[发明专利]一种停车状态变化识别方法

说明书

本发明公开了一种停车状态变化识别方法，属于停车状态识别技术领域；首先利用yolov3深度学习模型获得初始图像中的车位框，利用所述车位框判断车位的初始状态；再对后续图像中的每一帧图像，利用帧差法运动检测判断是否有运动物体；接着判断运动框与车位框是否重叠，若重叠，则利用yolov3深度学习模型判断该运动物体是否为车辆，若为车辆，则利用yolov3深度学习模型获得该运动物体的真实轮廓，利用所述真实轮廓与车位框的重合度判断车位状态；本发明降低了对深度学习模型的依赖，使得整个算法更加的低功耗，高效率，否则忽略该帧图像；若不重叠，则车位状态保持不变；本发明降低了对深度学习模型的依赖，使得整个算法更加的低功耗，高效率。

技术领域

本发明涉及停车状态识别技术领域，具体涉及一种停车状态变化识别方法。

背景技术

随着车辆的增长，城市街道路边往往设置有很多停车位，目前停车收费主要采用人工方式，一段街道就需要一名收费员，光收费即需要耗费大量的人力资源。而目前城市街道路停车自动识别还不是很成熟，主要有以下两类：第一类是用yolo深度学习模型追踪视频中出现的车辆，当这辆车的在视频中的坐标和提前设置好的车位坐标在一定程度上重合之后，判断为车辆进入，同理判断车辆离开，采用该类方法，视频图像中的每帧图像均需要输入yolo深度学习模型进行识别，功耗特别高；第二类是依赖一些传统的图像处理算法，这类方法缺乏鲁棒性，不能解决现实场景中的很多复杂情况，街道行人走动，灯光变化，阳光变化，白天黑夜等等。

发明内容

本发明的目的在于：为了解决上述问题，本发明提供了一种停车状态变化识别方法。

本发明采用的技术方案如下：

一种停车状态变化识别方法，包括以下步骤：

步骤1：利用yolov3深度学习模型获得初始图像中的车位框，利用所述车位框判断车位的初始状态；

步骤2：对后续图像中的每一帧图像，利用帧差法运动检测判断是否有运动物体，若有，产生运动框并跳转至步骤3，否则重复步骤2；

步骤3：判断运动框与车位框是否重叠，若重叠，则利用yolov3深度学习模型判断该运动物体是否为车辆，若为车辆，则跳转至步骤4，否则忽略该帧图像；若不重叠，则车位状态保持不变；

步骤4：利用yolov3深度学习模型获得该运动物体的真实轮廓，利用所述真实轮廓与车位框的重合度判断车位状态。

进一步的，所述步骤1中车位的初始状态包括无车或者正在停放。

进一步的，所述步骤2中，所述帧差法运动检测包括以下步骤：

步骤2.1保存当前帧图像的前两帧历史图像；

步骤2.2将当前帧图像与上一帧历史图像做对比，计算两帧间的区别，若区别小于预设阈值，则判断出当前帧图像中不存在运动物体，不产生运动框，并跳转至步骤2.3；若区别不小于预设阈值，则判断当前帧图像中具有运动物体，产生运动框，跳转至步骤3；

步骤2.3将当前帧图像与另外一帧历史图像做对比，计算两帧间的区别，若区别小于预设阈值，则判断出当前帧图像中不存在运动物体，不产生运动框，重复步骤2；若区别不小于预设阈值，则判断当前帧图像中具有运动物体，产生运动框，跳转至步骤3。

进一步的，所述步骤4中，采用状态机判断车位状态，状态机包括四种状态：无车、正在进入、等待和正在停放。

进一步的，无车阶段分析步骤为：判断当前帧图像的真实轮廓与车位框的重叠度是否高于重叠度阈值，若高于重叠度阈值，则将该帧图像的重叠度、运动框的坐标、真实轮廓的坐标存入coverage_queue，下一帧状态机进入正在进入阶段进行分析；若不高于重叠度阈值，则下一帧状态机停留在无车阶段进行分析。

进一步的，正在进入阶段分析步骤为：