CN114612904A - 车位情况信息推送方法、装置、电子设备和存储介质 - Google Patents
车位情况信息推送方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114612904A CN114612904A CN202210113028.0A CN202210113028A CN114612904A CN 114612904 A CN114612904 A CN 114612904A CN 202210113028 A CN202210113028 A CN 202210113028A CN 114612904 A CN114612904 A CN 114612904A
- Authority
- CN
- China
- Prior art keywords
- parking space
- target parking
- image
- license plate
- vehicle
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了车位情况信息推送方法、装置、电子设备和存储介质。该方法的一具体实施方式包括:获取摄像头采集的目标车位的图像;基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况;响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息。该实施方式提供了一种基于图像处理的车位情况信息推送机制,使得用户可以及时获知车位的非法占用情况或压线情况,提高了用户体验。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及车位情况信息推送方法、装置、电子设备和存储介质。
背景技术
停车管理是智慧交通的重要一环,目前,停车管理主要管理的是整个车场车辆的进出,对于单独车位的管理通常还是通过上地锁,或是悬挂私家车位及车牌号码等方式来提醒其他用户不要占用车位,但是车位拥有者或管理者不能及时获知车位的非法占用或压线情况。
发明内容
本申请实施例提出了车位情况信息推送方法、装置、电子设备和存储介质。
第一方面,本申请的一些实施例提供了一种车位情况信息推送方法,该方法包括:获取摄像头采集的目标车位的图像;基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况;响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息。
在一些实施例中,基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况,包括:将目标车位的图像输入预先训练的车辆检测模型,确定目标车位是否存在车辆;响应于确定出目标车位存在车辆,根据车辆检测模型的输出定位目标车位的图像中的车辆图像;根据车辆图像确定目标车位是否存在非法占用情况或压线情况。
在一些实施例中,根据车辆图像确定目标车位是否存在非法占用情况或压线情况,包括:将车辆图像输入车牌检测模型,确定车辆图像中是否包括车牌图像;响应于确定出车辆图像中包括车牌图像,根据车牌检测模型的输出定位车辆图像中的车牌图像;根据车牌图像确定目标车位是否存在非法占用情况。
在一些实施例中,根据车牌图像确定目标车位是否存在非法占用情况,包括:确定目标车位是否为新能源车辆专用的车位;响应于确定出目标车位为新能源车辆专用的车位,对车牌图像进行颜色识别,得到颜色识别结果;确定颜色识别结果与预先设置的新能源车辆的车牌颜色是否匹配;响应于确定出颜色识别结果与新能源车辆的车牌颜色不匹配,确定目标车位被其他类型的车辆非法占用。
在一些实施例中,根据车牌图像确定目标车位是否存在非法占用情况,包括:对车牌图像进行字符识别得到字符识别结果;对车牌图像进行颜色识别,得到颜色识别结果;获取与目标车位的绑定车辆的车牌字符及车牌颜色。确定字符识别结果与车牌字符是否匹配;确定颜色识别结果与车牌颜色是否匹配;响应于确定出字符识别结果与车牌字符不匹配或颜色识别结果与车牌颜色不匹配,确定目标车位被其他车辆非法占用。
在一些实施例中,根据车辆图像确定目标车位是否存在非法占用情况或压线情况,包括:根据车辆图像自适应选取目标车位的图像中的部分图像;将部分图像输入预先训练的车道线分割模型,定位部分图像中的车道线图像;获取车道线轮廓统计和描述信息;根据车道线图像以及车道线轮廓统计和描述信息确定目标车位是否存在压线情况。
第二方面,本申请的一些实施例提供了一种车位情况信息推送装置,该装置包括:获取单元,被配置成获取摄像头采集的目标车位的图像;确定单元,被配置成基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况;推送单元,被配置成响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息。
在一些实施例中,确定单元,进一步被配置成:将目标车位的图像输入预先训练的车辆检测模型,确定目标车位是否存在车辆;响应于确定出目标车位存在车辆,根据车辆检测模型的输出定位目标车位的图像中的车辆图像;根据车辆图像确定目标车位是否存在非法占用情况或压线情况。
在一些实施例中,确定单元,进一步被配置成:将车辆图像输入车牌检测模型,确定车辆图像中是否包括车牌图像;响应于确定出车辆图像中包括车牌图像,根据车牌检测模型的输出定位车辆图像中的车牌图像;根据车牌图像确定目标车位是否存在非法占用情况。
在一些实施例中,确定单元,进一步被配置成:确定目标车位是否为新能源车辆专用的车位;响应于确定出目标车位为新能源车辆专用的车位,对车牌图像进行颜色识别,得到颜色识别结果;确定颜色识别结果与预先设置的新能源车辆的车牌颜色是否匹配;响应于确定出颜色识别结果与新能源车辆的车牌颜色不匹配,确定目标车位被其他类型的车辆非法占用。
在一些实施例中,确定单元,进一步被配置成:对车牌图像进行字符识别得到字符识别结果;对车牌图像进行颜色识别,得到颜色识别结果;获取与目标车位的绑定车辆的车牌字符及车牌颜色。确定字符识别结果与车牌字符是否匹配;确定颜色识别结果与车牌颜色是否匹配;响应于确定出字符识别结果与车牌字符不匹配或颜色识别结果与车牌颜色不匹配,确定目标车位被其他车辆非法占用。
在一些实施例中,确定单元,进一步被配置成:根据车辆图像自适应选取目标车位的图像中的部分图像;将部分图像输入预先训练的车道线分割模型,定位部分图像中的车道线图像;获取车道线轮廓统计和描述信息;根据车道线图像以及车道线轮廓统计和描述信息确定目标车位是否存在压线情况。
第三方面,本申请的一些实施例提供了一种设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面,本申请的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面上述的方法。
本申请实施例提供的车位情况信息推送方法、装置、电子设备和存储介质,通过获取摄像头采集的目标车位的图像;基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况;响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息,提供了一种基于图像处理的车位情况信息推送机制,使得用户可以及时获知车位的非法占用情况或压线情况,提高了用户体验。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一些可以应用于其中的示例性系统架构图;
图2是根据本申请的车位情况信息推送方法的一个实施例的流程图;
图3是根据本申请的车位情况信息推送方法的一个可选实现方式的示意图;
图4是根据本申请的车位情况信息推送装置的一个实施例的结构示意图;
图5是适于用来实现本申请的一些实施例的服务器或终端的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的车位情况信息推送方法或车位情况信息推送装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括摄像头101、终端设备102、103,网络104和服务器105。网络104用以在摄像头101、终端设备102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
摄像头101、终端设备102、103可以通过网络104与服务器105交互,以接收或发送消息等。摄像头101、终端设备102、103上可以安装有各种应用,例如物联网类应用、图像采集类应用、图像处理类应用、电子商务类应用、搜索类应用等。
终端设备102、103可以是硬件,也可以是软件。当终端设备102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
摄像头101可以将采集到的视频传输至终端设备102、103或服务器105,也可以通过搭载车位状态识别算法,检测车位非法占用情况或压线情况。服务器105可以是提供各种服务的服务器,例如对摄像头101、终端设备102、103上安装的应用提供支持的后台服务器,服务器105可以获取摄像头采集的目标车位的图像;基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况;响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息。
需要说明的是,本申请实施例所提供的车位情况信息推送方法可以由摄像头101、终端设备102、103执行,相应地,宠物排泄行为处理装置可以设置于服务器105中,也可以设置于摄像头101、终端设备102、103中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的摄像头、终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的摄像头、终端设备、网络和服务器。
继续参考图2,示出了根据本申请的车位情况信息推送方法的一个实施例的流程200。该车位情况信息推送方法,包括以下步骤:
步骤201,获取摄像头采集的目标车位的图像。
在本实施例中,车位情况信息推送方法执行主体(例如图1所示的服务器或终端)可以首先获取摄像头采集的目标车位的图像。摄像头可以实时采集到目标车位的图像,目标车位可以是任何待获取其车位状态的车位。
步骤202,基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况。
在本实施例中,上述执行主体可以基于步骤201中获取的目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况。预先训练的模型可以是单个模型也可以包括两个以上的模型。作为示例,预先训练的模型为单个模型时,预先训练的模型可以用于表征车位的图像与车位是否存在非法占用情况或压线情况的对应关系,可以通过标记有是否存在非法占用情况或压线情况的样本图像训练该模型。预先训练的模型为多个模型时,可以包括图像的语义分割模型以及分类模型。上述执行主体可以直接将目标车位的图像输入预先训练的模型,还可以对目标车位的图像进行旋转、降噪等预处理而后输入预先训练的模型。
在本实施例的一些可选实现方式中,基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况,包括:将目标车位的图像输入预先训练的车辆检测模型,确定目标车位是否存在车辆;响应于确定出目标车位存在车辆,根据车辆检测模型的输出定位目标车位的图像中的车辆图像;根据车辆图像确定目标车位是否存在非法占用情况或压线情况。本实现方式先进行车辆检测,而后根据车辆图像确定目标车位是否存在非法占用情况或压线情况,进一步提升了确定出的目标车位情况的准确性。
在本实现方式中,车辆检测模型可以采用本领域常用的目标检测模型,作为示例,可以采用深度卷积神经网络yolo v3作为目标检测器,实现车辆的目标检测功能,YOLO v3是YOLO(You Only Look Once,你只看一次)系列目标检测算法中的第三版,当摄像头采集的目标车位中出现车辆,则可以输出车辆置信度Car_p和车辆位置坐标Car_BBox(x1,y1,w1,h1)。
此外,还可以通过图像的语义分割确定车辆的坐标,图像的语义分割,简单而言就是给定一张图片,对图片上的每一个像素点分类,对于车辆的检测,可以通过判断图像中的像素点的颜色值所在的范围确定出各个像素点属于车辆的概率值。可以将图像导入预先训练的全卷积网络模型,得到与图像中各个像素对应的区域为车辆区域的概率。同样,可以基于深度学习的框架,以人工标注的图像作为训练数据,训练一个基于全卷积网络的车辆图像分割模型。而后,可以使用CRF(conditional random field algorithm,条件随机场)和图像增强的方法进一步优化处理结果。
在本实施例的一些可选实现方式中,根据车辆图像确定目标车位是否存在非法占用情况或压线情况,包括:将车辆图像输入车牌检测模型,确定车辆图像中是否包括车牌图像;响应于确定出车辆图像中包括车牌图像,根据车牌检测模型的输出定位车辆图像中的车牌图像;根据车牌图像确定目标车位是否存在非法占用情况。本实现方式中,若车辆检测中车辆置信度Car_p大于预设的车辆置信度阈值Car_Thresh,则可以进入车牌检测阶段,并截取图像中车辆位置坐标Car_BBox范围中的内容,作为该阶段的输入数据。可以采用深度卷积神经网络DBNet(Differentiable Binarization Net,可微分二值化网络)作为文本检测器,实现车牌的目标检测功能,输出车牌置信度License_p和车牌位置坐标License_BBox(x2,y2,w2,h2)。此外,还可以参照车辆检测模型,通过目标检测或图像的语义分割等方法建立车牌检测模型。
在本实施例的一些可选实现方式中,根据车牌图像确定目标车位是否存在非法占用情况,包括:确定目标车位是否为新能源车辆专用的车位;响应于确定出目标车位为新能源车辆专用的车位,对车牌图像进行颜色识别,得到颜色识别结果;确定颜色识别结果与预先设置的新能源车辆的车牌颜色是否匹配;响应于确定出颜色识别结果与新能源车辆的车牌颜色不匹配,确定目标车位被其他类型的车辆非法占用。新能源车辆专用的车位往往是充电桩车位,被其他车辆占用会造成充电桩资源的浪费。
由于新能源车辆的车牌颜色具有一定的特异性(渐变绿色等),所以可以通过颜色确定新能源车位是否被燃油车等其他类型的车辆占用。在检测到车牌后,可以进入车牌颜色识别阶段,并截取图像中车牌范围中的内容,作为该阶段的输入数据。车牌颜色识别可以采用改进的Squeezenet(一个小型化的网络模型结构)作为颜色分类器,实现车牌的颜色识别,输出车牌颜色类别License_color,此外,还可以采用色彩匹配等方式实现车牌的颜色识别。
在本实施例的一些可选实现方式中,根据车牌图像确定目标车位是否存在非法占用情况,包括:对车牌图像进行字符识别得到字符识别结果;对车牌图像进行颜色识别,得到颜色识别结果;获取与目标车位的绑定车辆的车牌字符及车牌颜色。确定字符识别结果与车牌字符是否匹配;确定颜色识别结果与车牌颜色是否匹配;响应于确定出字符识别结果与车牌字符不匹配或颜色识别结果与车牌颜色不匹配,确定目标车位被其他车辆非法占用。在检测到车牌后,可以进入车牌颜色字符阶段,并截取图像中车牌范围中的内容,作为该阶段的输入数据。上述执行主体可以采用基于MobileNet-v3(一种轻量级网络)改进的CRNN(Convolutional Recurrent Neural Network,卷积递归神经网络)作为文本识别模型,实现车牌的识别功能,输出车牌字符识别内容License_str。上述执行主体还可以使用其他神经网络进行字符识别,本申请对此不做限定。车牌识别属于场景文本识别中的一种,其性能受到多种环境因素的约束,例如遮挡、姿态、光照等。新能源车辆的车牌颜色具有一定的特异性(渐变绿色等),本实现方式将图像识别领域中的颜色分类和字符识别技术相结合,因而可以用较小的资源代价,获得到更加准确稳定的识别结果。
在本实施例的一些可选实现方式中,根据车辆图像确定目标车位是否存在非法占用情况或压线情况,包括:根据车辆图像自适应选取目标车位的图像中的部分图像;将部分图像输入预先训练的车道线分割模型,定位部分图像中的车道线图像;获取车道线轮廓统计和描述信息;根据车道线图像以及车道线轮廓统计和描述信息确定目标车位是否存在压线情况。上述执行主体首先可以采用改进的Unet(U网络)作为车道线分割模型,实现车道线的检测,也可以采用其他图像分割方法,本申请对此不进行限定;而后上述执行主体可以接入轮廓信息统计和描述,判断是否存在压线情况。
上述可选实现方式中,涉及到深度卷积神经网络的训练过程,因为方法上较为相近,这里只简单描述其主要步骤:1.训练样本预处理,包括图像数据采集,标注,清洗等;2.将制作好的训练样本送入深度卷积网络提取特征;3.计算损失函数并随机梯度下降法进行梯度反传;4.卷积网络参数更新,并迭代训练至收敛;5.模型部署和推理。
步骤203,响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息。
在本实施例中,上述执行主体可以响应于步骤202中确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息,目标车位关联的用户可以包括车位的拥有者或管理者等。上述执行主体可以通过短信、社交软件的消息等方式推送目标车位的车位情况信息,车位情况信息可以指示目标车位是否存在非法占用情况或压线情况。若存在压线情况,影响周边车位停车可以提醒停车人主动停好,业主车位或充电桩车位被临停或燃油车被占用主动提醒业主,同时提醒停车人不要占用专用车位。
继续参见图3,图3是根据本实施例的车位情况信息推送方法的一个可选实现方式的示意图。在图3中,摄像头采集到图像后,首先进行车辆检测,而后分别进行压线检测与车牌检测,车牌字符识别、颜色识别,最后综合决策模块确定目标车位是否存在非法占用情况或压线情况,根据决策结果控制信息推送与告警模块进行车位状态的信息推送与告警。
本申请的上述实施例提供的方法通过获取摄像头采集的目标车位的图像;基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况;响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息,提供了一种基于图像处理的车位情况信息推送机制,使得用户可以及时获知车位的非法占用情况或压线情况,提高了用户体验。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种车位情况信息推送装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的车位情况信息推送装置400包括:获取单元401、确定单元402、推送单元403。其中,获取单元,被配置成获取摄像头采集的目标车位的图像;确定单元,被配置成基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况;推送单元,被配置成响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息。
在本实施例中,车位情况信息推送装置400的获取单元401、确定单元402、推送单元403的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203。
在本实施例的一些可选实现方式中,确定单元,进一步被配置成:将目标车位的图像输入预先训练的车辆检测模型,确定目标车位是否存在车辆;响应于确定出目标车位存在车辆,根据车辆检测模型的输出定位目标车位的图像中的车辆图像;根据车辆图像确定目标车位是否存在非法占用情况或压线情况。
在本实施例的一些可选实现方式中,确定单元,进一步被配置成:将车辆图像输入车牌检测模型,确定车辆图像中是否包括车牌图像;响应于确定出车辆图像中包括车牌图像,根据车牌检测模型的输出定位车辆图像中的车牌图像;根据车牌图像确定目标车位是否存在非法占用情况。
在本实施例的一些可选实现方式中,确定单元,进一步被配置成:确定目标车位是否为新能源车辆专用的车位;响应于确定出目标车位为新能源车辆专用的车位,对车牌图像进行颜色识别,得到颜色识别结果;确定颜色识别结果与预先设置的新能源车辆的车牌颜色是否匹配;响应于确定出颜色识别结果与新能源车辆的车牌颜色不匹配,确定目标车位被其他类型的车辆非法占用。
在本实施例的一些可选实现方式中,确定单元,进一步被配置成:对车牌图像进行字符识别得到字符识别结果;对车牌图像进行颜色识别,得到颜色识别结果;获取与目标车位的绑定车辆的车牌字符及车牌颜色。确定字符识别结果与车牌字符是否匹配;确定颜色识别结果与车牌颜色是否匹配;响应于确定出字符识别结果与车牌字符不匹配或颜色识别结果与车牌颜色不匹配,确定目标车位被其他车辆非法占用。
在本实施例的一些可选实现方式中,确定单元,进一步被配置成:根据车辆图像自适应选取目标车位的图像中的部分图像;将部分图像输入预先训练的车道线分割模型,定位部分图像中的车道线图像;获取车道线轮廓统计和描述信息;根据车道线图像以及车道线轮廓统计和描述信息确定目标车位是否存在压线情况。
本申请的上述实施例提供的装置,通过获取摄像头采集的目标车位的图像;基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况;响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息,提供了一种基于图像处理的车位情况信息推送机制,使得用户可以及时获知车位的非法占用情况或压线情况,提高了用户体验。
下面参考图5,其示出了适于用来实现本申请实施例的服务器或终端的计算机系统500的结构示意图。图5示出的服务器或终端仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件可以连接至I/O接口505:包括诸如键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、确定单元和推送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“被配置成获取摄像头采集的目标车位的图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取摄像头采集的目标车位的图像;基于目标车位的图像及预先训练的模型确定目标车位是否存在非法占用情况或压线情况;响应于确定出目标车位存在非法占用情况或压线情况,向目标车位关联的用户推送目标车位的车位情况信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种车位情况信息推送方法,包括:
获取摄像头采集的目标车位的图像;
基于所述目标车位的图像及预先训练的模型确定所述目标车位是否存在非法占用情况或压线情况;
响应于确定出所述目标车位存在非法占用情况或压线情况,向所述目标车位关联的用户推送所述目标车位的车位情况信息。
2.根据权利要求1所述的方法,其中,所述基于所述目标车位的图像及预先训练的模型确定所述目标车位是否存在非法占用情况或压线情况,包括:
将所述目标车位的图像输入预先训练的车辆检测模型,确定所述目标车位是否存在车辆;
响应于确定出所述目标车位存在车辆,根据所述车辆检测模型的输出定位所述目标车位的图像中的车辆图像;
根据所述车辆图像确定所述目标车位是否存在非法占用情况或压线情况。
3.根据权利要求2所述的方法,其中,所述根据所述车辆图像确定所述目标车位是否存在非法占用情况或压线情况,包括:
将所述车辆图像输入所述车牌检测模型,确定所述车辆图像中是否包括车牌图像;
响应于确定出所述车辆图像中包括车牌图像,根据所述车牌检测模型的输出定位所述车辆图像中的车牌图像;
根据所述车牌图像确定所述目标车位是否存在非法占用情况。
4.根据权利要求3所述的方法,其中,所述根据所述车牌图像确定所述目标车位是否存在非法占用情况,包括:
确定所述目标车位是否为新能源车辆专用的车位;
响应于确定出所述目标车位为新能源车辆专用的车位,对所述车牌图像进行颜色识别,得到颜色识别结果;
确定所述颜色识别结果与预先设置的新能源车辆的车牌颜色是否匹配;
响应于确定出所述颜色识别结果与所述新能源车辆的车牌颜色不匹配,确定所述目标车位被其他类型的车辆非法占用。
5.根据权利要求3所述的方法,其中,所述根据所述车牌图像确定所述目标车位是否存在非法占用情况,包括:
对所述车牌图像进行字符识别得到字符识别结果;
对所述车牌图像进行颜色识别,得到颜色识别结果;
获取与所述目标车位的绑定车辆的车牌字符及车牌颜色。
确定所述字符识别结果与所述车牌字符是否匹配;
确定所述颜色识别结果与所述车牌颜色是否匹配;
响应于确定出所述字符识别结果与所述车牌字符不匹配或所述颜色识别结果与所述车牌颜色不匹配,确定所述目标车位被其他车辆非法占用。
6.根据权利要求2所述的方法,其中,所述根据所述车辆图像确定所述目标车位是否存在非法占用情况或压线情况,包括:
根据所述车辆图像自适应选取所述目标车位的图像中的部分图像;
将所述部分图像输入预先训练的车道线分割模型,定位所述部分图像中的车道线图像;
获取车道线轮廓统计和描述信息;
根据所述车道线图像以及所述车道线轮廓统计和描述信息确定所述目标车位是否存在压线情况。
7.一种车位情况信息推送装置,包括:
获取单元,被配置成获取摄像头采集的目标车位的图像;
确定单元,被配置成基于所述目标车位的图像及预先训练的模型确定所述目标车位是否存在非法占用情况或压线情况;
推送单元,被配置成响应于确定出所述目标车位存在非法占用情况或压线情况,向所述目标车位关联的用户推送所述目标车位的车位情况信息。
8.根据权利要求7所述的装置,其中,所述确定单元,进一步被配置成:
将所述目标车位的图像输入预先训练的车辆检测模型,确定所述目标车位是否存在车辆;
响应于确定出所述目标车位存在车辆,根据所述车辆检测模型的输出定位所述目标车位的图像中的车辆图像;
根据所述车辆图像确定所述目标车位是否存在非法占用情况或压线情况。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113028.0A CN114612904A (zh) | 2022-01-30 | 2022-01-30 | 车位情况信息推送方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113028.0A CN114612904A (zh) | 2022-01-30 | 2022-01-30 | 车位情况信息推送方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612904A true CN114612904A (zh) | 2022-06-10 |
Family
ID=81860033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210113028.0A Pending CN114612904A (zh) | 2022-01-30 | 2022-01-30 | 车位情况信息推送方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612904A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385978A (zh) * | 2023-06-06 | 2023-07-04 | 北京阳光海天停车管理有限公司 | 停车场的监控方法、装置和可读存储介质 |
CN117037504A (zh) * | 2023-07-31 | 2023-11-10 | 江门市健怡智莲技术有限公司 | 新能源充电站的车位管理方法、装置、设备及存储介质 |
-
2022
- 2022-01-30 CN CN202210113028.0A patent/CN114612904A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385978A (zh) * | 2023-06-06 | 2023-07-04 | 北京阳光海天停车管理有限公司 | 停车场的监控方法、装置和可读存储介质 |
CN117037504A (zh) * | 2023-07-31 | 2023-11-10 | 江门市健怡智莲技术有限公司 | 新能源充电站的车位管理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10650236B2 (en) | Road detecting method and apparatus | |
US11392792B2 (en) | Method and apparatus for generating vehicle damage information | |
CN108427939B (zh) | 模型生成方法和装置 | |
CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
CN107330731B (zh) | 一种识别广告位点击异常的方法和装置 | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN114612904A (zh) | 车位情况信息推送方法、装置、电子设备和存储介质 | |
CN109389096B (zh) | 检测方法和装置 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
CN116932919B (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN111967332B (zh) | 用于自动驾驶的能见度信息生成方法和装置 | |
CN112200173B (zh) | 多网络模型训练方法、图像标注方法和人脸图像识别方法 | |
CN116434218A (zh) | 适用于移动端的支票识别方法、装置、设备和介质 | |
CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
CN115375656A (zh) | 息肉分割模型的训练方法、分割方法、装置、介质及设备 | |
CN115984868A (zh) | 文本处理方法、装置、介质及设备 | |
CN115393423A (zh) | 目标检测方法和装置 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN112132120B (zh) | 用于视频结构化的方法及装置 | |
CN112001211B (zh) | 对象检测方法、装置、设备及计算机可读存储介质 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
CN114912568A (zh) | 数据处理的方法、设备和计算机可读存储介质 | |
CN113222050A (zh) | 图像分类方法、装置、可读介质及电子设备 |
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 |