连续泊位视频采集设备部署方法、网络设备和存储介质

技术领域

本申请涉及到智慧停车处理领域，具体而言，涉及连续泊位视频采集设备部署方法、网络设备和存储介质。

背景技术

传统的智慧停车方案，往往采用纯人工和手持终端设备录入方式来获取车辆的进出订单，这样的模式在瞬息万变的智慧化升级趋势下显得效率低下和笨重。为解决传统智慧停车方案效率低下、笨重的问题，在相关技术中提出了有球机(球型摄像机)和枪机(枪型摄像机)联动视频采集停车的方案，该方案通过长焦枪型摄像机覆盖广角的大面积区域，当有车辆进入画面时，球机变倍拉近焦距跟踪车辆和捕获车牌。当有车辆从泊位离场时，枪机联动球机转动到预置点坐标跟踪和抓拍车牌。该种高位枪球联动的视频采集停车方案存在多车同时进出时丢数据、车牌识别不稳定的问题，最终导致识别结果准确度差。另外，在相关技术中还提出了通过安装低位视频桩对车位状态和车辆驶入、驶出的停车完整事件进行视频检测的方案。该种低位视频桩方案能适应诸多光线条件下的停车环境，例如：大雨、大雪、雾霾、夜晚等环境，识别准确度高但是视频桩因安装在路面低处，容易受到外界人为遮挡和损坏。

发明内容

本申请实施例提供了连续泊位视频采集设备部署方法、网络设备和存储介质，以至少解决相关技术中泊位视频采集系统部署成本高、泊位视频采集结果准确度差的问题。

根据本申请的一个方面，提供了一种连续泊位视频采集设备部署方法，包括：获取枪型摄像机的最远车牌识别距离；获取所述枪型摄像机在最大焦距下的最近端视频采集距离和最远端视频采集距离；根据所述最远车牌识别距离、所述最近端视频采集距离以及所述最远端视频采集距离，确定所述枪型摄像机的视频采集范围；根据预定的车位尺寸计算出所述枪型摄像机在所述视频采集范围内视频采集的连续泊位，并针对所述连续泊位在道路交通杆体处部署所述枪型摄像机。

根据本申请的另一个方面，还提供了一种网络设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现上述的方法步骤。

根据本申请的另一个方面，还提供了一种可读存储介质，其上存储有计算机指令，其中，该计算机指令被处理器执行时实现上述的方法步骤。

在本申请实施例中，获取枪型摄像机的最远车牌识别距离；获取枪型摄像机在最大焦距下的最近端视频采集距离和最远端视频采集距离；根据最远车牌识别距离、最近端视频采集距离以及最远端视频采集距离，确定枪型摄像机的视频采集范围；根据预定的车位尺寸计算出枪型摄像机在视频采集范围内视频采集的连续泊位，并针对连续泊位在道路交通杆体处部署枪型摄像机。通过本申请提供的连续泊位视频采集设备部署方案，一方面，通过实体泊位在枪型摄像机镜头画面中的成像效果和人工智能的识别效果，得到该画面中的有效覆盖泊位数量，能够提升有效覆盖泊位上车辆识别结果的准确性；第二方面，一个枪型摄像机可对多个连续泊位进行视频采集相较于现有技术中分别为各泊位均设置一个低位视频桩而言，能够节省部署的人力、财力成本；第三方面，由于枪型摄像机部署在道路交通杆体上方，因此可有效避免外界人为遮挡和损坏。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的连续泊位视频采集设备部署方法的流程图；

图2是根据本申请实施例的枪型摄像机视频采集距离区间示意图；

图3是根据本申请实施例的枪型摄像机部署示意图；

图4是根据本申请实施例的连续泊位视频采集系统的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

传统的智慧停车方案往往采用纯人工和手持终端设备录入方式来获取车辆的进出订单，这样的模式在瞬息万变的智慧化升级趋势下显得效率低下和笨重。为了解决效率低下、笨重的问题，在相关技术中提出了高位枪球联动视频采集停车方案，但是该种方案也存在多车同时进出丢数据和车牌识别不稳定的问题。为了解决车牌识别不稳定的问题，现有技术中提出了安装低位视频桩对车位状态和车辆驶入、驶出的停车完整事件进行视频检测，但是该方案存在部署所耗人力、财力成本高且视频桩易毁坏的问题。

本申请为解决现有相关技术中存在的上述问题，提出了基于枪型摄像机和AI视频深度学习技术，设计并实现了路侧停车场景复杂路况下快速部署设计方案，根据现场泊位与行车道路的角度、连续泊位的个数、泊位的尺寸参数、枪型摄像机的焦距和视场角参数等影响因子，计算分析得出高位视频安装位置和高度的方法。最终提供了标准化的设计参考依据，极大的缩短了现场所需的人力投入周期。为智慧停车方案提供了更稳定、更准确和高性价比的设计方式。

下面参照附图对本申请提供的连续泊位视频采集设备部署方案进行说明。图1是根据本申请实施例的连续泊位视频采集设备部署方法的步骤流程图，下面对图1中示出的流程所包括的步骤进行说明。

步骤S102，获取枪型摄像机的最远车牌识别距离；

路侧停车在各个城市已经越来越多的加入到城市停车管理手段，路侧停车根据泊位与行车道的倾斜角度可分为三种形态，平行泊位、垂直泊位和倾斜泊位，其中最为常见的平行泊位，本申请实施例中以平行泊位形态为例提出连续泊位视频采集设备部署方案。为得到高实用性、高识别准确度的连续泊位视频采集设备部署方案，首先分析能影响视频画面质量和算法分析准确率的因素，再深入研究每个因素的特性以及实际影响系数；然后通过大量实验数据的线性规划拟合，推导出不同环境下枪型摄像机的成像质量和算法识别率的优选区间方案；最后再结合道路交通杆体的立杆高度、枪型摄像机的视场角、车位尺寸等参数计算出枪型摄像机在视频采集范围内视频采集的连续泊位，最终输出连续泊位的视频视频采集设备部署方案。

枪型摄像机的具体型号可由本领域技术人员根据摄像机参数、成本以及应用场景等具体因素综合灵活选定，本申请实施例中枪型摄像机的目标型号选定方式不作具体限制。在目标型号的枪型摄像机选定后即可获知枪型摄像机的视场角。

其中，车牌尺寸为固定统一尺寸。根据国标要求的车牌尺寸，小型汽车车牌尺寸为440毫米*140毫米。常用车牌一般由7个字符组成，1个汉字和6个字母或数字，第二个字符与第三个字符间距半个字符的距离，单个字符的宽度为60mm，高度为120mm。

在我国市区内道路交通所使用的道路交通杆体和交通指示牌的高度一般为6-8米，横臂长度6-8米，因此本申请实施例中以采用高度与横臂都为8米作为枪型摄像机的架设空间位置为例进行说明。根据空间立体几何计算公式，当长方体的对角线为70米，两个横边为8米时，第三条横边约等于68米。再结合国标《城市道路路内停车泊位设置规范》的要求，小型车的泊位尺寸参数长度为6米-6.5米之间，按照最大6.5米计算。得出枪型摄像机的最远车牌识别距离为68米，等同于第10个泊位。

步骤S104，获取枪型摄像机在最大焦距下的最近端视频采集距离和最远端视频采集距离；

在确定枪型摄像机的最远车牌识别距离后，需根据枪型摄像机的视场角、焦距范围，确定枪型摄像机的实际视场角范围。

由于枪型摄像机的安装在具有一定高度的道路交通杆体上，而车牌是垂直于路面的，当车牌与枪型摄像机距离过近，且又不在同一水平面时，会形成了成像角度导致的车牌畸变。因此，在确定实际视场角范围后，还需要通过不同角度畸变的车牌样本导入算法终端进行识别和统计结果、安装枪型摄像机的杆体高度进一步计算出在枪型摄像机在最大焦距下的最近端视频采集距离和最远端视频采集距离。

步骤S106，根据最远车牌识别距离、最近端视频采集距离以及最远端视频采集距离，确定枪型摄像机的视频采集范围；

依据枪型摄像机的最远车牌识别距离、枪型摄像机的视场角和焦距范围，确定出实际的枪型摄像机的实际视场角范围；然后又进一步确定了枪型摄像机在最大焦距下的最近端视频采集距离和最远端视频采集距离。最终结合求出两个最远和最近子集的结论，确定出枪型摄像机的视频采集范围。

步骤S108，根据预定的车位尺寸计算出枪型摄像机在视频采集范围内视频采集的连续泊位，并针对连续泊位在道路交通杆体处部署枪型摄像机。

需要说明的是，上述枪型摄像机可以安装在道路交通杆体的预定位置处，该预定位置可以根据实际需要而灵活调整；上述道路交通杆体为用于安装枪型摄像机的杆体。

进一步地，对于泊位形态而言，其排布方式包括但不限于平行泊位、垂直泊位和倾斜泊位。进而，可以结合车位排布方式计算出枪型摄像机在视频采集范围内视频采集的连续泊位的数量，其具体实施方式如下：

在确定视频采集范围后，若车位排布方式为平行泊位，则可采用视频采集范围的上、下限值之差除以单个车位宽度，即可得到连续泊位的数量。

在确定视频采集范围后，若车位排布方式为垂直泊位，则可采用视频采集范围的上、下限值之差除以单个车位长度，即可得到连续泊位的数量。

在确定视频采集范围后，若车位排布方式为倾斜泊位，则可采用视频采集范围的上、下限值之差与泊位倾斜角度确定出一个距离值，再通过该距离值除以单个车位宽度，即可得到连续泊位的数量。

需要说明的是，上述仅是以布局一个枪型摄像机来识别视频采集范围的连续泊位为例的规划，在实际实现过程中，可通过部署多个枪型摄像机对更大视频采集范围下的连续泊位进行视频采集。

通过上述步骤，一方面，通过实体泊位在枪型摄像机镜头画面中的成像效果和人工智能的识别效果，得到该画面中的有效覆盖泊位数量，能够提升有效覆盖泊位上车辆识别结果的准确性；第二方面，一个枪型摄像机可对多个连续泊位进行视频采集相较于现有技术中分别为各泊位均设置一个低位视频桩而言，能够节省部署的人力、财力成本；第三方面，由于枪型摄像机部署在道路交通杆体上方，因此可有效避免外界人为遮挡和损坏。

在一种可选的实施例中，获取枪型摄像机的最远车牌识别距离，其具体实施步骤如下：在枪型摄像机的景深范围内，获取预设的车牌识别准确率对应的最远车牌识别距离。

需要说明的是，上述最远车牌识别距离为在保证预设的车牌识别准确率下，枪型摄像机的最远车牌识别直线距离，该最远车牌识别直线距离为枪型摄像机与车牌之间最远的直线距离。在枪型摄像机的景深范围内可以有效保证枪型摄像机成像的清晰度效果，在此基础上，结合预设的车牌识别准确率来获取相应的最远车牌识别距离。另外，上述预设的车牌识别准确率的取值包括但不限于90％、95％、96％和98％。

在本申请的实施例中，通过枪型摄像机的景深范围结合预设的车牌识别准确率来获得更为准确的最远车牌识别距离。

在一种可选的实施例中，在枪型摄像机的景深范围内，获取预设的车牌识别准确率对应的最远车牌识别距离，其具体实施步骤如下：

步骤S11，基于枪型摄像机的视场角、像元尺寸以及车牌尺寸，确定距离枪型摄像机不同间距的车牌所占画面范围内的像素数量；

步骤S13，确定各车牌所占画面范围内的像素数量与车牌识别准确率之间的对应关系；

步骤S15，基于各对应关系和预设的车牌识别准确率进行筛选，得到枪型摄像机的最远车牌识别距离。

换言之，首先利用枪型摄像机的视场角、像元尺寸以及车牌尺寸，计算出距离枪型摄像机不同间距的车牌所占画面范围内的像素数量，然后再确定各车牌所占画面范围内的像素数量与车牌识别准确率之间的对应关系，最后利用各对应关系和预设的车牌识别准确率，筛选出枪型摄像机的最远车牌识别距离。需要说明的是，枪型摄像机的像元尺寸在一定程度上影响枪型摄像机的景深范围。

在一种可选的实施例中，基于枪型摄像机的视场角、像元尺寸以及车牌尺寸，确定距离枪型摄像机不同间距的车牌所占画面范围内的像素数量，其具体实施步骤如下：

步骤S21，根据枪型摄像机的视场角、车牌尺寸和各车牌到枪型摄像机的距离，计算得到枪型摄像机成像后的各车牌尺寸；

利用已知的枪型摄像机的视场角、车牌尺寸和各车牌到枪型摄像机的距离，可以计算出未知的枪型摄像机成像后的各车牌尺寸。

步骤S23，根据枪型摄像机成像后的各车牌尺寸和枪型摄像机的像元尺寸，计算得到各车牌所占画面范围内的像素数量。

由于枪型摄像机成像后的各车牌尺寸等于各车牌所占画面范围内的像素数量分别和枪型摄像机的像元尺寸乘积，那么将枪型摄像机成像后的各车牌尺寸除以枪型摄像机的像元尺寸，就可以计算出各车牌所占画面范围内的像素数量。

在本申请的实施例中，通过利用枪型摄像机的视场角、像元尺寸、各车牌到枪型摄像机的距离以及车牌尺寸等参数，能够准确地获得各车牌所占画面范围内的像素数量。

在一种可选的实施例中，确定各车牌所占画面范围内的像素数量与车牌识别准确率之间的对应关系，其具体实施步骤如下：

步骤S31，对各车牌所占画面范围内的车牌内容进行识别，得到各车牌的车牌内容识别结果；

步骤S33，基于各车牌的车牌内容识别结果，获取各车牌的车牌识别准确率；

步骤S35，建立各车牌所占画面范围内的像素数量与车牌识别准确率之间的对应关系。

换言之，针对一个车牌所占画面范围内的像素数量，将预设数量的车牌样本均调整为车牌所占像素数量指示的大小；其次，将调整后的车牌样本输入车牌识别模型中，得到车牌内容识别结果；最后，基于各车牌样本对应的车牌内容识别结果，确定车牌所占画面范围内的像素数量与车牌识别准确率之间的对应关系。

需要说明的是，车牌识别模型能够针对车牌纹理，结合投影法提取车牌区域，再对车牌区域的字符进行分割和识别，最后输出车牌内容识别结果。

在本申请的实施例中，通过对各车牌所占画面范围内的车牌内容进行识别，得到各车牌的车牌内容识别结果，然后获取各车牌的车牌内容识别结果对应的车牌识别准确率，最后建立各车牌所占画面范围内的像素数量与车牌识别准确率之间的对应关系。

在一种可选的实施例中，基于各对应关系和预设的车牌识别准确率进行筛选，得到枪型摄像机的最远车牌识别距离，其具体实施步骤如下：

步骤S41，基于各对应关系构建车牌像素数量随车牌识别准确度变化趋势；

将各车牌所占画面范围内的像素数量与车牌识别准确率之间的对应关系转换成车牌像素数量(对应于上述车牌所占画面范围内的像素数量)随车牌识别准确度(对应于上述车牌识别准确率)变化趋势，其中，车牌像素数量随车牌识别准确度变化趋势采用曲线图表示，例如，在曲线图中，横坐标表示车牌像素数量，纵坐标表示车牌识别准确率。

步骤S43，将变化趋势的走势和预设的车牌识别准确率进行比较，确定枪型摄像机的最远车牌识别直线距离；

上述最远车牌识别直线距离为枪型摄像机与车牌之间最远的直线距离。

步骤S45，基于道路交通杆体和交通指示牌的高度，确定用于安装枪型摄像机的杆体高度和横臂尺寸；

步骤S47，基于杆体高度、横臂尺寸和最远车牌识别直线距离，确定枪型摄像机的最远车牌识别距离。

在本申请的实施例中，可以基于各对应关系和预设的车牌识别准确率准确地筛选出枪型摄像机的最远车牌识别距离。

一种示例性的车牌像素数量随车牌识别准确度变化趋势表如表1所示：

表1

通过表1中的趋势情况分析可得，在车牌宽度的像素达到100时，识别率达到95％，同时不断增大像素数量时所提高的识别率也趋于平缓。因为素材样本已经包含了模糊和遮挡等造成无法识别车牌信息的特征样本，选择95％的识别率作为预设的车牌识别准确率。95％识别率对应表中枪型摄像机的最远车牌识别距离约为70米，因此，可将枪型摄像机的最远车牌识别距离确定为70米。

需要说明的是，表1中仅是示例性的数据，在实际实现过程中随着所选择枪型摄像机的型号不同、车牌尺寸不同等，所得车牌像素数量随车牌识别准确度变化趋势数据将不同。

另外，通过车牌识别模型和大量车牌离散型样本分析枪型摄像机识别距离与识别准确度之间的变化趋势走势，所确定出的枪型摄像机的最远车牌识别距离可靠性高。

在一种可选的实施例中，获取枪型摄像机在最大焦距下的最近端视频采集距离和最远端视频采集距离，其具体实施步骤如下：根据枪型摄像机的视场角和用于安装枪型摄像机的杆体高度，计算得到枪型摄像机的最近视频采集距离和最远视频采集距离。

上述视场角决定枪型摄像机视频成像的画面范围，视场角是以被测目标的物像可通过镜头的最大范围的两条边缘构成的夹角。视场角决定了摄像机的视野范围，视场角越大代表视野越大。视场角可以用水平角度(从影像的左端至右端)、垂直(从影像的顶端至底端)、斜角(从影像的一角至对角)三项数据指标衡量出来。

在本申请的实施例中，通过利用枪型摄像机的视场角和用于安装枪型摄像机的杆体高度结合，计算出更为准确的枪型摄像机的最近视频采集距离和最远视频采集距离。

在一种可选的实施例中，根据枪型摄像机的视场角和用于安装枪型摄像机的杆体高度，计算得到枪型摄像机的最近视频采集距离和最远视频采集距离，其具体实施步骤如下：

步骤S51，计算枪型摄像机在标准焦距区间的垂直视场角范围；

步骤S53，根据安装枪型摄像机的杆体高度和垂直视场角范围，计算得到枪型摄像机的最近视频采集距离和最远视频采集距离。

换言之，利用枪型摄像机的视场角为枪型摄像机在标准焦距区间的垂直视场角范围，将安装枪型摄像机的杆体高度和垂直视场角范围结合，实现枪型摄像机的最近视频采集距离和最远视频采集距离的计算。

在一种可选的实施例中：上述枪型摄像机为红外变焦枪型摄像机，红外变焦枪型摄像机的镜头的标准焦距区间为8-56mm，镜头的分辨率不小于400万像素。

上述镜头按焦距分可以划分以下六类：标准镜头、广角镜头、鱼眼镜头、长焦距镜头、反射式望远镜头和微距镜头。不同的镜头结构和焦距根据实际需求和成本要求，会应用到不同的环境中。在具体实施过程中，可选取技术成熟稳定，且大规模应用到市场的自动调节光圈的红外变焦枪型摄像机，配套的镜头选型sensor靶面1/1.8’，镜头光圈f/1.4，选择的镜头的标准焦距区间为8-56mm。另外，从画面的清晰度角度分析，车牌在固定距离通过摄像机成像后的像素数量，取决于枪型摄像机的分辨率。分辨率越高，同样面积的车牌，像素数量越大，越清晰。但是分辨率越高，车牌识别时所需计算量也越大，耗时更久且占用的芯片算力越高。这会更大的降低处理多车辆时的算法计算并发能力，造成车辆遗漏。同时在兼顾规模化的成本问题，综合考虑本方案选用镜头的分辨率为400万像素的红外变焦枪型摄像机。

在一种可选的实施例中，在根据预定的车位尺寸计算出枪型摄像机在视频采集范围内视频采集的连续泊位，并针对连续泊位在道路交通杆体处部署枪型摄像机的步骤之后，本申请实施例提供的连续泊位视频采集设备部署方法还包括如下步骤：

步骤S110，在待视频采集泊位的数量超出视频采集的连续泊位的数量的情况下，确定剩余的待视频采集泊位，其中，剩余的待视频采集泊位为除视频采集的连续泊位以外的待视频采集泊位；

步骤S112，针对剩余的待视频采集泊位在至少一个道路交通杆体处调整部署至少一个枪型摄像机。

在本申请的实施例中，若部署的枪型摄像机不足以视频采集全部的泊位，可以针对剩余的待视频采集泊位，在相应的道路交通杆体处增加一个或者多个枪型摄像机，从而确保全部的泊位都能够被视频采集。另外，该种可选地连续泊位视频采集设备部署方案，部署灵活且可确保对泊位中车辆的高准确度识别。

下面结合图2至图4以一具体实例，对本申请提供的连续泊位视频采集设备部署方法进行说明。

路侧停车在各个城市已经越来越多的加入到城市停车管理手段，本具体实例中首先分析能影响视频画面质量和算法分析准确率的因素；其次，深入研究每个因素的特性以及实际影响系数，以为构建设计方案模型奠定基础；再次，通过大量实验数据的线性规划拟合，推导出不同环境下相机的成像质量和算法识别率的优选区间方案；最后，结合实际的立杆高度、视场角、车位尺寸计算出有效视频采集范围内视频采集的连续泊位，最终输出连续泊位视频采集设备部署方案。整体的流程如下：

S1：研究影响车牌清晰度和算法识别率的因素。

影响车牌清晰度和算法识别率的因素主要包括但不限于：镜头焦距、镜头参数等，在确定镜头焦距、镜头参数等因素后可确定枪型摄像机的选型。

本实例利用贪心算法理论，首先建立数学模型描述问题，把求解的问题分成多个子问题，在对每个子问题分别求解，得到局部的优选解，最终所有的局部优选解合并成全局答案。

在此先引入两个关键的概念，景深(DOF)、视场角(FOV)。

DOF：景深决定了视频成像的清晰度效果，在本方案中车辆是在实时移动的，聚焦点也是在实时不断变化的。那么在一个景深范围内都可以输出清晰的图像，提供给算法分析。景深由前景深和后景深两个段构成，计算公式如下

前景深＝F*δ*L2/(f2+F*δ*L)

后景深＝F*δ*L2/(f2-F*δ*L)

公式一：景深＝前景深+后景深＝2f2*F*δ*L2/(f4-F2*δ2*L2)

其中，δ为容许弥散圆直径，f为镜头焦距，F为镜头光圈值，L为对焦距离。

FOV：视场角决定了视频成像的画面范围，FOV是以被测目标的物像可通过镜头的最大范围的两条边缘构成的夹角。FOV决定了摄像机的视野范围，FOV越大代表视野越大。FOV可以用水平角度(从影像的左端至右端)、垂直(从影像的顶端至底端)、斜角(从影像的一角至对角)三项数据指标衡量出来。每项视场角(α)可以由被选择的大小(d)，以及有效焦段(f)计算出来。通过对画幅尺寸CCD、镜头焦距有关。本方案需要计算的是垂直视场角，计算公式如下：

公式二：FOV＝2arctan(d/2f)

其中，d为CCD(电荷耦合器件)的高度，f为镜头焦距。

S2：计算车牌在常用焦段、镜头选型，在不同因素下的像素点表现。

本步骤中在明确了影响车牌清晰度和算法识别率的因素后，确认部署所需要的镜头规格和类型即确定目标型号的枪型摄像机。

镜头按结构分可以划分三类：第一类：固定光圈、手动可调光圈和自动调节光圈的定焦镜头；第二类：手动可调光圈、自动调节光圈的变焦镜头；第三类：电动三可变镜头。镜头按焦距分可以划分以下六类：标准镜头、广角镜头、鱼眼镜头、长焦距镜头、反射式望远镜头和微距镜头。不同的镜头结构和焦距根据实际需求和成本要求，会应用到不同的环境中。在本方案中选取了技术成熟稳定，且大规模应用到市场的自动调节光圈的红外变焦枪型摄像机，配套的镜头选型sensor靶面1/1.8’，镜头光圈f/1.4，选择的标准焦距区间为8-56mm。

另外，从画面的清晰度角度分析，车牌在固定距离通过摄像机成像后的像素数量，取决于相机的分辨率。分辨率越高，同样面积的车牌，像素数量越大，越清晰。但是分辨率越高，车牌识别时所需计算量也越大，耗时更久且占用的芯片算力越高。这会更大的降低处理多车辆时的算法计算并发能力，造成车辆遗漏。同时在兼顾规模化的成本问题，综合考虑本实例中选用400万像素分辨率的摄像机。

镜头的焦距是指光学系统中横梁光聚集或发散的度量方式，在摄像机应用中，指的是从镜片中心到底片或者CCD等成像平面的距离，焦距长度决定了被摄物体在CCD上的成像大小。焦距越长成像越大，焦距越短成像越小。在研究8-56mm焦距的有效成像距离时，只需要拆分成研究56mm焦距的最远成像范围，和8mm焦距的最近成像范围，综合两个子集的结论最终推导出全局结论。

具体地，本步骤中计算车牌在常用焦段、镜头选型，在不同因素下的像素点表现即确定不同车牌和枪型摄像机间距离对应的车牌所占画面范围内的像素数量。首先要确定车牌尺寸，根据国标要求的车牌尺寸，小型汽车车牌尺寸为440毫米*140毫米。常用车牌一般由7个字符组成，1个汉字和6个字母或数字，第二个字符与第三个字符间距半个字符的距离，单个字符的宽度为60mm，高度为120mm。

根据公式：物体宽度W＝2*D*tan(FOV/2)，结合FOV的公式FOV＝2arctan(d/2f)，代入车牌的宽度尺寸440mm，车牌和相机的距离D为变量，得出成像后W的宽度。再根据公式：像元宽度W＝像元尺寸px*像素数，代入像元尺寸1/1.8’、4mp的像元尺寸为2.9px，最终得出车牌所占像素数量。

通过代入不同距离D到公式计算，可得出不同距离D(车牌和枪型摄像机之间的距离)对应的车牌所占像素数量。

S3：通过导入不同像素的车牌训练集，输出算法识别率统计数据。

本步骤中利用数据聚类分析方法，将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。在以下测试中，训练样本的标记信息是未知的。然后目标是通过对无标记训练样本的分析，最终可以获取数据的内在规律，为进一步的数据分析提供基础。在本方案中，通过样本素材库中随机获取1000张包含各种特征的车牌样本，把该1000张样本制作成对应车牌长度像素的离散型样本再分别打包并分批导入算法识别终端，获取不同像素占用数量的车牌识别准确率数据，获取得到的具体数据如表1所示。

S4：通过景深和识别率分析得出车牌成像的最远车牌识别距离。

通过表1中的数据构建横坐标为占用像素点数量纵坐标为识别准确率的曲线图，通过曲线图的趋势情况分析可得，在车牌长度的像素达到100时，识别率达到95％，同时不断增大像素时所提高的识别率也趋于平缓。因为素材样本已经包含了模糊和遮挡等造成无法识别车牌信息的特征样本，所以95％的识别率已经达到应用需求。95％识别率对应表中枪型摄像机的最远有效车牌识别距离约为70米。

计算得到的70米为直线距离，在实际实现过程中，需将直线距离换算成垂直泊位距离。在我国，市区内道路交通所使用的杆体和交通指示牌的高度一般为6-8米，横臂长度6-8米，所以本方案也采用高度与横臂都为8米作为摄像机的架设空间位置。根据空间立体几何计算公式，当长方体的对角线为70米，两个横边为8米时，第三条横边约等于68米。再结合国标《城市道路路内停车泊位设置规范》的要求，小型车的泊位尺寸参数长度为6米-6.5米之间，按照最大6.5米计算。转换得到摄像机的垂直泊位最远车牌识别距离为68米，等同于图2中的第10个泊位。

S5：根据视场角公式和立杆高度，计算出枪型摄像机在最大焦距下的最近端视频采集距离和最远端视频采集距离。

根据公式测算8-56mm焦距的视场角(FOV)和实际的视场角范围。在常规的F1.4镜头光圈下，代入8-56mm焦段范围可以计算出约等于以下值：水平视场角：41°～10°，垂直视场角：23°～5°，对角线视场角：48°～11°。其中的垂直视场角对于分析实际视觉范围距离是关键参数，在56mm焦距最远视场角距离在68米以内时，根据垂直视场角度计算获得近端边界在36米。56mm焦段最终的视频采集范围为图2中的第7至第10个泊位。

在实际实现过程中，还需要考虑枪型摄像机的安装高度，车牌是垂直于路面，当车牌与枪型摄像机距离过近，且又不在同一水平面时，会形成了成像角度导致的车牌畸变。通过不同角度畸变的车牌样本导入算法终端进行识别和统计，结果为当角度小于25度时车牌的识别率低于95％。根据勾股定理计算tan25°，当直角边高度为6米时，另一条直角边约等于12米。引入FOV的计算公式，在56mm焦距下，且最近端视频采集距离调节到12米时，最远端视频采集距离为39米，代入泊位尺寸换算。56mm焦段最终的视频采集范围为图2中的第3至第6个泊位。

S6：根据车位的物理真实尺寸，换算出枪型摄像机在视频采集范围内视频采集的连续泊位。

如图2所示，结合以上最远和最近两个子集的结论，最终得出标准焦段8-56mm的红外变焦枪型摄像机，可以在室外环境下，视频采集从第12米-60米之间的任意4个连续泊位。另外，停车点位即道路交通杆体所在的位置。

S7：生成连续泊位的视频采集设备部署方案。

将S5、S6中得到的以上结论结合到实际应用中，可利用8-56mm的枪型摄像机单点或集群部署，解决连续泊位的设计问题。

在部署前引入变量：枪型摄相机的最近端视频采集距离为a，枪型摄相机的最远端视频采集距离为b，枪型摄相机的安装高度为6米。

当a＜12米时，因车牌畸变原因，车牌识别错误较多，无法视频采集，图3中09、10泊位无法通过点位1视频采集。

当a≥12米且b≤35米时，可设计一个枪型摄像机视频采集4个车位，图3中05-08泊位。

当a≥35米且b≤60米时，可设计一个枪型摄像机视频采集4个车位，图3中01-04泊位。

当b>60米时，因车牌像素不够的原因，无法视频采集。

通过以上结论，最终所确定的枪型摄像机部署方案示意图如图3所示。在枪型摄相机镜头视野盲区无法视频采集时可采用以下方案互补的方式解决，可针对连续24个泊位的场景输出优选规划设计，图3中的09-12泊位通过点位2的枪型摄像机视频采集，13-16交叉由点位1视频采集。

图4是根据本申请实施例的连续泊位视频采集系统的结构示意图，如图4所示，在为各停车点位(对应于上述道路交通杆体)部署枪型摄像机部署后，各枪型摄像机可将拍摄的数据通过连接的路由器发送至交换机，交换机通过互联网将数据上传至云平台。需要说明的是，算法终端可以作为独立的设备，也可以集成到其他设备里，在此不做任何限定。

本实例提供的连续泊位视频采集设备部署方案利用高位视频设备、算法终端和规划方法，能实现在各种路侧停车场景和复杂路况下快速部署。根据现场泊位与行车道路的角度、连续泊位的个数、泊位的尺寸参数、枪型摄像机的焦距和视场角参数、有效补光距离参数等影响因子，计算分析得出高位视频安装位置和高度的方法。最终再拉取摄像头视频画面，通过人工智能分析画面里行驶经过的机动车实时轨迹和车牌，生成停车事件数据，最终可以智能化和精细化的对路侧停车全流程管理。

通过本实例提供的连续泊位视频采集设备部署方法，只需要单位配置焦距完成，即可单画面同时视频采集多个泊位的多车辆实施状态，不会丢失车辆进离场数据，可有效解决球机的转动和变焦导致的多车辆状态同时发生变化时的并发问题。此外，枪型摄像机的画面输出稳定且受外界环境的影响较小，晃动和环境亮度变化等因素进会较低影响枪机的图像输出效果。并且枪机的补光灯距离与其焦距参数匹配，可以满足在室外夜间时的车牌识别亮度，因此可确保识别的准确度。从部署成本维度考量，高位视频的视频采集比例可以达到1通道4泊位，远远低于低位视频的1通道1泊位的部署成本。

在本实施例中，提供一种网络设备，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。

上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。

该本实施例中还提供了这样的一种装置。该装置被称为连续泊位视频采集设备部署装置，包括：

第一获取模块，用于获取枪型摄像机的最远车牌识别距离；

第二获取模块，用于获取枪型摄像机在最大焦距下的最近端视频采集距离和最远端视频采集距离；

第一确定模块，用于根据最远车牌识别距离、最近端视频采集距离以及最远端视频采集距离，确定枪型摄像机的视频采集范围；

第一部署模块，用于根据预定的车位尺寸计算出枪型摄像机在视频采集范围内视频采集的连续泊位，并针对连续泊位在道路交通杆体处部署枪型摄像机。

通过上述实施例解决了相关技术中泊位视频采集系统部署成本高、泊位视频采集结果准确度差的问题，上述实施例提供的连续泊位视频采集设备部署方案，一方面，通过实体泊位在枪型摄像机镜头画面中的成像效果和人工智能的识别效果，得到该画面中的有效覆盖泊位数量，能够提升有效覆盖泊位上车辆识别结果的准确性；第二方面，一个枪型摄像机可对多个连续泊位进行视频采集相较于现有技术中分别为各泊位均设置一个低位视频桩而言，能够节省部署的人力、财力成本；第三方面，由于枪型摄像机部署在道路交通杆体上方，因此可有效避免外界人为遮挡和损坏。

该系统或者装置用于实现上述的实施例中的方法的功能，该系统或者装置中的每个模块与方法中的每个步骤相对应，已经在方法中进行过说明的，在此不再赘述。

可选地，上述第一获取模块包括：获取单元，用于在枪型摄像机的景深范围内，获取预设的车牌识别准确率对应的最远车牌识别距离。

可选地，上述获取单元包括：第一处理子单元，用于基于枪型摄像机的视场角、像元尺寸以及车牌尺寸，确定距离枪型摄像机不同间距的车牌所占画面范围内的像素数量；第二处理子单元，用于确定各车牌所占画面范围内的像素数量与车牌识别准确率之间的对应关系；第三处理子单元，用于基于各对应关系和预设的车牌识别准确率进行筛选，得到枪型摄像机的最远车牌识别距离。

可选地，上述第一处理子单元包括：第一计算子单元，用于根据枪型摄像机的视场角、车牌尺寸和各车牌到枪型摄像机的距离，计算得到枪型摄像机成像后的各车牌尺寸；第二计算子单元，用于根据枪型摄像机成像后的各车牌尺寸和枪型摄像机的像元尺寸，计算得到各车牌所占画面范围内的像素数量。

可选地，上述第二处理子单元包括：识别子单元，用于对各车牌所占画面范围内的车牌内容进行识别，得到各车牌的车牌内容识别结果；获取子单元，用于基于各车牌的车牌内容识别结果，获取各车牌的车牌识别准确率；建立子单元，用于建立各车牌所占画面范围内的像素数量与车牌识别准确率之间的对应关系。

可选地，上述第三处理子单元包括：构建子单元，用于基于各对应关系构建车牌像素数量随车牌识别准确度变化趋势；第一确定子单元，用于将变化趋势的走势和预设的车牌识别准确率进行比较，确定枪型摄像机的最远车牌识别直线距离；第二确定子单元，用于基于道路交通杆体和交通指示牌的高度，确定用于安装枪型摄像机的杆体高度和横臂尺寸；第三确定子单元，用于基于杆体高度、横臂尺寸和最远车牌识别直线距离，确定枪型摄像机的最远车牌识别距离。

可选地，上述第二获取模块包括：计算单元，用于根据枪型摄像机的视场角和用于安装枪型摄像机的杆体高度，计算得到枪型摄像机的最近视频采集距离和最远视频采集距离。

可选地，上述计算单元包括：第三计算子单元，用于计算枪型摄像机在标准焦距区间的垂直视场角范围；第四计算子单元，用于根据安装枪型摄像机的杆体高度和垂直视场角范围，计算得到枪型摄像机的最近视频采集距离和最远视频采集距离。

可选地，上述枪型摄像机为红外变焦枪型摄像机，红外变焦枪型摄像机的镜头的标准焦距区间为8-56mm，镜头的分辨率不小于400万像素。

可选地，上述装置还包括：第二确定模块，用于在根据预定的车位尺寸计算出枪型摄像机在视频采集范围内视频采集的连续泊位，并针对连续泊位在道路交通杆体处部署枪型摄像机之后，在待视频采集泊位的数量超出视频采集的连续泊位的数量的情况下，确定剩余的待视频采集泊位，其中，剩余的待视频采集泊位为除视频采集的连续泊位以外的待视频采集泊位；第二部署模块，用于针对剩余的待视频采集泊位在至少一个道路交通杆体处调整部署至少一个枪型摄像机。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。