【技术实现步骤摘要】
本专利技术属于智能停车领域，涉及一种停车检测方法，尤其涉及一种基于googlenet卷积神经网络的地磁停车检测方法。
技术介绍
1、随着我国城市化进程的加快，机动车保有量不断增加，车辆的快速增长在带来经济发展的同时也引发了停车难、乱停车等问题，在车辆数量与停车场容量不对等的情况下，实时检测车位信息，实现智能停车尤为重要。
2、在现有的停车检测方式中，地磁停车检测方法由于安装维护方便、抗干扰能力强和运行稳定等优点已得到广泛的应用，其主要根据地磁传感器检测到的磁场强度相对于磁场基值的变化量进行判断，当磁场基值随时间发生漂移时，该方法可能会存在误检。此外，传统的地磁停车检测方法无法规避邻位车辆对本位的影响，对一些复杂的车辆行为(比如跨邻位)也很难准确判断。
3、鉴于此，如今迫切需要设计一种停车检测方式，以便克服传统地磁停车检测方法存在的缺陷。
技术实现思路
1、本专利技术目的在于提供一种基于googlenet卷积神经网络的地磁停车检测方法，无需依赖磁场基值，能对本车位进出车、跨邻位进出车、邻位进出车等车辆行为进行准确判断，以解决现有技术中当磁场基值随时间发生漂移时，可能会存在误检，此外，传统的地磁停车检测方法无法规避邻位车辆对本位的影响，对一些复杂的车辆行为也很难准确判断的问题。
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、一种基于googlenet卷积神经网络的地磁停车检测方法，所述检测方法包括：
4、步骤s1、
5、步骤s2、对不同车辆行为下地磁停车波形图样本进行标记，构建地磁停车波形数据集；
6、步骤s3、对地磁停车波形数据集的中样本图进行预处理；
7、步骤s4、定义卷积神经网络即定义googlenet的神经网络模型及其神经网络结构；
8、步骤s5、将步骤s3预处理后的地磁停车波形数据集输入到步骤s4构建的googlenet卷积神经网络模型中进行训练，调整googlenet卷积神经网络模型参数；
9、步骤s6、利用地磁停车检测设备获取磁场强度波形数据，以此作为待检测样本放入步骤s5训练好的googlenet卷积神经网络模型中进行测试；
10、步骤s7、输出分类结果，判断是否为本位进出车。
11、作为本专利技术的一种优选方案，步骤s1所述的不同行为方式包括本车位进车、本车位出车、跨车位进车、跨车位出车、邻车位进车、邻车位出车。
12、作为本专利技术的一种优选方案，步骤s1所述的地磁停车检测设备基于各向异性磁阻(amr)技术，能够在车辆等铁磁物质经过时检测出周围磁场强度波形数据。
13、作为本专利技术的一种优选方案，步骤s1所述的均值滤波处理可以消除原始波形中存在的细小毛刺等噪声。
14、作为本专利技术的一种优选方案，步骤s3所述的预处理方法指对地磁停车波形图进行归一化。
15、作为本专利技术的一种优选方案，步骤s4所述卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成，输入层、卷积层和池化层构成特征提取器，全连接层和输出层构成分类器。
16、作为本专利技术的一种优选方案，步骤s4所述googlenet卷积神经网络利用inception模块代替传统卷积神经网络的卷积池化层，在增加网络深度的同时减轻网络结构负担。
17、作为本专利技术的一种优选方案，所述inception模块由1×1，3×3，5×5的卷积核组成。
18、作为本专利技术的一种优选方案，步骤s4所述googlenet卷积神经网络能自动提取目标类别特征，避免人工预选取特征带来的不标准性。
19、作为本专利技术的一种优选方案，步骤s5所述googlenet卷积神经网络模型训练使用动量随机梯度下降法，初始学习速率设置为0.0001，每次处理的数据个数为10，其余参数为默认值。
20、本专利技术的有益效果在于：
21、本专利技术提出的基于googlenet卷积神经网络的地磁停车检测方法，利用googlenet卷积神经网络对地磁停车波形图进行分类，并由分类结果判断当前车辆的停车行为，不依赖于磁场基值，不受基值漂移的影响。此外，本专利技术可以将邻近车位对本车位的干扰消除，提高设备检测准确率。
本文档来自技高网...【技术保护点】
1.一种基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，所述检测方法包括：
2.根据权利要求1所述的基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤S1中的所述不同行为方式包括本车位进车、本车位出车、跨车位进车、跨车位出车、邻车位进车、邻车位出车。
3.根据权利要求1所述的基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤S1中的所述地磁停车检测设备基于各向异性磁阻(AMR)技术，能够在车辆等铁磁物质经过时检测出周围磁场强度波形数据。
4.根据权利要求1所述的基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤S1中的所述均值滤波处理可以消除原始波形中存在的细小毛刺等噪声。
5.根据权利要求1所述的基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤S3中的所述预处理方法指对地磁停车波形图进行归一化，其转化函数为：
6.根据权利要求1所述的基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，所述步
7.根据权利要求1所述的基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤S4中的所述GoogLeNet卷积神经网络模型利用inception模块代替传统卷积神经网络的卷积池化层，在增加网络深度的同时减轻网络结构负担。
8.根据权利要求7所述的基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，所述inception模块由1×1，3×3，5×5的卷积核组成。
9.根据权利要求1所述的基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤S4中的GoogLeNet卷积神经网络模型能自动提取目标类别特征，避免人工预选取特征带来的不标准性。
10.根据权利要求1所述的基于GoogLeNet卷积神经网络的地磁停车检测方法，其特征在于，
...【技术特征摘要】
1.一种基于googlenet卷积神经网络的地磁停车检测方法，其特征在于，所述检测方法包括：
2.根据权利要求1所述的基于googlenet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤s1中的所述不同行为方式包括本车位进车、本车位出车、跨车位进车、跨车位出车、邻车位进车、邻车位出车。
3.根据权利要求1所述的基于googlenet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤s1中的所述地磁停车检测设备基于各向异性磁阻(amr)技术，能够在车辆等铁磁物质经过时检测出周围磁场强度波形数据。
4.根据权利要求1所述的基于googlenet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤s1中的所述均值滤波处理可以消除原始波形中存在的细小毛刺等噪声。
5.根据权利要求1所述的基于googlenet卷积神经网络的地磁停车检测方法，其特征在于，所述步骤s3中的所述预处理方法指对地磁停车波形图进行归一化，其转化函数为：
6.根据权利要求1所述的基于googlenet卷积...
【专利技术属性】
技术研发人员：张娟，
申请(专利权)人：微传智能科技常州有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。