一种基于机器学习的车位状态检测方法技术

本发明专利技术公开一种基于机器学习的车位状态检测方法，所述方法包括：步骤A，收集车位图片，所述车位图片包括空车车位图片以及非空车车位图片；步骤B，对收集的车位图片进行处理；步骤C，对处理后的图片进行分类；步骤D，建立机器学习模型；步骤E，对建立的机器学习模型进行训练；步骤F，对经过训练后的机器学习模型进行测试；步骤G，对经过测试后的机器学习模型进行使用。本发明专利技术提供的基于机器学习的车位状态检测方法具有以下优点：车位只需安装普通摄像机，不需要高清相机，可降低设备购置和维护成本。一个摄像机可检测多个车位，无需每个车位安装一个摄像机。对车辆停放位置无严格要求，车辆只需停入车位即可。

【技术实现步骤摘要】
一种基于机器学习的车位状态检测方法
本专利技术涉及车辆停放自动化控制领域，尤其涉及一种基于机器学习的车位状态检测方法。
技术介绍
停车场车辆引导系统是引导车辆快速行驶到有空闲车位的系统，目前新建的中大型室内停车场一般均有安装。其基础在于对空闲车位的规划和识别。目前一般的停车场车辆引导系统采用以下几种方法识别车位是否空闲：1、地磁感应装置。安装于车位中。采用电磁感应原理，检测车位是否停有车辆。2、超声波检测装置。安装于车位上方。采用超声反射检测其与地面的距离，通过比较距离检测车位是否停有车辆。3、车辆/车牌识别装置。安装于车位斜上方。智能摄像头识别拍摄照片中的车辆和车牌，来判断车位是否停有车辆。但是，上述停车场车辆引导系统具有以下的缺点：1、地磁感应装置。需安装于车位中，对地面有破坏，车辆需规范停放，否则可能感应不到，感应速度较慢、反馈传输速度较慢，一个车位需要一个装置，因此设备购置费和安装维护费较高。2、超声波检测装置。车辆需规范停放，否则可能检测不到，对车辆高度较为敏感，因此只适用于某一类车型，一个车位需要一个装置，因此设备购置费和安装维护费较高。3、车辆/车牌识别装置。需安装于车辆斜前方，对摄像机的高度、摄像机与车位的距离和角度均有要求，车辆需规范停放，否则可能识别不到，车牌识别的动态适应性不高，如新型车牌、外国车牌的识别率较低。摄像机需高清且能识别车牌，因此设备购置费和安装维护费高。鉴于此，需要设计一种基于机器学习的车位状态检测方法，利用此方法可以简单便捷、准确地判断车位的停车状态。
技术实现思路
本专利技术针对现有技术中存在的问题，提供一种基于机器学习的车位状态检测方法，所述方法包括：步骤A，收集车位图片，所述车位图片包括空车车位图片以及非空车车位图片；步骤B，对收集的车位图片进行处理；步骤C，对处理后的图片进行分类；步骤D，建立机器学习模型；步骤E，对建立的机器学习模型进行训练；步骤F，对经过训练后的机器学习模型进行测试；步骤G，对经过测试后的机器学习模型进行使用。进一步地，所述方法还包括：步骤H，对使用的机器学习模型进行修正。进一步地，所述步骤A中收集车位的图片按照相机编号、是否有车进行分类。进一步地，所述步骤B具体包括：对收集到的车位图片中非车位部分的图像进行删除，留下车位部分的图像，对收集到的车位图片中包含多个车位图像的，对图片进行单车位分割，使每一幅图片只反映一个车位，以及对经过处理后的图片按车位编号、是否有车进行分类。进一步地，所述步骤C具体包括：对每个车位，将其空车位图片数量的90％作为训练数据集Q，将空车位图片数量的10％作为验证数据集R，将有车图片作为测试数据集Z。进一步地，所述步骤D具体包括：采用卷积神经网络CNN算法建立建立机器学习模型，所述卷积神经网络CNN算法包括数据处理相关参数、训练过程与训练相关参数、网络相关参数以及分类器判断阀值参数M。进一步地，所述步骤E具体包括：将车位数据集Q作为输入，训练空车位图片特征识别模型。模型损失函数以输出1为最小，越接近1越好。但实际模型输出值大于M时即视为可接受。模型的验证采用数据集R。以数据集R输入模型，输出接近于1为优。但实际模型输出值大于M时即视为验证通过，当模型输出可接受时，模型训练结束。进一步地，所述步骤F具体包括：用数据集Z测试模型训练步骤输出的模型。以输出接近于0为优。但实际模型输出值小于(1-M)时即视为测试通过。进一步地，步骤G具体包括：使用模型时，将分割后的车位图片输入该车位的模型，根据其输出值V判断当前车位状态，当V>＝M，则判断车位为空闲状态，若V<＝1-M，则判断车位为占用状态，当1-M＜V＜M，则对模型进行修正。进一步地，所述步骤H具体包括：采用最近采集的图片子集作为训练模型的输入，时间久远的图片直接丢弃，在以前模型的基础上进行初始参数调整，复用参数，定期进行模型修正。与现有技术相比，本专利技术提供的基于机器学习的车位状态检测方法，具有以下优点：1、车位只需安装普通摄像机。不需要高清、不需要能识别车牌，可降低设备购置和维护成本。2、安装位置无要求。安装在车位上方或斜前方均可。3、一个摄像机可检测多个车位，无需每个车位安装一个摄像机。4、对车辆停放位置无严格要求，车辆只需停入车位即可。5、对车型无要求。适用于各种车型、各类车牌。6、车位状态的判断准确度可随着图片数据的增多不断提高。附图说明图1为本专利技术的基于机器学习的车位状态检测方法的流程图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。如图1所示，为本专利技术基于机器学习的车位状态检测方法的一种实施例，该方法包括：步骤A，收集车位图片，所述车位图片包括空车车位图片以及非空车车位图片；步骤B，对收集的车位图片进行处理；步骤C，对处理后的图片进行分类；步骤D，建立机器学习模型；步骤E，对建立的机器学习模型进行训练；步骤F，对经过训练后的机器学习模型进行测试；步骤G，对经过测试后的机器学习模型进行使用。步骤H，对使用的机器学习模型进行修正。其中，所述步骤A中，车位相机安装后，定时采集车位图片到后台。采集的图片要按照相机编号、是否有车进行分类。其中，所述步骤B中，车位照片一般除含有车位部分的图像外，还含有非车位部分的图像，如走道、立柱、车位周边地面。需要对车位部分的图片进行截取，以准确反映车位图像。一个相机多个车位的，还要对图片进行单车位分割，使每一幅图只反映一个车位，以及对经过处理后的图片按车位编号、是否有车进行分类。其中，所述步骤C中，对每个车位，将其空车位图片数量的90％作为训练数据集Q，将空车位图片数量的10％作为验证数据集R，将有车图片作为测试数据集Z。其中，步骤D中，每个车位需要建立的模型不一样，但其建模方法是一致的。后台车位管理系统建立机器学习模型，一般可采用卷积神经网络CNN。初步拟定以下参数：数据处理(或预处理)相关参数。如数据增强、泛化处理、BN处理。训练过程与训练相关的参数。如梯度下降算法、迭代次数、学习率、衰减函数、权值初始化、正则化相关方法等。网络相关参数。如网络层数、每层神经元数、过滤器数量以及分类器如何选择。分类器判断阈值M。将车位图片输入模型，计算的结果输出1表示“完全确定为空车位”，输出0表示“完全确定不为空车位”，如果输出值P在0与1之间，那么就表示该车位为空车位的概率为P。如果P>＝M，则将其归为空车位，否则归为非空车位。注意：一般M取值应>＝0.8.其中，步骤E中，对每个车位分别进行模型训练。将车位数据集Q作为输入，训练空车位图片特征识别模型。模型损失函数以输出1为最小，越接近1越好。但实际模型输出值大于M时即视为可接受。模型的验证采用数据集R。以数据集B输入模型，输出接近于1为优。但实际模型输出值大于M时即视为验证通过。当模型输出可接受时，训练即告结束。模型进入测试阶段。其中，步骤F中，用数据集Z测试模型训练步骤输出的模型。以输出接近于0为优。但实际模型输出值小于(1-M)时即视为测试通过。其中，步骤G中，测试通过的模型，空车位图片和非空车位图片通过模型计算后的输出值的差异在2*(M-0.5)本文档来自技高网...

【技术保护点】
1.一种基于机器学习的车位状态检测方法，其特征在于，所述方法包括：步骤A，收集车位图片，所述车位图片包括空车车位图片以及非空车车位图片；步骤B，对收集的车位图片进行处理；步骤C，对处理后的图片进行分类；步骤D，建立机器学习模型；步骤E，对建立的机器学习模型进行训练；步骤F，对经过训练后的机器学习模型进行测试；步骤G，对经过测试后的机器学习模型进行使用。

【技术特征摘要】
1.一种基于机器学习的车位状态检测方法，其特征在于，所述方法包括：步骤A，收集车位图片，所述车位图片包括空车车位图片以及非空车车位图片；步骤B，对收集的车位图片进行处理；步骤C，对处理后的图片进行分类；步骤D，建立机器学习模型；步骤E，对建立的机器学习模型进行训练；步骤F，对经过训练后的机器学习模型进行测试；步骤G，对经过测试后的机器学习模型进行使用。2.根据权利要求1所述的基于机器学习的车位状态检测方法，其特征在于，所述方法还包括：步骤H，对使用的机器学习模型进行修正。3.根据权利要求1所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤A中收集车位的图片按照相机编号、是否有车进行分类。4.根据权利要求1所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤B具体包括：对收集到的车位图片中非车位部分的图像进行删除，留下车位部分的图像，对收集到的车位图片中包含多个车位图像的，对图片进行单车位分割，使每一幅图片只反映一个车位，以及对经过处理后的图片按车位编号、是否有车进行分类。5.根据权利要求1所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤C具体包括：对每个车位，将其空车位图片数量的90％作为训练数据集Q，将空车位图片数量的10％作为验证数据集R，将有车图片作为测试数据集Z。6.根据权利要求5所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤D具体包括：采用卷积神经网...

【专利技术属性】
技术研发人员：郭荆科，
申请(专利权)人：广州市捷众智能科技有限公司，
类型：发明
国别省市：广东,44