路内泊位的状态检测方法、系统及其数据处理装置与流程

本发明涉及智能交通(intelligenttransportationsystem，its)领域，尤其涉及一种路内泊位的状态检测方法、系统及其数据处理装置。
背景技术：
：随着国内大中型城市的机动化进程加快，市民的交通出行需求快速增长，出行方式日趋复杂，车辆停放的随机性和随意性情况比较普遍，造成本已拥挤的路网交通压力进一步增加。因此，对车辆停放特别是路边停车进行有序管理势在必行。通过实施“以经济手段为主+行政手段为辅”的路内停车收费方案，规范市民的停车行为，合理分配停车资源，引导市民形成良好的停车习惯，最终达到交通各要素之间的完美协同，让市民的都市生活更加美好。路内道路比较复杂，路内泊位状态自动检查方式通常通过地磁、射频和视频来解决，但是，现有的这些方案中，地磁需要挖路铺设地磁设备；射频需要车辆提前配合安装射频信号接收设备；视频检测比较灵活，现在主流的方法是在马路中间架设龙门架，或者每个泊位旁边安装一个摄像头。以上的几种方案，普通存在部署困难，或者成本过高。技术实现要素：本发明要解决的技术问题在于，针对现有技术的上述部署困难、成本高的缺陷，提供一种路内泊位的状态检测方法、系统及其数据处理装置，部署简单且成本低。本发明解决其技术问题所采用的技术方案是：构造一种路内泊位的状态检测方法，包括：获取摄像头的图像数据，其中，所述摄像头的监控区域覆盖多个泊位区域；从所述图像数据中截取每个泊位的泊位图像，并确定所述泊位图像的类型；根据所确定的类型，按预设规则对所述泊位图像进行尺寸修改；对尺寸修改后的泊位图像进行预处理，并提取所述泊位图像的特征信息；将所述特征信息输入到预先建立的相应类型的泊位状态模型中，并根据所述泊位状态模型的输出结果确定所述泊位的状态。优选地，泊位状态模型根据下列步骤建立：s11.在训练时，对相同类型的泊位图像按预设规则进行尺寸修改；s12.对尺寸修改后的泊位图像进行预处理；s13.从预处理后的泊位图像中提取特征信息；s14.使用预设的训练方法，对所述特征信息和泊位状态进行训练，以获得相应类型的泊位状态模型。优选地，确定所述泊位图像的类型的步骤包括：获取所述泊位图像的参数信息；根据预先建立的多个类型的标准泊位图像，确定与所述泊位图像最接近的标准泊位图像，并将所述最接近的标准泊位图像所对应的类型确定为所述泊位图像的类型。优选地，根据预先建立的多个类型的标准泊位图像，确定与所述泊位图像最接近的标准泊位图像的步骤包括：s21.从多个标准泊位图像中，确定方向、方位与所述泊位图像的方向、方位均相同的标准泊位图像；s22.将所确定的标准泊位图像设置为中间标准图像；s23.根据所述泊位图像和每个所述中间标准泊位图像，判断两个泊位图像的距离比值是否大于第一预设值；和/或，判断两个泊位图像的相似度是否大于第二预设值；s24.将满足所述步骤s23中的条件的中间标准泊位图像设置为最接近的标准泊位图像。优选地，在所述步骤s23中，判断两个泊位图像的距离比值是否大于第一预设值的步骤包括：s231.分别计算所述泊位图像的长度或宽度，及所述中间标准泊位图像的长度或宽度；s232.计算所述泊位图像与所述中间标准泊位图像的长度比值或宽度比值，并判断所计算的长度比值或宽度比值是否大于第一预设值；或者，判断两个泊位图像的相似度是否大于第二预设值的步骤包括：s233.分别确定所述泊位图像中的有效泊位区域及所述中间标准泊位图像中的有效泊位区域；s234.将所述泊位图像与所述中间标准泊位图像重叠放置在同一坐标系中，并确定两者的有效泊位区域的重叠区域；s235.计算所述重叠区域与两者的有效泊位区域中的较大者的面积比值，并判断所计算的面积比值是否大于第二预设值。优选地，还包括：判断泊位的当前状态相比前一时刻状态是否发生变化；若发生变化，则获取状态变化的时间节点；根据所述时间节点及所述泊位变化前后的状态，确定车辆的驶入时间或驶出时间。优选地，所述预处理包括滤波处理、图像灰度化处理、直方图均衡化处理；或者，所述特征信息包括直方图特征信息、lbp特征信息或角点特征信息。本发明还构造一种路内泊位的状态检测系统的数据处理装置，其特征在于，包括：图像获取模块，用于获取摄像头的图像数据，其中，所述摄像头的监控区域覆盖多个泊位区域；类型确定模块，用于从所述图像数据中截取每个泊位的泊位图像，并确定所述泊位图像的类型；尺寸修改模块，用于根据所确定的类型，按预设规则对所述泊位图像进行尺寸修改；预处理模块，用于对尺寸修改后的泊位图像进行预处理，并提取所述泊位图像的特征信息；状态确定模块，用于将所述特征信息输入到预先建立的相应类型的泊位状态模型中，并根据所述泊位状态模型的输出结果确定所述泊位的状态。本发明还构造一种路内泊位的状态检测系统的数据处理装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器用于执行所述存储器中存储的计算机程序并实现以上方法。本发明还构造一种路内泊位的状态检测系统，包括：摄像头，所述摄像头的监控区域覆盖多个泊位区域；以上所述的数据处理装置。实施本发明的技术方案，由于一个摄像头可同时监控多个泊位区域，所以，当接收到摄像头所拍摄的图像数据后，先从中分离出每个泊位的泊位图像，再确定每个泊位图像的类型。然后，根据所确定的类型修改泊位图像的尺寸，当对泊位图像进行预处理，并提取特征信息后，根据所确定的类型所对应的泊位状态模型来确定该泊位的状态，以达到实时监控泊位状态的目的，可及时发现泊位异常(泊位中出现的障碍物、自行车、三轮车、行人等)，便于执法和管理。而且，该状态检测方法相比现有的几种方法，部署简单、环保、成本低廉。附图说明为了更清楚地说明本发明实施例，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：图1是本发明路内泊位的状态检测方法实施例一的流程图；图2是摄像头与路内泊位区域的示意图；图3是摄像头所拍摄的一帧图像的示意图；图4是确定每个泊位的长方体的示意图；图5是根据所确定的长方体所截取泊位图像的示意图；图6a至图6l分别是所截取的不同形状的泊位图像的示意图；图7是确定泊位图像的有效泊位区域的示意图；图8a至图8c是计算两个泊位图像的相似度的示意图；图9是本发明路内泊位的状态检测系统的数据处理装置的逻辑结构图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明基于视频检测方案，摄像头架设在路道旁边，单个摄像头可以检测到多个泊位状态，主要由摄像头覆盖区域决定。在路边停车实际应用中，可检测的泊位状态主要包括有车状态和无车状态，当然，也可以包括泊位中异常状态的检测，如跨泊位停车、泊位被垃圾堆满、泊位中停靠非机动车辆等状态。同时，还可以进一步检测车辆驶入泊位和驶出泊位的时间节点。本发明的技术方案在实施时，分为两个过程：静态数据预设、实时检测并输出结果。通过静态数据预设可预先获得每个类型的泊位状态模型，然后实时采集视频数据，利用预设的泊位状态模型进行泊位状态的输出。应理解，摄像头的位置、高度、角度等在两个过程中应保持一致，一旦摄像头的位置、高度、角度等发生改变，应重新进行静态数据预设。图1是本发明路内泊位的状态检测方法实施例一的流程图，该实施例的路内泊位的状态检测方法包括以下步骤：s10.获取摄像头的图像数据，其中，所述摄像头的监控区域覆盖多个泊位区域；在该步骤中，首先说明的是，摄像头可架设在道路旁边或安装在已有的基建设施上，并且一个摄像头可以同时监控多个泊位区域，例如4-10个。摄像头的类型可为机枪摄像头，也可为球型摄像头。为了得到较大的监控区域，摄像头需要根据车道现场的环境对安装的高度和偏角进行调整。在图2所示的例子中，路内共设16个泊位，枪机摄像头a可以监控到泊位1、2、9、10、11、12、13的区域，而球型摄像头b可以监控到泊位3、4、5、6、12、13、14的区域。应理解，实际现场对摄像头类型的选择没有特殊要求，只需保证监控区域覆盖了需要检测泊位区域即可。s20.从所述图像数据中截取每个泊位的泊位图像，并确定所述泊位图像的类型；在该步骤中，首先说明的是，由于摄像头可同时监控多个泊位区域，所以，摄像头所拍摄的每帧图像中均包含多个泊位的图像。基于此，在状态识别前，需要先从完整的图像帧中将每个泊位的泊位图像都单独截取出来。另外，由于各个泊位离摄像头的距离不同，同时由于摄像头类型不一致，图像会有弯曲现象，即是有一定的弧度，如图3所示。考虑到这些因素，在划分每个泊位的泊位图像时，可将该泊位的立体图像作为原型，并按照泊位立体区域的最大边界截取矩形区域。在图4所示的例子中，摄像头a拍摄的图像中包括有泊位1、2、9、10、11、12、13的泊位图像，首先确定每个泊位的立体区域，具体地：通过人工标定的方式(例如标定长方体的各顶点)确定每个泊位所对应的长方体，长方体的底面即为泊位区域。然后，按照该长方体的最大边界取矩形区域，使该矩形区域内的图像能完整显示所确定的长方体。最后，将该矩形区域截取出来，即为该泊位的泊位图像，如图5所示。另外，还需说明的是，由于受摄像头类型、摄像头覆盖的距离、偏角和高度等因素的影响，所截取出的每个泊位的泊位图像会有不同的形状，如图6a至6l所示，因此，需要对泊位图像进行分类。在分类时，可预先确定几个类型的标准泊位图像，并定好类型标识。在实际应用中，以预定的标准类型作为参考，选择与所截取的泊位图像最接近的标准泊位图像，并将该最接近的标准泊位图像的类型作为自己的类型。随着数据量的增加，泊位图像的类型可以动态增加，以提高更精准的匹配。s30.根据所确定的类型，按预设规则对所述泊位图像进行尺寸修改；在该步骤中，当确定了所截取的泊位图像的类型后，可根据该类型所对应的标准尺寸，对该泊位图像进行尺寸修改，例如，通过尺寸修改使其修改后的尺寸等于所确定的类型所对应的标准尺寸，或者两者的误差在预设范围内，以统一同一类型的泊位图像的尺寸。s40.对尺寸修改后的泊位图像进行预处理，并提取所述泊位图像的特征信息；在该步骤中，预处理例如包括滤波处理、图像灰度化处理、直方图均衡化处理。另外，在提取特征信息时，可根据直方图特征、lbp特征、角点检测等计算方法来提取直方图特征信息、lbp特征信息或角点特征信息。s50.将所述特征信息输入到预先建立的相应类型的泊位状态模型中，并根据所述泊位状态模型的输出结果确定所述泊位的状态。在该步骤中，首先说明的是，泊位状态模型为该类型的标准泊位图像通过训练得到的子集模型，所以，不同的泊位类型，得到的子集模型是不一样的。在实际应用中，根据特征信息(例如lbp特征)和对应的子集模型，使用svm支持向量机进行验证，得到该泊位图像的泊位状态(例如，输出1代表有车；输出0代表无车)。在一个具体实施例中，可根据以下步骤建立每个类型的泊位状态模型：s11.在训练时，按预设规则对相同类型的泊位图像进行尺寸修改；s12.对尺寸修改后的泊位图像进行预处理；s13.从预处理后的泊位图像中提取特征信息；s14.使用预设的训练方法，对所述特征信息和泊位状态进行训练，以获得相应类型的泊位状态模型。在该实施例中，首先说明的是，在训练时，应针对同一类型的泊位图像分别进行训练，因此，在采集了摄像头所拍摄的图像数据，并截取了每个泊位的泊位图像后，应首先确定每个泊位图像的类型。然后，针对同一类型的泊位图像，先统一图像尺寸，再进行预处理及特征提取，其中，预处理的方法包括但不限于滤波、图像灰度化、直方图均衡化等方法，特征提取的方法包括但不限于直方图特征、lbp特征、角点检测等计算方法。最后，选择合适的训练方法，结合泊位图像的状态(有车、无车、行人等)，训练得到该类型的子集模型，其中，训练方法包括但不限于使用svm支持向量机、人工神经网络、深度学习等方式。在对泊位图像进行分类时，可根据摄像头覆盖泊位的区域按照距离、偏角、高度、泊位长宽比和其它参数进行分类，这样可以去除无效区域对图像识别的干扰，提高准确率。具体地，确定泊位图像的类型的步骤可包括：获取所述泊位图像的参数信息；根据预先建立的多个类型的标准泊位图像，确定与所述泊位图像最接近的标准泊位图像，并将所述最接近的标准泊位图像所对应的类型确定为所述泊位图像的类型。在该实施例中，关于泊位图像的参数，需说明的是，其分为固定参数和动态参数。其中，固定参数包括泊位方位和泊位方向，而且，泊位方位为处于摄像头的同侧还是对侧，例如，同侧的方位类型为1，对侧的方位类型为2；泊位方向包括横着方向和竖着方向，例如，横着方向的为1，竖着方向的为2。动态参数包括该泊位图像与标准泊位图像的距离比值和/或相似度。在一个具体实施例中，根据预先建立的多个类型的标准泊位图像，确定与所述泊位图像最接近的标准泊位图像的步骤包括：s21.从多个标准泊位图像中，确定方向、方位与所述泊位图像的方向、方位均相同的标准泊位图像；s22.将所确定的标准泊位图像设置为中间标准图像；s23.根据所述泊位图像和每个所述中间标准泊位图像，判断两个泊位图像的距离比值是否大于第一预设值；和/或，判断两个泊位图像的相似度是否大于第二预设值；在该步骤中，需说明的是，不管是距离比值，还是相似度，均和车位选择有关，例如，若有1-4号四个车位，1号车位和2号车位比值为0.9；1号车位和4号车位必然不是0.9以内。s24.将满足所述步骤s23中的条件的中间标准泊位图像设置为最接近的标准泊位图像。优选地，步骤s23中判断两个泊位图像的距离比值是否大于第一预设值的步骤包括：s231.分别计算所述泊位图像的长度或宽度，及所述中间标准泊位图像的长度或宽度，在该步骤中，计算泊位图像的长度或宽度，即，计算泊位的立体图像的外接矩形长度或宽度，这个参数可以表示泊位的远近距离；s232.计算所述泊位图像与所述中间标准泊位图像的长度比值或宽度比值，并判断所计算的长度比值或宽度比值是否大于第一预设值，第一预设值的范围例如为0.9-1。优选地，步骤s23中判断两个泊位图像的相似度是否大于第二预设值的步骤包括：s233.分别确定所述泊位图像中的有效泊位区域及所述中间标准泊位图像中的有效泊位区域；在该步骤中，需说明的是，在确定泊位图像的有效泊位区域时，可首先确定泊位图像中的无效区域(即泊位长方体以外的区域)，然后对该无效区域进行蒙版黑化(或者去背景)，泊位图像中去除掉无效区域后的区域即为该泊位图像的有效区域，例如，对图5所示的泊位图像去除无效区域后，所提取的有效区域如图7所示。在此需说明的是，不管是泊位图像(从拍摄的图像数据中截取的矩形区域)，还是泊位图像的有效区域，均是由不少于4个点组成的面，例如一个泊位图像的有效区域为由{(744,298)，(847,357)，(727,536)，(390,537)，(373,513)}五个点组成的面。结合图8a和图8b，图8a示出了一个泊位图像a11，且其有效泊位区域(阴影部分)为a12，图8b示出了一个中间标准泊位图像a21，且其有效泊位区域(阴影部分)为a22。s234.将所述泊位图像与所述中间标准泊位图像重叠放置在同一坐标系中，并确定两者的有效泊位区域的重叠区域；在该步骤中，结合图8c，将图8a、图8b所示的两个泊位图像放入同一坐标系中，而且，应使其重叠区域最大，或者，同一类型时保证标准点位重叠，此时，可确定出两者的有效泊位区域的重叠区域，即重叠区域(菱形方格区域)为a1222。s235.计算所述重叠区域与两者的有效泊位区域中的较大者的面积比值，并判断所计算的面积比值是否大于第二预设值。在该步骤中，当确定了重叠区域，可计算出该重叠区域的面积，进而确定两个泊位图像中有效泊位区域较大者的面积，显然，该实施例中有效区域较大者为泊位图像a11的有效泊位区域a12。然后，对所计算的两个面积求比值，即可得到面积比值。第二预设值的范围例如为0.85-1。在一个具体例子中，使用分类参数进行泊位分类时，泊位方向和泊位方位是可以直观确定的，距离比值和相似度需要进行对比来确定。对于每个类型的标准泊位图像，可预先建立其参数标准，例如，泊位类型为1的参数表为：泊位方向泊位方位area1area2泊位类型11{(744,298)，…}{(234,248)，…}1当新的泊位图像加入泊位类型1的时候，首先需要泊位方向和泊位方位是一致的，再计算两个泊位的距离比值和相似度，来决定是否满足该泊位类型的要求。例如，下表列出是否满足泊位类型为1的几种情况：关于泊位图像的分类，最后还需说明的是，如果增加了新的泊位区域，在已有的泊位类型中都没有匹配的类型，此时就可以根据自己的泊位参数建立新的泊位类型。另外，还需说明的是，上述分类的过程仅在摄像头第一次拍摄时使用，一旦按此过程确定了拍摄图像中每个泊位图像的类型，后续拍摄的每帧图像中的相应区域的泊位图像的类型都一致。进一步地，本发明的路内泊位的状态检测方法，在确定了泊位状态后，还可包括以下步骤：判断泊位的当前状态相比前一时刻状态是否发生变化；若发生变化，则获取状态变化的时间节点；根据所述时间节点及所述泊位变化前后的状态，确定车辆的驶入时间或驶出时间。例如，某个泊位的状态由无车变为有车，则该时间节点为驶入时间；某个泊位的状态由有车变为无车，则该时间节点为驶出时间。本发明还构造一种路内泊位的状态检测系统，该状态检测系统包括通信连接的摄像头和数据处理装置，其中，摄像头的监控区域覆盖多个泊位区域。图9为本发明路内泊位的状态检测系统的数据处理装置实施例一的逻辑结构图，该数据处理装置包括：图像获取模块10、类型确定模块20、尺寸修改模块30、预处理模块40和状态确定模块50，其中，图像获取模块10用于获取摄像头的图像数据，其中，所述摄像头的监控区域覆盖多个泊位区域；类型确定模块20用于从所述图像数据中截取每个泊位的泊位图像，并确定所述泊位图像的类型；尺寸修改模块30用于根据所确定的类型，按预设规则对所述泊位图像进行尺寸修改；预处理模块40用于对尺寸修改后的泊位图像进行预处理，并提取所述泊位图像的特征信息；状态确定模块50用于将所述特征信息输入到预先建立的相应类型的泊位状态模型中，并根据所述泊位状态模型的输出结果确定所述泊位的状态。本发明还构造一种路内泊位的状态检测系统的数据处理装置，该数据处理装置包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器用于执行所述存储器中存储的计算机程序并实现以上方法。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何纂改、等同替换、改进等，均应包含在本发明的权利要求范围之内。当前第1页12