一种停车位占用图像智能识别的方法技术

一种停车位占用图像智能识别的方法，包括如下步骤：获取对应停车位的实时影像，将图像灰度化；对灰度图像进行裁剪，并将图片缩放到固定的像素；将统一大小的图片，进行图片数据批量标准化处理；对标准化结果重新转换回二维数据并进行卷积、降维等操作；连接隐含层节点；设定输出层的节点数设置为类别数；预测分类结果与实际结果有所差距；不断地迭代，判定车位回归预测结果。本发明专利技术最大的益处是：根据对摄像机传输的图像进行直接的判断，不需要图像背景的预处理等复杂特征的提取工程，能够适应不同环境条件下的情况。只需要利用训练好的多层神经网络参数进行分类判断，输出结果，计算效率快，并且准确率很高。

【技术实现步骤摘要】
一种停车位占用图像智能识别的方法
本专利技术涉及一种图像识别方法，特别涉及一种停车位占用图像智能识别的方法。技术背景近年来随着科学与技术的发展，特别是在计算机、数字化电子技术等方面取得了突飞猛进的发展。如今的停车场系统已经向智能化方向发展，不再需要人工手动监测，只需要监控设备(摄像机等)与计算机管理系统进行相关的关联操作，再结合信息的处理与运算就可实现智能化管理。一个先进的智能停车场管理系统最重要的是能够实时准确地判别一个车位的占用情况。在当今社会，随着人们生活水平的提高，小轿车逐渐走进寻常百姓家，而公共场所的停车位资源有限，空闲与占用情况实时在变动，不能很好地利用。因此，人们想设计出一个实时有效的停车位监控系统，这样即使在复杂的大型停车场也能找到一个空车位，合理安排车位的停放。从用户的角度来看，大大节省了寻找空车位的时间，提高了进出效率；从管理员的角度来看，这是一种轻便、有效、准确、科学的管理方法，大大减少了人力、物力、财力的投入。目前主要有以下几个方式的车位识别方法：一、申请号：201210184777.9申请日：2012-06-06的文件介绍了一种车位监控的方法，首先在停车场内设置多个边界和边界点标记不同停车位，获取停车位的分割图，将面积最大或者最清晰的图像作为监视的位点，将得到的分割图像经过图像识别；二、在申请号为：201510021156.2申请日为：2015-01-16的文件中，提到了用可移动机器人和机器人管理系统进行管理，机器人主要部分包括机器人本体、可行走的机器结构、蓄电池的组成、控制单元、应急单元和监控报警单元。其中行走结构用于驱动本体至电动汽车停放位置，蓄电池用于储存电池并供电，控制单元接收和执行管理系统发出的控制指令，应急单元用于发生故障时的应急措施，监控报警单元用于停车场发生火灾时的事故报警；三、在申请号：201620945857.5申请日：2016-08-26的文件介绍了压力感应的停车场车位检测，其系统包括：若干个传感节点、车位检测装置(存储器、压力传感器、控制器、计时器、RFID读写器、Zigbee收发器)、若干个汇聚节点。对于各个传感器节点的数据收发，其数据包括车辆信息、车主移动终端号码、记录的停车时间和车位地理坐标等。以上提到的方法也存在不足之处，如方案一，需要标记车场内的边界线和边界点，对图片的清晰度要求很高；方案二，需要机器人的投入，大大加大了经费的投入，还需要机器人的定期保养和维修，成本较大；方案三，需要布置传感器的收发、汇聚节点，以及压力传感器等车位检测装置，传输距离有限，需要更多节点才能延长传输路线，成本投入也较大。
技术实现思路
为了解决现有技术的不足，提供一种一种停车位占用图像智能识别的方法，这种方法精准有效、成本低、智能化、操作简单。为实现上述目的，本专利技术采用以下技术方案：一种停车位占用图像智能识别的方法，包括如下步骤：步骤一，通过视觉设备获取对应停车位的实时影像，将图像灰度化；步骤二，在图片的指定位置对灰度图像进行裁剪，并将图片缩放到固定的像素：宽为W，高为H；步骤三，将统一大小的图片，进行图片数据批量标准化处理，具体过程如下：步骤3.1确定每次处理的图片数量为m张，每张图片包含有宽高的像素点信息，定义图片集合：X＝[x1,x2,...xi...,xm]其中，xi为第i张图片的所有像素信息；用以下表达式将每张二维图片像素信息按照从左往右，从上到下顺序平摊为一维像素信息：其中η＝W*H，表示一张图片像素信息的总长度；xil表示第i张图片的第l位置的一维像素信息；通过将每张图片的一维像素信息缩放为0到1，得到白化处理的结果：ci＝xi/255；图片集合X的白化处理结果矩阵为：CX＝[c1,c2,...ci,...cm]步骤3.2计算图片集合白化处理结果矩阵CX的均值：其中，K表示当前批次；E[ci]表示当前批次中第i张图片白化处理结果的均值，即：步骤3.3计算图片集合白化处理结果矩阵CX的方差：步骤3.4进行图片数据批量标准化处理，用于加快网络训练：图片数据批量标准化处理结果用于神经网络的输入；步骤四，对所述当前批次K的图片数据批量标准化结果重新转换回二维数据，即宽为W、高为H，进行卷积操作：步骤4.1设定方形卷积核的边长大小值为size，设定卷积核核心起始位置为所述二维数据矩阵左上角第一个位置，设定卷积核滑动的距离为stride，设定滑动顺序为从左到右，从上到下；步骤4.2设定隐含层神经元的节点个数Node1，用于表示卷积核对所述当前批次二维数据进行卷积操作，实现加权求和，提取拥有节点个数的图片细节特征，卷积的计算公式为：其中r为卷积核核心在二维数据矩阵的横坐标，c为卷积核核心在二维数据矩阵的纵坐标，Kernelsize×size表示设定的卷积核，bias表示实现加权求和的偏置；步骤五，需要对卷积操作后的特征进行激活，有目的地将有用的图片特征信息表达出来，通过给定的Relu滤波器，将大于某阈值的有用信息进行激活处理，小于阈值的进行抑制，其Relu滤波器激活公式为：Activerc＝max(0,Converc)其中最终激活后的坐标数据矩阵记为Active，max(0,Converc)为滤波激活函数，即矩阵中数值以所述阈值为0进行滤波，取当前值和阈值中的最大值；步骤六，将激活后的Active数据矩阵进行池化降维操作，提高特征计算效率，池化降维操作采用最大池化操作，计算公式为：其中kernelSize×Size为设定的池化核，表示最大池化操作，将池化核内部矩阵中最大值输出，设定与卷积不同的边长Size，r'为池化核核心在激活后的Active二维数据矩阵的横坐标，c'为池化核核心在激活后的Active二维数据矩阵的纵坐标，设定不同滑动距离Stride，在所述激活后的二维Active矩阵上进行滑动，降维后的最大池化数据维度大小计算公式为：W'＝W/Stride,H'＝H/Stride其中W'为最大池化输出后的新宽度，H'为最大池化输出后的新高度；步骤七，重复步骤四到步骤六两次，设定这两次的隐含层神经元节点数分别为Node2和节点数Node3，设定每次卷积核的大小和滑动距离等与步骤四同，设定池化核的大小和滑动距离与步骤六同，最后输出的节点大小为W”'＝W/Stride3,H”'＝H/Stride3；步骤八，设置全连接层节点数为Node4，用于连接隐含层节点，这时需要将二维Pool的W”'和H”'，重新调整形状到一维的[m,W”'*H”'*Node4]大小；设定输入数据格式为：{(x(1),y(1))...(x(i),y(i))...(x(m),y(m))},1≤i≤m其中y(i)表示第i张图片准确的类别标签，标签取值为“0”或“1”，“0”表示当前该车位无车，“1”表示当前该车位有车，为p+1维向量(第一项“1”为加权偏置)，其中T表示转置，p＝W”'*H”'*Node4表示该全连接层的纵向维度，表示第i张图片所对应p位置的像素信息处理后的数据；对于给定的输入样本信息设定对应位置的参数权值θ＝(θ0,θ1,θ2,...,θp)T，则加权公式：其中，θ0表示所述第一项加权偏置值，θ1到θp表示到对应位置的权值；步骤九，设定输出层的节点数设置为类别数，最后车位本文档来自技高网...

【技术保护点】
一种停车位占用图像智能识别的方法，包括如下步骤：步骤一，通过视觉设备获取对应停车位的实时影像，将图像灰度化；步骤二，在图片的指定位置对灰度图像进行裁剪，并将图片缩放到固定的像素：宽为W，高为H；步骤三，将统一大小的图片，进行图片数据批量标准化处理，具体过程如下：步骤3.1确定每次处理的图片数量为m张，每张图片包含有宽高的像素点信息，定义图片集合：X＝[x1,x2,...xi...,xm]其中，xi为第i张图片的所有像素信息；用以下表达式将每张二维图片像素信息按照从左往右，从上到下顺序平摊为一维像素信息：

【技术特征摘要】
1.一种停车位占用图像智能识别的方法，包括如下步骤：步骤一，通过视觉设备获取对应停车位的实时影像，将图像灰度化；步骤二，在图片的指定位置对灰度图像进行裁剪，并将图片缩放到固定的像素：宽为W，高为H；步骤三，将统一大小的图片，进行图片数据批量标准化处理，具体过程如下：步骤3.1确定每次处理的图片数量为m张，每张图片包含有宽高的像素点信息，定义图片集合：X＝[x1,x2,...xi...,xm]其中，xi为第i张图片的所有像素信息；用以下表达式将每张二维图片像素信息按照从左往右，从上到下顺序平摊为一维像素信息：其中η＝W*H，表示一张图片像素信息的总长度；xil表示第i张图片的第l位置的一维像素信息；通过将每张图片的一维像素信息缩放为0到1，得到白化处理的结果：ci＝xi/255；图片集合X的白化处理结果矩阵为：CX＝[c1,c2,...ci,...cm]步骤3.2计算图片集合白化处理结果矩阵CX的均值：其中，K表示当前批次；表示当前批次中第i张图片白化处理结果的均值，即：步骤3.3计算图片集合白化处理结果矩阵CX的方差：步骤3.4进行图片数据批量标准化处理，用于加快网络训练：图片数据批量标准化处理结果用于神经网络的输入；步骤四，对所述当前批次K的图片数据批量标准化结果重新转换回二维数据，即宽为W、高为H，进行卷积操作：步骤4.1设定方形卷积核的边长大小值为size，设定卷积核核心起始位置为所述二维数据矩阵左上角第一个位置，设定卷积核滑动的距离为stride，设定滑动顺序为从左到右，从上到下；步骤4.2设定隐含层神经元的节点个数Node1，用于表示卷积核对所述当前批次二维数据进行卷积操作，实现加权求和，提取拥有节点个数的图片细节特征，卷积的计算公式为：其中r为卷积核核心在二维数据矩阵的横坐标，c为卷积核核心在二维数据矩阵的纵坐标，Kernelsize×size表示设定的卷积核，bias表示实现加权求和的偏置；步骤五，需要对卷积操作后的特征进行激活，有目的地将有用的图片特征信息表达出来，通过给定的Relu滤波器，将大于某阈值的有用信息进行激活处理，小于阈值的进行抑制，其Relu滤波器激活公式为：Activerc＝max(0,Converc)其中最终激活后的坐标数据矩阵记为Active，max(0,Converc)为滤波激活函数，即矩阵中数值以所述阈值为0进行滤波，取当前值和阈值中的最大值；步骤六，将激活后的Active数据矩阵进行池化降维操作，提高特征计算效率，池化降维操作采用最大池化操作，计算公式为：其中kernelSize×Size为设定的池化核，表示最大池化操作，将池化核内部矩阵中最大值输出，设定与卷积不同的边长Size，r'为池化核核心在激活后的Active二维数据矩阵的横坐标，c'为池化核核心在激活后的Active二维数据矩阵的纵坐标，设定不同滑动距离Stride，在所述激活后的二维Active矩阵上进行滑动，降维后的最大池化数据维度大小计算公式为：W'＝W/Stride,H'＝H/Stride其中W'为最大池化输出后的新宽度，H'为最大池化输出后的新高度；步骤七，重复步骤四到步骤六两次，设定这两次的隐含层神经元节点数分别为Node2和节点数Node3，设定每次卷积核的大小和滑动距离等与步骤四同，设定池化核的大小和滑动距离与步骤六同，最后输出的节点大小为W”'＝W/Stride3,H”'＝H/Stride3；步骤八，设置全连接层节点数为Node4，用于连接隐含层节点，这时需要将二维Pool的W”'和H”'，重新调整形状到一维的[m,W”'*H”'*Node4]大小；设定输入数据格式为：{(x(1),y(1))...(x(i),y(i))...(x(m),y(m))},1≤i≤m其中y(i)表示第i张图片准确的类别标签，标签取值为“0”或“1”，“0”表示当前该车位无车，“1”表示当前该车位有车，为p+1维向量(第一项“1”为加权偏置)，其中T表示转置，p＝W”'*H”'*Node4表示该全...

【专利技术属性】
技术研发人员：张烨，许艇，程康，郭艺玲，董敏，刘齐齐，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33