一种基于AI视觉的智能停车车位空余状态识别方法及系统与流程

摘要: 本发明涉及计算机视觉与智能停车,更具体地说,涉及一种基于ai视觉的智能停车车位空余状态识别方法及系统。背景技术:1、在智慧城市建设的推进过程中,基于计算机视觉的...
一种基于AI视觉的智能停车车位空余状态识别方法及系统与流程

本发明涉及计算机视觉与智能停车,更具体地说,涉及一种基于ai视觉的智能停车车位空余状态识别方法及系统。

背景技术:

1、在智慧城市建设的推进过程中,基于计算机视觉的智能停车车位空余状态识别技术,是智慧停车场管理的核心支撑技术之一。该类技术无需在车位内安装地磁、线圈等传感设备,仅依托现有监控摄像头即可完成状态采集,部署成本低、扩展性强,因此被广泛应用于各类室内外停车场。现有技术通常直接采用通用深度学习检测模型对停车场监控图像进行推理,以判定车位的占用与空闲状态。

2、但在实际落地应用中,现有技术存在诸多局限性。首先,停车场景的环境条件复杂多变,昼夜更替带来的光照变化、雨雾雨雪等恶劣天气、摄像头安装姿态的差异,均会导致图像成像质量波动,使得通用模型的检测性能出现明显衰减,泛化能力不足,难以在全场景下维持稳定的识别精度。其次,单视角监控覆盖范围内的车位存在显著的尺度差异,近景车位尺寸大、远景车位尺寸小,通用检测网络无法同时兼顾多尺度车位的检测效果,远景车位普遍漏检率较高。此外,单帧检测模式易受行人穿行、车辆遮挡、车位线磨损等异常因素干扰,车位状态输出频繁跳变,无法为停车场运营管理提供稳定可靠的数据支撑。鉴于此,我们提出一种基于ai视觉的智能停车车位空余状态识别方法及系统。

技术实现思路

1、本发明的目的在于克服现有技术的不足,适应现实需要,提供一种基于ai视觉的智能停车车位空余状态识别方法及系统,以解决现有技术中停车场景变化导致的车位状态识别结果不稳定、准确性不高的技术问题。

2、为解决上述技术问题,本发明提供如下技术方案:一种基于ai视觉的智能停车车位空余状态识别方法,首先对停车场采集的图像,同步提取停车场景专属环境特征向量并输入多尺度特征融合神经网络msff-net;

3、基于所述停车场景专属环境特征向量,通过条件批归一化技术动态调整msff-net各层的归一化参数,使网络推理随停车场光照、天气环境自适应变化;

4、所述msff-net通过嵌入可变形卷积与坐标注意力的骨干网络提取车位特征,经对应停车场近景、中景、远景车位尺度设置的三级层级化特征金字塔,通过跨尺度特征交互模块完成多尺度特征融合,再通过检测与车位线分割协同的双分支检测头输出车位检测结果;

5、结合停车场景自适应置信度阈值与多帧时序投票机制对检测结果融合判决,输出车位占用状态及不确定性度量,并针对停车场景专属异常情况启动专项处理流程。

6、优选地,所述msff-net的骨干网络以轻量化卷积神经网络骨干网络为基础骨架,在网络的第3至第6阶段逆残差模块中采用可变形卷积替代标准卷积,并在第3阶段与第5阶段的输出端分别插入坐标注意力模块,同步适配车位形变特征与空间定位需求。

7、优选地,所述三级层级化特征金字塔的三级特征图分别对应停车场近景、中景、远景三类车位的检测尺度;

8、所述跨尺度特征交互模块包含自顶向下的上采样路径、自底向上的下采样路径与门控融合层,通过门控权重实现不同尺度车位特征的自适应选择与语义互补;

9、融合后的多尺度特征通过自适应特征加权机制,根据输入图像的车位分布特性动态调整各尺度特征的融合权重。

10、优选地,所述图像输入网络前执行预处理与姿态校正:对采集图像进行畸变校正与车位感兴趣区域定位,同时通过检测图像中的车位线或地面标定物估算摄像头的俯仰角、偏航角与焦距参数,利用透视变换矩阵将不同安装角度的图像统一映射至标准化俯视视角。

11、优选地,所述停车场景自适应置信度阈值的计算公式为:

12、;

13、其中,为车位检测预设基础阈值;为停车场景图像质量因子,由当前图像的亮度、对比度、天气评分三项停车场景环境参数加权计算得到;为车位检测稳定性因子,由近期车位检测置信度的历史标准差计算得到;计算得到的自适应阈值被限制在预设的车位检测最小阈值与最大阈值区间内。

14、优选地,所述多帧时序投票机制维护包含最近n帧车位检测结果的短时记忆池,支持多数决、置信度加权平均、贝叶斯更新三种决策模式;其中贝叶斯更新模式采用beta分布作为车位状态先验分布,根据各帧的车位检测结果与置信度迭代更新后验分布,以后验均值作为车位最终状态判定依据,以后验方差作为不确定性度量。

15、优选地,所述停车场景专属异常情况的专项处理流程包含四类逻辑:针对车辆部分遮挡场景,结合车位线分割掩码计算车位区域内车辆可见面积比例,低于阈值时标记为不确定状态并告警;针对行人干扰场景,计算行人区域与车位区域的重叠比例,并对当前帧车位检测置信度施加对应惩罚;针对车位线磨损缺失场景,通过相邻车位位置推算或历史车位模板匹配完成虚拟车位定位;针对长期占用异常场景,监测车位连续占用时长,超阈值时触发异常预警。

16、优选地,所述msff-net在训练阶段采用停车场景多任务联合损失函数进行优化,公式为:

17、;

18、其中,为车位占用状态分类损失,为车位边界框回归损失,为车位目标性损失,为车位线分割损失,为车位检测边界框与车位线分割结果的一致性约束损失,为车位分类损失权重,为边界框回归损失权重,为目标置信度损失权重,为车位线分割损失权重,为检测与分割一致性约束损失权重,用于约束检测框区域内的分割结果与车位检测标签一致。

19、一种基于ai视觉的智能停车车位空余状态识别系统,包括多尺度特征融合检测模块、动态环境自适应模块、时序融合决策模块以及异常处理模块;

20、所述多尺度特征融合检测模块内置msff-net网络,所述msff-net包含嵌入可变形卷积与坐标注意力的骨干网络、对应三级车位尺度的层级化特征金字塔与跨尺度特征交互模块、以及检测与车位线分割协同的双分支检测头;

21、所述动态环境自适应模块用于提取停车场景专属环境特征向量,并通过条件批归一化技术动态调整msff-net的网络参数;

22、所述时序融合决策模块用于结合停车场景自适应置信度阈值与多帧时序投票机制输出车位占用状态;所述异常处理模块用于针对停车场景专属异常启动专项处理流程。

23、一种电子设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以上任一项所述的基于ai视觉的智能停车车位空余状态识别方法。

24、与现有技术相比,本发明的有益效果是:

25、1、本发明通过设计嵌入环境自适应机制的多尺度特征融合检测网络,实现复杂停车环境下车位状态的高精度识别效果,解决了现有技术因环境条件多变、车位尺度差异大而导致的检测精度不足、模型泛化能力弱的核心问题。本发明将停车场景环境特征引入检测网络,通过条件批归一化技术动态调整网络归一化参数,使特征提取过程能够适配不同光照、天气下的图像特性;同时构建对应近、中、远景车位的三级多尺度特征融合架构,强化跨尺度特征的交互与互补,同步提升不同距离车位的检测精度,从模型结构层面夯实复杂场景下的识别性能基础。

26、2、本发明还通过设计自适应置信度阈值结合多帧时序投票的融合判决机制,实现车位占用状态的稳定输出与不确定性量化效果,进一步解决了单帧检测结果易受干扰、状态输出抖动频繁的问题。本发明基于前端环境自适应检测网络输出的结果,结合当前图像质量与历史检测稳定性动态调整判决阈值,适配不同场景下的置信度分布规律;同时通过短时记忆池留存连续多帧的检测信息,利用时序维度的信息冗余平滑单帧检测噪声,抑制偶然干扰引发的状态跳变,还能量化输出状态的不确定性程度,将前端高精度检测优势转化为连续稳定的可用结果,提升输出数据的可靠性。

27、3、本发明还通过设计停车场景专属的异常专项处理流程,实现典型异常场景下的识别容错与运营异常预警效果,进一步解决了特殊干扰场景下识别失效、无法适配停车场实际运营需求的问题。本发明在时序投票融合判决输出稳定车位状态的基础上,针对车辆遮挡、行人干扰、车位线磨损、长期占用四类停车场高频异常场景,依托已有的检测与分割结果分别设计对应的判定与修正逻辑,既通过针对性补偿避免异常因素导致的状态误判,又能主动识别停车场运营中的异常事件并触发预警,将基础状态识别能力延伸至全场景适配与运营支撑,全面提升系统的实际落地价值。