基于目标检测算法的车辆停车位停车状态检测方法及系统技术方案

本发明专利技术公开了基于目标检测算法的车辆停车位停车状态检测方法及系统，所述检测方法包括以下步骤：采集车辆停车视频图像序列；定义目标检测模型的输入输出；分别确定轮胎包络框、车头包络框、车尾包络框与车辆包络框的从属关系；以区域框为跟踪和告警对象，在当前处理帧下，遍历所有区域框，对于某一个区域框，会遍历所有车辆包络框，然后判断每一辆车与该区域框的位置关系，最后判断区域框的停车状态；所述区域框包括车位框和通道框。本发明专利技术获取多样的车辆外形信息，有效提高检测方法的稳定性和准确性；且通过检测车轮方式获得车轮地面接触点，检测对象特征更丰富，检测起来更加容易，在低分辨率或者遮挡情况下有更好的检测效果。在低分辨率或者遮挡情况下有更好的检测效果。在低分辨率或者遮挡情况下有更好的检测效果。

【技术实现步骤摘要】
基于目标检测算法的车辆停车位停车状态检测方法及系统


[0001]本专利技术涉及车辆停车管理领域，特别涉及基于目标检测算法的车辆停车位停车状态检测方法及系统。

技术介绍

[0002]在园区物业管理中，车辆停车占线占道和停车不规范等现象屡见不鲜，容易影响园区道路健康，造成拥堵和管理混乱，往往需要工作人员长时间持续的巡查和监督来杜绝，效率不高而且人力资源消耗大。随着人工智能的发展，自动化的检测设备应运而生，也让车辆停车位停车状态的自动化检测成为可能。
[0003]车辆停车管理作为城市物业管理中的一个典型问题，目前是智慧园区管理的研究热点之一。随着人工智能的发展，智能化的监控设备广泛应用于车辆停车管理中。目前的智能化停车管理技术，主要通过监控摄像机对车辆进行图像抓取，然后在边缘设备或中心服务器中利用计算机视觉技术进行检测和分析，从而得到车辆停车状态。而目前车辆停车状态判别算法或者对场景复杂度，摄像机视角等有要求，无法解决遮挡和照明不足问题，或者只能适应入库停车位和侧方停车位中的一种，均不能满足日益丰富的停车位场景需求。
[0004]例如：专利一：一种基于物联网的停车场内违规泊车智能检测方法及系统，公开号：CN113643544A。
[0005]该专利通过现有车型尺寸和车位大小,构建以极限姿态转角矩阵为元素的数据库，当有车辆进入时，通过门禁系统识别车辆图像得到车牌号和车型，确定该类车的长和宽，查询数据库得到该车辆对应的极限姿态矩阵，根据摄像机拍摄的停车区域视频，得到车辆中心点，根据车辆中心点在极限姿态矩阵中的位置,得对应的极限姿态转角范围，判断实际转角是否超过范围，确定是否压线，基于人工智能和图像处理进行压线判断。
[0006]该专利存在以下缺点：(1)方案需要预先确定各车型长和宽，对于未知车型不能提供解决方案。
[0007](2)部署过程繁琐，需要标定相机，大视场的相机标定精度有限，无法获得准确的车辆中心点。
[0008]专利二：一种基于视频数据的路内不规范停车识别方法，公开号：CN113378690A。
[0009]该专利利用自适应阈值分割技术以及Canny算子边缘检测，提取车辆特征。停车行为识别，具体操作如下：对于斜位停车和横向停车的车辆，判断车辆的主轴方向与停车空间的主轴方向之间的角度来识别停车行为；对于反向摆放的车辆，判断其与停车位之间的距离间距以及箭头方向来识别停车行为；对于跨位停车、压线停车和未保持合理车距停车的车辆，判断车体轮廓的四个角点是否都在停车区域内来识别停车行为；以此获取车辆的违章停车信息。
[0010]该专利存在以下缺点：(1)自适应阈值分割易受光照影响，得到的车辆图像连通域不够鲁棒。
[0011](2)车辆跟踪算法在实际应用中如碰到遮挡容易切换id，从而跟丢。
[0012](3)摄像机视角限制，必须由上往下俯视采集图像。
[0013]专利三：一种停车压线检测方法及服务器，公开号：CN111753716A。
[0014]该专利首先获取目标图像，确定目标图像中包括目标车辆；获取第一横坐标以及第二横坐标；第一横坐标以及第二横坐标分别为目标车辆的车头轮廓或车尾轮廓上所有点位的横坐标中的最小值及最大值；若目标横坐标组中存在第一预设横坐标，则确定目标车辆停车压线。
[0015]该专利存在以下缺点：(1)适用于处理入库停车位场景，无法适用侧方停车位场景。
[0016](2)无法判断车辆入库深度。
[0017]专利四：一种基于车轮着地点检测车辆停车状态的方法及装置，公开号：CN110491168A。
[0018]该专利训练基于卷积神经网络的车轮着地点检测模型，确定各个车辆车轮着地点的坐标信息与车轮状态，然后判断当前车轮着地点在所述当前停车位内部或在当前停车位边线上。
[0019]该专利存在以下缺点：(1)适用于处理侧方停车位，无法适用与入库停车位。
[0020](2)车轮着地点检测起来难度较大，特征信息较少。受视角影响，部分车轮着地点无法检测到。
[0021]文献五：基于卷积网络结构重参数化的车位状态检测算法，吉林大学学报本文提出一种基于卷积网络结构重参数化的车位状态检测算法，该算法可实现对车位上车辆有无的检测。利用结构重参数化解耦训练网络和推理网络。在训练时，利用不同尺度小卷积核组成多分支结构，用于同时获取车位图像中局部细节特征，使网络达到较高检测精度。训练完成后，利用结构重参数化将训练时多分支结构等价转化为单分支结构用于推理，显著提升检测速度而不损失检测精度。
[0022]该文献存在以下缺点：(1)该算法仅检测车位上是否有无车辆，较为粗放式的检测，并不会判断车辆是否压线等细节信息；(2)文章主要着墨于算法模型的创新，结果均是在实验室PC端测试得到，并没提供算法模型在边缘设备端的部署经验，直接PC端部署的话设备成本较高。
[0023]上述现有技术的缺点可总结为：(1)通用性不强，无法适应多种场景。
[0024](2)现场部署过程繁琐，用户参与度过高，不够友好。
[0025](3)鲁棒性不高，无法适应低分辨率、光照影响和存在遮挡等场景。
[0026](4)算法模型未部署边缘端，方案成本较高。

技术实现思路

[0027]本专利技术的目的在于克服现有技术的缺点与不足，提供基于目标检测算法的车辆停车位停车状态检测方法。
[0028]本专利技术的另一目的在于提供基于目标检测算法的车辆停车位停车状态检测系统。
[0029]本专利技术的目的通过以下的技术方案实现：基于目标检测算法的车辆停车位停车状态检测方法，包括以下步骤：S1、采集车辆停车视频图像序列；S2、将车辆停车图片输入到yolov5目标检测模型，yolov5目标检测模型将车辆、轮胎、车头和车尾作为检测目标，分别得到车辆包络框、轮胎包络框、车头包络框和车尾包络框并输出；S3、分别确定轮胎包络框、车头包络框、车尾包络框与车辆包络框的从属关系；S4、以区域框为跟踪和告警对象，在当前处理帧下，遍历所有区域框，对于某一个区域框，会遍历所有车辆包络框，然后判断每一辆车与该区域框的位置关系，最后判断区域框的停车状态；所述区域框包括车位框和通道框。
[0030]对所述yolov5目标检测模型进行改进：修改yolov5目标检测模型主干网络的第一层将Focus层替换为Conv卷积层，兼容边缘计算器的加速功能，加速输入数据的拷贝；将激活函数从SiLu改成LeakyReLU,减少激活函数的处理时间；最后对模型进行int16量化，将float数值向int数值映射，保证精度的同时，使算法在边缘端部署运行效率达到实时。
[0031]所述步骤S3具体如下：以yolov5目标检测模型所得的车辆包络框B的左上角点为坐标原点，假设轮胎或车头或车尾的包络框T的中心在X方向与原点的距离为，Y方向与原点距离为，宽和高分别为w和h，车辆包络框的宽和高分别为W和H，则计算轮胎或车头或车尾的包络框的中心坐标为：，，轮胎或车头或车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于目标检测算法的车辆停车位停车状态检测方法，其特征在于，包括以下步骤：S1、采集车辆停车视频图像序列；S2、将车辆停车图片输入到yolov5目标检测模型，yolov5目标检测模型将车辆、轮胎、车头和车尾作为检测目标，分别得到车辆包络框、轮胎包络框、车头包络框和车尾包络框并输出；S3、分别确定轮胎包络框、车头包络框、车尾包络框与车辆包络框的从属关系；S4、以区域框为跟踪和告警对象，在当前处理帧下，遍历所有区域框，对于某一个区域框，会遍历所有车辆包络框，然后判断每一辆车与该区域框的位置关系，最后判断区域框的停车状态；所述区域框包括车位框和通道框。2.根据权利要求1所述基于目标检测算法的车辆停车位停车状态检测方法，其特征在于，对所述yolov5目标检测模型进行改进：修改yolov5目标检测模型主干网络的第一层将Focus层替换为Conv卷积层，兼容边缘计算器的加速功能，加速输入数据的拷贝；将激活函数从SiLu改成LeakyReLU,减少激活函数的处理时间；最后对模型进行int16量化，将float数值向int数值映射，保证精度的同时，使算法在边缘端部署运行效率达到实时。3.根据权利要求1所述基于目标检测算法的车辆停车位停车状态检测方法，其特征在于，所述步骤S3具体如下：以yolov5目标检测模型所得的车辆包络框B的左上角点为坐标原点，假设轮胎或车头或车尾的包络框T的中心在X方向与原点的距离为，Y方向与原点距离为，宽和高分别为w和h，车辆包络框的宽和高分别为W和H，则计算轮胎或车头或车尾的包络框的中心坐标为：，，轮胎或车头或车尾的包络框T相对于车辆包络框B的宽和高分别为，，且将作为轮胎或车头或车尾的包络框T在包络框区域的特征；对于车辆包络框B和轮胎或车头或车尾的包络框T，存在两种可能性：即轮胎或车头或车尾的包络框T中的轮胎或车头或车尾属于车辆包络框B代表的车辆，记为c=1，轮胎或车头或车尾的包络框T中的轮胎或车头或车尾不属于车辆包络框B代表的车辆，记为c=0；由此，将轮胎或车头或车尾与车辆的从属关系转化为概率问题；当当时，则认为轮胎或车头或车尾的包络框T中的轮胎或车头或车尾属于车辆包络框B代表的车辆；其中，为：当轮胎或车头或车尾的包络框T的信息为时，轮胎或车头或车尾的包络框T属于车辆包络框B的概率；为：当轮胎或车头或车尾的包络框T的信息为时，轮胎或车头或车尾的包络框T不属于车辆包络框B的概率；其中根据贝叶斯公式计算；根据贝叶斯定理可得：
，其中，c=1时，为：当轮胎或车头或车尾的包络框T的信息为时，轮胎或车头或车尾的包络框T属于车辆包络框B的概率；为：当轮胎或车头或车尾的包络框T属于车辆包络框B时，轮胎或车头或车尾的包络框T的信息为的概率；为：轮胎或车头或车尾的包络框T属于车辆包络框B的概率；c=0时，为：当轮胎或车头或车尾的包络框T的信息为时，轮胎或车头或车尾的包络框T不属于车辆包络框B的概率；为：当轮胎或车头或车尾的包络框T不属于车辆包络框B时，轮胎或车头或车尾的包络框T的信息为的概率；为：轮胎或车头或车尾的包络框T不属于车辆包络框B的概率；为：轮胎或车头或车尾的包络框T的信息为的概率；简化公式，只需知道：，则输出轮胎或车头或车尾的包络框T中的轮胎或车头或车尾属于车辆包络框B代表的车辆；由于属性彼此独立，上述公式中的分子部分可按下式等价计算：；其中的通过训练数据统计得到；c=1时，为：当轮胎或车头或车尾的包络框T属于车辆包络框B时，轮胎或车头或车尾的包络框T的X方向的坐标为x的概率；为：当轮胎或车头或车尾的包络框T属于车辆包络框B时，轮胎或车头或车尾的包络框T的Y方向的坐标为y的概率；为：当轮胎或车头或车尾的包络框T属于车辆包络框B时，轮胎或车头或车尾的包络框T相对于车辆包络框B的宽为的概率；为：当轮胎或车头或车尾的包络框T属于车辆包络框B时，轮胎或车头或车尾的包络框T相对于车辆包络框B的高为的概率；c=0时，为：当轮胎或车头或车尾的包络框T不属于车辆包络框B时，轮胎或车头或车尾的包络框T的X方向的坐标为x的概率；为：当轮胎或车头或车尾的包络框T不属于车辆包络框B时，轮胎或车头或车尾的包络框T的Y方向的坐标为y的概率；为：当轮胎或车头或车尾的包络框T不属于车辆包络框B时，轮胎或车头或车尾的包络框T相对于车辆包络框B的宽为的概率；为：当轮胎或车头或车尾的包络框T不属于车辆包络框B时，轮胎或车头或车尾的包络框T相对于车辆包络框B的高为的概率。4.根据权利要求1所述基于目标检测算法的车辆停车位停车状态检测方法，其特征在于，所述判断区域框...

【专利技术属性】
技术研发人员：区英杰，符桂铭，谭焯康，董万里，
申请(专利权)人：广州英码信息科技有限公司，
类型：发明
国别省市：