CN110163107B - 一种基于视频帧识别路侧停车行为的方法及装置 - Google Patents

一种基于视频帧识别路侧停车行为的方法及装置 Download PDF

Info

Publication number
CN110163107B
CN110163107B CN201910323229.1A CN201910323229A CN110163107B CN 110163107 B CN110163107 B CN 110163107B CN 201910323229 A CN201910323229 A CN 201910323229A CN 110163107 B CN110163107 B CN 110163107B
Authority
CN
China
Prior art keywords
video frame
vehicle
video
determining
parking space
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.)
Active
Application number
CN201910323229.1A
Other languages
English (en)
Other versions
CN110163107A (zh
Inventor
闫军
杨怀恒
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.)
Smart Intercommunication Technology Co ltd
Original Assignee
Smart Intercommunication 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 Smart Intercommunication Technology Co ltd filed Critical Smart Intercommunication Technology Co ltd
Priority to CN201910323229.1A priority Critical patent/CN110163107B/zh
Publication of CN110163107A publication Critical patent/CN110163107A/zh
Application granted granted Critical
Publication of CN110163107B publication Critical patent/CN110163107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • 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
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/148—Management of a network of parking areas

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种基于视频帧识别路侧停车行为的方法及装置，该方法包括：获取通过视频设备采集的连续多个视频帧；在第一视频帧中绘制停车位区域，并确定所述停车位区域中停车位的坐标信息，所述第一视频帧为采集到的任一视频帧；确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，第二视频帧为与第一视频帧的相邻的后一视频帧；判断计算结果是否满足预定检测规则，若满足，基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测；基于检测结果，确定车辆的路侧停车行为。通过本发明，实现了无需识别车牌信息即可完成路侧停车的自动化管理。

Description

一种基于视频帧识别路侧停车行为的方法及装置
技术领域
本发明涉及智能停车管理技术领域，尤其涉及一种基于视频帧识别路侧停车行为的方法及装置。
背景技术
路侧停车管理是利用地面上通行公路两侧的场地进行的停车管理。随着城市经济的飞速发展和人民生活水平的不断提高，城市机动车保有量快速增长，由于历史及现实的种种原因，大部分城市都面临机动车停车位短缺甚至严重不足的困扰。因此，路侧停车管理成为了城市停车管理的重要一环，受到政府及民众的广泛关注。但是，由于路侧停车属于开放性停车，其管理手段存在不少困难，目前一方面依靠人工巡逻进行低效的管理，且成本较高；另一方面，虽然有部分车场进行了地磁或电子计时表等设备的安装，但从效果来说不尽理想，且存在施工难、操作繁琐以及受环境条件影响较大等问题。因此，目前相关行业都把目光聚焦在了高位视频进行路侧停车管理的手段上。
基于高位视频的路侧停车管理虽然确实有安装后不易损坏、捕捉视频全面清晰、现场不需人操作等优点，但是仍需要依然靠人工查看视频信息来记录出入场动作与车牌信息等操作，因此，如何自动捕捉车辆的出入场等停车行为的问题摆在了众多从业者面前。
发明内容
本发明实施例提供一种基于视频帧识别路侧停车行为的方法及装置，实现了通过视频信息自动识别车辆路侧停车行为，在无需识别车牌信息的情况下即可完成路侧停车的自动化管理。
一方面，本发明实施例提供了一种基于视频帧识别路侧停车行为的方法，包括：
获取通过视频设备采集的连续多个视频帧，所述视频设备用于采集路侧停车区域的图像信息；
在第一视频帧中绘制停车位区域，并确定所述停车位区域中停车位的坐标信息，所述第一视频帧为采集到的任一视频帧；
确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，第二视频帧为与第一视频帧的相邻的后一视频帧；
判断计算结果是否满足预定检测规则，若满足，基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测；
基于检测结果，确定车辆的路侧停车行为。
另一方面，本发明实施例提供了一种基于视频帧识别路侧停车行为的装置，包括：
第一获取模块，用于获取通过视频设备采集的连续多个视频帧，所述视频设备用于采集路侧停车区域的图像信息；
绘制模块，用于在第一视频帧中绘制停车位区域，并确定所述停车位区域中停车位的坐标信息，所述第一视频帧为采集到的任一视频帧；
差分计算模块，用于确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，第二视频帧为与第一视频帧的相邻的后一视频帧；
检测模块，用于判断计算结果是否满足预定检测规则，若满足，基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测；
确定模块，用于基于检测结果，确定车辆的路侧停车行为。
上述技术方案具有如下有益效果：通过本发明，基于绘制的停车位坐标信息及停车位区域，能够精确、高效地对视频设备采集到的各个视频帧进行分析判断，并根据检测结果自动识别出视频帧中的车辆的路侧停车行为，实现了无需识别车牌信息即可完成路侧停车的自动化管理，为提高城市交通和停车管理效率提供了重要的技术的支持；进一步地，极大地提高了路侧停车的管理效率，降低了路侧停车管理的成本，同时，提高了用户的使用体验。
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基于视频帧识别路侧停车行为的方法流程图；
图2为本发明一优选实施例中高位视频设备采集示意图；
图3为本发明一优选实施例中任一视频帧中停车位区域的绘制示意图；
图4为本发明一优选实施例中在任一视频帧中划分第一单位块的示意图；
图5为本发明一优选实施例中视频帧中的车辆发生出入停车场行为的示意图；
图6为本发明一优选实施例中车辆在停车区域内活动的示意图；
图7为本发明一实施例中一种基于视频帧识别路侧停车行为的装置结构示意图。
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基于视频帧识别路侧停车行为的方法流程图，包括：
101、获取通过视频设备采集的连续多个视频帧，所述视频设备用于采集路侧停车区域的图像信息；
102、在第一视频帧中绘制停车位区域，并确定所述停车位区域中停车位的坐标信息，所述第一视频帧为采集到的任一视频帧；
103、确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，第二视频帧为与第一视频帧的相邻的后一视频帧；
104、判断计算结果是否满足预定检测规则，若满足，基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测；
105、基于检测结果，确定车辆的路侧停车行为。
进一步地，所述确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，具体包括：
以预定大小的单位块，将第一视频帧与第二视频帧的图像划分为多个第一单位块，其中，每一个第一单位块在任一视频帧中的位置相同；
基于已绘制的所述停车区域，将包含所述停车区域的各个第一单位块确定为第二单位块；
分别计算各个第二单位块的像素平均值；
确定在第一视频帧中的位置与在第二视频帧中的位置相同的一一对应的第二单位块；
分别计算每一个一一对应的第二单位块的像素平均值的差分值。
进一步地，所述预定检测规则，包括：
判断计算得到的各个差分值是否大于预定差值阈值；
统计大于预定差值阈值的差分值的个数，并判断所述个数是否大于预定个数阈值；
其中，所述判断计算结果是否满足预定检测规则，具体包括：
若所述个数大于预定个数阈值，确定计算结果满足预定检测规则；
若所述个数小于预定个数阈值，确定计算结果不满足预定检测规则。
进一步地，若确定计算结果不满足预定检测规则，包括：
步骤a、将不满足预定检测规则的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；
对重新确定的第一视频帧与重新确定的第二视频帧进行差分计算，并判断计算结果是否满足预定检测规则；
若不满足，跳转执行步骤a，直至计算结果满足所述预定检测规则。
进一步地，在所述基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测的步骤之前，包括：
获取采集到的路侧停车区域中的多个车辆图像样本；
通过基于卷积神经网络的深度学习方法对所述多个车辆图像样本进行标注及训练，得到车辆训练模型。
进一步地，所述基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测的步骤之后，包括：
将检测结果中的车辆位置与停车位位置进行坐标对比，求得车辆矩形区域的质心；
计算质心在停车位内的车辆，并将质心在停车位内的车辆的信息记录至检测结果中。
进一步地，所述基于检测结果，确定车辆的路侧停车行为，包括：
基于检测结果，确定第一视频帧和第二视频中车辆的质心情形是否一致；
若一致，确定第一视频帧和第二视频中的车辆无路侧停车行为；
若不一致，确定车第一视频帧和第二视频中的车辆存在路侧停车行为；
其中，所述车辆的质心情形包括质心在停车位内和质心不在停车位内中的任一种情形。
可选地，所述确定第一视频帧和第二视频中的车辆无路侧停车行为的步骤之后，还包括：
跳转执行步骤a，直至完成对各个视频帧的计算。
可选地，所述确定车第一视频帧和第二视频中的车辆存在路侧停车行为的步骤之后，还包括：
步骤m、将存在路侧停车行为的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；
通过车辆训练模型对重新确定的第一视频帧与重新确定的第二视频帧中的车辆位置进行检测；
基于检测结果，若重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形不一致，跳转执行步骤m，直至重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形一致。
如图7所示，为一种基于视频帧识别路侧停车行为的装置结构示意图，包括：
第一获取模块71，用于获取通过视频设备采集的连续多个视频帧，所述视频设备用于采集路侧停车区域的图像信息；
绘制模块72，用于在第一视频帧中绘制停车位区域，并确定所述停车位区域中停车位的坐标信息，所述第一视频帧为采集到的任一视频帧；
差分计算模块73，用于确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，第二视频帧为与第一视频帧的相邻的后一视频帧；
检测模块74，用于判断计算结果是否满足预定检测规则，若满足，基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测；
确定模块75，用于基于检测结果，确定车辆的路侧停车行为。
进一步地，所述差分计算模块，具体用于
以预定大小的单位块，将第一视频帧与第二视频帧的图像划分为多个第一单位块，其中，每一个第一单位块在任一视频帧中的位置相同；
基于已绘制的所述停车区域，将包含所述停车区域的各个第一单位块确定为第二单位块；
分别计算各个第二单位块的像素平均值；
确定在第一视频帧中的位置与在第二视频帧中的位置相同的一一对应的第二单位块；
分别计算每一个一一对应的第二单位块的像素平均值的差分值。
进一步地，所述预定检测规则，包括：
判断计算得到的各个差分值是否大于预定差值阈值；
统计大于预定差值阈值的差分值的个数，并判断所述个数是否大于预定个数阈值；
其中，所述检测模块，具体用于
若所述个数大于预定个数阈值，确定计算结果满足预定检测规则；
若所述个数小于预定个数阈值，确定计算结果不满足预定检测规则。
进一步地，若所述检测模块确定计算结果不满足预定检测规则，包括：
第一重新确定单元，用于将不满足预定检测规则的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；
差分计算单元，用于对重新确定的第一视频帧与重新确定的第二视频帧进行差分计算，并判断计算结果是否满足预定检测规则；
第一跳转单元，用于若不满足，跳转执行第一重新确定单元，直至计算结果满足所述预定检测规则。
进一步地，包括：
第二获取模块，用于获取采集到的路侧停车区域中的多个车辆图像样本；
训练模块，用于通过基于卷积神经网络的深度学习方法对所述多个车辆图像样本进行标注及训练，得到车辆训练模型。
进一步地，包括：
对比模块，用于将检测结果中的车辆位置与停车位位置进行坐标对比，求得车辆矩形区域的质心；
计算模块，用于计算质心在停车位内的车辆，并将质心在停车位内的车辆的信息记录至检测结果中。
进一步地，所述确定模块，包括：
第一确定单元，用于基于检测结果，确定第一视频帧和第二视频中车辆的质心情形是否一致；
第二确定单元，用于若一致，确定第一视频帧和第二视频中的车辆无路侧停车行为；
第三确定单元，用于若不一致，确定车第一视频帧和第二视频中的车辆存在路侧停车行为；
其中，所述车辆的质心情形包括质心在停车位内和质心不在停车位内中的任一种情形。
可选地，所述第二确定单元，还用于
跳转执行所述第一重新确定单元，直至完成对各个视频帧的计算。
可选地，所述第三确定单元，还包括：
第二重新确定单元，用于将存在路侧停车行为的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；
检测单元，用于通过车辆训练模型对重新确定的第一视频帧与重新确定的第二视频帧中的车辆位置进行检测；
第二跳转单元，用于基于检测结果，若重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形不一致，跳转执行所述第二重新确定单元，直至重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形一致。
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，基于绘制的停车位坐标信息及停车位区域，能够精确、高效地对视频设备采集到的各个视频帧进行分析判断，并根据检测结果自动识别出视频帧中的车辆的路侧停车行为，实现了无需识别车牌信息即可完成路侧停车的自动化管理，为提高城市交通和停车管理效率提供了重要的技术的支持；进一步地，极大地提高了路侧停车的管理效率，降低了路侧停车管理的成本，同时，提高了用户的使用体验。
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通过视频信息自动识别车辆路侧停车行为，实现了无需识别车牌信息即可完成路侧停车的自动化管理。
例如，在通过高位视频采集路侧停车区域图像信息的路段，通过停车管理***A，获取通过视频设备采集的路侧停车区域的图像信息的连续多个视频帧；将采集到的任一视频帧确定为第一视频帧，如第i帧视频帧，并在第i帧视频帧中绘制停车位区域，确定停车位区域中停车位的坐标信息；将与第i帧视频帧的相邻的后一视频帧，即第i+1帧视频帧，确定为第二视频帧，基于已绘制的停车位区域，对第i帧视频帧与第i+1帧视频帧进行差分计算；判断计算结果是否满足预定检测规则，若满足，基于停车位的坐标信息，通过车辆训练模型对第i帧视频帧与第i+1帧视频帧中的车辆位置进行检测。
需要说明的是，如图2所示，为本实施例中高位视频采集示意图。现有摄像机一般能达到每秒十几或几十帧的采集频率，如此密集的采集，一方面，图像传到后台并进行处理，性能上达不到实时的要求；另一方面，前后相邻帧在如此短的时间内，其帧间的变化是很小的，可以忽略不计，由于本发明中的实施例要检测帧间的停车位的车辆变化情况，因此需要对于连续视频帧进行采样，本发明实施例中检测的视频帧都是经过采样的视频帧；本发明实施例中的连续视频帧可以为预定一定时间间隔的连续视频帧，如间隔为5秒的连续视频帧。
在一可能的实施方式中，步骤103中确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，具体包括：以预定大小的单位块，将第一视频帧与第二视频帧的图像划分为多个第一单位块，其中，每一个第一单位块在任一视频帧中的位置相同；基于已绘制的所述停车区域，将包含所述停车区域的各个第一单位块确定为第二单位块；分别计算各个第二单位块的像素平均值；确定在第一视频帧中的位置与在第二视频帧中的位置相同的一一对应的第二单位块；分别计算每一个一一对应的第二单位块的像素平均值的差分值。
其中，所述预定检测规则，包括：判断计算得到的各个差分值是否大于预定差值阈值；统计大于预定差值阈值的差分值的个数，并判断所述个数是否大于预定个数阈值。
其中，所述判断计算结果是否满足预定检测规则，具体包括：若所述个数大于预定个数阈值，确定计算结果满足预定检测规则；若所述个数小于预定个数阈值，确定计算结果不满足预定检测规则。
例如，在停车管理***A中，若第一视频帧为第i帧视频帧，确定第二视频帧，即为第i+1帧视频帧，随后，以预定大小的单位块，将第一视频帧与第二视频帧的图像划分为多个第一单位块，如，本发明的实施例中采集的视频帧中每帧的大小为1920px(宽)×1080px(高)，其中，px为像素，分别从第i帧视频帧和第i+1帧视频帧的左上角点(0，0)开始，分别沿横向和纵向以a为边长绘制直线，第i帧视频帧和第i+1帧视频帧各自的整个图像被直线切割划分为很多边长为a的小正方形块，一般取a＝16px；其中，每一个第一单位块在任一视频帧中的位置相同；基于已绘制的停车区域，将包含停车区域的各个第一单位块确定为第二单位块，如图3所示，为任一视频帧中停车位区域的绘制示意图；如图4所示，计算各单位块是否和图3中绘制的停车位区域相重叠，即各单位块是否位于停车位内，根据计算结果只保留跟停车区域有重叠区域的各单位块，假设有n个单位块位于停车区域内，则第二单位块的个数为n，通过如下公式一分别计算各个第二单位块的像素平均值：
Figure GDA0003062500080000081
其中，a为小块的边长，m(i,j)为点(i，j)处的像素值，Sk为第k个小块的区域；
随后，确定在第一视频帧，当前为第i帧视频帧中的位置与在第二视频帧，当前为第i+1帧视频帧中的位置相同的一一对应的第二单位块；通过如下公式二分别计算每一个一一对应的第二单位块的像素平均值的差分值：
Figure GDA0003062500080000091
其中，Ek为两个相邻帧中对应的第k小块平均值的差值，mk为第k个小块的平均像素值，i为第i帧上的第k小块。
随后，根据计算结果，判断计算得到的各个差分值是否大于预定差值阈值；统计大于预定差值阈值的差分值的个数，并判断该个数是否大于预定个数阈值；若大于，确定计算结果满足预定检测规则；若小于，确定计算结果不满足预定检测规则。
通过本实施例，能够快速、精确地确定连续的相邻两视频帧中的在停车区域内的车辆信息，并通过差值计算，能够精确地确定车辆在连续的相邻两视频帧中是否发生了路侧停车行为，极大地提高了路侧停车行为的检测效率。
在一可能的实施方式中，若确定计算结果不满足预定检测规则，包括：步骤a、将不满足预定检测规则的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；对重新确定的第一视频帧与重新确定的第二视频帧进行差分计算，并判断计算结果是否满足预定检测规则；若不满足，跳转执行步骤a，直至计算结果满足所述预定检测规则。
例如，在停车管理***A中，预绘制视频帧中的停车区域，如选取连续视频帧中的任一帧图像，对该帧图像中的停车位区域进行绘制，以停车位的某一顶点(x0，y0)作为起点，沿停车位的边界绘制多边形，并记录多边形的各个顶点(x1，y1)、(x2，y2)、(x3，y3)，最后形成闭合的多边形，该闭合的多边形即为绘制的停车区域；其中，视频设备用于采集路侧停车区域的图像信息；获取通过视频设备采集的连续多个视频帧；将采集到的第i帧视频帧确定为第一视频帧，并在第i帧视频帧中绘制停车位区域，确定停车位区域中停车位的坐标信息；将第i+1帧视频帧，确定为第二视频帧，基于已绘制的停车位区域，对第i帧视频帧与第i+1帧视频帧进行差分计算；判断计算结果是否满足预定检测规则，若不满足，执行步骤a，步骤a为将不满足预定检测规则的第一视频帧，当前为第i+1帧视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧，当前为第i+1帧视频帧相邻的后一视频帧，即第i+2帧视频帧；对重新确定的第一视频帧，即当前为第i+1帧视频帧与重新确定的第二视频帧，即当前为第i+2帧视频帧进行差分计算，并判断计算结果是否满足预定检测规则；若不满足，跳转执行步骤a，直至计算结果满足预定检测规则。
通过本实施例，能够快速、精确地确定连续的两两相邻的多个视频帧中的在停车区域内的车辆信息，并通过差分计算，能够精确地确定车辆在该多个视频帧中是否发生了路侧停车行为，不但极大地提高了路侧停车行为的检测效率，而且进一步极大地提高了检测路侧停车行为的准确率。
在一可能的实施方式中，在所述基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测的步骤之前，包括：获取采集到的路侧停车区域中的多个车辆图像样本；通过基于卷积神经网络的深度学习方法对所述多个车辆图像样本进行标注及训练，得到车辆训练模型。
例如，在停车管理***A中，预获取通过高位视频设备采集到的路侧停车区域中的多个车辆图像样本；通过基于卷积神经网络的深度学习方法对该多个车辆图像样本进行标注及训练，得到车辆训练模型。
需要说明的是，本领域技术人员可以了解到，卷积神经网络(ConvolutionalNeural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。本实施例中通过卷积神经网络的深度学习方法对该多个车辆图像样本进行标注及训练的具体步骤不再赘述。
在一可能的实施方式中，在所述基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测的步骤之后，包括：将检测结果中的车辆位置与停车位位置进行坐标对比，求得车辆矩形区域的质心；计算质心在停车位内的车辆，并将质心在停车位内的车辆的信息记录至检测结果中。
例如，在停车管理***A中，通过车辆训练模型对第一视频帧，如当前第一视频帧为第i帧视频帧和第二视频，如当前第二视频帧为第i+1帧视频帧中的车辆位置进行检测，得到检测结果，随后，将检测结果中的车辆位置与停车位位置进行坐标对比，求得车辆矩形区域的质心，即矩形区域的中心点；计算质心在停车位内的车辆，并将质心在停车位内的车辆的信息记录至检测结果中。
通过本实施例，实现了无需识别车牌信息即可通过视频帧中停车位里车辆的增加或减少判断车辆的出、入停车场等停车行为，极大地提高了路侧停车行为的检测效率。
在一可能的实施方式中，步骤105基于检测结果，确定车辆的路侧停车行为，包括：基于检测结果，确定第一视频帧和第二视频中车辆的质心情形是否一致；若一致，确定第一视频帧和第二视频中的车辆无路侧停车行为；若不一致，确定车第一视频帧和第二视频中的车辆存在路侧停车行为；其中，所述车辆的质心情形包括质心在停车位内和质心不在停车位内中的任一种情形。
其中，所述确定第一视频帧和第二视频中的车辆无路侧停车行为的步骤之后，还包括：跳转执行步骤a，直至完成对各个视频帧的计算。
其中，所述确定车第一视频帧和第二视频中的车辆存在路侧停车行为的步骤之后，还包括：步骤m、将存在路侧停车行为的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与所述重新确定的第一视频帧相邻的后一视频帧；通过车辆训练模型对重新确定的第一视频帧与重新确定的第二视频帧中的车辆位置进行检测；基于检测结果，若重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形不一致，跳转执行步骤m，直至重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形一致。
例如，在停车管理***A中，接上例，基于检测结果，确定第一视频帧，如当前第一视频帧为第i帧视频帧和第二视频，如当前第二视频帧为第i+1帧视频帧中车辆的质心情形是否一致；其中，车辆的质心情形包括质心在停车位内和质心不在停车位内中的任一种情形；若一致，确定第一视频帧和第二视频中的车辆无路侧停车行为，随后，跳转执行步骤a，直至完成对各个视频帧的计算；若不一致，确定车第一视频帧和第二视频中的车辆存在路侧停车行为，如图5所示，随后，执行步骤m：将存在路侧停车行为的第二视频帧作为重新确定的第一视频帧，若当前第二视频帧为第i+1帧视频帧，则重新确定的第一视频帧为第i+1帧视频帧，并重新确定第二视频帧，如为第i+2帧视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；通过车辆训练模型对重新确定的第一视频帧与重新确定的第二视频帧中的车辆位置进行检测；基于检测结果，若重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形不一致，跳转执行步骤m，直至重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形一致，如图6所示的车辆在停车区域内活动，但该车辆未进行出入场的动作，此时，认为车辆经过一段时间的变化后处于稳定的状态，可以作为结果判断的依据。假设第j帧与第j+1帧视频帧里停车位内的车辆无变化，则比较第i帧与第j帧视频帧里停车位内车辆的变化作为停车行为的最终结果。如果两视频帧的停车位里都有车辆或都没有车辆，最终结果是无出入停车位等停车行为；如果第i帧停车位里有车辆而第j帧停车位里没有车辆，则判断为停车位有车辆驶出；如果第i帧停车位里没有车辆而第j帧停车位里有车辆，则判断为停车位有车辆驶入，随后则转入步骤a计算下一前后帧即第j+1帧与第j+2帧的各第二单位块的差值。
通过本实施例，能够针对连续的相邻两帧中发生停车行为的车辆，基于相邻的后续多帧做进一步的检测，直至检测到车辆处于稳定状态的情况，实现了对车辆的各种停车行为均能够全面检测，进一步地提高了检测的准确率，同时，也能够针对连续的相邻两帧中未发生停车行为的车辆，基于相邻的后续多帧做进一步的检测，使得通过连续多帧的信息来确定车辆的路侧停车行为，极大地提高了检测的准确率。
本发明实施例提供了一种基于视频帧识别路侧停车行为的装置，可以实现上述提供的方法实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。
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 (16)

1.一种基于视频帧识别路侧停车行为的方法，其特征在于，包括：
获取通过视频设备采集的连续多个视频帧，所述视频设备用于采集路侧停车区域的图像信息；
在第一视频帧中绘制停车位区域，并确定所述停车位区域中停车位的坐标信息，所述第一视频帧为采集到的任一视频帧；
确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，第二视频帧为与第一视频帧的相邻的后一视频帧；
判断计算结果是否满足预定检测规则，若满足，基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测；
所述预定检测规则，包括：
判断计算得到的各个差分值是否大于预定差值阈值；
统计大于预定差值阈值的差分值的个数，并判断所述个数是否大于预定个数阈值；
其中，所述判断计算结果是否满足预定检测规则，具体包括：
若所述个数大于预定个数阈值，确定计算结果满足预定检测规则；
若所述个数小于预定个数阈值，确定计算结果不满足预定检测规则；
基于检测结果，确定车辆的路侧停车行为。
2.根据权利要求1所述的方法，其特征在于，所述确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，具体包括：
以预定大小的单位块，将第一视频帧与第二视频帧的图像划分为多个第一单位块，其中，每一个第一单位块在任一视频帧中的位置相同；
基于已绘制的所述停车区域，将包含所述停车区域的各个第一单位块确定为第二单位块；
分别计算各个第二单位块的像素平均值；
确定在第一视频帧中的位置与在第二视频帧中的位置相同的一一对应的第二单位块；分别计算每一个一一对应的第二单位块的像素平均值的差分值。
3.根据权利要求1所述的方法，若确定计算结果不满足预定检测规则，包括：
步骤a、将不满足预定检测规则的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；
对重新确定的第一视频帧与重新确定的第二视频帧进行差分计算，并判断计算结果是否满足预定检测规则；
若不满足，跳转执行步骤a，直至计算结果满足所述预定检测规则。
4.根据权利要求1-3任一项所述的方法，其特征在于，在所述基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测的步骤之前，包括：
获取采集到的路侧停车区域中的多个车辆图像样本；
通过基于卷积神经网络的深度学习方法对所述多个车辆图像样本进行标注及训练，得到车辆训练模型。
5.根据权利要求4所述的方法，其特征在于，所述基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测的步骤之后，包括：
将检测结果中的车辆位置与停车位位置进行坐标对比，求得车辆矩形区域的质心；
计算质心在停车位内的车辆，并将质心在停车位内的车辆的信息记录至检测结果中。
6.根据权利要求5所述的方法，其特征在于，所述基于检测结果，确定车辆的路侧停车行为，包括：
基于检测结果，确定第一视频帧和第二视频中车辆的质心情形是否一致；
若一致，确定第一视频帧和第二视频中的车辆无路侧停车行为；
若不一致，确定车第一视频帧和第二视频中的车辆存在路侧停车行为；
其中，所述车辆的质心情形包括质心在停车位内和质心不在停车位内中的任一种情形。
7.根据权利要求6所述的方法，其特征在于，所述确定第一视频帧和第二视频中的车辆无路侧停车行为的步骤之后，还包括：
跳转执行步骤a，直至完成对各个视频帧的计算。
8.根据权利要求6所述的方法，其特征在于，所述确定车第一视频帧和第二视频中的车辆存在路侧停车行为的步骤之后，还包括：
步骤m、将存在路侧停车行为的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；
通过车辆训练模型对重新确定的第一视频帧与重新确定的第二视频帧中的车辆位置进行检测；
基于检测结果，若重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形不一致，跳转执行步骤m，直至重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形一致。
9.一种基于视频帧识别路侧停车行为的装置，其特征在于，包括：
第一获取模块，用于获取通过视频设备采集的连续多个视频帧，所述视频设备用于采集路侧停车区域的图像信息；
绘制模块，用于在第一视频帧中绘制停车位区域，并确定所述停车位区域中停车位的坐标信息，所述第一视频帧为采集到的任一视频帧；
差分计算模块，用于确定第二视频帧，基于已绘制的所述停车位区域，对第一视频帧与第二视频帧进行差分计算，第二视频帧为与第一视频帧的相邻的后一视频帧；
检测模块，用于判断计算结果是否满足预定检测规则，若满足，基于所述停车位的坐标信息，通过车辆训练模型对第一视频帧和第二视频中的车辆位置进行检测；
所述预定检测规则，包括：
判断计算得到的各个差分值是否大于预定差值阈值；
统计大于预定差值阈值的差分值的个数，并判断所述个数是否大于预定个数阈值；
其中，所述检测模块，具体用于
若所述个数大于预定个数阈值，确定计算结果满足预定检测规则；
若所述个数小于预定个数阈值，确定计算结果不满足预定检测规则；
确定模块，用于基于检测结果，确定车辆的路侧停车行为。
10.根据权利要求9所述的装置，其特征在于，所述差分计算模块，具体用于
以预定大小的单位块，将第一视频帧与第二视频帧的图像划分为多个第一单位块，其中，每一个第一单位块在任一视频帧中的位置相同；
基于已绘制的所述停车区域，将包含所述停车区域的各个第一单位块确定为第二单位块；
分别计算各个第二单位块的像素平均值；
确定在第一视频帧中的位置与在第二视频帧中的位置相同的一一对应的第二单位块；
分别计算每一个一一对应的第二单位块的像素平均值的差分值。
11.根据权利要求9所述的装置，若所述检测模块确定计算结果不满足预定检测规则，包括：
第一重新确定单元，用于将不满足预定检测规则的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；
差分计算单元，用于对重新确定的第一视频帧与重新确定的第二视频帧进行差分计算，并判断计算结果是否满足预定检测规则；
第一跳转单元，用于若不满足，跳转执行第一重新确定单元，直至计算结果满足所述预定检测规则。
12.根据权利要求9-11任一项所述的装置，其特征在于，包括：
第二获取模块，用于获取采集到的路侧停车区域中的多个车辆图像样本；
训练模块，用于通过基于卷积神经网络的深度学习方法对所述多个车辆图像样本进行标注及训练，得到车辆训练模型。
13.根据权利要求12所述的装置，其特征在于，包括：
对比模块，用于将检测结果中的车辆位置与停车位位置进行坐标对比，求得车辆矩形区域的质心；
计算模块，用于计算质心在停车位内的车辆，并将质心在停车位内的车辆的信息记录至检测结果中。
14.根据权利要求13所述的装置，其特征在于，所述确定模块，包括：
第一确定单元，用于基于检测结果，确定第一视频帧和第二视频中车辆的质心情形是否一致；
第二确定单元，用于若一致，确定第一视频帧和第二视频中的车辆无路侧停车行为；
第三确定单元，用于若不一致，确定车第一视频帧和第二视频中的车辆存在路侧停车行为；
其中，所述车辆的质心情形包括质心在停车位内和质心不在停车位内中的任一种情形。
15.根据权利要求14所述的装置，其特征在于，所述第二确定单元，还用于跳转执行所述第一确定单元，直至完成对各个视频帧的计算。
16.根据权利要求14所述的装置，其特征在于，所述第三确定单元，还包括：
第二重新确定单元，用于将存在路侧停车行为的第二视频帧作为重新确定的第一视频帧，并重新确定第二视频帧，其中，重新确定的第二视频帧为与重新确定的第一视频帧相邻的后一视频帧；
检测单元，用于通过车辆训练模型对重新确定的第一视频帧与重新确定的第二视频帧中的车辆位置进行检测；
第二跳转单元，用于基于检测结果，若重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形不一致，跳转执行所述第二重新确定单元，直至重新确定的第一视频帧与重新确定的第二视频帧中车辆的质心情形一致。
CN201910323229.1A 2019-04-22 2019-04-22 一种基于视频帧识别路侧停车行为的方法及装置 Active CN110163107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910323229.1A CN110163107B (zh) 2019-04-22 2019-04-22 一种基于视频帧识别路侧停车行为的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910323229.1A CN110163107B (zh) 2019-04-22 2019-04-22 一种基于视频帧识别路侧停车行为的方法及装置

Publications (2)

Publication Number Publication Date
CN110163107A CN110163107A (zh) 2019-08-23
CN110163107B true CN110163107B (zh) 2021-06-29

Family

ID=67639800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910323229.1A Active CN110163107B (zh) 2019-04-22 2019-04-22 一种基于视频帧识别路侧停车行为的方法及装置

Country Status (1)

Country Link
CN (1) CN110163107B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517506B (zh) * 2019-08-26 2021-10-12 重庆同枥信息技术有限公司 基于交通视频图像检测停车事件的方法、装置及存储介质
CN110688902B (zh) * 2019-08-30 2022-02-11 智慧互通科技股份有限公司 一种检测停车位内车辆区域的方法及装置
CN111178185A (zh) * 2019-12-17 2020-05-19 北京智芯原动科技有限公司 基于视频的高位路侧停车检测方法及装置
CN111292353B (zh) * 2020-01-21 2023-12-19 成都恒创新星科技有限公司 一种停车状态变化识别方法
CN111476169B (zh) * 2020-04-08 2023-11-07 智慧互通科技股份有限公司 一种基于视频帧的复杂场景路侧停车行为识别方法
CN111739043B (zh) * 2020-04-13 2023-08-08 北京京东叁佰陆拾度电子商务有限公司 一种停车位绘制方法、装置、设备和存储介质
CN111739335B (zh) 2020-04-26 2021-06-25 智慧互通科技股份有限公司 一种基于视觉差的停车检测方法及装置
CN112766206B (zh) * 2021-01-28 2024-05-28 深圳市捷顺科技实业股份有限公司 一种高位视频车辆检测方法、装置、电子设备和存储介质
CN113012467B (zh) * 2021-02-23 2022-04-29 中国联合网络通信集团有限公司 停车控制方法和装置
CN113052141A (zh) * 2021-04-26 2021-06-29 超级视线科技有限公司 一种检测车辆停放位置的方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4178154B2 (ja) * 2005-08-30 2008-11-12 松下電器産業株式会社 駐車位置探索支援装置、方法およびプログラム
CN102637360B (zh) * 2012-04-01 2014-07-16 长安大学 一种基于视频的道路停车事件检测方法
CN103325259B (zh) * 2013-07-09 2015-12-09 西安电子科技大学 一种基于多核并行的违章停车检测方法
CN106384532A (zh) * 2015-07-31 2017-02-08 富士通株式会社 视频数据分析方法、装置以及停车位监控***
CN105513371B (zh) * 2016-01-15 2017-12-22 昆明理工大学 一种基于核密度估计的高速公路违章停车检测方法
CN106204643A (zh) * 2016-07-01 2016-12-07 湖南源信光电科技有限公司 基于多特征联合与Mean Shift算法的多目标跟踪方法
CN106504580A (zh) * 2016-12-07 2017-03-15 深圳市捷顺科技实业股份有限公司 一种车位检测方法及装置
CN107404653B (zh) * 2017-05-23 2019-10-18 南京邮电大学 一种hevc码流的停车事件快速检测方法

Also Published As

Publication number Publication date
CN110163107A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110163107B (zh) 一种基于视频帧识别路侧停车行为的方法及装置
EP3806064B1 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN111739335B (zh) 一种基于视觉差的停车检测方法及装置
CN110491168B (zh) 一种基于车轮着地点检测车辆停车状态的方法及装置
CN111339994B (zh) 一种判断临时违章停车的方法及装置
CN111476169B (zh) 一种基于视频帧的复杂场景路侧停车行为识别方法
CN109241938B (zh) 道路拥堵检测方法及终端
CN113055823B (zh) 一种基于路侧停车管理共享单车的方法及装置
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN113205692B (zh) 一种路侧停车泊位异常变动的自动识别方法
WO2023179416A1 (zh) 确定车辆进出泊位的方法、装置、设备和存储介质
CN113205689B (zh) 一种基于多维度的路侧停车入场事件判断方法及***
CN113033479B (zh) 一种基于多层感知的泊位事件识别方法及***
CN113205691A (zh) 一种识别车辆位置的方法及装置
CN111931673B (zh) 一种基于视觉差的车辆检测信息的校验方法及装置
CN110880205B (zh) 一种停车收费方法及装置
CN112836699A (zh) 一种基于长时多目标跟踪的泊位出入场事件分析方法
CN111951601A (zh) 一种识别配送车辆停放位置的方法及装置
CN113450575B (zh) 一种路侧停车的管理方法及装置
CN111105619A (zh) 一种路侧逆向停车的判断方法及装置
CN112766222B (zh) 一种基于泊位线辅助识别车辆行为的方法及装置
CN113052141A (zh) 一种检测车辆停放位置的方法及装置
CN113449624B (zh) 一种基于行人重识别确定车辆行为的方法及装置
CN114463990A (zh) 一种高位视频车辆及车牌的检测方法及装置
CN113408514A (zh) 一种基于深度学习检测路侧停车场泊位的方法及装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 075000 ten building, phase 1, airport economic and Technological Development Zone, Zhangjiakou, Hebei

Applicant after: Smart intercommunication Technology Co.,Ltd.

Address before: 075000 ten building, phase 1, airport economic and Technological Development Zone, Zhangjiakou, Hebei

Applicant before: INTELLIGENT INTERCONNECTION TECHNOLOGIES Co.,Ltd.

GR01 Patent grant
GR01 Patent grant