CN109817013A - 基于视频流的停车位状态识别方法及装置 - Google Patents
基于视频流的停车位状态识别方法及装置 Download PDFInfo
- Publication number
- CN109817013A CN109817013A CN201811556171.7A CN201811556171A CN109817013A CN 109817013 A CN109817013 A CN 109817013A CN 201811556171 A CN201811556171 A CN 201811556171A CN 109817013 A CN109817013 A CN 109817013A
- Authority
- CN
- China
- Prior art keywords
- parking stall
- parking
- state
- image
- frame
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000013434 data augmentation Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000013459 approach Methods 0.000 abstract description 3
- 238000009434 installation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013350 formula milk Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频流的停车位状态识别方法及装置,首先获取停车位四个角点坐标,通过透视变换将停车位图像转换为标准矩形图像;将标准矩形图像输入至识别模型,输出该帧的车位占空概率;根据该帧的车位占空概率与预设阈值对比,判断该帧的车位状态是否有车;最后结合当前帧及当前帧之前预设帧数的车位状态,对车位最终状态进行判断。方案采用基于摄像头的方式对停车场进行车位状态识别,可以大幅改进传统方式的成本高、维护麻烦、易坏的缺点。本技术方案还通过多帧图片综合判断车位状态,滤除了行人、车辆移动等干扰因素导致的少量错误结果,抗干扰能力强,识别准确率高。
Description
技术领域
本发明涉及图像智能识别技术领域,特别涉及一种基于视频流的停车位状态识别方法及装置。
背景技术
随着我国汽车数量的持续增加,停车位紧张成为一大问题。当前一种有效缓解停车位紧张的办法,是对停车场各个停车位状态监控,为后续的车位计数、车位引导以及智能寻车提供支持,进而提高停车位的利用率。
停车位状态监控的方法有:在车位地面以下埋设感应线圈,通过检测磁场的变化判断车位是否有车;也可以通过超声波检测技术,对有效范围内的运动物体进行跟踪,根据检测结果判别车位,这两种车位传感器都需要在车位的上方或是下方进行施工跟安装,进而将各个车位的情况通过专用网络传到上端,以上方法都存在着以下缺点:安装施工复杂,需要开路、挖槽等施工成本、维护费用高,由于在安装地面,容易受到司机误撞、人为破坏等,后期的维护成本高,每个传感器只能监控一个到两个车位,特别不适用于室外开放停车场,需要铺设大量的感应设备。
而现有的技术中,还可以通过摄像头采集开放停车场图像,并通过计算机对停车场内的停车位进行实现车位智能占空状态判别。但是此方法在实际应用中存在许多问题:第一,不同的车辆在大小、形状、颜色上差异较大,视野中远近、角度导致的形变各异,增加了算法设计的复杂度,车辆识别难道大;第二,开放停车场中车辆、行人进出频繁,走动路线未知,对车位干扰大,监控算法排除干扰的能力差。
发明内容
本发明要解决的技术问题是提供一种抗干扰能力强、识别准确率高的基于视频流的停车位状态识别方法及装置。
为了解决上述技术问题,本发明的技术方案为:
基于视频流的停车位状态识别方法,包括步骤:
S10:获取停车位四个角点坐标,通过透视变换将停车位图像转换为标准矩形图像;
S20:将标准矩形图像输入至识别模型,输出该帧的车位占空概率;
S30:根据该帧的车位占空概率与预设阈值对比,判断该帧的车位状态为有车或无车;
S40:由当前帧及其之前预设帧数的图像中有车状态的占比,对车位最终状态进行判断。
优选地,步骤S40还包括:
S41:记录存储当前帧的车位状态及之前预设帧数的车位状态;
S42:计算预设帧数中,被判断为有车状态的帧数占总帧数的比例;
S43:当该比例大于预设值时,判定车位最终状态为有车,当该比例小于预设值时,判定车位最终状态为无车。
优选地,步骤S40中:
当采集的图像帧数小于预设帧数时,车位的最终状态为当前帧图像的车位状态。
优选地,步骤S20中,识别模型通过采用深度学习CNN网络来进行训练;识别模型的训练包括:
结合公共的开放数据集,通过开放停车场摄像头,采集数据作为训练集以及测试集,采集的数据环境包括白天、夜晚、雨天、晴天、阴天;
对采集的数据进行数据增广,包含裁剪、对比度变化、旋转变换;
对虚构的车位或空的实际车位进行叠加汽车,以形成虚构的车位状态;
为模拟车驶进驶出的动态数据、对车在车位中位置进行模拟;
标注部分数据以及利用公开集训练模型,采用预训练的模型,对未标记部分数据进行自动分类,结合人工审核,对矫正分类数据加入模型再训练,再分类,直至数据标记结束。
优选地,步骤S10包括:
S11:预标出需要识别的各个停车位的四个角点,生成配置文件;
S12:通过配置文件,获取图像中待识别的停车位的角点坐标,以获取停车位图像;
S13:通过透视变换法将待识别的停车位图像转换为标准矩形。
本发明还提出了基于视频流的停车位状态识别装置,包括:
图像获取模块:获取停车位四个角点坐标,通过透视变换将停车位图像转换为标准矩形图像;
概率计算模块:将标准矩形图像输入至识别模型,输出该帧的车位占空概率;
阈值比对模块:根据该帧的车位占空概率与预设阈值对比,判断该帧的车位状态为有车或无车;
状态判断模块:由当前帧及其之前预设帧数的图像中有车状态的占比,对车位最终状态进行判断。
优选地,状态判断模块包括:
存储模块:记录存储当前帧的车位状态及之前预设帧数的车位状态;
比例计算模块:计算预设帧数中,被判断为有车状态的帧数占总帧数的比例;
判断模块:当该比例大于预设值时,判定车位最终状态为有车,当该比例小于预设值时,判定车位最终状态为无车。
优选地,状态判断模块还包括:
初始判断模块:当采集的图像帧数小于预设帧数时,车位的最终状态为当前帧图像的车位状态。
优选地,概率计算模块中,识别模型通过采用深度学习CNN网络来进行训练;识别模型的训练包括:
结合公共的开放数据集,通过开放停车场摄像头,采集数据作为训练集以及测试集,采集的数据环境包括白天、夜晚、雨天、晴天、阴天;
对采集的数据进行数据增广,包含裁剪、对比度变化、旋转变换;
对虚构的车位或空的实际车位进行叠加汽车,以形成虚构的车位状态;
为模拟车驶进驶出的动态数据、对车在车位中位置进行模拟;
标注部分数据以及利用公开集训练模型,采用预训练的模型,对未标记部分数据进行自动分类,结合人工审核,对矫正分类数据加入模型再训练,再分类,直至数据标记结束。
优选地,图像获取模块包括:
角点标注模块:预标出需要识别的各个停车位的四个角点,生成配置文件;
停车位图像模块:通过配置文件,获取图像中待识别的停车位的角点坐标,以获取停车位图像;
透视变换模块:通过透视变换法将待识别的停车位图像转换为标准矩形。
采用上述技术方案,通过对停车位图像进行变换优化处理,获得高质量的停车位图像,再通过识别模型获得每帧图片中的车位占空概率并通过与预先设定的阈值对比,判断一帧图像中的车位状态,待累计了一定帧数图片时,通过多帧图片中有车状态比例,判断最终的车位状态结果。采用基于摄像头的方式对开放停车场进行车位状态识别,可以大幅改进传统方式布设传感器造成的成本高、维护麻烦、易坏的缺点,同时可以实现单个摄像头监控多个车位,降低布设个数。本技术方案还通过多帧图片综合判断车位状态,滤除了行人、车辆移动等干扰因素导致的少量错误结果,抗干扰能力强,识别准确率高。
附图说明
图1为本发明基于视频流的停车位状态识别方法一实施例的流程图;
图2为图1中步骤S40的流程图;
图3为图1中步骤S10的流程图;
图4为本发明基于视频流的停车位状态识别装置一实施例的原理模块图;
图5为图4中状态判断模块的的原理图;
图6为图4中图像获取模块的的原理图。
图中,10-图像获取模块,20-概率计算模块,30-阈值比对模块,40-状态判断模块,11-角点标注模块,12-停车位图像模块,13-透视变换模块,41-存储模块,42-比例计算模块,43-判断模块,44-初始判断模块。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1、图2及图3,本发明提出一种基于视频流的停车位状态识别方法。
首先在停车场的高处架设采集视频图像的摄像头。本实施例中,在拟在6米高的电线杆上装配摄像头,摄像头安放在高的位置能监控覆盖多的停车位。同时为提高识别准确率,减低车位的视觉重叠,应尽可能使单个车位分割开,即尽量使摄像头的拍摄角度与车位朝向在同一方向并朝向车位,若是一排停车位,则摄像头应尽可能架设在一排的中间,然后摄像头朝向与车位朝向同一方向并朝向车位,若单一摄像头无法覆盖这一排的车位,可以考虑架设多个摄像头,等间距分布。
S10:获取停车位四个角点坐标,通过透视变换将停车位图像转换为标准矩形图像;
具体步骤为:
S11:预标出需要识别的各个停车位的四个角点,生成配置文件;
S12:通过配置文件,获取图像中待识别的停车位的角点坐标,以获取停车位图像;
S13:通过透视变换法将待识别的停车位图像转换为标准矩形,并将标准矩形扣下了以备使用。
透视变换是将图片投影到一个新的视平面,通用的变换公式为:
其中,[u,v,w]是原始图片坐标,对应得到变换后的图片坐标[x’,y’,w’],a矩阵即为变换矩阵,这里因为处理的是二维图像,因此源图像w为1,a33为1,目标坐标[x,y]转为二维的即x=x’/w’,y=y’/w’,即为:
方程带入四个已知的角点坐标,以及变换后的四个角点坐标,就可以计算求出a矩阵的各个参数。变换时,通过a矩阵及已有的原始图片坐标,即可获得标准矩形的停车位图片。
S20:将标准矩形图像输入至识别模型,输出该帧的车位占空概率;识别模型通过采用深度学习CNN网络来进行训练,以构造卷积层、池化层、全连接层。
需要说明的是,这里识别模块,采用机器学习的方式训练识别模型,比如svm、adaboost、random forest等等,这里拟采用深度学习CNN网络来训练模型,构造卷积层、池化层、全连接层等,本实施例中拟在现有的经典网络模型的基础上进行优化及网络模型压缩,现有的经典网络模型如Lenet、AlexNet、VGGNet、GoogleNet、ResNet等。
要想得到性能优越的识别模型,需要构造丰富的开放停车场停车位的训练数据,为适应不同场景停车场、不同天气、光照,排除车型、环境干扰等,解决上述提到技术问题,拟采用以下的构造方式:
A、结合公共的开放数据集PKLot、CNRPARK-EXT,以及在自有的开放停车场,搭建摄像头,采集数据作为训练集以及测试集。采集的数据环境包括白天、夜晚、雨天、晴天、阴天,时间为一个月。
B、为丰富数据并提升模型的泛化能力,拟对采集的数据进行数据增广,不仅包含常规的裁剪、对比度变化、旋转变换等,还拟对虚构的车位或空的实际车位,叠加汽车,形成虚构的车位状态,同时为模拟车驶进驶出的动态数据,增广还包含对车在车位中位置的模拟。
在数据标注上,为减少人工标记的工作量,我们拟预先标注部分数据以及利用公开集训练模型,再采用预训练的模型,对未标记部分数据进行自动分类,然后结合人工审核,对矫正分类数据加入模型再训练,再分类,直至数据完全标记结束,大大减少人工标记的工作量。
通过深度学习CNN网络来进行训练,大大减少了停车场的现场光照条件随时间、天气发生显著变化、停车场中各种路边树丛、电线杆、树枝等遮挡等因素的干扰。
S30:根据该帧的车位占空概率与预设阈值对比,判断该帧的车位状态为有车或无车;
为排除行人干扰、环境噪声等影响,对识别网络输出的状态概率并非直接采用,而是输入根据预先定义的经验置信度阈值,若概率大于阈值,则该车位此刻预判定为有车,若低于阈值,则可能带有行人干扰等,车位状态信息由前数帧的平均车位状态
S40:由当前帧及其之前预设帧数的图像中有车状态的占比,对车位最终状态进行判断。
步骤S40具体地包括:
S41:记录存储当前帧的车位状态及之前预设帧数的车位状态;
当采集的图像帧数小于预设帧数时,车位的最终状态为当前帧图像的车位状态。
S42:计算预设帧数中,被判断为有车状态的帧数占总帧数的比例;
S43:当该比例大于预设值时,判定车位最终状态为有车,当该比例小于预设值时,判定车位最终状态为无车。
需要说明的是,通常车辆驶进或驶出停车位的过程是一个连续行为的发生,需要经过一小段时间,若是每一帧都进行识别并输出识别结果,难免导致对一个车位的占空判断时有时无,影响对后来车辆的引导功能,并导致结果的不稳定。因此需引入时间序列信息辅助判断,本专利拟模拟大部分驾驶员的驾驶习惯,结合视频流时间序列信息,对数帧停车位的判断结果进行过滤,输出稳定的车位状态信息,即当前时刻的车位输出状态信息,为当前帧与前数帧的综合车位信息决定,具体表现为:对每个车位,我们会预先安排一个状态存储器,固定记录前F帧的车位状态。在开始检测时,存储器前F帧状态都预设置为0(即车位无车),此时当前帧即判定为最终状态;当图像采集到F帧以上时,最终结果由当前帧开始至前F帧图片的车位综合状态来决定,该综合状态即为前F帧中,含有K帧以上的车位状态为有车,才判断当前帧该车位有车,本实施例中,K的范围为[F/2,F-1],F及K的设定具体根据帧率以及用户停车习惯统计分析。
参照图4,本发明还提出了一种基于视频流的停车位状态识别装置,包括:
图像获取模块10:获取停车位四个角点坐标,通过透视变换将停车位图像转换为标准矩形图像;
概率计算模块20:将标准矩形图像输入至识别模型,输出该帧的车位占空概率;其中概率计算模块中,识别模型通过采用深度学习CNN网络来进行训练,以构造卷积层、池化层、全连接层;识别模型的训练包括:
结合公共的开放数据集,通过开放停车场摄像头,采集数据作为训练集以及测试集,采集的数据环境包括白天、夜晚、雨天、晴天、阴天;
对采集的数据进行数据增广,包含裁剪、对比度变化、旋转变换;
对虚构的车位或空的实际车位进行叠加汽车,以形成虚构的车位状态;
为模拟车驶进驶出的动态数据、对车在车位中位置进行模拟;
标注部分数据以及利用公开集训练模型,采用预训练的模型,对未标记部分数据进行自动分类,结合人工审核,对矫正分类数据加入模型再训练,再分类,直至数据标记结束。
阈值比对模块30:根据该帧的车位占空概率与预设阈值对比,判断该帧的车位状态为有车或无车;
状态判断模块40:由当前帧及其之前预设帧数的图像中有车状态的占比,对车位最终状态进行判断。
具体地,状态判断模块40包括:
参照图5,存储模块41:记录存储当前帧的车位状态及之前预设帧数的车位状态;
比例计算模块42:计算预设帧数中,被判断为有车状态的帧数占总帧数的比例;
判断模块43:当该比例大于预设值时,判定车位最终状态为有车,当该比例小于预设值时,判定车位最终状态为无车。
初始判断模块44:当采集的图像帧数小于预设帧数时,车位的最终状态为当前帧图像的车位状态。
具体地,参照图6,图像获取模块10包括:
角点标注模块11:预标出需要识别的各个停车位的四个角点,生成配置文件;
停车位图像模块12:通过配置文件,获取图像中待识别的停车位的角点坐标,以获取停车位图像;
透视变换模块13:通过透视变换法将待识别的停车位图像转换为标准矩形。
采用上述技术方案,通过对停车位图像进行变换优化处理,获得高质量的停车位图像,再通过识别模型获得每帧图片中的车位占空概率并通过与预先设定的阈值对比,判断一帧图像中的车位状态,待累计了一定帧数图片时,通过多帧图片中有车状态比例,判断最终的车位状态结果。采用基于摄像头的方式对停车场进行车位状态识别,可以大幅改进传统方式布设传感器造成的成本高、维护麻烦、易坏的缺点,同时可以实现单个摄像头监控多个车位,降低布设个数。本技术方案还通过阈值结合多帧图片综合判断车位状态,滤除了行人、车辆移动等干扰因素导致的少量错误结果,抗干扰能力强,识别准确率高。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (10)
1.一种基于视频流的停车位状态识别方法,其特征在于,包括步骤:
S10:获取停车位四个角点坐标,通过透视变换将停车位图像转换为标准矩形图像;
S20:将标准矩形图像输入至识别模型,输出该帧的车位占空概率;
S30:根据该帧的车位占空概率与预设阈值对比,判断该帧的车位状态为有车或无车;
S40:由当前帧及其之前预设帧数的图像中有车状态的占比,对车位最终状态进行判断。
2.根据权利要求1所述的基于视频流的停车位状态识别方法,其特征在于,步骤S40还包括:
S41:记录存储当前帧的车位状态及之前预设帧数的车位状态;
S42:计算预设帧数中,被判断为有车状态的帧数占总帧数的比例;
S43:当该比例大于预设值时,判定车位最终状态为有车,当该比例小于预设值时,判定车位最终状态为无车。
3.根据权利要求2所述的基于视频流的停车位状态识别方法,其特征在于,步骤S40中:
当采集的图像帧数小于预设帧数时,车位的最终状态为当前帧图像的车位状态。
4.根据权利要求1至3任一项所述的基于视频流的停车位状态识别方法,其特征在于,步骤S20中,识别模型通过采用深度学习CNN网络来进行训练;识别模型的训练包括:
结合公共的开放数据集,通过开放停车场摄像头,采集数据作为训练集以及测试集,采集的数据环境包括白天、夜晚、雨天、晴天、阴天;
对采集的数据进行数据增广,包含裁剪、对比度变化、旋转变换;
对虚构的车位或空的实际车位进行叠加汽车,以形成虚构的车位状态;
为模拟车驶进驶出的动态数据、对车在车位中位置进行模拟;
标注部分数据以及利用公开集训练模型,采用预训练的模型,对未标记部分数据进行自动分类,结合人工审核,对矫正分类数据加入模型再训练,再分类,直至数据标记结束。
5.根据权利要求1至3任一项所述的基于视频流的停车位状态识别方法,其特征在于,步骤S10包括:
S11:预标出需要识别的各个停车位的四个角点,生成配置文件;
S12:通过配置文件,获取图像中待识别的停车位的角点坐标,以获取停车位图像;
S13:通过透视变换法将待识别的停车位图像转换为标准矩形。
6.一种基于视频流的停车位状态识别装置,其特征在于,包括:
图像获取模块:获取停车位四个角点坐标,通过透视变换将停车位图像转换为标准矩形图像;
概率计算模块:将标准矩形图像输入至识别模型,输出该帧的车位占空概率;
阈值比对模块:根据该帧的车位占空概率与预设阈值对比,判断该帧的车位状态为有车或无车;
状态判断模块:由当前帧及其之前预设帧数的图像中有车状态的占比,对车位最终状态进行判断。
7.根据权利要求6所述的基于视频流的停车位状态识别装置,其特征在于,状态判断模块包括:
存储模块:记录存储当前帧的车位状态及之前预设帧数的车位状态;
比例计算模块:计算预设帧数中,被判断为有车状态的帧数占总帧数的比例;
判断模块:当该比例大于预设值时,判定车位最终状态为有车,当该比例小于预设值时,判定车位最终状态为无车。
8.根据权利要求7所述的基于视频流的停车位状态识别装置,其特征在于,状态判断模块还包括:
初始判断模块:当采集的图像帧数小于预设帧数时,车位的最终状态为当前帧图像的车位状态。
9.根据权利要求6至8任一项所述的基于视频流的停车位状态识别装置,其特征在于,概率计算模块中,识别模型通过采用深度学习CNN网络来进行训练,;识别模型的训练包括:
结合公共的开放数据集,通过开放停车场摄像头,采集数据作为训练集以及测试集,采集的数据环境包括白天、夜晚、雨天、晴天、阴天;
对采集的数据进行数据增广,包含裁剪、对比度变化、旋转变换;
对虚构的车位或空的实际车位进行叠加汽车,以形成虚构的车位状态;
为模拟车驶进驶出的动态数据、对车在车位中位置进行模拟;
标注部分数据以及利用公开集训练模型,采用预训练的模型,对未标记部分数据进行自动分类,结合人工审核,对矫正分类数据加入模型再训练,再分类,直至数据标记结束。
10.根据权利要求6至8任一项所述的基于视频流的停车位状态识别装置,其特征在于,图像获取模块包括:
角点标注模块:预标出需要识别的各个停车位的四个角点,生成配置文件;
停车位图像模块:通过配置文件,获取图像中待识别的停车位的角点坐标,以获取停车位图像;
透视变换模块:通过透视变换法将待识别的停车位图像转换为标准矩形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556171.7A CN109817013A (zh) | 2018-12-19 | 2018-12-19 | 基于视频流的停车位状态识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811556171.7A CN109817013A (zh) | 2018-12-19 | 2018-12-19 | 基于视频流的停车位状态识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109817013A true CN109817013A (zh) | 2019-05-28 |
Family
ID=66602155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811556171.7A Pending CN109817013A (zh) | 2018-12-19 | 2018-12-19 | 基于视频流的停车位状态识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109817013A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211159A (zh) * | 2019-06-06 | 2019-09-06 | 中国民航科学技术研究院 | 一种基于图像视频处理技术的飞机位置检测系统及方法 |
CN110348407A (zh) * | 2019-07-16 | 2019-10-18 | 同济大学 | 一种泊车位检测方法 |
CN110910655A (zh) * | 2019-12-11 | 2020-03-24 | 深圳市捷顺科技实业股份有限公司 | 一种停车管理方法、装置及设备 |
CN111292353A (zh) * | 2020-01-21 | 2020-06-16 | 成都恒创新星科技有限公司 | 一种停车状态变化识别方法 |
CN111524364A (zh) * | 2020-04-29 | 2020-08-11 | 武汉拓宝科技股份有限公司 | 一种车位状态检测方法及系统 |
CN111931673A (zh) * | 2020-04-26 | 2020-11-13 | 智慧互通科技有限公司 | 一种基于视觉差的车辆检测信息的校验方法及装置 |
CN112417926A (zh) * | 2019-08-22 | 2021-02-26 | 广州汽车集团股份有限公司 | 车位识别方法、装置、计算机设备及可读存储介质 |
CN112672052A (zh) * | 2020-12-24 | 2021-04-16 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种图像数据增强方法、系统、电子设备及存储介质 |
CN112906663A (zh) * | 2021-04-05 | 2021-06-04 | 吉林大学 | 利用车载行车记录仪动态监测路边停车位的方法 |
CN113516852A (zh) * | 2021-07-22 | 2021-10-19 | 珠海小可乐科技有限公司 | 一种多车位多目标车辆停车识别方法及其系统 |
CN113724527A (zh) * | 2021-08-29 | 2021-11-30 | 丽台(上海)信息科技有限公司 | 一种停车位管理方法 |
CN114694124A (zh) * | 2022-05-31 | 2022-07-01 | 成都国星宇航科技股份有限公司 | 一种车位状态检测方法、装置和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110376A (zh) * | 2011-02-18 | 2011-06-29 | 汤一平 | 基于计算机视觉的路边停车位检测装置 |
CN103854515A (zh) * | 2012-12-04 | 2014-06-11 | 索尼公司 | 图像处理装置、图像处理方法和程序 |
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 |
CN105390021A (zh) * | 2015-11-16 | 2016-03-09 | 北京蓝卡科技股份有限公司 | 车位状态的检测方法及装置 |
CN105913685A (zh) * | 2016-06-25 | 2016-08-31 | 上海大学 | 一种基于视频监控的车位识别及智能引导方法 |
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 |
CN106846870A (zh) * | 2017-02-23 | 2017-06-13 | 重庆邮电大学 | 基于集中式视觉的停车场‑车辆协同的智能停车系统及方法 |
CN107123274A (zh) * | 2017-06-30 | 2017-09-01 | 深圳信路通智能技术有限公司 | 双车位视频检测装置及方法 |
CN107665603A (zh) * | 2017-09-06 | 2018-02-06 | 哈尔滨工程大学 | 一种判定车位占用的实时检测方法 |
CN108052929A (zh) * | 2017-12-29 | 2018-05-18 | 湖南乐泊科技有限公司 | 车位状态检测方法、系统、可读存储介质和计算机设备 |
CN108320575A (zh) * | 2018-03-16 | 2018-07-24 | 上海芭比信息技术服务有限公司 | 一种车位引导及反向寻车系统及其停车位检测装置、方法 |
CN109034211A (zh) * | 2018-07-04 | 2018-12-18 | 广州市捷众智能科技有限公司 | 一种基于机器学习的车位状态检测方法 |
-
2018
- 2018-12-19 CN CN201811556171.7A patent/CN109817013A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110376A (zh) * | 2011-02-18 | 2011-06-29 | 汤一平 | 基于计算机视觉的路边停车位检测装置 |
CN103854515A (zh) * | 2012-12-04 | 2014-06-11 | 索尼公司 | 图像处理装置、图像处理方法和程序 |
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 |
CN105390021A (zh) * | 2015-11-16 | 2016-03-09 | 北京蓝卡科技股份有限公司 | 车位状态的检测方法及装置 |
CN105913685A (zh) * | 2016-06-25 | 2016-08-31 | 上海大学 | 一种基于视频监控的车位识别及智能引导方法 |
CN106846870A (zh) * | 2017-02-23 | 2017-06-13 | 重庆邮电大学 | 基于集中式视觉的停车场‑车辆协同的智能停车系统及方法 |
CN107123274A (zh) * | 2017-06-30 | 2017-09-01 | 深圳信路通智能技术有限公司 | 双车位视频检测装置及方法 |
CN107665603A (zh) * | 2017-09-06 | 2018-02-06 | 哈尔滨工程大学 | 一种判定车位占用的实时检测方法 |
CN108052929A (zh) * | 2017-12-29 | 2018-05-18 | 湖南乐泊科技有限公司 | 车位状态检测方法、系统、可读存储介质和计算机设备 |
CN108320575A (zh) * | 2018-03-16 | 2018-07-24 | 上海芭比信息技术服务有限公司 | 一种车位引导及反向寻车系统及其停车位检测装置、方法 |
CN109034211A (zh) * | 2018-07-04 | 2018-12-18 | 广州市捷众智能科技有限公司 | 一种基于机器学习的车位状态检测方法 |
Non-Patent Citations (1)
Title |
---|
熊有伦 等, 华中科技大学出版社 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211159A (zh) * | 2019-06-06 | 2019-09-06 | 中国民航科学技术研究院 | 一种基于图像视频处理技术的飞机位置检测系统及方法 |
CN110348407A (zh) * | 2019-07-16 | 2019-10-18 | 同济大学 | 一种泊车位检测方法 |
CN112417926A (zh) * | 2019-08-22 | 2021-02-26 | 广州汽车集团股份有限公司 | 车位识别方法、装置、计算机设备及可读存储介质 |
CN112417926B (zh) * | 2019-08-22 | 2024-02-27 | 广州汽车集团股份有限公司 | 车位识别方法、装置、计算机设备及可读存储介质 |
CN110910655A (zh) * | 2019-12-11 | 2020-03-24 | 深圳市捷顺科技实业股份有限公司 | 一种停车管理方法、装置及设备 |
CN111292353B (zh) * | 2020-01-21 | 2023-12-19 | 成都恒创新星科技有限公司 | 一种停车状态变化识别方法 |
CN111292353A (zh) * | 2020-01-21 | 2020-06-16 | 成都恒创新星科技有限公司 | 一种停车状态变化识别方法 |
CN111931673A (zh) * | 2020-04-26 | 2020-11-13 | 智慧互通科技有限公司 | 一种基于视觉差的车辆检测信息的校验方法及装置 |
CN111931673B (zh) * | 2020-04-26 | 2024-05-17 | 智慧互通科技股份有限公司 | 一种基于视觉差的车辆检测信息的校验方法及装置 |
CN111524364A (zh) * | 2020-04-29 | 2020-08-11 | 武汉拓宝科技股份有限公司 | 一种车位状态检测方法及系统 |
CN111524364B (zh) * | 2020-04-29 | 2021-06-25 | 武汉拓宝科技股份有限公司 | 一种车位状态检测方法及系统 |
CN112672052A (zh) * | 2020-12-24 | 2021-04-16 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种图像数据增强方法、系统、电子设备及存储介质 |
CN112906663A (zh) * | 2021-04-05 | 2021-06-04 | 吉林大学 | 利用车载行车记录仪动态监测路边停车位的方法 |
CN112906663B (zh) * | 2021-04-05 | 2022-05-31 | 吉林大学 | 利用车载行车记录仪动态监测路边停车位的方法 |
CN113516852B (zh) * | 2021-07-22 | 2022-09-09 | 珠海小可乐科技有限公司 | 一种多车位多目标车辆停车识别方法及其系统 |
CN113516852A (zh) * | 2021-07-22 | 2021-10-19 | 珠海小可乐科技有限公司 | 一种多车位多目标车辆停车识别方法及其系统 |
CN113724527A (zh) * | 2021-08-29 | 2021-11-30 | 丽台(上海)信息科技有限公司 | 一种停车位管理方法 |
CN114694124A (zh) * | 2022-05-31 | 2022-07-01 | 成都国星宇航科技股份有限公司 | 一种车位状态检测方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109817013A (zh) | 基于视频流的停车位状态识别方法及装置 | |
CN106599792B (zh) | 一种手部驾驶违规行为的检测方法 | |
US20190122059A1 (en) | Signal light detection | |
US9070023B2 (en) | System and method of alerting a driver that visual perception of pedestrian may be difficult | |
CN101430195B (zh) | 一种利用视频图像处理技术计算输电线路覆冰厚度的方法 | |
CN102076531B (zh) | 车辆畅通路径检测 | |
CN106127137A (zh) | 一种基于3d轨迹分析的目标检测识别算法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN102867417B (zh) | 一种出租车防伪系统及方法 | |
CN105608417B (zh) | 交通信号灯检测方法及装置 | |
CN104050481B (zh) | 多模板轮廓特征和灰度相结合的红外图像实时行人检测 | |
CN105844257A (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN108447091A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
CN110532961B (zh) | 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法 | |
CN104778453A (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
CN106251695A (zh) | 基于车位状态监控的目的地停车位智能推荐系统及方法 | |
CN109191830A (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
CN111553201A (zh) | 一种基于YOLOv3优化算法的交通灯检测方法 | |
CN109949593A (zh) | 一种基于路口先验知识的交通信号灯识别方法及系统 | |
CN109726796A (zh) | 一种基于神经网络的养殖场管理方法 | |
CN109886086A (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
CN112016429A (zh) | 基于火车驾驶室场景下疲劳驾驶检测方法 | |
CN106709412A (zh) | 交通标志检测方法和装置 | |
CN102975659A (zh) | 基于远红外图像的汽车夜间行驶预警系统及方法 | |
CN105046948A (zh) | 一种黄色网格线区域内交通违章停车监测系统和方法 |
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: 20190528 |
|
RJ01 | Rejection of invention patent application after publication |