基于图像识别与用户偏好的智能车位推荐方法技术

本发明专利技术公开了一种基于图像识别与用户偏好的智能车位推荐方法，包括车辆定位系统，所述车辆定位系统包括通过网络互连的车载终端、4G网络模块和远程监测中心终端，其特征在于，所述方法包括如下步骤：1）确定当前用户车辆位置；2）车位状态图像识别；3）推荐车位；4）路线规划和导航。这种方法可以降低成本，可依据当前用户偏好为当前用户方便、准确、高效地推荐适合的泊车位置，同时使得当前用户快速的找到泊车位置。

【技术实现步骤摘要】
基于图像识别与用户偏好的智能车位推荐方法
本专利技术涉及停车场车位推荐技术，具体是一种基于图像识别与用户偏好的智能车位推荐方法。
技术介绍
目前现有的大型停车场往往都提供车位引导的功能，设有能够引导车辆顺利进入目的车位的指示系统。在停车场引导车辆停入空车位的智能泊车引导系统称之为车位引导系统，它由智能电脑系统对车位进行检测，通过显示屏显示空车位信息，司机通过该信息，实现轻松停车。然而，当前部分大型停车场使用超声波技术对车位进行检测，需要在各个车位安装探测器，这无疑增加了系统的成本。部分停车场采用HOG特征提取的方法对车位状态图片进行分类，需要将图片分成若干个小的单元，还需要对比归一化等操作，处理起来较复杂。同时，大部分停车场对于车位分配的方法是：对于当前需要泊车的用户，随机的分配一个空闲车位给该车主，而没有考虑到不同用户的偏好和需求，造成用户的满意度和体验较差，且没有设定用户对车位评分的环节，体现的服务意识还不够，而且通过停车场显示屏告诉车主位置信息，引导的细节不够充分和清楚，车主可能不知道自己当前的方位，可能会在前进的过程中遇到未知的障碍点(有的甚至是不可经过的点)，不利于车主了解整个停车场的分布结构，为后续的寻找车辆制造了不必要的麻烦。
技术实现思路
本专利技术的目的是正对现有技术的不足，而提供一种基于图像识别与用户偏好的智能车位推荐方法。这种方法可以降低成本，可依据当前用户偏好为当前用户方便、准确、高效地推荐适合的泊车位置，同时使得当前用户快速的找到泊车位置。实现本专利技术目的的技术方案是：一种基于图像识别与用户偏好的智能车位推荐方法，包括车辆定位系统，所述车辆定位系统包括通过网络互连的车载终端、4G网络模块和远程监测中心终端，所述方法包括如下步骤：1)确定当前用户车辆位置：结合GPS和Googleearth的车辆定位软件，车载终端将GPS当前用户车辆定位信息数据经4G网络模块与远程监测中心终端进行数据传输,远程监测中心终端接收到当前用户车辆定位信息数据后,确定当前用户车辆的位置坐标，并在Googleearth中对移动车辆实现定位跟踪；2)车位状态图像识别：车辆定位系统对停车场的现场图片进行采集，并进行车位状态图像识别，找到空闲车位，包括：2-1)灰度化图像：对于彩色的RGB图像的像素矩阵，将RGB三个分量平均，得到灰度后的对应位置(i,j)的像素值：f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3；其中，(i,j)表示对应像素点的横坐标i和纵坐标j；2-2)去噪：采用小波阈值的图像对灰度化后的图像去噪，在经过小波变换后，图像噪声主要集中在高频子带，图像的能量大多处于低频子带，设定过滤的阈值，对小波系数进行处理，保留有效的信号系数，再对处理后的小波系数逆变换，得到去噪的结果；2-3)基于卷积神经网络的图像分类：将步骤2-1)、2-2)预处理后的图像作为输入，输入到具有三层卷积网络结构的CNN网络中，所述CNN网络中每层网络都包括卷积、激活和池化操作，其中，预设定的卷积核大小为5*5，卷积核的深度与卷积后的featuremap即特征图像深度相同，池化操作为最大值池化即MAX-POOLING，激活函数为RELU函数，在三层网络之后设定一个全连接层即FClayer，采用Softmax函数将分类结果和训练集匹配，判断停车场的对应车位是否被占用；2-4)对于车牌号的识别：对于车牌号的识别还需要进行字符的分割，对于停车场现场图片灰度化后的车牌矩形框截取字符图块，利用步骤2-3)中的CNN网络和训练集进行训练，实现字符识别，设定每隔一段时间间隔对停车场的现场车位图像进行采集，以此来实现车位状态的数据实时更新，同时实现对车位状态表中数据的更新，车位状态表包括当前车位的转态是否为空闲，若不是，则要记录所停车的车牌号；3)推荐车位：车位本身包括许多特征信息：泊位是否靠近电梯口、停车场入口到泊位的行驶距离、停车后从停车场入口到车位的步行时间和步行距离、泊位两侧占用情况包括一侧、两侧、两侧有障碍物否、泊位尺寸的大小、泊位离视频监视器的位置、出入泊位的车道宽度等，实际应用中，由于并不是车位的每个特征都是用户所关注的，所以首先选择出泊车位的较优特征，即对于泊车位的特征向量集合位D，采用遗传算法从中选取d个较优特征，其中，d<D，过程如下：3-1)染色体的初始化：将所有泊车位的特征描述为由0和1字符组成的字符串，其中0表示该特征没被选取，1表示该特征被选取，最终的目标是得到d个1的一条染色体，初始化一个1*D维的列向量作为初始染色体，列向量的每一维都是0，采用随机数的操作将其中d个随机为1，重复这个步骤n次，可以得到有n条染色体的初始种群M(t＝0)；3-2)计算染色体的适应度函数：采用预先定义的适应度函数即所要求的目标函数最优化，计算每条染色体的适应度值f(m)；3-3)基于适应度的选择：按照选择概率密度p(f(m))对种群的染色体进行采样，依据采样得到的染色体繁殖下一代染色体，组成新一代的种群M(t+1)，具体的选择过程如下：3-3-1)计算出所有染色体适应度之和3-3-2)由每个染色体个体的相对适应度大小，即得到一个新的划分区间3-3-3)在所有di组成一个0-1的区域，通过随机一个0到1的数字m确定m所位于的区间dk,从而确定出被筛选出的染色体，重复选择n次，可以得到n条染色体；3-3-4)交叉：交叉的意义是产生新一代的个体，过程为：3-3-4-1)随机选取两条染色体；3-3-4-2)设置交叉点j；3-3-4-3)确定两两互换交叉点之后的基因序列，例如，对于步骤3-3-3)选择的011101和111001两条染色体，假设交叉点位置k＝2，则交叉后得到的新的个体为：011001和111101；3-3-5)变异：对于当前种群M(t)中的每一条染色体，依据设定的变异概率决定它是否变异，若是，随机地选取该染色体的一个基因进行变异，如果该基因是0则变为1，反之亦然；3-3-6)重复迭代：在经过上述选择、交叉和变异后，上一代的种群M(t)更新为下一代M(t+1),重复步骤3-3-2)-步骤3-3-5)，直到种群得到的染色体的适应度达到预先设定的阈值，则算法终止，输出适应度最大的染色体，取出其中标号为1的基因所对应的特征集合，就是最终特征选择的结果，然后采用基于协同过滤的算法来实现车位推荐，首先设定一个用户-车位评价表，包括用户历史停车信息、对应的泊车位和对应的评价打分，用户对所使用的停车位满意度进行打分，打分分数为0-5分，通过用户-车位评价表，可以得到用户对该停车场历史使用过的各种不通车位的满意度得分，假设：X表示停车位的特征向量，大小为d维的列向量，X＝(x(1),x(2),.....,x(nm))，其中，nm为车位总个数；θ表示用户偏好的特征向量，大小为d维的列向量,θ＝(θ(1),θ(2),.....,θ(nu))，其中，nu为停车用户本文档来自技高网...

【技术保护点】
1.一种基于图像识别与用户偏好的智能车位推荐方法，包括车辆定位系统，所述车辆定位系统包括通过网络互连的车载终端、4G网络模块和远程监测中心终端，其特征在于，所述方法包括如下步骤：/n1)确定当前用户车辆位置：结合GPS和Google earth的车辆定位软件，车载终端将GPS当前用户车辆定位信息数据经4G网络模块与远程监测中心终端进行数据传输,远程监测中心终端接收到当前用户车辆定位信息数据后,确定当前用户车辆的位置坐标，并在Googleearth中对移动车辆实现定位跟踪；/n2)车位状态图像识别：车辆定位系统对停车场的现场图片进行采集，并进行车位状态图像识别，找到空闲车位，包括：/n2-1)灰度化图像：对于彩色的RGB图像的像素矩阵，将RGB三个分量平均，得到灰度后的对应位置(i,j)的像素值：f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3；其中，(i,j)表示对应像素点的横坐标i和纵坐标j；/n2-2)去噪：采用小波阈值的图像对灰度化后的图像去噪，设定过滤的阈值，对小波系数进行处理，保留有效的信号系数，再对处理后的小波系数逆变换，得到去噪的结果；/n2-3)基于卷积神经网络的图像分类：将步骤2-1)、2-2)预处理后的图像作为输入，输入到具有三层卷积网络结构的卷积神经网络即CNN中，所述CNN网络中每层网络都包括卷积、激活和池化操作，其中，预设定的卷积核大小为5*5，卷积核的深度与卷积后的feature map即特征图像深度相同，池化操作为最大值池化即MAX-POOLING，激活函数为RELU函数，在三层网络之后设定一个全连接层即FC layer，采用Softmax函数将分类结果和训练集匹配，判断停车场的对应车位是否被占用；/n2-4)对于车牌号的识别：对于车牌号的识别进行字符的分割，对于停车场现场图片灰度化后的车牌矩形框截取字符图块，利用步骤2-3)中的CNN网络和训练集进行训练，实现字符识别，设定每隔一段时间间隔对停车场的现场车位图像进行采集，以此来实现车位状态的数据实时更新，同时实现对车位状态表中数据的更新，车位状态表包括当前车位的转态是否为空闲，若不是，则要记录所停车的车牌号；/n3)推荐车位：首先选择出泊车位的较优特征，即对于泊车位的特征向量集合位D，采用遗传算法从中选取d个较优特征，其中，d<D，过程如下：/n3-1)染色体的初始化：将所有泊车位的特征描述为由0和1字符组成的字符串，其中0表示该特征没被选取，1表示该特征被选取，初始化一个1*D维的列向量作为初始染色体，列向量的每一维都是0，采用随机数的操作将其中d个随机为1，重复这个步骤n次，可以得到有n条染色体的初始种群M(t＝0)；/n3-2)计算染色体的适应度函数：采用预先定义的适应度函数即所要求的目标函数最优化，计算每条染色体的适应度值f(m)；/n3-3)基于适应度的选择：按照选择概率密度p(f(m))对种群的染色体进行采样，依据采样得到的染色体繁殖下一代染色体，组成新一代的种群M(t+1)，具体的选择过程如下：/n3-3-1)计算出所有染色体适应度之和...

【技术特征摘要】
1.一种基于图像识别与用户偏好的智能车位推荐方法，包括车辆定位系统，所述车辆定位系统包括通过网络互连的车载终端、4G网络模块和远程监测中心终端，其特征在于，所述方法包括如下步骤：
1)确定当前用户车辆位置：结合GPS和Googleearth的车辆定位软件，车载终端将GPS当前用户车辆定位信息数据经4G网络模块与远程监测中心终端进行数据传输,远程监测中心终端接收到当前用户车辆定位信息数据后,确定当前用户车辆的位置坐标，并在Googleearth中对移动车辆实现定位跟踪；
2)车位状态图像识别：车辆定位系统对停车场的现场图片进行采集，并进行车位状态图像识别，找到空闲车位，包括：
2-1)灰度化图像：对于彩色的RGB图像的像素矩阵，将RGB三个分量平均，得到灰度后的对应位置(i,j)的像素值：f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3；其中，(i,j)表示对应像素点的横坐标i和纵坐标j；
2-2)去噪：采用小波阈值的图像对灰度化后的图像去噪，设定过滤的阈值，对小波系数进行处理，保留有效的信号系数，再对处理后的小波系数逆变换，得到去噪的结果；
2-3)基于卷积神经网络的图像分类：将步骤2-1)、2-2)预处理后的图像作为输入，输入到具有三层卷积网络结构的卷积神经网络即CNN中，所述CNN网络中每层网络都包括卷积、激活和池化操作，其中，预设定的卷积核大小为5*5，卷积核的深度与卷积后的featuremap即特征图像深度相同，池化操作为最大值池化即MAX-POOLING，激活函数为RELU函数，在三层网络之后设定一个全连接层即FClayer，采用Softmax函数将分类结果和训练集匹配，判断停车场的对应车位是否被占用；
2-4)对于车牌号的识别：对于车牌号的识别进行字符的分割，对于停车场现场图片灰度化后的车牌矩形框截取字符图块，利用步骤2-3)中的CNN网络和训练集进行训练，实现字符识别，设定每隔一段时间间隔对停车场的现场车位图像进行采集，以此来实现车位状态的数据实时更新，同时实现对车位状态表中数据的更新，车位状态表包括当前车位的转态是否为空闲，若不是，则要记录所停车的车牌号；
3)推荐车位：首先选择出泊车位的较优特征，即对于泊车位的特征向量集合位D，采用遗传算法从中选取d个较优特征，其中，d<D，过程如下：
3-1)染色体的初始化：将所有泊车位的特征描述为由0和1字符组成的字符串，其中0表示该特征没被选取，1表示该特征被选取，初始化一个1*D维的列向量作为初始染色体，列向量的每一维都是0，采用随机数的操作将其中d个随机为1，重复这个步骤n次，可以得到有n条染色体的初始种群M(t＝0)；
3-2)计算染色体的适应度函数：采用预先定义的适应度函数即所要求的目标函数最优化，计算每条染色体的适应度值f(m)；
3-3)基于适应度的选择：按照选择概率密度p(f(m))对种群的染色体进行采样，依据采样得到的染色体繁殖下一代染色体，组成新一代的种群M(t+1)，具体的选择过程如下：
3-3-1)计算出所有染色体适应度之和
3-3-2)由每个染色体个体的相对适应度大小，即得到一个新的划分区间
3-3-3)在所有di组成一个0-1的区域，通过随机一个0到1的数字m确定m所位于的区间dk,从而确定出被筛选出的染色体，重复选择n次，可以得到n条染色体；
3-3-4)交叉：交叉的意义是产生新一代的个体，过程为：
3-3-4-1)随机选取两条染色体；
3-3-4-2)设置交叉点j；
3-3-4-3)确定两两互换交叉点之后的基因序列；
3-3-5)变异：对于当前种群M(t)中的每一条染色体，依据设定的变异概率决定它是否变异，若是，随机地选取该染色体的一个基因进行变异，如果该基因是0则变为1，反之亦然；
3-3-6)重复迭代：在经过上述选择、交叉和变异后，上一代的种群M(t)更新为下一代M(t+1),重复步骤3-3-2)-步骤3-3-5)，直到种群得到的染色体的适应度达到预先设定的阈值，则算法终止，输出适应度最大的染色体，取出其中标号为1的基因所对应的特征集合，就是最终特征选择的结果，然后采...

【专利技术属性】
技术研发人员：汪华登，许广，管军霖，王子民，甘才军，蓝如师，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45