The invention discloses a parking guidance method based on machine learning. By determining the smallest numbered parking space for a vehicle and planning the path of the vehicle to the parking space, the vehicle is tracked and guided into the parking space by the tracking algorithm based on machine learning, so that the vehicle can quickly find the spare parking space in a large parking lot and park the vehicle well. It resolves the problem that the existing parking lot can not find parking space quickly, which leads to inefficient parking process and traffic congestion.
【技术实现步骤摘要】
一种基于机器学习的停车引导方法
本专利技术涉及智能停车
,更具体地,涉及一种基于机器学习的停车引导方法。
技术介绍
随着经济的高速发展,越来越多的家庭购买了车辆,使得车辆保有量激增,停车日益变得困难,停车场规模不断扩大。为了满足人们的停车需求,现有大城市每个停车场基本都是独立运营,分散管理的,导致一些人口密集区或者闹市区部分停车场车满为患,很多车主可能不熟悉停车场环境,导致在停车场内徘徊,无法快速到达空车位,停车场入口停车的车辆排起长队等待停车。目前的大多数停车场内会进行分区,并通过电子显示屏显示停车场内的空余停车位数量。由于停车场通常会有多个分区,并有多个交叉路口,车主需要首先确定到具有空余停车位分区的行驶路线方向,到达该分区之后,再从该分区中寻找空余停车位,找到空余停车位之后将车停到停车位;对于大型停车场,车主在停车场内寻找空余停车位的效率不高,从而造成大量车辆在停车场的道路中不必要地停留,导致了停车场内的交通拥堵。
技术实现思路
本专利技术为克服在现有的停车场中车辆无法迅速找到停车位并导致停车过程效率低下等问题,提供了一种基于机器学习的停车引导方法。为实现以上专利技术目的,而采用的技术手段是:一种基于机器学习的停车引导方法,包括以下步骤:S1.通过相机获取停车场不同位置的图像,利用图像识别技术识别出所述图像中停车场的车道与车位,并按顺序对车位进行编号;S2.车辆进入停车场入口时,通过相机获取车辆图像并通过车牌识别模型识别出车牌号;然后入口栏杆开启让车辆驶入停车场;S3.确定空闲车位中编号最小的车位,规划所述车辆到该车位的路径,同时在各个路口设置显示 ...
【技术保护点】
1.一种基于机器学习的停车引导方法,其特征在于,包括以下步骤:S1.通过相机获取停车场不同位置的图像,利用图像识别技术识别出所述图像中停车场的车道与车位,并按顺序对车位进行编号;S2.车辆进入停车场入口时,通过相机获取车辆图像并通过车牌识别模型识别出车牌号;然后入口栏杆开启让车辆驶入停车场;S3.确定空闲车位中编号最小的车位,规划所述车辆到该车位的路径,同时在各个路口设置显示屏显示所述车位及所述规划路径的信息,引导车辆停车入位;S4.通过基于机器学习的跟踪算法对所述车辆进行跟踪,若跟踪成功即车辆在规划路径上,进行下一步;若跟踪失败即车辆不在规划路径上,则根据其当前位置重复步骤S3;S5.判断车辆是否停在步骤S3所述的车位,若是则终止引导,若否则返回步骤S4。
【技术特征摘要】
1.一种基于机器学习的停车引导方法,其特征在于,包括以下步骤:S1.通过相机获取停车场不同位置的图像,利用图像识别技术识别出所述图像中停车场的车道与车位,并按顺序对车位进行编号;S2.车辆进入停车场入口时,通过相机获取车辆图像并通过车牌识别模型识别出车牌号;然后入口栏杆开启让车辆驶入停车场;S3.确定空闲车位中编号最小的车位,规划所述车辆到该车位的路径,同时在各个路口设置显示屏显示所述车位及所述规划路径的信息,引导车辆停车入位;S4.通过基于机器学习的跟踪算法对所述车辆进行跟踪,若跟踪成功即车辆在规划路径上,进行下一步;若跟踪失败即车辆不在规划路径上,则根据其当前位置重复步骤S3;S5.判断车辆是否停在步骤S3所述的车位,若是则终止引导,若否则返回步骤S4。2.根据权利要求1所述的停车引导方法,其特征在于,所述步骤S1具体为:S1.1.相机获取停车场不同位置的图像;S1.2.基于深度学习的方法训练得到去噪模型,并利用所述去噪模型对获取的图像进行预处理;S1.3.对预处理后的图像进行拼接融合,得到一幅完整的停车场图像;S1.4.采用MaskR-CNN算法识别出所述停车场图像中的车道与车位,对其进行分割和标记,并按顺序对分割出的车位进行编号。3.根据权利要求1所述的停车引导方法,其特征在于,步骤S2中所述的车牌识别模型基于HyperLRP深度学习训练得到。4.根据权利要求1所述的停车引导方法,其特征在于,步骤S4中所述通过基于机器学习的跟踪算法对所述车辆进行跟踪的方法为:设置扫描窗并通过所述扫描窗对相机获取得到的视频帧进行扫描,然后对所述扫描的结果进行处理并判断,以确定所述扫描的区域中是否有所述车辆,从而对所述车辆进行跟踪。5.根据权利要求2所述的停车引导方法,其特征在于,所述步骤S1.3具体包括:1).对预处理后的图像提取特征点,然后使用SIFT算法进行特征匹配:采用优先k-维树进行优先搜索来查找每个特征点的两个近似最近邻域特征点,计算比较NN与SNN的距离,通过设置一个阈值A,得到伪匹配点集;其中NN为最近邻域、SNN为第二最近邻域、阈值A为0.4-0.7间的数值;2).采用RANSAC法进行精确匹配,同时得到图像间的变换关系,对NN/SCN设定阈值T,如果NN/SCN的值小于阈值T,则保留该点,否则去除该点;最后得到M对伪匹配点;其中阈值T为0.6-0.8间的数值;3).从上一步得到的M对伪匹配点中随机选择3对伪匹配点,线性的计算变换矩阵H;4).计算每对伪匹配点与变换矩阵H的垂直距离d;5).根据内点距离小于阈值的原则计算变换矩阵H的内点,并在此内点域上重新估计变换矩阵H;6).随机采样N次,直到得到最大的内点集合为止;根据这个最大内点集合估计变换矩阵,并把这个变换矩阵作为最后的图像变换矩阵;通过特征点描述符之间的相似度准则进行配准,并得到图像间的变换参数,最后根据变换参数采用加权平均的融合方法进行图像的无缝拼接得到一幅完整的停车场图像。6.根据权利要求4所述的停车引导方法,其特征在于,所述扫描窗设定的位置位于所述步骤S1分割出的车道上,然后对所述视频帧按从左往右,从上到下的顺序依次进行扫描,扫描窗水平方向的步长是所述车道宽度的1...
【专利技术属性】
技术研发人员:吴家湖,兰上炜,赵曜,李芮睿,蔡金萍,
申请(专利权)人:广东工业大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。