CN111260954B - 一种基于图像处理的停车能力估算与泊位推荐方法 - Google Patents

一种基于图像处理的停车能力估算与泊位推荐方法 Download PDF

Info

Publication number
CN111260954B
CN111260954B CN202010360115.7A CN202010360115A CN111260954B CN 111260954 B CN111260954 B CN 111260954B CN 202010360115 A CN202010360115 A CN 202010360115A CN 111260954 B CN111260954 B CN 111260954B
Authority
CN
China
Prior art keywords
parking
vehicle
parking space
frame
time
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
CN202010360115.7A
Other languages
English (en)
Other versions
CN111260954A (zh
Inventor
章东平
吴健勇
郭梦婷
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN202010360115.7A priority Critical patent/CN111260954B/zh
Publication of CN111260954A publication Critical patent/CN111260954A/zh
Application granted granted Critical
Publication of CN111260954B publication Critical patent/CN111260954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及的一种基于图像处理的停车能力估算与泊位推荐方法，包括步骤：S1.识别进入停车场的车辆信息，并将所述车辆信息存储于数据库中；S2.根据识别到的车辆信息判断当前车辆是否为初次停车，若是，则执行步骤S3；若否，则直接提供合适的车位；S3.将识别到的车辆信息与剩余车位数据进行比较，得到当前车辆合适的车位，并将所述得到的车位提供给车辆；S4.判断车辆是否到达提供的车位，若是，则执行步骤S5；S5.设置于车位处的摄像装置实时记录车辆的停车画面，并将记录的停车画面形成的视频存储于数据库中，以估算车辆的停车能力；S6.当设置于车位处的摄像装置获取到车辆完全进入提供的车位后，完成对车辆的车位推荐。

Description

一种基于图像处理的停车能力估算与泊位推荐方法
技术领域
本发明涉及深度学习、计算机视觉、图像处理等技术领域，尤其涉及一种基于图像处理的停车能力估算与泊位推荐方法。
背景技术
随着社会经济的不断发展和人们生活水平的不断改善，汽车被越来越多的家庭所拥有。随之带来的问题是停车场的需求量不断增加，但现有的绝大部分停车场仅仅是对剩余车位数随机的分配给待停车辆，缺少对车辆的停车能力划分，进而无法给停车人推荐合适的停车位，往往会造成停车场停车资源不能够很好的被利用以及停车人的停车体验差等弊端。
如公开号为CN106504579A的专利公开了一种室内停车场的停车管理方法，包括如下步骤：(1)将停车场内各停车位的位置信息和数字编号信息采集，制作成电子地图，储存在控制器中；(2)利用红外检测器适时采集停车场内各停车位是否停有车辆的信息，将该信息输入控制器；(3)控制器将停车场内各停车位是否停有车辆的信息通过显示***进行显示；(4)触摸显示屏上的空余车位的触摸单元，控制器收到触摸信息后，并指令设置在该空余车位上的空余车位警示***发出警示信息；(5)车辆停到空余车位上后，空余车位警示***自动关闭；本方法能方便司乘人员准确快速的找到空余的车位。上述方法虽然可以使停车人员快速找到空余的车位，但是其依然存在缺少对车辆的停车能力划分，无法给停车人推荐合适的停车位，进而造成停车场停车资源不能够很好的被利用以及停车人的停车体验差等问题。
但随着深度学习、机器视觉、图像处理等技术的不断向前进步，利用这些关键技术可以很好的对停车人的停车行为识别进而估算出停车能力，并推荐合适的泊位，能够最终解决上述问题。
故，针对以上技术问题，对其进行改进。
发明内容
本发明的目的是针对现有技术的不足，提供了一种基于图像处理的停车能力估算与泊位推荐方法，能够利用深度学习、机器视觉、图像处理等技术对车辆的停车能力进行估算，并推荐一个合适的泊位，改善用户体验，合理利用停车资源。
为了实现以上目的，本发明采用以下技术方案：
一种基于图像处理的停车能力估算与泊位推荐方法，包括步骤：
S1.识别进入停车场的车辆信息，并将所述车辆信息存储于数据库中；
S2.根据识别到的车辆信息判断当前车辆是否为初次停车，若是，则执行步骤S3；若否，则直接提供合适的车位；
S3.将识别到的车辆信息与剩余车位数据进行比较，得到当前车辆合适的车位，并将所述得到的车位提供给车辆；
S4.判断车辆是否到达提供的车位，若是，则执行步骤S5；
S5.设置于车位处的摄像装置实时记录车辆的停车画面，并将记录的停车画面形成的视频存储于数据库中，以估算车辆的停车能力；
S6.当设置于车位处的摄像装置获取到车辆完全进入提供的车位后，完成对车辆的车位推荐。
进一步的，所述步骤S2中直接提供合适的车位具体为：若当前车辆不是初次停车，则结合数据库中存储的车辆历史停车能力来提供合适的车位。
进一步的，所述步骤S3中车辆的信息包括车牌、车标、车型；所述剩余车位数据包括剩余车位的停车难度系数以及与停车难度系数相对应的车位数，所述停车难度系数包括停车难度大的车位、停车难度中的车位、停车难度小的车位。
进一步的，所述步骤S6之前还包括：
设置于车位处的摄像装置识别到车辆到达提供的车位后，开启计时模块并开始计时；
判断计时模块中记录的时间是否到达预设的时间，若是，则通过语音提示为车辆重新提供低于当前停车难度系数的车位。
进一步的，所述步骤S5中估算车辆的停车能力具体包括：
S51.预先训练车辆边框与车位边框检测的卷积神经网络模型；
S52.将所要检测的车辆的停车视频输入训练好的卷积神经网络模型中进行检测，得到检测后的车辆信息；
S53.根据得到的车辆信息，对车辆的停车能力进行估算，表示为：
Figure 552072DEST_PATH_IMAGE001
其中，Score i 表示停车能力；
Figure 811278DEST_PATH_IMAGE002
、
Figure 318482DEST_PATH_IMAGE003
、
Figure 452661DEST_PATH_IMAGE004
为加权系数；a表示剩余车位的停车难度系 数；w、L分别表示车辆的宽和长；T p 表示预设的停车时间；t 1 表示开始停车的时间；t 2 表示结 束停车的时间；i表示第i个视频。
进一步的，所述步骤S52中具体为：
S521.每间隔预设时间通过训练好的卷积神经网络模型检测停车视频中第j帧车辆边框信息和第j帧车位边框信息；
S522.计算检测到的第j帧车辆边框与车位边框的交并比IOU j ，表示为：
Figure 361711DEST_PATH_IMAGE005
其中，
Figure 57397DEST_PATH_IMAGE006
表示预测车辆边框与预测车位边框的交集；
Figure 51897DEST_PATH_IMAGE007
表示预测车辆边框与预测车位边框的并集；area(C j )表示车辆 边框；area(P j )表示车位边框；C j 表示车辆；P j 表示车位；
S523.判断计算得到的IOU j 值是否大于零，若是，则将IOU j 值放入S i 中；其中，
Figure 193029DEST_PATH_IMAGE008
，表示第i个视频中n个IOU j 的值；
S524.将每次检测的时间点放入T i 中；其中，
Figure 550061DEST_PATH_IMAGE009
，T i 中的元 素与S i 中的元素一一对应；
S525.对S i 中的数据进行分析，得到分析结果。
进一步的，所述步骤S5中估算车辆的停车能力后还包括将车辆每次停车时产生的停车能力Score i 存入数据库中，并对数据库中车辆C i 的所有的停车能力Score i 求平均值作为下次停车时车位推荐的参考值，表示为：
Figure 354331DEST_PATH_IMAGE010
其中，
Figure 898445DEST_PATH_IMAGE011
表示车辆C i 历史所有的停车能力平均值。
进一步的，所述步骤S1中还包括记录车辆进入的时间。
进一步的，所述步骤S6之后还包括：
S7.当识别到车辆驶出停车场时，记录车辆驶出的时间，并结合车辆进入时间来确定车辆的停车时长，根据确定的停车时长对车辆进行停车收费。
进一步的，所述步骤S4之前还包括：
通过显示屏为车辆提供停车路线。
与现有技术相比，本发明能够利用深度学习、机器视觉、图像处理等技术对车辆的停车能力进行估算，并推荐一个合适的泊位，改善用户体验，合理利用停车资源。
附图说明
图1是实施例一提供的一种基于图像处理的停车能力估算与泊位推荐方法流程图；
图2是实施例一提供的一种基于图像处理的停车能力估算与泊位推荐方法流程示意图；
图3是实施例一提供的停车能力估算算法结构示意图；
图4是实施例一提供的车辆边框与车位边框检测卷积神经网络结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷，提供了一种基于图像处理的停车能力估算与泊位推荐方法。
实施例一
本实施例提供一种基于图像处理的停车能力估算与泊位推荐方法，如图1-2所示，包括步骤：
S1.识别进入停车场的车辆信息，并将所述车辆信息存储于数据库中；
S2.根据识别到的车辆信息判断当前车辆是否为初次停车，若是，则执行步骤S3；若否，则直接提供合适的车位；
S3.将识别到的车辆信息与剩余车位数据进行比较，得到当前车辆合适的车位，并将所述得到的车位提供给车辆；
S4.判断车辆是否到达提供的车位，若是，则执行步骤S5；
S5.设置于车位处的摄像装置实时记录车辆的停车画面，并将记录的停车画面形成的视频存储于数据库中，以估算车辆的停车能力；
S6.当设置于车位处的摄像装置获取到车辆完全进入提供的车位后，完成对车辆的车位推荐。
在停车场中，首先将所有的车位进行停车难度系数划分，具体的划分方式为：对于立体停车库因为其车位长度和宽度尺度设定较为严格，对于一般司机来说停车难度较大，所以将其停车难度等级设定为停车难度大；对于非立体停车库，若某个车位宽度W<W T （其中W T 表示停车难度等级的预设车位宽度阈值），则将该车位停车难度等级划分为停车难度中；若某个车位宽度W≥W T ，则将该车位停车难度等级划分为停车难度小，将停车场中各个车位的信息以及各个车位的停车难度系数存储于车位数据库B中。
在停车场中设有M个摄像装置，通过设置的摄像装置可以获取到停车场中空余的车位，其中摄像装置可以为摄像头，在每个车位处均设置一个摄像头或在两个相邻的车位处设置一个摄像头，亦或者在每一个区域设置一个摄像头等等，摄像头的数量可根据实际情况来设定，只要可以达到监控每个车位以及每个车位处停入车辆的视频即可，优选的在每个车位处均设置一个摄像头；在停车场的进出口处也需设置至少一个摄像头。
本实施例以车辆C i 进入停车场进行说明。
在步骤S1中，识别进入停车场的车辆信息，并将所述车辆信息存储于数据库中。
当车辆C i 进入停车场时，设置于停车场进口处的摄像头对该车辆的车牌、车标、车型进行识别，并将识别到的车辆信息存储于车辆的数据库A中。
在步骤S2中，根据识别到的车辆信息判断当前车辆是否为初次停车，若是，则执行步骤S3；若否，则直接提供合适的车位。
摄像头获取到车辆C i 的信息后，在数据库A中查找是否有该车辆的历史停车信息，若查找到，则结合数据库中存储的车辆C i 的历史停车能力来提供合适的车位给该车辆；若没有查找到，则表示该车辆是第一次到该停车场来停车。
在步骤S3中，将识别到的车辆信息与剩余车位数据进行比较，得到当前车辆合适的车位，并将所述得到的车位提供给车辆。
得到车辆C i 为第一次停车后，停车***根据数据库A中该车的各项数据，如根据车型的大小、车长L、车宽w等信息，并结合停车场中剩余车位的停车难度系数推荐一个适合该车型的车位P i ；其中停车难度系数包括停车难度大的车位、停车难度中的车位、停车难度小的车位。
在本实施例中，当确定好合适的车位P i 时，通过显示屏为车辆C i 提供停车路线，并规划好最短停车路线，停车路线由指示显示屏提示，车辆根据提示驶入车位P i 。
在步骤S4中，判断车辆是否到达提供的车位，若是，则执行步骤S5。
通过设置于车位P i 处的摄像头获取是否有车辆到达该车位，若有，则将获取到的车辆的信息发送至***中，***将摄像头获取到的车辆信息与将该车位提供给某一车辆的信息进行比较，判断该车辆是否为所推荐的车辆，也就是说将到达该车位的车辆与将该车位在车辆进入时推荐给的车辆是否为同一辆车，若是，则执行步骤S5；若否，则通过设置于该车位处的喇叭进行语音提示，令车辆到达指定的车位处。
在步骤S5中，设置于车位处的摄像装置实时记录车辆的停车画面，并将记录的停车画面形成的视频存储于数据库中，以估算车辆的停车能力。
如图3所示为停车能力估算算法结构示意图。
在车辆C i 驶入车位P i 的过程中，通过车位上方的监控摄像头实时记录该车的停车画面，并将视频V i 保存到本地。后期通过停车能力估算算法对该视频进行分析，评估出此次的停车能力Score i 。
其中估算车辆的停车能力具体包括：
S51.预先训练车辆边框与车位边框检测的卷积神经网络模型；具体为：
如图4所示为车辆边框与车位边框检测卷积神经网络结构示意图。
车辆边框与车位边框检测的卷积神经网络模型设计与训练：
（1）训练数据与测试数据前期准备：通过停车场视频监控收集视频，然后抽取带有车辆画面和车位画面的视频帧图像共N张，用标注工具标注车辆边框与车位边框的位置信息；
（2）为使网络训练的更加充分，需要对图片进行数据增强，将N张图片利用缩放、平移、翻转、旋转来增加数据，使数据增加到原来的32倍，并将数据集按照6：2：2的比例划分为训练集，验证集和测试集；
（3）网络结构设计：检测网络包括24个卷积层和2个全连接层。其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。采用了多个下采样层。设置损失函数为：
Figure 46529DEST_PATH_IMAGE012
Figure 726909DEST_PATH_IMAGE013
Figure 967660DEST_PATH_IMAGE014
Figure 733491DEST_PATH_IMAGE015
其中，
Figure 544321DEST_PATH_IMAGE016
为预测车辆边框左上角的坐标，
Figure 751311DEST_PATH_IMAGE017
为预测车辆边框右 下角的坐标；
Figure 959701DEST_PATH_IMAGE018
为实际标注车辆边框左上角的坐标，
Figure 416090DEST_PATH_IMAGE019
为实际标注车 辆边框右下角的坐标；
Figure 233873DEST_PATH_IMAGE020
为预测车位边框左上角的坐标，
Figure 560950DEST_PATH_IMAGE021
为预测 车位边框右下角的坐标；
Figure 205820DEST_PATH_IMAGE022
为实际标注车位边框左上角的坐标，
Figure 87188DEST_PATH_IMAGE023
为实际标注车位边框右下角的坐标；
（4）模型训练：将训练数据送入卷积神经网络，网络输入的BatchSize设置为64，随机初始化各层的连接权值W和偏置b，给定学习速率η；
（5）模型测试：将测试集数据输入训练好边框检测模型，检测有无边框，如果有，输 出车辆边框位置信息
Figure 505400DEST_PATH_IMAGE024
、
Figure 421403DEST_PATH_IMAGE025
（左上角和右下角坐标）和车位边框位置 信息
Figure 502754DEST_PATH_IMAGE026
、
Figure 136998DEST_PATH_IMAGE027
（左上角和右下角坐标）。
S52.将所要检测的车辆的停车视频输入训练好的卷积神经网络模型中进行检测，得到检测后的车辆信息；具体包括：
S521.每间隔预设时间通过训练好的卷积神经网络模型检测停车视频中第j帧车辆边框信息和第j帧车位边框信息；
采用训练好的车辆边框与车位边框检测模型检测视频 中第j帧车辆边框信息（x c0j ，y c0j ）、（x c1j ，y c1j ）（表示左上角和右下角坐标）和第j帧车位边框信息（x p0j ，y p0j ）、（x p1j ，y p1j ）（左上角和右下角坐标）。
S522.计算检测到的第j帧车辆边框与车位边框的交并比IOU j ，表示为：
Figure 93321DEST_PATH_IMAGE028
其中，
Figure 129410DEST_PATH_IMAGE029
表示预测车辆边框与预测车位边框的交集；
Figure 369944DEST_PATH_IMAGE030
表示预测车辆边框与预测车位边框的并集；area(C j )表示车 辆边框；area(P j )表示车位边框；C j 表示车辆；P j 表示车位；
S523.判断计算得到的IOU j 值是否大于零，若是，则将IOU j 值放入S i 中；其中，
Figure 225904DEST_PATH_IMAGE031
，表示第i个视频中n个IOU j 的值；
在本实施例中，设预设的间隔时间为10秒，则每隔10秒检测一次，并计算出IOU j 的值，若该值大于零，则将该值放入S i 中。
S524.将每次检测的时间点放入T i 中；其中，
Figure 923602DEST_PATH_IMAGE032
，T i 中 的元素与S i 中的元素一一对应；
S525.对S i 中的数据进行分析，得到分析结果；其中具体分析为：
（1）遍历S i 中的元素，若发现S i 中的元素最后趋近于1或者等于1，找到最趋近于1的元素的索引k或者等于1的元素的索引k；
（2）通过索引k找到T i 中对应的时间点T k ，即T k 为该车结束停车的时间t 2 ；
（3）遍历S i 中的元素，找到第一个大于0的元素的索引m；
（4）通过索引m找到T i 中对应的时间点T m ，即T m 为该车开始停车的时间t 1 ；
根据上述分析，得到该车停车所花费总共的时间为t 2 - t 1 。
S53.根据得到的车辆信息，对车辆的停车能力进行估算；
根据上述约束关系，则对该车的停车能力进行估算，表示为：
Figure 610935DEST_PATH_IMAGE033
其中，Score i 表示停车能力；
Figure 735886DEST_PATH_IMAGE034
为加权系数；a表示剩余车位的停车难度 系数；w、L分别表示车辆的宽和长；i表示第i个视频；T p 表示预设的停车时间，若在参考停车 时长内完成停车则T p 为0。Score i 值越大说明停车能力越强。
在步骤S5中估算车辆的停车能力后还包括将车辆每次停车时产生的停车能力Score i 存入车辆数据库中，并对数据库中车辆C i 的所有的停车能力Score i 求平均值作为下次停车时车位推荐的参考值，表示为：
Figure 642924DEST_PATH_IMAGE035
其中，
Figure 878734DEST_PATH_IMAGE036
表示车辆C i 历史所有的停车能力平均值。
每次停车时产生的停车能力评分Score i 存入数据库中，并对该车历史所有的停车能力评分求平均值作为下次停车时车位推荐的参考值。
若
Figure 748470DEST_PATH_IMAGE036
<d2，则推荐停车难度小的车位；若d2<
Figure 513163DEST_PATH_IMAGE036
<d3，则推荐停车难 度中的车位；若d3<
Figure 438656DEST_PATH_IMAGE036
，则推荐停车难度大的车位。其中，d 2 表示停车难度第一预设 阈值；d 3 表示停车难度的第二预设阈值。
本实施例会在车辆每次进入停车场后，都会对记录车辆的停车视频，然后对停车视频进行分析，得到该车辆每次的停车能力，用于为之后的推荐车位提供参考。
在本实施例中，还包括设置于车位处的摄像装置识别到车辆C i 到达提供的车位后，开启计时模块并开始计时；
判断计时模块中记录的时间是否到达预设的时间，若是，则通过语音提示为车辆重新提供低于当前停车难度系数的车位。
在停车场中每个车位上方安装监控摄像头和语音提示喇叭。在车辆第一次进入该停车场时，通过该车位上方的监控摄像头实时监控车辆的停车情况。若发现有车辆开始驶入车位时，由摄像头识别该车辆的车牌信息，***通过计时模块开始计时，若停车时间超过***预设的停车时长T p ，表示当前车辆还没停好车，则说明当前驾驶员很难将车停于提供的车位时，根据现有车位的剩余情况提醒用户。为用户重新规划一个低于当前停车等级难度的车位。提醒形式由该车位上方的语音提示喇叭提示，并通过指示显示屏（指示显示屏上带有该车位的车牌号）为其提供新车位的停车路线。
在步骤S6中，当设置于车位处的摄像装置获取到车辆C i 完全进入提供的车位后，完成对车辆C i 的车位推荐。
当设置于车位P i 处的摄像头获取到车辆完全进入车位并将车停好之后，将获取到的视频存储于***中。
当车辆C i 在之后的每次进入该停车场停车时，通过入口处的摄像头进行识别，若识别后的信息与之前存入数据库A中该车辆的信息相匹配，则根据该车的历史停车能力经过相应的计算推荐一个合适的泊位。
与现有技术相比，本实施例能够利用深度学习、机器视觉、图像处理等技术对车辆的停车能力进行估算，并推荐一个合适的泊位，改善用户体验，合理利用停车资源。
实施例二
本实施例提供的一种基于图像处理的停车能力估算与泊位推荐方法与实施例一的不同之处在于：
本实施例中的***还用于对车辆进行停车收费。
在本实施例中，实施例一的步骤S1中还包括，记录车辆C i 进入的时间，以便于后续对该车辆进行收费计算。
在步骤S6之后还包括：
S7.当识别到车辆C i 驶出停车场时，记录车辆C i 驶出的时间，并结合车辆C i 进入时间来确定车辆C i 的停车时长，根据确定的停车时长对车辆C i 进行停车收费。
当该车辆需要离开时，从当前车位驶出到达停车场出口处，设置于停车场出口处的摄像头识别到当前车辆，并记录所要离开的时间，***结合该车辆进入的时间计算得到该车辆在停车场的停车时间，根据该停车场的收费标准，对该车辆进行停车收费。
在本实施例中，本***与可以与用户的移动终端相连接，及在用户的移动终端中安装该***的APP，则在支付停车费时，若用户在APP中开启了“人脸支付功能”，则停车收费***对驾驶员进行人脸识别，在人脸识别的同时可以进行人脸支付，完成此次的停车收费。
其余内容均与实施例一类似，在此不多做赘述。
本实施例对车辆提供停车收费，更加完善停车***，更加接近现实的停车场。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例， 而本发明的范围由所附的权利要求范围决定。

Claims (6)

1.一种基于图像处理的停车能力估算与泊位推荐方法，其特征在于，包括步骤：
S1.识别进入停车场的车辆信息，并将所述车辆信息存储于数据库中；
S2.根据识别到的车辆信息判断当前车辆是否为初次停车，若是，则执行步骤S3；若否，则直接提供合适的车位，其中直接提供合适的车位具体为结合数据库中存储的车辆历史停车能力来提供合适的车位；
S3.将识别到的车辆信息与剩余车位数据进行比较，得到当前车辆合适的车位，并将得到的车位提供给车辆；其中车辆信息包括车牌、车标、车型；剩余车位数据包括剩余车位的停车难度系数以及与停车难度系数相对应的车位数，所述停车难度系数包括停车难度大的车位、停车难度中的车位、停车难度小的车位；所述得到当前车辆合适的车位具体为根据数据库中当前车辆的车型结合停车场中剩余车位的停车难度系数推荐一个适合该车型的车位；
S4.判断车辆是否到达提供的车位，若是，则执行步骤S5；
S5.设置于车位处的摄像装置实时记录车辆的停车画面，并将记录的停车画面形成的视频存储于数据库中，以估算车辆的停车能力；
S6.当设置于车位处的摄像装置获取到车辆完全进入提供的车位后，完成对车辆的车位推荐；
所述步骤S5中估算车辆的停车能力具体包括：
S51.预先训练车辆边框与车位边框检测的卷积神经网络模型；
S52.将所要检测的车辆的停车视频输入训练好的卷积神经网络模型中进行检测，得到检测后的车辆信息；
S53.根据得到的车辆信息，对车辆的停车能力进行估算，表示为：
Figure 272773DEST_PATH_IMAGE001
其中，Score i 表示停车能力；
Figure 881872DEST_PATH_IMAGE002
、
Figure 73818DEST_PATH_IMAGE003
、
Figure 216087DEST_PATH_IMAGE004
为加权系数；a表示剩余车位的停车难度系数；w、L 分别表示车辆的宽和长；T p 表示预设的停车时间；t 1 表示开始停车的时间；t 2 表示结束停车 的时间；i表示第i个视频；
所述步骤S52中具体为：
S521.每间隔预设时间通过训练好的卷积神经网络模型检测停车视频中第j帧车辆边框信息和第j帧车位边框信息；
S522.计算检测到的第j帧车辆边框与车位边框的交并比IOU j ，表示为：
Figure 835287DEST_PATH_IMAGE005
其中，
Figure 666102DEST_PATH_IMAGE006
表示预测车辆边框与预测车位边框的交集；
Figure 724057DEST_PATH_IMAGE007
表示预测车辆边框与预测车位边框的并集；area(C j )表示车辆边 框；area(P j )表示车位边框；C j 表示车辆；P j 表示车位；
S523.判断计算得到的IOU j 值是否大于零，若是，则将IOU j 值放入S i 中；其中，
Figure 658515DEST_PATH_IMAGE008
，表示第i个视频中n个IOU j 的值；
S524.将每次检测的时间点放入T i 中；其中，
Figure 510933DEST_PATH_IMAGE009
，T i 中的元素 与S i 中的元素一一对应；
S525.对S i 中的数据进行分析，得到分析结果。
2.根据权利要求1所述的一种基于图像处理的停车能力估算与泊位推荐方法，其特征在于，所述步骤S6之前还包括：
设置于车位处的摄像装置识别到车辆到达提供的车位后，开启计时模块并开始计时；
判断计时模块中记录的时间是否到达预设的时间，若是，则通过语音提示为车辆重新提供低于当前停车难度系数的车位。
3.根据权利要求1所述的一种基于图像处理的停车能力估算与泊位推荐方法，其特征在于，所述步骤S5中估算车辆的停车能力后还包括将车辆每次停车时产生的停车能力Score i 存入数据库中，并对数据库中车辆C i 的所有的停车能力Score i 求平均值作为下次停车时车位推荐的参考值，表示为：
Figure 32306DEST_PATH_IMAGE010
其中，
Figure 628373DEST_PATH_IMAGE011
表示车辆C i 历史所有的停车能力平均值。
4.根据权利要求1所述的一种基于图像处理的停车能力估算与泊位推荐方法，其特征在于，所述步骤S1中还包括记录车辆进入的时间。
5.根据权利要求4所述的一种基于图像处理的停车能力估算与泊位推荐方法，其特征在于，所述步骤S6之后还包括：
S7.当识别到车辆驶出停车场时，记录车辆驶出的时间，并结合车辆进入时间来确定车辆的停车时长，根据确定的停车时长对车辆进行停车收费。
6.根据权利要求5所述的一种基于图像处理的停车能力估算与泊位推荐方法，其特征在于，所述步骤S4之前还包括：
通过显示屏为车辆提供停车路线。
CN202010360115.7A 2020-04-30 2020-04-30 一种基于图像处理的停车能力估算与泊位推荐方法 Active CN111260954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010360115.7A CN111260954B (zh) 2020-04-30 2020-04-30 一种基于图像处理的停车能力估算与泊位推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010360115.7A CN111260954B (zh) 2020-04-30 2020-04-30 一种基于图像处理的停车能力估算与泊位推荐方法

Publications (2)

Publication Number Publication Date
CN111260954A CN111260954A (zh) 2020-06-09
CN111260954B true CN111260954B (zh) 2020-08-14

Family

ID=70951682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010360115.7A Active CN111260954B (zh) 2020-04-30 2020-04-30 一种基于图像处理的停车能力估算与泊位推荐方法

Country Status (1)

Country Link
CN (1) CN111260954B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111982137B (zh) * 2020-06-30 2022-08-12 阿波罗智能技术(北京)有限公司 生成路线规划模型的方法、装置、设备和存储介质
CN112820141B (zh) * 2021-01-14 2022-04-19 浙江吉利控股集团有限公司 一种泊车车位的检测方法和检测***
CN113516852B (zh) * 2021-07-22 2022-09-09 珠海小可乐科技有限公司 一种多车位多目标车辆停车识别方法及其***
WO2024116239A1 (ja) * 2022-11-28 2024-06-06 日本電気株式会社 駐車場予約システム、情報処理装置、情報処理方法、および記録媒体
CN117133144B (zh) * 2023-07-12 2024-03-12 中交一公局第六工程有限公司 一种基于物联网的智慧城市停车场车位预测方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622909A (zh) * 2012-04-10 2012-08-01 北京工业大学 停车场用对应司机行车目标区域的停车位的路径导引方法
CN107680401A (zh) * 2017-10-17 2018-02-09 长沙理工大学 一种基于区间二型模糊集合的停车位满意度的评价方法
CN108922231A (zh) * 2018-07-09 2018-11-30 胡佂宇 基于区块链的智能停车位
CN109191891A (zh) * 2018-09-05 2019-01-11 胡峰源 基于二维码技术和无人机拍摄的停车场车位监控***
CN109191896A (zh) * 2018-10-17 2019-01-11 南京邮电大学 个性化停车位推荐方法和***
CN109410630A (zh) * 2018-09-05 2019-03-01 西安艾润物联网技术服务有限责任公司 基于驾驶员信息的车位推送方法及相关产品
US10343631B2 (en) * 2016-12-28 2019-07-09 Uber Technologies, Inc. Decreasing autonomous vehicle power consumption

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622909A (zh) * 2012-04-10 2012-08-01 北京工业大学 停车场用对应司机行车目标区域的停车位的路径导引方法
US10343631B2 (en) * 2016-12-28 2019-07-09 Uber Technologies, Inc. Decreasing autonomous vehicle power consumption
CN107680401A (zh) * 2017-10-17 2018-02-09 长沙理工大学 一种基于区间二型模糊集合的停车位满意度的评价方法
CN108922231A (zh) * 2018-07-09 2018-11-30 胡佂宇 基于区块链的智能停车位
CN109191891A (zh) * 2018-09-05 2019-01-11 胡峰源 基于二维码技术和无人机拍摄的停车场车位监控***
CN109410630A (zh) * 2018-09-05 2019-03-01 西安艾润物联网技术服务有限责任公司 基于驾驶员信息的车位推送方法及相关产品
CN109191896A (zh) * 2018-10-17 2019-01-11 南京邮电大学 个性化停车位推荐方法和***

Also Published As

Publication number Publication date
CN111260954A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111260954B (zh) 一种基于图像处理的停车能力估算与泊位推荐方法
CN110364008B (zh) 路况确定方法、装置、计算机设备和存储介质
WO2020248386A1 (zh) 视频分析方法、装置、计算机设备及存储介质
JP5368105B2 (ja) 駐車管理システム
CN111429726B (zh) 一种监控视频违停车辆检测、管理方法及对应的***
WO2019223655A1 (zh) 非机动车载人的检测
CN110853391A (zh) 智能共享停车***
CN109741628B (zh) 一种智能停车路线规划方法
TW200905575A (en) Method for finding paths in video
CN107220603A (zh) 基于深度学习的车辆检测方法及装置
KR101973933B1 (ko) 승차인원 검지방법 및 그 장치
CN104239847B (zh) 行车警示方法及车用电子装置
US20160155328A1 (en) Video based method and system for automated side-by-side drive thru load balancing
CN112488013A (zh) 基于时序不一致性的深度伪造视频检测方法及***
CN109446881B (zh) 一种基于异构数据的高速公路路段交通状态检测方法
CN107833328B (zh) 基于人脸识别的门禁验证方法及装置、计算设备
CN111353451A (zh) 电瓶车检测方法、装置、计算机设备及存储介质
CN112347864A (zh) 轨道交通客流感知及诱导方法、装置、设备和***
CN105909116A (zh) 控制车门的方法、装置及***
CN111785073B (zh) 一种基于人因因素的停车场诱导***
CN107845263A (zh) 一种应用于停车场的物联网管理平台
CN110009929A (zh) 一种车辆泊位管理方法、设备及***
CN110175533A (zh) 高架桥交通状况实时监测方法、装置、终端及存储介质
CN108805184B (zh) 一种固定空间、车辆上的图像识别方法及***
CN110175654A (zh) 一种轨迹路标的更新方法及***

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