CN113870611B - 一种大中型地下智能停车场反向寻车*** - Google Patents

Abstract

一种大中型地下智能停车场反向寻车***，涉及停车场车辆管理技术领域，针对现有技术中缺少寻车路线规划的问题，包括：车辆信息采集模块、云服务器和寻车终端，车辆信息采集模块用于采集车辆停放位置信息，云服务器用于分析并存储采集到的车辆停放位置信息，寻车终端用于根据车辆停放位置信息给出从当前位置到目标车辆所在位置导航路线图。本申请的反向寻车***不需要用户使用手机或其他移动端下载额外的App，也不需要登陆额外的寻车网站，在寻车终端上就可以对用户车辆信息进行显示，完成寻车查询与路线引导，减少地下停车场信号缺失对用户寻车，减少用户寻车时间，减少用户反向寻车的复杂度。

Description

一种大中型地下智能停车场反向寻车***

技术领域

本发明涉及停车场车辆管理技术领域，具体为一种大中型地下智能停车场反向寻车***。

背景技术

随着我国汽车保有量的增加，地上停车位的不足严重影响了路面交通。许多城市的机场、大型商城和医院都已经建立了地下停车场，且随着近几年物联网技术的成熟，停车场已逐步趋向智能化和大型化，相应自动化管理、便捷***功能的设置开发成为市场所需，对应的反向寻车、停车导引等技术的研究开发成为停车场智能化管理急需解决的新问题。

目前，一些省会城市的机场或繁华商业街区的地下停车场中，个别设置有反向寻车管理，概括其技术现状如下：

(一)用户所在停车场有寻车终端***，用户在***输入寻车要求后，***弹出车位静态照片，用户要按照照片上车位号提示，自行尝试寻车，***不提供路径提示或路线规划等功能，但如果对停车场环境不够熟悉，或用户的方向感较差等，其车辆所在停车位也不容易找到。

(二)目前一些研究机构正致力于探讨研究手机App寻车方式，以期通过下载App完成寻车查询。App同车库管理***绑定，寻车时在App内输入车牌号，从而得到车辆位置信息，但是成型产品国内外尚属空白。

上述第二种方法的研究开发，需要用户使用智能手机进行App寻车查询，但是这种方法需要即时定位和动态矢量地图作为实现基础。现行即时定位和动态矢量地图技术目前仍处于发展阶段，涉及报导均属于研究探讨层面，而且这种方法对用户当前定位精度要求较高，但目前技术条件下的定位精准度会至少有7～10m的误差。且地下停车场对手机信号限制较大，对于一些信号较差的用户，可能需要在寻车上花费更多的时间，但结果可能不如预期。

发明内容

本发明的目的是：针对现有技术中缺少寻车路线规划的问题，提出一种大中型地下智能停车场反向寻车***。

本发明为了解决上述技术问题采取的技术方案是：

一种大中型地下智能停车场反向寻车***，包括：车辆信息采集模块、云服务器和寻车终端，

所述车辆信息采集模块用于采集车辆停放位置图像信息，并将采集到的车辆停放位置图像信息上传至云服务器，

所述云服务器将采集到的车辆停放位置图像信息进行处理，得到车辆牌照号，并将车辆牌照号信息与该车辆的入库时间及车位编号进行关联，

所述寻车终端基于云服务器关联的车辆牌照号信息与该车辆的入库时间及车位编号，对用户输入的车辆牌照号信息给出从当前位置到目标车辆所在位置的导航路线图，

所述车辆信息采集模块包括超声波探测器和监控设备，所述超声波探测器安装在车位上，所述监控设备安装在车位上前方，所述超声波探测器用于检测车辆停车到位信号，当检测到车辆停车到位信号时，监控设备对车辆停放位置图像信息进行采集，并将采集到的车辆停放位置图像信息上传至云服务器。

进一步的，所述云服务器将采集到的车辆停放位置信息进行处理的具体步骤为：

步骤一：以实际车位挡车器距离车位后标记线的距离为b₁，以距离车位前标记线内侧0.5b₁处且平行于车位前标记线的直线作为定位基准线，然后找到车位前标记线和车位后标记线的中心点，车位前标记线和车位后标记线的中心点的连线与定位基准线的交点为O₁，然后根据O₁与监控设备的连线与车位前标记线的夹角得到角度模型；

步骤二：根据监控图像中车位的大小和车位的实际大小确定成像比例μ₁；

步骤三：获取待识别车辆监控图像，并对监控图像进行预处理；

步骤四：针对预处理后的图像，根据角度模型以及成像比例进行比例变换及Hough变换，得到校正后的实际尺寸大小的图像；

步骤五：针对实际尺寸大小的图像进行二值化处理；

步骤六：针对二值化处理后的图像采用区域均分方法进行车位图像分割，得到每个监控设备所监控的各个车位的子图像；

步骤七：针对车位的子图像进行车牌类型判定和车牌间隔符定位，具体步骤为：

针对车位子图像，以普通小型汽车车牌轮廓和普通小型汽车车牌间隔符的实际大小、位置及尺寸以及新能源小型汽车车牌轮廓和新能源小型汽车车牌间隔符的实际大小、位置及尺寸作为两种结构元素，分别通过击中/击不中形态学算法确定车牌类型以及车牌间隔符的位置；

步骤八：根据车牌间隔符的位置以及相对应车牌类型的车牌标准中规定的车牌尺寸，得到车牌在车位的子图像中的位置；

步骤九：根据车牌在车位的子图像中的位置以及相对应车牌类型的车牌标准中规定的字符位置和尺寸将车牌中的字符进行分割，得到分割后的字符图像；

步骤十：基于数据库中存储的字符模板，采用模板匹配法对分割后的字符图像进行字符识别，进而得到车辆牌照号。

进一步的，所述步骤三中预处理包括灰度化和邻域平均平滑去噪处理。

进一步的，所述步骤五中二值化处理通过Otsu自适应阈值算法进行。

进一步的，所述步骤七中结构元素包括车牌轮廓，车牌的间隔符的大小、位置及尺寸，车牌安装孔的大小、位置及尺寸或车牌安装螺钉的大小、位置及尺寸中至少一项。

进一步的，所述比例模型μ₁表示为：

其中，f为相机焦距，

为监控器O距离O₁的实际值。

进一步的，所述寻车终端得到导航路线图的具体步骤为：

步骤一：将起点S加入到open集合中；

步骤二：判断open集合是否为空，若为空，则表示寻路失败，结束，若不为空，则继续执行步骤三；

步骤三：找到open集合中估价函数值最小的节点U，把节点U作为当前要处理的节点，并把节点U移入到close集合中；

步骤四：判断当前节点U是否为终点，若是，则从终点沿着父节点移动至起点，进而得到路径，然后执行步骤九，若不是，则继续执行步骤五；

步骤五：判断当前节点U的相邻节点是否可扩展，若可扩展，则继续执行步骤六，若不可扩展，则转到步骤二；

步骤六：连线当前节点U与终点，将节点U的可扩展节点在连线方向上做投影，保留投影落在连线上的可扩展正向子节点，并构成集合V；

步骤七：对于集合V中的每一个子节点，若该节点在close集合中，则不做处理，若该节点不在open集合中，则将其加入到open集合，并将扩展出该节点的节点U定义为该节点的父节点，并计算该节点的估价函数，若该节点在open集合中，则检查该节点的估价函数值是否比原来的估价函数值小，若该节点的估价函数值比原来的估价函数值小，则更新该可扩展节点在open集合中的估价函数和父节点；

步骤八：转到步骤三；

步骤九：对于步骤四得到的路径，路径中每两个节点间路径分为三等份，将路径分割后得到的路径点作为集合为A，A＝{a₁,...,a_i,...,a_N}，其中a₁为起点，a_N为终点；

步骤十：定义c为当前的路径点下标，令c＝1，定义m为待连接的路径点下标，令m＝N，定义i为新路径点下标，令i＝2，最后将得到的新的路径点集合定义为B＝{b₁,...,b_i,...,b_N}；

步骤十一：将a_c和a_m连成直线l_cm；

步骤十二：判断l_cm是否经过障碍，若是，则令m＝m-1，转到步骤十一，若未经过障碍，则连接a_c与a_c+1得到直线l_c,c+1，执行步骤十三；

步骤十三：判断l_cm与l_c,c+1是否在同一直线上，若是，则令c＝c+1，m＝N，转到步骤十一，若不在同一直线上，则令路径点集合B中新路径的集合点b_i＝a_c，b_i+1＝a_m，i＝i+2，c＝m，执行步骤十四；

步骤十四：判断当前点a_c是否为终点a_N，若不是，则令m＝N，转到步骤十一；若是终点，则令b_i＝a_N，按照下标递增顺序，连接b_i，即得到路径。

进一步的，所述寻车终端与云服务器之间通过无线通信。

进一步的，所述无线通信通过ZigBee进行。

进一步的，所述击中/击不中形态学算法表示为：

B＝{B₁,B₂}且B₁∩B₂＝空集

其中，A为车位的子图像，B＝{B₁,B₂}为结构元素；

结构元素B{B₁,B₂}中，设置所述车牌间隔符的中心为结构元素的原点，B₁是由与探测目标车牌相联系的B的元素包括车牌矩形轮廓、间隔符、安装孔或安装螺钉等构成的集合、用于探测车牌图像内部，B₂是由与相应车牌背景相联系的B的元素构成的集合、用于探测车牌图像外部。

本发明的有益效果是：

本申请提供了一种多车牌图像识别方法和一种寻车路线规划方法。本申请的多车牌图像识别方法，基于数学形态学击中/击不中原理，利用车牌矩形轮廓、车牌间隔符等源自车牌自身固有的形态特征设置结构元素图像，识别过程快速、实现简单，操作方便，能加速整个***运行进程，便于推广。本申请的反向寻车***，不需要用户使用手机或其他移动端下载额外的App，也不需要登陆额外的寻车网站，在寻车终端上就可以对用户车辆信息进行显示，完成寻车查询与路线引导，减少地下停车场信号缺失对用户寻车的影响，减少用户寻车时间，减少用户反向寻车的复杂度。

附图说明

图1为本申请总体架构示意图；

图2为本申请云服务器示意图，其中，1车辆信息采集模块、2云服务器、3寻车终端；

图3为信息采集模块的位置示意图，其中，21超声波探测器、22监控设备、23目标车辆；

图4为路径规划算法流程图；

图5为拓展节点示意图；

图6为算法规划的路径示意图；

图7为本申请云服务器图像处理流程示意图；

图8为监控相机几何模型示意图；

图9为考虑安装高度时监控相机几何模型示意图；

图10为用于垂直式车位图像分割的区域三均分方法原理示意图；

图11为车位图像A，即车位子图像Ⅰ示意图；

图12为基于车牌间隔符的车牌定位的击中/击不中形态学算法结构元素B{B₁,B₂}中B₁示意图；

图13为基于车牌间隔符的车牌定位的击中/击不中形态学算法结构元素B{B₁,B₂}中B₂示意图；

图14为基于车牌间隔符的车牌定位结果示意图；

图15为普通小型汽车号牌结构布局示意图；

图16为新能源小型汽车号牌结构布局示意图；

图17为新能源小型汽车号牌结构元素B{B₁,B₂}中B₁形状设置示意图；

图18为普通小型汽车号牌结构元素B{B₁,B₂}中B₁形状设置示意图；

图19为垂直式停车位示意图；

图20为倾斜式停车位示意图；

图21为平行式停车位示意图；

图22为用于倾斜式车位图像分割的区域三均分方法示意图；

图23为用于平行式车位图像分割的方法示意图；

图24为新能源汽车号牌专用标志图。

具体实施方式

需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间可以相互组合。

具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的一种大中型地下智能停车场反向寻车***，包括：车辆信息采集模块、云服务器和寻车终端，

所述车辆信息采集模块用于采集车辆停放位置图像信息，并将采集到的车辆停放位置图像信息上传至云服务器，

所述云服务器将采集到的车辆停放位置图像信息进行处理，得到车辆牌照号，并将车辆牌照号信息与该车辆的入库时间及车位编号进行关联，

所述寻车终端基于云服务器关联的车辆牌照号信息与该车辆的入库时间及车位编号，对用户输入的车辆牌照号信息给出从当前位置到目标车辆所在位置的导航路线图，

所述车辆信息采集模块包括超声波探测器和监控设备，所述超声波探测器安装在车位上，所述监控设备安装在车位上前方，所述超声波探测器用于检测车辆停车到位信号，当检测到车辆停车到位信号时，监控设备对车辆停放位置图像信息进行采集，并将采集到的车辆停放位置图像信息上传至云服务器。

所述信息采集模块和云服务器及寻车终端间通过无线通信模块进行信息交换，无线通信模块可选择ZigBee技术，主要优点是高容量、低功耗且成本低。

参照图2和图3说明所述信息采集模块。在每一个车位前侧安装21超声波探测器，目前市面上的超声波探测器可直接安装，不需要修改地下线路，安装简单，成本低。在车位上前方安装22监控器进行对车辆信息的采集。所述监控器可进行旋转，一个监控器可以监控多个停车位，并对其进行图像采集。需要说明的是，超声波探测器安装位置并不局限于车位前侧，其布局方式也不局限于图示形式。本实施例中，当车辆驶入车位时，超声波探测器有半分钟的延迟，当车辆停车到位时，延迟结束，触发超声波探测器，探测器得到该车位车辆停车到位的信号，把信号发给2云服务器，云服务器得到信号后给监控器发送指令，监控设备进行拍照，该照片中包含车牌号、停车位等信息，然后将所拍摄的车辆信息图像传给云服务器。

所述云服务器为接收和存储车辆信息的服务器端，该服务器和信息采集模块间进行网络通信，同时和寻车终端间也进行网络通信。所述云服务器，用于收发、分析、存储所述车辆图像、车牌号、停车位等信息。所述云服务器，利用计算机图像处理技术，对接收到的图像进行图像分析与识别，包括图像中的车牌号、停车位号等，得到车牌号、停车时间、停车位的对应关系，并将其对应关系存储到服务器的数据库中。

所述数据库为所述云服务器的一部分，用于存储停车场车位信息、监控设备及其监控信息、车辆信息及其对应关系。停车场建筑结构、车位划分及监控设备设置完成后，相应位置上的停车位号、停车位尺寸、停车位排列方式、停车位挡车器位置、停车位前回转车道设置方式、停车位及其对应监控设备的编号、监控设备的安装位置、停车位及其监控设备的相互对应关系等等也随之确定，相应信息可直接录入所述***数据库备用。

所述反向寻车终端为自助终端一体机，显示屏为液晶触摸屏。寻车软件搭载在寻车终端上，寻车终端和云服务器间能够网络通信。本实施例中将寻车终端安装在车库人行出入口或电梯附近，方便用户出库进行查询。寻车终端软件中设置使用说明，方便用户使用查询。寻车终端在接收到用户的指令后会将指令传给云服务器。云服务器在接收到指令后从数据库中寻找符合用户查询要求的车辆信息，包括车牌号、停车时间和停车位，进一步将信息传输至寻车终端通过终端屏幕显示出来。用户在进入说明界面后便可查看该寻车终端的使用说明，本实施例提供了三种反向寻车方式：按车牌号查询、按时间查询和按停车位查询。用户可选择三种查询方式的任意一种。接下来对本实施例中三种寻车方法进行说明。若选择按车牌号查询，当用户输入目标车辆车牌号时，云服务器把所查询到的目标车辆图像(包含车牌号及停车位编号)、停车时间都传给寻车终端并显示在屏幕上，用户便可看到自己的车辆信息。若选择按照停车时间查询，需要输入停车时间，云服务器会把在这一小时内的所有车辆图像、车牌号、停车时间、停车位都显示在屏幕上，用户可根据提供信息判断目标车辆。若选择按照停车位查询，当用户输入目标车辆所在停车位时，云服务器把所查询到的目标车辆图像、车牌号、停车时间、停车位都传给寻车终端并显示在屏幕上，用户便可看到自己的车辆信息。目标车辆信息在结果界面显示。当用户需要查看从当前位置到目标车辆所在位置的路线图时，选择“路线”，寻车终端路线界面上显示由当前位置到目标位置的可选路线，用户便可根据选择路线进行反向寻车。目标车辆停车位和反向寻车终端安装位置都是确定的，定位精确度高，用户只需根据终端上路线图进行寻车即可，不需要使用移动设备进行实时定位，也不会因移动设备信号的强弱受影响，方便用户寻车。

所述反向寻车终端为设置在停车场内设有触摸屏的自助寻车装置，该自助寻车装置作为一种计算机设备，用于用户在***寻车软件交互界面中输入寻车信息，包括按照车牌号寻车、按照停车时间段寻车、按停车位寻车等方式，据此寻车。寻车软件搭建在该寻车装置上。

所述寻车软件用于用户寻车。所述寻车软件包括不仅限于欢迎界面、说明界面、信息输入界面、结果界面及路线界面。信息输入界面包括不仅限于按照车牌号寻车界面、按照停车时间寻车界面、按照停车位寻车界面。按照车牌号寻车界面为用户输入车牌号进行寻车，所述按照停车位寻车界面为用户输入停车位进行寻车。用户输入车辆信息，云服务器收到寻车终端的寻车指令。从所述数据库中查找所述车辆的信息，结果界面显示所述监控器拍摄照片、车牌号、停车时间和停车位。

按照停车时间寻车界面为用户输入停车时间进行寻车，用户只需输入小时段的时间而不需要输入精确时间，云服务器收到寻车指令会在界面显示当前时段的所有车辆图片和车牌号、停车时间和停车位，用户即可根据信息选择确定自己车辆所在车位。

所述路线界面用于给出用户从寻车终端到所述车辆停车位置的路线。所述寻车终端得到云服务器传送过来的车辆信息，得到车位号，便给出从寻车终端当前所在位置到用户车辆所在停车位的路线。所述***寻车路线的设定，可根据行人的行走习惯给出最合适的路线。用户即可根据路线图寻车。

本发明实施例中，上述寻车***中，首先，车辆停车到位后，超声波探测器探测停车到位信号，监控设备接收信号后触发监控设备采集图像，车辆图像经通信设备上传至云服务器中，云服务器对所接收的照片进行图像预处理、车位图像分割、车牌定位、字符分割及字符识别等处理分析操作，将图像分析识别后的车牌号、停车位及对应关系存储到数据库中。当用户寻车时，在寻车软件界面上选择合适的寻车方式，寻车终端发送寻车指令，云服务器接收到寻车指令后从数据库查找对应的车辆信息，将其发送到寻车终端并显示在寻车界面上，用户便可获取自己的车辆信息，进一步，可选择并确定寻车路线。上述反向寻车***不需要用户使用手机或其他移动端下载额外的App，也不需要登陆额外的寻车网站，在寻车终端上就可以对用户车辆信息进行显示，完成寻车查询与路线引导，减少地下停车场信号缺失对寻车的影响，缩短用户寻车时间，减少用户反向寻车的复杂度。

所述***中的寻车路线引导功能，在路径规划设置的基础上，进一步执行优化。所述用户寻车路线设置规划的优化手段，是在拓扑结构的道路网地图上，按照路径规则进行路径网的搜索遍历，实现对优化目标求最优解的过程。停车场内车辆停车到位后，所述***会对停车场动态矢量地图数据信息进行阶段性更新，以保证对行人寻车的路线设置达到最优。

现行寻车***的常用手段是按照车库路径网寻车。本申请中考虑到用户在反向寻车时具有主观性及自主性，并且人不同于车辆的地方在于，行人寻车时并不占据较大面积，只要在没有车辆的位置，人均可以通行。因此，本申请提出了一种新的基于路径分割的方向约束A*算法，以减少行人寻车路径长度，并缩短行人寻车时间。

本申请的反向寻车***中所述的基于路径分割的方向约束A*算法，其算法设置过程如下：

在路径搜索过程中，只保留当前节点的部分可扩展节点，这些可扩展节点均在当前节点指向目地节点的方向上，将得到的这些可扩展节点加入可扩展节点的状态空间。要想得到最优路径，接着需要对状态空间中的每一个可扩展节点进行评估，得到估价函数值最小的可扩展节点，然后将该估价函数值最小的节点作为当前的开始节点，重复路径搜索，直到状态空间中估价函数值最小的可扩展节点为目标节点，得到最短路径。将得到的路径按较小的分割步长进行分割，得到一系列路径节点。最后，从起点开始依次用直线连接终点，当直线没有穿过障碍物时，则将中间路径点剔除，从而减小路径长度。如图4所示。

假设初始节点为S，目标节点为D，当前节点S的可扩展节点有N个，连接当前节点S与目标节点D，分别作该N个可扩展节点在连线方向上的投影，将投影恰好落在线段SD上的节点加入状态空间。根据几何学可知，两点之间直线最短，在进行路径规划时，起始节点S至目标节点D的连线方向能大致代表路径的基本走向，搜索算法的有效待扩展节点基本位于这两节点连线的两侧，所以可以将算法搜索范围约束在连线两侧。上面所述的状态空间的确定的具体操作方法为：假设起始节点为S，坐标为(x₁,y₁)，其可扩展的后继节点为X，坐标记为(x₂,y₂)，目标节点D坐标记为(x₃,y₃)，分别连线SX、SD，则

|SX|²＝(x₁-x₂)²+(y₁-y₂)²

|XD|²＝(x₂-x₃)²+(y₂-y₃)²

|SD|²＝(x₁-x₃)²+(y₁-y₃)²

公式1中，判断cos XSD的大小：

(1)如果cos XSD＜0，则可扩展节点X在连线SD上的投影在有向线段SD的反向延长线上，则舍弃该可扩展节点X；

(2)如果cos XSD≥0，则可扩展节点X在连线SD上的投影恰好在有向线段SD上，保留符合该条件的可扩展节点X，并将所有的可扩展节点X形成当前节点S的可扩展节点的状态空间。如图5所示。

在上述所述算法得到路径的基础上，从起始节点开始按照较小的步长分割原路径，得到更多路径点，如图6的路径点a1到a20，按照一定的规则剔除冗余路径点，将剩余的路径点按顺序连接，最终获得更加优化的路径，并通过所述***的路径引导功能提示给用户。

本申请所述计算机图像处理手段，是针对监控设备与其监控的车位数量为一对多方式下所采集的监控图像进行处理。所述监控图像的图像处理的目标是确定对应监控设备所监控车位的车牌号码。所述监控图像处理采用的关键手段为多车牌图像同时识别方法。所述多车牌图像识别的关键技术为基于区域均分方法的车位图像分割和基于车牌间隔符的击中/击不中形态学方法的车牌定位。

参照图7和图9说明本申请所述计算机图像处理过程如下：

步骤一、获取待识别车辆的监控图像，进行图像预处理。所述预处理，包括灰度化和邻域平均平滑去噪处理。然后，针对预处理后的图像，进行几何校正变换。所述几何校正变换包括比例变换和倾斜角度校正。所述比例变换，通过调用数据库中相应监控设备号对应的比例模型μ₁、μ₂和μ₃进行比例换算实现。经过所述比例变换得到与实物1:1的比例变换后的图像。针对所述比例变换后的图像，通过调用数据库中相应监控设备号对应的角度模型α₂、α₃、β₁、β₂、β₃、采用Hough变换方法实现倾斜角度校正。最后，针对所述经过倾斜角度校正后的图像，采用Otsu自适应阈值算法进行二值化处理，得到二值化后的车辆监控图像。

步骤二：针对所述二值化后的车辆监控图像，采用区域均分方法进行车位图像分割，得到各个车位子图像。停车场安装的监控设备对其监控的停车位数量的配置方式，要根据停车场建筑结构布局情况对应设置为一对一、一对二、一对三等方式。所述配置方式要作为原始数据信息事先保存在所述数据库中。所述区域均分方式，要根据数据库中相应监控设备与其监控车位的配置方式(一对一、一对二、一对三等)，对应采用区域不分、区域二均分、区域三均分等方式实现。

步骤三：针对所述区域均分方法得到的车位子图像，进行车牌类型判定和车牌间隔符的定位。所述车牌类型判定，采用基于间隔符的击中/击不中形态学识别定位方法实现。所述基于间隔符的击中/击不中形态学识别定位过程中，通过设置对应于普通小型汽车车牌和新能源小型汽车车牌的不同样式的两种结构元素B{B₁,B₂}图像、通过击中/击不中形态学算法识别车牌间隔符标记，完成车牌类型判定和车牌间隔符中心的定位。所述车牌类型判定的同时，能同时定位车牌间隔符中心的位置。

步骤四：根据所述车牌类型判定的结果，基于所述车牌间隔符的中心位置，依照国家标准规定的普通车牌或新能源车牌的号牌布局及位置尺寸关系等，即可锁定整个车牌在车位子图像中的位置坐标。

步骤五：根据车牌在车位的子图像中的位置以及相对应车牌类型的车牌标准中规定的字符位置和尺寸将车牌中的字符进行分割，得到分割后的字符图像。

步骤六：针对所述字符分割后的图像，进行字符识别。所述字符识别，基于数据库中存储的字符等模板、采用模板匹配法实现。

步骤七：经过所述字符识别，得到相应监控设备号下对应车位所停放的车辆的车牌号码，存入数据库中。所述车牌号，可关联至数据库中对应车位号及其监控设备号，进一步可关联至数据库中相应车牌车辆的入库时间。

所述计算机图像处理过程，包括但不局限于通过预处理、几何校正变换、二值化、车位图像分割、车牌定位、字符分割、字符识别等手段分析并识别车牌号等相关信息。

所述计算机图像处理过程中的图像预处理方法，包括但不局限于通过灰度化处理、邻域平均平滑处理等手段实现。

所述几何校正变换，包括比例变换和倾斜校正变换。所述比例变换根据比例模型直接换算实现。所述倾斜校正变换根据角度模型采用Hough变换方法实现。

以所述监控设备与其监控车位的配置方式为一对三的情况作为示例。通常停车场安装的监控设备设置于其对应监控车位整体区域的正前方居中位置。所述比例模型和角度模型的建立，根据数据库中存储的停车场、车位及监控器位置等信息创建过程如下：

(1)首先，不考虑安装高度时，监控器视为水平居中安装，在忽略安装高度与安装角度之后，监控器的几何模型原理示意图见图8所示。

图8中，根据相机成像原理可知成像关系模型为

对于中间车位图像，调取数据库中监控设备位置等相应信息后，得到成像物距L的实际值

关联镜头焦距f值，根据公式可确定目标高度值D与成像高度d间的比例μ₁值，进一步根据比例μ₁值与图像成像高度d，即可计算出目标高度值D。

如果忽略监控器安装高度

影响(安装高度

见图9)，则

所以

示例中，以双车道回转车道所示，因此有

所以

μ₁＝5400/f

对于左侧车位图像，其物距L的实际值用

表示。根据图10所示位置关系，可确定μ₂与μ₁的比值关系为

式中，∠O₂OO₁用α₂表述，其值按公式4确定。

因此，对于左侧车位图像，目标高度值D与成像高度d间的比例μ₂值为

示例中，

所以μ₂＝4435/f。

根据公式5，即可根据实际停车场设置情况，确定左侧车位图像成像高度值d与目标高度D间的比例μ₂值。

对于右侧车位图像，其物距L的实际值用

表示。根据图10所示位置关系，α₃值可按公式6确定。

与左侧车位图像同理，可确定目标高度值D与成像高度d间的比例μ₃值。

示例中，

所以μ₃＝4435/f。

根据所述停车场车辆监控位置O₀点至定焦点O₁的距离、O₀点至位置参考点O₂的距离、O₀点至位置参考点O₃的距离以及相机焦距f，采用公式3至公式7，即可得到成像比例μ₁、μ₂、μ₃及得到角度α₂、α₃。所述公式3至公式7中关于α₂、α₃的角度模型和μ₁、μ₂、μ₃的比例模型，没有考虑三车位间存在间距δ的情况。停车场实际设计中，由于建筑梁柱、墙柱等设置需要，个别位置处会在车位间设置间距δ。(例如间距δ＝600mm)。如果三车位间存在间距δ，只需在

和

的计算中，加入δ值即可。

所述角度计算模型和比例计算模型数学模型的公式3至公式7，反映的是监控器与目标基本在同一水平面时的成像关系，没有考虑在实际应用中的安装高度、安装角度等工程参数。这在安装高度不高、角度不大的情况下，计算误差还是可以接受的。

(2)进一步，考虑安装高度与安装角度的影响，监控器的监控角度几何关系模型见图9所示。

图9中，OO₁⊥HH′，O₀O₁⊥HH′，OO₀⊥O₀O₁，OO₀⊥O₀O₃，OO₀⊥O₀O₂，而且，O₁、O₂、O₃是定位基准线HH’上的位置参考点。

在直角三角形△OO₀O₁中，有

如果考虑监控器安装高度

影响，则取

同理

因此，对于中间车位图像，目标高度值D与成像高度d间的比例μ₁值，在考虑监控器安装高度

影响的条件下，数学公式由原来的公式3修正为公式9。

对于左侧车位图像，目标高度值D与成像高度d间的比例μ₂值，在考虑监控器安装高度

影响的条件下，数学公式由原来的公式5修正为公式10。

对于右侧车位图像，目标高度值D与成像高度d间的比例μ₃值，在考虑监控器安装高度

影响的条件下，数学公式由原来的公式7修正为公式11。

示例中，以双车道回转车道为例，取

则

所述公式8至公式11中关于β₁、β₂、β₃的角度计算模型和μ₁、μ₂、μ₃的比例计算模型，考虑了监控器安装高度、安装角度等工程参数的实际影响，在要求严格的条件下可选用。

根据所述停车场车辆监控位置O₀点至O点的距离、O₀点至定焦点O₁的距离、O₀点至位置参考点O₂的距离、O₀点至位置参考点O₃的距离以及O₁点至位置参考点O₂的距离、O₁点至位置参考点O₃的距离，采用公式4、公式6、公式8至公式11，即可得到成像比例μ₁、μ₂、μ₃及得到角度α₂、α₃、β₁、β₂、β₃；

所述公式8至公式11中关于β₁、β₂、β₃的角度计算模型和μ₁、μ₂、μ₃的比例计算模型，没有考虑三车位间存在间距δ的情况。停车场实际设计中，由于建筑梁柱、墙柱等设置需要，个别位置处会在车位间设置间距δ。(例如间距δ＝600mm)。如果三车位间存在间距δ，只需在

和

的计算中，加入δ值即可。

采用所述公式3至公式11给出的比例模型与角度模型，即可计算考虑监控器安装角度、考虑或不考虑监控器安装高度两种情况下，多车牌同时识别过程中的图像基础参数，从而为自动化测控分析中进一步计算分析光学参数等提供必要的支持。

所述停车场不同车位的比例模型和角度模型等分别创建完成后，存入所述数据库备用。

所述二值化处理，采用但不局限于Otsu自适应阈值算法实现。

所述多车牌图像识别的关键技术中，基于区域均分方法的车位图像分割，要根据监控设备与其监控车位的配置中一对一、一对二、一对三等方式，对应采用区域不分、区域二均分、区域三均分方法等。以一个监控器同时监控三个停车位为示例，所采用区域均分方式对应为区域三均分。

参照图10说明所述多车牌图像识别过程中垂直式车位图像分割采用的区域三均分方法如下：

图10所示垂直式排列方式车位的区域三均分原理示意图中，所示地面车位挡车器通常固定在停车位后方，距停车位后标记线b₁处(b₁通常取900mm或1000mm)。以图10所示的距离车位前标记线内侧0.5b₁处且平行于车位前标记线的直线作为定位基准线，并定义一个车位的宽度为a。

标记所述预处理后得到的图像的左右中心线为VV’。实施过程中所述预处理后图像中设置的VV’线，就是对应方法原理中图10中间车位前标记线的中心V和后标记线的中心点V’的连线。

将所述预处理后图像中的连线VV’向左右各扩展0.5a，得到所述预处理后图像中的两条分割线EE’和FF’，对应图10原理图中所示的连线EE’和FF’。沿着所述的连线EE’和FF’将所述预处理后的图像整体上平均分割成三个区域，从左向右依次标记为区域Ⅱ、区域Ⅰ、区域Ⅲ。

然后将所述预处理后得到的图像，取距离图像的下边缘0.5b1处且平行于图像下边缘的直线作为定位基准线。将所述图像区域Ⅰ中连线VV’与定位基准线的交点标记为O₁。所述图像区域Ⅱ、区域Ⅲ的左右中心线与定位基准线的交点依次标记为O₂、O₃。所述O₁点作为监控设备的对焦点，是比例模型和角度模型建立的基础点，也是区域Ⅰ中间车位所停放车辆车牌的理想中心位置。所述参考位置点O₂、点O₃，是比例模型和角度模型建立的基础点，也是区域Ⅱ、区域Ⅲ对应车位所停放车辆车牌的理想中心位置。

参看图10，将所述O₁、O₂和O₃点，参照国家标准规定的车牌牌面布局，沿着定位基准线分别左移距离e(e值取91～103的范围，普通小型汽车车牌e为91mm，新能源小型汽车车牌e为103mm号牌)，即可锁定所述图像区域Ⅰ、区域Ⅱ、区域Ⅲ中车牌间隔符中心点所在大致的位置范围(因为此环节进行中，***尚未判定车牌类型是普通车牌还是新能源车牌)。根据上面所述车牌间隔符中心点所在的位置范围，按照垂直式排列车位的标准尺寸，取两种移动距离e值判定结果范围的图像并集，作为所述图像的区域Ⅰ、区域Ⅱ、区域Ⅲ中分割出的车位子图像Ⅰ、车位子图像Ⅱ、车位子图像Ⅲ。

将监控设备编号所对应数据库中的三个车位号调出，从左至右分别赋值给上述所述的三个子图像Ⅰ、车位子图像Ⅱ、车位子图像Ⅲ，完成车位图像与车位号的关联对应。

所述多车牌图像同时识别中车位图像分割所采用的区域均分方法，过程方法简单、容易实现。

所述多车牌图像同时识别采用的基于车牌间隔符的车牌定位方法中，采用的击中/击不中形态学方法见公式12和公式13。

B＝{B₁,B₂}且B₁∩B₂＝空集(13)

式中，A为所述分割后得到的车位子图像，B{B₁,B₂}为结构元素。

结构元素B{B₁,B₂}中，设置间隔符的中心为结构元素的原点，B₁是由与探测目标车牌相联系的B的元素构成的集合、用于探测车牌图像内部，B₂是由与相应车牌背景相联系的B的元素构成的集合、用于探测车牌图像外部。

所述击中/击不中形态学方法探测的结果

涵盖所有满足条件的原点，在这些原点处，B₁是在图像A是中找到了一个匹配(击中)，B₂在图像A的补集A^C是中找也到了一个匹配，由此完成目标车牌形状位置的探测。

所述基于车牌间隔符的车牌定位方法，用于探测车牌图像的内部元素的集合B₁，采用车牌矩形轮廓内置间隔符样式的图像，用于探测车牌图像外部的集合B₂，采用与相应车牌背景相联系的矩形外轮廓样式的图像。

所述基于车牌间隔符的击中/击不中车牌定位方法，其实现过程示意图见图11～图14。图11～图14中，图11为车位子图像A(子图像Ⅰ)，图12为结构元素B{B₁,B₂}中结构元素B₁，图13为结构元素B{B₁,B₂}中结构元素B₂，图14为车牌定位结果。

采用所述击中/击不中方法探测识别出车牌间隔符形状及间隔符中心位置后，即可判定出车牌类型，同时得到间隔符中心点位置，进一步可锁定车牌所在区域，完成整个车牌的定位。

所述基于车牌间隔符的车牌定位方法，在进行车牌定位分割过程中，从小型汽车车牌自身所规定的标准尺寸内容出发设置所述定位分割方法，不仅简便快捷，而且容易实现，用其替代领域内一些传统和其它改进方法，更符合车牌定位分割自身特性，可在一定程度上加快车牌定位分割进程。

所述多车牌图像识别中基于车牌间隔符的车牌类型判定方法如下：

通常，地下停车场或车库停车以小型汽车为主。国家标准规定的普通小型汽车车牌的牌面布局结构示意图见图15。所述车牌的外廓尺寸为440mm×140mm，序号为五位。所述车牌上的实心小圆点是一个间隔符，尺寸为直径10mm，用来区分车牌上代表地方的字母与其后面的数字，同时也起到一定的车牌防伪作用。

国家标准规定的新能源小型汽车专用号牌的牌面布局结构示意图见图16。所述车牌的外廓尺寸为480mm×140mm，序号为六位，所述车牌的间隔符则为新能源汽车号牌专用标志如图24所示。

根据上述特征，所述基于车牌间隔符、利用击中/击不中形态学方法进行车牌类型判定和车牌定位的方法，首先设置击中/击不中形态学算法中的结构元素的关键核心形状要素采用车牌外廓矩形内设间隔符样式。所述普通车牌的结构元素B{B₁,B₂}采用车牌外廓为440mm×140mm的矩形内置相应实心圆点间隔符图像。所述新能源车牌的结构元素B{B₁,B₂}采用车牌外廓为480mm×140mm的矩形内置新能源车牌专业标志，如图24所示样式间隔符的图像。接下来，所述普通车牌和新能源车牌两种车牌类型的识别，要根据利用所述两种不同的结构元素B{B₁,B₂}进行形态学击中/击不中识别的结果完成。所述用来定位普通小型汽车车牌的击中/击不中法的结构元素B{B₁,B₂}中B₁示意图见图17，B₂为B₁取反。所述用来定位新能源小型汽车车牌的击中/击不中法的结构元素B{B₁,B₂}中B₁示意图见图18，B₂为B₁取反。

为了降低所述定位误差和实际车辆停放时司机停车习惯等造成的停车位置偏离所述理想位置等的影响。所述基于车牌间隔符的车牌定位方法，用于探测车牌图像的结构元素B{B₁,B₂}还可进一步包括车牌安装孔的大小、位置及尺寸或车牌安装螺钉的大小、位置及尺寸。所述的这种精确定位中，结构元素B{B₁,B₂}中内部元素的集合B₁，采用车牌矩形轮廓内置间隔符再加上4个车牌安装孔或车牌安装螺钉的样式的图像，用于探测车牌图像外部的集合B₂，采用与相应车牌背景相联系的矩形外轮廓样式的图像。

所述的这种基于车牌矩形轮廓加上间隔符以及安装孔(安装螺钉)的击中/击不中车牌的精确定位方法，能够进一步融合车牌自身轮廓、间隔符、安装孔或安装螺钉等显著特征，得到车牌间隔符中心的精确定位，适用于精确要求的场合。所述的精确定位中，在所述的基于车牌间隔符的车牌定位结果的基础上，外扩所得车牌位置的周围a×b₁大小矩形区域的图像作为精确定位中的被处理图像，然后通过击中/击不中形态学算法再确定车牌进一步的精确位置。所述精确定位手段，由于采用了局部图像进行算法迭代，可降低图像像素点的迭代次数，不仅方法实现过程简单且容易理解，对比于全图扫描，能够提高整个车牌的识别速度，此环节亦有别于领域内其它精确定位方法。

所述车位图像的车牌识别完成后，将监控器编号、车牌号、车位号进行关联对应，并进一步与该车辆入库时间进行关联设置。

所述监控设备与车位的一对三方式的多图像识别方法，可根据车位与监控设备设置的实际方式，同理推广至一对一、一对二乃至更多等情况。更多方式的处理过程中，只需将比例模型和角度模型的建立过程同理外推即可，相应车位图像分割随之采用同样原理的区域均分方案。

具体实施方式二：所述实施方式二与实施方式一的不同之处在于，所述停车场的停车位排列方式针对的是倾斜式停车位。

通常，停车场的停车位排列方式不仅局限于垂直式停车位，个别区域可能根据建筑结构相应设置有倾斜式或平行式等排列方式的停车位。所述垂直式、倾斜式、平行式停车位排列方式的相关标准规定示意图见图19、图20和图21。

结合图19、图20、图21说明停车位排列方式的相关规定。所述垂直式车位，长大度大于等于5000mm，长度通常设置为6000mm、宽度2500mm。一般2500mm×5300mm为最佳标准停车位尺寸。所述倾斜式车位，斜长度达到6000mm，宽度为2800mm，两斜线垂直距离应保持2500mm的标准，车位倾斜角γ根据停车场建筑结构布局可相应设置为30°、45°或60°，图21所示为常用的倾斜角γ为45°的示例情况。所述平行式车位，长度标准为6000mm，宽为2500mm米。

所述具体实施方式二，是在具体实施方式一的基础上，进一步针对倾斜式停车位，以监控设备与其监控车位的数量为一对三方式作为示例，建立相应的多车牌图像识别的比例模型和角度模型，并给出所述倾斜式车位图像分割的区域三均分方式。所述倾斜式车位的监控图像处理的比例模型和角度模型的建立，需要结合图22车位倾斜角γ为45°的示例情况进行说明如下：

所述倾斜式车位的原始监控图像的比例模型和角度模型的建立过程，相对于垂直式方式的主要区别在于所述定焦点O₁、O₂和O₃设置不同、所述比例模型和角度模型不同。

对于图22所示停车场内相应区域设置的倾斜式车位，一旦监控位置和车位线设置完成，相应车位标记线位置、监控高度及监控距离等随之确定，体现在图22所示原理示意图中，

∠P₁P₂P₄＝∠P₁VV’＝∠P₁P₃P₅＝γ＝45°

图22所示b为车位长度，点V是点P₂和点P₃连线的中点，点V’是点P₄和点P₅连线的中点，所述连线VV’与平行于所述P₂P₃连线的平行线HH’相交于点O₁，所述连线HH’与P₂P₃的距离为0.5b₁。所述点O₁即为倾斜式车位监控设备的定焦点。所述连线HH’即为定位基准线。将所述连线VV’水平左右移距离a可得两条连线，所述两条连线与HH’的两个交点即为O₂、O₃。根据所述O₁、O₂、O₃的位置，采用公式3至公式11，即可得到倾斜式停车位情况下的比例模型μ₁、μ₂、μ₃和角度模型α₂、α₃、β₁、β₂、β₃。所述比例模型和角度模型建立完成后即可存入数据库中、为实际图像处理过程中进行比例变换和Hough倾斜校正调取使用。

将所述连线VV’水平左右移距离0.5a可得连线EE’和FF’。所述连线EE’和FF’即为倾斜式停车位区域三均分方式的分割线。所述分割后所得的三个平行四边形区域分别定义为区域Ⅰ、Ⅱ、Ⅲ。

根据所述方法得到分割区域Ⅰ、Ⅱ、Ⅲ后，需要进一步利用倾斜式停车位的倾斜角度γ，对所得分割区域Ⅰ、Ⅱ、Ⅲ图像进行进一步的Hough倾斜校正，从而得到矩形形式的分割区域图像Ⅰ、Ⅱ、Ⅲ。进一步对所述倾斜校正后的区域Ⅰ、Ⅱ、Ⅲ进行后续处理即可。所述后续处理与实施方式一中所述的垂直式停车位后续处理手段相同。

所述倾斜式车位图像分割的区域三均分方式，结合图22车位倾斜角γ＝45°的示例情况说明其实际图像的处理过程：

首先，根据停车场相应倾斜式车位上前方所设置的监控设备编号，对应调用数据库中的相应监控车位的对应比例模型和角度模型，对经过灰度化和邻域平均平滑去噪处理的图像执行几何校正变换和二值处理。对所述完成二值处理后的图像，其区域三均分图像分割过程中的定焦点O₁、O₂和O₃的设置方式为：

将所述图像，沿着图像下边缘取距离左顶点P₁间距为bcosγ的点标记为P₂。取所述图像的下边缘右顶点P₃与所述P₂点相连，标记其中心点为V。过所述V点，向左上方倾斜γ角方向绘制倾斜线，与所述图像的上边缘相交于点V’。所述连线VV’即为所述倾斜式停车位图像的中心线。

取距离所述图像的下边缘0.5b1处且平行于图像下边缘的直线作为定位基准线HH’。将所述连线VV’与定位基准线HH’的交点标记为O₁。将所述连线VV’水平左右移距离a可得两条连线，所述两条连线与HH’的两个交点即为O₂、O₃。

所述定焦点O₁、O₂和O₃设置完成后，所述区域三均分执行过程为：

将所述图像中的连线VV’水平左右移距离0.5a可得连线EE’和FF’。所述连线EE’和FF’即为倾斜式停车位区域三均分方式的分割线。所述分割后所得的三个平行四边形区域分别定义为区域Ⅰ、Ⅱ、Ⅲ。

根据所述方法得到分割区域Ⅰ、Ⅱ、Ⅲ后，需要进一步利用倾斜式停车位的倾斜角度γ，对所得分割区域Ⅰ、Ⅱ、Ⅲ图像进行进一步的Hough倾斜校正，从而得到矩形形式的分割区域图像Ⅰ、Ⅱ、Ⅲ。进一步对所述倾斜校正后的区域Ⅰ、Ⅱ、Ⅲ进行后续处理即可。所述后续处理与实施方式一中所述的垂直式停车位后续处理手段相同。

具体实施方式三：所述实施方式三与实施方式一及实施方式二的不同之处在于，所述停车场的停车位排列方式针对的是平行式停车位。

对于平行式车位，在车库中只有极其个别的区域，由于建筑结构限制等原因，其排列方式设置成平行排列式，参见图23所示。

鉴于车库中平行式车位排列方式设置很少，所以在实施方式上，采用监控设备与其监控车位的数量设置为一对一的方式。所述平行式停车位的车牌识别方法，与具体实施方式一的不同之处在于，其一对一的监控方式中，只需执行中间车位的图像处理过程即可。所述中间车位的图像处理手段，采用实施方式一中的垂直式车位一台监控器对三个停车位的中间车位的处理方案。

需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (9)

1.一种大中型地下智能停车场反向寻车***，其特征在于包括：车辆信息采集模块、云服务器和寻车终端，

所述车辆信息采集模块用于采集车辆停放位置图像信息，并将采集到的车辆停放位置图像信息上传至云服务器，

所述云服务器将采集到的车辆停放位置图像信息进行处理，得到车辆牌照号，并将车辆牌照号信息与该车辆的入库时间及车位编号进行关联，

所述寻车终端基于云服务器关联的车辆牌照号信息与该车辆的入库时间及车位编号，对用户输入的车辆牌照号信息给出从当前位置到目标车辆所在位置的导航路线图，

所述车辆信息采集模块包括超声波探测器和监控设备，所述超声波探测器安装在车位上，所述监控设备安装在车位上前方，所述超声波探测器用于检测车辆停车到位信号，当检测到车辆停车到位信号时，监控设备对车辆停放位置图像信息进行采集，并将采集到的车辆停放位置图像信息上传至云服务器；

所述云服务器将采集到的车辆停放位置信息进行处理的具体步骤为：

步骤一：以实际车位挡车器距离车位后标记线的距离为b₁，以距离车位前标记线内侧0.5b₁处且平行于车位前标记线的直线作为定位基准线，然后找到车位前标记线和车位后标记线的中心点，车位前标记线和车位后标记线的中心点的连线与定位基准线的交点为O₁，然后根据O₁与监控设备的连线与车位前标记线的夹角得到角度模型；

步骤二：根据监控图像中车位的大小和车位的实际大小确定成像比例μ₁；

步骤三：获取待识别车辆监控图像，并对监控图像进行预处理；

步骤四：针对预处理后的图像，根据角度模型以及成像比例进行比例变换及Hough变换，得到校正后的实际尺寸大小的图像；

步骤五：针对实际尺寸大小的图像进行二值化处理；

步骤六：针对二值化处理后的图像采用区域均分方法进行车位图像分割，得到每个监控设备所监控的各个车位的子图像；

步骤七：针对车位的子图像进行车牌类型判定和车牌间隔符定位，具体步骤为：

针对车位子图像，以普通小型汽车车牌轮廓和普通小型汽车车牌间隔符的实际大小、位置及尺寸以及新能源小型汽车车牌轮廓和新能源小型汽车车牌间隔符的实际大小、位置及尺寸作为两种结构元素，分别通过击中/击不中形态学算法确定车牌类型以及车牌间隔符的位置；

步骤八：根据车牌间隔符的位置以及相对应车牌类型的车牌标准中规定的车牌尺寸，得到车牌在车位的子图像中的位置；

步骤九：根据车牌在车位的子图像中的位置以及相对应车牌类型的车牌标准中规定的字符位置和尺寸将车牌中的字符进行分割，得到分割后的字符图像；

步骤十：基于数据库中存储的字符模板，采用模板匹配法对分割后的字符图像进行字符识别，进而得到车辆牌照号。

2.根据权利要求1所述的一种大中型地下智能停车场反向寻车***，其特征在于所述步骤三中预处理包括灰度化和邻域平均平滑去噪处理。

3.根据权利要求1所述的一种大中型地下智能停车场反向寻车***，其特征在于所述步骤五中二值化处理通过Otsu自适应阈值算法进行。

4.根据权利要求1所述的一种大中型地下智能停车场反向寻车***，其特征在于所述步骤七中结构元素包括车牌轮廓，车牌的间隔符的大小、位置及尺寸，车牌安装孔的大小、位置及尺寸或车牌安装螺钉的大小、位置及尺寸中至少一项。

5.根据权利要求1所述的一种大中型地下智能停车场反向寻车***，其特征在于所述成像比例μ₁表示为：

其中，f为相机焦距，

为监控器O距离O₁的实际值。

6.根据权利要求1所述的一种大中型地下智能停车场反向寻车***，其特征在于所述寻车终端得到导航路线图的具体步骤为：

步骤一：将起点S加入到open集合中；

步骤二：判断open集合是否为空，若为空，则表示寻路失败，结束，若不为空，则继续执行步骤三；

步骤三：找到open集合中估价函数值最小的节点U，把节点U作为当前要处理的节点，并把节点U移入到close集合中；

步骤四：判断当前节点U是否为终点，若是，则从终点沿着父节点移动至起点，进而得到路径，然后执行步骤九，若不是，则继续执行步骤五；

步骤五：判断当前节点U的相邻节点是否可扩展，若可扩展，则继续执行步骤六，若不可扩展，则转到步骤二；

步骤六：连线当前节点U与终点，将节点U的可扩展节点在连线方向上做投影，保留投影落在连线上的可扩展正向子节点，并构成集合V；

步骤七：对于集合V中的每一个子节点，若该节点在close集合中，则不做处理，若该节点不在open集合中，则将其加入到open集合，并将扩展出该节点的节点U定义为该节点的父节点，并计算该节点的估价函数，若该节点在open集合中，则检查该节点的估价函数值是否比原来的估价函数值小，若该节点的估价函数值比原来的估价函数值小，则更新该可扩展节点在open集合中的估价函数和父节点；

步骤八：转到步骤三；

步骤九：对于步骤四得到的路径，路径中每两个节点间路径分为三等份，将路径分割后得到的路径点作为集合为A，A＝{a₁,...,a_i,...,a_N}，其中a₁为起点，a_N为终点；

步骤十：定义c为当前的路径点下标，令c＝1，定义m为待连接的路径点下标，令m＝N，定义i为新路径点下标，令i＝2，最后将得到的新的路径点集合定义为B＝{b₁,...,b_i,...,b_N}；

步骤十一：将a_c和a_m连成直线l_cm；

步骤十二：判断l_cm是否经过障碍，若是，则令m＝m-1，转到步骤十一，若未经过障碍，则连接a_c与a_c+1得到直线l_c,c+1，执行步骤十三；

步骤十三：判断l_cm与l_c,c+1是否在同一直线上，若是，则令c＝c+1，m＝N，转到步骤十一，若不在同一直线上，则令路径点集合B中新路径的集合点b_i＝a_c，b_i+1＝a_m，i＝i+2，c＝m，执行步骤十四；

步骤十四：判断当前点a_c是否为终点a_N，若不是，则令m＝N，转到步骤十一；若是终点，则令b_i＝a_N，按照下标递增顺序，连接b_i，即得到路径。

7.根据权利要求1所述的一种大中型地下智能停车场反向寻车***，其特征在于所述寻车终端与云服务器之间通过无线通信。

8.根据权利要求7所述的一种大中型地下智能停车场反向寻车***，其特征在于所述无线通信通过ZigBee进行。

9.根据权利要求1所述的一种大中型地下智能停车场反向寻车***，其特征在于所述击中/击不中形态学算法表示为：

B＝{B₁,B₂}且B₁∩B₂＝空集

其中，A为车位的子图像，B＝{B₁,B₂}为结构元素；

结构元素B{B₁,B₂}中，设置所述车牌间隔符的中心为结构元素的原点，B₁是由与探测目标车牌相联系的B的元素，包括车牌矩形轮廓、间隔符、安装孔或安装螺钉构成的集合、用于探测车牌图像内部，B₂是由与相应车牌背景相联系的B的元素构成的集合、用于探测车牌图像外部。

Images