CN112885108B - 一种基于深度学习算法的停车位上车辆换车检测方法及系统 - Google Patents

一种基于深度学习算法的停车位上车辆换车检测方法及系统 Download PDF

Info

Publication number
CN112885108B
CN112885108B CN202110103266.9A CN202110103266A CN112885108B CN 112885108 B CN112885108 B CN 112885108B CN 202110103266 A CN202110103266 A CN 202110103266A CN 112885108 B CN112885108 B CN 112885108B
Authority
CN
China
Prior art keywords
parking space
vehicle
area
target
image
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
CN202110103266.9A
Other languages
English (en)
Other versions
CN112885108A (zh
Inventor
闫军
王凤菊
刘健
阳平
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.)
Love parking Technology Co.,Ltd.
Original Assignee
Aipark Meihao 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 Aipark Meihao Technology Co ltd filed Critical Aipark Meihao Technology Co ltd
Publication of CN112885108A publication Critical patent/CN112885108A/zh
Application granted granted Critical
Publication of CN112885108B publication Critical patent/CN112885108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/02—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems
    • 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

Abstract

本发明公开一种基于深度学习算法的停车位上车辆换车检测方法及系统，涉及智能车辆识别领域，包括如下步骤：获取待检测车位特写图像，并从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息；根据所述车辆目标和非车辆目标的矩形框坐标信息，判断所述车位上的车辆目标是否存在遮挡；根据所述车位上的车辆目标的遮挡判定结果，从所述车位特写图像中选择车辆换车待比较图像区域；根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车。本发明可以提升车辆停车管理的准确性和可靠性，弥补了在车位上的车辆驶出车位后，另一辆车迅速驶入车位的场景下，车辆停车管理方式存在的较大漏洞。

Description

一种基于深度学习算法的停车位上车辆换车检测方法及系统
技术领域
本发明涉及智能车辆识别领域，特别涉及一种基于深度学习算法的停车位上车辆换车检测方法及系统。
背景技术
近年来，随着社会经济不断发展，民众生活水平提高，我国机动车保有量逐年增加。随着城市规模扩大，停车难这一问题也随之而来。其中，管理停车问题，对城市交通的健康发展尤为重要，用传统人工方式管理停车问题，运营成本高，效率低下，因此依托互联网与人工智能技术的智慧停车管理方式开始快速发展。
目前在进行车辆管理时，通常是基于深度学习的目标检测，可以判断车位上是否有车辆停泊，但是如果车位上的车辆驶出车位后，另一辆车迅速驶入车位，在这种场景下，单独依靠车辆检测无法判断出车位上存在换车这种现象，从而导致现有车辆停车管理方式存在较大漏洞，进而导致车辆停车管理的准确性和可靠性较差。
发明内容
为解决上述技术问题，本发明一种基于深度学习算法的停车位上车辆换车检测方法及系统，可以解决车辆停车管理方式存在较大漏洞，进而导致车辆停车管理的准确性和可靠性较差的问题。
为实现上述目的，一方面，本发明一种基于深度学习算法的停车位上车辆换车检测方法，所述方法包括：
获取待检测车位特写图像，并从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息；
根据所述车辆目标和非车辆目标的矩形框坐标信息，判断所述车位上的车辆目标是否存在遮挡；
根据所述车位上的车辆目标的遮挡判定结果，从所述车位特写图像中选择车辆换车待比较图像区域；
根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车。
进一步地，所述从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息的步骤包括：
根据预置深度学习目标检测算法，识别所述车位特写图像中所有目标的矩形框坐标信息，并标记停在所述车位上的车辆目标矩形框坐标信息。
进一步地，所述根据所述车辆目标和非车辆目标的矩形框坐标信息，判断所述车位上的车辆目标是否存在遮挡的步骤包括：
根据所述车辆目标和非车辆目标的矩形框坐标信息，计算所有目标矩形框与车位上所述车辆目标矩形框的相交面积；
若所述相交面积等于0，则确认不存在遮挡；
若所述相交面积大于0，则根据车辆目标和除所述车辆目标的其他目标分别对应的矩形框的位置关系，判断是否存在遮挡。
进一步地，所述根据车辆目标和除所述车辆目标的其他目标分别对应的矩形框的位置关系，判断是否存在遮挡的步骤包括：
若其他目标矩形框下边缘大于所述车辆目标矩形框下边缘，则确认所述车位上的车辆被所述目标遮挡。
进一步地，所述根据所述车位上的车辆目标的遮挡判定结果，从所述车位特写图像中选择车辆换车待比较图像区域的步骤包括：
若所述车位特写图像中车位上的车辆目标未被其他目标遮挡，则将车位上的车辆目标对应的矩形框区域，标记为待比较区域；
若所述车位特写图像中车位上的车辆目标被其他目标矩形框遮挡，则获取所述车位上的车辆目标矩形框的未被遮挡区域，将各张车位特写图像中车辆目标矩形框未被遮挡区域的相交区域，标记为待比较区域。
进一步地，所述根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车的步骤之前，所述方法还包括：
判断所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比是否均位于对应的预置阈值范围内。
进一步地，所述根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车的步骤包括：
若所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比均位于对应的预置阈值范围，则根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车；
若否，则重新获取待检测车位特写图像。
进一步地，所述根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车的步骤包括：
根据待比较区域的图像特征值，判断待比较区域的特征相似度是否小于预置阈值；
若是，则确认所述车位上的车辆存在换车。
另一方面，本发明提供一种基于深度学习算法的停车位上车辆换车检测系统，所述系统包括：获取模块、判断模块、选择模块、确定模块；
获取模块，用于获取待检测车位特写图像，并从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息；
判断模块，用于根据所述车辆目标和非车辆目标的矩形框坐标信息，判断所述车位上的车辆目标是否存在遮挡；
选择模块，用于根据所述车位上的车辆目标的遮挡判定结果，从所述车位特写图像中选择车辆换车待比较图像区域；
确定模块，用于根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车。
进一步地，所述获取模块，具体用于根据预置深度学习目标检测算法，识别所述车位特写图像中所有目标的矩形框坐标信息，并标记停在所述车位上的车辆目标矩形框坐标信息。
进一步地，所述判断模块，具体用于根据所述车辆目标和非车辆目标的矩形框坐标信息，计算所有目标矩形框与车位上所述车辆目标矩形框的相交面积；若所述相交面积等于0，则确认不存在遮挡；若所述相交面积大于0，则根据车辆目标和除所述车辆目标的其他目标分别对应的矩形框的位置关系，判断是否存在遮挡。
进一步地，所述判断模块，具体还用于若其他目标矩形框下边缘大于所述车辆目标矩形框下边缘，则确认所述车位上的车辆被所述目标遮挡。
进一步地，所述选择模块，具体用于若所述车位特写图像中车位上的车辆目标未被其他目标遮挡，则将车位上的车辆目标对应的矩形框区域，标记为待比较区域；
若所述车位特写图像中车位上的车辆目标被其他目标矩形框遮挡，则获取所述车位上的车辆目标矩形框的未被遮挡区域，将各张车位特写图像中车辆目标矩形框未被遮挡区域的相交区域，标记为待比较区域。
进一步地，所述判断模块，还用于判断所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比是否均位于对应的预置阈值范围内。
进一步地，所述确定模块，具体用于若所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比均位于对应的预置阈值范围，则根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车；若否，则重新获取待检测车位特写图像。
进一步地，所述确定模块，具体还用于根据待比较区域的图像特征值，判断待比较区域的特征相似度是否小于预置阈值；若是，则确认所述车位上的车辆存在换车。
本发明提供的一种基于深度学习算法的停车位上车辆换车检测方法及系统，通过基于深度学习的特征提取算法可以提取待比较区域内车辆图像的特征，再计算车位上换车前及换车后的车辆特征相似度，可以判断该车位的车辆是否换车，从而可以提升车辆停车管理的准确性和可靠性，弥补了在车位上的车辆驶出车位后，另一辆车迅速驶入车位的场景下，车辆停车管理方式存在的较大漏洞。
附图说明
图1是本发明提供的一种基于深度学习算法的停车位上车辆换车检测方法的流程图；
图2是本发明提供的一种基于深度学习算法的停车位上车辆换车检测系统的结构示意图；
图3是本发明提供的选取车位特写图示意图；
图4是本发明提供的检测特写图中的车辆及行人等目标信息的场景示意图；
图5是本发明提供的判断车位上的车辆矩形框是否被遮挡的场景示意图；
图6是本发明提供的获取车位上的车辆非遮挡区域的场景示意图；
图7是本发明提供的获取特征比对待比较区域的场景示意图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
如图1所示，本发明实施例提供基于深度学习算法的停车位上车辆换车检测方法，包括如下步骤：
101、获取待检测车位特写图像，并从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息。
其中，非车辆目标可以为行人、电动车等，所述待检测车位特写图像具体可以为两张或多张，同时为了进一步提升图像分析采集的准确性，需要尽量保证车位特写图像的拍摄角度相同，例如，如图3所示，车辆目标和非车辆目标分别对应的矩形框坐标信息可以如图4所示。
对于本发明实施例，所述从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息的步骤包括：根据预置深度学习目标检测算法，识别所述车位特写图像中所有目标的矩形框坐标信息，并标记停在所述车位上的车辆目标矩形框坐标信息。
102、根据所述车辆目标和非车辆目标的矩形框坐标信息，判断所述车位上的车辆目标是否存在遮挡。
对于本发明实施例，步骤102具体可以包括：根据所述车辆目标和非车辆目标的矩形框坐标信息，计算所有目标矩形框与车位上所述车辆目标矩形框的相交面积；若所述相交面积等于0，则确认不存在遮挡；若所述相交面积大于0，则根据车辆目标和非车辆目标分别对应的矩形框的位置关系，判断是否存在遮挡。
例如，如图5所示，遍历所有目标矩形框，分别与停在车位上的车辆检测框做比较，判断车位上的车辆检测框是否被其他目标遮挡，当车位上的车辆检测框与其他目标检测框不相交，则车位上的车辆检测框，未被其他目标检测框遮挡，车位上的车辆检测框，标记为车位上的车辆非遮挡区域，当车位上的车辆检测框与其他目标检测框相交面积大于0，并且其他目标检测框的下边缘大于车位上的车辆检测框下边缘时，则车位上的车辆检测框，被其他目标检测框遮挡。
进一步地，所述根据车辆目标和除所述车辆目标的其他目标分别对应的矩形框的位置关系，判断是否存在遮挡的步骤包括：若其他目标矩形框下边缘大于所述车辆目标矩形框下边缘，则确认所述车位上的车辆被所述目标遮挡。例如，如图6所示，当车位上的车辆检测框被其他目标检测框遮挡时，调整车位上的车辆检测框下边缘，得到车位上的车辆检测框非遮挡区域。
103、根据所述车位上的车辆目标的遮挡判定结果，从所述车位特写图像中选择车辆换车待比较图像区域。
对于本发明实施例，步骤103具体可以包括：若所述车位特写图像中车位上的车辆目标未被其他目标遮挡，则将车位上的车辆目标对应的矩形框区域，标记为待比较区域；若所述车位特写图像中车位上的车辆目标被其他目标矩形框遮挡，则获取所述车位上的车辆目标矩形框的未被遮挡区域，将各张车位特写图像中车辆目标矩形框未被遮挡区域的相交区域，标记为待比较区域。
例如，如图7所示，对比特写图1，特写图2中车位上的车辆的非遮挡区域，若特写图1与特写图2车位上的非遮挡区域均为原始车辆检测框区域，也就是未被其他目标检测框遮挡的车辆检测框区域，则车位上的车辆非遮挡区域，即为特征比对待比较区域。若特写图1或与特写图2车位上的非遮挡区域不是原始的车辆检测框区域，计算这两个非遮挡区域的相交区域，判断相交区域宽高比以及占原始车辆检测框面积比值是否在一定区间内，若相交区域与原始车辆检测框区域面积比值小于一定阈值，或者相交区域矩形框宽高比大于一定阈值，认为车位上的车辆被严重遮挡，不适合做特征比对换车判断，若相交区域宽高比以及占原始车辆检测框面积比值在一定阈值内，符合特征比对判断的条件，标记相交区域为特征比对待比较区域。
104、根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车。
对于本发明实施例，步骤104之前，所述方法还可以包括：判断所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比是否均位于对应的预置阈值范围内。此时，步骤104具体可以包括：若所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比均位于对应的预置阈值范围，则根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车；若否，则重新获取待检测车位特写图像。
例如，如图7所示，对比特写图1，特写图2中车位上的车辆的非遮挡区域，若特写图1与特写图2车位上的非遮挡区域均为原始车辆检测框区域，也就是未被其他目标检测框遮挡的车辆检测框区域，则车位上的车辆非遮挡区域，即为特征比对待比较区域。若特写图1或与特写图2车位上的非遮挡区域不是原始的车辆检测框区域，计算这两个非遮挡区域的相交区域，判断相交区域宽高比以及占原始车辆检测框面积比值是否在一定区间内，若相交区域与原始车辆检测框区域面积比值小于一定阈值，或者相交区域矩形框宽高比大于一定阈值，认为车位上的车辆被严重遮挡，不适合做特征比对换车判断，若相交区域宽高比以及占原始车辆检测框面积比值在一定阈值内，符合特征比对判断的条件，标记相交区域为特征比对待比较区域。
进一步地，所述根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车的步骤包括：根据待比较区域的图像特征值，判断待比较区域的特征相似度是否小于预置阈值；若是，则确认所述车位上的车辆存在换车。具体地，可以通过调用特征提取算法，提取待比较区域的特征，进行特征相似度计算，若特征相似度大于一定阈值，说明待比较区域内的车辆特征相似，认为是同一辆车。若特征相似度小于一定阈值，说明待比较区域内的车辆特征不相似，不是同一辆车，该车位上的车辆已经更换。
对于本发明实施例，具体的应用场景可以如下所示，包括：选取两张相同角度拍摄的车位特写图，停在车位上的车辆分别命名为a1以及a2，检测两张图中所有车辆行人等目标的矩形框坐标，判断a1或a2是否被其他目标检测框遮挡，若a1及a2未被其他目标检测框遮挡，记录a1，a2车辆矩形框区域为待比较区域；若a1或a2被其他目标检测框遮挡，则调整a1，a2原始检测框下边缘，去掉遮挡区域，得到a1及a2非遮挡区域,将a1及a2非遮挡区域的相交区域，记录为待比较区域。比较两个待比较区域，如果两个待比较区域面积比以及待比较区域占原始车辆检测框面积比以及待比较区域矩形框宽高比在一定阈值范围内，则调用特征提取算法，提取两个待比较区域的特征值，计算两个待比较区域的特征相似度，根据特征相似度阈值进行判断，相似度低于阈值的情况视为车位上的车辆已经换车。本发明从高位视频中选取车位特写图进行业务处理，结合深度学习算法判断车位上的车辆变化，对停车车位自动化监控有具体实际意义，可以提升车辆停车管理的准确性和可靠性，弥补了在车位上的车辆驶出车位后，另一辆车迅速驶入车位的场景下，车辆停车管理方式存在的较大漏洞。
本发明实施例提供的一种基于深度学习算法的停车位上车辆换车检测方法，通过基于深度学习的特征提取算法可以提取待比较区域内车辆图像的特征，再计算换车前及换车后的车辆特征相似度，可以判断该区域的车辆是否换车，从而可以提升车辆停车管理的准确性和可靠性，弥补了在车位上的车辆驶出车位后，另一辆车迅速驶入车位的场景下，车辆停车管理方式存在的较大漏洞。
为实现本发明实施例提供的方法，本发明实施例提供一种基于深度学习算法的停车位上车辆换车检测系统，如图2所示，该系统包括：获取模块21、判断模块22、选择模块23、确定模块24。
获取模块21，用于获取待检测车位特写图像，并从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息。
其中，非车辆目标可以为行人、电动车等，所述待检测车位特写图像具体可以为两张或多张，同时为了进一步提升图像分析采集的准确性，需要尽量保证车位特写图像的拍摄角度相同。
判断模块22，用于根据所述车辆目标和非车辆目标的矩形框坐标信息，判断所述车位上的车辆目标是否存在遮挡。
例如，如图5所示，遍历所有目标矩形框，分别与停在车位上的车辆检测框做比较，判断车位上的车辆检测框是否被其他目标遮挡，当车位上的车辆检测框与其他目标检测框不相交，则车位上的车辆检测框，未被其他目标检测框遮挡，车位上的车辆检测框，标记为车位上的车辆非遮挡区域，当车位上的车辆检测框与其他目标检测框相交面积大于0，并且其他目标检测框的下边缘大于车位上的车辆检测框下边缘时，则车位上的车辆检测框，被其他目标检测框遮挡。
选择模块23，用于根据所述车位上的车辆目标的遮挡判定结果，从所述车位特写图像中选择车辆换车待比较图像区域。
例如，对比特写图1，特写图2中车位上的车辆的非遮挡区域，若特写图1与特写图2车位上的非遮挡区域均为原始车辆检测框区域，也就是未被其他目标检测框遮挡的车辆检测框区域，则车位上的车辆非遮挡区域，即为特征比对待比较区域。若特写图1或与特写图2车位上的非遮挡区域不是原始的车辆检测框区域，计算这两个非遮挡区域的相交区域，判断相交区域宽高比以及占原始车辆检测框面积比值是否在一定区间内，若相交区域与原始车辆检测框区域面积比值小于一定阈值，或者相交区域矩形框宽高比大于一定阈值，认为车位上的车辆被严重遮挡，不适合做特征比对换车判断，若相交区域宽高比以及占原始车辆检测框面积比值在一定阈值内，符合特征比对判断的条件，标记相交区域为特征比对待比较区域。
确定模块24，用于根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车。
进一步地，所述获取模块21，具体用于根据预置深度学习目标检测算法，识别所述车位特写图像中所有目标的矩形框坐标信息，并标记停在所述车位上的车辆目标矩形框坐标信息。
进一步地，所述判断模块22，具体用于根据所述车辆目标和非车辆目标的矩形框坐标信息，计算所有目标矩形框与车位上所述车辆目标矩形框的相交面积；若所述相交面积等于0，则确认不存在遮挡；若所述相交面积大于0，则根据车辆目标和除所述车辆目标的其他目标分别对应的矩形框的位置关系，判断是否存在遮挡。
进一步地，所述判断模块22，具体还用于若其他目标矩形框下边缘大于所述车辆目标矩形框下边缘，则确认所述车位上的车辆被所述目标遮挡。
进一步地，所述选择模块23，具体用于若所述车位特写图像中车位上的车辆目标未被其他目标遮挡，则将车位上的车辆目标对应的矩形框区域，标记为待比较区域；若所述车位特写图像中车位上的车辆目标被其他目标矩形框遮挡，则获取所述车位上的车辆目标矩形框的未被遮挡区域，将各张车位特写图像中车辆目标矩形框未被遮挡区域的相交区域，标记为待比较区域。
进一步地，所述判断模块22，还用于判断所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比是否均位于对应的预置阈值范围内。
进一步地，所述确定模块24，具体用于若所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比均位于对应的预置阈值范围，则根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车；若否，则重新获取待检测车位特写图像。
进一步地，所述确定模块24，具体还用于根据待比较区域的图像特征值，判断待比较区域的特征相似度是否小于预置阈值；若是，则确认所述车位上的车辆存在换车。
本发明实施例提供的一种基于深度学习算法的停车位上车辆换车检测系统，通过基于深度学习的特征提取算法可以提取待比较区域内车辆图像的特征，再计算换车前及换车后的车辆特征相似度，可以判断该区域的车辆是否换车，从而可以提升车辆停车管理的准确性和可靠性，弥补了在车位上的车辆驶出车位后，另一辆车迅速驶入车位的场景下，车辆停车管理方式存在的较大漏洞。
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)

1.一种基于深度学习算法的停车位上车辆换车检测方法，其特征在于，所述方法包括：
获取待检测车位特写图像，并从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息；
根据所述车辆目标和非车辆目标的矩形框坐标信息，判断所述车位上的车辆目标是否存在遮挡；
根据所述车位上的车辆目标的遮挡判定结果，从所述车位特写图像中选择车辆换车待比较图像区域；
所述根据所述车位上的车辆目标的遮挡判定结果，从所述车位特写图像中选择车辆换车待比较图像区域的步骤包括：
若所述车位特写图像中车位上的车辆目标未被其他目标遮挡，则将车位上的车辆目标对应的矩形框区域，标记为待比较区域；
若所述车位特写图像中车位上的车辆目标被其他目标矩形框遮挡，则获取所述车位上的车辆目标矩形框的未被遮挡区域，将各张车位特写图像中车辆目标矩形框未被遮挡区域的相交区域，标记为待比较区域；
根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车。
2.根据权利要求1所述的一种基于深度学习算法的停车位上车辆换车检测方法，其特征在于，所述从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息的步骤包括：
根据预置深度学习目标检测算法，识别所述车位特写图像中所有目标的矩形框坐标信息，并标记停在所述车位上的车辆目标矩形框坐标信息。
3.根据权利要求1所述的一种基于深度学习算法的停车位上车辆换车检测方法，其特征在于，所述根据所述车辆目标和非车辆目标的矩形框坐标信息，判断所述车位上的车辆目标是否存在遮挡的步骤包括：
根据所述车辆目标和非车辆目标的矩形框坐标信息，计算所有目标矩形框与车位上所述车辆目标矩形框的相交面积；
若所述相交面积等于0，则确认不存在遮挡；
若所述相交面积大于0，则根据车辆目标和除所述车辆目标的其他目标分别对应的矩形框的位置关系，判断是否存在遮挡。
4.根据权利要求3所述的一种基于深度学习算法的停车位上车辆换车检测方法，其特征在于，所述根据车辆目标和除所述车辆目标的其他目标分别对应的矩形框的位置关系，判断是否存在遮挡的步骤包括：
若其他目标矩形框下边缘大于所述车辆目标矩形框下边缘，则确认所述车位上的车辆被所述目标遮挡。
5.根据权利要求1所述的一种基于深度学习算法的停车位上车辆换车检测方法，其特征在于，所述根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车的步骤之前，所述方法还包括：
判断所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比是否均位于对应的预置阈值范围内。
6.根据权利要求5所述的一种基于深度学习算法的停车位上车辆换车检测方法，其特征在于，所述根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车的步骤包括：
若所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比均位于对应的预置阈值范围，则根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车；
若否，则重新获取待检测车位特写图像。
7.根据权利要求1或6所述的一种基于深度学习算法的停车位上车辆换车检测方法，其特征在于，所述根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车的步骤包括：
根据待比较区域的图像特征值，判断待比较区域的特征相似度是否小于预置阈值；
若是，则确认所述车位上的车辆存在换车。
8.一种基于深度学习算法的停车位上车辆换车检测系统，其特征在于，所述系统包括：获取模块、判断模块、选择模块、确定模块；
获取模块，用于获取待检测车位特写图像，并从所述车位特写图像中获取车辆目标和非车辆目标分别对应的矩形框坐标信息；
判断模块，用于根据所述车辆目标和非车辆目标的矩形框坐标信息，判断所述车位上的车辆目标是否存在遮挡；
选择模块，用于根据所述车位上的车辆目标的遮挡判定结果，从所述车位特写图像中选择车辆换车待比较图像区域；
所述选择模块，具体用于若所述车位特写图像中车位上的车辆目标未被其他目标遮挡，则将车位上的车辆目标对应的矩形框区域，标记为待比较区域；
若所述车位特写图像中车位上的车辆目标被其他目标矩形框遮挡，则获取所述车位上的车辆目标矩形框的未被遮挡区域，将各张车位特写图像中车辆目标矩形框未被遮挡区域的相交区域，标记为待比较区域；
确定模块，用于根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车。
9.根据权利要求8所述的一种基于深度学习算法的停车位上车辆换车检测系统，其特征在于，所述获取模块，具体用于根据预置深度学习目标检测算法，识别所述车位特写图像中所有目标的矩形框坐标信息，并标记停在所述车位上的车辆目标矩形框坐标信息。
10.根据权利要求8所述的一种基于深度学习算法的停车位上车辆换车检测系统，其特征在于，所述判断模块，具体用于根据所述车辆目标和非车辆目标的矩形框坐标信息，计算所有目标矩形框与车位上所述车辆目标矩形框的相交面积；若所述相交面积等于0，则确认不存在遮挡；若所述相交面积大于0，则根据车辆目标和除所述车辆目标的其他目标分别对应的矩形框的位置关系，判断是否存在遮挡。
11.根据权利要求10所述的一种基于深度学习算法的停车位上车辆换车检测系统，其特征在于，所述判断模块，具体还用于若其他目标矩形框下边缘大于所述车辆目标矩形框下边缘，则确认所述车位上的车辆被所述目标遮挡。
12.根据权利要求8所述的一种基于深度学习算法的停车位上车辆换车检测系统，其特征在于，所述判断模块，还用于判断所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比是否均位于对应的预置阈值范围内。
13.根据权利要求12所述的一种基于深度学习算法的停车位上车辆换车检测系统，其特征在于，所述确定模块，具体用于若所述待比较区域面积比、待比较区域与车位上的车辆原始矩形框区域面积比、待比较区域的宽高比均位于对应的预置阈值范围，则根据待比较图像区域的图像特征值，确定所述车位上是否存在车辆换车；若否，则重新获取待检测车位特写图像。
14.根据权利要求8或13所述的一种基于深度学习算法的停车位上车辆换车检测系统，其特征在于，所述确定模块，具体还用于根据待比较区域的图像特征值，判断待比较区域的特征相似度是否小于预置阈值；若是，则确认所述车位上的车辆存在换车。
CN202110103266.9A 2020-12-23 2021-01-26 一种基于深度学习算法的停车位上车辆换车检测方法及系统 Active CN112885108B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011542602 2020-12-23
CN2020115426021 2020-12-23

Publications (2)

Publication Number Publication Date
CN112885108A CN112885108A (zh) 2021-06-01
CN112885108B true CN112885108B (zh) 2022-02-01

Family

ID=76053234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110103266.9A Active CN112885108B (zh) 2020-12-23 2021-01-26 一种基于深度学习算法的停车位上车辆换车检测方法及系统

Country Status (1)

Country Link
CN (1) CN112885108B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255584B (zh) * 2021-12-20 2023-04-07 济南博观智能科技有限公司 一种停放车辆的定位方法、系统、存储介质和电子设备
CN114399918B (zh) * 2021-12-22 2023-03-17 中国电信股份有限公司 车位分配方法、装置、电子设备及存储介质
CN115188202A (zh) * 2022-07-18 2022-10-14 浙江大华技术股份有限公司 一种车辆真实运动状态的确定方法及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016122756A1 (de) * 2016-11-25 2018-05-30 Valeo Schalter Und Sensoren Gmbh Verfahren zum Unterstützen eines Fahrers eines Kraftfahrzeugs beim Abstellen des Kraftfahrzeugs auf einer Parkfläche, Fahrerassistenzsystem sowie Kraftfahrzeug
CN110059578A (zh) * 2019-03-27 2019-07-26 东软睿驰汽车技术（沈阳）有限公司 一种车辆跟踪的方法及装置
CN110647818A (zh) * 2019-08-27 2020-01-03 北京易华录信息技术股份有限公司 一种遮挡目标物体的识别方法及装置
CN110991255A (zh) * 2019-11-11 2020-04-10 智慧互通科技有限公司 一种基于深度学习算法的检测套牌车的方法
CN111696360A (zh) * 2019-03-15 2020-09-22 杭州海康威视数字技术股份有限公司 一种停车监控方法、系统及摄像机

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112370B (zh) * 2014-07-30 2016-08-17 哈尔滨工业大学深圳研究生院 基于监控图像的停车场智能车位识别方法及系统
JP7089355B2 (ja) * 2017-11-13 2022-06-22 キヤノン株式会社 画像処理装置、画像処理装置の制御方法及びプログラム
CN108389396B (zh) * 2018-02-28 2021-05-28 北京精英路通科技有限公司 一种基于视频的车型匹配方法、装置和计费系统
CN110009929A (zh) * 2019-03-15 2019-07-12 北京筑梦园科技有限公司 一种车辆泊位管理方法、设备及系统
CN110263864A (zh) * 2019-06-24 2019-09-20 北京精英路通科技有限公司 车辆的匹配方法、装置、计算机设备及存储介质
CN111931673A (zh) * 2020-04-26 2020-11-13 智慧互通科技有限公司 一种基于视觉差的车辆检测信息的校验方法及装置
CN111814559A (zh) * 2020-06-10 2020-10-23 河南观潮智能科技有限公司 一种泊位状态识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016122756A1 (de) * 2016-11-25 2018-05-30 Valeo Schalter Und Sensoren Gmbh Verfahren zum Unterstützen eines Fahrers eines Kraftfahrzeugs beim Abstellen des Kraftfahrzeugs auf einer Parkfläche, Fahrerassistenzsystem sowie Kraftfahrzeug
CN111696360A (zh) * 2019-03-15 2020-09-22 杭州海康威视数字技术股份有限公司 一种停车监控方法、系统及摄像机
CN110059578A (zh) * 2019-03-27 2019-07-26 东软睿驰汽车技术（沈阳）有限公司 一种车辆跟踪的方法及装置
CN110647818A (zh) * 2019-08-27 2020-01-03 北京易华录信息技术股份有限公司 一种遮挡目标物体的识别方法及装置
CN110991255A (zh) * 2019-11-11 2020-04-10 智慧互通科技有限公司 一种基于深度学习算法的检测套牌车的方法

Also Published As

Publication number Publication date
CN112885108A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN112885108B (zh) 一种基于深度学习算法的停车位上车辆换车检测方法及系统
CN107738612B (zh) 基于全景视觉辅助系统的自动泊车停车位检测与识别系统
CN103824066B (zh) 一种基于视频流的车牌识别方法
EP3171292B1 (en) Driving lane data processing method, device, storage medium and apparatus
CN101916516B (zh) 一种车道偏移识别方法
CN109145708B (zh) 一种基于rgb和d信息融合的人流量统计方法
CN105321350A (zh) 套牌车检测方法及装置
CN110658539B (zh) 车辆定位方法、装置、车辆和计算机可读存储介质
CN107909012B (zh) 一种基于视差图的实时车辆跟踪检测方法与装置
CN102902957A (zh) 一种基于视频流的自动车牌识别方法
EP2813973B1 (en) Method and system for processing video image
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
CN108052887A (zh) 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法
CN113034586B (zh) 道路倾角检测方法和检测系统
CN102024148A (zh) 一种出租车绿色标志识别方法
CN106023594A (zh) 一种车位遮挡的判定方法、装置及车辆管理系统
CN111369824A (zh) 一种基于图像识别定位的引导泊车方法及系统
Ryu et al. Feature-based pothole detection in two-dimensional images
CN116824516B (zh) 一种涉路施工安全监测及管理系统
CN110765940B (zh) 目标对象统计方法和装置
CN110660225A (zh) 闯红灯行为检测方法、装置和设备
Michael et al. Fast change detection for camera-based surveillance systems
CN113283303A (zh) 一种车牌识别方法及装置
CN110853059B (zh) 一种靶子环数的图像识别方法
CN112883904B (zh) 一种车辆违停占道检测方法

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
CP01 Change in the name or title of a patent holder

Address after: 100075 1202-03, 12 / F, 27 Zhongguancun Street, Haidian District, Beijing

Patentee after: Love parking Technology Co.,Ltd.

Address before: 100075 1202-03, 12 / F, 27 Zhongguancun Street, Haidian District, Beijing

Patentee before: Aipark Meihao Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder