CN110047319A - 停车场车位导航方法、电子装置及存储介质 - Google Patents

停车场车位导航方法、电子装置及存储介质 Download PDF

Info

Publication number
CN110047319A
CN110047319A CN201910298389.5A CN201910298389A CN110047319A CN 110047319 A CN110047319 A CN 110047319A CN 201910298389 A CN201910298389 A CN 201910298389A CN 110047319 A CN110047319 A CN 110047319A
Authority
CN
China
Prior art keywords
parking
parking stall
vehicle
parking lot
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.)
Granted
Application number
CN201910298389.5A
Other languages
English (en)
Other versions
CN110047319B (zh
Inventor
庄小雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Priority to CN201910298389.5A priority Critical patent/CN110047319B/zh
Publication of CN110047319A publication Critical patent/CN110047319A/zh
Application granted granted Critical
Publication of CN110047319B publication Critical patent/CN110047319B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/02—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems
    • 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
    • G08G1/144—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces on portable or mobile units, e.g. personal digital assistant [PDA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明涉及智能决策技术领域，提供了一种停车场车位导航方法、电子装置及存储介质。该方法对采集到的每个停车位的图像进行灰度处理，提取每个停车位的轮廓图像后，提取每个轮廓图像的Haar特征训练预设模型得到车辆识别分类器。之后，将预设时间点拍摄到的所述停车位的实时图像对应的Haar特征输入所述车辆识别分类器，识别出所述停车场的空车位，并根据空车位与车辆的当前位置生成停车路线推荐至所述用户的客户端。本发明可以使得停车场用户对停车场内的空车位一目了然，快速找到停车位，能够更智能、准确地向用户推荐最佳的停车路线，避免用户因停车路况不熟导致停车困难、浪费时间的情况，同时提高停车场的停车运作效率。

Description

停车场车位导航方法、电子装置及存储介质
技术领域
本发明涉及智能决策技术领域，尤其涉及一种停车场车位导航方法、电子装置及存储介质。
背景技术
目前现有的停车场的运行效率较为低下，主要运行方式是通过计费关口进行进出车辆的统计，然后将剩余的车位数公示在电子牌上，而这样的信息对于需要停车的车主来说远远不够，例如以下不足：
1、没有车位具体信息：对于一个大型的传统停车场，车主在寻找车位停车的时候，仅能通过指示牌获得停车场有剩余空车位个数，但对车主而言，精准找到空车位仍然需要能够标识车位位置的信息，否则会消耗大量时间寻找车位。
2、停车场内车辆拥堵：停车场内空间较小，道路复杂，容易发生拥堵情况，例如车主发现某一车位后，但因前方一新手车主停车较慢，自己又不了解还有何种路径到达已发现的空车位，只能一直等待，影响自己停车，浪费时间。
3、停车场内寻找车位困难：车主通常对停车场并不熟悉，在停车场较满情况下，即使知道某一区域有停车位，在人工搜寻过程中仍容易无意中遗漏空车位，导致其在停车场一直寻找停车位，浪费大量时间。
发明内容
本发明的目的在于提供一种停车场车位导航方法、电子装置及存储介质，旨在智能地为用户推荐最佳的停车路线，解决用户寻找停车位的困难，提高停车场的停车运作效率。
为实现上述目的，本发明提供一种停车场车位导航方法，该方法包括：
样本处理步骤：对采集到的停车场内每个停车位的图像进行灰度处理，从灰度处理后的图像中提取得到所述每个停车位的轮廓图像；
训练步骤：提取每个轮廓图像的Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器；
识别步骤：在预设时间到达时，拍摄所述停车场内每个停车位的实时图像，对所述实时图像进行灰度处理、轮廓特征提取得到各实时图像对应的轮廓图像，对各实时图像对应的轮廓图像进行特征提取得到各实时图像对应的Haar特征，将各实时图像对应的Haar特征输入所述车辆识别分类器，识别出在所述预设时间所述停车场内的空车位；及
导航步骤：定位进入所述停车场的用户车辆的位置，根据所述车辆的当前位置与停车场的空车位，生成停车路线推荐至所述用户的客户端。
优选地，所述Haar特征包括边缘特征、线性特征、中心特征和对角线特征。
优选地，所述预设的模型算法为Adaboost算法，所述Adaboost算法训练过程包括：
记训练样本集为：S＝(x1，y1)，(x2，y2)，...，(xn，yn)，
其中，x表示从每个停车位图像的轮廓图像中提取的Haar特征，y∈(-1，1)，y＝1表示空车位，y＝-1表示不是空车位，n表示样本数量；
给所述训练样本集中的每个样本赋予相同的权重，得到训练样本集的初始权值分布：D1＝(W1，W2，...，Wn)，Wn＝1/n表示每个样本的权重；
将具有权值分布的所述训练样本集在Adaboost算法进行m轮的迭代学习，得到基本分类器Gm(X)：X→(-1，1)；
组合各个基本分类器Gm(X)，得到强分类器f(X)作为所述车辆识别分类器：
其中，f(X)表示强分类器，Am表示基本分类器Gm(X)的系数，m表示训练样本集迭代学习轮数。
优选地，所述样本处理步骤还包括：
对所述停车场内的停车位进行分区，在各个分区中标记出所述每个停车位的轮廓图像的位置编号，以建立所述每个停车位的信息点。
优选地，所述预设时间包括工作日高峰期预设时间、节假日高峰期预设时间和一般预设时间，对每种类型的预设时间设置相应的时间间隔拍摄所述停车场内每个停车位的实时图像。
优选地，所述导航步骤包括：
根据所述车辆的当前位置及所述停车场的空车位自动生成推荐停车路线反馈至所述用户的客户端；或
响应用户选择空车位的操作，根据所述车辆的当前位置及用户选择的所述空车位生成推荐停车路线反馈至所述用户的客户端。
优选地，该方法还包括：
将所述停车场的空车位信息，或/及生成的推荐停车路线显示于停车场的电子显示屏。
优选地，该方法还包括：
缴费步骤：当所述车辆驶离停车位时，计算并发送停车收费信息至客户端进行缴费，出口收费站通过识别车辆的车牌信息，核准后自动放行。
此外，为实现上述目的，本发明还提供一种电子装置，该电子装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的车位识别导航程序，所述车位识别导航程序被所述处理器执行时实现如下步骤：
样本处理步骤：对采集到的停车场内每个停车位的图像进行灰度处理，从灰度处理后的图像中提取得到所述每个停车位的轮廓图像；
训练步骤：提取每个轮廓图像的Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器；
识别步骤：在预设时间到达时，拍摄所述停车场内每个停车位的实时图像，对所述实时图像进行灰度处理、轮廓特征提取得到各实时图像对应的轮廓图像，对各实时图像对应的轮廓图像进行特征提取得到各实时图像对应的Haar特征，将各实时图像对应的Haar特征输入所述车辆识别分类器，识别出在所述预设时间所述停车场内的空车位；及
导航步骤：定位进入所述停车场的用户车辆的位置，根据所述车辆的当前位置与停车场的空车位，生成停车路线推荐至所述用户的客户端。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括车位识别导航程序，所述车位识别导航程序被处理器执行时，可实现如上任意一项所述的停车场车位导航方法。
本发明对采集到的停车场内每个停车位的图像进行灰度处理，提取得到所述每个停车位的轮廓图像，再从每个轮廓图像中提取Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器。之后，利用该车辆识别分类器实时识别停车场的空车位并生成停车路线推荐给用户：将拍摄的每个停车位的实时图像的Haar特征输入所述车辆识别分类器识别出空车位，根据空车位与入场车辆的当前位置生成停车路线反馈至所述入场车辆用户的客户端。本发明可以使得停车场用户对停车场内的空车位一目了然，快速找到停车位，能够更智能、准确地向用户推荐最佳的停车路线，避免用户因停车路况不熟导致停车困难、浪费时间的情况，同时提高了停车场的停车运作效率。
附图说明
图1为本发明停车场车位导航电子装置较佳实施例的示意图；
图2为图1中车位识别导航程序的程序模块示意图；
图3为本发明停车场车位导航方法较佳实施例的流程图；
图4为本发明停车场车位导航停车场架构一实施例环境图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示，为本发明停车场车位导航电子装置较佳实施例的示意图。该电子装置1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子装置1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中，电子装置1可包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，存储器11存储有可在处理器12上运行的车位识别程序10。需要指出的是，图1仅示出了具有组件11-13的电子装置1，但是应当理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子装置1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子装置1的内部存储单元，例如该电子装置1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子装置1的操作系统和各类应用软件，例如存储本发明一实施例中的车位识别导航程序10等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子装置1的总体操作，例如执行与所述其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如车位识别导航程序10等。
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述电子装置1与其他电子设备之间建立通信连接。
所述车位识别导航程序10存储在存储器11中，包括存储在存储器11中的计算机可读指令，该计算机可读指令被处理器12执行时实现如下步骤：
样本处理步骤：对采集到的停车场内每个停车位的图像进行灰度处理，从灰度处理后的图像中提取得到所述每个停车位的轮廓图像。
图像的采集可以是摄像机、照相机、录像机等。本实施例优先采用摄像机，其安装在停车场内，尽可能多的拍摄停车场内的停车位。通常，一个摄像机可以捕捉到20个左右的停车位，对较大的停车场，可以采用对角线架设摄像机的方法来保证能够监控到整个停车场。当一个摄像机能够满足场景的监控需要时，尽量保证摄像机两边监控的停车位数量相同，有利于提高车位整体的识别率。
由于拍摄到的停车场的图像是HSV色彩空间的，需要对拍摄到的图像进行处理。通常路基为灰色水泥路与黑色柏油路两种，灰色水泥路的地面会将停车位标记线设置为黄色，黑色柏油路的地面会将停车位标记线设置为白色。从而对黄色与白色的停车位标记线在HSV空间下各分量成分进行分析，可以提取出车位的轮廓图像。
所述停车位的轮廓图像提取方法如下：
所述HSV空间是根据颜色的直观特性创建的一种颜色空间，其中H、S、V分别表示色调、饱和度和明亮度，而白色和黄色在HSV空间中的成分分析如下：
白色：H分量：0°-180°，S分量：0°-30°，V分量：220°-255°，
黄色：H分量：50°-60°，S分量：40°-255°，V分量：50°-255°。
路基地面的颜色和停车位标记线的颜色有着明显差异，通过选择HSV空间中符合参数范围的区域，就可以快速分离出车位，将停车位轮廓提取出来。
通常，先对停车位无车状态下获取的停车位图像进行HVS空间处理，处理后的停车位图像作为图像基底；再对停车位有车状态下获取的停车位图像进行HVS空间处理，处理后的停车位图像与所述图像基底结合，提取停车位的轮廓图像。
训练步骤：提取每个轮廓图像的Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器。
所述轮廓图像的Haar特征以涵盖的黑色像素与白色像素的像素差来标识Haar特征值，Haar特征值反映了所述停车位的轮廓图像的灰度情况变化。
识别步骤：在预设时间到达时，拍摄所述停车场内每个停车位的实时图像，对所述实时图像进行灰度处理、轮廓特征提取得到各实时图像对应的轮廓图像，对各实时图像对应的轮廓图像进行特征提取得到各实时图像对应的Haar特征，将各实时图像对应的Haar特征输入所述车辆识别分类器，识别出在所述预设时间所述停车场内的空车位。
利用训练好的模型，在下一次拍摄停车位图像可在模型内自行运行处理，得到识别停车位是空车位的目的，大大提高了停车场内停车的运作效率，从某种程度上也降低了商业成本，加快了商业的运营效率。
导航步骤：定位进入所述停车场的用户车辆的位置，根据所述车辆的当前位置与停车场的空车位，生成停车路线推荐至所述用户的客户端。
本实施例中，采用迪杰斯特拉(Dijkstra)算法对当前车辆的位置与停车场的空车位进行运算。
所述迪杰斯特拉(Dijkstra)算法是针对问题提出路径最短的算法。迪杰斯特拉算法采用从起始点开始，以一定的步长为单位，进行节点扩展。
在一实施例中，选取代价值(例如，路径长度)最小的节点作为扩展节点，扩展过程中需要考虑一些约束，如转弯半径以及对风险障碍的规避等等，当该路线上出现其他车辆时，系统将会考虑其他路线防止拥堵，如此一步步扩展，直到扩展节点到达目标终点，再从终点倒过来回溯到起点，这样，把过程中的各个节点扩展串联起来，就成为了一条规划的路径。
参照图2所示，为图1中车位识别导航程序的程序模块示意图。
在一个实施例中，所述车位识别导航程序10包括：样本处理模块101、训练模块102、识别模块103、导航模块104。
样本处理模块101，用于对采集到的停车场内每个停车位的图像进行灰度处理，从灰度处理后的图像中提取得到所述每个停车位的轮廓图像；
训练模块102，用于提取每个轮廓图像的Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器；
识别模块103，用于在预设时间到达时，拍摄所述停车场内每个停车位的实时图像，对所述实时图像进行灰度处理、轮廓特征提取得到各实时图像对应的轮廓图像，对各实时图像对应的轮廓图像进行特征提取得到各实时图像对应的Haar特征，将各实时图像对应的Haar特征输入所述车辆识别分类器，识别出在所述预设时间所述停车场内的空车位；及
导航模块104，用于定位进入所述停车场的用户车辆的位置，根据所述车辆的当前位置与停车场的空车位，生成停车路线推荐至所述用户的客户端。
进一步地，在其他实施例汇总，所述车位识别导航程序10还可以包括：
缴费模块105，用于当所述车辆驶离停车位时，计算并发送停车收费信息至客户端进行缴费，出口收费站通过识别车辆的车牌信息，核准后自动放行。
上述各模块的详细介绍请参图3方法流程中各相应步骤的具体说明。
参照图3所示，为本发明停车场车位导航方法较佳实施例的流程图。一种停车场车位导航方法，该方法包括：
步骤S210：对采集到的停车场内每个停车位的图像进行灰度处理，从灰度处理后的图像中提取得到所述每个停车位的轮廓图像。
图像的采集可以是摄像机、照相机、录像机等。本实施例优先采用摄像机，其安装在停车场内，尽可能多的拍摄停车场内的停车位。通常，一个摄像机可以捕捉到20个左右的停车位，对较大的停车场，可以采用对角线架设摄像机的方法来保证能够监控到整个停车场。当一个摄像机能够满足场景的监控需要时，尽量保证摄像机两边监控的停车位数量相同，有利于提高车位整体的识别率。
由于拍摄到的停车场的图像是HSV色彩空间的，需要对拍摄到的图像进行处理。通常路基为灰色水泥路与黑色柏油路两种，灰色水泥路的地面会将停车位标记线设置为黄色，黑色柏油路的地面会将停车位标记线设置为白色。从而对黄色与白色的停车位标记线在HSV空间下各分量成分进行分析，可以提取出车位的轮廓图像。
所述停车位的轮廓图像提取方法如下：
所述HSV空间是根据颜色的直观特性创建的一种颜色空间，其中H、S、V分别表示色调、饱和度和明亮度，而白色和黄色在HSV空间中的成分分析如下：
白色：H分量：0°-180°，S分量：0°-30°，V分量：220°-255°，
黄色：H分量：50°-60°，S分量：40°-255°，V分量：50°-255°。
路基地面的颜色和停车位标记线的颜色有着明显差异，通过选择HSV空间中符合参数范围的区域，就可以快速分离出车位，将停车位轮廓提取出来。
通常，先对停车位无车状态下获取的停车位图像进行HVS空间处理，处理后的停车位图像作为图像基底；再对停车位有车状态下获取的停车位图像进行HVS空间处理，处理后的停车位图像与所述图像基底结合，提取停车位的轮廓图像。
进一步地，所述步骤S210还包括：
对所述停车场内的停车位进行分区，在各个分区中标记出所述每个停车位的轮廓图像的位置编号，以建立所述每个停车位的信息点。
所述每个停车位的信息点的建立能够为后续拍摄到的停车位图像对应实时更新。
步骤S220：提取每个轮廓图像的Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器。
所述轮廓图像的Haar特征以涵盖的黑色像素与白色像素的像素差来标识Haar特征值，Haar特征值反映了所述停车位的轮廓图像的灰度情况变化。
进一步地，所述Haar特征包括边缘特征、线性特征、中心特征和对角线特征。
所述预设模型分别对所述轮廓图像中Haar特征的边缘特征、线性特征、中心特征和对角线特征进行训练，将得到的每种训练结果再组合成为最终的用于识别停车位是否停有车辆的车辆识别分类器。
进一步地，所述预设的模型算法为Adaboost算法，所述Adaboost算法训练过程包括：
记训练样本集为：S＝(x1，y1)，(x2，y2)，...，(xn，yn)，
其中，x表示从每个停车位图像的轮廓图像中提取的Haar特征，y∈(-1，1)，y＝1表示空车位，y＝-1表示不是空车位，n表示样本数量；
给所述训练样本集中的每个样本赋予相同的权重，得到训练样本集的初始权值分布：D1＝(W1，W2，...，Wn)，Wn＝1/n表示每个样本的权重；
将具有权值分布的所述训练样本集在Adaboost算法进行m轮的迭代学习，得到基本分类器Gm(X)：X→(-1，1)；
其中，X＝1表示空车位，X＝-1表示不是空车位，
由于基本分类器Gm(X)在识别停车位是否停有车辆的准确率不高，存在误差，所以需要采用一种识别空车位准确率高的强分类器来识别。
组合各个基本分类器Gm(X)，得到强分类器f(X)作为所述车辆识别分类器：
其中，f(X)表示强分类器，Am表示基本分类器Gm(X)的系数，m表示训练样本集迭代学习轮数。
所述强分类器代表对应的停车位获取的最终图像信息，即停车位内有无停放车辆的状态，因而能够将停车位状态进行分类，进而实现空车位识别检测以及将空车位展示到客户端，为路线推荐提供做好准备。
当然，训练好分类器后，将其存储在存储器内，同时，约定时间间隔对收集到的图像进行检测，更新停车位信息。
步骤S230：在预设时间到达时，拍摄所述停车场内每个停车位的实时图像，对所述实时图像进行灰度处理、轮廓特征提取得到各实时图像对应的轮廓图像，对各实时图像对应的轮廓图像进行特征提取得到各实时图像对应的Haar特征，将各实时图像对应的Haar特征输入所述车辆识别分类器，识别出在所述预设时间所述停车场内的空车位。
利用训练好的模型，在下一次拍摄停车位图像可在模型内自行运行处理，得到识别停车位是空车位的目的，大大提高了停车场内停车的运作效率，从某种程度上也降低了商业成本，加快了商业的运营效率。
进一步地，所述步骤S230包括：
所述预设时间包括工作日高峰期预设时间、节假日高峰期预设时间和一般预设时间，对每种类型的预设时间设置相应的时间间隔拍摄所述停车场内每个停车位的实时图像。
在一实施例中，所述工作日高峰期预设时间，如上午11点至下午1点、下午5点至下午20点，所述高峰期预设时间的间隔时段可预设为2分钟；
所述节假日高峰期预设时间，如五一节、国庆节等，所述节假日高峰期预设时间与所述高峰期预设时间相冲突时，以所述节假日高峰期预设时间为准，所述节假日高峰期预设时间可预设为1分钟；
所述一般预设时间为普通时间断，所述一般预设时间的间隔时段可预设为大于2分钟。
步骤S240：定位进入所述停车场的用户车辆的位置，根据所述车辆的当前位置与停车场的空车位，生成停车路线推荐至所述用户的客户端。
本实施例中，采用迪杰斯特拉(Dijkstra)算法对当前车辆的位置与停车场的空车位进行运算。
所述迪杰斯特拉(Dijkstra)算法是针对问题提出路径最短的算法。迪杰斯特拉算法采用从起始点开始，以一定的步长为单位，进行节点扩展。
在一实施例中，选取代价值(例如，路径长度)最小的节点作为扩展节点，扩展过程中需要考虑一些约束，如转弯半径以及对风险障碍的规避等等，当该路线上出现其他车辆时，系统将会考虑其他路线防止拥堵，如此一步步扩展，直到扩展节点到达目标终点，再从终点倒过来回溯到起点，这样，把过程中的各个节点扩展串联起来，就成为了一条规划的路径。
进一步地，所述步骤S240包括：
根据所述车辆的当前位置及所述停车场的空车位自动生成推荐停车路线反馈至所述用户的客户端；或
响应用户选择空车位的操作，根据所述车辆的当前位置及用户选择的所述空车位生成推荐停车路线反馈至所述用户的客户端。
收集停车场内所有可到达停车位的路线。首先，遍历所有路口，录入从车辆位置到停车位的所有路线的必经路口以及各个路口之间的距离；其次，确定当前选定路口集合，此集合刚开始只有起点；从起点开始，计算目前选定的路口集合所有能到达停车位的必经路口，选定到达停车位代价最小的路口加入集合。该代价包括距离、转弯半径和风险约束等，距离越长，转弯半径越大，风险越大，那么代价越高；以此类推，直到终点纳入该集合，就获得了一个到达停车位代价最小的路径，最后将此路径推荐给车主。
通过调取不同代价的计算方式，可以推荐不同的路线给车主，例如用户调高距离的权值，可以推荐距离最短的路径；用户调高其他影响时间的约束，可以推荐速度最快的路径等等。
进一步地，该方法还包括：
将所述停车场的空车位信息，或/及生成的推荐停车路线显示于停车场的电子显示屏。
进一步地，该方法还包括：
步骤S250：当所述车辆驶离停车位时，计算并发送停车收费信息至客户端进行缴费，出口收费站通过识别车辆的车牌信息，核准后自动放行。
结合上述说明，参照图4所示，为本发明停车场车位导航停车场架构一实施例环境图。
不难看出，通过采集到的停车场内每个停车位的图像进行灰度处理，提取得到所述每个停车位的轮廓图像，再从每个轮廓图像中提取Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器。之后，利用该车辆识别分类器实时识别停车场的空车位并生成停车路线推荐给用户：将拍摄的每个停车位的实时图像的Haar特征输入所述车辆识别分类器识别出空车位，根据空车位与入场车辆的当前位置生成停车路线反馈至所述入场车辆用户的客户端。本发明从用户登录客户端，到推荐最佳路线至客户端，用户停放车辆，再到最后用户缴费离开，全程指令智能实施，用户操作简单，路线推荐效果佳，从而提高了停车场的停车运作效率。
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括车位识别导航程序，所述车位识别导航程序被处理器执行时，可实现如下操作：
样本处理步骤：对采集到的停车场内每个停车位的图像进行灰度处理，从灰度处理后的图像中提取得到所述每个停车位的轮廓图像；
训练步骤：提取每个轮廓图像的Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器；
识别步骤：在预设时间到达时，拍摄所述停车场内每个停车位的实时图像，对所述实时图像进行灰度处理、轮廓特征提取得到各实时图像对应的轮廓图像，对各实时图像对应的轮廓图像进行特征提取得到各实时图像对应的Haar特征，将各实时图像对应的Haar特征输入所述车辆识别分类器，识别出在所述预设时间所述停车场内的空车位；及
导航步骤：定位进入所述停车场的用户车辆的位置，根据所述车辆的当前位置与停车场的空车位，生成停车路线推荐至所述用户的客户端。
本发明计算机可读存储介质具体实施方式与上述高效停车场车位导航系统、方法和电子装置各实施例基本相同，在此不作累述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种停车场车位导航方法，其特征在于，该方法包括：
样本处理步骤：对采集到的停车场内每个停车位的图像进行灰度处理，从灰度处理后的图像中提取得到所述每个停车位的轮廓图像；
训练步骤：提取每个轮廓图像的Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器；
识别步骤：在预设时间到达时，拍摄所述停车场内每个停车位的实时图像，对所述实时图像进行灰度处理、轮廓特征提取得到各实时图像对应的轮廓图像，对各实时图像对应的轮廓图像进行特征提取得到各实时图像对应的Haar特征，将各实时图像对应的Haar特征输入所述车辆识别分类器，识别出在所述预设时间所述停车场内的空车位；及
导航步骤：定位进入所述停车场的用户车辆的位置，根据所述车辆的当前位置与停车场的空车位，生成停车路线推荐至所述用户的客户端。
2.如权利要求1所述的停车场车位导航方法，其特征在于，所述Haar特征包括边缘特征、线性特征、中心特征和对角线特征。
3.如权利要求1所述的停车场车位导航方法，其特征在于，所述预设的模型算法为Adaboost算法，所述Adaboost算法训练过程包括：
记训练样本集为：S＝(x1，y1)，(x2，y2)，...，(xn，yn)，
其中，x表示从每个停车位图像的轮廓图像中提取的Haar特征，y∈(-1，1)，y＝1表示空车位，y＝-1表示不是空车位，n表示样本数量；
给所述训练样本集中的每个样本赋予相同的权重，得到训练样本集的初始权值分布：D1＝(W1，W2，...，Wn)，Wn＝1/n表示每个样本的权重；
将具有权值分布的所述训练样本集在Adaboost算法进行m轮的迭代学习，得到基本分类器Gm(X)：X→(-1，1)；
组合各个基本分类器Gm(X)，得到强分类器f(X)作为所述车辆识别分类器：
其中，f(X)表示强分类器，Am表示基本分类器Gm(X)的系数，m表示训练样本集迭代学习轮数。
4.如权利要求1所述的停车场车位导航方法，其特征在于，所述样本处理步骤还包括：
对所述停车场内的停车位进行分区，在各个分区中标记出所述每个停车位的轮廓图像的位置编号，以建立所述每个停车位的信息点。
5.如权利要求1所述的停车场车位导航方法，其特征在于，所述预设时间包括工作日高峰期预设时间、节假日高峰期预设时间和一般预设时间，对每种类型的预设时间设置相应的时间间隔拍摄所述停车场内每个停车位的实时图像。
6.如权利要求1所述的停车场车位导航方法，其特征在于，所述导航步骤包括：
根据所述车辆的当前位置及所述停车场的空车位自动生成推荐停车路线反馈至所述用户的客户端；或
响应用户选择空车位的操作，根据所述车辆的当前位置及用户选择的所述空车位生成推荐停车路线反馈至所述用户的客户端。
7.如权利要求1至6任意一项所述的停车场车位导航方法，其特征在于，该方法还包括：
将所述停车场的空车位信息，或/及生成的推荐停车路线显示于停车场的电子显示屏。
8.如权利要求1所述的停车场车位导航方法，其特征在于，该方法还包括：
缴费步骤：当所述车辆驶离停车位时，计算并发送停车收费信息至客户端进行缴费，出口收费站通过识别车辆的车牌信息，核准后自动放行。
9.一种电子装置，其特征在于，该电子装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的车位识别导航程序，所述车位识别导航程序被所述处理器执行时实现如下步骤：
样本处理步骤：对采集到的停车场内每个停车位的图像进行灰度处理，从灰度处理后的图像中提取得到所述每个停车位的轮廓图像；
训练步骤：提取每个轮廓图像的Haar特征，利用所述Haar特征训练预设的模型算法，得到识别所述停车场内每个停车位是否停有车辆的车辆识别分类器；
识别步骤：在预设时间到达时，拍摄所述停车场内每个停车位的实时图像，对所述实时图像进行灰度处理、轮廓特征提取得到各实时图像对应的轮廓图像，对各实时图像对应的轮廓图像进行特征提取得到各实时图像对应的Haar特征，将各实时图像对应的Haar特征输入所述车辆识别分类器，识别出在所述预设时间所述停车场内的空车位；及
导航步骤：定位进入所述停车场的用户车辆的位置，根据所述车辆的当前位置与停车场的空车位，生成停车路线推荐至所述用户的客户端。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括车位识别导航程序，所述车位识别导航程序被处理器执行时，可实现如权利要求1至8中任意一项所述的停车场车位导航方法。
CN201910298389.5A 2019-04-15 2019-04-15 停车场车位导航方法、电子装置及存储介质 Active CN110047319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910298389.5A CN110047319B (zh) 2019-04-15 2019-04-15 停车场车位导航方法、电子装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910298389.5A CN110047319B (zh) 2019-04-15 2019-04-15 停车场车位导航方法、电子装置及存储介质

Publications (2)

Publication Number Publication Date
CN110047319A true CN110047319A (zh) 2019-07-23
CN110047319B CN110047319B (zh) 2022-03-08

Family

ID=67277199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910298389.5A Active CN110047319B (zh) 2019-04-15 2019-04-15 停车场车位导航方法、电子装置及存储介质

Country Status (1)

Country Link
CN (1) CN110047319B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969892A (zh) * 2019-11-06 2020-04-07 重庆市城投金卡信息产业(集团)股份有限公司 停车场管理方法及其系统
CN111267665A (zh) * 2020-02-17 2020-06-12 国网安徽电动汽车服务有限公司 一种利用图像判定汽车类型实现电动汽车充电的方法
CN111341136A (zh) * 2020-02-11 2020-06-26 浙江吉利汽车研究院有限公司 一种基于车路协同的代客泊车方法、系统及存储介质
CN111369824A (zh) * 2020-01-22 2020-07-03 星汉智能科技股份有限公司 一种基于图像识别定位的引导泊车方法及系统
CN111554117A (zh) * 2020-04-21 2020-08-18 常州工程职业技术学院 一种基于地图的目标寻找方法
CN112543536A (zh) * 2020-12-14 2021-03-23 上海大学 一种教室照明设施自动关闭装置及方法
CN113496618A (zh) * 2020-03-19 2021-10-12 本田技研工业株式会社 收容区域管理装置
CN114495552A (zh) * 2022-01-21 2022-05-13 东南大学成贤学院 一种快速停车找车导航方法及其系统
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103021183A (zh) * 2012-12-07 2013-04-03 北京中邮致鼎科技有限公司 一种监控场景中违章机动车检测方法
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
CN106878674A (zh) * 2017-01-10 2017-06-20 哈尔滨工业大学深圳研究生院 一种基于监控视频的停车检测方法及装置
CN107133597A (zh) * 2017-05-11 2017-09-05 南宁市正祥科技有限公司 一种日间前方车辆检测方法
CN107886761A (zh) * 2017-11-14 2018-04-06 金陵科技学院 一种基于无人机的停车场监控方法
CN108335509A (zh) * 2018-03-16 2018-07-27 北京航空航天大学 一种基于机器视觉的车路协同系统和方法
CN109299672A (zh) * 2018-09-05 2019-02-01 重庆大学 自适应调节阈值和算法结构的停车事件检测系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103021183A (zh) * 2012-12-07 2013-04-03 北京中邮致鼎科技有限公司 一种监控场景中违章机动车检测方法
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
CN106878674A (zh) * 2017-01-10 2017-06-20 哈尔滨工业大学深圳研究生院 一种基于监控视频的停车检测方法及装置
CN107133597A (zh) * 2017-05-11 2017-09-05 南宁市正祥科技有限公司 一种日间前方车辆检测方法
CN107886761A (zh) * 2017-11-14 2018-04-06 金陵科技学院 一种基于无人机的停车场监控方法
CN108335509A (zh) * 2018-03-16 2018-07-27 北京航空航天大学 一种基于机器视觉的车路协同系统和方法
CN109299672A (zh) * 2018-09-05 2019-02-01 重庆大学 自适应调节阈值和算法结构的停车事件检测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴骏 等: "改进型虚拟线式视频车辆检测算法", 《计算机工程与应用》 *
孟春宁 等: "基于计算机视觉的车辆及车位检测系统设计", 《公安海警学院学报》 *
彭明阳 等: "结合HSV空间的水面图像特征水岸线检测", 《中国图象图形学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969892A (zh) * 2019-11-06 2020-04-07 重庆市城投金卡信息产业(集团)股份有限公司 停车场管理方法及其系统
CN111369824A (zh) * 2020-01-22 2020-07-03 星汉智能科技股份有限公司 一种基于图像识别定位的引导泊车方法及系统
CN111341136A (zh) * 2020-02-11 2020-06-26 浙江吉利汽车研究院有限公司 一种基于车路协同的代客泊车方法、系统及存储介质
CN111267665A (zh) * 2020-02-17 2020-06-12 国网安徽电动汽车服务有限公司 一种利用图像判定汽车类型实现电动汽车充电的方法
CN113496618A (zh) * 2020-03-19 2021-10-12 本田技研工业株式会社 收容区域管理装置
US11748790B2 (en) * 2020-03-19 2023-09-05 Honda Motor Co., Ltd. Accommodation area management device
CN111554117A (zh) * 2020-04-21 2020-08-18 常州工程职业技术学院 一种基于地图的目标寻找方法
CN112543536A (zh) * 2020-12-14 2021-03-23 上海大学 一种教室照明设施自动关闭装置及方法
CN114495552A (zh) * 2022-01-21 2022-05-13 东南大学成贤学院 一种快速停车找车导航方法及其系统
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

Also Published As

Publication number Publication date
CN110047319B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN110047319A (zh) 停车场车位导航方法、电子装置及存储介质
US10775184B2 (en) Systems and methods for routing a fleet of vehicles
CN107730975B (zh) 超市停车引导反向寻车和出场引导的系统和方法
CN106504351B (zh) 一种停车场停车收费方法和服务器
CN106781658A (zh) 一种车位资源分享交易系统
CN107389085B (zh) 一种道路通行属性的确定方法、装置、计算机及存储介质
CN103632572A (zh) 一种智能停车方法和系统
CN104575095A (zh) 一种停车位余量监测管理系统以及找停车位的方法
CN108765975A (zh) 路侧垂直停车场管理系统及方法
Enríquez et al. Existing approaches to smart parking: An overview
CN113724526B (zh) 用于停车场的诱导泊车方法、装置、系统及存储介质
CN105023462A (zh) 一种基于车位导航系统的微信短信车位导航系统及方法
CN112712707A (zh) 车辆碳排放监测系统及方法
CN114036411A (zh) 一种路线规划方法、装置、设备及介质
WO2023246720A1 (zh) 路侧停车检测方法、系统及电子设备
CN113486885A (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN113642761A (zh) Robotaxi自动驾驶共享网约车资源分配方法
CN115406453A (zh) 一种导航方法、装置及计算机存储介质
CN108847052A (zh) 停车位置确定方法、装置、系统及计算机可读介质
CN114972731A (zh) 交通灯检测识别方法及装置、移动工具、存储介质
CN114822070A (zh) 停车场状态确定方法及电子设备
CN114512024A (zh) 车位识别方法、装置、设备以及存储介质
CN114202272A (zh) 一种基于电子围栏的车货匹配方法、装置、存储介质及终端
Osabe et al. Solutions to social problems leveraging image analysis technology based on machine learning
CN112016534A (zh) 车辆违停检测的神经网络的训练方法、检测方法和装置

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