一种基于深度学习的空车位批量检测方法及系统与流程

本发明涉及深度学习，尤其涉及一种基于深度学习的空车位批量检测方法及系统。

背景技术：

1、现阶段，空车位检测主要有2种方式。方法一：使用人工方式圈出不规则车位，获取图像的边缘图并根据预先定义的区域裁剪，判断是否为空车位。方法二：将停车位分割为连通区域，根据灰度图像二值化勾画车辆信息，使用面积取差值来判断该停车位是否为空车位。但是前者通过人工圈车位，存在浪费大量的人力和时间的问题。后者只能识别浅色车辆，需要逐个车位进行对比。

技术实现思路

1、本发明的目的在于，提供一种基于深度学习的空车位批量检测方法，解决以上技术问题；

2、本发明的目的还在于，提供一种基于深度学习的空车位批量检测系统，解决以上技术问题；

3、一种基于深度学习的空车位批量检测方法，包括，

4、步骤s1，通过摄像头获取到无车状态下停车场的待测图像，将所述待测图像中非车位区域的像素置为0，对所述待测图像的车位区域使用图像二值化取反生成第一图像；

5、步骤s2，通过所述摄像头获取到有车状态下停车场的实时图像，使用目标检测算法得到所述实时图像中全部车辆的位置信息生成第二图像；

6、步骤s3，将所述第一图像和所述第二图像进行图像与运算，得到第三图像；

7、步骤s4，对所述第三图像进行轮廓提取，判断轮廓面积与对应的所述车位区域面积占比是否超过设定值，如果否，则删除所述车位区域，如果是，则判定所述车位区域上有车，得到第四图像；

8、步骤s5，计算所述第四图像中剩余轮廓的数量以及中心点坐标，基于所述中心点坐标和所述第一图像计算得到空车位个数以及车位停放图像。

9、优选地，步骤s1包括，

10、步骤s11，通过所述摄像头获取到无车状态下停车场的所述待测图像；

11、步骤s12，标记出所述待检测图像中的所述车位区域，得到车位总数；

12、步骤s13，将所述待测图像中所述非车位区域的黑色像素置为0，对所述车位区域使用图像二值化取反生成所述第一图像，所述车位区域的白色像素值为255。

13、优选地，步骤s2中所述第二图像的所述车位区域与所述第一图像的所述车位区域像素相同，所述第二图像的所述非车位区域与所述第一图像的所述非车位区域像素相同。

14、优选地，步骤s5包括，

15、步骤s51，计算所述第四图像中剩余轮廓的数量以及所述中心点坐标，将所述中心点坐标所在的车位标红；

16、步骤s52，通过所述第一图像中所述车位区域的总数减去标红车位，得到所述空车位个数，输出所述空车位个数以及所述车位停放图像。

17、一种基于深度学习的空车位批量检测系统，包括，

18、车位图像处理模块，用于对待测图像进行图像二值化处理，得到第一图像；

19、车辆位置处理模块，用于对实时图像进行目标检测，得到第二图像；

20、图像与运算模块，连接所述车位图像处理模块和所述车辆位置处理模块，用于对所述第一图像和所述第二图像进行图像与运算，得到第三图像；

21、判断模块，连接所述图像与运算模块，用于计算并判断轮廓面积与对应的车位区域面积占比是否超过设定值，如果否，则删除所述车位区域，如果是，则判定所述车位区域上有车，得到第四图像；

22、空车位生成模块，连接所述判断模块，用于计算并输出空车位个数以及车位停放图像。

23、优选地，所述车位图像处理模块包括，

24、空车位获取子模块，通过摄像头获取到无车状态下停车场的所述待测图像；

25、二值化处理子模块，连接所述空车位获取子模块，将所述待测图像中非车位区域的像素置为0，对所述待测图像中所述车位区域使用图像二值化取反得到所述第一图像。

26、优选地，所述第一图像和所述第二图像中所述车位区域的白色像素值均为255，所述第一图像和所述第二图像中所述非车位区域的黑色像素值均为0。

27、优选地，所述车辆位置处理模块包括，

28、实时获取子模块，通过所述摄像头获取到有车状态下停车场的所述实时图像；

29、目标检测子模块，连接所述实时获取子模块，使用目标检测算法得到所述实时图像中全部车辆的位置信息生成所述第二图像。

30、优选地，所述判断模块中所述设定值为80％。

31、优选地，所述空车位生成模块包括，

32、计算子模块，用于计算所述第四图像中剩余轮廓的数量以及中心点坐标，将所述中心点坐标所在的车位标红，通过所述第一图像中所述车位区域的总数减去标红车位，得到所述空车位个数；

33、空车位输出子模块，连接所述计算子模块，用于输出所述空车位个数以及所述车位停放图像。

34、本发明的有益效果是：能够自动生成车位地图，无需人工操作，能够识别多种车型，准确率高，节约了大量的算法运行时间，实时性高。

技术特征：

1.一种基于深度学习的空车位批量检测方法，其特征在于，包括，

2.根据权利要求1所述的基于深度学习的空车位批量检测方法，其特征在于，步骤s1包括，

3.根据权利要求1所述的基于深度学习的空车位批量检测方法，其特征在于，步骤s2中所述第二图像的所述车位区域与所述第一图像的所述车位区域像素相同，所述第二图像的所述非车位区域与所述第一图像的所述非车位区域像素相同。

4.根据权利要求1所述的基于深度学习的空车位批量检测方法，其特征在于，步骤s5包括，

5.一种基于深度学习的空车位批量检测系统，其特征在于，包括，

6.根据权利要求5所述的基于深度学习的空车位批量检测系统，其特征在于，所述车位图像处理模块包括，

7.根据权利要求6所述的基于深度学习的空车位批量检测系统，其特征在于，所述第一图像和所述第二图像中所述车位区域的白色像素值均为255，所述第一图像和所述第二图像中所述非车位区域的黑色像素值均为0。

8.根据权利要求6所述的基于深度学习的空车位批量检测系统，其特征在于，所述车辆位置处理模块包括，

9.根据权利要求5所述的基于深度学习的空车位批量检测系统，其特征在于，所述判断模块中所述设定值为80％。

10.根据权利要求5所述的基于深度学习的空车位批量检测系统，其特征在于，所述空车位生成模块包括，

技术总结
本发明公开了一种基于深度学习的空车位批量检测方法及系统，属于深度学习技术领域；包括步骤S1，对待测图像的车位区域使用图像二值化取反生成第一图像；步骤S2，使用目标检测算法得到实时图像中全部车辆的位置信息生成第二图像；步骤S3，进行图像与运算得到第三图像；步骤S4，对第三图像进行轮廓提取，判断轮廓面积与对应的车位区域面积占比是否超过设定值，如果否，则删除车位区域，如果是，则判定车位区域上有车，得到第四图像；步骤S5，基于中心点坐标和第一图像计算得到空车位个数以及车位停放图像。上述技术方案的有益效果是：能够自动生成车位地图，无需人工操作，能够识别多种车型，准确率高，节约了大量的算法运行时间，实时性高。

技术研发人员：刘颖超,倪卿元,张剑,孙晓栋,朱谌轶,张驰,徐松林,沈阳,王倩,苏士诚,卜晓韬,陆成
受保护的技术使用者：中国电信集团工会上海市委员会
技术研发日：
技术公布日：2024/12/5