[发明专利]一种基于机器学习的车位状态检测方法

权利要求书

1.一种基于机器学习的车位状态检测方法，其特征在于，所述方法包括：

步骤A，收集车位图片，所述车位图片包括空车车位图片以及非空车车位图片；

步骤B，对收集的车位图片进行处理；

步骤C，对处理后的图片进行分类；

步骤D，建立机器学习模型；

步骤E，对建立的机器学习模型进行训练；

步骤F，对经过训练后的机器学习模型进行测试；

步骤G，对经过测试后的机器学习模型进行使用。

2.根据权利要求1所述的基于机器学习的车位状态检测方法，其特征在于，所述方法还包括：

步骤H，对使用的机器学习模型进行修正。

3.根据权利要求1所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤A中收集车位的图片按照相机编号、是否有车进行分类。

4.根据权利要求1所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤B具体包括：对收集到的车位图片中非车位部分的图像进行删除，留下车位部分的图像，对收集到的车位图片中包含多个车位图像的，对图片进行单车位分割，使每一幅图片只反映一个车位，以及对经过处理后的图片按车位编号、是否有车进行分类。

5.根据权利要求1所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤C具体包括：对每个车位，将其空车位图片数量的90％作为训练数据集Q，将空车位图片数量的10％作为验证数据集R，将有车图片作为测试数据集Z。

6.根据权利要求5所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤D具体包括：采用卷积神经网络CNN算法建立建立机器学习模型，所述卷积神经网络CNN算法包括数据处理相关参数、训练过程与训练相关参数、网络相关参数以及分类器判断阀值参数M。

7.根据权利要求6所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤E具体包括：将车位数据集Q作为输入，训练空车位图片特征识别模型。模型损失函数以输出1为最小，越接近1越好。但实际模型输出值大于M时即视为可接受。模型的验证采用数据集R。以数据集R输入模型，输出接近于1为优。但实际模型输出值大于M时即视为验证通过，当模型输出可接受时，模型训练结束。

8.根据权利要求7所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤F具体包括：用数据集Z测试模型训练步骤输出的模型。以输出接近于0为优。但实际模型输出值小于(1-M)时即视为测试通过。

9.根据权利要求8所述的基于机器学习的车位状态检测方法，其特征在于，步骤G具体包括：使用模型时，将分割后的车位图片输入该车位的模型，根据其输出值V判断当前车位状态，当V>＝M，则判断车位为空闲状态，若V<＝1-M，则判断车位为占用状态，当1-M＜V＜M，则对模型进行修正。

10.根据权利要求2所述的基于机器学习的车位状态检测方法，其特征在于，所述步骤H具体包括：采用最近采集的图片子集作为训练模型的输入，时间久远的图片直接丢弃，在以前模型的基础上进行初始参数调整，复用参数，定期进行模型修正。