[发明专利]基于机器学习的停车场车位状态识别方法及系统

权利要求书

1.一种基于机器学习的停车场车位状态识别方法，其特征在于，含有以下步骤：根据停车场具体停车位的尺寸信息确定摄像头的具体安装位置，确保摄像头覆盖所有待测停车位，同时满足预设安装条件；

摄像头实时拍摄停车场图像，分别对目标车位在空闲状态下、有车辆占用的情况下以及有车辆横跨车位占用的情况下进行车位标注，并将标注后的图像数据进行存储；对目标车位在有车辆横跨车位占用的情况下进行标注时，首先需要确定当前车位被旁边的车占用是否超过20％，若超过20％，此车位为被占用状态，根据公式(3)计算出车位面积进行标注，所述公式(3)表示为：

式中，z为当前车位向左右延伸的像素值，L为摄像头与目标车位的地面直线水平距离，l为车辆的长度，w为车辆的宽度，a为停车位实际长度，C_H为摄像头所获取图像的水平总长度，p为单位距离像素数；

在存储图像数据中，对所有车辆进行标注，对标注后的图像数据进行学习，建立停车位地图模型、车辆识别模型、非车辆物体模型，并不断反馈对模型进行优化；

将停车位地图模型、车辆识别模型、非车辆物体模型与实时获取的图像数据进行对比，识别车辆，得到识别结果；

将识别结果转换为停车位实时状态信息，集中汇总后发送至用户，向用户实时推送停车位状态信息，并结合地图应用引导用户进行停车。

2.如权利要求1所述的基于机器学习的停车场车位状态识别方法，其特征在于，所述预设安装条件为：(1)停车场内目标物体遮挡率不超过50％，(2)停车场内目标物体轮廓拍摄清晰，(3)采集图像像素不小于200万像素，(4)目标物体在采集图像中所占的像素比不低于2％。

3.如权利要求1或2所述的基于机器学习的停车场车位状态识别方法，其特征在于，对目标车位在空闲状态下进行标注时，直接对目标车位进行标注，并通过公式(1)和公式(2)对标注的车位进行自动校正，作为对目标车位在空闲状态下的最终标注；所述公式(1)和公式(2)表示为：

式中，x为校正后最终标注的水平偏移量像素值，y为校正后最终标注的垂直偏移量像素值，h为车辆的高度，H为摄像头安装的高度，C_V为摄像头所获取图像的垂直总长度；

对目标车位在有车辆占用的情况下进行标注时，直接对目标车位进行标注。

4.如权利要求1所述的基于机器学习的停车场车位状态识别方法，其特征在于，对车辆进行标注时，将无遮挡车辆标注为car，彼此有遮挡的全部车辆标注为multi-car，每辆车标注为car-M，M为被遮挡车辆的序号，将其中被遮挡车辆的未遮挡部分标注为partial-car-N％，N为被遮挡车辆未遮挡部分的比例。

5.如权利要求4所述的基于机器学习的停车场车位状态识别方法，其特征在于，车辆识别的具体方法为：

将获取的实时图像与车辆识别模型、非车辆物体模型对比，获取当前实时图像中所有目标物体的识别结果；

找出当前图像中被车辆识别模型辨认出的所有car，并结合停车场虚拟坐标获取car的中心点坐标；

使用car的中心点坐标与停车位地图模型中车位标注区域进行对比，确定car占用的车位；

找出当前图像中被车辆识别模型辨认出的所有partial-car-N％，结合停车场虚拟坐标获取其中心点坐标；

集合partial-car-N％的中心点坐标及N值，机器学习单元根据公式(4)对车辆实际占位进行校正，获取被遮挡车辆实际的占位情况；所述公式(4)表示为：

式中，O为partial-car-N％的中心坐标向摄像头近端偏移的像素值。

6.如权利要求5所述的基于机器学习的停车场车位状态识别方法，其特征在于，所述停车位地图模型的建立方法为：把拍摄的实际图像作为训练样本，训练样本中的每张图像具有标注完成的车辆识别数据，利用卷积神经网络结合训练样本进行学习和训练，形成初级停车位地图模型，将初级车辆识别模型与实际图像进行对比，并使用对比结果利用卷积神经网络结合训练样本进行学习和训练，不断的反馈与优化，最终形成停车位地图模型。