CN115171053A - 路侧停车检测方法、系统及电子设备 - Google Patents

路侧停车检测方法、系统及电子设备 Download PDF

Info

Publication number
CN115171053A
CN115171053A CN202210701367.0A CN202210701367A CN115171053A CN 115171053 A CN115171053 A CN 115171053A CN 202210701367 A CN202210701367 A CN 202210701367A CN 115171053 A CN115171053 A CN 115171053A
Authority
CN
China
Prior art keywords
vehicle
parking
result
detection model
key point
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
CN202210701367.0A
Other languages
English (en)
Inventor
管文龙
徐博文
神克乐
胡露露
江璐
龙一民
陈新
周浩
荆碧晨
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.)
Alibaba Cloud Computing Ltd
Original Assignee
Alibaba Cloud Computing 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 Alibaba Cloud Computing Ltd filed Critical Alibaba Cloud Computing Ltd
Priority to CN202210701367.0A priority Critical patent/CN115171053A/zh
Publication of CN115171053A publication Critical patent/CN115171053A/zh
Priority to PCT/CN2023/101179 priority patent/WO2023246720A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/96—Management of image or video recognition tasks
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例提供一种路侧停车检测方法、系统及电子设备。其中，本申请实施例提供的技术方案，将多个机器学习任务融合到一个多任务检测模型中；多任务检测模型同时输出关联的车辆标识、车辆关键点信息等车辆相关特征，降低了多个独立任务分别调用执行的开销；此外，因利用多任务检测模型可在一次前向推理中关联输出车辆标识、车辆关键点信息等结果，避免了多个独立任务执行完成后的匹配过程；可见，本申请实施例提供的技术方案，计算效率高，且具有较好的检测准确性；车辆的关键点信息的准确检测能够判定车辆是否符合停车入位要求，以对停车压线、跨位停车等车辆进行相应的处理，进一步提高了路侧停车管理的智能化程度。

Description

路侧停车检测方法、系统及电子设备
技术领域
本申请涉及图像处理技术领域，尤其涉及一种路侧停车检测方法、系统及电子设备。
背景技术
近年来，人均汽车保有量不断上升，公共场所停车难问题日益凸显，充分利用现有的路边开放式泊位是缓解该问题的有效手段之一。有效的路侧停车管理可以减少违规停车、长时间占位的现象。
过往大多依赖人工进行开放式路边泊位的停车管理，但存在收费管理混乱、运营管理效率低、人力成本高等问题。随着视觉感知技术的发展，基于视觉感知的无人值守路侧管理方案有望解决这一问题。但目前，视觉感知技术应用在路侧停车管理场景中，还存在车辆检测效率低、检测准确性不高等问题。
发明内容
本申请提供一种解决上述问题或至少部分地解决上述问题的路侧停车检测方法、系统及电子设备。
在本申请的一个实施例中，提供了一种路侧停车检测方法。该方法适用于路侧设备，具体的所述方法包括：
采集路侧停靠车辆的图像；
利用多任务检测模型对所述图像进行检测，以关联输出车辆标识及关键点信息；
根据所述关键点信息，判定所述车辆是否符合停车入位要求；
将判定结果与所述车辆标识关联，作为所述车辆的路侧停车数据。
在本申请的另一个实施例中，提供了一种路侧停车检测方法。该方法适用于服务端，该方法包括：
获取训练集中的训练样本，其中，所述训练样本包括样本图、第一标签及第二标签；所述第一标签为所述样本图中车辆的车辆标识，所述第二标签为所述样本图中车辆的关键点信息；
将所述样本图作为多任务检测模型的入参，执行所述多任务检测模型以关联输出与车辆标识相关的第一结果以及与车辆关键点信息相关的第二结果；
根据所述第一结果与所述第一标签，以及所述第二结果与所述第二标签，对所述多任务检测模型中参数进行优化；
待所述多任务检测模型完成训练后，将完成训练的所述多任务检测模型发送至路侧设备，以便所述路侧设备利用所述多任务检测模型对采集到图像进行检测。
本申请还提供了一个实施例，一种路侧停车系统包括：
服务端，用于利用训练集对多任务检测模型进行训练；
路侧设备，与所述服务端连接，用于从所述服务端获取完成训练的所述多任务检测模型；采集路侧停靠车辆的图像；利用多任务检测模型对所述图像进行检测，以关联输出车辆标识及关键点信息；根据所述关键点信息，判定所述车辆是否符合停车入位要求；
将判定结果与所述车辆标识关联，作为所述车辆的路侧停车数据。
在本申请的又一个实施例中，提供了一种路侧停车检测方法。该方法可适用于路侧设备。所述方法包括：
采集路侧车辆的视频；
利用多任务检测模型对所述视频中的图像帧进行检测，以关联输出反映所述车辆行为的行为信息、车辆标识及关键点信息；
根据所述行为信息，确定所述车辆路侧停车时长；
基于所述关键点信息，判定所述车辆是否符合停车入位要求，得到判定结果；
根据所述车辆标识、所述停车时长及所述判定结果，确定停车账单。
在本申请的一个实施例中，还提供了一种电子设备。该电子设备包括存储器和处理器；所述存储器用于存储一条或多条计算机指令，所述一条或多条计算机指令被所述处理器执行时能够实现上述各实施例提供的所述路车停车检测方法中的步骤。
本申请各实施例提供的技术方案，利用多任务检测模型对采集到的路侧停靠车辆的图像进行检测，以关联输出车辆标识及关键点信息；即本申请各实施例采用将多个机器学习任务，如车辆标识(如车牌)检测任务、车辆关键点检测任务等融合到一个多任务检测模型中；多任务检测模型同时输出关联的车辆标识、车辆关键点信息等车辆相关特征，降低了多个独立任务分别调用执行的开销；此外，因利用多任务检测模型可在一次前向推理中关联输出车辆标识、车辆关键点信息等结果，避免了多个独立任务执行完成后的匹配过程；可见，本申请实施例提供的技术方案，计算效率高，且具有较好的检测准确性。有了较为准确的检测结果，便能实现路侧停车的自动化管理，还能基于车辆的关键点信息判定车辆是否符合停车入位要求，以对停车压线、跨位停车等车辆进行相应的处理。
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利用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供路侧停车系统的示意图；
图2为本申请一实施例提供的路侧停车检测方法的流程示意图；
图3为本申请一实施例中提供的多任务检测模型的原理性结构示意图；
图4为本申请一实施例中提供多任务检测模型对图像进行检测过程的原理性示意图；
图5为本申请另一实施例提供的路侧停车检测方法的流程示意图；
图6为本申请又一实施例提供的路侧停车检测方法的流程示意图；
图7为本申请一实施例提供的路侧停车检测装置的结构示意图；
图8为本申请另一实施例提供的路侧停车检测装置的结构示意图；
图9为本申请又一实施例提供的路侧停车检测装置的结构示意图；
图10为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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。
在本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。此外，下述的各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。
图1示出了一种路侧停车系统的示意图。如图1所示，本实施例所述的路侧停车系统可包括但不限于：服务端11及路侧设备12。其中，路侧设备12可包括但不限于：图像采集装置、存储装置、联网装置、供电装置等等。其中，图像采集设备可借用路灯灯杆或其他支架架设在路侧，以采集沿道路边设置的停车位区域内的图像、视频等。图像采集设备可具有计算能力，如图像识别能力等。或者，所述路侧设备12还包括：与所述图像采集装置连接的计算装置，用于图像识别、数据处理等。服务端11可以是部署在管理中心处的服务器、服务器集群、部署在物理机上的虚拟服务器或云服务器等等，本实施例对此不作限定。除所述服务端及路侧设备外，路侧停车系统还可包括：一个或多个客户端13、显示屏14、网络视频录像机15(Network Video Recorder，NVR等)等等。其中，客户端13可以与服务端11连接，可为用户(如工作人员)提供查询服务，如从服务端调取路侧停车图像、路侧缴费记录等等。显示屏14可用于显示路侧设备采集到的相应路侧停车区的图像或视频。NVR用于与路侧设备协同工作，完成图像、视频的录像、存储及转发功能。
路侧设备12用于采集监测区域的图像或视频，并具有图像或视频分析技术，实现图像或视频监测、目标对象(即车辆)跟踪识别功能。路侧设备12还可具有网络连接功能，将图像采集装置采集到图像或视频、处理得到的数据通过网络传输至服务端11。服务端 11接收各路段监测点处路侧设备上传的图像、数据等，并具有数据库功能，将各路段监测点处路侧设备上传的图像、数据等存储起来，提供给如计时收费、工作人员可视化操作(如通过客户端13调取查看)等管理功能。
具体实施时，路侧设备中的图像采集设备可安装在路边，其图像采集视角针对路侧停车位，可采集视野范围内的停靠在其管控停车位处的车辆图像或视频。路侧设备可具体车辆身份识别功能、车辆行为识别等等。其中，车辆身份识别，需要识别在车辆停入或驶离时，提取的关键帧或拍照取证图像中触发取证的车辆车牌号码，得到车辆标识，作为后台对停车车辆生成停车金额的依据，以此实现停车计时收费功能。车辆行为识别，需要识别车辆停车过程中的四种行为：开始停入、车辆停入、开始驶出、车辆驶离。其中，判断开始停车、开始驶出行为的目的是：在车辆停进停车位(或泊位)或驶离监测区域之前，预判停车、驶离行为，用于提取关键帧或触发图像采集装置采集取证识别车辆身份，以此避免车辆停进泊位造成遮挡或驶离监测区域而无法识别车辆身份的问题；判断停入、驶离行为是为了确定车辆停入或驶离的时间，用于计算停车时长。
实际上还存在一些停车入位不符合要求的情况，比如，路侧车辆未停入停车位划线区域内，可能会影响到道路上行驶的车辆；又或者路侧车辆停入跨了两个车位，这将导致其中一个车位不能停车的情况。因此需要增加车辆停车入位情况的检测。车辆停靠是否符合停车入位要求(不压线、不跨位等)，本实施例方案提出了基于车辆的关键点信息(如表征车辆占位的一些像素点，比如部分车轮与地面接触的像素点)进行判断的方式。
即本实施例中所述路侧设备12用于采集路侧停靠车辆的图像；利用多任务检测模型对所述图像进行检测，以关联输出车辆标识及关键点信息；根据所述关键点信息，判定所述车辆是否符合停车入位要求；将判定结果与所述车辆标识关联，作为所述车辆的路侧停车数据。
其中，路侧设备12利用的多任务检测模型可部署于本地。服务端11负责利用训练集对多任务检测模型进行训练，以不断提高多任务检测模型的能力。路侧设备12可定期或在接收到服务端发送的模型更新指令后，从服务端获取完成训练的多任务检测模型。
本申请实施例针对路侧停车场景的特点，将车辆关键点信息检测任务、车辆标识检测任务、车辆检测任务等集成到一个多任务检测模型，即形成一种新的多任务学习范式，性能和效果上可取得较好的平衡。
具体实施时，本申请实施例提供的技术方案，使用车辆检测框的锚点作为车辆检测框及车辆关键点信息的回归起点，这种在正样本分配方案中就将车辆关键点信息和车辆检测框直接绑定在一起。其中，车辆关键点信息可以是车辆底盘关键点信息，更进一步的，可以是车辆底盘上多个车轮对应的关键点信息。在训练样本分配阶段即将车辆关键点信息和车辆检测框进行了绑定，因此在利用该训练样本对多任务检测模型进行训练，完成训练的多任务检测模型便可一次前向推理中同时输出车辆检测框、车辆关键点信息及车辆标识。
本实施例提供的方案中，服务端11用于训练多任务检测模型。训练好的多任务检测模型可被部署在路侧设备12中，即将计算任务下放至边缘设备。具体的，本实施例中：
服务端11，用于利用训练集对多任务检测模型进行训练。
路侧设备12，与所述服务端11连接，用于从所述服务端11获取完成训练的所述多任务检测模型；采集路侧停靠车辆的图像；利用多任务检测模型对所述图像进行检测，以关联输出车辆标识及关键点信息；根据所述关键点信息，判定所述车辆是否符合停车入位要求；将判定结果与所述车辆标识关联，作为所述车辆的路侧停车数据。
其中，路侧停车数据可实时地发送至服务端11，也可存储于路侧设备本地用于计算该车辆的停车账单或等待服务端拉取。
这里需要补充的是：有关多任务检测模型的训练过程，将在下文中进行详细说明。
进一步的，上文中路侧设备12利用多任务检测模型检测的图像可以是路侧设备12采集到的视频中的一帧。即本实施例中路侧设备12还可利用多任务检测模型同时检测出车辆的行为信息、车辆标识及关键点信息，以便将关联输出的信息发送至服务端由服务端计算该车辆的停车账单或者自身基于关联输出的信息计算停车账单。即本实施例中所述路侧设备12还可用于：
利用所述多任务检测模型对所述视频中的多帧图像进行检测，以关联输出反映所述车辆行为的行为信息、车辆标识及关键点信息；
根据所述行为信息，确定所述车辆的状态；
所述状态为停车状态时，确定停车起始时间，并将所述停车起始时间与所述车辆标识关联；
所述状态为停车状态后，触发所述根据所述关键点信息判定所述车辆是否符合停车入位要求的步骤；
所述状态为驶离状态时，确定驶离时间，并将所述驶离时间与所述车辆标识关联。
再进一步的，所述路侧设备12还可用于：将所述停车起始时间，车辆是否符合停车入位要求的判定结果及驶离时间发送至服务端11，由服务端基于接收到的数据，确定该车辆的停车账单。或者路侧设备12还用于：根据所述停车起始时间，车辆是否符合停车入位要求的判定结果及驶离时间，计算所述车辆的停车账单；将所述停车账单发送至服务端，以由服务端将停车账单发送至对应的用户客户端。
即本实施例提供的所述系统中所述服务端11还用于向车牌标识对应用户客户端发送停车账单，以便用户按照停车账单支付相应的停车费用。该停车费用可包括：停车时长对应的停车费用，以及在不符合停车入位要求时需支付的附加费用。
本申请实施例提供的技术方案，利用多任务检测模型对采集到的路侧停靠车辆的图像进行检测，以关联输出车辆标识及关键点信息；即本申请各实施例采用将多个机器学习任务，如车辆标识(如车牌)检测任务、车辆关键点检测任务等融合到一个多任务检测模型中；多任务检测模型同时输出关联的车辆标识、车辆关键点信息等车辆相关特征，降低了多个独立任务分别调用执行的开销；此外，因利用多任务检测模型可在一次前向推理中关联输出车辆标识、车辆关键点信息等结果，避免了多个独立任务执行完成后的匹配过程；可见，本申请实施例提供的技术方案，计算效率高，且具有较好的检测准确性。有了较为准确的检测结果，便能实现路侧停车的自动化管理，还能基于车辆的关键点信息判定车辆是否符合停车入位要求，以对停车压线、跨位停车等车辆进行相应的处理。
上述实施例中的路侧设备及服务端除具有上文中对应描述的功能外，还可具体其他功能。下文将以方法步骤的方式对路侧设备和服务端对应的功能进行说明。
图2示出了本申请一实施例提供的一种路侧停车检测方法的流程示意图。本实施例提供的所述方法的执行主体可以是路侧设备。具体的，所述方法包括：
101、采集路侧停靠车辆的图像。
102、利用多任务检测模型对所述图像进行检测，以关联输出车辆标识及关键点信息。
103、根据所述关键点信息，判定所述车辆是否符合停车入位要求。
104、将判定结果与所述车辆标识关联，作为所述车辆的路侧停车数据。
上述101中，所述图像可以是车辆停车入位后采集到的图像，或是路侧设备采集到的视频中的一帧。
上述102中，所述多任务检测模型可参见图3所示的结构，当然本实施例不限于图所示的结构，也可选用其他网络结构对应的模型。如图3所示，所述多任务检测模型可包括：特征提取网络2(或可称为主干网络)、特征融合层3、第一分支网络4和第二分支网络5。其中，所述第一分支网络用于检测图像中车辆的车辆标识。第二分支网络5 可用于检测图像中车辆的关键点信息。进一步的，如图3所示，所述多任务检测模型还可包括第三分支网络6。该第三分支网络6用于检测图像中的车辆，并采用检测框将车辆圈出。
一种可实现的技术方案是，本实施例中的多任务检测模型可基于目标检测神经网络，如Yolo(You Only Look Once，是一种基于深度神经网络的对象识别和定位算法)系列，CenterNet系列等，其整体架构如图3所示，多任务检测模型的检测头部分(即特征融合层3之后的分支部分)，在检测框预测位和车辆标识识别预测位的基础上新增多个预测位，用于检测车辆关键点信息。若车辆关键点信息包括车辆底盘4个车轮对应的关键点，则可新增8个预测位，用于检测车辆底盘4个车轮分别对应的关键点。
上述103中，关键点信息可包括：车辆底盘关键点信息。更具体的，所述关键点信息包括：车辆底盘上多个车轮分别对应的关键点信息。比如，车轮与地面接触点作为关键点。这里关键点信息可以是：该关键点在图像中像素点位置信息，或是所述路侧设备的图像采集装置对应坐标系下的坐标值等等，本实施例对此不作限定。除底盘关键点信息外，所述关键点信息还可包括：反映车辆外轮廓的特征点等等。
在一种可实现的技术方案中，可通过分析关键点信息与车辆停车位置处的停车位轮廓线来确定车辆是否符合停车入位要求。比如，关键点信息包括：车辆底盘上多个车轮分别对应的关键点信息。通过分析关键点信息与车辆停车位置处的停车位轮廓线在图像中的相对位置关系，来确定车辆停泊是否符合停车入位要求。
上述104中，判定结果与车辆标识关联作为车辆的路侧停车数据，该路侧停车数据可实时地上传至服务端；或是存储于本地批量的将本地存储的数据上传至服务端。路侧停车数据可以用于计算车辆的路侧停车账单，或用于在车辆存在不符合停车入位要求时作为对车辆对应用户进行相应处理的依据。进一步的，车辆存在不符合停车入位要求时，将所述图像、所述判定结果及车辆标识关联，作为所述车辆的路侧停车数据。
本实施例提供的技术方案，利用多任务检测模型对采集到的路侧停靠车辆的图像进行检测，以关联输出车辆标识及关键点信息；即本申请各实施例采用将多个机器学习任务，如车辆标识(如车牌)检测任务、车辆关键点检测任务等融合到一个多任务检测模型中；多任务检测模型同时输出关联的车辆标识、车辆关键点信息等车辆相关特征，降低了多个独立任务分别调用执行的开销；此外，因利用多任务检测模型可在一次前向推理中关联输出车辆标识、车辆关键点信息等结果，避免了多个独立任务执行完成后的匹配过程；可见，本申请实施例提供的技术方案，计算效率高，且具有较好的检测准确性。有了较为准确的检测结果，便能实现路侧停车的自动化管理，还能基于车辆的关键点信息判定车辆是否符合停车入位要求，以对停车压线、跨位停车等车辆进行相应的处理。
进一步的，如图4所示，本实施例中的多任务检测模型可包括：特征提取网络2(或可称为主干网络)、特征融合层3、第一分支网络4和第二分支网络5。其中，
特征提取网络2，用于对所述图像1进行特征提取，得到第一特征信息；
特征融合层3，用于对所述第一特征信息进行融合，得到第二特征信息；
第一分支网络4，用于对所述第二特征信息进行处理，输出车辆标识；
第二分支网络5，用于对所述第二特征信息进行处理，输出关键点信息。
具体的，所述关键点信息包括：所述图像中车辆对应检测框的锚点以及车辆底盘关键点。其中，锚点可以理解为：预测目标(即图像中车辆)的中心点。车辆对应的检测框及锚点可由第三分支网络来实现。例如，第三分支网络先预测图像中预测目标(即图像中车辆)的锚点，再基于锚点预测图像中车辆对应检测框的长度和宽度。即本实施例中的多任务检测模型还包括第三分支网络6，如图4所示。所述第三分支网络6用于对所述第二特征信息进行处理，输出表征所述车辆位置的检测框7。
参见图4所示的例子，车辆的关键点信息包括：车辆对应检测框的锚点0以及车辆底盘上4个车轮分别对应的关键点a，b，c和d。
进一步的，上述步骤101中的所述图像为视频中的一帧。相应的，本实施例提供的所述方法还可包括：
105、利用所述多任务检测模型对所述视频中的多帧图像进行检测，以关联输出反映所述车辆行为的行为信息、车辆标识及关键点信息；
其中，所述行为信息包括：从各帧图像中检测出的所述车辆对应检测框的锚点。
基于所述行为信息确定车辆处于停车状态时，在触发上述步骤103以对车辆是否符合停车入位要求。即本申请实施例提供的所述方法，还可包括如下步骤：
106、根据所述行为信息，确定所述车辆的状态；
107、所述状态为停车状态时，确定停车起始时间，并将所述停车起始时间与所述车辆标识关联；
108、所述状态为停车状态后，触发所述根据所述关键点信息判定所述车辆是否符合停车入位要求的步骤(即步骤103)；
109、所述状态为驶离状态时，确定驶离时间，并将所述驶离时间与所述车辆标识关联。
上述停车起始时间、判定所述车辆是否符合停车入位要求的判定结果及驶离时间可上传至服务端，也可在本地处理。具体的，若在本地处理，则本申请实施例提供的所述方法还可包括如下步骤：
110、根据所述停车起始时间、判定所述车辆是否符合停车入位要求的判定结果及驶离时间，计算所述车辆标识对应车辆的停车费用。
进一步的，所述关键点信息包括：车辆底盘上多个车轮分别对应的关键点。相应的，本申请实施例中的步骤104“根据所述关键点信息，判定所述车辆是否符合停车入位要求”可采用如下步骤实现：
1041、获取所述图像中所述车辆停车位置处的停车位轮廓线。
1042、根据所述停车位轮廓线及所述车辆底盘多个车轮分别对应的关键点，判定所述车辆是否符合停车入位要求。
1043、判定结果为不符合停车入位要求时，基于所述停车位轮廓线及所述车辆底盘多个车轮分别对应的关键点，确定所述车辆的违规方式；
其中，所述违规方式包括如下中的至少一种：压线、跨位。
上述1042中，可通过分析停车位轮廓线及所述车辆底盘多个车轮分别对应的关键点的相对位置关系，来判定所述车辆是否符合停车入位要求。比如，所述车辆底盘的至少一个车轮的关键点坐标位于所述停车位轮廓线中沿道路行驶方向延伸的外边线时，判定所述车辆压线。若所述车辆底盘的前轮的关键点坐标和后轮关键点坐标之间具有停车位轮廓线中用于区隔两不同停车位的横边线时，判定所述车辆跨位。当然，还有可能车辆又压线又存在跨位的情况。这些情况，均可通过分析停车位轮廓线及所述车辆底盘多个车轮分别对应的关键点的相对位置关系便可得到，本实施例对具体分析逻辑不作限定。
上述1043中，确定出的违规方式可添加在车辆的路侧停车数据中，便于后续账单的生成。
图5示出了本申请另一实施例提供的路侧停车检测方法的流程示意图。如图所示，本实施例提供的所述方法的执行主体可以是服务端。所述方法包括：
201、获取训练集中的训练样本，其中，所述训练样本包括样本图、第一标签及第二标签；所述第一标签为所述样本图中车辆的车辆标识，所述第二标签为所述样本图中车辆的关键点信息。
202、将所述样本图作为多任务检测模型的入参，执行所述多任务检测模型以关联输出与车辆标识相关的第一结果以及与车辆关键点信息相关的第二结果。
203、根据所述第一结果与所述第一标签，以及所述第二结果与所述第二标签，对所述多任务检测模型中参数进行优化。
204、待所述多任务检测模型完成训练后，将完成训练的所述多任务检测模型发送至路侧设备，以便所述路侧设备利用所述多任务检测模型对采集到图像进行检测。
上述201中，进一步的所述训练样本还包括第三标签；所述第三标签为所述样本图中车辆对应的检测框；所述第二标签对应的关键点信息包括：所述检测框锚点及所述样本图中车辆的底盘关键点；执行所述多任务检测模型关联输出的结果还包括与检测框相关的第三结果。相应的，上述步骤203具体为：
根据所述第一结果与所述第一标签，所述第二结果与所述第二标签以及所述第三结果与所述第三标签，对所述多任务检测模型中参数进行优化。
在一具体的实施方案中，如图4所示，所述多任务检测模型包括：特征提取网络2、特征融合层3、第一分支网络4、第二分支网络5及第三分支网络6；其中，第一分支网络4的输入端、所述第二分支网络5的输入端及所述第三分支网络6的输入端，均与所述特征融合层2的输出端连接。相应的，步骤202和203“将所述样本图作为多任务检测模型的入参，执行所述多任务检测模型以关联输出第一结果、第二结果和第三结果；根据所述第一结果与所述第一标签，所述第二结果与所述第二标签以及所述第三结果与所述第三标签，对所述多任务检测模型中参数进行优化”，可包括如下步骤：
S1、将所述样本图输入所述特征提取网络，输出第一特征信息；
S2、将所述第一特征信息输入所述特征融合层，输出第二特征信息；
S3、将所述第二特征信息输入所述第一分支网络，输出所述第一结果；
S4、将所述第二特征信息输入所述第二分支网络，输出所述第二结果；
S5、将所述第二特征信息输入所述第三分支网络，输出所述第三结果；
S6、根据所述第一结果与所述第一标签，所述第二结果与所述第二标签以及所述第三结果与所述第三标签，分别对所述特征提取网络、所述特征融合层、所述第一分支网络、第二分支网络及第三分支网络中的至少部分参数进行优化。
其中，本实施例在训练多任务检测模型时，需要对训练集中的各样本图的标签进行预处理。
这里需要说明的是：本申请实施例对多任务检测模型中优化过程使用的损失函数，以及参数优化算法均不作具体限定。
图6示出了本申请又一实施例提供的路侧停车检测方法的流程示意图。本实施例提供的方法的执行主体可以是路侧设备。具体的，如图6所示，所述方法包括：
301、采集路侧车辆的视频。
302、利用多任务检测模型对所述视频中的图像帧进行检测，以关联输出反映所述车辆行为的行为信息、车辆标识及关键点信息。
303、根据所述行为信息，确定所述车辆路侧停车时长。
304、基于所述关键点信息，判定所述车辆是否符合停车入位要求，得到判定结果。
305、根据所述车辆标识、所述停车时长及所述判定结果，确定停车账单。
有关上述302中的多任务检测模型，304中如何判定车辆是否符合停车入位要求等内容，可参见上文中的相应内容，此处不作赘述。
上述303中，行为信息为车辆从停车入库行为、停车到驶离的全过程。同上文，需先基于所述行为信息确定车辆的状态，车辆处于停车状态时，确定停车起始时间；待车辆的行为为驶离状态时，确定驶离时间。根据驶离时间和停车起始时间，计算车辆路侧停车时长。
综上，本申请各实施例提供的技术方案，使用车辆对应检测框的锚点作为车辆对应检测框以及车辆关键点信息(如车辆底盘上多个车轮对应关键点)的回归起点，这样在训练多任务检测模型时，对训练集中正样本的分配方案中将车辆关键点信息和车辆对应的检测框直接绑定在一起。多任务检测模型采用多任务学习方式，训练过程中在单纯的检测框基础上增添了车辆关键点信息，训练过程中特征增多使得多任务检测模型的检测鲁棒性好。
另外，本申请实施例利用多任务检测模型同时输出车辆标识、车辆关键点信息等，减少了多次循环调用的开销。多任务检测模型在正样本分配阶段将车辆关键点信息和车辆对应检测框进行绑定，省去了后续配对的操作并提升了车辆关键点信息的召回率。
多任务检测模型可以同时训练相互关联的多个任务。多任务检测模型在模型训练时可用到来自不同任务的所有数据集，这样就相当于一定程度上增加了每个任务的训练样本，不仅可以提高预测性能，还可以用于解决数据集样本不均衡或数据样本不足等问题。其次，样本数据量的增加还可以促使模型向更加泛用的方向发展，大大提高模型的泛化性。此外，使用同一个模型同时处理多个不同的任务，可以达到缩短处理这些任务所需要的总时间的目的。
多任务模型的损失函数是多个任务的加和或其他形式的组合，并且基于对模型结构的假设，往往会增加若干不同的正则项。在各个任务的特征空间同构的前提下，输出层的每个节点对应每个任务的实际输出，可利用误差反向传播(Back Propagation，BP)算法对该网络进行训练。
图7示出了本申请一实施例提供的路侧停车检测装置的结构示意图。如图所示，所述装置包括：第一采集模块21、第一检测模块22、第一判定模块23及数据关联模块24。其中，所述第一采集模块21用于采集路侧停靠车辆的图像。所述第一检测模块22用于利用多任务检测模型对所述图像进行检测，以关联输出车辆标识及关键点信息。所述第一判定模块23用于根据所述关键点信息，判定所述车辆是否符合停车入位要求。所述数据关联模块24用于将判定结果与所述车辆标识关联，作为所述车辆的路侧停车数据。
其中，所述多任务检测模型包括：特征提取网络、特征融合层、第一分支网络、第二分支网络及第三分支网络。其中，特征提取网络用于对所述图像进行特征提取，得到第一特征信息。特征融合层用于对所述第一特征信息进行融合，得到第二特征信息。第一分支网络用于对所述第二特征信息进行处理，输出车辆标识。第二分支网络用于对所述第二特征信息进行处理，输出关键点信息。第三分支网络用于对所述第二特征信息进行处理，输出表征所述车辆位置的检测框。
进一步的，所述关键点信息可包括：所述图像中车辆对应检测框的锚点以及车辆底盘关键点。
进一步的，所述图像为视频中的一帧。相应的，所述第一检测模块22用于利用所述多任务检测模型对所述视频中的多帧图像进行检测，以关联输出反映所述车辆行为的行为信息、车辆标识及关键点信息。其中，所述行为信息包括：从各帧图像中检测出的所述车辆对应检测框的锚点。
进一步的，本实施例提供的路侧停车检测装置还可包括第一确定模块。其中，所述第一确定模块用于根据所述行为信息，确定所述车辆的状态；所述状态为停车状态时，确定停车起始时间，并将所述停车起始时间与所述车辆标识关联；所述状态为停车状态后触发所述第一判定模块根据所述关键点信息判定所述车辆是否符合停车入位要求；所述状态为驶离状态时，确定驶离时间，并将所述驶离时间与所述车辆标识关联。
再进一步的，所述第一确定模块还用于根据所述停车起始时间、判定所述车辆是否符合停车入位要求的判定结果及驶离时间，计算所述车辆标识对应车辆的停车费用。
进一步的，所述关键点信息包括：车辆底盘上多个车轮分别对应的关键点。相应的，所述第一判定模块23在根据所述关键点信息，判定所述车辆是否符合停车入位要求时，具体用于：
获取所述图像中所述车辆停车位置处的停车位轮廓线；根据所述停车位轮廓线及所述车辆底盘多个车轮分别对应的关键点，判定所述车辆是否符合停车入位要求；判定结果为不符合停车入位要求时，基于所述停车位轮廓线及所述车辆底盘多个车轮分别对应的关键点，确定所述车辆的违规方式；其中，所述违规方式包括如下中的至少一种：压线、跨位。
这里需要说明的是：本实施例提供的所述路侧停车检测装置除具有上述各模块对应提供的功能外，还可实现上述相应方法实施例中其他部分或全部步骤对应的功能，具体可参见上述方法实施例相应内容，在此不再赘述。
图8示出了本申请另一实施例提供的路侧停车检测装置的结构示意图。如图所示，所述装置包括：获取模块31、训练模块32及发送模块33。其中，获取模块31用于获取训练集中的训练样本，其中，所述训练样本包括样本图、第一标签及第二标签；所述第一标签为所述样本图中车辆的车辆标识，所述第二标签为所述样本图中车辆的关键点信息。所述训练模块32用于将所述样本图作为多任务检测模型的入参，执行所述多任务检测模型以关联输出与车辆标识相关的第一结果以及与车辆关键点信息相关的第二结果；根据所述第一结果与所述第一标签，以及所述第二结果与所述第二标签，对所述多任务检测模型中参数进行优化。所述发送模块33用于在所述多任务检测模型完成训练后，将完成训练的所述多任务检测模型发送至路侧设备，以便所述路侧设备利用所述多任务检测模型对采集到图像进行检测。
进一步的，所述训练样本还包括第三标签；所述第三标签为所述样本图中车辆对应的检测框；所述第二标签对应的关键点信息包括：所述检测框锚点及所述样本图中车辆的底盘关键点；执行所述多任务检测模型关联输出的结果还包括与检测框相关的第三结果。相应的，训练模块32在根据所述第一结果与所述第一标签，以及所述第二结果与所述第二标签，对所述多任务检测模型中参数进行优化时，具体用于：
根据所述第一结果与所述第一标签，所述第二结果与所述第二标签以及所述第三结果与所述第三标签，对所述多任务检测模型中参数进行优化。
进一步的，所述多任务检测模型包括：特征提取网络、特征融合层、第一分支网络、第二分支网络及第三分支网络；其中，第一分支网络的输入端、所述第二分支网络的输入端及所述第三分支网络的输入端，均与所述特征融合层的输出端连接。相应的，所述训练模块32具体用于：
将所述样本图输入所述特征提取网络，输出第一特征信息；
将所述第一特征信息输入所述特征融合层，输出第二特征信息；
将所述第二特征信息输入所述第一分支网络，输出所述第一结果；
将所述第二特征信息输入所述第二分支网络，输出所述第二结果；
将所述第二特征信息输入所述第三分支网络，输出所述第三结果；
根据所述第一结果与所述第一标签，所述第二结果与所述第二标签以及所述第三结果与所述第三标签，分别对所述特征提取网络、所述特征融合层、所述第一分支网络、第二分支网络及第三分支网络中的至少部分参数进行优化。
这里需要说明的是：本实施例提供的所述路侧停车检测装置除具有上述各模块对应提供的功能外，还可实现上述相应方法实施例中其他部分或全部步骤对应的功能，具体可参见上述方法实施例相应内容，在此不再赘述。
图9示出了本申请又一实施例提供的路侧停车检测装置的结构示意图。如图所示，所述路侧停车检测装置包括：第二采集模块41、第二检测模块42、第二确定模块43及第二判定模块44。其中，所述第二采集模块41用于采集路侧车辆的视频。所述第二检测模块42用于利用多任务检测模型对所述视频中的图像帧进行检测，以关联输出反映所述车辆行为的行为信息、车辆标识及关键点信息。所述第二确定模块43用于根据所述行为信息，确定所述车辆路侧停车时长。所述第二判定模块44用于基于所述关键点信息，判定所述车辆是否符合停车入位要求，得到判定结果。所述第二确定模块用于根据所述车辆标识、所述停车时长及所述判定结果，确定停车账单。
这里需要说明的是：本实施例提供的所述路侧停车检测装置除具有上述各模块对应提供的功能外，还可实现上述相应方法实施例中其他部分或全部步骤对应的功能，具体可参见上述方法实施例相应内容，在此不再赘述。
图10示出了本申请一实施例提供一个电子设备的结构示意图。如图10所示，所述电子设备包括：存储器51以及处理器52。存储器51可被配置为存储其它各种数据以支持在传感器上的操作。这些数据的示例包括用于在传感器上操作的任何应用程序或方法的指令。存储器51可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
所述存储器51，用于存储一条或多条计算机指令；
所述处理器52，与所述存储器51耦合，用于执行所述存储器51中存储的一条或多条计算机指令，以实现上述各实施例提供的路侧停车检测方法中的步骤。
进一步，如图10所示，电子设备还包括：通信组件53、电源组件55及显示器56等其它组件。图10中仅示意性给出部分组件，并不意味着电子设备只包括图10所示组件。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的路侧停车检测方法步骤或功能。
本申请实施例还提供一种计算机程序产品，包括计算机程序，当所述计算机程序被处理器执行时，致使所述处理器能够实现上述各实施例提供的路侧停车检测方法步骤或功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (15)

1.一种路侧停车检测方法，其特征在于，适用于路侧设备，所述方法包括：
采集路侧停靠车辆的图像；
利用多任务检测模型对所述图像进行检测，以关联输出车辆标识及关键点信息；
根据所述关键点信息，判定所述车辆是否符合停车入位要求；
将判定结果与所述车辆标识关联，作为所述车辆的路侧停车数据。
2.根据权利要求1所述的方法，其特征在于，所述多任务检测模型包括：
特征提取网络，用于对所述图像进行特征提取，得到第一特征信息；
特征融合层，用于对所述第一特征信息进行融合，得到第二特征信息；
第一分支网络，用于对所述第二特征信息进行处理，输出车辆标识；
第二分支网络，用于对所述第二特征信息进行处理，输出关键点信息。
3.根据权利要求2所述的方法，其特征在于，所述多任务检测模型还包括：
第三分支网络，用于对所述第二特征信息进行处理，输出表征所述车辆位置的检测框。
4.根据权利要求3所述方法，其特征在于，所述关键点信息包括：所述图像中车辆对应检测框的锚点以及车辆底盘关键点。
5.根据权利要求3所述的方法，其特征在于，所述图像为视频中的一帧；以及所述方法还包括：
利用所述多任务检测模型对所述视频中的多帧图像进行检测，以关联输出反映所述车辆行为的行为信息、车辆标识及关键点信息；
其中，所述行为信息包括：从各帧图像中检测出的所述车辆对应检测框的锚点。
6.根据权利要求5所述的方法，其特征在于，还包括：
根据所述行为信息，确定所述车辆的状态；
所述状态为停车状态时，确定停车起始时间，并将所述停车起始时间与所述车辆标识关联；
所述状态为停车状态后，触发所述根据所述关键点信息判定所述车辆是否符合停车入位要求的步骤；
所述状态为驶离状态时，确定驶离时间，并将所述驶离时间与所述车辆标识关联。
7.根据权利要求6所述的方法，其特征在于，还包括：
根据所述停车起始时间、判定所述车辆是否符合停车入位要求的判定结果及驶离时间，计算所述车辆标识对应车辆的停车费用。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述关键点信息包括：车辆底盘上多个车轮分别对应的关键点；以及
根据所述关键点信息，判定所述车辆是否符合停车入位要求，包括：
获取所述图像中所述车辆停车位置处的停车位轮廓线；
根据所述停车位轮廓线及所述车辆底盘多个车轮分别对应的关键点，判定所述车辆是否符合停车入位要求；
判定结果为不符合停车入位要求时，基于所述停车位轮廓线及所述车辆底盘多个车轮分别对应的关键点，确定所述车辆的违规方式；
其中，所述违规方式包括如下中的至少一种：压线、跨位。
9.一种路侧停车检测方法，其特征在于，适用于服务端，所述方法包括：
获取训练集中的训练样本，其中，所述训练样本包括样本图、第一标签及第二标签；所述第一标签为所述样本图中车辆的车辆标识，所述第二标签为所述样本图中车辆的关键点信息；
将所述样本图作为多任务检测模型的入参，执行所述多任务检测模型以关联输出与车辆标识相关的第一结果以及与车辆关键点信息相关的第二结果；
根据所述第一结果与所述第一标签，以及所述第二结果与所述第二标签，对所述多任务检测模型中参数进行优化；
待所述多任务检测模型完成训练后，将完成训练的所述多任务检测模型发送至路侧设备，以便所述路侧设备利用所述多任务检测模型对采集到图像进行检测。
10.根据权利要求9所述的方法，其特征在于，所述训练样本还包括第三标签；所述第三标签为所述样本图中车辆对应的检测框；所述第二标签对应的关键点信息包括：所述检测框锚点及所述样本图中车辆的底盘关键点；执行所述多任务检测模型关联输出的结果还包括与检测框相关的第三结果；以及
根据所述第一结果与所述第一标签，以及所述第二结果与所述第二标签，对所述多任务检测模型中参数进行优化，包括：
根据所述第一结果与所述第一标签，所述第二结果与所述第二标签以及所述第三结果与所述第三标签，对所述多任务检测模型中参数进行优化。
11.根据权利要求10所述的方法，其特征在于，所述多任务检测模型包括：特征提取网络、特征融合层、第一分支网络、第二分支网络及第三分支网络；其中，第一分支网络的输入端、所述第二分支网络的输入端及所述第三分支网络的输入端，均与所述特征融合层的输出端连接；以及
将所述样本图作为多任务检测模型的入参，执行所述多任务检测模型以关联输出第一结果、第二结果和第三结果；根据所述第一结果与所述第一标签，所述第二结果与所述第二标签以及所述第三结果与所述第三标签，对所述多任务检测模型中参数进行优化，包括：
将所述样本图输入所述特征提取网络，输出第一特征信息；
将所述第一特征信息输入所述特征融合层，输出第二特征信息；
将所述第二特征信息输入所述第一分支网络，输出所述第一结果；
将所述第二特征信息输入所述第二分支网络，输出所述第二结果；
将所述第二特征信息输入所述第三分支网络，输出所述第三结果；
根据所述第一结果与所述第一标签，所述第二结果与所述第二标签以及所述第三结果与所述第三标签，分别对所述特征提取网络、所述特征融合层、所述第一分支网络、第二分支网络及第三分支网络中的至少部分参数进行优化。
12.一种路侧停车系统，其特征在于，包括：
服务端，用于利用训练集对多任务检测模型进行训练；
路侧设备，与所述服务端连接，用于从所述服务端获取完成训练的所述多任务检测模型；采集路侧停靠车辆的图像；利用多任务检测模型对所述图像进行检测，以关联输出车辆标识及关键点信息；根据所述关键点信息，判定所述车辆是否符合停车入位要求；将判定结果与所述车辆标识关联，作为所述车辆的路侧停车数据。
13.根据权利要求12所述的系统，其特征在于，所述图像为视频中的一帧；以及所述路侧设备还用于：
利用所述多任务检测模型对所述视频中的多帧图像进行检测，以关联输出反映所述车辆行为的行为信息、车辆标识及关键点信息；
根据所述行为信息，确定所述车辆的状态；
所述状态为停车状态时，确定停车起始时间，并将所述停车起始时间与所述车辆标识关联；
所述状态为停车状态后，触发所述根据所述关键点信息判定所述车辆是否符合停车入位要求的步骤；
所述状态为驶离状态时，确定驶离时间，并将所述驶离时间与所述车辆标识关联。
14.一种路侧停车检测方法，其特征在于，适用于路侧设备，所述方法包括：
采集路侧车辆的视频；
利用多任务检测模型对所述视频中的图像帧进行检测，以关联输出反映所述车辆行为的行为信息、车辆标识及关键点信息；
根据所述行为信息，确定所述车辆路侧停车时长；
基于所述关键点信息，判定所述车辆是否符合停车入位要求，得到判定结果；
根据所述车辆标识、所述停车时长及所述判定结果，确定停车账单。
15.一种电子设备，其特征在于，包括存储器和处理器；所述存储器用于存储一条或多条计算机指令，所述一条或多条计算机指令被所述处理器执行时能够实现上述权利要求1至8中任一项所述路侧停车检测方法中的步骤，或权利要求9至11中任一项所述的路侧停车检测方法中的步骤，或权利要求14中所述的路侧停车检测方法中的步骤。
CN202210701367.0A 2022-06-20 2022-06-20 路侧停车检测方法、系统及电子设备 Pending CN115171053A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210701367.0A CN115171053A (zh) 2022-06-20 2022-06-20 路侧停车检测方法、系统及电子设备
PCT/CN2023/101179 WO2023246720A1 (zh) 2022-06-20 2023-06-19 路侧停车检测方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210701367.0A CN115171053A (zh) 2022-06-20 2022-06-20 路侧停车检测方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN115171053A true CN115171053A (zh) 2022-10-11

Family

ID=83487611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210701367.0A Pending CN115171053A (zh) 2022-06-20 2022-06-20 路侧停车检测方法、系统及电子设备

Country Status (2)

Country Link
CN (1) CN115171053A (zh)
WO (1) WO2023246720A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023246720A1 (zh) * 2022-06-20 2023-12-28 阿里云计算有限公司 路侧停车检测方法、系统及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274495A (zh) * 2017-05-16 2017-10-20 南京信息工程大学 一种无人值守的路边停车收费系统
CN107393335A (zh) * 2017-08-07 2017-11-24 中智华清（北京）科技有限公司 一种基于车牌感应的全自动停车系统、停车管理方法
CN110334709B (zh) * 2019-07-09 2022-11-11 西北工业大学 基于端到端多任务深度学习的车牌检测方法
CN114241373A (zh) * 2021-12-14 2022-03-25 北京理工大学重庆创新中心 一种端到端的车辆行为检测方法、系统、设备及存储介质
CN115171053A (zh) * 2022-06-20 2022-10-11 阿里云计算有限公司 路侧停车检测方法、系统及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023246720A1 (zh) * 2022-06-20 2023-12-28 阿里云计算有限公司 路侧停车检测方法、系统及电子设备

Also Published As

Publication number Publication date
WO2023246720A1 (zh) 2023-12-28

Similar Documents

Publication Publication Date Title
CN109993969B (zh) 一种路况判定信息获取方法、装置及设备
US9483944B2 (en) Prediction of free parking spaces in a parking area
US9336450B2 (en) Methods and systems for selecting target vehicles for occupancy detection
CN108765976B (zh) 路侧平行停车信息管理系统及方法
CN111540072B (zh) 一种车位管理服务方法、设备及系统
CN105261234A (zh) 一种开放区域无人值守的智能停车管理系统和方法
US20130182110A1 (en) Method, device and integrated system for payment of parking fees based on cameras and license plate recognition technology
CN110853391A (zh) 智能共享停车系统
CN103632572A (zh) 一种智能停车方法和系统
CN108986534A (zh) 基于车牌识别停车管理方法和系统
CN107885795A (zh) 一种卡口数据的数据校验方法、系统和装置
CN112053567B (zh) 路侧停车管理方法及电子设备
CN108154707A (zh) 一种停车场数据处理终端设备和停车场管理系统
CN106097759A (zh) 一种用于停车场的智能停车方法及系统
CN110188591A (zh) 套牌车辆的识别方法、装置、计算机设备和存储介质
CN111599027A (zh) 一种停车收费方法、装置和系统
WO2023246720A1 (zh) 路侧停车检测方法、系统及电子设备
CN107665588A (zh) 检测器状态异常的泊位的检测方法、系统、计算机装置及计算机可读存储介质
CN111243185A (zh) 充电车位占用判定方法、设备及介质
CN112671834A (zh) 停车数据的处理系统
CN110880205B (zh) 一种停车收费方法及装置
CN111696360A (zh) 一种停车监控方法、系统及摄像机
WO2023241595A1 (zh) 车位范围的处理方法及计算设备
CN111915751B (zh) 一种路侧停车收费方法、装置、设备和存储介质
CN105957163B (zh) Etc收费入口、出口以及车辆的信息处理方法及装置

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