[发明专利]基于多目标跟踪与深度学习的路边停车管理系统及方法

说明书

技术领域

本公开涉及停车路段智能管理领域，尤其涉及一种基于多目标跟踪与深度学习的路边停车智能管理系统及方法。

背景技术

近年来，随着城镇化的快速发展、机动车保有量的迅速增长，停车路段的数量、管理等停车问题日益凸显，国家需要建设更多的停车位以满足停车的需求。参考国外的经验，政府将部分道路两侧的地带划分出来作为路边临时停车路段以缓解停车压力，但由于路边车位管理部门的不同，其管理方式及收费标准也不尽相同，期间存在着许多问题，如停车过程管理不严谨、停车收费管理不规范等，另外泊车咪表的购买、安装及人工管理成本过高也是停车收费标准居高不下的主要原因。同时，有别于封闭式停车路段，由于路边停车路段没有特定的入口与出口，行经车辆可自由停放于空车位，停放车辆也可以自由离开，使得违章停车、人为盗窃、破坏、剐蹭、碰撞等异常情况更易发生，这引起的纠纷及取证困难也往往令车主和管理方头疼。

公开内容

(一)要解决的技术问题

本公开提供了一种基于多目标跟踪与深度学习的路边停车智能管理系统及方法，以至少部分解决以上所提出的技术问题。

(二)技术方案

根据本公开的一个方面，提供了一种基于多目标跟踪与深度学习的路边停车智能管理系统，包括：服务器端，所述服务器端包括：数据采集模块，通过采用多路摄像头采集车辆以及路边停车位边界的各个方位的视频和/或图像数据；网络传输模块，用于将采集到的机动车视频和/或图像数据上传至后台计算模块；以及后台计算模块，通过多路摄像头与多个车位之间的关联实现停车车辆信息的处理，包括：深度学习模型训练子模块，通过所述多路摄像头预先对不同品牌、型号机动车各个方位的图像数据，停车路段、停车位的区域视频和/或图像数据，以及用于异常行为判断的视频和/或图像数据进行深度学习训练，训练后生成深度神经网络模型；以及车辆行为判断子模块，根据训练后生成的深度神经网络模型判断车辆行为。

在本公开一些实施例中，对所述多路摄像头与车位分别实施编号，将摄像头与车位按编号绑定；每个摄像头管理p个车位、相邻摄像头有q个重叠车位，其中，p≥3,q≥1。

在本公开一些实施例中，所述后台计算模块还包括：车辆识别与跟踪子模块，采用多目标跟踪和深度学习实现摄像头监控范围内多目标车辆的信息提取与轨迹的追踪；车辆停放与取车子模块，采用深度神经网络判断车辆是否进入停车和取车状态，根据用户请求查询预定范围内配有基于多目标跟踪与深度学习的路边停车智能管理系统的各路段路边停车状况，判断该车辆停车状态以及在确认停车后开始计时计费；违规停车分析子模块，用于检测、判断停放车辆是否按照规定停放；以及异常行为分析子模块，用于对停车、取车及停车期间发生的异常情况进行预警。

在本公开一些实施例中，所述后台计算模块的车辆停放与取车子模块包括：数据模型训练子分模块，采集数据样本中标记出的机动车整体及其特征，并通过多层CNN卷积神经网络，针对停车场全局以及局部车位训练得到包含各种品牌、型号机动车各个方位特征的深度神经网络模型；行为识别预测子分模块，使用训练所得的基于多路摄像头的深度神经网络，获得全局车辆的位置信息与各车位的局部停车信息，若两者匹配程度超过一定阈值则认为结果可信并输出结果，识别子分模块的局部组件根据车辆与车位特征判断车辆是否正确停放于指定车位。

在本公开一些实施例中，所述异常行为分析子模块包括：数据模型训练子分模块，通过多路摄像头从不同角度对目标区域内正常行为以及非正常行为进行图像数据采集，将采集到的多帧图像作为一个样本，并将数据样本作为训练数据输入，通过深度神经网络训练得到深度神经网络的模型；行为识别预测子分模块，将停车场多路摄像头采集的新数据输入训练所得深度神经网络模型内，并判断其行为模式；若判断为非正常的行为，则发送该数据图像及相关信息至管理员，以备用户查询。

在本公开一些实施例中，所述后台计算模块的违规停车分析子模块根据车辆位置信息从视频流中截取出大于该车辆的图片，并输入深度神经网络进行图像识别，获得车辆的准确位置；根据该位置从数据库中读取车辆附近相邻两个停车位的位置信息，并比较车辆位置与相邻两个车位的位置：若车辆中心接近于其中一个车位的中心，车辆在该车位所占面积较高，而在另一车位所占面积非常低，则认为该车辆正确停放；若车辆中心离两个车位中心距离接近，且在两个车位中所占面积接近，则认为该车辆占用两个车位；若车辆在停车位中所占的面积均较小，则判断车辆停放于车位外侧，即车辆在车位一侧出界。