一种基于机器学习的停车引导方法技术

本发明专利技术公开了一种基于机器学习的停车引导方法，通过为车辆确定空闲车位中编号最小的车位，并规划车辆到该车位的路径，然后通过基于机器学习的跟踪算法对所述车辆进行跟踪引导车辆停车入位，实现车辆在大型停车场中能迅速找到空余停车位将车辆停好，解决了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、造成交通拥堵等问题。

A Parking Guidance Method Based on Machine Learning

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。上述方案中，通过为车辆确定空闲车位中编号最小的车位，并规划车辆到该车位的路径，然后通过基于机器学习的跟踪算法对所述车辆进行跟踪引导车辆停车入位，实现车辆在大型停车场中能迅速找到空余停车位将车辆停好。同时本专利技术方法亦可用于引导车辆驶离停车场。优选的，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。优选的，步骤S2中所述的车牌识别模型基于HyperLRP深度学习训练得到。优选的，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。优选的，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。优选的，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10％，垂直方向的步长是所述车道高度的10％，扫描窗的大小为相机获取的车辆图像中的车辆大小。优选的，步骤1)中所述的提取特征点具体为：对所述图像提取多尺度空间的极值点；然后判断各个极值点邻域内是否具有Harris角点，如果存在显著角点，则保留该点作为特征点，否则去除该点；其中不同的尺度空间上角点检测公式如下：cornerness＝det(C(x,δI,δS))-α×trace2(C(x,δI,δS))；其中，δI是积分的尺度，δS是特征点所在的尺度。优选的，所述对所述扫描的结果进行处理并判断具体包括：a.当扫描窗的图像元与模板相似度大于等于95％时，从检测器产生的目标框中筛选出10个与相应目标框交的面积除以并的面积大于0.7的目标框，对每个目标框做平移1％、缩放1％、旋转10°的仿射变换，产生10个图像元作为正样本图像元，再筛选出100个与相应目标框交的面积除以并的面积小于0.2的目标框作为负样本图像元；b.计算各个图像元像素灰度值的方差，使用图像元方差分类器把方差小于预设阈值的图像元认定为含有前景目标并作为输出，从而排除50％不含前景目标的图像元；c.将图像元方差分类器的输出输入到集成分类器，集成分类器含有N个基本分类器，每个基本分类器所提取的特征为2bit；对于每个图像元，若所有基本分类器的后验概率的平均值大于50％，则认定当前图像元含有前景目标并作为输出；d.将集成分类器的输出输入到最近邻分类器得到新样本，计算新样本的相对相似度Sr，如果相对相似度Sr大于0.6，则认为该新样本是正样本图像元并且含有前景目标，同时显示目标框；其中：其中p+表示目标图像元，p表示背景图像元，表示第i个正样本图像元，表示第i个负样本图像元，M表示目标模型，S+表示正最近邻相似度，S-表示负最近邻相似度，Sr表示相对相似度；e.跟踪器预测目标在下一帧的位置，如果检测器把这个位置分类为负样本，则P-expert把这个位置改为正样本，以保证目标在连续帧上出现的位置构成平滑的轨迹；N-expert把检测器产生的正样本和P-expert产生的正样本进行比较，选择一个最可信的位置，保证物体最多只出现在一个位置上，把这个位置作为跟踪结果，同时用来重新初始化跟踪器；f.在跟踪结果的目标框中均匀地产生一些点，从目标框中选择若干个像素点，并选取车辆的边缘以及四个角的像素点作为特征点，在下一帧中寻找上一帧中的特征点在当前帧中的对应位置，然后将这若干个特征点在相邻两帧之间的位移变化进行排序，得到位移变化的中值，并将小于中值的50％的特征点作为下一帧的特征点，然后用Lucas-Kanade跟踪器正向跟踪这些特征点到下10帧，再反向跟踪这些特征点到上10帧，计算FB误差，其中FB误差为forward-ba本文档来自技高网...

【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