CN114934467B - 一种车位道闸控制方法、车位道闸系统及介质 - Google Patents
一种车位道闸控制方法、车位道闸系统及介质 Download PDFInfo
- Publication number
- CN114934467B CN114934467B CN202210799847.5A CN202210799847A CN114934467B CN 114934467 B CN114934467 B CN 114934467B CN 202210799847 A CN202210799847 A CN 202210799847A CN 114934467 B CN114934467 B CN 114934467B
- Authority
- CN
- China
- Prior art keywords
- parking space
- license plate
- image
- vehicle
- character
- 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.)
- Active
Links
- 230000004888 barrier function Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013459 approach Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 235000008694 Humulus lupulus Nutrition 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01F—ADDITIONAL WORK, SUCH AS EQUIPPING ROADS OR THE CONSTRUCTION OF PLATFORMS, HELICOPTER LANDING STAGES, SIGNS, SNOW FENCES, OR THE LIKE
- E01F13/00—Arrangements for obstructing or restricting traffic, e.g. gates, barricades ; Preventing passage of vehicles of selected category or dimensions
- E01F13/04—Arrangements for obstructing or restricting traffic, e.g. gates, barricades ; Preventing passage of vehicles of selected category or dimensions movable to allow or prevent passage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Traffic Control Systems (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本申请公开了一种车位道闸控制方法、车位道闸系统及介质，包括：当检测到有移动物体靠近车位，则进行图像采集以得到目标图像；对所述目标图像进行车牌识别，以得到车牌识别结果；基于所述车牌识别结果判断相应车辆是否满足车位进入条件，若满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位。这样，针对靠近车位的移动物体进行图像采集和车牌识别，并基于车牌识别结果控制道闸，能够实现车位管理的智能化。
Description
技术领域
本申请涉及车位道闸控制技术领域，特别涉及一种车位道闸控制方法、车位道闸系统及介质。
背景技术
随着车辆数量的不断增加，停车管理的难度越来越大。现有的停车管理系统通常在停车场设有进口道闸和出口道闸，分别管理车辆的出入信息。现有道闸一般为单向通行，不能满足车位管理双向通行的要求，该系统模式对车位管理来说不适用，因此，如何实现车位管理的智能化是目前需要解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种车位道闸控制方法、车位道闸系统及介质，能够实现车位管理的智能化。其具体方案如下：
第一方面，本申请公开了一种车位道闸控制方法，包括：
当检测到有移动物体靠近车位，则进行图像采集以得到目标图像；
对所述目标图像进行车牌识别，以得到车牌识别结果；
基于所述车牌识别结果判断相应车辆是否满足车位进入条件，若满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位。
可选的，还包括：
利用车位超声波传感器检测所述车位是否存在车辆；
若所述车位不存在车辆，则启动车道超声波传感器，利用所述车道超声波传感器检测是否有移动物体靠近所述车位。
可选的，所述对所述目标图像进行车牌识别，以得到车牌识别结果，包括：
确定所述目标图像中的车牌位置，并基于所述车牌位置从所述目标图像中裁剪出车牌区域图像；
对所述车牌区域图像进行字符分割，得到分割后字符图像；
将所述分割后字符图像输入字符分类模型，并将所述字符分类模型输出的分类结果确定为所述车牌识别结果。
可选的，所述确定所述目标图像中的车牌位置，包括：
对所述目标图像进行边缘检测以及二值化处理，得到二值化边缘图像；
对所述二值化边缘图像进行形态学运算，得到形态学运算后图像；
基于车牌尺寸信息以及所述形态学运算后图像确定所述目标图像中的车牌位置。
可选的，所述对所述车牌区域图像进行字符分割，得到分割后字符图像，包括：
对所述车牌区域图像从左到右进行扫描，统计每列跳变个数，得到垂直投影图像；其中，从黑色像素点到白色像素点或从白色像素点到黑色像素点为一个跳变；
基于所述垂直投影图像中的波谷进行字符分割，得到分割后字符图像。
可选的，所述字符分类模型的训练过程包括：
获取训练数据集；所述训练数据集包括字符图像；
将所述字符图像归一化化为预设尺寸的训练图像，并将所述训练图像输入初始模型进行训练，以得到字符分类模型；
其中，所述初始模型包括一个输入层、两个卷积层、两个池化层以及两个全连接层。
可选的，所述基于所述车牌识别结果判断相应车辆是否满足车位进入条件，包括：
基于所述车牌识别结果判断相应车辆是否为新能源车辆，若相应车辆为新能源车辆，则判定相应车辆满足车位进入条件，否则，判定相应车辆不满足车位进入条件；
或，基于所述车牌识别结果判断相应车辆是否为所述车位对应的车位专有车辆，若是车位对应的车位专有车辆，则判定相应车辆满足车位进入条件，否则，判定相应车辆不满足车位进入条件。
可选的，还包括：
当检测到所述车辆进入所述车位，则记录第一信息；其中，所述第一信息包括车牌号码、进入车位时间；
当检测到所述车辆驶出所述车位，则关闭所述道闸，记录第二信息；其中，所述第二信息包括所述道闸的关闭时间；
将所述第一信息和所述第二信息上传至云端，以便所述云端将所述第一信息和所述第二信息推送至相应的用户终端。
第二方面，本申请公开了一种车位道闸系统，包括：
车辆预检测模块，用于检测是否有移动物体靠近车位；
图像采集模块，用于当所述车辆预检测模块检测到有移动物体靠近车位，则进行图像采集以得到目标图像；
车牌识别模块，用于对所述目标图像进行车牌识别，以得到车牌识别结果；
条件判断模块，用于基于所述车牌识别结果判断相应车辆是否满足车位进入条件；
道闸控制模块，用于若条件判断模块判定所述车牌识别结果满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位。
第三方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如前述的车位道闸控制方法。
可见，本申请当检测到有移动物体靠近车位，则进行图像采集以得到目标图像；对所述目标图像进行车牌识别，以得到车牌识别结果；基于所述车牌识别结果判断相应车辆是否满足车位进入条件，若满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位。也即，本申请检测是否有移动物体靠近车位，当检测到有移动物体靠近车位，则进行图像采集，然后进行车牌识别，并通过车牌识别结果判断是否允许车辆进入车位，并在允许的情况下，打开道闸，这样，针对靠近车位的移动物体进行图像采集和车牌识别，并基于车牌识别结果控制道闸，能够实现车位管理的智能化。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种车位道闸控制方法流程图；
图2为本申请实施例公开的一种具体的车牌识别示意图；
图3为本申请实施例公开的一种具体的模型示意图；
图4为本申请实施例公开的一种模型训练准确度及损失示意图；
图5为本申请实施例公开的一种具体的车位道闸控制方法示意图；
图6为本申请实施例公开的一种具体的物联网平台架构示意图；
图7为本申请实施例公开的一种车位道闸系统工作流程图；
图8为本申请实施例公开的一种车位道闸系统结构图；
图9为本申请实施例公开的一种具体的车位道闸系统示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
现有的停车管理系统通常在停车场设有进口道闸和出口道闸，分别管理车辆的出入信息。现有道闸一般为单向通行，不能满足车位管理双向通行的要求，该系统模式对车位管理来说不适用，因此，如何实现车位管理的智能化是目前需要解决的问题。为此，本申请提供了一种车位道闸控制方案，能够实现车位管理的智能化。
参见图1所示，本申请实施例公开了一种车位道闸控制方法，包括：
步骤S11：当检测到有移动物体靠近车位，则进行图像采集以得到目标图像。
在一种具体的实施方式中，本申请实施例可以利用车位超声波传感器检测所述车位是否存在车辆；若所述车位不存在车辆，则启动车道超声波传感器，利用所述车道超声波传感器检测是否有移动物体靠近所述车位。需要指出的是，本申请实施例可以利用车位超声波传感器对所述车位进行检测，若车位存在车辆或者其他妨碍停车的物体，则不启动车道超声波传感器。
需要指出的是，现有的停车管理系统大多采用地磁感应器预检测车辆的靠近，通过地磁感应器进行车辆检测，施工过程会对停车场道路造成损害，成本较高。此外，还存在用多普勒探测器和红外传感器进行车辆预检测，不需要破坏路面。但多普勒探测器和红外传感器因为受灰尘、雨滴、冰雹等环境因素影响较大，容易造成误判，且用红外传感器进行车辆检测时，红外发射器和接收器需分别安装与车道两侧，对车位进入通道口来说，其安装位置设计困难。
而本申请实施例可以采用FD01-2超声波传感器进行车辆预检测，和地磁感应线圈相比，不需破坏路面，可移动架设快捷方便。和多普勒探测器、红外车辆检测传感器相比，其不受灰尘、雨滴等环境因素的影响因素的影响，使用寿命长。本申请实施例采用了2个FD01-2超声波传感器，一个用于车位的车辆检测，一个用于车道(车位入口处)车辆的检测。FD01-2超声波传感器采用双探头的设计，采用IO下降沿信号触发测距，模块自动发送8个40khz的方波，自动检测是否有信号返回。FD01-2超声波传感器的探测范围为3到300CM之间，根据常规车位尺寸，本申请实施例中FD01-2超声波传感器的探测范围可调节为150CM-220CM之间。当有信号返回时，车位超声波传感器通过引脚输出电平信号至STM32微处理器中。当车位空闲时，通过车道超声波传感器进行检测道闸口是否有移动物体靠近，当检测到有移动物体靠近时，启动摄像头和闪光灯，拍摄图像，并通过STM32微控制器内置算法对车牌进行识别，得到车牌识别结果。
步骤S12：对所述目标图像进行车牌识别，以得到车牌识别结果。
在具体的实施方式中，上述步骤S12具体可以包括以下步骤：
步骤00：确定所述目标图像中的车牌位置，并基于所述车牌位置从所述目标图像中裁剪出车牌区域图像。
在具体的实施方式中，本申请实施例可以对所述目标图像进行边缘检测以及二值化处理，得到二值化边缘图像；对所述二值化边缘图像进行形态学运算，得到形态学运算后图像；基于车牌尺寸信息以及所述形态学运算后图像确定所述目标图像中的车牌位置。
也即，本申请实施例采用基于边缘的图像处理技术在原始图像即所述目标图像中确定车牌区域。原始图像中矩形车牌区域比其他区域包含更丰富的边缘和纹理特征，其亮度变化比其他区域更为明显和频繁。本申请实施例通过识别图像中亮度急剧变化的点而获得二值化边缘图像，再通过形态学运算，确定车牌区域。并且，在一种实施方式中，可以首先根据加权平均值法对原始图像进行灰度化处理，然后进行高斯滤波，消除掉噪声的同时模糊一下非车牌的边缘。接着再进行基于Sobel算子的边缘检测，因为车牌中垂直边缘比较多，所以采用垂直边缘检测模板与车牌图像进行卷积操作，然后用最大类间方差法进行二值化处理；之后对获得的二值化边缘结果进行闭运算，填充孔洞；再进行开运算，去除小的噪声，平滑边界；之后进行移除小对象与膨胀操作，根据车牌的长宽比特征信息确定车牌位置；最后根据确定的车牌区域进行定位裁剪。比如，普通汽车牌照长440mm，宽140mm，新能源汽车牌照一般长480mm，宽140mm(大型车后车牌照除外)，因此车牌长宽比在3.0-3.5之间。例如，参见图2所示，图2为本申请实施例公开的一种具体的车牌识别示意图。
步骤01：对所述车牌区域图像进行字符分割，得到分割后字符图像。
在具体的实施方式中，可以对所述车牌区域图像从左到右进行扫描，统计每列跳变个数，得到垂直投影图像，其中，从黑色像素点到白色像素点或从白色像素点到黑色像素点为一个跳变，并且，可以先对车牌区域图像进行二值化处理，对二值化图像从左到右进行扫描；基于所述垂直投影图像中的波谷进行字符分割，得到分割后字符图像。并且，可以所述垂直投影图像中的波谷以及预设字符尺寸信息进行字符分割。
需要指出的是，车牌字符分割目前大多采用基于像素垂直投影的字符分割算法，其原理是对预处理后的车牌图像从左到右进行扫描，统计车牌字符的每列像素点个数，可以得到一幅垂直投影图像，根据车牌字符像素统计特点：波谷就是字符投影，波峰是字符间隙投影，选取所有波峰的中心位置，把车牌图像分割成单个独立的字符图像，该方法简单、速度快、效率高。但是，这种算法对蓝底白字、黑底白字的车牌是适用，对于绿底黑字、白底黑字或黄底黑字的车牌不适用。因为根据二值化图像像素垂直投影后，波谷是间隙投影，波峰是字符投影。实际应用中，在车牌被识别之前，还不能确定是哪种类型车牌。针对以上问题，本申请提出了适用于所有类型单层车牌字符分割的基于跳变垂直投影的字符分割算法。在本算法中将从黑色像素点到白色像素点或从白色像素点到黑色像素点定义为一个跳变。在车牌区域图像内从左到右进行扫描，统计每列跳变个数，间隙区域跳变数为0，即波谷，其余波峰处则为字符区域，跳变数有多有少。本申请实施例可以根据波谷进行字符分割。为防止如“川、渝”类似结构的汉字中间出现间隙区域，在车牌左起第一个字符划分时，可结合车牌汉字字符的宽高比特征进行分割(通常车牌汉字高90MM，宽45MM，宽高比为1：2)。本申请实施例提供的方法与传统的基于垂直投影的字符分割算法相比，适用范围更广，适用于各类单层车牌。
步骤02：将所述分割后字符图像输入字符分类模型，并将所述字符分类模型输出的分类结果确定为所述车牌识别结果。
其中，所述字符分类模型的训练过程包括：获取训练数据集；所述训练数据集包括字符图像；将所述字符图像归一化化为预设尺寸的训练图像，并将所述训练图像输入初始模型进行训练，以得到字符分类模型；其中，所述初始模型包括一个输入层、两个卷积层、两个池化层以及两个全连接层，并且，全连接层设有Dropout参数、卷积层和全连接层的输出数据在输出前均经过Re LU激活函数激活处理。
需要指出的是，随着深度学习的出现，卷积神经网络可以对复杂的图像自动提取特征和分类，受外界环境干扰较小，鲁棒性和自适应性比较好，使得字符识别准确率和速度有了大幅度提升。LeNet-5是一个较简单的卷积神经网络，有着良好的学习和识别能力，广泛应用于数字识别、图像识别领域。经典的LeNet-5网络具有一个输入层，两个卷积层，两个池化层，3个全连接层(其中最后一个全连接层为输出层)。从提高网络运行效率出发，根据车牌字符特征，本申请对经典LeNet-5网络进行如下改进：(1)输入图片归一化为32×16像素：与车牌字符宽高比为1：2项对应，减小输入图像尺寸能够减少模型训练参数，提高网络运算效率。(2)使用Re LU激活函数：有利于缓和模型的梯度消失。(3)取消一个全连接层，将LeNet5网络结构从原来7层减为6层，减少模型总体的训练参数数量。(4)加入Dropout。将隐含节点Dropout率设置为0.5，减少参数更新的个数，可防止模型过拟合。改进后的网络结构模型如图3所示。其中，1@32×16、6@28×12、6@14×6、16@10×2、16@5×1，中@前卷积核数量，@后表示特征图尺寸，比如，1@32×16表示1个卷积核，特征图尺寸为32×16。1×160中，160表示包括160个神经元，1表示平铺成一个张量；1×65中，65表示包括65个神经元，1表示平铺成一个张量。
并且，本申请实施例可以以CCPD数据集为基准，对字符分割后的字符图像进行统计、分类，制作字符识别的训练数据集。训练数据集包含的字符种类有31种文字，去除I、O的剩余24个字母，10个数字，将识别车牌问题转换为65种字符分类问题。具体的，训练数据集包含汉字图像3100张，字母图像2400张，数字图像1 000张。在Keras平台中运用深度学习理论搭建图3示神经网络模型进行训练。将分割的二值化图像长宽统一为32×16并送入输入层，损失函数使用交叉熵损失函数，优化器选择adam，Epoch＝100，进行训练识别。训练过程在单台2.4GHz，内存为12GB的个人计算机上完成。参见图4所示，图4为本申请实施例公开的一种模型训练准确度及损失示意图，图4(a)所示为训练精度与迭代次数关系，可知在迭代到第80次时，准确率达到98.93％；图4(b)所示为损失率与迭代次数关系，可知，Epoch为0～40时上升与下降的速度较快，且在Epoch＝80后曲线较为平缓损失降到最低并趋于稳定。在服务器上将模型训练好后，就可以移值到STM32微控制器上运行了。
步骤S13：基于所述车牌识别结果判断相应车辆是否满足车位进入条件，若满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位。
在一种实施方式中，可以基于所述车牌识别结果判断相应车辆是否为新能源车辆，若相应车辆为新能源车辆，则判定相应车辆满足车位进入条件，否则，判定相应车辆不满足车位进入条件。
可以理解的是，车牌识别完成以后，可以根据车牌号进行分类，新能源汽车的车牌号比燃油车牌号多一位字符(共8位)，且小型纯电动车汽车车牌号后6位中左起第1位字符为“D、A、B、C、E”，小型非纯电动车(插电式混合动力和燃料电池汽车等)车牌号后6位中左起第1位字符为“F、G、H、J、K”，大型新能源车牌号中代表车龄类型的字母(如“D”“F”等)则位于车牌序号的最后一位。根据新能源车牌号命名规则，可以判断相应车辆是否满足车位进入条件，并判定结果进行决策是否打开道闸。
需要指出的是，随着新能源汽车的推广与普及，可充电停车位变得稀缺。停车场内、小区路旁原本有限的可充电停车位还常常被燃油车等其他车辆占用。目前各停车场和小区大多是靠人工看守的方式解决，管理难度大，且容易引发矛盾。本申请实施例可以实现新能源汽车车位的智能化管理。
在另一种实施方式中，可以基于所述车牌识别结果判断相应车辆是否为所述车位对应的车位专有车辆，若是车位对应的车位专有车辆，则判定相应车辆满足车位进入条件，否则，判定相应车辆不满足车位进入条件。
也即，本申请实施例可以实现车位私有化，车位专有车辆可以包括一辆或多辆，基于车牌识别结果判断识别车辆的车牌号码是否属于车位专有车辆的车牌号码，若属于，则判定相应车辆满足车位进入条件，否则，判定相应车辆不满足车位进入条件。
进一步的，若不满足所述车位进入条件，则控制禁行信号灯(如红灯)闪烁，并播放语音提示信息，通过语音提醒车主重新寻找车位。
可见，本申请实施例当检测到有移动物体靠近车位，则进行图像采集以得到目标图像；对所述目标图像进行车牌识别，以得到车牌识别结果；基于所述车牌识别结果判断相应车辆是否满足车位进入条件，若满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位。也即，本申请检测是否有移动物体靠近车位，当检测到有移动物体靠近车位，则进行图像采集，然后进行车牌识别，并通过车牌识别结果判断是否允许车辆进入车位，并在允许的情况下，打开道闸，这样，针对靠近车位的移动物体进行图像采集和车牌识别，并基于车牌识别结果控制道闸，能够实现车位管理的智能化。
例如，参见图5所示，本申请实施例公开了一种具体的车位道闸控制方法示意图。基于STM32微控制器，采用超声波传感器进行车辆检测，利用高清摄像头动态采集车辆信息，并基于深度学习分类算法进行车牌识别。具体的，当车位中有汽车停泊时，道闸处于开启状态，方便泊车随时开出，同时，车道超声波传感器处于休眠状态；当车位空闲(道闸关闭)时，车道超声波传感器检测到有移动物体靠近，开启闪光灯和摄像头，拍摄图片，若满足车位进入条件，则道闸放行，如果不满足，则通过语音、信号灯等方式提醒司机重新寻找车位。并且，本申请实施例可以适用于新能源车辆车位管理，采用太阳能可充电蓄电池供电，无需固定电源，使道闸的安装、使用更加方便。同时，本申请实施例还可以与现有的停车场智能管理系统融合集成，提高车场车位精准化管理水平。
另外，当检测到所述车辆进入所述车位，则记录第一信息；其中，所述第一信息包括车牌号码、进入车位时间；当检测到所述车辆驶出所述车位，则关闭所述道闸，记录第二信息；其中，所述第二信息包括所述道闸的关闭时间；第二信息还可以包括车位状态、电池电量等信息。将所述第一信息和所述第二信息上传至云端，以便所述云端将所述第一信息和所述第二信息推送至相应的用户终端。
也即，当道闸打开，有车辆进入车位时，可以记录车牌号码、停车时间，当车辆驶离车位，道闸关闭时，可以记录关闭时间、车位状态以及电池电量等信息，并将相关数据上传至云端，供终端用户实时监测分析。在一种实施方式中，可以通过BC95NB-IOT通信模块将相关数据上传至云端。
进一步的，本申请实施例提供的车位道闸控制方法，应用于车位道闸系统，车位道闸系统将安装在车位入口处，车位道闸系统包括STM32微控制器、超声波传感器和摄像头，STM32微控制器通过超声波传感器分别对车位和车道进行检测。当车位中有汽车停泊时，道闸处于开启状态，方便泊车随时开出，同时，车道超声波传感器处于休眠状态；当车位空闲时，车道超声波传感器检测到有移动物体靠近，开启闪光灯和摄像头，拍摄图片，经系统识别，如果是新能源汽车，则道闸开启，汽车进入车位，如果为非新能源汽车，则禁行信号灯闪烁，并语音提醒重新寻找车位。并且，本申请实施例可以基于窄带物联网(NB-IoT)技术将道闸的开关状态、开关时间、蓄电池电量、车辆信息如车牌号等数据上传至云端，终端用户通过对云端信息进行分析处理进而实现车位远程检测与数据分析功能。物联网平台架构如图6所示。车位道闸系统通信模块采用移远的NB-IoT模组BC95，用于连接NB-IOT基站，支持多种协议(UDP/TCP/CoAP/LWM2M/MQTT)将数据上传至云平台。基于MQTT协议(消息队列遥测传输)向云平台发布/订阅信息。
进一步的，车位道闸系统工作流程图如图7所示，其工作流程为：
(1)FD01-2车位超声波传感器1循环检测车位是否存在车辆或其他妨碍停车的物体；
(2)若存在车辆，则保持道闸中的限位开启杆位于开启接近开关，即保持道闸处于打开状态，方便车辆随时开出；
(3)若车辆驶出后，车位超声波传感器1循环检测时，首次检测不到车辆存在，则关闭车位超声波传感器，延时90s后关闭道闸，限位闭合杆位于闭合接近开关，并将关闭时间和状态信息上传系统，启动车道超声波传感器；若非首次检测不到车辆存在，则保持闭合杆位于闭合接近开关，即保持道闸处于关闭状态。
(4)车道超声波传感器2检测到有移动物体靠近时，拍摄图像；
(5)利用深度学习算法对车牌进行识别，判断是否为新能源汽车；
(6)若是新能源汽车，则启动道闸电机，打开道闸，车辆通行进入车位。
(7)若不是新能源汽车，则通过喇叭播放此为新能源车位，禁行信号灯闪烁；
(8)根据车位车辆进出频率，将STM32定时器设定为一合适的时间间隔(如30分钟)，定时检测道闸工作状态，蓄电池电量、以及停泊车辆信息；
(9)检测BC95模块是否工作就绪并激活场景，注册登录到云平台；
(10)将采集的数据上传至云端服务器中；当电量过低或禁行信号灯长时间闪烁时，APP向终端用户发送报警信息。
这样，智能道闸系统正常处于休眠模式，当检测到车辆后，才会开启检测流程，降低了电量损耗，此外，通过选用STM32F427系列低功耗开发板作为道闸系统核心控制器，使得道闸系统无外供电源时可长时间户外独立工作；基于物联网通信技术对道闸系统远程监控，提高了工作人员对停车场内车位的巡检效率；通过对实时上传的道闸工作状态与开关频率数据的分析和统计，便于研究人员更好对空闲车位进行调配；智能道闸系统APP为用户提供相关数据信息警告服务，便于工作人员随时随地都可直接监测道闸的开关状态、蓄电池电量、车辆信息等状态信息。
参见图8所示，本申请实施例公开了一种车位道闸系统，包括：
车辆预检测模块11，用于检测是否有移动物体靠近车位；
图像采集模块12，用于当所述车辆预检测模块检测到有移动物体靠近车位，则进行图像采集以得到目标图像；
车牌识别模块13，用于对所述目标图像进行车牌识别，以得到车牌识别结果；
条件判断模块14，用于基于所述车牌识别结果判断相应车辆是否满足车位进入条件；
道闸控制模块15，用于若条件判断模块判定所述车牌识别结果满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位。
可见，本申请实施例当检测到有移动物体靠近车位，则进行图像采集以得到目标图像；对所述目标图像进行车牌识别，以得到车牌识别结果；基于所述车牌识别结果判断相应车辆是否满足车位进入条件，若满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位。也即，本申请检测是否有移动物体靠近车位，当检测到有移动物体靠近车位，则进行图像采集，然后进行车牌识别，并通过车牌识别结果判断是否允许车辆进入车位，并在允许的情况下，打开道闸，这样，针对靠近车位的移动物体进行图像采集和车牌识别，并基于车牌识别结果控制道闸，能够实现车位管理的智能化。
进一步的，所述系统还包括：
车位检测模块，用于利用车位超声波传感器检测所述车位是否存在车辆；
在一种实施方式中，启动车辆预检测模块11为车道超声波传感器，若车位检测模块检测到所述车位不存在车辆，则启动车道超声波传感器，利用所述车道超声波传感器检测是否有移动物体靠近所述车位。需要指出的是，本申请实施例可以利用车位超声波传感器对所述车位进行检测，若车位存在车辆或者其他妨碍停车的物体，则不启动车道超声波传感器。
在一种实施方式中，车牌识别模块13，包括：
车牌位置确定子模块，用于确定所述目标图像中的车牌位置；
车牌区域图像裁剪子模块，用于基于所述车牌位置从所述目标图像中裁剪出车牌区域图像；
字符分割子模块，用于对所述车牌区域图像进行字符分割，得到分割后字符图像；
字符分类子模块，用于将所述分割后字符图像输入字符分类模型，并将所述字符分类模型输出的分类结果确定为所述车牌识别结果。
其中，车牌位置确定子模块，具体用于对所述目标图像进行边缘检测以及二值化处理，得到二值化边缘图像；对所述二值化边缘图像进行形态学运算，得到形态学运算后图像；基于车牌尺寸信息以及所述形态学运算后图像确定所述目标图像中的车牌位置。
字符分割子模块，具体用于对所述车牌区域图像从左到右进行扫描，统计每列跳变个数，得到垂直投影图像；其中，从黑色像素点到白色像素点或从白色像素点到黑色像素点为一个跳变；基于所述垂直投影图像中的波谷进行字符分割，得到分割后字符图像。
并且，所述字符分类模型的训练过程包括：
获取训练数据集；所述训练数据集包括字符图像；
将所述字符图像归一化化为预设尺寸的训练图像，并将所述训练图像输入初始模型进行训练，以得到字符分类模型；
其中，所述初始模型包括一个输入层、两个卷积层、两个池化层以及两个全连接层。
在一种实施方式中，条件判断模块14，具体用于基于所述车牌识别结果判断相应车辆是否为新能源车辆，若相应车辆为新能源车辆，则判定相应车辆满足车位进入条件，否则，判定相应车辆不满足车位进入条件；
在另一种实施方式中，条件判断模块14，具体用于基于所述车牌识别结果判断相应车辆是否为所述车位对应的车位专有车辆，若是车位对应的车位专有车辆，则判定相应车辆满足车位进入条件，否则，判定相应车辆不满足车位进入条件。
进一步的，所述系统还用于：
当检测到所述车辆进入所述车位，则记录第一信息；其中，所述第一信息包括车牌号码、进入车位时间；
当检测到所述车辆驶出所述车位，则关闭所述道闸，记录第二信息；其中，所述第二信息包括所述道闸的关闭时间；
将所述第一信息和所述第二信息上传至云端，以便所述云端将所述第一信息和所述第二信息推送至相应的用户终端。
例如，参见图9所示，本申请实施例公开了一种具体的车位道闸系统示意图。将前述车牌识别模块和条件判断模块集成于STM32微控制器中，前述车辆预检测模块以及车位检测模块分别采用一个超声波传感器，图像采集模块包括摄像头，图9中检测模块包括超声波传感器和摄像头，系统还包括门禁模块、信息交互模块、电源模块、物联网远程监控和巡检模块。门禁模块包括电机和道闸，供电模块包括蓄电池和太阳能充电板，交互模块包括信号灯和喇叭。物联网远程监控和巡检模块用于检测道闸开关状态，蓄电池电量、以及车位停泊信息。本申请实施例将车位道闸系统将安装于车位入口处，STM32微控制器通过超声波传感器分别对车位和车道进行检测。当车位中有汽车停泊时，道闸处于开启状态，方便泊车随时开出，同时，车道超声波传感器处于休眠状态；当车位空闲时，车道超声波传感器检测到有移动物体靠近，开启闪光灯和摄像头，拍摄图片，经系统识别，如果是新能源汽车，则道闸开启，汽车进入车位，如果为非新能源汽车，则禁行信号灯闪烁并通过喇叭播报语音提示。当道闸打开，有车辆进入车位时，系统记录车牌号码、停车时间，当车辆驶离车位道闸关闭时，系统记录关闭时间、车位状态以及电池电量等信息，并通过BC95NB-IOT通信模块将相关数据上传至云端，供终端用户实时监测分析。
下面对本申请实施例提供的计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的车位道闸控制方法可相互对应参照。
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上存储有计算机程序，计算机程序被处理器执行时实现上述的车位道闸控制方法的步骤。
该计算机可读存储介质可以包括：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。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种车位道闸控制方法、车位道闸系统及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种车位道闸控制方法，其特征在于，包括：
当检测到有移动物体靠近车位，则进行图像采集以得到目标图像；
对所述目标图像进行车牌识别，以得到车牌识别结果；
基于所述车牌识别结果判断相应车辆是否满足车位进入条件，若满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位；
所述对所述目标图像进行车牌识别，以得到车牌识别结果，包括：确定所述目标图像中的车牌位置，并基于所述车牌位置从所述目标图像中裁剪出车牌区域图像；对所述车牌区域图像进行字符分割，得到分割后字符图像；将所述分割后字符图像输入字符分类模型，并将所述字符分类模型输出的分类结果确定为所述车牌识别结果；
所述对所述车牌区域图像进行字符分割，得到分割后字符图像，包括：对所述车牌区域图像从左到右进行扫描，统计每列跳变个数，得到垂直投影图像；其中，从黑色像素点到白色像素点或从白色像素点到黑色像素点为一个跳变；基于所述垂直投影图像中的波谷进行字符分割，得到分割后字符图像。
2.根据权利要求1所述的车位道闸控制方法，其特征在于，还包括：
利用车位超声波传感器检测所述车位是否存在车辆；
若所述车位不存在车辆，则启动车道超声波传感器，利用所述车道超声波传感器检测是否有移动物体靠近所述车位。
3.根据权利要求1所述的车位道闸控制方法，其特征在于，所述确定所述目标图像中的车牌位置，包括：
对所述目标图像进行边缘检测以及二值化处理，得到二值化边缘图像；
对所述二值化边缘图像进行形态学运算，得到形态学运算后图像；
基于车牌尺寸信息以及所述形态学运算后图像确定所述目标图像中的车牌位置。
4.根据权利要求1所述的车位道闸控制方法，其特征在于，所述字符分类模型的训练过程包括：
获取训练数据集；所述训练数据集包括字符图像；
将所述字符图像归一化化为预设尺寸的训练图像，并将所述训练图像输入初始模型进行训练，以得到字符分类模型；
其中，所述初始模型包括一个输入层、两个卷积层、两个池化层以及两个全连接层。
5.根据权利要求1所述的车位道闸控制方法，其特征在于，所述基于所述车牌识别结果判断相应车辆是否满足车位进入条件，包括：
基于所述车牌识别结果判断相应车辆是否为新能源车辆，若相应车辆为新能源车辆，则判定相应车辆满足车位进入条件，否则，判定相应车辆不满足车位进入条件；
或，基于所述车牌识别结果判断相应车辆是否为所述车位对应的车位专有车辆，若是车位对应的车位专有车辆，则判定相应车辆满足车位进入条件，否则，判定相应车辆不满足车位进入条件。
6.根据权利要求1至5任一项所述的车位道闸控制方法，其特征在于，还包括：
当检测到所述车辆进入所述车位，则记录第一信息；其中，所述第一信息包括车牌号码、进入车位时间；
当检测到所述车辆驶出所述车位，则关闭所述道闸，记录第二信息；其中，所述第二信息包括所述道闸的关闭时间；
将所述第一信息和所述第二信息上传至云端，以便所述云端将所述第一信息和所述第二信息推送至相应的用户终端。
7.一种车位道闸系统，其特征在于，包括：
车辆预检测模块，用于检测是否有移动物体靠近车位；
图像采集模块，用于当所述车辆预检测模块检测到有移动物体靠近车位，则进行图像采集以得到目标图像；
车牌识别模块，用于对所述目标图像进行车牌识别，以得到车牌识别结果；
条件判断模块，用于基于所述车牌识别结果判断相应车辆是否满足车位进入条件；
道闸控制模块，用于若条件判断模块判定所述车牌识别结果满足所述车位进入条件，则打开所述车位对应的道闸，以便所述车辆进入所述车位；
其中，车牌识别模块，包括：
车牌位置确定子模块，用于确定所述目标图像中的车牌位置；
车牌区域图像裁剪子模块，用于基于所述车牌位置从所述目标图像中裁剪出车牌区域图像；
字符分割子模块，用于对所述车牌区域图像进行字符分割，得到分割后字符图像；
字符分类子模块，用于将所述分割后字符图像输入字符分类模型，并将所述字符分类模型输出的分类结果确定为所述车牌识别结果；
并且，字符分割子模块，具体用于对所述车牌区域图像从左到右进行扫描，统计每列跳变个数，得到垂直投影图像；其中，从黑色像素点到白色像素点或从白色像素点到黑色像素点为一个跳变；基于所述垂直投影图像中的波谷进行字符分割，得到分割后字符图像。
8.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的车位道闸控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210799847.5A CN114934467B (zh) | 2022-07-08 | 2022-07-08 | 一种车位道闸控制方法、车位道闸系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210799847.5A CN114934467B (zh) | 2022-07-08 | 2022-07-08 | 一种车位道闸控制方法、车位道闸系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114934467A CN114934467A (zh) | 2022-08-23 |
| CN114934467B true CN114934467B (zh) | 2024-04-30 |
Family
ID=82868067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210799847.5A Active CN114934467B (zh) | 2022-07-08 | 2022-07-08 | 一种车位道闸控制方法、车位道闸系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114934467B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345881B (zh) * | 2022-10-18 | 2023-01-13 | 上海交强国通智能科技有限公司 | 一种基于计算机视觉的路面病害检测方法 |
Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4066999A (en) * | 1975-06-02 | 1978-01-03 | De Staat Der Nederlanden, To Dezen Vertegenwoordigd Door De Directeur-Generaal Der Posterijen, Telegrafie En Telefonie | Method for recognizing characters |
| CN101030257A (zh) * | 2007-04-13 | 2007-09-05 | 中国传媒大学 | 基于汉字特征的文档图像分割方法 |
| CN104156704A (zh) * | 2014-08-04 | 2014-11-19 | 胡艳艳 | 一种新的车牌识别方法及系统 |
| KR20160069817A (ko) * | 2014-12-09 | 2016-06-17 | 이명식 | 차량 검문 시스템 |
| CN205822059U (zh) * | 2016-07-22 | 2016-12-21 | 乐山师范学院 | 基于车牌识别的智能车位锁 |
| CN107067740A (zh) * | 2017-05-08 | 2017-08-18 | 南昌欧菲智慧信息产业有限公司 | 车牌识别道闸一体机及停车场控制系统 |
| CN107122777A (zh) * | 2017-04-25 | 2017-09-01 | 云南省交通科学研究所 | 一种基于视频文件的车辆分析系统及分析方法 |
| CN107154103A (zh) * | 2017-07-17 | 2017-09-12 | 梧州井儿铺贸易有限公司 | 一种高效的车库门禁系统 |
| EP3252670A1 (de) * | 2016-05-30 | 2017-12-06 | Roland Sellger | Verfahren zur bestimmung der urheberschaft von gemälden |
| CN207296548U (zh) * | 2017-06-21 | 2018-05-01 | 成都信息工程大学 | 基于红外感应的私家车位防占用装置 |
| CN208009307U (zh) * | 2017-12-29 | 2018-10-26 | 猎熊座安全技术（上海）有限公司 | 一种道闸及道闸系统 |
| CN108797439A (zh) * | 2018-06-06 | 2018-11-13 | 安徽灵图壹智能科技有限公司 | 一种防止非新能源车辆占用新能源充电车位的方法及系统 |
| CN109034019A (zh) * | 2018-07-12 | 2018-12-18 | 浙江工业大学 | 一种基于行分割线的黄色双行车牌字符分割方法 |
| CN109447069A (zh) * | 2018-10-31 | 2019-03-08 | 沈阳工业大学 | 面向智能终端的车辆信息采集识别方法及系统 |
| CN109653126A (zh) * | 2018-12-21 | 2019-04-19 | 深圳信路通智能技术有限公司 | 一种基于视频识别的充电桩地锁控制装置及方法 |
| CN110349430A (zh) * | 2019-06-04 | 2019-10-18 | 五邑大学 | 一种城市智能泊车装置及其方法 |
| CN110924330A (zh) * | 2019-11-01 | 2020-03-27 | 湖南深拓智能设备股份有限公司 | 智能车位锁控制系统 |
| CN111144199A (zh) * | 2019-11-12 | 2020-05-12 | 恒大智慧科技有限公司 | 一种停车场车位管理方法、装置及存储介质 |
| CN111311926A (zh) * | 2020-02-24 | 2020-06-19 | 南京理工大学 | 一种基于图像识别的电子车位锁装置及方法 |
| CN111798695A (zh) * | 2020-07-16 | 2020-10-20 | 广州心蛙科技有限责任公司 | 一种公共停车位自动化开关道闸系统 |
| CN211979867U (zh) * | 2020-06-12 | 2020-11-20 | 郑州市浩辰机电工程有限公司 | 一种社区车辆停放管理系统 |
| DE102020121628A1 (de) * | 2019-08-19 | 2021-02-25 | Intel Corporation | Verfahren, Computerprogramme und Vorrichtungen zur Konfiguration eines Funkträgers eines Fahrzeugs um eine Car2x Kommunikation zu ermöglichen |
| CN113392839A (zh) * | 2021-05-18 | 2021-09-14 | 浙江大华技术股份有限公司 | 非机动车车牌识别方法、装置、计算机设备和存储介质 |
| CN113673527A (zh) * | 2021-07-28 | 2021-11-19 | 成都恒创新星科技有限公司 | 一种车牌识别方法及系统 |
| CN113781794A (zh) * | 2021-09-27 | 2021-12-10 | 苏州爱开客信息技术有限公司 | 一种停车位管控方法 |
| CN114241801A (zh) * | 2021-11-12 | 2022-03-25 | 国网山东省电力公司日照供电公司 | 一种充电桩车位自动识别地锁系统 |
| CN114387591A (zh) * | 2022-01-12 | 2022-04-22 | 平安普惠企业管理有限公司 | 车牌识别方法、系统、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210020040A1 (en) * | 2020-10-05 | 2021-01-21 | James P. Bradley | Roadway Safety System |
-
2022
- 2022-07-08 CN CN202210799847.5A patent/CN114934467B/zh active Active
Patent Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4066999A (en) * | 1975-06-02 | 1978-01-03 | De Staat Der Nederlanden, To Dezen Vertegenwoordigd Door De Directeur-Generaal Der Posterijen, Telegrafie En Telefonie | Method for recognizing characters |
| CN101030257A (zh) * | 2007-04-13 | 2007-09-05 | 中国传媒大学 | 基于汉字特征的文档图像分割方法 |
| CN104156704A (zh) * | 2014-08-04 | 2014-11-19 | 胡艳艳 | 一种新的车牌识别方法及系统 |
| KR20160069817A (ko) * | 2014-12-09 | 2016-06-17 | 이명식 | 차량 검문 시스템 |
| EP3252670A1 (de) * | 2016-05-30 | 2017-12-06 | Roland Sellger | Verfahren zur bestimmung der urheberschaft von gemälden |
| CN205822059U (zh) * | 2016-07-22 | 2016-12-21 | 乐山师范学院 | 基于车牌识别的智能车位锁 |
| CN107122777A (zh) * | 2017-04-25 | 2017-09-01 | 云南省交通科学研究所 | 一种基于视频文件的车辆分析系统及分析方法 |
| CN107067740A (zh) * | 2017-05-08 | 2017-08-18 | 南昌欧菲智慧信息产业有限公司 | 车牌识别道闸一体机及停车场控制系统 |
| CN207296548U (zh) * | 2017-06-21 | 2018-05-01 | 成都信息工程大学 | 基于红外感应的私家车位防占用装置 |
| CN107154103A (zh) * | 2017-07-17 | 2017-09-12 | 梧州井儿铺贸易有限公司 | 一种高效的车库门禁系统 |
| CN208009307U (zh) * | 2017-12-29 | 2018-10-26 | 猎熊座安全技术（上海）有限公司 | 一种道闸及道闸系统 |
| CN108797439A (zh) * | 2018-06-06 | 2018-11-13 | 安徽灵图壹智能科技有限公司 | 一种防止非新能源车辆占用新能源充电车位的方法及系统 |
| CN109034019A (zh) * | 2018-07-12 | 2018-12-18 | 浙江工业大学 | 一种基于行分割线的黄色双行车牌字符分割方法 |
| CN109447069A (zh) * | 2018-10-31 | 2019-03-08 | 沈阳工业大学 | 面向智能终端的车辆信息采集识别方法及系统 |
| CN109653126A (zh) * | 2018-12-21 | 2019-04-19 | 深圳信路通智能技术有限公司 | 一种基于视频识别的充电桩地锁控制装置及方法 |
| CN110349430A (zh) * | 2019-06-04 | 2019-10-18 | 五邑大学 | 一种城市智能泊车装置及其方法 |
| DE102020121628A1 (de) * | 2019-08-19 | 2021-02-25 | Intel Corporation | Verfahren, Computerprogramme und Vorrichtungen zur Konfiguration eines Funkträgers eines Fahrzeugs um eine Car2x Kommunikation zu ermöglichen |
| CN110924330A (zh) * | 2019-11-01 | 2020-03-27 | 湖南深拓智能设备股份有限公司 | 智能车位锁控制系统 |
| CN111144199A (zh) * | 2019-11-12 | 2020-05-12 | 恒大智慧科技有限公司 | 一种停车场车位管理方法、装置及存储介质 |
| CN111311926A (zh) * | 2020-02-24 | 2020-06-19 | 南京理工大学 | 一种基于图像识别的电子车位锁装置及方法 |
| CN211979867U (zh) * | 2020-06-12 | 2020-11-20 | 郑州市浩辰机电工程有限公司 | 一种社区车辆停放管理系统 |
| CN111798695A (zh) * | 2020-07-16 | 2020-10-20 | 广州心蛙科技有限责任公司 | 一种公共停车位自动化开关道闸系统 |
| CN113392839A (zh) * | 2021-05-18 | 2021-09-14 | 浙江大华技术股份有限公司 | 非机动车车牌识别方法、装置、计算机设备和存储介质 |
| CN113673527A (zh) * | 2021-07-28 | 2021-11-19 | 成都恒创新星科技有限公司 | 一种车牌识别方法及系统 |
| CN113781794A (zh) * | 2021-09-27 | 2021-12-10 | 苏州爱开客信息技术有限公司 | 一种停车位管控方法 |
| CN114241801A (zh) * | 2021-11-12 | 2022-03-25 | 国网山东省电力公司日照供电公司 | 一种充电桩车位自动识别地锁系统 |
| CN114387591A (zh) * | 2022-01-12 | 2022-04-22 | 平安普惠企业管理有限公司 | 车牌识别方法、系统、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 一种多车辆图像的牌照分割技术;左望霞;;福建电脑;20070801(第08期);全文 * |
| 基于权系数标识符矩阵的车牌字符识别方法;李志敏;籍美苹;薛平;戴高;谢仙宝;;现代电子技术;20131215(第24期);全文 * |
| 赵坚勇.《应用电视技术》.西安电子科技大学出版社,2013,第270~274页. * |
| 车牌自动识别技术研究;戴忠起;赵建玉;杨东明;朱海渤;;价值工程;20150208(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114934467A (zh) | 2022-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10223597B2 (en) | Method and system for calculating passenger crowdedness degree | |
| CN102722704B (zh) | 一种融合视频动态跟踪的车牌识别方法和系统 | |
| CN111476169B (zh) | 一种基于视频帧的复杂场景路侧停车行为识别方法 | |
| Lee et al. | Available parking slot recognition based on slot context analysis | |
| CN101692313A (zh) | 基于嵌入式平台的便携式车辆识别装置 | |
| CN110660222A (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
| KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
| CN108830254B (zh) | 一种基于数据均衡策略和密集注意网络的细粒度车型检测与识别方法 | |
| CN111508269B (zh) | 一种基于图像识别的开放式停车位车辆判别方法与装置 | |
| CN114934467B (zh) | 一种车位道闸控制方法、车位道闸系统及介质 | |
| Amato et al. | A wireless smart camera network for parking monitoring | |
| CN115116012B (zh) | 基于目标检测算法的车辆停车位停车状态检测方法及系统 | |
| CN108875458A (zh) | 车辆远光灯开启的检测方法、装置、电子设备及摄像机 | |
| CN110852177A (zh) | 基于单目相机的障碍物检测方法及系统 | |
| US11501641B2 (en) | Parking management method and parking management device | |
| Zhou | Real-time animal detection system for intelligent vehicles | |
| Gao et al. | On‐line vehicle detection at nighttime‐based tail‐light pairing with saliency detection in the multi‐lane intersection | |
| Tao et al. | A three-stage framework for smoky vehicle detection in traffic surveillance videos | |
| CN103106400B (zh) | 一种人脸检测方法与装置 | |
| Shafie et al. | Smart video surveillance system for vehicle detection and traffic flow control | |
| CN111950499A (zh) | 一种检测车载人员统计信息的方法 | |
| Song et al. | Vision-based parking space detection: A mask R-CNN approach | |
| KR102521590B1 (ko) | 진출입 차량 검지장치 및 진출입 차량 검지 방법 | |
| CN114973154A (zh) | 停车场的识别方法、系统和控制方法、系统、设备和介质 | |
| 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 |