一种泊车方法、终端及计算机可读存储介质与流程

1.本发明涉及车辆跟踪识别技术领域，特别是涉及一种泊车方法、终端及计算机可读存储介质。


背景技术：

2.随着经济的发展，我国汽车保有量在不断增长，停车难越来越成为一个城市出行不容忽视的问题。传统路边停车行业存在“小散乱”的问题，智能化程度较低，需要人工维护。目前对路侧泊车位的占用识别，一般由人工记录，增加成本。


技术实现要素：

3.本发明主要解决的技术问题是提供一种泊车方法、终端及计算机可读存储介质，解决现有技术中路边停车智能化程度低、不方便停车的问题
4.为解决上述技术问题，本发明采用的第一个技术方案是：提供一种泊车方法，泊车方法包括：获取第一视频帧，第一视频帧包含车辆和泊车位；对第一视频帧进行目标检测，得到车辆特征数据和泊车位特征数据；基于车辆特征数据和泊车位特征数据，确定车辆的泊车意图；响应于车辆有泊车意图，则识别车辆的身份信息。
5.其中，对第一视频帧进行目标检测，得到车辆特征数据和泊车位特征数据，包括：对第一视频帧进行目标检测，得到车辆位置信息和泊车位位置信息；根据第一视频帧中车辆位置信息与泊车位位置信息，确定车辆的第一特征数据组；其中，第一特征数据包括车辆的车头距离泊车位与车头同侧的边框线之间的纵向距离、车辆的车尾距离泊车位与车尾同侧的边框线之间的纵向距离和车辆距离泊车位与车辆平行的边框线之间的横向距离；根据第一视频帧中车辆位置信息与第一视频帧之前的历史视频帧中车辆位置信息，确定车辆的第二特征数据组；第二特征数据组包括车辆的纵向车速、车辆的纵向加速度、车辆的横向车速和车辆的横向加速度。
6.其中，基于车辆特征数据和泊车位特征数据，确定车辆的泊车意图，包括：通过泊车意图识别网络根据第一特征数据组和第二特征数据组，确定车辆是否有泊车意图。
7.其中，泊车意图识别网络的训练过程包括：获取训练样本集，训练样本集包括多张连续包含车辆和泊车位的图像组成的训练视频流，图像包括标注车辆的真实泊车意图和影响因素的真实数据；根据影响因素构建贝叶斯网络；通过贝叶斯网络对图像中包含车辆的影响因素的真实数据进行学习，估计车辆的预测泊车意图；根据图像中包含车辆的预测泊车意图和真实泊车意图之间的误差对贝叶斯网络进行迭代训练得到泊车意图识别网络。
8.其中，影响因素包括车辆的车头距离泊车位与车头同侧的边框线之间的纵向距离、车辆的车尾距离泊车位与车尾同侧的边框线之间的纵向距离、车辆的纵向车速、车辆的纵向加速度、车辆距离泊车位与车辆平行的边框线之间的横向距离、车辆的横向车速和车辆的横向加速度。
9.其中，泊车位特征数据包括空闲泊车位的个数以及空闲泊车位的位置信息，响应
于车辆有泊车意图，则识别车辆的身份信息，还包括：响应于车辆有泊车意图，则将空闲泊车位的个数以及空闲泊车位的位置信息发送给车辆；为车辆推荐距离最近的空闲泊车位。
10.其中，响应于车辆有泊车意图，则识别车辆的身份信息，包括：获取第二视频帧，第二视频帧为第一视频帧之后预设第一时段内采集的图像信息；对第二视频帧进行车牌检测，得到车辆中包含车牌的区域图像；对区域图像进行识别，得到车牌字符。
11.其中，对第二视频帧进行车牌检测，得到车辆中包含车牌的区域图像，包括：通过cascade cnn网络对第二视频帧进行车牌检测，得到车辆中包含车牌的区域图像。
12.其中，对区域图像进行识别，得到车牌字符，包括：提取区域图像，并对区域图像进行特征提取得到车牌特征图；对车牌特征图进行文本识别，得到车牌字符。
13.其中，对区域图像进行识别，得到车牌字符，之后包括：获取第三视频帧，第三视频帧为第二视频帧之后预设第二时段内采集的图像信息；对第三视频帧进行目标检测，得到车辆检测框；判断车辆检测框是否超出预设泊车位边框；如果车辆检测框超出预设泊车位边框，则确定车辆违规停车。
14.为解决上述技术问题，本发明采用的第二个技术方案是：提供一种终端，该终端包括存储器、处理器以及存储于存储器中并在处理器上运行的计算机程序，处理器用于执行程序数据以实现上述泊车方法中的步骤。
15.为解决上述技术问题，本发明采用的第三个技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述泊车方法中的步骤。
16.本发明的有益效果是：区别于现有技术的情况，提供的一种泊车方法、终端及计算机可读存储介质，泊车方法包括获取第一视频帧，第一视频帧包含车辆和泊车位；对第一视频帧进行目标检测，得到车辆特征数据和泊车位特征数据；基于车辆特征数据和泊车位特征数据，确定车辆的泊车意图；响应于车辆有泊车意图，则识别车辆的身份信息。本技术通过对第一视频帧进行目标检测，得到车辆特征数据和泊车位特征数据，根据车辆特征数据和泊车位特征数据精准识别车辆停车的开始阶段，确定车辆具有泊车意图时，确定车辆的身份信息，以便于后续对车辆进行自动计时计费，减少人工维护，使用户停车智能化，且提高泊车效率，缓解停车困难的现象。
附图说明
17.为了更清楚地说明本技术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技术的一些实施例，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它的附图。
18.图1是本发明提供的泊车方法的流程示意图；
19.图2是本发明提供的泊车方法一具体实施例的流程示意图；
20.图3是图2提供的泊车方法中步骤s201一具体实施例的流程示意图；
21.图4是本发明提供的泊车意图识别网络；
22.图5是本发明提供的图像采集设备分布的示意图；
23.图6是本发明提供的泊车场景示意图；
24.图7是车辆泊车完毕后的一种状态示意图；
25.图8是本发明提供的泊车方法一具体实施例的示意框图；
26.图9是本发明提供的终端一实施方式的示意框图；
27.图10是本发明提供的计算机可读存储介质一实施方式的示意框图。
具体实施方式
28.下面结合说明书附图，对本技术实施例的方案进行详细说明。
29.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
30.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
31.为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明所提供的一种泊车方法做进一步详细描述。
32.请参阅图1，图1是本发明提供的泊车方法的流程示意图。本实施例中提供一种泊车方法，车辆在泊车前后，至少涉及包含三种运动姿态特征，具体包括泊车前准备阶段、泊车过程阶段和泊车完成阶段。本方法用于检测车辆的泊车意图，当检测到车辆处于泊车前准备阶段时，即确定车辆具有泊车意图。该泊车方法包括如下步骤。
33.s11：获取第一视频帧。
34.具体地，通过图像采集设备获取第一视频帧，第一视频帧包含车辆和泊车位。
35.s12：对第一视频帧进行目标检测，得到车辆特征数据和泊车位特征数据。
36.具体地，对第一视频帧进行目标检测，得到车辆位置信息和泊车位位置信息；根据第一视频帧中车辆位置信息与泊车位位置信息，确定车辆的第一特征数据组；其中，第一特征数据包括车辆的车头距离泊车位与车头同侧的边框线之间的纵向距离、车辆的车尾距离泊车位与车尾同侧的边框线之间的纵向距离和车辆距离泊车位与车辆平行的边框线之间的横向距离；根据第一视频帧中车辆位置信息与第一视频帧之前的历史视频帧中车辆位置信息，确定车辆的第二特征数据组；第二特征数据组包括车辆的纵向车速、车辆的纵向加速度、车辆的横向车速和车辆的横向加速度。
37.s13：基于车辆特征数据和泊车位特征数据，确定车辆的泊车意图。
38.具体地，通过泊车意图识别网络根据第一特征数据组和第二特征数据组，确定车辆是否有泊车意图。
39.s14：响应于车辆有泊车意图，则识别车辆的身份信息。
40.具体地，获取第二视频帧，第二视频帧为第一视频帧之后预设第一时段内采集的图像信息；对第二视频帧进行车牌检测，得到车辆中包含车牌的区域图像；对区域图像进行识别，得到车牌字符。
41.本实施例中提供的泊车方法，泊车方法包括获取第一视频帧，第一视频帧包含车辆和泊车位；对第一视频帧进行目标检测，得到车辆特征数据和泊车位特征数据；基于车辆特征数据和泊车位特征数据，确定车辆的泊车意图；响应于车辆有泊车意图，则识别车辆的
身份信息。本技术通过对第一视频帧进行目标检测，得到车辆特征数据和泊车位特征数据，根据车辆特征数据和泊车位特征数据精准识别车辆停车的开始阶段，确定车辆具有泊车意图时，确定车辆的身份信息，以便于后续对车辆进行自动计时计费，减少人工维护，使用户停车智能化，且提高泊车效率，缓解停车困难的现象。
42.请参阅图2，图2是本发明提供的泊车方法一具体实施例的流程示意图。本实施例中提供一种泊车方法，车辆在泊车前后，至少涉及包含三种运动姿态特征，具体包括泊车前准备阶段、泊车过程阶段和泊车完成阶段。本方法用于检测车辆的泊车意图，当检测到车辆处于泊车前准备阶段时，即确定车辆具有泊车意图。本实施例中的泊车方法包括如下步骤。
43.s201：训练得到泊车意图识别网络。
44.具体地，请参阅图3，图3是图2提供的泊车方法中步骤s201一具体实施例的流程示意图。训练得到泊车意图识别网络的具体步骤如下。
45.s2011：获取训练样本集。
46.具体地，训练样本集包括多张连续包含车辆和泊车位的图像组成的训练视频流。其中，训练视频流可以是采集道路上的一段视频数据，训练视频流包含车辆处于道路上的行驶阶段的视频数据、车辆处于泊车前准备阶段的视频数据、车辆处于泊车阶段的视频数据和车辆处于泊车完成阶段的视频数据。视频数据由多帧连续的视频帧组成，对视频帧中包含车辆的真实泊车意图进行标注，并标注车辆的影响因素的真实数据。其中，影响因素是车辆的特征变量，可以根据车辆的特征变量估计车辆的泊车状态。车辆的特征变量不同，车辆所处的状态不同。
47.其中，影响因素包括车辆的车头距离泊车位与车头同侧的边框线之间的纵向距离、车辆的车尾距离泊车位与车尾同侧的边框线之间的纵向距离、车辆的纵向车速、车辆的纵向加速度、车辆距离泊车位与车辆平行的边框线之间的横向距离、车辆的横向车速和车辆的横向加速度。
48.具体地，通过标注车辆的影响因素的真实数据，即标注车辆的车头距离泊车位与车头同侧的边框线之间的真实纵向距离、车辆的车尾距离泊车位与车尾同侧的边框线之间的真实纵向距离、车辆的真实纵向车速、车辆的真实纵向加速度、车辆距离泊车位与车辆平行的边框线之间的真实横向距离、车辆的真实横向车速和车辆的真实横向加速度。
49.s2012：根据影响因素构建贝叶斯网络。
50.具体地，根据泊车过程中的特征变量中提取的七个特征参数作为贝叶斯网络的节点。其中，七个特征参数包括车辆的车头距离泊车位与车头同侧的边框线之间的纵向距离、车辆的车尾距离泊车位与车尾同侧的边框线之间的纵向距离、车辆的纵向车速、车辆的纵向加速度、车辆距离泊车位与车辆平行的边框线之间的横向距离、车辆的横向车速和车辆的横向加速度。初步根据七个特征参数构建贝叶斯网络的拓扑关系图，即构建有向无环图。本实施例中的贝叶斯网络开始训练时各节点之间的连接是随机的。
51.s2013：通过贝叶斯网络对图像中包含车辆的影响因素的真实数据进行学习，估计车辆的预测泊车意图。
52.具体地，通过贝叶斯网络对训练视频流中的视频帧中标注的车辆的影响因素的真实数据进行不断学习，确定视频帧中车辆的预测泊车意图。根据学习影响因素的真实数据，评估车辆的预测泊车意图。在不断的学习过程中不断更新贝叶斯网络中各节点之间的连
线。
53.s2014：根据图像中包含车辆的预测泊车意图和真实泊车意图之间的误差对贝叶斯网络进行迭代训练得到泊车意图识别网络。
54.请参阅图4，图4是本发明提供的泊车意图识别网络。具体地，待贝叶斯网络对视频帧中车辆的真实数据学习达到设定的学习次数。其中，初始的贝叶斯网络记为x，改进生成的下一个贝叶斯网络记为x^。如果达到学习次数，则通过对车辆的影响因素的真实数据进行学习过程中，得到贝叶斯网络的各节点间的条件概率分布q(x^|x)，根据q(x^|x)计算改进生成的下一个贝叶斯网络的接收概率a(x^|x)。
55.其中，接收概率a(x^|x)的计算公式如下所示。
[0056][0057]
式中，a(x^|x)表示改进的贝叶斯网络的接收概率；q(x^|x)表示各节点间的条件概率分布，p为分布概率，x^为改进生成的下一个贝叶斯网络，x为初始贝叶斯网络。
[0058]
将改进学习的下一个贝叶斯网络的接收概率与之前的贝叶斯网络的接收概率进行比较。根据比较结果，确定是否用下一个贝叶斯网络替代之前的贝叶斯网络，进而完成下一轮的搜索。基于评分搜索的方式，对贝叶斯网络进行训练。确定合格的搜索策略以及评分函数，衡量泊车意图识别网络的好坏，进而寻找稳定的泊车意图识别网络。
[0059]
当确定下一个贝叶斯网络替代之前的贝叶斯网络，则各节点对应的转移概率t(x^|x)为：
[0060]
t(x^|x)＝q(x^|x)a(x^|x)
ꢀꢀꢀꢀꢀꢀ
(公式2)
[0061]
式中：t(x^|x)表示各节点对应的转移概率；a(x^|x)表示改进的贝叶斯网络的接收概率；q(x^|x)表示各节点间的条件概率分布。
[0062]
基于贝叶斯公式计算得出每一个节点的条件概率，将参数θ作为随机变量，d为收集得到的路边泊车数据集，p(θ)为参数θ的先验分布，其最大似然估计为：
[0063][0064]
式中：i∈[1,n]，n为网络结构中的节点数量；j∈[1,qi]，qi为节点xi的父节点π(xi)的取值组合数量；k∈[1,ri]，ri为节点xi的取值状态数。
[0065]
根据上述过程，首先需要得到车辆的七个关键节点数据，通过不断更新迭代贝叶斯网络，根据各节点间的条件概率分布q(x^|x)计算改进生成的贝叶斯网络的接收概率，将改进的贝叶斯网络与之前的贝叶斯网络的接收概率进行比较，确定是否将改进的贝叶斯网络替代为之前的贝叶斯网络，进而完成比对后进行下一轮的搜索，直至完成收敛。
[0066]
根据上述的过程得到泊车意图识别网络。其中，泊车意图识别网络为：
[0067]
t＝bn(g，θ，x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(公式4)
[0068]
其中，t为泊车意图识别网络，bn为贝叶斯网络，g为七个节点之间的依赖关系，θ为
每一个节点的条件概率，x为泊车意图识别网络的八个节点。
[0069]
待泊车意图识别网络对视频帧中车辆的影响因素的真实数据进行学习，得到的车辆的预测泊车意图与该车辆标注的真实泊车意图相同的概率达到预设值时，确定得到稳定的泊车意图识别网络，即训练完成。
[0070]
s202：获取第一视频帧。
[0071]
请参阅图5，图5是本发明提供的图像采集设备分布的示意图。具体地，通过道路两侧设置的图像采集设备获取道路上的第一视频帧，第一视频帧包括车辆和泊车位。在一具体实施例中，图像采集设备可以为四个摄像机，在道路两侧分别设置两个摄像机，两个摄像机设置于同一个信号杆上。其中，两个摄像机中的一个为短焦镜头，另一个为长焦镜头。短焦镜头用于检测靠近摄像机的泊车位，长焦镜头用于检测远离摄像机的泊车位。其中，泊车位自适应划分。通过四个摄像机从不同视角获取道路图像，进行联合建模获取第一视频帧。即使单个摄像机出现误差的情况下，通过其它摄像机采集的图像也可以获取正确的图像数据，进而保证第一视频帧的准确性和稳定性。对第一视频帧进行检测，对第一视频帧中包含车辆的动态意图进行检测，确定车辆的泊车前准备阶段；待车辆泊车完毕后，需要对车辆是否规范停车进行检测。
[0072]
在一实施例中，为了获取更清晰、更准确的第一视频帧，针对白天、夜晚、大雾、雨天等复杂天气环境，根据场景环境的变化，图像采集设备的光圈大小、亮度、对比度等参数会进行自适应调节。
[0073]
s203：对第一视频帧进行目标检测，得到车辆位置信息和泊车位位置信息。
[0074]
具体地，采用目标检测网络对第一视频帧中包含的车辆和泊车位进行检测，得到车辆检测框和泊车位检测框，进而得到车辆位置信息和泊车位位置信息。通过判断泊车位检测框是否与车辆检测框重叠，如果检测到泊车位检测框与车辆检测框重叠，则确定泊车位检测框中的泊车位被占用；如果检测到泊车位检测框与车辆检测框不重叠，则确定泊车位检测框中的泊车位空闲，统计空闲泊车位的个数，并确定空闲泊车位的位置信息。以便于在接收到车辆具有泊车意图时，为车辆推荐泊车位。
[0075]
s204：根据第一视频帧中车辆位置信息与泊车位位置信息，确定车辆的第一特征数据组。
[0076]
具体地，通过检测得到的车辆检测框和泊车位检测框，计算得到车辆的车头距离泊车位与车头同侧的边框线之间的纵向距离δd
x1
、车辆的车尾距离泊车位与车尾同侧的边框线之间的纵向距离δd
x2
和车辆距离泊车位与车辆平行的边框线之间的横向距离δdy。第一特征数据组包括δd
x1
、δd
x2
和δdy。
[0077]
s205：根据第一视频帧中车辆位置信息与第一视频帧之前的历史视频帧中车辆位置信息，确定车辆的第二特征数据组。
[0078]
请参阅图6，图6是本发明提供的泊车场景示意图。具体地，通过检测得到第一视频帧中车辆的位置信息，以及上一视频帧中检测得到的车辆的位置信息和图像采集设备采集图像的时间间隔，计算得到当前帧中车辆的纵向车速v
x
、车辆的纵向加速度a
x
、车辆的横向车速vy和车辆的横向加速度ay。第二特征数据组包括v
x
、a
x
、vy和ay。
[0079]
s206：通过泊车意图识别网络根据第一特征数据组和第二特征数据组，确定车辆是否有泊车意图。
[0080]
具体地，将第一特征数据和第二特征数据输入到泊车意图识别网络中，泊车意图识别网络对特征数据对应的车辆进行泊车意图预测。进而确定该车辆的泊车意图。
[0081]
s207：响应于车辆有泊车意图，则根据泊车位特征数据为车辆推荐泊车位。
[0082]
具体地，当泊车意图识别网络预测到车辆有泊车意图时，则将当前空闲泊车位的个数以及空闲泊车位的位置信息发送给车辆，并为车辆推荐距离最近的泊车位，并规划行驶路线，以实现车辆的方便停车。
[0083]
车辆车牌作为辨认车辆的重要特征，正常情况下没有任何两辆车的车牌是相同的，具有唯一性。车牌作为车辆的身份证，需要登记车辆的车牌实现对车辆的管控。因为泊车位紧密排列，车辆泊入后，车牌存在被遮挡的问题，因此需要在泊车完成前进行识别记录。
[0084]
s208：获取第二视频帧。
[0085]
具体地，通过图像采集设备对车辆进行持续跟踪，并获取第二视频帧，通过第二视频帧对车辆的车牌进行检测，方便实现智能化管理。在采集到的第一视频帧之后的预设第一时段内采集第二视频帧。其中，第二视频帧可以是一张，也可以是多张。
[0086]
s209：对第二视频帧进行车牌检测，得到车辆的车牌检测框。
[0087]
具体地，为了快速准确检测得到车辆的车牌，可以通过卷积神经网络分层提取车牌特征，逐步缩小搜索区域的方法，实现车牌的精准定位。在一具体实施例中，通过cascade cnn(cascade convolutional neural network，级联卷积神经网络)对第二视频帧进行车牌的检测，得到车辆的车牌检测框。其中，车牌检测框包括包含车牌的区域图像。
[0088]
s210：对车牌检测框进行识别，得到车牌字符。
[0089]
具体地，提取车牌检测框中的区域图像，并对区域图像进行特征提取得到车牌特征图；对车牌特征图进行文本识别，得到车牌字符。进而检测到车辆的车牌，方便泊入车辆的登记。
[0090]
在泊车过程中，由于驾驶员自身技术或注意力等原因，会发生车辆超越泊车位边界线的情况，占据相邻泊车位等非规范停车行为，影响泊车位的整体使用效率。需要对车辆是否规范停车进行进一步的检测，进而提升泊车位的使用效率。
[0091]
s211：获取第三视频帧。
[0092]
具体地，通过图像采集设备获取第三视频帧，第三视频帧为第二视频帧之后预设第二时段内采集的图像信息。其中，第三视频帧可以是一张，也可以是多张。
[0093]
s212：对第三视频帧进行目标检测，得到车辆检测框。
[0094]
具体地，对第三视频帧进行目标检测的目标检测网络与对第一视频帧进行目标检测的目标检测网络相同，也可以不同。
[0095]
s213：判断车辆检测框是否超出预设泊车位边框。
[0096]
具体地，计算检测得到的车辆检测框与系统自适应分割的预设泊车位边框的重合度，判断车辆检测框与预设泊车位边框的重合度是否大于预设重合度。
[0097]
如果车辆检测框与预设泊车位边框的重合度大于预设重合度，则直接跳转至步骤s215；如果车辆检测框与预设泊车位边框的重合度不大于预设重合度，则直接跳转至步骤s214。
[0098]
s214：确定车辆违规停车。
[0099]
具体地，如果车辆检测框超出预设泊车位边框，则确定车辆违规停车。在一具体实施例中，如果车辆检测框与预设泊车位边框的重合度不大于预设重合度，则确定车辆超出一个预设泊车位边框，需要根据相关联的车牌通知车主进行纠正。请参阅图7，图7是车辆泊车完毕后的一种状态示意图。当检测到车辆横跨两个泊车位，且两个泊车位的公共边处于前车轮和后车轮之间，则确定车辆超出超出一个预设泊车位边框，需要根据相关联的车牌通知车主进行纠正。
[0100]
s215：确定车辆正常停车。
[0101]
具体地，如果车辆检测框未超出预设泊车位边框，则确定车辆正常停车。
[0102]
请参阅图8，图8是本发明提供的泊车方法一具体实施例的示意框图。在一具体实施例中，对图像采集设备进行安装，并对图像采集设备与泊车位之间的距离进行标定，获取泊车位的区域范围和泊车位的坐标位置，其中，图像采集设备包含枪机运动系统。通过图像采集设备获取包含泊车位和车辆的图像，对图像进行检测得到泊车位检测框和车辆检测框，泊车意图识别网络根据泊车位检测框和车辆检测框联合姿态特征结构与运动意图的时空关联模型对车辆的泊车意图进行预测。当确定车辆具有泊车意图时，对通过cnn字符识别的方式对车辆的车牌进行识别，以确定具有泊车意图的车辆的身份信息。当确定车辆泊车完毕后，判断车辆是否规范停车。也就是说，车辆的检测框是否处于自适应划分的一个泊车位的范围内，当检测到车辆的检测框未处于一个泊车位的区域范围内，则通过车牌查询车主，并通知车主对车辆的停放位置进行纠正。在其它可选实施例中，当确定车辆具有泊车意图时，将剩余的泊车位信息发布给车辆，并根据车主的选择，为车辆规划停车路线。在另一可选实施例中，通过自适应预警触发决策对该车辆进行跟踪，以方便对车辆的停车时间进行检测，方便后续车辆进行泊车缴费。
[0103]
本实施例提供的一种泊车方法，泊车方法包括获取第一视频帧，第一视频帧包含车辆和泊车位；对第一视频帧进行目标检测，得到车辆特征数据和泊车位特征数据；基于车辆特征数据和泊车位特征数据，确定车辆的泊车意图；响应于车辆有泊车意图，则识别车辆的身份信息。本技术通过对第一视频帧进行目标检测，得到车辆特征数据和泊车位特征数据，根据车辆特征数据和泊车位特征数据精准识别车辆停车的开始阶段，确定车辆具有泊车意图时，确定车辆的身份信息，以便于后续对车辆进行自动计时计费，减少人工维护，使用户停车智能化，且提高泊车效率，缓解停车困难的现象。
[0104]
参阅图9，图9是本发明提供的终端一实施方式的示意框图。该实施方式中的终端70包括：处理器71、存储器72以及存储在存储器72中并可在处理器71上运行的计算机程序，该计算机程序被处理器71执行时实现上述泊车方法中，为避免重复，此处不一一赘述。
[0105]
参阅图10，图10是本发明提供的计算机可读存储介质一实施方式的示意框图。
[0106]
本技术的实施方式中还提供一种计算机可读存储介质90，计算机可读存储介质90存储有计算机程序901，计算机程序901中包括程序指令，处理器执行程序指令，实现本技术实施方式提供的泊车方法。
[0107]
其中，计算机可读存储介质90可以是前述实施方式的计算机设备的内部存储单元，例如计算机设备的硬盘或内存。计算机可读存储介质90也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0108]
以上仅为本发明的实施方式，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。