CN110795974B - 一种图像处理方法、装置、介质和设备 - Google Patents
一种图像处理方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN110795974B CN110795974B CN201810879326.4A CN201810879326A CN110795974B CN 110795974 B CN110795974 B CN 110795974B CN 201810879326 A CN201810879326 A CN 201810879326A CN 110795974 B CN110795974 B CN 110795974B
- Authority
- CN
- China
- Prior art keywords
- parking space
- image
- images
- parking
- same
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据业务技术领域，特别涉及一种图像处理方法、装置、介质和设备。根据本发明提供的方案，可以在确定出每个车位对应的车位图像后，利用预先训练出的卷积神经网络模型，将占用车位的车辆颜色相同的车位图像划分为一类。如果一类车位图像中包括多个，那么这些车位图像就可以认为是对应同一个车位的重复车位图像。由于预先训练出的卷积神经网络模型，对颜色的识别精度较高，因此，通过对车辆颜色的准确识别，可以实现对重复车位图像的准确识别，提高车位去重的准确性，避免车位的重复统计。
Description
技术领域
本发明涉及数据业务技术领域，特别涉及一种图像处理方法、装置、介质和设备。
背景技术
随着智慧城市的部署，越来越多的停车场用部署的监控摄像头来收集停车场的图像，然后根据物体识别技术判断各车位是否被占用。尤其是在大型的停车场，往往利用部署的监控摄像头来进行安全录像，从而检测停车场的车位占用、空闲情况，以便指导车辆停驶，避免车辆无目的停驶，以及可能造成的各种拥塞、事故。
但由于摄像头的角度和拍摄范围有限，大型停车场往往部署了不止一个监控摄像头，以全方位无死角地监控停车场发生的各类事件。多个监控摄像头捕捉收集的图像汇总、拼接后，再通过图像识别技术来分别判断每个车位的占用、空闲情况，从而统计出整个停车场的空闲车位数量，甚至可以勾画出整个停车场中各个车位的使用情况。
而多个监控摄像头捕捉到的车位往往会有重叠，即处于多个监控摄像头拍摄范围内的车位可能会被多次捕捉收集。为了避免车位的重复采集，从而有效、准确地统计出各个车位的使用情况，可以人工实地考察停车场情况，通过人为预设的方式判断重叠区域，然后手动输入系统，设定每个监控摄像头负责监控的车位的范围。但这种方式需要后台开发界面支持系统输入和预设，且一旦监控摄像头的角度发生了变化，或者新增了监控摄像头，或者停车场区域布局发生了变化等等，都需要重新考察，然后重新设定每个监控摄像头负责监控的车位的范围，因此，这种方式进行车位去重，实现过程复杂且容易出错。
另外，现有技术提供的另一种车位去重的方式是，在每个车位上标识序号，然后系统将监控摄像头拍摄到的图像按序号划分出各个车位，对于相同序号的车位进行去重。但这种方式成本比较高，且如果序号被车辆遮挡，角度太偏无法被捕捉或者捕捉不准确，则无法正确进行车位去重，很可能造成对空闲车位数量的误判。
发明内容
本发明实施例提供一种图像处理方法、装置、介质和设备，用于解决车位去重准确性较低的问题。
一种图像处理方法，所述方法包括：
根据监控摄像头采集到的停车场图像，确定车位图像，其中，一个车位图像对应一个车位；
利用预先训练出的卷积神经网络模型，进行车位图像归类，每一类车位图像中，占用车位的车辆颜色相同；
针对每一类车位图像，若包括至少两个车位图像，则将所述至少两个车位图像，标记为对应同一个车位的重复车位图像。
一种图像处理装置，所述装置包括：
分割模块，用于根据监控摄像头采集到的停车场图像，确定车位图像，其中，一个车位图像对应一个车位；
归类模块，用于利用预先训练出的卷积神经网络模型，进行车位图像归类，每一类车位图像中，占用车位的车辆颜色相同；
标记模块，用于针对每一类车位图像，若包括至少两个车位图像，则将所述至少两个车位图像，标记为对应同一个车位的重复车位图像。
本发明还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有可执行程序，该可执行程序被处理器执行实现如上所述方法的步骤。
本发明还提供了一种图像处理设备，包括处理器、存储器、收发器以及总线接口；所述处理器，用于读取存储器中的程序，执行：通过所述收发器接收监控摄像头采集到的停车场图像，根据所述停车场图像确定车位图像，其中，一个车位图像对应一个车位；利用预先训练出的卷积神经网络模型，进行车位图像归类，每一类车位图像中，占用车位的车辆颜色相同；针对每一类车位图像，若包括至少两个车位图像，则将所述至少两个车位图像，标记为对应同一个车位的重复车位图像。
根据本发明提供的方案，可以在确定出每个车位对应的车位图像后，利用预先训练出的卷积神经网络模型，将占用车位的车辆颜色相同的车位图像划分为一类。如果一类车位图像中包括多个，那么这些车位图像就可以认为是对应同一个车位的重复车位图像。由于预先训练出的卷积神经网络模型，对颜色的识别精度较高，因此，通过对车辆颜色的准确识别，可以实现对重复车位图像的准确识别，提高车位去重的准确性，避免车位的重复统计。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，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为本发明实施例一提供的图像处理方法的流程示意图；
图2为本发明实施例二提供的图像处理方法的流程示意图；
图3为本发明实施例三提供的图像处理装置的结构示意图；
图4为本发明实施例四提供的图像处理设备的结构示意图。
具体实施方式
在本发明实施例提供的方案中，利用卷积神经网络算法来进行图像比对归类，通过对占用车位的车辆颜色的准确识别，快速、简单、有效地自动解决车位图像重叠问题，从而实现对多个摄像头捕捉到的相同车位的去重。
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
本发明实施例一提供一种图像处理方法，该方法的步骤流程可以如图1所示，包括：
步骤101、确定车位图像。
在本步骤中，可以根据监控摄像头(至少两个)采集到的停车场图像，确定车位图像，其中，一个车位图像对应一个车位。
具体的，可以但不限于利用车位区域线，对监控摄像头采集到的停车场图像进行分割，根据分割后的停车场图像，确定车位图像。
步骤102、进行车位图像归类。
在本步骤中，可以利用预先训练出的卷积神经网络模型，进行车位图像归类，每一类车位图像中，占用车位的车辆颜色相同。
较优的，利用预先训练出的卷积神经网络模型，进行车位图像归类，可以但不限于包括：
利用预先训练出的卷积神经网络模型，确定对应的车位被车辆占用的车位图像；并，针对对应的车位被车辆占用的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像。
即在本实施例中，可以利用一个两层的卷积神经网络模型，进行车位图像归类。可以理解为，利用卷积神经网络模型的第一层，确定对应的车位被车辆占用的车位图像。然后，利用卷积神经网络模型的第二层，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像。从而通过预先将车位图像分类为对应的车位被车辆占用(可以简单记为占用)的车位图像、以及对应的车位没有被车辆占用(可以简单记为空闲)的车位图像，可以仅针对对应的车位被车辆占用的车位图像进行像素比对，在减少计算量，加快计算时间的同时，还可以有效提高归类的准确率。
更优的，在本实施例中，还可以利用三层的卷积神经网络模型，进行车位图像归类。则：
确定对应的车位被车辆占用的车位图像之后，进行像素比对之前，还可以但不限于包括：
从对应的车位被车辆占用的车位图像中，确定占用车位的车辆颜色类别相同的车位图像，颜色类别可以理解为颜色的粗略分类，如颜色类别可以包括黑色、红色、黄色等等；
针对对应的车位被车辆占用的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像，包括：
针对占用车位的车辆颜色类别相同的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像。即，在粗略分类出颜色类别后，可以进一步进行颜色识别，例如，在利用红、绿、蓝三原色的亮度来定量表示颜色的RGB模型下，可以通过两个车位图像每个像素点的R、G、B值，来确定两个车位图像颜色相似度。
利用三层的卷积神经网络模型进行车位图像归类可以理解为，利用卷积神经网络模型的第一层，确定对应的车位被车辆占用的车位图像之后，利用卷积神经网络模型的第二层，进一步确定出占用车位的车辆颜色类别相同的车位图像，然后利用卷积神经网络模型的第三层，进一步从占用车位的车辆颜色类别相同的车位图像中，识别出占用车位的车辆颜色相似度高于设定值的车位图像。从而在进行像素比对之前，进一步通过对车辆颜色类别的划分，使得像素比对可以仅针对车辆颜色类别相同的车位图像进行像素比对，相对于两层的卷积神经网络模型，可以进一步减少计算量，加快计算时间，并提高归类的准确率。
而更优的，在进行像素比对时，可以利用在图像语义分割中表现较优的掩码区域卷积神经网络深度学习模型进行像素块划分，针对规模压缩后的像素块进行比对。由于不再针对单一的像素进行比对，而是针对划分出的包括多个像素的像素块进行比对，因此，可以进一步提升效率，降低计算量和计算时间。例如，一个车位图像有1000个像素，对单一的像素作比对，需要比对一千次；分割成10个像素块之后，只要比对十次即可。此时：
针对占用车位的车辆颜色类别相同的车位图像，进行像素比对，可以但不限于包括：
利用预先训练出的掩码区域卷积神经网络(Mask R-CNN)，针对占用车位的车辆颜色类别相同的车位图像，进行像素块划分，并对划分出的像素块进行比对。
当然，在利用两层卷积神经网络模进行车位图像归类时，进行像素比对的方式也可以类似。可以利用预先训练出的掩码区域卷积神经网络(Mask R-CNN)，针对对应的车位被车辆占用的车位图像，进行像素块划分，并对划分出的像素块进行比对。
更进一步的，在步骤101之后，步骤102之前，所述方法还可以进一步包括步骤102’：
步骤102’、为每个车位图像标记时间戳。
在本步骤中，可以根据每个车位图像对应的停车场图像采集时间，为每个车位图像标记时间戳。
此时步骤102可以理解为包括，针对每一组时间戳相同的车位图像，利用预先训练出的卷积神经网络模型，进行车位图像归类。并可以将针对每一组时间戳相同的车位图像，均确定为属于同一类的车位图像，作为最终确定出的属于同一类的车位图像。
从而可以通过时间戳，多次确定属于同一类的车位图像，进一步保证确定出的属于同一类的车位图像的准确性，从而保证车位去重的准确性。
需要说明的是，在本实施例中，用于对卷积神经网络模型进行训练的训练样本可以理解为，监控摄像头(至少两个)采集到的同一个停车场的停车场图像。通过监控摄像头在一段时间内采集该停车场的停车场图像，可以获得数量足够多的训练样本。
当然，如果还结合时间戳进行车位图像分类，那么也应结合时间戳信息，对卷积神经网络模型进行训练。
对卷积神经网络模型(包括但不限于包括二层卷积神经网络模型和三层卷积神经网络模型)预先训练的过程，对应地与步骤102中进行车位图像归类的过程类似，训练过程本实施例不再赘述。
步骤103、标记重复车位图像。
在本步骤中，可以针对每一类车位图像，若包括至少两个车位图像，则将所述至少两个车位图像，标记为对应同一个车位的重复车位图像。
下面通过一个具体的实例对本发明实施例一提供的方案进行说明。
实施例二
本发明实施例二提供一种图像处理方法，该方法的步骤流程可以如图2所示，包括：
步骤201、确定车位图像。
在本步骤中，可以将摄像头采集到的停车场图像根据各车位区域线进行分割，将每个局部停车场图像分割为多个车位图像。
步骤202、为每个车位图像标记时间戳。
在本步骤中，可以将每个车位图像结合摄像头的拍摄时间，打上时间标签，生成特定数据源。该数据源由分割后得到的车位图像和时间戳组成。
同时还可以针对每个时间戳，为每个车位图像标记上序号。例如，假设有针对两个时刻的两个时间戳，则可以针对一个时间戳，为每个车位图像标记序号1～100，则针对另一个时间戳，对应的，也为每个车位图像标记序号1～100。可以理解为，针对两个时间戳，相同序号的车位图像对应同一个车位。
步骤203、按时间戳分组。
在本步骤中，可以按时间戳对数据源进行分组，一组数据源可以理解为形成一个数据集。
在本实施例中的步骤201～步骤203可以理解为数据预处理过程。
步骤204、进行车位图像归类。
需要说明的是，初始时(可以但不限于理解为步骤201之前)，可以将一段时间内，同一个停车场的多个摄像头获得的数据源汇总到对应的数据集中，输入云端的多层的神经元网络进行车位图像归类算法模型的训练，得到训练好的卷积神经网络模型。
在本步骤中，可以利用预先训练出的卷积神经网络模型，进行车位图像归类。为减小计算量、加快计算时间、提高准确率，卷积神经网络可以做如下优化：
(1)对同一时间戳下的车位图像进行归类。
在本实施例中，可以选择三层的卷积神经网络模型对一组数据源进行归类：
第一层网络可以理解为进行定性分析、比对。第一层的输入为车位图像，输出为车位占用情况(占用或空闲)。下一步可以仅对均为占用情况的车位图像进行判断，确定是否为同一车位；
第二层网络仍然进行定性分析、比对。对于均为占用情况的车位图像，判断其所停放的车辆的颜色类别，例如，红、黄、白、黑、银等类别。然后可以对同一颜色类别的车位图像再进行是否颜色相同的判断；
第三层网络可以对定性分析结果相同的车位图像，应用在图像语义分割中表现最优的Mask R-CNN深度学习模型进行像素块划分，然后对规模压缩后的像素块做比对，将车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像，以提升效率。
换另一个时间戳下的数据集进行计算，重复第(1)步的运算，直至对所有时间戳下的数据集计算完毕。
(2)将每个时间戳下的归类结果进行比对，选取那些在各个时间戳下均被认为属于同一类的车位图像，判断其为重复的车位图像。
本步骤可以理解为，假设当前需要进行一次车位去重，则可以但不限于取该停车场每个摄像头在当前时间(假设为2018.7.20的11:21)采集的至少一张图像，来进行图像处理，判断是否存在重复车位，从而进行车位去重。假设，针对每个摄像头在11:21:20和11:21:40两个时刻采集的2张图像来进行图像处理，判断是否存在重复车位，则可以理解为：
所有摄像头在11:21:20时刻采集的图像，分割为车位图像后，一个车位图像加上时间戳形成一个数据源，标记有11:21:20时刻时间戳的全部数据源，构成一个数据集。同样，针对所有摄像头11:21:40时刻采集的图像，也可以对应构成一个数据集。
针对每个数据集，进行归类，并可以将针对每个数据集均被归类为同一类的车位图像，确定为重复的车位图像。例如，假设针对11:21:20时刻的数据集，将车位图像1，2，3归类为同一类，假设针对11:21:40时刻的数据集，将车位图像1，2归类为同一类，那么，最终可以将车位图像1，2归类为同一类。假设针对11:21:20时刻的数据集，将车位图像7，8，9归类为同一类，假设针对11:21:40时刻的数据集，将车位图像7，8，10归类为同一类，那么，最终可以将车位图像7，8归类为同一类。其中，针对两个数据集确定出的多个类别，可以但不限于理解为对分别针对两个数据集确定出的、颜色最接近的两个类别取交集。进一步的，可以但不限于根据一个类别中的每个车位图像对应的车辆颜色，确定该类别对应的颜色。例如，可以但不限于将一个类别中的每个车位图像对应的车辆颜色的平均值，确定为该类别对应的颜色。
当然，在进行卷积神经网络模型训练时，也可以针对每分钟取两个时刻，来获得对应的数据集。并可以取一段时间，如6小时，来获得足够的数据集对模型进行训练。
步骤205、标记重复车位图像。
在本步骤中，可以标记重复统计的车位图像，以便在统计车位信息时进行去重处理。由于之前标记了车位图像序号，在本步骤中，可以根据车位图像序号，标记重复车位图像，后续在统计车位信息时，针对每一类车位图像，可以仅保留一个序号，实现车位去重。
人为地实地勘探、标识车位并在信息系统中进行标记，既消耗了大量的人力物力，也加大了人为标记的出错概率。而且对于停车场扩建、摄像头调整等情况，需要重复大量的工作量，并可能引起系统的二次改造开发。
本发明实施例一和实施例二提供的方案，利用人工智能图像识别的方法，设计一个卷积神经元网络，可以大大降低这些不必要的人力和定制化的系统开发。此外，通过时间戳、车位占用情况、停驶车辆的定性划分、过滤，可以简化卷积神经元网络的计算量，缩短计算时间，同时大大降低误判率。
与实施例一、二基于同一发明构思，提供以下的装置。
实施例三
本发明实施例三提供一种图像处理装置，该装置的结构可以如图3所示，包括：
分割模块11用于根据监控摄像头采集到的停车场图像，确定车位图像，其中，一个车位图像对应一个车位；
归类模块12用于利用预先训练出的卷积神经网络模型，进行车位图像归类，每一类车位图像中，占用车位的车辆颜色相同；
标记模块13用于针对每一类车位图像，若包括至少两个车位图像，则将所述至少两个车位图像，标记为对应同一个车位的重复车位图像。
所述分割模块11具体用于利用车位区域线，对监控摄像头采集到的停车场图像进行分割；根据分割后的停车场图像，确定车位图像。
所述归类模块12利用预先训练出的卷积神经网络模型，进行车位图像归类，包括：利用预先训练出的卷积神经网络模型，确定对应的车位被车辆占用的车位图像；并，针对对应的车位被车辆占用的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像。
所述归类模块12还用于确定对应的车位被车辆占用的车位图像之后，进行像素比对之前，从对应的车位被车辆占用的车位图像中，确定占用车位的车辆颜色类别相同的车位图像；所述归类模块12针对对应的车位被车辆占用的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像，包括：针对占用车位的车辆颜色类别相同的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像。
所述归类模块12针对占用车位的车辆颜色类别相同的车位图像，进行像素比对，包括：利用预先训练出的掩码区域卷积神经网络Mask R-CNN，针对占用车位的车辆颜色类别相同的车位图像，进行像素块划分，并对划分出的像素块进行比对。
所述归类模块12还用于确定车位图像之后，进行车位图像归类之前，根据每个车位图像对应的停车场图像采集时间，为每个车位图像标记时间戳；所述归类模块12利用预先训练出的卷积神经网络模型，进行车位图像归类，包括：针对每一组时间戳相同的车位图像，利用预先训练出的卷积神经网络模型，进行车位图像归类；将针对每一组时间戳相同的车位图像，均确定为属于同一类的车位图像，作为最终确定出的属于同一类的车位图像。
基于同一发明构思，本发明实施例提供以下的设备和介质。
实施例四
本发明实施例四提供一种图像处理设备，该设备的结构可以如图4所示，包括存储器21、处理器22、收发器23以及总线接口；所述处理器22，用于读取存储器21中的程序，执行：通过所述收发器23接收监控摄像头采集到的停车场图像，根据所述停车场图像确定车位图像，其中，一个车位图像对应一个车位；利用预先训练出的卷积神经网络模型，进行车位图像归类，每一类车位图像中，占用车位的车辆颜色相同；针对每一类车位图像，若包括至少两个车位图像，则将所述至少两个车位图像，标记为对应同一个车位的重复车位图像。
可选的，所述处理器22具体可以包括中央处理器(CPU)、特定应用集成电路(ASIC，application specific integrated circuit)，可以是一个或多个用于控制程序执行的集成电路，可以是使用现场可编程门阵列(FPGA，field programmable gate array)开发的硬件电路，可以是基带处理器。
可选的，所述处理器22可以包括至少一个处理核心。
可选的，所述存储器21可以包括只读存储器(ROM，read only memory)、随机存取存储器(RAM，random access memory)和磁盘存储器。存储器21用于存储至少一个处理器22运行时所需的数据。存储器21的数量可以为一个或多个。
本发明实施例五提供一种非易失性计算机存储介质，所述计算机存储介质存储有可执行程序，当可执行程序被处理器执行时，可以实现本发明实施例一、二提供的方法。
在具体的实施过程中，计算机存储介质可以包括：通用串行总线闪存盘(USB，Universal Serial Bus flash drive)、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存储介质。
在本发明实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元或单元的划分，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，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接口，设备或单元的间接耦合或通信连接，可以是电性或其它的形式。
在本发明实施例中的各功能单元可以集成在一个处理单元中，或者各个单元也可以均是独立的物理模块。
所述集成的单元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，本发明实施例的技术方案的全部或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，例如可以是个人计算机，服务器，或者网络设备等，或处理器(processor)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：通用串行总线闪存盘(universal serial bus flash drive)、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种图像处理方法，其特征在于，所述方法包括：
根据监控摄像头采集到的停车场图像，确定车位图像，其中，一个车位图像对应一个车位；
利用预先训练出的卷积神经网络模型，进行车位图像归类，每一类车位图像中，占用车位的车辆颜色相同；
针对每一类车位图像，若包括至少两个车位图像，则将所述至少两个车位图像，标记为对应同一个车位的重复车位图像。
2.如权利要求1所述的方法，其特征在于，根据监控摄像头采集到的停车场图像，确定车位图像，包括：
利用车位区域线，对监控摄像头采集到的停车场图像进行分割；
根据分割后的停车场图像，确定车位图像。
3.如权利要求1或2所述的方法，其特征在于，利用预先训练出的卷积神经网络模型，进行车位图像归类，包括：
利用预先训练出的卷积神经网络模型，确定对应的车位被车辆占用的车位图像；并，
针对对应的车位被车辆占用的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像。
4.如权利要求3所述的方法，其特征在于，确定对应的车位被车辆占用的车位图像之后，进行像素比对之前，所述方法还包括：
从对应的车位被车辆占用的车位图像中，确定占用车位的车辆颜色类别相同的车位图像；
针对对应的车位被车辆占用的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像，包括：
针对占用车位的车辆颜色类别相同的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像。
5.如权利要求4所述的方法，其特征在于，针对占用车位的车辆颜色类别相同的车位图像，进行像素比对，包括：
利用预先训练出的掩码区域卷积神经网络Mask R-CNN，针对占用车位的车辆颜色类别相同的车位图像，进行像素块划分，并对划分出的像素块进行比对。
6.如权利要求1或2所述的方法，其特征在于，确定车位图像之后，进行车位图像归类之前，所述方法还包括：根据每个车位图像对应的停车场图像采集时间，为每个车位图像标记时间戳；
利用预先训练出的卷积神经网络模型，进行车位图像归类，包括：
针对每一组时间戳相同的车位图像，利用预先训练出的卷积神经网络模型，进行车位图像归类；
将针对每一组时间戳相同的车位图像，均确定为属于同一类的车位图像，作为最终确定出的属于同一类的车位图像。
7.一种图像处理装置，其特征在于，所述装置包括：
分割模块，用于根据监控摄像头采集到的停车场图像，确定车位图像，其中，一个车位图像对应一个车位；
归类模块，用于利用预先训练出的卷积神经网络模型，进行车位图像归类，每一类车位图像中，占用车位的车辆颜色相同；
标记模块，用于针对每一类车位图像，若包括至少两个车位图像，则将所述至少两个车位图像，标记为对应同一个车位的重复车位图像。
8.如权利要求7所述的装置，其特征在于，所述分割模块，具体用于利用车位区域线，对监控摄像头采集到的停车场图像进行分割；根据分割后的停车场图像，确定车位图像。
9.如权利要求7或8所述的装置，其特征在于，所述归类模块，利用预先训练出的卷积神经网络模型，进行车位图像归类，包括：利用预先训练出的卷积神经网络模型，确定对应的车位被车辆占用的车位图像；并，针对对应的车位被车辆占用的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像。
10.如权利要求9所述的装置，其特征在于，所述归类模块，还用于确定对应的车位被车辆占用的车位图像之后，进行像素比对之前，从对应的车位被车辆占用的车位图像中，确定占用车位的车辆颜色类别相同的车位图像；
所述归类模块，针对对应的车位被车辆占用的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像，包括：针对占用车位的车辆颜色类别相同的车位图像，进行像素比对，将占用车位的车辆颜色相似度高于设定值的车位图像，确定为同一类车位图像。
11.如权利要求10所述的装置，其特征在于，所述归类模块，针对占用车位的车辆颜色类别相同的车位图像，进行像素比对，包括：利用预先训练出的掩码区域卷积神经网络MaskR-CNN，针对占用车位的车辆颜色类别相同的车位图像，进行像素块划分，并对划分出的像素块进行比对。
12.如权利要求7或8所述的装置，其特征在于，所述归类模块，还用于确定车位图像之后，进行车位图像归类之前，根据每个车位图像对应的停车场图像采集时间，为每个车位图像标记时间戳；
所述归类模块，利用预先训练出的卷积神经网络模型，进行车位图像归类，包括：针对每一组时间戳相同的车位图像，利用预先训练出的卷积神经网络模型，进行车位图像归类；将针对每一组时间戳相同的车位图像，均确定为属于同一类的车位图像，作为最终确定出的属于同一类的车位图像。
13.一种非易失性计算机存储介质，其特征在于，所述计算机存储介质存储有可执行程序，该可执行程序被处理器执行实现权利要求1～6任一所述方法的步骤。
14.一种图像处理设备，其特征在于，包括处理器、存储器、收发器以及总线接口；所述处理器，用于读取存储器中的程序，执行：通过所述收发器接收监控摄像头采集到的停车场图像，根据所述停车场图像确定车位图像，其中，一个车位图像对应一个车位；利用预先训练出的卷积神经网络模型，进行车位图像归类，每一类车位图像中，占用车位的车辆颜色相同；针对每一类车位图像，若包括至少两个车位图像，则将所述至少两个车位图像，标记为对应同一个车位的重复车位图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810879326.4A CN110795974B (zh) | 2018-08-03 | 2018-08-03 | 一种图像处理方法、装置、介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810879326.4A CN110795974B (zh) | 2018-08-03 | 2018-08-03 | 一种图像处理方法、装置、介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110795974A CN110795974A (zh) | 2020-02-14 |
| CN110795974B true CN110795974B (zh) | 2023-04-07 |
Family
ID=69425962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810879326.4A Active CN110795974B (zh) | 2018-08-03 | 2018-08-03 | 一种图像处理方法、装置、介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110795974B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113506400A (zh) * | 2021-07-05 | 2021-10-15 | 深圳市点购电子商务控股股份有限公司 | 自动售货方法、装置、计算机设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007226300A (ja) * | 2006-02-21 | 2007-09-06 | Aisin Aw Co Ltd | 運転支援方法及び運転支援装置 |
| CN102592472A (zh) * | 2012-02-21 | 2012-07-18 | 北京工业大学 | 基于jpeg压缩图像的车位检测方法 |
| CN106485938A (zh) * | 2016-08-31 | 2017-03-08 | 国网山东省电力公司巨野县供电公司 | 一种智能车辆调度管理方法 |
| CN107688819A (zh) * | 2017-02-16 | 2018-02-13 | 平安科技（深圳）有限公司 | 车辆的识别方法及装置 |
| CN108136987A (zh) * | 2015-10-22 | 2018-06-08 | 日产自动车株式会社 | 停车位检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8805110B2 (en) * | 2008-08-19 | 2014-08-12 | Digimarc Corporation | Methods and systems for content processing |
-
2018
- 2018-08-03 CN CN201810879326.4A patent/CN110795974B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007226300A (ja) * | 2006-02-21 | 2007-09-06 | Aisin Aw Co Ltd | 運転支援方法及び運転支援装置 |
| CN102592472A (zh) * | 2012-02-21 | 2012-07-18 | 北京工业大学 | 基于jpeg压缩图像的车位检测方法 |
| CN108136987A (zh) * | 2015-10-22 | 2018-06-08 | 日产自动车株式会社 | 停车位检测方法及装置 |
| CN106485938A (zh) * | 2016-08-31 | 2017-03-08 | 国网山东省电力公司巨野县供电公司 | 一种智能车辆调度管理方法 |
| CN107688819A (zh) * | 2017-02-16 | 2018-02-13 | 平安科技（深圳）有限公司 | 车辆的识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Patch-based vehicle logo detection with patch intensity and weight matrix;LIU Hai-ming 等;《 Journal of Central South University》;20151231(第12期);4679-4686 * |
| 停车场车位视频检测系统设计;严娟莉;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20110815(第(2011)08期);I138-450 * |
| 基于视觉检测的停车场车位自动识别技术研究;夏菲;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20160315(第（2016）03期);I138-7109,正文第1.3.2节,第3章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110795974A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN113822247B (zh) | 基于航拍影像的违章建筑识别方法及系统 | |
| CN107239778B (zh) | 高效准确的车牌识别方法 | |
| US11816875B2 (en) | Method for estimating and presenting passenger flow, system, and computer readable storage medium | |
| CN108875595A (zh) | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 | |
| CN107679508A (zh) | 交通标志检测识别方法、装置及系统 | |
| CN110991221B (zh) | 一种基于深度学习的动态交通闯红灯识别方法 | |
| KR102197930B1 (ko) | 번호판 인식 방법 및 시스템 | |
| CN108984644B (zh) | 一种套牌车检索方法及系统 | |
| CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
| Juranek et al. | Real-time pose estimation piggybacked on object detection | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN110909598A (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
| CN108197544A (zh) | 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路 | |
| CN111008554B (zh) | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 | |
| CN112733815B (zh) | 一种基于rgb室外道路场景图像的红绿灯识别方法 | |
| CN110378916B (zh) | 一种基于多任务深度学习的tbm图像出渣分割方法 | |
| CN106886757A (zh) | 一种基于先验概率图的多类交通灯检测方法及系统 | |
| CN110163109A (zh) | 一种车道线标注方法及装置 | |
| CN108229473A (zh) | 车辆年检标签检测方法及装置 | |
| Thomas et al. | Smart car parking system using convolutional neural network | |
| CN110795974B (zh) | 一种图像处理方法、装置、介质和设备 | |
| CN110263622A (zh) | 列车火情监测方法、装置、终端及存储介质 | |
| CN113158954A (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
| CN108154199A (zh) | 一种基于深度学习的高精度快速单类目标检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |