CN108550277A - 一种基于图像深度学习的停车位识别及查询方法 - Google Patents

Abstract

本发明公开了一种基于图像深度学习的停车位识别及查询方法，属于计算机物联网技术领域。本发明的基于图像深度学习的停车位识别及查询方法通过图像采集服务采集停车场图像，将采集的图像传送至服务器存储；图像识别服务采用深度学习算法，建立图像识别训练模型，利用图像识别训练模型对新采集的图像进行识别预测；用户请求查询空余车位时，停车场应用服务查询数据库中最新图像识别结果数据集，根据空余车位的相对位置绘制出车位平面图，标注出空余车位，用户根据图像位置及标志找到空余车位位置。该发明的基于图像深度学习的停车位识别及查询方法提高停车场的利用率，使用户能够快速查询到空余车位，具有很好的推广应用价值。

Description

一种基于图像深度学习的停车位识别及查询方法

技术领域

本发明涉及计算机物联网技术领域，具体提供一种基于图像深度学习的停车位识别及查询方法。

背景技术

随着社会经济的飞速发展，人们的生活水平有了很大的提高，汽车保有量迅速增长，停车泊位不足的问题日益突出。对于新建的地下停车场，通常配有车位传感器，可以精确检测到每个车位占用情况，车主可以据此查询空余车位。而对于地面停车场或一些老旧的大型地面停车区域，缺乏车位检测传感器，而且常见到不按车位停车的情况。当车主进入地面停车区域后，需要占用主干道路不断寻找空余的车位，很容易造成拥堵。而如果对每个车位部署传感器，会带来较高的成本。

深度学习是近年来人工智能领域取得的重要突破。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大的成功。现有的深度学习模型属于神经网络，用较为复杂的模型降低模型偏差，可以通过大量的图像训练不断优化图像识别效果。

发明内容

本发明的技术任务是针对上述存在的问题，提供一种无需部署车位传感器，从而降低停车场智能化改造成本，同时提高停车场的利用率，使用户能够快速查询到空余车位的基于图像深度学习的停车位识别及查询方法。

为实现上述目的，本发明提供了如下技术方案：

一种基于图像深度学习的停车位识别及查询方法，所述方法通过图像采集服务采集停车场图像，将采集的图像传送至服务器存储；图像识别服务采用深度学习算法，收集服务器中存储的图像作为样本，建立图像识别训练模型，利用图像识别训练模型对新采集的图像进行识别预测，评估出空余的车位数量、空余车位在图像中的相对位置的数据集，将数据集存储在服务器数据库中；用户请求查询空余车位时，停车场应用服务查询数据库中最新图像识别结果数据集，根据空余车位的相对位置绘制出车位平面图，标注出空余车位，用户根据图像位置及标志找到空余车位位置。

作为优选，所述图像采集服务通过图像采集设备完成，图像采集设备由摄像头和远焦镜头组成。

根据停车场地大小，在地面停车场高处部署一个或多个图像采集设备，俯瞰各个停车区域，保证所有图像采集设备采集的图像可以覆盖整个停车场。

作为优选，所述图像采集设备自动运行，设定采集图像的参数，包括图像分辨率、图像曝光度和远焦镜头焦距。

作为优选，所述图像识别服务收集服务器中存储的图像作为样本时，图像样本分为数据集和测试集，数据集用于训练图像识别训练模型，测试集用于检验图像识别训练模型的性能。

所述图像识别服务部署在服务器上，采用深度学习算法进行图像识别，包括以下步骤：

1）针对特定停车场，收集大量停车场图像作为样本，图像包含停车场的车位分布、各类障碍物以及已停车辆。把图像中的元素分割为三类：空余车位、障碍物和车辆，得到像识别训练模型。

2）图像分为数据集和样本集，其中数据集用于进行模型训练，测试集用于检验模型的性能，建立图形识别训练模型，对输入数据集进行训练，通过调整参数不断优化训练效果。

3）预测图像包含的元素。使用训练好的图像识别训练模型对采集的图形进行识别，识别结果包含以下内容：

a）按照停车场实际情况将停车场划分为若干区域，识别出停车场内固定的障碍物；

b）识别出每个区域的已停车辆；

c）识别出每个区域的空余车位，对于没有画车位线或者不按照车位线停车的情况，按照图像车辆比例计算车辆之间的空余间距，评估出空余车位数量、空余车位在图像中的相对位置。

4）汇总各区域图像识别结果，得到停车场整体车位占用和空余情况，将数据集存储在服务器数据库中。

作为优选，利用图像识别训练模型对新采集的图像进行识别预测时，识别结果包括：识别出停车场内固定的障碍物、识别停车场的已停车辆、识别停车场的空余车位。

作为优选，所述图像识别服务基于TensorFlow框架构建卷积神经网络。

作为优选，用户请求查询空余车位时，应用车位查询服务，向图像识别服务的图像识别训练模型发送请求获取停车场状态，图像识别训练模型向图像采集服务获取最新停车场图像，使用图像识别训练模型对图像识别预测，停车场应用服务绘制出车位平面图，标注出空余车位，用户根据图像位置及标志找到空余车位位置。

作为优选，所述停车场应用服务以Web服务形式部署在服务器上。

作为优选，所述车位查询服务，提供网页和APP供用户查询停车场空余车位，提供网页供停车场管理人员统计停车场使用情况。

与现有技术相比，本发明的基于图像深度学习的停车位识别及查询方法具有以下突出的有益效果：所述基于图像深度学习的停车位识别及查询方法使用摄像头对停车场进行定期拍摄，利用深度学习算法对图像进行大量训练，可以适配不同停车场的布局，利用深度学习训练模型对停车场进行车位检测，可以精确检测已停车辆，并充分利用停车场的剩余空间，计算空余车位，无需大量部署车位传感器，从而降低停车场智能化改造成本，同时提高停车场的利用率，使用户能够快速查询到空余车位，具有良好的推广应用价值。

附图说明

图1是本发明所述基于图像深度学习的停车位识别及查询方法的过程示意图。

具体实施方式

下面将结合附图和实施例，对本发明的基于图像深度学习的停车位识别及查询方法作进一步详细说明。

实施例

如图1所示，本发明的基于图像深度学习的停车位识别及查询方法，具体包括以下步骤：

1、针对特定停车场改造实施，在地面停车场高处安装多个摄像头和远焦镜头，多个摄像头和远焦镜头拍摄区域能够覆盖整个停车场。

2、摄像头与服务器建立连接，摄像头采集停车场图像，设定好采集的参数，包括图像分辨率、图像曝光度和远焦镜头焦距等，调整参数使得摄像头采集图像达到最好清晰度。通过控制摄像头，定期抓取停车场图像，将采集的图像存储到服务器指定目录下。

3、在服务器上部署图像识别服务，分为深度学习训练及图像识别。收集停车场不同状态下的图像，图像包含停车场的车位分布、各类障碍物已经已停车辆。把图像中的元素分割为三类：空余车位、障碍物和车辆，得到图像训练集。基于TensorFlow框架构建卷积神经网络，通过调整参数不断优化训练效果。典型过程如下：

1）构建3层卷积层，2x2的Max-pooling和ReLU修正线性单元。输入是4维张量（图像编号，Y坐标，X坐标，通道），输出是另一个经处理得到的4维张量。

2）构建2层全连接层。输入是2维张量（图像编号。输入编号），输出是2维张量。

3）使用合并层链接卷积层和全连接层。使用Softmax Layer标准化输出。

4）使用交叉熵作为成本计量函数，取其均值，调整参数不断优化训练结果。

4、停车场应用服务定期获取当前停车场的占用状态，向图像识别服务发送请求，图像识别服务接收到请求后，获取到最新的停车场图像，开始预测识别图像包含的元素。使用训练好的图像识别训练模型对摄像头采集的图像进行识别预测，识别结果包含以下内容：

a）按照停车场实际情况将停车场划分为若干个区域，识别出停车场内固定障碍物。

b）识别出每个区域的已停车辆。

c）识别出每个区域空余车位，对于没有画车位线或者不按照车位线停车的情况，按照图像车辆比例计算车辆之间的空余间距，评估出空余的车位数量、空余车位在图像中的相对位置。

图像识别完成后，汇总各区域图像识别结果，得到停车场整体车位占用和空余情况，并将识别结果数据集返回停车场应用服务，后续将数据集存储在服务器数据库。

5、停车场应用服务在后台轮询更新停车场的最新数据集状态。当用户打开车位查询应用APP或者网页查询停车场车位时，停车场应用服务直接查询最新的图像识别结果数据集，根据空余车位的相对位置绘制车位平面图，标记处空余车位，用户可根据图像上位置及标记点快速找到空余车位所在位置。停车场应用服务还可提供历史数据统计功能，停车场管理员可查询并统计停车场使用情况。

以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (9)

1.一种基于图像深度学习的停车位识别及查询方法，其特征在于：所述方法通过图像采集服务采集停车场图像，将采集的图像传送至服务器存储；图像识别服务采用深度学习算法，收集服务器中存储的图像作为样本，建立图像识别训练模型，利用图像识别训练模型对新采集的图像进行识别预测，评估出空余的车位数量、空余车位在图像中的相对位置的数据集，将数据集存储在服务器数据库中；用户请求查询空余车位时，停车场应用服务查询数据库中最新图像识别结果数据集，根据空余车位的相对位置绘制出车位平面图，标注出空余车位，用户根据图像位置及标志找到空余车位位置。

2.根据权利要求1所述的基于图像深度学习的停车位识别及查询方法，其特征在于：所述图像采集服务通过图像采集设备完成，图像采集设备由摄像头和远焦镜头组成。

3.根据权利要求2所述的基于图像深度学习的停车位识别及查询方法，其特征在于：所述图像采集设备自动运行，设定采集图像的参数，包括图像分辨率、图像曝光度和远焦镜头焦距。

4.根据权利要求1、2或3所述的基于图像深度学习的停车位识别及查询方法，其特征在于：所述图像识别服务收集服务器中存储的图像作为样本时，图像样本分为数据集和测试集，数据集用于训练图像识别训练模型，测试集用于检验图像识别训练模型的性能。

5.根据权利要求4所述的基于图像深度学习的停车位识别及查询方法，其特征在于：利用图像识别训练模型对新采集的图像进行识别预测时，识别结果包括：识别出停车场内固定的障碍物、识别停车场的已停车辆、识别停车场的空余车位。

6.根据权利要求5所述的基于图像深度学习的停车位识别及查询方法，其特征在于：所述图像识别服务基于TensorFlow框架构建卷积神经网络。

7.根据权利要求6所述的基于图像深度学习的停车位识别及查询方法，其特征在于：用户请求查询空余车位时，应用车位查询服务，向图像识别服务的图像识别训练模型发送请求获取停车场状态，图像识别训练模型向图像采集服务获取最新停车场图像，使用图像识别训练模型对图像识别预测，停车场应用服务绘制出车位平面图，标注出空余车位，用户根据图像位置及标志找到空余车位位置。

8.根据权利要求7所述的基于图像深度学习的停车位识别及查询方法，其特征在于：所述停车场应用服务以Web服务形式部署在服务器上。

9.根据权利要求8所述的基于图像深度学习的停车位识别及查询方法，其特征在于：所述车位查询服务，提供网页和APP供用户查询停车场空余车位，提供网页供停车场管理人员统计停车场使用情况。