CN114973754B - 一种基于蓝牙aoa的车辆定位系统 - Google Patents

一种基于蓝牙aoa的车辆定位系统 Download PDF

Info

Publication number
CN114973754B
CN114973754B CN202210503507.3A CN202210503507A CN114973754B CN 114973754 B CN114973754 B CN 114973754B CN 202210503507 A CN202210503507 A CN 202210503507A CN 114973754 B CN114973754 B CN 114973754B
Authority
CN
China
Prior art keywords
image
positioning
vehicle
garage
camera
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
Application number
CN202210503507.3A
Other languages
English (en)
Other versions
CN114973754A (zh
Inventor
汪菲
谢小勇
管根崇
贾东升
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.)
Jiangsu Lance Electronic Technology Co ltd
Original Assignee
Jiangsu Lance Electronic 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 Jiangsu Lance Electronic Technology Co ltd filed Critical Jiangsu Lance Electronic Technology Co ltd
Priority to CN202210503507.3A priority Critical patent/CN114973754B/zh
Publication of CN114973754A publication Critical patent/CN114973754A/zh
Application granted granted Critical
Publication of CN114973754B publication Critical patent/CN114973754B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • G08G1/144—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces on portable or mobile units, e.g. personal digital assistant [PDA]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • 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
    • G06V10/30—Noise filtering
    • 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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/146—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is a limited parking space, e.g. parking garage, restricted space
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明公开了一种基于蓝牙AOA的车辆定位系统，包括若干车库摄像机，所述车库摄像机包括摄像头、定位模块以及分别与摄像头、定位模块连接的主控芯片，与主控芯片通信连接的总服务器，所述总服务器包括车牌识别模块、视频定位模块、车辆定位模块和定位导航模块。本发明提供的系统定位寻车准确快速，车库摄像机内安装有定位模块，两者统一安装简单方便，可通过车库摄像机快速获取车辆位置，通过车库摄像机追踪目标车辆的停车位置或者大致停车位置，通过定位模块对移动端进行定位，将车主引导至停车位置或者大致停车位置即可，车主钥匙锁车键即可寻到目标车辆。

Description

一种基于蓝牙AOA的车辆定位系统
【技术领域】
本发明涉及室内定位技术领域，尤其涉及一种基于蓝牙AOA的车辆定位系统。
【背景技术】
随着我国经济的飞速发展，国民生活水平得到显著提高，我国城市汽车保有量与日俱增，所以现在的停车场越修越大，尤其是大型商场、购物中心和大型小区的地下停车场。
地下停车场场所大、布局复杂、车辆多且定位困难，因此，停车人停完车后，很容易遗忘车辆停放在哪，寻找起来困难，耗时耗力。
【发明内容】
有鉴于此，本发明实施例提供了一种基于蓝牙AOA的车辆定位系统。
第一方面，本发明实施例提供了一种基于蓝牙AOA的车辆定位系统，所述系统包括：
若干车库摄像机，所述车库摄像机包括摄像头、定位模块以及分别与摄像头、定位模块连接的主控芯片，所述定位模块为AOA定位基站，所述主控芯片用于获取车库摄像机提供的视频数据进行车牌图像捕捉，并用于通过定位模块对移动端进行单基站定位；
与主控芯片通信连接的总服务器，所述总服务器包括车牌识别模块、视频定位模块、车辆定位模块和定位导航模块；
车牌识别模块，用于根据数据库进行车牌识别；
视频定位模块，用于通过定位模块建立车库摄像机的视频定位；
车辆定位模块，用于建立目标车辆的时间序列影像数据，预处理后生成目标停车位置；
定位导航模块，用于接收移动端发送的目标车辆寻车请求，通过定位模块对移动端进行多基站定位，连接移动端位置和目标停车位置进行寻向导航。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述视频定位模块具体用于：
建立车库摄像机图像界面的图像坐标系，将定位模块的坐标数据作为车库摄像机的世界坐标数据；
接收校准移动端发送的定位请求和绑定信息，通过定位模块实时获取校准移动端的世界坐标K，所述绑定信息为校准移动端与校准车辆的对应信息；
获取车库摄像机提供的视频数据进行校准车辆的车牌识别，抓取校准车辆的车牌图像，获取校准车辆的车牌中心相对图像界面的图像坐标k；
构建神经网络模型，以摄像坐标k作为输入，世界坐标K作为输出，
定义有序对集合作为神经网络模型的训练数据集Htrain＝{(k1,K1),(k2,K2),…,(km,Km)}，利用训练好的机器学习模型建立车库摄像机的视频定位。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述构建神经网络模型方法如下：
定义卷积神经网络K＝fnet(k1，…，km)，其中，k为摄像坐标，K为世界坐标，fnet为CNN表示的映射，m为样本数量；
所述神经网络结构包括：输入层、卷积层C1、池化层S1、卷积层C2、卷积层C3、池化层S2、卷积层C4、池化层S3、卷积层C5、全连接层F1和输出层；
其中，卷积层C1和卷积层C2的过滤器大小为Conv(7*7*96)，卷积层C3和卷积层C4的过滤器大小为Conv(5*5*128)，卷积层C5的过滤器大小为Conv(3*3*128)，池化层S1、池化层S2和池化层S3的过滤器均为Maxpool(2*2)；全连接层F1包含500个ResNet全连接神经元节点，以连接池化层S3输出的所有特征；除输出层均使用ReLU激活函数；输出层采用softmax函数，以交叉熵作为优化目标；
训练神经网络的损失函数定义如下：
其中，Ki为网络给出的估计位置，qi为目标位置向量；ω为网络的权重；Q为随机生成位置向量，其中，qi＝(qix,qiy)T，i＝1,…,Q，T为样本集合；
使用基于随机梯度下降算法的迭代优化，一旦在优化过程中满足终止条件，最终获得目标权重θ。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述系统还包括停车提示模块，所述停车提示模块用于：
当移动端位置和目标停车位置间距M≤间距阈值M0时，计算移动端停留时间T；
当移动端停留时间T≥时间阈值T0时，判断停留时间T内车库摄像机是否识别有目标车辆，若无，则向移动端发送目标车辆对应的最后车库摄像机记录时间序列影像数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述车牌识别的方法如下：
从车库摄像机提供的视频数据中读取视频帧图像；
对所述读取视频帧图像进行预处理：将彩色图像转换成灰度图像，根据图像中的R、G、B值，计算出灰度值，得到灰度图像；使用中值滤波器去除图像的噪声；
提取图像中的车牌：获取图像的行和列值，使用R/3:R修改图像，其中，b＝a(R/3:R，1:C)，b为修改图像，a为原始图像，R为行，C为列，将图像保存在另一个变量中，分配位置并显示图像；找到修改图像的行和列，创建修改图像行和列大小的虚拟图像，比较每个像素值，如果像素值大于150，则将值1放入虚拟图像，否则将0放入虚拟图像，然后对该图像应用中值滤波；
倾斜检测和校正：对带有线条的图像应用Radon变换，求最大Radon变换矩阵或峰或线，找到与最大值对应的角度，板线倾斜角度为90倾斜角度，按角度旋转原始图像；
车牌识别：分割车牌图像中的每个字符，通过OCR将每个字符与完整的字母数字汉字简称数据库进行比较字符识，生成值省市区汉字简称、A-Z和0-9，最后将值转换为字符串，获得整个车牌的识别结果。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述车辆定位模块还用于：
依次判断间隔时间ΔT内车库摄像机是否识别出目标车辆，ΔT＝T1+2nT2，其中，T1为初始时间阈值，n为已识别出目标车辆的车库摄像机数量，T2为叠加的时间阈值；
若识别出目标车辆，则将车库摄像机按时间顺序进行编号，否则，将最大编号的车库摄像机作为目标车辆停车处的最后车库摄像机；
分析最后车库摄像机记录时间序列影像数据，将车牌最后识别位置作为目标停车位置。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述视频定位模块还用于：
所述定位模块包括由M个天线组成且相邻两个天线间距为d的线性天线阵列，M×1接收向量定义为：x＝A(θ)s+n，其中，A(θ)为关于到达角θ的矩阵，s为S×1信号向量，n为M×1噪声向量，
大小为M×S的矩阵A(θ)的第i列的方向向量定义如下：
其中，波数/>λ为波长，T为集合；
接收信号的协方差函数Rxx由大小为M×M的矩阵表示，经过特征值分解后如下：
Rxx＝UsΛsUs+UnΛnUn，其中，Us和Un为信号和噪声子空间的酉矩阵，Λs和Λn为信号和噪声特征值的对角矩阵；
空间功率谱表示为：其中，(·)H为厄米矩阵运算，其中光谱峰值表示到达角；
通过到达角不同组合计算校准移动端的世界坐标K。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述视频定位模块还用于：
对方向向量进行修正，获得修正后的方向向量：其中，j为虚数单位，波数/>λ为波长hT为由于天线错误位置导致的信号的延迟距离，ex为线性天线阵列沿线轴方向测量的位置误差，ey为线性天线阵列垂直线轴方向测量的位置误差。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述定位导航模块用于：
选取接收移动端无线信号的定位基站，分别计算达到角；
根据任一两个基站的不同组合，可以计算出多个相对移动端的坐标位置；
将所有坐标位置进行两两组合，求两位置之间相对距离；
取距离最小的两个位置求均值计算移动端最终定位位置。
上述技术方案中的一个技术方案具有如下有益效果：
本发明实施例的提供的基于蓝牙AOA的车辆定位系统定位寻车准确快速，车库摄像机内安装有定位模块，两者统一安装简单方便，可通过车库摄像机快速获取车辆位置，通过车库摄像机追踪目标车辆的停车位置或者大致停车位置，通过定位模块对移动端进行定位，将车主引导至停车位置或者大致停车位置即可，车主钥匙锁车键即可寻到目标车辆。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。
图1是为本发明实施例所提供的基于蓝牙AOA的车辆定位系统的功能框图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅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，都属于本发明保护的范围。
请参考图1，其为本发明实施例所提供的一种基于蓝牙AOA的车辆定位系统的功能框图，如图1所示，该系统包括：
若干车库摄像机，所述车库摄像机包括摄像头、定位模块以及分别与摄像头、定位模块连接的主控芯片，所述定位模块为AOA定位基站，其安装在车库摄像机内，所述主控芯片用于获取车库摄像机提供的视频数据进行车牌图像捕捉，并用于通过定位模块对移动端进行单基站定位；
与主控芯片通信连接的总服务器，所述总服务器包括车牌识别模块、视频定位模块、车辆定位模块和定位导航模块；
车牌识别模块，用于根据数据库进行车牌识别；
视频定位模块，用于通过定位模块建立车库摄像机的视频定位；
车辆定位模块，用于建立目标车辆的时间序列影像数据，预处理后生成目标停车位置；
定位导航模块，用于接收移动端发送的目标车辆寻车请求，通过定位模块对移动端进行多基站定位，连接移动端位置和目标停车位置进行寻向导航。
本发明车库摄像机内安装有定位模块，定位模块为AOA定位基站，两者统一安装简单方便，既可以满足摄像要求，又可以满足定位要求，且通过定位模块可建立车库摄像机的视频定位，然后可通过车库摄像机快速获取车辆位置；获取车库摄像机提供的视频数据进行车牌识别，建立目标车辆的时间序列影像数据，预处理后生成目标停车位置，通过车库摄像机追踪目标车辆的停车位置或者大致停车位置，即通过最后识别出目标车辆的车库摄像机提供的影像数据获取目标车辆的停车位置或者大致停车位置；接收移动端发送的目标车辆寻车请求，通过定位模块对移动端进行定位，连接移动端位置和目标停车位置进行寻向导航，蓝牙AOA可准确对车库内的移动端进行定位，从而将车主引导至停车位置或者大致停车位置即可，车主钥匙锁车键即可寻到目标车辆，本发明提供的基于蓝牙AOA的车辆定位系统省事方便，定位寻车准确快速。本发明将定位运算能力分布于每个摄像机内定位基站中，可以有效降低总服务器的运算负载，提高整体定位效率。
另外，在本发明优选实施例中，视频定位模块具体用于：
建立车库摄像机图像界面的图像坐标系，将定位模块的坐标数据作为车库摄像机的世界坐标数据；
接收校准移动端发送的定位请求和绑定信息，通过定位模块实时获取校准移动端的世界坐标K，所述绑定信息为校准移动端与校准车辆的对应信息；
获取车库摄像机提供的视频数据进行校准车辆的车牌识别，抓取校准车辆的车牌图像，获取校准车辆的车牌中心相对图像界面的图像坐标k；
构建神经网络模型，以摄像坐标k作为输入，世界坐标K作为输出，
定义有序对集合作为神经网络模型的训练数据集Htrain＝{(k1,K1),(k2,K2),…,(km,Km)}，利用训练好的机器学习模型建立车库摄像机的视频定位。
其中，本发明的构建神经网络模型方法如下：
定义卷积神经网络K＝fnet(k1，…，km)，其中，k为摄像坐标，K为世界坐标，fnet为CNN表示的映射，m为样本数量；
所述神经网络结构包括：输入层、卷积层C1、池化层S1、卷积层C2、卷积层C3、池化层S2、卷积层C4、池化层S3、卷积层C5、全连接层F1和输出层；
其中，卷积层C1和卷积层C2的过滤器大小为Conv(7*7*96)，卷积层C3和卷积层C4的过滤器大小为Conv(5*5*128)，卷积层C5的过滤器大小为Conv(3*3*128)，池化层S1、池化层S2和池化层S3的过滤器均为Maxpool(2*2)；全连接层F1包含500个ResNet全连接神经元节点，以连接池化层S3输出的所有特征；除输出层均使用ReLU激活函数；输出层采用softmax函数，以交叉熵作为优化目标；
训练神经网络的损失函数定义如下：
其中，Ki为网络给出的估计位置，qi为目标位置向量；ω为网络的权重；Q为随机生成位置向量，其中，qi＝(qix,qiy)T，i＝1,…,Q，T为样本集合；
使用基于随机梯度下降算法的迭代优化，一旦在优化过程中满足终止条件，最终获得目标权重θ。
本发明将定位模块的坐标数据作为车库摄像机的世界坐标数据，利用训练好的机器学习模型建立车库摄像机的视频定位，可利用车库摄像机快速获取车辆定位，适用不同车库环境不同摄像机，且定位准确快速。需要说明的是，校准移动端与校准车辆可以是专门用于提供数据的移动端和车辆，也可以是前期客户进入车库要求绑定手机和车辆，训练完成后则无需再进行额外绑定操作，更加方便便捷。另外，本发明神经网络模型构建的网络可以非常快速地进行端到端训练，效率高，输出准确。
另外，在本发明优选实施例中，本发明的系统还包括停车提示模块，所述停车提示模块用于：
当移动端位置和目标停车位置间距M≤间距阈值M0时，计算移动端停留时间T；
当移动端停留时间T≥时间阈值T0时，判断停留时间T内车库摄像机是否识别有目标车辆，若无，则向移动端发送目标车辆对应的最后车库摄像机记录时间序列影像数据。
本发明在移动端接近目标停车位置一定范围时，根据停留时间和是否识别到目标车辆，判断车主是否找到停放车辆，若没找到，则向车主手机发起数据发送请求，若车主同意，则向移动端发送目标车辆对应的最后车库摄像机记录时间序列影像数据，车主即可根据视频和记忆找回停放车辆。
其中，本发明的车牌识别的方法如下：
从车库摄像机提供的视频数据中读取视频帧图像；
对所述读取视频帧图像进行预处理：将彩色图像转换成灰度图像，根据图像中的R、G、B值，计算出灰度值，得到灰度图像；使用中值滤波器去除图像的噪声；
提取图像中的车牌：获取图像的行和列值，使用R/3:R修改图像，其中，b＝a(R/3:R，1:C)，b为修改图像，a为原始图像，R为行，C为列，将图像保存在另一个变量中，分配位置并显示图像；找到修改图像的行和列，创建修改图像行和列大小的虚拟图像，比较每个像素值，如果像素值大于150，则将值1放入虚拟图像，否则将0放入虚拟图像，然后对该图像应用中值滤波；
倾斜检测和校正：对带有线条的图像应用Radon变换，求最大Radon变换矩阵或峰或线，找到与最大值对应的角度，板线倾斜角度为90倾斜角度，按角度旋转原始图像；
车牌识别：分割车牌图像中的每个字符，通过OCR将每个字符与完整的字母数字汉字简称数据库进行比较字符识，生成值省市区汉字简称、A-Z和0-9，最后将值转换为字符串，获得整个车牌的识别结果。本发明的车牌识别的方法识别准确迅速。
另外，在本发明优选实施例中，本发明的车辆定位模块还用于：
依次判断间隔时间ΔT内车库摄像机是否识别出目标车辆，ΔT＝T1+2nT2，其中，T1为初始时间阈值，n为已识别出目标车辆的车库摄像机数量，T2为叠加的时间阈值；
若识别出目标车辆，则将车库摄像机按时间顺序进行编号，否则，将最大编号的车库摄像机作为目标车辆停车处的最后车库摄像机；
分析最后车库摄像机记录时间序列影像数据，将车牌最后识别位置作为目标停车位置。
本发明通过将车库摄像机视频记录同时进行车牌识别，从而生成目标车辆的时间序列影像数据，从而完成对目标车辆的追踪，确定停车位置，无需像现有技术一样在停车阶段即花费大量成本、浪费客户大量精力来精确定位停车位置。
另外，在本发明优选实施例中，本发明的视频定位模块还用于：
所述定位模块包括由M个天线组成且相邻两个天线间距为d的线性天线阵列，M×1接收向量定义为：x＝A(θ)s+n，其中，A(θ)为关于到达角θ的矩阵，s为S×1信号向量，n为M×1噪声向量，
大小为M×S的矩阵A(θ)的第i列的方向向量定义如下：
其中，波数/>λ为波长，T为集合；
接收信号的协方差函数Rxx由大小为M×M的矩阵表示，经过特征值分解后如下：
Rxx＝UsΛsUs+UnΛnUn，其中，Us和Un为信号和噪声子空间的酉矩阵，Λs和Λn为信号和噪声特征值的对角矩阵；
空间功率谱表示为：其中，(·)H为厄米矩阵运算，其中光谱峰值表示到达角；
通过到达角不同组合计算校准移动端的世界坐标K。
另外，在本发明优选实施例中，本发明的视频定位模块还用于：
对方向向量进行修正，获得修正后的方向向量：其中，j为虚数单位，波数/>λ为波长hT为由于天线错误位置导致的信号的延迟距离，ex为线性天线阵列沿线轴方向测量的位置误差，ey为线性天线阵列垂直线轴方向测量的位置误差。
另外，在本发明优选实施例中，本发明的定位导航模块用于：
选取接收移动端无线信号的定位基站，分别计算达到角；
根据任一两个基站的不同组合，可以计算出多个相对移动端的坐标位置；
将所有坐标位置进行两两组合，求两位置之间相对距离；
取距离最小的两个位置求均值计算移动端最终定位位置。
在硬件层面，该装置可以包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该装置还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，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。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (4)

1.一种基于蓝牙AOA的车辆定位系统，其特征在于，所述系统包括：
若干车库摄像机，所述车库摄像机包括摄像头、定位模块以及分别与摄像头、定位模块连接的主控芯片，所述定位模块为AOA定位基站，所述主控芯片用于获取车库摄像机提供的视频数据进行车牌图像捕捉，并用于通过定位模块对移动端进行单基站定位；
与主控芯片通信连接的总服务器，所述总服务器包括车牌识别模块、视频定位模块、车辆定位模块和定位导航模块；
车牌识别模块，用于根据数据库进行车牌识别；
视频定位模块，用于通过定位模块建立车库摄像机的视频定位；
车辆定位模块，用于建立目标车辆的时间序列影像数据，预处理后生成目标停车位置；
定位导航模块，用于接收移动端发送的目标车辆寻车请求，通过定位模块对移动端进行多基站定位，连接移动端位置和目标停车位置进行寻向导航；
所述视频定位模块具体用于：
建立车库摄像机图像界面的图像坐标系，将定位模块的坐标数据作为车库摄像机的世界坐标数据；
接收校准移动端发送的定位请求和绑定信息，通过定位模块实时获取校准移动端的世界坐标K，所述绑定信息为校准移动端与校准车辆的对应信息；
获取车库摄像机提供的视频数据进行校准车辆的车牌识别，抓取校准车辆的车牌图像，获取校准车辆的车牌中心相对图像界面的图像坐标k；
构建神经网络模型，以摄像坐标k作为输入，世界坐标K作为输出，
定义有序对集合作为神经网络模型的训练数据集Htrain＝{(k1,K1),(k2,K2),…,(km,Km)}，利用训练好的机器学习模型建立车库摄像机的视频定位；
所述构建神经网络模型方法如下：
定义卷积神经网络K＝fnet(k1，…，km)，其中，k为摄像坐标，K为世界坐标，fnet为CNN表示的映射，m为样本数量；
所述神经网络结构包括：输入层、卷积层C1、池化层S1、卷积层C2、卷积层C3、池化层S2、卷积层C4、池化层S3、卷积层C5、全连接层F1和输出层；
其中，卷积层C1和卷积层C2的过滤器大小为Conv(7*7*96)，卷积层C3和卷积层C4的过滤器大小为Conv(5*5*128)，卷积层C5的过滤器大小为Conv(3*3*128)，池化层S1、池化层S2和池化层S3的过滤器均为Maxpool(2*2)；全连接层F1包含500个ResNet全连接神经元节点，以连接池化层S3输出的所有特征；除输出层均使用ReLU激活函数；输出层采用softmax函数，以交叉熵作为优化目标；
训练神经网络的损失函数定义如下：
其中，Ki为网络给出的估计位置，qi为目标位置向量；ω为网络的权重；Q为随机生成位置向量，其中，qi＝(qix,qiy)T，i＝1,…,Q，T为样本集合；
使用基于随机梯度下降算法的迭代优化，一旦在优化过程中满足终止条件，最终获得目标权重θ；
所述车辆定位模块用于：
当移动端位置和目标停车位置间距M≤间距阈值M0时，计算移动端停留时间T；
当移动端停留时间T≥时间阈值T0时，判断停留时间T内车库摄像机是否识别有目标车辆，若无，则向移动端发送目标车辆对应的最后车库摄像机记录时间序列影像数据；
所述车牌识别的方法如下：
从车库摄像机提供的视频数据中读取视频帧图像；
对所述读取视频帧图像进行预处理：将彩色图像转换成灰度图像，根据图像中的R、G、B值，计算出灰度值，得到灰度图像；使用中值滤波器去除图像的噪声；
提取图像中的车牌：获取图像的行和列值，使用R/3:R修改图像，其中，b＝a(R/3:R，1:C)，b为修改图像，a为原始图像，R为行，C为列，将图像保存在另一个变量中，分配位置并显示图像；找到修改图像的行和列，创建修改图像行和列大小的虚拟图像，比较每个像素值，如果像素值大于150，则将值1放入虚拟图像，否则将0放入虚拟图像，然后对该图像应用中值滤波；
倾斜检测和校正：对带有线条的图像应用Radon变换，求最大Radon变换矩阵或峰或线，找到与最大值对应的角度，板线倾斜角度为90倾斜角度，按角度旋转原始图像；
车牌识别：分割车牌图像中的每个字符，通过OCR将每个字符与完整的字母数字汉字简称数据库进行比较字符识，生成值省市区汉字简称、A-Z和0-9，最后将值转换为字符串，获得整个车牌的识别结果；
所述车辆定位模块还用于：
依次判断间隔时间ΔT内车库摄像机是否识别出目标车辆，ΔT＝T1+2nT2，其中，T1为初始时间阈值，n为已识别出目标车辆的车库摄像机数量，T2为叠加的时间阈值；
若识别出目标车辆，则将车库摄像机按时间顺序进行编号，否则，将最大编号的车库摄像机作为目标车辆停车处的最后车库摄像机；
分析最后车库摄像机记录时间序列影像数据，将车牌最后识别位置作为目标停车位置。
2.根据权利要求1所述的系统，其特征在于，所述视频定位模块还用于：
所述定位模块包括由M个天线组成且相邻两个天线间距为d的线性天线阵列，M×1接收向量定义为：x＝A(θ)s+n，其中，A(θ)为关于到达角θ的矩阵，s为S×1信号向量，n为M×1噪声向量，
大小为M×S的矩阵A(θ)的第i列的方向向量定义如下：
其中，波数/>λ为波长，T为集合；
接收信号的协方差函数Rxx由大小为M×M的矩阵表示，经过特征值分解后如下：
Rxx＝UsΛsUs+UnΛnUn，其中，Us和Un为信号和噪声子空间的酉矩阵，Λs和Λn为信号和噪声特征值的对角矩阵；
空间功率谱表示为：其中，(·)H为厄米矩阵运算，其中光谱峰值表示到达角；
通过到达角不同组合计算校准移动端的世界坐标K。
3.根据权利要求2所述的系统，其特征在于，所述视频定位模块还用于：
对方向向量进行修正，获得修正后的方向向量：其中，j为虚数单位，波数/>λ为波长hT为由于天线错误位置导致的信号的延迟距离，ex为线性天线阵列沿线轴方向测量的位置误差，ey为线性天线阵列垂直线轴方向测量的位置误差。
4.根据权利要求3所述的系统，其特征在于，所述定位导航模块用于：
选取接收移动端无线信号的定位基站，分别计算达到角；
根据任一两个基站的不同组合，可以计算出多个相对移动端的坐标位置；
将所有坐标位置进行两两组合，求两位置之间相对距离；
取距离最小的两个位置求均值计算移动端最终定位位置。
CN202210503507.3A 2022-05-09 2022-05-09 一种基于蓝牙aoa的车辆定位系统 Active CN114973754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210503507.3A CN114973754B (zh) 2022-05-09 2022-05-09 一种基于蓝牙aoa的车辆定位系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210503507.3A CN114973754B (zh) 2022-05-09 2022-05-09 一种基于蓝牙aoa的车辆定位系统

Publications (2)

Publication Number Publication Date
CN114973754A CN114973754A (zh) 2022-08-30
CN114973754B true CN114973754B (zh) 2024-02-02

Family

ID=82981139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210503507.3A Active CN114973754B (zh) 2022-05-09 2022-05-09 一种基于蓝牙aoa的车辆定位系统

Country Status (1)

Country Link
CN (1) CN114973754B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833859A (zh) * 2010-05-14 2010-09-15 山东大学 基于虚拟线圈的自触发车牌识别方法
CN104050450A (zh) * 2014-06-16 2014-09-17 西安通瑞新材料开发有限公司 一种基于视频的车牌识别方法
CN110348501A (zh) * 2019-07-01 2019-10-18 深圳市道尔智控科技股份有限公司 一种实现停车场车牌相似度匹配方法
CN111445531A (zh) * 2020-03-24 2020-07-24 云南电网有限责任公司楚雄供电局 一种多目相机导航方法、装置、设备及存储介质
CN112102645A (zh) * 2020-08-31 2020-12-18 南京创维信息技术研究院有限公司 一种基于蓝牙aoa技术的室内定位寻车系统及方法
CN113743216A (zh) * 2021-08-03 2021-12-03 湖南省交通科学研究院有限公司 基于视频的停车监控方法、计算机设备及可读存储介质
CN113947939A (zh) * 2021-10-21 2022-01-18 斑马网络技术有限公司 一种寻车方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10464606B2 (en) * 2017-04-03 2019-11-05 Robert E. Griffith Method and apparatus for guiding a vehicle along a defined guidepath

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833859A (zh) * 2010-05-14 2010-09-15 山东大学 基于虚拟线圈的自触发车牌识别方法
CN104050450A (zh) * 2014-06-16 2014-09-17 西安通瑞新材料开发有限公司 一种基于视频的车牌识别方法
CN110348501A (zh) * 2019-07-01 2019-10-18 深圳市道尔智控科技股份有限公司 一种实现停车场车牌相似度匹配方法
CN111445531A (zh) * 2020-03-24 2020-07-24 云南电网有限责任公司楚雄供电局 一种多目相机导航方法、装置、设备及存储介质
CN112102645A (zh) * 2020-08-31 2020-12-18 南京创维信息技术研究院有限公司 一种基于蓝牙aoa技术的室内定位寻车系统及方法
CN113743216A (zh) * 2021-08-03 2021-12-03 湖南省交通科学研究院有限公司 基于视频的停车监控方法、计算机设备及可读存储介质
CN113947939A (zh) * 2021-10-21 2022-01-18 斑马网络技术有限公司 一种寻车方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Mohammed Al-Sadoon 等.Investigation the Impact of the Elements Position Error within the Antenna Array on the AOA Estimation Accuracy.《ResearchGate》.2020,论文第2.1节. *
李泽.基于WLAN信道状态信息的室内AOA 定位算法.《中国优秀硕士学位论文全 文数据库 信息科技辑》.2018,论文第2.1节. *

Also Published As

Publication number Publication date
CN114973754A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN111310861A (zh) 一种基于深度神经网络的车牌识别和定位方法
CN107944450B (zh) 一种车牌识别方法及装置
CN110166991B (zh) 用于定位电子设备的方法、设备、装置以及存储介质
CN112668494A (zh) 基于多尺度特征提取的小样本变化检测方法
CN108540929B (zh) 基于rssi信号强度排序的室内指纹定位方法
CN111563414A (zh) 一种基于非局部特征增强的sar图像舰船目标检测方法
CN105009145A (zh) 通过利用特征的空间定位减少对象检测时间
CN113140005B (zh) 目标对象定位方法、装置、设备及存储介质
CN113657181B (zh) 一种基于平滑标签编码与特征增强的sar图像旋转目标检测方法
CN108805864A (zh) 基于图像数据的违章建筑物的获取方法以及装置
CN111382808A (zh) 一种车辆检测处理方法及装置
CN115631344B (zh) 一种基于特征自适应聚合的目标检测方法
CN110837786A (zh) 基于空间通道的密度图产生方法、装置、电子终端及介质
CN110163294A (zh) 基于降维操作和卷积网络的遥感图像变化区域检测方法
Gao et al. Global to local: A scale-aware network for remote sensing object detection
CN115830423A (zh) 基于毫米波雷达与可见光图像融合的目标检测方法
CN111401143A (zh) 一种行人跟踪系统及方法
CN114973754B (zh) 一种基于蓝牙aoa的车辆定位系统
CN114913705B (zh) 一种基于蓝牙aoa的车辆定位方法
CN112395924B (zh) 一种遥感监测方法及装置
CN112329616A (zh) 目标检测方法、装置、设备以及存储介质
CN115497075A (zh) 基于改进型卷积神经网络交通目标检测方法及相关装置
CN111709377B (zh) 特征提取方法、目标重识别方法、装置及电子设备
CN114463764A (zh) 表格线检测方法、装置、计算机设备和存储介质
CN112925948A (zh) 视频处理方法及其装置、介质、芯片和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant