一种停车位管理方法与流程

1.本发明涉及智能停车技术领域，尤其涉及一种停车位管理方法。


背景技术：

2.停车问题对于很多人来说似乎并没有多少深刻的理解，但大到城市管理者大物业企业小到私家车主和乘客都在频繁涉及这个问题，据交通部门的统计北京和上海都有数百万的缺口，普通用户最能体会可能除了上班下班的小区车位和单位车位还算顺利，头痛的往往是去医院、学校、市中心商业区、节假日地热门旅游景点等等场所停车。而且基于车位的使用问题还有许多衍生问题，比如电动汽车位和传统车位的竞争分配，人们活动空间的占用和安全等等。这些问题整个社会有过许多尝试，比如增加停车场、采用分时开放空地短驳接集中用户等等，当然更常见的还是方案相对统一标准的停车场管理。
3.目前停车场的管理也有许多方案，粗粒度的方案比如统计出入口识别车牌完成收费即可简单实现停车场管理。但此方案长远来看有不少问题，比如缺少监控的安全隐患，人和车对入口过道地时间空间的互斥竞争，车和车对车的占用等等。从车主和管理方的角度来看，车位的有序往往比统计数字要复杂地多，比如找车位、找车、挪车、取车等等一些列的活动，特别是车位资源紧张时只按时收费显然并没有解决多少问题。
4.比较细粒度的停车场管理有多种车位管理方式，这里为对比，简单分析举例较为常用的超声波车位探测器和指示灯、机械车位地锁，两种较为常见的方案。超声波方案是通过超声波感应器对车位循环发射超声波信号，当车辆遮挡住信号则感知为占用并通过指示灯显示车位状态，当用户经过可以通过每个车位延伸的指示灯获取车位状态。地锁方案则是通过地锁地竖起和放下管理车位是否可以停放，相比获取车位状态其更像一种车位的使用权管理。两种方案因为较为车位状态实时可靠、相对容易实现对车位的管理，因此成为很多停车场的管理方案。
5.同时超声波和地锁方案也存在若干问题，首先其数据的管理方式较为原始，如进一步利用互联网获取车位状态信息可以解决很多排队问题，基于此或需要用额外的设备或机制单独开发一套系统；其次无论是车位传感器还是地锁都需要施工布线，一旦规划很难调整；还有考虑到供电比如接入市电或者电池，以及电池等等维护管理也是不小的麻烦。


技术实现要素：

6.鉴于目前存在的上述不足，本发明提供一种停车位管理方法，通过深度学习算法，大大降低了车位检测的成本提高了效率，可以有效地提高车位状态的数据管理。
7.为达到上述目的，本发明的实施例采用如下技术方案：
8.一种停车位管理方法，所述停车位管理方法包括以下步骤：
9.获取停车位所在区域的图像；
10.对获取的图像进行预处理分割提取计算车位区域；
11.根据计算车位区域对图像进行车位状态检测并获得车位状态检测结果；
12.进行车位状态结果展示和交互。
13.依照本发明的一个方面，所述获取停车位所在区域的图像包括：通过图像采集装置实时或定时获取停车位所在区域的单帧图像。
14.依照本发明的一个方面，所述获取停车位所在区域的图像包括：通过摄像头实时拍摄停车位所在区域的视频，通过视频解码获取单帧图像。
15.依照本发明的一个方面，所述对获取的图像进行预处理提取计算车位区域包括：
16.通过训练对图像进行停车位标记分割；
17.对标记分割后的图像进行透视变换；
18.通过采样算法将透视变换后的图像转换为指定大小的图像。
19.依照本发明的一个方面，所述根据计算车位区域对图像进行车位状态检测并获得车位状态检测结果包括：
20.预处理完成的图像数据进行保存；
21.基于深度学习构建车位状态分类模型；
22.根据保存的图像数据车位状态分类模型训练；
23.通过训练的车位状态分类模型对图像进行车位状态检测；
24.获得车位状态检测结果并上传。
25.依照本发明的一个方面，所述车位状态分类模型可检测的车位状态分类类型包括：由平行、垂直和斜列三类停车位与有车、无车和未知三种情况的任意组合的车位状态。
26.依照本发明的一个方面，所述未知情况包括预定、遮挡(非大面积)、障碍、损毁及其它特殊情况，各车位状态需在训练阶段分开标注。
27.依照本发明的一个方面，所述预处理完成的图像数据进行保存包括：预处理完成的图像数据先以文件目录区分的方式保存到同一个根目录的不同标记的目录中。
28.依照本发明的一个方面，所述预处理完成的图像数据表示为指定大小的数值矩阵。
29.依照本发明的一个方面，所述进行车位状态结果展示和交互包括以下步骤：根据车位状态结果按需分析停车数据。
30.本发明实施的优点：本发明所述的停车位管理方法，包括以下步骤：获取停车位所在区域的图像；对获取的图像进行预处理提取计算车位区域；根据计算车位区域对图像进行车位状态检测并获得车位状态检测结果；进行车位状态结果展示和交互；通过车位和其实时状态的准确感知并合理调配，最终实现资源的最优解。通过深度学习算法，大大降低了车位检测的成本提高了效率，可以有效地提高车位状态的数据管理。而进一步的视频数据处理方法，特别是针对训练和运行期推理模型的数据处理完善了识别过程的细节。相比传统方法，多分类的深度学习的视觉设计不但提高了车位信息识别的准确性也提高了可靠性。
附图说明
31.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，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。
32.图1为本发明所述的一种停车位管理方法示意图；
33.图2为本发明所述的一种停车位管理流程图。
具体实施方式
34.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
35.如图1和图2所示，一种停车位管理方法，所述停车位管理方法包括以下步骤：
36.步骤s1：获取停车位所在区域的图像；
37.所述步骤s1获取停车位所在区域的图像具体可为：通过图像采集装置实时或定时获取停车位所在区域的单帧图像。获取多个图像采集装置的图像，可通过多线程的方式实现。
38.在实际应用中，所述图像采集装置可以为监控摄像头、抓拍相机等图像采集设备；例如，通过高位监控摄像头采集图像；抓拍相机可以设置为固定时间间隔即拍取停车位所在区域的照片图像，时间间隔可以为0.5秒、1秒、2秒等，根据实际条件而设置；监控摄像头可以4小时不间断的实时拍摄停车位所在区域的视频。本实施例以监控摄像头为图像采集装置来获取停车位所在区域的图像，例如可使用rts协议h.264流摄像头。流视频协议是由于流式传输需要将音视频分割成小块，按顺序发送并在接收时播放，real
‑
time stream protocol(rtsp)实时流协议可以在任一时间为用户提供最佳质量视频，在网络摄像头中较为常见，h.264，又称为mpeg
‑
4第10部分，高级视频编码是一种面向块，基于运动补偿的视频编码标准，是高精度视频录制、压缩和发布的最常用格式之一，在实际应用中，还可是例如h.265等格式。
39.通过解码rtsp/h264.码流循环获得单帧图像。过视频解码器(例如opencv
‑
ffmpeg开源解码器)按协议解码后即可获得单帧图像，存放bgr三色图像矩阵等价于三维的unit8无符号8位整形的numpy数值矩阵,矩阵值是0～255的整数。以一个720p分辨率每秒60帧的摄像头来描述，例如一个视频监控地址rtsp://211.94.164.227/3.3gp rtsp/1.0获取的视频数据，经过对视频数据的解析获取到了60份1280*720*3的每个像素值为0到255的数值矩阵。
40.步骤s2：对获取的图像进行预处理分割提取计算车位区域；
41.从车位的视角，无论物理环境如何变化，比如有人从摄像头其它地方经过或光照变化，只要区域内未完全遮挡或者不是光照程度极低的情况，一般摄像头不动的前提下各个车位所占的区域可以认为是车位状态的独立标准。数据的基本单位是各个停车区域的分割图像，这里解释为一个几何上的任意凸四边形，在程序中分别由一个9位32整形中的8位，或者4个两位32整形数组表示。
42.在本实施例中，对获取的图像进行预处理分割提取计算车位区域具体为：对获取的图像进行预处理分割提取各有效车位区域。
43.所述步骤s2对获取的图像进行预处理分割提取计算车位区域包括：
44.通过训练对图像进行停车位标记分割；
45.对标记分割后的图像进行透视变换；
46.通过采样算法将透视变换后的图像转换为指定大小的图像。
47.在实际应用中，对图像需进行基本类似的一系列预处理，这里组合了标记分割、透视转换和长宽统一更改三个主要操作。标记分割包括自动分割和手工调整部分，其中自动部分采用目前较为流行的yolo模型重训练实现，该模型的输入为车位图像的四个顶点图片/特征，在较相邻区域内高频率出现为条件，最后通过任意四个点之和减去最小值后最小输出4个车位顶点并组合为一个车位。由于该方法目前的实际效果欠佳，停车线顶点不明显导致和手工标注分割效果有差距，必须增加手工标识部分，这部分工作量设计为标注一次后保存为文件，由于摄像头不移动，只要车位相对位子不变即可重复使用。手工标记则由任意顺时针或逆时针点击四次组成一个凸四边形标记。
48.透视变换是将图投影到一个新的视平面，也称作投影映射。再将截取的图像并通过采样算法将任意凸四边形转换为299*299的正方形图像。这里得到的是每个车位的预处理后的图像表示为299*299*3的数值矩阵。所有停车区域图像存储为数值矩阵，其相关转换根据硬件吞吐量尽可能并发完成。
49.步骤s3：根据计算车位区域对图像进行车位状态检测并获得车位状态检测结果；
50.所述根据计算车位区域对图像进行车位状态检测并获得车位状态检测结果包括：
51.预处理完成的图像数据进行保存；
52.基于深度学习构建车位状态分类模型；
53.根据保存的图像数据车位状态分类模型训练；
54.通过训练的车位状态分类模型对图像进行车位状态检测；
55.获得车位状态检测结果并上传。
56.训练阶段中，预处理完成的数据先以文件目录区分的方式保存到同一个根目录的不同标记的目录中。这里在视频观察界面有两个点，一是由于多路摄像头接入需要合并图像采用矩阵的水平和垂直叠加，布局为美观支持1，2，4，9，16等整数平方次界面叠加，所有摄像头地址通过配置文件保存。并且全部归一到指定大小如480p即854*480*3的矩阵，空余或掉线掉帧画面采用生成同样大小的全0矩阵。通过tab键盘跳转到以当前帧为背景的车位编辑页面，并调用车位标记模型数据的增删改查，数据通过视频处理框架提供的多边形填充和连线实现，为保持透明度还需将原图以50％的权重叠加。
57.训练阶段存储的图片数据将再导入内存，通过数据增强，包括10度的随机旋转、0.1的随机缩放、0.1的随机长和宽的偏移产生数据并导入模型。由于采用了高性能gpu计算，每批数据8千张图像，训练30次，完成训练后保存模型文件。
58.所述车位状态分类模型可检测的车位状态分类类型包括：由平行、垂直和斜列三类停车位与有车、无车和未知三种情况的任意组合的车位状态。所述未知情况包括预定、遮挡、障碍、损毁及其它特殊情况，各车位状态需在训练阶段分开标注。遮挡一般为非大面积遮挡。
59.在实际应用中，分类类型结合三种常见平行、垂直、斜列停车位，分别组合有车、无车和未知总共9种状态，而未知状态包括了预定和遮挡等特殊情况。这要求在训练阶段分开标注，可大大增大识别效果。
60.生产阶段主要提供观察界面基本相同，同时支持了循环录像功能，生成以时间为文件名，以视频编码(如xvid)通过通用加解码器(如ffmpeg)写入文件(如.avi)。识别过程结合此前标注的停车区域实时截取车位图像并透视转换和归一到299*299*3的图像大小后输入以训练并加载的模型，批次采用所有标注的界面。结果通过最大分类类型形成数组上传云端服务器分配、预定和管理。
61.步骤s4：进行车位状态结果展示和交互。
62.所述进行车位状态结果展示和交互包括以下步骤：根据车位状态结果按需分析停车数据。
63.本发明实施的优点：本发明所述的停车位管理方法，包括以下步骤：获取停车位所在区域的图像；对获取的图像进行预处理提取计算车位区域；根据计算车位区域对图像进行车位状态检测并获得车位状态检测结果；进行车位状态结果展示和交互；通过车位和其实时状态的准确感知并合理调配，最终实现资源的最优解。通过深度学习算法，大大降低了车位检测的成本提高了效率，可以有效地提高车位状态的数据管理。而进一步的视频数据处理方法，特别是针对训练和运行期推理模型的数据处理完善了识别过程的细节。相比传统方法，多分类的深度学习的视觉设计不但提高了车位信息识别的准确性也提高了可靠性。
64.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。