CN117037082A - 一种停车行为的识别方法及系统 - Google Patents
一种停车行为的识别方法及系统 Download PDFInfo
- Publication number
- CN117037082A CN117037082A CN202311009601.4A CN202311009601A CN117037082A CN 117037082 A CN117037082 A CN 117037082A CN 202311009601 A CN202311009601 A CN 202311009601A CN 117037082 A CN117037082 A CN 117037082A
- Authority
- CN
- China
- Prior art keywords
- parking
- image
- parking space
- acquiring
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 abstract description 35
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008447 perception Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000005355 Hall effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G08G1/145—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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/50—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
- 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
- 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
-
- 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
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- 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
- G08G1/148—Management of a network of parking areas
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种停车行为的识别方法及系统,涉及车辆智能感知领域,所述方法包括:获取包括多个具有无线地磁检测器停车位且装有图像采集装置的第一停车区域;对无线地磁检测器实时监测,定位发出检测信号的车位为第一停车位;通过图像采集装置获取第一停车位图像;进行特征提取,获取第一停车特征;根据第一停车特征进行停车行为的识别,获取第一识别结果。首先通过对地磁检测器进行监测、再激活对应区域的图像采集装置进行图像采集并识别,由此解决了现有技术面临的识别布设及运行成本高、地磁检测无法识别车牌的技术问题。实现了灵活配置,降低布设及运行成本,确保车牌识别的技术效果。
Description
技术领域
本发明涉及车辆智能感知技术领域,特别涉及一种停车行为的识别方法和系统。
技术背景
随着城市发展,社会面停车场面临的车位紧张问题日趋明显,停车场实际运行中,往往面临停车不规范,压线停车、跨线停车的行为,降低了车位的利用率。针对这一情况,现有技术采用摄像头识别方案或地磁检测方案,存在识别布设及运行成本高、地磁检测无法识别车牌的技术问题。
发明内容
本申请的目的在于提供一种停车行为的识别方法和系统。用以解决现有技术中摄像头识别布设及运行成本高、地磁检测无法识别车牌的技术问题。
鉴于以上技术问题,本申请提供了一种停车行为的识别方法和系统
第一方面,本申请提供了一种停车行为的识别方法,其中,所述方法包括:获取第一停车区域,所述第一停车区域包括多个停车位,且装有图像采集装置,所述多个停车位分别具有无线地磁检测器;对所述无线地磁检测器进行实时监测,当所述无线地磁检测器发出检测信号时,定位发出所述检测信号的第一停车位;通过图像采集装置对所述第一停车位进行图像拍摄,获取第一停车位图像;对所述第一停车位图像进行特征提取,获取第一停车特征;根据所述第一停车特征进行停车行为的识别,获取第一识别结果。
第二方面,本申请还提供了一种停车行为的识别系统,其中,所述系统包括:区域获取模块,所述区域获取模块用于获取第一停车区域,所述第一停车区域包括多个停车位,且装有图像采集装置,所述多个停车位分别具有无线地磁检测器;区域监测模块,所述区域监测模块用于对所述无线地磁检测器进行实时监测,当所述无线地磁检测器发出检测信号时,定位发出所述检测信号的第一停车位;车位图像获取模块,所述车位图像获取模块用于通过图像采集装置对所述第一停车位进行图像拍摄,获取第一停车位图像;特征提取模块,所述特征提取模块用于对所述第一停车位图像进行特征提取,获取第一停车特征;行为识别模块,所述行为识别模块用于根据所述第一停车特征进行停车行为的识别,获取第一识别结果。
本申请实施例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:
本申请通过获取包括多个具有无线地磁检测器的停车位且装有图像采集装置的第一停车区域;对所述无线地磁检测器进行实时监测,定位发出所述检测信号的车位为第一停车位;通过图像采集装置对所述第一停车位进行图像拍摄,获取第一停车位图像;对所述第一停车位图像进行特征提取,获取第一停车特征;根据所述第一停车特征进行停车行为的识别,获取第一识别结果。首先通过对地磁检测器进行监测、再激活对应区域的图像采集装置进行图像采集并识别,由此解决了现有技术面临的识别布设及运行成本高、地磁检测无法识别车牌的技术问题。实现了灵活配置,降低布设及运行成本,确保车牌识别的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚阐明本申请的技术手段,进而可依照说明书的内容予以实施,并且为了让本申请的上述及其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
本发明的实施例及后述简单说明结合图示予以说明,附图说明如下:
图1为本申请一种停车行为的识别方法的流程示意图;
图2为本申请一种停车行为的识别方法中对所述第一停车位图像进行特征提取,获取第一停车特征的流程示意图;
图3为本申请一种停车行为的识别系统的结构示意图。
附图标记说明:区域获取模块11、区域监测模块12、车位图像获取模块13、特征提取模块14、行为识别模块15。
具体实施方式
本申请通过提供一种停车行为的识别方法和系统,解决了现有技术面临的识别布设及运行成本高、地磁检测无法识别车牌的技术问题。
本技术实施例中的方案,为解决上述问题,所采用的整体思路如下:
通过获取包括多个具有无线地磁检测器的停车位且装有图像采集装置的第一停车区域;对所述无线地磁检测器进行实时监测,定位发出所述检测信号的车位为第一停车位;通过图像采集装置对所述第一停车位进行图像拍摄,获取第一停车位图像;对所述第一停车位图像进行特征提取,获取第一停车特征;根据所述第一停车特征进行停车行为的识别,获取第一识别结果。首先通过对地磁检测器进行监测、再激活对应区域的图像采集装置进行图像采集并识别,由此解决了现有技术面临的识别布设及运行成本高、地磁检测无法识别车牌的技术问题。实现了灵活配置,降低布设及运行成本,确保车牌识别的技术效果。
为更好理解上述技术方案,下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明,需要说明的是,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本发明的实施例,本领域普通技术人员在没有作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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种停车行为的识别方法,其中,所述方法包括:
S100:获取第一停车区域,所述第一停车区域包括多个停车位,且装有图像采集装置,所述多个停车位分别具有无线地磁检测器;
具体而言:所述第一停车区域是指由多个安装有无线地磁检测器的停车位与对应的图像采集装置的区域。通过包括实际测量、查阅图纸等方式获取。其中,地磁检测器用于检测每个停车位的占用情况。地磁检测器可以通过感知地面上的车辆磁场变化来确定停车位的空闲或占用状态。当车辆停入或离开停车位时,地磁检测器能够实时更新停车位的状态信息。图像采集装置用于获取所述多个停车位的详细图像信息,包括车辆位置,车辆类型,车牌号等。
S200:对所述无线地磁检测器进行实时监测,当所述无线地磁检测器发出检测信号时,定位发出所述检测信号的第一停车位;
具体而言:所述无线地磁检测器通过感知地面上的车辆磁场变化来确定停车位的空闲或占用状态,组成部分包括磁场传感器、信号处理单元、通信模块、供电单元等。其中,磁场传感器用于感知地面上的磁场变化,并将其转换为电信号。常用的磁场传感器包括霍尔效应传感器和磁阻性效应传感器;信号处理单元负责接收磁场传感器产生的电信号,并对其进行处理和分析,检测信号的变化,并将其转换为停车位的状态信息,如空闲或占用;通信模块用于与其他设备或系统进行通信。对于所述无线地磁检测器包括蓝牙、Wi-Fi、LoRa等无线技术,将停车位的状态信息传输给中央服务器或管理系统;供电单元包括电池、太阳能电池等。
具体的,将多个所述无线地磁检测器编号并与对应的多个停车位关联存储。收到所述检测信号后根据检测器的编号,得到所述无线检测器对应的车位位置,即定位所述第一停车位。
S300:通过图像采集装置对所述第一停车位进行图像拍摄,获取第一停车位图像;
具体而言:所述图像采集装置是指用于采集,处理、传输存储进而获取车位图像的设备。示例性的,所述图像采集装置由图像传感器、镜头、图像处理芯片、数据传输接口等组成。其中,图像传感器类型包括CCD(电荷耦合器件)和CMOS(互补金属氧化物半导体)等;图像处理芯片用于对采集到的原始停车位图像进行预处理,提高图像质量和减少噪声,得到所述第一停车位图像。其中,预处理包括图像去噪、图像增强、色彩校正等,以确保采集到的图像信息清晰可见。示例性的,使用时域滤波、空域滤波或频域滤波等方法图像去噪;直方图均衡化、自适应对比度增强等方法图像增强;光流法或块匹配算法运动补偿。
S400:对所述第一停车位图像进行特征提取,获取第一停车特征;
具体而言:所述特征提取是指通过特征提取算法获取图像中属于特征性的信息的过程。优选的,使用图像的二值化对图像进行特征提取。图像二值化是将灰度图像转换为二值图像的过程,其中,根据阈值选取的不同,二值化的算法分为固定阈值和自适应阈值,包括:双峰法、P参数法、迭代法和OTSU法等。所述第一停车特征包括角点坐标及位置坐标范围。
进一步的,如图2所示,对所述第一停车位图像进行特征提取,获取第一停车特征,步骤S400包括:
S410:构建图像背景分割模型,所述图像背景分割模型包括前景分割单元和背景分割单元;
S420:将所述第一停车位图像输入图像背景分割模型,输出目标车辆分割图像;
S430:对所述目标车辆分割图像进行特征提取,获取所述第一停车特征。
具体而言:所述图像分割模型用于从所述第一停车位图像中提取出属于目标车辆的像素,输出并存储。所述前景分割单元用于根据阈值将属于前景的像素的值设置为255,所述背景分割单元用于根据阈值将属于背景的像素的值设置为0。其中,所述阈值可以为固定阈值或自适应阈值。示例性的,使用局部均值法,将每个像素的阈值设置为其邻域像素灰度值的平均值。具体而言,对于图像中的每个像素,计算其周围邻域的平均灰度值,并将该平均值作为该像素的阈值。
具体的,通过所述图像背景分割模型,将所述第一停车位图像二值化,其中,前景像素二值化为黑色,即属于车辆的像素为黑色。而后,将所述前景像素集标记输出为所述车辆分割图像。
具体而言,特征提取是指从图像中提取出有意义的、描述图像内容的特征表示。常见的特征提取方法包括传统图像特征提取方法和深度学习方法。其中,传统图像特征提取方法包括尺度不变特征变换(SIFT)、方向梯度直方图(HOG)、局部二值模式(LBP)等;深度学习方法包括主成分分析(PCA)、线性判别分析(LDA)、深度神经网络(DNN)等。
进一步的,所述构建图像背景分割模型,步骤S510还包括:
S411:获取预定车辆像素灰度值;
S412:获取背景阴影像素灰度值;
S413:根据所述预定车辆像素灰度值和所述背景阴影像素灰度值进行图像二值化分析,获得所述前景分割单元和所述背景分割单元。
具体而言:所述获取预定车辆像素灰度值,首先,通过所述图像采集装置,采集多个样本图像;而后,对多个所述样本图像标记车辆像素,并按照区块求取车辆像素灰度局部平均值,示例性的,区块大小为5*5;而后,将所述多个车辆像素灰度局部平均值标记存储,得到所述预定车辆像素灰度值。
具体的,所述获取预定车辆像素灰度值,首先对所述样本图像,标记背景阴影像素。而后,对标记的多个背景阴影像素,求其平均值,得到所述背景阴影像素灰度值。
具体的,根据所述预定车辆像素灰度值和所述背景阴影像素灰度值,将所述第一停车位图像中的像素值设置为255或0。示例性的,所述预定车辆像素灰度值为105,所述背景阴影像素灰度值为175,取二者平均值140,若所述第一停车位图像中某一像素指大于等于140,则将该像素值设置为255。若小于255,则将该像素值设置为0。
进一步的,对所述目标车辆分割图像进行特征提取,获取所述第一停车特征,步骤S430还包括:
S431:采用最小外接矩形对所述目标车辆分割图像进行矩形轮廓提取,获取目标车辆轮廓;
S432:构建第一基准坐标系;
S433:基于所述第一基准坐标系,根据所述目标车辆轮廓提取轮廓的四个角点坐标;
S434:基于所述第一基准坐标系,获取所述第一停车位的第一位置坐标范围;
S435:以所述四个角点坐标和所述第一位置坐标范围组成所述第一停车特征。
具体而言:所述最小外接矩形是一个能够紧密包围给定点集的矩形,它的边界与点集中的点相切或完全包含所有点,对于车辆分割图像而言,是指满足使得所以车辆图像均属于矩形范围内的最小的矩形。所述最小外接矩形用于描述车辆图像的轮廓。所述第一基准坐标系是一个参考坐标系,用以确定像素点及像素点集位置。
具体的,通过计算所述最小外接矩形的矩形轮廓顶角点,示例性的,首先,根据目标车辆的轮廓,获取轮廓上的所有点。而后,初始化四个变量,用于存储四个角点的坐标(例如,top_left、top_right、bottom_left、bottom_right)。接着,遍历轮廓上的每个点,计算其到第一基准坐标系的距离(或相对坐标)。然后,对于每个点,根据其到第一基准坐标系的距离,更新四个角点的坐标。对于左上角点(top_left):选择距离最小的点。对于右上角点(top_right):选择距离最小且x坐标最大的点。对于左下角点(bottom_left):选择距离最小且y坐标最大的点。对于右下角点(bottom_right):选择距离最小且x坐标和y坐标都最大的点。遍历完所有轮廓上的点后,得到所述四个角点坐标。
具体的,基于第一基准坐标系,获取第一停车位的第一位置坐标范围。这可以通过在图像上测量或已知的参考点和距离来确定第一停车位的位置范围。优选的,使用第一停车位的四条边在所述第一基准坐标系中的直线方程作为边界条件,得到所述第一位置坐标范围。将四个角点的坐标和第一位置坐标范围组合,构成第一停车位的特征。实现为后续进行停车行为的识别提供分析输入的技术效果。
进一步的,采用最小外接矩形对所述目标车辆分割图像进行矩形轮廓提取,获取目标车辆轮廓,步骤S431还包括:
S431-1:设置图像旋转规则;
S431-2:按照所述图像旋转规则将所述目标车辆分割图像进行旋转,以最大坐标点和最小坐标点确定第一矩形坐标和第一面积;
S431-3:继续对所述目标车辆分割图像进行旋转,获取多个第一矩形坐标和多个第一面积;
S431-4:对所述多个第一面积进行比较分析,获取最小面积对应的矩形坐标作为目标车辆轮廓。
具体而言:所述图像旋转规则,是指基于应用场景和特征确定的包括旋转中心,旋转方向,旋转步进等。示例性的,以原点为旋转中心,距离原点最近的点为所述车辆分割图像的基准点,绕原点进行旋转,旋转步进为2°。其中,所述第一矩形为长边短边分别与所述第一基准坐标系X轴Y轴平行。
具体的,根据设置的旋转规则,对目标车辆分割图像进行旋转。通过找到旋转后的图像中的最大坐标点和最小坐标点,可以确定第一矩形坐标和第一面积。示例性的,所述最大坐标点为(X,Y),所述最小坐标点为(x,y),则可确定所述第一矩形坐标,四角点分别为,(X,Y)、(X,y)、(x,y)、(x,Y)。第一面积为|(X-x)(Y-y)|。
具体的,通过选择获取多个所述第一矩形坐标和多个所述第一面积,并管理存储。而后,对多个所述第一面积升序排列,首个所述第一面积即为所述最小外接矩形面积,对应的所述第一矩形坐标即为所述目标车辆轮廓。
S500:根据所述第一停车特征进行停车行为的识别,获取第一识别结果。
具体而言:所述停车行为的识别通过分析目标车辆轮廓与第一位置坐标范围的相对位置关系进行,具体的,对于位置关系设置对应的停车行为规则库,并一一对应。
进一步的,所述根据所述第一停车特征进行停车行为的识别,获取第一识别结果,步骤S500包括:
S510:根据所述四个角点坐标和所述第一位置坐标范围,判断所述四个角点坐标是否均在所述第一位置坐标范围内;
S520:如果是,进一步获取车头坐标和车位坐标,根据所述车头坐标和所述车位坐标,结合所述第一停车位的停车方向标志,进行逆向停车识别,得到所述第一识别结果;
S530:如果否,获取所述第一停车位的相邻停车位的第二位置坐标范围;
S540:判断所述四个角点坐标是与所述第二位置坐标范围是否具有交集,如果是,所述第一识别结果为跨位停车,如果否,所述第一识别结果为停车压线。
具体而言:所述四个角点坐标是所述目标车辆的边界特征,所述第一位置坐标范围是第一停车位的范围特征。示例性的,若所述四个角点坐标均在所述第一位置坐标范围内,则所述目标车辆的其他点必然位于所述第一位置坐标范围内,即所述目标车辆完全位于所述第一停车位内。即不存在压线停车或跨线停车行为。
具体的,可以通过坐标点极值分析确定车头坐标即车位坐标。示例性的,所述最小外接矩形长边沿Y轴方向,短边沿X轴方向,既在所述最小外接矩形内,寻找X坐标值最大及最小的两像素点。而后,判断两像素点Y坐标值,若两像素点Y坐标值大于四个角点坐标Y坐标值的均值,则远离X轴一侧短边为车头,靠近X轴一侧短边为车位。然后,根据所述停车方向标志,分别计算指向一侧与车头的平均距离a,车尾的平均距离b,若a大于b,则所述目标车辆逆向停车。若a小于b,则所述目标车辆无不规范停车行为。最后,将上述结果输出,得到所述第一识别结果。
具体的,判断所述四个角点坐标是否有数量大于等于1的点位于所述第二位置坐标范围内,若有,即所述目标车辆轮廓跨越停车线,识别为跨线停车,输出所述第一识别结果为跨位停车。否则,输出所述第一识别结果为压线停车。
进一步的,所述根据所述第一停车特征进行停车行为的识别,获取第一识别结果,步骤S600还包括:
S550:如果所述四个角点坐标均在所述第一位置坐标范围内,获取所述四个角点坐标与所述第一停车位的车位边线距离;
S560:如果所述车位边线距离小于预定安全阈值,将未保持安全车距添加至所述第一识别结果。
具体而言:所述预定安全阈值是指保证相邻车位正常停车的所述车位边线距离。其中,车位边线距离用于衡量所述目标车辆是否保留与相邻停车位的安全距离,所述安全距离用于确保其他车辆得以停泊使用所述相邻车位,同时确保所述目标车辆及其他车辆上人员正常上下。优选的,所述车位边线距离设置为30cm。
具体而言,所述车位边线距离的计算包括几何计算或投影转换等方法。优选的,采用几何计算。示例性的,分别计算所述四个角点坐标与所述第一位置坐标范围边界直线的距离。并将其中最小值设置为所述车位边线距离。若所述车位边线距离小于30cm,则所述目标车辆未保持安全车距,将所述结果添加至所述第一识别结果。
综上所述,本发明所提供的一种停车行为的识别方法具有如下技术效果:
本申请通过获取包括多个具有无线地磁检测器的停车位且装有图像采集装置的第一停车区域;对所述无线地磁检测器进行实时监测,定位发出所述检测信号的车位为第一停车位;通过图像采集装置对所述第一停车位进行图像拍摄,获取第一停车位图像;对所述第一停车位图像进行特征提取,获取第一停车特征;根据所述第一停车特征进行停车行为的识别,获取第一识别结果。首先通过对地磁检测器进行监测、再激活对应区域的图像采集装置进行图像采集并识别,由此解决了现有技术面临的识别布设及运行成本高、地磁检测无法识别车牌的技术问题。实现了灵活配置,降低布设及运行成本,确保车牌识别的技术效果。
实施例二
基于与所述实施例中一种停车行为的识别方法同样的构思,如图3所示,本申请还提供了一种停车行为的识别系统,所述系统包括:
区域获取模块11,所述区域获取模块11用于获取第一停车区域,所述第一停车区域包括多个停车位,且装有图像采集装置,所述多个停车位分别具有无线地磁检测器;
区域监测模块12,所述区域监测模块12用于对所述无线地磁检测器进行实时监测,当所述无线地磁检测器发出检测信号时,定位发出所述检测信号的第一停车位;
车位图像获取模块13,所述车位图像获取模块13用于通过图像采集装置对所述第一停车位进行图像拍摄,获取第一停车位图像;
特征提取模块14,所述特征提取模块14用于对所述第一停车位图像进行特征提取,获取第一停车特征;
行为识别模块15,所述行为识别模块15用于根据所述第一停车特征进行停车行为的识别,获取第一识别结果。
进一步的,所述特征提取模块14还包括图像背景分割单元,所述图像背景分割单元用于输出目标车辆分割图像。
进一步的,所述特征提取模块14还包括车辆轮廓获取单元,所述车辆轮廓获取单元用于采用最小外接矩形对所述目标车辆分割图像进行矩形轮廓提取,获取目标车辆轮廓。
进一步的,所述特征提取模块14还包括坐标范围获取单元,所述坐标范围获取单元用于基于所述第一基准坐标系,获取所述第一停车位的第一位置坐标范围。
应当理解的是,本说明书中所提及的实施例重点在其与其他实施例的不同,前述实施例一中的具体实施例,同样适用于实施例二所述的一种停车行为的识别系统,为了说明书的简洁,在此不做进一步的展开。
应当理解的是,本申请所公开的实施例及上述说明,可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例,对本申请提到的实施例进行显而易见的修改、变种,也属于本申请原理范围之内。
Claims (8)
1.一种停车行为的识别方法,其特征在于,所述识别方法包括:
获取第一停车区域,所述第一停车区域包括多个停车位,且装有图像采集装置,所述多个停车位分别具有无线地磁检测器;
对所述无线地磁检测器进行实时监测,当所述无线地磁检测器发出检测信号时,定位发出所述检测信号的第一停车位;
通过图像采集装置对所述第一停车位进行图像拍摄,获取第一停车位图像;
对所述第一停车位图像进行特征提取,获取第一停车特征;
根据所述第一停车特征进行停车行为的识别,获取第一识别结果。
2.如权利要求1所述识别方法,其特征在于,所述对所述第一停车位图像进行特征提取,获取第一停车特征,包括:
构建图像背景分割模型,所述图像背景分割模型包括前景分割单元和背景分割单元;
将所述第一停车位图像输入图像背景分割模型,输出目标车辆分割图像;
对所述目标车辆分割图像进行特征提取,获取所述第一停车特征。
3.如权利要求2所述识别方法,其特征在于,所述构建图像背景分割模型,包括:
获取预定车辆像素灰度值;
获取背景阴影像素灰度值;
根据所述预定车辆像素灰度值和所述背景阴影像素灰度值进行图像二值化分析,获得所述前景分割单元和所述背景分割单元。
4.如权利要求2所述识别方法,其特征在于,所述对所述目标车辆分割图像进行特征提取,获取所述第一停车特征,包括:
采用最小外接矩形对所述目标车辆分割图像进行矩形轮廓提取,获取目标车辆轮廓;
构建第一基准坐标系;
基于所述第一基准坐标系,根据所述目标车辆轮廓提取轮廓的四个角点坐标;
基于所述第一基准坐标系,获取所述第一停车位的第一位置坐标范围;
以所述四个角点坐标和所述第一位置坐标范围组成所述第一停车特征。
5.如权利要求4所述识别方法,其特征在于,所述采用最小外接矩形对所述目标车辆分割图像进行矩形轮廓提取,获取目标车辆轮廓,包括:
设置图像旋转规则;
按照所述图像旋转规则将所述目标车辆分割图像进行旋转,以最大坐标点和最小坐标点确定第一矩形坐标和第一面积;
继续对所述目标车辆分割图像进行旋转,获取多个第一矩形坐标和多个第一面积;
对所述多个第一面积进行比较分析,获取最小面积对应的矩形坐标作为目标车辆轮廓。
6.如权利要求5所述识别方法,其特征在于,所述根据所述第一停车特征进行停车行为的识别,获取第一识别结果,包括:
根据所述四个角点坐标和所述第一位置坐标范围,判断所述四个角点坐标是否均在所述第一位置坐标范围内;
如果是,进一步获取车头坐标和车位坐标,根据所述车头坐标和所述车位坐标,结合所述第一停车位的停车方向标志,进行逆向停车识别,得到所述第一识别结果;
如果否,获取所述第一停车位的相邻停车位的第二位置坐标范围;
判断所述四个角点坐标是与所述第二位置坐标范围是否具有交集,如果是,所述第一识别结果为跨位停车,如果否,所述第一识别结果为停车压线。
7.如权利要求6所述识别方法,其特征在于,还包括:
如果所述四个角点坐标均在所述第一位置坐标范围内,获取所述四个角点坐标与所述第一停车位的车位边线距离;
如果所述车位边线距离小于预定安全阈值,将未保持安全车距添加至所述第一识别结果。
8.一种停车行为的识别系统,其特征在于,所述系统包括:
区域获取模块,所述区域获取模块用于获取第一停车区域,所述第一停车区域包括多个停车位,且装有图像采集装置,所述多个停车位分别具有无线地磁检测器;
区域监测模块,所述区域监测模块用于对所述无线地磁检测器进行实时监测,当所述无线地磁检测器发出检测信号时,定位发出所述检测信号的第一停车位;
车位图像获取模块,所述车位图像获取模块用于通过图像采集装置对所述第一停车位进行图像拍摄,获取第一停车位图像;
特征提取模块,所述特征提取模块用于对所述第一停车位图像进行特征提取,获取第一停车特征;
行为识别模块,所述行为识别模块用于根据所述第一停车特征进行停车行为的识别,获取第一识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009601.4A CN117037082A (zh) | 2023-08-11 | 2023-08-11 | 一种停车行为的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311009601.4A CN117037082A (zh) | 2023-08-11 | 2023-08-11 | 一种停车行为的识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117037082A true CN117037082A (zh) | 2023-11-10 |
Family
ID=88638624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311009601.4A Pending CN117037082A (zh) | 2023-08-11 | 2023-08-11 | 一种停车行为的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037082A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496496A (zh) * | 2024-01-02 | 2024-02-02 | 安能集(成都)新能源有限公司 | 一种智能充电桩用车牌识别系统及方法 |
-
2023
- 2023-08-11 CN CN202311009601.4A patent/CN117037082A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496496A (zh) * | 2024-01-02 | 2024-02-02 | 安能集(成都)新能源有限公司 | 一种智能充电桩用车牌识别系统及方法 |
CN117496496B (zh) * | 2024-01-02 | 2024-03-22 | 安能集(成都)新能源有限公司 | 一种智能充电桩用车牌识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021217625A1 (zh) | 停车检测方法、系统、处理设备和存储介质 | |
Ohya et al. | Recognizing characters in scene images | |
US9014432B2 (en) | License plate character segmentation using likelihood maximization | |
KR101848019B1 (ko) | 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치 | |
CN107609555B (zh) | 车牌检测方法、应用其的车型识别方法及相关装置 | |
JP5223675B2 (ja) | 車両検知装置,車両検知方法並びに車両検知プログラム | |
CN111382704A (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN110443184B (zh) | 身份证信息提取方法、装置及计算机存储介质 | |
CN111488808A (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN117037082A (zh) | 一种停车行为的识别方法及系统 | |
CN111968132A (zh) | 一种基于全景视觉的无线充电对位的相对位姿解算方法 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN112115800A (zh) | 一种基于深度学习目标检测的车辆组合识别系统及方法 | |
CN113297939A (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
KR102260556B1 (ko) | 전역 정보와 지역 정보 통합을 통한 딥러닝 기반 주차구획 검출 방법 및 장치 | |
CN112101139B (zh) | 人形检测方法、装置、设备及存储介质 | |
CN111881897B (zh) | 一种停车场地面中文标志识别方法及其系统、存储介质 | |
CN114724119A (zh) | 车道线提取方法、检测设备及存储介质 | |
CN111062309B (zh) | 一种雨天交通标志检测方法、存储介质及系统 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN113449629A (zh) | 基于行车视频的车道线虚实识别装置、方法、设备及介质 | |
CN111881823A (zh) | 一种地面目标检测评价方法 |
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 |