CN114694095A - 确定车辆进出泊位的方法、装置、设备和存储介质 - Google Patents
确定车辆进出泊位的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114694095A CN114694095A CN202210288663.2A CN202210288663A CN114694095A CN 114694095 A CN114694095 A CN 114694095A CN 202210288663 A CN202210288663 A CN 202210288663A CN 114694095 A CN114694095 A CN 114694095A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- berth
- frame
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种确定车辆进出泊位的方法、装置、设备和存储介质,该方法包括:获取摄像头采集的第一图像,确定第一图像中目标车辆的车辆检测框和车身预设中心点的位置;若确定车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则获取第一图像前预设时间内采集的多帧第二图像中目标车辆的车辆跟踪信息,若根据车辆跟踪信息确定目标车辆出现于预警边框内,则确定目标车辆驶入目标泊位边框对应的泊位停靠。通过在摄像头覆盖的多个泊位外定义一个预警区域辅助进行车辆进出泊位的判断,结合泊位占用条件和途经预警区域的双重判断,提高泊位进出确定结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种确定车辆进出泊位的方法、装置、设备和存储介质。
背景技术
随着我国城市化进程愈发加速,车辆的增速也与日俱增,这样造成的问题就是城市停车难。而对于城市的管理者来说,优化停车资源,提升停车管理智能化水平,成了发展新型智慧化城市中很重要的目标,因此,道路旁的泊位自动化收费管理,就显得尤为重要。
针对道路旁泊位的自动化收费策略,目前包括如下方式:手持终端设备收费、安装地磁、安装视频桩。其中,采用手持终端设备收费的方式,需要人工不断的携带终端设备进行值守,存在遗漏等现象,并且人工依赖严重,技术低导致的运营成本高,此种方法显然不适合如今的智慧城市的技术目标。第二种是地磁方案,利用地磁内的传感器感知地磁上方是否有障碍物,由于无法判断障碍物是否是停泊车,抑或其他非机动车,因此,该方法易受干扰,误报率高。
道路旁泊位的自动化收费策略的前提是能够自动地、准确地识别出进入泊位停靠以及驶离泊位的车辆。因此,如何完成进入泊位停靠以及驶离泊位的车辆的自动准确识别,是需要解决的问题。
发明内容
本发明实施例提供一种确定车辆进出泊位的方法、装置、设备和存储介质,用以提高车辆进出泊位的确定结果的准确性。
第一方面,本发明实施例提供一种确定车辆进出泊位的方法,所述方法包括:
获取摄像头采集的第一图像,所述摄像头覆盖多个泊位;
对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框和车身预设中心点的位置;
若确定所述车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则获取所述第一图像前预设时间内采集的多帧第二图像中所述目标车辆的车辆跟踪信息,所述车辆跟踪信息中包括所述目标车辆的车辆标识在所述多帧第二图像中各自对应的定位位置;其中,所述目标泊位边框是任一所述泊位在所述摄像头的拍摄画面中所对应的图像区域边界;
若根据所述车辆跟踪信息确定所述车辆标识出现于预设的预警边框内,则确定所述目标车辆驶入所述目标泊位边框所对应的泊位停靠;其中,所述预警边框是进出所述多个泊位所需途经的预警区域在所述摄像头的拍摄画面中所对应的图像区域边界,所述预警区域是包围所述多个泊位的车行道区域。
第二方面,本发明实施例提供一种确定车辆进出泊位的装置,所述装置包括:
获取模块,用于获取摄像头采集的第一图像,所述摄像头覆盖多个泊位;
检测模块,用于对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框和车身预设中心点的位置;
处理模块,用于若确定所述车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则获取所述第一图像前预设时间内采集的多帧第二图像中所述目标车辆的车辆跟踪信息,所述车辆跟踪信息中包括所述目标车辆的车辆标识在所述多帧第二图像中各自对应的定位位置;以及若根据所述车辆跟踪信息确定所述车辆标识出现于预设的预警边框内,则确定所述目标车辆驶入所述目标泊位边框所对应的泊位停靠;其中,所述预警边框是进出所述多个泊位所需途经的预警区域在所述摄像头的拍摄画面中所对应的图像区域边界,所述预警区域是包围所述多个泊位的车行道区域,所述目标泊位边框是任一所述泊位在所述摄像头的拍摄画面中所对应的图像区域边界。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器、通信接口;其中,所述存储器上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器至少可以实现如第一方面所述的确定车辆进出泊位的方法。
第四方面,本发明实施例提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器至少可以实现如第一方面所述的确定车辆进出泊位的方法。
第五方面,本发明实施例提供了一种确定车辆进出路侧泊位的方法,包括:
获取路侧摄像头采集的第一图像,所述路侧摄像头包括设置在路侧泊位同侧的摄像头,所述路侧摄像头覆盖多个路侧泊位;
对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框和车身预设中心点的位置;
若确定所述车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则获取所述第一图像前预设时间内采集的多帧第二图像中所述目标车辆的车辆跟踪信息,所述车辆跟踪信息中包括所述目标车辆的车辆标识在所述多帧第二图像中各自对应的定位位置;其中,所述目标泊位边框是任一所述路侧泊位在所述路侧摄像头的拍摄画面中所对应的图像区域边界;
若根据所述车辆跟踪信息确定所述车辆标识出现于预设的预警边框内,则确定所述目标车辆驶入所述目标泊位边框所对应的路侧泊位停靠;其中,所述预警边框是进出所述多个路侧泊位所需途经的预警区域在所述路侧摄像头的拍摄画面中所对应的图像区域边界,所述预警区域是包围所述多个路侧泊位的车行道区域。
针对车辆进入路侧设置的泊位停车的情形,可以在路侧泊位同侧的路边设置摄像头称为路侧摄像头,一个路侧摄像头可以被配置为覆盖多个固定的路侧泊位。路侧摄像头不可旋转,这样路侧摄像头具有固定的拍摄范围,也就是说,针对一个路侧摄像头所能覆盖的多个路侧泊位来说,这多个路侧泊位在该路侧摄像头所能拍得的画面中始终对应于固定的图像区域,将该图像区域的边界所围成的闭合曲线称为泊位边框。针对一个路侧摄像头所覆盖的多个路侧泊位来说,在路侧泊位的同侧定义一个预警区域,该预警区域是包围这多个路侧泊位的车行道区域,车辆进出这多个路侧泊位必须途经该预警区域。基于该定义,可以理解的是,该预警区域在该路侧摄像头拍得的画面中也具有固定的图像区域,将该图像区域的边界所围成的闭合曲线称为预警边框。
本发明实施例中,针对任一摄像(比如上述路侧摄像头)头来说,该摄像头拍摄视频画面,可以对其拍得的视频画面进行采样得到一帧帧图像,针对采样得到的每帧图像,都可以进行车辆检测以及车辆跟踪处理,其中,车辆检测的目的是检测出图像中所含的各个车辆的车辆检测框以及车身上预设的某种中心点的位置,该位置是指在图像中对应的像素位置。车辆跟踪的目的是确定不同帧图像中的同一辆车,并确定车辆的车辆标识。车辆标识可以是识别出的车牌号也可以是为同一辆车分配的同一跟踪号。
针对上述摄像头采集的任一帧图像(称为第一图像)来说,在对第一图像进行车辆检测处理,得到第一图像中目标车辆(指其中包含的任一车辆)所对应的车辆检测框和车身预设中心点的位置后,在已知该摄像头覆盖的多个泊位在图像中各自对应的泊位边框的前提下,首先,判断该目标车辆是否满足泊位占用条件,即结合检测出的目标车辆的车辆检测框以及车身上预设中心点的位置确定目标车辆是否当前是否占用某个目标泊位边框所对应的泊位。若确定上述车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则时间回溯,以获取第一图像前预设时间(比如10秒)内采集的多帧第二图像中目标车辆的车辆跟踪信息。车辆跟踪信息中包括目标车辆的车辆标识在多帧第二图像中各自对应的定位位置,也即是说,基于此前对车辆跟踪处理的过程,可以得到对应于同一车辆标识的目标车辆在此前各帧图像中出现的位置。进一步,根据得到的车辆跟踪信息确定进入上述目标泊位边框所对应泊位的目标车辆在进入该泊位前是否在预警区域内出现过,即确定目标车辆的车辆标识是否在多帧第二图像中出现于预警边框内,若该车辆标识在一帧或几帧第二图像中都出现过,则最终确定目标车辆驶入目标泊位边框所对应的泊位停靠。
在上述方案中,通过在同一摄像头覆盖的连续几个泊位外定义一个预警区域来辅助进行车辆进出泊位的判断,只有在先确定车辆满足占用泊位的条件后,又确定车辆满足此前途经预警区域的条件时,才最终判定车辆驶入该泊位进行停靠,提高驶入确定结果的准确性。而且,在进行泊位占用判断时,结合车辆检测框以及车身上特定的某中心点这两个因素来判断车辆是否占用某个泊位,能够提高泊位占用确定结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明实施例提供的一种泊位停车场景的示意图;
图2为本发明实施例提供的一种确定车辆驶入泊位的方法的流程图;
图3为本发明实施例提供的一种车辆检测框与车辆底盘检测框的示意图;
图4为本发明实施例提供的一种车辆检测框与车辆底盘中心点确定原理的示意图;
图5为本发明实施例提供的一种确定车辆驶出泊位的方法的流程图;
图6为本发明实施例提供的一种确定车辆进出泊位的装置的结构示意图;
图7为与图6所示实施例提供的一种电子设备的结构示意图。
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,下面将结合本发明实施例中的附图,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作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。
下面结合附图对本发明的一些实施方式作详细说明。在各实施例之间不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
本发明实施例提供的确定车辆进出泊位的方法适用于对路侧泊位、室内外停车场进行停车管理的应用场景中,路侧泊位是指在车行道靠近人行道的一侧所划定的允许停车的泊位。
在传统的基于人工、地磁的泊位收费管理的方案中,除了有较大的人力成本外,每个泊位上都需要独立地设置一个地磁设备也具有较大的设备开销,而且,这种方案也没有停车的图片或者视频证据链,容易产生停车资费纠纷。为此,针对路侧泊位来说,可以采用视频桩方案,视频桩方案主要是在与车辆同等高度的马路人行道上,靠近路边泊位安装一个摄像头,该方案虽然能保留停车证据链,然而,维护成本高,容易被人工损坏,加上北方很多城市的道路扬灰较多,且在道路3米高度内,这些灰尘容易遮挡住摄像头,因此,也需要定期人工清理。
针对以上方案的劣势,以路侧泊位来说,本发明实施例提出了一种高位视频的方案,该方案需要在道路的人行道上安装高度较高(一般超过6米以上)的高杆,然后在高杆上面安装摄像头,每个摄像头负责拍摄几个(一般3-4个)泊位,并且通过人工智能算法,对泊位的进出车辆进行识别,产生对应的进出事件,比如记录车辆的停泊起始和结束时间,以及对应的车辆标识(比如车牌号),并保存车辆驶入驶出的图片/视频证据链,以便实现路侧泊位的车辆自动收费管理。该方案可以有效地解决以往方案易受干扰、无证据链以及人工运维成本高的问题,且高杆可以采用借杆(比如借用路灯杆)的方式进行安装,合理利用了已有市政设施,降低对城市景观影响。同理,针对室内、室外停车场来说,也可以在较高位置处设置摄像头。
为便于描述,本发明实施例中以路侧泊位停车场景为例进行说明。针对某侧道路上划定的路侧泊位来说,用于对该路侧泊位进行拍摄的摄像头(称为路侧摄像头)可以设置在该路侧泊位的对侧,也可以设置在该路侧泊位的同侧。比如,某条道路的左侧边缘划定有一排路侧泊位,路侧摄像头可以位于道路左侧人行道上即与路侧泊位同侧设置,也可以位于道路右侧人行道上即与路侧泊位对侧设置。当然,实际应用中,同侧和对侧设置的路侧摄像头可能都存在。
需要说明的是,一个路侧摄像头具有有限的拍摄范围,因此,一个路侧摄像头一般被配置为覆盖几个路侧泊位。并且,路侧摄像头可以被配置为不可以转动,即具有固定的拍摄视角,这样,同一路侧摄像头覆盖的多个路侧泊位在该路侧摄像头采集的所有画面中具有固定不变的图像区域。
当路侧摄像头与路侧泊位同侧设置的时候,如图1所示,前后泊位上的车辆的遮挡往往是比较严重的,遮挡率一般会大于60%,甚至有时候会接近100%,因此,在与路侧泊位同侧设置的路侧摄像头的情形下,准确地识别出进出泊位的车辆具有很大挑战。这里所说的进出泊位的车辆是指真正驶入泊位进行停靠,并在停靠一段时间后驶出泊位的车辆。
在本发明实施例中,为了能够准确地识别出进出泊位的车辆,定义了一个预警区域。如图1中所示,在同一路侧摄像头覆盖的多个路侧泊位所占区域外的同一方向的车行道上,设定一个包围这多个路侧泊位的车行道区域,称为预警区域。这个预警区域表示所有的车辆从出现在这个路侧摄像头的拍摄画面到进入其中某个路侧泊位或离开路侧泊位,都要经过的区域。如图1中所示,该预警区域“包围”多个路侧泊位,并不是说多个路侧泊位位于该预警区域内部(属于包含关系),而是从位置关系上来说,预警区域与多个路侧泊位是相离的,即不存在包含以及相交关系。
可以理解的是,在现实的车行道上并不需要真实地画出这个预警区域,该预警区域只是为了辅助准确地识别出进出泊位的车辆而定义的区域。由于其所包围的多个路侧区域在对应的路侧摄像头所拍摄画面中具有固定的图像区域,而且该预警区域与这多个路侧区域的位置关系也是固定不变的,因此,该预警区域在该路侧摄像头所拍摄的画面中也具有固定的图像区域。
在本发明实施例中,将路侧泊位在相应路侧摄像头的拍摄画面中所对应的图像区域边界称为泊位边框,将预警区域在该路侧摄像头的拍摄画面中所对应的图像区域边界称为预警边框。
其中,泊位边框可以是预先基于路侧摄像头在无车辆驶入其覆盖的多个路侧泊位的情形下,基于车行道上真实画出的路侧泊位边界线在其所拍画面中所占的图像区域标注出的。
其中,预警边框可以是基于预先定义的预警区域与多个路侧泊位的空间位置关系(即现实道路场景下两者的位置、距离关系),以及多个路侧泊位在路侧摄像头所拍摄画面中对应的图像区域,映射得到预警区域在路侧摄像头所拍摄画面中的图像区域。
本发明实施例提供的确定车辆进出路侧泊位的方法可以由一电子设备来执行,该电子设备可以是与路侧摄像头通信连接的服务器或终端设备,该服务器可以是云端的物理服务器或虚拟服务器(虚拟机)。当然,本发明实施例提供的方法,在实际执行过程中,也可以由路侧摄像头与该电子设备配合完成,其中,比如也可以在路侧摄像头本地完成图像的车辆检测、车辆跟踪等处理,该电子设备接收路侧摄像头传输的与生成停车记录相关的数据以便生成并存储停车记录。
下面对本发明实施例提供的确定车辆进出路侧泊位的方案的实施过程进行说明。
图2为本发明实施例提供的一种确定车辆驶入泊位的方法的流程图,如图2所示,该方法包括如下步骤:
201、获取路侧摄像头采集的第一图像,路侧摄像头包括设置在路侧泊位同侧的摄像头,该路侧摄像头覆盖多个路侧泊位。
202、对第一图像进行车辆检测处理,以得到第一图像中目标车辆所对应的车辆检测框和车身预设中心点的位置。
203、若确定车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则获取第一图像前预设时间内采集的多帧第二图像中所述目标车辆的车辆跟踪信息,车辆跟踪信息中包括目标车辆的车辆标识在多帧第二图像中各自对应的定位位置。
其中,目标泊位边框是所述多个路侧泊位中的一个在路侧摄像头的拍摄画面中所对应的图像区域边界。
204、若根据所述车辆跟踪信息确定所述车辆标识出现于预设的预警边框内,则确定目标车辆驶入目标泊位边框所对应的路侧泊位停靠。
其中,如上文所述,预警边框是进出所述多个路侧泊位所需途经的预警区域在所述路侧摄像头的拍摄画面中所对应的图像区域边界,预警区域是包围这多个路侧泊位的车行道区域。
针对覆盖上述多个路侧泊位的路侧摄像头X来说,该路侧摄像头X可以持续拍摄视频画面。面对需要对进出路侧泊位的车辆进行准确识别的需求,可以对路侧摄像头X拍得的视频画面进行采样得到一帧帧图像,针对采样得到的各帧图像,都可以进行车辆检测以及车辆跟踪处理。其中,采样频率可以预先设定,比如5帧/秒。
其中,车辆检测的目的是检测出图像中所含的各个车辆的车辆检测框以及车身上预设的某种中心点的位置,该位置是指在图像中对应的像素位置。车辆跟踪的目的是确定不同帧图像中的同一辆车,并确定车辆的车辆标识。上述预设中心点可以是车辆底盘中心点。
针对车辆检测处理来说,上述第一图像可以是路侧摄像头X采集的任一帧图像,以第一图像为例,假设上述车身预设中心点为车辆底盘中心点,对所述第一图像进行车辆检测处理,可以实现为:
使用预先训练得到的深度神经网络模型对第一图像进行车辆检测处理,以得到第一图像中目标车辆所对应的车辆检测框和车辆底盘检测框,确定车辆底盘检测框的中心点的位置作为车辆底盘中心点的位置。其中,目标车辆是指从第一图像中检测出的任一车辆。
本发明实施例中,车辆检测框是指包含完整车辆的检测框,车辆底盘检测框是指包含车辆底盘区域的检测框,如图3中所示。
车辆检测框和车辆底盘检测框都是一个矩形框,在得到车辆底盘检测框时便可以得到其四个顶点在图像中的像素坐标,进而可以基于四个顶点的像素坐标求得中心点的像素坐标,即为车辆底盘中心点的位置。
实际上,车辆检测也是针对图像进行车辆这种特定目标的目标检测任务,因此,上述深度神经网络模型可以采用目标检测任务的训练思路进行训练。简单来说,预先收集大量的训练样本,其中可以包括车辆在图像中呈现各种姿态和遮挡情形的训练样本图像,通过对训练样本图像中进行监督信息的标注,基于标注的监督信息进行该深度神经网络模型的训练。其中,标注的监督信息即为车辆在相应训练样本图像中对应的车辆检测框和车辆底盘检测框。
实际上,在路侧摄像头与路侧泊位同侧设置的情形下,从该路侧摄像头的视角来看,停在路侧泊位上的车辆之间可能存在很严重的遮挡情况,如图1中所示,车牌为A的车辆遮挡住车牌为B的车辆的大部分,此时,完全依赖上述深度神经网络模型的检测结果来确定底盘中心点的位置可能不可靠,因为深度神经网络模型此时可能不能输出车辆底盘检测框。
针对这种情形,可选地,对所述第一图像进行车辆检测处理,还可以实现为:
使用预先训练得到的深度神经网络模型对第一图像进行车辆检测处理,以得到第一图像中目标车辆所对应的车辆检测框;
确定车辆检测框的底部预设高度占比的子检测框,所述预设高度占比根据车辆底盘距离地面的高度设定;
确定所述子检测框的顶端中心点的位置作为车辆底盘中心点的位置。
也就是说,此时该深度神经网络模型可以仅被训练用于进行车辆检测框的识别,基于其得到的车辆检测框间接地确定车辆底盘中心点在第一图像中对应的位置坐标。
为便于理解,结合图4来示例性说明,在图4中,假设深度神经网络模型从第一图像中检测到图中示意的一个车辆检测框Q,假设上述预设高度占比为1/5,即将车辆检测框的高度H分成5份,底部的1/5H形成一个子检测框q,子检测框q的顶端宽度的中心点(图中的圆点)即作为底盘中心点。这个1/5H的高度是通过统计车辆底盘距离地面高度与车辆顶端距离地面高度的比值情况得到的。
在本发明实施例中,除了针对采样得到的每帧图像进行车辆检测处理,以得到每帧图像中包含的各个车辆所对应的车辆检测框以及车身上设定中心点的位置外,还会对连续不同帧图像进行车辆跟踪处理。因为车辆检测处理只能确定一帧帧图像中是否包含车辆以及所包含车辆在图像中的对应位置,并不能得知车辆的标识信息以及车辆的运动轨迹信息,从而也就不能得知不同帧图像之间车辆的同一性。而通过车辆跟踪处理,便可以得到车辆的标识信息以及跟踪确定同一车辆在不同帧图像中对应的位置。
车辆检测处理和车辆跟踪处理可以相互配合,比如在通过车辆检测处理在一帧图像中发现一个车辆得到对应的车辆检测框时,车辆跟踪处理可以通过识别这辆车的视觉特征(比如颜色、车型、大小、轮廓等),结合移动速度等特征信息,便可以得知这个车辆与此前一些图像出现的某个车辆是否为同一车辆。车辆跟踪处理可以参考现有相关技术实现,本实施例中不做详细说明。
在实际应用中,车辆检测处理和车辆跟踪处理可以由不同进程来执行,当一辆车刚刚出现在上述路侧摄像头X的画面中时,车辆检测处理进程与车辆跟踪处理进程首次检测到这辆车,车辆跟踪处理进程会为其分配一个跟踪号作为该车辆的一种标识信息。同时,车辆跟踪处理进程还可以执行车牌识别处理,以识别出这辆车的车牌号,如果能够识别到车牌号(实际上可能由于距离远、移动速度快、车辆间遮挡等因素在一些帧图像中识别不到该车牌号),则车牌号与该跟踪号一起,可以作为车辆的标识信息。
可选地,在具体实施时,如果车辆检测处理进程在某帧图像中检测到一个车辆,车辆跟踪处理进程在提取得到这辆车的诸如视觉特征、移动速度等特征的同时,为这辆车确定了车辆标识,则可以将该车辆标识与对应的车辆检测框关联标记。这样,通过车辆检测与车辆跟踪的联合处理,便可以得知一辆车在不同帧图像中各自对应的车辆检测框以及车辆标识,从而,基于同一车辆标识在连续多帧图像中所对应的车辆检测框的位置,便可以形成这辆车的移动轨迹。
以上介绍了对路侧摄像头X采集的每帧图像进行车辆检测处理以及车辆跟踪处理的过程。承接于上述在第一图像中检测到目标车辆所对应的车辆检测框和车身预设中心点(如车辆底盘中心点)的位置的举例,为了确定目标车辆是否驶入路侧摄像头X覆盖的某路侧泊位停靠,首先,以路侧泊位作为核心,先基于该车辆检测框和车辆底盘中心点的位置与路侧摄像头X覆盖的多个路侧泊位各自对应的泊位边框进行位置比较,以确定目标车辆是否满足泊位占用条件,换言之,确定路侧泊位的状态是否处于被占用状态。
所述泊位占用条件包括:车辆检测框与目标泊位边框的重合度大于设定阈值,以及车辆底盘中心点的位置位于目标泊位边框内。其中,目标泊位边框为上述多个路侧泊位对应的泊位边框中的任一个。如果上述条件满足,则确定目标车辆占用目标泊位边框所对应的路侧泊位。上述重合度对应的设定阈值比如为30%等预设值。
在实际应用中,可以先进行车辆检测框与目标泊位边框的重合度的判断,如果重合度大于设定阈值,则再判断车辆底盘中心点是否位于目标泊位边框内,只有这两个条件都满足时,才执行后续的判断流程。如果重合度小于上述设定阈值,则不进行后续判断,确定目标车辆未占用目标泊位边框对应的路侧泊位。
本发明实施例中,通过上述重合度和车辆底盘中心点的双重判断,可以更加准确地确定目标车辆是否占用了一个路侧泊位,即实现泊位进场的更精确判断。因为实际上,可能会有车辆只是途经路侧泊位而非停靠的情形,途经车辆一般难以同时满足上述两个判断条件。比如:大型车辆(例如公交车、客车)由于车体比较大,所以在途经路侧泊位的时候,可能会满足上述重合度的判断条件,但是未必能够满足底盘中心点的判断条件。
当目标车辆的车辆检测框以及车辆底盘中心点的位置满足上述目标泊位边框的泊位占用条件时,为更加准确地确定目标车辆是驶入相应路侧泊位进行停靠的车辆,继而还需要再判断该目标车辆在进入路侧泊位之前,是否在预警区域出现过。如果在预警区域出现过,则最终确定目标车辆是驶入目标泊位边框所对应的路侧泊位停靠的车辆,即目标车辆存在驶入该路侧泊位停靠的行为。如果没有在预警区域出现过,在确定目标车辆不存在驶入该路侧泊位停靠的行为。
为实现上述在预警区域出现过的判断,需要获取第一图像前预设时间内采集的多帧第二图像中目标车辆的车辆跟踪信息。该预设时间比如为10秒、15秒等预设值,多帧第二图像是指在这个预设时间内依次采样得到的多帧图像,为与第一图像区分,称为多帧第二图像。结合上述对车辆检测以及车辆跟踪处理的介绍,可以理解的是,车辆跟踪信息中包括目标车辆的车辆标识在多帧第二图像中各自对应的定位位置,该定位位置可以是在相应第二图像中目标车辆的车辆检测框的位置,当然,也可以以该车辆检测框上的某特征点(如中心点、角点)的位置作为该定位位置,而该定位位置是此前基于车辆跟踪处理和车辆检测处理过程便已经得到的。若根据该车辆跟踪信息确定目标车辆的车辆标识出现于预警边框内,则确定目标车辆驶入目标泊位边框所对应的路侧泊位停靠。
其中,如上文所述,车辆标识可以包括车牌号、跟踪号。在判断过程中,可以首先判断车牌号是否在预警边框内出现过,如果因为距离远、车辆移动速度快等原因未成功识别到车牌号,则可以再判断跟踪号是否出现在预警边框内。
采用车牌号和跟踪号的双重确认方式判断目标车辆是否出现在预警区域内,可以提高确定结果的抗干扰性,克服复杂环境(如遮挡、高速移动、距离远)的干扰。
综上,在上述方案中,通过在同一路侧摄像头覆盖的连续几个同侧的路侧泊位外定义一个预警区域来辅助进行车辆进出泊位的判断,只有在先确定车辆满足占用路侧泊位的条件后,又确定车辆满足此前途经预警区域的条件时,才最终判定车辆驶入该路侧泊位进行停靠,提高驶入确定结果的准确性。而且,在进行泊位占用判断时,结合车辆检测框以及车身上特定的某中心点这两个因素来判断车辆是否占用某个泊位,能够提高泊位占用确定结果的准确性。
在一可选实施例中,为进一步提高车辆驶入泊位停靠的判断结果的准确性,承接于上述第一图像以及多帧第二图像的举例,在结合第一图像中检测到的目标车辆的车辆检测框和车辆底盘中心点,以及从多帧第二图像中跟踪确定的目标车辆的车辆标识在相应第二图像中的定位位置,确定目标车辆是从预警区域驶入目标泊位边框对应的路侧泊位后,还可以进一步判断目标车辆是否在接下来的一段时间内稳定地停靠在该路侧泊位内,若是,则最终确定目标车辆驶入该路侧泊位停靠,否则,确定目标车辆只是途经该路侧泊位。
基于此,确定目标车辆驶入目标泊位边框所对应的路侧泊位停靠,可以实现为:
获取第一图像后预设时间内采集的多帧第三图像中目标车辆的车辆跟踪信息;
分别对多帧第三图像进行车辆检测处理,以结合多帧第三图像中目标车辆的车辆跟踪信息得到目标车辆在多帧第三图像中分别对应的车辆检测框和车身预设中心点的位置;
若目标车辆在多帧第三图像中分别对应的车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则确定目标车辆驶入目标泊位边框所对应的路侧泊位停靠。
该预设时间比如为10秒、15秒等预设值。多帧第三图像与多帧第二图像类似,并未意味着同一帧图像有多个,而是在相应时间段内分别采样得到的不同帧图像。
概括来说,这里的车辆跟踪信息主要是用于识别同一目标车辆的。分别对多帧第三图像进行车辆检测处理得到每帧图像中包含的车辆检测框以及车身预设中心点(如车辆底盘中心点)的位置,可以结合车辆跟踪处理结果确定每帧图像中包含的车辆检测框所对应的车辆标识,从而可以确定目标车辆的车辆检测框。如果基于目标车辆在多帧第三图像中分别对应的车辆检测框以及车辆底盘中心点的位置确定在上述预设时间内目标车辆都满足占用目标泊位边框所对应的路侧泊位的条件,则认为目标车辆稳定地停靠在该路侧泊位中。
在最终确定目标车辆停靠在目标泊位边框所对应的路侧泊位时,可以生成与目标车辆对应的驶入记录,所述驶入记录中包括目标泊位边框所对应的路侧泊位的标识、目标车辆的车辆标识、驶入时间以及驶入视频,其中,驶入视频至少包括采样得到多帧第二图像和第一图像的视频片段,当然,也可以包括采样得到多帧第三图像的视频片段。进一步地,该驶入记录中还可以包括目标车辆的驶入轨迹:基于对驶入视频进行采样得到的这些图像中,目标车辆的车辆标识所对应的定位位置,生成该驶入轨迹。
在一可选实施例中,为节省算力,提供了如下的泊位占用条件判断策略:
针对采样得到的任一帧图像i(比如上述第一图像)来说,如果在其中检测到一个车辆(称为目标车辆)的车辆检测框和车辆底盘中心点,在比较该车辆检测框与目标泊位边框的重合度时发现该车辆检测框相距目标泊位边框比较远,则可以基于采样频率确定下一次针对该目标车辆进行泊位占用条件判断的图像j,图像j与图像i之间一般包含了采样的至少一帧图像。假设确定需要隔m帧图像后再对目标车辆进行上述判断,m大于或等于1,那么在基于车辆跟踪和车辆检测处理,在相隔m帧后的图像j中得到目标车辆的车辆检测框和车辆底盘中心点后,再比较该车辆检测框与目标泊位边框的重合度以及确定车辆底盘中心点是否位于目标泊位边框内。
由于车辆检测和车辆跟踪都是基于确定的深度神经网络模型和车辆跟踪算法实现的,这两个处理过程具有稳定的算力开销,进行泊位占用条件判断也是需要算力开销的,通过上述策略可以减少该判断的执行次数,从而减少算力开销。
图5为本发明实施例提供的一种确定车辆驶出泊位的方法的流程图,如图5所示,该方法可以包括如下步骤:
501、分别对第一图像后采集的多帧第四图像进行车辆检测处理。
502、若根据多帧第四图像的车辆检测结果确定目标车辆不符合目标泊位边框的泊位占用条件,则获取多帧第四图像中目标车辆的车辆跟踪信息。
503、若根据多帧第四图像中目标车辆的车辆跟踪信息,确定目标车辆的车辆标识出现于预警边框内,则确定目标车辆驶离目标泊位边框所对应的路侧泊位。
承接于前述实施例中的举例:假设在基于上述第一图像以及第一图像前采集的多帧第二图像已经确定目标车辆驶入目标泊位边框对应的路侧泊位进行停靠。
可以理解的是,在基于前述实施例中所说的多帧第三图像确定目标车辆驶入目标泊位边框对应的路侧泊位进行停靠一段时间的情形下,步骤501中的第一图像替换为多帧第三图像中的最后一帧第三图像。
概括来说,该步骤中的“第一图像”是指最终确定目标车辆驶入目标泊位边框对应的路侧泊位进行稳定停靠时所采集的那帧图像。
为便于描述,将该目标泊位边框对应的路侧泊位称为目标路侧泊位。之后,为了确定目标车辆何时驶出目标路侧泊位,需要继续对上述路侧摄像头X自第一图像后采集的图像进行车辆检测和车辆跟踪处理。
假设在之后的T1时刻采集到的一帧图像中,基于车辆检测结果发现原本与目标泊位边框满足上述泊位占用条件的车辆检测框和车辆底盘中心点不再满足该泊位占用条件,即车辆检测框与目标泊位边框的重合度低于设定阈值,和/或车辆底盘中心点不再位于目标泊位边框内,则可以初步认为原本停靠在目标路侧泊位的目标车辆可能已经驶出目标路侧泊位。为保证确定结果的可靠性,继续观察T1时刻之后一段时间(假设时间到T2)内采集的多帧图像中,是否都在目标泊位边框内检测不到目标车辆的车辆检测框和车辆底盘中心点,若是,则最终认为目标车辆不满足目标路侧泊位的占用条件。在上述举例中,T1到T2时间内采集的多帧图像即为上述多帧第四图像。
可以理解的是,如前文所述,在对这些帧图像进行车辆检测处理的同时,也会进行车辆跟踪处理,从而可以得到对应于同一车辆标识的目标车辆在每帧图像中对应的车辆检测框和车辆底盘中心点。
在基于多帧第四图像的车辆检测结果以及车辆跟踪结果确定目标车辆已经不满足目标路侧泊位的占用条件后,进一步基于从多帧第四图像中获取的目标车辆的车辆跟踪信息确定目标车辆在T1到T2时间段内是否出现在预警区域,即确定目标车辆的车辆标识是否在其中一些图像中的预警边框内出现过。其中,车辆跟踪信息中包括目标车辆的车辆标识在多帧第四图像中各自对应的定位位置。若出现过,则确定目标车辆驶出目标路侧泊位,此时可以生成与目标车辆对应的驶出记录,驶出记录中包括目标路侧泊位的标识、目标车辆的车辆标识、驶出时间以及驶出视频,其中,驶出视频至少包括采样得到所述多帧第四图像的视频片段。目标路侧泊位的标识与其对应的目标泊位边框的对应关系被预先存储,通过查询即可确定。
由于路侧摄像头与路侧泊位同侧设置,在目标车辆停靠到目标路侧泊位后,由于其前后其他车辆的遮挡,对目标车辆是否离开其停靠的目标路侧泊位的判断制造了更多困难,因此,本实施例中,结合车辆检测框和车辆底盘中心点的双重确认方式来确定目标车辆是否不再占用目标路侧泊位,同时再结合目标车辆是否在不占用目标路侧泊位后经过预警区域的判断,多重判断可以精确确定目标车辆驶出目标路侧泊位的行为。
基于目标车辆对应的驶入和驶出记录,不仅可以实现对目标车辆的收费,还可以形成准确的证据链。
以上各实施例中以车辆进出路侧泊位的场景对车辆是否驶入、驶离泊位的判断过程进行了举例说明,如前文所述,该方案同样可以适用于室内、室外停车场的场景中,也就是说,任何有车辆进出泊位确定需求的场景都适用。概括来说,这些室内、室外停车场场景中,一个摄像头可以被配置为可以拍摄到多个停车位(即泊位),针对每个摄像头可以设置前述实施例中所说的预警区域,参考前述实施例中对每个摄像头采集的视频图像所进行的处理过程,便可以确定每个停车位上车辆的驶入、驶离情况。
基于此,概括来说,本发明提供了一种适用于任何停车泊位的场景中确定车辆进出泊位的方案,如下:
获取摄像头采集的第一图像,所述摄像头覆盖多个泊位;
对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框和车身预设中心点的位置;
若确定所述车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则获取所述第一图像前预设时间内采集的多帧第二图像中所述目标车辆的车辆跟踪信息,所述车辆跟踪信息中包括所述目标车辆的车辆标识在所述多帧第二图像中各自对应的定位位置;其中,所述目标泊位边框是任一所述泊位在所述摄像头的拍摄画面中所对应的图像区域边界;
若根据所述车辆跟踪信息确定所述车辆标识出现于预设的预警边框内,则确定所述目标车辆驶入所述目标泊位边框所对应的泊位停靠;其中,所述预警边框是进出所述多个泊位所需途经的预警区域在所述摄像头的拍摄画面中所对应的图像区域边界,所述预警区域是包围所述多个泊位的车行道区域。
该方案的具体实施过程可以参考前述其他实施例中的相关说明,在此不赘述。
以下将详细描述本发明的一个或多个实施例的确定车辆进出泊位的装置。本领域技术人员可以理解,这些装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图6为本发明实施例提供的一种确定车辆进出泊位的装置的结构示意图,如图6所示,该装置包括:获取模块11、检测模块12、处理模块13。
获取模块11,用于获取摄像头采集的第一图像,所述摄像头覆盖多个泊位。
检测模块12,用于对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框和车身预设中心点的位置。
处理模块13,用于若确定所述车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则获取所述第一图像前预设时间内采集的多帧第二图像中所述目标车辆的车辆跟踪信息,所述车辆跟踪信息中包括所述目标车辆的车辆标识在所述多帧第二图像中各自对应的定位位置;以及若根据所述车辆跟踪信息确定所述车辆标识出现于预设的预警边框内,则确定所述目标车辆驶入所述目标泊位边框所对应的泊位停靠;其中,所述预警边框是进出所述多个泊位所需途经的预警区域在所述摄像头的拍摄画面中所对应的图像区域边界,所述预警区域是包围所述多个泊位的车行道区域,所述目标泊位边框是任一所述泊位在所述摄像头的拍摄画面中所对应的图像区域边界。
可选地,所述泊位占用条件包括:所述车辆检测框与所述目标泊位边框的重合度大于设定阈值,以及所述车身预设中心点的位置位于所述目标泊位边框内。
可选地,所述车身预设中心点包括车辆底盘中心点。
可选地,所述检测模块12具体用于:使用预先训练得到的深度神经网络模型对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框和车辆底盘检测框,所述车辆检测框是指包含完整车辆的检测框;确定所述车辆底盘检测框的中心点的位置作为所述车辆底盘中心点的位置。
可选地,所述检测模块12具体用于:使用预先训练得到的深度神经网络模型对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框;确定所述车辆检测框的底部预设高度占比的子检测框,所述预设高度占比根据车辆底盘距离地面的高度设定;确定所述子检测框的顶端中心点的位置作为所述车辆底盘中心点的位置。
可选地,所述车辆标识包括车牌号和跟踪号,所述跟踪号是对图像进行车辆跟踪处理过程中分配的,同一车辆具有同一跟踪号。
可选地,所述处理模块13具体用于:获取所述第一图像后预设时间内采集的多帧第三图像中所述目标车辆的车辆跟踪信息;分别对所述多帧第三图像进行车辆检测处理,以结合所述多帧第三图像中所述目标车辆的车辆跟踪信息得到所述目标车辆在所述多帧第三图像中分别对应的车辆检测框和车身预设中心点的位置;若所述目标车辆在所述多帧第三图像中分别对应的车辆检测框和车身预设中心点的位置符合所述泊位占用条件,则确定所述目标车辆驶入所述目标泊位边框所对应的泊位停靠。
可选地,所述装置还包括:记录模块,用于生成与所述目标车辆对应的驶入记录,所述驶入记录中包括所述目标泊位边框所对应的泊位的标识、所述车辆标识、驶入时间以及驶入视频,其中,所述驶入视频至少包括采样得到所述多帧第二图像和所述第一图像的视频片段。
可选地,所述检测模块12还用于:分别对所述第一图像后采集的多帧第四图像进行车辆检测处理。所述处理模块13还用于:若根据所述多帧第四图像的车辆检测结果确定所述目标车辆不符合所述目标泊位边框的泊位占用条件,则获取所述多帧第四图像中所述目标车辆的车辆跟踪信息;若根据所述多帧第四图像中所述目标车辆的车辆跟踪信息,确定所述车辆标识出现于所述预警边框内,则确定所述目标车辆驶离所述目标泊位边框所对应的泊位。
可选地,所述记录模块,还用于生成与所述目标车辆对应的驶出记录,所述驶出记录中包括所述目标泊位边框所对应的泊位的标识、所述车辆标识、驶出时间以及驶出视频,其中,所述驶出视频至少包括采样得到所述多帧第四图像的视频片段。
图6所示装置可以执行前述实施例中提供的步骤,详细的执行过程和技术效果参见前述实施例中的描述,在此不再赘述。
在一个可能的设计中,上述图6所示确定车辆进出泊位的装置的结构可实现为一电子设备。如图7所示,该电子设备可以包括:处理器21、存储器22、通信接口23。其中,存储器22上存储有可执行代码,当所述可执行代码被处理器21执行时,使处理器21至少可以实现如前述实施例中提供的确定车辆进出泊位的方法。
另外,本发明实施例提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器至少可以实现如前述实施例中提供的确定车辆进出泊位的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的网元可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明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。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种确定车辆进出泊位的方法,其特征在于,包括:
获取摄像头采集的第一图像,所述摄像头覆盖多个泊位;
对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框和车身预设中心点的位置;
若确定所述车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则获取所述第一图像前预设时间内采集的多帧第二图像中所述目标车辆的车辆跟踪信息,所述车辆跟踪信息中包括所述目标车辆的车辆标识在所述多帧第二图像中各自对应的定位位置;其中,所述目标泊位边框是任一所述泊位在所述摄像头的拍摄画面中所对应的图像区域边界;
若根据所述车辆跟踪信息确定所述车辆标识出现于预设的预警边框内,则确定所述目标车辆驶入所述目标泊位边框所对应的泊位停靠;其中,所述预警边框是进出所述多个泊位所需途经的预警区域在所述摄像头的拍摄画面中所对应的图像区域边界,所述预警区域是包围所述多个泊位的车行道区域。
2.根据权利要求1所述的方法,其特征在于,所述泊位占用条件包括:所述车辆检测框与所述目标泊位边框的重合度大于设定阈值,以及所述车身预设中心点的位置位于所述目标泊位边框内。
3.根据权利要求1所述的方法,其特征在于,所述确定所述目标车辆驶入所述目标泊位边框所对应的泊位停靠,包括:
获取所述第一图像后预设时间内采集的多帧第三图像中所述目标车辆的车辆跟踪信息;
分别对所述多帧第三图像进行车辆检测处理,以结合所述多帧第三图像中所述目标车辆的车辆跟踪信息得到所述目标车辆在所述多帧第三图像中分别对应的车辆检测框和车身预设中心点的位置;
若所述目标车辆在所述多帧第三图像中分别对应的车辆检测框和车身预设中心点的位置符合所述泊位占用条件,则确定所述目标车辆驶入所述目标泊位边框所对应的泊位停靠。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
生成与所述目标车辆对应的驶入记录,所述驶入记录中包括所述目标泊位边框所对应的泊位的标识、所述车辆标识、驶入时间以及驶入视频,其中,所述驶入视频至少包括采样得到所述多帧第二图像和所述第一图像的视频片段。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
分别对所述第一图像后采集的多帧第四图像进行车辆检测处理;
若根据所述多帧第四图像的车辆检测结果确定所述目标车辆不符合所述目标泊位边框的泊位占用条件,则获取所述多帧第四图像中所述目标车辆的车辆跟踪信息;
若根据所述多帧第四图像中所述目标车辆的车辆跟踪信息,确定所述车辆标识出现于所述预警边框内,则确定所述目标车辆驶离所述目标泊位边框所对应的泊位。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
生成与所述目标车辆对应的驶出记录,所述驶出记录中包括所述目标泊位边框所对应的泊位的标识、所述车辆标识、驶出时间以及驶出视频,其中,所述驶出视频至少包括采样得到所述多帧第四图像的视频片段。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述车身预设中心点包括车辆底盘中心点。
8.根据权利要求7所述的方法,其特征在于,所述对所述第一图像进行车辆检测处理,包括:
使用预先训练得到的深度神经网络模型对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框和车辆底盘检测框,所述车辆检测框是指包含完整车辆的检测框;
确定所述车辆底盘检测框的中心点的位置作为所述车辆底盘中心点的位置。
9.根据权利要求7所述的方法,其特征在于,所述对所述第一图像进行车辆检测处理,包括:
使用预先训练得到的深度神经网络模型对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框;
确定所述车辆检测框的底部预设高度占比的子检测框,所述预设高度占比根据车辆底盘距离地面的高度设定;
确定所述子检测框的顶端中心点的位置作为所述车辆底盘中心点的位置。
10.根据权利要求1至6中任一项所述的方法,其特征在于,所述车辆标识包括车牌号和跟踪号,所述跟踪号是对图像进行车辆跟踪处理过程中分配的,同一车辆具有同一跟踪号。
11.一种电子设备,其特征在于,包括:存储器、处理器、通信接口;其中,所述存储器上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至10中任一项所述的确定车辆进出泊位的方法。
12.一种非暂时性机器可读存储介质,其特征在于,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至10中任一项所述的确定车辆进出泊位的方法。
13.一种确定车辆进出路侧泊位的方法,其特征在于,包括:
获取路侧摄像头采集的第一图像,所述路侧摄像头包括设置在路侧泊位同侧的摄像头,所述路侧摄像头覆盖多个路侧泊位;
对所述第一图像进行车辆检测处理,以得到所述第一图像中目标车辆所对应的车辆检测框和车身预设中心点的位置;
若确定所述车辆检测框和车身预设中心点的位置符合目标泊位边框的泊位占用条件,则获取所述第一图像前预设时间内采集的多帧第二图像中所述目标车辆的车辆跟踪信息,所述车辆跟踪信息中包括所述目标车辆的车辆标识在所述多帧第二图像中各自对应的定位位置;其中,所述目标泊位边框是任一所述路侧泊位在所述路侧摄像头的拍摄画面中所对应的图像区域边界;
若根据所述车辆跟踪信息确定所述车辆标识出现于预设的预警边框内,则确定所述目标车辆驶入所述目标泊位边框所对应的路侧泊位停靠;其中,所述预警边框是进出所述多个路侧泊位所需途经的预警区域在所述路侧摄像头的拍摄画面中所对应的图像区域边界,所述预警区域是包围所述多个路侧泊位的车行道区域。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210288663.2A CN114694095A (zh) | 2022-03-22 | 2022-03-22 | 确定车辆进出泊位的方法、装置、设备和存储介质 |
PCT/CN2023/081494 WO2023179416A1 (zh) | 2022-03-22 | 2023-03-15 | 确定车辆进出泊位的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210288663.2A CN114694095A (zh) | 2022-03-22 | 2022-03-22 | 确定车辆进出泊位的方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114694095A true CN114694095A (zh) | 2022-07-01 |
Family
ID=82138964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210288663.2A Pending CN114694095A (zh) | 2022-03-22 | 2022-03-22 | 确定车辆进出泊位的方法、装置、设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114694095A (zh) |
WO (1) | WO2023179416A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359650A (zh) * | 2022-07-06 | 2022-11-18 | 浙江大华技术股份有限公司 | 停车泊位检测方法、装置、计算机设备和存储介质 |
WO2023179416A1 (zh) * | 2022-03-22 | 2023-09-28 | 阿里云计算有限公司 | 确定车辆进出泊位的方法、装置、设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117765417B (zh) * | 2023-12-20 | 2024-07-09 | 城市大脑(广州)科技有限公司 | 一种基于无人机的共享车辆巡检方法、装置及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9672434B2 (en) * | 2015-07-22 | 2017-06-06 | Conduent Business Services, Llc | Video-based system and method for parking occupancy detection |
CN109800696A (zh) * | 2019-01-09 | 2019-05-24 | 深圳中兴网信科技有限公司 | 目标车辆的监控方法、系统和计算机可读存储介质 |
CN112002131A (zh) * | 2020-07-16 | 2020-11-27 | 深圳云游四海信息科技有限公司 | 路内停车行为检测方法及装置 |
CN113487649B (zh) * | 2021-05-20 | 2022-12-06 | 浙江大华技术股份有限公司 | 一种车辆检测方法、装置以及计算机存储介质 |
CN114694095A (zh) * | 2022-03-22 | 2022-07-01 | 阿里云计算有限公司 | 确定车辆进出泊位的方法、装置、设备和存储介质 |
-
2022
- 2022-03-22 CN CN202210288663.2A patent/CN114694095A/zh active Pending
-
2023
- 2023-03-15 WO PCT/CN2023/081494 patent/WO2023179416A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023179416A1 (zh) * | 2022-03-22 | 2023-09-28 | 阿里云计算有限公司 | 确定车辆进出泊位的方法、装置、设备和存储介质 |
CN115359650A (zh) * | 2022-07-06 | 2022-11-18 | 浙江大华技术股份有限公司 | 停车泊位检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023179416A1 (zh) | 2023-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765976B (zh) | 路侧平行停车信息管理系统及方法 | |
CN114694095A (zh) | 确定车辆进出泊位的方法、装置、设备和存储介质 | |
CN107240299B (zh) | 自主驾驶车辆对移动物体识别以及车辆避障的方法 | |
CN102254429B (zh) | 一种应用基于视频识别的违章车辆检测装置的违章车辆检测方法 | |
CN101510356B (zh) | 视频检测系统及其数据处理装置、视频检测方法 | |
CN103778786B (zh) | 一种基于显著车辆部件模型的交通违章检测方法 | |
CN100578562C (zh) | 用视频监测车辆违法行为的方法 | |
CN100507970C (zh) | 基于数字摄像机的闯红灯检测系统及方法 | |
CN108921956A (zh) | 一种基于视频分析技术的路边停车收费管理方法 | |
CN105046966A (zh) | 即停即离区域的违章停车行为自动检测系统和方法 | |
CN111476169B (zh) | 一种基于视频帧的复杂场景路侧停车行为识别方法 | |
CN102298844A (zh) | 自动违章车辆检测系统和方法 | |
CN108765975B (zh) | 路侧垂直停车场管理系统及方法 | |
CN105632186A (zh) | 检测车辆加塞行为的方法和装置 | |
CN112258668A (zh) | 基于高位摄像头对路边车辆停车行为的检测方法 | |
CN111739335A (zh) | 一种基于视觉差的停车检测方法及装置 | |
CN108154146A (zh) | 一种基于图像识别的车辆追踪方法 | |
CN114898296A (zh) | 基于毫米波雷达与视觉融合的公交车道占用检测方法 | |
CN204856897U (zh) | 一种机动车即停即离区域的违章检测装置 | |
CN105574502A (zh) | 一种自助发卡机违章行为自动检测方法 | |
CN111696364A (zh) | 一种路侧停车管理方法 | |
CN113055649A (zh) | 一种隧道智能视频监控方法、装置、智能终端及存储介质 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN114781479A (zh) | 交通事件检测方法及装置 | |
CN111523385B (zh) | 一种基于帧差法的静止车辆检测方法及系统 |
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 |