本發(fā)明涉及車位引導(dǎo)技術(shù)領(lǐng)域，尤其涉及一種基于圖像處理和模式識別的車位引導(dǎo)方法和系統(tǒng)。

背景技術(shù)：

隨著汽車的數(shù)量增多，隨之產(chǎn)生了停車難的問題。很多車輛進入車庫后遇到了尋找車位的難題。

目前的車位引導(dǎo)系統(tǒng)常用的采用超聲波傳感器、地磁探測器等傳感器并依據(jù)其自身的工作原理，對停車場內(nèi)的每個停車位的車位狀態(tài)進行實時監(jiān)測，統(tǒng)計停車場車位使用狀況信息。近年來，也出現(xiàn)了使用攝像頭對車位進行單點檢測的方法，單點檢測方式具有檢測數(shù)據(jù)準(zhǔn)確、實時性高等優(yōu)點，國內(nèi)的大多數(shù)停車場采用這種數(shù)據(jù)采集方式。

然而上述方式導(dǎo)致成本較高，且施工周期較長。存在對現(xiàn)有停車場改造難度較大，同時不利于后期維護、調(diào)試和升級等缺點。

技術(shù)實現(xiàn)要素：

本發(fā)明提供一種基于圖像處理和模式識別的車位引導(dǎo)方法和系統(tǒng)，以克服上述技術(shù)問題。

本發(fā)明一種基于圖像處理和模式識別的車位引導(dǎo)方法，包括：

接收攝像頭采集的待檢測圖像，所述待檢測圖像包括：標(biāo)識桿和多個車位，所述標(biāo)識桿設(shè)置在所述多個車位對應(yīng)矩形區(qū)域的四個頂點或?qū)蔷€的兩個點；

識別所述停車場圖像中的標(biāo)識桿，并根據(jù)所述標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿在所述車位圖像中的位置；

識別所述標(biāo)識桿范圍內(nèi)的車輛，并確定所述車輛的個數(shù)；

比較所述車輛個數(shù)與所述范圍內(nèi)的車位數(shù)，若所述車輛的個數(shù)等于所述車位數(shù)，則確定沒有空車位，若所述車輛的個數(shù)小于所述車位數(shù)，則根據(jù)所述車輛的坐標(biāo)確定空車位的位置。

進一步地，所述識別所述停車場圖像中的標(biāo)識桿，并根據(jù)所述標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿在所述車位圖像中的位置之后，還包括：

判斷標(biāo)識桿的個數(shù)是否小于2，若是，則向控制中心發(fā)送報警信號，若否，則判斷所述標(biāo)識桿的個數(shù)是否等于2；

若所述標(biāo)識桿個數(shù)為2，則根據(jù)所述標(biāo)識桿的坐標(biāo)判斷兩個標(biāo)識桿是否處在對角線上，若否，則向控制中心發(fā)送報警信號，若是，則確定所述兩個標(biāo)識桿有效；

若所述標(biāo)識桿個數(shù)不為2，則根據(jù)所述標(biāo)識桿的坐標(biāo)選取處于對角線上的標(biāo)識桿。

進一步地，識別所述停車場圖像中的標(biāo)識桿，并根據(jù)所述標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿在所述車位圖像中的位置，包括：

從數(shù)據(jù)庫包含標(biāo)識桿的圖片中獲取標(biāo)識桿數(shù)據(jù)集；

搭建卷積神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述數(shù)據(jù)集訓(xùn)練所述模型；

采用訓(xùn)練后的所述模型和所述待檢測圖像檢測所述標(biāo)識桿，存儲所述標(biāo)識桿中心點的坐標(biāo)。

進一步地，所述識別所述標(biāo)識桿范圍內(nèi)的車輛，包括：

連接所述標(biāo)識桿的中心點確定車位檢測的范圍；

從數(shù)據(jù)庫包含車輛的圖片中獲取車輛數(shù)據(jù)集，搭建卷積神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述數(shù)據(jù)集訓(xùn)練所述模型；

采用訓(xùn)練后的所述模型和車位檢測范圍內(nèi)的待檢測圖像檢測所述車輛。

進一步地，所述則根據(jù)所述車輛的坐標(biāo)確定空車位的位置，包括：

根據(jù)所述對角線上的兩個標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿對應(yīng)的矩形，根據(jù)所述矩形內(nèi)的車位個數(shù)均分所述矩形為若干個車位矩形；

根據(jù)所述車輛的坐標(biāo)與所述車位矩形確定空車位的位置。

進一步地，所述根據(jù)所述車輛的坐標(biāo)與所述車位矩形確定空車位的位置之后，還包括：

將所述空車位的位置發(fā)送至引導(dǎo)屏。

本發(fā)明還提供一種基于圖像處理和模式識別的車位引導(dǎo)系統(tǒng)，包括：

多個采集實時車位圖像的攝像頭；

若干個標(biāo)識桿，所述標(biāo)識桿設(shè)置在多個車位對應(yīng)矩形區(qū)域的四個頂點或?qū)蔷€的兩個點；

接收模塊，用于接收所述攝像頭采集的車位圖像；

識別模塊，用于識別所述車位圖像中的標(biāo)識桿，根據(jù)所述標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿在所述車位圖像中的位置，并識別所述標(biāo)識桿范圍內(nèi)的車輛，確定所述車輛的個數(shù)；

確定模塊，用于比較所述車輛個數(shù)與所述車位圖像中的車位數(shù)，若所述車輛的個數(shù)等于所述車位數(shù)，則確定沒有空車位，若所述車輛的個數(shù)小于所述車位數(shù)，則根據(jù)所述車輛的坐標(biāo)確定空車位的位置。

進一步地，所述識別模塊，具體用于：

判斷標(biāo)識桿的個數(shù)是否小于2，若是，則向控制中心發(fā)送報警信號，若否，則判斷所述標(biāo)識桿的個數(shù)是否等于2；

若所述標(biāo)識桿個數(shù)為2，則根據(jù)所述標(biāo)識桿的坐標(biāo)判斷兩個標(biāo)識桿是否處在對角線上，若否，則向控制中心發(fā)送報警信號，若是，則確定所述兩個標(biāo)識桿有效；

若所述標(biāo)識桿個數(shù)不為2，則根據(jù)所述標(biāo)識桿的坐標(biāo)選取處于對角線上的標(biāo)識桿。

進一步地，所述識別模塊，具體用于：

從數(shù)據(jù)庫包含標(biāo)識桿的圖片中獲取標(biāo)識桿數(shù)據(jù)集；

搭建卷積神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述數(shù)據(jù)集訓(xùn)練所述模型；

采用訓(xùn)練后的所述模型和所述待檢測圖像檢測所述標(biāo)識桿，存儲所述標(biāo)識桿中心點的坐標(biāo)。

進一步地，還包括：

引導(dǎo)屏，用于接收確定模塊發(fā)送的空車位位置，并根據(jù)所述空車位位置指示行車方向。

本發(fā)明采用現(xiàn)有的監(jiān)控攝像頭結(jié)合標(biāo)識桿，基于圖像處理和模式識別實現(xiàn)了車位引導(dǎo)，降低了系統(tǒng)的成本，利于后期維護、調(diào)試和升級。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明基于圖像處理和模式識別的車位引導(dǎo)方法流程圖；

圖2為本發(fā)明識別流程圖；

圖3為本發(fā)明基于圖像處理和模式識別的車位引導(dǎo)系統(tǒng)示意圖；

圖4為本發(fā)明基于圖像處理和模式識別的車位引導(dǎo)系統(tǒng)另一示意圖；

圖5為本發(fā)明基于圖像處理和模式識別的車位引導(dǎo)系統(tǒng)標(biāo)識桿和攝像頭結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

圖1為本發(fā)明基于圖像處理和模式識別的車位引導(dǎo)方法流程圖，如圖1所示，本實施例方法，包括：

步驟101、接收攝像頭采集的待檢測圖像，所述待檢測圖像包括：標(biāo)識桿和多個車位，所述標(biāo)識桿設(shè)置在所述多個車位對應(yīng)矩形區(qū)域的四個頂點或所述矩形區(qū)域?qū)蔷€兩個頂點；

步驟102、識別所述停車場圖像中的標(biāo)識桿，并根據(jù)所述標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿在所述車位圖像中的位置；

步驟103、識別所述標(biāo)識桿范圍內(nèi)的車輛，并確定所述車輛的個數(shù)；

步驟104、比較所述車輛個數(shù)與所述區(qū)域內(nèi)的車位數(shù)，若所述車輛的個數(shù)等于所述車位數(shù)，則確定沒有空車位，若所述車輛的個數(shù)小于所述車位數(shù)，則根據(jù)所述車輛的坐標(biāo)確定空車位的位置。

具體來說，攝像頭采集多個車位的實時圖像，該多個車位對應(yīng)矩形區(qū)域的四個頂點或者該矩形區(qū)域?qū)蔷€兩個頂點。首先，在車位圖像中識別該些標(biāo)識桿。然后，識別該些標(biāo)識桿對應(yīng)區(qū)域內(nèi)的車輛，并將車輛的個數(shù)與預(yù)先存儲的該區(qū)域內(nèi)的車位數(shù)相比較。若識別的車輛個數(shù)與該區(qū)域內(nèi)的車位數(shù)相等則該區(qū)域內(nèi)車位已滿。若識別的車輛個數(shù)小于該區(qū)域內(nèi)的車位數(shù)則根據(jù)識別車輛的坐標(biāo)確定空車位的位置。

本發(fā)明采用現(xiàn)有的監(jiān)控攝像頭結(jié)合標(biāo)識桿，基于圖像處理和模式識別實現(xiàn)了車位引導(dǎo)，降低了系統(tǒng)的成本，利于后期維護、調(diào)試和升級。

進一步地，所述識別所述停車場圖像中的標(biāo)識桿，并根據(jù)所述標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿在所述車位圖像中的位置之后，還包括：

判斷標(biāo)識桿的個數(shù)是否小于2，若是，則向控制中心發(fā)送報警信號，若否，則判斷所述標(biāo)識桿的個數(shù)是否等于2；

若所述標(biāo)識桿個數(shù)為2，則根據(jù)所述標(biāo)識桿的坐標(biāo)判斷兩個標(biāo)識桿是否處在對角線上，若否，則向控制中心發(fā)送報警信號，若是，則確定所述兩個標(biāo)識桿有效；

若所述標(biāo)識桿個數(shù)不為2，則根據(jù)所述標(biāo)識桿的坐標(biāo)選取處于對角線上的標(biāo)識桿。

具體來說，在實際應(yīng)用中，標(biāo)識桿存在損壞的情況，或者攝像頭由于外力或者其他因素所造成的位移。上述兩種情況一旦發(fā)生任一種后，會直接導(dǎo)致無法對車位進行引導(dǎo)。因此，在標(biāo)識桿在車位圖像中的位置確定之后，需對該車位圖像中標(biāo)識桿的個數(shù)進一步的判斷。當(dāng)標(biāo)識桿的個數(shù)小于2時，向控制中心發(fā)送報警信號，從而對標(biāo)識桿或者攝像頭進行維修。當(dāng)標(biāo)識桿的個數(shù)等于2時，則判斷兩個標(biāo)識桿的位置是否處在對角線上，不在對角線上的兩個標(biāo)識桿為無效標(biāo)識桿，需要向控制中心發(fā)送報警信號。反之，為有效標(biāo)識桿。當(dāng)標(biāo)識干的個數(shù)不為2時，則根據(jù)該些標(biāo)識桿的坐標(biāo)選取其中任一對處于對角線上的標(biāo)識桿為有效標(biāo)識桿。

進一步地，識別所述停車場圖像中的標(biāo)識桿，并根據(jù)所述標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿在所述車位圖像中的位置，包括：

從數(shù)據(jù)庫包含標(biāo)識桿的圖片中獲取標(biāo)識桿數(shù)據(jù)集；

搭建卷積神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述數(shù)據(jù)集訓(xùn)練所述模型；

采用訓(xùn)練后的所述模型和所述待檢測圖像檢測所述標(biāo)識桿，存儲所述標(biāo)識桿中心點的坐標(biāo)。

具體來說，本實施例數(shù)據(jù)來源于停車場若干時間內(nèi)含有標(biāo)志桿的錄像。

搭建卷積神經(jīng)網(wǎng)絡(luò)模型的具體過程為：所述卷積神經(jīng)網(wǎng)絡(luò)模型：卷積神經(jīng)網(wǎng)絡(luò)模型包含多個卷積結(jié)構(gòu)、5個池化層、三個全連接層、兩個relu層以及dropout層；卷積結(jié)構(gòu)包含三個尺度一致的卷積層，卷積結(jié)構(gòu)與池化層交替鏈接，并將relu層連接于卷積層頂端，在最后一個池化層后連接全連接層，并利用dropout層防止其訓(xùn)練過擬合；卷積層中：每個卷積層的特征映射圖都可以使用多個卷積核，通過對前一層得到的特征映射圖進行卷積操作，然后組合得出；池化層中：池化層中輸出的n個特征圖譜與其輸入的n個特征圖譜相對應(yīng)。

本實施例中卷積結(jié)構(gòu)包括不同尺度的5層，每層卷積結(jié)構(gòu)要進行三次尺度相同的卷積，卷積核均為3×3。

第一層卷積結(jié)構(gòu)z1＝w1*i+b1，其中i是輸入圖像，大小為224×224，w1代表f1×f1×n1濾波器，卷積核大小f1＝3,步長為1，卷積核個數(shù)為n1＝64個，即輸出n1個特征圖，*表示卷積操作，b1代表n1維偏差。z1表示本層后輸出的特征圖。224×224的圖像經(jīng)過本次卷積，生成64個大小為110×110的特征圖。

在第一層卷積結(jié)構(gòu)后面有一層池化z1表示本層后輸入的特征圖，卷積核大小fp＝3，stride表示步長，步長為2。池化后有一層maxout激活i為本層節(jié)點，j為本層每個節(jié)點所對應(yīng)的隱含節(jié)點。j的取值范圍為[1,k]，k為maxout層所需要的參數(shù)。p1表示本層輸入的特征圖，f1表示本層輸出的特征圖，最終輸出特征圖個數(shù)為個110×110的模糊圖像經(jīng)過本次池化，生成128個大小為55×55的特征圖。

第二層卷積結(jié)構(gòu)z2＝w2*f1+b2，其中w2代表濾波器，卷積核大小f2＝3,卷積核個數(shù)為n2＝128個，步長為1，即輸出n2個特征圖，*表示卷積操作，b2代表n2維偏差。f1表示本層輸入特征圖，z2表示本層后輸出的特征圖。55×55個特征圖經(jīng)過本次卷積，生成128個大小為26×26的特征圖。

在第二層卷積結(jié)構(gòu)后面有一層池化z2表示本層后輸入的特征圖，卷積核大小fp＝3，stride表示步長，步長為2。池化后有一層maxout激活i為本層節(jié)點，j為本層每個節(jié)點所對應(yīng)的隱含節(jié)點。j的取值范圍為[1,k]，k為maxout層所需要的參數(shù)。p2表示本層輸入的特征圖，f2表示本層輸出的特征圖，最終輸出特征圖個數(shù)為個26×26的圖像經(jīng)過本次池化，生成256個大小為13×13的特征圖。

第三層卷積結(jié)構(gòu)z3＝w3*f2+b3，其中w3代表濾波器，卷積核大小f3＝3,卷積核個數(shù)為n3＝256個，步長為1，即輸出n3個特征圖，*表示卷積操作，b3代表n3維偏差。f2表示本層輸入特征圖，z3表示本層后輸出的特征圖。13×13個特征圖經(jīng)過本次卷積，生成256個大小為13×13的特征圖。

在第三層卷積結(jié)構(gòu)后面有一層池化z3表示本層后輸入的特征圖，卷積核大小fp＝3，stride表示步長，步長為2。池化后有一層maxout激活i為本層節(jié)點，j為本層每個節(jié)點所對應(yīng)的隱含節(jié)點。j的取值范圍為[1,k]，k為maxout層所需要的參數(shù)。p3表示本層輸入的特征圖，f3表示本層輸出的特征圖，最終輸出特征圖個數(shù)為個13×13的圖像經(jīng)過本次池化，生成512個大小為6×6的特征圖。

第四層卷積結(jié)構(gòu)z4＝w4*f3+b4，其中w4代表濾波器，卷積核大小f4＝3,卷積核個數(shù)為n4＝512個，步長為1，即輸出n4個特征圖，*表示卷積操作，b4代表n4維偏差。f3表示本層輸入特征圖，z4表示本層后輸出的特征圖。6×6個特征圖經(jīng)過本次卷積，生成512個大小為6×6的特征圖。

在第四層卷積結(jié)構(gòu)后面有一層池化z4表示本層后輸入的特征圖，卷積核大小fp＝3，stride表示步長，步長為2。池化后有一層maxout激活i為本層節(jié)點，j為本層每個節(jié)點所對應(yīng)的隱含節(jié)點。j的取值范圍為[1,k]，k為maxout層所需要的參數(shù)。p4表示本層輸入的特征圖，f4表示本層輸出的特征圖，最終輸出特征圖個數(shù)為個6×6的圖像經(jīng)過本次池化，生成512個大小為3×3的特征圖。

第五層卷積結(jié)構(gòu)z5＝w5*f4+b5，其中w5代表濾波器，卷積核大小f5＝3,卷積核個數(shù)為n5＝512個，步長為1，即輸出n5個特征圖，*表示卷積操作，b5代表n5維偏差。f4表示本層輸入特征圖，z5表示本層后輸出的特征圖。3×3個特征圖經(jīng)過本次卷積，生成512個大小為3×3的特征圖。

最后一層卷積結(jié)構(gòu)處理完成后，再接入到三個全連接層，生成2個大小為4096×1的特征向量和生成1個大小為1000×1的特征向量，這三個全連接層分別用于分類和邊框回歸。在邊框回歸層中包含了2個元素，輸出用以表示是目標(biāo)的概率以及不是目標(biāo)的概率，邊框回歸層中全連接層最后輸出的是目標(biāo)區(qū)域位置。該目標(biāo)區(qū)域位置即標(biāo)志桿的邊框坐標(biāo)。

初始化后，采用隨機梯度下降法對構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進行迭代訓(xùn)練，每迭代一次檢測一次梯度以及損失函數(shù)的值，以獲得網(wǎng)絡(luò)模型結(jié)構(gòu)中各權(quán)重值w和偏置值b的最優(yōu)解，迭代多次后得到本次訓(xùn)練的最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)模型。

進一步地，所述識別所述標(biāo)識桿范圍內(nèi)的車輛，包括：

連接所述標(biāo)識桿的中心點確定車位檢測的范圍；

從數(shù)據(jù)庫包含車輛的圖片中獲取車輛數(shù)據(jù)集，搭建卷積神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述數(shù)據(jù)集訓(xùn)練所述模型；

采用訓(xùn)練后的所述模型和車位檢測范圍內(nèi)的待檢測圖像檢測所述車輛。

具體來說，本實施例數(shù)據(jù)集來源于斯坦福大學(xué)創(chuàng)建的cars數(shù)據(jù)集，196類車輛圖片，共16185張圖片。香港中文大學(xué)湯曉鷗團隊建立的compcars數(shù)據(jù)集，包括136727張整車車輛圖片以及27618張車輛局部的圖片。

搭建卷積神經(jīng)網(wǎng)絡(luò)模型的具體過程為：具體來說，所述卷積神經(jīng)網(wǎng)絡(luò)模型：卷積神經(jīng)網(wǎng)絡(luò)模型包含多個卷積層、3個池化層、兩個全連接層、兩個relu層以及dropout層；卷積層與池化層交替鏈接，并將relu層連接于卷積層頂端，在最后一個池化層后連接全連接層，并利用dropout層防止其訓(xùn)練過擬合；卷積層中：每個卷積層的特征映射圖都可以使用多個卷積核，通過對前一層得到的特征映射圖進行卷積操作，然后組合得出；池化層中：池化層中輸出的n個特征圖譜與其輸入的n個特征圖譜相對應(yīng)。

本實施例中卷積層包括不同尺度的6層，卷積核分別為7×7，5×5，3×3，3×3，3×3，3×3，激活層包括3層，在第每層池化之后。

第一層卷積z1＝w1*i+b1，其中i是輸入圖像，大小為224×224，w1代表f1×f1×n1濾波器，卷積核大小f1＝7,步長為2，卷積核個數(shù)為n1＝96個，即輸出n1個特征圖，*表示卷積操作，b1代表n1維偏差。z1表示本層后輸出的特征圖。224×224的圖像經(jīng)過本次卷積，生成96個大小為110×110的特征圖。

在第一層卷積后面有一層池化z1表示本層后輸入的特征圖，卷積核大小fp＝3，stride表示步長，步長為2。池化后有一層maxout激活i為本層節(jié)點，j為本層每個節(jié)點所對應(yīng)的隱含節(jié)點。j的取值范圍為[1,k]，k為maxout層所需要的參數(shù)。p1表示本層輸入的特征圖，f1表示本層輸出的特征圖，最終輸出特征圖個數(shù)為個110×110的模糊圖像經(jīng)過本次池化，生成96個大小為55×55的特征圖。

第二層卷積z2＝w2*f1+b2，其中w2代表濾波器，卷積核大小f2＝5,卷積核個數(shù)為n2＝256個，步長為2，即輸出n2個特征圖，*表示卷積操作，b2代表n2維偏差。f1表示本層輸入特征圖，z2表示本層后輸出的特征圖。55×55個特征圖經(jīng)過本次卷積，生成256個大小為26×26的特征圖。

在第二層卷積后面有一層池化z2表示本層后輸入的特征圖，卷積核大小fp＝3，stride表示步長，步長為2。池化后有一層maxout激活i為本層節(jié)點，j為本層每個節(jié)點所對應(yīng)的隱含節(jié)點。j的取值范圍為[1,k]，k為maxout層所需要的參數(shù)。p2表示本層輸入的特征圖，f2表示本層輸出的特征圖，最終輸出特征圖個數(shù)為個26×26的圖像經(jīng)過本次池化，生成256個大小為13×13的特征圖。

第三層卷積z3＝w3*f2+b3，其中w3代表濾波器，卷積核大小f3＝3,卷積核個數(shù)為n3＝384個，步長為1，即輸出n3個特征圖，*表示卷積操作，b3代表n3維偏差。f2表示本層輸入特征圖，z3表示本層后輸出的特征圖。13×13個特征圖經(jīng)過本次卷積，生成384個大小為13×13的特征圖。

第四層卷積z4＝w4*f3+b4，其中w4代表濾波器，卷積核大小f4＝3,卷積核個數(shù)為n4＝384個，步長為1，即輸出n4個特征圖，*表示卷積操作，b4代表n4維偏差。f3表示本層輸入特征圖，z4表示本層后輸出的特征圖。13×13個特征圖經(jīng)過本次卷積，生成384個大小為13×13的特征圖。

第五層卷積z5＝w5*f4+b5，其中w5代表濾波器，卷積核大小f5＝3,卷積核個數(shù)為n5＝384個，步長為1，即輸出n5個特征圖，*表示卷積操作，b5代表n5維偏差。f4表示本層輸入特征圖，z5表示本層后輸出的特征圖。13×13個特征圖經(jīng)過本次卷積，生成384個大小為13×13的特征圖。

第六層卷積z6＝w6*f5+b6，其中w5代表濾波器，卷積核大小f6＝3,卷積核個數(shù)為n6＝256個，步長為1，即輸出n6個特征圖，*表示卷積操作，b6代表n6維偏差。f5表示本層輸入特征圖，z6表示本層后輸出的特征圖。13×13個特征圖經(jīng)過本次卷積，生成256個大小為13×13的特征圖。

在第六層卷積后面有一層池化z2表示本層后輸入的特征圖，卷積核大小fp＝3，stride表示步長，步長為2。池化后有一層maxout激活i為本層節(jié)點，j為本層每個節(jié)點所對應(yīng)的隱含節(jié)點。j的取值范圍為[1,k]，k為maxout層所需要的參數(shù)。p3表示本層輸入的特征圖，f3表示本層輸出的特征圖，最終輸出特征圖個數(shù)為個26×26的圖像經(jīng)過本次池化，生成256個大小為6×6的特征圖。

最后一層池化層處理完成后，再接入到兩個全連接層，生成1個大小為4096×1的特征向量，這兩個全連接層分別用于分類和邊框回歸。在邊框回歸層中包含了2個元素，輸出用以表示是目標(biāo)的概率以及不是目標(biāo)的概率，邊框回歸層中全連接層最后輸出的是目標(biāo)區(qū)域位置。

初始化后，采用隨機梯度下降法對構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進行迭代訓(xùn)練，每迭代一次檢測一次梯度以及損失函數(shù)的值，以獲得網(wǎng)絡(luò)模型結(jié)構(gòu)中各權(quán)重值w和偏置值b的最優(yōu)解，迭代多次后得到本次訓(xùn)練的最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)模型。

進一步地，所述則根據(jù)所述車輛的坐標(biāo)確定空車位的位置，包括：

根據(jù)所述對角線上的兩個標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿對應(yīng)的矩形，根據(jù)所述矩形內(nèi)的車位個數(shù)均分所述矩形為若干個車位矩形；

根據(jù)所述車輛的坐標(biāo)與所述車位矩形確定空車位的位置。

具體來說，若標(biāo)志桿所圍成矩形的四點坐標(biāo)為

矩形內(nèi)車位個數(shù)為n，則劃分出的車位矩形的坐標(biāo)應(yīng)為(ax1，ay1)(ax1，by1)(ax2，ay2)(ax2，by2)(axn，ayn)(axn，byn)(bx1，ay1)(bx1，by1)(bx2，ay2)(bx2，by2)…(bxn，ayn)(bxn，yn)

若檢測車輛數(shù)小于車位數(shù)，則根據(jù)檢測結(jié)果求與車輛的坐標(biāo)

最接近的車位的坐標(biāo)，即

將最近的車位作為檢測到的車輛的車位，將標(biāo)志記為n，缺少標(biāo)志的記為第n個空車位。

進一步地，所述根據(jù)所述車輛的坐標(biāo)與所述車位矩形確定空車位的位置之后，還包括：

將所述空車位的位置發(fā)送至引導(dǎo)屏。

具體來說，引導(dǎo)屏顯示的是附近一片區(qū)域內(nèi)是否存在空車位，即一個引導(dǎo)屏對應(yīng)多個攝像頭下的車位情況，將攝像頭做標(biāo)號，根據(jù)停車場的車位地圖即可對應(yīng)出攝像頭具體哪部分區(qū)域，若此區(qū)域內(nèi)有空車位，顯示空車位的數(shù)量，并用箭頭表示出該引導(dǎo)屏與此攝像頭的方位關(guān)系。

圖3為本發(fā)明基于圖像處理和模式識別的車位引導(dǎo)系統(tǒng)示意圖，如圖3所示，本實施例系統(tǒng)，包括：

多個采集實時車位圖像的攝像頭101；

若干個標(biāo)識桿102，所述標(biāo)識桿設(shè)置在多個車位對應(yīng)矩形區(qū)域的四個頂點或?qū)蔷€的兩個點；

接收模塊103，用于接收所述攝像頭采集的車位圖像；

識別模塊104，用于識別所述車位圖像中的標(biāo)識桿，根據(jù)所述標(biāo)識桿的坐標(biāo)確定所述標(biāo)識桿在所述車位圖像中的位置，并識別所述標(biāo)識桿范圍內(nèi)的車輛，確定所述車輛的個數(shù)；

確定模塊105，用于比較所述車輛個數(shù)與所述車位圖像中的車位數(shù)，若所述車輛的個數(shù)等于所述車位數(shù)，則確定沒有空車位，若所述車輛的個數(shù)小于所述車位數(shù)，則根據(jù)所述車輛的坐標(biāo)確定空車位的位置。

具體來說，本發(fā)明的停車場可以在為室內(nèi)停車場或者露天停車場，多個攝像頭可有不同的安裝方式，在室內(nèi)停車場的攝像頭可以直接選用停車場中現(xiàn)有的監(jiān)控攝像頭，其要求需要保證無監(jiān)視死角。在露天停車場根據(jù)環(huán)境的不同可有兩種安裝方式，依附建筑物安裝或桿式安裝，安裝的高度需要保證視角中需要檢測的車輛不要出現(xiàn)較大面積的遮擋。

如圖5所示，對應(yīng)每一個攝像頭101的視野范圍內(nèi)設(shè)置標(biāo)識桿102，該標(biāo)識桿用于校準(zhǔn)該攝像頭的識別區(qū)域。可以在該攝像頭識別的多個車位對應(yīng)的矩形區(qū)域的對角線方向設(shè)置兩個標(biāo)識桿，也可以在該攝像頭識別的多個車位對應(yīng)的矩形區(qū)域的四個頂點設(shè)置4個標(biāo)識桿。標(biāo)識桿設(shè)置的位置要保證在攝像頭的視野范圍內(nèi)且在攝像頭輕微晃動時仍能拍攝到標(biāo)識桿，標(biāo)識桿可以采用紅黃相間等較為鮮明的顏色，標(biāo)識桿范圍內(nèi)的車位數(shù)為整數(shù)。室內(nèi)停車場中標(biāo)識桿與室外標(biāo)識桿同理。多個攝像頭要進行標(biāo)號，且多個攝像頭視野可有重復(fù)區(qū)域，但要確保每個車位至少在一個攝像頭對應(yīng)的標(biāo)識桿區(qū)域內(nèi)。

進一步地，所述識別模塊，具體用于：

判斷標(biāo)識桿的個數(shù)是否小于2，若是，則向控制中心發(fā)送報警信號，若否，則判斷所述標(biāo)識桿的個數(shù)是否等于2；

若所述標(biāo)識桿個數(shù)為2，則根據(jù)所述標(biāo)識桿的坐標(biāo)判斷兩個標(biāo)識桿是否處在對角線上，若否，則向控制中心發(fā)送報警信號，若是，則確定所述兩個標(biāo)識桿有效；

若所述標(biāo)識桿個數(shù)不為2，則根據(jù)所述標(biāo)識桿的坐標(biāo)選取處于對角線上的標(biāo)識桿。

進一步地，所述識別模塊，具體用于：

從數(shù)據(jù)庫包含標(biāo)識桿的圖片中獲取標(biāo)識桿數(shù)據(jù)集；

搭建卷積神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述數(shù)據(jù)集訓(xùn)練所述模型；

采用訓(xùn)練后的所述模型和所述待檢測圖像檢測所述標(biāo)識桿，存儲所述標(biāo)識桿中心點的坐標(biāo)。

進一步地，如圖4所示，本實施例的系統(tǒng)，還包括：

引導(dǎo)屏106，用于接收確定模塊發(fā)送的空車位位置，并根據(jù)所述空車位位置指示行車方向。

本發(fā)明系統(tǒng)與圖1所示的方法原題相同，此處不再贅述。

與現(xiàn)有技術(shù)相比，本發(fā)明具有下列有益效果：

(1)低成本多點車位數(shù)據(jù)探測

多點車位數(shù)據(jù)探測采用攝像頭拍攝停車場的車位占用情況，根據(jù)攝像頭設(shè)置的位置，可以同時拍攝多個車位的情況，相比于單點車位數(shù)據(jù)探測，多點車位數(shù)據(jù)探測的好處在于可以將成本成倍降低。

(2)實時車位數(shù)據(jù)探測

本發(fā)明車位檢測數(shù)據(jù)準(zhǔn)確、實時性高。目前經(jīng)試驗，處理一幀高清圖像的時間消耗在0.04s左右，則在串行的條件下，1s內(nèi)仍可以處理至少20個攝像頭的數(shù)據(jù)，并行條件下當(dāng)然可以處理更多攝像頭的數(shù)據(jù)，因此可以保證檢測的實時性，同時，在攝像頭位置安裝符合要求的前提下，多目標(biāo)同時檢測的準(zhǔn)確率可以達(dá)到99.5％以上。

(3)可用于室外檢測

現(xiàn)有技術(shù)適應(yīng)的場景多為室內(nèi)，當(dāng)應(yīng)用在室外環(huán)境時，由于存在光線，陰雨等天氣情況的影響，會極大削減準(zhǔn)確率，本發(fā)明不僅可以實現(xiàn)室內(nèi)停車場的車位引導(dǎo)，還可以實現(xiàn)室外條件下車位的準(zhǔn)確檢測。

最后應(yīng)說明的是：以上各實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍。