CN118072548A - 基于深度学习的智能停车场车牌识别和车位管理*** - Google Patents
基于深度学习的智能停车场车牌识别和车位管理*** Download PDFInfo
- Publication number
- CN118072548A CN118072548A CN202410468151.3A CN202410468151A CN118072548A CN 118072548 A CN118072548 A CN 118072548A CN 202410468151 A CN202410468151 A CN 202410468151A CN 118072548 A CN118072548 A CN 118072548A
- Authority
- CN
- China
- Prior art keywords
- parking
- efficiency
- section
- moment
- historical
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 42
- 238000004458 analytical method Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及停车场车位管理技术领域,具体涉及基于深度学习的智能停车场车牌识别和车位管理***,该***首先基于各个停车路段的空闲车位情况,以及停车路段距离停车场路口的长度,得到停车效率特征值;在停车效率特征值的基础上,结合待管理车辆的历史停车习惯,根据各个历史停车时刻的最终停车车位分布和对应停车路段的停车效率特征值,得到当前时刻下各个停车路段的停车优先度,使得根据停车优先度得到的当前时刻下待管理车辆的最终停车路段更加准确,提高待管理车辆的停车效率,使得对停车场车位管理的效果更好。
Description
技术领域
本发明涉及停车场车位管理技术领域,具体涉及基于深度学习的智能停车场车牌识别和车位管理***。
背景技术
智能停车场***也即智能停车场管理***,通过摄像头采集车辆车牌信息进行识别来记录车辆驶入驶出停车场的信息,并且记录不同车辆的停车位置,进而统计各个停车道路区域的剩余车位数量,此时当新的车辆驶入停车场时,通过LED显示器显示不同行驶方向的剩余车位数量,并利用箭头的形式引导车辆进入空闲车位。
现有技术通常将距离停车场入口最近的空闲车位对新的驶入车辆进行引导,以节省停车车位寻找时间。但是由于待管理车辆即新的驶入车辆的停车习惯不同,并且结合不同停车路段的空余车位的分布情况不同的特点,直接以最近的空闲车位对新的驶入车辆进行引导,甚至可能会导致停车效率降低;例如若驶入车辆的驾驶技术较差时,通常会在停车场寻找较远的较为空旷的停车路段进行停车;而当停车路段的空余车位较少时,在对应的停车路段停车对驾驶技术的要求较高,若对于司机驾驶技术较差的车辆,可能需要更多的时间来进行停车,并且可能会引发拥堵情况导致停车的效率更低。也即现有技术将距离停车场入口最近的空闲车位对新的驶入停车场的车辆进行引导的方法所得到的最终停车路段不够准确,从而降低待管理车辆的停车效率,使得对停车场车位管理的效果较差。
发明内容
为了解决现有技术将距离停车场入口最近的空闲车位对新的驶入停车场的车辆进行引导的方法所得到的最终停车路段不够准确,从而降低待管理车辆的停车效率,使得对停车场车位管理的效果较差的技术问题,本发明的目的在于提供一种基于深度学习的智能停车场车牌识别和车位管理***,所采用的技术方案具体如下:
本发明提出了基于深度学习的智能停车场车牌识别和车位管理***,所述***包括:
停车数据获取模块,用于获取每个时刻下停车场中每个停车路段的占用车位和空闲车位,以及待管理车辆在停车场的每个历史停车时刻下的最终停车车位;
停车效率特征值计算模块,用于在每个时刻下,根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量,以及占用车位和空闲车位的位置分布情况,得到每个时刻下停车场中每个停车路段的停车效率特征值;
停车优先度计算模块,用于根据待管理车辆对应的每个历史停车时刻下各个停车路段的停车效率特征值的分布情况,得到待管理车辆的停车效率需求程度;对于停车场的每个停车路段,根据待管理车辆在当前停车时刻下的停车效率特征值相对于各个历史停车时刻的停车效率特征值的偏差,和每个历史停车时刻下的最终停车车位在停车场位置分布情况,以及所述停车效率需求程度,得到当前停车时刻下待管理车辆在每个停车路段的停车优先度;
停车场车位管理模块,用于根据所述停车优先度得到待管理车辆在当前停车时刻下的最终停车路段;根据所述最终停车路段进行停车场车位管理。
进一步地,所述停车效率特征值的获取方法包括:
对于每个时刻下的每个停车路段:在停车路段中,沿停车路段的延伸方向,将每个占用车位和其前一个占用车位之间的空闲车位数量,与每个占用车位和其后一个占用车位之间的空闲车位数量的和值,作为每个占用车位的参考空闲数量;将停车路段中所有占用车位的参考空闲数量的均值,作为停车路段的停车可操作度;
根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量和停车可操作度,构建停车效率特征值计算模型,根据所述停车效率特征值计算模型得到每个时刻下每个停车路段的停车效率特征值。
进一步地,所述停车效率需求程度的获取方法包括:
将待管理车辆在每个历史停车时刻的最终停车车位所处的停车路段的停车效率特征值,作为每个历史停车时刻的历史停车效率;将每个历史停车时刻以对应的历史停车效率从大到小的顺序排列,得到历史停车时刻序列;在所述历史停车时刻序列中,将每个历史停车时刻的历史停车效率与下一个历史停车时刻的历史停车效率之间的差异,作为每个历史停车时刻的参考效率变化值;
在历史停车效率小于参考效率均值的所有历史停车时刻中,将参考效率变化值最大的历史停车时刻的停车效率特征值,作为待管理车辆的停车效率需求程度。
进一步地,所述停车优先度的获取方法包括:
将不同停车路段之间的交汇处,作为路口节点;获取每个历史停车时刻下的最终停车车位到每个停车路段的最短路径;
依次将每个停车路段作为目标停车路段;将每个历史停车时刻到目标停车路段的最短路径上的路口节点总数量,作为每个历史停车时刻的路口节点数量;将所有历史停车时刻的路口节点数量的均值的负相关映射值,作为目标停车路段的停车距离参考值;将所有历史停车时刻中最终停车车位在目标停车路段的频率,作为目标停车路段的停车频率参考值;
将所有历史停车时刻下目标停车路段的停车效率特征值的均值,作为目标效率均值;根据当前停车时刻下目标停车路段的停车效率特征值与所述目标效率均值,得到当前停车时刻下目标停车路段的停车效率参考值,当前停车时刻下目标停车路段的停车效率特征值与所述停车效率参考值呈正相关关系,所述目标效率均值与所述停车效率参考值呈负相关关系;
根据所述停车距离参考值、所述停车频率参考值、所述停车效率参考值、当前停车时刻下目标停车路段的停车效率特征值和所述停车效率需求程度,构建停车优先度计算模型;根据所述停车优先度计算模型,得到当前停车时刻下待管理车辆在目标停车路段的停车优先度。
进一步地,所述最终停车路段的获取方法包括:
在当前停车时刻下,将待管理车辆在停车场中的停车优先度最大的停车路段,作为待管理车辆在当前停车时刻下的最终停车路段。
进一步地,所述根据所述最终停车路段进行停车场车位管理的方法包括:
对待管理车辆向对应的最终停车路段进行路线引导,直至待管理车辆进入空闲车位。
进一步地,所述停车效率特征值计算模型包括:
;
其中,为第/>个时刻下停车场第/>个停车路段的停车效率特征值,/>为第/>个时刻下停车场第/>个停车路段的空闲车位数量;/>为停车场第/>个停车路段的车位总数量;/>为第/>个时刻下停车场第/>个停车路段的停车可操作度;/>为待管理车辆到第个停车路段的最短路径长度。
进一步地,所述停车优先度计算模型包括:
;
其中,为当前停车时刻下待管理车辆在第/>个停车路段的停车优先度;/>为第/>个停车路段的停车频率参考值,/>为第/>个停车路段的停车距离参考值,/>为第/>个停车路段的停车效率参考值,/>为当前停车时刻下第/>个停车路段的停车效率特征值,为待管理车辆的停车效率需求程度。
进一步地,所述最短路径的获取方法采用启发式路径搜索算法。
进一步地,所述停车效率参考值的获取方法包括:
将当前停车时刻下目标停车路段的停车效率特征值与所述目标效率均值的比值,作为当前停车时刻下目标停车路段的停车效率参考值。
本发明具有如下有益效果:
仅基于距离进行最终停车路段的选择,没有考虑到停车路段的空闲车位情况以及待管理车辆的停车习惯,从而导致所得到的最终停车路段不够准确,所以需要从各个停车路段的空闲车位情况以及停车习惯进行分析,也即需要获取用于表征各个停车路段的空闲车位情况的每个停车路段的占用车位和空闲车位,以及表征停车习惯的待管理车辆在停车场的每个历史停车时刻下的最终停车车位。
对于每个停车路段而言,空闲车位的数量越多,则在该停车路段的停车效率越高;但还需要考虑到当车位间隔分布时,实际上的车位可操作空间仍为一个车位,因此还需要结合空闲车位的分布进行分析;进一步地当待管理车辆到对应的停车路段的路径长度越长时,行驶需要花费的时间同样会影响停车效率,因此本发明根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量,以及占用车位和空闲车位的位置分布情况,进行停车效率特征值的计算。
进一步地对于每个停车路段而言,当前时刻下对应的停车效率相较于各个历史停车时刻下的停车效率越大,说明该停车路段在当前时刻的优先度越高;同时,若待管理车辆的所有历史停车时刻的最终停车车位处于对应的停车路段的次数越多,说明待管理车辆越习惯于在该停车路段停车,并且对应停车路段越靠近待管理车辆每次停车的最终停车位置时,则被选择停车的可能性越高,对应的停车优先级也就越高;此外,考虑到不同车主对停车效率的需求不同,若车主通常选择停车效率较大的停车路段进行停车,则对于停车效率相对较小的停车路段而言,对应的优先级通常更小,因此可根据待管理车辆在各个历史停车时刻下停车路段的停车效率特征值的分布,得到对应的停车效率需求程度,停车效率需求程度越大,说明车主对停车效率的要求越高,则当前停车时刻下停车效率特征值小于停车效率需求程度的停车路段的优先级应当越小。将对停车优先级影响的所有特征结合,得到当前停车时刻下待管理车辆在每个停车路段的停车优先度,使得根据停车优先度得到的当前时刻下待管理车辆的最终停车路段更加准确,提高待管理车辆的停车效率,使得对停车场车位管理的效果更好。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于深度学习的智能停车场车牌识别和车位管理***结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于深度学习的智能停车场车牌识别和车位管理***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于深度学习的智能停车场车牌识别和车位管理***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于深度学习的智能停车场车牌识别和车位管理***结构框图,该***包括停车数据获取模块101、停车效率特征值计算模块102、停车优先度计算模块103和停车场车位管理模块104。
停车数据获取模块101,用于获取每个时刻下停车场中每个停车路段的占用车位和空闲车位,以及待管理车辆在停车场的每个历史停车时刻下的最终停车车位。
本发明实施例旨在提供一种基于深度学习的智能停车场车牌识别和车位管理***,用于根据各个停车路段的空闲车位情况以及停车习惯进行分析,根据分析得到的更加准确的最终停车路段进行停车场车位管理。而停车习惯需要根据待管理车辆在停车场停车的历史数据进行表征,因此本发明实施例首先获取每个时刻下停车场中每个停车路段的占用车位和空闲车位,以及待管理车辆在停车场的每个历史停车时刻下的最终停车车位。
在本发明实施例中,通过在停车场入口处安装监控摄像头,采集并识别进入停车场的待管理车辆的车牌信息,并根据识别到的车牌信息获取待管理车辆在预设历史时间段中每次停车时对应的最终停车车位,也即历史停车时刻为待管理车辆在预设历史时间段中内每次停车对应的时刻;通过在停车场内各个停车路段安装监控摄像头,采集并识别各个车位的占用或空闲状况,得到每个时刻下停车场中每个停车路段的占用车位和空闲车位。需要说明的是,通过拍摄得到的图像识别各个车位的占用或空闲情况为本领域技术人员所熟知的现有技术,实施者可通过将拍摄得到的停车路段输入到训练好的神经网络模型或者通过现有技术中的车辆车牌识别方法检测占用车位和空闲车位,在此不做进一步赘述。
在本发明实施例中,采样频率设置为每分钟采集1次,实施者也可根据具体实施环境自行调整采样频率,或者只在检测到车辆进入停车场时获取停车路段的占用车位和空闲车位,以减少计算资源;并且本发明实施例将预设历史时间段设置为当前时刻之前一个月,实施者也可根据具体实施环境自行选择预设历史时间段的时间长度,例如当前时刻之前两个月、半年等,在此不做进一步赘述。此外需要说明的是,本发明实施例的实施场景为同一个停车场,且停车路段以出现岔路口、转弯或掉头为划分标准。
停车效率特征值计算模块102,用于在每个时刻下,根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量,以及占用车位和空闲车位的位置分布情况,得到每个时刻下停车场中每个停车路段的停车效率特征值。
仅基于距离进行最终停车路段的选择,没有考虑到停车路段的空闲车位情况以及待管理车辆的停车习惯,从而导致所得到的最终停车路段不够准确,所以需要从各个停车路段的空闲车位情况以及停车习惯进行分析,也即需要获取用于表征各个停车路段的空闲车位情况的每个停车路段的占用车位和空闲车位,以及表征停车习惯的待管理车辆在停车场的每个历史停车时刻下的最终停车车位。
而对于各个停车路段的空闲车位情况而言,空闲车位的数量越多,则在该停车路段的停车效率越高;但还需要考虑到当车位全部间隔分布时,实际上的车位可操作空间仍为一个车位,对驾驶基础较差的车主而言,可能需要更多的时间来进行停车,因此还需要结合空闲车位的分布进行分析。进一步地考虑到停车路段距离停车场入口越远时,待管理车辆行驶到对应停车路段的时间越长,对应的停车效率也就越低,因此本发明实施例在每个时刻下,根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量,以及占用车位和空闲车位的位置分布情况,得到每个时刻下停车场中每个停车路段的停车效率特征值;停车效率特征值越大,说明不考虑待管理车辆车主的停车习惯的情况下对应的停车路段的停车效率越高。需要说明的是,当待管理车辆均不存在历史停车时刻时,也即待管理车辆在预设历史时间段中在停车场没有停车记录时,将当前停车时刻下停车效率特征值最高的停车时间段,作为待管理车辆在当前停车时刻下的最终停车路段,在此不做进一步赘述。
优选地,停车效率特征值的获取方法包括:
对于每个时刻下的每个停车路段:在停车路段中,沿停车路段的延伸方向,将每个占用车位和其前一个占用车位之间的空闲车位数量,与每个占用车位和其后一个占用车位之间的空闲车位数量的和值,作为每个占用车位的参考空闲数量。也即占用车位与两侧相邻的占用车位之间的空闲车位越多,参考空闲数量越大,对应的待管理车辆在该占用车位临近位置停车时的可操作空间越大;进一步将停车路段中所有占用车位的参考空闲数量的均值,作为停车路段的停车可操作度。通过均值的形式结合停车路段中所有占用车位的临近可操作空间,使得对应的停车可操作度越大时,待管理车辆在该停车路段停车的可操作空间越大,停车效率也就越高。
根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量和停车可操作度,构建停车效率特征值计算模型,根据停车效率特征值计算模型得到每个时刻下每个停车路段的停车效率特征值。优选地,最短路径的获取方法采用启发式路径搜索算法。需要说明的是,当停车场为单向通行时,可直接根据单向行进路线确定最短路径;当不为单向通行时,实施者也可根据具体实施环境采用启发式路径搜索算法外的其他方法获取最短路径,且启发式路径搜索算法为本领域技术人员所熟知的现有技术,在此不做进一步赘述。
优选地,停车效率特征值计算模型包括:
;
其中,为第/>个时刻下停车场第/>个停车路段的停车效率特征值,/>为第/>个时刻下停车场第/>个停车路段的空闲车位数量;/>为停车场第/>个停车路段的车位总数量;/>为第/>个时刻下停车场第/>个停车路段的停车可操作度;/>为待管理车辆到第个停车路段的最短路径长度。
其中,对于而言,其所表征的含义为第/>个停车路段的空闲车位数量占比,对应的空闲车位数量越少,待管理车辆停车的选择也就越少,停车效率也就越小,因此/>与停车效率特征值呈正相关关系,作为分子存在。/>作为停车可操作度,停车可操作度越大时,待管理车辆在该停车路段停车的可操作空间越大,停车效率越高,因此/>与停车效率特征值也呈正相关关系,也作为分子存在。而/>为待管理车辆到第/>个停车路段的最短路径长度,最短路径长度越长,也即停车路段距离停车场入口越远时,待管理车辆行驶到对应停车路段的时间越长,对应的停车效率也就越低,因此/>与停车效率特征值呈负相关关系,作为分母存在。
停车优先度计算模块103,用于根据待管理车辆对应的每个历史停车时刻下各个停车路段的停车效率特征值的分布情况,得到待管理车辆的停车效率需求程度;对于停车场的每个停车路段,根据待管理车辆在当前停车时刻下的停车效率特征值相对于各个历史停车时刻的停车效率特征值的偏差,和每个历史停车时刻下的最终停车车位在停车场位置分布情况,以及停车效率需求程度,得到当前停车时刻下待管理车辆在每个停车路段的停车优先度。
对于待管理车辆在停车场的停车习惯而言,在选取当前时刻下的停车路段时,需要考虑到当待管理车辆车主对停车效率的需求程度较高时,则当前时刻下停车效率特征值较低的停车路段对应的优先级应当较低或者不作停车考虑,而停车效率的需求程度能够从待管理车辆在历史停车时刻的最终停车车位所处的停车路段的效率进行表示,因此本发明实施例根据待管理车辆对应的每个历史停车时刻下各个停车路段的停车效率特征值的分布情况,得到待管理车辆的停车效率需求程度。
优选地,停车效率需求程度的获取方法包括:
将待管理车辆在每个历史停车时刻的最终停车车位所处的停车路段的停车效率特征值,作为每个历史停车时刻的历史停车效率;将每个历史停车时刻以对应的历史停车效率从大到小的顺序排列,得到历史停车时刻序列;在历史停车时刻序列中,将每个历史停车时刻的历史停车效率与下一个历史停车时刻的历史停车效率之间的差异,作为每个历史停车时刻的参考效率变化值;
对于停车车辆而言,停车效率需求程度其实质是指车主停车习惯中可接受的最小道路停车效率,但是以历史停车时刻中所有历史停车效率的最小值作为停车效率需求程度,可能会受到偶然数据的影响,导致不符合车主停车习惯;而均值是车主停车习惯的停车效率整体特征的特性,作为可接受的最小道路停车效率并不符合实际环境。而偶然数据通常是离散的,若历史停车时刻的参考效率变化值较大时,说明数值跨度较大,该历史停车时刻的后续停车效率越可能为偶然数据;并且考虑到停车效率需求程度是车主停车习惯中可接受的最小停车效率,因此在历史停车效率小于参考效率均值的所有历史停车时刻中,将参考效率变化值最大的历史停车时刻的停车效率特征值,作为待管理车辆的停车效率需求程度。
进一步地对于每个停车路段而言,当前时刻下对应的停车效率相较于各个历史停车时刻下的停车效率越大,说明该停车路段在当前时刻的优先度越高;同时,若待管理车辆的所有历史停车时刻的最终停车车位处于对应的停车路段的次数越多,说明待管理车辆越习惯于在该停车路段停车,并且对应停车路段越靠近待管理车辆每次停车的最终停车位置时,则被选择停车的可能性越高,对应的停车优先级也就越高;而停车效率需求程度能够表征车主停车习惯中可接受的最小停车效率,因此可根据待管理车辆在各个历史停车时刻下停车路段的停车效率特征值的分布,得到对应的停车效率需求程度,停车效率需求程度越大,说明车主对停车效率的要求越高,则当前停车时刻下停车效率特征值小于停车效率需求程度的停车路段的优先级应当越小。因此,当前时刻下停车路段的停车效率相对于各个历史停车时刻的偏差,以及最终停车车位在停车场的位置和停车效率需求程度,均会影响停车路段的停车优先度。
因此本发明实施例对于停车场的每个停车路段,根据待管理车辆在当前停车时刻下的停车效率特征值相对于各个历史停车时刻的停车效率特征值的偏差,和每个历史停车时刻下的最终停车车位在停车场位置分布情况,以及停车效率需求程度,得到当前停车时刻下待管理车辆在每个停车路段的停车优先度。
优选地,停车优先度的获取方法包括:
将不同停车路段之间的交汇处,作为路口节点;获取每个历史停车时刻下的最终停车车位到每个停车路段的最短路径。优选地,最短路径的获取方法采用启发式路径搜索算法。依次将每个停车路段作为目标停车路段;将每个历史停车时刻到目标停车路段的最短路径上的路口节点总数量,作为每个历史停车时刻的路口节点数量。路口节点数量越多,说明停车路段到最终停车车位的距离越远,且路口节点对应路口,停车场存在的路口可能会影响车辆的行驶效率,因此相比于路径长度,路口节点的数量对距离的衡量程度更好,即路口节点数量越小时,目标停车路段越靠近对应历史时刻的最终停车车位。因此各个历史停车时刻的路口节点数量整体越小时,说明目标停车路段整体越靠近最终停车车位,对应的停车优先级越高。因此有历史停车时刻的路口节点数量的均值的负相关映射值,作为目标停车路段的停车距离参考值,即停车距离参考值越大时,各个历史停车时刻的路口节点数量整体越小,对应的停车优先度越高。
所有历史停车时刻中最终停车车位在目标停车路段的频率,作为目标停车路段的停车频率参考值;待管理车辆的所有历史停车时刻的最终停车车位处于对应的停车路段的次数越多,说明待管理车辆越习惯于在该停车路段停车,因此停车频率参考值越大,对应的停车优先度应当越高。
将所有历史停车时刻下目标停车路段的停车效率特征值的均值,作为目标效率均值;根据当前停车时刻下目标停车路段的停车效率特征值与目标效率均值,得到当前停车时刻下目标停车路段的停车效率参考值,当前停车时刻下目标停车路段的停车效率特征值与停车效率参考值呈正相关关系,目标效率均值与停车效率参考值呈负相关关系;优选地,停车效率参考值的获取方法包括:
将当前停车时刻下目标停车路段的停车效率特征值与目标效率均值的比值,作为当前停车时刻下目标停车路段的停车效率参考值。
停车效率特征值越大,说明在当前时刻下,对应停车路段停车的效率越高,对应的停车优先级也应当越高。以及停车效率参考值越大,停车优先度越高。目标停车效率能够表征各个历史停车时刻下目标停车路段的停车效率参考值,用于限制停车效率特征值的取值,使得得到的停车效率参考值更具有鲁棒性,因此作为分母影响停车效率参考值。
进一步地将停车距离参考值、停车频率参考值、停车效率参考值和停车需求程度结合,本发明实施例根据停车距离参考值、停车频率参考值、停车效率参考值、当前停车时刻下目标停车路段的停车效率特征值和停车效率需求程度,构建停车优先度计算模型;根据停车优先度计算模型,得到当前停车时刻下待管理车辆在目标停车路段的停车优先度。
优选地,停车优先度计算模型包括:
;
其中,为当前停车时刻下待管理车辆在第/>个停车路段的停车优先度;/>为第/>个停车路段的停车频率参考值,/>为第/>个停车路段的停车距离参考值,/>为第/>个停车路段的停车效率参考值,/>为当前停车时刻下第/>个停车路段的停车效率特征值,为待管理车辆的停车效率需求程度。
其中,对于而言,/>对应的停车效率需求程度表征待管理车辆的车主停车习惯中可接受的最小停车效率,因此当前时刻下停车效率特征值小于停车效率需求程度的停车路段不应作为停车路段考虑,所以将当前停车时刻下第/>个停车路段的停车效率特征值与停车效率需求程度相减,当/>小于/>时,对应的停车优先度为负值,排除作为最终停车路段的可能。/>和/>在一定程度上均是表征结合车主历史停车习惯情况下,第/>个停车路段与各个最终停车车位的靠近程度,因此通过欧氏范数的方式结合两个参数并去除量纲影响。/>则是当前时刻下第/>个停车路段的停车效率特征值,/>越大,对应的停车优先度越大,因此以乘积的形式进行正相关映射。需要说明的是,停车优先度的获取方法中,/>、/>、/>以及/>均与停车优先度呈正相关,实施者也可通过其他方法结合上述参数得到停车优先度,例如将/>、/>、/>以及/>的乘积或和值的归一化值作为停车优先度等,在此不做进一步赘述。
停车场车位管理模块104,用于根据停车优先度得到待管理车辆在当前停车时刻下的最终停车路段;根据最终停车路段进行停车场车位管理。
停车优先度即当前时刻下停车路段的停车优先级,进一步地根据停车优先度得到待管理车辆在当前停车时刻下的最终停车路段。优选地,最终停车路段的获取方法包括:
在当前停车时刻下,将待管理车辆在停车场中的停车优先度最大的停车路段,作为待管理车辆在当前停车时刻下的最终停车路段。停车优先度为结合各个停车路段的空闲车位情况以及停车习惯进行分析得到的车位选择优先级,因此选择停车优先度最大的停车路段作为当前停车时刻下的最终停车路段,能够最大限度的保证待管理车辆的停车效率。
最后根据最终停车路段进行停车场车位管理。优选地,根据最终停车路段进行停车场车位管理的方法包括:
对待管理车辆向对应的最终停车路段进行路线引导,直至待管理车辆进入空闲车位。需要说明的是,路线引导只是存在引导作用,并不强制待管理车辆进入最终停车路段停车,也即只要待管理车辆进入任何一个空闲车位后路线引导即停止。需要说明的是,路线引导时对应的路径为启发式路径搜索算法得到的停车场入口到最终停车路段的最短路径,在此不做进一步赘述。
综上所述,本发明首先基于各个停车路段的空闲车位情况,以及停车路段距离停车场路口的长度,得到停车效率特征值;在停车效率特征值的基础上,结合待管理车辆的历史停车习惯,根据各个历史停车时刻的最终停车车位分布和对应停车路段的停车效率特征值,得到当前时刻下各个停车路段的停车优先度,使得根据停车优先度得到的当前时刻下待管理车辆的最终停车路段更加准确,提高待管理车辆的停车效率,使得对停车场车位管理的效果更好。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述***包括:
停车数据获取模块,用于获取每个时刻下停车场中每个停车路段的占用车位和空闲车位,以及待管理车辆在停车场的每个历史停车时刻下的最终停车车位;
停车效率特征值计算模块,用于在每个时刻下,根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量,以及占用车位和空闲车位的位置分布情况,得到每个时刻下停车场中每个停车路段的停车效率特征值;
停车优先度计算模块,用于根据待管理车辆对应的每个历史停车时刻下各个停车路段的停车效率特征值的分布情况,得到待管理车辆的停车效率需求程度;对于停车场的每个停车路段,根据待管理车辆在当前停车时刻下的停车效率特征值相对于各个历史停车时刻的停车效率特征值的偏差,和每个历史停车时刻下的最终停车车位在停车场位置分布情况,以及所述停车效率需求程度,得到当前停车时刻下待管理车辆在每个停车路段的停车优先度;
停车场车位管理模块,用于根据所述停车优先度得到待管理车辆在当前停车时刻下的最终停车路段;根据所述最终停车路段进行停车场车位管理。
2.根据权利要求1所述的基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述停车效率特征值的获取方法包括:
对于每个时刻下的每个停车路段:在停车路段中,沿停车路段的延伸方向,将每个占用车位和其前一个占用车位之间的空闲车位数量,与每个占用车位和其后一个占用车位之间的空闲车位数量的和值,作为每个占用车位的参考空闲数量;将停车路段中所有占用车位的参考空闲数量的均值,作为停车路段的停车可操作度;
根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量和停车可操作度,构建停车效率特征值计算模型,根据所述停车效率特征值计算模型得到每个时刻下每个停车路段的停车效率特征值。
3.根据权利要求1所述的基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述停车效率需求程度的获取方法包括:
将待管理车辆在每个历史停车时刻的最终停车车位所处的停车路段的停车效率特征值,作为每个历史停车时刻的历史停车效率;将每个历史停车时刻以对应的历史停车效率从大到小的顺序排列,得到历史停车时刻序列;在所述历史停车时刻序列中,将每个历史停车时刻的历史停车效率与下一个历史停车时刻的历史停车效率之间的差异,作为每个历史停车时刻的参考效率变化值;
在历史停车效率小于参考效率均值的所有历史停车时刻中,将参考效率变化值最大的历史停车时刻的停车效率特征值,作为待管理车辆的停车效率需求程度。
4.根据权利要求1所述的基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述停车优先度的获取方法包括:
将不同停车路段之间的交汇处,作为路口节点;获取每个历史停车时刻下的最终停车车位到每个停车路段的最短路径;
依次将每个停车路段作为目标停车路段;将每个历史停车时刻到目标停车路段的最短路径上的路口节点总数量,作为每个历史停车时刻的路口节点数量;将所有历史停车时刻的路口节点数量的均值的负相关映射值,作为目标停车路段的停车距离参考值;将所有历史停车时刻中最终停车车位在目标停车路段的频率,作为目标停车路段的停车频率参考值;
将所有历史停车时刻下目标停车路段的停车效率特征值的均值,作为目标效率均值;根据当前停车时刻下目标停车路段的停车效率特征值与所述目标效率均值,得到当前停车时刻下目标停车路段的停车效率参考值,当前停车时刻下目标停车路段的停车效率特征值与所述停车效率参考值呈正相关关系,所述目标效率均值与所述停车效率参考值呈负相关关系;
根据所述停车距离参考值、所述停车频率参考值、所述停车效率参考值、当前停车时刻下目标停车路段的停车效率特征值和所述停车效率需求程度,构建停车优先度计算模型;根据所述停车优先度计算模型,得到当前停车时刻下待管理车辆在目标停车路段的停车优先度。
5.根据权利要求1所述的基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述最终停车路段的获取方法包括:
在当前停车时刻下,将待管理车辆在停车场中的停车优先度最大的停车路段,作为待管理车辆在当前停车时刻下的最终停车路段。
6.根据权利要求1所述的基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述根据所述最终停车路段进行停车场车位管理的方法包括:
对待管理车辆向对应的最终停车路段进行路线引导,直至待管理车辆进入空闲车位。
7.根据权利要求2所述的基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述停车效率特征值计算模型包括:
;
其中,为第/>个时刻下停车场第/>个停车路段的停车效率特征值,/>为第/>个时刻下停车场第/>个停车路段的空闲车位数量;/>为停车场第/>个停车路段的车位总数量;为第/>个时刻下停车场第/>个停车路段的停车可操作度;/>为待管理车辆到第/>个停车路段的最短路径长度。
8.根据权利要求4所述的基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述停车优先度计算模型包括:
;
其中,为当前停车时刻下待管理车辆在第/>个停车路段的停车优先度;/>为第/>个停车路段的停车频率参考值,/>为第/>个停车路段的停车距离参考值,/>为第/>个停车路段的停车效率参考值,/>为当前停车时刻下第/>个停车路段的停车效率特征值,/>为待管理车辆的停车效率需求程度。
9.根据权利要求4所述的基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述最短路径的获取方法采用启发式路径搜索算法。
10.根据权利要求4所述的基于深度学习的智能停车场车牌识别和车位管理***,其特征在于,所述停车效率参考值的获取方法包括:
将当前停车时刻下目标停车路段的停车效率特征值与所述目标效率均值的比值,作为当前停车时刻下目标停车路段的停车效率参考值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410468151.3A CN118072548A (zh) | 2024-04-18 | 2024-04-18 | 基于深度学习的智能停车场车牌识别和车位管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410468151.3A CN118072548A (zh) | 2024-04-18 | 2024-04-18 | 基于深度学习的智能停车场车牌识别和车位管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118072548A true CN118072548A (zh) | 2024-05-24 |
Family
ID=91104061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410468151.3A Pending CN118072548A (zh) | 2024-04-18 | 2024-04-18 | 基于深度学习的智能停车场车牌识别和车位管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118072548A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018232950A1 (zh) * | 2017-06-23 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种停车场车位调度方法及装置 |
CN113011677A (zh) * | 2021-04-06 | 2021-06-22 | 万翼科技有限公司 | 基于车库的车位排布优化方法及相关产品 |
CN116523350A (zh) * | 2023-07-03 | 2023-08-01 | 万维智能科技有限公司 | 一种基于数据分析的智慧停车场车流规划管理*** |
CN117831336A (zh) * | 2023-12-18 | 2024-04-05 | 广东安快智能科技有限公司 | 基于道闸***的车位引导方法、装置、设备以及存储介质 |
-
2024
- 2024-04-18 CN CN202410468151.3A patent/CN118072548A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018232950A1 (zh) * | 2017-06-23 | 2018-12-27 | 深圳市盛路物联通讯技术有限公司 | 一种停车场车位调度方法及装置 |
CN113011677A (zh) * | 2021-04-06 | 2021-06-22 | 万翼科技有限公司 | 基于车库的车位排布优化方法及相关产品 |
CN116523350A (zh) * | 2023-07-03 | 2023-08-01 | 万维智能科技有限公司 | 一种基于数据分析的智慧停车场车流规划管理*** |
CN117831336A (zh) * | 2023-12-18 | 2024-04-05 | 广东安快智能科技有限公司 | 基于道闸***的车位引导方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9076333B2 (en) | Driving support device, driving support method, and driving support program | |
JP6247754B2 (ja) | 駐車場探し開始特定のために車両の測定データを処理する方法 | |
EP3698299A1 (en) | Autonomous vehicle routing | |
CN114419924B (zh) | 一种基于智慧城市的ai应用控制管理*** | |
CN111081048A (zh) | 停车位导航方法、***、存储介质和计算机设备 | |
CN111445703A (zh) | 一种基于图像识别的智能停车场***及方法 | |
CN109615901A (zh) | 一种基于大数据的停车管理***及方法 | |
CN116486643A (zh) | 基于物联网对场地进行分析的停车管理*** | |
CN116258342A (zh) | 停车管理服务*** | |
CN114519940B (zh) | 一种应用于智慧停车的大数据分析方法及设备 | |
CN117437789A (zh) | 一种基于城市信息模型多维联动指挥调度的智慧园区*** | |
CN113407871B (zh) | 上车点推荐方法、装置、电子设备和可读存储介质 | |
CN114511938A (zh) | 一种智慧停车管理方法和平台 | |
CN118072548A (zh) | 基于深度学习的智能停车场车牌识别和车位管理*** | |
CN115019552B (zh) | 一种基于物联网的智能停车场共享管理***及方法 | |
CN114387816B (zh) | 基于消费者行为预测分析的商城车流引导***及方法 | |
CN115862364A (zh) | 基于大数据分析的智能停车场服务管理***及方法 | |
CN115860536A (zh) | 一种道路口拥挤率评价方法 | |
CN115700862A (zh) | 一种智能共享停车***及其工作方法 | |
CN115188192A (zh) | 一种基于行程预测的自动控制泊车***及方法 | |
JP3883098B2 (ja) | 走行所要時間予測装置 | |
CN116935692B (zh) | 一种区域停车场智慧管理平台 | |
CN117095338B (zh) | 基于道路视频识别的无线停车方法及相关装置 | |
CN117351770A (zh) | 一种基于泊车数据监测的停车场管理调度方法及*** | |
CN116740948B (zh) | 车辆行程速度的预测估值方法、装置、介质及应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |