CN110211421A - 基于云端的车位信息智能识别方法和*** - Google Patents
基于云端的车位信息智能识别方法和*** Download PDFInfo
- Publication number
- CN110211421A CN110211421A CN201910565499.3A CN201910565499A CN110211421A CN 110211421 A CN110211421 A CN 110211421A CN 201910565499 A CN201910565499 A CN 201910565499A CN 110211421 A CN110211421 A CN 110211421A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- cell phone
- phone client
- processing data
- 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.)
- Granted
Links
Classifications
-
- 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
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
- G08G1/144—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces on portable or mobile units, e.g. personal digital assistant [PDA]
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于云端的车位信息智能识别方法和***，方法包括：行车记录装置中的中央处理器对行车视频进行处理形成初处理数据，初处理数据包括带车位号的图片；行车记录装置中的蓝牙端口将初处理数据发送至手机客户端；手机客户端接收初处理数据，并将初处理数据上传至云端服务器；云端服务器接收初处理数据；云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行训练学习和校验，并对初处理数据进行识别得到识别结果，将识别结果中匹配度最高的发送至手机客户端，同时将初处理数据加入云端数据库；手机客户端接收匹配度最高的识别结果。本发明能够对车位信息进行识别，为使用者寻找自己的车辆提供帮助。
Description
技术领域
本发明涉及车位信息识别领域，更具体地，涉及一种基于云端的车位信息智能识别方法和***。
背景技术
随着人们物质生活的日益提高，有车一族的人数在不断增加，使得对应的小车停车场也越修越大，在大型停车场之中在没有辅助的情况下寻找自己的汽车无疑会有一定的难度。现有技术提供的一种基于区块链技术的行车记录仪(申请号2013100584910)中，由副摄像头和主记录仪组成。主记录仪上还带有主摄像头，内部包括PCB主板，可以进行储存、处理和传感。主记录仪带有WIFI模块，可以无线连接各个行车记录仪联网，构成云数据平台。现有技术中的行车记录仪存在如下问题：
1、云数据平台的构建需要借助互联网数据库技术，虽然可以实现公开透明化，但是其运行需要提供较好的网络条件和供电，在没有连接网络的情况下难以运行；
2、闭源，仅由固定的公司企业进行开发、维护，不利于技术交流、技术发展和技术的积累，也不利于形成统一的行业标准，长期来看不利于本行业的健康发展；
3、功能较单一，局限于记录功能，不能实现车位信息的识别。
发明内容
有鉴于此，本发明提供了一种基于云端的车位信息智能识别的方法和***，能够对车位信息进行识别，为使用者寻找自己的车辆提供帮助。
为了解决上述技术问题，本发明提出一种基于云端的车位信息智能识别方法，包括：行车记录装置中的中央处理器对行车视频进行处理形成初处理数据，其中，初处理数据包括带车位号的图片；行车记录装置中的蓝牙端口将初处理数据发送至手机客户端；手机客户端接收初处理数据，并将初处理数据上传至云端服务器；云端服务器接收初处理数据；云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行训练学习和校验，并对初处理数据进行识别得到识别结果，将识别结果中匹配度最高的发送至手机客户端，同时将初处理数据加入云端数据库；其中，云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行双向训练学习和校验，包括：云端服务器内的运算模型读入初处理数据和云端服务器内的云端数据库中原始数据；将初处理数据和原始数据整体划分为学习数据和校验数据两个部分；使用支持向量机器算法创建二进制分类模型，在二进制分类模型的基础上从一组二元分类模型分建多类第一分类模型，加入学习数据训练第一分类模型，加入校验数据对训练所得的第一分类模型进行评分；使用决策丛计算法创建多类第二分类模型，加入学习数据训练第二分类模型，加入校验数据对训练所得的第二分类模型进行评分；使用标准指标评估第一分类模型和第二分类模型；手机客户端接收匹配度最高的识别结果。
优选的，其中，还包括：手机客户端判断是否获得权限，权限至少包括蓝牙、文件和手机定位；在未获得权限时，提醒使用者进行授权；在获得权限时，手机客户端接收初处理数据，并将初处理数据上传至云端服务器。
优选的，其中，云端数据库在初始状态时，原始数据包括理想数据和实验数据，其中，理想数据为按照实验条件形成的数据，实验数据为按照实验条件，并加入实际因素形成的数据，实际因素至少包括光线和角度。
优选的，其中，行车记录装置中的中央处理器对行车视频进行处理形成初处理数据，包括：行车记录装置中的中央处理器按照第一时间间隔对行车视频进行图片截取，得到截取图片，其中第一时间间隔根据中央处理器的处理速度设定；中央处理器将截取图片中带车位号的图片挑选出来形成初处理数据。
优选的，其中，还包括：行车记录装置中的GPS模块对行车位置进行记录；行车记录装置中的蓝牙端口将行车位置发送至手机客户端；手机客户端接收行车位置。
本发明还提出一种基于云端的车位信息智能识别***，包括：行车记录装置、手机客户端和云端服务器；行车记录装置包括中央处理器和蓝牙端口；其中，中央处理器，用于对行车视频进行处理形成初处理数据，初处理数据包括带车位号的图片；蓝牙端口，用于将初处理数据发送至手机客户端；手机客户端包括文件模块和云端模块；其中，文件模块，用于接收初处理数据；云端模块，用于将初处理数据上传至云端服务器；云端服务器，还用于通过初处理数据和云端数据库中原始数据对运算模型进行训练学习和校验，并通过运算模型对初处理数据进行识别得到识别结果，将识别结果中匹配度最高的发送至手机客户端，同时将初处理数据加入云端数据库；其中，运算模型包括：读入模块，用于读入初处理数据和云端服务器内的云端数据库中原始数据；划分模块，用于将初处理数据和原始数据整体划分为学习数据和校验数据两个部分；第一学习校验模块，用于使用支持向量机器算法创建二进制分类模型，在二进制分类模型的基础上从一组二元分类模型分建多类第一分类模型，加入学习数据训练第一分类模型，加入校验数据对训练所得的第一分类模型进行评分；第二学习校验模块，用于使用决策丛计算法创建多类第二分类模型，加入学习数据训练第二分类模型，加入校验数据对训练所得的第二分类模型进行评分；评估模块，用于使用标准指标评估第一分类模型和第二分类模型；识别模块课，用于对初处理数据进行识别得到识别结果；云端模块，还用于接收匹配度最高的识别结果。
优选的，手机客户端还包括权限模块；权限模块，用于判断手机客户端是否获得权限，权限至少包括蓝牙、文件和手机定位；其中，在未获得权限时，权限模块提醒使用者进行授权；在获得所述权限时，手机客户端接收初处理数据，并将初处理数据上传至云端服务器。
优选的，其中，云端数据库在初始状态时，原始数据包括理想数据和实验数据，其中，理想数据为按照实验条件形成的数据，实验数据为按照实验条件，并加入实际因素形成的数据，实际因素至少包括光线和角度。
优选的，其中，中央处理器，用于按照第一时间间隔对行车视频进行图片截取，得到截取图片，其中第一时间间隔根据中央处理器的处理速度设定；中央处理器，还用于将截取图片中带车位号的图片挑选出来形成初处理数据。
优选的，其中，行车记录装置还包括GPS模块；GPS模块，用于对行车位置进行记录；蓝牙端口，还用于将行车位置发送至手机客户端；文件模块，还用于接收行车位置。
与现有技术相比，本发明提供的基于云端的车位信息智能识别方法和***，实现了如下的有益效果：
(1)本发明所述的基于云端的车位信息智能识别方法和***，行车记录装置中的中央处理器先对行车视频进行处理形成包括带车位号的图片的初处理数据，并将初处理数据发送至手机客户端，手机客户端接收初处理数据，行车记录装置和手机客户端之间只需传输初处理数据，减少了行车记录装置与手机客户端之间的传输信息总量，节约用电且减少手机客户端的占用空间。
(2)本发明所述的基于云端的车位信息智能识别方法和***，手机客户端接收初处理数据，并将初处理数据上传至云端服务器，使用云端服务器内的运算模型对初处理数据进行识别得到识别结果，将识别结果中匹配度最高的发送至手机客户端，通过云端服务器内的运算模型，可对车位信息进行智能识别，同时将识别结果发送至手机客户端，可有效辅助用户在停车场内寻找到自己的车辆。
(3)本发明所述的基于云端的车位信息智能识别方法和***，云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行训练学习和校验，可通过用户反馈数据推动运算模型不断优化提高模型性能，避免由于采样不足与采样过于理想化带来的误差，且通过运算模型的不断优化，可以自主适应各种新型场景条件，减少后期维护成本。
(4)本发明所述的基于云端的车位信息智能识别方法和***，运算模型位于云端服务器内，减少了手机客户端的运算需求，降低适用门槛，还可以减少***整体耗能，提高***续航能力。
(5)本发明所述的基于云端的车位信息智能识别方法和***，云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行双向训练学习和校验，有效提高运算模型的性能，从而提高对车位信息进行识别的准确性。
(6)本发明所述的基于云端的车位信息智能识别方法和***，行车记录装置记录了行车位置，将行车位置传输给手机客户端，进一步辅助用户在停车场内寻找到自己的车辆。
当然，实施本发明的任一产品不必特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是本发明提出的一种基于云端的车位信息智能识别方法的流程图；
图2是本发明提出的一种运算模型进行训练学习和校验的方法的流程图；
图3是本发明提出的另一种基于云端的车位信息智能识别方法的流程图；
图4是本发明提出的一种基于云端的车位信息智能识别***的构成示意图；
图5是本发明提出的一种行车记录装置的结构示意图；
图6是本发明提出的一种手机客户端的结构示意图；
图7是本发明提出的一种云端服务器的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：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布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
实施例1
图1是本发明提出的一种基于云端的车位信息智能识别方法的流程图，图2是本发明提出的一种运算模型进行训练学习和校验的方法的流程图，参考图1和图2，该方法包括：
步骤101、行车记录装置中中央处理器对行车视频进行处理形成初处理数据，其中，初处理数据包括带车位号的图片；
步骤102、行车记录装置中蓝牙端口将初处理数据发送至手机客户端；
步骤103、手机客户端接收初处理数据，并将初处理数据上传至云端服务器；
步骤104、云端服务器接收初处理数据；
步骤105、云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行训练学习和校验，并对初处理数据进行识别，将识别结果中匹配度最高的发送至手机客户端，同时将初处理数据加入云端数据库；
步骤106、手机客户端接收匹配度最高的识别结果。
其中，步骤105中云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行双向训练学习和校验，包括：
步骤201、云端服务器内的运算模型读入初处理数据和云端服务器内的云端数据库中原始数据；
步骤202、将初处理数据和原始数据整体划分为学习数据和校验数据两个部分；
其中，示例性的，将初处理数据和原始数据整体的80％划分为学习数据，将其20％划分为校验数据；
步骤203、使用支持向量机器算法创建二进制分类模型，在二进制分类模型的基础上从一组二元分类模型分建多类第一分类模型，加入学习数据训练第一分类模型，加入校验数据对训练所得的第一分类模型进行评分；
其中，二进制分类模型用于实现基于分类产量预测可能结果，只能有两个预测结果，在初始设计中，此部分迭代次数为1，具有规范化功能；当结果取决于预测变量时，第一分类模型用于创建预测更多可能结果；
步骤204、决策丛计算法创建多类第二分类模型，加入学习数据训练第二分类模型，加入校验数据对训练所得的第二分类模型进行评分；
其中，第二分类模型用于定义模型和参数，然后连接标记的训练数据集以使用其中一个训练模型，可以训练具有多个可能值的目标，初始设计中，此部分重采样方法为打包操作，最大决策数设定为8，最大决策深度为32，最大决策宽度为128，每个决策层的优化步骤数为2048；
步骤205、使用标准指标评估第一分类模型和第二分类模型。
本发明中行车记录装置先对行车视频进行处理形成包括带车位号的图片的初处理数据，并将初处理数据发送至手机客户端，手机客户端接收初处理数据，行车记录装置和手机客户端之间只需传输初处理数据，减少了行车记录装置与手机客户端之间的传输信息总量，节约用电且减少手机客户端的占用空间。
手机客户端接收初处理数据，并将初处理数据上传至云端服务器，使用云端服务器内的运算模型对初处理数据进行识别得到识别结果，将识别结果中匹配度最高的发送至手机客户端，通过云端服务器内的运算模型，可对车位信息进行智能识别，同时将识别结果发送至手机客户端，可有效辅助用户在停车场内寻找到自己的车辆。云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行训练学习和校验，可通过用户反馈数据推动运算模型不断优化提高模型性能，避免由于采样不足与采样过于理想化带来的误差，且通过运算模型的不断优化，可以自主适应各种新型场景条件，减少后期维护成本。运算模型位于云端服务器内，减少了手机客户端的运算需求，降低适用门槛，还可以减少***整体耗能，提高***续航能力。
蓝牙端口通过蓝牙数据发送功能将初处理数据发送至手机客户端，传输速度适中，可以避免占用其他常用传输渠道，且在没有网络条件时仍然可以进行信息传输，提高了装置的环境适应能力与适用范围。
云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行双向训练学习和校验，有效提高运算模型的性能，从而提高对车位信息进行识别的准确性。
实施例2
图3是本发明提出的另一种基于云端的车位信息智能识别方法的流程图，参考图2和图3，该方法包括：
步骤301、行车记录装置中的中央处理器对行车视频进行处理形成初处理数据，其中，初处理数据包括带车位号的图片；
步骤302、行车记录装置中的蓝牙端口将初处理数据发送至手机客户端；
步骤303、手机客户端判断是否获得权限，权限至少包括蓝牙、文件和手机定位；
在未获得所述权限时，执行步骤304；
在获得所述权限时，执行步骤305；
步骤304、提醒使用者进行授权；
步骤305、手机客户端接收初处理数据，并将初处理数据上传至云端服务器；
步骤306、云端服务器接收初处理数据；
步骤307、云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行训练学习和校验，并对初处理数据进行识别，将识别结果中匹配度最高的发送至手机客户端，同时将初处理数据加入云端数据库；
步骤308、手机客户端接收匹配度最高的识别结果。
其中，步骤307中云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行双向训练学习和校验，包括：
步骤201、云端服务器内的运算模型读入初处理数据和云端服务器内的云端数据库中原始数据；
步骤202、将初处理数据和原始数据整体划分为学习数据和校验数据两个部分；
其中，示例性的，将初处理数据和原始数据整体的80％划分为学习数据，将其20％划分为校验数据；
步骤203、使用支持向量机器算法创建二进制分类模型，在二进制分类模型的基础上从一组二元分类模型分建多类第一分类模型，加入学习数据训练第一分类模型，加入校验数据对训练所得的第一分类模型进行评分；
其中，二进制分类模型用于实现基于分类产量预测可能结果，只能有两个预测结果，在初始设计中，此部分迭代次数为1，具有规范化功能；当结果取决于预测变量时，第一分类模型用于创建预测更多可能结果；
步骤204、决策丛计算法创建多类第二分类模型，加入学习数据训练第二分类模型，加入校验数据对训练所得的第二分类模型进行评分；
其中，第二分类模型用于定义模型和参数，然后连接标记的训练数据集以使用其中一个训练模型，可以训练具有多个可能值的目标，初始设计中，此部分重采样方法为打包操作，最大决策数设定为8，最大决策深度为32，最大决策宽度为128，每个决策层的优化步骤数为2048；
步骤205、使用标准指标评估第一分类模型和第二分类模型。
手机客户端判断是否获得蓝牙、文件和手机定位等多种权限，在未获得权限时提醒使用者进行授权，在获得授权后，手机客户端接收初处理数据，并将初处理数据上传至云端服务器。
其中，云端数据库在初始状态时，原始数据包括理想数据和实验数据，其中，理想数据为按照实验条件形成的数据，实验数据为按照实验条件，并加入实际因素形成的数据，实际因素至少包括光线和角度。
云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行训练学习和校验，云端数据库在初始状态时，原始数据包括理想数据和实验数据，将用户反馈数据加入原始数据，且通过用户反馈数据推动运算模型不断优化提高模型性能，避免由于采样不足与采样过于理想化带来的误差，且通过原始数据的逐渐丰富以及运算模型的不断优化，可以自主适应各种新型场景条件，减少后期维护成本。
其中，步骤301、行车记录装置中的中央处理器对行车视频进行处理形成初处理数据，包括：
行车记录装置中的中央处理器按照第一时间间隔对行车视频进行图片截取，得到截取图片，其中第一时间间隔根据中央处理器的处理速度设定；
中央处理器将截取图片中带车位号的图片挑选出来形成初处理数据。
其中，本发明提出的基于云端的车位信息智能识别方法还包括：
行车记录装置中的GPS模块对行车位置进行记录；
行车记录装置中的蓝牙端口将行车位置发送至手机客户端；
手机客户端接收行车位置。
GPS模块记录了行车位置，将行车位置传输给手机客户端，进一步辅助用户在停车场内寻找到自己的车辆。
其中，本发明提出的基于云端的车位信息智能识别方法还包括：
行车记录装置中的摄像头拍摄行车视频；
行车记录装置中的显示器对行车视频进行实时显示；
行车记录装置中的存储卡将行车视频和行车位置进行存储。
示例性的，手机客户端基于Android***开发；运算模型为训练好的BP神经网络以及初步训练的云端学习模型，可以在联网及未联网情况下提供服务；运算模型采用微软的Microsoft azure machine learning studio进行建模运算。
实施例3
图4是本发明提出的一种基于云端的车位信息智能识别***的构成示意图，图5是本发明提出的一种行车记录装置的结构示意图，图6是本发明提出的一种手机客户端的结构示意图，图7是本发明提出的一种云端服务器的结构示意图，参考图4-图7，本发明提供一种基于云端的车位信息智能识别***，包括：行车记录装置10、手机客户端20和云端服务器30；
行车记录装置10包括中央处理器11和蓝牙端口12；其中，
中央处理器11，用于对行车视频进行处理形成初处理数据，初处理数据包括带车位号的图片；
蓝牙端口12，用于将初处理数据发送至手机客户端20；
手机客户端20包括文件模块21和云端模块22；其中，
文件模块21，用于接收初处理数据；
云端模块22，用于将初处理数据上传至云端服务器30；
云端服务器30，用于接收初处理数据；
云端服务器30，还用于通过初处理数据和云端数据库31中原始数据对运算模型进行训练学习和校验，并通过运算模型32对初处理数据进行识别得到识别结果，将识别结果中匹配度最高的发送至所述手机客户端20，同时将初处理数据加入云端数据库31；
云端模块22，还用于接收匹配度最高的识别结果。
本发明中行车记录装置10中中央处理器11先对行车视频进行处理形成包括带车位号的图片的初处理数据，再通过蓝牙端口12将初处理数据发送至手机客户端20，手机客户端20接收初处理数据，行车记录装置10和手机客户端20之间只需传输初处理数据，减少了行车记录装置10与手机客户端20之间的传输信息总量，节约用电且减少手机客户端10的占用空间。蓝牙端口12通过蓝牙数据发送功能将初处理数据发送至手机客户端20，传输速度适中，可以避免占用其他常用传输渠道，且在没有网络条件时仍然可以进行信息传输，提高了装置的环境适应能力与适用范围。
手机客户端20中文件模块21接收初处理数据，并通过云端模块22将初处理数据上传至云端服务器30，使用云端服务器30内的运算模型32对初处理数据进行识别得到识别结果，将识别结果中匹配度最高的发送至手机客户端20，通过云端服务器30内的运算模型32，可对车位信息进行智能识别，同时将识别结果发送至手机客户端20，可有效辅助用户在停车场内寻找到自己的车辆。云端服务器30内的运算模型32基于初处理数据和云端服务器30内的云端数据库31中原始数据进行训练学习和校验，可通过用户反馈数据推动运算模型32不断优化提高模型性能，避免由于采样不足与采样过于理想化带来的误差，且通过运算模型32的不断优化，可以自主适应各种新型场景条件，减少后期维护成本。运算模型32位于云端服务器30内，减少了手机客户端20的运算需求，降低适用门槛，还可以减少装置整体耗能，提高装置的续航能力。
其中，云端服务器30内的运算模型32包括：
读入模块321，用于读入初处理数据和云端服务器30内的云端数据库31中原始数据；
划分模块322，用于将初处理数据和原始数据整体划分为学习数据和校验数据两个部分；
第一学习校验模块323，用于使用支持向量机器算法创建二进制分类模型，在二进制分类模型的基础上从一组二元分类模型分建多类第一分类模型，加入学习数据训练第一分类模型，加入校验数据对训练所得的第一分类模型进行评分；
第二学习校验模块324，用于使用决策丛计算法创建多类第二分类模型，加入学习数据训练第二分类模型，加入校验数据对训练所得的第二分类模型进行评分；
评估模块325，用于使用标准指标评估第一分类模型和第二分类模型；
识别模块326，用于对初处理数据进行识别得到识别结果。
本发明提供的云端服务器30内的运算模型32可基于初处理数据和云端服务器31内的云端数据库中原始数据进行双向训练学习和校验，有效提高运算模型32的性能，从而提高对车位信息进行识别的准确性。
其中，手机客户端20还包括权限模块23；
权限模块23，用于判断手机客户端20是否获得权限，权限至少包括蓝牙、文件和手机定位；
在未获得权限时，权限模块23提醒使用者进行授权；
在获得权限时，手机客户端20接收初处理数据，并通过云端模块22将初处理数据上传至云端服务器30。
其中，云端数据库31在初始状态时，原始数据包括理想数据和实验数据，其中，理想数据为按照实验条件形成的数据，实验数据为按照实验条件，并加入实际因素形成的数据，实际因素至少包括光线和角度。
云端服务器30内的运算模型32基于初处理数据和云端服务器内的云端数据库31中原始数据进行训练学习和校验，云端数据库31在初始状态时，原始数据包括理想数据和实验数据，将用户反馈数据加入原始数据，且通过用户反馈数据推动运算模型32不断优化提高模型性能，避免由于采样不足与采样过于理想化带来的误差，且通过原始数据的逐渐丰富以及运算模型32的不断优化，可以自主适应各种新型场景条件，减少后期维护成本。
其中，中央处理器11，用于按照第一时间间隔对行车视频进行图片截取，得到截取图片，第一时间间隔根据中央处理器11的处理速度设定；
中央处理器11，还用于将截取图片中带车位号的图片挑选出来形成初处理数据。
其中，手机客户端20中文件模块21还用于对数据进行存储、调用、处理、显示、上传和接受等。
其中，行车记录装置10还包括显示器13、存储卡14、电源15、摄像头16和GPS模块17；
摄像头16，用于拍摄行车视频；GPS模块17，用于记录行车位置；显示器13，用于对行车视频进行实时显示；存储卡14，用于将行车视频和行车位置进行存储；蓝牙端口12，还用于将行车位置发送至手机客户端20；电源15，用于为行车记录装置10中各部件提供能耗。
行车记录装置10中设有GPS模块17，可以在记录行车过程的同时记录其位置用于导航，同时为使用者寻找自己的车辆提供帮助。
示例性的，中央处理器11的型号为STA32F767，蓝牙端口12的型号为ATK-HC05-V13，显示器13的型号为ATK-7RGB TFTLC-V13，存储卡14的型号为SD-K08G，电源15为5V直流电源，摄像头16的型号为ATK-OV5640AF-V11，GPS模块17的型号为ATK-S126-V1.1。
通过以上各个实施例可知，本发明提供的基于云端的车位信息智能识别方法和***存在的有益效果是：
(1)本发明所述的基于云端的车位信息智能识别方法和***，行车记录装置中的中央处理器先对行车视频进行处理形成包括带车位号的图片的初处理数据，并将初处理数据发送至手机客户端，手机客户端接收初处理数据，行车记录装置和手机客户端之间只需传输初处理数据，减少了行车记录装置与手机客户端之间的传输信息总量，节约用电且减少手机客户端的占用空间。
(2)本发明所述的基于云端的车位信息智能识别方法和***，手机客户端接收初处理数据，并将初处理数据上传至云端服务器，使用云端服务器内的运算模型对初处理数据进行识别得到识别结果，将识别结果中匹配度最高的发送至手机客户端，通过云端服务器内的运算模型，可对车位信息进行智能识别，同时将识别结果发送至手机客户端，可有效辅助用户在停车场内寻找到自己的车辆。
(3)本发明所述的基于云端的车位信息智能识别方法和***，云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行训练学习和校验，可通过用户反馈数据推动运算模型不断优化提高模型性能，避免由于采样不足与采样过于理想化带来的误差，且通过运算模型的不断优化，可以自主适应各种新型场景条件，减少后期维护成本。
(4)本发明所述的基于云端的车位信息智能识别方法和***，运算模型位于云端服务器内，减少了手机客户端的运算需求，降低适用门槛，还可以减少***整体耗能，提高***续航能力。
(5)本发明所述的基于云端的车位信息智能识别方法和***，云端服务器内的运算模型基于初处理数据和云端服务器内的云端数据库中原始数据进行双向训练学习和校验，有效提高运算模型的性能，从而提高对车位信息进行识别的准确性。
(6)本发明所述的基于云端的车位信息智能识别方法和***，行车记录装置记录了行车位置，将行车位置传输给手机客户端，进一步辅助用户在停车场内寻找到自己的车辆。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种基于云端的车位信息智能识别方法，其特征在于，包括：
行车记录装置中的中央处理器对行车视频进行处理形成初处理数据，其中，所述初处理数据包括带车位号的图片；
所述行车记录装置中的蓝牙端口将所述初处理数据发送至手机客户端；
所述手机客户端接收所述初处理数据，并将所述初处理数据上传至云端服务器；
所述云端服务器接收所述初处理数据；
所述云端服务器内的运算模型基于所述初处理数据和所述云端服务器内的云端数据库中原始数据进行训练学习和校验，并对所述初处理数据进行识别得到识别结果，将所述识别结果中匹配度最高的发送至所述手机客户端，同时将所述初处理数据加入所述云端数据库；其中，
所述云端服务器内的运算模型基于所述初处理数据和所述云端服务器内的云端数据库中原始数据进行双向训练学习和校验，包括：
所述云端服务器内的所述运算模型读入所述初处理数据和所述云端服务器内的云端数据库中原始数据；
将所述初处理数据和所述原始数据整体划分为学习数据和校验数据两个部分；
使用支持向量机器算法创建二进制分类模型，在所述二进制分类模型的基础上从一组二元分类模型分建多类第一分类模型，加入所述学习数据训练所述第一分类模型，加入所述校验数据对训练所得的所述第一分类模型进行评分；
使用决策丛计算法创建多类第二分类模型，加入所述学习数据训练所述第二分类模型，加入所述校验数据对训练所得的所述第二分类模型进行评分；
使用标准指标评估所述第一分类模型和所述第二分类模型；
所述手机客户端接收匹配度最高的所述识别结果。
2.根据权利要求1所述的基于云端的车位信息智能识别的方法，其特征在于，还包括：
所述手机客户端判断是否获得权限，所述权限至少包括蓝牙、文件和手机定位；
在未获得所述权限时，提醒使用者进行授权；
在获得所述权限时，所述手机客户端接收所述初处理数据，并将所述初处理数据上传至云端服务器。
3.根据权利要求1所述的基于云端的车位信息智能识别的方法，其特征在于，
所述云端数据库在初始状态时，所述原始数据包括理想数据和实验数据，其中，所述理想数据为按照实验条件形成的数据，所述实验数据为按照实验条件，并加入实际因素形成的数据，所述实际因素至少包括光线和角度。
4.根据权利要求1所述的基于云端的车位信息智能识别的方法，其特征在于，
所述行车记录装置中的中央处理器对行车视频进行处理形成初处理数据，包括：
所述行车记录装置中的所述中央处理器按照第一时间间隔对行车视频进行图片截取，得到截取图片，其中所述第一时间间隔根据所述中央处理器的处理速度设定；
所述中央处理器将所述截取图片中带车位号的图片挑选出来形成所述初处理数据。
5.根据权利要求1所述的基于云端的车位信息智能识别的方法，其特征在于，还包括：
所述行车记录装置中的GPS模块对行车位置进行记录；
所述行车记录装置中的所述蓝牙端口将所述行车位置发送至手机客户端；
所述手机客户端接收所述行车位置。
6.一种基于云端的车位信息智能识别***，其特征在于，包括：行车记录装置、手机客户端和云端服务器；
所述行车记录装置包括中央处理器和蓝牙端口；其中，
所述中央处理器，用于对行车视频进行处理形成初处理数据，所述初处理数据包括带车位号的图片；
所述蓝牙端口，用于将所述初处理数据发送至手机客户端；
所述手机客户端包括文件模块和云端模块；其中，
所述文件模块，用于接收所述初处理数据；
所述云端模块，用于将所述初处理数据上传至云端服务器；
所述云端服务器，用于接收所述初处理数据；
所述云端服务器，还用于通过所述初处理数据和云端数据库中原始数据对运算模型进行训练学习和校验，并通过所述运算模型对所述初处理数据进行识别得到识别结果，将所述识别结果中匹配度最高的发送至所述手机客户端，同时将所述初处理数据加入所述云端数据库；
所述运算模型包括：
读入模块，用于读入所述初处理数据和所述云端服务器内的云端数据库中原始数据；
划分模块，用于将所述初处理数据和所述原始数据整体划分为学习数据和校验数据两个部分；
第一学习校验模块，用于使用支持向量机器算法创建二进制分类模型，在所述二进制分类模型的基础上从一组二元分类模型分建多类第一分类模型，加入所述学习数据训练所述第一分类模型，加入所述校验数据对训练所得的所述第一分类模型进行评分；
第二学习校验模块，用于使用决策丛计算法创建多类第二分类模型，加入所述学习数据训练所述第二分类模型，加入所述校验数据对训练所得的所述第二分类模型进行评分；
评估模块，用于使用标准指标评估所述第一分类模型和所述第二分类模型；
识别模块，用于对所述初处理数据进行识别得到识别结果；
所述云端模块，还用于接收匹配度最高的所述识别结果。
7.根据权利要求6所述的基于云端的车位信息智能识别***，其特征在于，
所述手机客户端还包括权限模块；
所述权限模块，用于判断所述手机客户端是否获得权限，所述权限至少包括蓝牙、文件和手机定位；其中，
在未获得所述权限时，所述权限模块提醒使用者进行授权；
在获得所述权限时，所述手机客户端接收所述初处理数据，并将所述初处理数据上传至云端服务器。
8.根据权利要求6所述的基于云端的车位信息智能识别***，其特征在于，
所述云端数据库在初始状态时，所述原始数据包括理想数据和实验数据，其中，所述理想数据为按照实验条件形成的数据，所述实验数据为按照实验条件，并加入实际因素形成的数据，所述实际因素至少包括光线和角度。
9.根据权利要求6所述的基于云端的车位信息智能识别***，其特征在于，
所述中央处理器，用于按照第一时间间隔对行车视频进行图片截取，得到截取图片，其中所述第一时间间隔根据所述中央处理器的处理速度设定；
所述中央处理器，还用于将所述截取图片中带车位号的图片挑选出来形成所述初处理数据。
10.根据权利要求6所述的基于云端的车位信息智能识别***，其特征在于，所述行车记录装置还包括GPS模块；
所述GPS模块，用于对行车位置进行记录；
所述蓝牙端口，还用于将所述行车位置发送至手机客户端；
所述文件模块，还用于接收所述行车位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910565499.3A CN110211421B (zh) | 2019-06-27 | 2019-06-27 | 基于云端的车位信息智能识别方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910565499.3A CN110211421B (zh) | 2019-06-27 | 2019-06-27 | 基于云端的车位信息智能识别方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110211421A true CN110211421A (zh) | 2019-09-06 |
| CN110211421B CN110211421B (zh) | 2021-06-04 |
Family
ID=67794958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910565499.3A Active CN110211421B (zh) | 2019-06-27 | 2019-06-27 | 基于云端的车位信息智能识别方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110211421B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101727755A (zh) * | 2009-11-20 | 2010-06-09 | 杨沁沁 | 车库寻车查询*** |
| CN103473950A (zh) * | 2012-06-06 | 2013-12-25 | 刘鉵 | 一种停车场车位监控方法 |
| CN104112370A (zh) * | 2014-07-30 | 2014-10-22 | 哈尔滨工业大学深圳研究生院 | 基于监控图像的停车场智能车位识别方法及*** |
| CN104616525A (zh) * | 2015-01-04 | 2015-05-13 | 深圳市安智车米汽车信息化有限公司 | 获取车辆停放位置信息的方法和装置 |
| CN106251288A (zh) * | 2016-07-21 | 2016-12-21 | 北京理工大学 | 基于多分辨力分析的双线阵成像器件亚像元图像合成方法 |
| JP2017004241A (ja) * | 2015-06-10 | 2017-01-05 | 株式会社駐車場綜合研究所 | 駐車位置報知装置、携帯端末、駐車位置報知システム、プログラム |
| US20170116858A1 (en) * | 2015-10-27 | 2017-04-27 | FUJllTSU LIMITED | Parking space detection apparatus and method, electronic apparatus |
| WO2018025066A1 (en) * | 2016-08-04 | 2018-02-08 | Fawaz Sultan | Parked car locator using qr codes |
| CN109035859A (zh) * | 2018-09-07 | 2018-12-18 | 北京车联天下信息技术有限公司 | 一种停车位置定位方法及装置 |
| CN109872360A (zh) * | 2019-01-31 | 2019-06-11 | 斑马网络技术有限公司 | 定位方法及装置、存储介质、电子终端 |
-
2019
- 2019-06-27 CN CN201910565499.3A patent/CN110211421B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101727755A (zh) * | 2009-11-20 | 2010-06-09 | 杨沁沁 | 车库寻车查询*** |
| CN103473950A (zh) * | 2012-06-06 | 2013-12-25 | 刘鉵 | 一种停车场车位监控方法 |
| CN104112370A (zh) * | 2014-07-30 | 2014-10-22 | 哈尔滨工业大学深圳研究生院 | 基于监控图像的停车场智能车位识别方法及*** |
| CN104616525A (zh) * | 2015-01-04 | 2015-05-13 | 深圳市安智车米汽车信息化有限公司 | 获取车辆停放位置信息的方法和装置 |
| JP2017004241A (ja) * | 2015-06-10 | 2017-01-05 | 株式会社駐車場綜合研究所 | 駐車位置報知装置、携帯端末、駐車位置報知システム、プログラム |
| US20170116858A1 (en) * | 2015-10-27 | 2017-04-27 | FUJllTSU LIMITED | Parking space detection apparatus and method, electronic apparatus |
| CN106251288A (zh) * | 2016-07-21 | 2016-12-21 | 北京理工大学 | 基于多分辨力分析的双线阵成像器件亚像元图像合成方法 |
| WO2018025066A1 (en) * | 2016-08-04 | 2018-02-08 | Fawaz Sultan | Parked car locator using qr codes |
| CN109035859A (zh) * | 2018-09-07 | 2018-12-18 | 北京车联天下信息技术有限公司 | 一种停车位置定位方法及装置 |
| CN109872360A (zh) * | 2019-01-31 | 2019-06-11 | 斑马网络技术有限公司 | 定位方法及装置、存储介质、电子终端 |
Non-Patent Citations (1)
| Title |
|---|
| 马爱琴等: "大数据背景下网络借贷信用风险评估", 《宜宾学院学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110211421B (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2020201991B2 (en) | Systems and methods for recommending an estimated time of arrival | |
| Fu et al. | Vehicular blockchain-based collective learning for connected and autonomous vehicles | |
| CN109204007B (zh) | 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 | |
| CN107179769B (zh) | 一种基于实时调度仿真和排队论的agv数量配置方法 | |
| US10809735B2 (en) | System and method for a framework of robust and safe reinforcement learning application in real world autonomous vehicle application | |
| US10960893B2 (en) | System and method for driver profiling corresponding to automobile trip | |
| EP3416126A1 (en) | System and method for hybrid cloud-edge computing method for automated decision making and probabilistic occurrence | |
| CN110329266A (zh) | 可续航里程确定方法、装置、终端及存储介质 | |
| CA2985643A1 (en) | Parallel processing for solution space partitions | |
| CN110103953A (zh) | 用于辅助车辆的驾驶控制的方法、设备、介质和*** | |
| Alam et al. | TAAWUN: A decision fusion and feature specific road detection approach for connected autonomous vehicles | |
| CN110371132A (zh) | 驾驶员接管评估方法及装置 | |
| CN204990432U (zh) | 基于rfid的设备巡检管理*** | |
| CN109522312A (zh) | 一种数据处理方法、装置、服务器和存储介质 | |
| CN110348278A (zh) | 用于自主驾驶的基于视觉的样本高效的强化学习框架 | |
| CN109885582A (zh) | 管理无人驾驶数据的方法、装置及*** | |
| CN110379165A (zh) | 一种道路类型预测方法、装置、设备及存储介质 | |
| CN110060658A (zh) | 一种车辆启动引导装置 | |
| WO2008126202A1 (ja) | ストレージシステムの負荷分散プログラム、ストレージシステムの負荷分散方法、及びストレージ管理装置 | |
| CN111259119B (zh) | 一种问题推荐方法及装置 | |
| Thies et al. | Project portfolio planning under CO2 fleet emission restrictions in the automotive industry | |
| CN110211421A (zh) | 基于云端的车位信息智能识别方法和*** | |
| Aravind | Integrating Controller Area Network (CAN) with Cloud-Based Data Storage Solutions for Improved Vehicle Diagnostics using AI | |
| JP2022040045A (ja) | 輸送機への電力割り当て | |
| CN112699942A (zh) | 一种运营车辆识别方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |