logo资料库

基于机器学习的停车场车位状态识别方法及系统.pdf

发布时间：2022-05-31 发布人：admin 分类：说明书 资料大小：0.48M 资料格式：pdf 举报 版权申诉
第1页 / 共12页
第2页 / 共12页
第3页 / 共12页
第4页 / 共12页
第5页 / 共12页
第6页 / 共12页
第7页 / 共12页
第8页 / 共12页
资料共12页，剩余部分请下载后查看
    扉页
    权利要求书
    说明书
    附图
    CN 108766022 B 2020.02.04 权利要求书3页 说明书6页 附图1页 B 2 2 0 6 6 7 8 0 1 N C (19)中华人民共和国国家知识产权局(12)发明专利(10)授权公告号 (45)授权公告日 (21)申请号 201810595618.5(22)申请日 2018.06.11(65)同一申请的已公布的文献号 申请公布号 CN 108766022 A(43)申请公布日 2018.11.06(73)专利权人 青岛串并联电子科技有限公司地址 266000 山东省青岛市崂山区株洲路153号2号楼605(72)发明人 牟晓东　王悦队　王广成　(74)专利代理机构 青岛清泰联信知识产权代理有限公司 37256代理人 徐艳艳(51)Int.Cl.G08G 1/14(2006.01)(续)(56)对比文件CN 106611510 A,2017.05.03,CN 107886080 A,2018.04.06,CN 106971602 A,2017.07.21,CN 108108689 A,2018.06.01,CN 106611510 A,2017.05.03,WO 2016/174670 A1,2016.11.03,CN 104112370 A,2014.10.22,CN 107195198 A,2017.09.22,Lucia Maddalena.Stopped Object Detection by Learning Foreground Model in Videos.《IEEE Transactions on Neural Networks and Learning Systems》.2013,第24卷(第5期),723-735.(续)审查员 刘欢 (54)发明名称基于机器学习的停车场车位状态识别方法及系统(57)摘要本发明涉及一种基于机器学习的停车场车位状态识别方法及系统，所述方法的步骤为：根据停车场具体停车位的尺寸信息确定摄像头的具体安装位置；摄像头实时拍摄停车场图像，对目标车位进行标注，并将标注后的图像数据进行存储；在存储图像数据中，对所有车辆进行标注，对标注后的图像数据进行学习，建立停车位地图模型、车辆识别模型、非车辆物体模型，并不断反馈对模型进行优化；将建立的三种模型与实时获取的图像数据进行对比，得到识别结果；将识别结果转换为停车位实时状态信息发送至用户，向用户实时推送停车位状态信息，并结合地图应用引导用户进行停车。本发明能够引导用户快速便捷地进行停车，便于用户停车及停车场管理。[转续页]
    CN 108766022 B (51)Int.Cl.H04N 5/232(2006.01)(56)对比文件Xuezhi Xiang.Real-Time Parking Occupancy Detection for Gas Stations Based on Haar-AdaBoosting and CNN.《IEEE Sensors Journal 》.2017,第17卷(第19期),6360-6367.Giuseppe Amato.Car parking occupancy detection using smart camera networks and Deep Learning.《2016 IEEE Symposium on Computers and Communication (ISCC)》.2016,1-6.吴玉枝.基于卷积神经网络的违章停车事件检测.《现代计算机》.2018,(第2期),第22-27页.安旭骁.基于迷你卷积神经网络的停车场空车位检测方法.《计算机应用》.2018,第38卷(第4期),935-938.杜莉.基于视频的停车场车位识别系统的研究与实现.《万方数据库》.2010,第1-88页.2/2页2[接上页]
    CN 108766022 B 3 1.一种基于机器学习的停车场车位状态识别方法，其特征在于，含有以下步骤：根据停车场具体停车位的尺寸信息确定摄像头的具体安装位置，确保摄像头覆盖所有待测停车位，同时满足预设安装条件；摄像头实时拍摄停车场图像，分别对目标车位在空闲状态下、有车辆占用的情况下以及有车辆横跨车位占用的情况下进行车位标注，并将标注后的图像数据进行存储；对目标车位在有车辆横跨车位占用的情况下进行标注时，首先需要确定当前车位被旁边的车占用是否超过20％，若超过20％，此车位为被占用状态，根据公式(3)计算出车位面积进行标注，所述公式(3)表示为：式中，z为当前车位向左右延伸的像素值，L为摄像头与目标车位的地面直线水平距离，l为车辆的长度，w为车辆的宽度，a为停车位实际长度，CH为摄像头所获取图像的水平总长度，p为单位距离像素数；在存储图像数据中，对所有车辆进行标注，对标注后的图像数据进行学习，建立停车位地图模型、车辆识别模型、非车辆物体模型，并不断反馈对模型进行优化；将停车位地图模型、车辆识别模型、非车辆物体模型与实时获取的图像数据进行对比，识别车辆，得到识别结果；将识别结果转换为停车位实时状态信息，集中汇总后发送至用户，向用户实时推送停车位状态信息，并结合地图应用引导用户进行停车。2.如权利要求1所述的基于机器学习的停车场车位状态识别方法，其特征在于，所述预设安装条件为：(1)停车场内目标物体遮挡率不超过50％，(2)停车场内目标物体轮廓拍摄清晰，(3)采集图像像素不小于200万像素，(4)目标物体在采集图像中所占的像素比不低于2％。3.如权利要求1或2所述的基于机器学习的停车场车位状态识别方法，其特征在于，对目标车位在空闲状态下进行标注时，直接对目标车位进行标注，并通过公式(1)和公式(2)对标注的车位进行自动校正，作为对目标车位在空闲状态下的最终标注；所述公式(1)和公式(2)表示为：式中，x为校正后最终标注的水平偏移量像素值，y为校正后最终标注的垂直偏移量像素值，h为车辆的高度，H为摄像头安装的高度，CV为摄像头所获取图像的垂直总长度；对目标车位在有车辆占用的情况下进行标注时，直接对目标车位进行标注。4.如权利要求1所述的基于机器学习的停车场车位状态识别方法，其特征在于，对车辆进行标注时，将无遮挡车辆标注为car，彼此有遮挡的全部车辆标注为multi-car，每辆车标注为car-M，M为被遮挡车辆的序号，将其中被遮挡车辆的未遮挡部分标注为partial-car-N％，N为被遮挡车辆未遮挡部分的比例。5.如权利要求4所述的基于机器学习的停车场车位状态识别方法，其特征在于，车辆识权　利　要　求　书1/3页2
    CN 108766022 B 4 别的具体方法为：将获取的实时图像与车辆识别模型、非车辆物体模型对比，获取当前实时图像中所有目标物体的识别结果；找出当前图像中被车辆识别模型辨认出的所有car，并结合停车场虚拟坐标获取car的中心点坐标；使用car的中心点坐标与停车位地图模型中车位标注区域进行对比，确定car占用的车位；找出当前图像中被车辆识别模型辨认出的所有partial-car-N％，结合停车场虚拟坐标获取其中心点坐标；集合partial-car-N％的中心点坐标及N值，机器学习单元根据公式(4)对车辆实际占位进行校正，获取被遮挡车辆实际的占位情况；所述公式(4)表示为：式中，O为partial-car-N％的中心坐标向摄像头近端偏移的像素值。6.如权利要求5所述的基于机器学习的停车场车位状态识别方法，其特征在于，所述停车位地图模型的建立方法为：把拍摄的实际图像作为训练样本，训练样本中的每张图像具有标注完成的车辆识别数据，利用卷积神经网络结合训练样本进行学习和训练，形成初级停车位地图模型，将初级车辆识别模型与实际图像进行对比，并使用对比结果利用卷积神经网络结合训练样本进行学习和训练，不断的反馈与优化，最终形成停车位地图模型。7.如权利要求5所述的基于机器学习的停车场车位状态识别方法，其特征在于，所述车辆识别模型的建立方法为：把拍摄的实际图像作为训练样本，训练样本中的每张图像具有标注完成的车辆识别数据，利用卷积神经网络结合训练样本进行学习和训练，形成初级车辆识别模型，将初级车辆识别模型与实际图像进行对比，并使用对比结果利用卷积神经网络结合训练样本进行学习和训练，不断的反馈与优化，最终形成车辆识别模型。8.如权利要求5所述的基于机器学习的停车场车位状态识别方法，其特征在于，所述非车辆物体模型的建立方法为：把拍摄的实际图像作为训练样本，训练样本中的每张图像具有标注完成的车辆识别数据，利用卷积神经网络结合训练样本进行学习和训练，形成初级非车辆物体模型，将初级非车辆物体模型与实际图像进行对比，并使用对比结果利用卷积神经网络结合训练样本进行学习和训练，不断的反馈与优化，最终形成非车辆物体模型。9.一种基于机器学习的停车场车位状态识别系统，基于权利要求1所述的停车场车位状态识别方法，其特征在于，包括：图像采集装置，用于采集停车位的图像数据，并对图像数据进行车位标注，所述图像采集装置安装于停车场内，并覆盖所有待测停车位；云服务器，与所述图像采集装置连接，用于存储图像数据处理装置采集的图像数据；机器学习单元，安装于所述云服务器中，用于对存储在云服务器中的图像数据进行车辆标注，并学习图像数据，建立用于确定停车位位置信息的停车位地图模型、用于识别车辆的车辆识别模型以及用于识别非车辆物体的非车辆物体模型，并通过不断学习反馈对上述模型进行优化；数据处理平台，与所述机器学习单元连接，用于将机器学习单元的停车位识别结果转权　利　要　求　书2/3页3
    CN 108766022 B 5 换成停车位实时状态信息，进行集中汇总；智能终端，与所述数据处理平台连接，用于接收数据处理平台汇总后的停车位实时状态信息，向车主实时推送停车位状态信息，并结合停车位地图模型引导车主进行停车。10.如权利要求9所述的基于机器学习的停车场车位状态识别系统，其特征在于，所述图像采集装置包括摄像头和与所述摄像头连接的图像数据处理单元，所述图像数据处理单元对目标车位进行标注处理；所述摄像头按照停车场车位的数量和空间分布安装固定，其安装要求满足以下条件：(1)停车场内目标物体遮挡率不超过50％，(2)停车场内目标物体轮廓拍摄清晰，(3)采集图像像素不小于200万像素，(4)目标物体在采集图像中所占的像素比不低于2％。权　利　要　求　书3/3页4
    CN 108766022 B 6 基于机器学习的停车场车位状态识别方法及系统技术领域[0001]本发明属于停车场监控领域，涉及停车场车位识别技术，具体地说，涉及了一种基于机器学习的停车场车位状态识别方法及系统。背景技术[0002]随着现代交通技术的迅速发展以及汽车保有量的不断增加，停车难是现今许多城市存在的一大难题。尤其是人流聚集的大型停车场，停车难对需要泊车的用户和停车场的运营者都造成了极大的困扰。一方面，停车场的规模一定，空间有限，车多而车位少，停车泊位无法满足用户的需要。另一方面，用户进入停车场后无法快速停车，需要在停车场内无序流动寻找空车位，不仅浪费时间，还易造成停车场内交通拥堵。[0003]目前，车位识别时，现有的车位检测方法主要包括声波车位检测、感应线圈车位检测和激光车位检测等。声波车位检测、感应线圈车位检测均存在每次只能检测一个车位的局限性，而激光检测则成本高且存在一定干扰。车位引导时，大部分停车场内部现有的引导方式为人工管理阶段，需要人工勘察空闲车位并配置大量专职管理人员在停车场内人工引导车辆停放，增加了车辆管理成本。因此，研发一种高效地管理停车场、准确进行停车场车位识别及车位引导、快速便捷找到空车位的系统与方法，对于解决城市停车难问题以及各停车场管理具有重大意义。发明内容[0004]本发明针对现有技术存在的停车难、停车场管理差等问题，提供一种基于机器学习的停车场车位状态识别方法及系统。[0005]为了达到上述目的，本发明提供了一种基于机器学习的停车场车位状态识别方法，含有以下步骤：[0006]根据停车场具体停车位的尺寸信息确定摄像头的具体安装位置，确保摄像头覆盖所有待测停车位，同时满足预设安装条件；[0007]摄像头实时拍摄停车场图像，分别对目标车位在空闲状态下、有车辆占用的情况下以及有车辆横跨车位占用的情况下进行车位标注，并将标注后的图像数据进行存储；[0008]在存储图像数据中，对所有车辆进行标注，对标注后的图像数据进行学习，建立停车位地图模型、车辆识别模型、非车辆物体模型，并不断反馈对模型进行优化；[0009]将停车位地图模型、车辆识别模型、非车辆物体模型与实时获取的图像数据进行对比，得到识别结果；[0010]将识别结果转换为停车位实时状态信息，集中汇总后发送至用户，向用户实时推送停车位状态信息，并结合地图应用引导用户进行停车。[0011]优选的，所述预设安装条件为：(1)停车场内目标物体遮挡率不超过50％，(2)停车场内目标物体轮廓拍摄清晰，(3)采集图像像素不小于200万像素，(4)目标物体在采集图像中所占的像素比不低于2％。说　明　书1/6页5
    CN 108766022 B 7 [0012]优选的，对目标车位在空闲状态下进行标注时，直接对目标车位进行标注，并通过公式(1)和公式(2)对标注的车位进行自动校正，作为对目标车位在空闲状态下的最终标注；所述公式(1)和公式(2)表示为：[0013][0014][0015]式中，x为校正后最终标注的水平偏移量像素值，y为校正后最终标注的垂直偏移量像素值，h为车辆的高度，l为车辆的长度，H为摄像头安装的高度，L为摄像头与目标车位的地面直线水平距离，p为单位距离像素数，CH为摄像头所获取图像的水平总长度，CV为摄像头所获取图像的垂直总长度；[0016]对目标车位在有车辆占用的情况下进行标注时，直接对目标车位进行标注；[0017]对目标车位在有车辆横跨车位占用的情况下进行标注时，首先需要确定当前车位被旁边的车占用是否超过20％，若超过20％，此车位为被占用状态，根据公式(3)计算出车位面积进行标注，所述公式(3)表示为：[0018][0019]式中，z为当前车位向左右延伸的像素值，w为车辆的宽度，a为停车位实际长度。[0020]优选的，对车辆进行标注时，将无遮挡车辆标注为car，彼此有遮挡的全部车辆标注为multi-car，每辆车标注为car-M，M为被遮挡车辆的序号，将其中被遮挡车辆的为未遮挡部分标注为partial-car-N％，N为被遮挡车辆未遮挡部分的比例。[0021]优选的，车辆识别的具体方法为：[0022]将获取的实时图像与车辆识别模型、非车辆物体模型对比，获取当前实时图像中所有目标物体的识别结果；[0023]找出当前图像中被车辆识别模型辨认出的所有car，并结合停车场虚拟坐标获取car的中心点坐标；[0024]使用car的中心点坐标与停车位地图模型中车位标注区域进行对比，确定car占用的车位；[0025]找出当前图像中被车辆识别模型辨认出的所有partial-car-N％，结合停车场虚拟坐标获取其中心点坐标；[0026]集合partial-car-N％的中心点坐标及N值，机器学习单元根据公式(4)对车辆实际占位进行校正，获取被遮挡车辆实际的占位情况；所述公式(4)表示为：[0027][0028]式中，O为partial-car-N％的中心坐标向摄像头近端偏移的像素值。[0029]优选的，所述停车位地图模型的建立方法为：把拍摄的实际图像作为训练样本，训练样本中的每张图像具有标注完成的车辆识别数据，利用卷积神经网络结合训练样本进行学习和训练，形成初级停车位地图模型，将初级车辆识别模型与实际图像进行对比，并使用对比结果利用卷积神经网络结合训练样本进行学习和训练，不断的反馈与优化，最终形成说　明　书2/6页6
    CN 108766022 B 8 停车位地图模型。[0030]优选的，所述车辆识别模型的建立方法为：把拍摄的实际图像作为训练样本，训练样本中的每张图像具有标注完成的车辆识别数据，利用卷积神经网络结合训练样本进行学习和训练，形成初级车辆识别模型，将初级车辆识别模型与实际图像进行对比，并使用对比结果利用卷积神经网络结合训练样本进行学习和训练，不断的反馈与优化，最终形成车辆识别模型。[0031]优选的，所述非车辆物体模型的建立方法为：把拍摄的实际图像作为训练样本，训练样本中的每张图像具有标注完成的车辆识别数据，利用卷积神经网络结合训练样本进行学习和训练，形成初级非车辆物体模型，将初级非车辆物体模型与实际图像进行对比，并使用对比结果利用卷积神经网络结合训练样本进行学习和训练，不断的反馈与优化，最终形成非车辆物体模型。[0032]为了达到上述目的，本发明还提供了一种基于机器学习的停车场车位状态识别系统，包括：[0033]图像采集装置，用于采集停车位的图像数据，并对图像数据进行车位标注，所述图像采集装置安装于停车场内，并覆盖所有待测停车位；[0034]云服务器，与所述图像采集装置连接，用于存储图像数据处理装置采集的图像数据；[0035]机器学习单元，安装于所述云服务器中，用于对存储在云服务器中的图像数据进行车辆标注，并学习图像数据，建立用于确定停车位位置信息的停车位地图模型、用于识别车辆的车辆识别模型以及用于识别非车辆物体的非车辆物体模型，并通过不断学习反馈对上述模型进行优化；[0036]数据处理平台，与所述机器学习单元连接，用于将机器学习单元的停车位识别结果转换成停车位实时状态信息，进行集中汇总；[0037]智能终端，与所述数据处理平台连接，用于接收数据处理平台汇总后的停车位实时状态信息，向车主实时推送停车位状态信息，并结合停车位地图模型引导车主进行停车。[0038]优选的，所述图像采集装置包括摄像头和与所述摄像头连接的图像数据处理单元，所述图像数据处理单元对目标车位进行标注处理；所述摄像头按照停车场车位的数量和空间分布安装固定，其安装要求满足以下条件：(1)停车场内目标物体遮挡率不超过50％，(2)停车场内目标物体轮廓拍摄清晰，(3)采集图像像素不小于200万像素，(4)目标物体在采集图像中所占的像素比不低于2％。[0039]与现有技术相比，本发明的有益效果在于：[0040](1)本发明采用机器学习的方式对停车位的相关检测数据进行识别处理，得到停车位的相关状态，通过反复的机器学习，不断优化识别模型，可以从千变万化、干扰众多的停车位检测数据中去伪存真，识别精度高，与现有技术相比，得到的停车位状态最终能达到来用户满意的检测精度。[0041](2)本发明向用户实时显示停车场停车位状态，能够实时向用户推送当前时间停车场中空位的位置信息，并引导用户快速便捷地进行停车，实现车位共享，长期使用可以解决停车场管理的复杂性和城市停车难的问题。说　明　书3/6页7
    分享到：
    赞 收藏

    相关推荐

    资料库

    人工智能

    共收录2047份资料，累计62个分类，关注成员有19位，主要包括：GNSS,Pico-SIM868-GSM,GPRS,NB-IoT,GPRSHAT,SIM7070GCat-M,GNSSHAT,GSM,NB-IoTHAT,SIM7080GCat-M,R800CGSM,SIM800CGSM,UPSPowerModule(B),UPSPowerModule,Pico-SIM7020C-NB-IoT,SIM7028NB-IoTHAT,SIM7020CNB-IoTHAT,SIM7000XNB-IoTHAT,A7670CCat-1HAT,A7600C1Cat-1,SIM7600X4G&LTECat-1HAT,SIM7600X4GDONGLE用户手册,RM520N-GL5GHAT,RM500Q-GL5GHAT,RM500U-CN5GHAT,SIM820X-M25GforJetsonNano,AudioCardforJetsonNano,SIM7600G-H4GforJetsonNano,OpenNCC-Lite-4G8M,IMX219-77Camera,13.3inche-PaperHAT,10.3inche-PaperHAT(D),10.3inche-PaperHAT,9.7inche-PaperHAT,7.8inche-PaperHAT,6inchHDTouche-PaperHAT,6inchHDe-PaperHAT,6inche-PaperHAT,5.83inche-PaperHAT(C),LCD-Clock-A,0.95inchRGBOLED(A),0.96inchRGBOLEDModule,0.96inchOLEDModule,0.96inchOLED(A),1.27inchRGBOLEDModule,1.3inchOLEDModule(C),1.3inchOLED(A),1.32inchOLEDModule,1.5inchRGBOLEDModule,1.5inchOLEDModule,JETSONORINNX,自然语言处理,搜索引擎,VR,计算广告,深度学习,机器学习

    热门标签

    GNSS Pico-SIM868-GSM GPRS NB-IoT GPRSHAT SIM7070GCat-M GNSSHAT GSM NB-IoTHAT SIM7080GCat-M R800CGSM SIM800CGSM UPSPowerModule(B) UPSPowerModule Pico-SIM7020C-NB-IoT SIM7028NB-IoTHAT SIM7020CNB-IoTHAT SIM7000XNB-IoTHAT A7670CCat-1HAT A7600C1Cat-1 SIM7600X4G&LTECat-1HAT SIM7600X4GDONGLE用户手册 RM520N-GL5GHAT RM500Q-GL5GHAT RM500U-CN5GHAT SIM820X-M25GforJetsonNano AudioCardforJetsonNano SIM7600G-H4GforJetsonNano OpenNCC-Lite-4G8M IMX219-77Camera 13.3inche-PaperHAT 10.3inche-PaperHAT(D) 10.3inche-PaperHAT 9.7inche-PaperHAT 7.8inche-PaperHAT 6inchHDTouche-PaperHAT 6inchHDe-PaperHAT 6inche-PaperHAT 5.83inche-PaperHAT(C) LCD-Clock-A 0.95inchRGBOLED(A) 0.96inchRGBOLEDModule 0.96inchOLEDModule 0.96inchOLED(A) 1.27inchRGBOLEDModule 1.3inchOLEDModule(C) 1.3inchOLED(A) 1.32inchOLEDModule 1.5inchRGBOLEDModule 1.5inchOLEDModule JETSONORINNX 自然语言处理 搜索引擎 VR 计算广告 深度学习 机器学习

    最新资料