一种多车位多目标车辆停车识别方法及其系统与流程

1.本发明涉及停车管理技术领域，尤其涉及一种多车位多目标车辆停车识别方法以及应用于该方法的系统。


背景技术：

2.目前，停车难已成为城市管理者与市民头疼的问题，且有愈演愈烈的趋势，不仅给市民正常生活和出行带来很大的不便利，同时也对城市交通造成了不好的影响。究其原因，固然有机动车保有量上升、停车设施建设投入不足的因素，但同时，现有停车设施管理手段落后也难辞其咎。停车场提供服务的能力并不仅仅取决于物理车位数量，还和停车场的车位利用率，各车位的周转率等有关。现有技术多通过超声波传感器或车辆目标检测算法，感知预设区域(roi)内是否有车辆存在。亦可以在感知车辆后再行调用车牌识别算法，识别预设区域内的车牌信息。因此，现有技术的停车方案存在以下缺点：
3.(1)、现有技术旨在针对预设区域内存在单一目标车辆的检测及识别，其无法实现应对单一区域内存在多目标车辆的情况；
4.(2)、现在技术的预设区域内单一目标检测方法不存在跟踪和行为分析，无法判断车辆路过、停车、驶离的行为，需要较长时间延迟判断区域内有车或者滞空才能更新车位状态。同时，单一目标方法调用的车牌识别一旦出错有较长的连续识别延迟；
5.(3)、现在技术亦存在只使用车牌识别而不检测汽车目标的方法，此方案除了上述缺陷外亦无法应对未上牌车辆的检测场景，以及不存在车辆仅仅放置一个车牌即被识别为车辆的情况；
6.(4)、现在技术受限于预设区域，预设区域内不可存在过多干扰，必须使用一个识别摄像头(识别设备)对应一个停车位、或两个停车的设计。


技术实现要素：

7.本发明的主要目的是提供一种通过单一画面内多目标车辆进行检测、跟踪及识别，可以实现单一摄像头实时检测管理多车位的目的，以降低设备布设难度和布设成本，提高适用范围的多车位多目标车辆停车识别方法。
8.本发明的另一目的是提供一种通过对单一视频画面下的多目标车辆检测、车辆跟踪、停车意向预测以及车型车牌识别，从而实现在单一摄像头下管理多个带锁车位并控制车位锁为指定车辆升降的多车位多目标车辆停车识别系统。
9.为了实现上述主要目的，本发明提供的一种多车位多目标车辆停车识别方法，包括获取当前时刻画面中的目标车辆信息；与前一时刻画面的目标车辆信息进行比对，得出目标车辆位移、方向及变化趋势；预测目标车辆在未来时刻的位置坐标；判断当前目标车辆是否有意向停入特定停车位；对有意向停入特定停车位的目标车辆进行车辆信息识别，并将识别结果与特定停车位的停车权限数据库进行匹配。
10.进一步的方案中，根据深度神经网络的实时目标检测算法从停车区域的视频画面
中获取一个或多个目标车辆，并将获取到的目标车辆的位置信息转入车辆目标跟踪单元。
11.更进一步的方案中，所述计算各个目标车辆的单次x轴和y轴速度信息具体包括：
12.目标车辆的单次x轴和y轴速度信息表达为公式(1)：
[0013][0014][0015]
其中，x
t
‑1、y
t
‑1、x
t
、y
t
、δt分别为目标前次x轴坐标、前次y轴坐标、当前x轴坐标、当前y轴坐标、两次目标车辆检测之间的时间差。
[0016]
更进一步的方案中，在计算出目标车辆的单次x轴和y轴速度信息后，经由两次检测目标车辆之间的速度差计算目标车辆的单次x轴和y轴加速度信息，表示为公式(2)：
[0017][0018][0019]
更进一步的方案中，通过双参数线性指数平滑法预测t 1时刻的目标车辆x轴和y轴位置。
[0020]
更进一步的方案中，t 1时刻的目标车辆x轴和y轴位置表示为公式(3)：
[0021]
x
t 1
＝x
t
v
x
t a
x
t2/2
[0022]
y
t 1
＝y
t
v
y
t a
y
t2/2
ꢀꢀ
(3)
[0023]
其中，t为单位时间，v
x
、v
y
、a
x
、a
y
分别为平滑x轴速度、平滑y轴速度、平滑x轴加速度、平滑y轴加速度；
[0024]
由公式(3)可得出公式(4)：
[0025][0026][0027][0028][0029]
其中，所使用的平滑参数：α
x
、α
y
、β
x
、β
y
根据收集到的实际数据依照最小化一步误差法计算得出。
[0030]
更进一步的方案中，所述最小化一步误差法包括：在参数取值范围(0，1)内穷举搜索，使得一步误差取得最小值。
[0031]
更进一步的方案中，以车辆检测框中点为原点，根据目标车辆的前进方向投射出一个扇形区域，计算该扇形区域与任一存在停车位的交并比iou数值，判断当前目标车辆是否有意向停入特定停车位；当交并比iou数值超过预设阈值，即可确定该目标车辆有意向停入特定停车位，其中，所述预设阈值为取值范围(0，1)的可调灵敏度参数。
[0032]
更进一步的方案中，计算扇形区域与停车区域的交集面积i；计算扇形区域与停车
区域的并集面积u；交并比iou数值的计算公式表示为公式(5)：
[0033]
iou＝i/u
ꢀꢀꢀꢀꢀ
(5)
[0034]
其中，交并比iou数值取值范围为[0，1]。
[0035]
更进一步的方案中，根据车辆检测框从原检测视频帧中截取有意向停入特定停车位的目标车辆图像，进行车辆信息识别，并将识别结果与特定停车位的停车权限数据库进行匹配。
[0036]
为了实现上述另一目的，本发明提供的一种多车位多目标车辆停车识别系统，其特征在于，包括：
[0037]
车辆目标检测单元，用于获取当前时刻画面中的目标车辆信息；
[0038]
车辆目标跟踪单元，用于与前一时刻画面的目标车辆信息进行比对，得出目标车辆位移、方向及变化趋势；
[0039]
还用于预测目标车辆在未来时刻的位置坐标；
[0040]
停车意向预判单元，用于判断当前目标车辆是否有意向停入特定停车位；
[0041]
识别单元，用于对有意向停入特定停车位的目标车辆进行车辆信息识别，并将识别结果与特定停车位的停车权限数据库进行匹配。
[0042]
由此可见，本发明主要提供一种在多目标车辆环境下通过单一摄像头管理多个停车位的停车识别方法，在视野良好的情况下则不受限制，一个识别摄像头可以对应多个停车位，解决了现有停车识别方法只可对应单目标车辆、识别速度慢的问题。
[0043]
进一步的，本发明在跟踪多目标车辆的同时可以获取每个目标车辆一一对应的位置、速度、加速度、方向信息，车牌、车型信息以及判断车辆是路过车辆、停车、正在停车或者正在驶离车位的行为信息，为智能车位管理提供了所需的信息。
[0044]
进一步的，本发明通过双参数线性指数平滑法预测车辆目标行进方向，向行进方向投射扇形区域与车位区域计算交并比(iou)，并以此判断特定车辆目标欲停入特定停车位的意向。
[0045]
进一步的，本发明能够不受预设区域限制，更快地预测有意向停入车位的车辆目标，进而进行下一步识别。同时在单一视频内管理多车位、同一车位范围内能同时识别多目标车辆。
[0046]
所以，本发明通过对单一画面内多目标车辆进行检测、跟踪及识别，可以做到单一摄像头实时检测管理多车位的目的，降低设备布设难度和布设成本，提高适用范围。
附图说明
[0047]
图1是本发明一种多车位多目标车辆停车识别方法实施例的流程图。
[0048]
图2是本发明一种多车位多目标车辆停车识别方法实施例中扇形区域的投射原理图。
[0049]
图3是本发明一种多车位多目标车辆停车识别方法实施例中计算交并比iou数值的原理图。
[0050]
图4是本发明一种多车位多目标车辆停车识别系统实施例的原理图。
[0051]
以下结合附图及实施例对本发明作进一步说明。
具体实施方式
[0052]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
[0053]
一种多车位多目标车辆停车识别方法实施例：
[0054]
参见图1，本发明的一种多车位多目标车辆停车识别方法，包括以下步骤：
[0055]
首先，执行步骤s1、获取当前时刻画面中的目标车辆信息。
[0056]
其中，本实施例根据深度神经网络的实时目标检测算法从停车区域的视频画面中获取一个或多个目标车辆，并将获取到的目标车辆的位置信息转入车辆目标跟踪单元。可见，本发明直接获取上级目标检测算法检测视频中存在的车辆目标的结果，并将位置信息转入跟踪算法。本实施例的目标检测算法选用任意深度神经网络的实时目标检测算法，如yolo、ssd、faster
‑
rcnn皆有较好效果。
[0057]
接着，执行步骤s2、与前一时刻画面的目标车辆信息进行比对，得出目标车辆位移、方向及变化趋势。本实施例通过2个时刻画面之间目标车辆的位置信息差，来得出目标车辆位移、方向及变化趋势。
[0058]
其中，通过计算每个目标车辆的坐标时间序列数据，得出车辆当前前进速度、方向及其变化趋势，进而预测目标车辆在未来时刻的位置坐标。
[0059]
其中，计算各个目标车辆的单次x轴和y轴速度信息具体包括：
[0060]
目标车辆的单次x轴和y轴速度信息表达为公式(1)：
[0061][0062][0063]
其中，x
t
‑1、y
t
‑1、x
t
、y
t
、δt分别为目标前次x轴坐标、前次y轴坐标、当前x轴坐标、当前y轴坐标、两次目标车辆检测之间的时间差。
[0064]
进一步的，在计算出目标车辆的单次x轴和y轴速度信息后，经由两次检测目标车辆之间的速度差计算目标车辆的单次x轴和y轴加速度信息，表示为公式(2)：
[0065][0066][0067]
具体的，本发明通过两次识别结果之间目标车辆的位置差，计算各个目标车辆的单次x轴和y轴速度信息：单次x轴和y轴速度信息：其中，x
t
‑1、y
t
‑1、x
t
、y
t
、δt分别为目标前次x轴坐标、前次y轴坐标、当前x轴坐标、当前y轴坐标、两次目标检测之间的时间差。然后，再经由两次检测之间的速度差计算单次x轴和y轴的加速度信息：
[0068]
然后，执行步骤s3、预测目标车辆在未来时刻的位置坐标。
[0069]
其中，通过双参数线性指数平滑法预测t 1时刻的目标车辆x轴和y轴位置。
[0070]
进一步的，t 1时刻的目标车辆x轴和
y
轴位置表示为公式(3)：
[0071]
x
t 1
＝x
t
v
x
t a
x
t2/2
[0072]
y
t 1
＝y
t
v
y
t a
y
t2/2
ꢀꢀ
(3)
[0073]
其中，t为单位时间，v
x
、v
y
、a
x
、a
y
分别为平滑x轴速度、平滑y轴速度、平滑x轴加速度、平滑y轴加速度；
[0074]
由公式(3)可得出公式(4)：
[0075][0076][0077][0078][0079]
其中，所使用的平滑参数：α
x
、α
y
、β
x
、β
y
根据收集到的实际数据依照最小化一步误差法计算得出。
[0080]
在本实施例中，最小化一步误差法包括：在参数取值范围(0，1)内穷举搜索，使得一步误差取得最小值。
[0081]
具体的，本发明通过双参数线性指数平滑法来预测t 1时刻的目标车辆x轴和y轴位置：x
t 1
＝x
t
v
x
t a
x
t2/2、y
t 1
＝y
t
v
y
t a
y
t2/2，其中，t为单位时间，v
x
、v
y
、a
x
、a
y
分别为平滑x轴速度、平滑y轴速度、平滑x轴加速度、平滑y轴加速度；x轴速度、平滑y轴速度、平滑x轴加速度、平滑y轴加速度；x轴速度、平滑y轴速度、平滑x轴加速度、平滑y轴加速度；x轴速度、平滑y轴速度、平滑x轴加速度、平滑y轴加速度；
[0082]
所使用的平滑参数：α
x
、α
y
、β
x
、β
y
根据收集到的实际数据依照最小化一步误差法计算得出：在参数取值范围(0，1)内穷举搜索，使得一步误差(即每一步预测误差平方的总和)算得出：在参数取值范围(0，1)内穷举搜索，使得一步误差(即每一步预测误差平方的总和)取得最小值。
[0083]
然后，执行步骤s4、判断当前目标车辆是否有意向停入特定停车位。
[0084]
进一步的，以车辆检测框中点为原点，根据目标车辆的前进方向投射出一个扇形区域，计算该扇形区域与任一存在停车位的交并比iou数值，判断当前目标车辆是否有意向停入特定停车位；当交并比iou数值超过预设阈值，即可确定该目标车辆有意向停入特定停车位，其中，所述预设阈值为取值范围(0，1)的可调灵敏度参数。
[0085]
进一步的，计算扇形区域与停车区域的交集面积i；计算扇形区域与停车区域的并集面积u；交并比iou数值的计算公式表示为公式(5)：
[0086]
iou＝i/u
ꢀꢀ
(5)
[0087]
其中，交并比iou数值取值范围为[0，1]。
[0088]
具体的，本发明以车辆检测框中点为原点，根据车辆目标的前进方向即向量(x
t 1
‑
x
t
，y
t 1
‑
y
t
)的延长线方向投射出一个扇形区域，如图2所示，计算该扇形区域与任一存在停车位的交并比iou数值，当iou数值超过预设阈值，即可确定该车辆有意向停入特定停车位，预设阈值为取值范围(0，1)的可调灵敏度参数，数值越小灵敏度越高。iou的计算方法如图3所示：扇形区域与停车区域的交集面积i，扇形区域与停车区域的并集面积u，iou＝i/u，iou取值范围为[0，1]，即当完全没有重叠面积时，i＝0，u＝2，iou＝0
÷
2＝0，完全重叠时i＝1，u＝1，iou＝1
÷
1＝1。
[0089]
然后，执行步骤s5、对有意向停入特定停车位的目标车辆进行车辆信息识别，并将识别结果与特定停车位的停车权限数据库进行匹配。
[0090]
进一步的，根据车辆检测框从原检测视频帧中截取有意向停入特定停车位的目标车辆图像，进行车辆信息识别，并将识别结果与特定停车位的停车权限数据库进行匹配。其中，车辆信息识别可以是车牌、车款等车辆信息识别。
[0091]
一种多车位多目标车辆停车识别系统实施例：
[0092]
参见图4，本发明提供的一种多车位多目标车辆停车识别系统，包括：
[0093]
车辆目标检测单元10，用于获取当前时刻画面中的目标车辆信息；
[0094]
车辆目标跟踪单元20，用于与前一时刻画面的目标车辆信息进行比对，得出目标车辆位移、方向及变化趋势；
[0095]
车辆目标跟踪单元20还用于预测目标车辆在未来时刻的位置坐标；
[0096]
停车意向预判单元30，用于判断当前目标车辆是否有意向停入特定停车位；
[0097]
识别单元40，用于对有意向停入特定停车位的目标车辆进行车辆信息识别，并将识别结果与特定停车位的停车权限数据库进行匹配。
[0098]
进一步的，车辆目标检测单元10根据深度神经网络的实时目标检测算法从停车区域的视频画面中获取一个或多个目标车辆，并将获取到的目标车辆的位置信息转入车辆目标跟踪单元20。可见，本发明直接获取上级目标检测算法检测视频中存在的车辆目标的结果，并将位置信息转入跟踪算法。
[0099]
进一步的，在车辆目标跟踪单元20中，计算各个目标车辆的单次x轴和y轴速度信息具体包括：
[0100]
目标车辆的单次x轴和y轴速度信息表达为公式(1)：
[0101][0102][0103]
其中，x
t
‑1、y
t
‑1、x
t
、y
t
、δt分别为目标前次x轴坐标、前次y轴坐标、当前x轴坐标、当前y轴坐标、两次目标车辆检测之间的时间差。
[0104]
然后，在计算出目标车辆的单次x轴和y轴速度信息后，经由两次检测目标车辆之间的速度差计算目标车辆的单次x轴和y轴加速度信息，表示为公式(2)：
[0105][0106][0107]
进一步的，在车辆目标跟踪单元20中，通过双参数线性指数平滑法预测t 1时刻的目标车辆x轴和y轴位置。
[0108]
进一步的，t 1时刻的目标车辆x轴和y轴位置表示为公式(3)：
[0109]
x
t 1
＝x
t
v
x
t a
x
t2/2
[0110]
y
t 1
＝y
t
v
y
t a
y
t2/2
ꢀꢀ
(3)
[0111]
其中，t为单位时间，v
x
、v
y
、a
x
、a
y
分别为平滑x轴速度、平滑y轴速度、平滑x轴加速度、平滑y轴加速度；
[0112]
由公式(3)可得出公式(4)：
[0113][0114][0115][0116][0117]
其中，所使用的平滑参数：α
x
、a
y
、β
x
、β
y
根据收集到的实际数据依照最小化一步误差法计算得出。
[0118]
在本实施例中，最小化一步误差法包括：在参数取值范围(0，1)内穷举搜索，使得一步误差取得最小值。
[0119]
进一步的，停车意向预判单元30以车辆检测框中点为原点，根据目标车辆的前进方向投射出一个扇形区域，计算该扇形区域与任一存在停车位的交并比iou数值，判断当前目标车辆是否有意向停入特定停车位；当交并比iou数值超过预设阈值，即可确定该目标车辆有意向停入特定停车位，其中，所述预设阈值为取值范围(0，1)的可调灵敏度参数。
[0120]
进一步的，计算扇形区域与停车区域的交集面积i；计算扇形区域与停车区域的并集面积u；交并比iou数值的计算公式表示为公式(5)：
[0121]
iou＝i/u
ꢀꢀ
(5)
[0122]
其中，交并比iou数值取值范围为[0，1]。
[0123]
进一步的，识别单元40根据车辆检测框从原检测视频帧中截取有意向停入特定停车位的目标车辆图像，进行车辆信息识别，并将识别结果与特定停车位的停车权限数据库进行匹配。其中，车辆信息识别可以是车牌、车款等车辆信息识别。
[0124]
由此可见，本发明主要提供一种在多目标车辆环境下通过单一摄像头管理多个停车位的停车识别方法，在视野良好的情况下则不受限制，一个识别摄像头可以对应多个停车位，解决了现有停车识别方法只可对应单目标车辆、识别速度慢的问题。
[0125]
进一步的，本发明在跟踪多目标车辆的同时可以获取每个目标车辆一一对应的位置、速度、加速度、方向信息，车牌、车型信息以及判断车辆是路过车辆、停车、正在停车或者正在驶离车位的行为信息，为智能车位管理提供了所需的信息。
[0126]
进一步的，本发明通过双参数线性指数平滑法预测车辆目标行进方向，向行进方向投射扇形区域与车位区域计算交并比(iou)，并以此判断特定车辆目标欲停入特定停车位的意向。
[0127]
进一步的，本发明能够不受预设区域限制，更快地预测有意向停入车位的车辆目
标，进而进行下一步识别。同时在单一视频内管理多车位、同一车位范围内能同时识别多目标车辆。
[0128]
所以，本发明通过对单一画面内多目标车辆进行检测、跟踪及识别，可以做到单一摄像头实时检测管理多车位的目的，降低设备布设难度和布设成本，提高适用范围。
[0129]
需要说明的是，以上仅为本发明的优选实施例，但发明的设计构思并不局限于此，凡利用此构思对本发明做出的非实质性修改，也均落入本发明的保护范围之内。