CN114898116A - 一种基于嵌入式平台的车库管理方法、系统及存储介质 - Google Patents

一种基于嵌入式平台的车库管理方法、系统及存储介质 Download PDF

Info

Publication number
CN114898116A
CN114898116A CN202210528808.1A CN202210528808A CN114898116A CN 114898116 A CN114898116 A CN 114898116A CN 202210528808 A CN202210528808 A CN 202210528808A CN 114898116 A CN114898116 A CN 114898116A
Authority
CN
China
Prior art keywords
vehicle
information
garage
license plate
warehouse
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
Application number
CN202210528808.1A
Other languages
English (en)
Inventor
陈青龙
陈越鹏
倪雷明
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.)
Hainan Quick Stop Technology Co ltd
Original Assignee
Hainan Quick Stop 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 Hainan Quick Stop Technology Co ltd filed Critical Hainan Quick Stop Technology Co ltd
Priority to CN202210528808.1A priority Critical patent/CN114898116A/zh
Publication of CN114898116A publication Critical patent/CN114898116A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/20—Individual registration on entry or exit involving the use of a pass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种基于嵌入式平台的车库管理方法、系统及存储介质，管理方法包括以下步骤：基于预设触发条件，获取入库车辆图像和出库车辆图像；基于预设训练模型，确定车辆检测结果；基于车辆检测结果和入库车辆图像，获取入库车牌信息和入库车辆轮廓信息，录入信息数据库，其中信息数据库包括对应于不同入库车辆图像的车牌信息集合和车辆轮廓信息集合；基于车辆检测结果和出库车辆图像，获取出库车辆车牌信息和出库车辆轮廓信息；基于信息数据库，对出库车牌信息和出库车辆轮廓信息进行比对，根据两个比对结果来确定是否放行车辆。本申请通过设置车牌识别和车辆轮廓识别，将车牌识别和车辆轮廓识别相结合，具有进一步提高车辆识别的准确性的效果。

Description

一种基于嵌入式平台的车库管理方法、系统及存储介质
技术领域
本申请涉及车库管理技术领域，尤其是涉及一种基于嵌入式平台的车库管理方法、系统及存储介质。
背景技术
目前随着生活中的车辆不断增多，车辆安全在日常生活中也扮演着越来越重要的角色。现代社会的发展，使得计算机视觉、嵌入式视觉也得到了很好的发展和应用。随着发展的车辆识别、车辆跟踪检测技术也是种类繁多，各有优势。
并且由于人工智能的发展，越来越多神经网络的方法被应用到车辆识别。基于YOLO的车辆识别方法适用于大规模图像识别，对于识别车辆数目和类型具有优势。此外更强大更复杂的增强卷积神经网络（ECNN）被应用于多辆车的实时跟踪和分类识别任务中去。现有的车辆识别技术基本有计算机来操作和执行，在嵌入式平台上的实际环境中应用可能无法取得良好的效果。而神经网络的模型需要强大的算力作为支撑，需要的参数众多，不易部署到小型的嵌入式设备上。
针对上述中的相关技术，对于部署在嵌入式平台的车库视觉检测，如果车辆透视不良或车牌信息不详细则更难识别车牌信息，在进行车库管理时，存在因车牌识别不全而出现管理较为繁琐的缺陷。
发明内容
为了减小车库内车辆的识别管理较为繁琐的缺陷，本申请提供一种基于嵌入式平台的车库管理方法、系统及存储介质。
本申请提供的一种基于嵌入式平台的车库管理方法，采用如下的技术方案：
一种基于嵌入式平台的车库管理方法，包括以下步骤：
基于预设触发条件，获取入库车辆图像和出库车辆图像；
基于预设训练模型，确定车辆检测结果；
基于车辆检测结果和入库车辆图像，获取入库车牌信息和入库车辆轮廓信息，录入信息数据库，其中信息数据库包括对应于不同入库车辆图像的车牌信息集合和车辆轮廓信息集合；
基于车辆检测结果和出库车辆图像，获取出库车辆车牌信息和出库车辆轮廓信息；
基于信息数据库，对出库车牌信息和出库车辆轮廓信息进行比对，根据两个比对结果来确定是否放行车辆。
通过采用上述技术方案，在对车库进行管理时，利用触发的方式获取出入库车辆图像，并通过训练模型来识别出车辆信息，以减少获取车辆图像时误触发的情况。在车辆入库过程中确定车辆后，分别获取到入库车牌信息和入库车辆轮廓信息，并且将车牌信息和车辆轮廓信息录入信息数据库中进行保存。当车辆进行出库时，同样对出库车辆进行检测判断。并根据出库车辆图像获取到车牌信息和车辆轮廓，然后和信息数据库内入库车牌信息和入库车辆轮廓信息进行查找比对。增加了车辆轮廓特征识别，以避免车库中因车辆的车牌识别不清楚导致车辆无法出库的问题。
可选的，在基于预设触发条件，获取入库车辆图像和出库车辆图像的具体方法中，包括：
基于预设图像采集间隔，获取入库车辆图像和出库车辆图像；
和/或，基于预设图像采集区域，获取入库车辆图像和出库车辆图像。
通过采用上述技术方案，在对车库进行管理时，入库车辆和出库车辆的图像可以利用间隔时间采集，也可以利用采集区域触发来采集，在图像获取时能够较大程度上减轻嵌入式平台的处理过程。
可选的，在获取入库车牌信息和入库车辆轮廓信息的具体方法中，包括：
基于卷积神经网络模型，获取入库车辆车牌上的字符，确定入库车牌信息；
确定入库车辆图像中车辆轮廓边缘的特征向量。
通过采用上述技术方案，利用卷积神经网络来识别获取车牌信息，能够更为准确地识别出车牌上的字符，从而确保识别的准确性。而车辆轮廓信息，则是由图像中车辆轮廓边缘的像素点的集合组成。
可选的，在确定入库车辆图像中车辆轮廓边缘的特征像素点的具体方法中，包括：
获取入库图像中目标像素周围预设边缘上其他像素点的亮度；
获取其他像素点的亮度和目标像素点之间的亮度差超过预设亮度阈值的其他像素点的数量；
判断其他像素点的数量是否超过预设数量阈值，若为是，则将目标像素点转换为特征向量。
通过采用上述技术方案，对于车辆的轮廓边缘，其周围的像素点之间的亮度有较大的差距。入库车辆特征点位于亮度有变化的区域，这个区域确定了车辆边缘不同位置的像素亮度。通过区域内像素亮度超过阈值亮度的数量，来确定当前像素点是否能够是车辆轮廓上的像素点。
可选的，在获取出库车牌信息和出库车辆轮廓信息的具体方法中，包括：
基于卷积神经网络模型，获取出库车牌上的字符，确定出库车牌信息；
基于出库车辆图像，确定出库车辆图像中车辆轮廓边缘的特征向量。
通过采用上述技术方案，在对出库车辆进行车牌信息采集和车辆轮廓信息采集时，同样使用卷积神经网络对车牌上的字符进行识别，以保证识别结果的准确性。并且对出库车辆的轮廓信息进行采集时，同样根据图像获取得到出库车辆图像特征点，以便于和入库车辆图像特征点进行比对检验，来判断识别出来的车辆是否为同一辆。
可选的，在对出库车牌信息和出库车辆轮廓信息进行比对，根据两个比对结果确定是否放行车辆的具体方法中，包括：
基于信息数据库和出库车辆轮廓信息，获取信息数据库内的入库车辆轮廓信息和出库车辆轮廓信息的相似度，其中，相似度为非负整数；
判断相似度是否超过预设阈值；
若为是，将超过预设阈值的相似度录入筛选集合；
若为否，无法放行车辆。
通过采用上述技术方案，在车辆入库并且将车牌信息和车辆轮廓信息均录入信息数据库中之后，信息数据库内会存储当前车库中所有车辆的车牌信息和车辆轮廓信息。在获取到出库时的车牌信息和车辆轮廓信息后，利用出库车辆轮廓信息和信息数据库内的入库车辆轮廓信息进行比对，得到车辆轮廓信息之间的相似度，并根据预设的相似度阈值来对信息数据库内的入库车辆轮廓信息进行初级筛选。若出库车辆轮廓信息和信息数据库内的入库车辆轮廓信息的相似度均没有超过阈值时，则表明出库的车辆和信息数据库内入库的车辆之间存在较大差距，无法对其进行放行处理。并且在对出库车辆进行识别判断时，先通过车辆轮廓识别检测，可有效减小利用卷积神经网络进行车牌字符识别时嵌入式平台所消耗的运算力。
可选的，在将超过预设阈值的相似度录入筛选集合的具体方法中，包括：
获取筛选集合内的相似度最大值；
基于相似度最大值对应的入库车辆图像中的车牌信息，将入库车辆车牌信息和出库车辆车牌信息进行比对。
通过采用上述技术方案，在根据相似度预设阈值得到初级筛选的相似度集合后，在筛选集合内获取到相似度最大值。相似度越高，入库车辆轮廓和出库车辆轮廓比对越相近。因此在得到相似度最大值后，通过将相似度最大值对应的入库车辆图像中的车牌信息和出库车辆车牌信息进行比对，以确保出库车辆最后能够和入库车辆能够匹配对应，尽量避免因车型一致带来的误判断。
可选的，在将入库车辆车牌信息和出库车辆车牌信息进行比对的具体方法中，包括：
确定入库车辆车牌信息和出库车辆车牌信息的比对结果是否一致；
若为是，则放行车辆并删除信息数据库中相似度最大值以及车牌信息所对应的入库车辆图像；
若为否，则无法放行车辆。
通过采用上述技术方案，在车辆轮廓信息对比之后，利用车牌信息进行进一步比对，以保证车辆识别比对具有较高的准确性。并且在识别比对成功之后放行车辆，并删除信息数据库中相似度最大值以及车牌信息所对应的入库车辆图像和出库车辆图像减小信息数据库中所存储的数据，使得嵌入式平台能够更快地进行识别对比处理。
本申请还提供的一种基于嵌入式平台的车库管理系统，包括：
图像采集模块，所述图像采集装置用于基于预设触发条件，获取入库车辆图像和出库车辆图像；
车辆识别模块，所述车辆识别模块用于基于预设训练模型，确定车辆检测结果；
入库采集模块，所述入库采集模块用于基于车辆检测结果和入库车辆图像，获取入库车牌信息和入库车辆轮廓信息，录入信息数据库；
出库采集模块，所述出库采集模块用于基于车辆检测结果和出库车辆图像，获取出库车牌信息和出库车辆轮廓信息；
信息对比模块，所述信息对比模块用于基于信息数据库，对出库车牌信息和出库车辆轮廓信息进行比对，根据比对结果确定是否放行车辆。
通过采用上述技术方案，在进行车库管理时，由图像采集模块来采集获取入库车辆图像和出库车辆图像，并且根据车辆识别模块来识别判断拍摄获取的入库车辆图像和出库车辆图像是否是真实车辆。在判断之后，由入库采集模块和出库采集模块来分别采集获取车牌信息和车辆轮廓信息，并且在入库时将车牌信息和车辆轮廓信息存储至信息数据库内，以便于信息对比模块根据出库车牌信息和出库车辆轮廓信息分别和信息数据库内的入库车牌信息和入库车辆轮廓信息进行对比判断。
本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有能够被处理器加载并执行如上述技术方案记载的任一种方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.通过设置车牌识别和车辆轮廓识别，在进行车库管理时，将车牌识别和车辆轮廓识别相结合，进一步提高车辆识别的准确性；
2.出入库车辆的图像采用触发的方式进行获取，能够减小嵌入式平台在控制获取车辆图像时的持续运行，提高系统稳定性；
3.通过设置相似度预设阈值，有效减少了车辆识别对比的工作量，进一步加快了识别速度。
附图说明
图1是本申请实施例一种基于嵌入式平台的车库管理方法的整体流程图。
图2是本申请实施例一种基于嵌入式平台的车库管理方法中获取入库车辆图像和出库车辆图像的流程示意图。
图3是本申请实施例一种基于嵌入式平台的车库管理方法中获取入库车牌信息和入库车辆轮廓信息的流程示意图。
图4是本申请实施例一种基于嵌入式平台的车库管理方法中确定入库车辆图像特征点的流程示意图。
图5是本申请实施例一种基于嵌入式平台的车库管理方法中获取出库车牌信息和出库车辆轮廓信息的流程示意图。
图6是本申请实施例一种基于嵌入式平台的车库管理方法中根据车辆轮廓信息相似度对比和车牌信息对比判断是否放行车辆的流程示意图。
图7是本申请实施例一种基于嵌入式平台的车库管理系统原理图。
附图标记说明：1、图像采集模块；2、车辆识别模块；3、入库采集模块；4、出库采集模块；5、信息对比模块。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请实施例公开一种基于嵌入式平台的车库管理方法。参照图1，基于嵌入式平台的车库管理方法包括以下步骤。
S1、基于预设触发条件，获取入库车辆图像和出库车辆图像。
其中，在获取入库车辆图像和出库车辆图像时，采用摄像头拍照的方式进行获取。一方面，通过预设触发条件，当摄像头应用在嵌入式平台上时，能够减轻嵌入式平台的控制处理的负担；另一方面，触发获取的方式相对于实时获取的方式，能够降低系统设备的整体功耗，使得系统成本会降低。
参照图2，在步骤S1中，包括步骤S11：基于预设图像采集间隔，获取入库车辆图像和出库车辆图像；和/或，基于预设图像采集区域，获取入库车辆图像和出库车辆图像。
其中，摄像头由触发系统来触发拍照。触发系统包括有中央控制单元、数据集存储单元、压电传感器、压电转换电路、以及与中央控制单元双向连接用于控制压电传感器使用与否的选择单元。摄像头设置在车库的入口和出口。中央控制单元内预设有图像采集间隔时间，通过间隔时间来触发摄像头进行拍照。
除此之外，在车库的入口和出口还可以设置图像采集区域，并将压电传感器设置在图像采集区域内。当车辆位于图像采集区域内时，通过压电传感器来触发拍照。设置间隔时间进行拍照以及通过压电传感器进行触发拍照这两种触发方式，可单独实施，也可以同时实施。本实施例中，通过触发系统中的选择单元，来选择触发的方式。
S2、基于预设训练模型，确定车辆检测结果。
其中，预设训练模型为物体检测判断模型。本实施例中，使用的是HOG（Histogramof Oriented Gradient，方向梯度直方图）特征提取和SVM（Support Vector Machine，支持向量机）滑动窗口对图像中的车辆进行检测。由于摄像头的位置固定，拍摄的车辆图像一般是车头或者车尾。
在将训练模型部署完成之后，通过对拍摄的图像进行HOG特征提取，所提取出来的特征向量为车头特征向量或者是车尾特征向量，结合SVM滑动窗口，能够实时对车辆进行跟踪判断。而对于SVM，则是在工作站上对多种车辆图像进行训练，然后在部署在嵌入式设备上。
S3、基于车辆检测结果和入库车辆图像，获取入库车牌信息和入库车辆轮廓信息，录入信息数据库，其中信息数据库包括对应于不同入库车辆图像的车牌信息的集合和车辆轮廓信息的集合。
其中，在触发车辆拍摄以及检测是否为车辆之后，对拍摄的入库车辆图像进行信息提取，提取的信息包括入库车牌信息和入库车辆轮廓信息。在提取之后，将入库车牌信息和入库车辆轮廓信息均录入到信息数据库内。信息数据库内储存所有入库车辆的车牌信息和入库车辆的轮廓信息。
参照图3，在步骤S3中，还包括以下步骤。
S31、基于卷积神经网络模型，获取入库车辆车牌上的字符，确定入库车牌信息。
其中，利用卷积神经网络模型来对车辆车牌上的字符进行识别，以确保识别的准确性。
S32、基于入库车辆图像，确定入库车辆图像中车辆轮廓边缘的特征向量。
其中，在识别检测获取入库车辆图像之后，由于入库车辆图像通过触发方式获取，入库车辆图像为单帧图像。对于单帧入库车辆图像，在确定车辆轮廓边缘的特征像素点之后，由特征像素点形成整个车辆的轮廓。
参照图4，在步骤S32中，还包括以下步骤。
S321、获取入库车辆图像中目标像素周围预设边缘上其他像素点的亮度。
其中，目标像素点是图像检测中一个随机像素点，预设边缘为以该目标像素点为中心的一个半径等于三个像素的离散化的Bresenham圆。对于图像中物体边缘检测，物体边缘处的像素点之间的亮度普遍存在较大差异。预设边缘的半径不同，其检测精度也不同。
在检测车辆轮廓边缘时，通过目标像素点和周围不同位置的像素点之间的亮度差值来确定当前像素点是否处在车辆轮廓边缘处。本实施例中，车辆轮廓边缘的像素点通过FAST算法来进行检测，且目标像素点在预设圆周上共有16个其他像素点。分别获取得到目标像素点的亮度值和预设边缘上的其他像素点的亮度值，来检测判断当前目标像素点是否为车辆轮廓边缘上的像素点。
S322、获取其他像素点的亮度和目标像素点之间的亮度差超过预设亮度阈值的其他像素点的数量。
其中，对于目标像素点周围预设边缘上的其他像素点，其亮度可能会高于目标像素点，可能和目标像素点相似，也可能会低于目标像素点。这里的亮度比较是带有亮度阈值的。例如对于给定的预设亮度阈值 h，目标像素点的亮度为Ip，更亮的像素点为亮度超过Ip+h 的像素点，更暗的像素点为亮度低于 Ip-h 的像素点，相似像素点为亮度在Ip-h以及Ip+h这两个值之间的像素点。在对其他像素点的亮度等级分类后，对高亮度像素点的数量进行采集。
S323、判断其他像素点的数量是否超过预设数量阈值，若为是，则将目标像素点转换为特征向量。
其中，预设数量阈值的大小确定了组成车辆轮廓边缘的像素点数量多少。特征向量为车辆轮廓像素点经向量描述后的矩阵信息。目标像素点处于亮度有变化的区域，在确定目标像素点周围的其他像素点的高亮度的数量时，若预设数量阈值较低时，则很容易确定目标像素点为车辆轮廓上的像素点。本实施例中，预设数量阈值为8，即目标像素点周围的高亮度像素点数量超过8个，即判断目标像素点处于车辆轮廓边缘上。
在对目标像素点进行转换为特征向量时，利用BRIEF算法对每个目标像素点进行二元特征向量描述。先利用高斯核对给定图像进行平滑处理，以防描述符对高频噪点过于敏感。然后，对于确定好的目标像素点，BRIEF 从该目标像素点周围界定好的邻域内随机选择一对像素。第一个像素点是从以目标像素点为中心的高斯分布中抽取的一个像素点，标准偏差或分散趋势为σ，第二个像素点是从以该第一个像素点为中心的高斯分布中抽取的像素点，标准偏差为σ/2。
在转换为特征向量时，如果第一个像素点比第二个亮，则为描述符中的相应位分配值 1，否则分配值 0。特征向量的第一个位对应的是这个目标像素点的第一个随机点对，然后 BRIEF 会针对同一目标像素点选择新的随机像素对比较它们的亮度并为特征向量中的下个位分配 1 或 0。
在上面新选取的随机像素中第一个像素比第二个亮，因此为特征向量中的第二个位分配值 1。对于 256 位向量，BRIEF 会针对同一目标像素点重复这一流程 256 次，然后转到下个目标像素点。接着将 256 个像素点的亮度比较结果放入该目标像素点的二元特征向量中。BRIEF 像这样为图像中的每个目标像素点创建一个向量。
在本实施例中，为更好地获取车辆轮廓的特征向量，在获取入库车辆图像后，利用ORB算法构建图像金字塔，构建出一系列原始图像的不同分辨率版本，以便于在获取到不同位置时入库车辆图像，均能够有较好的处理能力。
S4、基于车辆检测结果和出库车辆图像，获取出库车牌信息和出库车辆轮廓信息。
其中，获取出库车牌信息和出库车辆轮廓信息均和获取入库车牌信息和入库车辆轮廓信息的过程相同，在此不再赘述。
参照图5，在步骤S4中，还包括以下步骤。
S41、基于卷积神经网络模型，获取出库车辆车牌上的字符，确定出库车牌信息。
S42、基于出库车辆图像，确定出库车辆图像中车辆轮廓边缘的特征向量。
S5、基于信息数据库，对出库车辆车牌信息和出库车辆轮廓信息进行比对，根据两个比对结果确定是否放行车辆。
其中，在车辆出库管理过程中，需要将出库时获取到的出库车牌信息和出库车辆轮廓信息分别和信息数据库内的入库车牌信息和入库车辆轮廓信息进行比对，并且是在两个对比结果均为一致时才放行车辆。
参照图6，在步骤S5中，还包括以下步骤。
S51、基于信息数据库和出库车辆轮廓信息，获取信息数据库内的目标入库车辆轮廓信息和出库车辆轮廓信息的相似度集合，其中，相似度为非负整数。
其中，先对出库车辆的轮廓信息进行识别对比，判断车辆是否和入库时一致。在出入库采集车辆轮廓特征时，为车辆轮廓特征赋予了特征向量，而对于同一辆车，在入库和出库时，其车辆上的细微特征也可能会发生改变，因此选用分类算法来进行特征向量的匹配，寻找出最匹配的特征向量。本实施例中，分类算法选用kNN算法。kNN算法又称为k近邻分类(k-nearest neighbor classification)算法，kNN算法是从信息数据库中找到和新数据最接近的k条记录，然后根据他们的主要分类来决定新数据的类别。
根据特征向量的比对结果，出库车辆轮廓信息和信息数据库中的入库车辆轮廓信息比对，得到一系列相似度值。相似度值最大为11，最小为0，相似度值为11时，表明出库车辆和信息数据库中的相似度值为11的入库车辆为同一车辆。
S52、判断相似度是否超过预设阈值,若为是，将超过预设阈值的相似度录入筛选集合；若为否，无法放行车辆。
其中，由于环境因素的影响，在对车辆轮廓特征进行识别提取时，同一辆车的车辆轮廓特征也可能不一致。通过设置相似度阈值，在相似度高于阈值时，判定出库时的车辆和信息数据库内的入库车辆信息一致。以保证同一辆车在不同环境下出库时，均能够判定为同一辆车进行出库。
S521、获取筛选集合内的相似度最大值。
S522、基于相似度最大值对应的入库车辆图像中的车牌信息，将入库车辆车牌信息和出库车辆车牌信息进行比对。
其中，在实际使用过程中，可能会存在同一车型的多个车辆进行出入库，那么这些车辆在识别轮廓信息时，其相似度均会超过预设阈值。在获取相似度最大值后，即获取到最相似的车辆信息。通过相似度比对，使得车辆在出库时能够进行初级筛选，减小了利用卷积神经网络对信息数据库内的所有车牌字符进行识别所需要的运算能力。
即使筛选集合内存在至少两个的相似度最大值，在提取相似度最大值后，即进行进一步筛选，确定车牌识别比对的范围。而车牌比对，则是确定出库车辆比对的结果。
S5221、确定入库车辆车牌信息和出库车辆车牌信息的比对结果是否一致，若为是，则放行车辆并删除信息数据库中相似度最大值以及车牌信息所对应的入库车辆图像；若为否，则无法放行车辆。
其中，分别比对入库时车辆车牌信息和出库时车辆车牌信息，以及入库时车辆轮廓信息和出库时车辆轮廓信息，在车牌信息和车辆轮廓信息两者中有一点对比不通过，则不给与车辆放行通过。而对比通过时，则删除信息数据库中相似度最大值以及车牌信息所对应的入库车辆图像，从而减小信息数据库中的数据量，提高嵌入式平台的处理速度。
本申请实施例的实施原理为：在对车库进行管理时，利用间隔时间或者采集区域触发来采集出入库车辆图像，在图像获取时能够较大程度上减轻嵌入式平台的处理过程。在获取出入库车辆图像之后，由训练模型来识别出车辆信息，以减少获取车辆图像时误触发的情况。在车辆入库过程中确定车辆后，分别获取到入库车牌信息和入库车辆轮廓信息，并且将车牌信息和车辆轮廓信息录入信息数据库中进行保存。当车辆进行出库时，同样对出库车辆进行检测判断。并根据出库车辆图像获取到车牌信息和车辆轮廓，然后和信息数据库内入库车牌信息和入库车辆轮廓信息进行查找比对。增加了车辆轮廓特征识别，使得车辆出库管理更加准确细致。
本申请实施例还公开一种基于嵌入式平台的车库管理系统。
参照图7，基于嵌入式平台的车库管理系统包括图像采集模块、车辆识别模块、入库采集模块、出库采集模块和信息对比模块。图像采集模块为高清摄像头，并且图像采集模块设置在车库的入口和出口处。图像采集装置用于基于预设触发条件，获取入库车辆图像和出库车辆图像。
车辆识别模块、入库采集模块、出库采集模块和信息对比模块均设置在终端设备中，且终端设备和图像采集模块电性连接。在图像采集模块拍摄到车辆图像之后，车辆识别模块基于预设训练模型，确定车辆检测结果。入库采集模块在车辆识别模块确定车辆检测结果后，根据入库车辆图像，获取入库车牌信息和入库车辆轮廓信息，并录入信息数据库内。在车辆进行出库时，出库采集模块根据车辆检测结果和出库车辆图像，获取出库车牌信息和出库车辆轮廓信息。出库采集模块得到出库车辆信息之后，通过对比模块和信息数据库内的数据进行对比，当比对结果一致时来放行车辆进行出库。
本申请实施例还公开一种计算机可读存储介质。本实施例提供的计算机可读存储介质，由于其中的计算机程序在处理器上加载并运行后，会实现前述实施例的各个步骤，因此能够达到与前述实施例相同的技术效果，原理分析可参见前述方法步骤的相关描述，在此不再累述。
所述计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种基于嵌入式平台的车库管理方法，其特征在于，包括以下步骤：
基于预设触发条件，获取入库车辆图像和出库车辆图像；
基于预设训练模型，确定车辆检测结果；
基于车辆检测结果和入库车辆图像，获取入库车牌信息和入库车辆轮廓信息，录入信息数据库，其中信息数据库包括对应于不同入库车辆图像的车牌信息集合和车辆轮廓信息集合；
基于车辆检测结果和出库车辆图像，获取出库车辆车牌信息和出库车辆轮廓信息；
基于信息数据库，对出库车牌信息和出库车辆轮廓信息进行比对，根据两个比对结果来确定是否放行车辆。
2.根据权利要求1所述的基于嵌入式平台的车库管理方法，其特征在于：在基于预设触发条件，获取入库车辆图像和出库车辆图像的具体方法中，包括：
基于预设图像采集间隔，获取入库车辆图像和出库车辆图像；
和/或，基于预设图像采集区域，获取入库车辆图像和出库车辆图像。
3.根据权利要求1所述的基于嵌入式平台的车库管理方法，其特征在于：在获取入库车牌信息和入库车辆轮廓信息的具体方法中，包括：
基于卷积神经网络模型，获取入库车辆车牌上的字符，确定入库车牌信息；
基于入库车辆图像，确定入库车辆图像中车辆轮廓边缘的特征向量。
4.根据权利要求3所述的基于嵌入式平台的车库管理方法，其特征在于：在确定入库车辆图像中车辆轮廓边缘的特征向量的具体方法中，包括：
获取入库图像中目标像素周围预设边缘上其他像素点的亮度；
获取其他像素点的亮度和目标像素点之间的亮度差超过预设亮度阈值的其他像素点的数量；
判断其他像素点的数量是否超过预设数量阈值，若为是，则将目标像素点转换为特征向量。
5.根据权利要求1所述的基于嵌入式平台的车库管理方法，其特征在于：在获取出库车牌信息和出库车辆轮廓信息的具体方法中，包括：
基于卷积神经网络模型，获取出库车牌上的字符，确定出库车牌信息；
基于出库车辆图像，确定出库车辆图像中车辆轮廓边缘的特征向量。
6.根据权利要求1所述的基于嵌入式平台的车库管理方法，其特征在于：在对出库车牌信息和出库车辆轮廓信息进行比对，根据两个比对结果确定是否放行车辆的具体方法中，包括：
基于信息数据库和出库车辆轮廓信息，获取信息数据库内的入库车辆轮廓信息和出库车辆轮廓信息的相似度，其中，相似度为非负整数；
判断相似度是否超过预设阈值；
若为是，将超过预设阈值的相似度录入筛选集合；
若为否，无法放行车辆。
7.根据权利要求6所述的基于嵌入式平台的车库管理方法，其特征在于：在将超过预设阈值的相似度录入筛选集合的具体方法中，包括：
获取筛选集合内的相似度最大值；
基于相似度最大值对应的入库车辆图像中的车牌信息，将入库车辆车牌信息和出库车辆车牌信息进行比对。
8.根据权利要求7所述的基于嵌入式平台的车库管理方法，其特征在于：在将入库车辆车牌信息和出库车辆车牌信息进行比对的具体方法中，包括：
确定入库车辆车牌信息和出库车辆车牌信息的比对结果是否一致；
若为是，则放行车辆并删除信息数据库中相似度最大值以及车牌信息所对应的入库车辆图像；
若为否，则无法放行车辆。
9.一种基于嵌入式平台的车库管理系统，其特征在于，包括：
图像采集模块(1)，所述图像采集装置用于基于预设触发条件，获取入库车辆图像和出库车辆图像；
车辆识别模块(2)，所述车辆识别模块用于基于预设训练模型，获取图像梯度向量，确定车辆检测结果；
入库采集模块(3)，所述入库采集模块用于基于车辆检测结果和入库车辆图像，获取入库车牌信息和入库车辆轮廓信息，录入信息数据库；
出库采集模块(4)，所述出库采集模块用于基于车辆检测结果和出库车辆图像，获取出库车牌信息和出库车辆轮廓信息；
信息对比模块(5)，所述信息对比模块用于基于信息数据库，对出库车牌信息和出库车辆轮廓信息进行比对，根据比对结果确定是否放行车辆。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至8中任一种方法的计算机程序。
CN202210528808.1A 2022-05-16 2022-05-16 一种基于嵌入式平台的车库管理方法、系统及存储介质 Pending CN114898116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210528808.1A CN114898116A (zh) 2022-05-16 2022-05-16 一种基于嵌入式平台的车库管理方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210528808.1A CN114898116A (zh) 2022-05-16 2022-05-16 一种基于嵌入式平台的车库管理方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN114898116A true CN114898116A (zh) 2022-08-12

Family

ID=82724591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210528808.1A Pending CN114898116A (zh) 2022-05-16 2022-05-16 一种基于嵌入式平台的车库管理方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114898116A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229374A (zh) * 2023-05-06 2023-06-06 浪潮数字粮储科技有限公司 一种针对粮仓偷换入库车辆的识别方法、设备及存储介质
CN116503848A (zh) * 2023-06-27 2023-07-28 深圳市前海铼停科技有限公司 车牌的智能识别方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229374A (zh) * 2023-05-06 2023-06-06 浪潮数字粮储科技有限公司 一种针对粮仓偷换入库车辆的识别方法、设备及存储介质
CN116503848A (zh) * 2023-06-27 2023-07-28 深圳市前海铼停科技有限公司 车牌的智能识别方法、装置、设备及存储介质
CN116503848B (zh) * 2023-06-27 2023-10-03 深圳市前海铼停科技有限公司 车牌的智能识别方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
KR100724932B1 (ko) 얼굴 검출 장치 및 방법
CN114898116A (zh) 一种基于嵌入式平台的车库管理方法、系统及存储介质
Peeples et al. Histogram layers for texture analysis
CN109670383B (zh) 视频遮蔽区域选取方法、装置、电子设备及系统
US20170262723A1 (en) Method and system for detection and classification of license plates
CN112800967B (zh) 一种姿态驱动的遮挡行人重识别方法
CN111814690B (zh) 一种目标重识别方法、装置和计算机可读存储介质
Dinalankara Face detection & face recognition using open computer vision classifies
Russell et al. Feature-based image patch classification for moving shadow detection
Cruz et al. A comparison of Haar-like, LBP and HOG approaches to concrete and asphalt runway detection in high resolution imagery
CN111950566A (zh) 一种旋转不变的hog红外图像电力设备识别方法
Almaadeed et al. Partial shoeprint retrieval using multiple point-of-interest detectors and SIFT descriptors
Ou et al. Vehicle logo recognition based on a weighted spatial pyramid framework
Kapsalas et al. Regions of interest for accurate object detection
Elhadi et al. Arabic-numbers recognition system for car plates
Fritz et al. Object recognition using local information content
Satsangi et al. License plate recognition: a comparative study on thresholding, OCR and machine learning approaches
CN111104857A (zh) 一种基于步态能量图的身份识别方法及系统
Shi et al. Smoke detection based on dark channel and convolutional neural networks
Mccullagh Face detection by using haar cascade classifier
Li et al. Face detection technology based on combining skin color model with improved adaboost algorithm
Prates et al. An adaptive vehicle license plate detection at higher matching degree
Kosala et al. MSER-Vertical Sobel for Vehicle Logo Detection
Fritz et al. Rapid object recognition from discriminative regions of interest
KR20210089044A (ko) 물체 인식을 위한 학습 데이터를 선택하는 방법 및 상기 방법을 이용하여 학습된 물체 인식 모델을 이용하여 물체를 인식하는 물체 인식 장치

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