CN110299028B - 一种停车越线检测的方法、装置、设备以及可读存储介质 - Google Patents
一种停车越线检测的方法、装置、设备以及可读存储介质 Download PDFInfo
- Publication number
- CN110299028B CN110299028B CN201910703795.5A CN201910703795A CN110299028B CN 110299028 B CN110299028 B CN 110299028B CN 201910703795 A CN201910703795 A CN 201910703795A CN 110299028 B CN110299028 B CN 110299028B
- Authority
- CN
- China
- Prior art keywords
- parking space
- vehicle
- line
- image
- layer
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- 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
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/168—Driving aids for parking, e.g. acoustic or visual feedback on parking space
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种停车越线检测的方法、装置、设备及计算机可读存储介质,包括:利用摄像机获取停车场的当前车位的监控图像,将所述监控图像的尺寸转换为预设大小的目标监控图像;将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,提取所述目标监控图像中的车辆图像;其中,所述图像分割卷积神经网络基于U‑Net网络构建;依据所述车辆图像的标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线;若所述当前车位内的车辆越过所述当前车位的车位线,则向所述停车场的工作人员发送所述当前车位内车辆停车越线的警示信息。利用本发明所提供的方法、装置、设备及计算机可读存储介质,提高了停车越线检测结果的准确率。
Description
技术领域
本发明涉及停车场管理技术领域,特别是涉及一种停车越线检测的方法、装置、设备以及计算机可读存储介质。
背景技术
随着大型购物商城的不断涌现,配套的停车场规模也日益庞大,人们在享受其便利的购物环境的同时,也要忍受着停车时车位难寻、购物后难寻爱车的烦恼。在此背景下,车位引导系统大面积在各大城市铺开,为客户在停车以及寻车上带来了便利。
停车场的车位引导系统首先通过车位检测的方法获取当前车位的状态信息,然后中央处理服务器给出结果,并通过指示灯显示。基于视频监控、计算机视觉和图像处理技术的视频车位引导系统具有许多优势,首先,拍摄视频图像的摄像机安装方便,更换不影响交通,容易调整和移动摄像头的位置,无需在车道路面上施工。其次,视频图像处理技术,可以达到实时性强、车位检测精度高等特点。但停车场中经常会出现停车越线的问题,即一辆车占用了两个车位,导致车位利用率降低,因此需要对停车越线的现象进行实时监测。
现有技术中判断停车是否越线方法,首先将通过视频中车位图像内的车头从车位中分离出来,然后再判断车头区域是否越线。传统的检测停车越线的方法,可以提取车头区域的HOG特征,再使用级联的Adaboost检测的方法完成车头检测。然而传统的越线检测方法的检测结果不够精确,有时无法提取完整的车头图像,导致误判。
综上所述可以看出,如何提高停车越线检测的准确率是目前有待解决的问题。
发明内容
本发明的目的是提供一种停车越线检测的方法、装置、设备以及计算机可读存储介质,以解决现有技术中停车越线检测方法的检测结果不够精确的问题。
为解决上述技术问题,本发明提供一种停车越线检测的方法,包括:利用摄像机获取停车场的当前车位的监控图像,并将所述监控图像的尺寸转换为预设大小的目标监控图像;将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,提取所述目标监控图像中的车辆图像;其中,所述图像分割卷积神经网络基于U-Net网络构建;依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线;若所述当前车位内的车辆越过所述当前车位的车位线,则向所述停车场的工作人员发送所述当前车位内车辆停车越线的警示信息。
优选地,所述图像分割卷积神经网络包括:
第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第六卷积层、第一上采样层、第一反卷积层、第二上采样层、第二反卷积层、第三上采样层、第三反卷积层、第四上采样层、第四反卷积层以及输出卷积层。
优选地,所述依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线包括:
若所述当前车位为所述摄像机监控的三个车位中的中间车位时,在所述车辆图像中识别车辆的两个前轮;
若识别到所述车辆的两个前轮,则通过所述两个前轮的位置判断所述车辆是否越过所述当前车位的车位线;
若未识别到所述车辆的两个前轮,则对所述车辆的车头区域的底线与两条边界线进行标定;
根据所述底线与所述两条边界线的交点,判断所述车辆是否越过所述车位线。
优选地,所述依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线包括:
若所述当前车位为所述摄像机监控的三个车位中的左侧车位时,标定所述车辆图像中车辆的两个右侧轮胎的连接线;
判断所述两个右侧轮胎的连接线是否越过所述当前车位的右侧车位线;
若所述两个右侧轮胎的连接线未越过所述右侧车位线,则对所述车辆的车头区域的底线与左边侧线的交点是否越过所述当前车位的车位线。
优选地,所述利用摄像机获取停车场的当前车位的监控图像包括:利用安装有前端识别功能的车位检测器的摄像机,获取停车场的当前车位的监控图像。
本发明还提供了一种停车越线检测的装置,包括:
获取模块,用于利用摄像机获取停车场的当前车位的监控图像,并将所述监控图像的尺寸转换为预设大小的目标监控图像;
提取模块,用于将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,提取所述目标监控图像中的车辆图像;其中,所述图像分割卷积神经网络基于U-Net网络构建;
判断模块,用于依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线;
警示模块,用于若所述当前车位内的车辆越过所述当前车位的车位线,则向所述停车场的工作人员发送所述当前车位内车辆停车越线的警示信息。
优选地,所述图像分割卷积神经网络包括:
第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第六卷积层、第一上采样层、第一反卷积层、第二上采样层、第二反卷积层、第三上采样层、第三反卷积层、第四上采样层、第四反卷积层以及输出卷积层。
优选地,所述判断模块包括:
识别单元,用于若所述当前车位为所述摄像机监控的三个车位中的中间车位时,在所述车辆图像中识别车辆的两个前轮;
第一判断单元,用于若识别到所述车辆的两个前轮,则通过所述两个前轮的位置判断所述车辆是否越过所述当前车位的车位线;
标定单元,用于若未识别到所述车辆的两个前轮,则对所述车辆的车头区域的底线与两条边界线进行标定;
第二判断单元,用于根据所述底线与所述两条边界线的交点,判断所述车辆是否越过所述车位线。
本发明还提供了一种停车越线检测的设备,包括:
存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种停车越线检测的方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种停车越线检测的方法的步骤。
本发明所提供的停车越线检测的方法,首先利用停车场的监控摄像机获取当前车位的监控图像,并将所述监控图像转换为预设大小的目标监控图像。然后将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,从所述目标监控图像分割出车辆图像。所述图像分割卷积神经网络是通过对传统U-Net网络进行精简得到的。获得所述车辆图像后,对所述车辆图像进行标定,以便根据所述车辆图像的标定信息判断所述当前车位中的车辆是否越过预先标定的所述当前车位的车位线。当检测到所述当前车位内的车辆越过所述车位线时,向所述停车场的工作人员发送警示信息。本发明所述提供的方法,利用基于U-Net网络构建的图像分割卷积神经网络,可以快速、精确的将车辆图像从当前车位的监控图像的背景中分割出来;再结合车辆图像车头与车轮的标定信息判断当前车位中的车辆是否越过所述当前车位的车位线,解决了现有技术中因无法在车位监控图像中提取完整的车头信息,导致误判的问题,提高了停车越线检测结果的准确性。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明所提供的停车越线检测的方法的第一种具体实施例的流程图;
图2为本发明所提供的图像分割卷积神经网络的网络结构示意图;
图3为本发明所提供的停车越线检测的方法的第二种具体实施例的流程图;
图4为本发明所提供的停车越线检测的方法的第三种具体实施例的流程图;
图5为本发明实施例提供的一种停车越线检测的装置的结构框图。
具体实施方式
本发明的核心是提供一种停车越线检测的方法、装置、设备以及计算机可读存储介质,可以精确地从背景中提取车辆图像,并利用车辆图像中车头及车胎的标定信息判断车辆是否越线,提高了停车越线检测结果的准确性。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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。
请参考图1,图1为本发明所提供的停车越线检测的方法的第一种具体实施例的流程图;具体操作步骤如下:
步骤S101:利用摄像机获取停车场的当前车位的监控图像,并将所述监控图像的尺寸转换为预设大小的目标监控图像;
本实施例中,停车场的视频车位引导系统使用安装在高处的摄像机监控车位的状况以及识别车牌。所述摄像机可以为带有前端识别功能的车位检测器,也可以为传统的摄像机,通过后端进行视频处理。每台摄像机可以监控一个或多个车位,例如2个或3个车位。设备安装后,在使用前会提前把车位框标定出来。设备使用时仅需对车位框内的区域进行处理。若一台摄像机监控多个车位,则会轮询对不同车位进行停车越线检测。
若每个摄像机只监测一个车位,则当前车位的监控图像内的车辆图像为正面图像。若每个摄像机监控三个车位,则视频画面中存在左车位图像,中车位图像以及右车位图像,则需要依次对三个车位的车辆进行停车越线检测。
步骤S102:将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,提取所述目标监控图像中的车辆图像;其中,所述图像分割卷积神经网络基于U-Net网络构建;
本发明所提供的图像分割卷积神经网络是以及U-Net网络建立的。传统的U-Net网络是一个针对医学图像分割提出的语义分割网络,包含一个用于捕捉语义的收缩路径和一个用于精准定位的对称扩展路径。所述U-Net网络只使用少量数据,就可以训练出一个端对端网络,并且性能很好。由于在实际应用中对车位监控图像分割的精度不需要达到医学上的精度,且需要更快的运行速度,因此,在本发明实施例所通过的图像分割卷积神经网络是对所述U-Net网络进行了精简,设计出了一个用于把车辆从车位中分割出来的卷积神经网络,该网络速度快,可以在前端设备上应用,同时可以精确地从背景中分割出车辆图像。
如图2所示,所述图像分割卷积神经网络包括:卷积核大小为3×3、stride=1、pad=0的第一卷积层(Conv1);窗口大小为2×2的第一池化层(Pooling1);卷积核大小为3×3、stride=1、pad=0的第二卷积层(Conv2);窗口大小为2×2的第二池化层(Pooling2);卷积核大小为3×3、stride=1、pad=0的第三卷积层(Conv3);窗口大小为2×2的第三池化层(Pooling3);卷积核大小为3×3、stride=1、pad=0的第四卷积层(Conv4);窗口大小为2×2的第四池化层(Pooling4);卷积核大小为3×3、stride=1、pad=0的第五卷积层(Conv5);卷积核大小为2×2、stride=1、pad=0的第六卷积层(Conv6);卷积核大小为2×2的第一上采样层(Up Conv1);卷积核大小为3×3、stride=1、pad=0的第一反卷积层(DeConv1);卷积核大小为2×2的第二上采样层(Up Conv2);卷积核大小为3×3、stride=1、pad=0的第二反卷积层(DeConv2);卷积核大小为2×2的第三上采样层(Up Conv3);卷积核大小为3×3、stride=1、pad=0的第三反卷积层(DeConv3);卷积核大小为2×2的第四上采样层(UpConv4);卷积核大小为3×3、stride=1、pad=0的第四反卷积层(DeConv4)以及卷积核大小为3×3、stride=1、pad=0的输出卷积层(Output Conv)。
通过所述图像分割卷积神经网络提取所述监控图像中的车辆图像的步骤包括:
将所述车辆图像输入至所述图像分割卷积神经网络的所述第一个卷积层,输出8个318×318的特征图(feature map);
将所述第一卷积层的输出输入至所述第一池化层,输出8个159×159的featuremap;
将所述第一池化层的输出输入至所述第二卷积层,输出16个157 x 157的featuremap;
将所述第二卷积层的输出输入至所述第二池化层,输出16个79×79的featuremap;
将所述第二池化层的输出输入至所述第三卷积层,输出32个77×77的featuremap;
将所述第三卷积层的输出输入至所述第三池化层,输出32个39x39的featuremap;
将所述第三池化层的输出输入至所述第四卷积层,输出64个37×37的featuremap;
将所述第四卷积层的输出输入至所述第四池化层,输出64个19×19的featuremap;
将所述第四池化层的输出输入至所述第五卷积层,输出128个17×17的featuremap;
将所述第五卷积层的输出输入至所述第六卷积层,输出32个32×32的featuremap;
将所述第六卷积层的输出输入至所述第一上采样层,输出32个32×32的featuremap;对所述第三个池化层输出的32个39×39的feature map进行复制与剪切,变成32个32×32的feature map;然后合并成为64个32×32的feature map;
将所述第一反卷积层的输出输入至所述第一反卷积层,输出32个30×30的feature map;
将所述第一反卷积层的输出输入至所述第二上采样层,输出16个60×60的feature map;对所述第二池化层输出的16个79×79的feature map进行复制与剪切,变成16个60×60的feature map;然后合并成为32个60×60的feature map;
将所述第二上采样层的输出输入至所述第二反卷积层,输出16个58×58的feature map;
将所述第二反卷积层的输出输入至所述第三上采样层,输出8个116×116的feature map;对所述第一池化层输出的8个159×159的feature map进行复制与剪切,变成8个116×116的feature map;然后合并成为16个116×116的feature map;
将所述第三上采样层的输出输入至所述第三反卷积层,输出8个114×114的feature map;
将所述第三反卷积层的输出输入至所述第四上采样层,输出8个228×228的feature map;
将所述第四上采样层的输出输入至所述第四反卷积层,输出8个226×226的feature map;
将所述第四反卷积层的输出输入至所述输出卷积层输出2个224×224的featuremap。这两个特征图对应为所述监控图像中的车辆图像与背景图像。
步骤S103:依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线;
步骤S104:若所述当前车位内的车辆越过所述当前车位的车位线,则向所述停车场的工作人员发送所述当前车位内车辆停车越线的警示信息。
本发明所提供的停车越线检测方法,通过使用基于U-Net建立的图像分割卷积神经网络从所述监控图像将所述车辆图像分割出来,然后通过所述车辆图像的车头及车胎的标定信息综合判断车辆是否越过了提前标定好的车位线,从而判断所述当前车位是否发生停车越线的现象。本实施例所提供的方法,比传统停车越线检测方法的检测结果更加精确,神经网络速度快,并且可以在前端硬件上实现。
基于上述实施例,在本实施例中,以对摄像机监控的中间车位中的车辆进行停车越线检测的过程为例,进一步的对本发明所提供的停车越线检测的方法进行解释说明。请参考图3,图3为本发明所提供的停车越线检测的方法的第二种具体实施例的流程图;具体操作步骤如下:
步骤S301:利用摄像机获取中间车位的监控图像,并将所述监控图像转换为320×320的目标监控图像;
步骤S302:将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,提取所述目标监控图像中的车辆图像;
步骤S303:在所述车辆图像中识别车辆的两个前轮;
步骤S304:若识别到所述车辆的两个前轮,则通过所述两个前轮的位置判断所述车辆是否越过所述中间车位的车位线;
若所述两个前轮的位置越过所述中间车位的车位线,则判定所述车辆越线。
步骤S305:若未识别到所述车辆的两个前轮,则对所述车辆的车头区域的底线与两条边界线进行标定;
步骤S306:根据所述底线与所述两条边界线的交点,判断所述车辆是否越过所述车位线;
步骤S307:若所述当前车位内的车辆越过所述中间车位的车位线,则向所述停车场的工作人员发送所述中间车位内车辆停车越线的警示信息。
对于中间车位,当所述车辆图像从所述监控图像的车位框中完整分割出来后,首先找车轮,如果能找到车轮,就通过两个前轮的位置判断是否越线。通过车轮位置判断是否越线,准确率是最高的。但是由于停车场设计不一样,摄像机安装的角度也不一样,以及车本身也存在差异,因此,可能仅有部分的正面车辆能看到车轮。对于正面的车,我们优先考虑车轮信息。如果不能找到车轮,找车头最底下的线,找到这条线后,再找车头区域的两条边界。最后再通过底线与两条边界的交点判断是否越线。
基于上述实施例,在本实施例中,以对摄像机监控的左侧车位中的车辆进行停车越线检测的过程为例,进一步的对本发明所提供的停车越线检测的方法进行解释说明。请参考图4,图4为本发明所提供的停车越线检测的方法的第三种具体实施例的流程图;具体操作步骤如下:
步骤S401:利用摄像机获取左侧车位的监控图像,并将所述监控图像转换为320×320的目标监控图像;
步骤S402:将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,提取所述目标监控图像中的车辆图像;
步骤S403:标定所述车辆图像中车辆的两个右侧轮胎的连接线;
步骤S404:判断所述两个右侧轮胎的连接线是否越过所述左侧车位的右侧车位线;
步骤S405:若所述两个右侧轮胎的连接线未越过所述右侧车位线,则对所述车辆的车头区域的底线与左边侧线的交点是否越过所述左侧车位的车位线;
步骤S406:若所述左侧车位内的车辆越过所述左侧车位的车位线,则向所述停车场的工作人员发送所述左侧车位内车辆停车越线的警示信息。
对于右侧车位,首先标定所述车辆图像中车辆的两个左侧轮胎的连接线;判断所述两个左侧轮胎的连接线是否越过所述右侧车位的左侧车位线;若所述两个左侧轮胎的连接线未越过所述左侧车位线,则对所述车辆的车头区域的底线与右边侧线的交点是否越过所述右侧车位的车位线。
对于两边的车位,摄像机能看到的一侧,首先在分割出来后的车辆图像中上找到两个车轮的位置,然后把两个车轮连线,再对比该连线是否越过了标定好的车位框。另外一侧,找车头区域的边界。最后再通过底线与边界的交点判断是否越线。考虑到另外一侧成像存在一定的形变,因此判断的时候可以一定预留量,例如超过10%、15%等才判定车辆越线。
请参考图5,图5为本发明实施例提供的一种停车越线检测的装置的结构框图;具体装置可以包括:
获取模块100,用于利用摄像机获取停车场的当前车位的监控图像,并将所述监控图像的尺寸转换为预设大小的目标监控图像;
提取模块200,用于将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,提取所述目标监控图像中的车辆图像;其中,所述图像分割卷积神经网络基于U-Net网络构建;
判断模块300,用于依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线;
警示模块400,用于若所述当前车位内的车辆越过所述当前车位的车位线,则向所述停车场的工作人员发送所述当前车位内车辆停车越线的警示信息。
本实施例的停车越线检测的装置用于实现前述的停车越线检测的方法,因此停车越线检测的装置中的具体实施方式可见前文中的停车越线检测的方法的实施例部分,例如,获取模块100,提取模块200,判断模块300,警示模块400,分别用于实现上述停车越线检测的方法中步骤S101,S102,S103和S104,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种停车越线检测的设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种停车越线检测的方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种停车越线检测的方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的停车越线检测的方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种停车越线检测的方法,其特征在于,包括:
利用摄像机获取停车场的当前车位的监控图像,并将所述监控图像的尺寸转换为预设大小的目标监控图像;
将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,提取所述目标监控图像中的车辆图像;其中,所述图像分割卷积神经网络基于U-Net网络构建;
依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线;
若所述当前车位内的车辆越过所述当前车位的车位线,则向所述停车场的工作人员发送所述当前车位内车辆停车越线的警示信息;
其中,所述依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线包括:
若所述当前车位为所述摄像机监控的三个车位中的中间车位时,在所述车辆图像中识别车辆的两个前轮;
若识别到所述车辆的两个前轮,则通过所述两个前轮的位置判断所述车辆是否越过所述当前车位的车位线;
若未识别到所述车辆的两个前轮,则对所述车辆的车头区域的底线与两条边界线进行标定;
根据所述底线与所述两条边界线的交点,判断所述车辆是否越过所述车位线。
2.如权利要求1所述的方法,其特征在于,所述图像分割卷积神经网络包括:
第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第六卷积层、第一上采样层、第一反卷积层、第二上采样层、第二反卷积层、第三上采样层、第三反卷积层、第四上采样层、第四反卷积层以及输出卷积层。
3.如权利要求1所述的方法,其特征在于,所述依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线包括:
若所述当前车位为所述摄像机监控的三个车位中的左侧车位时,标定所述车辆图像中车辆的两个右侧轮胎的连接线;
判断所述两个右侧轮胎的连接线是否越过所述当前车位的右侧车位线;
若所述两个右侧轮胎的连接线未越过所述右侧车位线,则对所述车辆的车头区域的底线与左边侧线的交点是否越过所述当前车位的车位线。
4.如权利要求1至3任一项所述的方法,其特征在于,所述利用摄像机获取停车场的当前车位的监控图像包括:
利用安装有前端识别功能的车位检测器的摄像机,获取停车场的当前车位的监控图像。
5.一种停车越线检测的装置,其特征在于,包括:
获取模块,用于利用摄像机获取停车场的当前车位的监控图像,并将所述监控图像的尺寸转换为预设大小的目标监控图像;
提取模块,用于将所述目标监控图像输入至预先完成训练的图像分割卷积神经网络中,提取所述目标监控图像中的车辆图像;其中,所述图像分割卷积神经网络基于U-Net网络构建;
判断模块,用于依据所述车辆图像的车轮标定信息以车头标定信息判断所述当前车位内的车辆是否越过预先标定的所述当前车位的车位线;
警示模块,用于若所述当前车位内的车辆越过所述当前车位的车位线,则向所述停车场的工作人员发送所述当前车位内车辆停车越线的警示信息;
其中,所述判断模块包括:
识别单元,用于若所述当前车位为所述摄像机监控的三个车位中的中间车位时,在所述车辆图像中识别车辆的两个前轮;
第一判断单元,用于若识别到所述车辆的两个前轮,则通过所述两个前轮的位置判断所述车辆是否越过所述当前车位的车位线;
标定单元,用于若未识别到所述车辆的两个前轮,则对所述车辆的车头区域的底线与两条边界线进行标定;
第二判断单元,用于根据所述底线与所述两条边界线的交点,判断所述车辆是否越过所述车位线。
6.如权利要求5所述的装置,其特征在于,所述图像分割卷积神经网络包括:
第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第六卷积层、第一上采样层、第一反卷积层、第二上采样层、第二反卷积层、第三上采样层、第三反卷积层、第四上采样层、第四反卷积层以及输出卷积层。
7.一种停车越线检测的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述一种停车越线检测的方法的步骤。
8.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述一种停车越线检测的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703795.5A CN110299028B (zh) | 2019-07-31 | 2019-07-31 | 一种停车越线检测的方法、装置、设备以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703795.5A CN110299028B (zh) | 2019-07-31 | 2019-07-31 | 一种停车越线检测的方法、装置、设备以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110299028A CN110299028A (zh) | 2019-10-01 |
CN110299028B true CN110299028B (zh) | 2022-06-14 |
Family
ID=68032376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910703795.5A Active CN110299028B (zh) | 2019-07-31 | 2019-07-31 | 一种停车越线检测的方法、装置、设备以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110299028B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956081B (zh) * | 2019-10-14 | 2023-05-23 | 广东星舆科技有限公司 | 车辆与交通标线位置关系的识别方法、装置及存储介质 |
CN110952821B (zh) * | 2019-11-07 | 2021-07-30 | 重庆特斯联智慧科技股份有限公司 | 一种智能辅助功能的社区立体停车系统 |
CN111091718B (zh) * | 2019-12-31 | 2022-02-15 | 广东华车智库智能科技有限公司 | 一种停车监控预警方法及停车监控预警系统 |
CN113034925B (zh) * | 2021-03-24 | 2022-08-05 | 安徽超视野智能科技有限公司 | 一种用于智慧社区的视频识别车辆非法占道的检测方法 |
TWI803894B (zh) * | 2021-06-29 | 2023-06-01 | 正修學校財團法人正修科技大學 | 停車偏移警示系統 |
CN113609974A (zh) * | 2021-08-04 | 2021-11-05 | 阿波罗智能技术(北京)有限公司 | 车位状态处理方法、装置、设备和存储介质 |
CN113643544B (zh) * | 2021-10-13 | 2022-06-07 | 南通东信车厢制造有限公司 | 一种基于物联网的停车场内违规泊车智能检测方法及系统 |
CN114255584B (zh) * | 2021-12-20 | 2023-04-07 | 济南博观智能科技有限公司 | 一种停放车辆的定位方法、系统、存储介质和电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831429A (zh) * | 2012-08-13 | 2012-12-19 | 深圳市捷顺科技实业股份有限公司 | 车牌定位方法 |
CN106373218A (zh) * | 2016-10-28 | 2017-02-01 | 中山大学 | 一种具有压线报警功能的手机行车记录仪 |
CN106384503A (zh) * | 2015-12-06 | 2017-02-08 | 杭州后博科技有限公司 | 一种规范停放机动车的系统及方法 |
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 |
CN107818695A (zh) * | 2017-11-17 | 2018-03-20 | 苏州天扬网络科技有限公司 | 一种侧方位停车压线检测系统 |
CN108038540A (zh) * | 2017-11-08 | 2018-05-15 | 北京卓视智通科技有限责任公司 | 一种多尺度神经网络及基于该网络的图像特征提取方法 |
CN108198431A (zh) * | 2017-12-29 | 2018-06-22 | 西安艾润物联网技术服务有限责任公司 | 车辆停放检测设备 |
CN109359632A (zh) * | 2018-11-30 | 2019-02-19 | 重庆昂布瑞拉科技有限公司 | 道路边线检测方法及装置 |
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 |
CN109859519A (zh) * | 2018-12-25 | 2019-06-07 | 合肥锟特奇科技有限公司 | 一种停车位状态检测系统及其检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201137806A (en) * | 2010-04-27 | 2011-11-01 | Chih-Tai Huang | Parking space guidance system |
CN103061553B (zh) * | 2013-01-09 | 2015-08-05 | 浙江吉利汽车研究院有限公司杭州分公司 | 一种适用于侧边停车位的泊车装置 |
JP2016101778A (ja) * | 2014-11-27 | 2016-06-02 | パナソニックIpマネジメント株式会社 | 駐車支援装置 |
US10077047B2 (en) * | 2017-02-10 | 2018-09-18 | Waymo Llc | Using wheel orientation to determine future heading |
CN108022404A (zh) * | 2017-10-18 | 2018-05-11 | 广州市果豆科技有限责任公司 | 一种基于多摄像头的停车报警方法及系统 |
WO2019123570A1 (ja) * | 2017-12-20 | 2019-06-27 | 富士通株式会社 | 駐車位置決定装置及び駐車位置決定プログラム |
CN109389829A (zh) * | 2018-11-05 | 2019-02-26 | 湖北民族学院 | 一种违规停车识别方法及系统 |
-
2019
- 2019-07-31 CN CN201910703795.5A patent/CN110299028B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831429A (zh) * | 2012-08-13 | 2012-12-19 | 深圳市捷顺科技实业股份有限公司 | 车牌定位方法 |
CN106384503A (zh) * | 2015-12-06 | 2017-02-08 | 杭州后博科技有限公司 | 一种规范停放机动车的系统及方法 |
CN106373218A (zh) * | 2016-10-28 | 2017-02-01 | 中山大学 | 一种具有压线报警功能的手机行车记录仪 |
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 |
CN108038540A (zh) * | 2017-11-08 | 2018-05-15 | 北京卓视智通科技有限责任公司 | 一种多尺度神经网络及基于该网络的图像特征提取方法 |
CN107818695A (zh) * | 2017-11-17 | 2018-03-20 | 苏州天扬网络科技有限公司 | 一种侧方位停车压线检测系统 |
CN108198431A (zh) * | 2017-12-29 | 2018-06-22 | 西安艾润物联网技术服务有限责任公司 | 车辆停放检测设备 |
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 |
CN109359632A (zh) * | 2018-11-30 | 2019-02-19 | 重庆昂布瑞拉科技有限公司 | 道路边线检测方法及装置 |
CN109859519A (zh) * | 2018-12-25 | 2019-06-07 | 合肥锟特奇科技有限公司 | 一种停车位状态检测系统及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110299028A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110299028B (zh) | 一种停车越线检测的方法、装置、设备以及可读存储介质 | |
US11747809B1 (en) | System and method for evaluating the perception system of an autonomous vehicle | |
CN106503653B (zh) | 区域标注方法、装置和电子设备 | |
US9542609B2 (en) | Automatic training of a parked vehicle detector for large deployment | |
CN108320553B (zh) | 基于道路驾驶事件的路况预测方法 | |
US10762782B2 (en) | On-street parking map generation | |
CN110097753B (zh) | 二次事故的预警方法、装置、系统及道路监测装置 | |
JP2023527265A (ja) | 交通異常を検出する方法および装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN105493502A (zh) | 视频监控方法、视频监控系统以及计算机程序产品 | |
KR101834838B1 (ko) | 영상처리를 이용한 도로 교통 정보 제공 시스템 및 방법 | |
CN111144330A (zh) | 一种基于深度学习的车道线检测方法、装置以及设备 | |
CN111754580A (zh) | 一种摄像头标定方法、路侧感知设备和智慧交通系统 | |
CN115273039B (zh) | 一种基于摄像头的小障碍物探测方法 | |
JP2019192209A (ja) | ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法 | |
CN111783595A (zh) | 一种车辆泊车方法、装置、车载设备及存储介质 | |
CN114619949B (zh) | 高速公路变道提示方法及装置、车辆、电子设备、介质 | |
CN114298908A (zh) | 一种障碍物展示方法、装置、电子设备及存储介质 | |
CN114240816A (zh) | 道路环境感知方法、装置、存储介质、电子设备及车辆 | |
CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
CN110111018A (zh) | 评估车辆感测能力的方法、装置、电子设备及存储介质 | |
JP2019192201A (ja) | 自律走行のための学習対象イメージ抽出装置及び方法 | |
CN111967451B (zh) | 一种道路拥堵检测方法及装置 | |
CN116152753A (zh) | 车辆信息识别方法和系统、存储介质和电子装置 | |
CN116563801A (zh) | 交通事故检测方法、装置、电子设备和介质 | |
KR102317311B1 (ko) | 영상을 이용한 정보 분석 시스템 및 그에 관한 방법 |
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 |