CN117198093B - 一种复杂地下空间智能寻车系统及方法 - Google Patents
一种复杂地下空间智能寻车系统及方法 Download PDFInfo
- Publication number
- CN117198093B CN117198093B CN202311465705.6A CN202311465705A CN117198093B CN 117198093 B CN117198093 B CN 117198093B CN 202311465705 A CN202311465705 A CN 202311465705A CN 117198093 B CN117198093 B CN 117198093B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking space
- module
- license plate
- parking
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000013523 data management Methods 0.000 claims abstract description 13
- 238000007726 management method Methods 0.000 claims abstract description 12
- 238000013439 planning Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000004297 night vision Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 102100032202 Cornulin Human genes 0.000 claims description 6
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000007639 printing Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 240000007651 Rubus glaucus Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- WVHNUGRFECMVLQ-UHFFFAOYSA-N 1,3-dichloro-2-(2,4-dichlorophenyl)benzene Chemical compound ClC1=CC(Cl)=CC=C1C1=C(Cl)C=CC=C1Cl WVHNUGRFECMVLQ-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 125000003003 spiro group Chemical group 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开一种复杂地下空间智能寻车系统及方法,属于地下空间智能寻车技术领域。复杂地下空间智能寻车系统包括用于车辆目标检测和车辆字符识别的车位检测与识别子系统、用于车位扫描和车位内车辆检测的车位本地管理子系统、用于寻车路径规划和停车数据管理的智能车位引导与数据管理子系统。复杂地下空间智能寻车方法包括车辆进入车位探测、移动一体化车位识别模块、采集车辆图像、处理车辆图像获得车牌信息、关联车牌信息与占用车位信息、提供寻车路线、车辆离开车位探测等步骤。本发明的复杂地下空间智能寻车系统及方法可以使车主方便地在各种不同的大型停车场或立体停车场中寻车,且能减少系统中需要使用的一体化车位识别模块数量。
Description
技术领域
本发明涉及地下空间智能寻车技术领域,尤其涉及一种复杂地下空间智能寻车系统及方法。
背景技术
随着中国经济的快速发展,全国机动车保有量不断增长,停车难问题日益凸显,随之产生了许多大型停车场和立体停车场。这些大容量停车场有效地缓解了停车难问题,但是又引发了找车位和反向寻车的困难,不仅影响车主的时间和精力,带来不好的体验,而且也增加了车位管理的困难。
发明内容
针对上述缺陷,本发明提供一种复杂地下空间智能寻车系统及方法,具有较强的通用性,可以使车主方便地在各种不同的大型停车场或立体停车场中寻车,且能减少系统中需要使用的一体化车位识别模块数量。
为了实现本发明的目的,拟采用以下技术:
一种复杂地下空间智能寻车系统,包括:
车位检测与识别子系统,用于车辆目标检测和车辆字符识别,包括一体化车位识别模块以及设于其上的局域网模块,一体化车位识别模块包括用于拍摄车辆图像的车辆图像采集子模块、用于处理车辆图像的图像处理子模块;
车位本地管理子系统,用于车位扫描和车位内车辆检测,包括微控制器、车位扫描模块、车辆自动识别平台模块、局域网模块,一体化车位识别模块设于车辆自动识别平台模块上,且可沿并排设置的多个车位一端直线移动,车位扫描模块的数量与停车场的车位数相同,分别设于各车位地面或天花板,车位扫描模块采用测距传感器;
智能车位引导与数据管理子系统,用于寻车路径规划和停车数据管理,包括一体化交互设备、局域网模块,一体化交互设备包括触摸屏、嵌入式终端,嵌入式终端安装有寻车路径规划软件,一体化交互设备数量为多个,分别设于停车场及停车场服务区域的各个人员出入口。
进一步,一体化车位识别模块的数量与停车场的车位组数相同,车辆自动识别平台模块的数量与一体化车位识别模块的数量相同,车位检测与识别子系统的局域网模块数量与一体化车位识别模块数量相同,车位本地管理子系统的局域网模块数量与微控制器数量相同,智能车位引导与数据管理子系统的局域网模块数量与一体化交互设备数量相同。
进一步,车辆图像采集子模块采用红外夜视摄像头,图像处理子模块采用微处理器;
一体化车位识别模块还包括盒体、电池盒;
盒体包括底盒,底盒外侧面开设有多个通口,分别与微处理器的各接口匹配,底盒上装配有盖板,盖板上设有竖板,底盒内底面固定有四个第一螺柱;
电池盒装配于盒体内,电池盒内装配有若干电池,电池盒上装配有四个与各第一螺柱分别同轴的第二螺柱;
微处理器和电池盒上分别设有四个第一安装孔和四个第二安装孔,通过螺杆依次穿入第一安装孔、第二螺柱、第二安装孔、第一螺柱之间,固定微处理器和电池盒;
红外夜视摄像头固定装配于竖板。
进一步,车辆自动识别平台模块包括与微控制器电连接的驱动器和由驱动器驱动的直线模组,一体化车位识别模块通过螺栓装配于直线模组的滑块上。
进一步,寻车路径规划软件包括网络应用程序和数据库。
采用复杂地下空间智能寻车系统的一种复杂地下空间智能寻车方法,包括步骤:
S100:车位扫描模块检测到车辆进入车位的信号后,将信号上传到微控制器,微控制器将占用车位信息发送到各嵌入式终端;
S200:微控制器控制车辆自动识别平台模块,通过车辆自动识别平台模块将一体化车位识别模块移动到被检测到的车辆所在车位一端;
S300:通过车辆图像采集子模块采集车辆图像;
S400:通过图像处理子模块将车辆图像进行处理,获得车牌信息、车辆颜色信息、车辆品牌信息,其中获得车牌信息的步骤包括:
S410:图像灰度化;
S420:图像灰度修正;
S430:图像去噪;
S440:目标检测;
S450:采用通过CRNN+CTC方法训练的字符识别模型进行车牌文字识别,获得车牌信息;
S500:图像处理子模块将车牌信息上传到微控制器,微控制器将车牌信息发送到各嵌入式终端,寻车路径规划软件将车牌信息与占用车位信息进行关联并储存;
S600:在收到车主通过触摸屏发出的寻车请求后,寻车路径规划软件获取指定的占用车位信息,计算寻车路线,发送到触摸屏进行显示;
S700:车位扫描模块检测到车辆离开车位的信号后,将信号上传到微控制器;
S800:寻车路径规划软件将S600所述占用车位信息和与其关联的车牌信息删除。
进一步,预先设置轮询时间t和距离阈值s;
S100中,车位扫描模块检测车辆进入车位包括以下步骤:
测距传感器测得距离a,判断是否a<s,若是,则车辆扫描模块判定车辆进入车位并结束循环,若否,则等待轮询时间t,再次通过测距传感器测得距离a;
S700中,车位扫描模块检测车辆离开车位包括以下步骤:
测距传感器测得距离a,判断是否a≥s,若是,则车辆扫描模块判定车辆离开车位并结束循环,若否,则等待轮询时间t,再次通过测距传感器测得距离a。
进一步,S450所述字符识别模型的训练步骤包括:
创建车牌生成器,随机生成多个不同的车牌号码并分别保存为图片,将图片输出到训练数据集;
读取训练数据集,并使用DataLoader类创建一个数据加载器对象;
定义模型对象,并将其移动到运算设备上;
定义损失函数和优化器,并设置学习率衰减策略;
循环迭代训练,每轮迭代遍历数据加载器中的所有数据,将车牌图片作为输入,标签作为输出,计算模型输出和标签之间的损失,并根据损失进行反向传播和梯度更新;
在每个epoch结束时,记录当前模型在验证集上的准确率,并保存当前模型的参数,如果当前模型的验证准确率比之前的最佳准确率要高,则将该模型保存为当前最佳模型;
训练结束后,打印最佳模型在测试集上的准确率,并将最佳模型的参数保存到本地文件中;
测试模型。
进一步,S600包括以下步骤:
S601:车主在触摸屏上输入车牌进行查询后,嵌入式终端启动寻车路径规划软件;
S602:寻车路径规划软件查询该车牌信息是否有匹配的车位信息,若是,则执行S603,若否,则嵌入式终端发送查询失败信息到触摸屏,触摸屏显示查询失败并返回S601;
S603:嵌入式终端通过寻车路径规划软件计算从车主所操作的触摸屏到车位之间的最短路径;
S604:触摸屏显示S603所述最短路径。
本技术方案的有益效果在于:
1、一体化车位识别模块将车辆图像采集子模块和图像处理子模块整合,可快速地在采集图像后进行图像处理,图像处理子模块通过图像灰度化、图像灰度修正、图像去噪、目标检测、文字识别快速地进行图像处理,获得车牌信息,尤其是采用通过CRNN+CTC方法训练字符识别模型进行车牌文字识别,CTC 可以将 CRNN 模型的输出序列映射到正确的文本序列上,从而实现文字识别任务,模型的识别精度和效率较高。
2、由于常见的停车位大部分均呈直线排列,大型停车场通常由很多组车位组成,通过将一体化车位识别模块设于车辆自动识别平台模块上,可以减少使用的一体化车位识别模块的数量,降低现场搭建的复杂度,降低搭建成本,微控制器可以方便地控制车位本地管理子系统中其他各部件。
3、各嵌入式终端均会收到占用车位信息和车牌信息并进行关联,车主在任意一体化交互设备均可查找车辆位置,车主获取寻车路线时可通过触摸屏所连接的嵌入式终端计算寻车路线并查看,解决了大型停车场反向寻车困难的问题。
4、各子系统均配有局域网模块,便于互相之间的通信。
附图说明
图1示出了本申请实施例复杂地下空间智能寻车系统整体架构图。
图2示出了本申请实施例智能车位引导与数据管理子系统架构图。
图3示出了本申请实施例车位本地管理子系统架构图。
图4示出了本申请实施例复杂地下空间智能寻车系统方法整体流程图。
图5示出了本申请实施例车位扫描模块检测车辆进入车位的流程图。
图6示出了本申请实施例车位扫描模块检测车辆离开车位的流程图。
图7示出了本申请实施例图像处理子模块获得车牌信息的流程图。
图8示出了本申请实施例字符识别模型的训练流程图。
图9示出了本申请实施例复杂地下空间智能寻车系统方法中S600的分步骤流程图。
图10示出了本申请实施例安装了LoRa模块的一体化车位识别模块立体图。
图11示出了本申请实施例底盒、盖板、红外夜视摄像头、LoRa模块爆炸图。
图12示出了本申请实施例第一螺柱、电池盒、第二螺柱、微处理器爆炸图。
图13示出了本申请实施例已固定一体化车位识别模块的车辆自动识别平台模块立体图。
图14示出了本申请实施例已固定一体化车位识别模块的车辆自动识别平台模块在停车场中一行车位一端的俯视示意图。
图中标记:盒体1、底盒11、通口12、盖板13、竖板14、第二螺孔15、第一螺柱16、电池盒2、第二螺柱21、微处理器3、红外夜视摄像头4、LoRa模块5、PCB板51、天线52、驱动器6、直线模组7、滑块71、并列车位8。
具体实施方式
下面结合附图和实施例对本申请作进一步说明。
如图1~图3、图10~图14所示的一种复杂地下空间智能寻车系统,包括车位检测与识别子系统、车位本地管理子系统、智能车位引导与数据管理子系统。
如图1、图10~图14所示,车位检测与识别子系统用于车辆目标检测和车辆字符识别,包括一体化车位识别模块以及设于其上的局域网模块。
一体化车位识别模块包括用于拍摄车辆图像的车辆图像采集子模块、用于处理车辆图像的图像处理子模块,具体地,根据停车场的车位组数,设置与其相同的一体化车位识别模块的数量,此处所说的车位组数,可以指常见的每行由多个倒车停车位组成的行数,也可以指每列由多个侧方停车位组成的列数。
车辆图像采集子模块采用红外夜视摄像头4,图像处理子模块采用微处理器3。
一体化车位识别模块还包括盒体1、电池盒2。
盒体1包括底盒11,底盒11外侧面开设有多个通口12,分别与微处理器3的各接口匹配,底盒11上装配有盖板13,盖板13上设有竖板14,竖板14侧面开设有四个第一螺孔,盖板13上还开设有四个第二螺孔15,底盒11内底面固定有四个第一螺柱16。
盖板13采用卡扣连接的方式安装在底盒11上,这种连接方式具有灵活的设计形式和生产效率、更高精度和更小批量的生产能力、更好的可定制性和适应性,以及可以满足更为复杂和精细的连接结构需求。
电池盒2装配于盒体1内,电池盒2内装配有若干电池,电池盒2上装配有四个与各第一螺柱16分别同轴的第二螺柱21。
微处理器3和电池盒2上分别设有四个第一安装孔和四个第二安装孔,通过螺杆依次穿入第一安装孔、第二螺柱21、第二安装孔、第一螺柱16之间,可以固定微处理器3和电池盒2,第一螺柱16和第二螺柱21均采用两头都向内开设有螺纹的螺柱,这种装配方式可以更好地适应地下停车场的特殊环境,并且方便后期的维护操作和升级。
红外夜视摄像头4通过四个螺杆与各第一螺孔螺接,固定于竖板14。
局域网模块采用LoRa模块5,车位检测与识别子系统的LoRa模块5安装于一体化车位识别模块上,具体地,通过四个螺杆与各第二螺孔15螺接,固定于盖板13,LoRa模块5包括PCB板51和天线52。
具体地,红外夜视摄像头4可选择分辨率高的摄像头,以便能够捕捉到更加细节化的信息,还可以考虑是否需要具备广角拍摄功能等其他特殊需求;微处理器3采用树莓派4B,其性能、扩展性、功能和使用场景等方面都具有较强的竞争力。
在车位检测与识别子系统中,局域网模块数量与一体化车位识别模块数量相同。
如图1、图3、图13、图14所示,车位本地管理子系统用于车位扫描和车位内车辆检测,包括微控制器、车位扫描模块、车辆自动识别平台模块、局域网模块。
由于本申请的复杂地下空间智能寻车系统采用一对多的车辆图像采集方案,即为多个车位共用一个一体化车位识别模块进行车牌号采集,这种方案不仅减少了一体化车位识别模块的一系列费用,还减少了现场实施的复杂度,但这种方案需要可移动平台来辅助进行定位,常见的停车位大部分均呈直线排列,直线模组更适合此环境,因此,采用车辆自动识别平台模块,将一体化车位识别模块设于车辆自动识别平台模块上,且一体化车位识别模块可沿并排设置的多个车位一端直线移动,因此车辆自动识别平台模块的数量与一体化车位识别模块的数量相同。
微控制器包括中央处理器、存储器、通信接口,在本实施例中,微控制器采用STM32F103ZET6芯片,以达到低功耗的要求,微控制器的数量与车辆自动识别平台模块的数量相同。
车位扫描模块的数量与停车场的车位数相同,车位扫描模块采用测距传感器,并在测距传感器旁配备语音系统和灯光系统,具体地,测距传感器可埋设在车位地面向上探测,或安装在车位上方的天花板上,测距传感器采用VL53L0X激光测距传感器,采用IIC总线通信方式,不断查询每个激光测距传感器所测得的数据,以判断车位上有无车辆。具体地,在工作时,对车位扫描模块预先设置轮询时间t和距离阈值s。
车辆自动识别平台模块包括与微控制器电连接的驱动器6和由驱动器6驱动的直线模组7,对于由多个倒车停车位组成的一组车位,一体化车位识别模块通过螺栓直接装配于直线模组7的滑块71上,对于由多个侧方停车位组成的一组车位,可在滑块71和一体化车位识别模块之间增加旋转电机,便于红外夜视摄像头4转向,从相邻的两个车位交界线的一侧斜向拍摄车辆,由于微控制器所提供的电压难以直接驱动直线模组7,故需要驱动器6,微控制器直接控制驱动器6即可实现直线模组7的驱动,驱动器6主要是将微控制器发送的控制信号转换成执行工作的电信号,具体地,驱动器6采用步进驱动器,直线模组7采用同步带模组,直线模组7可安装在一对支架上。
通过附图8可看出实际情况下的车辆自动识别平台模块安装方式,以通常的多个倒车停车位组成一组车位为例,停车场的一行多个并列车位8一端设置直线模组7,滑块71的滑动范围覆盖这一行中第一个并列车位8到最后一个并列车位8的范围,红外夜视摄像头4的采集端朝向并列车位8的方向。
在车位本地管理子系统中,局域网模块数量与微控制器数量相同。
优选地,车位本地管理子系统还包括监控屏幕,可更直观地监控系统的运行,直接查看到测距传感器所测得的数据、车位占用和剩余情况系统运行状态以及车牌识别结果,便于管理人员进行维护,监控屏幕还可增加触摸功能,实现人机交互。
如图1、图2所示,智能车位引导与数据管理子系统用于寻车路径规划和停车数据管理,包括一体化交互设备、局域网模块。
一体化交互设备包括触摸屏、嵌入式终端,嵌入式终端安装有寻车路径规划软件,具体地,一体化交互设备数量为多个,分别设于停车场及停车场服务区域的各个人员出入口,在本实施例中,嵌入式终端采用树莓派4B。
寻车路径规划软件包括网络应用程序和数据库,具体地,网络应用程序采用Qt,能控制通信的开关,并对接收数据包进行校验,数据库采用MySQL数据库,且Qt应用程序能显示数据库表信息和进行路径规划导航。
在智能车位引导与数据管理子系统中,局域网模块数量与一体化交互设备数量相同。
在本实施例中,所有的局域网模块均采用LoRa模块,所述LoRa模块全称为远距离无线电模块,由于LoRa模块是一种低功耗、远距离无线通信技术,适用于各个子系统之间通过各自的局域网模块进行相互通讯。在通信技术的选择上,相比于有线通信技术,可优先考虑便捷、实时、维护性高的无线通信技术,同时为保证数据传输的安全性以及复杂地下空间智能寻车系统的使用范围,可建立局域无线通信网络。
如图4~图9所示,采用复杂地下空间智能寻车系统的一种复杂地下空间智能寻车系统方法,按以下步骤操作:
S100:车位扫描模块检测到车辆进入车位的信号后,将信号上传到微控制器,微控制器将占用车位信息发送到各嵌入式终端,寻车路径规划软件将占用车位信息储存到数据库,具体地,如图5所示,车位扫描模块通过以下步骤检测车辆进入车位:
测距传感器测得距离a,判断是否a<s,若是,则车辆扫描模块判定车辆进入车位并结束循环,若否,则等待轮询时间t,再次通过测距传感器测得距离a;
S200:微控制器控制车辆自动识别平台模块,通过车辆自动识别平台模块将一体化车位识别模块移动到被检测到的车辆所在车位一端,具体地,微控制器向驱动器6发送控制信号,驱动器6控制直线模组7,带动滑块71上的一体化车位识别模块滑动到指定位置;
S300:通过车辆图像采集子模块采集车辆图像;
S400:通过图像处理子模块将车辆图像进行处理,获得车牌信息、车辆颜色信息、车辆品牌信息,由于车牌图像采集的输入过程中受到自然环境的影响,诸如光线不足、模糊、噪声等问题均导致图像失真,降低了识别效果,因此该步骤是车牌号码识别过程中最重要的前置操作之一,如图7所示,S400中获得车牌信息的步骤包括:
S410:图像灰度化,具体地,采用平均法或加权平均法处理;
平均法采用以下公式:
加权平均法采用以下公式:
其中,f(i,j)为灰度值,R(i,j)为红色通道的值,G(i,j)为绿色通道的值,B(i,j)为蓝色通道的值。
图像处理子模块安装有OpenCV库,实现图像灰度化;
S420:图像灰度修正,具体地,采用灰度变换或直方图均衡化处理;
若采用灰度转换,则进一步地,采用伽马变换或对数变换;
其中伽马变换采用以下公式:
其中,Iin(i,j)和Iout(i,j)分别表示输入和输出图像的像素值,r是常数项,γ是伽马值,伽马值γ决定了输出图像的亮度和对比度,取值范围一般为0.2~2.5,对于γ<1的情况,输出图像的亮度较低,对于γ>1的情况,输出图像的亮度较高;
对数变换对输入图像的像素值取对数可以压缩灰度级别,使得低灰度级像素之间的差异更加明显,采用以下公式:
其中,Iin(i,j)和Iout(i,j)分别表示输入和输出图像的像素值,c是常数,对数变换可以抑制灰度值的小波动,从而提高图像的对比度和亮度,根据进行的灰度变换,车辆图像的对比度和亮度得到了增强,车牌等特定区域也更加清晰;
若采用直方图均衡化,通过扩展图像像素值的范围可以增强图像细节和对比度,因此可以使用直方图来创建更均匀的图像像素值分布,使像素值范围更广,采用以下公式:
其中,表示原始图像中像素值等于v的像素数,n是图像的总像素数,H(v)是像素值为v的像素数目与总数的比例,S(v)是/> 的值,Iin(i,j)和Iout(i,j)分别是输入和输出图像,L是输出图像的灰度级别数,直方图均衡化的过程可以用于灰度值没有大量集中于图像区域内的图像,通过将灰度级别出现的频率均匀分布到图像的所有灰度级别上,可以获得更加均匀的图像像素值,使不同灰度级别之间的差异更加突出;
S430:图像去噪,优选地,采用高斯滤波法处理,具体采用以下公式:
其中g(x,y)表示滤波后的像素值,f(i,j)表示像素(i,j)的值,σ表示高斯分布的标准差,高斯滤波法的作用是使在距中心越远的像素消失越快,因此处理图像时不会将细节像素模糊化;
S440:目标检测,具体地,采用基于Haar特征的级联分类器进行目标检测,通过训练多个级联函数来实现对象的快速检测;
训练级联函数的过程包括从正负样本图像中提取Haar特征,并使用AdaBoost算法对特征进行选择和加权,最终得到一个高效的分类器;
Haar级联模型的优点是速度快、内存占用少,适合实现在本申请的一体化车位识别模块上,且基于OpenCV的级联模型已经发展成熟并且加入OpenCV库,图像处理子模块安装有OpenCV库,因此在使用时可以直接调用;
S450:采用通过CRNN+CTC方法训练的字符识别模型进行车牌文字识别,获得车牌信息,其中,CRNN为使用卷积神经网络(CNN)来提取输入图像的特征,然后使用循环神经网络(RNN)来建模输入序列的时序关系,CTC为连续标记分类器的简称;
CRNN+CTC方法包括:
1、CNN:输入图像序列X={x1,x2,······xT}经过 CNN 处理后得到特征序列F={f1,f2,······fT};
2、RNN:特征序列F经过 RNN 处理后得到隐藏状态序列H={h1,h2,······hT};
3、CTC:将隐藏状态序列H映射到文本序列Y的概率分布F(Y,X),使用 CTC 来解决时序对齐问题;
4、模型输出:模型输出的序列经过解码器处理后得到最终的文本序列;
CTC的概率分布计算公式如下:
其中,B-1(Y)表示文本序列Y映射回隐藏状态序列H的所有可能的对其方案,p(π|X)表示给定条件对其方案π的概率;
如图8所示,S450所述字符识别模型的训练步骤包括:
编写一个车牌生成器,通过车牌生成器随机生成多个不同的车牌号码,将车牌号码放入不同的背景中,并分别保存为车牌图片,将车牌图片输出到训练数据集,具体地,车牌号码放入背景后,可通过调整字体、旋转、调整灰度、添加高斯平滑和噪声等步骤生成较为真实的车牌图片,并可根据命令行参数控制生成的车牌数量和输出目录等操作;
读取训练数据集,并使用DataLoader类创建一个数据加载器对象,以便后续的批量训练;
定义模型对象,并将其移动到指定的设备上,所述设备指GPU或CPU;
定义均方误差损失函数和Adam(Adaptive Moment Estimation)优化器,并设置学习率衰减策略;
循环迭代训练,每轮迭代遍历数据加载器中的所有数据,将车牌图片作为输入,标签作为输出,计算模型输出和标签之间的损失,并根据损失进行反向传播和梯度更新;
在每个epoch结束时,记录当前模型在验证集上的准确率,并保存当前模型的参数,如果当前模型的验证准确率比之前的最佳准确率要高,则将该模型保存为当前最佳模型;
训练结束后,打印最佳模型在测试集上的准确率,并将最佳模型的参数保存到本地文件中;
测试模型,测试时将会输出准确率;
S500:图像处理子模块将车牌信息上传到微控制器,微控制器将车牌信息发送到各嵌入式终端,寻车路径规划软件将车牌信息与占用车位信息进行关联并储存到数据库;
S600:在收到车主通过触摸屏发出的寻车请求后,寻车路径规划软件获取指定的占用车位信息,计算寻车路线,发送到触摸屏进行显示,如图9所示,S600包括:
S601:车主在触摸屏上输入车牌进行查询后,嵌入式终端启动寻车路径规划软件;
S602:寻车路径规划软件查询该车牌信息是否有匹配的车位信息,若是,则执行S603,若否,则嵌入式终端发送查询失败信息到触摸屏,触摸屏显示查询失败并返回S601;
S603:嵌入式终端通过寻车路径规划软件计算从车主所操作的触摸屏到车位之间的最短路径;
S604:触摸屏显示S603所述最短路径;
具体地,寻车路径规划软件采用现有的A*算法,A*算法基于启发函数构建了算法核心部分的估价函数,如果估价函数选择合理,会优先对概率最大的目标进行搜索,得到最佳位置的节点,可以节省不必要的搜索路径时耗费的计算量,提高搜索效率。
S700:车位扫描模块检测到车辆离开车位的信号后,将信号上传到微控制器,具体地,如图6所示,车位扫描模块通过以下步骤检测车辆离开车位:
测距传感器测得距离a,判断是否a≥s,若是,则车辆扫描模块判定车辆离开车位并结束循环,若否,则等待轮询时间t,再次通过测距传感器测得距离a。
S800:寻车路径规划软件从数据库中将S600所述占用车位信息和与其关联的车牌信息删除。
以上仅为本申请列举的部分实施例,并不用于限制本申请。
Claims (2)
1.一种复杂地下空间智能寻车方法,其特征在于,采用复杂地下空间智能寻车系统,系统包括:
车位检测与识别子系统,用于车辆目标检测和车辆字符识别,包括一体化车位识别模块以及设于其上的局域网模块,一体化车位识别模块包括用于拍摄车辆图像的车辆图像采集子模块、用于处理车辆图像的图像处理子模块;车辆图像采集子模块采用红外夜视摄像头(4),图像处理子模块采用微处理器(3),一体化车位识别模块还包括盒体(1)、电池盒(2);盒体(1)包括底盒(11),底盒(11)外侧面开设有多个通口(12),分别与微处理器(3)的各接口匹配,底盒(11)上装配有盖板(13),盖板(13)上设有竖板(14),竖板(14)侧面开设有四个第一螺孔,盖板(13)上还开设有四个第二螺孔(15),底盒(11)内底面固定有四个第一螺柱(16),盖板(13)采用卡扣连接的方式安装在底盒(11)上,电池盒(2)装配于盒体(1)内,电池盒(2)内装配有若干电池,电池盒(2)上装配有四个与各第一螺柱(16)分别同轴的第二螺柱(21),微处理器(3)和电池盒(2)上分别设有四个第一安装孔和四个第二安装孔,通过螺杆依次穿入第一安装孔、第二螺柱(21)、第二安装孔、第一螺柱(16)之间,第一螺柱(16)和第二螺柱(21)均采用两头都向内开设有螺纹的螺柱,固定微处理器(3)和电池盒(2),红外夜视摄像头(4)通过四个螺杆与各第一螺孔螺接,固定于竖板(14),车位检测与识别子系统的局域网模块通过四个螺杆与各第二螺孔(15)螺接,固定于盖板(13),一体化车位识别模块的数量与停车场的车位组数相同,车位检测与识别子系统的局域网模块数量与一体化车位识别模块数量相同;
车位本地管理子系统,用于车位扫描和车位内车辆检测,包括微控制器、车位扫描模块、车辆自动识别平台模块、局域网模块,一体化车位识别模块设于车辆自动识别平台模块上,且可沿并排设置的多个车位一端直线移动,车位扫描模块的数量与停车场的车位数相同,分别设于各车位地面或天花板,车位扫描模块采用激光测距传感器,车辆自动识别平台模块包括与微控制器电连接的驱动器(6)和由驱动器(6)驱动的直线模组(7),一体化车位识别模块通过螺栓装配于直线模组(7)的滑块(71)上,用于由多个侧方停车位组成的一组车位时,在滑块(71)和一体化车位识别模块之间设有旋转电机,便于红外夜视摄像头(4)转向,从相邻的两个车位交界线的一侧斜向拍摄车辆,车辆自动识别平台模块的数量与一体化车位识别模块的数量相同,车位本地管理子系统的局域网模块数量与微控制器数量相同;
智能车位引导与数据管理子系统,用于寻车路径规划和停车数据管理,包括一体化交互设备、局域网模块,一体化交互设备包括触摸屏、嵌入式终端,嵌入式终端安装有寻车路径规划软件,寻车路径规划软件包括网络应用程序和数据库,一体化交互设备数量为多个,分别设于停车场及停车场服务区域的各个人员出入口,智能车位引导与数据管理子系统的局域网模块数量与一体化交互设备数量相同;
方法包括:
预先设置轮询时间t和距离阈值s;
S100:车位扫描模块检测到车辆进入车位的信号后,将信号上传到微控制器,微控制器将占用车位信息发送到各嵌入式终端;
S100中,车位扫描模块检测车辆进入车位包括以下步骤:
测距传感器测得距离a,判断是否a<s,若是,则车辆扫描模块判定车辆进入车位并结束循环,若否,则等待轮询时间t,再次通过测距传感器测得距离a;
S200:微控制器控制车辆自动识别平台模块,通过车辆自动识别平台模块将一体化车位识别模块移动到被检测到的车辆所在车位一端;
S300:通过车辆图像采集子模块采集车辆图像;
S400:通过图像处理子模块将车辆图像进行处理,获得车牌信息、车辆颜色信息、车辆品牌信息,其中获得车牌信息的步骤包括:
S410:图像灰度化;
S420:图像灰度修正;
S430:图像去噪;
S440:采用基于Haar特征的级联分类器进行目标检测,通过训练多个级联函数来实现对象的快速检测;
训练级联函数的过程包括从正负样本图像中提取Haar特征,并使用AdaBoost算法对特征进行选择和加权,最终得到一个高效的分类器;
S450:采用通过CRNN+CTC方法训练的字符识别模型进行车牌文字识别,获得车牌信息;
S450所述字符识别模型的训练步骤包括:
编写一个车牌生成器,通过车牌生成器随机生成多个不同的车牌号码,将车牌号码放入不同的背景中,并分别保存为车牌图片,将车牌图片输出到训练数据集,车牌号码放入背景后,通过调整字体、旋转、调整灰度、添加高斯平滑和噪声步骤生成较为真实的车牌图片,并根据命令行参数控制生成的车牌数量和输出目录操作;
读取训练数据集,并使用DataLoader类创建一个数据加载器对象,进行后续的批量训练;
定义模型对象,并将其移动到GPU或CPU上;
定义均方误差损失函数和Adaptive Moment Estimation优化器,并设置学习率衰减策略;
循环迭代训练,每轮迭代遍历数据加载器中的所有数据,将车牌图片作为输入,标签作为输出,计算模型输出和标签之间的损失,并根据损失进行反向传播和梯度更新;
在每个epoch结束时,记录当前模型在验证集上的准确率,并保存当前模型的参数,如果当前模型的验证准确率比之前的最佳准确率要高,则将该模型保存为当前最佳模型;
训练结束后,打印最佳模型在测试集上的准确率,并将最佳模型的参数保存到本地文件中;
测试模型,测试时输出准确率;
S500:图像处理子模块将车牌信息上传到微控制器,微控制器将车牌信息发送到各嵌入式终端,寻车路径规划软件将车牌信息与占用车位信息进行关联并储存;
S600:在收到车主通过触摸屏发出的寻车请求后,寻车路径规划软件获取指定的占用车位信息,计算寻车路线,发送到触摸屏进行显示;
S700:车位扫描模块检测到车辆离开车位的信号后,将信号上传到微控制器;
S700中,车位扫描模块检测车辆离开车位包括以下步骤:
测距传感器测得距离a,判断是否a≥s,若是,则车辆扫描模块判定车辆离开车位并结束循环,若否,则等待轮询时间t,再次通过测距传感器测得距离a;
S800:寻车路径规划软件将S600所述占用车位信息和与其关联的车牌信息删除。
2.根据权利要求1所述的复杂地下空间智能寻车方法,其特征在于,S600包括以下步骤:
S601:车主在触摸屏上输入车牌进行查询后,嵌入式终端启动寻车路径规划软件;
S602:寻车路径规划软件查询该车牌信息是否有匹配的车位信息,若是,则执行S603,若否,则嵌入式终端发送查询失败信息到触摸屏,触摸屏显示查询失败并返回S601;
S603:嵌入式终端通过寻车路径规划软件计算从车主所操作的触摸屏到车位之间的最短路径;
S604:触摸屏显示S603所述最短路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465705.6A CN117198093B (zh) | 2023-11-07 | 2023-11-07 | 一种复杂地下空间智能寻车系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465705.6A CN117198093B (zh) | 2023-11-07 | 2023-11-07 | 一种复杂地下空间智能寻车系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117198093A CN117198093A (zh) | 2023-12-08 |
CN117198093B true CN117198093B (zh) | 2024-01-26 |
Family
ID=88987306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311465705.6A Active CN117198093B (zh) | 2023-11-07 | 2023-11-07 | 一种复杂地下空间智能寻车系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117198093B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887325A (zh) * | 2019-03-19 | 2019-06-14 | 南京维智感网络科技有限公司 | 基于线走机构的路内停车场管理装置及其方法 |
CN110047321A (zh) * | 2019-04-25 | 2019-07-23 | 武汉科技大学 | 一种基于车牌识别的路边停车位管理方法及系统 |
CN110070085A (zh) * | 2019-04-30 | 2019-07-30 | 北京百度网讯科技有限公司 | 车牌识别方法和装置 |
CN112348177A (zh) * | 2019-07-05 | 2021-02-09 | 安徽寒武纪信息科技有限公司 | 神经网络模型验证方法、装置、计算机设备和存储介质 |
CN113168629A (zh) * | 2018-11-21 | 2021-07-23 | 泊车克拉欧德有限公司 | 用于在车辆内部支付的电子装置以及系统 |
CN113822322A (zh) * | 2021-07-15 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 图像处理模型训练方法及文本处理模型训练方法 |
CN113870611A (zh) * | 2021-09-27 | 2021-12-31 | 哈尔滨理工大学 | 一种大中型地下智能停车场反向寻车系统 |
CN116486644A (zh) * | 2023-04-14 | 2023-07-25 | 张晓娟 | 一种寻车装置及其使用方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3807823A1 (en) * | 2018-06-12 | 2021-04-21 | Intergraph Corporation | Artificial intelligence applications for computer-aided dispatch systems |
-
2023
- 2023-11-07 CN CN202311465705.6A patent/CN117198093B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113168629A (zh) * | 2018-11-21 | 2021-07-23 | 泊车克拉欧德有限公司 | 用于在车辆内部支付的电子装置以及系统 |
CN109887325A (zh) * | 2019-03-19 | 2019-06-14 | 南京维智感网络科技有限公司 | 基于线走机构的路内停车场管理装置及其方法 |
CN110047321A (zh) * | 2019-04-25 | 2019-07-23 | 武汉科技大学 | 一种基于车牌识别的路边停车位管理方法及系统 |
CN110070085A (zh) * | 2019-04-30 | 2019-07-30 | 北京百度网讯科技有限公司 | 车牌识别方法和装置 |
CN112348177A (zh) * | 2019-07-05 | 2021-02-09 | 安徽寒武纪信息科技有限公司 | 神经网络模型验证方法、装置、计算机设备和存储介质 |
CN113822322A (zh) * | 2021-07-15 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 图像处理模型训练方法及文本处理模型训练方法 |
CN113870611A (zh) * | 2021-09-27 | 2021-12-31 | 哈尔滨理工大学 | 一种大中型地下智能停车场反向寻车系统 |
CN116486644A (zh) * | 2023-04-14 | 2023-07-25 | 张晓娟 | 一种寻车装置及其使用方法 |
Non-Patent Citations (3)
Title |
---|
一文读懂CRNN+CTC文字识别;白裳;《知乎,https://zhuanlan.zhihu.com/p/43534801》;全文 * |
基于深度学习的端到端手写文本检测与识别方法研究;黄富伟;《中国优秀硕士学位论文全文数据库信息科技辑》(第01期);I138-1804 * |
身份证信息识别方法研究;焦亮;《中国优秀硕士学位论文全文数据库信息科技辑》(第09期);I138-186 * |
Also Published As
Publication number | Publication date |
---|---|
CN117198093A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107605219B (zh) | 一种基于ble的自适应室内停车导航与自动泊车系统及方法 | |
CN110021033A (zh) | 一种基于金字塔孪生网络的目标跟踪方法 | |
CN107481292A (zh) | 车载摄像头的姿态误差估计方法和装置 | |
CN109919144B (zh) | 可行驶区域检测方法、装置、计算机存储介质及路测视觉设备 | |
CN108320575A (zh) | 一种车位引导及反向寻车系统及其停车位检测装置、方法 | |
CN106680290A (zh) | 狭窄空间的多功能检测车 | |
CN106409005A (zh) | 无人机监管停车位的方法及系统 | |
CN104517289A (zh) | 一种基于混合摄像机的室内场景定位方法 | |
CN109817013A (zh) | 基于视频流的停车位状态识别方法及装置 | |
CN110490936A (zh) | 车辆摄像头的标定方法、装置、设备及可读存储介质 | |
CN110514133A (zh) | 一种基于摄影测量的无人机隧道变形检测方法 | |
CN111458721A (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
CN105608417A (zh) | 交通信号灯检测方法及装置 | |
CN110378210A (zh) | 一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法 | |
CN111126459A (zh) | 一种车辆细粒度识别的方法及装置 | |
CN111860072A (zh) | 泊车控制方法、装置、计算机设备及计算机可读存储介质 | |
CN117198093B (zh) | 一种复杂地下空间智能寻车系统及方法 | |
CN105184809A (zh) | 运动对象检测方法和运动对象检测装置 | |
CN116503846A (zh) | 车位占用检测方法和装置 | |
CN112364854B (zh) | 基于检测跟踪融合的机载目标抵近引导系统及方法 | |
CN207068261U (zh) | 一种基于视频图像处理的室内车辆定位导航系统 | |
CN210515650U (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
CN114627119A (zh) | 基于视觉神经网络的外观缺陷智能识别系统及识别方法 | |
Li et al. | Enhancing Feature Fusion Using Attention for Small Object Detection | |
CN208580509U (zh) | 一种基于ibeacon的室内智能停车导航系统 |
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 |