CN115862363B - 停车场寻车方法、程序产品、设备和计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种停车场寻车方法，通过深度神经网络模型确定用户定位结果，再基于定位结果，进行拍照从而得到车辆图像，并基于图神经网络处理车辆图像最终得到推荐停车的一个车位，且在寻车阶段时由于已经记录好了停车所在的位置，所以可以根据用户寻车时的定位和停车所在的位置，进行导航，避免了寻车所带来的时间浪费。提高了用户的停车和寻车效率。

Description

停车场寻车方法、程序产品、设备和计算机可读存储介质

技术领域

本发明涉及辅助停车领域，具体涉及停车场寻车方法、程序产品、设备和计算机可读存储介质。

背景技术

现在人们的汽车拥有量越来越大，开车出行已经是一种很普遍的出行方式，但是由于停车位紧张，停车也是困扰很多车主的问题。现在的停车场比较大，车辆进入停车场后，无法及时获取停车场内的停车位使用状况信息，需要用户自己一边在停车场内开车一边寻找停车位。由于停车位的使用情况是实时变化的，用户往往需要消耗大量的时间才能找到停车位。而且用户停好车后，由于对停车场路线不熟悉，在寻车时不知道停车场中自己的车辆的所在地，会浪费大量的时间去寻找车辆，，既浪费了用户的时间，也没有使停车位得到很好的利用。

因此如何在减少用户在停车场的停车时间和寻车时间是亟待解决的问题。

发明内容

本发明主要解决的技术问题是如何提高用户在停车场的停车和寻车效率。

根据第一方面，一种实施例中提供一种停车场寻车方法，包括：

S1、当用户车辆驶入停车场时，搜寻停车场中用户手机的蓝牙信号和WIFI信号；S2、当搜寻到用户手机的蓝牙信号和WIFI信号时，与用户手机建立蓝牙连接和WIFI连接；S3、基于用户手机蓝牙连接时上传的蓝牙定位数据、用户手机WIFI连接时上传的WIFI定位数据和用户手机上传的GPS定位数据，使用深度神经网络模型对用户车辆进行定位得到定位结果；S4、基于所述定位结果，控制停车场的摄像机对用户车辆进行拍照获得车辆图像；S5、基于车辆图像使用图神经网络模型确定出推荐的一个车位，并记录所述推荐的一个车位的位置信息；S6、发送导航信息到用户手机，使得用户能够根据所述导航信息到达所述推荐的一个车位；S7、在用户到达所述推荐的一个车位后，接收用户在需要寻车时发送的寻车信息；S8、基于所述寻车信息和所述推荐的一个车位的位置信息，发送寻车导航信息到用户手机，使得用户能够根据寻车导航信息到达用户车辆。

在一实施例中，所述寻车信息包括用户的蓝牙定位数据、WIFI定位数据、GPS定位数据，所述基于所述寻车信息和所述推荐的一个车位的位置信息，发送寻车导航信息到用户手机，包括：基于所述发送的寻车信息，使用所述深度神经网络模型对用户进行定位得到寻车定位结果；基于所述寻车定位结果和所述推荐的一个车位的位置信息生成寻车导航信息后，发送寻车导航信息到用户手机。

在一实施例中，所述基于所述定位结果，控制停车场的摄像机对用户车辆进行拍照获得车辆图像，包括：基于所述定位结果，控制停车场中距离用户车辆最近的一个摄像机，对用户车辆进行拍照获得车辆图像。

在一实施例中，所述基于所述定位结果，控制停车场的摄像机对用户车辆进行拍照获得车辆图像，包括：基于所述定位结果，控制停车场中的多个摄像机，对用户车辆进行拍照获得多个图像，并从中随机选取一个图像作为车辆图像。

在一实施例中，所述图神经网络模型经过梯度下降法训练得到。

在一实施例中，所述图神经网络模型包括图神经网络和全连接层，图神经网络的输出连接到全连接层，所述全连接层输出得到所述推荐的一个车位。

根据第二方面，一种实施例中提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的停车场寻车方法的步骤。

根据第三方面，一种实施例中提供一种电子设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如第一方面所述的方法。

根据第四方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上述第一方面中任一项所述的方法。

依据上述实施例的停车场寻车方法、程序产品、设备和计算机可读存储介质，通过深度神经网络模型确定用户定位结果，再基于定位结果，进行拍照从而得到车辆图像，并基于图神经网络处理车辆图像最终得到推荐停车的一个车位，且在寻车阶段时由于已经记录好了停车所在的位置，所以可以根据用户寻车时的定位和停车所在的位置，进行导航，避免了寻车所带来的时间浪费。提高了用户的停车的和寻车效率。

附图说明

图1为本发明实施例提供的一种停车场寻车方法的流程示意图；

图2为本发明实施例提供的一种电子设备的示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本发明能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本发明相关的一些操作并没有在说明书中显示或者描述，这是为了避免本发明的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本发明所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。

本发明实施例中，提供了如图1所示的一种停车场寻车方法，包括步骤S1～S8：

步骤S1，当用户车辆驶入停车场时，搜寻停车场中用户手机的蓝牙信号和WIFI信号。

例如，通过停车场门口的车牌识别装置，检测到车牌进入后，则开始搜寻用户手机的蓝牙信号和WIFI信号。

步骤S2，当搜寻到用户手机的蓝牙信号和WIFI信号时，与用户手机建立蓝牙连接和WIFI连接。

当检测用户车辆驶入停车场时，搜寻停车场中用户手机的蓝牙信号和WIFI信号，并提示用户选择对应的停车场蓝牙和停车场WIFI进行连接，例如通过弹窗提示用户选择对应的停车场蓝牙和停车场WIFI进行连接。

在一些实施例中，若用户之前连接过停车场蓝牙和停车场WIFI，则用户车辆进行后，则直接与用户手机建立蓝牙连接和WIFI连接。

步骤S3，基于用户手机蓝牙连接时上传的蓝牙定位数据、用户手机WIFI连接时上传的WIFI定位数据和用户手机上传的GPS定位数据，使用深度神经网络模型对用户车辆进行定位得到定位结果。

在一些实施例中，可以通过训练后的深度神经网络模型确定车辆定位结果。深度神经网络模型包括深度神经网络。深度神经网络模型可以包括多个处理层，每个处理层由多个神经元组成，每个神经元对数据做矩阵变换。矩阵所使用的参数可以通过训练获得。深度神经网络模型还可以是任意能够实现对多个特征进行处理的现有神经网络模型，例如，RNN、CNN、DNN等。深度神经网络模型还可以是根据需求自定义的模型。深度神经网络模型的输入是蓝牙定位数据、WIFI定位数据和GPS定位数据，输出是车辆定位结果。训练后的深度神经网络模型通过多组训练样本训练得到。

深度神经网络模型可以通过训练样本训练得到。训练样本的输入为蓝牙定位数据、WIFI定位数据和GPS定位数据，训练样本的输出是车辆定位结果。在一些实施例中，可以通过梯度下降法对深度神经网络模型进行训练得到训练后的深度神经网络模型。具体的，根据训练样本，构建深度神经网络模型的损失函数，通过深度神经网络模型的损失函数调整深度神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。

步骤S4，基于所述定位结果，控制停车场的摄像机对用户车辆进行拍照获得车辆图像。

在一些实施例中，可以基于所述定位结果，控制停车场中距离用户车辆最近的一个摄像机，对用户车辆进行拍照获得车辆图像。例如，如果定位结果为坐标，则可以控制停车场中距离用户车辆直线距离最近的一个摄像机进行拍照，从而获得车辆图像。

在一些实施例中，基于所述定位结果，控制停车场中的多个摄像机，对用户车辆进行拍照获得多个图像，并从中随机选取一个图像作为车辆图像。

在一些实施例中，还可以控制停车场中的多个摄像机，对用户车辆进行拍照获得多个图像，并从中选取多个图像中清晰度最高的一个图像作为车辆图像。

步骤S5，基于车辆图像使用图神经网络模型确定出推荐的一个车位，并记录所述推荐的一个车位的位置信息。

由于停车场中不同车位的大小不一致，而用户车辆的大小也不一致，推荐的停车位需要兼顾用户的车辆大小和停车位的大小，使得的停车位的大小适合用户的车辆大小。推荐的停车位还要兼顾用户欲到达地点，例如推荐的停车位不能距离用户欲到达地点太远。推荐的停车位还要兼顾用户性别、年龄、车辆总人数，最终进行综合判断输出推荐的一个车位。

所以图神经网络模型的输入包括多个节点和多个边，所述多个节点包括车辆图像、用户欲到达地点、停车场车位分布图、剩余车位图、用户性别、年龄、车辆总人数，所述多个边为多个节点之间的关系，所述图神经网络模型的输出为推荐的一个车位。

在一些实施例中，图神经网络模型可以包括图神经网络(GNN)和全连接层。图神经网络是一种直接作用于图上的神经网络，所述图是由顶点和边两部分组成的一种数据结构。图神经网络模型基于信息传播机制，每一个节点通过相互交换信息来更新自己的节点状态，直到达到某一个稳定值，图神经网络模型的输出就是在每个节点处，根据当前节点状态分别计算输出。

在一些实施例中，图神经网络模型可以包括多层图神经网络。多层图神经网络训练或实际应用过程中，每一层每个节点从与之连接(例如，相邻)的节点接收信息，并进行节点之间的信息融合，经过多层图神经网络之后，每一层中的节点可以与更远的节点(例如，与之不连接或相邻的节点)进行信息融合，提高了分类准确性。

在一些实施例中，图神经网络模型可以包括图神经网络和全连接层，图神经网络的输出可以连接到全连接层，全连接层进行分类输出所述推荐的一个车位。

图神经网络模型可以通过训练样本训练得到。训练样本的输入为多个节点和多个边，所述多个节点包括车辆图像、用户欲到达地点、停车场车位分布图、剩余车位图、用户性别、年龄、车辆总人数，所述多个边为多个节点之间的关系，训练样本的输出为推荐的一个车位。在一些实施例中，可以通过梯度下降法对图神经网络模型进行训练得到训练后的图神经网络模型。具体的，根据训练样本，构建图神经网络模型的损失函数，通过图神经网络模型的损失函数调整图神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。

训练完成后，可以将多个节点和多个边输入到所述图神经网络模型中，所述多个节点包括车辆图像、用户欲到达地点、停车场车位分布图、剩余车位图、用户性别、年龄、车辆总人数，所述多个边为多个节点之间的关系，最后通过图神经网络模型输出得到推荐的一个车位。

步骤S6，发送导航信息到用户手机，使得用户能够根据所述导航信息到达所述推荐的一个车位。

导航信息包括推荐的一个车位的地址和用户车辆的定位结果。

步骤S7，在用户到达所述推荐的一个车位后，接收用户在需要寻车时发送的寻车信息。

用户到达推荐的一个车位后，则系统准备开始接收用户在需要寻车时发送的寻车信息。

所述寻车信息包括用户的蓝牙定位数据、WIFI定位数据、GPS定位数据。在一些实施例中，可以基于所述发送的寻车信息，使用所述深度神经网络模型对用户进行定位得到寻车定位结果；基于所述寻车定位结果和所述推荐的一个车位的位置信息生成寻车导航信息后，发送寻车导航信息到用户手机。

关于深度神经网络模型的描述可以参见步骤S3相关描述，此处不再赘述。

步骤S8，基于所述寻车信息和所述推荐的一个车位的位置信息，发送寻车导航信息到用户手机，使得用户能够根据寻车导航信息到达用户车辆。

寻车导航信息包括了用户的当前定位数据和推荐的一个车位的位置信息。用户可以根据寻车导航信息到达用户车辆。

基于同一发明构思，本发明的实施例提供了一种电子设备，如图2所示，包括：

处理器21；用于存储处理器21中可执行程序指令的存储器22；其中，处理器21被配置为执行以实现如前述提供的一种停车场寻车方法的方法，所述方法包括：

S1、当用户车辆驶入停车场时，搜寻停车场中用户手机的蓝牙信号和WIFI信号；S2、当搜寻到用户手机的蓝牙信号和WIFI信号时，与用户手机建立蓝牙连接和WIFI连接；S3、基于用户手机蓝牙连接时上传的蓝牙定位数据、用户手机WIFI连接时上传的WIFI定位数据和用户手机上传的GPS定位数据，使用深度神经网络模型对用户车辆进行定位得到定位结果；S4、基于所述定位结果，控制停车场的摄像机对用户车辆进行拍照获得车辆图像；S5、基于车辆图像使用图神经网络模型确定出推荐的一个车位，并记录所述推荐的一个车位的位置信息；S6、发送导航信息到用户手机，使得用户能够根据所述导航信息到达所述推荐的一个车位；S7、在用户到达所述推荐的一个车位后，接收用户在需要寻车时发送的寻车信息；S8、基于所述寻车信息和所述推荐的一个车位的位置信息，发送寻车导航信息到用户手机，使得用户能够根据寻车导航信息到达用户车辆。

基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器21执行时，使得电子设备能够执行实现如前述提供的停车场寻车方法，所述方法包括:S1、当用户车辆驶入停车场时，搜寻停车场中用户手机的蓝牙信号和WIFI信号；S2、当搜寻到用户手机的蓝牙信号和WIFI信号时，与用户手机建立蓝牙连接和WIFI连接；S3、基于用户手机蓝牙连接时上传的蓝牙定位数据、用户手机WIFI连接时上传的WIFI定位数据和用户手机上传的GPS定位数据，使用深度神经网络模型对用户车辆进行定位得到定位结果；S4、基于所述定位结果，控制停车场的摄像机对用户车辆进行拍照获得车辆图像；S5、基于车辆图像使用图神经网络模型确定出推荐的一个车位，并记录所述推荐的一个车位的位置信息；S6、发送导航信息到用户手机，使得用户能够根据所述导航信息到达所述推荐的一个车位；

S7、在用户到达所述推荐的一个车位后，接收用户在需要寻车时发送的寻车信息；S8、基于所述寻车信息和所述推荐的一个车位的位置信息，发送寻车导航信息到用户手机，使得用户能够根据寻车导航信息到达用户车辆。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (9)

1.一种停车场寻车方法，其特征在于，包括：

S1、当用户车辆驶入停车场时，搜寻停车场中用户手机的蓝牙信号和WIFI信号；

S2、当搜寻到用户手机的蓝牙信号和WIFI信号时，与用户手机建立蓝牙连接和WIFI连接；

S3、基于用户手机蓝牙连接时上传的蓝牙定位数据、用户手机WIFI连接时上传的WIFI定位数据和用户手机上传的GPS定位数据，使用深度神经网络模型对用户车辆进行定位得到定位结果；

S4、基于所述定位结果，控制停车场的摄像机对用户车辆进行拍照获得车辆图像；

S5、基于车辆图像使用图神经网络模型确定出推荐的一个车位，并记录所述推荐的一个车位的位置信息，所述基于车辆图像使用图神经网络模型确定出推荐的一个车位，并记录所述推荐的一个车位的位置信息包括：所述图神经网络模型的输入包括多个节点和多个边，所述多个节点包括车辆图像、用户欲到达地点、停车场车位分布图、剩余车位图、用户性别、年龄、车辆总人数，所述多个边为多个节点之间的关系，所述图神经网络模型的输出为推荐的一个车位；

S6、发送导航信息到用户手机，使得用户能够根据所述导航信息到达所述推荐的一个车位；

S7、在用户到达所述推荐的一个车位后，接收用户在需要寻车时发送的寻车信息；

S8、基于所述寻车信息和所述推荐的一个车位的位置信息，发送寻车导航信息到用户手机，使得用户能够根据寻车导航信息到达用户车辆。

2.如权利要求1所述的停车场寻车方法，其特征在于，所述寻车信息包括用户的蓝牙定位数据、WIFI定位数据、GPS定位数据，所述基于所述寻车信息和所述推荐的一个车位的位置信息，发送寻车导航信息到用户手机，包括：

基于所述发送的寻车信息，使用所述深度神经网络模型对用户进行定位得到寻车定位结果；

基于所述寻车定位结果和所述推荐的一个车位的位置信息生成寻车导航信息后，发送寻车导航信息到用户手机。

3.如权利要求1所述的停车场寻车方法，其特征在于，所述基于所述定位结果，控制停车场的摄像机对用户车辆进行拍照获得车辆图像，包括：基于所述定位结果，控制停车场中距离用户车辆最近的一个摄像机，对用户车辆进行拍照获得车辆图像。

4.如权利要求1所述的停车场寻车方法，其特征在于，所述基于所述定位结果，控制停车场的摄像机对用户车辆进行拍照获得车辆图像，包括：基于所述定位结果，控制停车场中的多个摄像机，对用户车辆进行拍照获得多个图像，并从中随机选取一个图像作为车辆图像。

5.如权利要求1所述的停车场寻车方法，其特征在于，包括：所述图神经网络模型经过梯度下降法训练得到。

6.如权利要求5所述的停车场寻车方法，其特征在于，包括：所述图神经网络模型包括图神经网络和全连接层，图神经网络的输出连接到全连接层，所述全连接层输出得到所述推荐的一个车位。

7.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的停车场寻车方法的步骤。

8.一种电子设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1～6任一种所述的停车场寻车方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～6任一项所述的停车场寻车方法对应的步骤。