[发明专利]一种基于深度学习的智能停车管理方法及系统

说明书

本发明公开了一种基于深度学习的智能停车管理方法及系统。针对智能停车场管理的需求，基于Darknet框架设计卷积神经网络模型对车辆进行定位，通过对预测的车辆位置和车位进行重叠程度计算，实现对车位上的停车状态的实时监测，并根据车位状态进行停车费用统计。本发明通过将深度学习方法应用于停车资源管理中，实现了停车状态及停车费用的智能、自动化监测，不仅缓解了城市交通拥挤，有效规范了停车资源的使用，同时也使得对停车资源的管理更加便捷和智能化，解放了人力。

技术领域

本发明涉及智能停车管理技术领域，特别是涉及一种基于深度学习的智能停车管理方法及系统。

背景技术

近年来，随着私家车的增长，大中小城市都面临着“车多位少”的困境，同时，停车资源的落后管理现状也使得这种困境日趋严重。传统的停车资源管理通过人工手动模式管理，不仅效率低下，而且极其耗费人力。

发明内容

本发明的目的是提供一种基于深度学习的智能停车管理方法及系统，将深度学习方法应用于停车资源管理中，以解决传统的停车资源人工管理方式效率低下且极其耗费人力的问题。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的智能停车管理方法，所述方法包括：

获取停车场摄像头采集的视频帧；

加载训练好的卷积神经网络模型；

将所述视频帧输入所述训练好的卷积神经网络模型，输出车辆位置预测框信息；所述车辆位置预测框信息包括车辆位置预测框的中心坐标以及宽、高；

获取车位框信息；所述车位框信息包括车位框的左上角坐标和右下角坐标；

根据所述车辆位置预测框信息和所述车位框位置信息确定当前车位状态；

根据所述当前车位状态确定停车费用。

可选的，在所述加载训练好的卷积神经网络模型之前，还包括：

基于Darknet框架和YOLO算法建立卷积神经网络模型；所述卷积神经网络模型包括特征提取器和检测器；

采用VOC数据集对所述卷积神经网络模型进行训练、调参，生成训练好的卷积神经网络模型。

可选的，所述根据所述车辆位置预测框信息和所述车位框位置信息确定当前车位状态，具体包括：

根据所述车辆位置预测框信息计算车辆位置预测框的左上角坐标和右下角坐标；

根据所述车辆位置预测框的左上角坐标和右下角坐标以及所述车位框的左上角坐标和右下角坐标计算所述车辆位置预测框与所述车位框的重叠区域位置；所述重叠区域位置包括所述车辆位置预测框与所述车位框的重叠区域的左上角坐标和右下角坐标；

根据所述重叠区域位置计算重叠区域面积；

根据所述车位框位置计算车位框面积；

计算所述重叠区域面积与所述车位框面积的比值作为车辆的置信度；

判断所述车辆的置信度是否大于等于置信度阈值，获得第一判断结果；

若所述第一判断结果为所述车辆的置信度大于等于置信度阈值，确定当前车位状态为被占状态；

若所述车辆的置信度小于置信度阈值，确定当前车位状态为空状态。

可选的，所述根据所述当前车位状态确定停车费用，具体包括：

获取所述当前车位状态由空状态变为被占状态的开始停车时间；

获取所述当前车位状态由被占状态变为空状态的结束停车时间；