CN111047901B - 停车管理方法、装置、存储介质、计算机设备 - Google Patents
停车管理方法、装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN111047901B CN111047901B CN201911073254.5A CN201911073254A CN111047901B CN 111047901 B CN111047901 B CN 111047901B CN 201911073254 A CN201911073254 A CN 201911073254A CN 111047901 B CN111047901 B CN 111047901B
- Authority
- CN
- China
- Prior art keywords
- parking
- point cloud
- cloud data
- vehicle
- target
- 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
- 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
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/148—Management of a network of parking areas
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种停车管理方法、装置、存储介质、计算机设备,方法包括:接收停车请求,获取接收到停车请求时目标停车场的点云数据集,将该点云数据集作为初始点云数据集,对初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到得到目标停车场的事物目标和每个事物目标的初始位置信息,根据神经网络分类模型对每个事物目标进行分类以确定每个事物目标的类型,根据每个事物目标的初始位置信息和类型得到目标停车场的停车位的占用信息,根据占用信息获取空闲停车位信息。通过本申请的技术方案可以快速获取停车场内的空闲停车位信息并以此向待停车车辆推荐空闲停车位,避免了车主盲目地在停车场找停车位,耗时耗力,使用户体验得到提升。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种停车管理方法、装置、存储介质、计算机设备。
背景技术
目前对于驾驶人员来说不论是在地下停车场或者地面停车场寻找停车位多数是靠驾驶人员在停车场自行寻找,这种方法不仅耗时漫长、效率低,而且不一定能找到停车位,给驾驶人员带来了非常差的用户体验。略微智能化的停车场则是以红绿灯是否亮起或者根据重力性原理触碰相关物件来间接性管理停车场或地下停车库的停车位以获取停车位信息,这种方法管理性差且易出现车位使用误判等弊端,便利性和可靠性差。
发明内容
为了解决上述技术问题,本申请实施例提供了一种停车管理方法、装置、存储介质、计算机设备。
第一方面,本申请实施例提供了一种停车管理方法,该方法包括:
接收停车请求;
获取接收到停车请求时目标停车场的点云数据集,将接收到停车请求时目标停车场的点云数据集作为初始点云数据集;
对初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到停车请求时目标停车场的事物目标和每个事物目标的初始位置信息;
根据神经网络分类模型对每个事物目标进行分类以确定每个事物目标的类型,所述类型包括人、车辆;
根据每个事物目标的初始位置信息和类型得到目标停车场的停车位的占用信息;
根据所述占用信息获取空闲停车位信息。
可选地,该方法还包括:
获取待停车车辆的初始位置信息;
根据空闲停车位信息和待停车车辆的初始位置信息向待停车车辆推荐空闲停车位。
其中,初始位置信息可以为待停车车辆进入的目标停车场的入口信息。
可选地,获取接收到停车请求时目标停车场的点云数据集,包括:
通过毫米波雷达获取接收到停车请求时目标停车场对应的回波信号;
对回波信号进行处理得到接收到停车请求时目标停车场对应的点云数据集。
可选地,对初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到停车请求时目标停车场的事物目标和每个事物目标的初始位置信息,包括:
对初始点云数据集进行聚类和卡尔曼滤波使同一事物目标的初始点云数据聚类,使每个事物目标的下一帧的点云数据与由上一帧点云数据聚类得到的对应事物目标关联,
根据每个事物目标聚类的初始点云数据获取对应事物目标的初始位置信息;
根据神经网络分类模型对每个事物目标进行分类以确定每个事物目标的类型,包括:
根据每个事物目标关联的初始点云数据和历史点云数据获取对应事物目标的时频图,
分别根据每个事物目标对应的时频图进行特征提取,
将提取的特征输入到训练好的神经网络分类模型进行分类以确定每个事物目标的类型;
根据每个事物目标的初始位置信息和类型得到目标停车场的停车位的占用信息,包括:
将类型为车辆的事物目标对应的初始位置信息分别与预存的所述目标停车场的每个停车位的位置信息进行匹配,
将位置信息与类型为车辆的事物目标的初始位置信息匹配的停车位作为已占用停车位,
将位置信息与类型为车辆的事物目标的初始位置信息不匹配的停车位作为空闲停车位。
可选地,该方法还包括:
获取待停车车辆进入到目标停车场后的实时点云数据集;
对实时点云数据集进行聚类和卡尔曼滤波实现跟踪定位使同一事物目标的实时点云数据聚类,使每个事物目标的下一帧的点云数据与由上一帧的点云数据聚类得到的对应事物目标关联;
根据当前帧每个事物目标聚类的实时点云数据和历史点云数据获取对应事物目标的时频图;
分别根据每个事物目标对应的时频图进行特征提取;
将提取的特征输入到训练好的神经网络分类模型进行分类以确定每个事物目标的类型,类型至少包括人、车辆;
根据当前帧各个事物目标关联的实时点云数据获取各个事物目标的当前位置信息;
根据各个事物的当前位置信息获取当前位置与待停车车辆的当前位置相距预设范围内的事物目标,将相距预设范围内的事物目标作为待注意事物目标;
根据待注意事物目标的类型、待注意事物目标与待停车车辆的当前位置信息向待停车车辆发送安全行驶提醒。
可选地,所述神经网络分类模型采用双向长短时记忆神经网络,双向长短时记忆神经网络包括前向长短时记忆网络和后向长短时记忆网络。
可选地,该方法还包括:
根据待停车车辆对应的时频图获取待停车车辆的行车轨迹;
根据行车轨迹判断待停车车辆是否偏离推荐的空闲停车位;
若偏离推荐的空闲停车位,则向待停车车辆发送提醒信号。
可选地,在根据空闲停车位信息和初始位置信息向待停车车辆推荐空闲停车位之后,还包括:
获取推荐停车位反馈信号;
若推荐停车位反馈信号为接受推荐的空闲停车位,则将推荐的空闲停车位从空闲停车位信息中去除,更新空闲停车位信息;
若推荐停车位反馈信号为拒绝接受推荐的空闲停车位,则向待停车车辆推荐其他空闲停车位直至接受推荐的空闲停车位。
第二方面,本申请实施例还提供了一种停车管理装置,该装置包括:
接收模块,用于接收停车请求;
点云数据获取模块,用于获取接收到停车请求时目标停车场的点云数据集,将接收到停车请求时目标停车场的点云数据集作为初始点云数据集;
聚类滤波模块,用于对初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到停车请求时目标停车场事物目标和每个事物目标的初始位置信息;
分类模块,用于根据神经网络分类模型对每个事物目标进行分类以确定每个事物目标的类型,所述类型包括人、车辆;
处理模块,用于根据每个事物目标的初始位置信息和类型得到目标停车场的停车位的占用信息;
空闲停车位获取模块,用于根据占用信息获取空闲停车位信息。
第三方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行前面任一项的方法的步骤。
第四方面,本申请实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时执行前面任一项的方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请的技术方案通过毫米波雷达采集目标停车场的点云数据集,并对采集的点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到目标停车场的停车位的占用信息,进而获取空闲停车位信息以向待停车车辆推荐空闲停车位,通过此方案利用毫米波雷达可以快速、准确的确定空闲停车位的数量及位置信息,避免驾驶人员盲目地在停车场自主寻找停车位,耗时耗力,而且不一定能找到停车位,提高了用户停车体验;根据待停车车辆的位置和空闲停车位信息可以向驾驶人员推荐最优停车位,节省了停车时间;可以多次向驾驶人员推荐空闲停车位直到驾驶人员接受,当接受空闲停车位后将该停车位预留给待停车车辆,避免其他车辆抢占停车位,营造了一个良好公正的停车环境;对待停车车辆在停车场的行车轨迹进行跟踪,当偏离推荐的空闲停车位后发送提醒信号以规范停车秩序。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例提供的停车管理方法的应用环境图;
图2为一个实施例提供的停车管理方法的流程示意图;
图3为另一个实施例提供的停车管理方法的流程示意图;
图4为一个实施例提供的停车管理装置的结构框图;
图5为另一个实施例提供的停车管理装置的结构框图;
图6为一个实施例提供的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为一个实施例提供的停车管理方法的应用环境图。参考图1,该停车管理方法应用于停车管理系统。该停车管理系统包括终端100和服务器200。终端100和服务器200通过网络连接。服务器200接收停车请求,终端100获取接收到停车请求时目标停车场的点云数据集,将接收到停车请求时目标停车场的点云数据集作为初始点云数据集,对初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到停车请求时目标停车场的事物目标和每个事物目标的初始位置信息,根据神经网络分类模型对每个事物目标进行分类以确定每个事物目标的类型;根据每个事物目标的初始位置信息和类型得到目标停车场的停车位的占用信息;根据占用信息获取空闲停车位信息并发送至服务器200。
终端100具体可以是台式终端或移动终端,移动终端具体可以为手机、平板电脑、笔记本电脑等其中的至少一种。服务器200可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
图2为一个实施例提供的停车管理方法的流程示意图。参考图2,该方法包括以下步骤:
S100:接收停车请求。
具体地,当待停车车辆要进入目标停车场停车时会发送停车请求,服务器会接收该停车请求。该停车请求可以包括:待停车车辆的标识信息、当前位置信息、目标停车场的标识信息等信息但不局限于此。
S200:获取接收到停车请求时目标停车场的点云数据集,将接收到停车请求时目标停车场的点云数据集作为初始点云数据集。
具体地,目标停车场的采集设备会采集接收到停车请求时目标停车场的点云集,并得到点云集对应的点云数据集。点云数据集是整个停车场各个障碍物即事物目标所关联的点云数据的集合。点云数据包括了该点云中每个点的径向距离信息、方位角度信息、径向速度信息等。
S300:对初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到停车请求时目标停车场的事物目标和每个事物目标的初始位置信息。
具体地,获取的点云数据集是整个目标停车场内的多个事物目标的点云数据的集合,因此需要区分出哪些点云数据是属于同一个事物目标的,并且将下一帧点云数据与聚类获取到的事物目标相关联。对该初始点云数据集进行聚类和卡尔曼滤波实现事物目标跟踪定位,从而确定在接收到停车请求时目标停车场的每个停车位是否有占用的车辆。
S400:根据神经网络分类模型对每个事物目标进行分类以确定每个事物目标的类型。
具体地,根据每个事物目标对应的点云数据通过神经网络分类模型可以得到每个事物目标的类型,例如有的事物目标为人,有的事物目标为车辆,等等。
S500:根据每个事物目标的初始位置信息和类型得到目标停车场的停车位的占用信息。
具体地,知道每个事物目标的类型后就知道哪些位置有车辆,进而知道哪些停车位有车辆占用。
S600:根据占用信息获取空闲停车位信息。
具体地,空闲停车位信息可以包括空闲停车位的数量及每个空闲停车位的位置信息。根据目标停车场的每个停车位是否有占用的车辆可以反推该目标停车场有多少空闲停车位以及每个空闲停车位的位置信息。
图3为另一个实施例提供的停车管理方法的流程示意图。参考图3,在图2提供的停车管理方法的基础上,该方法还包括以下步骤:
S700:获取待停车车辆的初始位置信息。
具体地,该初始位置信息可以为待停车车辆进入的该目标停车场的入口信息;在很多停车场可能不止一个停车入口,因此需要确定待停车车辆是从该目标停车场的哪个入口进入的。
在一个实施例中,该初始位置信息可以通过在向服务器发送停车请求时由目标停车场入口的刷卡机发送给服务器,也可以由待停车车辆将自身的定位发送给服务器。
S800:根据空闲停车位信息和待停车车辆的初始位置信息向待停车车辆推荐空闲停车位。
具体地,获取到待停车车辆的初始位置信息后,服务器可以根据空闲停车位信息从现有的可选的空闲停车位中选择一个最优停车位推荐给待停车车辆。推荐的空闲停车位可以是离待停车车辆初始位置最近的停车位,也可以是容易停车的停车位等但不局限于此。
在一个实施例中,也可以由服务器将目前可选的空闲停车位信息发送给待停车车辆供驾驶人员自行选择,当驾驶人员确定一个空闲停车位后会将这个空闲停车位预留并分配给该待停车车辆,使其他车辆不能再次重复选择该停车位,避免了冲突和纠纷。
在一个实施例中,步骤S200的获取接收到停车请求时目标停车场的点云数据集,包括以下步骤:通过毫米波雷达获取接收到停车请求时目标停车场对应的回波信号;对回波信号进行处理得到接收到停车请求时目标停车场对应的点云数据集。
毫米波雷达能分辨识别很小的目标,而且能同时识别多个目标,具有成像能力,且目前多收多发的毫米波雷达也得到了广泛应用。在一个停车场分散安装多个毫米波雷达可以监测并采集整个停车场的点云数据集。毫米波雷达通过向目标停车场发射毫米波段信号同时接收由目标停车场内反射点反射的回波信号,处理装置对接收到的回波信号进行处理从而得到该目标停车场的点云数据集。毫米波雷达是采集装置,处理装置可以是移动终端。毫米波雷达和处理装置可以集成为一个整体。
在一个实施例中,步骤S300包括以下步骤:对初始点云数据集进行聚类和卡尔曼滤波使同一事物目标的初始点云数据聚类,使每个事物目标的下一帧的点云数据与上一帧点云数据聚类得到的对应事物目标关联,根据每个事物目标关联的初始点云数据获取对应事物目标的初始位置信息。
在一个实施例中,步骤S400包括以下步骤:根据每个事物目标关联的初始点云数据和历史点云数据获取对应事物目标的时频图,分别根据每个事物目标对应的时频图进行特征提取,将提取的特征输入到训练好的神经网络分类模型进行分类以确定每个事物目标的类型。
在一个实施例中,步骤S500包括以下步骤:将类型为车辆的事物目标对应的初始位置信息分别与预存的目标停车场的每个停车位的位置信息进行匹配,将位置信息与类型为车辆的事物目标的初始位置信息匹配的停车位作为已占用停车位,将位置信息与类型为车辆的事物目标的初始位置信息不匹配的停车位作为空闲停车位。
在一个实施例中,该方法还包括以下步骤:
获取待停车车辆进入到目标停车场后当前帧的实时点云数据集。
具体地,毫米波雷达会采集待停车车辆从刚进入到目标停车场后的任意时刻的实时点云数据集。
对实时点云数据集进行聚类和卡尔曼滤波实现跟踪定位使同一事物目标的实时点云数据聚类,使每个事物目标的下一帧的点云数据与由上一帧的点云数据聚类得到的对应事物目标关联。
具体地,对任意时刻对应的实时点云数据集进行聚类和卡尔曼滤波使同一个事物目标对应的点云数据聚类,以此确定每帧的事物目标。
根据当前帧每个事物目标关联的实时点云数据和历史点云数据获取对应事物目标的时频图。
时频图表征频率随时间的变化。
分别根据每个事物目标对应的时频图进行特征提取。
将提取的特征输入到训练好的神经网络分类模型进行分类以确定每个事物目标的类型,类型至少包括人、车辆。
不同类型的运动事物目标的时频图是不同的,因此根据各自的时频图可以区分不同类型的事物目标。
根据当前帧各个事物目标关联的实时点云数据获取各个事物目标的当前位置信息。
根据各个事物的当前位置信息获取当前位置与待停车车辆的当前位置相距预设范围内的事物目标,将相距预设范围内的事物目标作为待注意事物目标。
根据待注意事物目标的类型、待注意事物目标与待停车车辆的当前位置信息向待停车车辆发送安全行驶提醒。
在一个实施例中,根据当前帧各个事物目标聚类的实时点云数据获取各个事物目标的当前位置信息;根据各个事物的当前位置信息获取当前位置与待停车车辆的当前位置相距预设范围内的事物目标,将相距预设范围内的事物目标作为待注意事物目标;根据待注意事物目标关联的实时点云数据和历史点云数据获取对应待注意事物目标的时频图;分别根据每个待注意事物目标对应的时频图进行特征提取;将提取的特征输入到训练好的神经网络分类模型进行分类以确定每个待注意事物目标的类型,类型至少包括人、车辆;根据待注意事物目标的类型、待注意事物目标与待停车车辆的当前位置信息向待停车车辆发送安全行驶提醒。
通过本实施例,可以有效探测到摄像头或后视镜的盲点区域,实现盲点监测,同时及时告知驾驶人员一定范围内的周边环境情况使驾驶人员安全停车避免碰撞及事故的发生。
在一个实施例中,该方法还包括:根据待停车车辆对应的时频图获取待停车车辆的行车轨迹;根据行车轨迹判断待停车车辆是否偏离推荐的空闲停车位;若偏离推荐的空闲停车位,则向待停车车辆发送提醒信号。
从待停车车辆的初始位置到推荐的空闲停车位的路径是固定的,可能有多条可选路径,如果待停车车辆的行驶轨迹跟任何一条路径都匹配不上,则表明行车路径错误,此时可以提醒驾驶人员及时更正行车方向以免耽误时间。还可以对想违规占用其他已分配的停车位的驾驶人员进行友情提示。
在一个实施例中,该方法还包括:获取推荐停车位反馈信号;若推荐停车位反馈信号为接受推荐的空闲停车位,则将推荐的空闲停车位从空闲停车位信息中去除,更新空闲停车位信息;若推荐停车位反馈信号为拒绝接受推荐的空闲停车位,则向待停车车辆推荐其他空闲停车位直至接受推荐的空闲停车位。
为了完善用户体验,在可选择的前提下可以多次向驾驶人员推荐空闲停车位直到满意为止,为了避免纠纷,会将已分配的空闲停车位标记为已占用停车位,不再推荐给其他车辆,而对于被拒绝接受的空闲停车位会推荐给其他车辆。
在一个实施例中,当一个已占用停车位的车辆离开此停车位后,毫米波雷达会实时采集到此处点云数据的变化,从而使服务器获取到此处占用信息有变化,从而更新空闲停车位信息。
在一个实施例中,神经网络分类模型采用双向长短时记忆神经网络,双向长短时记忆神经网络包括前向长短时记忆网络和后向长短时记忆网络。
具体地,双向长短时记忆神经网络即CNN+BiLSTM神经网络,实现了特征提取和分类的过程。在对毫米波雷达采集到的点云数据集处理时采用聚类和卡尔曼滤波实现跟踪定位得到各个事物目标,根据卡尔曼滤波的特性,当前帧的点云数据受前一帧的点云数据的影响,后一帧的点云数据也与当前帧的点云数据有关联,故采用双向长时记忆神经网络可以加强双向关系,使对当前帧进行分类处理时也考虑上一帧,并关联下一帧,使分类结果更准确。
在一个实施例中,CNN+BiLSTM神经网络还有可以由其他深度学习算法如CNN神经网络或LSTM神经网络替换,但不局限于此。
应该理解的是,虽然图2或图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2或图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图4为一个实施例提供的停车管理装置的结构框图。参考图4,该装置包括:
接收模块10,用于接收停车请求。
点云数据获取模块20,用于获取接收到停车请求时目标停车场的点云数据集,将接收到停车请求时目标停车场的点云数据集作为初始点云数据集。
聚类滤波模块30,用于对所述初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到所述停车请求时所述目标停车场事物目标和每个事物目标的初始位置信息。
分类模块40,用于根据神经网络分类模型对每个所述事物目标进行分类以确定每个事物目标的类型,所述类型包括人、车辆。
处理模块50,用于根据每个所述事物目标的初始位置信息和类型得到所述目标停车场的停车位的占用信息。
空闲停车位获取模块60,用于根据占用信息获取空闲停车位信息。
图5为另一个实施例提供的停车管理装置的结构框图。参考图5,该装置还包括:
定位模块70,用于获取待停车车辆的初始位置信息。
推荐模块80,用于根据空闲停车位信息和初始位置信息向待停车车辆推荐空闲停车位。
在一个实施例中,该装置还包括:
采集模块,用于通过毫米波雷达获取接收到停车请求时目标停车场对应的回波信号。
子处理模块,用于对回波信号进行处理得到接收到停车请求时目标停车场对应的点云数据集。
在一个实施例中,聚类滤波模块30具体用于:对初始点云数据集进行聚类和卡尔曼滤波使同一事物目标的初始点云数据聚类,使每个事物目标的下一帧的点云数据与由上一帧点云数据聚类得到的对应事物目标关联,根据每个事物目标关联的初始点云数据获取对应事物目标的初始位置信息。
在一个实施例中,分类模块40具体用于:根据每个事物目标关联的初始点云数据和历史点云数据获取对应事物目标的时频图,分别根据每个事物目标对应的时频图进行特征提取,将提取的特征输入到训练好的神经网络分类模型进行分类以确定每个事物目标的类型。
在一个实施例中,处理模块50具体用于:将类型为车辆的事物目标对应的初始位置信息分别与预存的目标停车场的每个停车位的位置信息进行匹配,将位置信息与类型为车辆的事物目标的初始位置信息匹配的停车位作为已占用停车位,将位置信息与类型为车辆的事物目标的初始位置信息不匹配的停车位作为空闲停车位。
本申请的停车管理方法具体包括:接收停车请求,获取初始点云数据集,对初始点云数据集进行聚类和卡尔曼滤波处理实现跟踪定位,得到接收到停车请求时目标停车场的事物目标和每个事物目标的初始位置信息,根据神经网络分类模型对每个事物目标进行分类以确定每个事物目标的类型,根据每个事物目标的初始位置信息和类型得到目标停车场的停车位的占用信息,根据占用信息获取空闲停车位信息,获取待停车车辆的初始位置信息,推荐空闲停车位。
获取推荐停车位反馈信号,当推荐停车位反馈信号为接受时,更新空闲停车位信息,当推荐停车位反馈信号为拒绝时,推荐其他空闲停车位直至接受。
待停车车辆获取到分配的空闲停车位后从入口进入到目标停车场,目标停车场安装的毫米波雷达会实时对待停车车辆进行跟踪。
获取实时点云数据集,对实时点云数据集进行聚类和卡尔曼滤波处理,获取目标停车场各个事物目标对应的实时点云数据,获取各个事物目标的时频图,对时频图进行特征提取,根据提取的特征通过神经网络分类模型进行分类得到各个事物目标的类型,获取各个事物目标的当前位置信息,获取与待停车车辆相距预设范围内的事物目标作为待注意事物目标,向待停车车辆发送安全行驶提醒。
根据待停车车辆的时频图获取待停车车辆的行车轨迹,根据行车轨迹判断待停车车辆是否偏离推荐的空闲停车位,若偏离,则发送提醒信号。
图6为一个实施例提供的计算机设备的内部结构图。该计算机设备具体可以是图1中的终端100(或服务器200)。如图6所示,该计算机设备通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现停车管理方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行停车管理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的停车管理装置可以实现为一种计算机程序的形式,计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成该停车管理装置的各个程序模块,比如,图4和图5所示的接收模块10、点云数据获取模块20、聚类滤波模块30、分类模块40、处理模块50、空闲停车位获取模块60、定位模块70、推荐模块80。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的停车管理方法中的步骤。
例如,图6所示的计算机设备可以通过图4和图5所示的接收模块10接收停车请求。计算机设备可以通过点云数据获取模块20获取接收到停车请求时目标停车场的点云数据集,将接收到停车请求时目标停车场的点云数据集作为初始点云数据集。计算机设备还可以通过聚类滤波模块30对初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到停车请求时目标停车场事物目标和每个事物目标的初始位置信息。计算机设备还可以通过分类模块40根据神经网络分类模型对每个事物目标进行分类以确定每个事物目标的类型。计算机设备还可以通过处理模块50根据每个事物目标的初始位置信息和类型得到目标停车场的停车位的占用信息。计算机设备还可以通过空闲停车位获取模块60根据占用信息获取空闲停车位信息。计算机设备还可以通过定位模块70获取待停车车辆的初始位置信息。计算机设备还可以通过推荐模块80根据空闲停车位信息和待停车车辆的初始位置信息向待停车车辆推荐空闲停车位。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:接收停车请求;获取接收到停车请求时目标停车场的点云数据集,将接收到停车请求时目标停车场的点云数据集作为初始点云数据集;对初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到停车请求时目标停车场的事物目标和每个事物目标的初始位置信息;根据神经网络分类模型对每个事物目标进行分类以确定每个事物目标的类型;根据每个事物目标的初始位置信息和类型得到目标停车场的停车位的占用信息;根据占用信息获取空闲停车位信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取待停车车辆的初始位置信息;根据空闲停车位信息和待停车车辆的初始位置信息向待停车车辆推荐空闲停车位。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本申请的技术方案通过毫米波雷达采集目标停车场的点云数据集,并对采集的点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到目标停车场的停车位的占用信息,进而获取空闲停车位信息以向待停车车辆推荐空闲停车位,通过此方案利用毫米波雷达可以快速、准确的确定空闲停车位的数量及位置信息,避免驾驶人员盲目地在停车场自主寻找停车位,耗时耗力,而且不一定能找到停车位,提高了用户停车体验;根据待停车车辆的位置和空闲停车位信息可以向驾驶人员推荐最优停车位,节省了停车时间;可以多次向驾驶人员推荐空闲停车位直到驾驶人员接受,当接受空闲停车位后将该停车位预留给待停车车辆,避免其他车辆抢占停车位,营造了一个良好公正的停车环境;对待停车车辆在停车场的形式轨迹进行跟踪,当偏离推荐的空闲停车位后发送提醒信号以规范停车秩序。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种停车管理方法,其特征在于,所述方法包括:
接收停车请求,所述停车请求包括待停车车辆的标识信息、当前位置信息、目标停车场的标识信息,所述待停车车辆的当前位置信息通过目标停车场入口的刷卡机或所述停车车辆发送给服务器;
获取接收到所述停车请求时目标停车场的点云数据集,将接收到所述停车请求时目标停车场的点云数据集作为初始点云数据集,所述点云数据集由分散安装在所述停车场的多个毫米波雷达监测采集得到;
对所述初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到所述停车请求时所述目标停车场的事物目标和每个事物目标的初始位置信息;
根据神经网络分类模型对每个所述事物目标进行分类以确定每个事物目标的类型,所述类型包括人、车辆;
根据每个所述事物目标的初始位置信息和类型得到所述目标停车场的停车位的占用信息;
根据所述占用信息获取空闲停车位信息;
获取所述待停车车辆进入到所述目标停车场后当前帧的实时点云数据集;
对所述实时点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到当前帧所述目标停车场的事物目标和每个事物目标的当前位置信息;
根据神经网络分类模型对当前帧中每个事物目标进行分类以确定当前帧中每个事物目标的类型;
根据当前帧各个事物目标的当前位置信息获取当前位置与待停车车辆的当前位置相距预设范围内的事物目标,将相距预设范围内的事物目标作为待注意事物目标;
根据所述待注意事物目标的类型、待注意事物目标与所述待停车车辆的当前位置信息向所述待停车车辆发送安全行驶提醒;
所述根据神经网络分类模型对每个所述事物目标进行分类以确定每个事物目标的类型,包括:
根据每个所述事物目标关联的初始点云数据和历史点云数据获取对应事物目标的时频图,
分别根据每个事物目标对应的时频图进行特征提取,
将提取的特征输入到训练好的神经网络分类模型进行分类以确定每个事物目标的类型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取待停车车辆的初始位置信息;
根据所述空闲停车位信息和所述待停车车辆的初始位置信息向所述待停车车辆推荐空闲停车位。
3.根据权利要求2所述的方法,其特征在于,所述获取接收到所述停车请求时目标停车场的点云数据集,包括:
通过毫米波雷达获取接收到所述停车请求时所述目标停车场对应的回波信号;
对所述回波信号进行处理得到接收到所述停车请求时所述目标停车场对应的点云数据集。
4.根据权利要求3所述的方法,其特征在于,所述对所述初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到所述停车请求时所述目标停车场的事物目标和每个事物目标的初始位置信息,包括:
对所述初始点云数据集进行聚类和卡尔曼滤波使同一事物目标的初始点云数据聚类,使每个事物目标的下一帧的点云数据与由上一帧点云数据聚类得到的对应事物目标关联,
根据每个事物目标聚类的初始点云数据获取对应事物目标的初始位置信息;
所述根据每个所述事物目标的初始位置信息和类型得到所述目标停车场的停车位的占用信息,包括:
将类型为车辆的事物目标对应的初始位置信息分别与预存的所述目标停车场的每个停车位的位置信息进行匹配,
将位置信息与类型为车辆的事物目标的初始位置信息匹配的停车位作为已占用停车位,
将位置信息与类型为车辆的事物目标的初始位置信息不匹配的停车位作为空闲停车位。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述待停车车辆对应的时频图获取待停车车辆的行车轨迹;
根据所述行车轨迹判断所述待停车车辆是否偏离所述推荐的空闲停车位;
若偏离所述推荐的空闲停车位,则向所述待停车车辆发送提醒信号。
6.根据权利要求5所述的方法,其特征在于,在所述根据所述空闲停车位信息和初始位置信息向所述待停车车辆推荐空闲停车位之后,还包括:
获取推荐停车位反馈信号;
若所述推荐停车位反馈信号为接受所述推荐的空闲停车位,则将所述推荐的空闲停车位从所述空闲停车位信息中去除,更新所述空闲停车位信息;
若所述推荐停车位反馈信号为拒绝接受所述推荐的空闲停车位,则向所述待停车车辆推荐其他空闲停车位直至接受推荐的空闲停车位。
7.根据权利要求4所述的方法,其特征在于,所述神经网络分类模型采用双向长短时记忆神经网络,所述双向长短时记忆神经网络包括前向长短时记忆网络和后向长短时记忆网络。
8.一种停车管理装置,其特征在于,所述装置包括:
接收模块,用于接收停车请求,所述停车请求包括待停车车辆的标识信息、当前位置信息、目标停车场的标识信息,所述待停车车辆的当前位置信息通过目标停车场入口的刷卡机或所述停车车辆发送给服务器;
点云数据获取模块,用于获取接收到所述停车请求时目标停车场的点云数据集,将接收到所述停车请求时目标停车场的点云数据集作为初始点云数据集,所述点云数据集由分散安装在所述停车场的多个毫米波雷达监测采集得到;
聚类滤波模块,用于对所述初始点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到接收到所述停车请求时所述目标停车场事物目标和每个事物目标的初始位置信息;
分类模块,用于根据神经网络分类模型对每个所述事物目标进行分类以确定每个事物目标的类型,所述类型包括人、车辆;
处理模块,用于根据每个所述事物目标的初始位置信息和类型得到所述目标停车场的停车位的占用信息;
空闲停车位获取模块,用于根据所述占用信息获取空闲停车位信息;
所述点云数据获取模块,还用于获取所述待停车车辆进入到所述目标停车场后当前帧的实时点云数据集;
所述聚类滤波模块,还用于对所述实时点云数据集进行聚类和卡尔曼滤波实现跟踪定位得到当前帧所述目标停车场的事物目标和每个事物目标的当前位置信息;
所述分类模块,还用于根据神经网络分类模型对当前帧中每个事物目标进行分类以确定当前帧中每个事物目标的类型;
所述处理模块,还用于根据当前帧各个事物目标的当前位置信息获取当前位置与待停车车辆的当前位置相距预设范围内的事物目标,将相距预设范围内的事物目标作为待注意事物目标;根据所述待注意事物目标的类型、待注意事物目标与所述待停车车辆的当前位置信息向所述待停车车辆发送安全行驶提醒;
所述分类模块具体用于:
根据每个所述事物目标关联的初始点云数据和历史点云数据获取对应事物目标的时频图,
分别根据每个事物目标对应的时频图进行特征提取,
将提取的特征输入到训练好的神经网络分类模型进行分类以确定每个事物目标的类型。
9.一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,其特征在于,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行如权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911073254.5A CN111047901B (zh) | 2019-11-05 | 2019-11-05 | 停车管理方法、装置、存储介质、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911073254.5A CN111047901B (zh) | 2019-11-05 | 2019-11-05 | 停车管理方法、装置、存储介质、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047901A CN111047901A (zh) | 2020-04-21 |
CN111047901B true CN111047901B (zh) | 2021-07-20 |
Family
ID=70231864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911073254.5A Active CN111047901B (zh) | 2019-11-05 | 2019-11-05 | 停车管理方法、装置、存储介质、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047901B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022087879A1 (zh) * | 2020-10-28 | 2022-05-05 | 华为技术有限公司 | 一种场景文件的获取方法以及装置 |
CN112561971A (zh) * | 2020-12-16 | 2021-03-26 | 珠海格力电器股份有限公司 | 人流量统计方法、装置、设备及存储介质 |
CN113720862B (zh) * | 2021-08-17 | 2023-01-13 | 珠海格力电器股份有限公司 | 零件异常检测方法、装置、设备及存储介质 |
CN113947892B (zh) * | 2021-08-26 | 2023-01-10 | 北京万集科技股份有限公司 | 异常停车的监测方法、装置、服务器及可读存储介质 |
CN114648890B (zh) * | 2022-03-23 | 2023-02-28 | 深圳一清创新科技有限公司 | 一种停车位状态检测方法、装置及智能车 |
CN115050192B (zh) * | 2022-06-09 | 2023-11-21 | 南京矽典微系统有限公司 | 基于毫米波雷达的停车位检测的方法及应用 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845351A (zh) * | 2016-05-13 | 2017-06-13 | 苏州大学 | 一种用于视频的基于双向长短时记忆单元的行为识别方法 |
CN105931490A (zh) * | 2016-06-27 | 2016-09-07 | 合肥指南针电子科技有限责任公司 | 一种停车位自动导航系统 |
US10078790B2 (en) * | 2017-02-16 | 2018-09-18 | Honda Motor Co., Ltd. | Systems for generating parking maps and methods thereof |
CN107341819B (zh) * | 2017-05-09 | 2020-04-28 | 深圳市速腾聚创科技有限公司 | 目标跟踪方法及存储介质 |
CN107728162A (zh) * | 2017-10-16 | 2018-02-23 | 济南浪潮高新科技投资发展有限公司 | 基于激光雷达的无人驾驶汽车停车安全监测系统 |
CN107610524A (zh) * | 2017-11-02 | 2018-01-19 | 济南浪潮高新科技投资发展有限公司 | 一种利用激光雷达进行停车场车位智能识别的方法及装置 |
CN108090435B (zh) * | 2017-12-13 | 2022-01-25 | 深圳市航盛电子股份有限公司 | 一种可停车区域识别方法、系统及介质 |
US10705534B2 (en) * | 2018-04-19 | 2020-07-07 | Faraday&Future Inc. | System and method for ground plane detection |
CN109100741B (zh) * | 2018-06-11 | 2020-11-20 | 长安大学 | 一种基于3d激光雷达及图像数据的目标检测方法 |
CN109186586B (zh) * | 2018-08-23 | 2022-03-18 | 北京理工大学 | 一种面向动态泊车环境的同时定位及混合地图构建方法 |
CN109344804A (zh) * | 2018-10-30 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 一种激光点云数据的识别方法、装置、设备和介质 |
CN109598973A (zh) * | 2018-12-26 | 2019-04-09 | 北京金山安全软件有限公司 | 一种停车管理方法及装置、电子设备 |
-
2019
- 2019-11-05 CN CN201911073254.5A patent/CN111047901B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111047901A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047901B (zh) | 停车管理方法、装置、存储介质、计算机设备 | |
US8774465B2 (en) | System and method for providing automotive purchase, insurance quote, and vehicle financing information using vehicle recognition | |
US20210216797A1 (en) | Method for the classification of parking spaces in a surrounding region of a vehicle with a neural network | |
US20150058101A1 (en) | Managing personal parking space | |
CN113269901A (zh) | 停车场控制方法、系统及计算机可读存储介质 | |
WO2015160900A1 (en) | Assessing asynchronous authenticated data sources for use in driver risk management | |
US10657809B2 (en) | Automatic learning for vehicle classification | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN107645709B (zh) | 一种确定人员信息的方法及装置 | |
CN112820137B (zh) | 一种停车场的管理方法及装置 | |
CN109389622B (zh) | 车辆追踪方法、装置、识别设备及存储介质 | |
CN111091215B (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
CA3101864A1 (en) | Systems and methods for identifying vehicles using wireless device identifiers | |
WO2023039071A1 (en) | Systems and methods for electronic signature tracking and analysis | |
CN112861567B (zh) | 一种车型分类方法及装置 | |
CN112633580A (zh) | 基于人工智能的酒驾车辆预警方法、装置、设备和介质 | |
CN113076922A (zh) | 一种物体检测方法及装置 | |
JP2019079330A (ja) | 盗難車追跡システム | |
CN114495305A (zh) | 道路差异化收费的方法、系统、路侧基站和存储介质 | |
CN112800841B (zh) | 一种行人计数方法、装置、系统及计算机可读存储介质 | |
CN109949602A (zh) | 停车管理方法、计算机设备及存储介质 | |
CN110766101A (zh) | 确定移动轨迹的方法和装置 | |
CN110991253A (zh) | 一种基于区块链的人脸数字身份识别方法和装置 | |
CN110674749A (zh) | 套牌车识别方法、装置和存储介质 | |
Mahmud et al. | IoT Based Online Integrated System to Share Available Parking Space |
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 |