一种基于时空车辆重识别的智慧园区无人泊车方法技术

本发明专利技术涉及一种基于时空车辆重识别的智慧园区无人泊车方法，包括：获取目标车辆的图像关键帧信息，并进行车牌特征信息提取；基于路径规划算法为目标车辆推荐最优车位，并基于灯杆唯一点位构建路径，引导车辆停靠；基于图像关键帧信息和车牌特征信息，利用车辆重识别网络进行重识别关联处理，结合车辆外观特征、各灯杆地理标签和时间戳生成目标车辆行驶轨迹；基于轻量化关键点停车位检测算法对车位进行检测，结合灯杆与地锁对车辆与车位进行匹配判断，若匹配成功则进行车辆自主停靠以及停车是否规范的判断；当目标车辆驶出停车位时，统计车辆停靠时长并计算停车费用，实现无感支付。与现有技术相比，本发明专利技术具有车辆定位精度高、实用性强等优点。实用性强等优点。实用性强等优点。

【技术实现步骤摘要】
一种基于时空车辆重识别的智慧园区无人泊车方法


[0001]本专利技术涉及无人驾驶及车辆重识别的
，尤其是涉及一种基于时空车辆重识别的智慧园区无人泊车方法。

技术介绍

[0002]智能网联汽车发展迅猛将深刻改变未来人们出行和生活方式。随着无人驾驶技术的不断普及与推广，L3等级以上的智能汽车正逐步推向市场，并将率先在封闭园区等场景落地。随着智能汽车销量的攀升，具备自主泊车能力的智能汽车与传统有人驾驶泊车将长期共存，作为封闭园区的典型场所停车场也将迎来了变革以适应时代发展的需求。目前围绕无人驾驶需求的停车场智慧化升级的研究尚不充分。简单依靠车牌识别，显然无法在更为复杂的环境和更智能的场景下使用。如何应对有人驾驶的自主随机机动灵活，又能充分利用公共车位管理是亟需解决的关键挑战。具体的，现有技术存在以下缺陷：
[0003]1)难以应对无人驾驶车辆的自动泊车；
[0004]2)车辆定位精度低，难以实现高精度的自动泊车；
[0005]3)部分技术依赖于停车场结构与大型支撑设备，实用性差；
[0006]4)缺乏无人泊车的整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空车辆重识别的智慧园区无人泊车方法，其特征在于，包括以下步骤：步骤S1：当目标车辆到达停车场入口处时，获取部署于入口处灯杆上的摄像头拍摄的目标车辆的第一图像关键帧信息，并进行车牌特征信息提取；步骤S2：停车场入口闸机对目标车辆放行后，基于路径规划算法为目标车辆推荐最优车位，并基于灯杆唯一点位构建路径，引导车辆停靠；步骤S3：调用分布于智慧园区中的多个灯杆获取目标车辆行驶过程中的第二图像关键帧信息，并基于第一、第二图像关键帧信息和车牌特征信息，利用车辆重识别网络PVRS进行重识别关联处理，结合车辆外观特征、各灯杆地理标签和时间戳生成目标车辆行驶轨迹，计算车辆平均行驶速度，对行驶路线进行实时监控；步骤S4：基于轻量化关键点停车位检测算法对车位进行检测，结合灯杆与地锁对车辆与车位进行匹配判断，若匹配成功则完成车辆自主停靠动作以及停车是否规范的判断；步骤S5：当地锁检测到目标车辆驶出停车位时，统计车辆停靠时长，并计算停车费用，实现无感支付。2.根据权利要求1所述的一种基于时空车辆重识别的智慧园区无人泊车方法，其特征在于，所述车牌特征信息提取采用基于YOLOv5的单步目标检测网络实现，所述单步目标检测网络对YOLOv5网络进行以下改进：将backbone更换为EfficientNet；采用旋转或反射变换、噪声扰动的数据增强方法；在mosaic基础上，添加mixup增强方法；添加自适应特征融合ASFF层对不同层级的特征加权融合；使用涵盖多种情况的图像样本作为训练集对网络进行训练，其中，所述多种情况包括不同光照条件、不同天气、不同角度。3.根据权利要求1所述的一种基于时空车辆重识别的智慧园区无人泊车方法，其特征在于，所述步骤S2包括以下步骤：步骤S21：停车场入口闸机对目标车辆放行后，获取当前状态下园区停车位状态序列X(n)＝{x1,x2,
…
,x
n
}，其中n代表园区停车位总数，x
i
代表编号i的车位的状态分数，当车位i为空车位时，x
i
取1；当车位i不为空时，x
i
取浮点数ε，0＜ε＜＜1；步骤S22：计算车位评估函数f(i)：f(i)＝x
i
*(y
i
+z
i
)其中，y
i
表示停车位距离评估分数，距离入口处的路程越短，分数越高；z
i
表示停车位停靠难度评估分数，根据车位本身属性与车位周围环境属性加权计算得到；步骤S23：根据车位评估函数f(i)，维护一个由所有车位构成的优先队列pq，评估函数值大的靠近队首，在需要推荐最优车位时，队首元素即为最优车位besti，将起点设置为入口处，终点设置为最优车位，作为基于Dijkstra算法的单源路径规划算法的输入；步骤S24：基于Dijkstra算法的单源路径规划算法，利用灯杆地理位置的唯一性，将道路旁的灯杆捆绑到与其相近且位于道路中的一点，作为该灯杆的标记点，根据灯杆标记点以及标记点之间的联通关系，作为无向图中的顶点与边，使用Dijkstra算法计算最短路径，完成路径规划，引导车辆停靠。4.根据权利要求1所述的一种基于时空车辆重识别的智慧园区无人泊车方法，其特征在于，所述车辆重识别网络PVRS包括自监督注意力车辆外观识别子模块、车牌验证子模块和基于时空关联信息的重排序子模块。5.根据权利要求4所述的一种基于时空车辆重识别的智慧园区无人泊车方法，其特征
在于，所述自监督注意力车辆外观识别子模块基于自监督注意力机制对图像关键帧信息进行特征提取得到车辆外观特征，所述特征提取基于自监督残差生成和深层特征提取完成，具体包括以下步骤：步骤S311：自监督残差生成：使用新型的VAE架构，通过最大池化将输入图像进行下采样，降低维度，再通过潜在特征的均值和协方差进行重新参数化，即变分自动编码器，最后对潜在特征映射进行上采样，进行图像重建工作，过程中使用均方误差和KL散度对重建模型进行预训练，损失函数公式表示如下：L
construct
＝L
mse
+θL
kl
其中，θ用于调整均方误差与KL散度的权重比，L
mse
为均方误差损失，L
kl
为KL散度损失，L
construct
为重建模型的损失函数；步骤S312：深层特征提取：使用一个单分支的ResNet
‑
50特征提取网络，将车辆图像投射到一个低维向量空间，并保留有效表征车辆身份的特征；步骤S313：使用可学习的参数对原始图像和其残差进行权重划分，允许特征提取网络对每个输入源的重要性加权，此过程中总损失函数公式表示如下：L＝L
triplet
+L
crossentropy
+μL
constructconstruct
其中，L
triplet
代表三重...

【专利技术属性】
技术研发人员：朱忠攀，张智淋，何斌，龚哲飞，张朋朋，
申请(专利权)人：同济大学，
类型：发明
国别省市：