CN107730993A - 基于图像再识别的停车场智能寻车系统及方法 - Google Patents

Abstract

本发明提供一种基于图像再识别的停车场智能寻车系统及方法，该系统包括：采集模块、云端智能寻车模块、无线传输模块以及LED寻车屏；云端智能寻车模块识别采集模块采集的停车位上的车辆和人员，并将该车辆和人员相关联，通过LED寻车屏获取寻车人员图像，通过该图像查找到与之想关联的车辆。路径规划单元结合停车场地图规划LED寻车屏至该车辆的路径。实现了基于图像再识别的停车场智能寻车。无需用户携带其他设备寻车，减少了停车场整体系统的成本，提高寻车结果准确率高、应用更广泛。

Description

基于图像再识别的停车场智能寻车系统及方法

技术领域

本发明涉及车辆定位的技术领域，尤其涉及一种基于图像再识别的停车场智能寻车系统及方法。

背景技术

随着车辆的增加，停车场内的寻车难的问题越发突出。

目前的智能寻车系统通常利用车牌号在智能终端的小程序上进行查询，然后规划路线。利用车牌号进行车辆定位的，通常需要在车位前安装额外的摄像头用于获取车牌号，这样会增加许多成本。

现有技术需要依赖智能终端和外设摄像头，成本较高，且施工周期较长，对现有停车场改造难度较大，同时不利于后期维护、调试和升级。

发明内容

本发明提供一种基于图像再识别的停车场智能寻车系统及方法，以克服上述技术问题。

本发明基于图像再识别的停车场智能寻车系统，包括：

采集模块、无线传输模块、云端智能寻车模块以及LED寻车屏；

所述采集模块用于采集停车位的实时图像，并通过数无线传输模块将所述实时图像发送至所述云端智能寻车模块，所述车位实时图像包括车辆和所述车辆附近的人员；

所述云端智能寻车模块包括：数据处理单元、数据库服务器和路径规划单元；

所述数据处理单元用于接收所述采集模块发送的车位实时图像，识别所述实时图像中的车辆和所述车辆附近的人员，并将所述车辆附件的人员与所述车辆相关联；

接收所述LED寻车屏发送的寻车人员图像，根据所述寻车人员图像识别所述寻车人员，根据所述寻车人员确定与所述人员关联的车辆，并将所述车辆位置发送至所述路径规划单元；

所述数据库服务器用于存储与所述车辆相互关联的人员信息；

所述路径规划单元用于接收所述数据处理单元发送的车辆位置，结合停车场地图规划所述车辆与所述LED寻车屏之间的路径，并将所述路径发送至所述LED寻车屏；

所述LED寻车屏用于采集所述寻车人员的图像，并将所述寻车人员的图像发送至所述数据处理单元，接收并显示所述路径规划单元发送的所述路径。

进一步地，所述数据处理单元具体用于：

根据人脸特征点提取实时图像中的车辆附近的人脸；

根据提取的人脸生成寻车人员数据集；

根据车辆特征点提取所述实时图像中的车辆；

通过停车位编号将所述车辆附近的人脸和所述车辆关联在一起，并存储至数据库服务器；

搭建图像再识别网络；

采用所述图像再识别网络训练寻车人员图像再识别网络模型；

根据所述训练后的图像再识别网络模型将寻车人员图像中的人脸和数据库服务器中保存的人脸图片逐一比对得到所述脸部图片的概率值；

在数据库服务器中查询比对概率值最大的寻车人员所关联的车辆，将所述车位位置发送至所述路径规划单元。

进一步地，所述LED寻车屏包括：

摄像头、显示屏、支撑底座以及定位信号发射器；

所述摄像头设置于所述显示屏上，所述显示屏下方设置所述支撑底座，所述定位信号发射器嵌于所述显示屏内部。

本发明还提供一种基于图像再识别的停车场智能寻车方法，包括：

采集模块采集车位的实时图像，并通过无线传输模块将所述实时图像发送至云端智能寻车模块，所述实时图像包括车辆和所述车辆附近的人员；

数据处理单元接收所述车位实时图像，识别所述实时图像中的车辆和所述车辆附近的人员，并将所述车辆附件的人员与所述车辆相关联；

数据库服务器存储所述车辆附件人员与所述车辆的关联信息；

所述数据处理单元接收所述LED寻车屏发送的寻车人员图像，根据所述寻车人员图像识别所述寻车人员，根据所述寻车人员确定与所述人员关联的车辆，并将所述车辆位置发送至所述路径规划单元；

所述路径规划单元接收所述数据处理单元发送的车辆位置，结合停车场地图规划所述车辆与所述LED寻车屏之间的路径，并将所述路径发送至所述LED寻车屏；

所述路径规划单元接收并显示所述路径规划单元发送的所述路径。

进一步地，所述数据处理单元接收所述车位实时图像，识别所述实时图像中的车辆和所述车辆附近的人员，并将所述车辆附件的人员与所述车辆相关联，包括：

根据人脸特征点提取实时图像中的车辆附近的人脸；

根据提取的人脸生成寻车人员数据集；

根据车辆特征点提取所述实时图像中的车辆；

通过停车位编号将所述车辆附近的人脸和所述车辆关联在一起，并存储至数据库服务器。

进一步地，所述数据处理单元接收所述LED寻车屏发送的寻车人员图像，根据所述寻车人员图像识别所述寻车人员，包括：

搭建图像再识别网络；

采用所述图像再识别网络训练寻车人员图像再识别网络模型；

根据所述训练后的图像再识别网络模型将寻车人员图像中的人脸和数据库服务器中保存的人脸图片逐一比对得到所述脸部图片的概率值；

在数据库服务器中查询比对概率值最大的寻车人员所关联的车辆，将所述车位位置发送至所述路径规划单元。

本发明只利用停车场内现有摄像头，通过对车辆附近人员身份进行确定，并将该人员与车辆相关联，通过LED寻车屏再次采集寻车人的图像，从而获取车辆的停车信息，无需用户输入，无需用户携带其他设备，减少了整体系统的成本，检测结果准确率高、应用更广泛。

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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明基于图像再识别的停车场智能寻车系统框图；

图2为本发明LED寻车屏的结构示意图；

图3为本发明基于图像再识别的停车场智能寻车方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

图1为本发明基于图像再识别的停车场智能寻车系统框图，如图1所示，本实施例的系统可以包括：

采集模块101、无线传输模块102、云端智能寻车模块103以及LED寻车屏104；

所述采集模块用于采集停车位的实时图像，并通过数无线传输模块将所述实时图像发送至所述云端智能寻车模块，所述车位实时图像包括车辆和所述车辆附近的人员；

所述云端智能寻车模块包括：数据处理单元105、数据库服务器106和路径规划单元107；

所述数据处理单元用于接收所述采集模块发送的车位实时图像，识别所述实时图像中的车辆和所述车辆附近的人员，并将所述车辆附件的人员与所述车辆相关联；

接收所述LED寻车屏发送的寻车人员图像，根据所述寻车人员图像识别所述寻车人员，根据所述寻车人员确定与所述人员关联的车辆，并将所述车辆位置发送至所述路径规划单元；

所述数据库服务器用于存储与所述车辆相互关联的人员信息；

所述路径规划单元用于接收所述数据处理单元发送的车辆位置，结合停车场地图规划所述车辆与所述LED寻车屏之间的路径，并将所述路径发送至所述LED寻车屏；

所述LED寻车屏用于采集所述寻车人员的图像，并将所述寻车人员的图像发送至所述数据处理单元，接收并显示所述路径规划单元发送的所述路径。

图2为本发明LED寻车屏的结构示意图，如图2所示，LED寻车屏包括：

摄像头201，显示屏202，支撑底座203，定位信号发射器204；

具体而言，本实施例采集模块为停车场内的摄像头，该些摄像头确保整个停车场的全部停车位无监视死角。采集模块在初始化阶段需进行校准：停车场中摄像头的视野范围用于校准，校准过程即记录每个摄像头下车位的数量，根据停车场地图获取车位的GPS坐标以及各车位的编号，对应各标号标记各车位在监控中的位置(例x1:x1+15,y1:y1+15，x1,y1为车位1的坐标)，每个摄像头要进行编号，多个摄像头之间的监测区域可重复，但要保证每个车位至少在一个摄像头的监测区域内。并通过无线传输模块将车位的实时图像发送至云端智能寻车模块。所述云端智能寻车模块的数据处理单元通过识别车位实时图像中的车辆和该车辆相关的人员面部，并将两者相关联。云端智能寻车模块通过无线传输模块与LED寻车屏相连，云端智能寻车模块接收LED寻车屏中摄像头拍摄的寻车人员的图像，并通过识别该图像中人员的面部，从而找到与该寻车人员相关联的车辆。

所述无线传输模块实现各个模块之间的数据交换，本发明中的无线传输模块采用JZ875无线电台。采用无线传输的方式避免了在施工过程中对停车场路面的破坏化及后期维护的麻烦。模块之间的通信使用高效、稳定的RS-485通信协议。

云端智能寻车模块，每隔一定时间查询云端数据检测采集模块和LED寻车屏传输的数据，并将识别车辆和相关人员的关联信息存储在数据库服务器中。识别LED寻车屏传输的视频中的人脸，与数据库中的人脸进行比对，利用图像再识别原理找到数据库服务器中存储的同一人员关联的车辆信息，并将信息传送给传输到LED寻车屏上；数据库服务器用来存储车辆与人员关联信息并提供信息处理操作；路径规划模块接收LED寻车屏传送的关联车辆，负责将关联的车辆所在位置以及寻车屏所在位置进行路径规划，结合停车场地图，设计寻车路线并将路线传输到LED寻车屏上。

车辆和相关人员通过车位编号存储在数据库服务器中的格式可以为：

进一步地，所述数据处理单元具体用于：

识别实时图像中的车辆车位编号和GPS坐标；

当人员与车辆发生重叠时，获取人员的人脸图像。

具体而言，本实施例数据处理模块基于图像再识别技术和AT89C51微处理器，利用图像再识别原理来确定寻车人员为存储在所述数据库服务器中的车辆相关人员，即当前人员的身份确认。首先，识别采集模块发送的车位实时图像中与车辆相关的人员的面部，并生成数据集。

人脸数据集分成三部分：正样本，负样本，目标样本；使用的是WebFace数据库，包含约500K张图片。选取若干数据作为目标样本，与目标样本为同一人的作为正样本，不为同一人的作为负样本；然后，搭建图像再识别网络。

该图像再识别网络包含5个卷积层、2个池化层、6个全连接层、8个ReLU层，批规范化(batch normalization)层以及3个Dropout层；每层卷积层与批处理层交替链接，并将ReLU层连接于卷积层顶端，在最后一个池化层后连接全连接层，并利用Dropout层和ReLU层防止其训练过拟合；卷积层中：每个卷积层的特征映射图都可以使用多个卷积核，通过对前一层得到的特征映射图进行卷积操作，然后组合得出；池化层中：池化层中输出的N个特征图谱与其输入的N个特征图谱相对应。

本实施例中卷积层包括不同尺度的5层，卷积核均为3×3，批处理层和ReLU层在每层卷积层之后，最后两层卷积后跟有池化层。

第一层卷积z₁＝W₁*I+B₁，其中I是输入图像，大小为224×224，W₁代表f₁×f₁×n₁滤波器，卷积核大小f₁＝3,步长为1，卷积核个数为n₁＝64个，即输出n₁个特征图，*表示卷积操作，B₁代表n₁维偏差。z₁表示本层后输出的特征图。224×224的图像经过本次卷积，生成64个大小为222×222的特征图。

第二层卷积z₂＝W₂*F₁+B₂，其中W₂代表滤波器，卷积核大小f₂＝3,卷积核个数为n₂＝128个，步长为1，即输出n₂个特征图，*表示卷积操作，B₂代表n₂维偏差。F₁表示本层输入特征图，z₂表示本层后输出的特征图。222×222个特征图经过本次卷积，生成128个大小为220×220的特征图。

第三层卷积z₃＝W₃*F₂+B₃，其中W₃代表滤波器，卷积核大小f₃＝3,卷积核个数为n₃＝256个，步长为1，即输出n₃个特征图，*表示卷积操作，B₃代表n₃维偏差。F₂表示本层输入特征图，z₃表示本层后输出的特征图。220×220个特征图经过本次卷积，生成256个大小为218×218的特征图。

第四层卷积z₄＝W₄*F₃+B₄，其中W₄代表滤波器，卷积核大小f₄＝3,卷积核个数为n₄＝512个，步长为1，即输出n₄个特征图，*表示卷积操作，B₄代表n₄维偏差。F₃表示本层输入特征图，z₄表示本层后输出的特征图。218×218个特征图经过本次卷积，生成512个大小为216×216的特征图。

在第四层卷积后面有一层池化z₄表示本层后输入的特征图，卷积核大小f_p＝3，stride表示步长，步长为2。池化后有一层Maxout激活i为本层节点，j为本层每个节点所对应的隐含节点。j的取值范围为[1,k]，k为maxout层所需要的参数。P₄表示本层输入的特征图，F₄表示本层输出的特征图，最终输出特征图个数为的图像经过本次池化，生成512个大小为214×214的特征图。

第五层卷积z₅＝W₅*F₄+B₅，其中W₅代表滤波器，卷积核大小f₅＝3,卷积核个数为n₅＝512个，步长为1，即输出n₅个特征图，*表示卷积操作，B₅代表n₅维偏差。F₄表示本层输入特征图，z₅表示本层后输出的特征图。214×214个特征图经过本次卷积，生成512个大小为107×107的特征图。

在第五层卷积后面有一层池化z₅表示本层后输入的特征图，卷积核大小f_p＝3，stride表示步长，步长为2。池化后有一层Maxout激活i为本层节点，j为本层每个节点所对应的隐含节点。j的取值范围为[1,k]，k为maxout层所需要的参数。p₁表示本层输入的特征图，F₅表示本层输出的特征图，最终输出特征图个数为个107×107个特征图经过本次卷积，生成512个大小为53×53的特征图。

最后一层池化层处理完成后，将正样本，负样本和目标样本得到的特征图分别接入到两个全连接层，分别生成1个大小为4096×1的特征向量和1个大小为512×1的特征向量，第一层全连接层后接批处理层，ReLU层和Dropout层。第二层全连接层得到的特征图和样本特征计算损失，计算损失的公式为：

其中，表示目标样本，表示正样本，表示负样本，threshold表示特定阈值。

最后，利用所述图像再识别网络，训练图像再识别网络模型：初始化后，采用随机梯度下降法对上述构建的图像再识别网络模型进行迭代训练，每迭代一次检测一次梯度以及损失函数的值，以获得网络模型结构中各权重值W和偏置值b的最优解，迭代多次后得到本次训练的最优图像再识别网络模型。使用最优卷积神经网络模型检测将LED引导屏摄像头返回的实时图像中的人脸和数据库服务器中保存的人脸图片逐一比对，输出实时图像中的人脸和数据库服务器中保存的人脸图片是同一个人的概率。根据概率最大的数据库服务器中保存的人脸图片，查询数据库服务器中保存的车位信息，将所述车位位置发送至所述路径规划单元，将关联车辆的信息发送至LED引导屏上，同时保存至数据库服务器实时更新数据。

图3为本发明基于图像再识别的停车场智能寻车方法流程图，如图3所示，本实施例的方法可以包括：

步骤101、采集模块采集车位的实时图像，并通过无线传输模块将所述实时图像发送至云端智能寻车模块，所述实时图像包括车辆和所述车辆附近的人员；

步骤102、数据处理单元接收所述车位实时图像，识别所述实时图像中的车辆和所述车辆附近的人员，并将所述车辆附件的人员与所述车辆相关联；

步骤103、数据库服务器存储所述车辆附件人员与所述车辆的关联信息；

步骤104、所述数据处理单元接收所述LED寻车屏发送的寻车人员图像，根据所述寻车人员图像识别所述寻车人员，根据所述寻车人员确定与所述人员关联的车辆，并将所述车辆位置发送至所述路径规划单元；

步骤105、所述路径规划单元接收所述数据处理单元发送的车辆位置，结合停车场地图规划所述车辆与所述LED寻车屏之间的路径，并将所述路径发送至所述LED寻车屏；

步骤106、所述路径规划单元接收并显示所述路径规划单元发送的所述路径。

进一步地，所述数据处理单元接收所述车位实时图像，识别所述实时图像中的车辆和所述车辆附近的人员，并将所述车辆附件的人员与所述车辆相关联，包括：

根据人脸特征点提取实时图像中的车辆附近的人脸；

根据提取的人脸生成寻车人员数据集；

根据车辆特征点提取所述实时图像中的车辆；

通过停车位编号将所述车辆附近的人脸和所述车辆关联在一起，并存储至数据库服务器。

进一步地，所述数据处理单元接收所述LED寻车屏发送的寻车人员图像，根据所述寻车人员图像识别所述寻车人员，包括：

搭建图像再识别网络；

采用所述图像再识别网络训练寻车人员图像再识别网络模型；

根据所述训练后的图像再识别网络模型将寻车人员图像中的人脸和数据库服务器中保存的人脸图片逐一比对得到所述脸部图片的概率值；

在数据库服务器中查询比对概率值最大的寻车人员所关联的车辆，将所述车位位置发送至所述路径规划单元。

本实施例方法与图1所示的系统原理相同，具体参见上述说明，此处不再赘述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于图像再识别的停车场智能寻车系统，其特征在于，包括：

采集模块、无线传输模块、云端智能寻车模块以及LED寻车屏；

所述采集模块用于采集停车位的实时图像，并通过数无线传输模块将所述实时图像发送至所述云端智能寻车模块，所述车位实时图像包括车辆和所述车辆附近的人员；

所述云端智能寻车模块包括：数据处理单元、数据库服务器和路径规划单元；

所述数据处理单元用于接收所述采集模块发送的车位实时图像，识别所述实时图像中的车辆和所述车辆附近的人员，并将所述车辆附件的人员与所述车辆相关联；

接收所述LED寻车屏发送的寻车人员图像，根据所述寻车人员图像识别所述寻车人员，根据所述寻车人员确定与所述人员关联的车辆，并将所述车辆位置发送至所述路径规划单元；

所述数据库服务器用于存储与所述车辆相互关联的人员信息；

所述路径规划单元用于接收所述数据处理单元发送的车辆位置，结合停车场地图规划所述车辆与所述LED寻车屏之间的路径，并将所述路径发送至所述LED寻车屏；

所述LED寻车屏用于采集所述寻车人员的图像，并将所述寻车人员的图像发送至所述数据处理单元，接收并显示所述路径规划单元发送的所述路径。

2.根据权利要求1所述的系统，其特征在于，所述数据处理单元具体用于：

根据人脸特征点提取实时图像中的车辆附近的人脸；

根据提取的人脸生成寻车人员数据集；

根据车辆特征点提取所述实时图像中的车辆；

通过停车位编号将所述车辆附近的人脸和所述车辆关联在一起，并存储至数据库服务器；

搭建图像再识别网络；

采用所述图像再识别网络训练寻车人员图像再识别网络模型；

根据所述训练后的图像再识别网络模型将寻车人员图像中的人脸和数据库服务器中保存的人脸图片逐一比对得到所述脸部图片的概率值；

在数据库服务器中查询比对概率值最大的寻车人员所关联的车辆，将所述车位位置发送至所述路径规划单元。

3.根据权利要求1所述的系统，其特征在于，所述LED寻车屏包括：

摄像头、显示屏、支撑底座以及定位信号发射器；

所述摄像头设置于所述显示屏上，所述显示屏下方设置所述支撑底座，所述定位信号发射器嵌于所述显示屏内部。

4.一种基于图像再识别的停车场智能寻车方法，其特征在于，包括：

采集模块采集车位的实时图像，并通过无线传输模块将所述实时图像发送至云端智能寻车模块，所述实时图像包括车辆和所述车辆附近的人员；

数据处理单元接收所述车位实时图像，识别所述实时图像中的车辆和所述车辆附近的人员，并将所述车辆附件的人员与所述车辆相关联；

数据库服务器存储所述车辆附件人员与所述车辆的关联信息；

所述数据处理单元接收所述LED寻车屏发送的寻车人员图像，根据所述寻车人员图像识别所述寻车人员，根据所述寻车人员确定与所述人员关联的车辆，并将所述车辆位置发送至所述路径规划单元；

所述路径规划单元接收所述数据处理单元发送的车辆位置，结合停车场地图规划所述车辆与所述LED寻车屏之间的路径，并将所述路径发送至所述LED寻车屏；

所述路径规划单元接收并显示所述路径规划单元发送的所述路径。

5.根据权利要求4所述的方法，其特征在于，所述数据处理单元接收所述车位实时图像，识别所述实时图像中的车辆和所述车辆附近的人员，并将所述车辆附件的人员与所述车辆相关联，包括：

根据人脸特征点提取实时图像中的车辆附近的人脸；

根据提取的人脸生成寻车人员数据集；

根据车辆特征点提取所述实时图像中的车辆；

通过停车位编号将所述车辆附近的人脸和所述车辆关联在一起，并存储至数据库服务器。

6.根据权利要求5所述的方法，其特征在于，所述数据处理单元接收所述LED寻车屏发送的寻车人员图像，根据所述寻车人员图像识别所述寻车人员，包括：

搭建图像再识别网络；

采用所述图像再识别网络训练寻车人员图像再识别网络模型；

根据所述训练后的图像再识别网络模型将寻车人员图像中的人脸和数据库服务器中保存的人脸图片逐一比对得到所述脸部图片的概率值；

在数据库服务器中查询比对概率值最大的寻车人员所关联的车辆，将所述车位位置发送至所述路径规划单元。