预先训练的卷积神经网络模型提取叠加后的图像中占用同一泊位的相应车辆的车辆特征；
计算相应车辆的车辆特征相似度；
根据相似度判断占用同一泊位的相应车辆是否为同一辆车。
进一步，根据相似度判断占用同一泊位的相应车辆是否为同一辆车，具体包括：
当相似度超过预设范围的上限时，判定占用同一泊位的相应车辆是同一辆车；
当相似度低于预设范围的下限时，判定占用同一泊位的相应车辆不是同一辆车。
进一步，该方法还包括：
根据占用同一泊位的同一车辆的停车起始时间和停车截止时间进行计费。
第二方面，本发明还提供一种车辆泊位管理设备，包括：
获取模块，用于获取图像采集装置对包含至少一个泊位的区域采集的图像；
第一判断模块，用于判断图像中每个泊位的占用状态；
第二判断模块，用于若至少一个泊位在上一图像和当前图像中均为占用状态，则判断占用同一泊位的相应车辆是否为同一辆车；
其中，若占用同一泊位的相应车辆是同一辆车，则等待下一图像，以便判断下一图像中每个泊位的占用状态；
若占用同一泊位的相应车辆不是同一辆车，则将获取上一图像的时间作为在上一图像中占用该泊位的车辆的停车截止时间，将获取当前图像的时间作为在当前图像中占用该泊位的车辆的停车起始时间。
本发明的有益效果是：仅通过两幅图像中泊位占用状态的判断，以及对于在同一泊位中相应车辆是否相同的判断，即可同时确定对多个泊位的中的车辆的停车起止时间进行确定，可以大大减少对设备计算力的要求，降低流量和硬件成本，通过任意调整获取两幅图像的时间间隔，便于在停车计费的准确率与图像上传时间和计算成本上进行平衡，另外，还提高了多泊位管理的效率。
进一步，第一判断模块，还用于：若所有泊位在上一图像和当前图像中均为未占用状态，则等待下一图像，以便判断下一图像中每个泊位的占用状态；
进一步，第一判断模块，还用于：若至少一个泊位在上一图像中为未占用状态，并且同一泊位在当前图像中为占用状态，则将获取当前图像的时间作为当前图像中占用该泊位的车辆的停车起始时间；
进一步，第一判断模块，还用于：若至少一个泊位在上一图像中为占用状态，并且同一泊位在当前图像中为未占用状态，则将获取上一图像的时间作为上一图像中占用该泊位的车辆的停车截止时间；
进一步，图像采集装置设置在泊位的对面。
进一步，该设备还包括：
识别模块，用于在获取模块获取图像采集装置对包含至少一个泊位的区域采集的图像之后，识别并标记图像中物体的轮廓，物体至少包括车辆；
第三判断模块，用于在第二判断模块判断占用同一泊位的相应车辆是否为同一辆车之前，将在上一图像中占用同一泊位的车辆的轮廓放置在当前图像中相同的位置，判断在上一图像中占用同一泊位的车辆的轮廓与当前图像中其他物体的轮廓的重叠部分与在上一图像中占用同一泊位的车辆的轮廓的比值是否低于预设比例，若是则第二判断模块执行判断占用同一泊位的相应车辆是否为同一辆车，否则不执行并等待下一图像，以便判断下一图像中每个泊位的占用状态。
进一步，第二判断模块，具体包括：
叠加单元，用于将前一图像和当前图像进行叠加；
判断单元，用于将叠加后的图像输入经过预先训练的卷积神经网络模型，判断占用同一泊位的相应车辆是否为同一辆车，其中，卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。
进一步，叠加单元，具体用于：
将前一图像和当前图像的3通道RGB数据进行叠加，得到叠加后的图像的6通道RGB-RGB数据，通过叠加后图像的6通道RGB-RGB数据判断占用同一泊位的相应车辆是否为同一辆车。
进一步，第二判断模块，具体还包括：
训练单元，用于将包含有干扰项的同一车辆在同一区域、同一时间段、且不同时间的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆在同一区域的两张图像进行叠加作为负样本，基于多个正样本和负样本训练卷积神经网络模型。
进一步，判断单元，具体包括：
提取子单元，用于基于经过预先训练的卷积神经网络模型提取叠加后的图像中占用同一泊位的相应车辆的车辆特征；
计算子单元，用于计算相应车辆的车辆特征相似度；
判断子单元，用于根据相似度判断占用同一泊位的相应车辆是否为同一辆车。
进一步，判断子单元，具体用于：
当相似度超过预设范围的上限时，判定占用同一泊位的相应车辆是同一辆车；
当相似度低于预设范围的下限时，判定占用同一泊位的相应车辆不是同一辆车。
进一步，该设备还包括：
计费模块，用于根据占用同一泊位的同一车辆的停车起始时间和停车截止时间进行计费。
进一步，该设备采用服务器或芯片。
第三方面，本发明还提供一种车辆泊位管理***，包括如上的车辆泊位管理设备和图像采集装置。
附图说明
图1为本发明实施例提供的一种车辆泊位管理方法的流程图；
图2为本发明实施例提供的另一种车辆泊位管理方法的流程图；
图3为本发明实施例提供的一种车辆泊位管理设备的结构框图；
图4为本发明实施例提供的另一种车辆泊位管理设备的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的一种车辆泊位管理方法的流程图，如图1所示，该方法包括：
S1、获取图像采集装置对包含至少一个泊位的区域采集的图像；
具体的，图像采集装置可设置在包含泊位的区域的对面，例如，可通过马路边设置的摄像头持续监控对面的路边的至少一个泊位，间隔一定时间截取图像，获取其中的两幅图像作为待检测图像，两幅图像的截取时间间隔不宜过长。
S2、判断图像中每个泊位的占用状态；
具体的，该步骤可通过多种现有方式实现，例如通过对象检测算法识别出图像中的泊位区域内是否存在物体，也可以通过神经网络训练的方式进行判断，或者采用对象检测算法和神经网络训练组合判断的方式。
若所有泊位在上一图像和当前图像中均为未占用状态，说明泊位中没有车辆，无需进行停车计时，需要等待图像采集装置采集的下一图像，以便判断下一图像中每个泊位的占用状态。
若至少一个泊位在上一图像中为未占用状态，并且同一泊位在当前图像中为占用状态，说明当前至少有一个泊位被刚驶入的一辆车占用，这时，将获取当前图像的时间作为当前图像中占用该泊位的车辆的停车起始时间。
若至少一个泊位在上一图像中为占用状态，并且同一泊位在当前图像中为未占用状态，说明当前至少有一个泊位上的车辆驶出了泊位，这时，将获取上一图像的时间作为上一图像中占用该泊位的车辆的停车截止时间。
S3、若至少一个泊位在上一图像和当前图像中均为占用状态，则判断占用同一泊位的相应车辆是否为同一辆车；
具体的，如果一个泊位在上一图像和当前图像中均为占用状态，则存在两种可能，一种可能是上一图像中停在该泊位上的车辆仍然在当前图像中仍然停在同一泊位上，即在上一图像和当前图像中该泊位上停放的是同一辆车，另一种可能是上一图像中停在该泊位上的车辆已驶离，在图像采集的间隙，另有一辆车驶入了该泊位，即在上一图像和当前图像中该泊位上停放的不是同一辆车，这里可通过图像识别算法、神经网络训练等方法判断占用同一泊位的相应车辆是否为同一辆车，从而区分以上两种可能。
其中，若占用同一泊位的相应车辆是同一辆车，说明该泊位一直由同一辆车占据，即车辆的停车时间还在继续延续，不能获取其停车截止时间，需要等待下一图像继续进行判断。
若占用同一泊位的相应车辆不是同一辆车，说明占据该泊位的车辆已发生了变化，即可将获取上一图像的时间作为在上一图像中占用该泊位的车辆的停车截止时间，将获取当前图像的时间作为在当前图像中占用该泊位的车辆的停车起始时间。
通过连续获取图像，即可得到同一辆车在泊位上的停车起始时间和停车截止时间，从而可以进行停车计费。
本发明实施例提供的一种车辆泊位管理方法，仅通过两幅图像中泊位占用状态的判断，以及对于在同一泊位中相应车辆是否相同的判断，即可同时确定对多个泊位的中的车辆的停车起止时间进行确定，可以大大减少对设备计算力的要求，降低流量和硬件成本，例如：现有技术中一秒内需要计算几次，现在1、2分钟计算一次，如果将算法部署在本地计算单元中，则可以大大减少对本地计算单元计算力的要求，降低计算硬件成本；而如果将算法部署在云端，摄像机只是按分钟定时上传图像数据，会大大降低上传图像的流量与云端单元的计算力，减少流量和计算力的成本，另外，还提高了多泊位管理的效率。
可选地，作为本发明的一个实施例，如图2所示，在步骤S1之后，该方法还包括：
S4、识别并标记图像中物体的轮廓，物体至少包括车辆；
具体的，该步骤可通过对象检测算法实现，在识别出图像中的物体后，可用矩形框等对识别出的物体的轮廓进行标记。其中，在识别物体时，至少需要识别判断出物体中的车辆。
在步骤S3之前，还包括：
S5、将在上一图像中占用同一泊位的车辆的轮廓放置在当前图像中相同的位置，判断在上一图像中占用同一泊位的车辆的轮廓与当前图像中其他物体的轮廓的重叠部分与在上一图像中占用同一泊位的车辆的轮廓的比值是否低于预设比例，若是则执行判断占用同一泊位的相应车辆是否为同一辆车，否则不执行并等待下一图像，以便判断下一图像中每个泊位的占用状态。
具体的，当当前图像中的车辆轮廓被被标记物体，如行人、过往车辆遮挡时，会影响后续步骤中判断占用上一图像和当前图像中同一泊位的相应车辆是否为同一辆车的准确性，该步骤中，将前一图像中在某个泊位上的车辆的轮廓放置在当前图像中相同的位置，从而替换掉当前图像中在该泊位上的车辆的轮廓，如果前一图像中在该泊位上的车辆的轮廓与当前图像中被标记物体的轮廓的重叠部分占前一图像中在该泊位上的车辆的轮廓的比值超过预设比例，则说明当前图像中的车辆轮廓被遮挡较多，需要获取下一图像，并继续按上述步骤进行识别判断，直至满足低于预设比例的要求，即当前图像中的车辆轮廓被遮挡较少，从而可以用于下一图像中车辆轮廓是否被遮挡的判断。
可选地，在该实施例中，步骤S3具体包括：
S3.1、将前一图像和当前图像进行叠加；
具体的，通过叠加图像能够通过一次处理过程同时识别两个图像，提高识别处理的效率。
在叠加时，可将前一图像和当前图像的3通道RGB数据进行叠加，得到叠加后的图像的6通道RGB-RGB数据，通过叠加后图像的6通道RGB-RGB数据进行后续的判断。
例如：前一图像的部分3通道RGB数据为：
[[204,204,204],
[204,204,204],
[204,204,204]],
……
当前图像的部分3通道RGB数据为：
[[226,226,226],
[226,226,226],
[226,226,226]],
……
则叠加得到的图像的6通道RGB-RGB数据为：
[[204,204,204,226,226,226],
[204,204,204,226,226,226],
[204,204,204,226,226,226]],
……
S3.2、将叠加后的图像输入经过预先训练的卷积神经网络模型，判断占用同一泊位的相应车辆是否为同一辆车，其中，卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。
具体的，在训练卷积神经网络模型时，需要给卷积神经网络模型一个输入数据和一个对应的标签,由卷积神经网络输出一个结果,将输出的结果和标签进行比较,再使用反向传播沿着比较结果的方向修改数据,至此学习了一轮,经过多次学习,不断的修正网络的参数,提高卷积神经网络模型输出结果的准确性。完成卷积神经网络模型的训练后，即可将待检测数据输入模型中，模型即可输出相应的判断结果。如果预测时得到的输入与已经训练过的数据相似,得到的结果必然准确率高.
该步骤中，可通过摄像头获取多种场景下包含有干扰项的图像作为样本，然后通过人工判断出两幅图像中的车辆是否为同一车辆的方式，给出样本相应的标签，其中，将包含有干扰项的同一车辆在同一区域、同一时间段、且不同时间的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆的两张图像再叠加作为负样本，基于多个正样本和负样本训练卷积神经网络模型。其中，可设置正样本的标签为1，负样本的标签为0。
该步骤中，可采用多种场景下包含有干扰项的样本图像作为输入数据对卷积神经网络进行了大量反复训练,以提高在存在干扰项的情况下对叠加后的图像中的两辆车是否为同一辆车进行判断的准确性，其中，样本图像的数量可以根据实际需求的识别精度设定。
可选地，在该实施例中，步骤S3.2具体包括：
S3.2.1、基于经过预先训练的卷积神经网络模型提取叠加后的图像中占用同一泊位的相应车辆的车辆特征；
S3.2.2、计算相应车辆的车辆特征相似度；
S3.2.3、根据相似度判断占用同一泊位的相应车辆是否为同一辆车。
具体的，采用卷积神经网络中的VGG或MOBLIE Net等针对6通道RGB-RGB数据做特征提取，提取的特征包括但不限于车辆颜色、车轮毂、车外形、是否有天窗等等能够区分识别车辆的特征。
提取完特征后，采用全连接层或贝叶斯分类或SVM中的一种计算出相似度，进而判断出前一图像和当前图像中的车辆是否是一辆车，其中，相似度为0到1的浮点数值，0代表完全不相似，1代表完全相似。
可选地，在该实施例中，步骤S3.2.3具体包括：
当相似度超过预设范围的上限时，判定占用同一泊位的相应车辆是同一辆车；
当相似度低于预设范围的下限时，判定占用同一泊位的相应车辆不是同一辆车。
具体的，预设范围的上限和下限可选取为同一数值，也可选取不同的数值，例如，选取预设范围的下限和上限均为0.5，此时，相似度0.5可以作为不确定结果，即模糊值；选取预设范围的下限和上限分别为0.4与0.6，此时，在0.4～0.6间的相似度可以作为不确定结果。
本发明实施例还提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上述任一项实施例中的方法。
图3为本发明实施例提供的一种车辆泊位管理设备的结构框图，该设备中各个模块的功能原理已在前述内容中进行了阐述，以下不再赘述。
如图3所示，该设备包括：
获取模块，用于获取图像采集装置对包含至少一个泊位的区域采集的图像；
第一判断模块，用于判断图像中每个泊位的占用状态；
若所有泊位在上一图像和当前图像中均为未占用状态，则等待下一图像，以便判断下一图像中每个泊位的占用状态；
若至少一个泊位在上一图像中为未占用状态，并且同一泊位在当前图像中为占用状态，则将获取当前图像的时间作为当前图像中占用该泊位的车辆的停车起始时间；
若至少一个泊位在上一图像中为占用状态，并且同一泊位在当前图像中为未占用状态，则将获取上一图像的时间作为上一图像中占用该泊位的车辆的停车截止时间；
第二判断模块，用于若至少一个泊位在上一图像和当前图像中均为占用状态，则判断占用同一泊位的相应车辆是否为同一辆车；
其中，若占用同一泊位的相应车辆是同一辆车，则等待下一图像，以便判断下一图像中每个泊位的占用状态；
若占用同一泊位的相应车辆不是同一辆车，则将获取上一图像的时间作为在上一图像中占用该泊位的车辆的停车截止时间，将获取当前图像的时间作为在当前图像中占用该泊位的车辆的停车起始时间。
本发明实施例提供的一种车辆泊位管理设备，仅通过两幅图像中泊位占用状态的判断，以及对于在同一泊位中相应车辆是否相同的判断，即可同时确定对多个泊位的中的车辆的停车起止时间进行确定，并且提高了停车计时的准确性以及多泊位管理的效率。
可选地，在该实施例中，图像采集装置设置在泊位的对面。
可选地，作为本发明的一个实施例中，如图4所示，该设备还包括：
识别模块，用于在获取模块获取图像采集装置对包含至少一个泊位的区域采集的图像之后，识别并标记图像中物体的轮廓，物体至少包括车辆；
第三判断模块，用于在第二判断模块判断占用同一泊位的相应车辆是否为同一辆车之前，将在上一图像中占用同一泊位的车辆的轮廓放置在当前图像中相同的位置，判断在上一图像中占用同一泊位的车辆的轮廓与当前图像中其他物体的轮廓的重叠部分与在上一图像中占用同一泊位的车辆的轮廓的比值是否低于预设比例，若是则第二判断模块执行判断占用同一泊位的相应车辆是否为同一辆车，否则不执行并等待下一图像，以便判断下一图像中每个泊位的占用状态。
可选地，在该实施例中，第二判断模块，具体包括：
叠加单元，用于将前一图像和当前图像进行叠加；
判断单元，用于将叠加后的图像输入经过预先训练的卷积神经网络模型，判断占用同一泊位的相应车辆是否为同一辆车，其中，卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。
可选地，在该实施例中，叠加单元，具体用于：
将前一图像和当前图像的3通道RGB数据进行叠加，得到叠加后的图像的6通道RGB-RGB数据，通过叠加后图像的6通道RGB-RGB数据判断占用同一泊位的相应车辆是否为同一辆车。
可选地，在该实施例中，第二判断模块，具体还包括：
训练单元，用于将包含有干扰项的同一车辆在同一区域、同一时间段、且不同时间的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆在同一区域的两张图像进行叠加作为负样本，基于多个正样本和负样本训练卷积神经网络模型。
可选地，在该实施例中，判断单元，具体包括：
提取子单元，用于基于经过预先训练的卷积神经网络模型提取叠加后的图像中占用同一泊位的相应车辆的车辆特征；
计算子单元，用于计算相应车辆的车辆特征相似度；
判断子单元，用于根据相似度判断占用同一泊位的相应车辆是否为同一辆车。
可选地，在该实施例中，判断子单元，具体用于：
当相似度超过预设范围的上限时，判定占用同一泊位的相应车辆是同一辆车；
当相似度低于预设范围的下限时，判定占用同一泊位的相应车辆不是同一辆车。
可选地，在该实施例中，该设备还包括：
计费模块，用于根据占用同一泊位的同一车辆的停车起始时间和停车截止时间进行计费。
可选地，在该实施例中，该设备采用服务器或芯片。
本发明实施例还提供一种车辆泊位管理***，包括上述的车辆泊位管理设备和图像采集装置。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种车辆泊位管理方法，其特征在于，包括：
获取图像采集装置对包含至少一个泊位的区域采集的图像；
判断图像中每个泊位的占用状态；
若至少一个泊位在上一图像和当前图像中均为占用状态，则判断占用同一泊位的相应车辆是否为同一辆车；
其中，若占用同一泊位的相应车辆是同一辆车，则等待下一图像，以便判断下一图像中每个泊位的占用状态；
若占用同一泊位的相应车辆不是同一辆车，则将获取上一图像的时间作为在上一图像中占用该泊位的车辆的停车截止时间，将获取当前图像的时间作为在当前图像中占用该泊位的车辆的停车起始时间。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所有泊位在上一图像和当前图像中均为未占用状态，则等待下一图像，以便判断下一图像中每个泊位的占用状态。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若至少一个泊位在上一图像中为未占用状态，并且同一泊位在当前图像中为占用状态，则将获取当前图像的时间作为当前图像中占用该泊位的车辆的停车起始时间。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若至少一个泊位在上一图像中为占用状态，并且同一泊位在当前图像中为未占用状态，则将获取上一图像的时间作为上一图像中占用该泊位的车辆的停车截止时间。
5.根据权利要求1所述的方法，其特征在于，所述图像采集装置设置在所述泊位的对面。
6.根据权利要求1所述的方法，其特征在于，在获取图像采集装置对包含至少一个泊位的区域采集的图像之后，所述方法还包括：
识别并标记图像中物体的轮廓，所述物体至少包括车辆；
在判断占用同一泊位的相应车辆是否为同一辆车之前，还包括：
将在上一图像中占用同一泊位的车辆的轮廓放置在当前图像中相同的位置，判断在上一图像中占用同一泊位的车辆的轮廓与当前图像中其他物体的轮廓的重叠部分与在上一图像中占用同一泊位的车辆的轮廓的比值是否低于预设比例，若是则执行判断占用同一泊位的相应车辆是否为同一辆车，否则不执行并等待下一图像，以便判断下一图像中每个泊位的占用状态。
7.根据权利要求1所述的方法，其特征在于，所述判断占用同一泊位的相应车辆是否为同一辆车，具体包括：
将前一图像和当前图像进行叠加；
将叠加后的图像输入经过预先训练的卷积神经网络模型，判断占用同一泊位的相应车辆是否为同一辆车，其中，所述卷积神经网络模型为基于包含有干扰项的样本图像训练得到的。
8.一种车辆泊位管理设备，其特征在于，包括：
获取模块，用于获取图像采集装置对包含至少一个泊位的区域采集的图像；
第一判断模块，用于判断图像中每个泊位的占用状态；
第二判断模块，用于若至少一个泊位在上一图像和当前图像中均为占用状态，则判断占用同一泊位的相应车辆是否为同一辆车；
其中，若占用同一泊位的相应车辆是同一辆车，则等待下一图像，以便判断下一图像中每个泊位的占用状态；
若占用同一泊位的相应车辆不是同一辆车，则将获取上一图像的时间作为在上一图像中占用该泊位的车辆的停车截止时间，将获取当前图像的时间作为在当前图像中占用该泊位的车辆的停车起始时间。
9.根据权利要求8所述的设备，其特征在于，所述设备采用服务器或芯片。
10.一种车辆泊位管理***，其特征在于，包括如权利要求8或9所述的车辆泊位管理设备和图像采集装置。
CN201910195918.9A 2019-03-15 2019-03-15 一种车辆泊位管理方法、设备及*** Pending CN110009929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910195918.9A CN110009929A (zh) 2019-03-15 2019-03-15 一种车辆泊位管理方法、设备及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910195918.9A CN110009929A (zh) 2019-03-15 2019-03-15 一种车辆泊位管理方法、设备及***

Publications (1)

Publication Number Publication Date
CN110009929A true CN110009929A (zh) 2019-07-12

Family

ID=67167139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910195918.9A Pending CN110009929A (zh) 2019-03-15 2019-03-15 一种车辆泊位管理方法、设备及***

Country Status (1)

Country Link
CN (1) CN110009929A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599796A (zh) * 2019-09-06 2019-12-20 北京筑梦园科技有限公司 一种车位状态判断方法、服务器及停车管理***
CN110852212A (zh) * 2019-10-29 2020-02-28 上海眼控科技股份有限公司 一种用于车辆检测中检验操作对象的方法及设备
CN112381150A (zh) * 2020-11-17 2021-02-19 上海科技大学 一种基于样本鲁棒性差异的对抗样本检测方法
CN112382101A (zh) * 2020-11-02 2021-02-19 北京精英路通科技有限公司 一种车位管理方法、装置、计算机设备及存储介质
CN112784794A (zh) * 2021-01-29 2021-05-11 深圳市捷顺科技实业股份有限公司 一种车辆停放状态检测方法、装置、电子设备及存储介质
CN112885108A (zh) * 2020-12-23 2021-06-01 爱泊车美好科技有限公司 一种基于深度学习算法的停车位上车辆换车检测方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632376A (zh) * 2013-12-12 2014-03-12 江苏大学 一种两级框架的车辆部分遮挡消除方法
CN103778785A (zh) * 2012-10-23 2014-05-07 南开大学 一种基于停车场环境视频监控的车辆跟踪与检测方法
CN104298976A (zh) * 2014-10-16 2015-01-21 电子科技大学 基于卷积神经网络的车牌检测方法
CN106156750A (zh) * 2016-07-26 2016-11-23 浙江捷尚视觉科技股份有限公司 一种基于卷积神经网络的以图搜车方法
CN106781680A (zh) * 2017-02-20 2017-05-31 洪志令 一种基于图像空车位检测的路边停车智能监控方法
CN108009560A (zh) * 2016-11-02 2018-05-08 广州图普网络科技有限公司 商品图像相似类别判定方法及装置
CN108389396A (zh) * 2018-02-28 2018-08-10 北京精英智通科技股份有限公司 一种基于视频的车型匹配方法、装置和计费***
CN108830188A (zh) * 2018-05-30 2018-11-16 西安理工大学 基于深度学习的车辆检测方法
KR20180137302A (ko) * 2017-06-16 2018-12-27 유한회사 한국케이비에프 지능형 유도주차 관리 시스템 및 이를 이용한 관리 방법

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778785A (zh) * 2012-10-23 2014-05-07 南开大学 一种基于停车场环境视频监控的车辆跟踪与检测方法
CN103632376A (zh) * 2013-12-12 2014-03-12 江苏大学 一种两级框架的车辆部分遮挡消除方法
CN104298976A (zh) * 2014-10-16 2015-01-21 电子科技大学 基于卷积神经网络的车牌检测方法
CN106156750A (zh) * 2016-07-26 2016-11-23 浙江捷尚视觉科技股份有限公司 一种基于卷积神经网络的以图搜车方法
CN108009560A (zh) * 2016-11-02 2018-05-08 广州图普网络科技有限公司 商品图像相似类别判定方法及装置
CN106781680A (zh) * 2017-02-20 2017-05-31 洪志令 一种基于图像空车位检测的路边停车智能监控方法
KR20180137302A (ko) * 2017-06-16 2018-12-27 유한회사 한국케이비에프 지능형 유도주차 관리 시스템 및 이를 이용한 관리 방법
CN108389396A (zh) * 2018-02-28 2018-08-10 北京精英智通科技股份有限公司 一种基于视频的车型匹配方法、装置和计费***
CN108830188A (zh) * 2018-05-30 2018-11-16 西安理工大学 基于深度学习的车辆检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599796A (zh) * 2019-09-06 2019-12-20 北京筑梦园科技有限公司 一种车位状态判断方法、服务器及停车管理***
CN110599796B (zh) * 2019-09-06 2022-03-04 北京筑梦园科技有限公司 一种车位状态判断方法、服务器及停车管理***
CN110852212A (zh) * 2019-10-29 2020-02-28 上海眼控科技股份有限公司 一种用于车辆检测中检验操作对象的方法及设备
CN112382101A (zh) * 2020-11-02 2021-02-19 北京精英路通科技有限公司 一种车位管理方法、装置、计算机设备及存储介质
CN112381150A (zh) * 2020-11-17 2021-02-19 上海科技大学 一种基于样本鲁棒性差异的对抗样本检测方法
CN112885108A (zh) * 2020-12-23 2021-06-01 爱泊车美好科技有限公司 一种基于深度学习算法的停车位上车辆换车检测方法及***
CN112784794A (zh) * 2021-01-29 2021-05-11 深圳市捷顺科技实业股份有限公司 一种车辆停放状态检测方法、装置、电子设备及存储介质
CN112784794B (zh) * 2021-01-29 2024-02-02 深圳市捷顺科技实业股份有限公司 一种车辆停放状态检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110009929A (zh) 一种车辆泊位管理方法、设备及***
CN106652445B (zh) 一种公路交通事故判别方法及装置
CN109711264B (zh) 一种公交车道占道检测方法及装置
CN110096975B (zh) 一种车位状态识别方法、设备及***
US20140376769A1 (en) Method for detecting large size and passenger vehicles from fixed cameras
CN108133484B (zh) 基于场景分割的自动驾驶处理方法及装置、计算设备
CN104029680A (zh) 基于单目摄像头的车道偏离预警***及方法
CN105488453A (zh) 一种基于图像处理的驾驶员未系安全带检测识别方法
CN103985182A (zh) 一种公交客流自动计数方法及自动计数***
CN111047874B (zh) 智能交通违章管理方法及相关产品
EP0973121A2 (de) Bildverarbeitungsverfahren und Vorrichtungen zur Erkennung von Objekten im Verkehr
CN108647708A (zh) 驾驶员评估方法、装置、设备和存储介质
CN104680795A (zh) 一种基于局部区域特征的车型识别方法和装置
CN110378243A (zh) 一种行人检测方法及装置
US11482012B2 (en) Method for driving assistance and mobile device using the method
CN102622575A (zh) 基线带视频监控***和监控方法
CN106340205A (zh) 交通监控方法及交通监控装置
CN105118305A (zh) 室外停车场出口车辆管理平台
Hasegawa et al. Type classification, color estimation, and specific target detection of moving targets on public streets
CN110232827A (zh) 自由流收费车型识别方法、装置及***
CN104200670A (zh) 一种基于车辆地磁感应特征的车辆车型识别方法
Al Nasim et al. An automated approach for the recognition of bengali license plates
CN113723273A (zh) 一种车辆轨迹信息确定方法、装置及计算机设备
CN113705549B (zh) 道路救援工作节点确定方法、装置及相关设备
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190712

RJ01 Rejection of invention patent application after publication