CN111739335B - 一种基于视觉差的停车检测方法及装置 - Google Patents

一种基于视觉差的停车检测方法及装置 Download PDF

Info

Publication number
CN111739335B
CN111739335B CN202010377419.4A CN202010377419A CN111739335B CN 111739335 B CN111739335 B CN 111739335B CN 202010377419 A CN202010377419 A CN 202010377419A CN 111739335 B CN111739335 B CN 111739335B
Authority
CN
China
Prior art keywords
vehicle
detected
current
video frame
determining
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
Application number
CN202010377419.4A
Other languages
English (en)
Other versions
CN111739335A (zh
Inventor
闫军
侯林
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.)
Smart Intercommunication Technology Co ltd
Original Assignee
Smart Intercommunication 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 Smart Intercommunication Technology Co ltd filed Critical Smart Intercommunication Technology Co ltd
Publication of CN111739335A publication Critical patent/CN111739335A/zh
Priority to PCT/CN2020/131818 priority Critical patent/WO2021223418A1/zh
Priority to US17/425,330 priority patent/US11398092B2/en
Application granted granted Critical
Publication of CN111739335B publication Critical patent/CN111739335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • 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
    • G08G1/147—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is within an open public zone, e.g. city centre
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30264—Parking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种基于视觉差的停车检测方法及装置，该方法包括：获取各摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时刻的时间信息；在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息；根据已确定的各视频帧中待检测车辆的车辆信息，确定所述各视频帧中待检测车辆的特征点信息；分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，并根据所述位置关系构建待检测车辆的当前三维坐标；根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态。通过本发明，能够精确地确定车辆状态，极大地提高了车辆检测的检测效率和准确性。

Description

一种基于视觉差的停车检测方法及装置
技术领域
本发明涉及智能停车管理技术领域，尤其涉及一种基于视觉差的停车检测方法及装置。
背景技术
随着城市经济的飞速发展和人民生活水平的不断提高，城市机动车保有量快速增长，在有限停车泊位的情况下，出现了百姓停车难的问题。为了解决这个难题，城市管理者开始在路侧规划泊位解决百姓停车问题，但是路侧泊位每个泊位都有多个出入口，基于路侧停车的自身特点，加大了路侧泊位管理的难度。
如何有效的对路侧泊位停车进行管理，目前市面上有很多方案，例如在每个泊位安装地磁，在每个泊位安装视频桩、流动车辆巡检、高位球机、平行矩阵等设备。路侧停车管理一般由政府发起，由于涉及到停车收费的计时问题，因此，停车事件的准确度将影响到政府的公信力。而传统的路侧停车管理设备都有必可避免的缺陷或者效率低下的地方，例如地磁设备虽然成本很低，但检测车辆容时易受到地面物体的干扰，造成车辆出入场事件不准确，同时，地磁设备无法识别车牌，需要结合人工手动记录，效率极低；又例如，视频桩设备由于安装位置较低，容易被人干扰，存在较大的逃避收费风险，需要付出较高的人力成本来进行监督管理，而且视频桩在对停车不规范的情况处理时，容易造成漏报；又例如，流动车辆巡检是不仅需要人为参与，还占用一辆机动车来进行监督管理，最重要的，对于机动车巡检过后的车辆驶离将无法精准记录；又例如，高位球机在对多车辆同时出入场的场景进行管理时，存在识别硬件缺陷，在车流量较大的地方，高位球机容易产生较多漏报记录，难以有效准确的对路侧停车进行管理；又例如，平行矩阵的路侧管理设备，当路侧存在园林树木，容易发生树枝遮挡镜头或者由于刮风天气，造成树枝在镜头前晃动，干扰车辆的出入场动作检测，同时，存在较大车辆遮挡该车辆前方小车泊位，造成其他泊位车辆出入场动作发生漏报或误报等情况。
因此，亟待一种能够针对现有路侧停车条件下存在的情况，精确准确的检测车辆状态的方法。
发明内容
本发明实施例提供一种基于视觉差的停车检测方法及装置，实现了对车辆状态进行精确地检测。
本发明实施例提供了一种基于视觉差的停车检测方法，包括：
获取各摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时刻的时间信息；
在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息；
根据已确定的各视频帧中待检测车辆的车辆信息，确定所述各视频帧中待检测车辆的特征点信息；
根据所述特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，并根据所述位置关系构建待检测车辆的当前三维坐标；
根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态。
本发明实施例还提供了一种基于视觉差的停车检测装置，包括：
获取及标注模块，用于获取各摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时刻的时间信息；
第一确定模块，用于在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息；
第二确定模块，用于根据已确定的各视频帧中待检测车辆的车辆信息，确定所述各视频帧中待检测车辆的特征点信息；
计算及构建模块，用于根据所述特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，并根据所述位置关系构建待检测车辆的当前三维坐标；
第三确定模块，用于根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态。
上述技术方案具有如下有益效果：通过本发明，获取各摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时刻的时间信息，能够及时地对车辆进行检测，降低了车辆漏检的情况发生；通过确定所述各视频帧中待检测车辆的特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，并根据所述位置关系构建待检测车辆的当前三维坐标，实现了根据视距差原理，精确地获取车辆基于摄像机的空间位置信息，为后续判断车辆的状态提供了重要的前提条件；根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态，实现了根据车辆的空间位置信息精确地确定车辆状态，极大地提高了车辆检测的检测效率和准确性；进一步地，摆脱了停车管理对传统车辆管理设备的依赖，实现了能够不受周围环境影响即能够可靠、精确、高效地对车辆进行管理，进一步地，节约了停车管理的管理成本。
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为本发明实施例中一种基于视觉差的停车检测方法流程图；
图2为本发明一实施例中一种基于视觉差的停车检测装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。
如图1所示，为本发明实施例中一种基于视觉差的停车检测方法流程图，包括：
110、获取各摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时刻的时间信息；
120、在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息；
130、根据已确定的各视频帧中待检测车辆的车辆信息，确定所述各视频帧中待检测车辆的特征点信息；
140、根据所述特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，并根据所述位置关系构建待检测车辆的当前三维坐标；
150、根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态。
进一步地，所述在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息，具体包括：
在已标注时间信息的各视频帧中，基于每一视频帧，通过预定卷积神经网络模型对当前视频帧进行针对车辆的全帧检测，得到待检测车辆的车辆信息；
其中，所述车辆信息包括车辆特征点信息。
进一步地，所述根据所述特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，包括：
基于所述各视频帧中待检测车辆的特征点信息，通过视觉差原理对所述各视频帧中待检测车辆的相同的特征点进行比对；
确定比对后的所述各个特征点在各自视频帧中的位置信息；
基于所述位置信息，计算得到各个所述特征点与各自所在视频帧所属拍摄的摄像机的距离。
进一步地，所述基于所述位置信息，计算得到各个所述特征点与各自所在视频帧所属拍摄的摄像机的距离的步骤之后，包括：
基于各个所述距离，确定最大距离的特征点和最小距离的特征点；
其中，所述根据所述位置关系构建待检测车辆的当前三维坐标，包括：
根据已确定的最大距离的特征点和最小距离的特征点，构建待检测车辆的当前三维坐标。
可选地，所述根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态，还包括：
根据所述待检测车辆的当前三维坐标，判断待检测车辆是否被遮挡；
若未被遮挡，确定待检测车辆的停车状态。
进一步地，包括：
将任一摄像机确定为主摄像机。
进一步地，所述根据所述待检测车辆的当前三维坐标，判断待检测车辆是否被遮挡，包括：
确定基于构建的待检测车辆当前三维坐标的时间信息，并根据所述时间信息，获取所述待检测车辆在所述时间信息的前一时刻的比对三维坐标；
针对每一个特征点，判断所述待检测车辆当前特征点在当前三维坐标的位置与所述待检测车辆当前特征点在对比三维坐标中的位置是否一致；
若不一致，根据所述当前三维坐标的位置，确定当前特征点在当前三维坐标中与主摄像机的当前距离，并根据所述对比三维坐标的位置，确定当前特征点在对比三维坐标中与主摄像机的对比距离；
根据所述当前距离与所述对比距离，判断待检测车辆是否被遮挡。
进一步地，所述根据所述当前距离与所述对比距离，判断待检测车辆是否被遮挡，包括：
若所述当前距离不小于所述对比距离，确定待检测车辆未被遮挡；
若所述当前距离小于所述对比距离，确定待检测车辆被遮挡。
如图2所示，为本发明一实施例中一种基于视觉差的停车检测装置结构示意图，包括：
获取及标注模块21，用于获取各摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时刻的时间信息；
第一确定模块22，用于在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息；
第二确定模块23，用于根据已确定的各视频帧中待检测车辆的车辆信息，确定所述各视频帧中待检测车辆的特征点信息；
计算及构建模块24，用于根据所述特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，并根据所述位置关系构建待检测车辆的当前三维坐标；
第三确定模块25，用于根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态。
进一步地，所述第一确定模块，具体用于
在已标注时间信息的各视频帧中，基于每一视频帧，通过预定卷积神经网络模型对当前视频帧进行针对车辆的全帧检测，得到待检测车辆的车辆信息；
其中，所述车辆信息包括车辆特征点信息。
进一步地，所述计算及构建模块，包括：
比对单元，用于基于所述各视频帧中待检测车辆的特征点信息，通过视觉差原理对所述各视频帧中待检测车辆的相同的特征点进行比对；
第一确定单元，用于确定比对后的所述各个特征点在各自视频帧中的位置信息；
计算单元，用于基于所述位置信息，计算得到各个所述特征点与各自所在视频帧所属拍摄的摄像机的距离。
进一步地，所述计算及构建模块，包括：
第二确定单元，用于基于各个所述距离，确定最大距离的特征点和最小距离的特征点；
构建单元，用于根据已确定的最大距离的特征点和最小距离的特征点，构建待检测车辆的当前三维坐标。
可选地，所述第三确定模块，还包括：
判断单元，用于根据所述待检测车辆的当前三维坐标，判断待检测车辆是否被遮挡；
第三确定单元，用于若未被遮挡，确定待检测车辆的停车状态。
进一步地，包括：
第四确定模块，用于将任一摄像机确定为主摄像机。
进一步地，所述判断单元，具体用于
确定基于构建的待检测车辆当前三维坐标的时间信息，并根据所述时间信息，获取所述待检测车辆在所述时间信息的前一时刻的比对三维坐标；
针对每一个特征点，判断所述待检测车辆当前特征点在当前三维坐标的位置与所述待检测车辆当前特征点在对比三维坐标中的位置是否一致；
若不一致，根据所述当前三维坐标的位置，确定当前特征点在当前三维坐标中与主摄像机的当前距离，并根据所述对比三维坐标的位置，确定当前特征点在对比三维坐标中与主摄像机的对比距离；
根据所述当前距离与所述对比距离，判断待检测车辆是否被遮挡。
进一步地，所述判断单元，具体用于
若所述当前距离不小于所述对比距离，确定待检测车辆未被遮挡；
若所述当前距离小于所述对比距离，确定待检测车辆被遮挡。
本发明实施例上述技术方案具有如下有益效果：通过本实施例，获取各摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时刻的时间信息，能够及时地对车辆进行检测，降低了车辆漏检的情况发生；通过确定所述各视频帧中待检测车辆的特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，并根据所述位置关系构建待检测车辆的当前三维坐标，实现了根据视距差原理，精确地获取车辆基于摄像机的空间位置信息，为后续判断车辆的状态提供了重要的前提条件；根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态，实现了根据车辆的空间位置信息精确地确定车辆状态，极大地提高了车辆检测的检测效率和准确性；进一步地，摆脱了停车管理对传统车辆管理设备的依赖，实现了能够不受周围环境影响即能够可靠、精确、高效地对车辆进行管理，进一步地，节约了停车管理的管理成本。
以下结合应用实例对本发明实施例上述技术方案进行详细说明：
本发明应用实例旨在高效、精确地对车辆状态进行检测。
如图1所示，例如，在停车管理系统中，路侧视频杆或安装杆上配置有至少一个摄像机，如包括摄像机A和摄像机B，通过各摄像机实时拍摄预定监控区域的视频信息；获取摄像机A和摄像机B实时拍摄的预定监控区域的视频帧，若获取的视频帧拍摄的时间为2020-03-03 12:01:34，摄像机A拍摄的视频帧的标注信息为“A-2020-03-03 12:01:34”，摄像机B拍摄的视频帧标注信息为“B-2020-03-03 12:01:34”；随后，在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定各视频帧中待检测车辆，如待检测车辆Car的车辆信息；根据已确定的各视频帧中待检测车辆Car的车辆信息，确定各视频帧中待检测车辆Car的特征点信息，特征点如车辆各车轮点；根据该特征点信息，分别计算“A-2020-03-0312:01:34”视频帧中待检测车辆Car与其对应摄像机A的位置关系以及“B-2020-03-03 12:01:34”视频帧中待检测车辆Car与其对应摄像机B的位置关系，并根据该位置关系构建待检测车辆Car的当前三维坐标；随后，根据待检测车辆Car的当前三维坐标，确定待检测车辆Car的停车状态。
需要说明的是，本领域技术人员可以理解，车辆特征点包括车轮、车顶、后视镜等；车辆的停车状态，包括车辆驶入状态，车辆驶出状态和车辆停泊状态，本发明实施例中虽会以特定为例说明，但在此不做限定。
还需要说明的是，本发明中的摄像机的数量为多个，本发明是本发明实施例中虽会以特定为例说明，但在此不做限定。
在一可能的实现方式中，在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息，具体包括：在已标注时间信息的各视频帧中，基于每一视频帧，通过预定卷积神经网络模型对当前视频帧进行针对车辆的全帧检测，得到待检测车辆的车辆信息；其中，所述车辆信息包括车辆特征点信息。
其中，所述根据所述特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，包括：基于所述各视频帧中待检测车辆的特征点信息，通过视觉差原理对所述各视频帧中待检测车辆的相同的特征点进行比对；确定比对后的所述各个特征点在各自视频帧中的位置信息；基于所述位置信息，计算得到各个所述特征点与各自所在视频帧所属拍摄的摄像机的距离。
例如，在停车管理系统中，路侧视频杆或安装杆上配置有摄像机A和摄像机B，通过各摄像机实时拍摄预定监控区域的视频信息；获取摄像机A和摄像机B实时拍摄的预定监控区域的视频帧，若获取的视频帧拍摄的时间为2020-03-03 12:01:34，摄像机A拍摄的视频帧的标注信息为“A-2020-03-03 12:01:34”，摄像机B拍摄的视频帧标注信息为“B-2020-03-03 12:01:34”；分别通过预定卷积神经网络模型对视频帧“A-2020-03-03 12:01:34”和视频帧“B-2020-03-03 12:01:34”进行针对车辆的全帧检测，得到待检测车辆，如待检测车辆Car的车辆信息，其中，车辆信息包括车辆特征点信息，特征点信息如车辆各车轮点和车顶距摄像头近端边缘线中心点的信息；随后，基于视频帧“A-2020-03-03 12:01:34”和视频帧“B-2020-03-03 12:01:34”中待检测车辆Car的特征点信息，通过视觉差原理对各视频帧中待检测车辆Car的相同的特征点进行比对；确定比对后的各个特征点在各自视频帧中的位置信息；基于该位置信息，计算得到各个所述特征点与各自所在视频帧所属拍摄的摄像机的距离。
在一可能的实现方式中，在基于所述位置信息，计算得到各个所述特征点与各自所在视频帧所属拍摄的摄像机的距离的步骤之后，包括：基于各个所述距离，确定最大距离的特征点和最小距离的特征点。
其中，所述根据所述位置关系构建待检测车辆的当前三维坐标，包括：根据已确定的最大距离的特征点和最小距离的特征点，构建待检测车辆的当前三维坐标。
其中，所述根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态，还包括：根据所述待检测车辆的当前三维坐标，判断待检测车辆是否被遮挡；若未被遮挡，确定待检测车辆的停车状态。
例如，接上例，计算得到的各个特征点与各自所在视频帧所属拍摄的摄像机的距离后，确定最大距离的特征点，如为摄像机A拍摄的视频帧中车身左侧前轮中心点的特征点，和最小距离的特征点，如为摄像机B拍摄的视频帧中车顶距摄像头近端边缘线中心点，随后，根据车身左侧前轮中心点的特征点所在的视频帧，如“A-2020-03-03 12:01:34”视频帧，中与摄像机A的距离以及车顶距摄像头近端边缘线中心点所在的视频帧，如“B-2020-03-03 12:01:34”视频帧，中与摄像机B的距离，构建待检测车辆Car的当前三维坐标，如cor10；随后，根据待检测车辆Car的当前三维坐标cor10，判断待检测车辆Car是否被遮挡；若未被遮挡，确定待检测车辆Car的停车状态。
通过本实施例，通过精确地检测车辆是否被遮挡，避免了因天气，如刮风天气时，树枝/树叶遮挡摄像机镜头，以及较大车辆遮挡前方泊位等情况，导致的车辆驶入泊位或驶出泊位造成误判断的情况发生；能够显著地提高路侧停车管理的准确性和检测效率。
在一可能的实现方式中，该方法包括：将任一摄像机确定为主摄像机。
其中，所述根据所述待检测车辆的当前三维坐标，判断待检测车辆是否被遮挡，包括：确定基于构建的待检测车辆当前三维坐标的时间信息，并根据所述时间信息，获取所述待检测车辆在所述时间信息的前一时刻的比对三维坐标；针对每一个特征点，判断所述待检测车辆当前特征点在当前三维坐标的位置与所述待检测车辆当前特征点在对比三维坐标中的位置是否一致；若不一致，根据所述当前三维坐标的位置，确定当前特征点在当前三维坐标中与主摄像机的当前距离，并根据所述对比三维坐标的位置，确定当前特征点在对比三维坐标中与主摄像机的对比距离；根据所述当前距离与所述对比距离，判断待检测车辆是否被遮挡。
其中，所述根据所述当前距离与所述对比距离，判断待检测车辆是否被遮挡，包括：若所述当前距离不小于所述对比距离，确定待检测车辆未被遮挡；若所述当前距离小于所述对比距离，确定待检测车辆被遮挡。
例如，在停车管理系统中，将任一摄像机确定为主摄像机，如将摄像机A确定为主摄像机；根据待检测车辆Car的当前三维坐标cor10，确定基于构建的待检测车辆Car当前三维坐标cor10的时间信息为2020-03-03 12:01:34，并根据该时间信息，获取待检测车辆Car在2020-03-03 12:01:34的前一时刻，如2020-03-03 12:01:33，的比对三维坐标，如为cor09；针对每一个特征点，判断待检测车辆Car当前特征点在当前三维坐标cor10的位置与待检测车辆Car当前特征点在对比三维坐标cor09中的位置是否一致；若不一致，根据所述当前三维坐标cor10的位置，确定当前特征点在当前三维坐标cor10中与主摄像机A的当前距离，如为6米，并根据对比三维坐标cor09的位置，确定当前特征点在对比三维坐标cor09中与主摄像机A的对比距离，如为5米；根据当前距离6米与对比距离5米，确定当前距离不小于对比距离，确定待检测车辆Car未被遮挡。其中，若确定当前距离小于对比距离，确定待检测车辆被遮挡，则，停车管理系统可确定该视频帧为不可用视频帧，将抛弃该视频帧。
在一具体应用场景中，在停车管理系统中，根据上述实施例中已确定的待检测车辆的当前三维坐标，停车管理系统判断车辆停车状态的具体方式还包括以下任一种：
1)在当前三维坐标中，若待检测车辆的底平面中心点落入到任一泊位范围内时，确定待检测车辆驶入泊位；
2)在当前三维坐标中，若当待检测车辆的底平面中心点在任一泊位范围外时，确定待检测车辆驶出泊位；
在停车管理系统中，根据已构建的当前三维坐标，若待检测车辆的底平面中心点落入到任一泊位范围内时，确定待检测车辆驶入泊位的时间为当前时间；在当前三维坐标中，若当待检测车辆的底平面中心点在任一泊位范围外时，确定基于构建的待检测车辆当前三维坐标的时间信息，并根据该时间信息，获取待检测车辆在该时间信息的前一时刻的比对三维坐标，随后，判断比对三维坐标中，待检测车辆的底平面中心点是否在任一泊位范围内，若是，确定待检测车辆驶出泊位的时间为当前时间。例如，根据已构建的当前三维坐标cor10，若待检测车辆Car的底平面中心点落入到任一泊位，如泊位001范围内时，确定待检测车辆Car驶入泊位001的时间为当前时间为2020-03-03 12:01:34；在当前三维坐标中cor10，若当待检测车辆Car的底平面中心点在任一泊位范围外时，确定基于构建的待检测车辆Car当前三维坐标的时间信息，并根据该时间信息，获取待检测车辆Car在该时间信息的前一时刻，如2020-03-03 12:01:33，的比对三维坐标，如cor09，随后，判断比对三维坐标cor09中，待检测车辆Car的底平面中心点是否在任一泊位范围内，若是，确定待检测车辆驶Car出泊位的时间为当前时间为2020-03-03 12:01:33。
通过本实施例，能够提高路车停车的管理效率，精确地判断车辆的各种停车状态，进一步地提高了路侧停车管理的准确性和检测效率。
本发明实施例提供了一种基于视觉差的停车检测装置，可以实现上述提供的方法实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种基于视觉差的停车检测方法，其特征在于，包括：
获取各摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时刻的时间信息；
在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息；
根据已确定的各视频帧中待检测车辆的车辆信息，确定所述各视频帧中待检测车辆的特征点信息；
根据所述特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，并根据所述位置关系构建待检测车辆的当前三维坐标；
根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态；
其中，所述根据所述特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，包括：基于所述各视频帧中待检测车辆的特征点信息，通过视觉差原理对所述各视频帧中待检测车辆的相同的特征点进行比对；确定比对后的所述各个特征点在各自视频帧中的位置信息；基于所述位置信息，计算得到各个所述特征点与各自所在视频帧所属拍摄的摄像机的距离。
2.根据权利要求1所述的停车检测方法，其特征在于，所述在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息，具体包括：
在已标注时间信息的各视频帧中，基于每一视频帧，通过预定卷积神经网络模型对当前视频帧进行针对车辆的全帧检测，得到待检测车辆的车辆信息；
其中，所述车辆信息包括车辆特征点信息。
3.根据权利要求1或2所述的停车检测方法，其特征在于，所述基于所述位置信息，计算得到各个所述特征点与各自所在视频帧所属拍摄的摄像机的距离的步骤之后，包括：
基于各个所述距离，确定最大距离的特征点和最小距离的特征点；
其中，所述根据所述位置关系构建待检测车辆的当前三维坐标，包括：
根据已确定的最大距离的特征点和最小距离的特征点，构建待检测车辆的当前三维坐标。
4.根据权利要求1所述的停车检测方法，其特征在于，所述根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态，还包括：
根据所述待检测车辆的当前三维坐标，判断待检测车辆是否被遮挡；
若未被遮挡，确定待检测车辆的停车状态。
5.根据权利要求4所述的停车检测方法，其特征在于，包括：
将任一摄像机确定为主摄像机。
6.根据权利要求5所述的停车检测方法，其特征在于，所述根据所述待检测车辆的当前三维坐标，判断待检测车辆是否被遮挡，包括：
确定基于构建的待检测车辆当前三维坐标的时间信息，并根据所述时间信息，获取所述待检测车辆在所述时间信息的前一时刻的比对三维坐标；
针对每一个特征点，判断所述待检测车辆当前特征点在当前三维坐标的位置与所述待检测车辆当前特征点在对比三维坐标中的位置是否一致；
若不一致，根据所述当前三维坐标的位置，确定当前特征点在当前三维坐标中与主摄像机的当前距离，并根据所述对比三维坐标的位置，确定当前特征点在对比三维坐标中与主摄像机的对比距离；
根据所述当前距离与所述对比距离，判断待检测车辆是否被遮挡。
7.根据权利要求6所述的停车检测方法，其特征在于，所述根据所述当前距离与所述对比距离，判断待检测车辆是否被遮挡，包括：
若所述当前距离不小于所述对比距离，确定待检测车辆未被遮挡；
若所述当前距离小于所述对比距离，确定待检测车辆被遮挡。
8.一种基于视觉差的停车检测装置，其特征在于，包括：
获取及标注模块，用于获取各摄像机实时拍摄的预定监控区域的视频帧，并针对各摄像机，标注各自对应视频帧的当前时刻的时间信息；
第一确定模块，用于在已标注时间信息的各视频帧中，分别通过预定卷积神经网络模型确定所述各视频帧中待检测车辆的车辆信息；
第二确定模块，用于根据已确定的各视频帧中待检测车辆的车辆信息，确定所述各视频帧中待检测车辆的特征点信息；
计算及构建模块，用于根据所述特征点信息，分别计算所述各视频帧中待检测车辆与各自对应摄像机的位置关系，并根据所述位置关系构建待检测车辆的当前三维坐标；
第三确定模块，用于根据所述待检测车辆的当前三维坐标，确定待检测车辆的停车状态；
其中，所述计算及构建模块，包括：比对单元，用于基于所述各视频帧中待检测车辆的特征点信息，通过视觉差原理对所述各视频帧中待检测车辆的相同的特征点进行比对；第一确定单元，用于确定比对后的所述各个特征点在各自视频帧中的位置信息；计算单元，用于基于所述位置信息，计算得到各个所述特征点与各自所在视频帧所属拍摄的摄像机的距离。
9.根据权利要求8所述的停车检测装置，其特征在于，所述第一确定模块，具体用于
在已标注时间信息的各视频帧中，基于每一视频帧，通过预定卷积神经网络模型对当前视频帧进行针对车辆的全帧检测，得到待检测车辆的车辆信息；
其中，所述车辆信息包括车辆特征点信息。
10.根据权利要求8或9所述的停车检测装置，其特征在于，所述计算及构建模块，包括：
第二确定单元，用于基于各个所述距离，确定最大距离的特征点和最小距离的特征点；
构建单元，用于根据已确定的最大距离的特征点和最小距离的特征点，构建待检测车辆的当前三维坐标。
11.根据权利要求8所述的停车检测装置，其特征在于，所述第三确定模块，还包括：
判断单元，用于根据所述待检测车辆的当前三维坐标，判断待检测车辆是否被遮挡；
第三确定单元，用于若未被遮挡，确定待检测车辆的停车状态。
12.根据权利要求11所述的停车检测装置，其特征在于，包括：
第四确定模块，用于将任一摄像机确定为主摄像机。
13.根据权利要求12所述的停车检测装置，其特征在于，所述判断单元，具体用于确定基于构建的待检测车辆当前三维坐标的时间信息，并根据所述时间信息，获取所述待检测车辆在所述时间信息的前一时刻的比对三维坐标；
针对每一个特征点，判断所述待检测车辆当前特征点在当前三维坐标的位置与所述待检测车辆当前特征点在对比三维坐标中的位置是否一致；
若不一致，根据所述当前三维坐标的位置，确定当前特征点在当前三维坐标中与主摄像机的当前距离，并根据所述对比三维坐标的位置，确定当前特征点在对比三维坐标中与主摄像机的对比距离；
根据所述当前距离与所述对比距离，判断待检测车辆是否被遮挡。
14.根据权利要求13所述的停车检测装置，其特征在于，所述判断单元，具体用于
若所述当前距离不小于所述对比距离，确定待检测车辆未被遮挡；
若所述当前距离小于所述对比距离，确定待检测车辆被遮挡。
CN202010377419.4A 2020-04-26 2020-05-07 一种基于视觉差的停车检测方法及装置 Active CN111739335B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2020/131818 WO2021223418A1 (zh) 2020-04-26 2020-11-26 基于视觉差的停车检测方法及装置
US17/425,330 US11398092B2 (en) 2020-04-26 2020-11-26 Parking detection method and device based on visual difference

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020103380741 2020-04-26
CN202010338074 2020-04-26

Publications (2)

Publication Number Publication Date
CN111739335A CN111739335A (zh) 2020-10-02
CN111739335B true CN111739335B (zh) 2021-06-25

Family

ID=72647005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010377419.4A Active CN111739335B (zh) 2020-04-26 2020-05-07 一种基于视觉差的停车检测方法及装置

Country Status (3)

Country Link
US (1) US11398092B2 (zh)
CN (1) CN111739335B (zh)
WO (1) WO2021223418A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739335B (zh) * 2020-04-26 2021-06-25 智慧互通科技股份有限公司 一种基于视觉差的停车检测方法及装置
CN112766222B (zh) * 2020-12-30 2024-04-09 爱泊车科技有限公司 一种基于泊位线辅助识别车辆行为的方法及装置
CN113205691B (zh) * 2021-04-26 2023-05-02 超级视线科技有限公司 一种识别车辆位置的方法及装置
CN113450575B (zh) * 2021-05-31 2022-04-19 超级视线科技有限公司 一种路侧停车的管理方法及装置
CN114530056B (zh) * 2022-02-15 2023-05-02 超级视线科技有限公司 一种基于定位信息和图像信息的停车管理方法及系统
CN114724063B (zh) * 2022-03-24 2023-02-24 华南理工大学 一种基于深度学习的公路交通事件检测方法
CN114724404B (zh) * 2022-04-19 2023-07-21 城云科技（中国）有限公司 一种停车管理方法及系统
CN117237854B (zh) * 2023-10-31 2024-03-19 武汉无线飞翔科技有限公司 基于视频识别的停车位分配方法、系统、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866497A (zh) * 2010-06-18 2010-10-20 北京交通大学 基于双目立体视觉的智能三维人脸重建方法及系统
CN103236160A (zh) * 2013-04-07 2013-08-07 水木路拓科技(北京)有限公司 基于视频图像处理技术的路网交通状态监测系统
CN103473950A (zh) * 2012-06-06 2013-12-25 刘鉵 一种停车场车位监控方法
CN104156973A (zh) * 2014-08-26 2014-11-19 清华大学深圳研究生院 基于立体匹配的实时三维视频监控方法
CN106710291A (zh) * 2015-11-17 2017-05-24 腾讯科技（深圳）有限公司 停车场的停车位获取方法及装置
CN108288386A (zh) * 2018-01-29 2018-07-17 深圳信路通智能技术有限公司 基于视频的路内停车跟踪方法
CN110852151A (zh) * 2019-09-26 2020-02-28 深圳市金溢科技股份有限公司 一种路内泊位遮挡检测方法和装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010271876A (ja) 2009-05-20 2010-12-02 Seiko Precision Inc 移動体追跡装置、移動体追跡方法及びプログラム
US20120078686A1 (en) * 2010-09-27 2012-03-29 Bashani Gilad G Parking status system
US20190050634A1 (en) * 2012-08-06 2019-02-14 Cloudparc, Inc. Tolling with vehicle tracking
US9171213B2 (en) * 2013-03-15 2015-10-27 Xerox Corporation Two-dimensional and three-dimensional sliding window-based methods and systems for detecting vehicles
US9363483B2 (en) * 2013-06-19 2016-06-07 Xerox Corporation Method for available parking distance estimation via vehicle side detection
US20170161961A1 (en) * 2015-12-07 2017-06-08 Paul Salsberg Parking space control method and system with unmanned paired aerial vehicle (uav)
JP6926976B2 (ja) * 2017-11-15 2021-08-25 株式会社アイシン 駐車支援装置及びコンピュータプログラム
CN109993056A (zh) * 2019-02-25 2019-07-09 平安科技（深圳）有限公司 一种识别车辆违章行为的方法、服务器及存储介质
CN110163107B (zh) 2019-04-22 2021-06-29 智慧互通科技股份有限公司 一种基于视频帧识别路侧停车行为的方法及装置
MA54888B1 (fr) * 2019-04-30 2022-10-31 Pied Parker Inc Reconnaissance et navigation de stationnement basées sur une image
CN110532891B (zh) 2019-08-05 2022-04-05 北京地平线机器人技术研发有限公司 目标对象状态识别方法、装置、介质和设备
CN110491168B (zh) 2019-08-09 2020-09-25 智慧互通科技有限公司 一种基于车轮着地点检测车辆停车状态的方法及装置
CN110490117B (zh) 2019-08-14 2023-04-07 智慧互通科技股份有限公司 一种基于图像深度信息的停车事件确定方法及系统
CN111739335B (zh) 2020-04-26 2021-06-25 智慧互通科技股份有限公司 一种基于视觉差的停车检测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866497A (zh) * 2010-06-18 2010-10-20 北京交通大学 基于双目立体视觉的智能三维人脸重建方法及系统
CN103473950A (zh) * 2012-06-06 2013-12-25 刘鉵 一种停车场车位监控方法
CN103236160A (zh) * 2013-04-07 2013-08-07 水木路拓科技(北京)有限公司 基于视频图像处理技术的路网交通状态监测系统
CN104156973A (zh) * 2014-08-26 2014-11-19 清华大学深圳研究生院 基于立体匹配的实时三维视频监控方法
CN106710291A (zh) * 2015-11-17 2017-05-24 腾讯科技（深圳）有限公司 停车场的停车位获取方法及装置
CN108288386A (zh) * 2018-01-29 2018-07-17 深圳信路通智能技术有限公司 基于视频的路内停车跟踪方法
CN110852151A (zh) * 2019-09-26 2020-02-28 深圳市金溢科技股份有限公司 一种路内泊位遮挡检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于视频的停车与抛落物事件检测算法研究;孙丽婷;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20180215;正文第6-9、32-45页 *

Also Published As

Publication number Publication date
US11398092B2 (en) 2022-07-26
CN111739335A (zh) 2020-10-02
WO2021223418A1 (zh) 2021-11-11
US20220044025A1 (en) 2022-02-10

Similar Documents

Publication Publication Date Title
CN111739335B (zh) 一种基于视觉差的停车检测方法及装置
CN110163107B (zh) 一种基于视频帧识别路侧停车行为的方法及装置
CN108765976B (zh) 路侧平行停车信息管理系统及方法
CN111476169B (zh) 一种基于视频帧的复杂场景路侧停车行为识别方法
CN110491168B (zh) 一种基于车轮着地点检测车辆停车状态的方法及装置
CN111339994B (zh) 一种判断临时违章停车的方法及装置
CN108765975B (zh) 路侧垂直停车场管理系统及方法
CN113055823B (zh) 一种基于路侧停车管理共享单车的方法及装置
CN113205692B (zh) 一种路侧停车泊位异常变动的自动识别方法
CN113205691A (zh) 一种识别车辆位置的方法及装置
CN111931673B (zh) 一种基于视觉差的车辆检测信息的校验方法及装置
CN113542678A (zh) 一种停车管理移动巡检系统
CN113066306B (zh) 一种路侧停车的管理方法及装置
CN111340710A (zh) 一种基于图像拼接获取车辆信息的方法及系统
CN110880205B (zh) 一种停车收费方法及装置
CN114694095A (zh) 确定车辆进出泊位的方法、装置、设备和存储介质
CN112766222B (zh) 一种基于泊位线辅助识别车辆行为的方法及装置
CN114170836B (zh) 一种基于泊位信息的移动巡检停车管理方法及系统
CN111260953A (zh) 路内停车管理方法、装置及系统
CN114038227B (zh) 一种基于智能充电地锁的停车及充电管理方法及系统
CN113570871A (zh) 一种基于多维度的车辆人员上下车判断方法及系统
CN113449624B (zh) 一种基于行人重识别确定车辆行为的方法及装置
CN215818383U (zh) 一种移动视频巡检设备
CN111882883A (zh) 一种路侧停车管理的方法及装置
CN115457488A (zh) 一种基于双目立体视觉的路侧停车管理方法及系统

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
CB02 Change of applicant information

Address after: 075000 ten building, phase 1, airport economic and Technological Development Zone, Zhangjiakou, Hebei

Applicant after: Smart intercommunication Technology Co.,Ltd.

Address before: 075000 ten building, phase 1, airport economic and Technological Development Zone, Zhangjiakou, Hebei

Applicant before: INTELLIGENT INTERCONNECTION TECHNOLOGIES Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant