CN114267180B - 一种基于计算机视觉的停车管理方法及*** - Google Patents
一种基于计算机视觉的停车管理方法及*** Download PDFInfo
- Publication number
- CN114267180B CN114267180B CN202210200421.3A CN202210200421A CN114267180B CN 114267180 B CN114267180 B CN 114267180B CN 202210200421 A CN202210200421 A CN 202210200421A CN 114267180 B CN114267180 B CN 114267180B
- Authority
- CN
- China
- Prior art keywords
- parking
- parking space
- parked
- rectangular frame
- 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
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于计算机视觉的停车管理方法及***,属于图像识别技术领域。本发明根据监控摄像头定时采集的停车场图像,进行空余车位的自动检测、停车费用计算和停车规范性的智能监管,从而显著提升停车场的智能化管理水平;并且通过监测车位的使用状态更新,来计算各个车位的停车时长和对应费用。该方法不仅准确性高,能够有效避免人工收费中的计算失误,而且应用成本低,通过摄像头和AI检测器就可实时输出多个车位的停车费用;然后通过AI检测器所输出的车辆掩膜和标准掩膜之间的面积重叠率来确定车辆和车位的相对位置关系,该方法运算成本低,能够实现实时的停车规范性检测,从而有效维护停车场的停车秩序和安全。
Description
技术领域
本发明涉及图像识别技术领域,特别是涉及一种基于计算机视觉的停车管理方法及***。
背景技术
近年来,随着我国经济的快速发展,城市的汽车保有量不断增长,导致停车位资源短缺,传统停车收费体系缺乏规范性等问题日益突出,提升停车场内停车位的智能化管理水平迫在眉睫。
计算机视觉技术凭借其自动化程度高、易于部署、应用成本低等优点,在智慧停车领域受到了广泛研究与应用。然而,现有基于计算机视觉的方法仅能实现单一的停车管理任务,如车位检测、车牌号识别等,具有一定的使用局限性。
发明内容
本发明的目的是提供一种基于计算机视觉的停车管理方法及***,以丰富停车管理的功能,提升停车管理的便捷性。
为实现上述目的,本发明提供了如下方案:
一种基于计算机视觉的停车管理方法,包括:
对停车场内的停车位进行编号和掩膜创建,得到每个编号的车位对应的标准矩形框和标准掩膜;
将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果;所述AI检测器为基于深度神经网络构建的目标分割模型;所述识别结果包括车位的矩形框和掩膜信息;
根据所述已停车车位的矩形框与所述标准矩形框,确定所述已停车车位的编号;
根据所述已停车车位的编号,确定所述停车场的车位使用状态矩阵;车位使用状态为已停车车位或空余车位;
按照设定的更新频率更新所述停车场的车位使用状态矩阵,并记录所述车位使用状态矩阵中车位使用状态发生变化的时间;所述车位使用状态的变化包括由空余车位变为已停车车位以及由已停车车位变为空余车位;
根据每个车位的停车时间确定停车费用;对于编号为n的车位,停车时间为T2-T1,T1为由空余车位变为已停车车位的时刻,T2为由已停车车位变为空余车位的时刻;
对于已停车车位,根据对应的标准掩膜和掩膜信息确定停车状态;所述停车状态包括规范停车、不规范停车和违规停车;
输出所述停车场的车位使用状态矩阵、每个车位的停车费用和每个已停车车位的停车状态。
可选的,所述对停车场内的停车位进行编号和掩膜创建,得到每个编号的车位对应的标准矩形框和标准掩膜,具体包括:
采集无车状态下停车场的全局俯视图;
按顺序对所述全局俯视图中的所有车位进行编号,并采用标注软件标注各个车位的标签、矩形框信息和标准掩膜;所述标签为车位的编号信息,所述矩形框信息包括车位矩形框左上角点的横坐标、左上角点的纵坐标、矩形框宽度和矩形框高度。
可选的,所述将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果,之前还包括:
采集停车场的样本图像,得到样本图像集;
采用标注软件对所述样本图像集中的每个样本图像进行标注,得到每个样本图像中每个车位的车位使用状态、矩形框和掩膜信息;
采用标注后的样本图像集对基于深度神经网络构建的目标分割模型进行训练,将检测精度最佳的目标分割模型确定为所述AI检测器。
可选的,所述根据所述已停车车位的矩形框与所述标准矩形框,确定所述已停车车位的编号,具体包括:
对于第i个已停车车位,根据对应的矩形框确定所述第i个已停车车位的矩形框的中心坐标;
遍历所述停车场中每个车位的标准矩形框,判断是否满足匹配条件;所述匹配条件为且;其中,(xcenter,ycenter)为第i个已停车车位的矩形框的中心坐标,(x'n,y'n,w'n,h'n)为编号为n的车位的标准矩形框,x'n为标准矩形框左上角点的横坐标,y'n为标准矩形框左上角点的纵坐标,w'n为标准矩形框宽度,h'n为标准矩形框高度;
将满足所述匹配条件的车位的编号确定为所述已停车车位的编号。
可选的,所述对于已停车车位,根据对应的标准掩膜和掩膜信息确定停车状态,具体包括:
根据所述已停车车位的编号确定对应车位的标准掩膜;
根据所述已停车车位的面积交并比,确定停车状态;当IOU=1时,所述已停车车位的停车状态为规范停车;当1>IOU>0.8时,所述已停车车位的停车状态为不规范停车;当0.8≥IOU时,所述已停车车位的停车状态为违规停车。
本发明还提供一种基于计算机视觉的停车管理***,包括:
标准创建模块,用于对停车场内的停车位进行编号和掩膜创建,得到每个编号的车位对应的标准矩形框和标准掩膜;
检测模块,用于将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果;所述AI检测器为基于深度神经网络构建的目标分割模型;所述识别结果包括车位的矩形框和掩膜信息;
编号确定模块,用于根据所述已停车车位的矩形框与所述标准矩形框,确定所述已停车车位的编号;
车位使用状态矩阵确定模块,用于根据所述已停车车位的编号,确定所述停车场的车位使用状态矩阵;车位使用状态为已停车车位或空余车位;
车位使用状态矩阵更新模块,用于按照设定的更新频率更新所述停车场的车位使用状态矩阵,并记录所述车位使用状态矩阵中车位使用状态发生变化的时间;所述车位使用状态的变化包括由空余车位变为已停车车位以及由已停车车位变为空余车位;
停车费用确定模块,用于根据每个车位的停车时间确定停车费用;对于编号为n的车位,停车时间为T2-T1,T1为由空余车位变为已停车车位的时刻,T2为由已停车车位变为空余车位的时刻;
停车状态确定模块,用于对于已停车车位,根据对应的标准掩膜和掩膜信息确定停车状态;所述停车状态包括规范停车、不规范停车和违规停车;
输出模块,用于输出所述停车场的车位使用状态矩阵、每个车位的停车费用和每个已停车车位的停车状态。
可选的,所述标准创建模块,具体包括:
全局俯视图采集单元,用于采集无车状态下停车场的全局俯视图;
标注单元,用于按顺序对所述全局俯视图中的所有车位进行编号,并采用标注软件标注各个车位的标签、矩形框信息和标准掩膜;所述标签为车位的编号信息,所述矩形框信息包括车位矩形框左上角点的横坐标、左上角点的纵坐标、矩形框宽度和矩形框高度。
可选的,还包括:
样本图像集获取模块,用于将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果之前,采集停车场的样本图像,得到样本图像集;
标注模块,用于采用标注软件对所述样本图像集中的每个样本图像进行标注,得到每个样本图像中每个车位的车位使用状态、矩形框和掩膜信息;
训练模块,用于采用标注后的样本图像集对基于深度神经网络构建的目标分割模型进行训练,将检测精度最佳的目标分割模型确定为所述AI检测器。
可选的,所述编号确定模块,具体包括:
矩形框中心坐标确定单元,用于对于第i个已停车车位,根据对应的矩形框确定所述第i个已停车车位的矩形框的中心坐标;
匹配单元,用于遍历所述停车场中每个车位的标准矩形框,判断是否满足匹配条件;所述匹配条件为且;其中,(xcenter,ycenter)为第i个已停车车位的矩形框的中心坐标,(x'n,y'n,w'n,h'n)为编号为n的车位的标准矩形框,x'n为标准矩形框左上角点的横坐标,y'n为标准矩形框左上角点的纵坐标,w'n为标准矩形框宽度,h'n为标准矩形框高度;
编号确定单元,用于将满足所述匹配条件的车位的编号确定为所述已停车车位的编号。
可选的,所述停车状态确定模块,具体包括:
标准掩膜获取单元,用于根据所述已停车车位的编号确定对应车位的标准掩膜;
停车状态确定单元,用于根据所述已停车车位的面积交并比,确定停车状态;当IOU=1时,所述已停车车位的停车状态为规范停车;当1>IOU>0.8时,所述已停车车位的停车状态为不规范停车;当0.8≥IOU时,所述已停车车位的停车状态为违规停车。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明采用计算机视觉技术构建了面向智慧停车的AI检测器,并基于该AI检测器根据监控摄像头定时采集的停车场图像,进行空余车位的自动检测、停车费用计算和停车规范性的智能监管,从而显著提升停车场的智能化管理水平,实现车位利用率的最大化、停车场利润的最大化和停车服务质量的最优化。
而且,通过监测车位的使用状态更新,来计算各个车位的停车时长和对应费用。该方法不仅准确性高,能够有效避免人工收费中的计算失误,而且应用成本低,通过摄像头和AI检测器就可实时输出多个车位的停车费用。并且,本发明能够实现实时的停车规范性检测,从而有效维护停车场的停车秩序和安全,丰富停车管理的功能,提升停车管理的便捷性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于计算机视觉的停车管理方法的流程示意图;
图2为本发明停车状态的示意图;
图3为本发明基于计算机视觉的停车管理***的结构示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于计算机视觉的停车管理方法的流程示意图。如图1所示,包括以下步骤:
步骤100:对停车场内的停车位进行编号和掩膜创建,得到每个编号的车位对应的标准矩形框和标准掩膜。首先,固定可见光摄像头的安装位置,使其拍摄角度垂直于地面,保证整个停车场处于监控视场范围内,并在后续图像采集过程中一直保持拍摄角度固定;在停车场所有停车位处于空余无车状态时,采集一张成像清晰的停车场全局俯视图。然后,按一定顺序对停车场全局俯视图中的所有车位进行编号,并采用标注软件(本发明采用Labelme软件)对各个车位进行标签、矩形框信息和标准掩膜标注,各个车位的标签为其对应的车位编号n(n∈1,2,3,4……),第n号车位的矩形框信息为(x'n,y'n,w'n,h'n),其中x'n为n号车位的标准矩形框左上角点的横坐标,y'n为n号车位的标准矩形框左上角点的纵坐标,w'n为n号车位的标准矩形框宽度,h'n为n号车位的标准矩形框高度,第n号车位的掩膜为M'n;标注完成后,即可获得每个车位编号对应的标准矩形框和标准掩膜。
步骤200:将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果。AI检测器为基于深度神经网络构建的目标分割模型;识别结果包括车位的矩形框和掩膜信息。
AI检测器的构建过程为:
Step1:采集停车场的样本图像,得到样本图像集。例如,可以采用可见光摄像头进行停车场的全局俯视图采集,在每日工作时间内每10分钟拍摄一次,连续采集60天,得到样本图像集。
Step2:采用标注软件对样本图像集中的每个样本图像进行标注,得到每个样本图像中每个车位的车位使用状态、矩形框和掩膜信息。采用标注软件进行图像标注,在停车场图像中对每个车位进行标签、矩形框和掩膜标注,其中空余车位的标签为“空余车位”,已停车的车位标签为“已停车车位”,从而获得标注文件,即标注后的样本图像集。
Step3:采用标注后的样本图像集对基于深度神经网络构建的目标分割模型进行训练,将检测精度最佳的目标分割模型确定为AI检测器。基于所采集的停车场全局俯视图与标注文件,得到车位分割数据集,并将其划分为训练集和测试集,然后进行深度神经网络训练。训练时,先采用ImageNet数据集对深度神经网络(MASK RCNN目标分割网络)进行预训练,再采用上一步车位分割数据集中的训练集对该网络进行多次迭代训练,获得一系列目标分割模型;选择在测试集上检测精度最佳的模型作为最终的AI检测器。
步骤300:根据已停车车位的矩形框与标准矩形框,确定已停车车位的编号。对于第i个已停车车位,根据对应的矩形框确定第i个已停车车位的矩形框的中心坐标,公式为:xcenter=x+0.5*w,ycenter=y+0.5*h,(xcenter,ycenter)为第i个已停车车位的矩形框的中心坐标,(x,y,w,h)为第i个已停车车位的矩形框信息。
然后,以1号车位为起点,遍历停车场中每个车位的标准矩形框,判断是否满足匹配条件;匹配条件为且;其中,(xcenter,ycenter)为第i个已停车车位的矩形框的中心坐标,(x'n,y'n,w'n,h'n)为编号为n的车位的标准矩形框,x'n为标准矩形框左上角点的横坐标,y'n为标准矩形框左上角点的纵坐标,w'n为标准矩形框宽度,h'n为标准矩形框高度;
将满足匹配条件的车位的编号确定为已停车车位的编号。满足匹配条件意味着第i个已停车车位的矩形框的中心点属于n号车位对应的标准矩形框,则该车位的车位编号为n。
步骤400:根据已停车车位的编号,确定停车场的车位使用状态矩阵。车位使用状态为已停车车位或空余车位。根据AI检测器所输出的每个车位的标签类别(即“空余车位”或“已停车车位”)、矩形框和掩膜信息,输出车位使用状态,即[n号车位:空余车位:矩形框信息:掩膜信息]或[n号车位:已停车车位:矩形框信息:掩膜信息]。等所有车位目标的使用状态输出完毕后,根据车位编号进行排序,从而输出该时刻停车场的当前车位使用状态矩阵,如[1号车位:空余车位:矩形框信息:掩膜信息]、[2号车位:已停车车位:矩形框信息:掩膜信息]、[3号车位:已停车车位:矩形框信息:掩膜信息]……
在具体实施例中,可以在当前停车场的所有车位使用状态矩阵中,筛选出标签为“空余车位”的车位使用状态矩阵,根据其中的矩形框信息,基于opencv在停车场全局俯视图中画出所有空余车位的矩形框和车位编号并输出。
步骤500:按照设定的更新频率更新停车场的车位使用状态矩阵,并记录车位使用状态矩阵中车位使用状态发生变化的时间。车位使用状态的变化包括由空余车位变为已停车车位以及由已停车车位变为空余车位。
例如,可以每20秒进行一次检测,则每20秒将更新一次停车场的车位使用状态矩阵。如果在某次的车位使用状态矩阵更新中,第n号车位的标签从“空余车位”变为“已停车车位”,记录当前时间为T1,并输出该车位的当前的车位使用状态矩阵;如果在某次的车位使用状态矩阵更新中,第n号车位的标签从“已停车车位”变为“空余车位”,记录当前时间为T2。
步骤600:根据每个车位的停车时间确定停车费用。对于编号为n的车位,停车时间为T2-T1,停车费用为停车费用单价与停车时间的乘积。T1为由空余车位变为已停车车位的时刻,T2为由已停车车位变为空余车位的时刻。
步骤700:对于已停车车位,根据对应的标准掩膜和掩膜信息确定停车状态。停车状态包括规范停车、不规范停车和违规停车。当车位使用状态由空余车位变为已停车车位时,根据该已停车车位的编号确定对应车位的标准掩膜信息M'n,然后利用公式计算面积交并比IOU。若IOU=1,则判定停车状态为“规范停车”;如果1>IOU>0.8,则判定停车状态为“不规范停车”;否则,判定停车状态为“违规停车”,具体示例如图2所示。
步骤800:输出停车场的车位使用状态矩阵、每个车位的停车费用和每个已停车车位的停车状态。
基于上述方法,本发明还提供一种基于计算机视觉的停车管理***,图3为本发明基于计算机视觉的停车管理***的结构示意图。如图3所示,本发明基于计算机视觉的停车管理***包括:
标准创建模块301,用于对停车场内的停车位进行编号和掩膜创建,得到每个编号的车位对应的标准矩形框和标准掩膜。
检测模块302,用于将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果;AI检测器为基于深度神经网络构建的目标分割模型;识别结果包括车位的矩形框和掩膜信息。
编号确定模块303,用于根据已停车车位的矩形框与标准矩形框,确定已停车车位的编号。
车位使用状态矩阵确定模块304,用于根据已停车车位的编号,确定停车场的车位使用状态矩阵;车位使用状态为已停车车位或空余车位。
车位使用状态矩阵更新模块305,用于按照设定的更新频率更新停车场的车位使用状态矩阵,并记录车位使用状态矩阵中车位使用状态发生变化的时间;车位使用状态的变化包括由空余车位变为已停车车位以及由已停车车位变为空余车位。
停车费用确定模块306,用于根据每个车位的停车时间确定停车费用;对于编号为n的车位,停车时间为T2-T1,T1为由空余车位变为已停车车位的时刻,T2为由已停车车位变为空余车位的时刻。
停车状态确定模块307,用于对于已停车车位,根据对应的标准掩膜和掩膜信息确定停车状态;停车状态包括规范停车、不规范停车和违规停车。
输出模块308,用于输出停车场的车位使用状态矩阵、每个车位的停车费用和每个已停车车位的停车状态。
作为具体实施例,本发明基于计算机视觉的停车管理***中,标准创建模块301,具体包括:
全局俯视图采集单元,用于采集无车状态下停车场的全局俯视图。
标注单元,用于按顺序对全局俯视图中的所有车位进行编号,并采用标注软件标注各个车位的标签、矩形框信息和标准掩膜;标签为车位的编号信息,矩形框信息包括车位矩形框左上角点的横坐标、左上角点的纵坐标、矩形框宽度和矩形框高度。
作为具体实施例,本发明基于计算机视觉的停车管理***还包括:
样本图像集获取模块,用于将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果之前,采集停车场的样本图像,得到样本图像集。
标注模块,用于采用标注软件对样本图像集中的每个样本图像进行标注,得到每个样本图像中每个车位的车位使用状态、矩形框和掩膜信息。
训练模块,用于采用标注后的样本图像集对基于深度神经网络构建的目标分割模型进行训练,将检测精度最佳的目标分割模型确定为AI检测器。
作为具体实施例,本发明基于计算机视觉的停车管理***中,编号确定模块303,具体包括:
矩形框中心坐标确定单元,用于对于第i个已停车车位,根据对应的矩形框确定第i个已停车车位的矩形框的中心坐标。
匹配单元,用于遍历停车场中每个车位的标准矩形框,判断是否满足匹配条件;匹配条件为且;其中,(xcenter,ycenter)为第i个已停车车位的矩形框的中心坐标,(x'n,y'n,w'n,h'n)为编号为n的车位的标准矩形框,x'n为标准矩形框左上角点的横坐标,y'n为标准矩形框左上角点的纵坐标,w'n为标准矩形框宽度,h'n为标准矩形框高度。
编号确定单元,用于将满足匹配条件的车位的编号确定为已停车车位的编号。
作为具体实施例,本发明基于计算机视觉的停车管理***中,停车状态确定模块307,具体包括:
标准掩膜获取单元,用于根据已停车车位的编号确定对应车位的标准掩膜。
停车状态确定单元,用于根据已停车车位的面积交并比,确定停车状态;当IOU=1时,已停车车位的停车状态为规范停车;当1>IOU>0.8时,已停车车位的停车状态为不规范停车;当0.8≥IOU时,已停车车位的停车状态为违规停车。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于计算机视觉的停车管理方法,其特征在于,包括:
对停车场内的停车位进行编号和掩膜创建,得到每个编号的车位对应的标准矩形框和标准掩膜;
将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果;所述AI检测器为基于深度神经网络构建的目标分割模型;所述识别结果包括车位的矩形框和掩膜信息;
根据所述已停车车位的矩形框与所述标准矩形框,确定所述已停车车位的编号;
根据所述已停车车位的编号,确定所述停车场的车位使用状态矩阵;车位使用状态为已停车车位或空余车位;
按照设定的更新频率更新所述停车场的车位使用状态矩阵,并记录所述车位使用状态矩阵中车位使用状态发生变化的时间;所述车位使用状态的变化包括由空余车位变为已停车车位以及由已停车车位变为空余车位;每20秒将更新一次停车场的车位使用状态矩阵;
根据每个车位的停车时间确定停车费用;对于编号为n的车位,停车时间为T2-T1,T1为由空余车位变为已停车车位的时刻,T2为由已停车车位变为空余车位的时刻;
对于已停车车位,根据对应的标准掩膜和掩膜信息确定停车状态;所述停车状态包括规范停车、不规范停车和违规停车;
输出所述停车场的车位使用状态矩阵、每个车位的停车费用和每个已停车车位的停车状态;
所述对于已停车车位,根据对应的标准掩膜和掩膜信息确定停车状态,具体包括:
根据所述已停车车位的编号确定对应车位的标准掩膜;
根据所述已停车车位的面积交并比,确定停车状态;当IOU=1时,所述已停车车位的停车状态为规范停车;当1>IOU>0.8时,所述已停车车位的停车状态为不规范停车;当0.8≥IOU时,所述已停车车位的停车状态为违规停车。
2.根据权利要求1所述的基于计算机视觉的停车管理方法,其特征在于,所述对停车场内的停车位进行编号和掩膜创建,得到每个编号的车位对应的标准矩形框和标准掩膜,具体包括:
采集无车状态下停车场的全局俯视图;
按顺序对所述全局俯视图中的所有车位进行编号,并采用标注软件标注各个车位的标签、矩形框信息和标准掩膜;所述标签为车位的编号信息,所述矩形框信息包括车位矩形框左上角点的横坐标、左上角点的纵坐标、矩形框宽度和矩形框高度。
3.根据权利要求1所述的基于计算机视觉的停车管理方法,其特征在于,所述将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果,之前还包括:
采集停车场的样本图像,得到样本图像集;
采用标注软件对所述样本图像集中的每个样本图像进行标注,得到每个样本图像中每个车位的车位使用状态、矩形框和掩膜信息;
采用标注后的样本图像集对基于深度神经网络构建的目标分割模型进行训练,将检测精度最佳的目标分割模型确定为所述AI检测器。
4.根据权利要求1所述的基于计算机视觉的停车管理方法,其特征在于,所述根据所述已停车车位的矩形框与所述标准矩形框,确定所述已停车车位的编号,具体包括:
对于第i个已停车车位,根据对应的矩形框确定所述第i个已停车车位的矩形框的中心坐标;
遍历所述停车场中每个车位的标准矩形框,判断是否满足匹配条件;所述匹配条件为且;其中,(xcenter,ycenter)为第i个已停车车位的矩形框的中心坐标,(x'n,y'n,w'n,h'n)为编号为n的车位的标准矩形框,x'n为标准矩形框左上角点的横坐标,y'n为标准矩形框左上角点的纵坐标,w'n为标准矩形框宽度,h'n为标准矩形框高度;
将满足所述匹配条件的车位的编号确定为所述已停车车位的编号。
5.一种基于计算机视觉的停车管理***,其特征在于,包括:
标准创建模块,用于对停车场内的停车位进行编号和掩膜创建,得到每个编号的车位对应的标准矩形框和标准掩膜;
检测模块,用于将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果;所述AI检测器为基于深度神经网络构建的目标分割模型;所述识别结果包括车位的矩形框和掩膜信息;
编号确定模块,用于根据所述已停车车位的矩形框与所述标准矩形框,确定所述已停车车位的编号;
车位使用状态矩阵确定模块,用于根据所述已停车车位的编号,确定所述停车场的车位使用状态矩阵;车位使用状态为已停车车位或空余车位;
车位使用状态矩阵更新模块,用于按照设定的更新频率更新所述停车场的车位使用状态矩阵,并记录所述车位使用状态矩阵中车位使用状态发生变化的时间;所述车位使用状态的变化包括由空余车位变为已停车车位以及由已停车车位变为空余车位;
停车费用确定模块,用于根据每个车位的停车时间确定停车费用;对于编号为n的车位,停车时间为T2-T1,T1为由空余车位变为已停车车位的时刻,T2为由已停车车位变为空余车位的时刻;
停车状态确定模块,用于对于已停车车位,根据对应的标准掩膜和掩膜信息确定停车状态;所述停车状态包括规范停车、不规范停车和违规停车;
输出模块,用于输出所述停车场的车位使用状态矩阵、每个车位的停车费用和每个已停车车位的停车状态;
所述停车状态确定模块,具体包括:
标准掩膜获取单元,用于根据所述已停车车位的编号确定对应车位的标准掩膜;
停车状态确定单元,用于根据所述已停车车位的面积交并比,确定停车状态;当IOU=1时,所述已停车车位的停车状态为规范停车;当1>IOU>0.8时,所述已停车车位的停车状态为不规范停车;当0.8≥IOU时,所述已停车车位的停车状态为违规停车。
6.根据权利要求5所述的基于计算机视觉的停车管理***,其特征在于,所述标准创建模块,具体包括:
全局俯视图采集单元,用于采集无车状态下停车场的全局俯视图;
标注单元,用于按顺序对所述全局俯视图中的所有车位进行编号,并采用标注软件标注各个车位的标签、矩形框信息和标准掩膜;所述标签为车位的编号信息,所述矩形框信息包括车位矩形框左上角点的横坐标、左上角点的纵坐标、矩形框宽度和矩形框高度。
7.根据权利要求5所述的基于计算机视觉的停车管理***,其特征在于,还包括:
样本图像集获取模块,用于将停车场图像输入AI检测器,输出每个空车位的识别结果和已停车车位的识别结果之前,采集停车场的样本图像,得到样本图像集;
标注模块,用于采用标注软件对所述样本图像集中的每个样本图像进行标注,得到每个样本图像中每个车位的车位使用状态、矩形框和掩膜信息;
训练模块,用于采用标注后的样本图像集对基于深度神经网络构建的目标分割模型进行训练,将检测精度最佳的目标分割模型确定为所述AI检测器。
8.根据权利要求5所述的基于计算机视觉的停车管理***,其特征在于,所述编号确定模块,具体包括:
矩形框中心坐标确定单元,用于对于第i个已停车车位,根据对应的矩形框确定所述第i个已停车车位的矩形框的中心坐标;
匹配单元,用于遍历所述停车场中每个车位的标准矩形框,判断是否满足匹配条件;所述匹配条件为且;其中,(xcenter,ycenter)为第i个已停车车位的矩形框的中心坐标,(x'n,y'n,w'n,h'n)为编号为n的车位的标准矩形框,x'n为标准矩形框左上角点的横坐标,y'n为标准矩形框左上角点的纵坐标,w'n为标准矩形框宽度,h'n为标准矩形框高度;
编号确定单元,用于将满足所述匹配条件的车位的编号确定为所述已停车车位的编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200421.3A CN114267180B (zh) | 2022-03-03 | 2022-03-03 | 一种基于计算机视觉的停车管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210200421.3A CN114267180B (zh) | 2022-03-03 | 2022-03-03 | 一种基于计算机视觉的停车管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114267180A CN114267180A (zh) | 2022-04-01 |
CN114267180B true CN114267180B (zh) | 2022-05-31 |
Family
ID=80833979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210200421.3A Active CN114267180B (zh) | 2022-03-03 | 2022-03-03 | 一种基于计算机视觉的停车管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114267180B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882701B (zh) * | 2022-04-28 | 2023-01-24 | 上海高德威智能交通***有限公司 | 车位检测方法、装置、电子设备及机器可读存储介质 |
CN115953667B (zh) * | 2023-03-10 | 2023-06-13 | 法诺信息产业有限公司 | 一种基于图像识别技术的大数据可视化监控*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784306A (zh) * | 2019-01-30 | 2019-05-21 | 南昌航空大学 | 一种基于深度学习的智能停车管理方法及*** |
CN111105642A (zh) * | 2020-01-10 | 2020-05-05 | 吴立新 | 一种智能停车场停车管理***及停车方法 |
CN111325858A (zh) * | 2020-03-06 | 2020-06-23 | 赛特斯信息科技股份有限公司 | 针对路边临时停车位实现自动计费管理的方法 |
CN113822285A (zh) * | 2021-09-29 | 2021-12-21 | 重庆市云迈科技有限公司 | 一种用于复杂应用场景的车辆违停识别方法 |
CN113887420A (zh) * | 2021-09-30 | 2022-01-04 | 浙江浩腾电子科技股份有限公司 | 一种基于ai的城市公共车位智能化检测识别*** |
CN114022417A (zh) * | 2021-10-18 | 2022-02-08 | 超级视线科技有限公司 | 一种基于车辆有向包围盒的违停管理方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8830322B2 (en) * | 2012-08-06 | 2014-09-09 | Cloudparc, Inc. | Controlling use of a single multi-vehicle parking space and a restricted location within the single multi-vehicle parking space using multiple cameras |
CN111784857A (zh) * | 2020-06-22 | 2020-10-16 | 浙江大华技术股份有限公司 | 一种停车位管理方法、装置以及计算机存储介质 |
CN113076904B (zh) * | 2021-04-15 | 2022-11-29 | 华南理工大学 | 一种基于深度学习的室外停车场空余车位检测方法 |
CN113240734B (zh) * | 2021-06-01 | 2024-05-17 | 深圳市捷顺科技实业股份有限公司 | 一种基于鸟瞰图的车辆跨位判断方法、装置、设备及介质 |
CN113673420B (zh) * | 2021-08-19 | 2022-02-15 | 清华大学 | 一种基于全局特征感知的目标检测方法及*** |
-
2022
- 2022-03-03 CN CN202210200421.3A patent/CN114267180B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784306A (zh) * | 2019-01-30 | 2019-05-21 | 南昌航空大学 | 一种基于深度学习的智能停车管理方法及*** |
CN111105642A (zh) * | 2020-01-10 | 2020-05-05 | 吴立新 | 一种智能停车场停车管理***及停车方法 |
CN111325858A (zh) * | 2020-03-06 | 2020-06-23 | 赛特斯信息科技股份有限公司 | 针对路边临时停车位实现自动计费管理的方法 |
CN113822285A (zh) * | 2021-09-29 | 2021-12-21 | 重庆市云迈科技有限公司 | 一种用于复杂应用场景的车辆违停识别方法 |
CN113887420A (zh) * | 2021-09-30 | 2022-01-04 | 浙江浩腾电子科技股份有限公司 | 一种基于ai的城市公共车位智能化检测识别*** |
CN114022417A (zh) * | 2021-10-18 | 2022-02-08 | 超级视线科技有限公司 | 一种基于车辆有向包围盒的违停管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114267180A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114267180B (zh) | 一种基于计算机视觉的停车管理方法及*** | |
CN112069944B (zh) | 一种道路拥堵等级确定方法 | |
CN108921956A (zh) | 一种基于视频分析技术的路边停车收费管理方法 | |
CN113421289B (zh) | 一种克服无人机拍摄扰动的高精度车辆轨迹数据提取方法 | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN109741628B (zh) | 一种智能停车路线规划方法 | |
CN108765975B (zh) | 路侧垂直停车场管理***及方法 | |
CN114170580A (zh) | 一种面向高速公路的异常事件检测方法 | |
CN111833598A (zh) | 一种高速公路无人机交通事件自动监测方法及*** | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN112837542B (zh) | 一种高速公路段交通量统计方法、装置、存储介质及终端 | |
CN113099181B (zh) | 基于视频监控的城市交通泊车安全智能分析管理方法 | |
CN110310378A (zh) | 一种基于双鉴的开放式停车场停车计费方法及*** | |
CN117710843A (zh) | 一种基于无人机视频的交叉口动态信号配时方案检测方法 | |
CN112560814A (zh) | 一种车辆进出停车位的识别方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
CN115440071B (zh) | 一种自动驾驶违规停车检测方法 | |
CN114627565B (zh) | 一种基于人工智能的智慧停车智能收费管理*** | |
CN116434525A (zh) | 一种高速公路智能管理预警*** | |
CN114550094A (zh) | 一种三轮车流量统计和载人判断的方法及*** | |
CN114693722A (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN114564521A (zh) | 一种基于聚类算法确定农机工作时间段的方法及*** | |
CN114708728A (zh) | 一种识别交通高峰期的方法、电子设备及存储介质 | |
CN113793069A (zh) | 深度残差网络的城市内涝积水智能识别方法 | |
CN114005186A (zh) | 一种车牌识别方法、装置及停车管理*** |
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 |