CN112766222A - 一种基于泊位线辅助识别车辆行为的方法及装置 - Google Patents

Abstract

本发明实施例提供了一种基于泊位线辅助识别车辆行为的方法及装置，该方法包括：获取待检测车辆在预定图像采集区域的多张图像，基于卷积神经网络识别各个图像中的泊位线；根据已识别的各个图像中的泊位线，确定所述待检测车辆所在泊位的各条泊位线的可见长度，并检测各个图像中所述待检测车辆的车辆检测框；根据各个图像的拍摄时间，确定所述车辆检测框位移方向与所述各条泊位线的可见长度变化的对应关系；根据所述对应关系，确定所述待检测车辆出入场事件的置信度；根据所述置信度，确定待检测车辆的出入场事件。通过本发明，实现了能够不受外界环境因素的限制即可精确地确定车辆是否发生出入场事件，极大地提高了识别车辆停车行为的准确率。

Description

一种基于泊位线辅助识别车辆行为的方法及装置

技术领域

本发明涉及智能停车管理技术领域，尤其涉及一种基于泊位线辅助识别车辆行为的方法及装置。

背景技术

在技术快速进步的今天，机动车保有量日益增多，路侧停车周转量日益加大，传统的路侧停车管理往往需要付出较高的成本，不但管理效率低下，且无法满足快速进步的现代社会，因此，城市路侧停车管理方案越来越倾向于采用自动化的方式对路侧停车进行管理。现有技术中，通常采用电子停车管理技术对路侧停车进行自动化管理，但现有的各类电子停车管理技术参差不齐，且均产生较多的漏报和误报的车辆出入场数据，因此，还需要人工对车辆出入场数据进行手工确认、补入等操作。因此，如何使路侧停车管理中得到精确的停车数据，从而使得路侧停车管理更高效、准确，成为急需解决的难题。

发明内容

本发明实施例提供了一种基于泊位线辅助识别车辆行为的方法及装置，实现了能够不受外界环境因素的限制即可精确地确定车辆是否发生出入场事件。

一方面，本发明实施例提供了一种基于泊位线辅助识别车辆行为的方法，包括：

获取待检测车辆在预定图像采集区域的多张图像，基于卷积神经网络识别各个图像中的泊位线；

根据已识别的各个图像中的泊位线，确定所述待检测车辆所在泊位的各条泊位线的可见长度，并检测各个图像中所述待检测车辆的车辆检测框；

根据各个图像的拍摄时间，确定所述车辆检测框位移方向与所述各条泊位线的可见长度变化的对应关系；

根据所述对应关系，确定所述待检测车辆出入场事件的置信度；

根据所述置信度，确定待检测车辆的出入场事件。

进一步地，在所述获取待检测车辆在预定图像采集区域的多张图像，基于卷积神经网络识别各个图像中的泊位线的步骤之前，包括：

预标注停车区域的各条泊位线；

其中，所述获取待检测车辆在预定图像采集区域的多张图像，包括：

获取待检测车辆在预定图像采集区域的多张图像，并确定待检测车辆出入场事件的起始时间或结束时间；

根据所述起始时间，获取在所述起始时间前的第一预定时间段内待检测车辆在预定图像采集区域的第一图像集；或

根据所述结束时间，获取在所述结束时间后的第二预定时间段内待检测车辆在预定图像采集区域的第二图像集。

进一步地，所述基于卷积神经网络识别各个图像中的泊位线，包括：

基于卷积神经网络识别所述第一图像集或所述第二图像集中的各个图像中的泊位线，确定所述各个图像中的泊位线的斜率，并确定所述各个图像中的任意两图像中相同泊位线的相对距离；

合并各个图像中斜率一致且相对距离小于预定距离的任意两条泊位线。

进一步地，所述根据各个图像的拍摄时间，确定所述车辆检测框位移方向与所述各条泊位线的可见长度变化的对应关系，包括：

根据所述各个图像的拍摄时间，确定所述各个图像中所述待检测车辆的车辆检测框的移动方向是否为向泊位外移动；

若是，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而增长；

若否，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而减短；

其中，所述上泊位线为以图片左下角顶点为原点的平面坐标轴的泊位矩形框中沿Y轴方向距X轴较远的短泊位线。

进一步地，所述根据所述对应关系，确定所述待检测车辆出入场事件的置信度，包括：

若所述车辆检测框的移动方向为向泊位外移动时，所述上泊位线的可见长度随时间增加而增长，确定所述待检测车辆出场事件的置信度为高置信度；

若所述车辆检测框的移动方向为向泊位内移动时，所述上泊位线的可见长度随时间增加而减短，确定所述待检测车辆入场事件的置信度为高置信度。

可选地，还包括：

将合并后各个图像中所述待检测车辆所在泊位的各条泊位线与预标记的对应泊位的泊位线进行长度比对，确定比对差值小于第一预定差值的各个图像中的第一泊位线；

确定各第一泊位线中的上泊位线坐标信息，并根据各上泊位坐标信息计算上泊位线可见部分的第一坐标平均值。

进一步地，所述确定各第一泊位线中的上泊位线坐标信息，并根据各上泊位坐标信息计算上泊位线可见部分的第一坐标平均值，包括：

分别将各第一泊位线中的上泊位线坐标信息与所述第一坐标平均值进行比对，排除差值大于第二预定差值的第一泊位线；

确定已排除差值大于第二预定差值的第一泊位线的各第二泊位线，计算所述各第二泊位线的上泊位线坐标平均值，得到各上泊位线可见部分的第二坐标平均值。

可选地，还包括：

确定所述待检测车辆出入场事件发生前与发生后对应泊位的上泊位线是否局部可见；

若是，确定所述待检测车辆出入场事件发生前对应泊位的上泊位线可见部分的第三坐标平均值及所述待检测车辆出入场事件发生后对应泊位的上泊位线可见部分的第四坐标平均值；

比对所述第三坐标平均值和所述第四坐标平均值，确定所述待检测车辆出入场事件的置信度。

进一步地，所述比对所述第三坐标平均值和所述第四坐标平均值，确定所述待检测车辆出入场事件的置信度，包括：

若所述第三坐标平均值和所述第四坐标平均值一致，确定所述待检测车辆出入场事件的置信度为低置信度。

另一方面，本发明实施例提供了一种基于泊位线辅助识别车辆行为的装置，包括：

识别模块，用于获取待检测车辆在预定图像采集区域的多张图像，基于卷积神经网络识别各个图像中的泊位线；

确定及检测模块，用于根据已识别的各个图像中的泊位线，确定所述待检测车辆所在泊位的各条泊位线的可见长度，并检测各个图像中所述待检测车辆的车辆检测框；

第一确定模块，用于根据各个图像的拍摄时间，确定所述车辆检测框位移方向与所述各条泊位线的可见长度变化的对应关系；

第二确定模块，用于根据所述对应关系，确定所述待检测车辆出入场事件的置信度；

第三确定模块，用于根据所述置信度，确定待检测车辆的出入场事件。

进一步地，包括：

预标注模块，用于预标注停车区域的各条泊位线；

其中，所述识别模块，具体用于

获取待检测车辆在预定图像采集区域的多张图像，并确定待检测车辆出入场事件的起始时间或结束时间；

根据所述起始时间，获取在所述起始时间前的第一预定时间段内待检测车辆在预定图像采集区域的第一图像集；或

根据所述结束时间，获取在所述结束时间后的第二预定时间段内待检测车辆在预定图像采集区域的第二图像集。

进一步地，所述识别模块，包括：

第一确定单元，用于基于卷积神经网络识别所述第一图像集或所述第二图像集中的各个图像中的泊位线，确定所述各个图像中的泊位线的斜率，并确定所述各个图像中的任意两图像中相同泊位线的相对距离；

合并单元，用于合并各个图像中斜率一致且相对距离小于预定距离的任意两条泊位线。

进一步地，所述第一确定模块，包括：

第二确定单元，用于根据所述各个图像的拍摄时间，确定所述各个图像中所述待检测车辆的车辆检测框的移动方向是否为向泊位外移动；

第一判断单元，用于若是，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而增长；

第二判断单元，用于若否，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而减短；

其中，所述上泊位线为以图片左下角顶点为原点的平面坐标轴的泊位矩形框中沿Y轴方向距X轴较远的短泊位线。

进一步地，所述第二确定模块，包括：

第三确定单元，用于若所述车辆检测框的移动方向为向泊位外移动时，所述上泊位线的可见长度随时间增加而增长，确定所述待检测车辆出场事件的置信度为高置信度；

第四确定单元，用于若所述车辆检测框的移动方向为向泊位内移动时，所述上泊位线的可见长度随时间增加而减短，确定所述待检测车辆入场事件的置信度为高置信度。

可选地，还包括：

比对模块，用于将合并后各个图像中所述待检测车辆所在泊位的各条泊位线与预标记的对应泊位的泊位线进行长度比对，确定比对差值小于第一预定差值的各个图像中的第一泊位线；

第四确定模块，用于确定各第一泊位线中的上泊位线坐标信息，并根据各上泊位坐标信息计算上泊位线可见部分的第一坐标平均值。

进一步地，所述第四确定模块，具体用于

分别将各第一泊位线中的上泊位线坐标信息与所述第一坐标平均值进行比对，排除差值大于第二预定差值的第一泊位线；

确定已排除差值大于第二预定差值的第一泊位线的各第二泊位线，计算所述各第二泊位线的上泊位线坐标平均值，得到各上泊位线可见部分的第二坐标平均值。

可选地，还包括：

第五确定模块，用于确定所述待检测车辆出入场事件发生前与发生后对应泊位的上泊位线是否局部可见；

第六确定模块，用于若是，确定所述待检测车辆出入场事件发生前对应泊位的上泊位线可见部分的第三坐标平均值及所述待检测车辆出入场事件发生后对应泊位的上泊位线可见部分的第四坐标平均值；

比对及确定模块，用于比对所述第三坐标平均值和所述第四坐标平均值，确定所述待检测车辆出入场事件的置信度。

进一步地，所述比对及确定模块，具体用于

若所述第三坐标平均值和所述第四坐标平均值一致，确定所述待检测车辆出入场事件的置信度为低置信度。

上述技术方案具有如下有益效果：通过本发明，能够精确地识别预定图像采集区域车辆泊位的泊位线，并根据车辆发生停车事件过程中，车辆检测框位移方向与各条泊位线的可见长度变化的对应关系，能够不受外界环境因素的限制即可精确地确定车辆是否发生出入场事件，避免了受外界环境因素的限制而导致车辆出入场事件判断存在错误的情况发生，极大地提高了识别车辆停车行为的准确率，进一步地，极大地提高了停车管理的效率。

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为本发明实施例中基于泊位线辅助识别车辆行为的方法流程图；

图2为本发明一实施例中泊位的上泊位线位置示意图；

图3-1为本发明一优选实施例中车辆发生出入场事件移动中示意图；

图3-2为本发明一优选实施例中车辆发生出入场事件移动后位置示意图；

图4-1为本发明另一优选实施例中车辆发生出入场事件移动中示意图；

图4-2为本发明另一优选实施例中车辆发生出入场事件移动后位置示意图；

图5为本发明一实施例中基于泊位线辅助识别车辆行为的装置结构示意图。

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。

本发明实施例上述技术方案具有如下有益效果：通过本发明，能够精确地识别预定图像采集区域车辆泊位的泊位线，并根据车辆发生停车事件过程中，车辆检测框位移方向与各条泊位线的可见长度变化的对应关系，能够不受外界环境因素的限制即可精确地确定车辆是否发生出入场事件，避免了受外界环境因素的限制而导致车辆出入场事件判断存在错误的情况发生，极大地提高了识别车辆停车行为的准确率，进一步地，极大地提高了停车管理的效率。

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实现了能够不受外界环境因素的限制即可精确地确定车辆是否发生出入场事件。

在一种可能的实现方式中，在停车管理系统中，预标注停车区域的各条泊位线；随后，获取待检测车辆在预定图像采集区域的多张图像，并确定待检测车辆出入场事件的起始时间或结束时间；根据该起始时间，如2020-01-01 12:10:00，获取在该起始时间前的第一预定时间段内待检测车辆在预定图像采集区域的第一图像集，第一预定时间段，如为10分钟，即获取2020-01-01 12:00:00至2020-01-01 12:10:00的时间段内待检测车辆在预定图像采集区域的第一图像集；或根据该结束时间，如2020-01-01 12:15:00，获取在该结束时间后的第二预定时间段内待检测车辆在预定图像采集区域的第二图像集，第二预定时间段，如为5分钟，即获取2020-01-01 12:15:00至2020-01-01 12:20:00的时间段内待检测车辆在预定图像采集区域的第二图像集；随后，基于卷积神经网络识别第一图像集或第二图像集种各个图像中的泊位线，并根据已识别的各个图像中的泊位线，确定待检测车辆所在泊位的各条泊位线的可见长度，并检测各个图像中待检测车辆的车辆检测框；随后，根据各个图像的拍摄的先后时间，确定车辆检测框位移方向与各条泊位线的可见长度变化的对应关系；根据该对应关系，确定待检测车辆出入场事件的置信度；最后，根据该置信度，确定待检测车辆的出入场事件。

通过本实施例，能够精确地确定停车区域各泊位的泊位线，为后续精确地判断车辆出入场事件提供了必要的前提条件。

在一种可能的实现方式中，步骤101中基于卷积神经网络识别各个图像中的泊位线的步骤，包括：基于卷积神经网络识别所述第一图像集或所述第二图像集中的各个图像中的泊位线，确定所述各个图像中的泊位线的斜率，并确定所述各个图像中的任意两图像中相同泊位线的相对距离；合并各个图像中斜率一致且相对距离小于预定距离的任意两条泊位线。

例如，在停车管理系统中，预标注停车区域的各条泊位线；获取待检测车辆在预定图像采集区域的多张图像，并确定待检测车辆出入场事件的起始时间；获取在该起始时间前的第一预定时间段内待检测车辆在预定图像采集区域的第一图像集，随后，基于卷积神经网络识别第一图像集中的各个图像中的泊位线，确定第一图像集中各个图像中的泊位线的斜率，并确定第一图像集中各个图像中的任意两图像中相同泊位线的相对距离，如第一图像集中包括图像J1、J2和J3，分别确定图像J1和J2中相同泊位线a、b、c和d的相对距离，分别确定图像J1和J3中相同泊位线a、b、c和d的相对距离，分别确定图像J2和J3中相同泊位线a、b、c和d的相对距离；随后合并第一图像集中各个图像中斜率一致且相对距离小于预定距离的任意两条泊位线。

通过本实施例，合并斜率一致的泊位线且相对距离小于预定距离的任意两条泊位线，能够对各泊位线数据进行有效地筛选，从而过滤掉不必要的及错误的泊位线数据，为后续高效地计算泊位线坐标平均值提供了必要的前提保障，同时，进一步地为后续精确地判断车辆出入场事件提供了必要的前提条件。

在一种可能的实现方式中，步骤103根据各个图像的拍摄时间，确定所述车辆检测框位移方向与所述各条泊位线的可见长度变化的对应关系，包括：根据所述各个图像的拍摄时间，确定所述各个图像中所述待检测车辆的车辆检测框的移动方向是否为向泊位外移动；若是，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而增长；若否，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而减短；其中，所述上泊位线为以图片左下角顶点为原点的平面坐标轴的泊位矩形框中沿Y轴方向距X轴较远的短泊位线。

例如，接上例，在停车管理系统中，根据第一图像集中各个图像拍摄的先后时间，确定第一图像集中各个图像中待检测车辆的车辆检测框的移动方向为向泊位外移动；随后，判断第一图像集中各个图像中待检测车辆所在泊位的上泊位线，如上泊位线a，的可见长度是否随时间增加而增长。其中，上泊位线如图2所示，其中，车辆停车方向与车辆车头朝向一致。

在一种可能的实现方式中，步骤104根据所述对应关系，确定所述待检测车辆出入场事件的置信度，包括：若所述车辆检测框的移动方向为向泊位外移动时，所述上泊位线的可见长度随时间增加而增长，确定所述待检测车辆出场事件的置信度为高置信度；若所述车辆检测框的移动方向为向泊位内移动时，所述上泊位线的可见长度随时间增加而减短，确定所述待检测车辆入场事件的置信度为高置信度。

例如，接上例，在停车管理系统中，根据判断结果，该车辆检测框的移动方向为向泊位外移动时，上泊位线a的可见长度随时间增加而增长，确定待检测车辆出场事件的置信度为高置信度。如图3-1和图3-2中所示，泊位内，如图中泊位A，的待检测车辆出入场过程中，最终露出较多的上泊位线，基于该动作与车辆检测框位移一致，可以将该出入场事件进行自动化处理。

又例如，在停车管理系统中，根据第一图像集中各个图像拍摄的先后时间，确定第一图像集中各个图像中待检测车辆的车辆检测框的移动方向为向泊位内移动；判断第一图像集中各个图像中待检测车辆所在泊位的上泊位线，如上泊位线a，的可见长度是否随时间增加而减短，若是，根据判断结果，该车辆检测框的移动方向为向泊位内移动时，上泊位线a的可见长度随时间增加而减短，确定该待检测车辆入场事件的置信度为高置信度。

通过本实施例，根据车辆出入场事件过程中车辆检测框位移方向与各条泊位线的可见长度变化的对应关系，能够精确地确定车辆出入场事件的置信度，从而能够精确地辅助识别停车行为，进一步地，提高了停车管理的效率。

在一种可能的实现方式中，该方法还包括：将合并后各个图像中所述待检测车辆所在泊位的各条泊位线与预标记的对应泊位的泊位线进行长度比对，确定比对差值小于第一预定差值的各个图像中的第一泊位线；确定各第一泊位线中的上泊位线坐标信息，并根据各上泊位坐标信息计算上泊位线可见部分的第一坐标平均值。

其中，确定各第一泊位线中的上泊位线坐标信息，并根据各上泊位坐标信息计算上泊位线可见部分的第一坐标平均值，包括：分别将各第一泊位线中的上泊位线坐标信息与所述第一坐标平均值进行比对，排除差值大于第二预定差值的第一泊位线；确定已排除差值大于第二预定差值的第一泊位线的各第二泊位线，计算所述各第二泊位线的上泊位线坐标平均值，得到各上泊位线可见部分的第二坐标平均值。

例如，在停车管理系统中，预标注停车区域的各条泊位线；获取待检测车辆在预定图像采集区域的多张图像，并确定待检测车辆出入场事件的起始时间；获取在该起始时间前的第一预定时间段内待检测车辆在预定图像采集区域的第一图像集，随后，基于卷积神经网络识别第一图像集中的各个图像中的泊位线，确定第一图像集中各个图像中的泊位线的斜率，并确定第一图像集中各个图像中的任意两图像中相同泊位线的相对距离；随后合并第一图像集中各个图像中斜率一致且相对距离小于预定距离的任意两条泊位线；随后，分别将合并后第一图像集的各个图像中待检测车辆所在泊位的各条泊位线与预标记的对应泊位的泊位线进行长度比对，确定比对差值小于第一预定差值的第一图像集的各个图像中的第一泊位线；确定各第一泊位线中的上泊位线坐标信息，并根据各上泊位坐标信息计算上泊位线可见部分的第一坐标平均值；随后，分别将各第一泊位线中的上泊位线坐标信息与该第一坐标平均值进行比对，排除差值大于第二预定差值的第一泊位线；确定已排除差值大于第二预定差值的第一泊位线的各第二泊位线，计算各第二泊位线的上泊位线坐标平均值，得到各上泊位线可见部分的第二坐标平均值。

通过本实施例，能够精确地过滤排除识别出的存在错误的泊位线数据，进一步地为后续精确地判断车辆出入场事件提供了重要的前提保障，同时，能够避免因受外界环境因素对泊位线进行错误的识别，而导致车辆出入场事件判断错误的情况发生。

在一种可能的实现方式中，该方法还包括：确定所述待检测车辆出入场事件发生前与发生后对应泊位的上泊位线是否局部可见；若是，确定所述待检测车辆出入场事件发生前对应泊位的上泊位线可见部分的第三坐标平均值及所述待检测车辆出入场事件发生后对应泊位的上泊位线可见部分的第四坐标平均值；比对所述第三坐标平均值和所述第四坐标平均值，确定所述待检测车辆出入场事件的置信度。

其中，所述比对所述第三坐标平均值和所述第四坐标平均值，确定所述待检测车辆出入场事件的置信度，包括：若所述第三坐标平均值和所述第四坐标平均值一致，确定所述待检测车辆出入场事件的置信度为低置信度。

例如，在停车管理系统中，获取第一图像集与第二图像集，根据第一图像集与第二图像集，确定待检测车辆出入场事件发生前与发生后对应泊位的上泊位线是否局部可见；若可见，确定待检测车辆出入场事件发生前对应泊位的上泊位线可见部分的第三坐标平均值及待检测车辆出入场事件发生后对应泊位的上泊位线可见部分的第四坐标平均值；若第三坐标平均值和第四坐标平均值一致，确定待检测车辆出入场事件的置信度为低置信度，若停车管理系统中已记录该车辆出入场事件，则确定该记录为误报记录。

又例如，例如，在停车管理系统中，获取第一图像集与第二图像集，根据第一图像集与第二图像集，确定待检测车辆出入场事件发生前与发生后对应泊位的上泊位线是否局部可见，若完全不可见或完全可见，则不比对第三坐标平均值和第四坐标平均值，此时，放弃此次判定结果。具体的，在停车管理系统中，若确定待检测车辆出入场事件发生前与发生后对应泊位的上泊位线全部可见，先判断泊位距离相机的距离，如果泊位距离相机距离超过预定距离，如6米，并且车辆出场动作和车辆入场动作发生后各泊位线都可见，则认定车辆未发生出入场动作，该停车事件信息为误报信息。如图4-1和图4-2所示，待检测车辆的后一泊位，如图中泊位B，内的车辆发生出入场事件，通过检测确定，待检测车辆泊位内露出的上泊位线坐标信息，可以判断待检测车辆未发生出入场动作。

通过本实施例，能够高效准确地确定已存在的车辆出入场事件中存在误判定的情况，极大地避免了因车辆出入场事件判断错误而导致停车管理事件处理错误的情况发生，极大地提高了停车管理的效率。

本发明实施例提供了一种基于泊位线辅助识别车辆行为的装置，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 (18)

1.一种基于泊位线辅助识别车辆行为的方法，其特征在于，包括：

获取待检测车辆在预定图像采集区域的多张图像，基于卷积神经网络识别各个图像中的泊位线；

根据已识别的各个图像中的泊位线，确定所述待检测车辆所在泊位的各条泊位线的可见长度，并检测各个图像中所述待检测车辆的车辆检测框；

根据各个图像的拍摄时间，确定所述车辆检测框位移方向与所述各条泊位线的可见长度变化的对应关系；

根据所述对应关系，确定所述待检测车辆出入场事件的置信度；

根据所述置信度，确定待检测车辆的出入场事件。

2.根据权利要求1所述的方法，其特征在于，在所述获取待检测车辆在预定图像采集区域的多张图像，基于卷积神经网络识别各个图像中的泊位线的步骤之前，包括：

预标注停车区域的各条泊位线；

其中，所述获取待检测车辆在预定图像采集区域的多张图像，包括：

获取待检测车辆在预定图像采集区域的多张图像，并确定待检测车辆出入场事件的起始时间或结束时间；

根据所述起始时间，获取在所述起始时间前的第一预定时间段内待检测车辆在预定图像采集区域的第一图像集；或

根据所述结束时间，获取在所述结束时间后的第二预定时间段内待检测车辆在预定图像采集区域的第二图像集。

3.根据权利要求2所述的方法，其特征在于，所述基于卷积神经网络识别各个图像中的泊位线，包括：

基于卷积神经网络识别所述第一图像集或所述第二图像集中的各个图像中的泊位线，确定所述各个图像中的泊位线的斜率，并确定所述各个图像中的任意两图像中相同泊位线的相对距离；

合并各个图像中斜率一致且相对距离小于预定距离的任意两条泊位线。

4.根据权利要求3所述的方法，其特征在于，所述根据各个图像的拍摄时间，确定所述车辆检测框位移方向与所述各条泊位线的可见长度变化的对应关系，包括：

根据所述各个图像的拍摄时间，确定所述各个图像中所述待检测车辆的车辆检测框的移动方向是否为向泊位外移动；

若是，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而增长；

若否，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而减短；

其中，所述上泊位线为以图片左下角顶点为原点的平面坐标轴的泊位矩形框中沿Y轴方向距X轴较远的短泊位线。

5.根据权利要求4所述的方法，其特征在于，所述根据所述对应关系，确定所述待检测车辆出入场事件的置信度，包括：

若所述车辆检测框的移动方向为向泊位外移动时，所述上泊位线的可见长度随时间增加而增长，确定所述待检测车辆出场事件的置信度为高置信度；

若所述车辆检测框的移动方向为向泊位内移动时，所述上泊位线的可见长度随时间增加而减短，确定所述待检测车辆入场事件的置信度为高置信度。

6.根据权利要求3-5任一项所述的方法，其特征在于，还包括：

将合并后各个图像中所述待检测车辆所在泊位的各条泊位线与预标记的对应泊位的泊位线进行长度比对，确定比对差值小于第一预定差值的各个图像中的第一泊位线；

确定各第一泊位线中的上泊位线坐标信息，并根据各上泊位坐标信息计算上泊位线可见部分的第一坐标平均值。

7.根据权利要求6所述的方法，其特征在于，所述确定各第一泊位线中的上泊位线坐标信息，并根据各上泊位坐标信息计算上泊位线可见部分的第一坐标平均值，包括：

分别将各第一泊位线中的上泊位线坐标信息与所述第一坐标平均值进行比对，排除差值大于第二预定差值的第一泊位线；

确定已排除差值大于第二预定差值的第一泊位线的各第二泊位线，计算所述各第二泊位线的上泊位线坐标平均值，得到各上泊位线可见部分的第二坐标平均值。

8.根据权利要求7所述的方法，其特征在于，还包括：

确定所述待检测车辆出入场事件发生前与发生后对应泊位的上泊位线是否局部可见；

若是，确定所述待检测车辆出入场事件发生前对应泊位的上泊位线可见部分的第三坐标平均值及所述待检测车辆出入场事件发生后对应泊位的上泊位线可见部分的第四坐标平均值；

比对所述第三坐标平均值和所述第四坐标平均值，确定所述待检测车辆出入场事件的置信度。

9.根据权利要求8所述的方法，其特征在于，所述比对所述第三坐标平均值和所述第四坐标平均值，确定所述待检测车辆出入场事件的置信度，包括：

若所述第三坐标平均值和所述第四坐标平均值一致，确定所述待检测车辆出入场事件的置信度为低置信度。

10.一种基于泊位线辅助识别车辆行为的装置，其特征在于，包括：

识别模块，用于获取待检测车辆在预定图像采集区域的多张图像，基于卷积神经网络识别各个图像中的泊位线；

确定及检测模块，用于根据已识别的各个图像中的泊位线，确定所述待检测车辆所在泊位的各条泊位线的可见长度，并检测各个图像中所述待检测车辆的车辆检测框；

第一确定模块，用于根据各个图像的拍摄时间，确定所述车辆检测框位移方向与所述各条泊位线的可见长度变化的对应关系；

第二确定模块，用于根据所述对应关系，确定所述待检测车辆出入场事件的置信度；

第三确定模块，用于根据所述置信度，确定待检测车辆的出入场事件。

11.根据权利要求10所述的装置，其特征在于，包括：

预标注模块，用于预标注停车区域的各条泊位线；

其中，所述识别模块，具体用于

获取待检测车辆在预定图像采集区域的多张图像，并确定待检测车辆出入场事件的起始时间或结束时间；

根据所述起始时间，获取在所述起始时间前的第一预定时间段内待检测车辆在预定图像采集区域的第一图像集；或

根据所述结束时间，获取在所述结束时间后的第二预定时间段内待检测车辆在预定图像采集区域的第二图像集。

12.根据权利要求11所述的装置，其特征在于，所述识别模块，包括：

第一确定单元，用于基于卷积神经网络识别所述第一图像集或所述第二图像集中的各个图像中的泊位线，确定所述各个图像中的泊位线的斜率，并确定所述各个图像中的任意两图像中相同泊位线的相对距离；

合并单元，用于合并各个图像中斜率一致且相对距离小于预定距离的任意两条泊位线。

13.根据权利要求12所述的装置，其特征在于，所述第一确定模块，包括：

第二确定单元，用于根据所述各个图像的拍摄时间，确定所述各个图像中所述待检测车辆的车辆检测框的移动方向是否为向泊位外移动；

第一判断单元，用于若是，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而增长；

第二判断单元，用于若否，判断所述各个图像中所述待检测车辆所在泊位的上泊位线的可见长度是否随时间增加而减短；

其中，所述上泊位线为以图片左下角顶点为原点的平面坐标轴的泊位矩形框中沿Y轴方向距X轴较远的短泊位线。

14.根据权利要求13所述的装置，其特征在于，所述第二确定模块，包括：

第三确定单元，用于若所述车辆检测框的移动方向为向泊位外移动时，所述上泊位线的可见长度随时间增加而增长，确定所述待检测车辆出场事件的置信度为高置信度；

第四确定单元，用于若所述车辆检测框的移动方向为向泊位内移动时，所述上泊位线的可见长度随时间增加而减短，确定所述待检测车辆入场事件的置信度为高置信度。

15.根据权利要求12-14任一项所述的装置，其特征在于，还包括：

比对模块，用于将合并后各个图像中所述待检测车辆所在泊位的各条泊位线与预标记的对应泊位的泊位线进行长度比对，确定比对差值小于第一预定差值的各个图像中的第一泊位线；

第四确定模块，用于确定各第一泊位线中的上泊位线坐标信息，并根据各上泊位坐标信息计算上泊位线可见部分的第一坐标平均值。

16.根据权利要求15所述的装置，其特征在于，所述第四确定模块，具体用于

分别将各第一泊位线中的上泊位线坐标信息与所述第一坐标平均值进行比对，排除差值大于第二预定差值的第一泊位线；

确定已排除差值大于第二预定差值的第一泊位线的各第二泊位线，计算所述各第二泊位线的上泊位线坐标平均值，得到各上泊位线可见部分的第二坐标平均值。

17.根据权利要求16所述的装置，其特征在于，还包括：

第五确定模块，用于确定所述待检测车辆出入场事件发生前与发生后对应泊位的上泊位线是否局部可见；

第六确定模块，用于若是，确定所述待检测车辆出入场事件发生前对应泊位的上泊位线可见部分的第三坐标平均值及所述待检测车辆出入场事件发生后对应泊位的上泊位线可见部分的第四坐标平均值；

比对及确定模块，用于比对所述第三坐标平均值和所述第四坐标平均值，确定所述待检测车辆出入场事件的置信度。

18.根据权利要求17所述的装置，其特征在于，所述比对及确定模块，具体用于

若所述第三坐标平均值和所述第四坐标平均值一致，确定所述待检测车辆出入场事件的置信度为低置信度。

Images