CN117058912A - 巡检车检测异常停车方法、装置、存储介质及电子设备 - Google Patents
巡检车检测异常停车方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117058912A CN117058912A CN202310915616.0A CN202310915616A CN117058912A CN 117058912 A CN117058912 A CN 117058912A CN 202310915616 A CN202310915616 A CN 202310915616A CN 117058912 A CN117058912 A CN 117058912A
- Authority
- CN
- China
- Prior art keywords
- information
- berth
- license plate
- chassis
- latest
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007689 inspection Methods 0.000 title claims description 31
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 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
- 238000003825 pressing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 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
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种巡检车检测异常停车方法、装置、存储介质及电子设备,其中方法包括:从泊位视频数据中提取当前帧画面中各泊位的泊位信息、各车辆的底盘信息和车牌信息;根据各泊位信息,更新对应泊位的泊位跟踪信息,得到目标泊位跟踪信息,根据各车牌信息更新对应车辆的车牌跟踪信息,得到目标车牌跟踪信息,并根据各底盘信息更新对应车辆的底盘跟踪信息,得到目标底盘跟踪信息;匹配每个目标底盘跟踪信息对应的目标车牌跟踪信息以及对应目标泊位跟踪信息,最终确定匹配后底盘信息;根据匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定最新车牌信息对应车辆的停车状态是否异常。本申请具有使检测停车状态所覆盖的泊位较多的效果。
Description
技术领域
本申请涉及停车巡检技术领域,具体涉及一种巡检车检测异常停车方法、装置、存储介质及电子设备。
背景技术
目前,车辆停车管理是城市物业管理中的一个典型问题,车辆停车占线占道和停车不规范等现象屡见不鲜,容易导致泊位利用率较低,针对此问题,往往需要工作人员长时间持续的巡查和监督来杜绝,效率不高而且人力资源消耗大。因此,如何更好地对车辆停车状态进行检测,成为亟待解决的问题。
现有技术主要采取固定摄像头拍摄停车场的固定区域内泊位的图像信息或视频信息,对获取的图像信息获视频信息进行分析处理,从而判断该固定区域内的泊位上的停车状态是否异常,此方式只能对固定区域内的泊位进行检测,导致检测停车状态所覆盖的泊位较少。
发明内容
为了使检测停车状态所覆盖的泊位较多,本申请提供一种巡检车检测异常停车方法、装置、存储介质及电子设备。
在本申请的第一方面提供了一种巡检车检测异常停车方法,具体包括:
通过所述摄像机获取泊位视频数据,从所述泊位视频数据中提取当前帧画面中各泊位的泊位信息,并提取所述当前帧画面中各车辆的底盘信息和车牌信息;
根据各所述泊位信息,更新对应泊位的泊位跟踪信息,得到对应泊位的目标泊位跟踪信息,根据各所述车牌信息更新对应车辆的车牌跟踪信息,得到对应车辆的目标车牌跟踪信息,并根据各所述底盘信息更新对应车辆的底盘跟踪信息,得到对应车辆的目标底盘跟踪信息;
匹配每个所述目标底盘跟踪信息中最新底盘信息对应的目标车牌跟踪信息中的最新车牌信息,得到匹配后底盘信息,并确定所述匹配后底盘信息对应的目标泊位跟踪信息中的最新泊位信息;
根据所述匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定所述最新车牌信息对应车辆的停车状态是否异常。
通过采用上述技术方案,将每个泊位信息更新到对应泊位的泊位跟踪信息中,得到目标泊位跟踪信息,将每个底盘信息更新到对应车辆的底盘跟踪信息中,得到目标底盘跟踪信息,将每个车牌信息更新到对应车辆的车牌跟踪信息中,得到目标车牌跟踪信息,从而实现对出现在巡检车所拍的泊位视频数据中泊位、底盘和车牌的实时追踪。接着匹配每个目标底盘跟踪信息对应的目标车牌跟踪信息以及对应的目标泊位跟踪信息,即,将车牌与车辆建立对应关系,再明确车辆与停放的泊位。最后根据匹配后底盘信息和对应的最新泊位信息的相对位置关系,即,车辆与对应泊位的相对位置关系,确定对应车辆停车状态是否异常,从而通过巡检车巡检的方式,使得检测停车状态所覆盖的泊位较多。
可选的,所述提取当前帧画面中各车辆的底盘信息和车牌信息,具体包括:
将所述当前帧画面输入至训练后的Deep3DBox算法中,得到所述当前帧画面中各车辆的3D包围框;
将各所述3D包围框的底部投影至2D平面,得到各车辆对应的底盘信息;
将所述当前帧画面输入至训练后的车牌检测模型中,得到各车辆的车牌信息。
通过采用上述技术方案,训练后的Deep3DBox算法从当前帧画面中提取出现的车辆的3D包围框,即车辆的框体,然后再将每个3D包围框的底部投影到2D平面上,从而较为快速和准确地得到每个车辆的底盘信息,即,车辆底盘在2D平面的信息。最后再通过训练后的车牌检测模型,从当前帧画面中提取出现的车辆的车牌信息。
可选的,所述根据各所述泊位信息,更新对应泊位的泊位跟踪信息,得到对应泊位的目标泊位跟踪信息,具体包括:
将每个所述泊位的泊位跟踪信息中最新泊位信息对应的第一泊位四边形,与各所述泊位信息对应的第二泊位四边形进行四边形IOU计算,得到IOU值;
将各所述IOU值与IOU阈值进行对比,筛选IOU值大于IOU阈值的泊位信息集合;
选取所述泊位信息集合中IOU值最大的目标泊位信息更新至对应泊位的泊位跟踪信息中,得到对应泊位的目标泊位跟踪信息。
通过采用上述技术方案,将第一泊位四边形与从当前帧画面中各个泊位信息对应的第二泊位四边形进行IOU计算,得到IOU值,以通过IOU值确定每个泊位信息对应的泊位跟踪信息。如果IOU值大于IOU阈值,说明对应的泊位信息与当前的泊位跟踪信息大概率为同一个泊位,再选取泊位信息集合中IOU值最大的目标泊位信息,将其与当前的泊位跟踪信息确定为同一个泊位,更新到对应泊位的泊位跟踪信息,得到目标泊位跟踪信息,从而实现对泊位的实时追踪。
可选的,所述车牌信息包括车牌号和车牌位置信息,根据各所述车牌信息更新对应车辆的车牌跟踪信息,得到对应车辆的目标车牌跟踪信息,具体包括:
确定每个所述车辆的车牌跟踪信息中的投票车牌号,所述投票车牌号为出现频次最高的车牌号;
将各所述车牌号分别与所述投票车牌号进行字符按位匹配,得到匹配字符数;
根据各所述车牌位置信息与所述投票车牌号对应的车牌跟踪信息中的最新车牌位置信息的相对位置关系,将对应的匹配字符数进行调整,得到目标匹配字符数;
在所述目标匹配字符数大于字符数阈值的车牌信息中选取目标匹配字符数最大的车牌信息更新至对应车辆的车牌跟踪信息中,得到对应车辆的目标车牌跟踪信息。
通过采用上述技术方案,将检测出的各个车牌信息中的车牌号分别与投票车牌号进行字符按位匹配,即,将两者同一位置的字符进行对比,得到匹配字符数,即,两者字符相同的数量。接着根据检测出的各个车牌信息中车牌位置信息与当前对比的车牌跟踪信息中的最新车牌位置信息的相对位置关系,对每个匹配字符数进行优化调整,得到匹配字符数,使得其更为准确合理。如果目标匹配字符数大于字符数阈值,说明此车牌号与投票车牌号较为相似,最后从标匹配字符数大于字符数阈值的车牌号中选取目标匹配字符数最大的车牌号,将其确定与当前车牌跟踪信息为同一车牌,将其对应的车牌信息更新到当前车牌跟踪信息,实现对此车牌的实时追踪。
可选的,所述根据各所述车牌位置信息与所述投票车牌号对应的车牌跟踪信息中的最新车牌位置信息的相对位置关系,将对应的匹配字符数进行调整,得到目标匹配字符数,具体包括:
若相对位置关系为存在交集,则将对应的匹配字符数增加预设值,得到目标匹配字符数;
若相对位置关系为不存在交集,则将对应的匹配字符数确定为目标匹配字符数。
通过采用上述技术方案,如果车牌位置信息与最新车牌位置信息的相对位置关系为存在交集,说明巡检车检测的车牌与当前车牌跟踪信息对应的车牌为同一车牌可能性增大,那么增加其对应车牌号的匹配字符数,得到目标匹配字符数;如果相对位置关系为不存在交集,那么维持对应的匹配字符数不变,即,将匹配字符数直接确定为目标匹配字符数,从而更加准确地确定与当前车牌跟踪信息为同一车牌的车牌信息。
可选的,所述最新泊位信息对应最新泊位,所述根据所述匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定所述最新车牌信息对应车辆的停车状态是否异常,具体包括:
若所述相对位置关系为处于对应的最新泊位内,则确定第一停车状态为正常,并统计所述第一停车状态的第一累计次数;
若所述相对位置关系为与对应的最新泊位相交,则确定第二停车状态为异常,并统计所述第二停车状态的第二累计次数;
若所述相对位置关系为不处在对应的最新泊位内,则确定第三停车状态为异常,并统计所述第三车状态的第三累计次数;
统计所述匹配后底盘信息对应的目标车牌跟踪信息未更新的持续帧数,若持续帧数大于预设帧数,则将所述第一累计次数、所述第二累计次数和所述第三累计次数中最大值对应的停车状态确定为所述最新车牌信息对应车辆的停车状态。
通过采用上述技术方案,从当前帧画面起,实时确定匹配后底盘信息对应车辆与泊位的关系,车辆底盘处于最新泊位内,说明停车状态,将第一停车状态确定为正常;车辆底盘与最新泊位相交,说明车辆可能压泊位线或者跨车位停车,将第二停车状态确定为异常;车辆底盘与不在最新泊位内,说明车辆还未停进泊位,将此时的第三停车状态确定为异常。接着如果持续帧数大于预设帧数,说明匹配后底盘信息对应车辆较长时间未出现在视频画面中,进而说明巡检车已经离开,此时最终确定对应车辆的停车状态,选取第一累计次数、第二累计次数和第三累计次数中最大值对应的停车状态,即最有可能为对应车辆的状态,从而较为准确地确定较多泊位上车辆的停车状态。
可选的,所述最新底盘信息包括底盘四边形,所述匹配每个所述目标底盘跟踪信息中最新底盘信息对应的目标车牌跟踪信息中的最新车牌信息,得到匹配后底盘信息,具体包括:
确定所述最新底盘信息对应的两个车头点;
将所述两个车头点沿着所述底盘四边形所在平面的垂直方向向上平移,得到车头平面;
判断各所述最新车牌信息对应的车牌是否处于所述车头平面,若处于,则将对应的最新车牌信息与所述最新底盘信息建立匹配关系,得到匹配后底盘信息。
通过采用上述技术方案,最新底盘信息对应的两个车头点,即底盘四边形的两个车头点确定后,将两个车头点向上平移,得到车牌所处的车头平面,如果存在目标车牌跟踪信息对应的车牌位于此车头平面,那么说明此目标车牌跟踪信息与当前目标底盘跟踪信息对应同一车辆,两者为匹配关系。从而实现对车辆的实时追踪。
在本申请的第二方面提供了一种巡检车检测异常停车装置,具体包括:
信息获取模块,用于通过所述摄像机获取泊位视频数据,从所述泊位视频数据中提取当前帧画面中各泊位的泊位信息,并提取所述当前帧画面中各车辆的底盘信息和车牌信息;
跟踪更新模块,用于根据各所述泊位信息,更新对应泊位的泊位跟踪信息,得到对应泊位的目标泊位跟踪信息,根据各所述车牌信息更新对应车辆的车牌跟踪信息,得到对应车辆的目标车牌跟踪信息,并根据各所述底盘信息更新对应车辆的底盘跟踪信息,得到对应车辆的目标底盘跟踪信息;
信息匹配模块,用于匹配每个所述目标底盘跟踪信息中最新底盘信息对应的目标车牌跟踪信息中的最新车牌信息,得到匹配后底盘信息,并确定所述匹配后底盘信息对应的目标泊位跟踪信息中的最新泊位信息;
异常判断模块,用于根据所述匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定所述最新车牌信息对应车辆的停车状态是否异常。
通过采用上述技术方案,信息获取模块获取到泊位信息、车牌信息和底盘信息后,由跟踪更新模块更新对应泊位的泊位跟踪信息、更新对应车辆的车牌跟踪信息以及对应车辆的底盘跟踪信息,接着信息匹配模块为每个目标底盘跟踪信息匹配对应的目标车牌跟踪信息,以及对应的目标泊位跟踪信息。最后异常判断模块根据所述匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定所述最新车牌信息对应车辆的停车状态是否异常。
综上所述,本申请包括以下至少一种有益技术效果:
将每个泊位信息更新到对应泊位的泊位跟踪信息中,得到目标泊位跟踪信息,将每个底盘信息更新到对应车辆的底盘跟踪信息中,得到目标底盘跟踪信息,将每个车牌信息更新到对应车辆的车牌跟踪信息中,得到目标车牌跟踪信息,从而实现对出现在巡检车所拍的泊位视频数据中泊位、底盘和车牌的实时追踪。接着匹配每个目标底盘跟踪信息对应的目标车牌跟踪信息以及对应的目标泊位跟踪信息,即,将车牌与车辆建立对应关系,再明确车辆与停放的泊位。最后根据匹配后底盘信息和对应的最新泊位信息的相对位置关系,即,车辆与对应泊位的相对位置关系,确定对应车辆停车状态是否异常,从而通过巡检车巡检的方式,使得检测停车状态所覆盖的泊位较多。
附图说明
图1是本申请实施例提供的一种巡检车检测异常停车系统的架构示意图;
图2是本申请实施例提供的一种巡检车检测异常停车方法的流程示意图;
图3是本申请实施例提供的一种巡检车检测异常停车的流程框图;
图4是本申请实施例提供的一种不同跟踪信息更新与匹配的示意图;
图5是本申请实施例提供的另一种巡检车检测异常停车方法的流程示意图;
图6是本申请实施例提供的另一种不同跟踪信息更新与匹配的示意图;
图7是本申请实施例提供的一种巡检车检测异常停车装置的结构示意图。
附图标记说明:11、信息获取模块;12、跟踪更新模块;13、信息匹配模块;14、异常判断模块。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中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申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“示性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
参见图1,本申请实施例公开了一种巡检车检测异常停车系统的架构示意图,包括巡检车和终端。巡检车检测异常停车方法应用于巡检车中。终端可以是诸如手机、平板电脑、电子书阅读器、多媒体播放设备、可穿戴设备、个人计算机(PersonalComputer,PC)等电子设备。巡检车可以为AI视频巡检车,巡检车上设置有摄像机。其中,终端与巡检车通过无线网络进行直接或者间接连接。
具体的,巡检车在园区或者停车场内进行移动巡检时,摄像机对不同区域的泊位进行实时视频的拍摄,得到视频数据,然后实时提取视频数据当前帧画面中各个泊位的泊位信息,各个车辆的底盘信息和车牌信息,接着将泊位信息、底盘信息和车牌信息建立匹配,最后根据泊位信息和对应的底盘信息,确定对应车辆在泊位上的停车状态是否异常,并将停车状态实时发送至终端,以通知人员,对停车异常的车辆进行及时处理,避免泊位利用率较低,同时在检测停车状态时覆盖的范围更广,所涉及的泊位的更多。
参见图2,本申请实施例公开了一种巡检车检测异常停车方法的流程示意图,可依赖于计算机程序实现,也可运行于基于冯诺依曼体系的巡检车检测异常停车装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行,具体包括:
S101:通过摄像机获取泊位视频数据,从泊位视频数据中提取当前帧画面中各泊位的泊位信息,并提取当前帧画面中各车辆的底盘信息和车牌信息。
在一个可实现的实施方式中,所述提取当前帧画面中各车辆的底盘信息和车牌信息,包括:将当前帧画面输入至训练后的Deep3DBox算法中,得到所述当前帧画面中各车辆的3D包围框;
将各3D包围框的底部投影至2D平面,得到各车辆对应的底盘信息;
将当前帧画面输入至训练后的车牌检测模型中,得到各车辆的车牌信息。
具体的,通过摄像机实时获取到泊位视频数据,泊位视频数据为巡检车拍摄园区或者停车场某个存在泊位的区域的实时视频。泊位视频数据对应的画面中可能只存在泊位,也可能存在泊位、已停好的车辆和正在停车的车辆等。
接着从泊位视频数据的当前帧画面,即当前时间对应的帧画面,提取其中的各个泊位的泊位信息,在申请实施例中,泊位信息包括泊位的4个内角点和2D位置。一种可行的提取各个泊位的泊位信息的方式为:通过训练好的泊位提取模型从当前帧画面中提取,其中,泊位提取模型采用卷积神经网络模型或者bp神经网络模型。训练泊位提取模型的具体过程如下:采集路内停车、封闭式停车场、半封闭式停车场等不同场景下,车位有车、车位无车、异物占用等不同状态及不同天气情况下的泊位图像各1000组,对泊位图像中的泊位的2D位置以及泊位的内角点进行标注,得到标注后图像,接着以标注后图像作为训练数据,通过yolo目标检测算法对泊位提取模型进行训练,直到模型收敛得到训练后的泊位提取模型。
Deep3DBox算法是一种三维目标检测的算法,主要用于预测三维目标的边界框和姿态角。将当前帧画面输入到训练后的Deep3DBox算法中,从中提取到当前帧画面中各个车辆的3D包围框,其中,3D包围框是包围车辆的框体,由立方体或者是其他形状的几何体来表示。接着将各个车辆的3D包围框投影到2D平面,一种可行的方式为:通过正交投影等算法来计算投影矩阵,投影矩阵为将将3D点从3D空间投影到2D图像空间的变换矩阵。再将3D包围框内每个3D点乘以投影矩阵,得到在2D平面上的对应点,进而得到每个车辆对应的底盘信息,即,每个车辆底盘在2D平面上的2D位置。
另外,将当前帧画面再次输入到训练后的车牌检测模型中,从而从当前帧画面中提取各个车辆的车牌信息,车牌信息包括车辆号和车牌位置信息。车牌检测模型采用卷积神经网络模型或者循坏神经网络模型。其中,训练车牌检测模型的过程为:基于yolo目标检测算法和ORC字符识别算法,采用标注车牌号和车牌位置的图像样本,对车牌检测模型进行训练,最终得到训练后的车牌检测模型。
S102:根据各泊位信息,更新对应泊位的泊位跟踪信息,得到对应泊位的目标泊位跟踪信息,根据各车牌信息更新对应车辆的车牌跟踪信息,得到对应车辆的目标车牌跟踪信息,并根据各底盘信息更新对应车辆的底盘跟踪信息,得到对应车辆的目标底盘跟踪信息。
在一个可实现的实施方式中,将每个泊位的泊位跟踪信息中最新泊位信息对应的第一泊位四边形,与各泊位信息对应的第二泊位四边形进行四边形IOU计算,得到IOU值;
将各IOU值与IOU阈值进行对比,筛选IOU值大于IOU阈值的泊位信息集合;
选取泊位信息集合中IOU值最大的目标泊位信息更新至对应泊位的泊位跟踪信息中,得到对应泊位的目标泊位跟踪信息。
具体的,每个泊位对应一个泊位跟踪信息,泊位跟踪信息包括多个历史轨迹上相应的泊位信息,即,泊位四个内角点构成的泊位四边形。在申请实施例中,最新泊位信息确定方式为:依据历史轨迹的泊位四边形的像素位移以及位移时间,可计算出泊位四边形各个顶点的移动速度。依据移动速度和当前帧与上一帧的时间差,计算出当前帧上泊位四边形各个顶点可能的位置,最终得到最新泊位信息。
获取到当前帧画面中多个泊位的泊位信息后,将事先已建立好的每个泊位的泊位跟踪信息中最新泊位信息对应的第一泊位四边形,与获取到的每个泊位信息对应的第二泊位四边形进行四边形IOU计算,得到多个IOU值,四边形IOU计算具体为:将第一泊位四边形与第二泊位四边形的交集除以第一泊位四边形与第二泊位四边形的并集。其中,四边形IOU是用于衡量两个不规则四边形重叠程度的指标,IOU值越大,表明第一泊位四边形和第二泊位四边形的重叠程度越高。
接着从各个泊位信息中选取IOU值大于IOU阈值的泊位信息集合,IOU阈值为判断第二泊位四边对应的泊位与第一泊位四边形对应的泊位是否相似的临界值。IOU值大于IOU阈值,说明对应的泊位信息与当前的泊位跟踪信息中的最新泊位信息较为相似。最后,从泊位信息集合中筛选出IOU值最大的目标泊位信息,确定其对应的泊位与当前此泊位跟踪信息对应的泊位为同一个泊位,那么将IOU值最大的泊位信息更新至对应泊位的泊位跟踪信息中,得到目标泊位跟踪信息。
需要说明的是,如果从当前帧画面中获取到的泊位信息中存在一个泊位信息与已建立的每个泊位跟踪信息对应的泊位均不为同一个泊位,那么基于此泊位信息,重新建立一个对应的全新泊位跟踪信息。
对应泊位的目标泊位跟踪信息确定后,需要更新对应车辆的车牌跟踪信息,车牌跟踪信息包括历史轨迹对应的各个历史车牌信息,统计车牌跟踪信息中出现频次最多的历史车牌号,将此历史车牌号与获取到的各个车牌信息中的车牌号进行字符逐位对比,将一致字符数最多的车牌号对应的车牌信息更新到此车牌跟踪信息中,即,得到对应车辆的车牌跟踪信息中。其中,一致字符数最多,说明此车牌号与历史车牌号为同一个车牌。
如果从当前帧画面中获取到的车牌信息中存在一个车牌信息与已建立的每个车牌跟踪信息对应的车牌号均不为同一个车牌,那么基于此车牌信息,重新建立一个对应的全新车牌跟踪信息。
最后再更新对应车辆的底盘跟踪信息,具体可参见目标泊位跟踪信息的确定过程,即,将获取到的各个底盘信息与已建立的每个底盘跟踪信息中的最新底盘信息进行四边形IOU计算,得到IOU值,其中,各个底盘信息和最新底盘信息本质均为底盘对应的四边形。最后选取IOU值大于IOU预设值的底盘信息中的IOU值最大的底盘信息,即与最新底盘信息为同一个底盘,将其更新到此底盘跟踪信息中,从而得到对应车辆的目标底盘跟踪信息。
S103:匹配每个目标底盘跟踪信息中最新底盘信息对应的目标车牌跟踪信息中的最新车牌信息,得到匹配后底盘信息,并确定匹配后底盘信息对应的目标泊位跟踪信息中的最新泊位信息。
在一个可实现的实施方式中,最新底盘信息包括最新底盘和两个车头点,确定最新底盘信息对应的两个车头点;
将两个车头点沿着最新底盘所在平面的垂直方向向上平移,得到车头平面;
判断各最新车牌信息对应的车牌是否处于车头平面,若处于,则将对应的最新车牌信息与最新底盘信息建立匹配关系,得到匹配后底盘信息。
具体的,如图3所示,目标底盘跟踪信息、目标车牌跟踪信息和目标泊位跟踪信息确定后,说明当前帧画面中的泊位和车辆对应的车牌跟踪信息、底盘跟踪信息和泊位跟踪信息已进行实时更新。接着需要将各个目标底盘跟踪信息、各个目标车牌跟踪信息以及各个目标泊位跟踪信息建立匹配关系,即,将当前帧画面中的车牌与底盘,在将匹配上车牌的底盘与对应的泊位进行匹配。
首先选取每个目标底盘跟踪信息中的最新底盘信息。然后从多个目标车牌跟踪信息中的最新车牌信息中匹配此最新底盘信息对应的车牌信息,即,将同一车辆的底盘和车牌信息进行绑定。一种可行的匹配方式为:
由于最新底盘信息本质为2D底盘对应的底盘四边形(底盘轮廓所构成),底盘四边形包括四个点,分为为两个车头点和两个车位点,因此选取底盘四边形较短、且距离当前帧画面底部最近的一边上的两个点作为两个车头点,在其他实施例中,此两个点也可以作为两个车位点,因为车辆停车的时候存在车头朝内车位朝外的情况。
将两个车头点同时沿着底盘四边形所在平面的垂直方向向上平移预设距离,平移后的两个车头点和初始的两个车头点构成一个全新的平面,即,车头平面,车头平面与底盘四边形所在平面垂直。
接着根据各个目标车牌跟踪信息中的最新车牌信息对应的车牌位置信息,确定对应的车牌是否位于此车头平面上,如果位于此车头平面上,说明此车牌与此底盘属于同一辆车,因此将此最新车牌信息与此最新底盘信息建立匹配关系,得到匹配后底盘信息,并继续进行下一个目标底盘跟踪信息的匹配。如果没有位于此车头平面上,那么选取下一个目标车牌跟踪信息中的最新车牌信息进行匹配。
最后确定匹配后底盘信息与对应的目标泊位跟踪信息中的最新泊位信息,一种可行的匹配方式为:计算匹配后底盘信息对应车辆与各个目标泊位跟踪信息中的最新泊位信息对应泊位的距离,选取距离最小的最新泊位信息与匹配后底盘信息建立匹配关系,即,匹配后底盘信息对应的车辆正在进入此泊位,或者停在此泊位上。
例如,当前帧画面中有车辆1、车辆2、泊位1、泊位2和泊位3,提取到的车牌信息1、车牌信息2、底盘信息1、底盘信息2、泊位信息1、泊位信息2和泊位信息3,车牌信息更新到对应的车牌跟踪信息、底盘信息更新到对应的底盘跟踪信息、泊位信息更新到对应的泊位跟踪信息后,然后将车牌匹配底盘,再为匹配后的底盘匹配对应的泊位,详细可参见图4。
S104:根据匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定最新车牌信息对应车辆的停车状态是否异常。
具体的,匹配后底盘信息和对应的最新泊位信息的相对位置关系,即,匹配后底盘信息对应的匹配后底盘四边形与最新泊位信息对应的最新泊位四边形的相对位置关系,如果匹配后底盘四边形位于最新泊位四边形内,或者匹配后底盘四边形真包含于最新泊位四边形,说明此底盘完全位于此泊位内,车辆正常停在泊位内,属于正常停车。如果匹配后底盘四边形与最新泊位四边形不相交,说明车辆位于泊位外,那么确定为异常停车,如果匹配后底盘四边形与最新泊位四边形存在部分交集,说明车辆没有完全停在泊位内,确定为异常停车。
参见图5,本申请实施例公开了另一种巡检车检测异常停车方法的流程示意图,可依赖于计算机程序实现,也可运行于基于冯诺依曼体系的巡检车检测异常停车装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行,具体包括:
S201:通过摄像机获取泊位视频数据,从泊位视频数据中提取当前帧画面中各泊位的泊位信息,并提取当前帧画面中各车辆的底盘信息和车牌信息。
S202:根据各泊位信息,更新对应泊位的泊位跟踪信息,得到对应泊位的目标泊位跟踪信息。
具体的,可参考步骤S101-S102,在此不再赘述。
S203:确定每个车辆的车牌跟踪信息中的投票车牌号,投票车牌号为出现频次最高的车牌号。
S204:将各车牌号分别与投票车牌号进行字符按位匹配,得到匹配字符数。
具体的,从当前帧画面中获取到各个车辆的车牌信息,其包括车牌号和车牌位置信息,车牌位置信息指的是车牌的空间位置信息。从已建立的多个车辆的车牌跟踪信息中依次选取一个车辆的车牌跟踪信息,统计此车牌跟踪信息中不同车牌号的出现频次,将出现频次最高的车牌号确定为投票车牌号,即,对应车辆正确的车牌号。在其他实施例中,也可以确定车牌每个位置上出现次数最多的字符,将各个字符对应其在车牌中的位置,组成投票车牌号。
接着将当前帧画面对应的各个车牌号与此投票车牌号进行字符按位匹配,即,将车牌相同位置上的字符进行对比,统计各个位置中,与投票车牌号对应位置上的字符一致的匹配字符数,匹配字符数越多,说明对应的车牌号与此投票车牌号大概率对应同一车牌。例如,投票车牌号为鄂A0P099,车牌号1为:鄂A0P09?,两者的匹配字符数为6个,分别是鄂、A、0、P、0以及9。
S205:根据各车牌位置信息与投票车牌号对应的车牌跟踪信息中的最新车牌位置信息的相对位置关系,将对应的匹配字符数进行调整,得到目标匹配字符数。
在一个可实现的实施方式中,若相对位置关系为存在交集,则将对应的匹配字符数增加预设值,得到目标匹配字符数;
若相对位置关系为不存在交集,则将对应的匹配字符数确定为目标匹配字符数。
具体的,将当前帧画面对应的各个车牌位置信息与当前此车牌跟踪信息中最新车牌信息对应的最新车牌位置信息进行比较,如果相对位置关系为存在交集,说明两者对应的车牌存在交集,即大概率为同一车牌。那么将此车牌位置信息对应的车牌号的匹配字符数增加预设值,得到目标匹配字符数,即,表征此车牌号对应的车牌与当前此车牌跟踪信息对应的车牌为同一车牌的概率增加。在本申请实施例中,预设值可以为1,在其他实施例中,也可以为2或3。
如果相对位置关系为不存在交集,说明两者对应的车牌不存在交集,即,大概率不为同一车牌,那么不将此车牌位置信息对应的车牌号的匹配字符数进行调整,直接确定为目标匹配字符数。
S206:在目标匹配字符数大于字符数阈值的车牌信息中选取目标匹配字符数最大的车牌信息更新至对应车辆的车牌跟踪信息中,得到对应车辆的目标车牌跟踪信息。
具体的,检测到各个车辆的车牌信息对应的目标匹配字符数确定后,将各个目标匹配字符数与字符数阈值对比,目标匹配字符数大于字符数阈值,说明对应的车牌号与投票车牌号较为相似,接着从目标匹配字符数大于字符数阈值的车牌信息中选取目标匹配字符数最大的车牌信息更新到当前此车牌跟踪信息中,即,两者对应的车牌为同一车牌,最终得到对应车辆的目标车牌跟踪信息。
如果各个目标匹配字符数均不大于字符数阈值,那么继续选取下一个已建立的车牌跟踪信息进行更新处理。
S207:根据各底盘信息更新对应车辆的底盘跟踪信息,得到对应车辆的目标底盘跟踪信息。
具体的,可参考步骤S102,在此不再赘述。
S208:匹配每个目标底盘跟踪信息中最新底盘信息对应的目标车牌跟踪信息中的最新车牌信息,得到匹配后底盘信息,并确定匹配后底盘信息对应的目标泊位跟踪信息中的最新泊位信息。
具体的,可参考步骤S103,在此不再赘述。
S209:根据匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定最新车牌信息对应车辆的停车状态是否异常。
在一个可实现的实施方式中,若相对位置关系为处于对应的最新泊位内,则确定第一停车状态为正常,并统计第一停车状态的第一累计次数;
若相对位置关系为与对应的最新泊位相交,则确定第二停车状态为异常,并统计第二停车状态的第二累计次数;
若相对位置关系为不处在对应的最新泊位内,则确定第三停车状态为异常,并统计第三车状态的第三累计次数;
统计匹配后的最新底盘信息对应的目标车牌跟踪信息未更新的持续帧数,若持续帧数大于预设帧数,则将第一累计次数、第二累计次数和第三累计次数中最大值对应的停车状态确定为最新车牌信息对应车辆的停车状态。
具体的,如图6所示,由于巡检车是实时拍摄泊位视频,因此,匹配后底盘信息和对应的最新泊位信息的相对位置关系也是实时变化,其中,最新泊位信息对应最新泊位,例如,在拍摄的泊位视频中,第一帧画面是车辆A位于泊位a外,第二帧画面是车辆A正在靠近泊位a,第三帧画面则可能为车辆A正在进入泊位a中,第四帧画面则可能为车辆A完全进入泊位a内……。鉴于此,不再是着眼于当前帧画面,而是当前帧画面之后的各帧画面,如果匹配后底盘信息对应的底盘位于最新泊位内,说明第一停车状态为正常状态,并持续统计第一停车状态的第一累计次数,即,在各帧画面中出现的次数。
从当前帧画面开始,实时确定匹配后底盘信息对应的底盘与最新泊位的关系,如果匹配后底盘信息对应的底盘与最新泊位相交,说明对应的车辆可能压线泊位或者跨泊位停车,如果除了与最新泊位相交还与另一个泊位相交,那么确定为跨泊位停车,否则,确定为压线泊位,最终确定第二停车状态为异常状态,并持续统计第二停车状态的第二累计次数。
如果匹配后底盘信息对应的底盘与最新泊位不相交或者没有重叠区域,说明车辆在最新泊位外,确定第三停车状态为异常状态,并持续统计第三停车状态的第三累计次数。
最后再统计此匹配后底盘信息对应的目标车牌跟踪信息未更新的持续帧数,如果持续帧数大于预设帧数,说明摄像机实时拍摄的视频画面中已经不存在对应的车辆,说明巡检车已经移动到其他区域,进而表明此车辆已经完成停车动作,再进行最终停车状态的确定,即,选取第一累计次数、第二累计次数和第三累计次数中的最大值,将最大值对应的停车状态作为对应车辆的停车状态。
本申请实施例巡检车检测异常停车方法的实施原理为:将每个泊位信息更新到对应泊位的泊位跟踪信息中,得到目标泊位跟踪信息,将每个底盘信息更新到对应车辆的底盘跟踪信息中,得到目标底盘跟踪信息,将每个车牌信息更新到对应车辆的车牌跟踪信息中,得到目标车牌跟踪信息,从而实现对出现在巡检车所拍的泊位视频数据中泊位、底盘和车牌的实时追踪。接着匹配每个目标底盘跟踪信息对应的目标车牌跟踪信息以及对应的目标泊位跟踪信息,即,将车牌与车辆建立对应关系,再明确车辆与停放的泊位。最后根据匹配后底盘信息和对应的最新泊位信息的相对位置关系,即,车辆与对应泊位的相对位置关系,确定对应车辆停车状态是否异常,从而通过巡检车巡检的方式,使得检测停车状态所覆盖的泊位较多。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参见图7,为本申请实施例提供的巡检车检测异常停车装置的结构示意图。该应用于巡检车检测异常停车装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该装置1包括信息获取模块11、跟踪更新模块12、信息匹配模块13和异常判断模块14。
信息获取模块11,用于通过摄像机获取泊位视频数据,从泊位视频数据中提取当前帧画面中各泊位的泊位信息,并提取当前帧画面中各车辆的底盘信息和车牌信息;
跟踪更新模块12,用于根据各泊位信息,更新对应泊位的泊位跟踪信息,得到对应泊位的目标泊位跟踪信息,根据各车牌信息更新对应车辆的车牌跟踪信息,得到对应车辆的目标车牌跟踪信息,并根据各底盘信息更新对应车辆的底盘跟踪信息,得到对应车辆的目标底盘跟踪信息;
信息匹配模块13,用于匹配每个目标底盘跟踪信息中最新底盘信息对应的目标车牌跟踪信息中的最新车牌信息,得到匹配后底盘信息,并确定匹配后底盘信息对应的目标泊位跟踪信息中的最新泊位信息;
异常判断模块14,用于根据匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定最新车牌信息对应车辆的停车状态是否异常。
可选的,信息获取模块11,具体用于:
将当前帧画面输入至训练后的Deep3DBox算法中,得到当前帧画面中各车辆的3D包围框;
将各3D包围框的底部投影至2D平面,得到各车辆对应的底盘信息;
将当前帧画面输入至训练后的车牌检测模型中,得到各车辆的车牌信息。
可选的,跟踪更新模块12,具体用于:
将每个泊位的泊位跟踪信息中最新泊位信息对应的第一泊位四边形,与各泊位信息对应的第二泊位四边形进行四边形IOU计算,得到IOU值;
将各IOU值与IOU阈值进行对比,筛选IOU值大于IOU阈值的泊位信息集合;
选取泊位信息集合中IOU值最大的目标泊位信息更新至对应泊位的泊位跟踪信息中,得到对应泊位的目标泊位跟踪信息。
可选的,跟踪更新模块12,具体还用于:
确定每个车辆的车牌跟踪信息中的投票车牌号,投票车牌号为出现频次最高的车牌号;
将各车牌号分别与投票车牌号进行字符按位匹配,得到匹配字符数;
根据各车牌位置信息与投票车牌号对应的车牌跟踪信息中的最新车牌位置信息的相对位置关系,将对应的匹配字符数进行调整,得到目标匹配字符数;
在目标匹配字符数大于字符数阈值的车牌信息中选取目标匹配字符数最大的车牌信息更新至对应车辆的车牌跟踪信息中,得到对应车辆的目标车牌跟踪信息。
可选的,跟踪更新模块12,具体还用于:
若相对位置关系为存在交集,则将对应的匹配字符数增加预设值,得到目标匹配字符数;
若相对位置关系为不存在交集,则将对应的匹配字符数确定为目标匹配字符数。
可选的,异常判断模块14,具体用于:
若相对位置关系为处于对应的最新泊位内,则确定第一停车状态为正常,并统计第一停车状态的第一累计次数;
若相对位置关系为与对应的最新泊位相交,则确定第二停车状态为异常,并统计第二停车状态的第二累计次数;
若相对位置关系为不处在对应的最新泊位内,则确定第三停车状态为异常,并统计第三车状态的第三累计次数;
统计匹配后底盘信息对应的目标车牌跟踪信息未更新的持续帧数,若持续帧数大于预设帧数,则将第一累计次数、第二累计次数和第三累计次数中最大值对应的停车状态确定为最新车牌信息对应车辆的停车状态。
可选的,信息匹配模块13,具体用于:
确定最新底盘信息对应的两个车头点;
将两个车头点沿着底盘四边形所在平面的垂直方向向上平移,得到车头平面;
判断各最新车牌信息对应的车牌是否处于车头平面,若处于,则将对应的最新车牌信息与最新底盘信息建立匹配关系,得到匹配后底盘信息。
需要说明的是,上述实施例提供的一种巡检车检测异常停车装置在执行巡检车检测异常停车方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的一种巡检车检测异常停车装置与一种巡检车检测异常停车方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还公开一种计算机可读存储介质,并且,计算机可读存储介质存储有计算机程序,其中,计算机程序被处理器执行时,采用了上述实施例的一种巡检车检测异常停车方法。
其中,计算机程序可以存储于计算机可读介质中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等,计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等,需要说明的是,计算机可读介质包括但不限于上述元器件。
其中,通过本计算机可读存储介质,将上述实施例的一种巡检车检测异常停车方法存储于计算机可读存储介质中,并且,被加载并执行于处理器上,以方便上述方法的存储及应用。
本申请实施例还公开一种电子设备,计算机可读存储介质中存储有计算机程序,计算机程序被处理器加载并执行时,采用了上述一种巡检车检测异常停车方法。
其中,电子设备可以采用台式电脑、笔记本电脑或者云端服务器等电子设备,并且,电子设备设备包括但不限于处理器以及存储器,例如,电子设备还可以包括输入输出设备、网络接入设备以及总线等。
其中,处理器可以采用中央处理单元(CPU),当然,根据实际的使用情况,也可以采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以采用微处理器或者任何常规的处理器等,本申请对此不做限制。
其中,存储器可以为电子设备的内部存储单元,例如,电子设备的硬盘或者内存,也可以为电子设备的外部存储设备,例如,电子设备上配备的插接式硬盘、智能存储卡(SMC)、安全数字卡(SD)或者闪存卡(FC)等,并且,存储器还可以为电子设备的内部存储单元与外部存储设备的组合,存储器用于存储计算机程序以及电子设备所需的其他程序和数据,存储器还可以用于暂时地存储已经输出或者将要输出的数据,本申请对此不做限制。
其中,通过本电子设备,将上述实施例的一种巡检车检测异常停车方法存储于电子设备的存储器中,并且,被加载并执行于电子设备的处理器上,方便使用。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种巡检车检测异常停车方法,其特征在于,应用于巡检车,所述巡检车设置有摄像机,所述方法包括:
通过所述摄像机获取泊位视频数据,从所述泊位视频数据中提取当前帧画面中各泊位的泊位信息,并提取所述当前帧画面中各车辆的底盘信息和车牌信息;
根据各所述泊位信息,更新对应泊位的泊位跟踪信息,得到对应泊位的目标泊位跟踪信息,根据各所述车牌信息更新对应车辆的车牌跟踪信息,得到对应车辆的目标车牌跟踪信息,并根据各所述底盘信息更新对应车辆的底盘跟踪信息,得到对应车辆的目标底盘跟踪信息;
匹配每个所述目标底盘跟踪信息中最新底盘信息对应的目标车牌跟踪信息中的最新车牌信息,得到匹配后底盘信息,并确定所述匹配后底盘信息对应的目标泊位跟踪信息中的最新泊位信息;
根据所述匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定所述最新车牌信息对应车辆的停车状态是否异常。
2.根据权利要求1所述的巡检车检测异常停车方法,其特征在于,所述提取当前帧画面中各车辆的底盘信息和车牌信息,具体包括:
将所述当前帧画面输入至训练后的Deep3DBox算法中,得到所述当前帧画面中各车辆的3D包围框;
将各所述3D包围框的底部投影至2D平面,得到各车辆对应的底盘信息;
将所述当前帧画面输入至训练后的车牌检测模型中,得到各车辆的车牌信息。
3.根据权利要求1所述的巡检车检测异常停车方法,其特征在于,所述根据各所述泊位信息,更新对应泊位的泊位跟踪信息,得到对应泊位的目标泊位跟踪信息,具体包括:
将每个所述泊位的泊位跟踪信息中最新泊位信息对应的第一泊位四边形,与各所述泊位信息对应的第二泊位四边形进行四边形IOU计算,得到IOU值;
将各所述IOU值与IOU阈值进行对比,筛选IOU值大于IOU阈值的泊位信息集合;
选取所述泊位信息集合中IOU值最大的目标泊位信息更新至对应泊位的泊位跟踪信息中,得到对应泊位的目标泊位跟踪信息。
4.根据权利要求1所述的巡检车检测异常停车方法,其特征在于,所述车牌信息包括车牌号和车牌位置信息,根据各所述车牌信息更新对应车辆的车牌跟踪信息,得到对应车辆的目标车牌跟踪信息,具体包括:
确定每个所述车辆的车牌跟踪信息中的投票车牌号,所述投票车牌号为出现频次最高的车牌号;
将各所述车牌号分别与所述投票车牌号进行字符按位匹配,得到匹配字符数;
根据各所述车牌位置信息与所述投票车牌号对应的车牌跟踪信息中的最新车牌位置信息的相对位置关系,将对应的匹配字符数进行调整,得到目标匹配字符数;
在所述目标匹配字符数大于字符数阈值的车牌信息中选取目标匹配字符数最大的车牌信息更新至对应车辆的车牌跟踪信息中,得到对应车辆的目标车牌跟踪信息。
5.根据权利要求4所述的巡检车检测异常停车方法,其特征在于,所述根据各所述车牌位置信息与所述投票车牌号对应的车牌跟踪信息中的最新车牌位置信息的相对位置关系,将对应的匹配字符数进行调整,得到目标匹配字符数,具体包括:
若相对位置关系为存在交集,则将对应的匹配字符数增加预设值,得到目标匹配字符数;
若相对位置关系为不存在交集,则将对应的匹配字符数确定为目标匹配字符数。
6.根据权利要求1所述的巡检车检测异常停车方法,其特征在于,所述最新泊位信息对应最新泊位,所述根据所述匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定所述最新车牌信息对应车辆的停车状态是否异常,具体包括:
若所述相对位置关系为处于对应的最新泊位内,则确定第一停车状态为正常,并统计所述第一停车状态的第一累计次数;
若所述相对位置关系为与对应的最新泊位相交,则确定第二停车状态为异常,并统计所述第二停车状态的第二累计次数;
若所述相对位置关系为不处在对应的最新泊位内,则确定第三停车状态为异常,并统计所述第三车状态的第三累计次数;
统计所述匹配后底盘信息对应的目标车牌跟踪信息未更新的持续帧数,若持续帧数大于预设帧数,则将所述第一累计次数、所述第二累计次数和所述第三累计次数中最大值对应的停车状态确定为所述最新车牌信息对应车辆的停车状态。
7.根据权利要求1所述的巡检车检测异常停车方法,其特征在于,所述最新底盘信息包括底盘四边形,所述匹配每个所述目标底盘跟踪信息中最新底盘信息对应的目标车牌跟踪信息中的最新车牌信息,得到匹配后底盘信息,具体包括:
确定所述最新底盘信息对应的两个车头点;
将所述两个车头点沿着所述底盘四边形所在平面的垂直方向向上平移,得到车头平面;
判断各所述最新车牌信息对应的车牌是否处于所述车头平面,若处于,则将对应的最新车牌信息与所述最新底盘信息建立匹配关系,得到匹配后底盘信息。
8.一种巡检车检测异常停车装置,其特征在于,包括:
信息获取模块(11),用于通过摄像机获取泊位视频数据,从所述泊位视频数据中提取当前帧画面中各泊位的泊位信息,并提取所述当前帧画面中各车辆的底盘信息和车牌信息;
跟踪更新模块(12),用于根据各所述泊位信息,更新对应泊位的泊位跟踪信息,得到对应泊位的目标泊位跟踪信息,根据各所述车牌信息更新对应车辆的车牌跟踪信息,得到对应车辆的目标车牌跟踪信息,并根据各所述底盘信息更新对应车辆的底盘跟踪信息,得到对应车辆的目标底盘跟踪信息;
信息匹配模块(13),用于匹配每个所述目标底盘跟踪信息中最新底盘信息对应的目标车牌跟踪信息中的最新车牌信息,得到匹配后底盘信息,并确定所述匹配后底盘信息对应的目标泊位跟踪信息中的最新泊位信息;
异常判断模块(14),用于根据所述匹配后底盘信息和对应的最新泊位信息的相对位置关系,确定所述最新车牌信息对应车辆的停车状态是否异常。
9.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序被处理器加载并执行时,采用了权利要求1-7中任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序,其特征在于,所述处理器加载并执行计算机程序时,采用了权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310915616.0A CN117058912A (zh) | 2023-07-24 | 2023-07-24 | 巡检车检测异常停车方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310915616.0A CN117058912A (zh) | 2023-07-24 | 2023-07-24 | 巡检车检测异常停车方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117058912A true CN117058912A (zh) | 2023-11-14 |
Family
ID=88663607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310915616.0A Pending CN117058912A (zh) | 2023-07-24 | 2023-07-24 | 巡检车检测异常停车方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058912A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070074A (zh) * | 2024-04-18 | 2024-05-24 | 安徽博微广成信息科技有限公司 | 道路作业异常识别方法、装置及电子设备 |
-
2023
- 2023-07-24 CN CN202310915616.0A patent/CN117058912A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118070074A (zh) * | 2024-04-18 | 2024-05-24 | 安徽博微广成信息科技有限公司 | 道路作业异常识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11989951B2 (en) | Parking detection method, system, processing device and storage medium | |
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
CN111382704B (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 | |
CN111179152B (zh) | 一种道路标识识别方法及装置、介质、终端 | |
CN107688811B (zh) | 车牌识别方法及装置 | |
KR102015947B1 (ko) | 자율주행을 위한 학습대상 이미지 추출 장치 및 방법 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
WO2022134996A1 (en) | Lane line detection method based on deep learning, and apparatus | |
CN111311766A (zh) | 基于车牌识别和跟踪技术的路边停车智能收费系统及方法 | |
CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
CN112528807B (zh) | 行驶轨迹的预测方法、装置、电子设备及存储介质 | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN114332776B (zh) | 非机动车占用人行道检测方法、系统、设备及存储介质 | |
CN111046746A (zh) | 一种车牌检测方法及装置 | |
CN117058912A (zh) | 巡检车检测异常停车方法、装置、存储介质及电子设备 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN116912517B (zh) | 相机视野边界的检测方法及装置 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN117011481A (zh) | 构建三维地图的方法、装置、电子设备及存储介质 | |
CN113449629B (zh) | 基于行车视频的车道线虚实识别装置、方法、设备及介质 | |
CN115830555A (zh) | 基于雷达点云的目标识别方法、存储介质及设备 | |
CN112101139B (zh) | 人形检测方法、装置、设备及存储介质 | |
CN107358170B (zh) | 一种基于移动机器视觉的车辆违章压线识别方法 | |
CN117409379B (zh) | 一种基于计算机视觉的大跨桥梁车辆追踪与车辆荷载谱智能识别方法 |
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 |