国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種車位狀態(tài)檢測方法及裝置的制造方法

      文檔序號:9472351閱讀:393來源:國知局
      一種車位狀態(tài)檢測方法及裝置的制造方法
      【技術(shù)領(lǐng)域】
      [0001] 本申請設(shè)及視頻監(jiān)控技術(shù)領(lǐng)域,尤其設(shè)及一種車位狀態(tài)檢測方法及裝置。
      【背景技術(shù)】
      [0002] 自動車位狀態(tài)檢測技術(shù)得到越來越廣泛的應(yīng)用,該技術(shù)可幫助用戶快速停車、反 向?qū)ぼ?,同時,有利于停車場的集中管理。
      [0003]目前常用的車位狀態(tài)檢測方法主要分為兩種:一種是基于硬件的車位狀態(tài)檢測方 法,智能化程度低、且安裝和維護成本高,可拓展性差。另一種是基于圖像的車位狀態(tài)檢測 技術(shù),通過提取車位圖像的顏色模型特征、邊緣特征等進行圖像分析,從而判斷車位是否被 占用,但是,該方法提取的特征過于簡單,抗干擾能力差。

      【發(fā)明內(nèi)容】

      [0004] 有鑒于此,本申請?zhí)峁┮环N車位狀態(tài)檢測方法及裝置。 陽0化]具體地,本申請是通過如下技術(shù)方案實現(xiàn)的:
      [0006] 本申請?zhí)峁┮环N車位狀態(tài)檢測方法,該方法包括:
      [0007] 基于可形變部件模型訓(xùn)練車輛分類器;
      [0008] 通過所述車輛分類器對若干正樣本的檢測計算所述車輛分類器中各部件模型的 檢出錯誤率;
      [0009] 根據(jù)計算得到的檢出錯誤率為所述車輛分類器中各部件模型分配不同的權(quán)重值, 得到帶權(quán)重的車輛分類器;
      [0010] 在利用所述帶權(quán)重的車輛分類器對待檢測圖像進行檢測時,根據(jù)檢測結(jié)果調(diào)整所 述待檢測圖像中各部件模型的最終得分和最終位置,根據(jù)各部件模型的最終得分、最終位 置W及權(quán)重值確定所述待檢測圖像中的車輛位置,進而確定車位狀態(tài)。
      [0011] 本申請?zhí)峁┮环N車位狀態(tài)檢測裝置,該裝置包括:
      [0012] 訓(xùn)練單元,用于基于可形變部件模型訓(xùn)練車輛分類器;
      [0013] 計算單元,用于通過所述車輛分類器對若干正樣本的檢測計算所述車輛分類器中 各部件模型的檢出錯誤率;
      [0014] 分配單元,用于根據(jù)計算得到的檢出錯誤率為所述車輛分類器中各部件模型分配 不同的權(quán)重值,得到帶權(quán)重的車輛分類器;
      [0015] 調(diào)整單元,用于在利用所述帶權(quán)重的車輛分類器對待檢測圖像進行檢測時,根據(jù) 檢測結(jié)果調(diào)整所述待檢測圖像中各部件模型的最終得分和最終位置,根據(jù)各部件模型的最 終得分、最終位置W及權(quán)重值確定所述待檢測圖像中的車輛位置,進而確定車位狀態(tài)。
      [0016]由W上描述可W看出,本申請基于可形變部件模型訓(xùn)練帶權(quán)重的車輛分類器,并 利用該帶權(quán)重的車輛分類器進行車輛檢測,W提高車輛檢出率,同時,對檢測結(jié)果進行修 正,W提升車位狀態(tài)檢測的準(zhǔn)確度。
      【附圖說明】
      [0017] 圖1是本申請一示例性實施例示出的一種車位狀態(tài)檢測方法流程圖;
      [0018] 圖2是本申請一示例性實施例示出的一種車位狀態(tài)檢測裝置所在設(shè)備的基礎(chǔ)硬 件結(jié)構(gòu)示意圖;
      [0019] 圖3是本申請一示例性實施例示出的一種車位狀態(tài)檢測裝置的結(jié)構(gòu)示意圖。
      【具體實施方式】
      [0020] 運里將詳細地對示例性實施例進行說明,其示例表示在附圖中。下面的描述設(shè)及 附圖時,除非另有表示,不同附圖中的相同數(shù)字表示相同或相似的要素。W下示例性實施例 中所描述的實施方式并不代表與本申請相一致的所有實施方式。相反,它們僅是與如所附 權(quán)利要求書中所詳述的、本申請的一些方面相一致的裝置和方法的例子。
      [0021] 在本申請使用的術(shù)語是僅僅出于描述特定實施例的目的,而非旨在限制本申請。 在本申請和所附權(quán)利要求書中所使用的單數(shù)形式的"一種"、"所述"和"該"也旨在包括多 數(shù)形式,除非上下文清楚地表示其他含義。還應(yīng)當(dāng)理解,本文中使用的術(shù)語"和/或"是指 并包含一個或多個相關(guān)聯(lián)的列出項目的任何或所有可能組合。
      [0022] 應(yīng)當(dāng)理解,盡管在本申請可能采用術(shù)語第一、第二、第S等來描述各種信息,但運 些信息不應(yīng)限于運些術(shù)語。運些術(shù)語僅用來將同一類型的信息彼此區(qū)分開。例如,在不脫離 本申請范圍的情況下,第一信息也可W被稱為第二信息,類似地,第二信息也可W被稱為第 一信息。取決于語境,如在此所使用的詞語"如果"可W被解釋成為"在……時"或"當(dāng)…… 時"或"響應(yīng)于確定"。
      [0023] 自動車位狀態(tài)檢測技術(shù)得到越來越廣泛的應(yīng)用,該技術(shù)可幫助用戶快速停車、反 向?qū)ぼ?,同時,有利于停車場的集中管理。
      [0024] 目前常用的車位狀態(tài)檢測方法主要分為兩種:一、基于硬件的車位狀態(tài)檢測方法, 該方法通常利用地磁感應(yīng)器、紅外探測器、超聲波探測器等硬件設(shè)備對車位進行探測,該方 法智能化程度低、且安裝和維護成本高,可拓展性差。二、基于圖像的車位狀態(tài)檢測技術(shù),主 要是對車位的淺度特征進行模式分類,例如,通過提取車位圖像的顏色模型特征、邊緣特征 等對圖像進行分析來判斷車位是否被占用。該方法提取的特征過于簡單,抗干擾能力差,導(dǎo) 致車位狀態(tài)判斷不準(zhǔn)確。
      [0025] 針對上述問題,本申請實施例提出一種車位狀態(tài)檢測方法,該方法基于可形變部 件模型訓(xùn)練帶權(quán)重的車輛分類器,并利用該帶權(quán)重的車輛分類器進行車輛檢測,W提高車 輛檢出率,同時,對檢測結(jié)果進行修正,W提升車位狀態(tài)檢測的準(zhǔn)確度。 陽0%] 參見圖1,為本申請車位狀態(tài)檢測方法的一個實施例流程圖,該實施例對車位狀態(tài) 檢測過程進行描述。
      [0027] 步驟101,基于可形變部件模型訓(xùn)練車輛分類器。
      [0028] 車位狀態(tài)分為滿位(有車)或空閑(無車),對車位狀態(tài)的檢測主要是基于對車輛 的識別,當(dāng)在停車場車位內(nèi)識別出車輛時,確認(rèn)車位滿位;未識別出車輛時,確認(rèn)車位空閑。 W29] 在進行車輛識別之前,首先需要訓(xùn)練車輛分類器。本申請實施例利用 DPM值eform油lePartsModel,可形變部件模型)訓(xùn)練車輛分類器。DPM算法具有訓(xùn)練樣本 較少而訓(xùn)練效果較優(yōu)的特點。具體訓(xùn)練過程如下:
      [0030] 收集若干樣本。本步驟中收集的樣本包括正樣本和負(fù)樣本,例如,選取200張正樣 本和500張負(fù)樣本,其中,正樣本為包含車輛的圖片,負(fù)樣本為不包含車輛且非停車場環(huán)境 的圖片。本申請實施例選擇非停車場環(huán)境的圖片作為負(fù)樣本主要是為了提高車輛的檢出 率,降低漏檢率。
      [0031] 在完成樣本收集后,將每一個樣本劃分為若干細胞單元。例如,可將8*8個像素點 劃分為一個細胞單元。
      [0032] 對樣本中的每一個細胞單元執(zhí)行降維處理。具體為,將當(dāng)前細胞單元與其周圍N 個細胞單元所組成的區(qū)域進行歸一化處理;對每一個細胞單元進行無符號梯度方向值劃 分,W得到每一個細胞單元的M維特征;將N個細胞單元的特征組成N*M的特征矩陣;求取 特征矩陣中每一行、每一列的特征和,W得到當(dāng)前細胞單元的N+M維特征。
      [0033] 舉例說明,假設(shè)對當(dāng)前細胞單元與其周圍4個細胞單元所組成的區(qū)域進行歸一化 處理,然后,對每一個細胞單元進行梯度方向值劃分。現(xiàn)有技術(shù)通常采用有符號(0-360° ) 和無符號(0-180° )相結(jié)合的梯度方向值劃分方法,W每隔20°劃分一個維度特征為例, 有符號的梯度方向值可劃分為18維特征;無符號的梯度方向值可劃分為9維特征。如果將 有符號和無符號的梯度方向值結(jié)合使用,則每一個細胞單元的特征維度為4*(18+9) = 108 維,特征數(shù)量太多,會導(dǎo)致性能消耗過大。本申請實施例基于提升性能的考慮只選取無符號 梯度方向進行劃分,即只劃分9維特征,W降低性能消耗。本申請實施例未采用傳統(tǒng)的特征 維度計算方法(4*9 = 36維),而是將4個細胞單元的所有維度看成4*9的特征矩陣,對每 一行、每一列的特征求和,得到13維特征作為當(dāng)前細胞單元的特征。
      [0034] 通過對每一個細胞單元的降維處理完成對樣本的特征提取。對完成特征提取的每 一個樣本進行訓(xùn)練,生成車輛分類器。例如,采用多示例學(xué)習(xí)方法(MI-SVM)對提取的樣本 特征進行訓(xùn)練,得到車輛分類器。
      [0035] 步驟102,通過所述車輛分類器對若干正樣本的檢測計算所述車輛分類器中各部 件模型的檢出錯誤率。
      [0036] 本步驟利用步驟101訓(xùn)練的車輛分類器對收集的正樣本進行車輛檢測,得到每一 個正樣本的綜合得分。綜合得分計算公式如下:
      [0037]
      公式 (1)
      [00測其中
      當(dāng)前第1頁1 2 3 4 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1