一种停车状态变化识别方法技术

本发明专利技术公开了一种停车状态变化识别方法，属于停车状态识别技术领域；首先利用yolov3深度学习模型获得初始图像中的车位框，利用所述车位框判断车位的初始状态；再对后续图像中的每一帧图像，利用帧差法运动检测判断是否有运动物体；接着判断运动框与车位框是否重叠，若重叠，则利用yolov3深度学习模型判断该运动物体是否为车辆，若为车辆，则利用yolov3深度学习模型获得该运动物体的真实轮廓，利用所述真实轮廓与车位框的重合度判断车位状态；本发明专利技术降低了对深度学习模型的依赖，使得整个算法更加的低功耗，高效率，否则忽略该帧图像；若不重叠，则车位状态保持不变；本发明专利技术降低了对深度学习模型的依赖，使得整个算法更加的低功耗，高效率。

【技术实现步骤摘要】
一种停车状态变化识别方法
本专利技术涉及停车状态识别
，具体涉及一种停车状态变化识别方法。
技术介绍
随着车辆的增长，城市街道路边往往设置有很多停车位，目前停车收费主要采用人工方式，一段街道就需要一名收费员，光收费即需要耗费大量的人力资源。而目前城市街道路停车自动识别还不是很成熟，主要有以下两类：第一类是用yolo深度学习模型追踪视频中出现的车辆，当这辆车的在视频中的坐标和提前设置好的车位坐标在一定程度上重合之后，判断为车辆进入，同理判断车辆离开，采用该类方法，视频图像中的每帧图像均需要输入yolo深度学习模型进行识别，功耗特别高；第二类是依赖一些传统的图像处理算法，这类方法缺乏鲁棒性，不能解决现实场景中的很多复杂情况，街道行人走动，灯光变化，阳光变化，白天黑夜等等。
技术实现思路
本专利技术的目的在于：为了解决上述问题，本专利技术提供了一种停车状态变化识别方法。本专利技术采用的技术方案如下：一种停车状态变化识别方法，包括以下步骤：步骤1：利用yolov3深度学习模型获得初始图像中的车位框，利用所述车位框判断车位的初始状态；步骤2：对后续图像中的每一帧图像，利用帧差法运动检测判断是否有运动物体，若有，产生运动框并跳转至步骤3，否则重复步骤2；步骤3：判断运动框与车位框是否重叠，若重叠，则利用yolov3深度学习模型判断该运动物体是否为车辆，若为车辆，则跳转至步骤4，否则忽略该帧图像；若不重叠，则车位状态保持不变；步骤4：利用yolov3深度学习模型获得该运动物体的真实轮廓，利用所述真实轮廓与车位框的重合度判断车位状态。进一步的，所述步骤1中车位的初始状态包括无车或者正在停放。进一步的，所述步骤2中，所述帧差法运动检测包括以下步骤：步骤2.1保存当前帧图像的前两帧历史图像；步骤2.2将当前帧图像与上一帧历史图像做对比，计算两帧间的区别，若区别小于预设阈值，则判断出当前帧图像中不存在运动物体，不产生运动框，并跳转至步骤2.3；若区别不小于预设阈值，则判断当前帧图像中具有运动物体，产生运动框，跳转至步骤3；步骤2.3将当前帧图像与另外一帧历史图像做对比，计算两帧间的区别，若区别小于预设阈值，则判断出当前帧图像中不存在运动物体，不产生运动框，重复步骤2；若区别不小于预设阈值，则判断当前帧图像中具有运动物体，产生运动框，跳转至步骤3。进一步的，所述步骤4中，采用状态机判断车位状态，状态机包括四种状态：无车、正在进入、等待和正在停放。进一步的，无车阶段分析步骤为：判断当前帧图像的真实轮廓与车位框的重叠度是否高于重叠度阈值，若高于重叠度阈值，则将该帧图像的重叠度、运动框的坐标、真实轮廓的坐标存入coverage_queue，下一帧状态机进入正在进入阶段进行分析；若不高于重叠度阈值，则下一帧状态机停留在无车阶段进行分析。进一步的，正在进入阶段分析步骤为：步骤4.2.1计算时间T内图像的重叠度，判断是否具有重叠度高于重叠度阈值的图像，若有，则将该帧图像的重叠度数值、运动框的坐标、真实轮廓的坐标存入coverage_queue，并跳转至步骤4.2.2；若没有，否则清空coverage_queue，下一帧状态机返回无车阶段进行分析；步骤4.2.2判断coverage_queue中是否具有三个呈递增状态的重叠度，若没有，则下一帧状态机保留在正在进入阶段进行分析；若有，下一帧状态机进入等待阶段进行分析。进一步的，所述等待阶段分析步骤如下：步骤4.3.1判断当前帧图像的真实轮廓与车位框的重叠度是否高于重叠度阈值，若高于重叠度阈值，将该帧图像的重叠度、运动框的坐标、真实轮廓的坐标存入coverage_queue；否则跳转至步骤4.3.2；步骤4.3.2计算时间T内图像的重叠度，判断是否具有重叠度高于重叠度阈值的图像，若有，则重新计时；若没有，跳转至步骤4.3.3；步骤4.3.3利用coverage_queue存入的真实轮廓的坐标值，判断车辆是停车还是路过，若为路过，则清空coverage_queue，下一帧状态机进入无车阶段进行分析；若为停车，则下一帧状态机进入正在停放阶段进行分析。进一步的，所述正在停放阶段分析步骤如下：步骤4.4.1判断当前帧图像的真实轮廓与车位框的重叠度是否高于重叠度阈值，若高于重叠度阈值，将该帧图像的重叠度、运动框的坐标、真实轮廓的坐标存入coverage_queue，并跳转至步骤4.4.2，否则下一帧状态机停留在正在停放阶段进行分析；步骤4.4.2计算时间T内图像的重叠度，判断是否具有重叠度高于重叠度阈值的图像，若没有，则清空coverage_queue，下一帧状态机停留在正在停放阶段进行分析；若有，则跳转至步骤4.4.3；步骤4.4.3；判断coverage_queue中是否具有三个呈递减状态的重叠度，若没有，下一帧状态机停留在正在停放阶段进行分析；若有，则判断车辆是路过还是离开，若为路过，则清空coverage_queue，下一帧状态机停留在正在停放阶段进行分析；若为离开，则下一帧状态机进入无车阶段进行分析。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：本专利技术将帧差运动检测法和yolov3进行结合，降低了对深度学习模型的依赖，使得整个算法更加的低功耗，高效率，在edgedevice上运行速度更快。本专利技术考虑并解决了一些实际情况中城市街道路边停车的问题，比如说由于摄像头角度(不是鸟瞰视角)所带来的拍摄到的停车位车辆以及其车牌被遮挡很严重的问题，停车位容易有行人或者其他物体通过/逗留，有车辆利用停车位进行调头操作等情况。也避免了一天当中随着时间的变化，太阳光线照射，车位上阴影的变化所带来的影响。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。图1为本专利技术的流程图；图2为本专利技术摄像头拍摄的示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术，即所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分本文档来自技高网...

【技术保护点】
1.一种停车状态变化识别方法，其特征在于：包括以下步骤：/n步骤1：利用yolov3深度学习模型获得初始图像中的车位框，利用所述车位框判断车位的初始状态；/n步骤2：对后续图像中的每一帧图像，利用帧差法运动检测判断是否有运动物体，若有，产生运动框并跳转至步骤3，否则重复步骤2；/n步骤3：判断运动框与车位框是否重叠，若重叠，则利用yolov3深度学习模型判断该运动物体是否为车辆，若为车辆，则跳转至步骤4，否则忽略该帧图像；若不重叠，则车位状态保持不变；/n步骤4：利用yolov3深度学习模型获得该运动物体的真实轮廓，利用所述真实轮廓与车位框的重合度判断车位状态。/n

【技术特征摘要】
1.一种停车状态变化识别方法，其特征在于：包括以下步骤：
步骤1：利用yolov3深度学习模型获得初始图像中的车位框，利用所述车位框判断车位的初始状态；
步骤2：对后续图像中的每一帧图像，利用帧差法运动检测判断是否有运动物体，若有，产生运动框并跳转至步骤3，否则重复步骤2；
步骤3：判断运动框与车位框是否重叠，若重叠，则利用yolov3深度学习模型判断该运动物体是否为车辆，若为车辆，则跳转至步骤4，否则忽略该帧图像；若不重叠，则车位状态保持不变；
步骤4：利用yolov3深度学习模型获得该运动物体的真实轮廓，利用所述真实轮廓与车位框的重合度判断车位状态。


2.根据权利要求1所述的一种停车状态变化识别方法，其特征在于：所述步骤1中车位的初始状态包括无车或者正在停放。


3.根据权利要求1所述的一种停车状态变化识别方法，其特征在于：所述步骤2中，所述帧差法运动检测包括以下步骤：
步骤2.1保存当前帧图像的前两帧历史图像；
步骤2.2将当前帧图像与上一帧历史图像做对比，计算两帧间的区别，若区别小于预设阈值，则判断出当前帧图像中不存在运动物体，不产生运动框，并跳转至步骤2.3；若区别不小于预设阈值，则判断当前帧图像中具有运动物体，产生运动框，跳转至步骤3；
步骤2.3将当前帧图像与另外一帧历史图像做对比，计算两帧间的区别，若区别小于预设阈值，则判断出当前帧图像中不存在运动物体，不产生运动框，重复步骤2；若区别不小于预设阈值，则判断当前帧图像中具有运动物体，产生运动框，跳转至步骤3。


4.根据权利要求1所述的一种停车状态变化识别方法，其特征在于：所述步骤4中，采用状态机判断车位状态，状态机包括四种状态：无车、正在进入、等待和正在停放。


5.根据权利要求4所述的一种停车状态变化识别方法，其特征在于：无车阶段分析步骤为：判断当前帧图像的真实轮廓与车位框的重叠度是否高于重叠度阈值，若高于重叠度阈值，则将该帧图像的重叠度、运动框的坐标、真实轮廓的坐标存入coverage_queue，下一帧状态机进入正在进入阶段进行分析；若不高于重叠度阈值，则下一帧状态机停留在无车阶段进行分析。


6.根据权利要求5所述的一种停车状态变化识别方法，其特征在于：正在进入阶段分析步骤...

【专利技术属性】
技术研发人员：丁元一，王铭宇，喻韵旋，吴晨，
申请(专利权)人：成都恒创新星科技有限公司，
类型：发明
国别省市：四川;51