1.本发明涉及计算机视觉、互联网数据处理技术和立体传感领域,具体涉及基于计算机视觉的融合传感的精准停车方法、装置、设备及存储介质。
背景技术:2.目前共享电动车是为人们出行提供便利的一种交通工具,通过租赁模式达到出行的目的,为绿色环保出行做了很大贡献。相比于传统出行方式如公交车、的士等,共享电动车即满足了机动性有满足了长时间远距离骑行的目的,使我们的出行更加的便捷。但由于共享电动车可以随处、随意停放,严重影响了一个城市的市容而且还可能存在交通隐患。
3.然目前常用的停车定位方案:靠gps定位来判断停车点,但gps的定位容易受到干扰,精度只能达到50米左右,误差太大。靠道钉定位判断停车,道钉定位精度能够达到2
‑
3米,但定位太过耗时,用户体验差且这两种方法都不能够做到停车方向问题,无法做到有序停车
4.因此,本领域的技术人员致力于开发一种能够使得共享电动车精准停且有序停放在停车点的方法尤为重要,既能使得城市干净有序,又能减少运营难度和成本。
技术实现要素:5.有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是一种能够使得共享电动车精准停且有序停放在停车点的方法。
6.为实现上述目的,本发明提供了一种用于共享电动车的定点还车方法,包括步骤:
7.(1)在共享电动车上设置摄像装置、imu装置和gps装置;摄像装置设置在共享电动车的车头;
8.(2)当用户在包括手机在内的终端设备上进行还车操作时,服务器获取共享电动车当前的gps定位,搜索距离当前共享电动车最近的还车点p点,判断共享电动车是否在p点范围内,如果不在,服务器则向用户返回不允许还车的信息;如果共享电动车在p点范围内,则服务器向摄像装置发送拍照指令,由摄像装置抓拍当前图像,传送至服务器;
9.(3)服务器将抓拍的图像导入提前训练好的模型,通过全卷积网络fcn模型分割出图像中停车区域及其标识;若分割的图像中未检测到停车区标识,则服务器向用户返回不允许停车信息。
10.进一步地,步骤(3)中的模型是依照如下步骤训练而得:
11.(a)获取模型训练输入的样本:通过设置在车头的摄像装置采集图像样本,对停车区域进行标注,得到对应的二值化掩膜;
12.(b)对输入图像进行预处理;
13.(c)利用卷积神经网络构建模块来提取停车标识特征;
14.(d)导出模型参数。
15.进一步地,在步骤(b)中,将输入图像的长边缩放至256,短边等比缩放,不足之处
补0对齐,得到尺寸为256*256*3的rgb输入图像x;对相应的二值化掩膜做同样的缩放操作得到训练掩膜y。
16.进一步地,模块由编码子模块和解码子模块组成,其中编码子模块由编码卷积层和下采样层组成,解码子模块由解码卷积层和上采样层组成;对输入图像经过编码和解码过程后,得到尺寸为256*256*1停车标识概率图m。
17.进一步地,在步骤(c)中,滑动窗口来扫描图像,并寻找存在目标的区域,并对其位置和尺寸进行精调;如果有多个锚点互相重叠,保留拥有最高前景分数的锚点,并舍弃余下的,得到了最终的区域建议。
18.进一步地,还包括步骤:(4)如果分割的图像中检测到停车区标识,进行二值化得到其轮廓图,进行轮廓匹配,判断车头方向是否与停车基准线垂直,如果停车方向偏离超出设定范围,则服务器向用户返回不允许停车信息。
19.进一步地,还包括步骤:(5)利用imu对共享电动车的6个自由度dof参数进行测量,通过跌倒检测算法分析自由度数据,判别车辆是否是倾倒状态,如果是倾倒状态,则服务器向用户返回不允许还车信息。
20.进一步地,还包括步骤:(6)如果以上条件均满足,则服务器向用户返回允许还车信息,并记录影像。
21.进一步地,在步骤(2)中,当摄像装置得到收到服务器发出的拍照指令后,在视频流中获取最近3秒内的3个i帧。
22.本发明的技术效果有:
23.1、使得共享电动车停放更加精准且规范,能够有序摆放,共享电动车不再杂乱无章,使得道路不再脏乱。
24.2、不在需要运维人员经常要去停车点将车辆摆放整齐,能够节约运维成本。
25.以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
26.图1是本发明的一个较佳实施例中的总流程图;
27.图2是本发明的一个较佳实施例中的模型训练流程图;
28.图3是本发明的一个较佳实施例中的图像中分割出停车区域以及标识区的示意图;
29.图4、5和6是本发明的一个较佳实施例中的停车区标识检测示意图。
具体实施方式
30.以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
31.本发明通过在车头的位置安装摄像头的方法,对停车区抓拍,获取大量的样本,对样本数据进行学习训练,得到停车区的训练模型,然后用户停车前,使用视频抓拍照片进行样本识别;样本识别能够精准的获取停车区域,以及停车基准线,这样停车的时候就能判断
车辆停车是否规范。利用imu位姿得到车身状态,判断车身是否摔倒。
32.通过以上步骤,就能使得共享电动车停放更加精准、规范且能做到有序摆放。
33.具体算法流程如图1所示:
34.整个算法包括车身相机模块阶段、停车区掩模训练阶段、停车识别阶段、精停车方向阶段;
35.第一个阶段是,获取模型训练输入的样本,第二个阶段是提前训练停车区数据以及停车方向掩模数据,第三阶段用户停车前,使用视频抓拍照片进行识别;将识别能够精准的获取停车区域,以及停车基准线,第四个阶段是将imu数据以及网络参数应用于识别车身的方向,倾斜,以及是否定点
36.算法具体的实现流程如下:
37.1.获取模型训练输入的样本
38.使用车身相机模块采集大量的图像样本,进行停车区标注。作模型训练输入的样本
39.2.模型训练如图2所示
40.1)数据输入搜集不同的停车标识数据,并对停车标识以及方向进行标注,得到对应的二值化掩膜。
41.2)数据预处理对输入图像进行预处理,将原始图像的长边缩放至256,短边等比缩放,不足之处补0对齐,得到尺寸为256*256*3的rgb输入图像x。对相应的二值化掩膜做同样的缩放操作得到训练掩膜y。
42.3)区域划分利用卷积神经网络构建模块来提取停车标识特征。该模块由编码子模块和解码子模块组成,其中编码子模块由一系列卷积层和下采样层组成,解码子模块由一系列卷积层和上采样层组成。对输入图像经过编码和解码过程后,得到尺寸为256*256*1停车标识概率图m。
43.4)特征提取利用卷积神经网络提取特定的特征,不同的卷积核提取不同的特征。
44.5)掩膜精修滑动窗口来扫描图像,并寻找存在目标的区域,并对其位置和尺寸进行精调。如果有多个锚点(anchor)互相重叠,我们将保留拥有最高前景分数的anchor,并舍弃余下的(非极大值抑制)。然后我们就得到了最终的区域建议。
45.6)导出模型参数。
46.3.用户停车时,使用视频抓拍照片进行识别
47.1)当用户点击还车按钮时,会向中控获取一次当前的定位,然后再通过geo搜索的方式获取当前车辆所在位置的最近的还车点即p点;然后判断车辆是否在p点范围内。
48.2)若此时车辆在p点然后异步的方式再通过中控给相机发送一个拍照指令。相机得到指令后,会在相机的视频流里面获取近3秒内的3个i帧,保证其图像的连续性与清晰度。
49.3)将抓拍的图像与步骤2得到掩模训练的模型,通过全卷积网络fcn模型分割出图像中停车区域以及标识区。如图3所示。
50.4)如果分割的图像中是否检测到停车区标识,判断用户是否能停车;若未检测到,则说明当前车辆位置不在p点范围内,则不允许用户还车。如图4所示。
51.5)如果分割的图像中检测到停车区标识区,比如图5、6的黑色线带,然后再进行二
值化得到其轮廓图,再进行轮廓匹配,判别车头方向是否与停车基准线垂直,如果标识位方向不符合规范,就不允许用户停车
52.6)再根据利用惯性测量单元imu对车辆的6个自由度dof参数进行测量,通过跌倒检测算法分析自由度数据,判别车辆是否是倾倒状态。如果是倾倒状态,则不允许用户停车
53.7)以上条件满足,则允许还车,并记录影像
54.以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。