车位检测方法及装置与流程

本发明涉及图像处理技术领域，具体而言，涉及一种车位检测方法及装置。

背景技术：

车位检测方法是停车场解决方案中的一个重要组成部分。在实际应用中，有很多方法可以实现车位检测功能，大致可以分为基于视频和非视频两大类方法。其中，非视频方法包括地感线圈检测法、红外检测法、微波检测法以及超声波检测法等。利用地感线圈检测方法需要挖开路面，施工困难且难以维护，微波检测法成本较高，红外检测法和超声波检测法易受到外界干扰。视频检测方法由于其易于安装、蕴涵信息丰富(包含车头、车牌、车款、颜色等)等优势，日益成为具有优势的车位检测方法。但现有技术中的视频检测方法易受外界环境干扰导致检测不佳。

技术实现要素：

有鉴于此，本发明的目的在于，提供一种车位检测方法及装置以解决上述问题。

本发明的较佳实施例提供一种车位检测方法，所述方法包括：

获取待检测车位的车位图像；

对所述车位图像进行车牌特征检测以得到车牌检测结果；

对所述车位图像进行车位像素分割以得到所述车位图像中各像素点的目标分类结果；

根据所述车牌检测结果和所述目标分类结果确定所述车位图像中的车位是否有车。

进一步地，所述根据所述车牌检测结果和所述目标分类结果确定所述车位图像中的车位是否有车的步骤之前，所述方法还包括：

识别当前检测模式，若当前检测模式为第一检测模式，则执行根据所述车牌检测结果和所述目标分类结果确定所述车位图像中的车位是否有车的步骤；

若当前检测模式为第二检测模式，则根据车牌检测结果、目标分类结果以及停车历史信息确定所述车位图像中的车位是否有车。

进一步地，所述获取待检测车位的车位图像的步骤之前，所述方法还包括：

获取待训练的多个车位图像，各所述车位图像中包含多个像素点，各所述像素点携带有不同的分类信息；

针对各所述车位图像，根据所述车位图像中各像素点的分类信息对各像素点进行标记；

将标记后的所述多个车位图像导入构建的深度学习分割网络中，对各所述车位图像进行训练以得到车位像素分割网络模型；

所述对所述车位图像进行车位像素分割以得到所述车位图像中各像素点的目标分类结果的步骤，包括：

将待检测车位的车位图像导入至所述车位像素分割网络模型；

利用所述车位像素分割网络模型对所述车位图像进行检测以得到所述车位图像中各像素点的目标分类结果。

进一步地，所述获取待检测车位的车位图像的步骤之前，所述方法还包括：

对获得的训练集进行训练以得到对应的弱分类器；

根据每次得到的弱分类器的分类结果对训练集中各样本的权重进行调整，根据调整后的训练集得到下一个弱分类器；

为得到的多个弱分类器中的各弱分类器设置不同的权重，并将多个弱分类器叠加以得到车牌检测分类器。

进一步地，所述对所述车位图像进行车牌特征检测以得到车牌检测结果的步骤，包括：

利用所述车牌检测分类器检测所述车位图像中是否存在车牌图像，并在所述车位图像中存在车牌图像时，记录所述车牌图像的坐标位置。

进一步地，所述停车历史信息包括车牌历史信息和停车状态掩码，所述分类信息包括车辆特征，所述根据所述车牌检测结果和所述目标分类结果确定所述车位图像中的车位是否有车的步骤，包括：

检测所述车牌检测结果中所述车位图像是否包含车牌图像，若包含，则提取出所述车位图像中的车牌图像，计算所述车牌图像中标记为车辆特征的像素点与所述车牌图像包含的总的像素点之间的比值；

若所述比值大于等于第一预设阈值，则判定所述车位图像中的车位处于有车状态，设置车牌历史信息并保存；

若所述车牌检测结果中所述车位图像不包含车牌图像，则计算所述车位图像中标记为车辆特征的像素点与所述车位图像包含的总的像素点之间的比值；

若所述比值大于等于第二预设阈值，则判定所述车位图像中的车位处于有车状态，设置停车状态掩码并保存。

进一步地，所述分类信息包括车辆特征、空车位特征及干扰特征，所述根据所述车牌检测结果和所述、目标分类结果以及停车历史信息确定所述车位图像中的车位是否有车的步骤，包括：

检测所述车牌检测结果中所述车位图像是否包含车牌图像，若不包含车牌图像，则检测所述车位图像中标记为车辆特征的像素点与所述车位图像包含的总的像素点的比值是否大于等于第三预设阈值，若未大于等于第三预设阈值，再检测所述车位图像中标记为空车位特征的像素点与所述车位图像包含的总的像素点之间的比值是否大于等于第四预设阈值；

若未大于等于所述第四预设阈值，则根据存储的停车历史信息及所述车位图像中标记为干扰特征的像素点以判定所述车位图像中的车位是否有车。

进一步地，所述停车历史信息包括车牌历史信息和停车状态掩码，所述根据存储的停车历史信息及所述车位图像中标记为干扰特征的像素点以判定所述车位图像中的车位是否有车的步骤，包括：

根据存储的车牌历史信息获得所述车位图像中的车牌区域，计算所述车牌区域中标记为干扰特征的像素点与所述车牌区域包含的总的像素点之间的第一比值，在所述第一比值大于等于第五预设阈值时，判定所述车位图像中的车位处于遮挡状态，输出有车状态；或者

根据存储的停车状态掩码获得所述车位图像中的车辆掩码区域，计算所述车辆掩码区域中标记为干扰特征的像素点与所述掩码区域包含的总的像素点之间的第二比值，在所述第二比值大于等于第六预设阈值时，判定所述车位图像中的车位处于遮挡状态，输出有车状态。

进一步地，所述根据存储的停车历史信息及所述车位图像中标记为干扰特征的像素点以判定所述车位图像中的车位是否有车的步骤还包括：

若所述第一比值未大于等于第五预设阈值或所述第二比值未大于等于第六预设阈值，则统计处于所述第二检测模式的持续时长，若所述持续时长大于等于预设时长，则判定所述车位图像中的车位处于无车状态，若所述持续时长小于预设时长，则判定所述车位图像中的车位处于有车状态。

本发明的另一较佳实施例提供一种车位检测装置，所述装置包括：

车位图像获取模块，用于获取待检测车位的车位图像；

车牌检测模块，用于对所述车位图像进行车牌特征检测以得到车牌检测结果；

车位像素分割模块，用于对所述车位图像进行车位像素分割以得到所述车位图像中各像素点的目标分类结果；

判定模块，用于根据所述车牌检测结果和所述目标分类结果确定所述车位图像中的车位是否有车。

本发明实施例提供的车位检测方法及装置，通过对待检测车位的车位图像进行车牌特征检测以及车位像素分割，结合利用得到的车牌检测结果以及车位图像中各像素点的目标分类结果确定车位图像中的车位是否有车。该车位检测方案结合利用车牌特征检测及车位像素分割以判定车位状态，提高了车位检测的准确性。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的车位检测方法的应用场景示意图。

图2为本发明实施例提供的电子设备的结构框图。

图3为本发明实施例提供的车位检测方法的流程图。

图4为本发明实施例提供的构建车位像素分割网络模型的方法的流程图。

图5为本发明实施例提供的车位像素分割网络模型示意图。

图6为本发明实施例提供的建立车牌检测分类器的方法的流程图。

图7为图3中步骤s105的子步骤的流程图。

图8为图3中步骤s107的子步骤的流程图。

图9为本发明实施例提供的车位检测方法的另一流程图。

图10为本发明实施例提供的车位检测装置的功能模块框图。

图标：100-终端设备；110-车位检测装置；111-车位图像获取模块；112-车牌检测模块；113-车位像素分割模块；114-判定模块；120-处理器；130-存储器；200-摄像设备。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

请参阅图1，为本发明实施例提供的一种车位检测方法的应用场景示意图。该场景包括终端设备100和摄像设备200。所述终端设备100通过网络与所述摄像设备200通信连接，以进行数据通信或交互。在本实施例中，所述摄像设备200包括多个，多个所述摄像设备200与所述终端设备100通信连接。在本实施例中，所述摄像设备200可以为相机、摄像头等具有图像采集功能的终端。所述终端设备100为停车场的指挥中心的终端设备100，所述终端设备100可接收各摄像设备200发送的视频流并对其进行分析处理。所述终端设备100可以是但不限于，计算机、平板电脑等。

请参阅图2，为本发明实施例提供的一种电子设备的示意性结构框图。在本实施例中，所述电子设备可以为上述的终端设备100，所述终端设备100包括车位检测装置110、处理器120及存储器130。其中，所述存储器130与所述处理器120之间直接或间接的电性连接，以实现数据的传输或交互。所述车位检测装置110包括至少一个可以软件或固件的形式存储于所述存储器130中或固化在所述终端设备100的操作系统中的软件功能模块。所述处理器120用于执行所述存储器130中存储的可执行模块，例如所述车位检测装置110包括的软件功能模块或计算机程序。

请参阅图3，是本发明实施例提供的一种应用于上述终端设备100的车位检测方法的流程图。所应说明的是，本发明提供的方法不以图3及以下所述的具体顺序为限制。下面将对图3中示出的各步骤进行详细说明。

步骤s101，获取待检测车位的车位图像。

在本实施例中，主要是结合车位像素分割及车辆特征检测的方法来实现对车位图像中车位状态的检测。在进行检测之前，可预先通过训练获得车位像素分割网络模型以及车牌检测分类器。

请参阅图4，在本实施例中，可通过以下步骤构建所述车位像素分割网络模型：

步骤s201，获取待训练的多个车位图像，各所述车位图像中包含多个像素点，各所述像素点携带有不同的分类信息。

步骤s203，针对各所述车位图像，根据所述车位图像中各像素点的分类信息对各像素点进行标记。

步骤s205，将标记后的所述多个车位图像导入构建的深度学习分割网络中，对各所述车位图像进行训练以得到车位像素分割网络模型。

选取待训练的多个车位图像，应当理解，所获得的车位图像可由表征不同的分类信息的多个像素点组成，例如各像素点可表征行人干扰、过车干扰等。本实施例中对各车位图像中的空车位、停泊车辆、行人干扰、过车干扰及背景位置进行像素级标注，例如可分别将上述表征不同的分类信息的像素点标注为0、1、2、3、4。在本实施例中，像素点的分类信息主要包括车辆特征信息、空车位特征信息以及干扰特征，其中干扰特征包括行人特征信息以及过车特征信息。

本实施例中，构建了深度学习分割网络，该深度学习分割网络的网络结构如图5中所示，其中该深度学习分割网络结构包含6组卷积层，2次pooling以及2个次上采样操作。

本实施例中采用多个卷积核串联的方式，进行相应的卷积运算和池化运算。其中，每次卷积操作后续连接一个bn(batchnormalization)层运算和一个relu层运算。其中，bn层可用于对车位图像进行批量化处理，可加快网络学习速率。relu层包含深度学习激活函数，可用于增加模型非线性性。在该深度学习网络架构中，第一、二、五、六组卷积中每组进行两层卷积运算，第三、四组卷积中每组进行三层卷积运算，所有卷积核大小为3*3。三次池化均利用2*2大小卷积核进行下采样运算。三次上采样则利用2*2大小卷积核进行上采样运算，以确保最终得到的结果图像与输入图像尺寸一致。

在本实施例中，池化操作时会通过掩码的方式保留选中权值的相对位置，并在对应的上采样操作时，将插入的权值通过对应的掩码赋值于对应位置。本模型中第一次池化的掩码将作用于第二个上采样操作，第二次池化的掩码作用于第一个上采样操作。

本实施例中将标记后的多个车位图像导入至构建的深度学习分割网络中，通过车位图像训练集，学习车位检测估计函数f(x,θ)以得到车位像素分割网络模型，其中x为训练样本集中的输入图像和对应的标注标签，θ为网络学习参数。

请参阅图6，在本实施例中，可通过以下步骤获得所述车牌检测分类器：

步骤s301，对获得的训练集进行训练以得到对应的弱分类器。

步骤s303，根据每次得到的弱分类器的分类结果对训练集中各样本的权重进行调整，根据调整后的训练集得到下一个弱分类器。

步骤s305，为得到的多个弱分类器中的各弱分类器设置不同的权重，并将多个弱分类器叠加以得到车牌检测分类器。

可选地，首先可制作车牌检测样本，该车牌检测样本包含正样本和负样本。正样本可由选取的不同场景和不同车辆的车辆图像组成，对各所述车辆图像中的车牌区域进行扣取以提取出该车辆图像包含的车牌图像，并将其保存为单独的图片文件。并对提取出的车牌图像进行归一化处理，以形成统一像素大小。

而负样本则可随机选取图片，但需注意保证其中不含有车牌图案。作为负样本的图片无需进行扣取和归一化处理。特别的，负样本可优先选取停车场场景的图片数据，且可适当添加易误检图片，如栅栏、井盖等图片，以用于后续降低误检率。

本实施例中，可利用haar特征对车牌图像进行特征选择。可通过构建边缘特征、线性特征、中心特征和对角特征等以组成特征模板。并且，在特征提取时可改变特征模板的大小和位置，不同的特征模板可以在图像子窗口中穷举出大量特征。试验证明，haar特征提取算法可以有效地用于车牌特征提取。

在本实施例中，使用adaboost算法完成车牌特征检测模型训练。adaboost是一种迭代算法，其核心是针对同一个训练集训练不同的弱分类器然后将这些弱分类器结合起来，构成一个最终的强分类器，即车辆检测分类器。本实施例中，对获得的包含正样本和负样本的训练集进行初始化，初始化后的训练集中各样本的权重是相同的，通过对该训练集进行训练以得到弱分类器。根据该弱分类器的分类结果对训练集中各样本的权重进行调整，例如增大分类错误的样本的权重，而分类正确的样本则降低权重。再以权重调整后的训练集进行训练得到新的弱分类器。再根据新的弱分类器的分类结果，按上述的权重调整方法对第二轮中的训练集中的样本权重进行调整得到新的训练集。以此类推，上一次的弱分类器的分类结果决定了下一次用于训练的训练集的样本权重分布，经过多次循环之后，直到得到预设数目个弱分类器为止。再将得到的多个弱分类器按一定权重叠加起来，得到一个强分类器，即本实施例中的车牌检测分类器。需要说明的是，构建车牌检测分类器不限于上述方式，还可采用其他方式构建车牌检测分类器，本实施例不作具体限制。

步骤s103，对所述车位图像进行车牌特征检测以得到车牌检测结果。

步骤s105，对所述车位图像进行车位像素分割以得到所述车位图像中各像素点的目标分类结果。

步骤s107，根据所述车牌检测结果和所述目标分类结果确定所述车位图像中的车位是否有车。

根据上述步骤可得到车位像素分割网络模型以及车牌检测分类器，针对待识别的车位图像，可分别根据所述车位像素分割网络模型对所述车位图像进行车位像素分割以得到所述车位图像中各像素点的目标分类结果，并根据所述车牌检测分类器对所述车位图像进行车牌特征检测以得到车牌检测结果。

其中，在对车位图像进行车牌检测时，可通过以下步骤执行：

利用所述车牌检测分类器检测所述车位图像中是否存在车牌图像，并在所述车位图像中存在车牌图像时，记录所述车牌图像的坐标位置。

在本实施例中，首先根据预先配置的车位坐标信息获得待检测车位的车位图像中的车位区域。可将待检测的车位图像导入至所述车牌检测分类器中，以在所述车牌检测分类器中实现对所述车位图像是否包含车牌图像的检测判断。

本实施例中，将待检测车位的车位图像导入至建立的车牌检测分类器，经过车牌检测分类器的检测判断所述车位图像中是否包含车牌图像，且若所述车位图像中包含车牌图像，则所述车牌检测分类器可提取出所述车牌图像，并可记录下车牌图像在车位图像中的坐标位置。

进一步地，请参阅图7，在本实施例中，对车位图像进行车位像素分割可通过以下步骤执行：

步骤s1051，将待检测车位的车位图像导入至所述车位像素分割网络模型。

步骤s1053，利用所述车位像素分割网络模型对所述车位图像进行检测以得到所述车位图像中各像素点的目标分类结果。

本实施例中，同样地，根据预先配置的车位坐标信息获得待检测车位的车位图像中的车位区域。将待检测车位的车位图像导入至构建的车位像素分割网络模型，通过该模型对所述车位图像的车位区域中的各像素点进行分类，如此，可得到待检测车位的车位图像中各像素点所表征的分类信息，以得到车位图像各像素点的目标分类结果。即可得到各像素点表征的是空车位特征、车辆特征、行人特征和过车特征中的哪项特征。

通过上述处理过程可得到待检测车位的车位图像的车牌检测结果以及车位图像中各像素点的目标分类结果。则后续可根据车位图像的车牌检测结果和目标分类结果以确定该车位图像中的车位的停车状态。

需要说明的是，本实施例中提供的车位检测方法主要包括两种检测模式，一种是空车位状态检测，即第一检测模式，另一种是有车状态检测，即第二检测模式。其中，空车位状态检测模式中默认该车位在检测之前的状态为无车状态，需要检测出当前是否有车驶入该车位。而有车状态检测模式则默认该车位在检测之前的状态为有车状态，需要检测该车位中的车辆是否驶出该车位。因此，在本实施例中，在进行车位状态判定之前，可识别当前所处的检测模式，若当前检测模式为第一检测模式，则可按上述步骤s107进行车位状态判定。若当前检测模式为第二检测模式，则可根据车牌检测结果、目标分类结果以及停车历史信息确定所述车位图像中的车位是否有车。其中，所述停车历史信息包括车牌历史信息和停车状态掩码。车牌历史信息主要为车牌在该车位图像画面中的位置，所述停车状态掩码主要由多个像素点构成，该多个像素点可构成车辆的轮廓，后续可根据该停车状态掩码确定车辆在车位图像中的位置。

两种检测模式可相互跳转，例如若按上述的空车位状态检测模式检测出某个车位处于有车状态时，则可跳转至有车状态检测，后续则着重检测该车位中的车辆是否已驶出。

请参阅图8，本实施例中，步骤s107可以包括步骤s1071、步骤、步骤s1073、步骤s1075、步骤s1077以及步骤s1079五个子步骤。

步骤s1071，检测所述车牌检测结果中所述车位图像是否包含车牌图像，若包含，则执行以下步骤s1073，若不包含，则执行以下步骤s1077。

步骤s1073，提取出所述车位图像中的车牌图像，计算所述车牌图像中标记为车辆特征的像素点与所述车牌图像包含的总的像素点之间的比值。

步骤s1075，若所述比值大于等于第一预设阈值，则判定所述车位图像中的车位处于有车状态，设置车牌历史信息并保存。

步骤s1077，计算所述车位图像中标记为车辆特征的像素点与所述车位图像包含的总的像素点之间的比值。

步骤s1079，若所述比值大于等于第二预设阈值，则判定所述车位图像中的车位处于有车状态，设置停车状态掩码并保存。

可选地，若通过上述的车牌检测过程检测出所述车位图像中包含车牌图像，则可提取出所述车位图像中的车牌图像。并且在该车牌图像的图像区域内统计在上述车位像素分割过程中被标记为车位特征的像素点个数。将得到的表征车辆特征的像素点的个数除以车牌图像的图像区域内的像素点的总个数，以得到车辆特征像素点的占比。

将得到的车辆特征像素点的占比与设置的第一预设阈值进行比较，若所述占比大于等于所述第一预设阈值，则可判定所述车位图像中的车位处于有车状态。否则，可判定所述车位图像中的车位处于无车状态。在判定所述车位图像中的车位处于有车状态后，可设置车牌历史信息，所述车牌历史信息主要包括车牌图像在车位图像画面中的位置。如此，后续可根据车牌历史信息从获得的车位图像中提取出车牌区域。

在该种状态检测模式下，若所述车牌检测结果中所述车位图像不包含车牌图像，则可针对所述车位图像的车位区域中的像素点，得到标记为车辆特征的像素点，并统计标记为车辆特征的像素点的个数。将表征为车辆特征的像素点的个数除以该车位区域内的像素点的总个数以得到该车位区域内标记为车辆特征的像素点的占比。将该占比与预先设定的第二预设阈值进行比较，若该占比大于等于所述第二预设阈值，则可判定该车位图像的车位处于有车状态。在本实施例中，利用这种方式判定所述车位图像中的车位处于有车状态后，需将当前的停车状态进行记录以作为该车位的停车状态掩码，后续可根据该停车状态掩码确定车辆在车位图像中的位置。

由上述可知，在系统处于第一检测模式下，即空车位状态检测模式，则可根据上述方式进行车位状态确认，而在系统处于第二检测模式下时，则可根据车牌检测结果、目标分类结果以及停车历史信息确定所述车位图像中的车位是否有车，请参阅图9，具体步骤可如下：

步骤s401，检测所述车牌检测结果中所述车位图像是否包含车牌图像。

步骤s403，在不包含车牌图像时，检测所述车位图像中标记为车辆特征的像素点与所述车位图像包含的总的像素点的比值是否大于等于第三预设阈值。

步骤s405，在未大于等于第三预设阈值时，再检测所述车位图像中标记为空车位特征的像素点与所述车位图像包含的总的像素点之间的比值是否大于等于第四预设阈值。

步骤s407，在未大于等于所述第四预设阈值时，根据存储的停车历史信息及所述车位图像中标记为干扰特征的像素点以判定所述车位图像中的车位是否有车。

本实施例中，若某个车位在检测之前的车位状态为有车状态，在这种情况下，跳转至有车状态检测模式，在这种模式下，若对车位图像的车牌的检测结果表明该车位图像的车位区域中包含车牌图像，则可判定该车位当前处于有车状态。并且更新存储的车牌历史信息。若检测到该车位图像中不包含车牌图像，则需继续后续检测步骤，以确定该车位的停车状态。可选地，还可进一步地统计该车位图像的车位区域的像素点中被标记为车辆特征的像素点的个数。并将标记为车辆特征的像素点个数除以该车位区域中的像素点的总个数，以得到车辆特征的像素点的占比。检测所述占比是否大于等于第三预设阈值，若大于等于所述第三预设阈值，则可判定所述车位图像中的车位处于有车状态，并更新存储的停车状态掩码。

而若上述计算到的占比未大于等于第三预设阈值，则还需继续检测，可选地，检测所述车位图像中标记为空车位特征的像素点与车位图像包含的总的像素点之间的比值是否大于等于第四预设阈值，若大于等于第四预设阈值，则可判定该车位处于无车状态，并且结束第二检测模式，跳转至第一检测模式，后续则着重检测该车位是否有车驶入。

若上述计算得到的空车位的比值未大于等于第四预设阈值，则需通过结合存储的停车历史信息及车位图像中标记为干扰特征的像素点来判定该车位是否处于遮挡状态，从而进一步判定该车位是否有车。

在本实施例中，需要说明是的，上述步骤s401、步骤s403以及步骤s405在执行上并不限于上述顺序。在通过上述步骤s401、步骤403以及步骤s405都未能准确确定出车位的停车状态时，执行步骤s407。

在本实施例中，步骤s407可以通过以下步骤执行：

根据存储的车牌历史信息获得所述车位图像中的车牌区域，计算所述车牌区域中标记为干扰特征的像素点与所述车牌区域包含的总的像素点之间的第一比值，在所述第一比值大于等于第五预设阈值时，判定所述车位图像中的车位处于遮挡状态，输出有车状态。

本实施例中，若在第一检测模式下，是通过车牌检测结果来判定车位有车的，则记录的是车牌历史信息并保存。因此，在这种情况下，设备中存储有该车位的车牌历史信息。如此，可根据存储的车牌历史信息获得所述车位图像中的车牌区域，并统计所述车牌区域的像素点中被标记为干扰特征，即行人特征和过车特征，的像素点的个数之和。并将得到的和值与该车位区域中像素点的总个数作除处理以得到表征为行人特征和过车特征的像素点的第一比值。比较该第一比值与第五预设阈值之间的大小关系，若该第一比值大于等于所述第五预设阈值，则可判定所述车位图像中的车位处于遮挡状态，这种情况下，可进一步判定该车位处于有车状态。

或者，步骤s407也可通过以下步骤实现：

根据存储的停车状态掩码获得所述车位图像中的车辆掩码区域，计算所述车辆掩码区域中标记为干扰特征的像素点与所述掩码区域包含的总的像素点之间的第二比值，在所述第二比值大于等于第六预设阈值时，判定所述车位图像中的车位处于遮挡状态，输出有车状态。

在本实施例中，所述停车历史信息还可包括停车状态掩码信息，所述停车状态掩码信息可指示车位的位置信息。若在第一检测模式下最终是通过目标分类结果来判定车位有车，则记录下的是车位的停车状态掩码。这种情况下，可根据该停车状态掩码信息获得该车位图像中的车辆掩码区域。统计在该车辆掩码区域中被标记为行人特征和过车特征的像素点个数在该车辆掩码区域的总的像素点个数的第二比值。并检测该第二比值是否大于等于第六预设阈值，若大于或等于第六预设阈值，同样地，可判定该车位处于遮挡状态，以进一步判定该车位处于有车状态。

本实施例中，步骤根据存储的停车历史信息及所述车位图像中标记为干扰特征的像素点以判定所述车位图像中的车位是否有车还可包括以下子步骤：

在所述第一比值未大于等于第五预设阈值或所述第二比值未大于等于第六预设阈值，则统计处于所述第二检测模式的持续时长，若所述持续时长大于等于预设时长，则判定所述车位图像中的车位处于无车状态，若所述持续时长小于预设时长，则判定所述车位图像中的车位处于有车状态。

在本实施例中，若通过步骤s401、步骤s403、步骤s405以及步骤s407都未能准确确定车位图像中的车位的停车状态，则从跳转至第二检测模式开始计时，统计进入第二检测模式的持续时长，若该持续时长大于等于预设时长，则可判定该车位图像中的车位处于无车状态，并结束有车状态检测模式，跳转至空车状态检测模式。

若处于第二检测模式的持续时长小于所述预设时长，则可判定该车位处于有车状态。这种情况下，保持原有的停车历史信息不变。

请参阅图10，为本发明另一较佳实施例提供的应用于上述终端设备100的车位检测装置110的功能模块框图。所述车位检测装置110包括车位图像获取模块111、车牌检测模块112、车位像素分割模块113以及判定模块114。

所述车位图像获取模块111用于获取待检测车位的车位图像。所述车位图像获取模块111可用于执行图3中所示的步骤s101，具体的操作方法可参考步骤s101的详细描述。

所述车牌检测模块112用于对所述车位图像进行车牌特征检测以得到车牌检测结果。所述车牌检测模块112可用于执行图3中所示的步骤s103，具体的操作方法可参考步骤s103的详细描述。

所述车位像素分割模块113用于对所述车位图像进行车位像素分割以得到所述车位图像中各像素点的目标分类结果。所述车位像素分割模块113可用于执行图3中所示的步骤s105，具体的操作方法可参考步骤s105的详细描述。

所述判定模块114用于根据所述车牌检测结果和所述目标分类结果确定所述车位图像中的车位是否有车。所述判定模块114可用于执行图3中所示的步骤s107，具体的操作方法可参考步骤s107的详细描述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施场景所述的方法。

综上所述，本发明实施例提供的车位检测方法及装置，通过对待检测车位的车位图像进行车牌特征检测以及车位像素分割，结合利用得到的车牌检测结果以及车位图像中各像素点的目标分类结果确定车位图像中的车位是否有车。该车位检测方案结合利用车牌特征检测及车位像素分割以判定车位状态，提高了车位检测的准确性。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

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，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。