[发明专利]一种泊位状态识别方法及系统

权利要求书

1.一种泊位状态识别方法，其特征在于，包括：

获取图像采集装置对泊位先后采集的第一图像、第二图像和第三图像；

响应于确认所述第一图像和第二图像中所述泊位上均有车辆，将所述第一图像和第二图像进行叠加，得到第四图像；

将所述第四图像输入经过预先训练的第一卷积神经网络模型，判断所述泊位上的车辆是否为同一辆车；

响应于确认所述泊位上的车辆为同一辆车，并且所述第三图像中所述泊位上没有车辆时，将所述第一图像、第二图像和第三图像进行叠加，得到第五图像；

将所述第五图像输入经过训练的第二卷积神经网络模型，判断所述泊位上的车辆在获取所述第三图像的时刻是否已经离开所述泊位，若是则确定泊位状态为空闲，否则确定泊位状态为占用。

2.根据权利要求1所述的方法，其特征在于，所述第一卷积神经网络模型的训练方法为：

将包含有干扰项的同一车辆在同一监控区域的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆在同一监控区域的两张图像进行叠加作为负样本，基于多个所述正样本和负样本训练所述第一卷积神经网络模型。

3.根据权利要求1所述的方法，其特征在于，所述将所述第四图像输入经过预先训练的第一卷积神经网络模型，判断所述泊位上的车辆是否为同一辆车，具体包括：

基于经过预先训练的第一卷积神经网络模型提取所述第四图像中的两个车辆的车辆特征；

计算所述两个车辆的车辆特征相似度；

根据所述相似度判断所述泊位上的车辆是否为同一辆车。

4.根据权利要求1所述的方法，其特征在于，所述第二卷积神经网络模型的训练方法为：

将两张相同车辆占用相同泊位的图像和一张泊位未被占用的图像进行叠加作为正样本，将两张相同车辆占用相同泊位的图像和任意一张除泊位未被占用的情况之外的图像进行叠加作为负样本，基于所述正样本和负样本训练所述第二卷积神经网络模型。

5.根据权利要求1所述的方法，其特征在于，所述将所述第五图像输入经过训练的第二卷积神经网络模型，判断所述泊位上的车辆在获取所述第三图像的时刻是否已经离开所述泊位，具体包括：

基于经过训练的第二卷积神经网络提取所述第五图像中的两个相同车辆的特征和所在泊位的特征；

根据所述第五图像中的两个相同车辆的特征和所在泊位的特征预测在泊位在第三图像中的占用状态，得到预测值；

根据所述预测值判断所述第一图像和第二图像中停在泊位中的车辆在获取所述第三图像的时刻是否已经离开，若是则确定泊位状态为空闲，否则确定泊位状态为占用。

6.一种泊位状态识别系统，其特征在于，包括：

获取模块，用于获取图像采集装置对泊位先后采集的第一图像、第二图像和第三图像；

第一叠加模块，用于响应于确认所述第一图像和第二图像中所述泊位上均有车辆，将所述第一图像和第二图像进行叠加，得到第四图像；

第一判断模块，用于将所述第四图像输入经过预先训练的第一卷积神经网络模型，判断所述泊位上的车辆是否为同一辆车；

第二叠加模块，用于响应于确认所述泊位上的车辆为同一辆车，并且所述第三图像中所述泊位上没有车辆时，将所述第一图像、第二图像和第三图像进行叠加，得到第五图像；

第二判断模块，用于将所述第五图像输入经过训练的第二卷积神经网络模型，判断所述泊位上的车辆在获取所述第三图像的时刻是否已经离开所述泊位，若是则确定泊位状态为空闲，否则确定泊位状态为占用。

7.根据权利要求6所述的系统，其特征在于，所述第一卷积神经网络模型的训练方法为：

将包含有干扰项的同一车辆在同一监控区域的两张图像进行叠加作为正样本，将包含有干扰项的不同车辆在同一监控区域的两张图像进行叠加作为负样本，基于多个所述正样本和负样本训练所述第一卷积神经网络模型。