CN111932933B - 一种城市智能停车位检测方法、设备及可读存储介质 - Google Patents
一种城市智能停车位检测方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111932933B CN111932933B CN202010779047.8A CN202010779047A CN111932933B CN 111932933 B CN111932933 B CN 111932933B CN 202010779047 A CN202010779047 A CN 202010779047A CN 111932933 B CN111932933 B CN 111932933B
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- data set
- target
- parking space
- 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
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市智能停车位检测方法、设备及可读存储介质,方法包括如下步骤:采集城市停车场图像数据集,对检测区域内车辆进行数据集的标定,确定使用的一阶段目标检测算法模型;构建基于缩放系数的特征提取上采样层;构建基于部分/整体区域特征提取上采样层;模型训练;将训练好的模型在实际系统中完成城市停车场中的车辆数量进行实时检测识别,进而计算停车场剩余车位。本发明的优点在于同时获取目标对象的部分和全局的细节,在上采样过程就能够提取更多的检测目标特征,进而提高模型的目标检测精度。
Description
技术领域
本发明涉及图像识别与计算机视觉技术领域,具体来说,涉及一种城市智能停车位检测方法、设备及可读存储介质。
背景技术
随着我国城市化进程的发展,一车代步扩展了人们的生活半径、提高了人们的生活品质,汽车也成为越来越多的家庭必需品。汽车总量逐年上升,路面交通负担不断增加,城市交通正在面临与日俱增的交通压力。人们在享受汽车带来的便利的同时,也要面对停车难的尴尬困境;寻找到停车位往往成为用车出行的瓶颈,车主们不知道停车区域内剩余多少空位,以及空位的位置,经常出现在停车区域内寻找停车位的时间增长,占用道路造成堵塞,更不利于车位的发现。同时有车主违章停放车辆,严重影响了交通的顺畅;传统的交通治理方法,仅仅依靠交警和管理员的管理模式效率低下且局限性较高,无法实时有效的获取车位数量实时信息。因此,及时掌握城市车位信息,并且根据数据变化采取合理措施,对周边车流量和停车场进行疏导和管理,有效提高城市停车位利用率,从而提高能源利用率并且减低城市道路拥堵。
目前城市停车位检测方法主要包括安装停车锁、超声波检测、地磁检测、车牌识别等方法。停车锁,通过安装在车位上的电动车位锁进行空车位的管理和计费;超声波检测,探测器在停车位上方向下发射超声波,通过测量计算反射面到探测器的距离来判断停车位是否有车辆;地磁检测,在地面安装无线地磁探测器接受周围环境地磁信号,基于车辆对地磁的干扰实现对该车位是否停车进行检测判断;车牌识别,就是通过每个车位前安装的摄像头进行图像采集,通过车牌识别技术获得车位上停靠的车牌号,并确定当前车位使用情况。这些方法能够检车识别车位使用情况,但是都需要对停车场现场进行改造升级,现场施工难度大,并且造成车位建设成本增加。
目前基于视频图像的卷积神经网络算法在图像处理领域的应用逐渐增多,其有着自动提取图像特征、鲁棒性很强等优点;但是,利用摄像头的视频流对城市室内外车位检测对识别算法的精准度及实时性要求较高。因此,采用基于深度学习的目标检测算法较合理。基于深度学习的目标检测算法分为二阶段模型与一阶段模型。虽然二阶段卷积神经网络模型具有更好的检测精度,但其前向推理速度较慢,无法满足业务场景的实时性要求。在传统的一阶段目标检测算法模型中,算法的实时性较好,但由于停车场中普遍存在车辆互相遮挡的情况无法达到二阶段卷积神经网络模型的检测精度。基于检测图片区域缩放系数和部分/全局目标特征提取的检测方法,有利于提高系统的检测精度并保证系统的实时性满足应用场景的要求。
发明内容
本发明对一阶段目标检测算法模型中的上采样过程进行优化;深度学习上采样过程对目标特征进行提取,因此直接影响卷积神经网络的训练结果;而卷积神经网络的训练结果直接影响城市停车场车辆检测准确度,因此在城市智能停车位检测中的目标特征提起的上采样过程的设计就尤为重要。
在城市停车场场景中存在大量车辆相互遮挡的情况,比如一辆车的左边被其他车辆或物品遮挡了,那么这辆车右边带来的目标特征信息才是更可信的;正是由于车辆被部分遮挡导致目标检测的不准确,进而影响环境舒适度指标的精确度。因此,本发明针对由于遮挡导致目标特征分辨率低导致的检测精度降级的问题,提出了一种将目标区域分解成多个小区域,这样可以同时获取目标对象的整体外观和部分细节,在上采样过程就能够提取全部目标区域和部分细节区域的特征,进而提高模型的目标检测精度。
为了解决上述技术问题,采用基于检测图片区域缩放系数和部分/全局目标特征提取的城市智慧停车位检测方法,具体技术方案如下:
为了解决上述技术问题,采用基于检测图片区域缩放系数和部分/全局目标特征提取的城市智慧停车位检测方法,具体技术方案如下:
一种城市智能停车位检测方法,所述方法包括以下步骤:
1)构建城市停车场的数据集N,训练数据集T,验证数据集V,训练数据批次大小batch,训练批次数batches,学习率learningrate,训练数据集T与验证数据集V之间的比例系数α,
2)确定待训练的一阶段目标检测模型,设卷积神经网络深度为L,网络卷积层卷积核集合G,网络输出层采用全连接方式,其卷积核集合A,网络特征图集合U,表示第l层网络中第k个特征图对应的网格数量,锚点集合M,具体定义如下:
其中:分别表示第l层网络对应的卷积核、特征图和锚点的高、宽、维度,表示第l层网络卷积核的填充大小,表示第l层网络卷积步长,f表示卷积神经元的激励函数,Θ表示选取的输入特征,Λ∈N+表示第l层网络的锚点总数,Ξ∈N+表示输出层节点总数,Φ∈N+表示第l层网络特征图总数,Δ∈N+表示第l层卷积核的总数,表示数据集中目标k经过神经网络卷积核提取的特征信息;
3)设计部分/整体区域特征和目标特征提取模型:
对区域提取采用缩放系数策略β对整体区域进行分割提取来组成部分区域,P为基于缩放参数β的区域,P=(x,y,w·β,h·β),同时目标对象部分区域Q分成上下左右四个部分Q∈{U,D,L,R},
其中l∈{上卷积层1,上卷积层2},r∈{缩放区域P,目标对象部分区域Q},是偏差系数;f(·)是ReLU修正线性函数单元,*是卷积操作,是第l层的卷积核,为步骤2)获得的目标特征信息,为经过缩放系数策略后的目标特征信息,
4)通过训练好的网络模型输出当前停车场区域的停车数量,并根据车位数量计算剩余车位,进而实现城市智能停车位检测。
一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如上所述的城市智能停车位检测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如上所述的城市智能停车位检测方法。
本发明的有益效果:本发明的优点在于同时获取目标对象的部分和全局的细节,在上采样过程就能够提取更多的检测目标特征,进而提高模型的目标检测精度。
附图说明
图1是网络结构图;
图2是部分/整体区域特征和目标特征提取模型示意图;
图3是检测方法部署流程图。
具体实施方式
下面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。
根据本发明实施例所述的一种基于检测图片区域缩放系数和部分/全局目标特征提取的城市智能停车位检测方法,包括如下步骤:
步骤1:构建基于城市停车场的摄像头拍摄的数量为20000的数据集N,其中训练数据集T的数量为16000,验证数据集V的数量为4000,学习率learningrate取值为0.001,训练数据集T与验证数据集V之间的比例系数α取值为0.25,图像的高hk=416,wk=416,r=3且满足所有图像的高、宽、通道数设置一致。
步骤2:确定一阶段目标检测模型为YoloV3,卷积神经网络深度L设置为139,其中卷积核的高、宽和维度设置具体如图1所示,卷积核的填充大小默认为1,卷积步长默认为1;锚点在每一层网络中都共享,锚点集合M取值为{(10,13),(30,61),(156,198)},Λ=3;网络输出层采用全连接方式,其卷积核集合A取值为{(1,1,30),(1,1,30),(1,1,30)},Ξ=3。
步骤3:如图2所示,缩放参数采用β=[0.5,0.7,1.2,1.5],基于检测图片区域缩放系数和部分/全局目标特征提取的上采样层1和上采样层2进行模型训练进行梯度下降法训练,直至模型收敛。
步骤4:如图3所示,根据城市停车场的视频流进行实时检测,输出当前视频监测区域的停车的车辆数量,并根据停车场车位数计算剩余车位数。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种城市智能停车位检测方法,其特征在于,所述方法包括以下步骤:
1)构建城市停车场的数据集N,训练数据集T,验证数据集V,训练数据批次大小batch,训练批次数batches,学习率learningrate,训练数据集T与验证数据集V之间的比例系数α,
其中:V∪T=N,C∈N+,α∈(0,1),batches∈N+,learningrate∈N+,batch∈N+,表示图像的高和宽,r表示图像的通道数,N+为数据集N中随机选取的一部分数据构成的数据集;
2)确定待训练的一阶段目标检测模型,设卷积神经网络深度为L,网络卷积层卷积核集合G,网络输出层采用全连接方式,其卷积核集合A,网络特征图集合U,表示第l层网络中第k个特征图对应的网格数量,锚点集合M,具体定义如下:
其中:分别表示第l层网络对应的卷积核、特征图和锚点的高、宽、维度,表示第l层网络卷积核的填充大小,表示第l层网络卷积步长,f表示卷积神经元的激励函数,Θ表示选取的输入特征,Λ∈N+表示第l层网络的锚点总数,Ξ∈N+表示输出层节点总数,Φ∈N+表示第l层网络特征图总数,Δ∈N+表示第l层卷积核的总数,表示数据集中目标k经过神经网络卷积核提取的特征信息;
3)设计部分/整体区域特征和目标特征提取模型:
对区域提取采用缩放系数策略β对整体区域进行分割提取来组成部分区域,P为基于缩放参数β的区域,P=(x,y,w·β,h·β),同时目标对象部分区域Q分成上下左右四个部分Q∈{U,D,L,R},
其中l∈{上卷积层1,上卷积层2},r∈{缩放区域P,目标对象部分区域Q},是偏差系数;f(·)是ReLU修正线性函数单元,*是卷积操作,是第l层的卷积核,为步骤2)获得的目标特征信息,为经过缩放系数策略后的目标特征信息,
4)通过训练好的网络模型输出当前停车场区域的停车数量,并根据车位数量计算剩余车位,进而实现城市智能停车位检测。
2.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1所述的城市智能停车位检测方法。
3.一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存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1所述的城市智能停车位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010779047.8A CN111932933B (zh) | 2020-08-05 | 2020-08-05 | 一种城市智能停车位检测方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010779047.8A CN111932933B (zh) | 2020-08-05 | 2020-08-05 | 一种城市智能停车位检测方法、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932933A CN111932933A (zh) | 2020-11-13 |
CN111932933B true CN111932933B (zh) | 2022-07-26 |
Family
ID=73306406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010779047.8A Active CN111932933B (zh) | 2020-08-05 | 2020-08-05 | 一种城市智能停车位检测方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932933B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435500B (zh) * | 2020-12-01 | 2022-03-08 | 深圳市顺易通信息科技有限公司 | 一种停车场剩余车位的统计方法、装置及终端设备 |
CN112784791A (zh) * | 2021-01-29 | 2021-05-11 | 深圳市捷顺科技实业股份有限公司 | 一种高位视频事件判断方法、装置、设备及介质 |
CN114781768B (zh) * | 2022-06-23 | 2022-09-16 | 深圳云停智能交通技术研究院有限公司 | 基于城市资源数据的停车场设施规划方法、装置及设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001251539A1 (en) * | 2000-04-11 | 2001-10-23 | Cornell Research Foundation Inc. | System and method for three-dimensional image rendering and analysis |
US10671873B2 (en) * | 2017-03-10 | 2020-06-02 | Tusimple, Inc. | System and method for vehicle wheel detection |
CN107591005B (zh) * | 2017-08-09 | 2020-07-03 | 深圳市金溢科技股份有限公司 | 动静态检测相结合的停车区域管理方法、服务器及系统 |
CN107665603B (zh) * | 2017-09-06 | 2020-06-16 | 哈尔滨工程大学 | 一种判定车位占用的实时检测方法 |
US20190147255A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Systems and Methods for Generating Sparse Geographic Data for Autonomous Vehicles |
CN108615401B (zh) * | 2018-06-11 | 2021-01-05 | 西安电子科技大学 | 基于深度学习的室内非均匀光线车位状况识别方法 |
CN109784306B (zh) * | 2019-01-30 | 2020-03-10 | 南昌航空大学 | 一种基于深度学习的智能停车管理方法及系统 |
CN110119686B (zh) * | 2019-04-17 | 2020-09-25 | 电子科技大学 | 一种基于卷积神经网络的安全帽实时检测方法 |
CN110287905B (zh) * | 2019-06-27 | 2021-08-03 | 浙江工业大学 | 一种基于深度学习的交通拥堵区域实时检测方法 |
-
2020
- 2020-08-05 CN CN202010779047.8A patent/CN111932933B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111932933A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932933B (zh) | 一种城市智能停车位检测方法、设备及可读存储介质 | |
CN106373426B (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN107591005B (zh) | 动静态检测相结合的停车区域管理方法、服务器及系统 | |
CN110533950A (zh) | 车位使用状况的检测方法、装置、电子设备及存储介质 | |
CN104112370A (zh) | 基于监控图像的停车场智能车位识别方法及系统 | |
CN109214422B (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN112329881B (zh) | 车牌识别模型训练方法、车牌识别方法及装置 | |
CN113808098A (zh) | 道路病害识别方法、装置、电子设备及可读存储介质 | |
CN110929661A (zh) | 一种基于卷积神经网络的可停靠车位检测方法及系统 | |
CN110969104B (zh) | 基于二值化网络检测可行驶区域的方法、系统及存储介质 | |
CN114202959B (zh) | 外来车辆管理方法及系统 | |
CN117372950B (zh) | 一种新能源车位被非能源车占用的检测装置及检测方法 | |
CN109544981A (zh) | 图像处理方法、装置、设备和介质 | |
CN113688717A (zh) | 图像识别方法、装置以及电子设备 | |
CN116503846A (zh) | 车位占用检测方法和装置 | |
CN116628531A (zh) | 众包地图道路对象要素聚类方法、系统及存储介质 | |
CN110751850A (zh) | 一种基于深度神经网络的车位识别方法和系统 | |
CN115661771A (zh) | 一种基于不均匀锚的车道线边沿实时检测方法和系统 | |
CN113793069A (zh) | 深度残差网络的城市内涝积水智能识别方法 | |
CN111462478B (zh) | 一种城市路网信号控制子区划分方法及装置 | |
CN114495571B (zh) | 基于跨层耦合网络的车位状态检测方法、装置及存储介质 | |
CN111483463A (zh) | 基于车载单元和路侧单元的预判超车方法、存储介质 | |
CN112348044A (zh) | 车牌检测方法、装置及设备 | |
CN113537105B (zh) | 一种车位检测方法及装置 | |
CN111507258B (zh) | 聚焦关键样本的基于集成学习的道路区域检测方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |