一种车位状态识别方法、装置、电子设备及存储介质
文献发布时间:2024-04-18 19:58:26
技术领域
本申请涉及图像处理技术领域,尤其涉及一种车位状态识别方法、装置、电子设备及存储介质。
背景技术
依托于“智慧城市”、“安全城市”的大环境背景下,“智慧停车”话题已然和人们的日常出行密不可分,便捷停车成为居民城市生活幸福感指数的重要衡量指标。车辆余位引导功能作为“智慧停车”业务的首要环节,余位检测结果的准确度作为车位管理方案的关键衡量指标,它的优劣将直接影响到人们的出行体验。因此一种高精度车辆余位管理方案将极大程度上助力于智慧安全城市的建设。当前大多服务区仍采用人工埋设传感器的方式对单个车位的占用状态进行识别,此种方案一是需要耗费较大的人力成本,二是传感器自身灵敏度及信号检测等硬件缺陷制约,导致车位状态识别不准确。
发明内容
本申请实施例提供了一种车位状态识别方法、装置、电子设备及存储介质,用以解决现有技术车位状态识别准确性较差的问题。
第一方面,本申请提供了一种车位状态识别方法,所述方法包括:
获取车位状态监控区域的视频,并构建所述视频对应的跟踪框链表;
基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的检测框,按照帧序列的顺序,根据所述每个车辆的检测框对所述跟踪框链表中的跟踪框进行更新;
响应于车位状态触发指令,获取所述跟踪框链表中的每个目标跟踪框;根据所述每个目标跟踪框的坐标信息,确定所述车位状态监控区域内每个车位的状态。
第二方面,本申请提供了一种车位状态识别装置,所述装置包括:
获取模块,用于获取车位状态监控区域的视频,并构建所述视频对应的跟踪框链表;
检测模块,用于基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的检测框,按照帧序列的顺序,根据所述每个车辆的检测框对所述跟踪框链表中的跟踪框进行更新;
识别模块,用于响应于车位状态触发指令,获取所述跟踪框链表中的每个目标跟踪框;根据所述每个目标跟踪框的坐标信息,确定所述车位状态监控区域内每个车位的状态。
第三方面,本申请提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现所述的方法步骤。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现所述的方法步骤。
本申请提供了一种车位状态识别方法、装置、电子设备及存储介质,所述方法包括:获取车位状态监控区域的视频,并构建所述视频对应的跟踪框链表;基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的检测框,按照帧序列的顺序,根据所述每个车辆的检测框对所述跟踪框链表中的跟踪框进行更新;响应于车位状态触发指令,获取所述跟踪框链表中的每个目标跟踪框;根据所述每个目标跟踪框的坐标信息,确定所述车位状态监控区域内每个车位的状态。
上述的技术方案具有如下优点或有益效果:
本申请基于视频模式下,首先构建视频对应的跟踪框链表,然后基于已训练的车辆检测模型检测视频中的每帧图像中每个车辆的检测框,按照帧序列的顺序对跟踪框链表中的跟踪框进行更新,当接收到车位状态触发指令,获取跟踪框链表中的每个目标跟踪框,最后根据每个目标跟踪框的坐标信息,确定车位状态监控区域内每个车位的状态。相较于现有技术,无需在各个车位安装传感器,降低了车位状态识别的成本,并且避免了传感器自身灵敏度及信号检测等硬件缺陷制约,导致车位状态识别不准确的问题,提高了车位状态识别的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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的附图。
图1为本申请提供的车位状态识别过程示意图;
图2为本申请提供的通过单极降维法判别预设的车位状态线与候选检测框之间的位置关系的示意图;
图3为本申请提供的监控区域配置示意图;
图4为本申请提供的有效目标判定示意图;
图5为本申请提供的逻辑运算关系示意图;
图6为本申请提供的车位状态识别流程图;
图7为本申请提供的车位状态识别装置结构示意图;
图8为本申请提供的电子设备结构示意图。
具体实施方式
为使本申请的目的和实施方式更加清楚,下面将结合本申请示例性实施例中的附图,对本申请示例性实施方式进行清楚、完整地描述,显然,描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的所有组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合,能够执行与该元件相关的功能。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
为了方便解释,已经结合具体的实施方式进行了上述说明。但是,上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导,可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用,从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
图1为本申请提供的车位状态识别过程示意图,包括以下步骤:
S101:获取车位状态监控区域的视频,并构建所述视频对应的跟踪框链表。
S102:基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的检测框,按照帧序列的顺序,根据所述每个车辆的检测框对所述跟踪框链表中的跟踪框进行更新。
S103:响应于车位状态触发指令,获取所述跟踪框链表中的每个目标跟踪框;根据所述每个目标跟踪框的坐标信息,确定所述车位状态监控区域内每个车位的状态。
本申请提供的车位状态识别方法应用于电子设备,该电子设备可以是PC、平板电脑等设备,也可以是服务器。
安装在监控区域的图像采集设备采集到车位状态监控区域的视频之后,将视频发送至电子设备。电子设备获取车位状态监控区域的视频,并构建视频对应的跟踪框链表。跟踪框链表中包括与各个监控车位一一对应的节点,每个节点包括所对应的监控车位的车辆的跟踪框、类别和标识信息。车辆的类别例如是车辆的车头或车尾,车辆的标识信息例如是车辆的车牌号,还可以是为车辆分配的跟踪ID,例如0、1、2等。
电子设备保存有已训练的车辆检测模型,车辆检测模型是基于训练集中的样本图像和对应的标签信息训练得到的,标签信息为对应的样本图像的检测框的坐标信息。检测框可以是整个车辆的检测框,也可以是车头检测框或车尾检测框。获取到车位状态监控区域的视频,通过分帧处理,得到视频中的每帧图像。基于已训练的车辆检测模型检测每帧图像中每个车辆的检测框,根据每个车辆的检测框的坐标信息,确定每个车辆对应于跟踪框链表中的节点。按照帧序列的顺序,根据每个车辆的检测框对跟踪框链表中相同节点的跟踪框进行更新。也就是将当前帧中车辆的检测框作为跟踪框链表中最新的跟踪框。对于视频中的第一帧图像,则根据每个车辆的检测框的坐标信息,将其添加至跟踪框链表中对应的节点,并作为跟踪框。
当电子设备接收到车位状态触发指令,响应于车位状态触发指令,获取跟踪框链表中的每个目标跟踪框。可选的,将跟踪框链表中最新的跟踪框,最为目标跟踪框。根据每个目标跟踪框的坐标信息,确定车位状态监控区域内每个车位的状态。根据每个目标跟踪框的坐标信息可以确定出每个目标跟踪框对应的目标节点,进而确定目标节点对应的监控车位的状态为有车,其它节点对应的监控车位的状态为无车。
本申请基于视频模式下,首先构建视频对应的跟踪框链表,然后基于已训练的车辆检测模型检测视频中的每帧图像中每个车辆的检测框,按照帧序列的顺序对跟踪框链表中的跟踪框进行更新,当接收到车位状态触发指令,获取跟踪框链表中的每个目标跟踪框,最后根据每个目标跟踪框的坐标信息,确定车位状态监控区域内每个车位的状态。相较于现有技术,无需在各个车位安装传感器,降低了车位状态识别的成本,并且避免了传感器自身灵敏度及信号检测等硬件缺陷制约,导致车位状态识别不准确的问题,提高了车位状态识别的准确性。
考虑到检测车辆整体的检测框,会出现相邻车位的车辆检测框重叠部分较多,影响车位状态识别的准确性的问题,本申请中,所述基于已训练的车辆检测模型检测所述视频中的每帧图像中车辆的检测框包括:
基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的车头检测框和车尾检测框中的至少一个。
电子设备保存有已训练的车辆检测模型,车辆检测模型是基于训练集中的样本图像和对应的标签信息训练得到的,标签信息为对应的样本图像的检测框的坐标信息。检测框可以是车头检测框和/或车尾检测框。基于已训练的车辆检测模型检测视频中的每帧图像中每个车辆的车头检测框。包括以下三种情况:1、仅检测到车头检测框;2、仅检测到车尾检测框;3、同时检测到车头检测框和车尾检测框。
为了提高检测视频中的每帧图像中每个车辆的车头检测框和车尾检测框中的至少一个的准确性,所述基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的车头检测框和车尾检测框中的至少一个包括:
基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的候选车头检测框和候选车尾检测框中的至少一个;将检测到的候选车头检测框和候选车尾检测框作为候选检测框;
针对各个候选检测框,若确定所述候选检测框与预设的有效区域存在交集,并确定所述候选检测框与预设的车位状态线存在相交,将所述候选检测框作为有效的检测框并保留,否则将所述候选检测框滤除;其中,所述预设的车位状态线为所述预设的有效区域内每个车位的中心线。
基于已训练的车辆检测模型对每帧图像中每个车辆进行检测,将检测得到的检测框作为候选车头检测框或候选车尾检测框,然后将检测到的候选车头检测框和候选车尾检测框都作为候选检测框。再对候选检测框进行筛选,得到其中有效的检测框和无效的检测框,保留有效的检测框,滤除无效的检测框。无效的检测框认为是干扰检测框。
对候选检测框进行筛选的过程为:
电子设备中保存有监控区域内预设的有效区域,例如将监控区域内所有车位的最小外接矩形,或最小外接多边形作为预设的有效区域,也可以由管理人员预先根据监控区域内所有车位制定有效区域。并且,电子设备中保存有各个车位各自的车位状态线,预设的车位状态线为预设的有效区域内每个车位的中心线。车位一般为矩形的车位,该中心线可以是与车位的长边平行的中心线。
针对各个候选检测框,首先判断候选检测框与预设的有效区域是否存在交集,如果不存在交集,则直接将候选检测框作为无效的检测框进行滤除。如果存在交集,再判断是否存在与候选检测框相交的预设的车位状态线,如果不存在,则将候选检测框作为无效的检测框进行滤除,如果存在,将候选检测框作为有效的检测框并保留。
本申请通过预设的有效区域和预设的车位状态线,对候选检测框进行筛选,从而滤除了干扰,提高了确定的检测框的准确性。
本申请中,确定候选检测框与预设的车位状态线存在相交包括:
根据所述候选检测框的坐标信息和所述预设的车位状态线的坐标信息,通过单级降维法,确定所述候选检测框与预设的车位状态线存在相交。
图2为本申请提供的通过单极降维法判别预设的车位状态线与候选检测框之间的位置关系的示意图。
假设候选检测框与车位状态线分别表示为矩形框CD与线段AB,其中矩形框坐标表示为C(x
点M和点N分别为矩形CD在x轴方向与直线AB的交点,并通过上述公式计算出交点坐标。令M取值(A,M)中y大的点,N取值(B,N)中y值小的点,如图2中的线段MB。
M=max_y(A,M),B=min_y(B,N);
最终,通过判别矩形CD与线段MB两者在x轴上的映射线段是否存在交集,如图2中的线段EF与线段GH。若两线段存在交集,则判定矩形CD与线段AB为相交状态,否则为分离状态。通过单极降维法可简单有效推算出当前车位状态线是否存在与其相交的候选检测框,进而判别当前车位的占用状态。
本申请中,根据所述每个车辆的检测框对所述跟踪框链表中的跟踪框进行更新包括:
针对每个检测框,将所述检测框与所述跟踪框链表中的最近一次更新后的各个跟踪框进行匹配,若存在匹配成功的跟踪框,采用所述检测框对所述匹配成功的跟踪框进行更新,若不存在匹配成功的跟踪框,将所述检测框作为跟踪框添加至所述跟踪框链表中。
检测框与跟踪框匹配的过程可以是,根据检测框的坐标信息和跟踪框的坐标信息,计算检测框与跟踪框的重叠面积,若重叠面积超过预设的面积阈值,确定检测框与跟踪框匹配成功,否则确定检测框与跟踪框匹配失败。或者,根据检测框的坐标信息和跟踪框的坐标信息,计算检测框与跟踪框的交并比,若交并比超过预设的交并比阈值,确定检测框与跟踪框匹配成功,否则确定检测框与跟踪框匹配失败。若存在匹配成功的跟踪框,采用检测框对所述匹配成功的跟踪框进行更新,若不存在匹配成功的跟踪框,将检测框作为跟踪框添加至所述跟踪框链表中。例如,检测框m与跟踪框n匹配成功,则将检测框m作为更新后的跟踪框。对于跟踪框n,可以删除跟踪框n的图像,但是跟踪框n对于的坐标信息、类别。车辆标识信息等保存。
所述方法还包括:
若存在匹配成功的跟踪框,判断所述跟踪框是否存在对应车辆的标识信息,如果是,将车辆的标识信息更新为所述检测框对应车辆的标识信息,如果否,基于所述检测框进行车辆的标识信息的识别;
若不存在匹配成功的跟踪框,基于所述检测框进行车辆的标识信息的识别。
基于所述检测框进行车辆的标识信息的识别可以是,采用车牌识别算法识别检测框中的车牌信息,将车牌信息作为检测框对应的车辆的标识信息。这样对于车牌未出现在检测框中的情况,即使未能在当前帧识别到车牌信息,也能够根据匹配成功的跟踪框对应的车辆的标识信息,来确定出当前占用车位的车辆的标识信息。并且,在车辆停入车位的过程中,不需要对每个检测框都进行车牌识别。
需要说明的是,当检测到车辆A驶出车位后,跟踪框链表中车辆A的相关信息进行删除。
本申请中,将所述检测框与所述跟踪框链表中的最近一次更新后的各个跟踪框进行匹配包括:
根据所述检测框的坐标信息和所述各个跟踪框的坐标信息,确定与所述检测框相交的各个跟踪框;
分别确定所述检测框和所述相交的各个跟踪框的对角顶点距离,根据各个对角顶点距离分别确定所述检测框和所述相交的各个跟踪框的匹配度;
根据最大的匹配度,确定与所述检测框匹配的跟踪框。
假设每个检测框BBox的左上角坐标为(x
首先判别当前检测框BBox与跟踪框BBox_track是否存在交集,判别方式如下:
x
y
x
y
如果满足x
跟踪框与检测框匹配度公式如下:
match
若两框匹配度match
为了使确定车位的停车状态更准确,本申请中,根据所述每个目标跟踪框的坐标信息,确定所述车位状态监控区域内每个车位的状态包括:
针对所述每个目标跟踪框,根据所述目标跟踪框的坐标信息,确定所述目标跟踪框对应的目标车位;
获取预设的帧间步距值之前的图像中,所述目标车位的跟踪框的坐标信息;
根据所述目标跟踪框的坐标信息和所述目标车位的跟踪框的坐标信息,确定所述目标车位的车辆的位移距离;
若所述位移距离小于预设的距离阈值,确定所述目标车位的状态为有车。
预设的帧间步距值例如是25帧、40帧等。
帧间步距值设置为△f
所述方法还包括:
针对所述车位状态监控区域的每个车位,若所述车位的状态为有车,输出用于表征车头朝向的第一提示信息。
若仅检测到车头检测框,则确定车辆的车头朝向图像采集设备的方向,若仅检测到尾检测框,则确定车辆的车尾朝向图像采集设备的方向。若同时检测到车头检测框和车尾检测框,则确定车辆的车尾朝向图像采集设备的方向。本申请适用于任何车辆的检测,包括小型轿车、中型轿车、大型货车等。
根据所述车位状态监控区域内每个车位的状态,确定车位占用数量和车位空闲数量,输出用于表征车位占用数量和车位空闲数量的第二提示信息。
下面以货车余位监控场景为例进行说明。
利用深度学习网络模型对预置监控区域的车辆部件目标进行检测跟踪,车尾类别为0,车头类别为1,通过融合多帧跟踪框与设定车位状态线之间的位置关系判别车位状态信息v_status,占用状态值1,空闲状态值0,并结合车位的跟踪框链表parking_list中当前车位节点parking_node下车辆姿态属性标志位,即车头标志位head_flag与车尾标志位tail_flag之间的逻辑预算关系输出当前车位车辆的姿态信息。然后,通过车位状态数组parking_array求和运算结果p_sum与数组长度p_L之间的差值计算,输出当前监控区域内的车辆余位结果。最终,将设定监控区域内的目标车辆的姿态信息及余位信息进行系统上报,并通过控制灵敏度系数α,控制信息上报频率。本申请的主要执行流程如下:
参数配置:图像采集设备监控视野范围内,配置有效多边形车辆停车区域parking_area,该区域由多个点围成封闭区域。区域内每个车位分别配置一条带有编号的车位状态线parking_line,车位状态线默认状态值为0无车状态,车位被占用时状态值为1。设定车位信息上报频率系数α,当前视频帧率为f,则车位信息上报触发帧数F
F
监控区域配置示意图如下:
车位跟踪框链表/数组初始化:监控有效区域内配置的车位状态线的数量N即为车位链表parking_list与车位数组parking_array的长度,车位数组可以表征监控区域内的车位的数量。跟踪框链表下的每个节点parking_node挂有车辆姿态属性标志位,即车头标志位head_flag与车尾标志位tail_flag。当前车位检测出车头检测框或车尾检测框时,相应的标志位会被置1。如图3,由左到右第三个车位关联上车尾部件目标,则parking_list中相应的parking_node的姿态属性编码为1。车位数组parking_array的元素值即表示当前有效区域内车位的占用状态,元素值1表示当前车位为占用状态,0为空闲状态。
目标检测:使用但不限于YOLO等深度学习目标检测方法,由搭建好的检测模型对训练数据进行训练,由检测模型对视频图像中的车辆的部件目标进行检测定位,获取检测框BBox及类别属性。其中,车尾目标cartail类别为0,车头目标carhead类别为1。
有效目标判定:有效目标满足两个条件:1.目标检测框BBox与预设有效区域存在交集;2.BBox置信度大于设定阈值conf_thresh,设定阈值conf_thresh例如是0.5、0.6等。仅将满足以上两个条件的检测框输入给跟踪模块进行跟踪。
图4为本申请提供的有效目标判定示意图,如图4所示,有效区域内仅有4辆货车被视为有效目标,区域外的1号、2号及3号货车被视为环境目标或背景目标,其部件检测框会被滤除,无效目标的过滤可有效提升目标跟踪效率。
目标跟踪:初始化跟踪框链表track_list中节点信息node_info及链表长度LL,其中node_info包括跟踪目标坐标信息rect、类别class及标识id信息。目标检测框集合od_set由对角顶点距离度量的方式与当前跟踪链表的跟踪节点进行匹配。若匹配成功,则使用当前检测框BBox的属性信息【坐标和类别】去更相应跟踪节点的信息。属性信息包括坐标信息和类别信息。当前检测集中未匹配到跟踪节点的检测框视为新目标,并将其属性信息初始化为新跟踪节点更新至跟踪链表中,并分配跟踪id。
车位状态判定:通过单极降维法判别预设的车位状态线parking_line与当前稳定状态下的跟踪框之间的位置关系,若车位状态线与跟踪框相交,则认为当前车位已被占用,并依据跟踪框的类别属性将parking_list中对应的车位节点parking_node下车辆姿态属性进行编码,且车位数组parking_array中的对应索引的车位状态p_status置为1。
车辆姿态判定:通过车位节点parking_node下的车辆姿态属性标志位,即车头状态位head_flag与车尾状态位tail_flag两者之间的逻辑运算关系,输出当前处于占用状态下的车位上的车辆姿态属性信息,Results值为0表示背向姿态,1表示正向姿态。图5为本申请提供的逻辑运算关系示意图,XOR表示异或运算,AND表示与运算。
将车位状态数组parking_array求和运算结果p_sum与数组长度p_L之间的差值计算结果作为车辆余位数量Num_left。上报当前监控区域余位结果Num_left以及各目标车辆的姿态属性信息,并通过配置灵敏系数α控制信息的上报频率。
图6为本申请提供的车位状态识别流程图,包括:载入视频、参数配置、车位状态链表初始化(跟踪框链表初始化)、目标检测、有效目标判定、目标跟踪、车辆状态判定,若v_static=1,说明存在车辆且处于稳定状态,则进行车位状态判定,否则继续进行目标检测。若v_status=1,说明车位处于占用状态,进行车辆姿态判定,也就是确定车辆的朝向,最后结果上报,否则说明车位处于未占用状态,继续目标跟踪。
本申请基于视频模式下,通过目标检测跟踪与状态位逻辑运算相结合的方式,实现监控区域的目标车辆的姿态信息及车辆余位信息输出,相较于依赖地面埋设地磁传感器或其他微波检测装置方案,视频检测方案更加稳定可靠,具备更好的抗干扰能力。通过货车目标车头和车尾部件检测跟踪的方式,可更加精确的建立车辆与车位的关联关系,有效避免车辆密集场景下,由于全车检测框过大导致的“一车多位”现象。通过单极降维法,建立目标跟踪框与预设车位线之间的关联关系,可快速实现车位状态p_status状态值的判定;并通过车位数组parking_array与车位链表parking_list相结合的方式,完成车辆姿态信息与车辆余位信息管理,方便有效。通过判别目标检测框与监控区域的位置关系,甄别有效跟踪目标,并融合多帧识别结果来确保最终上报信息的准确度。
通过对车头部件和车尾部件检测跟踪并结合单极降维法,完成目标车辆与区域车位关联及车位状态值p_status的判定;并利用车位链表parking_list中子节点parking_node下姿态属性标志位head_flag与tail_flag之间的逻辑运算,输出目标车辆的姿态属性信息。车位状态数组parking_array求和运算结果p_sum与数组长度N之间进行差值计算,将差值计算结果作为监控区域内的车辆余位数量,并配置灵敏系数α控制信息的上报频率。
图7为本申请提供的车位状态识别装置结构示意图,所述装置包括:
获取模块71,用于获取车位状态监控区域的视频,并构建所述视频对应的跟踪框链表;
检测模块72,用于基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的检测框,按照帧序列的顺序,根据所述每个车辆的检测框对所述跟踪框链表中的跟踪框进行更新;
识别模块73,用于响应于车位状态触发指令,获取所述跟踪框链表中的每个目标跟踪框;根据所述每个目标跟踪框的坐标信息,确定所述车位状态监控区域内每个车位的状态。
检测模块72,用于基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的车头检测框和车尾检测框中的至少一个。
检测模块72,用于基于已训练的车辆检测模型检测所述视频中的每帧图像中每个车辆的候选车头检测框和候选车尾检测框中的至少一个;将检测到的候选车头检测框和候选车尾检测框作为候选检测框;针对各个候选检测框,若确定所述候选检测框与预设的有效区域存在交集,并确定所述候选检测框与预设的车位状态线存在相交,将所述候选检测框作为有效的检测框并保留,否则将所述候选检测框滤除;其中,所述预设的车位状态线为所述预设的有效区域内每个车位的中心线。
检测模块72,用于根据所述候选检测框的坐标信息和所述预设的车位状态线的坐标信息,通过单级降维法,确定所述候选检测框与预设的车位状态线存在相交。
检测模块72,用于针对每个检测框,将所述检测框与所述跟踪框链表中的最近一次更新后的各个跟踪框进行匹配,若存在匹配成功的跟踪框,采用所述检测框对所述匹配成功的跟踪框进行更新,若不存在匹配成功的跟踪框,将所述检测框作为跟踪框添加至所述跟踪框链表中。
检测模块72,还用于若存在匹配成功的跟踪框,判断所述跟踪框是否存在对应车辆的标识信息,如果是,将所述车辆的标识信息更新为所述检测框对应车辆的标识信息,如果否,基于所述检测框进行车辆的标识信息的识别;若不存在匹配成功的跟踪框,基于所述检测框进行车辆的标识信息的识别。
检测模块72,用于根据所述检测框的坐标信息和所述各个跟踪框的坐标信息,确定与所述检测框相交的各个跟踪框;分别确定所述检测框和所述相交的各个跟踪框的对角顶点距离,根据各个对角顶点距离分别确定所述检测框和所述相交的各个跟踪框的匹配度;根据最大的匹配度,确定与所述检测框匹配的跟踪框。
识别模块73,用于针对所述每个目标跟踪框,根据所述目标跟踪框的坐标信息,确定所述目标跟踪框对应的目标车位;获取预设的帧间步距值之前的图像中,所述目标车位的跟踪框的坐标信息;根据所述目标跟踪框的坐标信息和所述目标车位的跟踪框的坐标信息,确定所述目标车位的车辆的位移距离;若所述位移距离小于预设的距离阈值,确定所述目标车位的状态为有车。
识别模块73,还用于针对所述车位状态监控区域的每个车位,若所述车位的状态为有车,输出用于表征车头朝向的第一提示信息。
识别模块73,还用于根据所述车位状态监控区域内每个车位的状态,确定车位占用数量和车位空闲数量,输出用于表征车位占用数量和车位空闲数量的第二提示信息。
本申请还提供了一种电子设备,如图8所示,包括:处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信;
所述存储器303中存储有计算机程序,当所述程序被所述处理器301执行时,使得所述处理器301执行以上任一方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
本申请还提供了一种计算机存储可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现以上任一方法步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
- 一种车位确定方法、装置、电子设备、车辆及存储介质
- 商品状态识别方法、装置、电子设备及可读存储介质
- 交通指示灯的状态识别方法、装置、电子设备及存储介质
- 一种漆面识别方法、装置、存储介质及电子设备
- 一种虚假主叫识别方法、装置、电子设备及存储介质
- 车位状态的识别方法及装置、存储介质和电子装置
- 车位状态的识别方法及装置、存储介质和电子装置