CN109686110A - 车位空满状态判别方法及设备 - Google Patents
车位空满状态判别方法及设备 Download PDFInfo
- Publication number
- CN109686110A CN109686110A CN201910044950.7A CN201910044950A CN109686110A CN 109686110 A CN109686110 A CN 109686110A CN 201910044950 A CN201910044950 A CN 201910044950A CN 109686110 A CN109686110 A CN 109686110A
- Authority
- CN
- China
- Prior art keywords
- parking space
- picture
- sample
- library
- full
- 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.)
- Pending
Links
- 238000012850 discrimination method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000001514 detection method Methods 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000005286 illumination Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract 1
- 230000015654 memory Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 12
- 230000006698 induction Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明的目的是提供一种车位空满状态判别方法及设备，本发明针对每个车库场景的环境条件(光照、色度、角度等)，具体在每个项目中，进行针对性的特征库的学习，每一个摄像头节点对采集的视频图像进行预处理、模型匹配、车位判断、结果生成，最终完成对车位空满状态的识别和判断，将最终所得车位特征样本库总集作为项目车场图形识别法所需要的特征样本库，可以节约车位空满状态方案的成本，提高车库管理的管理效率，提升车位空满状态的准确率。
Description
技术领域
本发明涉及计算机领域，尤其涉及一种车位空满状态判别方法及设备。
背景技术
车位检测方法主要可以分为两类，基于图像和基于非图像的。其中，
基于非图像的包括了重力感应、地磁、超声波、红外、RFID等技术：
重力感应是通过在车位所在地坪上安装重力感应传感器来感应车位重量变化，这种方式需要对每个车位进行填埋传感器，施工困难，成本高，且不利于维护(一旦损坏，需要重新改造车位地坪)；
地磁感应也需要在车位地面下填埋地磁感应线圈，通过感应线圈的电流变化实现车位状态的判断。同样地，地磁感应存在施工可能男，施工成本高以及难于维护的缺点，且由于地磁感应还容易收到外界干扰；
超声波车位检测的方法是通过安装于车位顶端的超声波发射接收器对垂直下方的车位发射超声波(预设默认到达地面距离)测量距离，比较有车和无车时的距离变化，进而实现车位状态的判断。超声波车位判断需要对每个车位顶端安装超声波装置，工程量较大，施工要求高，同时由于超声波的特征，有可能接收到相邻装置发射的超声波，引起误判；
红外感应车位检测，通过红外感应传感器对驶入和驶出车位的车辆进行计数，驶入车辆加1，使出车辆减1，进而实现车位状态的判断。红外感应技术设备较为精密，同时对环境红外光较为敏感，也容易引起误判；
RFID技术是通过RFID标签和RFID高频信号收发装置同时工作，进而实现对车辆进入具体车位的判断。RFID实现技术原理简单，但是其需要单独布置RFID系统(RFID天线、手法装置、定位算法、RFID标签等)，功能较为单一，且搭建系统繁琐，成本没有优势。
基于图像的车位检测，是通过摄像头对车位拍照，进行人工智能图像识别的方法进行车位判断。其中，包括了背景图差分、边缘检测、轮廓检测、特征值提取等。
背景图差分要求摄像头采集的图片清晰，且要求光照相对恒定。其判断结果容易受外界环境干扰(如水渍、车灯/太阳光照、环境光暗等)。
单一采用边缘检测、轮廓检测、特征值提取检测以及上述三者综合的方法可以解决因光照原因、地面颜色变更原因等引起背景差分法判断失真，然而，由于车型的多样性、车主停车的随机性(不按标准停车)、以及车厂光纤散射等因素影响，使得车位检测算法的特征库需要根据每个车库(环境)进行定制。
发明内容
本发明的一个目的是提供一种车位空满状态判别方法及设备。
根据本发明的一个方面，提供了一种车位空满状态判别方法，该方法包括：
步骤S1，通过摄像头拍摄多张车位样本图片；
步骤S2，调用预设的图像识别法，将所述车位特征样本库总集与所述车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果；
步骤S3，对所述识别结果进行分类，将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中；
步骤S4，调用预设的图像学习方法，对所述特征学习库1进行学习，将学习结果汇集车位特征样本库1中
步骤S5，把所述车位特征样本库1拟合到所述车位特征样本库总集中，以得到更新后的车位特征样本库总集后，重新从步骤S1开始执行。
进一步的，上述方法中，步骤S2，调用预设的图像识别法，将所述车位特征样本库总集与所述车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果，包括：
对所述车位样本图片进行进行包括图片裁剪、模型标准化的预处理；
调用预设的图像识别法，将所述车位特征样本库总集与所述预处理后的车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果。
进一步的，上述方法中，步骤S2中，调用预设的图像识别法，包括：
调用预设的包括融合了边缘检测、轮廓检测和特征值检测的图像识别法。
进一步的，上述方法中，步骤S3，对所述识别结果进行分类，将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中，包括：
对所述识别结果进行分类，
若判断不准确的识别结果小于等于3％，则通过摄像头拍摄待检测车位图片，将当前的车位特征样本库总集与所述车位样本图片进行比较，对所述待检测车位图片的车位空满状态进行识别；
若判断不准确的识别结果大于3％，则将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中后，转到步骤S4执行。
进一步的，上述方法中，对所述待检测车位图片的车位空满状态进行识别之后，还包括：
若识别为所述待检测车位图片的车位空满状态为满时，对所述所述待检测车位图片中的车拍进行识别，及对所述所述待检测车位图片对应对车位进行监控。
根据本发明的另一方面，还提供了一种车位空满状态判别设备，该设备包括：
第一装置，用于通过摄像头拍摄多张车位样本图片；
第二装置，用于调用预设的图像识别法，将所述车位特征样本库总集与所述车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果；
第三装置，用于对所述识别结果进行分类，将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中；
第四装置，用于调用预设的图像学习方法，对所述特征学习库1进行学习，将学习结果汇集车位特征样本库1中
第五装置，用于把所述车位特征样本库1拟合到所述车位特征样本库总集中，以得到更新后的车位特征样本库总集后，重新从步骤S1开始执行。
进一步的，上述设备中，所述第二装置，用于对所述车位样本图片进行进行包括图片裁剪、模型标准化的预处理；调用预设的图像识别法，将所述车位特征样本库总集与所述预处理后的车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果。
进一步的，上述设备中，所述第二装置，用于调用预设的包括融合了边缘检测、轮廓检测和特征值检测的图像识别法。
进一步的，上述设备中，所述第三装置，用于对所述识别结果进行分类，若判断不准确的识别结果小于等于3％，则通过摄像头拍摄待检测车位图片，将当前的车位特征样本库总集与所述车位样本图片进行比较，对所述待检测车位图片的车位空满状态进行识别；若判断不准确的识别结果大于3％，则将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中后，转到所述第四装置执行。
进一步的，上述设备中，所述第三装置，还用于对所述待检测车位图片的车位空满状态进行识别之后，若识别为所述待检测车位图片的车位空满状态为满时，对所述所述待检测车位图片中的车拍进行识别，及对所述所述待检测车位图片对应对车位进行监控。
与现有技术相比，本发明针对每个车库场景的环境条件(光照、色度、角度等)，具体在每个项目中，进行针对性的特征库的学习，每一个摄像头节点对采集的视频图像进行预处理、模型匹配、车位判断、结果生成，最终完成对车位空满状态的识别和判断，将最终所得车位特征样本库总集作为项目车场图形识别法所需要的特征样本库，可以节约车位空满状态方案的成本，提高车库管理的管理效率，提升车位空满状态的准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出本发明一实施例的车位空满状态判别方法的流程图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
如图1所示，本发明提供一种车位空满状态判别方法，所述方法包括：
步骤S1，通过摄像头拍摄多张车位样本图片；
步骤S2，调用预设的图像识别法，将所述车位特征样本库总集与所述车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果；
步骤S3，对所述识别结果进行分类，将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中；
步骤S4，调用预设的图像学习方法，对所述特征学习库1进行学习，将学习结果汇集车位特征样本库1中
步骤S5，把所述车位特征样本库1拟合到所述车位特征样本库总集中，以得到更新后的车位特征样本库总集后，重新从步骤S1开始执行。
在此，图像识别技术是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为，识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像也就被识别了。例如有一个字母A,如果在脑中有个A模板,字母A的大小、方位、形状都与这个A模板完全一致,字母A就被识别了。图像识别中的模式识别，是一种从大量信息和数据出发，在专家经验和已有认识的基础上，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。模式识别包括两个阶段，即学习阶段和实现阶段，前者是对样本进行特征选择，寻找分类的规律，后者是根据分类规律对未知样本集进行分类和识别。这个模式识别的模板匹配模型简单明了，也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别与模板不完全一致的图像。例如,人们不仅能识别某一个具体的字母A,也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。
可以重复步骤S1～步骤S5，三遍及以上，使得车位状态识别误判率<＝3％，完成学习过程。
本发明突破传统的基于非图像的车位检测方法的局限，如重力感应，地磁感应技术的安装施工成本高的问题；如超声波技术的安装成本高及功能单一(只局限于车位检测)；如红外及和RFID等车位检测技术容易存在外界干扰以及设备成本高等缺陷。
本发明针对每个车库场景的环境条件(光照、色度、角度等)，具体在每个项目中，进行针对性的特征库的学习，每一个摄像头节点对采集的视频图像进行预处理、模型匹配、车位判断、结果生成，最终完成对车位空满状态的识别和判断，将最终所得车位特征样本库总集作为项目车场图形识别法所需要的特征样本库，可以节约车位空满状态方案的成本，提高车库管理的管理效率，提升车位空满状态的准确率。
本发明的车位空满状态判别方法一实施例中，步骤S2，调用预设的图像识别法，将所述车位特征样本库总集与所述车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果，包括：
对所述车位样本图片进行进行包括图片裁剪、模型标准化的预处理；
调用预设的图像识别法，将所述车位特征样本库总集与所述预处理后的车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果。
在此，通过对所述车位样本图片进行进行包括图片裁剪、模型标准化的预处理，可以提高后续识别对准确度。
本发明的车位空满状态判别方法一实施例中，步骤S2中，调用预设的图像识别法，包括：
调用预设的包括融合了边缘检测、轮廓检测和特征值检测的图像识别法。
在此，为了让车位空满状态判别在具体项目中的应用实现高准确率，即达到97％及以上，在使用基于图像识别的智能算法时，采用的是融合了边缘检测、轮廓检测和特征值检测三种技术的综合性方法，简称融合图像识别法。融合图像识别法其中最关键的部分就是需要为其提供海量的学习库，使得融合图像识别法通过对学习库的学习，进而提升在实际场景中应用时，提升识别成功率。
本发明的车位空满状态判别方法一实施例中，步骤S3，对所述识别结果进行分类，将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中，包括：
对所述识别结果进行分类，
若判断不准确的识别结果小于等于3％，则通过摄像头拍摄待检测车位图片，将当前的车位特征样本库总集与所述车位样本图片进行比较，对所述待检测车位图片的车位空满状态进行识别；
若判断不准确的识别结果大于3％，则将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中后，转到步骤S4执行。
在此，为了使得所建立的特征库能够最大程度的降低车位状态的低于0.3％误判率，本发明通过人工智能深度学习的能力，针对每一个项目的情况进行分阶段学习，使之能够适用于不同项目的环境变化，建立项目独立的特征库。
本发明的车位空满状态判别方法一实施例中，对所述待检测车位图片的车位空满状态进行识别之后，还包括
若识别为所述待检测车位图片的车位空满状态为满时，对所述所述待检测车位图片中的车拍进行识别，及对所述所述待检测车位图片对应对车位进行监控。
在此，本发明采用基于图像的车位检测方法，是基于摄像头拍摄车位进而进行算法识别的技术，可以实现多种功能复用，包含了车牌识别、车位监控、车位检测等。
根据本发明的另一方面，还提供了一种车位空满状态判别设备，该设备包括：
第一装置，用于通过摄像头拍摄多张车位样本图片；
第二装置，用于调用预设的图像识别法，将所述车位特征样本库总集与所述车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果；
第三装置，用于对所述识别结果进行分类，将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中；
第四装置，用于调用预设的图像学习方法，对所述特征学习库1进行学习，将学习结果汇集车位特征样本库1中；
第五装置，用于把所述车位特征样本库1拟合到所述车位特征样本库总集中，以得到更新后的车位特征样本库总集后，重新从步骤S1开始执行。
进一步的，上述设备中，所述第二装置，用于对所述车位样本图片进行进行包括图片裁剪、模型标准化的预处理；调用预设的图像识别法，将所述车位特征样本库总集与所述预处理后的车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果。
进一步的，上述设备中，所述第二装置，用于调用预设的包括融合了边缘检测、轮廓检测和特征值检测的图像识别法。
进一步的，上述设备中，所述第三装置，用于对所述识别结果进行分类，若判断不准确的识别结果小于等于3％，则通过摄像头拍摄待检测车位图片，将当前的车位特征样本库总集与所述车位样本图片进行比较，对所述待检测车位图片的车位空满状态进行识别；若判断不准确的识别结果大于3％，则将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中后，转到所述第四装置执行。
进一步的，上述设备中，所述第三装置，还用于对所述待检测车位图片的车位空满状态进行识别之后，若识别为所述待检测车位图片的车位空满状态为满时，对所述所述待检测车位图片中的车拍进行识别，及对所述所述待检测车位图片对应对车位进行监控。
本发明的各设备和存储介质实施例的详细内容，具体可参见各方法实施例的对应部分，在此，不再赘述。
与现有技术相比，本发明针对每个车库场景的环境条件(光照、色度、角度等)，具体在每个项目中，进行针对性的特征库的学习，每一个摄像头节点对采集的视频图像进行预处理、模型匹配、车位判断、结果生成，最终完成对车位空满状态的识别和判断，将最终所得车位特征样本库总集作为项目车场图形识别法所需要的特征样本库，可以节约车位空满状态方案的成本，提高车库管理的管理效率，提升车位空满状态的准确率。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (10)
1.一种车位空满状态判别方法，其中，该方法包括：
步骤S1，通过摄像头拍摄多张车位样本图片；
步骤S2，调用预设的图像识别法，将所述车位特征样本库总集与所述车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果；
步骤S3，对所述识别结果进行分类，将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中；
步骤S4，调用预设的图像学习方法，对所述特征学习库1进行学习，将学习结果汇集车位特征样本库1中；
步骤S5，把所述车位特征样本库1拟合到所述车位特征样本库总集中，以得到更新后的车位特征样本库总集后，重新从步骤S1开始执行。
2.根据权利要求1所述的方法，其中，步骤S2，调用预设的图像识别法，将所述车位特征样本库总集与所述车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果，包括：
对所述车位样本图片进行进行包括图片裁剪、模型标准化的预处理；
调用预设的图像识别法，将所述车位特征样本库总集与所述预处理后的车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果。
3.根据权利要求1所述的方法，其中，步骤S2中，调用预设的图像识别法，包括：
调用预设的包括融合了边缘检测、轮廓检测和特征值检测的图像识别法。
4.根据权利要求1所述的方法，其中，步骤S3，对所述识别结果进行分类，将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中，包括：
对所述识别结果进行分类，
若判断不准确的识别结果小于等于3％，则通过摄像头拍摄待检测车位图片，将当前的车位特征样本库总集与所述车位样本图片进行比较，对所述待检测车位图片的车位空满状态进行识别；
若判断不准确的识别结果大于3％，则将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中后，转到步骤S4执行。
5.根据权利要求4所述的方法，其中，对所述待检测车位图片的车位空满状态进行识别之后，还包括：
若识别为所述待检测车位图片的车位空满状态为满时，对所述所述待检测车位图片中的车拍进行识别，及对所述所述待检测车位图片对应对车位进行监控。
6.一种车位空满状态判别设备，其中，该设备包括：
第一装置，用于通过摄像头拍摄多张车位样本图片；
第二装置，用于调用预设的图像识别法，将所述车位特征样本库总集与所述车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果；
第三装置，用于对所述识别结果进行分类，将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中；
第四装置，用于调用预设的图像学习方法，对所述特征学习库1进行学习，将学习结果汇集车位特征样本库1中；
第五装置，用于把所述车位特征样本库1拟合到所述车位特征样本库总集中，以得到更新后的车位特征样本库总集后，重新从步骤S1开始执行。
7.根据权利要求6所述的设备，其中，所述第二装置，用于对所述车位样本图片进行进行包括图片裁剪、模型标准化的预处理；调用预设的图像识别法，将所述车位特征样本库总集与所述预处理后的车位样本图片进行比较，对所述车位样本图片的车位空满状态进行识别，得到对应的识别结果。
8.根据权利要求6所述的设备，其中，所述第二装置，用于调用预设的包括融合了边缘检测、轮廓检测和特征值检测的图像识别法。
9.根据权利要求6所述的设备，其中，所述第三装置，用于对所述识别结果进行分类，若判断不准确的识别结果小于等于3％，则通过摄像头拍摄待检测车位图片，将当前的车位特征样本库总集与所述车位样本图片进行比较，对所述待检测车位图片的车位空满状态进行识别；若判断不准确的识别结果大于3％，则将判断不准确的识别结果所对应的车位样本图片归类到特征学习库1中后，转到所述第四装置执行。
10.根据权利要求9所述的设备，其中，所述第三装置，还用于对所述待检测车位图片的车位空满状态进行识别之后，若识别为所述待检测车位图片的车位空满状态为满时，对所述所述待检测车位图片中的车拍进行识别，及对所述所述待检测车位图片对应对车位进行监控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910044950.7A CN109686110A (zh) | 2019-01-17 | 2019-01-17 | 车位空满状态判别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910044950.7A CN109686110A (zh) | 2019-01-17 | 2019-01-17 | 车位空满状态判别方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109686110A true CN109686110A (zh) | 2019-04-26 |
Family
ID=66193479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910044950.7A Pending CN109686110A (zh) | 2019-01-17 | 2019-01-17 | 车位空满状态判别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109686110A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110650429A (zh) * | 2019-08-30 | 2020-01-03 | 南京绿新能源研究院有限公司 | 一种车位查询用天眼系统 |
| CN110751850A (zh) * | 2019-08-30 | 2020-02-04 | 的卢技术有限公司 | 一种基于深度神经网络的车位识别方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306274A (zh) * | 2011-06-17 | 2012-01-04 | 东北大学 | 一种停车位状态识别装置及方法 |
| CN102426801A (zh) * | 2011-12-12 | 2012-04-25 | 天津世纪晨实科技有限公司 | 基于视觉分析的停车场泊位自动管理方法和系统 |
| CN104376742A (zh) * | 2014-12-02 | 2015-02-25 | 深圳市捷顺科技实业股份有限公司 | 一种车位状态检测方法与系统 |
| CN104376741A (zh) * | 2014-12-02 | 2015-02-25 | 深圳市捷顺科技实业股份有限公司 | 一种车位状态检测方法与系统 |
| CN105225523A (zh) * | 2015-10-15 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车位状态检测方法及装置 |
| CN107341189A (zh) * | 2017-06-09 | 2017-11-10 | 国政通科技股份有限公司 | 一种辅助人工对图像进行筛查、分类和存储的方法及系统 |
| CN108537143A (zh) * | 2018-03-21 | 2018-09-14 | 特斯联（北京）科技有限公司 | 一种基于重点区域特征比对的人脸识别方法与系统 |
| CN109064485A (zh) * | 2018-06-11 | 2018-12-21 | 西安电子科技大学 | 一种基于cmt算法的特征库维护方法 |
-
2019
- 2019-01-17 CN CN201910044950.7A patent/CN109686110A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306274A (zh) * | 2011-06-17 | 2012-01-04 | 东北大学 | 一种停车位状态识别装置及方法 |
| CN102426801A (zh) * | 2011-12-12 | 2012-04-25 | 天津世纪晨实科技有限公司 | 基于视觉分析的停车场泊位自动管理方法和系统 |
| CN104376742A (zh) * | 2014-12-02 | 2015-02-25 | 深圳市捷顺科技实业股份有限公司 | 一种车位状态检测方法与系统 |
| CN104376741A (zh) * | 2014-12-02 | 2015-02-25 | 深圳市捷顺科技实业股份有限公司 | 一种车位状态检测方法与系统 |
| CN105225523A (zh) * | 2015-10-15 | 2016-01-06 | 浙江宇视科技有限公司 | 一种车位状态检测方法及装置 |
| CN107341189A (zh) * | 2017-06-09 | 2017-11-10 | 国政通科技股份有限公司 | 一种辅助人工对图像进行筛查、分类和存储的方法及系统 |
| CN108537143A (zh) * | 2018-03-21 | 2018-09-14 | 特斯联（北京）科技有限公司 | 一种基于重点区域特征比对的人脸识别方法与系统 |
| CN109064485A (zh) * | 2018-06-11 | 2018-12-21 | 西安电子科技大学 | 一种基于cmt算法的特征库维护方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110650429A (zh) * | 2019-08-30 | 2020-01-03 | 南京绿新能源研究院有限公司 | 一种车位查询用天眼系统 |
| CN110751850A (zh) * | 2019-08-30 | 2020-02-04 | 的卢技术有限公司 | 一种基于深度神经网络的车位识别方法和系统 |
| CN110751850B (zh) * | 2019-08-30 | 2023-03-07 | 的卢技术有限公司 | 一种基于深度神经网络的车位识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113435546B (zh) | 基于区分置信度水平的可迁移图像识别方法及系统 | |
| CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
| CN110660222A (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
| CN101692313A (zh) | 基于嵌入式平台的便携式车辆识别装置 | |
| CN113095114B (zh) | 液压系统漏油检测方法、装置和设备 | |
| CN112560649A (zh) | 一种行为动作检测方法、系统、设备及介质 | |
| US11580659B2 (en) | Method for size estimation by image recognition of specific target using given scale | |
| CN109686110A (zh) | 车位空满状态判别方法及设备 | |
| CN114550220B (zh) | 行人重识别模型的训练方法及行人重识别方法 | |
| Salma et al. | Smart parking guidance system using 360o camera and haar-cascade classifier on iot system | |
| CN103106400B (zh) | 一种人脸检测方法与装置 | |
| CN111144237A (zh) | 一种基于ai的水污染识别方法及系统 | |
| CN111967450B (zh) | 自动驾驶模型用样本获取方法、训练方法、装置及系统 | |
| CN110765940B (zh) | 目标对象统计方法和装置 | |
| US20230377458A1 (en) | Vehicle detection system | |
| CN117197783A (zh) | 基于智能感知的行车记录仪数据分析系统 | |
| CN112347953B (zh) | 无人驾驶车辆路况不规则障碍物的识别装置 | |
| CN113963230A (zh) | 一种基于深度学习的车位检测方法 | |
| CN117292179B (zh) | 基于质检场景的难例筛选方法、系统、设备及存储介质 | |
| Kaur et al. | Evaluating Outdoor Environmental Impacts for Image Understanding and Preparation | |
| CN116563770B (zh) | 车辆颜色的检测方法、装置及设备和介质 | |
| CN118587905B (zh) | 一种基于毫米波测距雷达的车辆探测系统 | |
| KR102418476B1 (ko) | 2차원 이미지 데이터와 3차원 뎁스 데이터를 이용하여 차량 번호판의 판독과 위조와 오염 여부의 판단을 정밀하게 수행하는 주차관제시스템의 운영방법 | |
| CN110674663B (zh) | 一种小程序码的识别方法及系统 | |
| CN118823693A (zh) | 一种车辆违规行为检测方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |
|
| RJ01 | Rejection of invention patent application after publication |