CN113706920B - 一种停车行为判断方法及智慧停车系统 - Google Patents

一种停车行为判断方法及智慧停车系统 Download PDF

Info

Publication number
CN113706920B
CN113706920B CN202110959005.7A CN202110959005A CN113706920B CN 113706920 B CN113706920 B CN 113706920B CN 202110959005 A CN202110959005 A CN 202110959005A CN 113706920 B CN113706920 B CN 113706920B
Authority
CN
China
Prior art keywords
parking
binding frame
area
reference line
line segment
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
CN202110959005.7A
Other languages
English (en)
Other versions
CN113706920A (zh
Inventor
马志军
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.)
Yunxiang Shanghai Intelligent Technology Co ltd
Original Assignee
Yunxiang Shanghai Intelligent 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 Yunxiang Shanghai Intelligent Technology Co ltd filed Critical Yunxiang Shanghai Intelligent Technology Co ltd
Priority to CN202110959005.7A priority Critical patent/CN113706920B/zh
Publication of CN113706920A publication Critical patent/CN113706920A/zh
Application granted granted Critical
Publication of CN113706920B publication Critical patent/CN113706920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • 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
    • 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
    • G08G1/14—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明提供了一种停车行为判断方法及智慧停车系统，包括检测并识别车辆，获得车辆的检测绑定框及参数；根据车辆停车位的位置设置参考线段，并计算参考线段长度；计算绑定框与参考线段围成的面积与绑定框整体面积的比值；根据比值变化判断停车行为。有益效果为：本技术方案提供的方法在视频拍摄检测方法的基础上，利用停车参考线段与车辆检测绑定框围成的面积与整个绑定框的面积占比判定车辆是否进入停车区域，有效降低路边停车行为分析的计算复杂度，计算资源需求程度大幅度降低；可实现远距离、高重叠度下路边停车行为的检测，扩大检测车位的数量；根据占有率的实时变化，实时监控车辆停靠信息，提高车位检测的准确性。

Description

一种停车行为判断方法及智慧停车系统
技术领域
本发明涉及智慧停车领域，尤其涉及一种基于车辆检测框与停车位交叠面积占比的停车行为判断方法及智慧停车系统。
背景技术
智慧停车是智慧城市的重要一环，主要指将无线通信技术、移动终端技术、GPS定位技术、GIS技术等综合应用于城市停车位的采集、管理、查询、预订与导航服务，从而实现停车位资源的实时更新、查询、预订与导航服务一体化，实现停车位资源利用率的最大化、停车场利润的最大化和车主停车服务的最优化。对路边智慧停车是智慧停车发展的重要部分，对路边智慧停车主要基于视频，地磁等检测手段来管理路边停车，而对车辆所停车位的判断，主要基于车位埋地磁，或者每一两个车位安装一个摄像头识别车位上是否有车辆，以此来判断车辆的停车行为。
其中，地磁车位检测采用地磁检测的原理：无线地磁是通过对地球磁场变化的检测车位是否存在金属物体。但不能确定一定是机动车辆。具体做法是在每个车位上打孔，安装埋入式无线地磁检测器。当有车辆停在车位上时，地磁检测到地球磁场偏转信号，处理后发送给路边中继接收器，中继再发送给服务器后台等设备。采用地磁车位检测准确度高，但是需要定期更换电池，而更换电池形成高污染；还需要架设中继接收器，制造成本高；无线信号极易被干扰，造成停车信息错误；且由于路面需要进行维修，维修路面时，易受到破坏或需要取出。
而采用视频检测器则无需开挖马路安装设备，也无需配置更换电池，解决地磁检测的部分问题，但是视频检测器受环境影响较大，且目前只能检测两个左右车位，长距离情况下，车位检测不准确；重叠区域判断车辆行为目前的算法无法很好解决。
因此，基于上述技术，本领域技术人员致力于提供一种基于车辆检测框与停车位交叠面积占比的停车行为判断方法及智慧停车系统，以解决前述问题。
发明内容
本发明所要解决的技术问题是提供一种基于车辆检测框与停车位交叠面积占比的停车行为判断方法及智慧停车系统，在视频检测方法的基础上，使用车辆绑定框(BoundingBox)边框与参考线段的框定面积比实现停车行为的检测，以解决背景技术中目前远距离、高重叠度下实现路边停车行为的检测问题。
为了解决上述问题，本发明提供一种停车行为判断方法，至少包括如下步骤：
Step1：检测并识别车辆，获得车辆的检测绑定框，并计算绑定框的参数，该参数至少包括起始点坐标(x,y)、宽度W以及高度H参数；
Step2：根据车辆停车位的位置设置参考线段，并计算参考线段长度；
Step3：根据Step1的参数和Step2的长度数据，计算绑定框与参考线段围成的面积与绑定框整体面积的比值；
Step4：根据比值变化判断停车行为。
进一步的，在步骤Step1中，对车辆检测、识别需要使用车辆检测算法进行深度学习框架进行车辆识别或者使用图像中几何形态检测方法。
进一步的，车辆检测算法包括但不限于Yolo(You Only Look Once，是一种基于深度神经网络的对象识别和定位算法)。
进一步的，在步骤Step2中，参考线段必须设置在车辆停车位外侧，且靠近马路中心一侧；参考线段的设置需要和停车位马路中心一侧齐平。
进一步的，在步骤Step2中，参考线段的长度设定为整个车辆停车位长度。
进一步的，在步骤Step3中，绑定框与参考线段围成的面积设定为S△，该面积为直角三角形面积，绑定框整体面积设定为S，S△与S的比值计算方式为：
Step30：设定S△的一条直角边长为a，另一条直角边长为b，则S△＝ab/2；其中，a的长度计算方法为：通过绑定框的起始坐标(x,y)、宽度W和高度H可知绑定框底边的起点和终点坐标，基于参考线段的设置为人为设定，其起点和终点坐标为已知，根据两条直线交点方法可获知绑定框底边与参考线段交点的坐标，由绑定框底边长度减去交点到底边起始点的长度即为a的长度；b的长度同理可得；
Step31：计算绑定框面积S＝W×H，其中，W为绑定框的宽度，H为绑定框的高度；
Step32：S△与S的比值设定为Ps△＝S△/S。
进一步的，在步骤Step30中计算的直角三角形的面积为绑定框位于车辆停车位外部的部分与参考线段所围成的场外面积，在计算绑定框与参考线段围成的面积与绑定框整体面积的比值时，还可以使用绑定框位于车辆停车位内部的部分与参考线段所围成的场内面积来计算，场内面积设定为S内＝S-S△，则场内面积与绑定框面积的比值为1-Ps△。
进一步的，在步骤Step32中，Ps△的数值小于1％时，即可认定为车辆已经入场。
本发明还提供一种智慧停车系统，该智慧停车系统基于前述停车行为判断方法判断路边停车行为。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质应用于前述智慧停车系统上，其上存储有计算机程序，该计算机程序基于前述停车行为判断方法编写实现，当计算机程序被智慧停车系统执行时，可通过该停车行为判断方法实现对路边停车行为的有效判断。
通过实施上述本发明提供的基于车辆检测框与停车位交叠面积占比的停车行为判断方法及智慧停车系统，具有如下技术效果：
(1)本技术方案提供的方法在视频拍摄检测方法的基础上，利用停车参考线段与车辆检测绑定框围成的面积与整个绑定框的面积占比判定车辆是否进入停车区域，有效降低路边停车行为分析的计算复杂度，计算资源需求程度大幅度降低；
(2)本技术方案提供的方法可实现远距离、高重叠度下路边停车行为的检测，扩大检测车位的数量；
(3)本技术方案提供的方法根据占有率的实时变化，实时监控车辆停靠信息，提高车位检测的准确性。
附图说明
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
图1为本发明实施例中停车行为判断方法示意图；
图2为本发明实施例中停车行为示意图。
具体实施方式
下面将结合本发明实施例，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。
下面采用具体实施方式详细描述本发明的技术方案。
如图1所示的一种停车行为判断方法，至少包括如下步骤：
Step1：检测并识别车辆，获得车辆的检测绑定框，并计算绑定框的参数，该参数至少包括起始点坐标(x,y)、宽度W以及高度H参数；
Step2：根据车辆停车位的位置设置参考线段，并计算参考线段长度；
Step3：根据Step1的参数和Step2的长度数据，计算绑定框与参考线段围成的面积与绑定框整体面积的比值；
Step4：根据比值变化判断停车行为。
基于上述步骤，结合图2所示，对停车行为判断方法进行具体表述。
首先，基于步骤Step1中对车辆检测、识别需要使用车辆检测算法进行深度学习框架进行车辆识别或者使用图像中几何形态检测方法，深度学习采取的方法为车辆检测算法，一般采用Yolo(You Only Look Once)，是一种基于深度神经网络的对象识别和定位算法。实际操作中采用其他车辆检测算法也是可行的，例如SSD等，由于算法本身不作为本技术方案的内容，且此类算法为现有技术，此处对算法本身不做过多的表述。根据步骤Step1的车辆检测算法，在视频图像中产生检测的绑定框，绑定框如图2中粗实线所示的方形框。
其次，基于步骤Step2设定参考线段，参考线段必须设置在车辆停车位外侧，且靠近马路中心一侧；参考线段的设置需要和停车位马路中心一侧齐平，如图2所示，路面停车位具有停车的区域限制框，该区域限制框在图中使用细实线表示，参考线段为图中粗虚线线段，参考线段实际上并非停车位的区域限制框，参考线段可以与区域限制框一侧边重合，也可以不重合，为人为设置线段，其长度与区域限制框的一侧边齐平，基本为整个车辆停车位长度。
再次，在步骤Step3中，绑定框与参考线段围成的面积设定为S△，由于绑定框为方形框，绑定框与参考线段围成的图形即为直角三角形，该面积为直角三角形面积，且该直角三角形的面积为绑定框位于车辆停车位外部的部分与参考线段所围成的场外面积，绑定框整体面积设定为S，S△与S的比值计算方式为：
Step30：设定S△的一条直角边长为a，另一条直角边长为b，则S△＝ab/2；其中，a的长度计算方法为：通过绑定框的起始坐标(x,y)、宽度W和高度H可知绑定框底边的起点坐标(x1,y1)和终点坐标(x2,y2)，基于参考线段的设置为人为设定，其起点和终点坐标为分别为(xm,ym)和(xn,yn)，根据两条直线交点方法,联立方程组,可获知绑定框底边与参考线段交点的坐标(xa,ya)，则a＝W-(xa-x1)。
另一条直角边的坐标同理可得：通过绑定框的起始坐标(x,y)、宽度W和高度H可知绑定框侧边的起点坐标(x2,y2)和终点坐标(x3,y3)，基于参考线段的设置为人为设定，其起点和终点坐标为分别为(xm,ym)和(xn,yn)，根据两条直线交点方法,联立方程组,可获知绑定框侧边与参考线段交点的坐标(xb,yb)，则b＝H-(yb-y2)。
Step31：计算绑定框面积S＝W×H，其中，W为绑定框的宽度，H为绑定框的高度；
Step32：S△与S的比值设定为Ps△＝S△/S。
在步骤Step32中，Ps△的数值小于1％时，即可认定为车辆已经入场。需要注意的是，在Step30中计算的是场外面积，在计算绑定框与参考线段围成的面积与绑定框整体面积的比值时，还可以使用绑定框位于车辆停车位内部的部分与参考线段所围成的场内面积来计算，由于场内加场外的面积除以绑定框的面积占有率就是1％，场内面积设定为S内＝S-S△，则场内面积与绑定框面积的比值为1-Ps△。
在实际操作中，该判断方法适合于视频拍摄车头抓拍停车，也适合视频拍摄车尾的停车行为抓拍。
需要补充说明的是，除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本领域技术人员在考虑说明书及实践这里的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何用途或者适应性变化，这些用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求书指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围的前提下进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种停车行为判断方法，其特征在于，至少包括如下步骤：
Step1：检测并识别车辆，获得车辆的检测绑定框，并计算绑定框的参数，该参数至少包括起始点坐标(x,y)、宽度W以及高度H参数；
Step2：根据车辆停车位的位置设置参考线段，并计算参考线段长度；
Step3：根据Step1的参数和Step2的长度数据，计算绑定框与参考线段围成的面积与绑定框整体面积的比值；
Step4：根据比值变化判断停车行为。
2.如权利要求1所述的停车行为判断方法，其特征在于，在步骤Step1中，对车辆检测、识别需要使用深度学习框架进行车辆识别或者使用图像中几何形态检测方法。
3.如权利要求2所述的停车行为判断方法，其特征在于，车辆检测算法包括但不限于Yolo。
4.如权利要求3所述的停车行为判断方法，其特征在于，在步骤Step2中，参考线段必须设置在车辆停车位外侧，且靠近马路中心一侧；参考线段的设置需要和停车位马路中心一侧齐平。
5.如权利要求4所述的停车行为判断方法，其特征在于，在步骤Step2中，参考线段的长度设定为整个车辆停车位长度。
6.如权利要求5所述的停车行为判断方法，其特征在于，在步骤Step3中，绑定框与参考线段围成的面积设定为S△，该面积为直角三角形面积，绑定框整体面积设定为S，S△与S的比值计算方式为：
Step30：设定S△的一条直角边长为a，另一条直角边长为b，则S△＝ab/2；其中，a的长度计算方法为：通过绑定框的起始坐标(x,y)、宽度W和高度H可知绑定框底边的起点和终点坐标，基于参考线段的设置为人为设定，其起点和终点坐标为已知，根据两条直线交点方法可获知绑定框底边与参考线段交点的坐标，由绑定框底边长度减去交点到底边起始点的长度即为a的长度；b的长度同理可得；
Step31：计算绑定框面积S＝W×H，其中，W为绑定框的宽度，H为绑定框的高度；
Step32：S△与S的比值设定为Ps△＝S△/S。
7.如权利要求6所述的停车行为判断方法，其特征在于，在步骤Step30中计算的直角三角形的面积为绑定框位于车辆停车位外部的部分与参考线段所围成的场外面积，在计算绑定框与参考线段围成的面积与绑定框整体面积的比值时，还可以使用绑定框位于车辆停车位内部的部分与参考线段所围成的场内面积来计算，场内面积设定为S内＝S-S△，则场内面积与绑定框面积的比值为1-Ps△。
8.如权利要求7所述的停车行为判断方法，其特征在于，在步骤Step32中，Ps△的数值小于1％时，即可认定为车辆已经入场。
9.一种智慧停车系统，其特征在于，该智慧停车系统基于前述任一项权利要求1-8所述的停车行为判断方法判断路边停车行为。
10.一种计算机可读存储介质，该计算机可读存储介质应用于前述权利要求9所述的智慧停车系统上，其上存储有计算机程序，该计算机程序基于前述任一项权利要求1-8所述的停车行为判断方法编写实现，当计算机程序被前述权利要求9所述的智慧停车系统执行时，可通过前述任一项权利要求1-8所述的停车行为判断方法实现对路边停车行为的有效判断。
CN202110959005.7A 2021-08-20 2021-08-20 一种停车行为判断方法及智慧停车系统 Active CN113706920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110959005.7A CN113706920B (zh) 2021-08-20 2021-08-20 一种停车行为判断方法及智慧停车系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110959005.7A CN113706920B (zh) 2021-08-20 2021-08-20 一种停车行为判断方法及智慧停车系统

Publications (2)

Publication Number Publication Date
CN113706920A CN113706920A (zh) 2021-11-26
CN113706920B true CN113706920B (zh) 2023-08-11

Family

ID=78653567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110959005.7A Active CN113706920B (zh) 2021-08-20 2021-08-20 一种停车行为判断方法及智慧停车系统

Country Status (1)

Country Link
CN (1) CN113706920B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064086A (zh) * 2012-11-04 2013-04-24 北京工业大学 一种基于深度信息的车辆跟踪方法
CN109784306A (zh) * 2019-01-30 2019-05-21 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
CN111768648A (zh) * 2020-06-10 2020-10-13 浙江大华技术股份有限公司 车辆出入确定方法及系统
CN113191221A (zh) * 2021-04-15 2021-07-30 浙江大华技术股份有限公司 基于全景相机的车辆检测方法、装置以及计算机存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012027651A (ja) * 2010-07-22 2012-02-09 Aisin Aw Co Ltd 車両駐車評価システム及び車両駐車評価プログラム
US9171213B2 (en) * 2013-03-15 2015-10-27 Xerox Corporation Two-dimensional and three-dimensional sliding window-based methods and systems for detecting vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064086A (zh) * 2012-11-04 2013-04-24 北京工业大学 一种基于深度信息的车辆跟踪方法
CN109784306A (zh) * 2019-01-30 2019-05-21 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
CN111768648A (zh) * 2020-06-10 2020-10-13 浙江大华技术股份有限公司 车辆出入确定方法及系统
CN113191221A (zh) * 2021-04-15 2021-07-30 浙江大华技术股份有限公司 基于全景相机的车辆检测方法、装置以及计算机存储介质

Also Published As

Publication number Publication date
CN113706920A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN110111575B (zh) 一种基于复杂网络理论的城市交通流量网络分析方法
US20190180610A1 (en) Vehicle type identification method and device based on mobile phone data
CN111551958A (zh) 一种面向矿区无人驾驶的高精地图制作方法
CN103578272B (zh) 一种异常路况识别方法及装置
CN104851295A (zh) 获取路况信息的方法和系统
GB2572717A (en) Method for detecting traffic anomaly of urban road
CN110688922A (zh) 基于深度学习的交通拥堵检测系统及检测方法
CN104065920A (zh) 一种车辆监控跟踪方法、系统及服务器
CN108154146A (zh) 一种基于图像识别的车辆追踪方法
CN109275121A (zh) 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法
CN202996022U (zh) 采用蓝牙技术的交通状态感知系统
CN104900067A (zh) 基于地磁传感器的智能无线车辆检测系统
CN113706919A (zh) 一种路边停车位判断方法及智慧停车系统
CN111508262B (zh) 对城市停车位资源的智能化管理方法
CN102081840B (zh) 通过移动终端获取交通信息的方法
CN115410403A (zh) 基于无源感知的公路车辆定位追踪方法、装置及可读介质
CN106558217A (zh) 一种获取路边停车场信息的方法、装置及服务器
CN113706920B (zh) 一种停车行为判断方法及智慧停车系统
CN110556014A (zh) 智能公交调度平台系统
CN104299445B (zh) 一种停车空位实时信息采集、处理、发布系统及方法
CN105335758A (zh) 一种基于视频费舍尔向量描述符的车型识别方法
CN110708664B (zh) 一种交通流感知方法、装置及计算机存储介质、电子设备
CN111856441A (zh) 一种基于视觉与毫米波雷达融合的列车定位方法
CN117315971A (zh) 一种智慧停车轨迹行成的控制方法
CN108596381B (zh) 基于od数据的城市停车需求预测方法

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