CN117079359A - 基于神经网络的智能停车缴费方法和系统 - Google Patents
基于神经网络的智能停车缴费方法和系统 Download PDFInfo
- Publication number
- CN117079359A CN117079359A CN202311129675.1A CN202311129675A CN117079359A CN 117079359 A CN117079359 A CN 117079359A CN 202311129675 A CN202311129675 A CN 202311129675A CN 117079359 A CN117079359 A CN 117079359A
- Authority
- CN
- China
- Prior art keywords
- parking
- payment
- target vehicle
- vehicle
- image
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000002372 labelling Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004080 punching Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/02—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
-
- 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
- G06V20/60—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本申请提供一种基于神经网络的智能停车缴费方法和系统,该方法包括:获取目标车辆的图像;将图像输入至停车缴费模型,得到图像的停车位置概率分布图,以及目标车辆对应的车辆特征和环境特征;根据停车位置概率分布图,确定车辆的停车状态和停车位置;当目标车辆的停车状态和停车位置均满足预设条件,记录目标车辆的时间信息,时间信息包括停车时长和停车时段;当停车状态变更为结束停车,根据车辆特征、环境特征、时间信息和对应的缴费标准,计算目标车辆的停车缴费金额;将停车缴费金额的支付信息发送至目标车辆的用户,以使用户接收支付信息并支付停车缴费金额。本申请能够准确地确定车辆的停车位置,并准确、灵活地计算停车缴费金额。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于神经网络的智能停车缴费方法和系统。
背景技术
随着城市道路交通技术的发展,和人们生活水平的提高,道路上车辆的出行数量逐年增加,停车场和停车位的数量也随之增加。车辆进入停车场后一般通过拍照和打卡的方式来记录停车位置和停车时长,并在离开停车场时计算相应的缴费金额。
然而,拍照和打卡的方式一般只能粗略地记录车辆的停车位置和停车时长,存在诸多弊端,例如无法定位车辆的实际停车位置、车辆的停放位置是否规范,无法监督用户的不规范打卡行为导致停车时长不准确,无法结合车辆所在的位置和环境合理计算停车缴费金额等,导致以上情况会严重地影响停车缴费金额计算的准确性和灵活性。
因此,需提出一种基于神经网络的智能停车缴费方法和系统,来解决该技术问题。
发明内容
本申请实施例的目的在于提供一种基于神经网络的智能停车缴费方法和系统,本申请实施例本申请能够准确地确定车辆的停车位置,并准确、灵活地计算停车缴费金额,具体技术方案如下:
在本申请实施例的第一方面,提供一种基于神经网络的智能停车缴费方法,所述方法包括:
获取目标车辆的图像;
将所述图像输入至停车缴费模型,得到所述图像的停车位置概率分布图,以及所述目标车辆对应的车辆特征和环境特征;
根据所述停车位置概率分布图,确定所述车辆的停车状态和停车位置;
当所述目标车辆的停车状态和停车位置均满足预设条件,记录所述目标车辆的时间信息,所述时间信息包括停车时长和停车时段;
当所述停车状态变更为结束停车,根据所述车辆特征、所述环境特征、所述时间信息和对应的缴费标准,计算所述目标车辆的停车缴费金额;
将所述停车缴费金额的支付信息发送至所述目标车辆的用户,以使所述用户接收所述支付信息并支付所述停车缴费金额。
进一步地,所述将所述图像输入至停车缴费模型,得到所述图像的停车位置概率分布图,包括:
对所述图像进行多次标注操作;
获取每次所述标注操作的标注位置,以及所述标注位置的标注结果;
根据所述标注结果,确定每个所述标注位置被标注为停车位置的第一概率值;
根据所述每个标注位置各自对应的第一概率值,确定所述停车位置概率分布图。
进一步地,所述根据所述标注结果,确定每个所述标注位置被标注为停车位置的第一概率值,包括:
获取所述多次标注操作的总次数;
确定所述每个标注位置被标注为停车位置的第一次数;
计算所述第一次数与所述总次数的商值作为所述第一概率。
进一步地,所述将所述图像输入至停车缴费模型,得到所述目标车辆对应的车辆特征和环境特征,包括:
对所述图像进行卷积处理,得到卷积图像;
对所述卷积图像进行特征提取,得到包括所述目标车辆的车辆类型、车牌的车辆特征,以及包括所述目标车辆所在环境信息的环境特征。
进一步地,所述预设条件包括:
所述目标车辆的停车状态为停车,所述目标车辆的停车位置处于停车区域之内。
进一步地,所述根据所述车辆特征、所述环境特征、所述时间信息和对应的缴费标准,计算所述目标车辆的停车缴费金额,包括:
对所述停车概率分布图进行处理,得到所述停车概率分布图中每个标注位置的位置权重;
将所述停车概率分布图与所述车辆特征进行融合处理,得到所述每个标注位置的类型权重;
将所述停车概率分布图与所述环境特征进行融合处理,得到所述每个标注位置的环境权重;
基于所述位置权重、所述类型权重、所述环境权重、所述时间信息和所述缴费标准,计算所述每个标注位置的停车缴费金额;
根据所述每个标注位置的停车缴费金额,计算所述目标车辆的停车缴费金额。
进一步地,所述方法还包括:
当所述停车状态或所述停车位置不满足所述预设条件,对所述目标车辆进行提示。
在本申请实施例的又一方面,提供一种基于神经网络的智能停车缴费系统,所述系统包括:
图像获取模块,用于获取目标车辆的图像;
模型推理模块,用于将所述图像输入至停车缴费模型,得到所述图像的停车位置概率分布图,以及所述目标车辆对应的车辆特征和环境特征;
停车信息模块,用于根据所述停车位置概率分布图,确定所述车辆的停车状态和停车位置;
时间信息模块,用于当所述目标车辆的停车状态和停车位置均满足预设条件,记录所述目标车辆的时间信息,所述时间信息包括停车时长和停车时段;
金额计算模块,用于当所述停车状态变更为结束停车,根据所述车辆特征、所述环境特征、所述时间信息和对应的缴费标准,计算所述目标车辆的停车缴费金额;
支付信息发送模块,用于将所述停车缴费金额的支付信息发送至所述目标车辆的用户,以使所述用户接收所述支付信息并支付所述停车缴费金额。
进一步地,所述模型推理模块包括:
标注子模块,用于对所述图像进行多次标注操作;
标注结果获取子模块,用于获取每次所述标注操作的标注位置,以及所述标注位置的标注结果;
第一概率值确定子模块,用于根据所述标注结果,确定每个所述标注位置被标注为停车位置的第一概率值;
停车位置概率分布图确定子模块,用于根据所述每个标注位置各自对应的第一概率值,确定所述停车位置概率分布图。
进一步地,所述第一概率值确定子模块还具体用于:
获取所述多次标注操作的总次数;
确定所述每个标注位置被标注为停车位置的第一次数;计算所述第一次数与所述总次数的商值作为所述第一概率。
由上可知,本申请实施至少带来以下有益效果:
(1)、精准停车定位:通过使用停车缴费模型,可以准确识别车辆的停车位置概率分布,从而为车辆提供精准的停车定位,避免了传统停车系统中因位置不明确而产生的困扰和混乱。
(2)、自动计费:系统根据车辆的停车状态、位置、停留时间和预设条件,自动计算停车费用,消除了人工计费的繁琐和错误可能性,为用户提供了方便和透明的缴费方式。
(3)、个性化费率:通过设置不同时间段的费率和车辆类型权重,系统可以根据停车场的实际情况和交通状况,为不同车辆类型和停留时间段制定个性化的费率,提高了费用计算的准确性和灵活性。
(4)、环境因素考虑:引入位置环境权重可以更好地考虑停车位周围的环境情况,例如安全性、便利性等,从而更精细地为停车位赋予权重,使费用计算更加准确。
(5)、多次标注提高精度:通过多次标注操作和统计分析,建立停车位概率模型,提高了停车位概率分布图的精度,从而增强了系统的可靠性和实用性。
(6)、提示与反馈:系统具备在停车状态或位置不满足预设条件时对用户进行提示的功能,帮助用户正确停车并遵守规定,提升了用户体验和停车场管理效率。
(7)、自动化支付:系统集成了在线支付功能,用户可以方便地通过手机或其他支付方式进行停车费用的结算,减少了排队等待和支付繁琐过程。
(8)、数据驱动决策:通过使用神经网络模型和数据分析,系统可以从大量数据中提取有用信息,优化停车场管理策略,提高资源利用效率。
综上所述,本申请的方案整合了现代技术和智能化理念,为停车管理和缴费带来了便利、精准和高效,为用户和停车场管理者提供了更好的体验和服务。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的基于神经网络的智能停车缴费系统的应用场景示意图;
图2是本申请实施例提供的基于神经网络的智能停车缴费方法的流程示意图;
图3是本申请实施例提供的基于神经网络的智能停车缴费系统的结构示意图;
图4是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
本申请实施例提供一种基于神经网络的智能停车缴费方法和系统。请参阅图1,图1为本申请实施例所提供的基于神经网络的智能停车缴费系统的应用场景示意图,该系统可以包括终端和服务器。本申请提供的基于神经网络的智能停车缴费方法可以通过终端实现,也可以通过服务器实现。
如图1所示,终端与服务器之间通过网络连接,比如,通过有线或无线网络连接等。其中,终端可以包括但不局限于安装有各位网络平台应用的手机、平板等便携终端,以及电脑、查询机、广告机等固定终端。其中,服务器为用户提供各种业务服务,包括服务推送服务器、用户推荐服务器等。
需要说明的是,图1所示的基于神经网络的智能停车缴费系统的应用场景示意图仅仅是一个示例,本申请实施例描述的终端、服务器以及应用场景是为了更加清楚的说明本申请实施例的技术方案,并不生成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着系统的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题同样适用。
其中,终端可以用于:
获取目标车辆的图像;
将所述图像输入至停车缴费模型,得到所述图像的停车位置概率分布图,以及所述目标车辆对应的车辆特征和环境特征;
根据所述停车位置概率分布图,确定所述车辆的停车状态和停车位置;
当所述目标车辆的停车状态和停车位置均满足预设条件,记录所述目标车辆的时间信息,所述时间信息包括停车时长和停车时段;
当所述停车状态变更为结束停车,根据所述车辆特征、所述环境特征、所述时间信息和对应的缴费标准,计算所述目标车辆的停车缴费金额;
将所述停车缴费金额的支付信息发送至所述目标车辆的用户,以使所述用户接收所述支付信息并支付所述停车缴费金额。
需要说明的是,上述终端执行基于神经网络的智能停车缴费方法的步骤,也可以由服务器执行。
图2示出了本申请实施例提供的一种基于神经网络的智能停车缴费方法和系统的流程示意图,如图2所示,一种基于神经网络的智能停车缴费方法和系统包括如下步骤:
步骤201、获取目标车辆的图像。
在一些实施例中,可以通过摄像头、智能相机等视频图像采集设备来获取目标车辆的图像和视频数据。其中,本申请的目标车辆可以是进入停车场的任何车辆。
步骤202、将所述图像输入至停车缴费模型,得到所述图像的停车位置概率分布图,以及所述目标车辆对应的车辆特征和环境特征。
首先,系统可以将捕获的车辆图像输入到停车缴费模型中。这个图像可以是停车场中的一幅图像,其中可能包含了多辆车辆和停车位。
其中,停车缴费模型是一个已经训练好的神经网络模型,用于处理车辆图像并提取有关车辆位置、车辆特征和环境特征的信息。
在一些实施例中,可以通过将图像输入停车缴费模型,模型会分析图像并输出一个停车位置概率分布图。这个分布图显示了图像中每个位置的停车概率,即车辆停在该位置的可能性。
在一些实施例中,在图像处理过程中,停车缴费模型还会提取与目标车辆相关的车辆特征和环境特征。车辆特征可能包括车牌号码、车辆类型、颜色等信息。环境特征可能包括周围的环境条件,如道路状况、建筑物等。
综上,该步骤的目标是将车辆图像传递给停车缴费模型,以获取关于停车位置、车辆特征和环境特征的信息。停车位置概率分布图可以用于识别图像中可能的停车位置,而车辆特征和环境特征可以用于后续的计费和管理操作。这个过程利用了神经网络的能力来从图像中提取有用信息,实现智能化的停车管理和缴费。
进一步地,步骤202可以包括:
对所述图像进行多次标注操作;
获取每次所述标注操作的标注位置,以及所述标注位置的标注结果;
根据所述标注结果,确定每个所述标注位置被标注为停车位置的第一概率值;
根据所述每个标注位置各自对应的第一概率值,确定所述停车位置概率分布图。
首先,针对某幅图像,进行多次标注操作。这意味着模型或系统可以多次对图像中的停车位位置进行标注,从而形成多个独立的标注结果。
对于每次标注操作,可以记录下模型或系统标注的位置和标注结果。标注位置是指被标注为停车位置的像素位置,而标注结果是指这些位置是否被标注为停车位置。
对于每个位置,可以计算在所有标注操作中被标注为停车位置的第一概率值。这可以通过计算在所有标注结果中,该位置被标注为停车位置的比例来实现。例如,如果在5次标注操作中有3次将某位置标注为停车位置,则该位置的第一概率值为3/5。
在一些实施例中,可以将所有位置的第一概率值整理成一个停车位置概率分布图。这个分布图将显示每个位置作为停车位置的可能性,基于多次标注操作的统计结果。
进一步地,步骤根据所述标注结果,确定每个所述标注位置被标注为停车位置的第一概率值,包括:
获取所述多次标注操作的总次数;
确定所述每个标注位置被标注为停车位置的第一次数;
计算所述第一次数与所述总次数的商值作为所述第一概率。
在一些实施例中,停车缴费模型可以是神经网络模型,例如停车缴费模型可以是卷积神经网络(CNN)来处理车辆图像,提取车辆的特征信息,识别车牌号码、车辆颜色等。然后,这些特征可以与其他环境特征一起输入到神经网络中,用于预测车辆的停车位置和状态。该模型可以通过训练样本数据来学习不同车辆的停车模式,从而提高预测的准确性。
在一些实施例中,可以通过停车缴费模型对图像进行标注,例如可以听过停车缴费模型的多个子模型或标注模块对图像的不同位置进行多次标注操作。
在一些实施例中,计算第一概率的公式可以表示:
其中,p(x,y)为第一概率值;ω(i)为第i次的标注权重;K表示图像I的标注次数,也就是图像被标注为停车位置的次数;ω(i)表示第i次标注的标注权重,该标注权重反映了每次标注操作的重要性,与标注对模型或服务器的信任度、准确性等相关;ω(x,y)表示标注位置(x,y)的权重,这个权重反映了位置(x,y)在整个停车场中的重要性。例如,位置可能因其在停车场中的便利性或其他因素而拥有不同的权重。
是一个函数,判断第i次标注在标注位置(x,y)是否被标注为停车位。如果相等,则结果为真记为1,否则为假记为0。
其中,函数f为:f(Ii(x,y))为1时,t为真;f(Ii(x,y))为0时,t为假。
公式的分子部分表示所有标注次数K中,在位置(x,y)被标注为停车位的次数之和,乘以相应的权重。分母部分表示所有标注次数K中,在位置(x,y)有标注的次数之和,乘以相应的权重。
整个公式的含义是,基于多次标注的结果和相应的权重,计算标注位置(x,y)是停车位置的第一概率。如果在多次标注中,标注位置(x,y)被多次标注为停车位置,且这些标注被视为重要(通过权重体现),那么该标注位置为停车位的概率会相应地增加。以此类推计算图像中每个位置处的概率,生成图像的停车位置概率分布图Pi。
进一步地,步骤202还可以包括:
对所述图像进行卷积处理,得到卷积图像;
对所述卷积图像进行特征提取,得到包括所述目标车辆的车辆类型、车牌的车辆特征,以及包括所述目标车辆所在环境信息的环境特征。
在一些实施例中,可以将将图像与一个或多个滤波器进行卷积操作,从而在图像上生成一个新的卷积图像,以从原始的图像中提取出更具有代表性的特征。通过将图像与滤波器进行卷积处理,可以生成一个新的卷积图像。这个卷积图像可能突出了图像中的边缘、纹理、颜色变化等特征。
在卷积图像上进行特征提取,可以从卷积图像中提取出具有信息量的特征。对于目标车辆来说,特征可以包括车辆的类型、车牌的特征以及环境信息。
进一步地,通过分析卷积图像中的特征,系统可以识别出目标车辆的类型。例如,不同类型的车辆可能在卷积图像上有不同的轮廓、形状等特征。
在一些实施例中,卷积图像中可能包含车辆的车牌信息。系统可以通过特定的算法或模型来识别和提取车牌信息,以便后续的车辆识别和管理。
在一些实施例中,卷积图像中也可能包含有关车辆所在环境的信息,例如周围的建筑物、道路状况等。这些环境特征可以在后续的处理中用于更准确地判断停车状态和计算停车费用。
步骤203、根据所述停车位置概率分布图,确定所述车辆的停车状态和停车位置。
在一些实施例中,系统可以通过分析停车位置概率分布图中的信息,判断车辆是否处于停车状态。如果在概率较高的位置处有显著的停车位可能性,那么系统可能会判定该车辆处于停车状态。同时,系统可以在停车位置概率分布图中寻找概率最高的位置,从而确定车辆的停车位置。概率最高的位置可能是最有可能的停车位。
步骤204、当所述目标车辆的停车状态和停车位置均满足预设条件,记录所述目标车辆的时间信息。
其中,时间信息可以包括停车时长和停车时段。
其中,预设条件可以包括目标车辆的停车状态为停车,所述目标车辆的停车位置处于停车区域之内。
预设条件要求目标车辆的停车状态为停车。这意味着车辆必须真实地停在某个位置,而不是在行驶或其他状态下。预设条件还要求目标车辆的停车位置必须处于停车区域之内。这可以通过停车位置概率分布图中的概率值来判断,如果某个位置的概率较高,则说明该位置可能是停车位。当目标车辆的停车状态和停车位置同时满足预设条件时,系统会记录车辆的时间信息。时间信息可以包括两个方面:系统会记录车辆在停车区域内的停车时长,即从车辆停进停车位到离开停车位的时间间隔。系统还会记录车辆停车的具体时段,包括停车的起始时间和结束时间。这有助于计算停车费用,因为不同时间段的费率可能不同。
在一些实施例中,当所述停车状态或所述停车位置不满足所述预设条件,对所述目标车辆进行提示。
可以理解,如果目标车辆的停车状态不是真实的停车状态,比如车辆在移动或者未停在停车位上,系统会检测到这一情况。同样,如果目标车辆的停车位置不在停车区域之内,或者未停在被标注为停车位的位置上,系统也会检测到这一情况。一旦系统检测到停车状态或停车位置不符合预设条件,系统会采取相应的操作,通常是对目标车辆进行提示。这可能包括向车主发送警示信息,显示警示信息在停车缴费系统的界面上,或通过其他途径提醒车主。
步骤205、当所述停车状态变更为结束停车,根据所述车辆特征、所述环境特征、所述时间信息和对应的缴费标准,计算所述目标车辆的停车缴费金额。
进一步地,步骤205还可以包括:
对所述停车概率分布图进行处理,得到所述停车概率分布图中每个标注位置的位置权重;
将所述停车概率分布图与所述车辆特征进行融合处理,得到所述每个标注位置的类型权重;
将所述停车概率分布图与所述环境特征进行融合处理,得到所述每个标注位置的环境权重;
基于所述位置权重、所述类型权重、所述环境权重、所述时间信息和所述缴费标准,计算所述每个标注位置的停车缴费金额;
根据所述每个标注位置的停车缴费金额,计算所述目标车辆的停车缴费金额。
在一些实施例中,可以对停车概率分布图进行处理,以获得每个标注位置的位置权重。这可能涉及将概率分布图中每个位置的概率值映射到位置权重上,以反映该位置作为停车位置的重要性。位置权重可以考虑停车位的可用性、便利性等因素。
进一步地,可以将停车概率分布图与车辆特征进行融合处理,以获得每个标注位置的类型权重。这意味着不同类型的车辆可能对停车位置的选择产生不同的影响。例如,大型车辆可能需要更大的停车空间,因此可能在一些位置上的停车概率更高。
将停车概率分布图与环境特征进行融合处理,以获得每个标注位置的环境权重。环境特征可以包括周围的建筑物、道路状况等,这些因素可能影响车辆停放的选择。例如,一个位置是否靠近出入口、是否有遮挡物等都可能影响停车位置的选择。
在一些实施例中,计算目标车辆的停车缴费金额的公式可以表示为:
Ecosc=Cavg×∑iTi·Ri·ω(v)·∑(x,y)(p(x,y)·ω(l)·ω(e))
其中,E_cost是计算得到的停车费用。Cavg表示平均费用,用于计算停车费用的缴费基准。
∑iTi·Ri·ω(v)是一个累加项,用来计算不同时间段内车辆的停留时间Ti与费率Ri的乘积,以及车辆类型权重ω(v)。这表示在不同时间段内的停车费用。
∑(x,y)(p(x,y)·ω(2)·ω(e))是另一个累加项,用于计算不同位置(x,y)处的停车位概率(p(x,y))与位置权重ω(l)以及环境权重ω(e)的乘积之和。这表示在不同位置上的停车费用。
在一些实施例中,环境权重可以受停车位置的便利性、安全性、遮挡程度和附近设施等这几个因素的影响。
便利性:停车位是否靠近入口或出口,或者是否位于停车场的中心位置。更便利的位置可能会具有更高的权重,因为用户通常更愿意停在便利的位置。
安全性:停车位是否位于照明充足、监控覆盖或其他安全措施的区域。安全性更高的位置可能会被赋予较高的权重,因为用户可能更愿意停在这样的位置。
遮挡程度:停车位是否受到建筑物、树木或其他物体的遮挡。视野开阔的位置可能会被赋予较高的权重,因为用户可能更愿意停在能够更好地观察和控制的位置。
附近设施:停车位周围是否有商店、餐厅、便利店等设施。靠近便利设施的位置可能会具有更高的权重,因为用户可能更愿意停在这样的位置
步骤206、将所述停车缴费金额的支付信息发送至所述目标车辆的用户,以使所述用户接收所述支付信息并支付所述停车缴费金额。
可以理解,在前面的步骤中,已经根据位置权重、类型权重和环境权重等因素计算出了每个标注位置的停车缴费金额。系统可以根据车辆的停车缴费金额生成相应的支付信息,包括应支付的金额、车辆信息、停车时段等。这些信息将用于向用户展示计费细节。
在一些实施例中,系统将生成的支付信息发送给目标车辆的用户。这可以通过多种方式实现,例如发送短信、电子邮件、移动应用通知等等。一旦用户收到支付信息,他们可以通过智能停车缴费系统的支付功能,使用手机或其他支付方式进行停车费用的结算。用户可以查看详细的计费信息并确认支付。一旦用户完成支付,系统会生成电子停车凭证或结算证明,作为支付成功的确认。用户可以保存这个凭证作为停车费用支付的证明。
为实现上述方法类实施例,本申请实施例还提供一种基于神经网络的智能停车缴费系统,图3示出了本申请实施例提供的一种基于神经网络的智能停车缴费系统的结构示意图,所述系统包括:
图像获取模块301,用于获取目标车辆的图像;
模型推理模块302,用于将所述图像输入至停车缴费模型,得到所述图像的停车位置概率分布图,以及所述目标车辆对应的车辆特征和环境特征;
停车信息模块303,用于根据所述停车位置概率分布图,确定所述车辆的停车状态和停车位置;
时间信息模块304,用于当所述目标车辆的停车状态和停车位置均满足预设条件,记录所述目标车辆的时间信息,所述时间信息包括停车时长和停车时段;
金额计算模块305,用于当所述停车状态变更为结束停车,根据所述车辆特征、所述环境特征、所述时间信息和对应的缴费标准,计算所述目标车辆的停车缴费金额;
支付信息发送模块306,用于将所述停车缴费金额的支付信息发送至所述目标车辆的用户,以使所述用户接收所述支付信息并支付所述停车缴费金额。
所述模型推理模块302包括:
标注子模块,用于对所述图像进行多次标注操作;
标注结果获取子模块,用于获取每次所述标注操作的标注位置,以及所述标注位置的标注结果;
第一概率值确定子模块,用于根据所述标注结果,确定每个所述标注位置被标注为停车位置的第一概率值;
停车位置概率分布图确定子模块,用于根据所述每个标注位置各自对应的第一概率值,确定所述停车位置概率分布图。
进一步地,所述第一概率值确定子模块还具体用于:
获取所述多次标注操作的总次数;
确定所述每个标注位置被标注为停车位置的第一次数;计算所述第一次数与所述总次数的商值作为所述第一概率
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像采集设备的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络的智能停车缴费方法和系统。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入系统。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现基于神经网络的智能停车缴费方法和系统。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入系统可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
Claims (10)
1.一种基于神经网络的智能停车缴费方法,其特征在于,所述方法包括:
获取目标车辆的图像;
将所述图像输入至停车缴费模型,得到所述图像的停车位置概率分布图,以及所述目标车辆对应的车辆特征和环境特征;
根据所述停车位置概率分布图,确定所述车辆的停车状态和停车位置;
当所述目标车辆的停车状态和停车位置均满足预设条件,记录所述目标车辆的时间信息,所述时间信息包括停车时长和停车时段;
当所述停车状态变更为结束停车,根据所述车辆特征、所述环境特征、所述时间信息和对应的缴费标准,计算所述目标车辆的停车缴费金额;
将所述停车缴费金额的支付信息发送至所述目标车辆的用户,以使所述用户接收所述支付信息并支付所述停车缴费金额。
2.根据权利要求1所述的基于神经网络的智能停车缴费方法,其特征在于,所述将所述图像输入至停车缴费模型,得到所述图像的停车位置概率分布图,包括:
对所述图像进行多次标注操作;
获取每次所述标注操作的标注位置,以及所述标注位置的标注结果;
根据所述标注结果,确定每个所述标注位置被标注为停车位置的第一概率值;
根据所述每个标注位置各自对应的第一概率值,确定所述停车位置概率分布图。
3.根据权利要求2所述的基于神经网络的智能停车缴费方法,其特征在于,所述根据所述标注结果,确定每个所述标注位置被标注为停车位置的第一概率值,包括:
获取所述多次标注操作的总次数;
确定所述每个标注位置被标注为停车位置的第一次数;
计算所述第一次数与所述总次数的商值作为所述第一概率。
4.根据权利要求1所述的基于神经网络的智能停车缴费方法,其特征在于,所述将所述图像输入至停车缴费模型,得到所述目标车辆对应的车辆特征和环境特征,包括:
对所述图像进行卷积处理,得到卷积图像;
对所述卷积图像进行特征提取,得到包括所述目标车辆的车辆类型、车牌的车辆特征,以及包括所述目标车辆所在环境信息的环境特征。
5.根据权利要求1所述的基于神经网络的智能停车缴费方法,其特征在于,所述预设条件包括:
所述目标车辆的停车状态为停车,所述目标车辆的停车位置处于停车区域之内。
6.根据权利要求1所述的基于神经网络的智能停车缴费方法,其特征在于,所述根据所述车辆特征、所述环境特征、所述时间信息和对应的缴费标准,计算所述目标车辆的停车缴费金额,包括:
对所述停车概率分布图进行处理,得到所述停车概率分布图中每个标注位置的位置权重;
将所述停车概率分布图与所述车辆特征进行融合处理,得到所述每个标注位置的类型权重;
将所述停车概率分布图与所述环境特征进行融合处理,得到所述每个标注位置的环境权重;
基于所述位置权重、所述类型权重、所述环境权重、所述时间信息和所述缴费标准,计算所述每个标注位置的停车缴费金额;
根据所述每个标注位置的停车缴费金额,计算所述目标车辆的停车缴费金额。
7.根据权利要求1所述的基于神经网络的智能停车缴费方法,其特征在于,所述方法还包括:
当所述停车状态或所述停车位置不满足所述预设条件,对所述目标车辆进行提示。
8.一种如权利要求1-7任一项所述的方法的基于神经网络的智能停车缴费系统,其特征在于,所述系统包括:
图像获取模块,用于获取目标车辆的图像;
模型推理模块,用于将所述图像输入至停车缴费模型,得到所述图像的停车位置概率分布图,以及所述目标车辆对应的车辆特征和环境特征;
停车信息模块,用于根据所述停车位置概率分布图,确定所述车辆的停车状态和停车位置;
时间信息模块,用于当所述目标车辆的停车状态和停车位置均满足预设条件,记录所述目标车辆的时间信息,所述时间信息包括停车时长和停车时段;
金额计算模块,用于当所述停车状态变更为结束停车,根据所述车辆特征、所述环境特征、所述时间信息和对应的缴费标准,计算所述目标车辆的停车缴费金额;
支付信息发送模块,用于将所述停车缴费金额的支付信息发送至所述目标车辆的用户,以使所述用户接收所述支付信息并支付所述停车缴费金额。
9.根据权利要求1所述的基于神经网络的智能停车缴费系统,其特征在于,所述模型推理模块包括:
标注子模块,用于对所述图像进行多次标注操作;
标注结果获取子模块,用于获取每次所述标注操作的标注位置,以及所述标注位置的标注结果;
第一概率值确定子模块,用于根据所述标注结果,确定每个所述标注位置被标注为停车位置的第一概率值;
停车位置概率分布图确定子模块,用于根据所述每个标注位置各自对应的第一概率值,确定所述停车位置概率分布图。
10.根据权利要求2所述的基于神经网络的智能停车缴费系统,其特征在于,所述第一概率值确定子模块还具体用于:
获取所述多次标注操作的总次数;
确定所述每个标注位置被标注为停车位置的第一次数;计算所述第一次数与所述总次数的商值作为所述第一概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129675.1A CN117079359A (zh) | 2023-09-04 | 2023-09-04 | 基于神经网络的智能停车缴费方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129675.1A CN117079359A (zh) | 2023-09-04 | 2023-09-04 | 基于神经网络的智能停车缴费方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117079359A true CN117079359A (zh) | 2023-11-17 |
Family
ID=88702262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311129675.1A Pending CN117079359A (zh) | 2023-09-04 | 2023-09-04 | 基于神经网络的智能停车缴费方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079359A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160146258A (ko) * | 2015-06-12 | 2016-12-21 | 김호중 | 주차 요금 결제 시스템 및 방법 |
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 |
CN107284443A (zh) * | 2016-04-12 | 2017-10-24 | 福特全球技术公司 | 检测可用停车位 |
CN109508682A (zh) * | 2018-11-20 | 2019-03-22 | 成都通甲优博科技有限责任公司 | 一种全景停车位的检测方法 |
CN110136275A (zh) * | 2019-05-29 | 2019-08-16 | 深圳市轱辘汽车维修技术有限公司 | 一种停车位的收费管理方法、装置及服务器 |
CN113313969A (zh) * | 2021-05-26 | 2021-08-27 | 北京市商汤科技开发有限公司 | 停车位共享方法和装置 |
CN114218483A (zh) * | 2021-12-16 | 2022-03-22 | 城云科技(中国)有限公司 | 停车推荐方法及其应用 |
-
2023
- 2023-09-04 CN CN202311129675.1A patent/CN117079359A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160146258A (ko) * | 2015-06-12 | 2016-12-21 | 김호중 | 주차 요금 결제 시스템 및 방법 |
CN107284443A (zh) * | 2016-04-12 | 2017-10-24 | 福特全球技术公司 | 检测可用停车位 |
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 |
CN109508682A (zh) * | 2018-11-20 | 2019-03-22 | 成都通甲优博科技有限责任公司 | 一种全景停车位的检测方法 |
CN110136275A (zh) * | 2019-05-29 | 2019-08-16 | 深圳市轱辘汽车维修技术有限公司 | 一种停车位的收费管理方法、装置及服务器 |
CN113313969A (zh) * | 2021-05-26 | 2021-08-27 | 北京市商汤科技开发有限公司 | 停车位共享方法和装置 |
CN114218483A (zh) * | 2021-12-16 | 2022-03-22 | 城云科技(中国)有限公司 | 停车推荐方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9483944B2 (en) | Prediction of free parking spaces in a parking area | |
CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
CN110853391A (zh) | 智能共享停车系统 | |
CN107526845A (zh) | 停车场库手持终端、停车场库管理系统及方法 | |
CN108091173A (zh) | 车位引导信息推送方法和装置 | |
US8374910B1 (en) | Parking management method and automated parking system for vehicles | |
JP2018022366A (ja) | 駐車場管理システム | |
CN107833328B (zh) | 基于人脸识别的门禁验证方法及装置、计算设备 | |
CN207198849U (zh) | 停车场库手持终端和停车场库管理系统 | |
CN108109082A (zh) | 一种旅游管理方法及系统 | |
CN112233428B (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN112671834A (zh) | 停车数据的处理系统 | |
WO2023246720A1 (zh) | 路侧停车检测方法、系统及电子设备 | |
KR20220144179A (ko) | Cctv 기반 영상인식 기술을 활용한 주차장 최적 운영 방법 | |
CN105868799A (zh) | 使用电子标签的信息推送系统及方法 | |
KR102149618B1 (ko) | 카메라를 이용한 주차장 운영 시스템 및 방법 | |
CN108038921A (zh) | 一种车辆出入口管理方法、装置及存储介质 | |
CN117079359A (zh) | 基于神经网络的智能停车缴费方法和系统 | |
KR102361507B1 (ko) | 주차면 공유 서비스를 위한 무인 통합 주차관제 시스템 | |
CN115861916A (zh) | 异常停车行为检测方法、装置、计算机设备和存储介质 | |
CN110085035B (zh) | 一种停车场无牌车辆停车位置查找的方法以及相关装置 | |
CN114550492A (zh) | 一种车辆信息的处理方法、装置、电子设备及存储介质 | |
CN113920596A (zh) | 面向无人值守停车场的车牌识别数据再匹配方法及系统 | |
KR100950012B1 (ko) | 영상 정보 단말기 대여 시스템 및 방법 | |
JP2021064344A (ja) | 駐車場管理システム |
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 |