CN113473077A - 一种基于多维度的路侧逆向停车的判断方法及系统 - Google Patents
一种基于多维度的路侧逆向停车的判断方法及系统 Download PDFInfo
- Publication number
- CN113473077A CN113473077A CN202110597880.5A CN202110597880A CN113473077A CN 113473077 A CN113473077 A CN 113473077A CN 202110597880 A CN202110597880 A CN 202110597880A CN 113473077 A CN113473077 A CN 113473077A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking
- information
- state
- driver
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008859 change Effects 0.000 claims abstract description 91
- 230000003068 static effect Effects 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 description 16
- 238000001514 detection method Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于多维度的路侧逆向停车的判断方法及系统，涉及智能路侧违停管理领域，包括：首先通过根据车辆的车头车尾特征信息确定所述车位对应的逆向停车车辆，然后基于逆向车辆的车辆特征部件的状态信息、驾驶员的位置变化信息、以及所述车辆的轨迹信息多个维度信息进行车辆是否停稳的判断和车辆停稳时长的获取，提升了车辆静止状态判定的可靠性和置信度，进而保证车辆在泊位区域上停留时间的准确获取，从而提升了车辆逆向违停判断的可靠性和置信度，同时由于本发明不光获取车辆目标的行驶情况，还采集了车主的行为信息以及车辆特征部件的状态信息作为车辆逆向停车的判断依据，从而进一步丰富了车辆逆向停车判定的证据链。
Description
技术领域
本发明涉及智能路侧停车管理领域，特别涉及一种基于多维度的路侧逆向停车的判断方法及系统。
背景技术
路侧停车是利用地面上通行公路两侧的场地进行的停车方式。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，路侧停车成为城市管理中公共停车的重要方式。但是，虽然路侧停车有效扩充了城市公共停车位的数量，有效缓解了停车难的问题，但造成的交通拥堵甚至交通事故也越来越多。另外，由于某部分驾驶员的违章驾驶和违法停车，更是大大增加了其风险概率。事实上，由于违章停车造成的交通拥堵甚至交通事故越来越频繁。因此，路侧停车的违停管理成为了城市停车管理的重要一环，受到政府及民众的广泛关注。
目前路侧车辆逆向停车的判断，通常是根据泊位区域车辆图像获取的车辆行驶轨迹或者根据泊位区域图像识别泊位区域上是否有车辆驶入以及该车辆在泊位区域上停留的时间判断该区域是否存在逆向停车事件；而现有违停判定的起始时间是从泊位区域车辆停稳时开始计时，而现有车辆是否停稳只是单纯依据车辆位置进行判定的；然而由于路侧周围环境较为复杂，采集的车辆图像会受到周围行驶的车辆、行人、非机动车的遮挡干扰，此时采集的泊位区域图像中位于该泊位区域上的车辆目标图像所占的面积比例较小，同时泊位区域附近还一直存在其他运动目标的运动干扰和光影变化干扰，例如泊位区域附近经常有行人、电动车、其他车辆等运动目标不停在违停附近区域移动，泊位周围的树叶、树枝等绿植不停运动使得泊位区域光影不停变化，导致基于图像的车辆目标锁定跟踪和车辆轨迹获取的干扰因素较多，车辆目标锁定和车辆轨迹获取的准确度和可靠性难以保证，此时如果单纯依据车辆位置变化进行车辆是否停稳的判定，会导致车辆停稳判定的可靠性和置信度不足，进而导致车辆逆向违停时间的计算出现偏差，从而导致车辆逆向停车判断的可靠性和置信度不足。
发明内容
为解决上述技术问题，本发明提供一种基于多维度的路侧逆向停车的判断方法及系统，可以解决现有车辆逆向停车判断的可靠性和置信度不足的问题。
为实现上述目的，一方面，本发明一种基于多维度的路侧逆向停车的判断方法，所述方法包括：
采集当前泊位监控区域图像；
通过预置卷积神经网络模型从所述泊位监控区域图像中获取车辆的车头车尾特征信息，并根据所述车辆的车头车尾特征信息，获取逆向车辆；
根据泊位监控区域图像获取所述逆向车辆的车辆特征部件的状态信息、所述车辆对应的驾驶员的位置变化信息、以及所述车辆的轨迹信息；
根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆在所述泊位区域上是否为静止状态；
若是，则获取所述车辆在所述泊位区域上处于静止状态的时间；
若所述车辆在所述泊位区域上处于静止状态的时间大于或等于预设逆向违停时长，则确认所述车辆存在逆向停车行为。
进一步地，所述方法还包括：
若在所述泊位区域未识别到所述车辆，则根据从当前视频帧开始的连续多个视频帧图像中所述车辆的位置变化信息，判断最后一帧视频图像中所述车辆在车位旁是否消失并且所述车辆消失的同时所述车位内的车辆是否从无到有；若是，则确认所述车辆位于泊位区域内并且所述车辆为逆向停车行为。
进一步地，所述采集当前泊位监控区域图像的步骤之前，所述方法还包括：
采集视频流中的任意一帧图像；
标注并保存图像中的泊位坐标信息，所述泊位坐标信息包括泊位边界的四个点的坐标。
进一步地，所述根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆在所述泊位区域上是否为静止状态的步骤之前，所述方法还包括：
检测泊位监控区域图像中所述车辆对应的边界框，所述边界框为预先训练配置的；
根据所述边界框的坐标信息和所述泊位坐标信息判断所述车辆对应的边界框的下边界中点是否在泊位区域内；
若其中点在泊位区域内，则确定有车辆驶入该泊位内。
进一步地，所述根据泊位监控区域图像获取所述车辆对应的驾驶员的位置变化信息的步骤包括：
从所述泊位监控区域图像中识别提取所述驾驶员目标区域图像，并根据驾驶员目标区域图像获取所述驾驶员的位置变化信息；
所述根据所述驾驶员的位置变化信息确定所述车辆是否为静止状态的步骤包括：
若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外时，则确定所述车辆为静止状态。
进一步地，所述根据所述驾驶员的位置变化信息和所述车辆的轨迹信息确定所述车辆是否为静止状态的步骤包括：
若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外，且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
进一步地，所述根据泊位监控区域图像获取所述车辆特征部件的状态信息的步骤包括：
当所述车辆特征部件为车门时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆车门是否存在开启过程和/或开启状态；
所述根据所述车辆特征部件的状态信息确定所述车辆是否为静止状态的步骤包括：
若车门存在开启过程和/或开启状态，则确定所述车辆为静止状态。
进一步地，所述根据泊位监控区域图像获取所述车辆特征部件的状态信息的步骤包括：当所述车辆特征部件为反光镜时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆反光镜是否处于闭合过程和/或闭合状态；
所述根据所述车辆特征部件的状态信息确定所述车辆是否为静止状态的步骤包括：
若所述车辆反光镜处于闭合过程和/或闭合状态，则确定所述车辆为静止状态。
进一步地，所述根据所述车辆特征部件的状态信息和所述车辆的轨迹信息确定所述车辆是否为静止状态的步骤包括：
当所述车辆特征部件为车门时，若根据所述车辆目标区域图像识别到所述车门存在开启过程和/或开启状态，并且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态；或者
当所述车辆特征部件为反光镜时，若根据所述车辆目标区域图像识别到所述反光镜处于闭合过程和/或闭合状态且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
进一步地，所述根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆是否为静止状态的步骤包括：
若识别到所述车辆特征部件的状态信息满足预设条件并且所述车辆在所述泊位区域未发生位置变化并且识别到所述驾驶员从所述车辆内位移到所述车辆外时，则确定所述车辆为静止状态。
另一方面，本发明提供一种基于多维度的路侧逆向停车的判断系统，所述系统包括：获取模块、判断模块、确定模块；
获取模块，用于采集当前泊位监控区域图像；
所述获取模块，还用于通过预置卷积神经网络模型从所述泊位监控区域图像中获取车辆的车头车尾特征信息，并根据所述车辆的车头车尾特征信息，获取逆向车辆；
所述获取模块，还用于根据泊位监控区域图像获取所述逆向车辆的车辆特征部件的状态信息、所述车辆对应的驾驶员的位置变化信息、以及所述车辆的轨迹信息；
判断模块，用于根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆在所述泊位区域上是否为静止状态；
所述获取模块，还用于若是，则获取所述车辆在所述泊位区域上处于静止状态的时间；
所述确定模块，用于若所述车辆在所述泊位区域上处于静止状态的时间大于或等于预设逆向违停时长，则确认所述车辆存在逆向停车行为。
进一步地，所述判断模块，还用于若在所述泊位区域未识别到所述车辆，则根据从当前视频帧开始的连续多个视频帧图像中所述车辆的位置变化信息，判断最后一帧视频图像中所述车辆在车位旁是否消失并且所述车辆消失的同时所述车位内的车辆是否从无到有；若是，则确认所述车辆位于泊位区域内并且所述车辆为逆向停车行为。
进一步地，所述获取模块，还用于采集视频流中的任意一帧图像；
标注并保存图像中的泊位坐标信息，所述泊位坐标信息包括泊位边界的四个点的坐标。
进一步地，所述判断模块，还用于检测泊位监控区域图像中所述车辆对应的边界框，所述边界框为预先训练配置的；根据所述边界框的坐标信息和所述泊位坐标信息判断所述车辆对应的边界框的下边界中点是否在泊位区域内；若其中点在泊位区域内，则确定有车辆驶入该泊位内。
进一步地，所述获取模块，具体用于从所述泊位监控区域图像中识别提取所述驾驶员目标区域图像，并根据驾驶员目标区域图像获取所述驾驶员的位置变化信息；
所述判断模块，具体用于若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外时，则确定所述车辆为静止状态。
进一步地，所述确定模块，具体用于若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外，且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
进一步地，所述获取模块，具体还用于当所述车辆特征部件为车门时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆车门是否存在开启过程和/或开启状态；
所述确定模块，具体还用于若车门存在开启过程和/或开启状态，则确定所述车辆为静止状态。
进一步地，所述获取模块，具体还用于当所述车辆特征部件为反光镜时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆反光镜是否处于闭合过程和/或闭合状态；
所述确定模块，具体还用于若所述车辆反光镜处于闭合过程和/或闭合状态，则确定所述车辆为静止状态。
进一步地，所述确定模块，具体还用于当所述车辆特征部件为车门时，若根据所述车辆目标区域图像识别到所述车门存在开启过程和/或开启状态，并且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态；或者
当所述车辆特征部件为反光镜时，若根据所述车辆目标区域图像识别到所述反光镜处于闭合过程和/或闭合状态且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
进一步地，所述确定模块，具体还用于若识别到所述车辆特征部件的状态信息满足预设条件并且所述车辆在所述泊位区域未发生位置变化并且识别到所述驾驶员从所述车辆内位移到所述车辆外时，则确定所述车辆为静止状态。
本发明提供的一种基于多维度的路侧逆向停车的判断方法及系统，首先通过根据车辆的车头车尾特征信息确定所述车位对应的逆向停车车辆，然后再根据泊位监控区域图像获取车辆特征部件的状态信息、驾驶员的位置变化信息、以及所述车辆的轨迹信息，并基于驶入泊位逆向车辆的车辆特征部件的状态信息、驾驶员的位置变化信息、以及所述车辆的轨迹信息多个维度信息进行车辆是否停稳的判断和车辆停稳时长的获取，提升了车辆静止状态判定的可靠性和置信度，进而保证车辆在泊位区域上停留时间的准确获取，从而提升了车辆逆向违停判断的可靠性和置信度，同时由于本发明不光获取车辆目标的行驶情况，还采集了车主的行为信息以及车辆特征部件的状态信息作为车辆逆向停车的判断依据，从而进一步丰富了车辆逆向停车判定的证据链。
附图说明
图1是本发明提供的一种基于多维度的路侧逆向停车的判断方法的流程图一；
图2是本发明提供的一种基于多维度的路侧逆向停车的判断系统的结构示意图；
图3是本发明提供的一种基于多维度的路侧逆向停车的判断方法具体实现方式流程图。
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，本发明实施例提供的一种基于多维度的路侧逆向停车的判断方法，包括如下步骤：
101、采集当前泊位监控区域图像。
其中，所述泊位监控区域图像是通过高位视频停车采集设备按照一定时间间隔进行实时采集的，该时间间隔可以根据需求进行设定，如0.5s、1s等，本发明实施例不做限定；所述泊位监控区域图像可以为泊位区域及扩展至泊位区域周围一定区域的图像。
102、通过预置卷积神经网络模型从所述泊位监控区域图像中获取车辆的车头车尾特征信息，并根据所述车辆的车头车尾特征信息，获取逆向车辆。
其中，预置卷积神经网络模型可以为SSD卷积网络模型等，本发明实施例不做限定。对于本发明实施例，步骤102具体可以包括：预先训练车头车尾特征的卷积神经网络模型并保存；预先训练车辆检测的卷积神经网络模型并保存；获取视频帧图像，运用神经网络模型对视频帧进行车辆的车头车尾特征全帧检测。
对于本发明实施例，步骤102之前还可以包括：采集视频流中的任意一帧图像；标注并保存图像中的停车位坐标信息，所述停车位坐标信息包括停车位边界的四个点的坐标。例如，选取连续视频帧中的任一帧图像，对该帧图像中的停车位区域进行绘制，以停车位的某一顶点A(a0，b0)作为起点，沿停车位的边界绘制多边形，并记录多边形的各个顶点B(a1，b1)、C(a2，b2)、D(a3，b3)，最后形成闭合的四边形，该闭合的四边形即为绘制的停车区域。本项工作可在设备调试成功时进行；装置开始启用时，自动加载这些停车位的坐标信息以作为车辆是否停车入位的判断依据。
103、根据泊位监控区域图像获取所述逆向车辆的车辆特征部件的状态信息、所述车辆对应的驾驶员的位置变化信息、以及所述车辆的轨迹信息。
对于本发明实施例，车辆特征部件可以为车辆的车门、车辆的反光镜等能够明确反映车辆停止特征的车辆部件。具体地，当所述车辆特征部件为车门时，所述根据泊位监控区域图像获取所述车辆特征部件的状态信息的步骤包括：从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆车门是否存在开启过程和/或开启状态。
其中，车门状态获取方法具体可以包括：获取若干帧连续的车辆目标区域图像，将若干帧车辆目标区域图像中相邻车辆目标区域图像进行帧差处理，得到差帧图像序列，其中，差帧图像序列包括多帧连续的差帧图像。差帧图像序列体现了车门在动作时的像素级变化，若差帧图像序列中的差帧图像中像素级变化较大，则表示车辆的车门状态存在变化；然后提取多帧连续的差帧图像的车门特征；基于获取的多帧连续的差帧图像，将含有时序信息的多帧连续差帧图像输入卷积神经网络中，提取多帧连续的差帧图像的车门特征；最后基于获取的多帧连续的差帧图像的车门特征，识别车门状态。其中，识别装置可利用分类器识别车门状态。具体地，识别装置将获取的多帧连续的差帧图像的车门特征输入分类器中，以使分类器根据车门特征变化情况识别车辆车门状态。
对于本发明实施例，当所述车辆特征部件为反光镜时，所述根据泊位监控区域图像获取所述车辆特征部件的状态信息的步骤包括：从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆反光镜是否处于闭合过程和/或闭合状态。
对于本发明实施例，所述根据泊位监控区域图像获取所述车辆对应的驾驶员的位置变化信息的步骤包括：从所述泊位监控区域图像中识别提取所述驾驶员目标区域图像，并根据驾驶员目标区域图像获取所述驾驶员的位置变化信息。其中，驾驶员的位置变化信息获取方法具体可以包括：利用人头点定位和关节点信息的单相机多目标跟踪方法，首先构建人头点定位深度学习网络模型；然后根据人头点定位深度学习网络，从所述泊位监控区域图像中进行人头点定位，得到每帧图像中驾驶员头部的位置，同时，通过目标检测算法得到驾驶员目标区域包围框，利用人头点位置优化行驾驶员目标区域，得到最终驾驶员目标区域结果；根据驾驶员目标区域，提取驾驶员表观特征和关节点信息；最后根据监视员的表观特征和关节点信息，对驾驶员进行轨迹关联，获取驾驶员轨迹信息。
104、根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆在所述泊位区域上是否为静止状态。
对于本发明实施例，所述根据所述车辆特征部件的状态信息确定所述车辆在所述泊位区域上是否为静止状态的步骤包括：若车门存在开启过程和/或开启状态，则确定车辆在所述泊位区域上为静止状态；若所述车辆反光镜处于闭合过程和/或闭合状态，则确定车辆在所述泊位区域上为静止状态。此处需要说明的是，当车门从关闭到开启再倒关闭时，可以明确反映驾驶员下车关闭车辆的过程，说明此时车辆必然处于静止状态；同理，当车辆的反光镜从开启变为闭合状态时，也是车辆关闭的一个明显特征，说明此时车辆必然处于静止状态。
对于本发明实施例，所述根据所述车辆特征部件的状态信息和所述车辆在所述泊位上的停留时间确定车辆在所述泊位区域上是否为静止状态的步骤包括：当所述车辆特征部件为车门时，若根据所述车辆目标区域图像识别到所述车门存在开启过程和/或开启状态，并且确认所述车辆在所述泊位区域未发生位置变化，则确定车辆在所述泊位区域上为静止状态；或者当所述车辆特征部件为反光镜时，若根据所述车辆目标区域图像识别到所述反光镜处于闭合过程和/或闭合状态且所述车辆在所述泊位区域未发生位置变化，则确定车辆在所述泊位区域上为静止状态。其中，所述预设静止时长可以相应的设置的较短一些，如10s、15s、30s等，由于结合了车辆特征部件的状态信息进行车辆在所述泊位区域上为静止状态的判断，与单一根据停车时长进行车辆在所述泊位区域上为静止状态的判断相比，可以进一步提升车辆静止状态的判断的准确率。
对于本发明实施例，所述根据所述驾驶员的位置变化信息确定车辆在所述泊位区域上是否为静止状态的步骤包括：若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外时，则确定车辆在所述泊位区域上为静止状态。需要说明的是，驾驶员从所述车辆内移动到所述车辆外时，可以明确反映驾驶员下车关闭车辆的过程，说明此时车辆必然处于静止关闭状态。
对于本发明实施例，所述根据所述驾驶员的位置变化信息和所述车辆在所述泊位上的停留时间确定车辆在所述泊位区域上是否为静止状态的步骤包括：若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外，且根据所述车辆图像确认所述车辆在所述泊位区域未发生位置变化，则确定车辆在所述泊位区域上为静止状态。其中，所述预设静止时长可以相应的设置的较短一些，如10s、15s、30s等，由于结合了驾驶员的位置变化信息进行判断，与单一根据停车时长进行判断相比，可以进一步提升车辆在所述泊位区域上为静止状态判断的准确率。
对于本发明实施例，还可以结合车辆特征部件的状态信息、驾驶员的位置变化信息、车辆在所述泊位上的停留时间三个维度确定车辆在所述泊位区域上是否为静止状态，具体包括：若识别到所述车辆特征部件的状态信息满足预设条件并且所述车辆在所述泊位区域未发生位置变化并且识别到所述驾驶员从所述车辆内位移到所述车辆外时，则确定车辆在所述泊位区域上为静止状态。由于结合了驾驶员的位置变化信息以及车辆特征部件的状态信息进行判断，与单一根据停车时长进行车辆判断相比，可以进一步提升车辆在所述泊位区域上是否为静止状态判断的准确率。其中，预设条件可以为车门是否存在开关变化、车辆反光镜是否存在张开闭合变化等，本发明实施例不做限定。
对于本发明实施例，步骤104之前还可以包括：检测泊位监控区域图像中所述车辆对应的边界框，所述边界框为预先训练配置的；根据所述边界框的坐标信息和所述泊位坐标信息判断所述车辆对应的边界框的下边界中点是否在泊位区域内；若其中点在泊位区域内，则确定有车辆驶入该泊位内。
进一步地，所述判断所述车辆位于停车位区域内的步骤还可以包括：若在连续n个视频帧图像中所述车辆均位于停车位区域内，则确认所述车辆位于停车位区域内，n大于或等于预设阈值。其中，预设阈值可以为3、4等，本发明实施例不做限定。通过进一步设定位于停车位区域内的静止帧数，可以防止将误驶入停车区域的逆向车辆作为违章车辆，进一步提升违章停车管理的准确性。
105、若是，则获取所述车辆在所述泊位区域上处于静止状态的时间。
106、若所述车辆在所述泊位区域上处于静止状态的时间大于或等于预设逆向违停时长，则确认所述车辆存在逆向停车行为。
其中，所述预设逆向违停时长通常设置为15分钟、20分钟等，本发明实施例不做限定。
进一步地，若在所述泊位区域未识别到所述车辆，则根据从当前视频帧开始的连续多个视频帧图像中所述车辆的位置变化信息，判断最后一帧视频图像中所述车辆在车位旁是否消失并且所述车辆消失的同时所述车位内的车辆是否从无到有；若是，则确认所述车辆位于泊位区域内并且所述车辆为逆向停车行为。
对于本发明实施例，所述获取所述车辆的位置变化信息的步骤包括：从当前视帧开始的连续视频帧图像中分别获取所述车辆车头或者车尾对应的边界框；根据所述车辆车头或者车尾对应的边界框的坐标位置变化确认所述车辆的位置变化信息。所述判断所述车辆位于停车位区域内的步骤包括：检测视频帧图像中所述车辆对应的边界框，所述边界框为预先训练配置的；根据所述边界框的坐标信息和所述停车位坐标信息判断所述车辆对应的边界框的下边界中点是否在停车位区域内；若其中点在停车位区域内，则确定有车辆驶入该停车位内。
例如，停车位四边形的顶点为A(a0，b0)、B(a1，b1)、C(a2，b2)、D(a3，b3)，某车辆目标的边界框的顶点坐标为(x0，y0)、(x1，y0)、(x0，y1)、(x1，y1)，x0<x1，y0<y1，则车辆边界框的下边界的中点坐标为O((x0+x1)/2，y1)。如果O€PABCD，PABCD是顶点为A、B、C、D的四边形，则车辆位于停车位内；否则，车辆不在停车位内。
进一步地，当确认车辆存在逆向停车行为，则输出告警信息，所述告警信息用于提示所述车辆为违章车辆。其中，告警信息可以为文本信息、音频信息、视频信息等，本发明实施例不做限定。对于本发明实施例，通过输出告警信息，从而可以进一步保证违章车辆处理的及时性和准确性。
本发明实施例的其中一种具体实现方式可以如图3所示，但不限于此，具体步骤可以包括：
S1、利用高位视频停车设备获取当前停车位的连续视频帧。
在执行步骤S1之前可以预先做如下准备工作，包括：预先训练车头车尾特征的卷积神经网络模型并加载到装置中；预先训练车辆检测的卷积神经网络模型并加载到装置中。
S2、在采集到的任一视频帧中标定停车位区域，确定所述停车位区域的坐标信息。
S3、获取当前视频帧，使用卷积神经网络模型对视频帧进行车辆的车头车尾特征检测，对其中的车头车尾信息为逆向的记录并预警，同时开启停车位监测；
具体地，包括以下步骤：
S3.1、获取视频帧，运用神经网络模型对视频帧进行车辆的车头车尾特征全帧检测；
S3.2、对检测到的每一个车头车尾目标进行方向的判断，结果跟设定停车方向相反的为逆向；如果每一个车头车尾目标方向均为正向，则将装置的有无逆向车辆的开关设置为无，循环步骤S3；装置检测到视频帧中存在逆向车辆时，则保存逆向的车头车尾信息特征，将装置的有无逆向车辆的开关设置为有，继续执行步骤S4。
S4、检测到视频帧中存在逆向车辆时，用车辆检测工具检测车辆，判断停车位中是否停入车辆；每一视频帧都做此步骤计算，直到有无逆向车辆的开关设置为无为止；
具体地，包括以下步骤：
S4.1、运用已加载的车辆检测的神经网络训练模型对视频帧进行车辆检测，获得视频帧中所有车辆目标的边界框；
S4.2、计算每个车辆目标的下边界的中点是否在停车位区域内。若其中点在停车位区域内，则确定有车辆驶入该停车位内，否则，则该停车位内没有车辆驶入。
S4.3、保存当前帧的停车位车辆有无状态。
S5、继续对后一视频帧的车辆进行车头车尾特征检测结果并跟前帧预警车辆特征匹配；
具体地，包括以下步骤：
S5.1、获取当前视频帧的连续后一帧，运用神经网络模型对后一视频帧进行车辆的车头车尾特征全帧检测；
S5.2、检测到后一帧中的逆向的车头车尾特征信息；
S5.3、匹配前后帧中逆向的车头车尾特征信息；如果前一帧中的逆向车头车尾特征都能在后一帧中匹配成功，则继续步骤S6；否则继续步骤S7。
S6、获取连续视频帧，结合逆向车辆位置的变化及其是否停车入位的判断，计算结果是否满足逆向停车规则，若满足，则上报车辆的违章逆向停车行为；
具体地，包括以下步骤：
S6.1、逆向车辆的车头车尾匹配成功后，结合各自检测边界框的位置的变化、车辆的车辆特征部件的状态信息、所述车辆对应的驾驶员的位置变化信息进行车辆静止状态的判断；如果其在所述泊位区域上处于静止状态，继续步骤S6.2；否则继续获取下一视频帧，循环步骤S5。
S6.2计算逆向车辆的车头车尾静止并处于停车位内的连续帧数。如果静止并处于停车位内的连续帧数达到n帧以上(通常n＝3)，就视为预警逆向停车车辆已进入停车位停车，可以上报车辆的违章逆向停车行为，同时装置的有无逆向车辆的开关设置为无。如果连续帧数未达到数量要求，则循环步骤S5。
S7结合车辆车头车尾特征和车辆在所述泊位区域上处于静止状态的时间，计算结果是否满足逆向停车规则，若满足，则上报车辆的违章逆向停车行为。
具体地，包括以下步骤：
S7.1逆向车辆的车头车尾匹配未成功时，查看以前各视频帧中预警车辆出现时各边界框的位置的变化。结合这些变化，可以实现预警车辆位置的跟踪；
S7.2计算停车位内是否有逆向的车头车尾特征信息，如果没有逆向车辆的车头车尾位于停车位内，则继续S7.3；如果有继续S4；
S7.3查询步骤4计算的视频帧中停车位是否有车驶入的状态信息；如果逆向车辆的车头车尾特征信息匹配不成功的第一帧起，停车位内由无到有，存在车辆驶入，则计为车辆逆向停车进入停车位的第一帧；
S7.4计算逆向车辆的车头车尾匹配不成功并且停车位内驶入车辆的连续帧数。如果达到n帧以上(通常n＝3)，就视为预警逆向停车车辆已进入停车位停车，可以上报车辆的违章逆向停车行为，同时装置的有无逆向车辆的开关设置为无。如果连续帧数未达到数量要求，则循环步骤S5。
本发明提供的一种基于多维度的路侧逆向停车的判断方法，首先通过根据车辆的车头车尾特征信息确定所述车位对应的逆向停车车辆，然后再根据泊位监控区域图像获取车辆特征部件的状态信息、驾驶员的位置变化信息、以及所述车辆的轨迹信息，并基于驶入泊位的车辆特征部件的状态信息、驾驶员的位置变化信息、以及所述车辆的轨迹信息多个维度信息进行车辆是否停稳的判断和车辆停稳时长的获取，提升了车辆静止状态判定的可靠性和置信度，进而保证车辆在泊位区域上停留时间的准确获取，从而提升了车辆逆向违停判断的可靠性和置信度，同时由于本发明不光获取车辆目标的行驶情况，还采集了车主的行为信息以及车辆特征部件的状态信息作为车辆逆向停车的判断依据，从而进一步丰富了车辆逆向停车判定的证据链。
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多维度的路侧逆向停车的判断系统，如图2所示，该系统包括：获取模块21、判断模块22、确定模块23。
获取模块21，用于采集当前泊位监控区域图像。
所述获取模块21，还用于通过预置卷积神经网络模型从所述泊位监控区域图像中获取车辆的车头车尾特征信息，并根据所述车辆的车头车尾特征信息，获取逆向车辆。
所述获取模块21，还用于根据泊位监控区域图像获取所述逆向车辆的车辆特征部件的状态信息、所述车辆对应的驾驶员的位置变化信息、以及所述车辆的轨迹信息。
判断模块22，用于根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆在所述泊位区域上是否为静止状态。
所述获取模块21，还用于若是，则获取所述车辆在所述泊位区域上处于静止状态的时间。
所述确定模块23，用于若所述车辆在所述泊位区域上处于静止状态的时间大于或等于预设逆向违停时长，则确认所述车辆存在逆向停车行为。
进一步地，所述判断模块22，还用于若在所述泊位区域未识别到所述车辆，则根据从当前视频帧开始的连续多个视频帧图像中所述车辆的位置变化信息，判断最后一帧视频图像中所述车辆在车位旁是否消失并且所述车辆消失的同时所述车位内的车辆是否从无到有；若是，则确认所述车辆位于泊位区域内并且所述车辆为逆向停车行为。
进一步地，所述获取模块21，还用于采集视频流中的任意一帧图像；标注并保存图像中的泊位坐标信息，所述泊位坐标信息包括泊位边界的四个点的坐标。
进一步地，所述判断模块22，还用于检测泊位监控区域图像中所述车辆对应的边界框，所述边界框为预先训练配置的；根据所述边界框的坐标信息和所述泊位坐标信息判断所述车辆对应的边界框的下边界中点是否在泊位区域内；若其中点在泊位区域内，则确定有车辆驶入该泊位内。
进一步地，所述获取模块21，具体用于从所述泊位监控区域图像中识别提取所述驾驶员目标区域图像，并根据驾驶员目标区域图像获取所述驾驶员的位置变化信息；
所述判断模块22，具体用于若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外时，则确定所述车辆为静止状态。
进一步地，所述确定模块23，具体用于若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外，且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
进一步地，所述获取模块21，具体还用于当所述车辆特征部件为车门时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆车门是否存在开启过程和/或开启状态；
所述确定模块23，具体还用于若车门存在开启过程和/或开启状态，则确定所述车辆为静止状态。
进一步地，所述获取模块21，具体还用于当所述车辆特征部件为反光镜时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆反光镜是否处于闭合过程和/或闭合状态；
所述确定模块23，具体还用于若所述车辆反光镜处于闭合过程和/或闭合状态，则确定所述车辆为静止状态。
进一步地，所述确定模块23，具体还用于当所述车辆特征部件为车门时，若根据所述车辆目标区域图像识别到所述车门存在开启过程和/或开启状态，并且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态；或者当所述车辆特征部件为反光镜时，若根据所述车辆目标区域图像识别到所述反光镜处于闭合过程和/或闭合状态且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
进一步地，所述确定模块23，具体还用于若识别到所述车辆特征部件的状态信息满足预设条件并且所述车辆在所述泊位区域未发生位置变化并且识别到所述驾驶员从所述车辆内位移到所述车辆外时，则确定所述车辆为静止状态。
本发明提供的一种基于多维度的路侧逆向停车的判断系统，首先通过根据车辆的车头车尾特征信息确定所述车位对应的逆向停车车辆，然后再根据泊位监控区域图像获取车辆特征部件的状态信息、驾驶员的位置变化信息、以及所述车辆的轨迹信息，并基于驶入泊位的车辆特征部件的状态信息、驾驶员的位置变化信息、以及所述车辆的轨迹信息多个维度信息进行车辆是否停稳的判断和车辆停稳时长的获取，提升了车辆静止状态判定的可靠性和置信度，进而保证车辆在泊位区域上停留时间的准确获取，从而提升了车辆逆向违停判断的可靠性和置信度，同时由于本发明不光获取车辆目标的行驶情况，还采集了车主的行为信息以及车辆特征部件的状态信息作为车辆逆向停车的判断依据，从而进一步丰富了车辆逆向停车判定的证据链。
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 (20)
1.一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述方法包括：
采集当前泊位监控区域图像；
通过预置卷积神经网络模型从所述泊位监控区域图像中获取车辆的车头车尾特征信息，并根据所述车辆的车头车尾特征信息，获取逆向车辆；
根据泊位监控区域图像获取所述逆向车辆的车辆特征部件的状态信息、所述车辆对应的驾驶员的位置变化信息、以及所述车辆的轨迹信息；
根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆在所述泊位区域上是否为静止状态；
若是，则获取所述车辆在所述泊位区域上处于静止状态的时间；
若所述车辆在所述泊位区域上处于静止状态的时间大于或等于预设逆向违停时长，则确认所述车辆存在逆向停车行为。
2.根据权利要求1所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述方法还包括：
若在所述泊位区域未识别到所述车辆，则根据从当前视频帧开始的连续多个视频帧图像中所述车辆的位置变化信息，判断最后一帧视频图像中所述车辆在车位旁是否消失并且所述车辆消失的同时所述车位内的车辆是否从无到有；若是，则确认所述车辆位于泊位区域内并且所述车辆为逆向停车行为。
3.根据权利要求1或2所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述采集当前泊位监控区域图像的步骤之前，所述方法还包括：
采集视频流中的任意一帧图像；
标注并保存图像中的泊位坐标信息，所述泊位坐标信息包括泊位边界的四个点的坐标。
4.根据权利要求3所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆在所述泊位区域上是否为静止状态的步骤之前，所述方法还包括：
检测泊位监控区域图像中所述车辆对应的边界框，所述边界框为预先训练配置的；
根据所述边界框的坐标信息和所述泊位坐标信息判断所述车辆对应的边界框的下边界中点是否在泊位区域内；
若其中点在泊位区域内，则确定有车辆驶入该泊位内。
5.根据权利要求1所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述根据泊位监控区域图像获取所述车辆对应的驾驶员的位置变化信息的步骤包括：
从所述泊位监控区域图像中识别提取所述驾驶员目标区域图像，并根据驾驶员目标区域图像获取所述驾驶员的位置变化信息；
所述根据所述驾驶员的位置变化信息确定所述车辆是否为静止状态的步骤包括：
若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外时，则确定所述车辆为静止状态。
6.根据权利要求5所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述根据所述驾驶员的位置变化信息和所述车辆的轨迹信息确定所述车辆是否为静止状态的步骤包括：
若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外，且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
7.根据权利要求1所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述根据泊位监控区域图像获取所述车辆特征部件的状态信息的步骤包括：
当所述车辆特征部件为车门时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆车门是否存在开启过程和/或开启状态；
所述根据所述车辆特征部件的状态信息确定所述车辆是否为静止状态的步骤包括：
若车门存在开启过程和/或开启状态，则确定所述车辆为静止状态。
8.根据权利要求1所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述根据泊位监控区域图像获取所述车辆特征部件的状态信息的步骤包括：当所述车辆特征部件为反光镜时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆反光镜是否处于闭合过程和/或闭合状态；
所述根据所述车辆特征部件的状态信息确定所述车辆是否为静止状态的步骤包括：
若所述车辆反光镜处于闭合过程和/或闭合状态，则确定所述车辆为静止状态。
9.根据权利要求7或8所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述根据所述车辆特征部件的状态信息和所述车辆的轨迹信息确定所述车辆是否为静止状态的步骤包括：
当所述车辆特征部件为车门时，若根据所述车辆目标区域图像识别到所述车门存在开启过程和/或开启状态，并且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态；或者
当所述车辆特征部件为反光镜时，若根据所述车辆目标区域图像识别到所述反光镜处于闭合过程和/或闭合状态且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
10.根据权利要求1所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆是否为静止状态的步骤包括：
若识别到所述车辆特征部件的状态信息满足预设条件并且所述车辆在所述泊位区域未发生位置变化并且识别到所述驾驶员从所述车辆内位移到所述车辆外时，则确定所述车辆为静止状态。
11.一种基于多维度的路侧逆向停车的判断系统，其特征在于，所述系统包括：获取模块、判断模块、确定模块；
获取模块，用于采集当前泊位监控区域图像；
所述获取模块，还用于通过预置卷积神经网络模型从所述泊位监控区域图像中获取车辆的车头车尾特征信息，并根据所述车辆的车头车尾特征信息，获取逆向车辆；
所述获取模块，还用于根据泊位监控区域图像获取所述逆向车辆的车辆特征部件的状态信息、所述车辆对应的驾驶员的位置变化信息、以及所述车辆的轨迹信息；
判断模块，用于根据所述车辆特征部件的状态信息、和/或所述驾驶员的位置变化信息、和/或所述车辆的轨迹信息确定所述车辆在所述泊位区域上是否为静止状态；
所述获取模块，还用于若是，则获取所述车辆在所述泊位区域上处于静止状态的时间；
所述确定模块，用于若所述车辆在所述泊位区域上处于静止状态的时间大于或等于预设逆向违停时长，则确认所述车辆存在逆向停车行为。
12.根据权利要求11所述的一种基于多维度的路侧逆向停车的判断系统，其特征在于，所述判断模块，还用于若在所述泊位区域未识别到所述车辆，则根据从当前视频帧开始的连续多个视频帧图像中所述车辆的位置变化信息，判断最后一帧视频图像中所述车辆在车位旁是否消失并且所述车辆消失的同时所述车位内的车辆是否从无到有；若是，则确认所述车辆位于泊位区域内并且所述车辆为逆向停车行为。
13.根据权利要求11或12所述的一种基于多维度的路侧逆向停车的判断系统，其特征在于，所述获取模块，还用于采集视频流中的任意一帧图像；
标注并保存图像中的泊位坐标信息，所述泊位坐标信息包括泊位边界的四个点的坐标。
14.根据权利要求13所述的一种基于多维度的路侧逆向停车的判断系统，其特征在于，所述判断模块，还用于检测泊位监控区域图像中所述车辆对应的边界框，所述边界框为预先训练配置的；根据所述边界框的坐标信息和所述泊位坐标信息判断所述车辆对应的边界框的下边界中点是否在泊位区域内；若其中点在泊位区域内，则确定有车辆驶入该泊位内。
15.根据权利要求11所述的一种基于多维度的路侧逆向停车的判断系统，其特征在于，所述获取模块，具体用于从所述泊位监控区域图像中识别提取所述驾驶员目标区域图像，并根据驾驶员目标区域图像获取所述驾驶员的位置变化信息；
所述判断模块，具体用于若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外时，则确定所述车辆为静止状态。
16.根据权利要求15所述的一种基于多维度的路侧逆向停车的判断系统，其特征在于，所述确定模块，具体用于若根据所述驾驶员的位置变化信息识别到所述驾驶员从所述车辆内移动到所述车辆外，且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
17.根据权利要求11所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述获取模块，具体还用于当所述车辆特征部件为车门时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆车门是否存在开启过程和/或开启状态；
所述确定模块，具体还用于若车门存在开启过程和/或开启状态，则确定所述车辆为静止状态。
18.根据权利要求11所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，所述获取模块，具体还用于当所述车辆特征部件为反光镜时，从所述泊位监控区域图像中识别提取所述车辆目标区域图像，并根据车辆目标区域图像检测所述车辆反光镜是否处于闭合过程和/或闭合状态；
所述确定模块，具体还用于若所述车辆反光镜处于闭合过程和/或闭合状态，则确定所述车辆为静止状态。
19.根据权利要求17或18所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，
所述确定模块，具体还用于当所述车辆特征部件为车门时，若根据所述车辆目标区域图像识别到所述车门存在开启过程和/或开启状态，并且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态；或者
当所述车辆特征部件为反光镜时，若根据所述车辆目标区域图像识别到所述反光镜处于闭合过程和/或闭合状态且根据所述车辆的轨迹信息确认所述车辆在所述泊位区域未发生位置变化，则确定所述车辆为静止状态。
20.根据权利要求11所述的一种基于多维度的路侧逆向停车的判断方法，其特征在于，
所述确定模块，具体还用于若识别到所述车辆特征部件的状态信息满足预设条件并且所述车辆在所述泊位区域未发生位置变化并且识别到所述驾驶员从所述车辆内位移到所述车辆外时，则确定所述车辆为静止状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110597880.5A CN113473077A (zh) | 2021-05-31 | 2021-05-31 | 一种基于多维度的路侧逆向停车的判断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110597880.5A CN113473077A (zh) | 2021-05-31 | 2021-05-31 | 一种基于多维度的路侧逆向停车的判断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113473077A true CN113473077A (zh) | 2021-10-01 |
Family
ID=77871715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110597880.5A Pending CN113473077A (zh) | 2021-05-31 | 2021-05-31 | 一种基于多维度的路侧逆向停车的判断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113473077A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463976A (zh) * | 2022-02-09 | 2022-05-10 | 超级视线科技有限公司 | 一种基于3d车辆轨迹的车辆行为状态判定方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111105619A (zh) * | 2019-11-28 | 2020-05-05 | 智慧互通科技有限公司 | 一种路侧逆向停车的判断方法及装置 |
| CN111339994A (zh) * | 2019-12-31 | 2020-06-26 | 智慧互通科技有限公司 | 一种判断临时违章停车的方法及装置 |
| US20200364467A1 (en) * | 2019-05-17 | 2020-11-19 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting illegal parking, and electronic device |
| CN112071084A (zh) * | 2020-09-18 | 2020-12-11 | 城云科技（中国）有限公司 | 一种利用深度学习判断违章停车的方法和系统 |
| CN112381014A (zh) * | 2020-11-19 | 2021-02-19 | 城云科技（中国）有限公司 | 一种基于城市道路的违停车辆检测及管理方法及系统 |
-
2021
- 2021-05-31 CN CN202110597880.5A patent/CN113473077A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200364467A1 (en) * | 2019-05-17 | 2020-11-19 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting illegal parking, and electronic device |
| CN111105619A (zh) * | 2019-11-28 | 2020-05-05 | 智慧互通科技有限公司 | 一种路侧逆向停车的判断方法及装置 |
| CN111339994A (zh) * | 2019-12-31 | 2020-06-26 | 智慧互通科技有限公司 | 一种判断临时违章停车的方法及装置 |
| CN112071084A (zh) * | 2020-09-18 | 2020-12-11 | 城云科技（中国）有限公司 | 一种利用深度学习判断违章停车的方法和系统 |
| CN112381014A (zh) * | 2020-11-19 | 2021-02-19 | 城云科技（中国）有限公司 | 一种基于城市道路的违停车辆检测及管理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘海涛等: "新手司机的100个驾驶错误", 汕头大学出版社, pages: 51 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114463976A (zh) * | 2022-02-09 | 2022-05-10 | 超级视线科技有限公司 | 一种基于3d车辆轨迹的车辆行为状态判定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113205689B (zh) | 一种基于多维度的路侧停车入场事件判断方法及系统 | |
| CN111339994B (zh) | 一种判断临时违章停车的方法及装置 | |
| CN110163107B (zh) | 一种基于视频帧识别路侧停车行为的方法及装置 | |
| CN111739335B (zh) | 一种基于视觉差的停车检测方法及装置 | |
| CN113205690B (zh) | 一种基于多维度的路侧停车出场事件判断方法及系统 | |
| CN110826356B (zh) | 一种非机动车违章检测系统、方法及服务器 | |
| CN110930756B (zh) | 一种基于图像与地磁传感器判断路侧停车的方法及装置 | |
| CN111739338A (zh) | 一种基于多类型传感器的停车管理方法及系统 | |
| CN113033479B (zh) | 一种基于多层感知的泊位事件识别方法及系统 | |
| CN115116012B (zh) | 基于目标检测算法的车辆停车位停车状态检测方法及系统 | |
| CN113055823B (zh) | 一种基于路侧停车管理共享单车的方法及装置 | |
| CN113449605A (zh) | 一种基于多维度的路侧车辆违停判断方法及系统 | |
| CN111428644A (zh) | 基于深度神经网络的斑马线区域监测方法、系统及介质 | |
| KR102306789B1 (ko) | 교행 다차로에서의 이상차량 인식방법 및 장치 | |
| CN112861773A (zh) | 一种基于多层次的泊位状态检测方法及系统 | |
| CN111105619A (zh) | 一种路侧逆向停车的判断方法及装置 | |
| CN113473077A (zh) | 一种基于多维度的路侧逆向停车的判断方法及系统 | |
| CN114202959B (zh) | 外来车辆管理方法及系统 | |
| CN111951601B (zh) | 一种识别配送车辆停放位置的方法及装置 | |
| CN113052141A (zh) | 一种检测车辆停放位置的方法及装置 | |
| CN113570871A (zh) | 一种基于多维度的车辆人员上下车判断方法及系统 | |
| CN114220074A (zh) | 一种车辆异常行为状态的识别方法及系统 | |
| CN117274849A (zh) | 一种行人徘徊事件检测方法、装置、设备及介质 | |
| CN113449624B (zh) | 一种基于行人重识别确定车辆行为的方法及装置 | |
| CN116824549B (zh) | 基于多检测网络融合的目标检测方法、装置及车辆 |
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 |