CN110135394A - 区域占用和车牌识别方法及装置 - Google Patents
区域占用和车牌识别方法及装置 Download PDFInfo
- Publication number
- CN110135394A CN110135394A CN201910444122.2A CN201910444122A CN110135394A CN 110135394 A CN110135394 A CN 110135394A CN 201910444122 A CN201910444122 A CN 201910444122A CN 110135394 A CN110135394 A CN 110135394A
- Authority
- CN
- China
- Prior art keywords
- image
- specified region
- region
- information
- occupancy
- 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
Classifications
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种区域占用和车牌识别方法及装置,涉及交通物流技术领域,利用布设在指定区域对应位置的图像采集器采集图像,构成指定区域的图像集;基于预训练的图像检测模型,检测图像集中是否存在占用物;如果是,确定图像集对应的指定区域为占用状态;识别占用物的物体信息;汇总物体信息和占用物的图像,得到指定区域的占用信息;将指定区域的占用信息发送至外部终端,以供外部终端进行区域占用登记。这种先确定指定区域的占用状态,再确定占用物类型的方式,提高了指定区域占用情况判断的准确性,这种利用图像集检测指定区域的占用情况的方式,避免了物体在通过指定区域时,所造成的占用情况的误判。
Description
技术领域
本发明涉及交通物流技术领域,尤其是涉及一种区域占用和车牌识别方法及装置。
背景技术
月台作为货物交接的关键节点,其使用率和动态管理水平直接关系到园区的整体运转效率。在月台的管理中,通常利用识别车辆车牌号的方式,进而确定月台的占用状态。但由于月台下方的占用物的属性复杂,包括无牌车、叉车、堆货等类型,并非所有的占用物都存在车牌号。因而,利用识别车牌的方式确定月台的占用状态并不准确。
发明内容
有鉴于此,本发明的目的在于提供一种区域占用和车牌识别方法及装置,以缓解利用识别车牌的方式确定月台的占用状态不准确的技术问题。
第一方面,本发明实施例提供了一种区域占用和车牌识别方法,该方法包括:利用布设在指定区域对应位置的图像采集器采集图像,构成指定区域的图像集;其中,图像集包括连续采集的预设个数的图像;基于预训练的图像检测模型,检测图像集中是否存在占用物;其中,图像检测模型为根据占用物样本集预先训练得到的模型;如果是,确定图像集对应的指定区域为占用状态;识别占用物的物体信息;其中,物体信息包括物体的属性信息和/或特征信息;属性信息包括:车辆属性、货箱属性和人员属性;汇总物体信息和占用物的图像,得到指定区域的占用信息;将指定区域的占用信息发送至外部终端,以供外部终端进行区域占用登记。
进一步的,利用布设在指定区域对应位置的图像采集器采集图像,构成指定区域的图像集的步骤包括:利用布设在指定区域对应位置的图像采集器采集视频;以预设时间间隔,提取视频的多个帧图像;将多个帧图像构成指定区域的图像集。
进一步的,基于预训练的图像检测模型,检测图像集中是否存在占用物的步骤包括:基于预训练的图像检测模型,检测图像集中的每个图像中占用物的存在情况;当检测到图像集的其中一个图像和该图像后采集的全部图像中均存在占用物时,确定图像集中存在占用物。
进一步的,基于预训练的图像检测模型,检测图像集中的每个图像中占用物的存在情况的步骤包括:利用预训练的图像检测模型,对图像中的占用物进行位置区域标识;计算占用物的位置区域和预标记的指定区域的位置区域之间的重叠率;将在重复率大于预设重复率的占用物的图像确定为占用物的图像,并确定图像存在所述占用物。
进一步的,识别占用物的物体信息的步骤包括:将占用物的图像输入至预训练的属性识别模型,得到占用物的属性信息;当占用物的属性信息为车辆属性时,识别占用物的特征信息。
进一步的,识别占用物的特征信息的步骤包括:检测占用物的图像中的车牌区域;识别车牌区域中的车牌号;在预建立的车辆数据库中,查找与识别的车牌号的相似度大于预设相似度的车牌号;其中,车辆数据库包括车辆的车牌号;将查找到的车牌号作为占用物的特征信息。
进一步的,该方法还包括:获取指定区域所属区域的进出入车辆登记信息;其中,进出入车辆登记信息包括进入车辆的车牌号,进入时间和/或离开时间;将进出入车辆登记信息作为预建立的车辆数据库。
进一步的,该方法还包括:如果检测出指定区域的图像集中不存在占用物,确定指定区域为空闲状态;将指定区域对应的空闲状态发送至外部终端,以供外部终端进行区域空闲登记。
第二方面,本发明实施例还提供一种区域占用和车牌识别装置,该装置包括:采集模块,用于利用布设在指定区域对应位置的图像采集器采集图像,构成指定区域的图像集;其中,图像集包括连续采集的预设个数的图像;第一检测模块,用于基于预训练的图像检测模型,检测图像集中是否存在占用物;其中,图像检测模型为根据占用物样本集预先训练得到的模型;占用确定模块,用于当第一检测模块检测到图像集中存在占用物时,确定图像集对应的指定区域为占用状态;识别模块,用于识别占用物的物体信息;其中,物体信息包括物体的属性信息和/或特征信息;属性信息包括:车辆属性、货箱属性和人员属性;汇总模块,用于汇总物体信息和占用物的图像,得到所述指定区域的占用信息;第一发送模块,用于将指定区域的占用信息发送至外部终端,以供外部终端进行区域占用登记。
进一步的,该装置还包括:空闲确定模块,用于如果检测出指定区域的图像集中不存在占用物,确定指定区域为空闲状态;第二发送模块,用于将指定区域对应的空闲状态发送至外部终端,以供外部终端进行区域空闲登记。
第三方面,本发明实施例提供了一种服务器,该服务器包括存储器以及处理器,该存储器用于存储支持处理器执行第一方面所述方法的程序,该处理器被配置为用于执行该存储器中存储的程序。
第四方面,本发明实施例还提供一种计算机存储介质,用于存储计算机程序指令,当计算机执行所示计算机程序指令时,执行如第一方面所述的方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的一种区域占用和车牌识别方法及装置,利用布设在指定区域对应位置的图像采集器采集图像,构成指定区域的图像集;基于预训练的图像检测模型,检测图像集中是否存在占用物;如果是,确定图像集对应的指定区域为占用状态;识别占用物的物体信息;汇总物体信息和占用物的图像,得到指定区域的占用信息;将指定区域的占用信息发送至外部终端,以供外部终端进行区域占用登记。这种先确定指定区域的占用状态,再确定占用物类型的方式,提高了指定区域占用情况判断的准确性,这种利用图像集检测指定区域的占用情况的方式,避免了物体在通过指定区域时,所造成的占用情况的误判。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种区域占用和车牌识别方法的流程图;
图2为本发明实施例提供的另一种区域占用和车牌识别方法的流程图;
图3为本发明实施例提供的一种区域占用和车牌识别装置的结构示意图;
图4为本发明实施例提供的另一种区域占用和车牌识别装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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。
目前在月台的管理中,通常利用识别车辆车牌号的方式来确定月台的占用状态。但由于月台的所有占用物并不都存在车牌号。因而,利用识别车牌的方式确定月台的占用状态并不准确。,基于此,本发明实施例提供的一种区域占用和车牌识别方法方法及装置,可以提高月台占用情况判断的准确性。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种区域占用和车牌识别方法进行详细介绍。
实施例一:
本发明实施例提供了一种区域占用和车牌识别方法,参考图1所示的一种区域占用和车牌识别方法的流程图,该方法包括以下步骤:
步骤S102,利用布设在指定区域对应位置的图像采集器采集图像,构成指定区域的图像集;
在安装图像采集器的过程中,图像采集器采集的指定区域可以为停车场、站台和通道等场地中的部分区域,如停车位等,布设该图像采集器的位置可以为指定区域对应位置,即图像采集器对指定区域进行图像采集时对应的最佳采集位置,如采集占用物的图像的最佳位置。
在图像采集过程中,图像采集器可以通过预设采集频率对指定区域的图像进行采集,获得图像集,也可以通过采集视频的方式,通过提取视频中的帧图像,获得上述图像集;该图像集包括连续采集的预设个数的图像。该图像集所包含的多个图像是根据采样时间进行依次排序的,反映的是指定区域随时间变化而对应的图像变化;上述预设个数可以根据图像集的总采样时间,和图像集中图像之间的采集间隔时间来设定,如基于整个图像集的总采样时间为一定值的原则,根据图像间隔时间确定预设个数。该总采样时间可以为物体(占用物类型的物体)通过指定区域时所需要的最长通过时间。
在具体设定总采样时间或预设个数时,该总采样时间不宜过长或过短,预设个数也不宜较多,因为过长的总采样时间或过多的预设个数会影响指定区域的占用情况判断的实时性,但过短的总采样时间或过少的预设个数可能会造成将过路的物体认为成占据该指定区域的占用物,而造成的指定区域的占用情况的误判,因此,总采样时间和预设个数应当根据实际情况合理设定。
步骤S104,基于预训练的图像检测模型,检测图像集中是否存在占用物;
上述图像检测模型可以为根据占用物样本集预先训练得到的,在训练的过程中,可以基于卷积神经网络训练方法,利用不同属性信息的占用物样本集,如车辆属性、货箱属性和人员属性等占用物样本集,对初始检测模型进行训练。
在确定是否存在占用物的过程中,可以将图像集中的图像输入至图像检测模型中,图像检测模型可以将和占用物样本集同属性的图像进行区域标识,所标识出的图像即可确定为占用物的图像。
在确定是否存在占用物的过程中,还可以利用基于深度学习的目标检测算法,如基于RCNN(Region Convolutional Neural Networks,区域卷积神经网络)等模型的目标检测算法,对图像集中的所有物进行检测和判定,以确定是否为占用物,具体的检测和判定规则可以根据占用规则的定义进行设定;
在确定了图像集中图像的占用物存在情况后,可以通过计算存在占用物的图像在图像集的占比值,认为该占比值大于预设占比值时,图像集中存在占用物;也可以计算占用物的位置区域和指定区域对应的位置区域之间的重叠率,认为该重叠度大于预设重叠度时,图像集中存在占用物。
步骤S106,如果是,确定图像集对应的指定区域为占用状态;
步骤S108,识别占用物的物体信息;
在上述识别占用物的物体信息的过程中,可以根据预建立的物体识别模型对占用物的轮廓、线条形状、字符等信息进行识别,以确定占用物的物体信息;其中,物体信息包括物体的属性信息和/或特征信息;属性信息包括:车辆属性、货箱属性和人员属性。
步骤S110,汇总物体信息和占用物的图像,得到指定区域的占用信息;
步骤S112,将指定区域的占用信息发送至外部终端,以供外部终端进行区域占用登记。
上述实施例提供的区域占用和车牌识别方法,利用布设在指定区域对应位置的图像采集器采集图像,构成指定区域的图像集;基于预训练的图像检测模型,检测图像集中是否存在占用物;如果是,确定图像集对应的指定区域为占用状态;识别占用物的物体信息;汇总物体信息和占用物的图像,得到指定区域的占用信息;将指定区域的占用信息发送至外部终端,以供外部终端进行区域占用登记。这种先确定指定区域的占用状态,再确定占用物类型的方式,提高了指定区域占用情况判断的准确性,这种利用图像集检测指定区域的占用情况的方式,避免了物体在通过指定区域时,所造成的占用情况的误判。
在上述实施例提供的区域占用和车牌识别方法的基础上,图2示出了另一种区域占用和车牌识别方法的流程图,该方法包括以下步骤:
步骤S202,利用布设在指定区域对应位置的图像采集器采集视频;
上述图像采集器所采集的视频可以为一定时间长度的视频,该时间长度可以自由设置,也可以为不间断的实时采集的视频流。
步骤S204,以预设时间间隔,提取视频的多个帧图像;
在提取帧图像的过程中,可以按照网络传输协议等方式,接入图像采集器的实时视频流,并调取预编译的图帧处理程序对视频流进行图像解析,以按照固定预设时间间隔获取满足分辨率要求的实时帧图片。
步骤S206,将多个帧图像构成指定区域的图像集。
步骤S208,基于预训练的图像检测模型,检测图像集中的每个图像中占用物的存在情况;
在检测图像中占用物的存在情况时,上述步骤S208可以由步骤01~步骤03实现:
步骤01,利用预训练的图像检测模型,对图像中的占用物进行位置区域标识;
步骤02,计算占用物的位置区域和预标记的指定区域的位置区域之间的重叠率;
上述预标记的指定区域的位置区域为图像采集器采集的图像中,指定区域所在的位置区域。由于图像采集器的位置和采集视角是固定的,故而图像采集器采集的指定区域在图像上所呈现的位置区域是固定的,因此,可以在图像上预先对指定区域的位置区域进行预标记,如根据采集的图像坐标,在图像上预标记停车位(指定区域)的位置区域。
在计算重叠率的过程中,可以根据占用物的位置区域和指定区域的位置区域,先计算占用物占据指定区域的占用面积,再利用占用面积除以指定区域的位置区域的总面积,得到上述重叠率。
步骤03,将在图像的重叠率大于预设重叠率的占用物的图像确定为占用物的图像,并确定图像存在所述占用物;其中,该预设重叠率可以根据具体占用规则进行设定。
步骤S210,如果检测到图像集的其中一个图像和该图像后采集的全部图像中均存在占用物时,确定图像集中存在占用物且图像集对应的指定区域为占用状态;
例如,在车辆进入指定区域,并停放在指定区域中时,图像采集器采集的图像集可能包括区域空闲、车辆进入到车辆停放的全过程,在对该图像集进行判断时,车辆进入过程后的所有图像均可检测到占用物,此时,即可以判断出该图像集中存在占用物。
步骤S212,将占用物的图像输入至预训练的属性识别模型,得到占用物的属性信息;
由于图像集中所采集的占用物可能为运动状态,因此,在识别占用物的属性信息时,可以对图像集所生成的多个占用物的图像进行拼接后再识别,或者从多个占用物的图像中筛选出重叠率最大的占用物的图像,或清晰、识别率最高的占用物的图像,作为属性识别模型的输入数据,进行属性识别。
该属性识别模型是根据物体图像样本和物体属性样本,通过初始识别模型进行训练得到的模型,其中,物体图像样本可以为预先采集的车辆、人员、货物等图像样本。
步骤S214,当占用物的属性信息为车辆属性时,识别占用物的特征信息。
由于车辆可能为叉车、三轮车等无车牌的车辆,也可能为轿车等有车牌的车辆,为了便于对车辆进行管理,可以对车辆属性的占用物进行特征信息的识别,该特征信息为车牌号。
在识别过程中,步骤S214可以由步骤11~步骤13实现:
步骤11,检测占用物的图像中的车牌区域;
由于占用物的图像采集的角度问题,或车牌存在损坏、污渍或遮挡等问题时,可以根据车牌通常安装的位置,确定车牌所在的大概区域,即车牌区域;
步骤12,识别车牌区域中的车牌号;
在识别的过程中,优先识别出部分可见的车牌号,生成该车牌号的置信度,如果该置信度达到了预设置信度,确定所识别的车牌号可信;
步骤13,在预建立的车辆数据库中,查找与识别的车牌号的相似度大于预设相似度的车牌号;其中,车辆数据库包括车辆的车牌号;
在确定车牌号的相似度的过程中,可以基于字符匹配算法,将识别的车牌号与车辆数据库的车牌号逐个相似度匹配,确定最优匹配结果。可选字符相似度匹配算法包括摩尔投票算法、模型匹配算法等任一种字符串匹配算法。将匹配相似度最高,且超过预设相似度的车牌号作为占用物的特征信息。该车辆数据库可以为指定区域所属区域的车辆白名单,也可以为车管所等电子或人工登记的车辆数据库;
为了将指定区域的车牌识别和指定区域所属区域的车辆进出入情况进行联动记录,并保证车牌识别的准确度,上述车辆数据库的生成过程,还可以由步骤21和步骤22实现:
步骤21,获取指定区域所属区域的进出入车辆登记信息;
上述指定区域所属区域可以为停车场、月台、物流台等区域,上述区域在入口和出口可以设置有图像采集器,用来采集进出入车辆的车牌信息,也可以人工在出入口处进行车辆登记,并将车辆车牌录入计算机系统中,生成进出入车辆登记信息,其中,进出入车辆登记信息包括进入车辆的车牌号,进入时间和/或离开时间;
步骤22,将进出入车辆登记信息作为预建立的车辆数据库。
步骤S216,汇总物体信息和占用物的图像,得到指定区域的占用信息;
该占用物的图像可以为任一张图像对应的占用物的图像,通常选取覆盖率最大的占用物的图像,或清晰、识别率最高的占用物的图像,作为汇总信息的一部分。
步骤S218,将指定区域的占用信息发送至外部终端,以供外部终端进行区域占用登记。
在区域占用登记过程中,可以将占用信息和指定区域关联登记,以便于工作人员查询指定区域的占用情况。
步骤S220,如果检测出指定区域的图像集中不存在占用物,确定指定区域为空闲状态;
步骤S222,将指定区域对应的空闲状态发送至外部终端,以供外部终端进行区域空闲登记。
值得说明的是,为了减少程序的计算量,避免程序的复杂化,当指定区域确定为占用状态后,本方法仍利用后续采集的图像集进行上述如步骤S104的占用情况检测,如果检测到仍存在占用物,即指定区域仍为占用状态,则不再重复进行占用物的属性识别等步骤,保持如步骤S104的占用情况检测的检测状态;如果检测到不存在占用物,执行如步骤S220所示的步骤。
综上,本实施提供的区域占用和车牌识别方法具有以下有益效果:
(1)在识别车辆的车牌号时,将识别的车牌号与出入口的车辆登记信息联动校验,能够大幅度提升车牌识别的准确度。
(2)能够根据图像集采集的时间,准确计算指定区域占用物的占用时间;且能够准确识别出占用物的属性信息,有利于工作人员对占用物进行管理,以有效提升指定区域的使用率和所属区域的整体运转效率。
(3)可以智能、高效率地判断指定区域的占用情况,占用物的占用信息,避免大量的人工巡视、检查、校正工作,减小了人力成本。
实施例二:
在上述实施例提供的区域占用和车牌识别方法的基础上,本发明实施例还提供一种区域占用和车牌识别装置,参考图3所示的一种区域占用和车牌识别装置的结构示意图,该装置包括:
采集模块302,用于利用布设在指定区域对应位置的图像采集器采集图像,构成指定区域的图像集;其中,图像集包括连续采集的预设个数的图像;
第一检测模块304,用于基于预训练的图像检测模型,检测图像集中是否存在占用物;其中,图像检测模型为根据占用物样本集预先训练得到的模型;
占用确定模块306,用于当第一检测模块检测到图像集中存在占用物时,确定图像集对应的指定区域为占用状态;
识别模块308,用于识别占用物的物体信息;其中,物体信息包括物体的属性信息和/或特征信息;属性信息包括:车辆属性、货箱属性和人员属性;
汇总模块310,用于汇总物体信息和占用物的图像,得到所述指定区域的占用信息;
第一发送模块312,用于将指定区域的占用信息发送至外部终端,以供外部终端进行区域占用登记。
在上述实施例提供的区域占用和车牌识别装置的基础上,图4示出了另一种区域占用和车牌识别装置的结构示意图,该装置还包括:
空闲确定模块402,用于如果检测出指定区域的图像集中不存在占用物,确定指定区域为空闲状态;
第二发送模块404,用于将指定区域对应的空闲状态发送至外部终端,以供外部终端进行区域空闲登记。
本发明实施例提供的区域占用和车牌识别装置,与上述实施例提供的区域占用和车牌识别方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例还提供了一种服务器,该服务器包括存储器以及处理器,上述存储器用于存储支持处理器执行上述实施例一所述方法的程序,上述处理器被配置为用于执行该存储器中存储的程序。
进一步,本发明实施例还提供一种计算机存储介质,用于存储计算机程序指令,当计算机执行所示计算机程序指令时,执行如上述实施例一所述的方法。
本发明实施例所提供的区域占用和车牌识别方法、装置以及系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
附图中的流程图和结构框图显示了根据本发明的多个实施例的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种区域占用和车牌识别方法,其特征在于,所述方法包括:
利用布设在指定区域对应位置的图像采集器采集图像,构成所述指定区域的图像集;其中,所述图像集包括连续采集的预设个数的图像;
基于预训练的图像检测模型,检测所述图像集中是否存在占用物;其中,所述图像检测模型为根据占用物样本集预先训练得到的模型;
如果是,确定所述图像集对应的指定区域为占用状态;
识别所述占用物的物体信息;其中,所述物体信息包括物体的属性信息和/或特征信息;所述属性信息包括:车辆属性、货箱属性和人员属性;
汇总所述物体信息和所述占用物的图像,得到所述指定区域的占用信息;
将所述指定区域的占用信息发送至外部终端,以供所述外部终端进行区域占用登记。
2.根据权利要求1所述的方法,其特征在于,利用布设在指定区域对应位置的图像采集器采集图像,构成所述指定区域的图像集的步骤包括:
利用布设在指定区域对应位置的图像采集器采集视频;
以预设时间间隔,提取所述视频的多个帧图像;
将多个所述帧图像构成所述指定区域的图像集。
3.根据权利要求1所述的方法,其特征在于,基于预训练的图像检测模型,检测所述图像集中是否存在占用物的步骤包括:
基于预训练的图像检测模型,检测所述图像集中的每个图像中占用物的存在情况;
当检测到所述图像集的其中一个图像和该图像后采集的全部图像中均存在占用物时,确定所述图像集中存在占用物。
4.根据权利要求3所述的方法,其特征在于,基于预训练的图像检测模型,检测所述图像集中的每个图像中占用物的存在情况的步骤包括:
利用预训练的图像检测模型,对所述图像中的占用物进行位置区域标识;
计算所述占用物的位置区域和预标记的指定区域的位置区域之间的重叠率;
将在所述重叠率大于预设重叠率的占用物的图像确定为占用物的图像,并确定所述图像存在所述占用物。
5.根据权利要求1所述的方法,其特征在于,识别所述占用物的物体信息的步骤包括:
将所述占用物的图像输入至预训练的属性识别模型,得到占用物的属性信息;
当所述占用物的属性信息为车辆属性时,识别所述占用物的特征信息。
6.根据权利要求5所述的方法,其特征在于,识别所述占用物的特征信息的步骤包括:
检测所述占用物的图像中的车牌区域;
识别所述车牌区域中的车牌号;
在预建立的车辆数据库中,查找与识别的车牌号的相似度大于预设相似度的车牌号;其中,所述车辆数据库包括车辆的车牌号;
将查找到的车牌号作为所述占用物的特征信息。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取所述指定区域所属区域的进出入车辆登记信息;其中,所述进出入车辆登记信息包括进入车辆的车牌号,进入时间和/或离开时间;
将所述进出入车辆登记信息作为所述预建立的车辆数据库。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果检测出所述指定区域的图像集中不存在占用物,确定所述指定区域为空闲状态;
将所述指定区域对应的空闲状态发送至外部终端,以供所述外部终端进行区域空闲登记。
9.一种区域占用和车牌识别装置,其特征在于,所述装置包括:
采集模块,用于利用布设在指定区域对应位置的图像采集器采集图像,构成所述指定区域的图像集;其中,所述图像集包括连续采集的预设个数的图像;
第一检测模块,用于基于预训练的图像检测模型,检测所述图像集中是否存在占用物;其中,所述图像检测模型为根据占用物样本集预先训练得到的模型;
占用确定模块,用于当所述第一检测模块检测到所述图像集中存在占用物时,确定所述图像集对应的指定区域为占用状态;
识别模块,用于识别所述占用物的物体信息;其中,所述物体信息包括物体的属性信息和/或特征信息;所述属性信息包括:车辆属性、货箱属性和人员属性;
汇总模块,用于汇总所述物体信息和所述占用物的图像,得到所述指定区域的占用信息;
第一发送模块,用于将所述指定区域的占用信息发送至外部终端,以供所述外部终端进行区域占用登记。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
空闲确定模块,用于如果检测出所述指定区域的图像集中不存在占用物,确定所述指定区域为空闲状态;
第二发送模块,用于将所述指定区域对应的空闲状态发送至外部终端,以供所述外部终端进行区域空闲登记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444122.2A CN110135394A (zh) | 2019-05-27 | 2019-05-27 | 区域占用和车牌识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444122.2A CN110135394A (zh) | 2019-05-27 | 2019-05-27 | 区域占用和车牌识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135394A true CN110135394A (zh) | 2019-08-16 |
Family
ID=67581686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910444122.2A Pending CN110135394A (zh) | 2019-05-27 | 2019-05-27 | 区域占用和车牌识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135394A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852285A (zh) * | 2019-11-14 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机设备和存储介质 |
CN111009131A (zh) * | 2019-12-05 | 2020-04-14 | 成都思晗科技股份有限公司 | 一种基于图像识别的高位视频智能停车系统 |
CN111627246A (zh) * | 2020-06-12 | 2020-09-04 | 桂林电子科技大学 | 基于图像识别与用户偏好的智能车位推荐方法 |
CN112949341A (zh) * | 2021-04-16 | 2021-06-11 | 上海高德威智能交通系统有限公司 | 一种信息获得方法、装置、电子设备及存储介质 |
CN113850240A (zh) * | 2021-11-29 | 2021-12-28 | 北京三快在线科技有限公司 | 一种物流园区车辆违停识别方法及装置 |
CN114092891A (zh) * | 2020-07-02 | 2022-02-25 | 上海际链网络科技有限公司 | 区域占用的分析方法及装置、存储介质、计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106652551A (zh) * | 2016-12-16 | 2017-05-10 | 浙江宇视科技有限公司 | 一种车位检测方法及设备 |
CN106935060A (zh) * | 2017-04-11 | 2017-07-07 | 厦门路桥信息股份有限公司 | 一种机械车库寻车系统及方法 |
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 |
US10019011B1 (en) * | 2017-10-09 | 2018-07-10 | Uber Technologies, Inc. | Autonomous vehicles featuring machine-learned yield model |
CN108550277A (zh) * | 2018-06-04 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于图像深度学习的停车位识别及查询方法 |
-
2019
- 2019-05-27 CN CN201910444122.2A patent/CN110135394A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106652551A (zh) * | 2016-12-16 | 2017-05-10 | 浙江宇视科技有限公司 | 一种车位检测方法及设备 |
CN106935060A (zh) * | 2017-04-11 | 2017-07-07 | 厦门路桥信息股份有限公司 | 一种机械车库寻车系统及方法 |
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 |
US10019011B1 (en) * | 2017-10-09 | 2018-07-10 | Uber Technologies, Inc. | Autonomous vehicles featuring machine-learned yield model |
CN108550277A (zh) * | 2018-06-04 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于图像深度学习的停车位识别及查询方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852285A (zh) * | 2019-11-14 | 2020-02-28 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机设备和存储介质 |
CN110852285B (zh) * | 2019-11-14 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 对象检测方法、装置、计算机设备和存储介质 |
CN111009131A (zh) * | 2019-12-05 | 2020-04-14 | 成都思晗科技股份有限公司 | 一种基于图像识别的高位视频智能停车系统 |
CN111627246A (zh) * | 2020-06-12 | 2020-09-04 | 桂林电子科技大学 | 基于图像识别与用户偏好的智能车位推荐方法 |
CN111627246B (zh) * | 2020-06-12 | 2022-02-11 | 桂林电子科技大学 | 基于图像识别与用户偏好的智能车位推荐方法 |
CN114092891A (zh) * | 2020-07-02 | 2022-02-25 | 上海际链网络科技有限公司 | 区域占用的分析方法及装置、存储介质、计算机设备 |
CN114092891B (zh) * | 2020-07-02 | 2024-09-20 | 上海际链网络科技有限公司 | 区域占用的分析方法及装置、存储介质、计算机设备 |
CN112949341A (zh) * | 2021-04-16 | 2021-06-11 | 上海高德威智能交通系统有限公司 | 一种信息获得方法、装置、电子设备及存储介质 |
CN112949341B (zh) * | 2021-04-16 | 2023-09-05 | 上海高德威智能交通系统有限公司 | 一种信息获得方法、装置、电子设备及存储介质 |
CN113850240A (zh) * | 2021-11-29 | 2021-12-28 | 北京三快在线科技有限公司 | 一种物流园区车辆违停识别方法及装置 |
CN113850240B (zh) * | 2021-11-29 | 2022-05-10 | 北京三快在线科技有限公司 | 一种物流园区车辆违停识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135394A (zh) | 区域占用和车牌识别方法及装置 | |
Cai et al. | Deep learning-based video system for accurate and real-time parking measurement | |
CN106373426B (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN106251695B (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 | |
CN104303193B (zh) | 基于聚类的目标分类 | |
CN109615864A (zh) | 基于视频结构化的车辆拥堵分析方法、系统、终端及存储介质 | |
CN110517500B (zh) | 一种人车关联处理方法及装置 | |
CN109644320A (zh) | 一种使用wi-fi探针检测公共场所人流量的方法 | |
CN112651293B (zh) | 一种公路违法设摊事件视频检测方法 | |
CN112419733A (zh) | 一种用户不规范停车的检测方法、装置、设备和存储介质 | |
CN114565895B (zh) | 一种基于智慧社会的安防监控系统及方法 | |
CN108710827A (zh) | 一种社区微警务巡查和信息自动分析系统及方法 | |
CN102902960A (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
CN108345878A (zh) | 基于视频的公共交通工具客流量监测方法及系统 | |
CN106570440A (zh) | 基于图像分析的人数统计方法和人数统计装置 | |
CN112950942A (zh) | 一种基于视频分析的机动车违停智能检测方法 | |
CN111127066A (zh) | 基于用户信息的挖掘应用方法和装置 | |
CN117456482B (zh) | 一种面向交通监控场景的异常事件识别方法及系统 | |
EP3244344A1 (en) | Ground object tracking system | |
CN110443653A (zh) | 订单处理方法、装置及电子设备 | |
JP3541774B2 (ja) | 車種判別システム | |
CN117690295A (zh) | 一种基于大数据的数据分析系统 | |
CN111598158A (zh) | 一种基于ai分析技术的仓储库存状态感知方法 | |
CN116110127A (zh) | 一种多联动的加油站套现行为识别系统 | |
CN110379173A (zh) | 一种基于共享单车多模态数据的非机动车交通违规行为识别方法 |
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: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |