CN118587685B - 车辆跨位停放的识别方法、装置、计算机设备和存储介质 - Google Patents
车辆跨位停放的识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN118587685B CN118587685B CN202411073248.0A CN202411073248A CN118587685B CN 118587685 B CN118587685 B CN 118587685B CN 202411073248 A CN202411073248 A CN 202411073248A CN 118587685 B CN118587685 B CN 118587685B
- Authority
- CN
- China
- Prior art keywords
- tracking
- parking
- target vehicle
- frame
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012544 monitoring process Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims description 75
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 238000000691 measurement method Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000005404 monopole Effects 0.000 claims description 7
- 238000012856 packing Methods 0.000 claims 2
- 238000012806 monitoring device Methods 0.000 abstract description 16
- 230000036544 posture Effects 0.000 description 34
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 7
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种车辆跨位停放的识别方法、装置、计算机设备和存储介质，其中，该方法包括：获取监控设备实时拍摄停车区域的监控视频；对监控视频中的目标车辆进行检测跟踪，判定目标车辆的移动状态；在移动状态为静止状态时，确定目标车辆的跟踪框与预设的预警线之间的位置关系；跟踪框由对目标车辆的检测跟踪得到；预警线设置于停车区域中的各停车位之间；根据位置关系和预设的位置阈值，确定目标车辆的跨位停放识别结果。通过本申请，解决了相关技术中无法精确识别车辆是否跨位停放的问题，利用目标车辆的跟踪框与预设的预警线之间的位置关系结合预设的位置阈值来精确识别车辆是否跨位停放，具有抗干扰能力强的特点。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及车辆跨位停放的识别方法、装置、计算机设备和存储介质。
背景技术
随着计算机视觉算法的快速发展与应用，计算机视觉算法广泛用于车位管理方案中；而车辆跨位停放的识别结果的精度作为车位管理方案的关键衡量指标之一，它的优劣将直接影响到人们的出行体验。
目前的方案为：通过地磁传感器监控待检车位区域内的地磁磁力参数变化，并生成相应的驱动信号发送至微波检测装置，微波检测装置根据接收到的驱动信号发射某频段的微波信号及接收回波信号。根据回波信号、待检测车位的基准回波数据及设定微波变化阈值三者之间的数量关系，判别待检测车位的车位状态。但是该方案无法精确识别车辆是否跨位停放。
针对相关技术中无法精确识别车辆是否跨位停放的问题，目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种车辆跨位停放的识别方法、装置、计算机设备和存储介质，以解决相关技术中无法精确识别车辆是否跨位停放的问题。
第一个方面，在本实施例中提供了一种车辆跨位停放的识别方法，包括：
获取监控设备实时拍摄停车区域的监控视频；
对所述监控视频中的目标车辆进行检测跟踪，判定所述目标车辆的移动状态；
在所述移动状态为静止状态时，确定所述目标车辆的跟踪框与预设的预警线之间的位置关系；所述跟踪框由对所述目标车辆的检测跟踪得到；所述预警线设置于所述停车区域中的各停车位之间；
根据所述位置关系和预设的位置阈值，确定所述目标车辆的跨位停放识别结果。
在其中的一些实施例中，基于融合的单极映射法和欧式距离度量法，确定所述目标车辆的跟踪框与预设的预警线之间的位置关系，包括：
将所述目标车辆的所述跟踪框和所述预警线映射到统一坐标系下进行比对；
若所述跟踪框与所述预警线为相交状态，则确定所述跟踪框与所述预警线的交点坐标；并基于所述交点坐标确定所述跟踪框与所述预警线的包吞比系数；将所述包吞比系数作为位置关系。
在其中的一些实施例中，所述方法还包括：
其中的一些实施例中，所述方法还包括：
配置与所述停车区域中停车位数量对应的车位链表；所述车位链表中每个第一节点的挂载信息包括泊位占用状态标志位、关联车辆身份信息、跨位停放信息、车辆姿态信息以及车牌识别结果；所述第一节点的所述挂载信息对应所述停车位的状态属性信息；
基于所述车位链表，对所述停车区域中所述停车位进行管理。
其中的一些实施例中，所述方法还包括：
基于预设的上报触发帧数，对所述车位链表进行上报；
基于上报的所述车位链表，将所述停车区域中所述停车位的所述状态属性信息进行展示。
在其中的一些实施例中，对所述监控视频中的目标车辆进行检测跟踪，判定所述目标车辆的移动状态，包括：
将所述监控视频输入到训练完备的深度学习网络模型中进行所述目标车辆的检测，得到检测框和对应的属性信息；所述属性信息包括检测框坐标和第一类别；
根据所述检测框、对应的所述属性信息以及预设的跟踪链表，实时对所述监控视频中的所述目标车辆进行跟踪，得到跟踪框；所述跟踪链表中的每个第二节点的挂载信息包括跟踪框坐标、第二类别以及目标车辆身份信息；
在预设的判稳识别帧数内，根据所述跟踪框的运动位移和预设的位移阈值，确定所述目标车辆的移动状态；所述判稳识别帧数与所述监控视频的当前视频帧率相关。
在其中的一些实施例中，根据所述检测框、对应的所述属性信息以及预设的跟踪链表，实时对所述监控视频中的所述目标车辆进行跟踪，得到跟踪框，包括；
基于对角距离与矩形IOU交并比加权融合的度量法，将所述属性信息与所述跟踪链表中的所述第二节点进行关联匹配；
若关联匹配失败，则将所述检测框对应的车辆作为新的所述目标车辆，并将所述检测框作为新的所述跟踪框；将所述属性信息更新到所述跟踪链表中，并分配对应的跟踪身份信息；
若关联匹配成功，则基于所述属性信息，更新所述跟踪链表中相应的所述第二节点，确定对应的所述跟踪框。
在其中的一些实施例中，所述方法还包括：
基于所述属性信息，将连续帧下的所述目标车辆的车辆姿态存储到车位链表中的车辆姿态数组；
根据所述姿态数组与预设的帧数，确定车位链表中的车辆姿态信息。
在其中的一些实施例中，所述方法还包括：
轮询确定车位状态识别区域与所述跟踪框的涵盖比例系数；所述车位状态识别区域为所述停车区域中每个所述停车位中的指定区域；
根据所述涵盖比例系数和预设的比例阈值，确定车位链表中的泊位占用状态标志位。
第二个方面，在本实施例中提供了一种车辆跨位停放的识别装置，包括：获取模块、检测跟踪模块、处理模块以及跨位停放识别模块；
所述获取模块，用于获取监控设备实时拍摄停车区域的监控视频；
所述检测跟踪模块，用于对所述监控视频中的目标车辆进行检测跟踪，判定所述目标车辆的移动状态；
所述处理模块，用于在所述移动状态为静止状态时，确定所述目标车辆的跟踪框与预设的预警线之间的位置关系；所述跟踪框由对所述目标车辆的检测跟踪得到；所述预警线设置于所述停车区域中的各停车位之间；
所述跨位停放识别模块，用于根据所述位置关系和预设的位置阈值，确定所述目标车辆的跨位停放识别结果。
第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的车辆跨位停放的识别方法。
第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的车辆跨位停放的识别方法。
与相关技术相比，在本实施例中提供的车辆跨位停放的识别方法、装置、计算机设备和存储介质，通过获取监控设备实时拍摄停车区域的监控视频；对监控视频中的目标车辆进行检测跟踪，判定目标车辆的移动状态；在移动状态为静止状态时，确定目标车辆的跟踪框与预设的预警线之间的位置关系；跟踪框由对目标车辆的检测跟踪得到；预警线设置于停车区域中的各停车位之间；根据位置关系和预设的位置阈值，确定目标车辆的跨位停放识别结果，解决了相关技术中无法精确识别车辆是否跨位停放的问题，利用目标车辆的跟踪框与预设的预警线之间的位置关系结合预设的位置阈值来精确识别车辆是否跨位停放，具有抗干扰能力强的特点。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请一实施例提供的车辆跨位停放的识别方法的终端设备的硬件结构框图；
图2是本申请一实施例提供的车辆跨位停放的识别方法的流程图；
图3是车位链表的示意图；
图4是单极映射法的示意图；
图5是步骤S220的流程图；
图6是对角距离计算中检测框和跟踪框的示意图；
图7是车位状态识别的示意图；
图8是本申请一优选实施例提供的车辆跨位停放的识别方法的流程图；
图9是本申请一实施例提供的车辆跨位停放的识别装置的结构框图。
图中：102、处理器；104、存储器；106、传输设备；108、输入输出设备；210、获取模块；220、检测跟踪模块；230、处理模块；240、跨位停放识别模块。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的车辆跨位停放的识别方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的车辆跨位停放的识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（NetworkInterface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（RadioFrequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种车辆跨位停放的识别方法，图2是本实施例的车辆跨位停放的识别方法的流程图，如图2所示，该流程包括如下步骤：
步骤S210，获取监控设备实时拍摄停车区域的监控视频；
步骤S220，对监控视频中的目标车辆进行检测跟踪，判定目标车辆的移动状态；
步骤S230，在移动状态为静止状态时，确定目标车辆的跟踪框与预设的预警线之间的位置关系；跟踪框由对目标车辆的检测跟踪得到；预警线设置于停车区域中的各停车位之间；
步骤S240，根据位置关系和预设的位置阈值，确定目标车辆的跨位停放识别结果。
具体的，本实施例提供的车辆跨位停放的识别方法适用识别系统，该系统包括监控设备和处理器；其中，监控设备，设置于停车区域的周边，与处理器连接，用于实时拍摄停车区域的监控视频，将拍摄的监控视频主动或被动传输给处理器；处理器，用于执行各实施例的车辆跨位停放的识别方法。具体的，监控设备可以设置在停车区域周边的墙壁、柱子等物体上，需要保障停车区域在监控设备的视野范围内，对于监控设备的安装位置并不进行限制。监控设备包括但不限于相机、摄像机以及枪机等，对此并不进行限制。
其中，停车区域可以预先设置；比如：由用户指定一块停车的区域，将监控设备设置在合适的位置，使得该区域在监控设备的视野范围内。再比如：在监控设备拍摄到的区域中指定一块区域为停车区域等。停车区域中可以包括至少两个停车位，可以执行上述车辆跨位停放的识别方法来完成对停车区域中车辆跨位停放的识别。
在本实施例中，在获取监控设备实时拍摄停车区域的监控视频之后，利用检测跟踪算法或训练完备的相关神经网络模型，对监控视频中的目标车辆进行检测跟踪，锁定监控视频中的目标车辆，通过目标车辆的跟踪框的运动位移，即可判定目标车辆的移动状态。其中，目标车辆指的是往停车区域中的停车位停车的车辆，能够降低路过车辆对识别结果的影响。其中，移动状态分为运动状态（可以由目标静止状态位V_static为0表示）和静止状态（可以由目标静止状态位V_static为1表示）。在移动状态为运动状态时，设置目标静止状态位V_static为0，继续执行步骤S220；直到移动状态为静止状态，此时设置目标静止状态位V_static为1，再基于单极映射法和欧式距离度量法或训练完备的相关神经网络模型，来高效准确的确定目标车辆的跟踪框与预设的预警线之间的位置关系。
最后，根据位置关系和预设的位置阈值，来确定目标车辆的跨位停放识别结果。其中，位置阈值可以用k_parking_cross表示，其可以由应用场景的精度要求来设置，对于不同的精度可以设置不同的位置阈值；比如：位置阈值k_parking_cross可以为0.6。如果位置关系满足位置阈值，则目标车辆的跨位停放识别结果为跨位停放。否者，目标车辆的跨位停放识别结果为非跨位停放。
需要说明的是，可以认为是以移动状态为静止状态的这一帧监控视频中的监控图像为对象，来完成车辆跨位停放的识别，最终输出的跨位停放识别结果可以用跨位停放信息表示；跨位停放信息f_parking_cross的跨位停放标志位为1表示跨位停放，跨位停放标志位为0表示非跨位停放。该跨位停放信息可以更新到车位链表一起上报。
在相关技术中的实现方案为：通过地磁传感器监控待检车位区域内的地磁磁力参数变化，并生成相应的驱动信号发送至微波检测装置，微波检测装置根据接收到的驱动信号发射某频段的微波信号及接收回波信号。根据回波信号、待检测车位的基准回波数据及设定微波变化阈值三者之间的数量关系，判别待检测车位的车位状态；但是该方案无法精确识别车辆是否跨位停放。而在本实施例中，通过上述步骤，先，获取监控设备实时拍摄停车区域的监控视频；再，对监控视频中的目标车辆进行检测跟踪，判定目标车辆的移动状态；在移动状态为静止状态时，确定目标车辆的跟踪框与预设的预警线之间的位置关系；跟踪框由对目标车辆的检测跟踪得到；预警线设置于停车区域中的各停车位之间；能够在车辆处于静止状态后，进入跨位停放的识别，极大程度降低车辆运动对识别结果的干扰，提高抗干扰能力；最后，根据位置关系和预设的位置阈值，确定目标车辆的跨位停放识别结果，能够灵活调整位置阈值来控制整体的车辆跨位停放的识别精度；进而解决了相关技术中无法精确识别车辆是否跨位停放的问题。
下面对上述步骤进行详细说明：
在其中的一些实施例中，车辆跨位停放的识别方法，还包括如下步骤：
配置与停车区域中停车位数量对应的车位链表；车位链表中每个第一节点的挂载信息包括泊位占用状态标志位、关联车辆身份信息、跨位停放信息、车辆姿态信息以及车牌识别结果；第一节点的挂载信息对应停车位的状态属性信息；
基于车位链表，对停车区域中停车位进行管理。
具体的，车位链表是预先配置的存储结构单元，用于存储监控视频中，每个停车位的状态属性信息；即车位链表中每个第一节点的挂载信息都对应一个停车位的状态属性信息；从而能够基于该车位链表，对停车区域中停车位进行管理，方便后续上报等流程的使用。车位链表的每个第一节点与停车区域中的一个停车位对应；比如：停车区域中有N个停车位，那么车位链表parking_list中有N个第一节点。每个第一节点的挂载信息包括泊位占用状态标志位p_status（具有1和0；1表示占用；0表示空闲）、关联车辆身份信息（为泊位占用状态标志位为占用状态时停放车辆的跟踪ID）、跨位停放信息f_parking_cross（具有1和0的跨位停放标志位p_cross；1表示跨位停放，0表示非跨位停放）、车辆姿态信息（具有0，1以及2的停放状态p_posture，0表示目标车辆正向停放；1表示目标车辆背向停放；2表示目标车辆侧向停放）以及车牌识别结果pr（为char类型指针，指向目标车辆的车牌识别结果）。如图3所示，该车位链表是具有7个第一节点。
在车辆跨位停放的识别方法执行时，可以先初始化车位链表，初始化状态下，车位链表下各个第一节点的挂载信息中，除车牌pr部分外，其余皆初始化为-1。
通过本实施例，通过车位链表来统一管理停车区域中停车位的识别结果，方便后续使用。
在其中的一些实施例中，车辆跨位停放的识别方法，还包括如下步骤：
基于预设的上报触发帧数，对车位链表进行上报；
基于上报的车位链表，将停车区域中停车位的状态属性信息进行展示。
具体的，可以通过控制事件预警灵敏度系数α和监控视频的当前视频帧率f来确定上报触发帧数Falarm，进而能够有效控制车位链表的上报频率，以匹配不同的需求。且以车位链表为信息载体进行上报，能够对车位链表中第一节点的挂载信息进行轮询查验，将停车区域内各停车位的泊位占用状态标志位、关联车辆身份信息、跨位停放信息、车辆姿态信息以及车牌识别结果上传至外部监控系统中，在外部监控系统中，基于上报的车位链表，将停车区域中停车位的状态属性信息进行展示，方便用户直观查看各停车位的状态属性信息，以方便后续处理。其中，上报触发帧数Falarm和事件预警灵敏度系数α的关系可以表示为：
Falarm=α×f。
在其中的一些实施例中，步骤S230中的确定目标车辆的跟踪框与预设的预警线之间的位置关系，包括如下步骤：
将目标车辆的跟踪框和预警线映射到统一坐标系下进行比对；
若跟踪框与预警线为相交状态，则确定跟踪框与预警线的交点坐标；并基于交点坐标确定跟踪框与预警线的包吞比系数；将包吞比系数作为位置关系。
具体的，将目标车辆的跟踪框和预警线映射到统一坐标系下进行比对。如图4所示，设定跟踪框与预警线在统一坐标系下，分别表示为矩形AB与线段MN；其中，矩形AB（跟踪框）的坐标表示为A(xa,ya)和B(xb,yb)，设定ya<yb；直线MN（预警线）坐标表示为M(xm,ym)和N(xn,yn),设定ym<yn。
则线段MN所在直线表达公式为：
其中，点P和点H分别为矩形AB在X轴方向与直线MN的交点，并计算交线（R和S）的坐标；其中，R=max_y(M,H)，S=min_y(N,P)；即，令R取值（M，H）中y大的点，S取值（N，P）中y值小的点，如交线为图4中的H和N；交点坐标即为T的坐标。
若矩形AB与交线MN为相交状态，则跟踪框与预警线为相交状态；此时，计算出两者的交点坐标（H和N的坐标）；否则认定跟踪框与预警线为分离状态，认为非跨位停放。
设定交点T的坐标表示为T(xt，yt)，则跟踪框与预警线的包吞比系数k_contain可以表示为：
式中，∆d1表示跟踪框与预警线的包吞距离长度；∆d2表示预警线的长度。
通过本实施例，基于融合的单极映射法和欧式距离度量法，来准确高效的计算出目标车辆的跟踪框与预设的预警线之间的包吞比系数，进而可以结合位置阈值来识别车辆是否跨位停放，保障识别的稳定性和准确性。
上述过程可以认为是采用单极映射法和欧式距离度量法融合的方式，来快速准确的确定目标车辆的跟踪框与预设的预警线之间的位置关系，也能够降低对处理的资源需求。其中，单极映射法可以采用其他映射法（比如：灰度映射法、混沌映射法等）来替代、欧式距离度量法可以采用其他距离度量法（比如：余弦相似度（Cosine Similarity）距离度量法、曼哈顿距离（ManhattanDistance）度量法等）来替代，对此并不进行限制。
在其中的一些实施例中，如图5所示，步骤S220中的对监控视频中的目标车辆进行检测跟踪，判定目标车辆的移动状态，包括如下步骤：
步骤S221，将监控视频输入到训练完备的深度学习网络模型中进行目标车辆的检测，得到检测框和对应的属性信息；属性信息包括检测框坐标和第一类别；
步骤S222，根据检测框、对应的属性信息以及预设的跟踪链表，实时对监控视频中的目标车辆进行跟踪，得到跟踪框；跟踪链表中的每个第二节点的挂载信息包括跟踪框坐标、第二类别以及目标车辆身份信息；
步骤S223，在预设的判稳识别帧数内，根据跟踪框的运动位移和预设的位移阈值，确定目标车辆的移动状态；判稳识别帧数与监控视频的当前视频帧率相关。
具体的，对于目标车辆的检测，采用的是训练完备的深度学习网络模型，将监控视频输入到训练完备的深度学习网络模型中进行目标车辆的检测，即可输出检测框和对应的属性信息，其中，属性信息包括检测框坐标和第一类别；第一类别包括0，1以及2的l类别；其中，0表示目标车辆正向停放；1表示目标车辆背向停放；2表示目标车辆侧向停放。其中，深度学习网络模型包括但不限于YOLO系列（如YOLOv5）网络模型、CNN网络模型等。对应不同的深度学习网络模型可以采用相关模型训练方法和预先准备的训练样本进行训练得到，对此不举例说明。
采用跟踪算法或训练完备的相关神经网络模型，根据检测框、对应的属性信息以及预设的跟踪链表，实时对监控视频中的目标车辆进行跟踪，得到目标车辆在监控视频中的跟踪框；其中，跟踪链表track_list是预先配置的，跟踪链表track_list中的每个第二节点node_info的挂载信息包括跟踪框坐标rect、第二类别class以及目标车辆身份信息；跟踪链表的长度为最大的跟踪车辆数量，比如：跟踪链表的长度20（20个第二节点）；那么表示最大的跟踪车辆数量为20辆。其中，第二节点为跟踪链表的节点；第一节点为车位链表的节点，两者的挂载信息也不同。
为了提高移动状态识别的鲁棒性和灵敏性，采用在预设的判稳识别帧数内，根据跟踪框的运动位移和预设的位移阈值，来准确确定目标车辆的移动状态。比如：在判稳识别帧数cnt_static内，若跟踪框的运动位移小于位移阈值，则认为目标车辆处于静止状态，并将该目标车辆ID下的目标静止状态位V_static置为1，认为该目标车辆已处于静止状态，否则目标静止状态位V_static置为0。优选的，位移阈值为10像素。
其中，判稳识别帧数的表达式为：
cnt_static=λ×f；
式中，λ为判稳识别系数。调整判稳识别系数可以控制目标车辆运动状态判定的灵敏度，满足不同的使用需求。
通过本实施例，可以快速的判定目标车辆的移动状态，在保障判定的准确性的同时，可以调整判定的灵敏度。
在其中的一些实施例中，步骤S222中的根据检测框、对应的属性信息以及预设的跟踪链表，实时对监控视频中的目标车辆进行跟踪，得到跟踪框，包括如下步骤；
基于对角距离与矩形IOU交并比加权融合的度量法，将属性信息与跟踪链表中的第二节点进行关联匹配；
若关联匹配失败，则将检测框对应的车辆作为新的目标车辆，并将检测框作为新的跟踪框；将属性信息更新到跟踪链表中，并分配对应的跟踪身份信息；
若关联匹配成功，则基于属性信息，更新跟踪链表中相应的第二节点，确定对应的跟踪框。
具体的，在本实施例中跟踪算法为基于对角距离与矩形IOU交并比加权融合的度量法；采用该度量法，将属性信息与跟踪链表中的第二节点进行关联匹配；若关联匹配成功，则使用当前的检测框的属性信息（检测框坐标和第一类别）更新跟踪链表中相应的第二节点，把检测框与跟踪链表中的跟踪框进行关联，得到新的跟踪框。若关联匹配失败，则表示跟踪链表中没有与检测框关联的跟踪框；将检测框对应的车辆作为新的目标车辆，并将检测框作为新的跟踪框；将该检测框的属性信息（检测框坐标和第一类别）初始化为新的第二节点更新至跟踪链表中，并分配对应的跟踪身份信息。
其中，基于对角距离与矩形IOU交并比加权融合的度量法的实现过程如下：
设定步骤S221输出的检测框BBox_od的左上角坐标为(xod_ul,yod_ul)，右下角坐标(xod_lr,yod_lr)，跟踪链表中的跟踪框BBox_track左上角坐标为(xtrack_ul,ytrack_ul)，右下角坐标为(xtrack_lr,ytrack_lr)，则对角距离的实现过程为：
判别当前检测框BBox_od与跟踪框BBox_track是否存在交集，交集判别公式为：
如果满足x1≤x2；y1≤y2，则检测框与跟踪框处于相交状态，对角距离计算公式为：
式中，∆l1是指跟踪框左上角坐标点与检测框左上角坐标点之间的距离（如图6中的AC），∆l2是指跟踪框右下角坐标点与检测框右下角坐标点之间的距离（如图6中的BD），∆l是指跟踪框左上角坐标点与检测框右下角坐标点之间的距离（如图6中的AD）。
其中，跟踪框与检测框之间的对角距离关联度scoreassociate的表达式为：
其中，跟踪框与检测框之间的矩形交并比IOU的计算公式为：
式中，wod表示检测框的宽；hod表示检测框的高；wtrack表示跟踪框的宽；htrack表示跟踪框的高。
其中，跟踪框与检测框之间的重叠面积的计算公式为：
式中，wover表示重叠矩形的宽；hover表示重叠矩形的高；sover表示重叠矩形的面积。
其中，矩形交并比IOU的表达式为：
式中，sod表示检测框的面积，其由检测框的宽和检测框的高确定；strack表示跟踪框的面积，其由跟踪框的宽和跟踪框的高确定。
因此，可以确定跟踪框与检测框之间关联匹配度scorematch的表达式为：
式中，ρ和β分别表示对角距离与矩形交并比，两者所占有的比重系数，优先的，ρ和β均为0.5；若关联匹配度scorematch大于预设的关联阈值Threshmatch；则认为两者关联匹配成功，并从所有与跟踪框关联上的检测框中选取关联匹配度最高的作为跟踪框；否则认为两者关联匹配失败。
通过本实施例，有效优化单一匹配方式导致的误关联的问题，保证关联结果准确度。
在其中的一些实施例中，车辆跨位停放的识别方法，还包括如下步骤：
基于属性信息，将连续帧下的目标车辆的车辆姿态存储到车位链表中的车辆姿态数组；
根据姿态数组与预设的帧数，确定车位链表中的车辆姿态信息。
具体的，车位链表的第二节点还设置有车辆姿态数组；该车辆姿态数组用于存储同一目标车辆在连续帧下的车辆姿态；比如：目标车辆连续8帧下车辆姿态分别为（2,2,0,0,0,0,0,0）；那么将该车辆姿态存储到车位链表中的车辆姿态数组中。如果预设的帧数为6帧，那么从姿态数组中随机或选取最后的6个车辆姿态（示例的随机选取，2,0,0,0,0,0），此时，选取相同数量最多的车辆姿态0（表示目标车辆正向停放）作为最终的车位链表中的车辆姿态信息。
通过本实施例，进一步保障车位链表中的车辆姿态信息的识别精度。
在其中的一些实施例中，车辆跨位停放的识别方法，还包括如下步骤：
轮询确定车位状态识别区域与跟踪框的涵盖比例系数；车位状态识别区域为停车区域中每个停车位中的指定区域；
根据涵盖比例系数和预设的比例阈值，确定车位链表中的泊位占用状态标志位。
具体的，如图7所示，车位状态识别区域是预先设置的，其为停车区域中每个停车位中的指定区域。轮询计算每个车位状态识别区域parking_roi与跟踪框的涵盖比例系数p_cover；再根据涵盖比例系数p_cover与比例阈值之间的数值关系，得到泊位占用状态标志位p_status。泊位占用状态标志位p_status（具有1和0；1表示占用；0表示空闲)。
其中，采用车位状态识别区域的最小外界矩形作为占用识别区域，计算涵盖比例系数。
假设占用识别区域的圆心坐标为C_r(xroi,yroi)，半径为r，则外接矩形左上角坐标为C_rect_ul(xroi-r,yroi-r)，右下角坐标为C_rect_lr(xroi+r,yroi+r)，通过步骤S222中的交集判别公式、矩形交并比IOU的计算公式以及重叠面积的计算公式，即可判别跟踪框中区域S_ot与占用识别区域S_roi之间的位置关系和两者间相交区域面积S_cover。
由此，可以得到涵盖比例系数p_cover的表达为：
通过本实施例，相较于将整车位作为占用识别区域，利用涵盖比例系数的方式，更加简单高效。
下面通过优选实施例对本实施例进行描述和说明。
图8是本优选实施例的车辆跨位停放的识别方法的流程图。
步骤S81，配置参数，并初始化；该参数包括车位链表、跟踪链表以及车位状态识别区域等。
步骤S82，获取监控设备实时拍摄停车区域的监控视频。
步骤S83，将监控视频输入到训练完备的深度学习网络模型中进行目标车辆的检测，得到检测框和对应的属性信息。
步骤S84，根据检测框、对应的属性信息以及预设的跟踪链表，实时对监控视频中的目标车辆进行跟踪，得到跟踪框。
步骤S85，在预设的判稳识别帧数内，根据跟踪框的运动位移和预设的位移阈值，确定目标车辆的移动状态。
步骤S86，判断目标车辆的移动状态是否为静止状态；若移动状态为运动状态则返回到步骤S83中。
步骤S87，若移动状态为静止状态，则确定目标车辆的跟踪框与预设的预警线之间的位置关系；根据位置关系和预设的位置阈值，确定目标车辆的跨位停放识别结果。
步骤S88，基于属性信息，将连续帧下的目标车辆的车辆姿态存储到车位链表中的车辆姿态数组；根据姿态数组与预设的帧数，确定车位链表中的车辆姿态信息。
步骤S89，轮询确定车位状态识别区域与跟踪框的涵盖比例系数；车位状态识别区域为停车区域中每个停车位中的指定区域；根据涵盖比例系数和预设的比例阈值，确定车位链表中的泊位占用状态标志位。
步骤S90，基于预设的上报触发帧数，对车位链表进行上报。
通过本实施例，实现停车区域内车辆跨位停放的识别，并对车位链表进行柔性上报预警，有效规范停车环境，具备抗干扰能力；并且采用的相关算法能够保障识别结果的准确性和灵活性。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种车辆跨位停放的识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图9是本实施例的车辆跨位停放的识别装置的结构框图，如图9所示，该装置包括：获取模块210、检测跟踪模块220、处理模块230以及跨位停放识别模块240；
获取模块210，用于获取监控设备实时拍摄停车区域的监控视频；
检测跟踪模块220，用于对监控视频中的目标车辆进行检测跟踪，判定目标车辆的移动状态；
处理模块230，用于在移动状态为静止状态时，确定目标车辆的跟踪框与预设的预警线之间的位置关系；跟踪框由对目标车辆的检测跟踪得到；预警线设置于停车区域中的各停车位之间；
跨位停放识别模块240，用于根据位置关系和预设的位置阈值，确定目标车辆的跨位停放识别结果。
通过上述装置，解决了相关技术中无法精确识别车辆是否跨位停放的问题，利用目标车辆的跟踪框与预设的预警线之间的位置关系结合预设的位置阈值来精确识别车辆是否跨位停放，具有抗干扰能力强的特点。
在其中的一些实施例中，处理模块230，还用于将目标车辆的跟踪框和预警线映射到统一坐标系下进行比对；
若跟踪框与预警线为相交状态，则确定跟踪框与预警线的交点坐标；并基于交点坐标确定跟踪框与预警线的包吞比系数；将包吞比系数作为位置关系。
在其中的一些实施例中，车辆跨位停放的识别装置还包括配置模块；
配置模块，用于配置与停车区域中停车位数量对应的车位链表；车位链表中每个第一节点的挂载信息包括泊位占用状态标志位、关联车辆身份信息、跨位停放信息、车辆姿态信息以及车牌识别结果；第一节点的挂载信息对应停车位的状态属性信息；
基于车位链表，对停车区域中停车位进行管理。
在其中的一些实施例中，车辆跨位停放的识别装置还包括上报模块；
上报模块，用于基于预设的上报触发帧数，对车位链表进行上报；
基于上报的车位链表，将停车区域中停车位的状态属性信息进行展示。
在其中的一些实施例中，检测跟踪模块220，还用于将监控视频输入到训练完备的深度学习网络模型中进行目标车辆的检测，得到检测框和对应的属性信息；属性信息包括检测框坐标和第一类别；
根据检测框、对应的属性信息以及预设的跟踪链表，实时对监控视频中的目标车辆进行跟踪，得到跟踪框；跟踪链表中的每个第二节点的挂载信息包括跟踪框坐标、第二类别以及目标车辆身份信息；
在预设的判稳识别帧数内，根据跟踪框的运动位移和预设的位移阈值，确定目标车辆的移动状态；判稳识别帧数与监控视频的当前视频帧率相关。
在其中的一些实施例中，检测跟踪模块220，还用于基于对角距离与矩形IOU交并比加权融合的度量法，将属性信息与跟踪链表中的第二节点进行关联匹配；
若关联匹配失败，则将检测框对应的车辆作为新的目标车辆，并将检测框作为新的跟踪框；将属性信息更新到跟踪链表中，并分配对应的跟踪身份信息；
若关联匹配成功，则基于属性信息，更新跟踪链表中相应的第二节点，确定对应的跟踪框。
在其中的一些实施例中，车辆跨位停放的识别装置还包括车辆姿态识别模块；
车辆姿态识别模块，用于基于属性信息，将连续帧下的目标车辆的车辆姿态存储到车位链表中的车辆姿态数组；
根据姿态数组与预设的帧数，确定车位链表中的车辆姿态信息。
在其中的一些实施例中，车辆跨位停放的识别装置还包括泊位占用识别模块；
泊位占用识别模块，用于轮询确定车位状态识别区域与跟踪框的涵盖比例系数；车位状态识别区域为停车区域中每个停车位中的指定区域；
根据涵盖比例系数和预设的比例阈值，确定车位链表中的泊位占用状态标志位。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述计算机设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取监控设备实时拍摄停车区域的监控视频；
S2，对监控视频中的目标车辆进行检测跟踪，判定目标车辆的移动状态；
S3，在移动状态为静止状态时，确定目标车辆的跟踪框与预设的预警线之间的位置关系；跟踪框由对目标车辆的检测跟踪得到；预警线设置于停车区域中的各停车位之间；
S4，根据位置关系和预设的位置阈值，确定目标车辆的跨位停放识别结果。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的车辆跨位停放的识别方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种车辆跨位停放的识别方法。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种车辆跨位停放的识别方法，其特征在于，包括：
获取监控设备实时拍摄停车区域的监控视频；
对所述监控视频中的目标车辆进行检测跟踪，判定所述目标车辆的移动状态；
在所述移动状态为静止状态时，确定所述目标车辆的跟踪框与预设的预警线之间的位置关系；所述跟踪框由对所述目标车辆的检测跟踪得到；所述预警线设置于所述停车区域中的各停车位之间；
根据所述位置关系和预设的位置阈值，确定所述目标车辆的跨位停放识别结果；
其中，对所述监控视频中的目标车辆进行检测跟踪，判定所述目标车辆的移动状态，包括：
将所述监控视频输入到训练完备的深度学习网络模型中进行所述目标车辆的检测，得到检测框和对应的属性信息；所述属性信息包括检测框坐标和第一类别；
根据所述检测框、对应的所述属性信息以及预设的跟踪链表，实时对所述监控视频中的所述目标车辆进行跟踪，得到跟踪框；所述跟踪链表中的每个第二节点的挂载信息包括跟踪框坐标、第二类别以及目标车辆身份信息；
在预设的判稳识别帧数内，根据所述跟踪框的运动位移和预设的位移阈值，确定所述目标车辆的移动状态；所述判稳识别帧数与所述监控视频的当前视频帧率相关；
其中，根据所述检测框、对应的所述属性信息以及预设的跟踪链表，实时对所述监控视频中的所述目标车辆进行跟踪，得到跟踪框，包括；
基于对角距离与矩形IOU交并比加权融合的度量法，将所述属性信息与所述跟踪链表中的所述第二节点进行关联匹配；
若关联匹配失败，则将所述检测框对应的车辆作为新的所述目标车辆，并将所述检测框作为新的所述跟踪框；将所述属性信息更新到所述跟踪链表中，并分配对应的跟踪身份信息；
若关联匹配成功，则基于所述属性信息，更新所述跟踪链表中相应的所述第二节点，确定对应的所述跟踪框。
2.根据权利要求1所述的车辆跨位停放的识别方法，其特征在于，基于融合的单极映射法和欧式距离度量法，确定所述目标车辆的跟踪框与预设的预警线之间的位置关系，包括：
将所述目标车辆的所述跟踪框和所述预警线映射到统一坐标系下进行比对；
若所述跟踪框与所述预警线为相交状态，则确定所述跟踪框与所述预警线的交点坐标；并基于所述交点坐标确定所述跟踪框与所述预警线的包吞比系数；将所述包吞比系数作为位置关系。
3.根据权利要求1所述的车辆跨位停放的识别方法，其特征在于，所述方法还包括：
配置与所述停车区域中停车位数量对应的车位链表；所述车位链表中每个第一节点的挂载信息包括泊位占用状态标志位、关联车辆身份信息、跨位停放信息、车辆姿态信息以及车牌识别结果；所述第一节点的所述挂载信息对应所述停车位的状态属性信息；
基于所述车位链表，对所述停车区域中所述停车位进行管理。
4.根据权利要求3所述的车辆跨位停放的识别方法，其特征在于，所述方法还包括：
基于预设的上报触发帧数，对所述车位链表进行上报；
基于上报的所述车位链表，将所述停车区域中所述停车位的所述状态属性信息进行展示。
5.根据权利要求1所述的车辆跨位停放的识别方法，其特征在于，所述方法还包括：
基于所述属性信息，将连续帧下的所述目标车辆的车辆姿态存储到车位链表中的车辆姿态数组；
根据所述姿态数组与预设的帧数，确定车位链表中的车辆姿态信息。
6.根据权利要求1所述的车辆跨位停放的识别方法，其特征在于，所述方法还包括：
轮询确定车位状态识别区域与所述跟踪框的涵盖比例系数；所述车位状态识别区域为所述停车区域中每个所述停车位中的指定区域；
根据所述涵盖比例系数和预设的比例阈值，确定车位链表中的泊位占用状态标志位。
7.一种车辆跨位停放的识别装置，其特征在于，包括：获取模块、检测跟踪模块、处理模块以及跨位停放识别模块；
所述获取模块，用于获取监控设备实时拍摄停车区域的监控视频；
所述检测跟踪模块，用于对所述监控视频中的目标车辆进行检测跟踪，判定所述目标车辆的移动状态；
所述检测跟踪模块，还用于将所述监控视频输入到训练完备的深度学习网络模型中进行所述目标车辆的检测，得到检测框和对应的属性信息；所述属性信息包括检测框坐标和第一类别；
根据所述检测框、对应的所述属性信息以及预设的跟踪链表，实时对所述监控视频中的所述目标车辆进行跟踪，得到跟踪框；所述跟踪链表中的每个第二节点的挂载信息包括跟踪框坐标、第二类别以及目标车辆身份信息；
在预设的判稳识别帧数内，根据所述跟踪框的运动位移和预设的位移阈值，确定所述目标车辆的移动状态；所述判稳识别帧数与所述监控视频的当前视频帧率相关；
所述检测跟踪模块，还用于基于对角距离与矩形IOU交并比加权融合的度量法，将所述属性信息与所述跟踪链表中的所述第二节点进行关联匹配；
若关联匹配失败，则将所述检测框对应的车辆作为新的所述目标车辆，并将所述检测框作为新的所述跟踪框；将所述属性信息更新到所述跟踪链表中，并分配对应的跟踪身份信息；
若关联匹配成功，则基于所述属性信息，更新所述跟踪链表中相应的所述第二节点，确定对应的所述跟踪框；
所述处理模块，用于在所述移动状态为静止状态时，确定所述目标车辆的跟踪框与预设的预警线之间的位置关系；所述跟踪框由对所述目标车辆的检测跟踪得到；所述预警线设置于所述停车区域中的各停车位之间；
所述跨位停放识别模块，用于根据所述位置关系和预设的位置阈值，确定所述目标车辆的跨位停放识别结果。
8.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至权利要求6中任一项所述的车辆跨位停放的识别方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至权利要求6中任一项所述的车辆跨位停放的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411073248.0A CN118587685B (zh) | 2024-08-06 | 2024-08-06 | 车辆跨位停放的识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411073248.0A CN118587685B (zh) | 2024-08-06 | 2024-08-06 | 车辆跨位停放的识别方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118587685A CN118587685A (zh) | 2024-09-03 |
| CN118587685B true CN118587685B (zh) | 2024-10-29 |
Family
ID=92532325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411073248.0A Active CN118587685B (zh) | 2024-08-06 | 2024-08-06 | 车辆跨位停放的识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118587685B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152683A (zh) * | 2023-08-25 | 2023-12-01 | 浙江大华技术股份有限公司 | 一种车位状态识别方法、装置、电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110533950A (zh) * | 2018-05-25 | 2019-12-03 | 杭州海康威视数字技术股份有限公司 | 车位使用状况的检测方法、装置、电子设备及存储介质 |
| JP7152961B2 (ja) * | 2018-06-25 | 2022-10-13 | 株式会社デンソーテン | 駐車区画認識装置 |
| JP7517294B2 (ja) * | 2021-09-27 | 2024-07-17 | トヨタ自動車株式会社 | 対象車両認識装置及び対象車両認識装置の処理方法 |
| CN114255584B (zh) * | 2021-12-20 | 2023-04-07 | 济南博观智能科技有限公司 | 一种停放车辆的定位方法、系统、存储介质和电子设备 |
| CN115797906A (zh) * | 2022-10-31 | 2023-03-14 | 济南博观智能科技有限公司 | 一种车辆停放状态检测方法、装置、电子设备及存储介质 |
| CN117877311A (zh) * | 2024-01-16 | 2024-04-12 | 深圳市捷顺科技实业股份有限公司 | 多车位管控方法、装置、设备及存储介质 |
-
2024
- 2024-08-06 CN CN202411073248.0A patent/CN118587685B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152683A (zh) * | 2023-08-25 | 2023-12-01 | 浙江大华技术股份有限公司 | 一种车位状态识别方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118587685A (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113762252B (zh) | 无人机智能跟随目标确定方法、无人机和遥控器 | |
| CN113296117B (zh) | 障碍物识别方法、装置及存储介质 | |
| CN109785368B (zh) | 一种目标跟踪方法和装置 | |
| US10740607B2 (en) | Method for determining target through intelligent following of unmanned aerial vehicle, unmanned aerial vehicle and remote control | |
| CN113723185B (zh) | 动作行为识别方法、装置、存储介质及终端设备 | |
| CN117710944B (zh) | 模型缺陷检测方法、模型训练方法、目标检测方法和系统 | |
| CN111391784A (zh) | 信息提示方法、装置、存储介质及相关设备 | |
| CN118587685B (zh) | 车辆跨位停放的识别方法、装置、计算机设备和存储介质 | |
| CN114022896B (zh) | 目标检测方法、装置、电子设备及可读取存储介质 | |
| US20200112882A1 (en) | Apparatus, method and computer program for controlling wireless network capacity | |
| CN112200130B (zh) | 一种三维目标检测方法、装置及终端设备 | |
| US12260617B2 (en) | Object detection device, object detection method, program, and recording medium | |
| CN113673319A (zh) | 异常姿态检测方法、装置、电子装置和存储介质 | |
| CN108466263A (zh) | 一种机器人控制方法和装置 | |
| CN112528747A (zh) | 机动车掉头行为识别方法、系统、电子装置和存储介质 | |
| CN113689462B (zh) | 目标物处理方法、装置以及电子设备 | |
| CN115578698A (zh) | 车辆轴型识别方法、装置、电子装置和存储介质 | |
| CN110046569B (zh) | 一种无人驾驶数据处理方法、装置及电子设备 | |
| CN109768968B (zh) | 一种基于云计算的数据信息化采集和分析系统及方法 | |
| CN103870149B (zh) | 数据处理方法及电子设备 | |
| US20240290073A1 (en) | Recognizer training apparatus, recognition device, electronic device, and training method | |
| Tsai et al. | Design on Wireless Intelligent Sensor Network on Cloud Computing System for Smart Home | |
| CN116233738A (zh) | 设备定位方法、装置以及电子设备 | |
| CN116619373A (zh) | 物体抓取方法、物体抓取装置、电子设备及存储介质 | |
| CN116560350A (zh) | 模型的迭代更新方法和装置、存储介质、电子装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |