CN116153090A - 一种全轨迹精准化车牌识别管理方法及系统 - Google Patents
一种全轨迹精准化车牌识别管理方法及系统 Download PDFInfo
- Publication number
- CN116153090A CN116153090A CN202211308343.5A CN202211308343A CN116153090A CN 116153090 A CN116153090 A CN 116153090A CN 202211308343 A CN202211308343 A CN 202211308343A CN 116153090 A CN116153090 A CN 116153090A
- Authority
- CN
- China
- Prior art keywords
- edge
- feature recognition
- real
- parking
- vehicle
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 90
- 238000004364 calculation method Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000006978 adaptation Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/66—Arrangements for connecting between networks having differing types of switching systems, e.g. gateways
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种全轨迹精准化车牌识别管理方法及系统,涉及数字处理技术领域,方法包括:根据无线视频智能网关对目标车辆进行数据采集,获取实时视频数据集,上传至云端处理器中;调用特征识别模型对实时视频数据进行特征识别,获取特征识别结果;连接停车管理系统,确定多个停车管理任务;采用边缘算法对多个停车管理任务进行分析,获取边缘卸载结果,对多个停车管理任务进行边缘计算。解决了车辆的全轨迹精准化定位效率低的技术问题,达到了基于边缘硬件模块,对停车任务进行边缘计算,分散云端处理器的数据处理压力,提高车辆的全轨迹精准化定位效率,精准快速进行全轨迹精准化识别,为车辆高精度动态监控提供支持的技术效果。
Description
技术领域
本发明涉及数字处理技术领域,具体涉及一种全轨迹精准化车牌识别管理方法及系统。
背景技术
城市中的道路卡扣密集度高,基本满足目标车辆全轨迹的动态监控需求,在车辆停止后,往往可以根据最后出现的位置,大致确定目标车辆的停放位置,但若需要确定目标车辆的具体位置,一般的,需要通过走访调查目标区域的多个停车场,对多个停车场进行逐一排查,但走访调查耗费大量人力物力的浪费,车辆的全轨迹精准化定位效率低。
采用智慧停车管理系统,联合确定目标车辆全轨迹,但一方面智慧停车管理系统的多个停车场(不同停车场的停车场道闸一体机的协议不同)存在数据接入难点;另一方面,在目标区域的多个停车场建设微卡口,建设成本过高,不便于进行大规模的推广使用,亟需全轨迹精准化识别管理方案,对目标车辆的轨迹进行精准定位。
现有技术中存在车辆的全轨迹精准化定位效率低的技术问题。
发明内容
本申请通过提供了一种全轨迹精准化车牌识别管理方法及系统,解决了车辆的全轨迹精准化定位效率低的技术问题,达到了基于边缘硬件模块,对停车任务进行边缘计算,分散云端处理器的数据处理压力,提高车辆的全轨迹精准化定位效率,精准快速进行全轨迹精准化识别,为车辆高精度动态监控提供支持的技术效果。
鉴于上述问题,本申请提供了一种全轨迹精准化车牌识别管理方法及系统。
本申请的第一个方面,提供了一种全轨迹精准化车牌识别管理方法,其中,所述方法应用于车牌识别管理系统,所述系统与无线视频智能网关通信连接,所述方法包括:根据所述无线视频智能网关对目标车辆进行数据采集,获取实时视频数据集;将所述实时视频数据上传至云端处理器中,其中,所述云端处理器中嵌有特征识别模型;调用所述特征识别模型对所述实时视频数据进行特征识别,获取特征识别结果;连接停车管理系统,将所述特征识别结果输入所述停车管理系统中,基于所述停车管理系统,确定多个停车管理任务;采用边缘算法对所述多个停车管理任务进行分析,获取边缘卸载结果,其中,所述边缘卸载结果为边缘硬件模块;以所述边缘卸载结果对所述多个停车管理任务进行边缘计算。
本申请的第二个方面,提供了一种全轨迹精准化车牌识别管理系统,其中,所述系统包括:数据采集单元,所述数据采集单元用于根据无线视频智能网关对目标车辆进行数据采集,获取实时视频数据集;数据上传单元,所述数据上传单元用于将所述实时视频数据上传至云端处理器中,其中,所述云端处理器中嵌有特征识别模型;特征识别单元,所述特征识别单元用于调用所述特征识别模型对所述实时视频数据进行特征识别,获取特征识别结果;管理任务确定单元,所述管理任务确定单元用于连接停车管理系统,将所述特征识别结果输入所述停车管理系统中,基于所述停车管理系统,确定多个停车管理任务;任务分析单元,所述任务分析单元用于采用边缘算法对所述多个停车管理任务进行分析,获取边缘卸载结果,其中,所述边缘卸载结果为边缘硬件模块;边缘计算单元,所述边缘计算单元用于以所述边缘卸载结果对所述多个停车管理任务进行边缘计算。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据所述无线视频智能网关对目标车辆进行数据采集,获取实时视频数据集;将所述实时视频数据上传至云端处理器中;调用所述特征识别模型对所述实时视频数据进行特征识别,获取特征识别结果;连接停车管理系统,将所述特征识别结果输入所述停车管理系统中,基于所述停车管理系统,确定多个停车管理任务;采用边缘算法对所述多个停车管理任务进行分析,获取边缘卸载结果;以所述边缘卸载结果对所述多个停车管理任务进行边缘计算。本申请达到了基于边缘硬件模块,对停车任务进行边缘计算,分散云端处理器的数据处理压力,提高车辆的全轨迹精准化定位效率,精准快速进行全轨迹精准化识别,为车辆高精度动态监控提供支持的技术效果。
附图说明
图1为本申请一种全轨迹精准化车牌识别管理方法的流程示意图;
图2为本申请一种全轨迹精准化车牌识别管理方法的输出特征识别结果的流程示意图;
图3为本申请一种全轨迹精准化车牌识别管理方法的获取边缘硬件模块的流程示意图;
图4为本申请一种全轨迹精准化车牌识别管理系统的结构示意图。
附图标记说明:数据采集单元11,数据上传单元12,特征识别单元13,管理任务确定单元14,任务分析单元15,边缘计算单元16。
具体实施方式
本申请通过提供了一种全轨迹精准化车牌识别管理方法及系统,解决了车辆的全轨迹精准化定位效率低的技术问题,达到了基于边缘硬件模块,对停车任务进行边缘计算,分散云端处理器的数据处理压力,提高车辆的全轨迹精准化定位效率,精准快速进行全轨迹精准化识别,为车辆高精度动态监控提供支持的技术效果。
实施例一
如图1所示,本申请提供了一种全轨迹精准化车牌识别管理方法,其中,所述方法应用于车牌识别管理系统,所述系统与无线视频智能网关通信连接,所述方法包括:
步骤S100:根据所述无线视频智能网关对目标车辆进行数据采集,获取实时视频数据集;
步骤S200:将所述实时视频数据上传至云端处理器中,其中,所述云端处理器中嵌有特征识别模型;
步骤S300:调用所述特征识别模型对所述实时视频数据进行特征识别,获取特征识别结果;
具体而言,通过车载传感器获得周围环境信息,周围环境信息包括道路、车辆位置和障碍物信息,上传至工控机,以控制车辆的转向和速度,并结合目的地进行智能路线规划和导航,还可和车载娱乐系统进行语音交互,实现工控机精准交互控制。
具体包括,所述无线视频智能网关支持虚拟网络接入、wifi接入、有线宽带接入等多种数据接入传送方式,所述无线视频智能网关即内置视频采集装置的智能网关,所述目标车辆的车牌满足机动车号牌标准,根据所述无线视频智能网关内置的视频采集装置,对目标车辆进行数据采集,获取实时视频数据集,所述视频数据包括目标车辆的多角度的视频信息,通过无线视频智能网关与云端处理器的通信连接,将所述实时视频数据上传至云端处理器中,所述云端处理器中嵌有特征识别模型,所述特征识别模型的模型基础为bp神经网络模型,基于经验数据训练并构建特征识别模型,调用所述特征识别模型,将所述实时视频数据输入特征识别模型,对所述实时视频数据进行特征识别,特征识别模型的输出即特征识别结果,为提高特征识别效率提供支持。
进一步的,本申请实施例还包括:
步骤S210:对所述实时视频数据进行数据分类,获取数据分类结果;
步骤S220:基于所述数据分类结果,配置数据传输参数;
步骤S230:按照所述数据传输参数对所述云端处理器的云端传输通道进行参数配置,将所述实时视频数据上传至云端处理器中。
具体而言,通过所述实时视频数据的数据采集设备与数据采集角度,按照目标车辆的车牌信息、行驶轨迹信息、车辆基础信息(车辆基础信息包括车辆运载信息、车辆载重量信息、车辆高度信息,可以通过视频数据确定车辆型号,通过车辆型号,获取车辆基础信息),对所述实时视频数据进行数据分类,分类获取数据分类结果;基于所述数据分类结果,通过配置函数进行参数变量运算,获取数据传输参数;按照所述数据传输参数,对所述云端处理器的云端传输通道进行参数配置,将所述实时视频数据上传至云端处理器中,为针对数据特征对应进行参数配置提供基础。
进一步的,如图2所示,所述调用所述特征识别模型对所述实时视频数据进行特征识别,获取特征识别结果,步骤S300还包括:
步骤S310:将所述实时视频数据输入所述特征识别模型中,其中,所述特征识别模型包括车辆特征、车牌特征和轨迹特征;
步骤S320:通过对所述车辆特征、所述车牌特征和所述轨迹特征进行车辆停放分析,获取车辆停放参数;
步骤S330:以所述车辆停放参数,输出所述特征识别结果。
具体而言,所述特征识别模型包括车辆特征(所述车辆特征包括车辆运载特征、车辆载重量特征、车辆高度特征等相关特征)、车牌特征(车牌特征包括车牌位置特征、车牌颜色特征、车牌号特征等相关特征)和轨迹特征(轨迹特征包括车辆前轮转向特征、车辆后轮转向特征、车辆移动方向特征等相关特征),将所述实时视频数据输入所述特征识别模型中,通过特征识别模型,进行特征识别提取,获取所述车辆特征、所述车牌特征和所述轨迹特征,通过对所述车辆特征、所述车牌特征和所述轨迹特征,进行车辆停放分析(如存在层高限制的停放区域,对车辆高度特征存在限制;如钢构多层车库,对车辆载重量特征存在限制),获取车辆停放参数,所述车辆停放参数包括车辆高度停放参数、车辆重量停放参数、车辆停放时间需求参数、车辆停放卸货需求参数(车辆停靠后,存在卸货需求)等多个指标参数,所述进行车辆停放分析需要结合实际场景进行方向性分析,此处不做赘述;以所述车辆停放参数为标识信息,对所述车辆特征、所述车牌特征和所述轨迹特征进行标记,输出所述特征识别结果,所述特征识别结果即所述车辆特征、所述车牌特征和所述轨迹特征的标记结果,为结合场景需求,进行智能路线规划和导航。
基于经验数据训练并构建特征识别模型,具体包括:以历史车辆特征、历史车牌特征和历史轨迹特征与历史视频数据为训练数据,以bp网络模型为模型基础,将所述训练数据输入bp网络模型的输入端,进行拟合训练,在模型输出趋于稳定后,确定特征识别模型,所述特征识别模型的输入输出函数即所述数据传输参数对应的配置函数,为提高数据传输参数的稳定性提供支持。
进一步的,所述系统与全轨迹数据采集装置连接,所述方法还包括:
步骤S340:根据所述全轨迹数据采集装置,对所述目标车辆进行全轨迹数据采集,输出全轨迹数据集,其中,所述全轨迹数据采集装置与所述目标车辆的系统终端连接;
步骤S350:根据所述全轨迹数据集,获取实时停放参数;
步骤S360:基于所述实时停放参数与所述特征识别结果进行比对,获取比对结果;
步骤S370:若所述比对结果为不通过,获取预警信息。
具体而言,所述全轨迹数据采集装置为一位置轨迹记录装置,所述全轨迹数据采集装置布设于目标停车场,所述全轨迹数据采集装置对驶入目标停车场的目标车辆进行全轨迹数据采集,在目标车辆驶出目标停车场结束采集,所述全轨迹数据采集装置与所述目标车辆的系统终端连接,根据所述全轨迹数据采集装置,对所述目标车辆进行全轨迹数据采集,输出全轨迹数据集(所述全轨迹数据集的元素即第一历史停放参数、第二历史停放参数等多个历史停放参数),根据所述全轨迹数据集,获取实时停放参数(所述实时停放参数与车辆停放参数的指标类型存在一致性,所述实时停放参数即目标车辆的当前停放参数);基于所述实时停放参数与所述特征识别结果中的车辆停放参数,进行比对(如存在层高限制的停放区域,对车辆高度特征存在限制,限高为2.1米的地下车库,最多可允许车辆高度特征为2米的车辆;如钢构多层车库,对车辆载重量特征存在限制,限重为1.5吨的钢构车库,最多可允许车辆重量特征与车辆载重量特征之和不大于1.5吨的车辆),获取比对结果,所述比对结果可以是通过或不通过;若所述比对结果为不通过,获取预警信息,所述预警信息用于警示所述目标车辆无法停放于目标停车场,避免车辆与停车场的停放参数不匹配,提前进行预警,为排除的车辆停放安全隐患提供支持。
步骤S400:连接停车管理系统,将所述特征识别结果输入所述停车管理系统中,基于所述停车管理系统,确定多个停车管理任务;
步骤S500:采用边缘算法对所述多个停车管理任务进行分析,获取边缘卸载结果,其中,所述边缘卸载结果为边缘硬件模块;
步骤S600:以所述边缘卸载结果对所述多个停车管理任务进行边缘计算。
具体而言,连接停车管理系统,将所述特征识别结果输入所述停车管理系统中,基于所述停车管理系统,确定多个停车管理任务,所述多个停车管理任务包括数据上传任务、数据读取加载任务、数据下发任务、数据更新任务、运算处理任务等多个管理系统运载任务,所述多个停车管理任务;以硬件模块单独进行功能性运行为目标(所述功能性运行中的“功能”可以是停车计时功能、收费管理功能、停车路线规划功能等相关功能),采用边缘算法对所述多个停车管理任务进行分析,获取边缘卸载结果(所述边缘卸载结果即可以单独进行功能性运行的硬件模块),所述边缘卸载结果为边缘硬件模块,以所述边缘卸载结果对所述多个停车管理任务进行边缘计算,为分散云端处理器的数据处理压力,提高停车管理系统整体的运算处理效率。
进一步的,如图3所示,所述边缘卸载结果为边缘硬件模块,步骤S500还包括:
步骤S510:获取所述无线视频智能网关的网关协议;
步骤S520:根据所述网关协议的协议接口信息,确定网关硬件设备;
步骤S530:通过对所述网关硬件设备的信息进行设备功能分析,确定待卸载硬件设备;
步骤S540:以所述待卸载硬件设备筛选获取所述边缘硬件模块。
具体而言,获取所述无线视频智能网关的各个数据接口的网关协议,所述协议接口信息即需要进行信息交换的接口间需要遵从的通信方式和要求,根据所述网关协议的协议接口信息,确定与协议接口信息适配的网关硬件设备;通过所述网关硬件设备的信息,对网关硬件设备进行功能分析,确定待卸载硬件设备(所述待卸载硬件设备即硬件设备可以单独进行功能性运行的硬件设备),以所述待卸载硬件设备为参考,在所述无线视频智能网关的各个数据接口连接的网关硬件设备中进行筛选,获取所述边缘硬件模块,为后续运算处理提供支持。
进一步的,所述通过对所述网关硬件设备的信息进行设备功能分析,确定待卸载硬件设备,步骤S530还包括:
步骤S531:获取所述网关硬件设备的设备功能区块,包括处理器硬件、可容资源量、计算软系统;
步骤S532:对所述设备功能区块中的处理器硬件、可容资源量、计算软系统进行分析,获取边缘计算适配度,其中,所述边缘计算适配度用于标识所述网关硬件设备作为边缘结点的适配程度;
步骤S533:以所述边缘计算适配度为筛选条件,在所述待卸载硬件设备中筛选获取所述边缘硬件模块。
进一步的,所述以所述边缘计算适配度为筛选条件,在所述待卸载硬件设备中筛选获取所述边缘硬件模块,步骤S533还包括:
步骤S533-1:判断所述边缘计算适配度是否大于预设边缘计算适配度;
步骤S533-2:若所述边缘计算适配度大于所述预设边缘计算适配度,获取标识指令;
步骤S533-3:根据所述标识指令对所述边缘硬件模块进行标识。
具体而言,通过对所述网关硬件设备的信息进行设备功能分析,确定待卸载硬件设备,具体包括:通过所述网关硬件设备的技术参数信息,获取所述网关硬件设备的设备功能区块,所述设备功能区块包括处理器硬件、可容资源量(可容资源量的存储单位为可以设定为GB)、计算软系统(软系统即软件系统的简称);对所述设备功能区块中的处理器硬件、可容资源量、计算软系统进行适配度分析(适配度分析简单来说就是基于处理器硬件、可容资源量、计算软系统,执行设备功能,在执行过程中,确定运算执行效率、设备性能、启用速度等相关性能指标,判断所述运算执行效率、设备性能、启用速度等相关性能指标是否处于最佳状态,若处于最佳状态,适配度可以设定为10;若超出最佳状态百分之2,适配度可以设定为9;若超出最佳状态百分之4,适配度可以设定为8,具体结合实际的运行状态进行具体确定),获取边缘计算适配度,所述边缘计算适配度用于标识所述网关硬件设备作为边缘结点的适配程度;在所述待卸载硬件设备中,以所述边缘计算适配度为筛选条件,进行设备筛选,获取所述边缘硬件模块,筛选确定边缘硬件模块,为保证分离后单独进行功能性运行的硬件设备的设备运行效率提供支持。
进一步具体说明,以所述边缘计算适配度为筛选条件,在所述待卸载硬件设备中筛选获取所述边缘硬件模块,具体包括:设定预设边缘计算适配度,所述预设边缘计算适配度为一预设参数指标,判断所述边缘计算适配度是否大于预设边缘计算适配度;若所述边缘计算适配度不大于所述预设边缘计算适配度,直接忽略掉所述边缘计算适配度对应的边缘硬件模块(无需分离单独进行功能性运行的硬件设备);若所述边缘计算适配度大于所述预设边缘计算适配度,获取标识指令,根据所述标识指令对所述边缘硬件模块进行标识,为保证边缘硬件模块标记信息的合理性与有效性提供基础。
进一步具体说明,所述无线视频智能网关的各个数据接口连通信连接第一硬件模块、第二硬件模块、第三硬件模块、第四硬件模块等多个硬件模块,在筛选确定边缘硬件模块后,假定筛选确定边缘硬件模块即第一硬件模块,将第一硬件模块对应的功能性运行从无线视频智能网关中全部卸载,直接独立加载于第一硬件模块中,分散云端处理器的数据处理压力。
综上所述,本申请所提供的一种全轨迹精准化车牌识别管理方法及系统具有如下技术效果:
由于采用了根据无线视频智能网关对目标车辆进行数据采集,获取实时视频数据集,上传至云端处理器中;调用特征识别模型对实时视频数据进行特征识别,获取特征识别结果;连接停车管理系统,将特征识别结果输入停车管理系统中,确定多个停车管理任务;采用边缘算法对多个停车管理任务进行分析,获取边缘卸载结果,对多个停车管理任务进行边缘计算,本申请通过提供了一种全轨迹精准化车牌识别管理方法及系统,达到了基于边缘硬件模块,对停车任务进行边缘计算,分散云端处理器的数据处理压力,提高车辆的全轨迹精准化定位效率,精准快速进行全轨迹精准化识别,为车辆高精度动态监控提供支持的技术效果。
由于采用了根据全轨迹数据采集装置,对目标车辆进行全轨迹数据采集,输出全轨迹数据集,获取实时停放参数,结合特征识别结果进行比对,获取比对结果;若比对结果为不通过,获取预警信息,避免车辆与停车场的停放参数不匹配,提前进行预警,为排除的车辆停放安全隐患提供支持。
由于采用了判断边缘计算适配度是否大于预设边缘计算适配度;若边缘计算适配度大于预设边缘计算适配度,获取标识指令,对边缘硬件模块进行标识,为保证边缘硬件模块标记信息的合理性与有效性提供基础。
实施例二
基于与前述实施例中一种全轨迹精准化车牌识别管理方法相同的发明构思,如图4所示,本申请提供了一种全轨迹精准化车牌识别管理系统,其中,所述系统包括:
数据采集单元11,所述数据采集单元11用于根据无线视频智能网关对目标车辆进行数据采集,获取实时视频数据集;
数据上传单元12,所述数据上传单元12用于将所述实时视频数据上传至云端处理器中,其中,所述云端处理器中嵌有特征识别模型;
特征识别单元13,所述特征识别单元13用于调用所述特征识别模型对所述实时视频数据进行特征识别,获取特征识别结果;
管理任务确定单元14,所述管理任务确定单元14用于连接停车管理系统,将所述特征识别结果输入所述停车管理系统中,基于所述停车管理系统,确定多个停车管理任务;
任务分析单元15,所述任务分析单元15用于采用边缘算法对所述多个停车管理任务进行分析,获取边缘卸载结果,其中,所述边缘卸载结果为边缘硬件模块;
边缘计算单元16,所述边缘计算单元16用于以所述边缘卸载结果对所述多个停车管理任务进行边缘计算。
进一步的,所述系统包括:
网关协议获取单元,所述网关协议获取单元用于获取所述无线视频智能网关的网关协议;
网关硬件设备确定单元,所述网关硬件设备确定单元用于根据所述网关协议的协议接口信息,确定网关硬件设备;
设备功能分析单元,所述设备功能分析单元用于通过对所述网关硬件设备的信息进行设备功能分析,确定待卸载硬件设备;
边缘硬件模块获取单元,所述边缘硬件模块获取单元用于以所述待卸载硬件设备筛选获取所述边缘硬件模块。
进一步的,所述系统包括:
设备功能区块获取单元,所述设备功能区块获取单元用于获取所述网关硬件设备的设备功能区块,包括处理器硬件、可容资源量、计算软系统;
边缘计算单元,所述边缘计算单元用于对所述设备功能区块中的处理器硬件、可容资源量、计算软系统进行分析,获取边缘计算适配度,其中,所述边缘计算适配度用于标识所述网关硬件设备作为边缘结点的适配程度;
设备筛选单元,所述设备筛选单元用于以所述边缘计算适配度为筛选条件,在所述待卸载硬件设备中筛选获取所述边缘硬件模块。
进一步的,所述系统包括:
适配度判断单元,所述适配度判断单元用于判断所述边缘计算适配度是否大于预设边缘计算适配度;
适配度比较单元,所述适配度比较单元用于若所述边缘计算适配度大于所述预设边缘计算适配度,获取标识指令;
信息标识单元,所述信息标识单元用于根据所述标识指令对所述边缘硬件模块进行标识。
进一步的,所述系统包括:
视频数据输入单元,所述视频数据输入单元用于将所述实时视频数据输入所述特征识别模型中,其中,所述特征识别模型包括车辆特征、车牌特征和轨迹特征;
车辆停放分析单元,所述车辆停放分析单元用于通过对所述车辆特征、所述车牌特征和所述轨迹特征进行车辆停放分析,获取车辆停放参数;
特征识别结果输出单元,所述特征识别结果输出单元用于以所述车辆停放参数,输出所述特征识别结果。
进一步的,所述系统包括:
全轨迹数据采集单元,所述全轨迹数据采集单元用于根据所述全轨迹数据采集装置,对所述目标车辆进行全轨迹数据采集,输出全轨迹数据集,其中,所述全轨迹数据采集装置与所述目标车辆的系统终端连接;
实时停放参数获取单元,所述实时停放参数获取单元用于根据所述全轨迹数据集,获取实时停放参数;
比对结果获取单元,所述比对结果获取单元用于基于所述实时停放参数与所述特征识别结果进行比对,获取比对结果;
预警信息获取单元,所述预警信息获取单元用于若所述比对结果为不通过,获取预警信息。
进一步的,所述系统包括:
数据分类单元,所述数据分类单元用于对所述实时视频数据进行数据分类,获取数据分类结果;
数据传输参数配置单元,所述数据传输参数配置单元用于基于所述数据分类结果,配置数据传输参数;
传输通道参数配置单元,所述传输通道参数配置单元用于按照所述数据传输参数对所述云端处理器的云端传输通道进行参数配置,将所述实时视频数据上传至云端处理器中。
本说明书和附图仅仅是本申请的示例性说明,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种全轨迹精准化车牌识别管理方法,其特征在于,所述方法应用于车牌识别管理系统,所述系统与无线视频智能网关通信连接,所述方法包括:
根据所述无线视频智能网关对目标车辆进行数据采集,获取实时视频数据集;
将所述实时视频数据上传至云端处理器中,其中,所述云端处理器中嵌有特征识别模型;
调用所述特征识别模型对所述实时视频数据进行特征识别,获取特征识别结果;
连接停车管理系统,将所述特征识别结果输入所述停车管理系统中,基于所述停车管理系统,确定多个停车管理任务;
采用边缘算法对所述多个停车管理任务进行分析,获取边缘卸载结果,其中,所述边缘卸载结果为边缘硬件模块;
以所述边缘卸载结果对所述多个停车管理任务进行边缘计算。
2.如权利要求1所述的方法,其特征在于,所述边缘卸载结果为边缘硬件模块,方法还包括:
获取所述无线视频智能网关的网关协议;
根据所述网关协议的协议接口信息,确定网关硬件设备;
通过对所述网关硬件设备的信息进行设备功能分析,确定待卸载硬件设备;
以所述待卸载硬件设备筛选获取所述边缘硬件模块。
3.如权利要求2所述的方法,其特征在于,所述通过对所述网关硬件设备的信息进行设备功能分析,确定待卸载硬件设备,方法还包括:
获取所述网关硬件设备的设备功能区块,包括处理器硬件、可容资源量、计算软系统;
对所述设备功能区块中的处理器硬件、可容资源量、计算软系统进行分析,获取边缘计算适配度,其中,所述边缘计算适配度用于标识所述网关硬件设备作为边缘结点的适配程度;
以所述边缘计算适配度为筛选条件,在所述待卸载硬件设备中筛选获取所述边缘硬件模块。
4.如权利要求3所述的方法,其特征在于,所述以所述边缘计算适配度为筛选条件,在所述待卸载硬件设备中筛选获取所述边缘硬件模块,方法还包括:
判断所述边缘计算适配度是否大于预设边缘计算适配度;
若所述边缘计算适配度大于所述预设边缘计算适配度,获取标识指令;
根据所述标识指令对所述边缘硬件模块进行标识。
5.如权利要求1所述的方法,其特征在于,所述调用所述特征识别模型对所述实时视频数据进行特征识别,获取特征识别结果,方法还包括:
将所述实时视频数据输入所述特征识别模型中,其中,所述特征识别模型包括车辆特征、车牌特征和轨迹特征;
通过对所述车辆特征、所述车牌特征和所述轨迹特征进行车辆停放分析,获取车辆停放参数;
以所述车辆停放参数,输出所述特征识别结果。
6.如权利要求5所述的方法,其特征在于,所述系统与全轨迹数据采集装置连接,所述方法还包括:
根据所述全轨迹数据采集装置,对所述目标车辆进行全轨迹数据采集,输出全轨迹数据集,其中,所述全轨迹数据采集装置与所述目标车辆的系统终端连接;
根据所述全轨迹数据集,获取实时停放参数;
基于所述实时停放参数与所述特征识别结果进行比对,获取比对结果;
若所述比对结果为不通过,获取预警信息。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述实时视频数据进行数据分类,获取数据分类结果;
基于所述数据分类结果,配置数据传输参数;
按照所述数据传输参数对所述云端处理器的云端传输通道进行参数配置,将所述实时视频数据上传至云端处理器中。
8.一种全轨迹精准化车牌识别管理系统,其特征在于,所述系统包括:
数据采集单元,所述数据采集单元用于根据无线视频智能网关对目标车辆进行数据采集,获取实时视频数据集;
数据上传单元,所述数据上传单元用于将所述实时视频数据上传至云端处理器中,其中,所述云端处理器中嵌有特征识别模型;
特征识别单元,所述特征识别单元用于调用所述特征识别模型对所述实时视频数据进行特征识别,获取特征识别结果;
管理任务确定单元,所述管理任务确定单元用于连接停车管理系统,将所述特征识别结果输入所述停车管理系统中,基于所述停车管理系统,确定多个停车管理任务;
任务分析单元,所述任务分析单元用于采用边缘算法对所述多个停车管理任务进行分析,获取边缘卸载结果,其中,所述边缘卸载结果为边缘硬件模块;
边缘计算单元,所述边缘计算单元用于以所述边缘卸载结果对所述多个停车管理任务进行边缘计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211308343.5A CN116153090B (zh) | 2022-10-25 | 2022-10-25 | 一种全轨迹精准化车牌识别管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211308343.5A CN116153090B (zh) | 2022-10-25 | 2022-10-25 | 一种全轨迹精准化车牌识别管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116153090A true CN116153090A (zh) | 2023-05-23 |
CN116153090B CN116153090B (zh) | 2024-03-29 |
Family
ID=86337873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211308343.5A Active CN116153090B (zh) | 2022-10-25 | 2022-10-25 | 一种全轨迹精准化车牌识别管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116153090B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016203422A1 (en) * | 2015-06-18 | 2016-12-22 | Park Smart Srl | System and method for recognition of parking stalls available for a vehicle |
CN107909659A (zh) * | 2017-11-06 | 2018-04-13 | 南京邮电大学 | 一种基于无线视频传感器网络的智慧路边停车收费方法 |
CN112995023A (zh) * | 2021-03-02 | 2021-06-18 | 北京邮电大学 | 一种多接入边缘计算网络计算卸载系统及其计算卸载方法 |
CN113194138A (zh) * | 2021-04-28 | 2021-07-30 | 昭通亮风台信息科技有限公司 | 基于ai深度学习的出行管理方法和系统 |
CN113593287A (zh) * | 2021-05-21 | 2021-11-02 | 上海悟城智能系统集成有限公司 | 车牌分区统计的边缘计算停车平台 |
CN113934472A (zh) * | 2021-12-16 | 2022-01-14 | 江西师范大学 | 任务卸载方法、装置、设备及存储介质 |
CN114615265A (zh) * | 2022-03-09 | 2022-06-10 | 浙江工业大学 | 边缘计算环境下基于深度强化学习的车载任务卸载方法 |
WO2022156520A1 (zh) * | 2021-01-25 | 2022-07-28 | 国汽智控(北京)科技有限公司 | 一种云路协同的自动驾驶模型训练、调取方法及系统 |
CN115100898A (zh) * | 2022-05-31 | 2022-09-23 | 东南大学 | 一种城市智能停车管理系统的协同计算任务卸载方法 |
-
2022
- 2022-10-25 CN CN202211308343.5A patent/CN116153090B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016203422A1 (en) * | 2015-06-18 | 2016-12-22 | Park Smart Srl | System and method for recognition of parking stalls available for a vehicle |
CN107909659A (zh) * | 2017-11-06 | 2018-04-13 | 南京邮电大学 | 一种基于无线视频传感器网络的智慧路边停车收费方法 |
WO2022156520A1 (zh) * | 2021-01-25 | 2022-07-28 | 国汽智控(北京)科技有限公司 | 一种云路协同的自动驾驶模型训练、调取方法及系统 |
CN112995023A (zh) * | 2021-03-02 | 2021-06-18 | 北京邮电大学 | 一种多接入边缘计算网络计算卸载系统及其计算卸载方法 |
CN113194138A (zh) * | 2021-04-28 | 2021-07-30 | 昭通亮风台信息科技有限公司 | 基于ai深度学习的出行管理方法和系统 |
CN113593287A (zh) * | 2021-05-21 | 2021-11-02 | 上海悟城智能系统集成有限公司 | 车牌分区统计的边缘计算停车平台 |
CN113934472A (zh) * | 2021-12-16 | 2022-01-14 | 江西师范大学 | 任务卸载方法、装置、设备及存储介质 |
CN114615265A (zh) * | 2022-03-09 | 2022-06-10 | 浙江工业大学 | 边缘计算环境下基于深度强化学习的车载任务卸载方法 |
CN115100898A (zh) * | 2022-05-31 | 2022-09-23 | 东南大学 | 一种城市智能停车管理系统的协同计算任务卸载方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116153090B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087510B (zh) | 交通监测方法及装置 | |
CN110111599B (zh) | 一种基于大数据的停车诱导方法、终端设备及存储介质 | |
CN111458721A (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
CN114076631A (zh) | 超载车辆识别方法、系统及设备 | |
CN110379165A (zh) | 一种道路类型预测方法、装置、设备及存储介质 | |
CN114565895A (zh) | 一种基于智慧社会的安防监控系统及方法 | |
CN112258850A (zh) | 一种车路协同系统边缘侧多传感器数据融合系统 | |
CN114464007B (zh) | 基于无人机的智慧城市停车监控方法、系统及云平台 | |
CN111572551A (zh) | 泊车工况下的航向角计算方法、装置、设备及存储介质 | |
CN116153090B (zh) | 一种全轨迹精准化车牌识别管理方法及系统 | |
CN115164922A (zh) | 一种路径规划方法、系统、设备及存储介质 | |
CN112805724B (zh) | 车辆驾驶场景识别方法及装置 | |
CN107545760A (zh) | 提供在定位地点处定位车辆的定位信息的方法和通过另一车辆提供定位车辆的信息的方法 | |
CN113282638B (zh) | 一种城建用车识别方法和装置 | |
CN115980690A (zh) | 晴空回波识别模型构建方法、晴空回波滤波方法及装置 | |
CN115356744A (zh) | 一种路测激光雷达布设方式确定方法、装置及电子设备 | |
CN116356650A (zh) | 路面平整度检测方法及装置 | |
CN116176579B (zh) | 自动驾驶跟车车距测量计算装置及方法 | |
CN115905247A (zh) | 高精地图的更新方法、系统、介质、终端及服务器端 | |
CN113808388A (zh) | 综合考虑小汽车和公共交通运行的交通拥堵分析方法 | |
CN116380158B (zh) | 车辆荷载信息确定系统、方法、装置、设备和介质 | |
CN112434877A (zh) | 一种基于云计算的智慧城市数据处理方法及装置 | |
CN114676277A (zh) | 一种基于数据库的参数结果预测方法及系统 | |
CN117991250B (zh) | 一种移动机器人的定位检测方法、系统、设备及介质 | |
US11619514B2 (en) | Method for providing a digital localization map |
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 |