CN106157688B - 基于深度学习和大数据的停车位检测方法和系统 - Google Patents
基于深度学习和大数据的停车位检测方法和系统 Download PDFInfo
- Publication number
- CN106157688B CN106157688B CN201610729275.8A CN201610729275A CN106157688B CN 106157688 B CN106157688 B CN 106157688B CN 201610729275 A CN201610729275 A CN 201610729275A CN 106157688 B CN106157688 B CN 106157688B
- Authority
- CN
- China
- Prior art keywords
- parking
- measured
- neural network
- parking stall
- deep neural
- 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
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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于深度学习的停车位检测方法和系统。所述方法包括:获取停车场中停车位上有否驻车的相关检测数据;获取停车场中停车位上有否驻车的相关状态;将相关检测数据作为深度神经网络的输入,将相关状态作为深度神经网络的输出,对深度神经网络进行训练;获取当前时刻下停车场中待测停车位上有否驻车的相关检测数据;将相关检测数据输入训练后的深度神经网络进行深度学习;将深度神经网络的相应输出作为待测停车位上有否驻车的机器判定相关状态。本发明采用深度学习和深度神经网络对停车位的相关检测数据进行识别,可以从千变万化、干扰众多的停车位检测数据中去伪存真,得到的停车位状态能达到令用户满意的检测精度。
Description
技术领域
本发明涉及停车场停车指示,特别是涉及一种基于深度学习和大数据的停车位检测方法,还涉及一种基于深度学习和大数据的停车位检测系统。
背景技术
传统技术在进行停车位检测时,采用的是阈值法或模式识别法。这两种方法抗干扰能力差,而停车场中车来车往,不同车主停车模式千差万别,不同停车位所受的干扰不同,所以这种复杂的环境下会出现千变万化的检测数据,因此使用固定的几个阈值或固定的几个模式来识别停车位的相关状态,容易出现误识别(例如)无法达到令人满意的检测精度。
发明内容
基于此,有必要提供一种检测精度较高的停车位检测方法。
一种停车位检测方法,包括:停车场、所述停车场中的待测停车位、所述待测停车位的待测时刻,获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据;获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态;为所述待测停车位初始化一个深度神经网络,作为第一深度神经网络;对所述第一深度神经网络进行训练;将所述过去任一时刻下所述第一相关检测数据和所述真实相关状态分别输入所述第一深度神经网络的输入层和输出层,对所述第一深度神经网络进行训练;重复所述对第一深度神经网络进行训练的步骤,对所述第一深度神经网络进行多次训练,直到所述第一深度神经网络符合预设条件,将符合预设条件的所述第一深度神经网络作为第二深度神经网络;获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据;将所述第二相关检测数据输入所述第二深度神经网络进行深度学习;将所述第二深度神经网络的相应输出作为所述待测时刻下所述待测停车位上有否驻车的机器判定相关状态。
在其中一个实施例中,所述获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态的步骤中,所述真实相关状态包括停车位被占用和停车位空闲;所述将所述第二深度神经网络的相应输出作为所述待测时刻下所述待测停车位上有否驻车的机器判定相关状态的步骤中,所述机器判定相关状态包括停车位被占用和停车位空闲。
在其中一个实施例中,所述获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态的步骤中,所述真实相关状态包括停车位上驻车车辆的类型,所述类型是根据车辆的大小进行划分;所述将所述第二深度神经网络的相应输出作为所述待测时刻下所述待测停车位上有否驻车的机器判定相关状态的步骤中,所述机器判定相关状态包括根据车辆的大小进行划分的停车位上驻车车辆的类型。
在其中一个实施例中,所述为所述待测停车位初始化一个深度神经网络,作为第一深度神经网络的步骤包括:将所述第一深度神经网络的输入层的数据结构初始化为所述待测停车位上有否驻车的第一相关检测数据的数据结构或可以转化成的数据结构,将所述第一深度神经网络的输出层的数据结构初始化为所述待测停车位上有否驻车的真实相关状态的数据结构或可以转化成的数据结构,并将所述第一深度神经网络初始化出预设层数个中间层,所述预设层数是大于或者等于0的整数。
在其中一个实施例中,所述获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据的步骤,是获取所述过去任一时刻下所述待测停车位及其相邻停车位上有否驻车的检测数据;所述获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据的步骤,是获取所述待测时刻下所述待测停车位及其相邻停车位上有否驻车的检测数据。
在其中一个实施例中,所述获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据的步骤,是获取所述过去任一时刻下所述待测停车位及所述停车场中所有其他停车位上有否驻车的检测数据;所述获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据的步骤,是获取所述待测时刻下所述待测停车位及所述停车场中所有其他停车位上有否驻车的检测数据。
在其中一个实施例中,所述获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据的步骤中,所述第一相关检测数据是通过地磁传感器、红外传感器及摄像头中的一种或一种以上采集的检测数据;所述获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据的步骤中,所述第二相关检测数据是通过地磁传感器、红外传感器及摄像头中的一种或一种以上采集的检测数据。
在其中一个实施例中,所述对所述第一深度神经网络进行训练的步骤还包括:将所述过去任一时刻下所述第一相关检测数据压缩成所述预设层数组的分辨率递减的中间数据,每一组所述中间数据与一个所述中间层对应;将每一组中间数据输入所述对应的中间层。
在其中一个实施例中,所述获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据的步骤中,将获取到的所述第一相关检测数据存储于大数据;所述获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态的步骤中,将获取到的所述真实相关状态存储于所述大数据;所述对所述第一深度神经网络进行训练的步骤中,是从所述大数据中读取所述第一相关检测数据和所述真实相关状态;所述获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据的步骤中,将获取到的所述第二相关检测数据存储于所述大数据;所述将所述第二相关检测数据输入所述第二深度神经网络进行深度学习的步骤中,是从所述大数据中读取所述第二相关检测数据输入所述第二深度神经网络;所述将所述第二深度神经网络的相应输出作为所述待测时刻下所述待测停车位上有否驻车的机器判定相关状态的步骤中,将所述机器判定相关状态存储于所述大数据中。
本发明还提供一种停车位检测系统。
一种停车位检测系统,包括:训练输入数据获取模块,用于获取过去任一时刻下停车场中的待测停车位上有否驻车的第一相关检测数据;训练输出数据获取模块,用于获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态;初始化模块,用于为所述待测停车位初始化一个深度神经网络,作为第一深度神经网络;训练模块,将所述过去任一时刻下所述第一相关检测数据和所述真实相关状态分别输入所述第一深度神经网络的输入层和输出层,对所述第一深度神经网络进行训练;多次训练直到所述第一深度神经网络符合预设条件,将符合预设条件的所述第一深度神经网络作为第二深度神经网络;;检测数据获取模块,用于获取待测时刻下所述待测停车位上有否驻车的第二相关检测数据;停车检测模块,用于将所述第二相关检测数据输入所述第二深度神经网络进行深度学习;停车判定模块,用于将所述第二深度神经网络的相应输出作为所述待测时刻下待测停车位上有否驻车的机器判定相关状态。
上述停车位检测方法,采用深度学习和深度神经网络对停车位的相关检测数据进行识别,得到停车位的相关状态。由于深度学习和深度神经网络的检测精度远远高于阈值法和模式识别法,所以可以从千变万化、干扰众多的停车位检测数据中去伪存真,得到的停车位状态能达到令用户满意的检测精度。
附图说明
图1是一实施例中停车位检测方法的流程图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1是一实施例中停车位检测方法的流程图,包括下列步骤:
S110,获取过去任一时刻下待测停车位上有否驻车的第一相关检测数据。
停车场中每一个停车位上会设有采集用于判定该停车位上是否有驻车的数据的相应装置,例如地磁传感器、红外传感器、摄像头等。后续通过这些数据检测该停车位是否驻车。
S120,获取过去任一时刻下待测停车位上有否驻车的真实相关状态。
相关状态包括该停车位被占用和该停车位空闲。由于真实相关状态需要作为深度神经网络训练时的输入,因此要尽量保证状态准确。真实相关状态可以通过人工查看获取,也可以通过设备自动检测获取,但如前述,不管通过什么方式获取都要尽量保证状态准确。在其中一个实施例中,停车位被占用和停车位空闲可以分别用0、1来表示,也可以使用其他预设的数值表示。
S122,为待测停车位初始化一个深度神经网络作为第一深度神经网络。
S130,对第一深度神经网络进行训练。
将第一相关检测数据输入第一深度神经网络的输入层、将真实相关状态输入第一深度神经网络的输出层,对第一深度神经网络进行训练。一个停车位的第一相关检测数据和真实相关状态是一一对应的,即要在同一时刻获取该停车位的第一相关检测数据和真实相关状态。步骤S110~S130为深度神经网络的训练阶段,重复对第一深度神经网络进行多次训练,直到第一深度神经网络符合预设条件,将符合预设条件的第一深度神经网络作为第二深度神经网络,进行停车位检测。步骤S140开始为检测阶段。
S140,获取待测时刻下待测停车位上有否驻车的第二相关检测数据。
与步骤S110中采用同样的装置获取该数据。
S150,将第二相关检测数据输入第二深度神经网络进行深度学习。
通过第二深度神经网络进行停车位检测。
S160,将第二深度神经网络的相应输出作为待测时刻下待测停车位上有否驻车的机器判定相关状态。
相关状态包括该停车位被占用和该停车位空闲。通过机器对待测停车位上有否驻车进行自动检测。
传统技术在停车位检测时,采用阈值法或模式识别法对停车位的检测数据进行识别,得到停车位的相关状态。但由于阈值和模式是预设好后就固定不变的,所以对千变万化、干扰众多的停车位检测数据进行识别,得到的停车位状态无法达到令用户满意的检测精度。
上述停车位检测方法,采用深度学习和深度神经网络对停车位的相关检测数据进行识别,得到停车位的相关状态。由于深度学习和深度神经网络的检测精度远远高于阈值法和模式识别法,所以可以从千变万化、干扰众多的停车位检测数据中去伪存真,得到的停车位状态能达到令用户满意的检测精度。
在其中一个实施例中,步骤S122具体包括将第一深度神经网络的输入层的数据结构初始化为待测停车位上有否驻车的第一相关检测数据的数据结构或可以转化成的数据结构,将第一深度神经网络的输出层的数据结构初始化为待测停车位上有否驻车的真实相关状态的数据结构或可以转化成的数据结构,并将第一深度神经网络初始化出预设层数个中间层,预设层数是大于或者等于0的整数。
进一步地,步骤S130还包括:将过去任一时刻下第一相关检测数据压缩成预设层数组的分辨率递减的中间数据,每一组中间数据与一个中间层对应;然后将每一组中间数据输入对应的中间层。
例如:预设层数为3。将第一相关检测数据的分辨率压缩50%,得到第一组中间数据;将第一组中间数据的分辨率压缩50%,得到第二组中间数据;将第二组中间数据的分辨率压缩50%,得到第三组中间数据。将第一组中间数据输入第一深度神经网络的第一个中间层,将第二组中间数据输入第一深度神经网络的第二个中间层,将第三组中间数据输入第一深度神经网络的第三个中间层。
在其中一个实施例中,步骤S130判断第一深度神经网络是否符合预设条件,具体是通过如下步骤进行:获取某一时刻(例如距离待测时间最近的过去时刻)下待测停车位的第一相关检测数据及真实相关状态。将该时刻下待测停车位的第一相关检测数据输入第一深度神经网络的输入层,然后通过第一深度神经网络的深度学习得到第一深度神经网络的输出层的输出结果。将该输出结果与该时刻下待测停车位的真实相关状态进行对比,如果对比得到的误差不大于预设阈值,则符合预设条件,结束训练并将第一深度神经网络作为第二深度神经网络,进入检测阶段;否则判定为不满足预设条件,对第一深度神经网络进行下一次训练。
在其中一个实施例中,步骤S130的训练是对每一个停车位都单独训练一个深度神经网络,即如果停车场有N个停车位,则训练出N个相应的深度神经网络。具体地,步骤S110、步骤S120要获取某个停车位的很多个不同时间的第一相关检测数据和真实相关状态,然后在步骤S130中将每一对第一相关检测数据和真实相关状态分别作为深度神经网络的输入和输出进行训练。如果停车场有N个停车位,步骤S110和S120中就要将每个停车位的数据单独分组(即分成N组),步骤S130训练时单独使用每个停车位的数据训练出一个对应停车位的深度神经网络。这样一来,不同的待检测停车位有不同的深度神经网络,可以更个性化地深度学习处于不同干扰下的不同的待检测停车位,能使得检测精度更高。
进一步地,步骤S130对待测停车位的深度神经网络进行训练时,输入的第一相关检测数据除了该停车位有否驻车的检测数据以外,还需要输入该车位的相邻停车位有否驻车的检测数据。例如要将该停车位左边的相邻停车位和右边的相邻停车位有否驻车的检测数据也作为该停车位的深度神经网络的输入。这样做的好处在于能够将相邻停车位对该停车位的干扰考虑进去(更远的停车位对该停车位的干扰相对较小,可以忽略),从而使得训练出来的深度神经网络可以把相邻停车位的干扰一并考虑,使得相邻停车位的干扰不会影响深度神经网络对该停车位的检测精度。同样的,步骤S140中的第二相关检测数据除了待测停车位有否驻车的检测数据以外,还包括待测车位的相邻停车位的有否驻车的检测数据。可以理解的,在其他实施例中也可以仅是将该停车位有否驻车的检测数据作为深度神经网络训练时的输入,而不输入相邻停车位有否驻车的检测数据,即第一相关检测数据不包括相邻停车位有否驻车的检测数据。
在另一个实施例中,步骤S130的训练是面向停车场中的所有停车位进行训练,得到一个反映全体停车位的深度神经网络,这个的深度神经网络可以供所有的待测停车位使用,这样可以节省训练所需的时间/计算资源。
进一步地,步骤S130对待测停车位的深度神经网络进行训练时,输入的第一相关检测数据除了该停车位有否驻车的检测数据以外,还需要输入停车场中所有其他停车位上有否驻车的检测数据。同样的,步骤S140中的第二相关检测数据除了待测停车位有否驻车的检测数据以外,还包括停车场中所有其他停车位上有否驻车的检测数据。
在其中一个实施例中,步骤S120的相关状态和步骤S160的相关状态包括停车位上驻车车辆的类型,具体是根据车辆的大小进行划分的。例如可以划分为小型车、中型车及大型车,分别用2、3、4表示,也可以使用其他预设的数值表示。划分的标准可以是车身的长度,例如设定两个长度阈值以划分出3种大小的车型。划分的标准可以采用本领域常用的划分标准,例如轿车的划分标准等,也可以根据停车位实际的尺寸自定义。
在其中一个实施例中,第一相关检测数据和第二相关检测数据以图像来表示,深度神经网络的训练和深度学习采用用于图像识别的深度神经网络的训练和深度学习方法,以相应地对这些数据进行处理、完成对停车位的检测。
在其中一个实施例中,上述停车位检测方法基于大数据进行应用。具体是步骤S110中将获取到的第一相关检测数据存储于大数据,步骤S120中将获取到的真实相关状态存储于大数据,步骤S130中从大数据中读取第一相关检测数据作为深度神经网络的输入,步骤S140中将获取到的第二相关检测数据存储于大数据,步骤S150中从大数据中读取第二相关检测数据输入训练后的深度神经网络,步骤S160中将机器判定相关状态存储于大数据中。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种停车位检测方法,包括:停车场、所述停车场中的待测停车位、所述待测停车位的待测时刻,其特征在于,
获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据;
获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态;
为所述待测停车位初始化一个深度神经网络,作为第一深度神经网络;
对所述第一深度神经网络进行训练;将所述第一相关检测数据输入所述第一深度神经网络的输入层、将所述真实相关状态输入所述第一深度神经网络的输出层,对所述第一深度神经网络进行训练;
重复对第一深度神经网络进行训练的步骤,对所述第一深度神经网络进行多次训练,直到所述第一深度神经网络符合预设条件,将符合预设条件的所述第一深度神经网络作为第二深度神经网络;
获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据;
将所述第二相关检测数据输入所述第二深度神经网络进行深度学习;
将所述第二深度神经网络的相应输出作为所述待测时刻下所述待测停车位上有否驻车的机器判定相关状态。
2.根据权利要求1所述的停车位检测方法,其特征在于,
所述获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态的步骤中,所述真实相关状态包括停车位被占用和停车位空闲;
所述将所述第二深度神经网络的相应输出作为所述待测时刻下所述待测停车位上有否驻车的机器判定相关状态的步骤中,所述机器判定相关状态包括停车位被占用和停车位空闲。
3.根据权利要求2所述的停车位检测方法,其特征在于,
所述获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态的步骤中,所述真实相关状态包括停车位上驻车车辆的类型,所述类型是根据车辆的大小进行划分;
所述将所述第二深度神经网络的相应输出作为所述待测时刻下所述待测停车位上有否驻车的机器判定相关状态的步骤中,所述机器判定相关状态包括根据车辆的大小进行划分的停车位上驻车车辆的类型。
4.根据权利要求1所述的停车位检测方法,其特征在于,所述为所述待测停车位初始化一个深度神经网络,作为第一深度神经网络的步骤包括:将所述第一深度神经网络的输入层的数据结构初始化为所述待测停车位上有否驻车的第一相关检测数据的数据结构或可以转化成的数据结构,将所述第一深度神经网络的输出层的数据结构初始化为所述待测停车位上有否驻车的真实相关状态的数据结构或可以转化成的数据结构,并将所述第一深度神经网络初始化出a个中间层,所述a为预设层数,且是大于或者等于0的整数。
5.根据权利要求1所述的停车位检测方法,其特征在于,
所述获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据的步骤,是获取所述过去任一时刻下所述待测停车位及其相邻停车位上有否驻车的检测数据;
所述获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据的步骤,是获取所述待测时刻下所述待测停车位及其相邻停车位上有否驻车的检测数据。
6.根据权利要求1所述的停车位检测方法,其特征在于,
所述获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据的步骤,是获取所述过去任一时刻下所述待测停车位及所述停车场中所有其他停车位上有否驻车的检测数据;
所述获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据的步骤,是获取所述待测时刻下所述待测停车位及所述停车场中所有其他停车位上有否驻车的检测数据。
7.根据权利要求1所述的停车位检测方法,其特征在于,
所述获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据的步骤中,所述第一相关检测数据是通过地磁传感器、红外传感器及摄像头中的一种或一种以上采集的检测数据;
所述获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据的步骤中,所述第二相关检测数据是通过地磁传感器、红外传感器及摄像头中的一种或一种以上采集的检测数据。
8.根据权利要求4所述的停车位检测方法,其特征在于,所述对所述第一深度神经网络进行训练的步骤还包括:将所述过去任一时刻下所述第一相关检测数据压缩成所述预设层数组的分辨率递减的中间数据,每一组所述中间数据与一个所述中间层对应;
将每一组中间数据输入所述对应的中间层。
9.根据权利要求1所述的停车位检测方法,其特征在于,
所述获取过去任一时刻下所述待测停车位上有否驻车的第一相关检测数据的步骤中,将获取到的所述第一相关检测数据存储于大数据;
所述获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态的步骤中,将获取到的所述真实相关状态存储于所述大数据;
所述对所述第一深度神经网络进行训练的步骤中,是从所述大数据中读取所述第一相关检测数据和所述真实相关状态;
所述获取所述待测时刻下所述待测停车位上有否驻车的第二相关检测数据的步骤中,将获取到的所述第二相关检测数据存储于所述大数据;
所述将所述第二相关检测数据输入所述第二深度神经网络进行深度学习的步骤中,是从所述大数据中读取所述第二相关检测数据输入所述第二深度神经网络;
所述将所述第二深度神经网络的相应输出作为所述待测时刻下所述待测停车位上有否驻车的机器判定相关状态的步骤中,将所述机器判定相关状态存储于所述大数据中。
10.一种停车位检测系统,其特征在于,包括:
训练输入数据获取模块,用于获取过去任一时刻下停车场中的待测停车位上有否驻车的第一相关检测数据;
训练输出数据获取模块,用于获取所述过去任一时刻下所述待测停车位上有否驻车的真实相关状态;
初始化模块,用于为所述待测停车位初始化一个深度神经网络,作为第一深度神经网络;
训练模块,将所述第一相关检测数据输入所述第一深度神经网络的输入层、将所述真实相关状态输入所述第一深度神经网络的输出层,对所述第一深度神经网络进行训练;多次训练直到所述第一深度神经网络符合预设条件,将符合预设条件的所述第一深度神经网络作为第二深度神经网络;
检测数据获取模块,用于获取待测时刻下所述待测停车位上有否驻车的第二相关检测数据;
停车检测模块,用于将所述第二相关检测数据输入所述第二深度神经网络进行深度学习;
停车判定模块,用于将所述第二深度神经网络的相应输出作为所述待测时刻下待测停车位上有否驻车的机器判定相关状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610729275.8A CN106157688B (zh) | 2016-08-25 | 2016-08-25 | 基于深度学习和大数据的停车位检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610729275.8A CN106157688B (zh) | 2016-08-25 | 2016-08-25 | 基于深度学习和大数据的停车位检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106157688A CN106157688A (zh) | 2016-11-23 |
CN106157688B true CN106157688B (zh) | 2019-01-25 |
Family
ID=57342079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610729275.8A Active CN106157688B (zh) | 2016-08-25 | 2016-08-25 | 基于深度学习和大数据的停车位检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106157688B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106652551B (zh) * | 2016-12-16 | 2021-03-09 | 浙江宇视科技有限公司 | 一种车位检测方法及设备 |
CN108460983A (zh) * | 2017-02-19 | 2018-08-28 | 泓图睿语(北京)科技有限公司 | 基于卷积神经网络的停车位状态检测方法 |
CN106971602B (zh) * | 2017-03-29 | 2021-01-15 | 深圳市金溢科技股份有限公司 | 一种泊车位的状态检测方法及激光车检设备 |
CN106960580B (zh) * | 2017-05-02 | 2019-04-26 | 成都蓉易停科技有限公司 | 一种基于地磁传感器的车位检测方法 |
CN107784290A (zh) * | 2017-11-03 | 2018-03-09 | 浙江工业大学 | 一种停车位占用图像智能识别的方法 |
CN108009636B (zh) * | 2017-11-16 | 2021-12-07 | 华南师范大学 | 深度学习神经网络进化方法、装置、介质和计算机设备 |
CN107967817A (zh) * | 2017-11-17 | 2018-04-27 | 张慧 | 基于多路摄像头深度学习的停车场智能管理系统及方法 |
CN108154165B (zh) * | 2017-11-20 | 2021-12-07 | 华南师范大学 | 基于大数据与深度学习的婚恋对象匹配数据处理方法、装置、计算机设备和存储介质 |
CN108407805B (zh) * | 2018-03-30 | 2019-07-30 | 中南大学 | 一种基于dqn的车辆自动泊车方法 |
CN108615401B (zh) * | 2018-06-11 | 2021-01-05 | 西安电子科技大学 | 基于深度学习的室内非均匀光线车位状况识别方法 |
CN108828948B (zh) * | 2018-07-15 | 2021-06-18 | 大国创新智能科技(东莞)有限公司 | 基于深度学习的人工智能作战方法和机器人系统 |
CN110096975B (zh) * | 2019-04-17 | 2021-04-09 | 北京筑梦园科技有限公司 | 一种车位状态识别方法、设备及系统 |
CN112417926B (zh) * | 2019-08-22 | 2024-02-27 | 广州汽车集团股份有限公司 | 车位识别方法、装置、计算机设备及可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855773A (zh) * | 2012-09-13 | 2013-01-02 | 东南大学 | 一种停车场有效泊位占有率短时预测方法 |
CN103093643B (zh) * | 2013-01-09 | 2015-06-17 | 东南大学 | 一种确定公共停车场泊位数的方法 |
DE102013209298A1 (de) * | 2013-05-21 | 2014-11-27 | Bayerische Motoren Werke Aktiengesellschaft | System und Verfahren zum Erkennen von einem potentiell frei werdenden Parkplatz |
CN104112370B (zh) * | 2014-07-30 | 2016-08-17 | 哈尔滨工业大学深圳研究生院 | 基于监控图像的停车场智能车位识别方法及系统 |
CN105590479B (zh) * | 2016-03-03 | 2018-03-27 | 北京蓝卡科技股份有限公司 | 车位监测方法和装置 |
-
2016
- 2016-08-25 CN CN201610729275.8A patent/CN106157688B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106157688A (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106157688B (zh) | 基于深度学习和大数据的停车位检测方法和系统 | |
CN109579853B (zh) | 基于bp神经网络的惯性导航室内定位方法 | |
CN105760835B (zh) | 一种基于深度学习的步态分割与步态识别一体化方法 | |
CN105310696B (zh) | 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置 | |
CN105468760B (zh) | 对人脸图片进行标注的方法和装置 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN106767890B (zh) | 基于加速度传感器的深度网络自适应步长估计方法及装置 | |
CN109620244A (zh) | 基于条件生成对抗网络和svm的婴儿异常行为检测方法 | |
CN105534528B (zh) | 一种基于体感识别的无接触体质测试系统及测试方法 | |
CN109740654A (zh) | 一种基于深度学习的舌体自动检测方法 | |
CN110095769A (zh) | 一种车位检测方法、装置及电子设备 | |
CN106682600A (zh) | 一种目标检测方法及终端 | |
CN110414581A (zh) | 图片检测方法和装置、存储介质及电子装置 | |
CN103743425B (zh) | 仪表指针动态响应能力的检测方法 | |
CN103697929A (zh) | 仪表指针运动状态的检测方法 | |
CN109871762A (zh) | 一种人脸识别模型的评价方法和装置 | |
CN104899564A (zh) | 一种人体行为实时识别方法 | |
CN115511788A (zh) | 一种机动车驾驶人考试场地自动检测建模的方法 | |
CN108154199B (zh) | 一种基于深度学习的高精度快速单类目标检测方法 | |
CN110059393A (zh) | 一种车辆的仿真测试方法、装置及系统 | |
CN114529177A (zh) | 一种训练机训练结果智能评判方法和系统 | |
CN106355329A (zh) | 驾驶员对标能力的测试方法与系统 | |
CN110009509A (zh) | 评估车损识别模型的方法及装置 | |
Dai et al. | Testing stationarity of brain functional connectivity using change-point detection in fMRI data | |
CN110084109A (zh) | 一种低分辨率人脸图像识别方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |