CN108447273A - 一种基于智能停车系统的剩余车位预测方法 - Google Patents
一种基于智能停车系统的剩余车位预测方法 Download PDFInfo
- Publication number
- CN108447273A CN108447273A CN201810286762.0A CN201810286762A CN108447273A CN 108447273 A CN108447273 A CN 108447273A CN 201810286762 A CN201810286762 A CN 201810286762A CN 108447273 A CN108447273 A CN 108447273A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- license plate
- parking lot
- parking stall
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能停车系统的剩余车位预测方法,方法包括:通过安装在停车场的出口和停车场的入口的摄像头对进出停车场的车辆进行拍摄,以获得车牌号在内的车辆图片;对包含车牌号的车辆图片进行识别,获得车辆的车牌号;根据车辆进入停车场输入口的时间、日期,并根据车牌号生成对应车辆的目标信息,采用目标神经网络训练得到对应车牌号的训练结果,并根据训练结果判断对应车辆是否为目标车辆;根据对应车辆是否为目标车辆、当前车位数,预测剩余车位的数量。应用本发明提供的实施例,通过只能停车系统在没有提供用户的车辆是否为目标车辆的情况下,保证了停车场能够自动为目标车辆预留足够的车位,提高用户体验以及停车场的智能化。
Description
技术领域
本发明涉及停车场车位数量的预测技术领域,特别涉及一种基于智能停车系统的剩余车位预测方法。
背景技术
现有的停车管理系统应用于公共的停车场所中,例如商场,学校,医院等场所,主要通过用户进行刷卡、或者实现登记等方式告知停车场的管理系统,该车辆是否为预先登记的车辆,如果是则算入VIP停车区,否则剩下的可用剩余车位数量减1处理。
这样就会泄露用户的使用隐私,用户的行踪通过系统遭到了泄露的风险是存在的,而对于既不用泄露用户信息,又能够统计剩余车位的停车管理系统目前市场上是不存在的。
发明内容
本发明所要解决的技术问题是提供一种基于智能停车系统的剩余车位预测方法,旨在通过只能停车系统在没有提供用户的车辆是否为目标车辆的情况下,自动预测剩余的车位数量,既保护了用户的隐私,又保证了停车场能够自动为目标车辆预留足够的车位,提高用户体验以及停车场的智能化。
为实现上述目的,本发明提供以下的技术方案:一种基于智能停车系统的剩余车位预测方法,所述方法包括步骤:
通过安装在停车场的出口和停车场的入口的摄像头对进出所述停车场的车辆进行拍摄,以获得车牌号在内的车辆图片,以及获得车辆进入停车场输入口的时间、日期;
通过对所获得的包含车牌号在内的所述车辆图片进行识别,获得车辆的车牌号;
根据车辆进入停车场输入口的时间、日期,并根据所述车牌号生成对应车辆的目标信息,所述目标信息至少包括:平均停车时长,停车时长方差,每日停车概率,平均驶入时长,驶入时长方差;
根据所述目标信息,采用目标神经网络训练得到对应车牌号的训练结果,并根据训练结果判断对应车辆是否为目标车辆;
根据对应车辆是否为目标车辆、当前车位数,预测剩余车位的数量。
本发明的优选实施方式中,所述通过对所获得的包含车牌号在内的所述车辆图片进行识别,获得车辆的车牌号的步骤,包括:
采用训练好的基于区域的神经网络对车辆图片进行训练找出车牌区域,并对所述车牌区域进行二值化处理找出并切割字符,将切割好的字符发送至卷积神经网络进行识别,获得车辆的车牌号。
本发明的优选实施方式中,所述根据对应车辆是否为目标车辆、当前车位数,预测剩余车位的数量的步骤,包括:
当对应车辆的训练结果为大于第一预设概率数值时,表示为目标车辆,在车辆为驶入停车场时,将所述当前车位数作为剩余车位的数量;
当对应车辆的训练结果为大于第一预设概率数值时,表示为目标车辆,在车辆为驶出停车场时,将所述当前车位数作为剩余车位的数量;
当对应车辆的训练结果为小于第二预设概率数值时,表示为非目标车辆,在车辆为驶入停车场时,将所述当前车位数减一作为剩余车位的数量;
当对应车辆的训练结果为小于第二预设概率数值时,表示为目标车辆,在车辆为驶出停车场时,将所述当前车位数加一作为剩余车位的数量。
本发明的优选实施方式中,所述方法还包括:
将所述训练结果作为对应车辆作为目标车辆的概率;
在预测的剩余车位的数量与实际车位的使用情况不符时,按概率纠正预测错误的车辆,并且采用纠正后的车辆对应概率数据对目标神经网络针对此停车场的二次训练。
本发明的优选实施方式中,所述目标车辆为月租车辆。
应用本发明提供的实施例,通过在停车场的出入口获得包含车牌号的图片以及车牌号的时间日期并获得目标信息,对车牌号对应的图片进行识别获得车牌号,获得车牌号对应的车辆的目标信息,并采用目标神经网络对目标信息进行训练得到训练结果,判断是否为目标车辆,并根据对应车辆是否为目标车辆、当前车位数,预测剩余车位的数量。因此避免了预先记录车牌号对应的车辆是否为目标车辆,保护了用户的隐私。因此,通过只能停车系统在没有提供用户的车辆是否为目标车辆的情况下,自动预测剩余的车位数量,既保护了用户的隐私,又保证了停车场能够自动为目标车辆预留足够的车位,提高用户体验以及停车场的智能化。
附图说明
图1是本发明实施例的一种基于智能停车系统的剩余车位预测方法的流程示意图;
图2是车牌号识别过程的流程示意图;
图3是目标神经网络的车牌训练示意图。
具体实施方式
为使发明的目的、技术方案和优点更加清楚明了,下面通过附图中及实施例,对本发明技术方案进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明技术方案,并不用于限制本发明技术方案的范围。
为解决现有技术问题,本发明实施例提供一种基于智能停车系统的剩余车位预测方法,以下分别进行详细说明。
实施例:
参见图1,提供了一种基于智能停车系统的剩余车位预测方法,所述方法包括步骤:
S101,通过安装在停车场的出口和停车场的入口的摄像头对进出所述停车场的车辆进行拍摄,以获得车牌号在内的车辆图片,以及获得车辆进入停车场输入口的时间、日期;
需要说明的是,通过安装在停车场的出口、停车场的入口的摄像头对车辆进行拍摄,以获得车牌号在内的车辆图片。本发明实施例中,通过在停车场进出口的位置放置摄像头,可以在车辆经过停车场出口或者进入入口的时候,对车辆进行拍照。将得到的照片传给图像识别模块。车辆自动识别模块分析出车牌号之后,一方面,有关该车牌号的车辆驶入/驶出时间、日期数据会自动保存。
S102,通过对所获得的包含车牌号在内的所述车辆图片进行识别,获得车辆的车牌号。
本发明的优选实施方式中,具体包括:采用训练好的基于区域的神经网络对车辆图片进行训练找出车牌区域,并对车牌区域进行二值化处理找出并切割字符,将切割好的字符发送至卷积神经网络进行识别,获得车辆的车牌号。
参见图2所示,首先,通过摄像头获得一张包含车牌的图片,并将图片传给训练好的基于区域的神经网络,基于区域的神经网络会将车牌区域找出,并对该车牌区域图像进行二值化操作。由于二值化后的车牌字符的存在与否对于每一列白色像素点的多少有很大影响(有字符的地方的列白色像素点的数量会偏多),因此可以分析出字符大致所在的位置,从而进行字符切割操作。切割后将7个字符(假设为非节能小轿车的标准车牌格式)分别传给训练好的卷积神经网络进行识别。由此即实现了将驶入驶出车辆的车牌号识别出来。
S103,根据车辆进入停车场输入口的时间、日期,并根据所述车牌号生成对应车辆的目标信息,所述目标信息至少包括:平均停车时长,停车时长方差,每日停车概率,平均驶入时长,驶入时长方差。
需要说明的是,在接入一个新的停车场后,通过摄像头采集得到的数据会收集到并保存,同时还保存有该车牌的驶入驶出时间,日期。该停车场中停车数据库会保留该车辆所有出入的信息,因此,根据这些信息可以得到平均停车时长(每天平均停车时间),停车时长方差,每日停车概率,平均驶入时长(每天平均驶入的时间长度),驶入时长方差。
示例性的,在过去一个月里,根据车辆:皖A00012停车信息可以得到:平均停车时间为1.1H每天、停车时长方差0.75,每日停车概率0.4,平均驶入时长0.05,驶入时长方差0.65。参见图3所示,将平均停车时长,停车时长方差,每日停车概率,平均驶入时长分别通过目标神经网络的输入层、第一隐层和第二隐层进行训练,在输出层得到该车辆对应的车牌号为目标车辆还是非目标车辆。
S104,根据所述目标信息,采用目标神经网络训练得到对应车牌号的训练结果,并根据训练结果判断对应车辆是否为目标车辆。
可以理解的是,目标神经网络的核心是一个包含两个隐层的目标神经网络模型。这个目标神经网络的输入是一些不同维度的统计数据:平均停车时长,停车时长方差,每日停车概率,平均驶入时长,驶入时长方差。这个神经网络的输出是1或者0。具体的,当目标车辆为月租车辆时,1表示具有这种数据特征(例如每日停车概率高于0.7且平均驶入时长较长)有很大概率是一个月租车,而0表示神经网络认为,根据学习的结果,这个车牌号对应的车应该不是一个月租车。对于神经网络的训练,我们会利用大量已有的其他停车场的数据来训练这个神经网络模型,得到成熟的目标神经网络,从而将一个待训练的车辆所对应的目标信息输入目标神经网络以后将会得到训练结果。
S105,根据对应车辆是否为目标车辆、当前车位数,预测剩余车位的数量。
本发明实施例中,在判断车辆是否为目标车辆以后,根据已知的当前车位数可以预测剩余车位的数量,本发明主要是通过判断是否为目标车辆从而判断该车辆对当前车位数量的影响,根据影响的结果得到剩余车位的数量。
本发明的优选实施方式中,所述根据对应车辆是否为目标车辆、当前车位数,预测剩余车位的数量的步骤,包括:当对应车辆的训练结果为大于第一预设概率数值时,表示为目标车辆,在车辆为驶入停车场时,将所述当前车位数作为剩余车位的数量;当对应车辆的训练结果为大于第一预设概率数值时,表示为目标车辆,在车辆为驶出停车场时,将所述当前车位数作为剩余车位的数量;
当对应车辆的训练结果为小于第二预设概率数值时,表示为非目标车辆,在车辆为驶入停车场时,将所述当前车位数减一作为剩余车位的数量;当对应车辆的训练结果为小于第二预设概率数值时,表示为目标车辆,在车辆为驶出停车场时,将所述当前车位数加一作为剩余车位的数量。
可以理解的是,假设停车场中针对目标车辆对应的车位的数量是固定不变的,假设为50个,针对非目标车辆对应的车位数量为60个,所以停车场必须要保证给目标车辆的50个车位不被非目标车辆占用,以保证目标车辆的权益。因此,本发明实施例中,在不管是驶入停车场还是驶出停车场只要判断车辆为目标车辆时,占用的车位为该50个中的一个,剩余车位数为非目标车辆的,所数量保持不变;在判断车辆为非目标车辆,在车辆驶入停车场时,预测的剩余车位数在当前车位数的基础上做减1处理;在车辆驶出停车场时,预测的剩余车位数在当前车位数的基础上做加1处理,因此,可以保证目标车辆对应的车位数量不受非目标车辆的驶入和驶出的影响。
本发明实施例中,第一预设概率数值与第二预设概率数值可以相等,也可以不相等,当相等时,直接判断车辆是否为目标车辆即可;当不相等时,可以是需要进一步进行考核的车辆,比如将其归为目标车辆的话概率略小,但是归为非目标车辆的话错误的概率会比较大。
本发明的优选实施方式中,方法还包括:将训练结果作为对应车辆作为目标车辆的概率;在预测的剩余车位的数量与实际车位的使用情况不符时,按概率纠正预测错误的车辆,并且采用纠正后的车辆对应概率数据对目标神经网络针对此停车场的二次训练。
本发明的优选实施方式中,目标车辆为月租车辆。具体的,停车数据库还会记录神经网络给出的为月租车的概率,如果车位已满而预测的剩余泊位数还未到0,或者预测剩余泊位数为0但是车位还未满,说明当前车辆是否为目标车辆的判断是存在错误的,因此会自动调整,按概率纠正可能预测错误的车辆,并且积累这些数据用于月租车判断的神经网络针对此停车场的二次训练。通过二次训练,对是否为月租车的判断准确度可以进一步提高。由此即实现了:在未知停车场用户信息的情况下,准确的估计月租车的数量以及预测剩余可用泊位。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于智能停车系统的剩余车位预测方法,其特征在于,应用于智能停车系统,所述方法包括步骤:
通过安装在停车场的出口和停车场的入口的摄像头对进出所述停车场的车辆进行拍摄,以获得车牌号在内的车辆图片,以及获得车辆进入停车场输入口的时间、日期;
通过对所获得的包含车牌号在内的所述车辆图片进行识别,获得车辆的车牌号;
根据车辆进入停车场输入口的时间、日期,并根据所述车牌号生成对应车辆的目标信息,所述目标信息至少包括:平均停车时长,停车时长方差,每日停车概率,平均驶入时长,驶入时长方差;
根据所述目标信息,采用目标神经网络训练得到对应车牌号的训练结果,并根据训练结果判断对应车辆是否为目标车辆;
根据对应车辆是否为目标车辆、当前车位数,预测剩余车位的数量。
2.根据权利要求1所述的基于智能停车系统的剩余车位预测方法,其特征在于,所述通过对所获得的包含车牌号在内的所述车辆图片进行识别,获得车辆的车牌号的步骤,包括:
采用训练好的基于区域的神经网络对车辆图片进行训练找出车牌区域,并对所述车牌区域进行二值化处理找出并切割字符,将切割好的字符发送至卷积神经网络进行识别,获得车辆的车牌号。
3.根据权利要求1所述的基于智能停车系统的剩余车位预测方法,其特征在于,所述根据对应车辆是否为目标车辆、当前车位数,预测剩余车位的数量的步骤,包括:
当对应车辆的训练结果为大于第一预设概率数值时,表示为目标车辆,在车辆为驶入停车场时,将所述当前车位数作为剩余车位的数量;
当对应车辆的训练结果为大于第一预设概率数值时,表示为目标车辆,在车辆为驶出停车场时,将所述当前车位数作为剩余车位的数量;
当对应车辆的训练结果为小于第二预设概率数值时,表示为非目标车辆,在车辆为驶入停车场时,将所述当前车位数减一作为剩余车位的数量;
当对应车辆的训练结果为小于第二预设概率数值时,表示为目标车辆,在车辆为驶出停车场时,将所述当前车位数加一作为剩余车位的数量。
4.根据权利要求1所述的基于智能停车系统的剩余车位预测方法,其特征在于,所述方法还包括:
将所述训练结果作为对应车辆作为目标车辆的概率;
在预测的剩余车位的数量与实际车位的使用情况不符时,按概率纠正预测错误的车辆,并且采用纠正后的车辆对应概率数据对目标神经网络针对此停车场的二次训练。
5.根据权利要求1-4任一项所述的基于智能停车系统的剩余车位预测方法,其特征在于,所述目标车辆为月租车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810286762.0A CN108447273A (zh) | 2018-03-30 | 2018-03-30 | 一种基于智能停车系统的剩余车位预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810286762.0A CN108447273A (zh) | 2018-03-30 | 2018-03-30 | 一种基于智能停车系统的剩余车位预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108447273A true CN108447273A (zh) | 2018-08-24 |
Family
ID=63198846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810286762.0A Withdrawn CN108447273A (zh) | 2018-03-30 | 2018-03-30 | 一种基于智能停车系统的剩余车位预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447273A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009917A (zh) * | 2019-04-04 | 2019-07-12 | 东南大学 | 一种分段连续观测的停车场特性调查方法 |
CN110503104A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于卷积神经网络的短时剩余车位数量预测方法 |
CN112435500A (zh) * | 2020-12-01 | 2021-03-02 | 深圳市顺易通信息科技有限公司 | 一种停车场剩余车位的统计方法、装置及终端设备 |
-
2018
- 2018-03-30 CN CN201810286762.0A patent/CN108447273A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009917A (zh) * | 2019-04-04 | 2019-07-12 | 东南大学 | 一种分段连续观测的停车场特性调查方法 |
CN110503104A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于卷积神经网络的短时剩余车位数量预测方法 |
CN110503104B (zh) * | 2019-08-29 | 2021-04-27 | 桂林电子科技大学 | 一种基于卷积神经网络的短时剩余车位数量预测方法 |
CN112435500A (zh) * | 2020-12-01 | 2021-03-02 | 深圳市顺易通信息科技有限公司 | 一种停车场剩余车位的统计方法、装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320582A (zh) | 一种具备剩余车位统计功能的停车管理系统 | |
EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN108447273A (zh) | 一种基于智能停车系统的剩余车位预测方法 | |
CN110189545A (zh) | 车辆的泊车调度方法、装置、存储介质及计算机设备 | |
CN111444848A (zh) | 一种基于联邦学习的特定场景模型升级方法和系统 | |
WO2020056677A1 (zh) | 一种用于建筑施工现场的违规检测方法、系统及设备 | |
DE112016003722T5 (de) | Systeme und verfahren zum einstellen von fahrplänen und strecken für mitfahrgelegenheiten | |
CN107578642A (zh) | 一种访客车辆停车管理方法及系统 | |
US11816875B2 (en) | Method for estimating and presenting passenger flow, system, and computer readable storage medium | |
CN105825350A (zh) | 基于视频分析智慧旅游预警决策系统及其使用方法 | |
CN108197526A (zh) | 检测方法、系统及计算机可读存储介质 | |
CN107871398A (zh) | 一种通过行车记录仪进行红绿灯识别的方法和系统 | |
DE112019002896T5 (de) | Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und programm | |
CN110766243B (zh) | 一种景区厕所推荐方法、装置及系统 | |
CN115545975A (zh) | 一种基于景区停车场数据的管理方法、系统及存储介质 | |
CN108447251A (zh) | 车辆监控配置系统和方法 | |
CN109829460A (zh) | 一种应用于停车管理系统的车牌字符分割识别方法及其系统 | |
CN108520637A (zh) | 一种具备停车诱导功能的智能化停车系统 | |
CN116432956B (zh) | 一种基于客流量的公交车调配方法、系统、设备及介质 | |
CN114550492B (zh) | 一种车辆信息的处理方法、装置、电子设备及存储介质 | |
CN113822367B (zh) | 一种基于人脸的区域行为分析方法、系统及介质 | |
CN114819852A (zh) | 用于智慧城市的物流规划系统及方法 | |
CN105574499B (zh) | 一种基于soc的人数检测统计方法及系统 | |
CN111310652B (zh) | 基于分类回归双域模型的流量识别方法和系统 | |
CN113053157A (zh) | 一种智能机械立式车位自动指引系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180824 |
|
WW01 | Invention patent application withdrawn after publication |