CN114694124A - 一种车位状态检测方法、装置和存储介质 - Google Patents
一种车位状态检测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114694124A CN114694124A CN202210603033.XA CN202210603033A CN114694124A CN 114694124 A CN114694124 A CN 114694124A CN 202210603033 A CN202210603033 A CN 202210603033A CN 114694124 A CN114694124 A CN 114694124A
- Authority
- CN
- China
- Prior art keywords
- parking space
- state
- detection
- quasi
- space state
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例提供一种车位状态检测方法、装置和存储介质。其中,所述方法包括:在预设的检测触发事件发生时,获取针对车位的拍摄图像;根据所述拍摄图像,利用预先训练好的至少两个检测模型分别确定准车位状态;根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态。本公开实施例提供的车位状态检测方案,通过基于拍摄图像的多模型并行检测,综合确定车位占用状态,在不增加硬件设备的前提下,提升了车位状态检测的准确性。
Description
技术领域
本发明涉及但不限于智能停车领域,具体涉及一种车位状态检测方法、装置和存储介质。
背景技术
随着智能交通技术的发展,在行车、停车等方面的各项系统越来越自动,智能化程度不断提升,大大降低了人工管理的复杂性和成本。特别是智能停车系统中,车位占用状态的检测是后续停车引导、收费等业务的数据基础,如何进一步提升车位占用状态检测准确性,并有效控制系统成本,仍然是该领域不断探索改进的方向。
发明内容
本公开实施例提供一种车位状态检测方法、装置和存储介质,通过基于拍摄图像的多模型并行检测,综合确定车位占用状态,在不增加硬件设备的前提下,提升了车位状态检测的准确性。
本公开实施例提供一种车位状态检测方法,包括:
在预设的检测触发事件发生时,获取针对车位的拍摄图像;
根据所述拍摄图像,利用预先训练好的至少两个检测模型分别确定准车位状态;
根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态;
其中,所述车位状态指示车位是否被占用。
本公开实施例还提供一种车位状态检测装置,包括:
图像获取模块,设置为在预设的检测触发事件发生时,获取针对车位的拍摄图像;
检测模块,设置为根据所述拍摄图像,利用预先训练好的至少两个检测模型分别确定准车位状态;根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态;
其中,所述车位状态指示车位是否被占用。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开任一实施例所述的车位状态检测方法。
在阅读并理解了附图和详细描述后,可以明白其他方面。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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示出的结构获得其他的附图。
图1为本公开实施例中一种车位状态检测方法流程图;
图2a为本公开实施例中一种YOLO车辆检测模型进行准车位状态检测的车位影像示意图;
图2b为本公开实施例中一种YOLO车辆检测模型进行准车位状态检测的检测流程示意图;
图3为本公开实施例中一种基于VGG13的二分类模型进行准车位状态检测的示意图;
图4为本公开实施例中一种基于LENET的多分类模型进行准车位状态检测的示意图;
图5a-图5b为本公开实施例中进行图像色彩域迁移处理的效果示意图;
图6为本公开实施例中另一种车位状态检测方法流程图;
图7为本公开实施例中一种车位状态检测装置结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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,所描述的实施例仅仅是本发明的一部分实施例,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。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
相关方案中,采用车位状态检测算法与车牌识别算法,汽车状态识别算法等算法强耦合的方式进行车位占用状态检测。例如:首先通过车牌识别算法发现车牌,汽车状态算法根据车牌的变大/缩小来判断汽车状态是驶入/离开。根据汽车驶入/离开的状态来判断车位是占用/空闲。由于目前的人工智能技术本质的黑盒属性,类似电池串联的算法串联,会带来指数级的错误率增大。例如,三个不同的算法都是0.9的准确率,串联以后准确率降低至0.9*0.9*0.9 =0.729。
另一些可实现方案中,为了减少单次算法判断造成的误差,业界有一种比较粗暴的解决方式:一个车位安装两个摄像头,通过两个摄像头的交叉判断来减少误判的可能性。但是,这种堆叠硬件的方式不仅极大的增加了车位的成本,还与节能减排的大环境背道而驰。
研究发现,各类单独的车位检测算法根据实现方式,在不同的情况下各有所长,例如,基于车辆检测的模型(先检测车辆再判断与车位的重叠程度)再判断空车位的时候很准确(因为检测不到车辆),但是遇到路过车辆较多/车主来回倒车的情况很容易形成误判(车辆经过也识别为车位被占用)。基于二分类的模型不需要车辆框体数据集,但是遇到特殊反光,跨车位停车等特殊情况容易形成误判。这种现象从学术的角度也有体现,两个不同结构的模型,用同一批的数据训练,准确率可能相差无几,但是判断逻辑却截然不同。(例如:通过对模型中间层进行可解释性可视化分析,两个相似准确率的检测小鸟的模型,可能模型内部的检测逻辑截然不同,一个注重于看鸟嘴,一个注重于看羽毛。)因此,本公开实施例方案提出采用不同结构的AI模型互相并联配合可以起到类似于安装多个摄像头的互相配合、查漏补缺的作用。
本公开实施例提供一种车位状态检测方法,如图1所示,包括:
步骤110,在预设的检测触发事件发生时,获取针对车位的拍摄图像;
步骤120,根据所述拍摄图像,利用预先训练好的至少两个检测模型分别确定准车位状态;
步骤130,根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态;
其中,所述车位状态指示车位是否被占用。即车位状态包括:占用和未占用;占用也称为占位,未占用也称为空闲或空位。
一些示例性实施例中,所述预设的检测触发事件至少包括以下之一:
设置的检测间隔时间到来;
车位光传感器感应状态变化;
车位地感线圈感应状态变化;
车位电磁波传感器感应状态变化。
一些示例性实施例中,检测时间间隔为5/10/30/60秒,则每隔5/10/30/60秒进行轮询拍摄针对车位的图像,基于所拍摄的图像进行车位状态确定。具体间隔根据系统处理能力灵活设定,不限于特定的数值。
可以看到,根据设定时间间隔上针对车位的瞬时图像进行车位状态的检测,通过轮询机制可以在车位状态检测这一项任务中达到与视频流处理相似的结果,但大大减少了服务器硬件的负载。例如,因为停车/驶离的过程一般会持续10~120秒的时间,以30帧的视频,驶进/驶出状态持续30秒为例,视频流处理需要30*30=900次处理,而以5秒为间隔,本公开实施例方案制只需要处理 30/5 = 6次。
一些示例性实施例中,根据车位上安装的光传感器的感应状态变化触发拍摄并获取车位拍摄图像;例如,根据光线的遮挡与否的变化,触发执行步骤110。或者,根据车位下方安装的地感线圈的感应状态的变化触发拍摄并获取车位拍摄图像。或者,根据车位上安装的雷达对车辆距离的感应的变化触发拍摄并获取车位拍摄图像。各类型传感器的具体感应方案根据相关技术方案实施,在此不进行详细讨论。需要说明的是,这里记载的“车位上”表示相关传感器能够感应对应车位的状况,并不用于限定传感器的具体安装位置,根据车位类型的不同,对应安装在合适的位置即可,在此,不详细讨论具体安装方式。其中,各传感器不限于特点型号,根据需要选择即可。
一些示例性实施例中,所述检测模型包括以下模型中的至少两个:
基于深度神经网络的目标物检测模型、基于二分类的检测模型、基于多分类的检测模型。
一些示例性实施例中,所述利用预先训练好的至少两个检测模型分别确定准车位状态,包括:
根据所述基于深度神经网络的目标物检测模型进行车辆检测,根据检测出的车辆区域与预设的车位区域的重合度确定准车位状态;
和/或,
根据所述基于二分类的检测模型输出的第一模型输出值,计算所述第一模型输出值与代表未占用状态的第一标准值的第一差值,计算所述第一模型输出值与代表未用状态的第二标准值的第二差值;在所述第一差值小于或等于所述第二差值的情况下,确定准车位状态为未占用,在所述第一差值大于所述第二差值的情况下,确定准车位状态为占用;
和/或,
根据所述基于多分类的检测模型输出的代表占用状态的第一概率值和代表未占用状态的第二概率值,从中选择大概率值对应的状态为准车位状态。可以理解,在检测模型为所述基于深度神经网络的目标物检测模型的情况下,所述目标物为车辆,根据所述基于深度神经网络进行车辆检测,根据检测出的车辆区域与预设的车位区域的重合度确定准车位状态。
所述根据检测出的车辆区域与预设的车位区域的重合度确定准车位状态,包括:
根据检测出的车辆区域与预设的车位区域确定重合区域,计算重合区域与预设车位区域的比值为重合度,在重合度大于重合度阈值时,确定准车位状态为占用状态,在重合度小于或等于重合度阈值时,确定准车位状态为未占用状态(空闲)。
在检测模型为基于二分类的检测模型的情况下,根据所述基于二分类的检测模型输出的第一模型输出值,计算所述第一模型输出值与第一标准值的第一差值,计算所述第一模型输出值与第二标准值的第二差值,根据所述第一差值和第二差值确定准车位状态。
其中,第一标准值为未占用状态车位对应的模型标准输出值;第二标准值为占用状态车位对应的模型标准输出值;即在所述二分类检测模型中第一标准值代表未占用状态,第二标准值代表占用状态。
所述根据所述第一差值和第二差值确定准车位状态,包括:
在第一差值小于或等于第二差值的情况下,确定所述准车位状态为第一标准值对应的未占用状态;在第一差值大于第二差值的情况下,确定所述准车位状态为第二标准值对应的占用状态,在第一差值小于或等于第二差值的情况下,确定所述准车位状态为第一标准值对应的未占用状态。
在检测模型为基于多分类的检测模型的情况下,根据所述基于多分类的检测模型输出的代表占用状态的第一概率值和代表未占用状态的第二概率值,从中选择大概率值对应的状态为准车位状态。
可以理解,基于多分类的检测模型,一次模型检测输出2个概率值,第一概率值代表占用状态的概率,第二概率值代表未占用状态的概率,取概率更大的状态作为该模型所确定的准车位状态。
一些示例性实施例中,所述基于深度神经网络的目标物检测模型为YOLO(YouOnly Look Once: Unified, Real-Time Object Detection)车辆检测模型,记为A模型;
所述基于二分类的检测模型为基于VGG(Visual Geometry Group,计算机视觉组)13的二分类模型,记为B模型;
所述基于多分类的检测模型为基于LENET的多分类模型,记为C模型。
一些示例性实施例中,所述基于二分类的检测模型为基于VGG16的二分类模型;或者,为基于VGG19的二分类模型。
一些示例性实施例中,采用YOLO车辆检测模型进行准车位状态检测,包括:先检测出影像中的车辆,再用车辆占用的边界框与预先画好的车位情况做比对,交集大于阈值则判定占用,小于阈值则判定空闲。如图2a和图2b所示。
一些示例性实施例中,基于VGG13的二分类模型,该模型训练后确定的第一标准值为0,第二标准值为1,根据该模型输出的第一模型输出值:一个0~1之间的值,越接近1(即,第一差值大于第二差值)则占用的概率越大,越接近0(即,第一差值小于或等于第二差值)则空位的概率越大。分类示意,如图3所示。
一些示例性实施例中,基于LENET的多分类模型,模型输出两个概率值:1个代表占位的概率,即第一概率值,1个代表空位的概率,即第二概率值,取概率更大的一个准状态作为输出。分类示意,如图4所示。
一些示例性实施例中,所述至少两个检测模型采用同一批车位状态训练数据分别进行模型训练;
其中,所述车位状态训练数据为针对车位拍摄的并标注了车位状态的拍摄图像。
需要说明的是,一些实施例中,采样上述A、B、C三种模型分别检测,这三种检测模型虽然结构、原理、层数不同,但是训练方式类似,如下几个步骤:
1、车位状态训练数据集X=[x1,x2,..,xN]和目标Y=[y1, y2...,yn],然后根据上述A,B,C定义学习网络模型函数y_A = F_a(w|x),y_B = F_b(w|x),y_C = F_c(w|x),其中w-模型权重,x-输入图像和y-车位状态;
2、取一张输入图像x,分别代入第一步中的y_A,y_B,y_C得到y_pred_A,y_pred_B,y_pred_C.
3、分别计算损失l_A=L(y_pred_A, y), l_B=L(y_pred_B, y),l_C=L(y_pred_C,y),
4、分别利用反向传播算法更新学习模型A,B,C的参数w;
5、重复第2步到第4步训练,直到获取到准确率达标的模型。
如果采用其他的检测模型,则利用同一批车位状态训练数据根据各模型对应的训练方法进行训练即可,具体训练过程在此不一一讨论。
一些示例性实施例中,所述拍摄图像在用于车位状态训练和用于确定准车位状态之前,所述方法还包含:
对所述拍摄图像进行色彩域迁移处理,以使得处理后的拍摄图像符合第一色彩域标准。
需要说明的是,由于摄像头硬件/所处环境的不确定性,传统的算法模型可能在实验数据上表现良好,但在极端情况下(黑暗环境/车灯反光等)的成像质量差,不利于算法识别。因此,在训练和准车位状态检测两个阶段,均进行色彩域迁移处理,将用于训练和检测的拍摄图像统一至相似的色彩域,均满足统一的第一色彩域标准,从而有效提升生成应用场景下的检测准确率。
一些示例性实施例中,使用AI(人工智能)图像色彩域迁徙技术(也称为色彩域迁移),进行拍摄图像的色彩域迁移处理。例如,一些示例性实施例中,处理前图像如图5a,包括的4个图像具有不同的彩色域。一些示例性实施例中,处理后如图5b所示,经过色彩域迁移后,4个图像具有相似的色彩域。色彩域迁移的具体实施方式在本公开实施例中不进一步详细讨论。
例如,在车位状态检测方案上线运行之前,利用一个或多个车位上的拍摄头进行定期抓拍,获取一定数量的拍摄图像,例如,获取40000张车位拍摄图像,经过数据清洗、整理、去重、人工标注,形成了19000余张车位状态训练数据,也称为车位状态训练集。
一些示例性实施例中,对这些车位状态训练集中的拍摄图像采用进行AI图像色彩域迁徙处理,得到色彩域统一的用于进行车位状态训练的图像。
一些示例性实施例中,步骤130包括:
在至少两个检测模型分别确定的准车位状态一致的情况下,将所确定的准车位状态作为所述车位状态;
在至少两个检测模型中的每个模型确定的准车位状态不一致的情况下,统计准车位状态票数,以票数最多的准车位状态为最终输出结果;其中,所述至少两个检测模型数量为奇数。
一些示例性实施例中,步骤130包括:
根据各检测模型预设的统计权重,计算占用总权重和未占用总权重;在所述占用总权重大于所述未占用总权重的情况下,确定所述车位状态为占用,在所述占用总权重小于或等于所述未占用总权重的情况下,确定所述车位状态为未占用;
其中,所述占用总权重为准车位状态为占用状态的检测模型的统计权重之和,所述未占用总权重为准车位状态为未占用状态的检测模型的统计权重之和。
例如,所述至少两个检测模型为5个检测模型,预设的统计权重为:5,5,3,3,2,对应得到的准车位状态(模型检测结果)为:占用、占用、未占用、未占用、未占用,则计算得到占用总权重=5+5=10,未占用总权重=3+3+2=8,10大于8,则确定车位状态为占用。需要说明的是,各检测模型的统计权重根据样本数据测试情况确定后相应设置,检测准确率越高的检测模型,其统计权重越大。
一些示例性实施例中,所述方法还包括:针对所述车位,记录前一次确定的车位状态。每一次执行步骤110-130确定了当前的车位状态后,记录所确定的结果,作为下一次执行过程中的前一次确定的车位状态。所述前一次确定的车位状态的初始值为空。
一些示例性实施例中,所述至少两个检测模型包括N个第一类检测模型和M个第二类检测模块;|N-M|<第一差值阈值,N和M均为正整数;步骤130包括:
在至少两个检测模型分别确定的准车位状态一致的情况下,将所确定的准车位状态作为所述车位状态;
在至少两个检测模型分别确定的准车位状态不一致的情况下,确定票数最多的准车位状态;在票数最多的准车位状态为占用状态时,根据所述N个第一类检测模型确定的准车位状态,确定所述车位状态;在票数最多的准车位状态为未占用状态时,根据所述M个第二类检测模型确定的准车位状态,确定所述车位状态;
其中,所述第一类检测模块为占用状态检测准确率大于第一准确率阈值的检测模型,所述第二类检测模块为未占用状态检测准确率大于第二准确率阈值的检测模型。
一些示例性实施例中,第一差值阈值为1,则|N-M|<1,则N=M,即两类模型的数量相等。第一差值阈值为2,则|N-M|<2,即两类模型的数量相差1。
需要说明的是,第一准确率阈值和第二准确率阈值独立设置,可以相同也可以不同。
一些示例性实施例中,所述根据所述N个第一类检测模型确定的准车位状态,确定所述车位状态,包括:
根据各第一类检测模型的权重,计算所述N个第一类检测模型确定的准车位状态为占用状态的检测模型的总权重,记为第一占用总权重;
根据各第一类检测模型的权重,计算所述N个第一类检测模型确定的准车位状态为未占用状态的检测模型的总权重,记为第一未占用总权重;
在所述第一占用总权重大于所述第一未占用总权重的情况下,确定所述车位状态为占用状态;在所述第一占用总权重小于或等于所述第一未占用总权重的情况下,确定所述车位状态保持前一次确定的车位状态;
所述根据所述M个第二类检测模型确定的准车位状态,确定所述车位状态,包括:
根据各第二类检测模型的权重,计算所述M个第二类检测模型确定的准车位状态为占用状态的检测模型的总权重,记为第二占用总权重;
根据各第二类检测模型的权重,计算所述M个第二类检测模型确定的准车位状态为未占用状态的检测模型的总权重,记为第二未占用总权重;
在所述第二未占用总权重大于所述第二占用总权重的情况下,确定所述车位状态为未占用状态;在所述第二未占用总权重小于或等于所述第二占用总权重的情况下,确定所述车位状态保持前一次确定的车位状态。
一些示例性实施例中,所述根据所述N个第一类检测模型确定的准车位状态,确定所述车位状态,包括:
在所述N个第一类检测模型确定的准车位状态中占用状态为多数的情况下,确定所述车位状态为占用状态,在所述N个第一类检测模型确定的准车位状态中未占用状态为多数的情况下,确定所述车位状态保持前一次确定的车位状态;
所述根据所述M个第二类检测模型确定的准车位状态,确定所述车位状态,包括:
在所述M个第二类检测模型确定的准车位状态中未占用状态为多数的情况下,确定所述车位状态为未占用状态,在所述M个第一类检测模型确定的准车位状态中占用状态为多数的情况下,确定所述车位状态保持前一次确定的车位状态;
其中,在所述前一次确定的车位状态为空的情况下,所述确定所述车位状态保持前一次确定的车位状态,包括:
确定所述车位状态为所述至少两个检测模型确定结果中票数最多的准车位状态;
其中,所述N和M均为奇数。
可以看到,一些示例性实施例中,当多个检测模型各自的检测结果相同时,采纳这个相同的结果作为最终确定的车位状态。在多个检测模块各自的检测结果不同时,需要进行投票,首先确定票数最多的准车位状态,再根据不同检测模型的特点进行车位状态确定或保持前一次执行所述车位状态检测方法时所确定的车位状态。其中,前一次执行所述车位状态检测方法的触发事件与当前执行车位状态检测的触发事件可以相同也可以不同。
一些示例性实施例中,所述至少两个检测模型中包括至少2类模型:第一类检测模型和第二类检测模型;所述第一类检测模块为占用状态检测准确率大于第一准确率阈值的检测模型,所述第二类检测模块为未占用状态检测准确率大于第二准确率阈值的检测模型。
需要说明的是,这里某一检测模型的占用状态检测准确率或者未占用状态检测成功率均指该检测模型单独检测时的准确率,是在各模型完成训练后,采用相同的测试样本,进行测试验证后确定。具体的准确率确定方案不在本公开实施例中详细讨论。
一些示例性实施例中,所述至少两个检测模型数量为奇数,第一类检测模型数量为奇数,第二类检测模型数量为奇数。
一些示例性实施例中,所述至少两个检测模型为3个:YOLO车辆检测模型、基于VGG13的二分类模型和基于LENET的多分类模型;其中,第一类检测模型为1个:基于LENET的多分类模型,该模型是占用状态检测准确率大于第一准确率阈值的检测模型;第二类检测模型为1个:YOLO车辆检测模型,该模型是未占用状态检测准确率大于第二准确率阈值的检测模型。
一些示例性实施例中,在针对某一车位首次执行车位状态检测时,由于前一次所确定的车位状态为空,则确定所述车位状态为所述至少两个检测模型确定结果中票数最多的准车位状态;
可选地,在针对某一车位首次执行车位状态检测时,由于前一次所确定的车位状态为空,可以采用所述至少两个检测模型中奇数个第三类检测模型所确定的数量多的准车位状态为所述车位状态。
其中,所述第三类检测模型为占用状态检测准确率大于第三准确率阈值,且未占用状态检测准确率大于第四准确率阈值的检测模型。
可以看到,所述第三类检测模型属于占用状态检测准确率和未占用状态检测准确均较高的模型。例如,3个检测模型中的基于VGG13的二分类模型为第三类检测模型。
一些示例性实施例中,所述第一准确率阈值大于或等于第三准确率阈值。
一些示例性实施例中,所述第二准确率阈值大于或等于第四准确率阈值。
例如,共3个检测模型,2个模型确定的准车位状态为占用,1个模型确定的准车位状态为未占用,则票数最多的准车位状态为占用;如果,2个模型确定的准车位状态为未占用,1个模型确定的准车位状态为占用,则票数最多的准车位状态为未占用。
一些示例性实施例中,所述至少两个检测模型为奇数个检测模型。
一些示例性实施例中,所述检测模型包括3个:YOLO车辆检测模型(A)、基于VGG13的二分类模型(B)和基于LENET的多分类模型(C)。
根据前述19000个拍摄图像对A、B、C三个检测模型完成训练后,分别利用训练好的模型进行各模型检测结果的统计。使用了5000张模型未见过的测试集进行测试,发现了各自模型针对占用/空闲两种状态不同的正确率。
其中,模型A:测试结果为空闲(未占用)正确率99.99%,占位(占用)正确率98.43%。原因分析:车辆检测器的工作原理决定了模型只会偶尔漏检图片上的车辆,不会把非车辆的物体检测为车辆。与测试结果相符,模型A判断车位为空闲(未占用)的时候相比其他两个模型更可信,可作为空闲(未占用)状态的主要判断依据。
模型B:测试结果为空闲(未占用)正确率99.23%,占位(占用)正确率99.29%。此模型空闲(未占用)正确率与占位(占用)正确率相差不大,可作为A,C模型无法达成一致时的主要判断依据。
模型C:测试结果为空闲(未占用)正确率98.56%,占位(占用)正确率99.94%。原因分析:此模型由于参数层少(2层卷积),偏向于学习“车辆遮挡车位线“这个简单特征,因此占位(占用)正确率更高,可作为占位(占用)状态的主要判断依据。
基于上述测试分析,一些示例性实施例中,第一类检测模型为基于LENET的多分类模型,第二类检测模型为述YOLO车辆检测模型。则步骤130包括:
在三个检测模型分别确定的准车位状态一致的情况下,将所确定的准车位状态作为所述车位状态;
在三个检测模型分别确定的准车位状态不一致的情况下,确定票数最多的准车位状态;在票数最多的准车位状态为占用状态时,在所述基于LENET的多分类模型所确定的准车位状态为占用状态的情况下,确定所述车位状态为占用状态,在所述基于LENET的多分类模型所确定的准车位状态为未占用状态的情况下,确定所述车位状态保持前一次确定的车位状态;在票数最多的准车位状态为未占用状态时,在所述YOLO车辆检测模型所确定的准车位状态为未占用状态的情况下,确定所述车位状态为未占用状态,在所述YOLO车辆检测模型所确定的准车位状态为占用状态的情况下,确定所述车位状态保持前一次确定的车位状态。
例如,在三个检测模型分别确定的准车位状态不一致的情况下,如果票数为2票空闲,1票占用:
则进一步看模型A那一票是否为空闲,如果是则输出空闲状态(0:空闲),否则输出(-1:暂不更改,即保持前一次车位状态检测结果)
如果票数为2票占用,1票空闲:
则进一步看模型C那一票是否为占用,如果是则输出占用状态(1:占用),否则输出(-1:暂不更改,即保持前一次车位状态检测结果)
实验测试数据统计如下:
模型 | 空闲状态准确率 | 占位状态准确率 |
A | 99.99% | 98.43% |
B | 99.23% | 99.28% |
C | 98.56% | 99.94% |
加入投票的本申请实施例方案 | 99.92% | 100% |
相比于采用某一模型单独进行车位状态检测,采用本公开实施例所提供的多模型并行检测,投票确定检测结果的方案,对于空闲或占位的检测准确率都有显著提升。
本公开实施例还提供一种车位状态检测方法,如图6所示,包括:
步骤610,设定的检测间隔到来,获取针对车位的拍摄图像;
步骤620,对拍摄图像进行色彩域迁移处理;
步骤630-1,采用深度神经网络的检测模型确定准车位状态,记为第一准车位状态;
步骤630-2,采用基于二分类的检测模型确定准车位状态,记为第二准车位状态;
步骤630-3,采用基于多分类的检测模型确定准车位状态,记为第三准车位状态;
步骤640,根据三个准车位状态,按照设定的投票规则,确定所述车位状态;
步骤650,等待下一个检测间隔时间到来。
其中,各步骤的具体方案参照前述实施例执行,在此不一一赘述。
本公开实施例还提供一种车位状态检测装置70,如图7所示,包括:
图像获取模块710,设置为在预设的检测触发事件发生时,获取针对车位的拍摄图像;
检测模块720,设置为根据所述拍摄图像,利用预先训练好的至少两个检测模型分别确定准车位状态;根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态;
其中,所述车位状态指示车位是否被占用。
本公开实施例还提供一种车位状态检测系统,包括:
照相机和车位状态检测装置;
所述照相机,设置为针对车位进行拍摄;
所述车位状态检测装置设置为,在预设的检测触发事件发生时,触发所述照相机获取针对车位的拍摄图像;根据所述拍摄图像,利用预先训练好的至少两个检测模型分别确定准车位状态;根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态;
其中,所述车位状态指示车位是否被占用。
本公开实施例还提供一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一实施例中所述的车位状态检测方法。
本公开实施例还提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一实施例中所述的车位状态检测方法。
本公开实施例提供的车位状态检测方案,通过技术解耦,把原本依赖于视频流/车牌状态(放大/缩小)/车辆状态(驶入/驶出)最终判断车位状态的串联算法判断过程简化为直接判断某一瞬间车位状态的问题,提高了算法准确率,降低了处理延迟。通过“并联“模型的方法,一定程度上模拟了安装多个摄像头同时检测状态的投票机制,在不用增加硬件设施的情况下,进一步提高了检测方法的准确率。一些示例性实施例中,判断瞬间车位状态的方法,通过轮询(间隔5s/10s/30s/60s视具体服务器配置而定)机制可以在车位状态检测这一项任务中达到与视频流处理相似的结果,但大大减少了服务器硬件的负载,具有显著的技术进步。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于 RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种车位状态检测方法,其特征在于,包括:
在预设的检测触发事件发生时,获取针对车位的拍摄图像;
根据所述拍摄图像,利用预先训练好的至少两个检测模型分别确定准车位状态;
根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态;
其中,所述车位状态指示车位是否被占用。
2.如权利要求1所述的车位状态检测方法,其特征在于,
所述预设的检测触发事件至少包括以下之一:
设置的检测间隔时间到来;
车位光传感器感应状态变化;
车位地感线圈感应状态变化;
车位电磁波传感器感应状态变化。
3.如权利要求1或2所述的车位状态检测方法,其特征在于,
所述检测模型包括以下模型中的至少两个:
基于深度神经网络的目标物检测模型、基于二分类的检测模型、基于多分类的检测模型。
4.如权利要求3所述的车位状态检测方法,其特征在于,
所述利用预先训练好的至少两个检测模型分别确定准车位状态,包括:
根据所述基于深度神经网络的目标物检测模型进行车辆检测,根据检测出的车辆区域与预设的车位区域的重合度确定准车位状态;
和/或,
根据所述基于二分类的检测模型输出的第一模型输出值,计算所述第一模型输出值与代表未占用状态的第一标准值的第一差值,计算所述第一模型输出值与代表占用状态的第二标准值的第二差值;在所述第一差值小于或等于所述第二差值的情况下,确定准车位状态为未占用,在所述第一差值大于所述第二差值的情况下,确定准车位状态为占用;
和/或,
根据所述基于多分类的检测模型输出的代表占用状态的第一概率值和代表未占用状态的第二概率值,从中选择大概率值对应的状态为准车位状态。
5.如权利要求3所述的车位状态检测方法,其特征在于,
所述至少两个检测模型采用同一批车位状态训练数据分别预先进行模型训练;其中,所述车位状态训练数据为针对车位拍摄的并标注了车位状态的拍摄图像;
所述拍摄图像在用于车位状态训练和用于确定准车位状态之前,所述方法还包含:
对所述拍摄图像进行色彩域迁移处理,以使得处理后的拍摄图像符合第一色彩域标准。
6.如权利要求1或2所述的车位状态检测方法,其特征在于,
所述根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态,包括:
在至少两个检测模型分别确定的准车位状态一致的情况下,将所确定的准车位状态作为所述车位状态;在至少两个检测模型中的每个模型确定的准车位状态不一致的情况下,统计准车位状态票数,以票数最多的准车位状态为最终输出结果;其中,所述至少两个检测模型数量为奇数;
或者,
根据各检测模型预设的统计权重,计算占用总权重和未占用总权重;在所述占用总权重大于所述未占用总权重的情况下,确定所述车位状态为占用,在所述占用总权重小于或等于所述未占用总权重的情况下,确定所述车位状态为未占用;
其中,所述占用总权重为准车位状态为占用状态的检测模型的统计权重之和,所述未占用总权重为准车位状态为未占用状态的检测模型的统计权重之和。
7.如权利要求1或2所述的车位状态检测方法,其特征在于,
所述方法还包括:针对所述车位,记录前一次确定的车位状态;
所述至少两个检测模型至少包括N个第一类检测模型和M个第二类检测模块;|N-M|<第一差值阈值,N和M均为正整数;
所述根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态,包括:
通过设置检测时间间隔的方式,在检测时刻分别用每一个检测模型对车位状态进行检测,每一个检测模型分别对应输出结果为准车位状态;
在至少两个检测模型分别确定的准车位状态一致的情况下,将所确定的准车位状态作为所述车位状态;
在至少两个检测模型分别确定的准车位状态不一致的情况下,确定票数最多的准车位状态;在票数最多的准车位状态为占用状态时,根据所述N个第一类检测模型确定的准车位状态,确定所述车位状态;在票数最多的准车位状态为未占用状态时,根据所述M个第二类检测模型确定的准车位状态,确定所述车位状态;
其中,所述第一类检测模型为占用状态检测准确率大于第一准确率阈值的检测模型,所述第二类检测模型为未占用状态检测准确率大于第二准确率阈值的检测模型。
8.如权利要求1或2所述的车位状态检测方法,其特征在于,
所述方法还包括:针对所述车位,记录前一次确定的车位状态;
所述检测模型包括:YOLO车辆检测模型、基于VGG13的二分类模型和基于LENET的多分类模型;
所述根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态,包括:
在三个检测模型分别确定的准车位状态一致的情况下,将所确定的准车位状态作为所述车位状态;
在三个检测模型分别确定的准车位状态不一致的情况下,确定票数最多的准车位状态;在票数最多的准车位状态为占用状态时,在所述基于LENET的多分类模型所确定的准车位状态为占用状态的情况下,确定所述车位状态为占用状态,在所述基于LENET的多分类模型所确定的准车位状态为未占用状态的情况下,确定所述车位状态保持前一次确定的车位状态;在票数最多的准车位状态为未占用状态时,在所述YOLO车辆检测模型所确定的准车位状态为未占用状态的情况下,确定所述车位状态为未占用状态,在所述YOLO车辆检测模型所确定的准车位状态为占用状态的情况下,确定所述车位状态保持前一次确定的车位状态;
其中,在所述前一次确定的车位状态为空的情况下,所述确定所述车位状态保持前一次确定的车位状态,包括:
确定所述车位状态为三个检测模型确定结果中票数最多的准车位状态。
9.一种车位状态检测装置,其特征在于,包括:
图像获取模块,设置为在预设的检测触发事件发生时,获取针对车位的拍摄图像;
检测模块,设置为根据所述拍摄图像,利用预先训练好的至少两个检测模型分别确定准车位状态;根据所述至少两个检测模型所确定的准车位状态,按照设定的投票规则,确定所述车位状态;
其中,所述车位状态指示车位是否被占用。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一项所述的车位状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603033.XA CN114694124B (zh) | 2022-05-31 | 2022-05-31 | 一种车位状态检测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603033.XA CN114694124B (zh) | 2022-05-31 | 2022-05-31 | 一种车位状态检测方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114694124A true CN114694124A (zh) | 2022-07-01 |
CN114694124B CN114694124B (zh) | 2022-08-26 |
Family
ID=82131320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210603033.XA Active CN114694124B (zh) | 2022-05-31 | 2022-05-31 | 一种车位状态检测方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114694124B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170053192A1 (en) * | 2015-08-18 | 2017-02-23 | Parking Vision Information Technologies, INC. | Systems and methods for detecting parking occupancy status |
EP3223259A1 (en) * | 2016-03-24 | 2017-09-27 | Paradox Engineering SA | Improved combined system for determining the free or occupied state of a parking space in a car park |
CN107665603A (zh) * | 2017-09-06 | 2018-02-06 | 哈尔滨工程大学 | 一种判定车位占用的实时检测方法 |
CN107784290A (zh) * | 2017-11-03 | 2018-03-09 | 浙江工业大学 | 一种停车位占用图像智能识别的方法 |
US20180095474A1 (en) * | 2016-09-30 | 2018-04-05 | Faraday&Future Inc. | Methods and systems for camera-based autonomous parking |
CN108288386A (zh) * | 2018-01-29 | 2018-07-17 | 深圳信路通智能技术有限公司 | 基于视频的路内停车跟踪方法 |
US20180240337A1 (en) * | 2015-10-27 | 2018-08-23 | Municipal Parking Services, Inc. | Parking space detection method and system |
CN109034211A (zh) * | 2018-07-04 | 2018-12-18 | 广州市捷众智能科技有限公司 | 一种基于机器学习的车位状态检测方法 |
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 |
CN109817013A (zh) * | 2018-12-19 | 2019-05-28 | 新大陆数字技术股份有限公司 | 基于视频流的停车位状态识别方法及装置 |
CN111739333A (zh) * | 2019-03-25 | 2020-10-02 | 大陆泰密克汽车系统(上海)有限公司 | 一种空车位识别方法 |
CN113111145A (zh) * | 2021-04-15 | 2021-07-13 | 杭州图软科技有限公司 | 一种智慧公交系统及实现方法 |
CN114283585A (zh) * | 2021-03-30 | 2022-04-05 | 厦门云之拓科技有限公司 | 一种路侧停车识别方法和装置 |
CN114463252A (zh) * | 2021-12-21 | 2022-05-10 | 浙江大华技术股份有限公司 | 车位占用的检测方法、检测装置以及计算机可读存储介质 |
CN114550466A (zh) * | 2020-11-26 | 2022-05-27 | 中移物联网有限公司 | 一种车位状态检测方法、装置和电子设备 |
-
2022
- 2022-05-31 CN CN202210603033.XA patent/CN114694124B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170053192A1 (en) * | 2015-08-18 | 2017-02-23 | Parking Vision Information Technologies, INC. | Systems and methods for detecting parking occupancy status |
US20180240337A1 (en) * | 2015-10-27 | 2018-08-23 | Municipal Parking Services, Inc. | Parking space detection method and system |
EP3223259A1 (en) * | 2016-03-24 | 2017-09-27 | Paradox Engineering SA | Improved combined system for determining the free or occupied state of a parking space in a car park |
US20180095474A1 (en) * | 2016-09-30 | 2018-04-05 | Faraday&Future Inc. | Methods and systems for camera-based autonomous parking |
CN107665603A (zh) * | 2017-09-06 | 2018-02-06 | 哈尔滨工程大学 | 一种判定车位占用的实时检测方法 |
CN107784290A (zh) * | 2017-11-03 | 2018-03-09 | 浙江工业大学 | 一种停车位占用图像智能识别的方法 |
CN108288386A (zh) * | 2018-01-29 | 2018-07-17 | 深圳信路通智能技术有限公司 | 基于视频的路内停车跟踪方法 |
CN109034211A (zh) * | 2018-07-04 | 2018-12-18 | 广州市捷众智能科技有限公司 | 一种基于机器学习的车位状态检测方法 |
CN109817013A (zh) * | 2018-12-19 | 2019-05-28 | 新大陆数字技术股份有限公司 | 基于视频流的停车位状态识别方法及装置 |
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 |
CN111739333A (zh) * | 2019-03-25 | 2020-10-02 | 大陆泰密克汽车系统(上海)有限公司 | 一种空车位识别方法 |
CN114550466A (zh) * | 2020-11-26 | 2022-05-27 | 中移物联网有限公司 | 一种车位状态检测方法、装置和电子设备 |
CN114283585A (zh) * | 2021-03-30 | 2022-04-05 | 厦门云之拓科技有限公司 | 一种路侧停车识别方法和装置 |
CN113111145A (zh) * | 2021-04-15 | 2021-07-13 | 杭州图软科技有限公司 | 一种智慧公交系统及实现方法 |
CN114463252A (zh) * | 2021-12-21 | 2022-05-10 | 浙江大华技术股份有限公司 | 车位占用的检测方法、检测装置以及计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
FARAZ MALIK AWAN 等: "A Comparative Analysis of Machine/Deep Learning Models for Parking Space Availability Prediction", 《SENSORS》 * |
JUNZHAO LIU 等: "A Multi-Classifier Image Based Vacant Parking Detection System", 《2013 IEEE 20TH INTERNATIONAL CONFERENCE ON ELECTRONICS,CIRCUITS,AND SYSTEMS》 * |
LUN-CHI CHEN 等: "Video-Based Parking Occupancy Detection for Smart Control System", 《APPLIED SCIENCES》 * |
徐乐先等: "基于深度学习的车位智能检测方法", 《中国激光》 * |
黄伟杰 等: "基于视觉的停车场车位检测与分类算法", 《计算机系统应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114694124B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087510B (zh) | 交通监测方法及装置 | |
CN109118779B (zh) | 交通违章信息识别方法、设备及可读存储介质 | |
CN112270252A (zh) | 一种改进YOLOv2模型的多车辆目标识别方法 | |
CN109086797B (zh) | 一种基于注意机制的异常事件检测方法及系统 | |
CN110659545B (zh) | 车辆识别模型的训练方法、车辆识别方法、装置和车辆 | |
CN109815884A (zh) | 基于深度学习的不安全驾驶行为检测方法及装置 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN113470206B (zh) | 一种基于车辆匹配的高速公路稽查方法、设备及介质 | |
CN109934170B (zh) | 一种基于计算机视觉的矿山资源统计方法 | |
CN115546705B (zh) | 目标识别方法、终端设备及存储介质 | |
CN115620518A (zh) | 基于深度学习的交叉口交通冲突判别方法 | |
CN111814690A (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
CN116311063A (zh) | 监控视频下基于人脸识别的人员细粒度跟踪方法及系统 | |
CN111027555A (zh) | 一种车牌识别方法、装置及电子设备 | |
CN114694124B (zh) | 一种车位状态检测方法、装置和存储介质 | |
CN113920749A (zh) | 一种用于停车场的跟车尾随识别方法、系统及相关装置 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN114821658B (zh) | 牛脸识别方法、运行控制装置、电子设备及存储介质 | |
CN113505767B (zh) | 一种基于云计算的载货车辆占道经营行为检测方法及系统 | |
CN106447862B (zh) | 一种基于计算机视觉技术的智能闸机验票方法 | |
CN113095126B (zh) | 道路交通态势识别方法、系统和存储介质 | |
CN113743212A (zh) | 扶梯出入口拥堵或有遗留物的检测方法、装置及存储介质 | |
CN111708769B (zh) | 一种实现信息处理的方法、系统、计算机存储介质及终端 | |
CN113780462A (zh) | 基于无人机航拍图像的车辆检测网络建立方法及其应用 | |
CN116363542A (zh) | 到离岗事件检测方法、装置、设备及计算机可读存储介质 |
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 |