CN108766022B - 基于机器学习的停车场车位状态识别方法及系统 - Google Patents
基于机器学习的停车场车位状态识别方法及系统 Download PDFInfo
- Publication number
- CN108766022B CN108766022B CN201810595618.5A CN201810595618A CN108766022B CN 108766022 B CN108766022 B CN 108766022B CN 201810595618 A CN201810595618 A CN 201810595618A CN 108766022 B CN108766022 B CN 108766022B
- Authority
- CN
- China
- Prior art keywords
- parking space
- vehicle
- parking
- parking lot
- model
- 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
Images
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
- 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
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
技术领域
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
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。
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
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。
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:
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;
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,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。
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%。
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:
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;
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;
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,w为车辆的宽度,a为停车位实际长度。
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。
优选的,车辆识别的具体方法为:
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。
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,最终形成停车位地图模型。
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。
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。
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:
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。
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%。
与现有技术相比,本发明的有益效果在于:
(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。
(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。
附图说明
图1为本发明实施例基于机器学习的停车场车位状态识别方法的流程图。
图2为本发明实施例机器学习的停车场车位状态识别系统结构框图。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
参见图1,本发明一实施例,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:
S1、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。
S2、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,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;
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;
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,w为车辆的宽度,a为停车位实际长度。
S3、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。
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。
S4、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。车辆识别的具体方法为:
S41、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;
S42、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;
S43、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;
S44、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;
S45、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。
S5、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。
上述步骤S3中,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。
上述步骤S3中,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。
上述步骤S3中,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。
为了实现对停车场车位的监测,作为上述识别方法的优选方案,上述步骤S1中,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%。
为了提高车位识别效果,作为上述识别方法的优选方案,在对车辆进行标注时,被遮挡车辆未遮挡部分的比例N按照四舍五入的方法,定为10的整数倍。
本发明实施例上述识别方法,采用机器学习的方式对停车位空位进行识别处理,利用卷积网络结合样本训练对采集的图像数据进行大量深度学习和训练,建立识别模型,不断提高模型的识别准确率,获取准确的停车位信息,引导用户快速便捷地进行停车,省时省力,便于停车场停车及停车场管理,解决了停车场内停车难及停车场内交通拥堵的问题。
参见图2,本发明另一实施例,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:
图像采集装置1,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1安装于停车场内,并覆盖所有待测停车位;
云服务器2,与所述图像采集装置1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3,安装于所述云服务器2中,用于对存储在云服务器2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31、用于识别车辆的车辆识别模型32以及用于识别非车辆物体的非车辆物体模型33,并通过不断学习反馈对上述模型进行优化;
数据处理平台4,与所述机器学习单元3连接,用于将机器学习单元3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;
智能终端5,与所述数据处理平台4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。
作为上述识别系统的优选方案,所述图像数据采集装置1包括摄像头11和与所述摄像头连接的图像数据处理单元12,所述图像数据处理单元12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%。
本发明实施例上述识别系统能够实时显示停车场车位状态,并向用户提供当前时间停车场存在的空位,引导用户快速便捷地找到空车位停车,实现车位共享,便于用户停车及停车场车辆管理。
以上所举实施例仅用为方便举例说明本发明,并非对本发明保护范围的限制,在本发明所述技术方案范畴,所属技术领域的技术人员所作各种简单变形与修饰,均应包含在以上申请专利范围中。
Claims (10)
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%。
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%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810595618.5A CN108766022B (zh) | 2018-06-11 | 2018-06-11 | 基于机器学习的停车场车位状态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810595618.5A CN108766022B (zh) | 2018-06-11 | 2018-06-11 | 基于机器学习的停车场车位状态识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108766022A CN108766022A (zh) | 2018-11-06 |
CN108766022B true CN108766022B (zh) | 2020-02-04 |
Family
ID=64021370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810595618.5A Active CN108766022B (zh) | 2018-06-11 | 2018-06-11 | 基于机器学习的停车场车位状态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108766022B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508682A (zh) * | 2018-11-20 | 2019-03-22 | 成都通甲优博科技有限责任公司 | 一种全景停车位的检测方法 |
CN109726637A (zh) * | 2018-12-03 | 2019-05-07 | 初速度(苏州)科技有限公司 | 用弹性多边形表示停车位区域的停车位检测系统及方法 |
CN109596092A (zh) * | 2018-12-24 | 2019-04-09 | 上海智能交通有限公司 | 一种基于车载摄像机的平交口视距遮挡检测方法及系统 |
CN109766799B (zh) * | 2018-12-28 | 2021-02-12 | 百度在线网络技术(北京)有限公司 | 车位识别模型训练方法及装置和车位识别方法及装置 |
CN109920269A (zh) * | 2019-03-07 | 2019-06-21 | 珠海银邮光电信息工程有限公司 | 一种停车场虚拟车位管理系统和装置 |
CN110264768B (zh) * | 2019-03-18 | 2020-08-04 | 常州海图电子科技有限公司 | 智能化图像识别平台 |
CN111739332B (zh) * | 2019-03-25 | 2022-09-23 | 大陆泰密克汽车系统(上海)有限公司 | 一种停车场管理系统 |
CN110473428A (zh) * | 2019-09-18 | 2019-11-19 | 珠海格力电器股份有限公司 | 一种智能停车方法、设备和系统 |
CN112669377B (zh) * | 2019-10-15 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 一种车位检测方法、装置、电子设备及存储介质 |
CN111476084A (zh) * | 2020-02-25 | 2020-07-31 | 福建师范大学 | 一种基于深度学习的停车场动态停车位状况识别方法 |
CN111653103A (zh) * | 2020-05-07 | 2020-09-11 | 浙江大华技术股份有限公司 | 一种目标对象的识别方法及装置 |
CN111540073A (zh) * | 2020-05-16 | 2020-08-14 | 北京博纳菲德科技有限公司 | 一种智能识别和引导的停车场管理系统 |
CN111627253B (zh) * | 2020-06-12 | 2021-05-04 | 浙江驿公里智能科技有限公司 | 一种利用摄像头主动引导停车的防撞系统及方法 |
CN111881758B (zh) * | 2020-06-29 | 2021-03-19 | 普瑞达建设有限公司 | 一种停车管理方法和系统 |
CN112330601B (zh) * | 2020-10-15 | 2024-03-19 | 浙江大华技术股份有限公司 | 一种基于鱼眼相机的停车检测方法、装置、设备及介质 |
CN112733703A (zh) * | 2021-01-07 | 2021-04-30 | 深圳市捷顺科技实业股份有限公司 | 一种车辆停放状态检测方法及系统 |
CN112560814A (zh) * | 2021-02-20 | 2021-03-26 | 成都申亚科技有限公司 | 一种车辆进出停车位的识别方法 |
CN113269184B (zh) * | 2021-05-24 | 2024-02-20 | 南京优博一创智能科技有限公司 | 一种使用4线激光测距仪测量车辆姿态的方法与系统 |
CN113936450B (zh) * | 2021-10-13 | 2022-11-01 | 宏桥高科技集团有限公司 | 用于海关监管区的车辆排队方法、系统、电子设备及介质 |
CN114267197A (zh) * | 2021-12-17 | 2022-04-01 | 松立控股集团股份有限公司 | 一种基于停车数据的停车推荐算法 |
CN114550451B (zh) * | 2022-02-18 | 2023-08-18 | 平安国际智慧城市科技股份有限公司 | 停车场的车辆拥堵预警方法、装置、设备及存储介质 |
CN115938153A (zh) * | 2022-10-31 | 2023-04-07 | 西安建筑科技大学 | 户外停车场实时车位显示方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112370A (zh) * | 2014-07-30 | 2014-10-22 | 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 |
CN106611510A (zh) * | 2015-10-27 | 2017-05-03 | 富士通株式会社 | 车位检测装置、电子设备及方法 |
CN106971602A (zh) * | 2017-03-29 | 2017-07-21 | 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 |
CN107195198A (zh) * | 2017-07-31 | 2017-09-22 | 重庆酷贝科技发展有限公司 | 一种基于图像识别技术的路边停车管理方法及其系统 |
CN107886080A (zh) * | 2017-11-23 | 2018-04-06 | 同济大学 | 一种泊车位检测方法 |
CN108108689A (zh) * | 2017-12-18 | 2018-06-01 | 北京工业大学 | 一种智能停车车位检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL238473A0 (en) * | 2015-04-26 | 2015-11-30 | Parkam Israel Ltd | A method and system for discovering and mapping parking areas |
-
2018
- 2018-06-11 CN CN201810595618.5A patent/CN108766022B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112370A (zh) * | 2014-07-30 | 2014-10-22 | 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 |
CN106611510A (zh) * | 2015-10-27 | 2017-05-03 | 富士通株式会社 | 车位检测装置、电子设备及方法 |
CN106971602A (zh) * | 2017-03-29 | 2017-07-21 | 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 |
CN107195198A (zh) * | 2017-07-31 | 2017-09-22 | 重庆酷贝科技发展有限公司 | 一种基于图像识别技术的路边停车管理方法及其系统 |
CN107886080A (zh) * | 2017-11-23 | 2018-04-06 | 同济大学 | 一种泊车位检测方法 |
CN108108689A (zh) * | 2017-12-18 | 2018-06-01 | 北京工业大学 | 一种智能停车车位检测方法 |
Non-Patent Citations (6)
Title |
---|
Car parking occupancy detection using smart camera networks and Deep Learning;Giuseppe Amato;《2016 IEEE Symposium on Computers and Communication (ISCC)》;20160818;1-6 * |
Real-Time Parking Occupancy Detection for Gas Stations Based on Haar-AdaBoosting and CNN;Xuezhi Xiang;《IEEE Sensors Journal 》;20171001;第17卷(第19期);6360 - 6367 * |
Stopped Object Detection by Learning Foreground Model in Videos;Lucia Maddalena;《IEEE Transactions on Neural Networks and Learning Systems》;20130531;第24卷(第5期);723 - 735 * |
基于卷积神经网络的违章停车事件检测;吴玉枝;《现代计算机》;20180115(第2期);22-27 * |
基于视频的停车场车位识别系统的研究与实现;杜莉;《万方数据库》;20101027;1-88 * |
基于迷你卷积神经网络的停车场空车位检测方法;安旭骁;《计算机应用》;20180410;第38卷(第4期);935-938 * |
Also Published As
Publication number | Publication date |
---|---|
CN108766022A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108766022B (zh) | 基于机器学习的停车场车位状态识别方法及系统 | |
CN105761541B (zh) | 一种自动化停车场预约取车系统与方法 | |
CN107067794A (zh) | 一种基于视频图像处理的室内车辆定位导航系统及方法 | |
CN111402621B (zh) | 一种电动汽车大型停车充电站智能车辆调度方法及其装置 | |
CN106197458A (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
CN107146468A (zh) | 停车场车位的识别方法与系统及管理方法与系统 | |
CN109241938B (zh) | 道路拥堵检测方法及终端 | |
CN111243275B (zh) | 一种基于计算机视觉的收费站交通状态监测装置和方法 | |
CN108320575A (zh) | 一种车位引导及反向寻车系统及其停车位检测装置、方法 | |
CN111391693B (zh) | 一种基于电动汽车停车充电的管理控制系统及其控制方法 | |
CN106767854A (zh) | 移动设备、车库地图形成方法及系统 | |
CN110853391A (zh) | 智能共享停车系统 | |
CN105528912A (zh) | 一种室内车位推荐方法及其系统 | |
CN104575095A (zh) | 一种停车位余量监测管理系统以及找停车位的方法 | |
CN111292353B (zh) | 一种停车状态变化识别方法 | |
CN111553994A (zh) | 一种停车场的智能管理系统、停车场、停车方法及装置 | |
CN108806244A (zh) | 图像传送装置、方法及非暂态存储介质 | |
CN115035744B (zh) | 一种基于图像分析及rfid的车辆识别方法、装置及系统 | |
CN116612658A (zh) | 一种地下车库智能导引方法 | |
CN111785068A (zh) | 车库管理系统 | |
CN109031262B (zh) | 一种定位寻车系统及其方法 | |
CN113421452B (zh) | 一种基于视觉分析的露天停车场推荐系统 | |
CN112258881B (zh) | 基于智慧交通的车辆管理方法 | |
CN113888881A (zh) | 基于微型电脑的城市路侧停车资源分析规划方法及系统 | |
CN115588306A (zh) | 车位推送方法及装置、计算机可读存储介质、终端 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |