CN113888884A - 路侧停车检测方法、装置、设备及可读存储介质 - Google Patents
路侧停车检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113888884A CN113888884A CN202111258586.8A CN202111258586A CN113888884A CN 113888884 A CN113888884 A CN 113888884A CN 202111258586 A CN202111258586 A CN 202111258586A CN 113888884 A CN113888884 A CN 113888884A
- Authority
- CN
- China
- Prior art keywords
- parking
- motor vehicle
- roadside
- target motor
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04H—BUILDINGS OR LIKE STRUCTURES FOR PARTICULAR PURPOSES; SWIMMING OR SPLASH BATHS OR POOLS; MASTS; FENCING; TENTS OR CANOPIES, IN GENERAL
- E04H6/00—Buildings for parking cars, rolling-stock, aircraft, vessels or like vehicles, e.g. garages
- E04H6/42—Devices or arrangements peculiar to garages, not covered elsewhere, e.g. securing devices, safety devices, monitoring and operating schemes; centering devices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了路侧停车检测方法、装置、设备及可读存储介质，包括：获取所述停车位所在路段上行驶的目标机动车运动轨迹；将所述目标机动车运动轨迹输入预先构建的机动车停车轨迹图模型进行对比，输出对比结果；若所述对比结果满足预设匹配度，且所述停车位内的地磁传感器检测到机动车进入信号后，则提取所述目标机动车车牌信息并发送至停车收费系统；记录所述进入信号对应的时间为所述目标机动车停车起始时间；当所述停车位内的地磁传感器检测到机动车离开信号后，记录所述离开信号对应的时间为所述目标机动车停车结束时间。本发明能够较好的识别车辆停车信息。
Description
技术领域
本发明属于车辆停车技术领域，具体涉及路侧停车检测方法、装置、设备及可读存储介质。
背景技术
科技的快速发展推动机动车数量迅猛增长，有限的封闭式停车场已不能满足停车需求，为此越来越多的路侧或路内停车场应运而生，随着智能信息化的崛起，车位管理正朝着自动化的方向急剧发展。
目前路侧或路内车位检测方法主要是依赖于高位相机直接检测车位上的停车状况，但相机直接检测车位时，容易遇到遮挡物遮挡住停车位(如绿化树生长遮挡)，需要人工多次移除遮挡物或调整监控设备，导致不能很好的识别车辆停车信息。
发明内容
针对现有技术中存在的问题，本发明提供了路侧停车检测方法、装置、设备及可读存储介质，能够较好的识别车辆停车信息。
为了解决上述技术问题，本发明通过以下技术方案予以实现：
一种路侧停车检测方法，路侧停车位内设置有地磁传感器；
包括：
获取所述停车位所在路段上行驶的目标机动车运动轨迹；
将所述目标机动车运动轨迹输入预先构建的机动车停车轨迹图模型进行对比，输出对比结果；
若所述对比结果满足预设匹配度，且所述停车位内的地磁传感器检测到机动车进入信号后，则提取所述目标机动车车牌信息并发送至停车收费系统；
记录所述进入信号对应的时间为所述目标机动车停车起始时间；当所述停车位内的地磁传感器检测到机动车离开信号后，记录所述离开信号对应的时间为所述目标机动车停车结束时间。
进一步地，所述机动车停车轨迹图模型的构建方法包括：
获取所述停车位所在路段上的机动车停车轨迹图形成数据集，将所述数据集分为训练集和测试集；
采用所述训练集训练预设的机动车停车轨迹图模型，得到训练完成的所述机动车停车轨迹图模型。
进一步地，所述机动车停车轨迹图模型的构建方法还包括：
采用所述测试集测试所述训练完成的所述机动车停车轨迹图模型，若测试结果不满足预设精度，则继续训练模型，直至测试结果满足预设精度，则得到最终的所述机动车停车轨迹图模型。
进一步地，所述获取所述停车位所在路段上的机动车停车轨迹图形成数据集后，还包括：
将所述数据集采用数据增强方法进行数据增强处理。
进一步地，所述数据增强方法包括按角度旋转、马赛克拼接、正则化处理和随机增加错误标签。
一种路侧停车检测装置，路侧停车位内设置有地磁传感器，包括：
获取模块，用于获取所述停车位所在路段上行驶的目标机动车运动轨迹；
对比模块，用于将所述目标机动车运动轨迹输入预先构建的机动车停车轨迹图模型进行对比，输出对比结果；
判断提取模块，用于若所述对比结果满足预设匹配度，且所述停车位内的地磁传感器检测到机动车进入信号后，则提取所述目标机动车车牌信息并发送至停车收费系统；
停车时间记录模块，用于记录所述进入信号对应的时间为所述目标机动车停车起始时间；当所述停车位内的地磁传感器检测到机动车离开信号后，记录所述离开信号对应的时间为所述目标机动车停车结束时间。
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种路侧停车检测方法的步骤。
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程序，所述计算机程序被处理器执行时实现一种路侧停车检测方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：本发明提供的一种路侧停车检测方法，在路侧停车位内设置有地磁传感器，具体为：获取停车位所在路段上行驶的目标机动车运动轨迹；将目标机动车运动轨迹输入预先构建的机动车停车轨迹图模型进行对比，输出对比结果；若对比结果满足预设匹配度，且停车位内的地磁传感器检测到机动车进入信号后，则提取目标机动车车牌信息并发送至停车收费系统；记录进入信号对应的时间为目标机动车停车起始时间；当停车位内的地磁传感器检测到机动车离开信号后，记录离开信号对应的时间为目标机动车停车结束时间。采用本发明的停车检测方法，无需高位相机直接检测车位上的停车状况，而获取的是停车位所在路段上行驶的目标机动车运动轨迹，这样便避免了相机直接检测车位时，容易遇到绿化树生长遮挡住停车位，进而需要人工多次移除遮挡物或调整监控设备，导致不能很好的识别车辆停车信息的问题。本发明能够有效的识别车辆停车信息。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为某一实施例中路侧停车检测方法流程图；
图2为某一实施例中路侧停车检测示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
本发明一种路侧停车检测方法，在路侧停车位内设置有地磁传感器，具体如下：
获取停车位所在路段上行驶的目标机动车运动轨迹；
将目标机动车运动轨迹输入预先构建的机动车停车轨迹图模型进行对比，输出对比结果；
若对比结果满足预设匹配度，且停车位内的地磁传感器检测到机动车进入信号后，则提取目标机动车车牌信息并发送至停车收费系统；
记录进入信号对应的时间为目标机动车停车起始时间；当停车位内的地磁传感器检测到机动车离开信号后，记录离开信号对应的时间为目标机动车停车结束时间。
具体地说，机动车停车轨迹图模型的构建方法包括：
获取停车位所在路段上的机动车停车轨迹图形成数据集，将数据集分为训练集和测试集；优选的，将数据集采用数据增强方法进行数据增强处理，数据增强方法包括按角度旋转、马赛克拼接、正则化处理和随机增加错误标签；
采用训练集训练预设的机动车停车轨迹图模型，得到训练完成的机动车停车轨迹图模型；
优选的，采用测试集测试训练完成的机动车停车轨迹图模型，若测试结果不满足预设精度，则通过扩充数据集或优化算法等方式继续训练模型，直至测试结果满足预设精度，则得到最终的机动车停车轨迹图模型。
本发明提供的一种路侧停车检测装置，包括：
获取模块，用于获取停车位所在路段上行驶的目标机动车运动轨迹；
对比模块，用于将目标机动车运动轨迹输入预先构建的机动车停车轨迹图模型进行对比，输出对比结果；
判断提取模块，用于若对比结果满足预设匹配度，且停车位内的地磁传感器检测到机动车进入信号后，则提取目标机动车车牌信息并发送至停车收费系统；
停车时间记录模块，用于记录进入信号对应的时间为目标机动车停车起始时间；当停车位内的地磁传感器检测到机动车离开信号后，记录离开信号对应的时间为目标机动车停车结束时间。
实施例：
结合图1和图2所示，利用路侧监控设备追踪采集阈值内(路侧8个停车位对应车行道)动态车辆图像信息，这些图像用于车位定位、车牌识别和车辆特征提取。同时追踪阈值内车辆的运动轨迹，使之与通过深度学习而得到的机动车停车轨迹图模型进行比对，若比对结果满足一定的匹配度(如：98％)，则认为此车辆存在停车行为，监控摄像机提取此车信息，再配合地磁传感器，地磁传感器在预设时间内(如：5S)感应到对应停车位由空闲转为占用，则确定该停车位上已被该车辆占用，提取车辆信息上传至停车收费系统，记录停车起始时间。若此停车位内地磁感应器由占用转为空闲，提取地磁感应器上对应车位上的车辆信息上传至停车收费系统，记录停车结束时间。
参见图1，本实施例路侧停车检测方法如下：
1、通过网络爬取、手机拍摄和路侧相机拍摄路侧机动车停车轨迹图，监控视频中机动车停车轨迹图，对机动车停车轨迹图进行标注和清洗，分别建立车辆运动轨迹数据集，且通过多种方式进行数据增强，扩充样本量。
2、通过深度学习训练扩充后的机动车停车轨迹数据集，得到机动车停车轨迹图模型。
3、以监控视频中的停车轨迹图为数据集，通过深度学习验证机动车停车轨迹图模型。
4、对机动车停车轨迹图采用深度学习相应算法，检测路侧停车路段，跟踪某车运动轨迹路径，与机动车停车轨迹图模型对比。
5、若在阈值范围内，则具有该运动轨迹的机动车存在停车行为。
6、在阈值内有地磁传感器感应到对应车位由空闲转为占用，则确定该停车位上已被该车辆占用，提取车辆信息上传至停车收费系统，记录停车起始时间。
7、若此车位内地磁感应器由占用转为空闲，提取地磁感应器上对应车位上的车辆信息上传至停车收费系统，记录停车结束时间。
此方法高效解决了由于路侧或路内监控摄像头安装高度有限或存在遮挡物而导致车辆信息无法识别的问题，且无论强光、弱光、雨天、雾霾、雪天等极端环境下，车辆信息也可以高效的识别，该方法适用于路内或路侧无人值守的高位停车场。
本实施例中，数据集为：网络爬取、手机拍摄和路侧相机拍摄共1000张图片。数据增强方法为：按角度旋转、马赛克拼接、正则化处理和随机增加错误标签的方式，数据增强后的图片总数为3280张图片。训练集为：数据总数*0.7，测试集为：数据总数-训练集，还包括验证集，验证集为：路侧监控相机拍摄若干图片。
本实施例中：
采用深度学习框架Tensorflow；
采用网络结构是卷积神经网络CNN；
激活函数：
最后一个输出的网络单元采用softmax激活函数如下：
由于路侧车位检测时只需判定车辆行驶轨迹是否属于停车行为，属于逻辑判断。因此使用逻辑判断的softmax函数最为合适；
其余网络层采用ReLU激活函数如下：
由于各个输出层需作为一个节点的输入层，数据必须是正值可信的，它也经常被用于隐层神经元输出，因此使用只输出正向值的ReLU激活函数最为合适。
损失函数：
交叉熵损失函数：
由于路侧停车轨迹模型属于二分类问题，是判定行驶中的车辆是否在停车的概率问题，是判定两个不同概率分布的差异程度，表示真实停车概率分布与预测停车概率分布之间的差异，交叉熵的值越小，模型预测效果就越好。
本实施例中，训练机动车停车轨迹图模型如下：
利用神经网络对训练的数据集和测试的数据集进行训练，得到机动车停车轨迹图模型。对路侧监控设备获取的验证的数据集，对机动车停车轨迹图模型进行验证。
本实施例中，如图2所示，监控设备的部署安装：平行车位采用双云枪相机，一体机对外端口必须是LAN1口，网络交换设备必须使用千兆交换机。立杆在车位同侧，一体机安装高度6米，安装位置在车位外边线的正上方，立杆距离1号车位8～12米距离，覆盖1～8个车位，可以照车头或者车尾，现场应具备220V/50Hz交流电(电压范围100V～240V，最好具有UPS稳压功能，达到一级负载要求)、交流线缆、网络线缆，交流线缆和网络线缆从设备柜布线到路面中间对应的横杆上枪机位置即可。
本发明主要解决高位停车中，若停车位被遮挡后无需人工移除遮挡物，也能高效精准识别车位上的车辆信息，通过网络爬取、手机拍摄和路侧相机拍摄路侧停车轨迹图和实际摄像机监测拍摄的路侧停车轨迹图，且通过多种方式进行数据增强，扩充样本量，采用深度学习及相应算法，训练和验证拍摄的停车轨迹图，得到最终高识别率的机动车停车轨迹图模型。
停车步骤：某路侧高位停车路段，若某车需要停车，监控相机实时监控车辆行驶轨迹，若此车行驶轨迹与机动车停车轨迹图模型匹配度达到某一阈值，则认为此车存在停车行为，监控摄像机提取此车信息，同时，若阈值内某一车位地磁由空闲转为占用，则判该车位已被此车占用，记录停车起始时间，上传至停车收费系统，反之删除已被摄像机提取的车辆信息。
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种路侧停车检测方法的操作。
本发明在一个实施例中，一种路侧停车检测方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种路侧停车检测方法，其特征在于，路侧停车位内设置有地磁传感器；
包括：
获取所述停车位所在路段上行驶的目标机动车运动轨迹；
将所述目标机动车运动轨迹输入预先构建的机动车停车轨迹图模型进行对比，输出对比结果；
若所述对比结果满足预设匹配度，且所述停车位内的地磁传感器检测到机动车进入信号后，则提取所述目标机动车车牌信息并发送至停车收费系统；
记录所述进入信号对应的时间为所述目标机动车停车起始时间；当所述停车位内的地磁传感器检测到机动车离开信号后，记录所述离开信号对应的时间为所述目标机动车停车结束时间。
2.根据权利要求1所述的一种路侧停车检测方法，其特征在于，所述机动车停车轨迹图模型的构建方法包括：
获取所述停车位所在路段上的机动车停车轨迹图形成数据集，将所述数据集分为训练集和测试集；
采用所述训练集训练预设的机动车停车轨迹图模型，得到训练完成的所述机动车停车轨迹图模型。
3.根据权利要求2所述的一种路侧停车检测方法，其特征在于，所述机动车停车轨迹图模型的构建方法还包括：
采用所述测试集测试所述训练完成的所述机动车停车轨迹图模型，若测试结果不满足预设精度，则继续训练模型，直至测试结果满足预设精度，则得到最终的所述机动车停车轨迹图模型。
4.根据权利要求2所述的一种路侧停车检测方法，其特征在于，所述获取所述停车位所在路段上的机动车停车轨迹图形成数据集后，还包括：
将所述数据集采用数据增强方法进行数据增强处理。
5.根据权利要求4所述的一种路侧停车检测方法，其特征在于，所述数据增强方法包括按角度旋转、马赛克拼接、正则化处理和随机增加错误标签。
6.一种路侧停车检测装置，其特征在于，路侧停车位内设置有地磁传感器，包括：
获取模块，用于获取所述停车位所在路段上行驶的目标机动车运动轨迹；
对比模块，用于将所述目标机动车运动轨迹输入预先构建的机动车停车轨迹图模型进行对比，输出对比结果；
判断提取模块，用于若所述对比结果满足预设匹配度，且所述停车位内的地磁传感器检测到机动车进入信号后，则提取所述目标机动车车牌信息并发送至停车收费系统；
停车时间记录模块，用于记录所述进入信号对应的时间为所述目标机动车停车起始时间；当所述停车位内的地磁传感器检测到机动车离开信号后，记录所述离开信号对应的时间为所述目标机动车停车结束时间。
7.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述一种路侧停车检测方法的步骤。
8.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项的一种路侧停车检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111258586.8A CN113888884A (zh) | 2021-10-27 | 2021-10-27 | 路侧停车检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111258586.8A CN113888884A (zh) | 2021-10-27 | 2021-10-27 | 路侧停车检测方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113888884A true CN113888884A (zh) | 2022-01-04 |
Family
ID=79014912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111258586.8A Pending CN113888884A (zh) | 2021-10-27 | 2021-10-27 | 路侧停车检测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113888884A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2075777A2 (en) * | 2007-12-28 | 2009-07-01 | Aisin AW Co., Ltd. | Vehicle guidance device and computer program |
| CN205680289U (zh) * | 2016-06-03 | 2016-11-09 | 北京精英智通科技股份有限公司 | 一种停车入位检测系统 |
| CN106228835A (zh) * | 2016-07-18 | 2016-12-14 | 北京精英智通科技股份有限公司 | 一种车位停车事件判断方法及系统 |
| CN107067796A (zh) * | 2016-12-28 | 2017-08-18 | 深圳市金溢科技股份有限公司 | 一种停车管理服务器、方法和系统 |
| CN111625950A (zh) * | 2020-05-20 | 2020-09-04 | 北京百度网讯科技有限公司 | 自动驾驶仿真场景重建方法、装置、设备和介质 |
-
2021
- 2021-10-27 CN CN202111258586.8A patent/CN113888884A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2075777A2 (en) * | 2007-12-28 | 2009-07-01 | Aisin AW Co., Ltd. | Vehicle guidance device and computer program |
| CN205680289U (zh) * | 2016-06-03 | 2016-11-09 | 北京精英智通科技股份有限公司 | 一种停车入位检测系统 |
| CN106228835A (zh) * | 2016-07-18 | 2016-12-14 | 北京精英智通科技股份有限公司 | 一种车位停车事件判断方法及系统 |
| CN107067796A (zh) * | 2016-12-28 | 2017-08-18 | 深圳市金溢科技股份有限公司 | 一种停车管理服务器、方法和系统 |
| CN111625950A (zh) * | 2020-05-20 | 2020-09-04 | 北京百度网讯科技有限公司 | 自动驾驶仿真场景重建方法、装置、设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 于青青: "基于多视角视频的运动物体行为识别方法研究", 《中国优秀博硕士论文全文数据库（硕士） 信息科技辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102155182B1 (ko) | 비디오 리코딩 방법, 서버, 시스템 및 저장 매체 | |
| Porikli et al. | Traffic congestion estimation using HMM models without vehicle tracking | |
| CN113468967B (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
| CN109359552B (zh) | 一种高效的跨摄像头行人双向跟踪方法 | |
| US11380104B2 (en) | Method and device for detecting illegal parking, and electronic device | |
| CN110033481A (zh) | 用于进行图像处理的方法和设备 | |
| CN105405298A (zh) | 一种车牌标识的识别方法和装置 | |
| US20210406604A1 (en) | Training of an object recognition neural network | |
| Tung et al. | Large-scale object detection of images from network cameras in variable ambient lighting conditions | |
| JP2019192209A (ja) | ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法 | |
| EP2447912B1 (en) | Method and device for the detection of change in illumination for vision systems | |
| CN113012215A (zh) | 一种空间定位的方法、系统及设备 | |
| CN113808408A (zh) | 路侧停车检测方法、装置、设备及可读存储介质 | |
| CN111724607B (zh) | 转向灯使用检测方法、装置、计算机设备和存储介质 | |
| CN110942026B (zh) | 基于深度学习的胶囊机器人排水管病害检测方法及系统 | |
| Boragno et al. | A DSP-based system for the detection of vehicles parked in prohibited areas | |
| CN113112479A (zh) | 基于关键区块提取的渐进式目标检测方法和装置 | |
| CN113888884A (zh) | 路侧停车检测方法、装置、设备及可读存储介质 | |
| Cheng | Highway traffic flow estimation for surveillance scenes damaged by rain | |
| CN117218382A (zh) | 一种无人系统大跨度穿梭多摄像头轨迹跟踪识别方法 | |
| CN109034171B (zh) | 视频流中的无牌车辆检测方法和装置 | |
| Chen et al. | Managing edge AI cameras for traffic monitoring | |
| CN116563543A (zh) | 一种全天候河道场景全景分割方法及模型搭建方法 | |
| Špaňhel et al. | Detection of traffic violations of road users based on convolutional neural networks | |
| US11917325B2 (en) | Automated scope limiting for video analytics |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220104 |
|
| RJ01 | Rejection of invention patent application after publication |