[发明专利]一种基于众包数据的城市停车全域可信感知方法

权利要求书

1.一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的方法包括以下步骤：

S1、构建基于深度学习的停车位检测模型；

S2、定义四种影响因素并与仿真场景结合，研究不同影响因素组合对停车位检测模型的影响规律，并分析影响因素与停车位检测模型感知成功率的相关性；

S3、利用集成学习方法对定义的四种影响因素进行评估，建立不同外部因素干扰下停车位状态感知失效概率预测模型，预测在不同影响因素的干扰下停车位检测模型识别的可信度；

S4、搭建多车感知仿真场景，分析车队规模对于停车位检测模型的影响规律，构建数据新鲜度模型，定义众包数据的可信融合方法，完成对城市级路侧停车位状态的可信感知。

2.根据权利要求1所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的仿真场景设置仿真车辆上传感器参数；所述的传感器参数包括位置、拍照频率和图片像素；所述的仿真场景提取不同影响因素组合下的系统宏观数据和车辆微观数据；所述的众包数据包括采样时间、车辆自身定位和周围车辆的相对位置。

3.根据权利要求1所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的S1具体包括以下步骤：

S101、定义停车位端点p₁和p₂以及停车位入口线识别方法，若是平行停车位的入口线，则t₁≤||₁p₂||≤t₂；若是垂直停车位或者倾斜停车位，则t₃≤||₁p₂||≤t₄，其中参数t₁、t₂、t₃、t₄是根据不同停车位入口线长度的先验知识确定的；并且若两端点之间存在一个端点漏检而无法形成有效停车位入口线，则通过对两个端点形成的局部图像进行识别来完成；

S102、计算完整的停车位坐标，每个停车位由p₁、p₂、p₃和p₄四个点组成，其中p₁和p₂为组成停车位入口线的两个端点，p₃和p₄为无法在图像中看到的停车位另外两个端点，其坐标计算过程为

其中，α_i和d_i分别为停车位的角度和深度，垂直停车位和平行停车位的角度均为α₁，深度分别为d₁和d₂；倾斜停车位的深度均为d₃，角度根据锐角或钝角分别设置为α₂和α₃；

S103、对停车场占用进行分类，采用正则化的形式来最大化分类性能，运用透视变换技术，将停车位根据其在图像中的位置进行切割并扭曲成120×46统一尺寸的像素，图像中停车位的四个边界点作为源点，而目标点是120×46像素的固定矩形的四个顶点，将得到的一系列有标签的图像分为正样本和负样本，其中正样本表示空闲的停车位，负样本表示占用的停车位，并将图像进行180°的旋转变换，进一步增加训练样本的数量，最后通过不同颜色的标记对车位占用情况进行区分。