[发明专利]车位识别的方法、装置和设备

权利要求书

1.一种车位识别的方法，其特征在于，包括：

获取原始图片，以及去除所述原始图片的背景后的目标图片，将所述目标图片相对于所述原始图片的变化区域标记为目标车辆所在的区域；

使用最小外接矩形算法获取所述目标车辆的最小外接矩形，将所述目标车辆的最小外接矩形的坐标表示为所述车位的坐标；

根据阴影检测算子检测所述最小外接矩形所在区域的边缘信息，得到所述目标车辆轮廓的图片，其中，所述阴影检测算子用于提取所述最小外接矩形所在区域的水平边缘梯度和垂直边缘梯度；

根据所述车位的坐标将所述车位分割成预设数量的区域，并对所述预设数量的区域设置不同的权重值，将所述目标车辆轮廓的图片放入卷积神经网络模型中进行迁移学习；

根据所述卷积神经网络模型的输出调整所述权重值，根据调整所述权重值后的所述卷积神经网络模型对所述车位进行识别。

2.根据权利要求1所述的方法，其特征在于，获取所述变化区域之前，所述方法包括：

计算所述原始图片中任意两张图片的相似度，删除所述相似度大于预设阈值的所述两张图片中的任意一张图片；

去除所述原始图片的噪声，保留所述原始图片的边缘信息；

对所述原始图片进行锐化处理和灰度化处理。

3.根据权利要求1所述的方法，其特征在于，在使用最小外接矩形算法获取所述目标车辆的最小外接矩形之前，所述方法包括：

在所述车位对应的标记线没有被遮挡时，使用所述标记线确定所述车位的坐标；

在所述车位对应的所述标记线被遮挡时，使用所述最小外接矩形算法获取所述目标车辆的最小外接矩形。

4.根据权利要求1所述的方法，其特征在于，所述车位的坐标通过以下方式确定：以所述最小外接矩形的左上角为坐标原点，与x轴平行的方向的角度为0，逆时针旋转角度为负，顺时针旋转角度为正，建立坐标系，根据所述最小外接矩形在所述坐标系中的坐标确定所述车位的坐标。

5.根据权利要求1所述的方法，其特征在于，提取所述最小外接矩形所在区域的水平边缘梯度和垂直边缘梯度，包括：

确定所述阴影检测算子对应的卷积因子，其中，所述卷积因子包括横向卷积因子和纵向卷积因子；

将所述最小外接矩形所在区域对应的图片与所述阴影检测算子对应的横向卷积因子进行卷积，得到所述水平边缘梯度；

将所述最小外接矩形所在区域对应的图片与所述阴影检测算子对应的纵向卷积因子进行卷积，得到所述垂直边缘梯度。

6.根据权利要求1所述的方法，其特征在于，所述预设数量的区域为大小不一致的区域。

7.根据权利要求1所述的方法，其特征在于，将所述目标车辆轮廓的图片放入卷积神经网络模型中进行迁移学习之前，包括：将所述原始图片与所述原始图片进行几何变换后得到的图片混合，得到图片集，其中，所述几何变换包括以下至少之一：翻转、旋转、缩放、裁剪、变形。

8.一种车位识别的装置，其特征在于，包括：

采集模块，用于采集原始图片；

获取模块，用于获取所述原始图片，以及去除所述原始图片的背景后的目标图片，将所述目标图片相对于所述原始图片的变化区域标记为目标车辆所在的区域；使用最小外接矩形算法获取所述目标车辆的最小外接矩形，将所述目标车辆的最小外接矩形的坐标表示为所述车位的坐标；

检测模块，根据阴影检测算子检测所述最小外接矩形所在区域的边缘信息，得到所述目标车辆轮廓的图片，其中，所述阴影检测算子用于提取所述最小外接矩形所在区域的水平边缘梯度和垂直边缘梯度；

处理模块，根据所述车位的坐标将所述车位分割成预设数量的区域，并对所述预设数量的区域设置不同的权重值，将所述目标车辆轮廓的图片放入卷积神经网络模型中进行迁移学习；根据所述卷积神经网络模型的输出调整所述权重值，根据调整所述权重值后的所述卷积神经网络模型对所述车位进行识别。