一种停车位停车状态检测方法技术

本申请公开了一种停车位停车状态检测方法

【技术实现步骤摘要】
一种停车位停车状态检测方法、系统及装置


[0001]本申请涉及智慧交通
，尤其涉及一种停车位停车状态检测方法
、
系统及装置
。

技术介绍

[0002]全国机动车保有量与日俱增，各种公共场所的停车位也成为了热门资源
。
维持停车区域的秩序对交通流量疏导以及道路的顺畅通行起到了至关重要的作用，同时也减少了安全隐患
。
因此，有必要实时掌握公共场所的停车区域的停车情况
。
目前停车位停车状态判断主要通过在停车位上安装地感线圈或者在停车位附近安装监控摄像头两种方式实现
。
前者通过车辆出入停车位造成的线圈内部电流变化判断停车位空闲状态；后者通过运行在摄像头或者智能盒子
(
服务器
)
上的神经网络模型实时检测画面中的机动车，得到机动车的坐标信息，再与停车区域进行比对判断
。
由于监控摄像头安装便捷
、
场地改造成本低，基于视频监控方式的停车位停车状态检测成为了主流的方案
。
但目前视频监控技术方案依赖于特定种类的车辆组件，无法应对拥堵
、
遮挡等复杂停车场景下停车位停车状态的检测，容易出现漏检，准确性有待提高
。

技术实现思路

[0003]本申请实施例提供了一种停车位停车状态检测方法
、
系统及装置，用以实现复杂停车场景下停车位停车状态的检测，提高检测准确性
。
[0004]本申请实施例提供的一种停车位停车状态检测方法，包括：
[0005]获取采集的停车区域图像；
[0006]将所述停车区域图像输入预先训练好的深度学习网络，得到至少一个车辆组件目标图像的图像特征，利用所述至少一个车辆组件目标图像的图像特征，计算各个所述车辆组件目标图像之间的相似度，得到相似度矩阵，基于所述相似度矩阵对所述至少一个车辆组件目标图像进行聚类，将属于同一车辆的所述车辆组件目标图像归为同一类别，并将每一所述类别中的车辆组件目标图像进行关联；
[0007]根据每一所述关联关系中的任一车辆组件目标图像的位置信息，以及所述停车区域图像中每一停车位的车位框位置信息，确定所述每一停车位的停车状态
。
[0008]通过该方法，获取采集的停车区域图像；将所述停车区域图像输入预先训练好的深度学习网络，得到至少一个车辆组件目标图像的图像特征，利用所述至少一个车辆组件目标图像的图像特征，计算各个所述车辆组件目标图像之间的相似度，得到相似度矩阵，基于所述相似度矩阵对所述至少一个车辆组件目标图像进行聚类，将属于同一车辆的所述车辆组件目标图像归为同一类别，并将每一所述类别中的车辆组件目标图像进行关联；根据每一所述关联关系中的任一车辆组件目标图像的位置信息，以及所述停车区域图像中每一停车位的车位框位置信息，确定所述每一停车位的停车状态，从而实现复杂场景下停车位停车状态的检测，提高准确性
。
[0009]在一些实施例中，所述得到相似度矩阵，具体包括：
[0010]将所述停车区域图像输入所述深度学习网络的特征提取层，得到至少一个车辆组件目标图像的分类特征图与定位特征图；
[0011]将所述至少一个车辆组件目标图像的分类特征图与定位特征图通过预设函数进行拼接融合，得到拼接融合特征图；
[0012]将所述拼接融合特征图输入所述深度学习网络的特征映射层，得到相似度特征图；
[0013]基于所述相似度特征图，计算各个所述车辆组件目标图像之间的相似度，得到相似度矩阵
。
[0014]通过该方法，实现同一车辆的组件目标图像的图像特征尽量相似，不同车辆的组件目标图像的图像特征尽量不同，提高后续聚类的准确性
。
[0015]在一些实施例中，所述得到拼接融合特征图，具体包括：
[0016]将每一所述车辆组件目标图像的分类特征图进行拼接，得到拼接后的分类特征图；以及，将每一所述车辆组件目标图像的定位特征图进行拼接，得到拼接后的定位特征图；
[0017]将所述拼接后的分类特征图与所述拼接后的定位特征图进行融合，得到拼接融合特征图
。
[0018]通过该方法，实现车辆组件目标图像具有更高的辨识度，便于后续计算各个车辆组件目标图像之间的相似度
。
[0019]在一些实施例中，所述预先训练好的深度学习网络，具体训练方法包括：
[0020]将训练数据集中的车辆组件图像输入预先搭建好的深度学习网络，得到所述车辆组件图像的相似度特征图，并基于所述车辆组件图像的相似度特征图确定相似度矩阵；
[0021]预先生成与所述相似度矩阵维度相同的全零矩阵；
[0022]通过下列公式一计算各个车辆组件之间的相似度标签值，并将每一所述相似度标签值填充到所述全零矩阵对应的位置，得到相似度标签矩阵；
[0023][0024]其中，表示第
i
个车辆组件与第
j
个车辆组件的相似度标签值，对应相似度标签矩阵中第
i
行
、
第
j
列的相似度标签值；
P
i
表示第
i
个车辆组件图像；
P
j
表示第
j
个车辆组件图像；
Car
n
表示检测出的第
n
辆车的车辆检测框；
Head
n
表示检测出的第
n
辆车的车头检测框；
Tail
n
表示检测出的第
n
辆车的车尾检测框；
Roof
n
表示检测出的第
n
辆车的车顶检测框；
N
表示车辆组件图像数量；
[0025]利用所述相似度标签矩阵以及所述相似度矩阵，通过下列公式二计算对比损失，并利用所述对比损失去训练所述预先搭建好的深度学习网络，得到训练好的深度学习网络；
[0026][0027]其中，
Loss
contra
表示对比损失；
M
simi,j
表示相似度矩阵中第
i
行
、
第
j
列的相似度值
。
[0028]通过该方法，实现得到收敛的深度学习网络，提高检测车辆组件目标图像的准确性
。
[0029]在一些实施例中，所述基于所述相似度矩阵对所述至少一个车辆组件目标图像进行聚类，将属于同一车辆的所述车辆组件目标图像归为同一类别，包括：
[0030]基于所述相似度矩阵，将属于同一车辆的车辆组件目标图像进行聚类，得到至少一个聚类中心；
[0031]当每一所述聚类中心满足预设条件时，确定将每一所述车辆组件目标图像分配到对应的聚类中心即车辆类别
。
[0032]通过该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种停车位停车状态检测方法，其特征在于，所述方法包括：获取采集的停车区域图像；将所述停车区域图像输入预先训练好的深度学习网络，得到至少一个车辆组件目标图像的图像特征，利用所述至少一个车辆组件目标图像的图像特征，计算各个所述车辆组件目标图像之间的相似度，得到相似度矩阵，基于所述相似度矩阵对所述至少一个车辆组件目标图像进行聚类，将属于同一车辆的所述车辆组件目标图像归为同一类别，并将每一所述类别中的车辆组件目标图像进行关联；根据每一所述关联关系中的任一车辆组件目标图像的位置信息，以及所述停车区域图像中每一停车位的车位框位置信息，确定所述每一停车位的停车状态
。2.
根据权利要求1所述的方法，其特征在于，所述得到相似度矩阵，具体包括：将所述停车区域图像输入所述深度学习网络的特征提取层，得到至少一个车辆组件目标图像的分类特征图与定位特征图；将所述至少一个车辆组件目标图像的分类特征图与定位特征图通过预设函数进行拼接融合，得到拼接融合特征图；将所述拼接融合特征图输入所述深度学习网络的特征映射层，得到相似度特征图；基于所述相似度特征图，计算各个所述车辆组件目标图像之间的相似度，得到相似度矩阵
。3.
根据权利要求2所述的方法，其特征在于，所述得到拼接融合特征图，具体包括：将每一所述车辆组件目标图像的分类特征图进行拼接，得到拼接后的分类特征图；以及，将每一所述车辆组件目标图像的定位特征图进行拼接，得到拼接后的定位特征图；将所述拼接后的分类特征图与所述拼接后的定位特征图进行融合，得到拼接融合特征图
。4.
根据权利要求1所述的方法，其特征在于，所述预先训练好的深度学习网络，具体训练方法包括：将训练数据集中的车辆组件图像输入预先搭建好的深度学习网络，得到所述车辆组件图像的相似度特征图，并基于所述车辆组件图像的相似度特征图确定相似度矩阵；预先生成与所述相似度矩阵维度相同的全零矩阵；通过下列公式一计算各个车辆组件之间的相似度标签值，并将每一所述相似度标签值填充到所述全零矩阵对应的位置，得到相似度标签矩阵；其中，表示第
i
个车辆组件与第
j
个车辆组件的相似度标签值，对应相似度标签矩阵中第
i
行
、
第
j
列的相似度标签值；
P
i
表示第
i
个车辆组件图像；
P
j
表示第
j
个车辆组件图像；
Car
n
表示检测出的第
n
辆车的车辆检测框；
Head
n
表示检测出的第
n
辆车的车头检测框；
Tail
n
表示检测出的第
n
辆车的车尾检测框；
Roof
n
表示检测出的第
n
辆车的车顶检测框；
N
表示车辆组件图像数量；利用所述相似度标签矩阵以及所述相似度矩阵，通过下列公式二计算对比损失，...

【专利技术属性】
技术研发人员：林骏，廖炳焱，何正海，黄世亮，段富治，王辉，王亚运，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：