CN110245544A - 一种确定停车状态的方法及装置 - Google Patents
一种确定停车状态的方法及装置 Download PDFInfo
- Publication number
- CN110245544A CN110245544A CN201811125166.0A CN201811125166A CN110245544A CN 110245544 A CN110245544 A CN 110245544A CN 201811125166 A CN201811125166 A CN 201811125166A CN 110245544 A CN110245544 A CN 110245544A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- preset
- determining
- ship condition
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 98
- 238000004040 coloring Methods 0.000 claims description 11
- 230000001960 triggered effect Effects 0.000 claims description 10
- 239000012141 concentrate Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 101000585054 Homo sapiens Proteasomal ATPase-associated factor 1 Proteins 0.000 description 2
- 102100029959 Proteasomal ATPase-associated factor 1 Human genes 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种确定停车状态的方法及装置,所述方法包括:将获取到的第一图像输入预先训练完成的检测模型中;基于所述检测模型,确定所述第一图像中存在车辆的置信度;判断所述置信度是否大于预设的第一阈值,如果是,确定停车状态为有车。由于在本发明实施例中,将第一图像输入到预先训练完成的检测模型中,基于检测模型确定第一图像中存在车辆的置信度,当置信度大于预设的第一阈值时,确定停车状态为有车,否则,确定停车状态为无车。本发明实施例提供的确定停车状态的方法能够避免由于环境恶劣导致车牌检测不准确,导致确定停车状态不准确的问题,对于无牌车也能够准确检测停车状态,使得确定停车状态更准确。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种确定停车状态的方法及装置。
背景技术
随着市场经济的不断完善和人们生活节奏的加快,汽车的需求呈快速增长的趋势,汽车的数量迅速增加。随着汽车数量的迅速增加,出现了停车难、停车场管理困难的问题。为了解决这些问题,有效的方案是准确确定每个停车位的停车状态,进而根据每个停车位的停车状态进行停车场的管理。
现有技术中确定停车位的停车状态时,一般是依赖于车牌检测结果,当检测到图像中有车牌时,确定停车状态为有车,当检测到图像中没有车牌时,确定停车状态为无车。但是在环境恶劣的场景下,例如曝光场景或光线较暗的场景中,会出现车牌漏报或误报,也就是车牌检测不准确,而且,现有技术中对于无牌车辆,由于检测不到车牌,因此也会出现车辆漏检,进而会导致确定停车状态不准确。
发明内容
本发明实施例提供了一种确定停车状态的方法及装置,用以解决现有技术中确定停车状态不准确的问题。
本发明实施例提供了一种确定停车状态的方法,所述方法包括:
将获取到的第一图像输入预先训练完成的检测模型中;
基于所述检测模型,确定所述第一图像中存在车辆的置信度;
判断所述置信度是否大于预设的第一阈值,如果是,确定停车状态为有车。
进一步地,如果所述置信度不大于预设的第一阈值,所述方法还包括:
判断所述置信度是否小于预设的第二阈值,如果否,判断所述第一图像中是否存在车牌,如果否,确定停车状态为无车;
其中,所述预设的第二阈值小于预设的第一阈值。
进一步地,如果所述置信度不大于预设的第一阈值,所述方法还包括:
判断所述置信度是否小于预设的第二阈值,如果是,确定停车状态为无车;
其中,所述预设的第二阈值小于预设的第一阈值。
进一步地,如果所述第一图像中存在车牌,所述方法还包括:
识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果是,确定停车状态为有车。
进一步地,如果所述第一图像中存在车牌,所述方法还包括:
识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果否,确定停车状态为无车。
进一步地,所述将获取到的待确定停车状态的第一图像输入预先训练完成的检测模型中之后,所述方法还包括:
基于所述检测模型,确定所述第一图像中车辆检测框的位置信息;
所述确定停车状态为有车之后,所述方法还包括:
根据所述第一图像中预设的每个车位的位置信息,以及所述车辆检测框的位置信息,确定所述车辆所在的车位。
进一步地,所述确定停车状态为有车之后,所述方法还包括:
识别车辆的车牌的字符信息和/或颜色信息,根据所述车牌的字符信息和/或颜色信息,确定所述车辆的种类。
进一步地,预先训练检测模型的过程包括:
获取训练图像集中的每个第二图像,针对所述每个第二图像,将该第二图像和该第二图像对应的标定图像输入到检测模型中,对所述检测模型进行训练;
其中,所述标定图像中包括车位中存在车辆的车辆检测框的位置信息。
另一方面,本发明实施例提供了一种确定停车状态的装置,所述装置包括:
输入模块,用于将获取到的第一图像输入预先训练完成的检测模型中;
第一确定模块,用于基于所述检测模型,确定所述第一图像中存在车辆的置信度;
第一判断模块,用于判断所述置信度是否大于预设的第一阈值,如果是,确定停车状态为有车。
进一步地,所述装置还包括:第二判断模块;
如果所述第一判断模块的判断结果为所述置信度不大于预设的第一阈值,并且不小于预设的第二阈值,触发所述第二判断模块;
所述第二判断模块,用于判断所述第一图像中是否存在车牌,如果否,确定停车状态为无车;其中,所述预设的第二阈值小于预设的第一阈值。
进一步地,所述第一判断模块,还用于如果判断所述置信度小于预设的第二阈值,确定停车状态为无车;其中,所述预设的第二阈值小于预设的第一阈值。
进一步地,所述装置还包括:第三判断模块;
如果所述第二判断模块的判断结果为所述第一图像中存在车牌,触发所述第三判断模块;
所述第三判断模块,用于识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果是,确定停车状态为有车。
进一步地,所述装置还包括:第三判断模块;
如果所述第二判断模块的判断结果为所述第一图像中存在车牌,触发所述第三判断模块;
所述第三判断模块,用于识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果否,确定停车状态为无车。
进一步地,所述第一确定模块,还用于基于所述检测模型,确定所述第一图像中车辆检测框的位置信息;
所述装置还包括:第二确定模块;
如果所述第一判断模块确定停车状态为有车,触发所述第二确定模块;
所述第二确定模块,用于根据所述第一图像中预设的每个车位的位置信息,以及所述车辆检测框的位置信息,确定所述车辆所在的车位。
进一步地,所述装置还包括:第三确定模块;
如果所述第一判断模块确定停车状态为有车,触发所述第三确定模块;
所述第三确定模块,用于识别车辆的车牌的字符信息和/或颜色信息,根据所述车牌的字符信息和/或颜色信息,确定所述车辆的种类。
本发明实施例提供了一种确定停车状态的方法及装置,所述方法包括:将获取到的第一图像输入预先训练完成的检测模型中;基于所述检测模型,确定所述第一图像中存在车辆的置信度;判断所述置信度是否大于预设的第一阈值,如果是,确定停车状态为有车,如果否,确定停车状态为无车。由于在本发明实施例中,将第一图像输入到预先训练完成的检测模型中,基于检测模型确定第一图像中存在车辆的置信度,当置信度大于预设的第一阈值时,确定停车状态为有车。本发明实施例提供的确定停车状态的方法能够避免由于环境恶劣导致车牌检测不准确,进而导致确定停车状态不准确的问题,而且由于是通过检测模型输出存在车辆的置信度,并不对车牌进行识别,因此对于无牌车也能够准确检测停车状态,使得确定停车状态更准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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1提供的确定停车状态的过程示意图;
图2为本发明实施例4提供的确定停车状态的过程示意图;
图3为本发明实施例提供的确定停车状态的装置结构示意图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者一个操作与另一个实体或者另一个操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。
实施例1:
图1为本发明实施例提供的确定停车状态的过程示意图,该过程包括以下步骤:
S101:将获取到的第一图像输入预先训练完成的检测模型中。
本发明实施例提供的确定停车状态的方法应用于电子设备,该电子设备可以是PC、平板电脑等设备,也可以是图像采集设备。
如果电子设备是PC、平板电脑等设备,图像采集设备采集到待确定停车状态的第一图像后,可以将第一图像发送至电子设备,电子设备中保存有预先训练的检测模型,电子设备将接收到的第一图像输入到检测模型中。
如果电子设备是图像采集设备,则可以在图像采集设备中保存预先训练的检测模型,图像采集设备采集到待确定停车状态的第一图像后,直接将第一图像输入到检测模型中。
S102:基于所述检测模型,确定所述第一图像中存在车辆的置信度。
本发明实施例中的检测模型较佳的可以是YOLOV2神经网络模型,当然也可以是卷积神经网络模型CNN等等。电子设备将第一图像输入到检测模型中,检测模型可以输出第一图像中存在车辆的置信度。
以检测模型为YOLOV2神经网络模型为例进行说明。
检测模型可以是含有14层的神经网络模型,14层依次是卷积层Conv1,最大池化层Pool2,卷积层Conv3,最大池化层Pool4,卷积层Conv5,最大池化层Pool6,卷积层Conv7,最大池化层Pool8,卷积层Conv9,最大池化层Pool10,卷积层Conv11,卷积层Conv12,卷积层Conv13,Region层RPN14。
检测模型中的卷基层和最大池化层对第一图像进行卷积处理和最大池化处理,提取第一图像中的特征,最后由Region层RPN14根据提取的第一图像中的特征输出第一图像中存在车辆的置信度。
S103:判断所述置信度是否大于预设的第一阈值,如果是,确定停车状态为有车。
电子设备中保存有预设的第一阈值,预设的第一阈值可以是0.8、0.9等。电子设备确定第一图像中存在车辆的置信度后,判断置信度是否大于预设的第一阈值,如果是,确定停车状态为有车。
例如预设的第一阈值为0.8,如果电子设备确定第一图像中存在车辆的置信度为0.85,此时确定第一图像的停车状态为有车。
由于在本发明实施例中,将第一图像输入到预先训练完成的检测模型中,基于检测模型确定第一图像中存在车辆的置信度,当置信度大于预设的第一阈值时,确定停车状态为有车。本发明实施例提供的确定停车状态的方法能够避免由于环境恶劣导致车牌检测不准确,进而导致确定停车状态不准确的问题,而且由于是通过检测模型输出存在车辆的置信度,并不对车牌进行识别,因此对于无牌车也能够准确检测停车状态,使得确定停车状态更准确。
实施例2:
为了使确定停车状态更准确,在上述实施例的基础上,在本发明实施例中,如果所述置信度不大于预设的第一阈值,所述方法还包括:
判断所述置信度是否小于预设的第二阈值,如果否,判断所述第一图像中是否存在车牌,如果否,确定停车状态为无车;
其中,所述预设的第二阈值小于预设的第一阈值。
电子设备中保存有预设的第二阈值,其中,预设的第二阈值小于预设的第一阈值。例如预设的第二阈值为0.4,预设的第一阈值为0.8。电子设备在判断第一图像中存在车辆的置信度不大于预设的第一阈值后,判断置信度是否小于预设的第二阈值,电子设备在确定第一图像中存在车辆的置信度不大于预设的第一阈值,且所述置信度不小于预设的第二阈值时,则判断第一图像中是否存在车牌,具体的,电子设备可以采用模板匹配等方法识别第一图像中的车牌,如果识别到,则判断第一图像中存在车牌,否则判断第一图像中不存在车牌。其中,判断第一图像中是否存在车牌的过程属于现有技术,在此不再对该过程进行赘述。
电子设备在确定第一图像中存在车辆的置信度不大于预设的第一阈值,且所述置信度不小于预设的第二阈值时,如果判断第一图像中不存在车牌,确定停车状态为无车。
例如预设的第二阈值为0.4,预设的第一阈值为0.8,电子设备确定第一图像中存在车辆的置信度为0.6。则判断第一图像中是否存在车牌,如果不存在车牌,确定停车状态为无车。
由于在本发明实施例中,如果第一图像中存在车辆的置信度不大于预设的第一阈值,且置信度不小于预设的第二阈值,判断第一图像中是否存在车牌,如果否,确定停车状态为无车。因此进一步使得确定停车状态更准确。
实施例3:
为了进一步使确定停车状态更准确,在上述各实施例的基础上,在本发明实施例中,如果所述置信度不大于预设的第一阈值,所述方法还包括:
判断所述置信度是否小于预设的第二阈值,如果是,确定停车状态为无车;
其中,所述预设的第二阈值小于预设的第一阈值。
电子设备在确定第一图像中存在车辆的置信度不大于预设的第一阈值,且所述置信度不小于预设的第二阈值时,则判断第一图像中是否存在车牌。电子设备在确定第一图像中存在车辆的置信度不大于预设的第一阈值,且所述置信度不小于预设的第二阈值时,如果判断第一图像中存在车牌,则确定停车状态为有车。
例如预设的第二阈值为0.4,预设的第一阈值为0.8,电子设备确定第一图像中存在车辆的置信度为0.6。则判断第一图像中是否存在车牌,如果存在车牌,则确定停车状态为有车。
由于在本发明实施例中,如果第一图像中存在车辆的置信度不大于预设的第一阈值,且置信度不小于预设的第二阈值,判断第一图像中是否存在车牌,如果是,确定停车状态为有车,如果否,确定停车状态为无车。因此进一步使得确定停车状态更准确。
实施例4:
为了避免由于车牌识别不准确造成的确定停车状态不准确的问题,在上述各实施例的基础上,在本发明实施例中,如果所述第一图像中存在车牌,所述方法还包括:
识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果是,确定停车状态为有车。
如果所述第一图像中存在车牌,所述方法还包括:
识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果否,确定停车状态为无车。
由于图像采集设备一般设置于停车位场中某个固定的位置,例如设置于某个停车位左上角的位置,或者停车位右上角的位置等等。如果图像采集设备采集的第一图像中有车时,车辆一般停在车位内,因此车辆的车牌也是在预设的区域内的。
电子设备中可以保存预设的区域,电子设备判断第一图像中存在车牌后,识别车牌在第一图像中的坐标信息,然后根据车牌的坐标信息,判断车牌是否在预设的区域内,如果在预设的区域内,则确定停车状态为有车。
而如果车牌不在预设的区域内,则说明将图像中的噪声误识别为车牌,此时确定停车状态为无车。
由于在本发明实施例中,确定第一图像中存在车牌后,判断车牌是否在预设的区域内,如果是,确定停车状态为有车,如果否,确定停车状态为无车,因此能够避免由于车牌识别不准确造成的确定停车状态不准确的问题。
图2为本发明实施例提供的确定停车状态过程示意图,该过程包括以下步骤:
S201:将获取到的第一图像输入预先训练完成的检测模型中。
S202:基于所述检测模型,确定所述第一图像中存在车辆的置信度。
S203:判断所述置信度是否大于预设的第一阈值,如果是,进行步骤S207,如果否,进行步骤S204。
S204:判断所述置信度是否小于预设的第二阈值,如果是,进行步骤S208,如果否,进行步骤S205。
S205:判断所述第一图像中是否存在车牌,如果是,进行步骤S206,如果否,进行步骤S208。
S206:识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果是,进行步骤S207,如果是,进行步骤S208。
S207:确定停车状态为有车。
S208:确定停车状态为无车。
实施例5:
在上述各实施例的基础上,在本发明实施例中,所述将获取到的待确定停车状态的第一图像输入预先训练完成的检测模型中之后,所述方法还包括:
基于所述检测模型,确定所述第一图像中车辆检测框的位置信息;
所述确定停车状态为有车之后,所述方法还包括:
根据所述第一图像中预设的每个车位的位置信息,以及所述车辆检测框的位置信息,确定所述车辆所在的车位。
电子设备在将第一图像输入到预先训练完成的检测模型后,检测模型可以输出第一图像存在车辆的置信度,以及车辆检测框的位置信息。在第一图像中一般包含多个车位,例如包含三个车位。电子设备预先保存有每个车位在第一图像中的位置信息。比如,用户可以预先通过web界面,把每个图像采集设备采集的图像中的多个车位的车位线都标记出来。这样,电子设备根据用户标记的多个车位的车位线,可以确定每个车位的位置信息并保存。针对获取第一图像的图像采集设备,也就保存有每个车位在第一图像中的位置信息。
电子设备在确定停车状态为有车之后,根据第一图像中车辆检测框的位置信息和预设的每个车位在第一图像中的位置信息,可以确定出车辆所在的车位。具体的,根据第一图像中车辆检测框的位置信息,可以确定车辆检测框的中心点的位置信息,车辆检测框的中心点的位置信息所属的车位即为车辆所在的车位。
在确定车辆所在的车位后,停车场管理人员根据每个车位的停车状态指导后续车辆停在哪个车位,提高了用户体验。
实施例6:
为了进一步提高用户体验,在上述各实施例的基础上,在本发明实施例中,所述确定停车状态为有车之后,所述方法还包括:
识别车辆的车牌的字符信息和/或颜色信息,根据所述车牌的字符信息和/或颜色信息,确定所述车辆的种类。
电子设备在确定停车状态为有车之后,可以识别车辆的车牌的字符信息和/或颜色信息,其中,识别车辆的车牌的字符信息和/或颜色信息的过程属于现有技术,在此不再对该过程进行赘述。
根据车牌的字符信息和/或颜色信息,确定所述车辆的种类。例如,车牌的字符信息中包括“挂”,则确定车辆的种类为挂车;车牌的颜色为绿色,则确定车辆的种类为新能源车等等。
电子设备中预先保存每个车位的种类,在确定车辆的种类后,判断车辆的种类与车辆所停车位的种类是否一致,当判断结果为不一致时,产生报警,以提示停车场管理员进行管理,进一步提高了用户体验。
在本发明实施例中,预先训练检测模型的过程包括:
获取训练图像集中的每个第二图像,针对所述每个第二图像,将该第二图像和该第二图像对应的标定图像输入到检测模型中,对所述检测模型进行训练;
其中,所述标定图像中包括车位中存在车辆的车辆检测框的位置信息。
电子设备中预先保存有训练图像集,训练图像集中包括用于进行检测模型训练的大量第二图像,以及每个第二图像对应的标定图像,其中,标定图像中包括车位中存在车辆的车辆检测框的位置信息。例如标定图像中包括三个车位,分别为车位A、车位B和车位C,如果只有车位A中存在车辆,则标定图像中包括车位A中存在车辆的车辆检测框的位置信息,车位B和车位C中没有车辆检测框。
电子设备针对训练图像集中的每个第二图像,将该第二图像和该第二图像对应的标定图像输入到检测模型中,从而对检测模型进行训练。
图3为本发明实施例提供的确定停车状态的装置结构示意图,该装置包括:
输入模块31,用于将获取到的第一图像输入预先训练完成的检测模型中;
第一确定模块32,用于基于所述检测模型,确定所述第一图像中存在车辆的置信度;
第一判断模块33,用于判断所述置信度是否大于预设的第一阈值,如果是,确定停车状态为有车。
所述装置还包括:第二判断模块34;
如果所述第一判断模块33的判断结果为所述置信度不大于预设的第一阈值,并且不小于预设的第二阈值,触发所述第二判断模块34;
所述第二判断模块34,用于判断所述第一图像中是否存在车牌,如果否,确定停车状态为无车;其中,所述预设的第二阈值小于预设的第一阈值。
所述第一判断模块33,还用于如果判断所述置信度小于预设的第二阈值,确定停车状态为无车;其中,所述预设的第二阈值小于预设的第一阈值。
所述装置还包括:第三判断模块35;
如果所述第二判断模块34的判断结果为所述第一图像中存在车牌,触发所述第三判断模块35;
所述第三判断模块35,用于识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果是,确定停车状态为有车。
所述装置还包括:第三判断模块35;
如果所述第二判断模块34的判断结果为所述第一图像中存在车牌,触发所述第三判断模块35;
所述第三判断模块35,用于识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果否,确定停车状态为无车。
所述第一确定模块32,还用于基于所述检测模型,确定所述第一图像中车辆检测框的位置信息;
所述装置还包括:第二确定模块36;
如果所述第一判断模块33确定停车状态为有车,触发所述第二确定模块36;
所述第二确定模块36,用于根据所述第一图像中预设的每个车位的位置信息,以及所述车辆检测框的位置信息,确定所述车辆所在的车位。
所述装置还包括:第三确定模块37;
如果所述第一判断模块33确定停车状态为有车,触发所述第三确定模块37;
所述第三确定模块37,用于识别车辆的车牌的字符信息和/或颜色信息,根据所述车牌的字符信息和/或颜色信息,确定所述车辆的种类。
另外用于检测模型训练的电子设备可以使用满足大数据深度学习的计算能力较强的电子设备,例如图形处理器(Graphics Processing Unit,GPU)等设备。GPU用于获取训练图像集中的每个第二图像,针对所述每个第二图像,将该第二图像和该第二图像对应的标定图像输入到检测模型中,对所述检测模型进行训练;其中,所述标定图像中包括车位中存在车辆的车辆检测框的位置信息。GPU对检测模型训练完成后,将训练完成的检测模型加载至本发明实施例中用于确定停车状态的电子设备中。
本发明实施例提供了一种确定停车状态的方法及装置,所述方法包括:将获取到的第一图像输入预先训练完成的检测模型中;基于所述检测模型,确定所述第一图像中存在车辆的置信度;判断所述置信度是否大于预设的第一阈值,如果是,确定停车状态为有车。由于在本发明实施例中,将第一图像输入到预先训练完成的检测模型中,基于检测模型确定第一图像中存在车辆的置信度,当置信度大于预设的第一阈值时,确定停车状态为有车,否则,确定停车状态为无车。本发明实施例提供的确定停车状态的方法能够避免由于环境恶劣导致车牌检测不准确,进而导致确定停车状态不准确的问题,而且由于是通过检测模型输出存在车辆的置信度,并不对车牌进行识别,因此对于无牌车也能够准确检测停车状态,使得确定停车状态更准确。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种确定停车状态的方法,其特征在于,所述方法包括:
将获取到的第一图像输入预先训练完成的检测模型中;
基于所述检测模型,确定所述第一图像中存在车辆的置信度;
判断所述置信度是否大于预设的第一阈值,如果是,确定停车状态为有车。
2.如权利要求1所述的方法,其特征在于,如果所述置信度不大于预设的第一阈值,所述方法还包括:
判断所述置信度是否小于预设的第二阈值,如果否,判断所述第一图像中是否存在车牌,如果否,确定停车状态为无车;
其中,所述预设的第二阈值小于预设的第一阈值。
3.如权利要求1所述的方法,其特征在于,如果所述置信度不大于预设的第一阈值,所述方法还包括:
判断所述置信度是否小于预设的第二阈值,如果是,确定停车状态为无车;
其中,所述预设的第二阈值小于预设的第一阈值。
4.如权利要求2所述的方法,其特征在于,如果所述第一图像中存在车牌,所述方法还包括:
识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果是,确定停车状态为有车。
5.如权利要求2所述的方法,其特征在于,如果所述第一图像中存在车牌,所述方法还包括:
识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果否,确定停车状态为无车。
6.如权利要求1所述的方法,其特征在于,所述将获取到的待确定停车状态的第一图像输入预先训练完成的检测模型中之后,所述方法还包括:
基于所述检测模型,确定所述第一图像中车辆检测框的位置信息;
所述确定停车状态为有车之后,所述方法还包括:
根据所述第一图像中预设的每个车位的位置信息,以及所述车辆检测框的位置信息,确定所述车辆所在的车位。
7.如权利要求1所述的方法,其特征在于,所述确定停车状态为有车之后,所述方法还包括:
识别车辆的车牌的字符信息和/或颜色信息,根据所述车牌的字符信息和/或颜色信息,确定所述车辆的种类。
8.如权利要求6所述的方法,其特征在于,预先训练检测模型的过程包括:
获取训练图像集中的每个第二图像,针对所述每个第二图像,将该第二图像和该第二图像对应的标定图像输入到检测模型中,对所述检测模型进行训练;
其中,所述标定图像中包括车位中存在车辆的车辆检测框的位置信息。
9.一种确定停车状态的装置,其特征在于,所述装置包括:
输入模块,用于将获取到的第一图像输入预先训练完成的检测模型中;
第一确定模块,用于基于所述检测模型,确定所述第一图像中存在车辆的置信度;
第一判断模块,用于判断所述置信度是否大于预设的第一阈值,如果是,确定停车状态为有车。
10.如权利要求9所述的装置,其特征在于,所述装置还包括:第二判断模块;
如果所述第一判断模块的判断结果为所述置信度不大于预设的第一阈值,并且不小于预设的第二阈值,触发所述第二判断模块;
所述第二判断模块,用于判断所述第一图像中是否存在车牌,如果否,确定停车状态为无车;其中,所述预设的第二阈值小于预设的第一阈值。
11.如权利要求9所述的装置,其特征在于,所述第一判断模块,还用于如果判断所述置信度小于预设的第二阈值,确定停车状态为无车;其中,所述预设的第二阈值小于预设的第一阈值。
12.如权利要求10所述的装置,其特征在于,所述装置还包括:第三判断模块;
如果所述第二判断模块的判断结果为所述第一图像中存在车牌,触发所述第三判断模块;
所述第三判断模块,用于识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果是,确定停车状态为有车。
13.如权利要求10所述的装置,其特征在于,所述装置还包括:第三判断模块;
如果所述第二判断模块的判断结果为所述第一图像中存在车牌,触发所述第三判断模块;
所述第三判断模块,用于识别所述车牌在所述第一图像中的坐标信息,根据所述坐标信息,判断所述车牌是否在预设的区域内,如果否,确定停车状态为无车。
14.如权利要求9所述的装置,其特征在于,所述第一确定模块,还用于基于所述检测模型,确定所述第一图像中车辆检测框的位置信息;
所述装置还包括:第二确定模块;
如果所述第一判断模块确定停车状态为有车,触发所述第二确定模块;
所述第二确定模块,用于根据所述第一图像中预设的每个车位的位置信息,以及所述车辆检测框的位置信息,确定所述车辆所在的车位。
15.如权利要求9所述的装置,其特征在于,所述装置还包括:第三确定模块;
如果所述第一判断模块确定停车状态为有车,触发所述第三确定模块;
所述第三确定模块,用于识别车辆的车牌的字符信息和/或颜色信息,根据所述车牌的字符信息和/或颜色信息,确定所述车辆的种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811125166.0A CN110245544A (zh) | 2018-09-26 | 2018-09-26 | 一种确定停车状态的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811125166.0A CN110245544A (zh) | 2018-09-26 | 2018-09-26 | 一种确定停车状态的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245544A true CN110245544A (zh) | 2019-09-17 |
Family
ID=67882843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811125166.0A Pending CN110245544A (zh) | 2018-09-26 | 2018-09-26 | 一种确定停车状态的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245544A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507269A (zh) * | 2020-04-17 | 2020-08-07 | 浙江大华技术股份有限公司 | 车位状态的识别方法及装置、存储介质和电子装置 |
CN111553993A (zh) * | 2020-04-23 | 2020-08-18 | 深圳智优停科技有限公司 | 一种基于图像识别的开放式停车计费方法与装置 |
CN111626225A (zh) * | 2020-05-28 | 2020-09-04 | 济南博观智能科技有限公司 | 一种工位车辆的车牌识别方法、装置、设备及存储介质 |
CN113206998A (zh) * | 2021-04-30 | 2021-08-03 | 中国工商银行股份有限公司 | 一种业务录制的视频数据质检方法及装置 |
CN113361413A (zh) * | 2021-06-08 | 2021-09-07 | 南京三百云信息科技有限公司 | 一种里程显示区域检测方法、装置、设备及存储介质 |
CN114038228A (zh) * | 2021-10-20 | 2022-02-11 | 深圳市捷顺科技实业股份有限公司 | 一种停车位引导的方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001006093A (ja) * | 1999-06-17 | 2001-01-12 | Matsushita Electric Ind Co Ltd | 駐車状況管理装置及び車載誘導装置 |
US20130179383A1 (en) * | 2012-01-10 | 2013-07-11 | Kenneth E. Pringle | System and method for managing electrified parking space utilization |
CN205930312U (zh) * | 2016-07-13 | 2017-02-08 | 东软集团股份有限公司 | 一种电动车充电停车位 |
CN106448257A (zh) * | 2016-12-19 | 2017-02-22 | 深圳市捷顺科技实业股份有限公司 | 一种车位占用情况检测方法及装置 |
CN107195195A (zh) * | 2017-06-21 | 2017-09-22 | 深圳市盛路物联通讯技术有限公司 | 一种基于车场的停车诱导***及方法 |
CN107220579A (zh) * | 2016-03-21 | 2017-09-29 | 杭州海康威视数字技术股份有限公司 | 一种车牌检测方法及装置 |
CN107299605A (zh) * | 2017-07-25 | 2017-10-27 | 上海骑乐机电科技有限公司 | 一种具有辨识车辆类型功能的电动车位锁 |
US20170372529A1 (en) * | 2016-06-28 | 2017-12-28 | Conduent Business Services, Llc | Method and system for managing parking violations by vehicles in parking areas in real-time |
CN107845289A (zh) * | 2017-12-19 | 2018-03-27 | 智慧互通科技有限公司 | 一种基于高低位视频阵列的路侧停车管理及充电*** |
CN108172021A (zh) * | 2018-01-18 | 2018-06-15 | 智慧互通科技有限公司 | 一种基于摄像机和电子车牌读写器的路侧停车管理*** |
CN108492616A (zh) * | 2018-04-11 | 2018-09-04 | 浙江大华技术股份有限公司 | 一种停车位的停车状态确定方法及装置 |
CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
CN108510000A (zh) * | 2018-03-30 | 2018-09-07 | 北京工商大学 | 复杂场景下行人细粒度属性的检测与识别方法 |
-
2018
- 2018-09-26 CN CN201811125166.0A patent/CN110245544A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001006093A (ja) * | 1999-06-17 | 2001-01-12 | Matsushita Electric Ind Co Ltd | 駐車状況管理装置及び車載誘導装置 |
US20130179383A1 (en) * | 2012-01-10 | 2013-07-11 | Kenneth E. Pringle | System and method for managing electrified parking space utilization |
CN107220579A (zh) * | 2016-03-21 | 2017-09-29 | 杭州海康威视数字技术股份有限公司 | 一种车牌检测方法及装置 |
US20170372529A1 (en) * | 2016-06-28 | 2017-12-28 | Conduent Business Services, Llc | Method and system for managing parking violations by vehicles in parking areas in real-time |
CN205930312U (zh) * | 2016-07-13 | 2017-02-08 | 东软集团股份有限公司 | 一种电动车充电停车位 |
CN106448257A (zh) * | 2016-12-19 | 2017-02-22 | 深圳市捷顺科技实业股份有限公司 | 一种车位占用情况检测方法及装置 |
CN107195195A (zh) * | 2017-06-21 | 2017-09-22 | 深圳市盛路物联通讯技术有限公司 | 一种基于车场的停车诱导***及方法 |
CN107299605A (zh) * | 2017-07-25 | 2017-10-27 | 上海骑乐机电科技有限公司 | 一种具有辨识车辆类型功能的电动车位锁 |
CN107845289A (zh) * | 2017-12-19 | 2018-03-27 | 智慧互通科技有限公司 | 一种基于高低位视频阵列的路侧停车管理及充电*** |
CN108172021A (zh) * | 2018-01-18 | 2018-06-15 | 智慧互通科技有限公司 | 一种基于摄像机和电子车牌读写器的路侧停车管理*** |
CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
CN108510000A (zh) * | 2018-03-30 | 2018-09-07 | 北京工商大学 | 复杂场景下行人细粒度属性的检测与识别方法 |
CN108492616A (zh) * | 2018-04-11 | 2018-09-04 | 浙江大华技术股份有限公司 | 一种停车位的停车状态确定方法及装置 |
Non-Patent Citations (3)
Title |
---|
张春玉;黄知红;: "一种有效的基于卷积神经网络的车辆检索算法", 科技创新与应用, no. 13 * |
黄小杭;梁智豪;何子俊;黄晨华;李湘勤;: "基于YOLO v2的莲蓬快速识别研究", 现代农业科技, no. 13 * |
龚静;曹立;亓琳;李良荣;: "基于YOLOv2算法的运动车辆目标检测方法研究", 电子科技, no. 06 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507269A (zh) * | 2020-04-17 | 2020-08-07 | 浙江大华技术股份有限公司 | 车位状态的识别方法及装置、存储介质和电子装置 |
CN111507269B (zh) * | 2020-04-17 | 2023-05-09 | 浙江大华技术股份有限公司 | 车位状态的识别方法及装置、存储介质和电子装置 |
CN111553993A (zh) * | 2020-04-23 | 2020-08-18 | 深圳智优停科技有限公司 | 一种基于图像识别的开放式停车计费方法与装置 |
CN111626225A (zh) * | 2020-05-28 | 2020-09-04 | 济南博观智能科技有限公司 | 一种工位车辆的车牌识别方法、装置、设备及存储介质 |
CN111626225B (zh) * | 2020-05-28 | 2022-05-17 | 济南博观智能科技有限公司 | 一种工位车辆的车牌识别方法、装置、设备及存储介质 |
CN113206998A (zh) * | 2021-04-30 | 2021-08-03 | 中国工商银行股份有限公司 | 一种业务录制的视频数据质检方法及装置 |
CN113206998B (zh) * | 2021-04-30 | 2022-12-09 | 中国工商银行股份有限公司 | 一种业务录制的视频数据质检方法及装置 |
CN113361413A (zh) * | 2021-06-08 | 2021-09-07 | 南京三百云信息科技有限公司 | 一种里程显示区域检测方法、装置、设备及存储介质 |
CN113361413B (zh) * | 2021-06-08 | 2024-06-18 | 南京三百云信息科技有限公司 | 一种里程显示区域检测方法、装置、设备及存储介质 |
CN114038228A (zh) * | 2021-10-20 | 2022-02-11 | 深圳市捷顺科技实业股份有限公司 | 一种停车位引导的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245544A (zh) | 一种确定停车状态的方法及装置 | |
EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN102496001B (zh) | 一种视频监控目标自动检测的方法和*** | |
CN109284674A (zh) | 一种确定车道线的方法及装置 | |
CN113822247B (zh) | 基于航拍影像的违章建筑识别方法及*** | |
CN112395978A (zh) | 行为检测方法、装置及计算机可读存储介质 | |
CN107992819B (zh) | 一种车辆属性结构化特征的确定方法与装置 | |
CN105740910A (zh) | 一种车辆物件检测方法及装置 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
CN107730905A (zh) | 基于深度卷积神经网络的多任务***辆视觉检测***及方法 | |
CN108090423A (zh) | 一种基于热力图和关键点回归的深度车牌检测方法 | |
CN108182383B (zh) | 一种车窗检测的方法及设备 | |
CN107491753A (zh) | 一种基于背景建模的违章停车检测方法 | |
CN105654067A (zh) | 一种车辆检测方法及装置 | |
CN110232379A (zh) | 一种车辆姿态检测方法及*** | |
CN108681693A (zh) | 基于可信区域的车牌识别方法 | |
CN110723432A (zh) | 垃圾分类的方法及增强现实设备 | |
CN103439348A (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN105225523A (zh) | 一种车位状态检测方法及装置 | |
CN111191611A (zh) | 基于深度学习的交通标志标号识别方法 | |
CN109919002A (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN109800654A (zh) | 车载摄像头检测处理方法、装置及车辆 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 |
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 |