一种停车状态的检测方法、系统及装置与流程

1.本发明涉及停车检测领域，特别是涉及一种停车状态的检测方法、系统及装置。


背景技术：

2.部分车主在将车辆停放在路边时，不会将车辆停放在规定好的停车位中，例如车主可能会将车辆停放在两个停车位之间或是将车辆斜着停放在某个停车位内，斜着停放会使得该车辆的车头或车尾的一部分占据了行驶道路的一部分，这些异常停车行为会阻碍其他车辆停车以及影响了路过车辆的正常行驶过程，给道路交通带来了不便。现有技术通常使用以下两种方法来检测停放在路边的车辆的停车状态：
3.1、通过管理人员不间断地巡查各个停车位来检测停车位内车辆的停车状态，这种方法不仅巡查停车位的效率慢，需要花费较多的工作量，而且随着车主的不同，在任一个停车位中停放的车辆的停车状态可能会在任一个时间点发生变化，具有较大的随机性，导致管理人员不能及时地发现某辆车的异常的停车状态。
4.2、通过摄像机来拍摄预设车位及其周围的区域，判断摄像机拍摄到的图片中的各个预设停车位的位置与停放车辆的位置之间的重合度，基于该重合度来确定停放车辆的停车状态，但是由于路侧停车中摄像机高度、镜头视角、距离远近等因素的影响，拍摄得到的二维图像不能很好地表示出该车辆的真实停车状态。例如，当一辆高度较高的车辆正常地停放在一个规定好的停车位中时，根据摄像机拍摄到的图片，可能会发现该车辆的底盘部分存在于一个停车位中，但该车的车顶部分存在于另一个停车位中的情况，进而将该车辆误判为异常停车，存在判定精度低的问题。


技术实现要素：

5.本发明的目的是提供一种停车状态的检测方法、系统及装置，能够不需要管理人员来巡查各个停车位，提高了检测停车状态的效率，减少了工作量，能够及时的发现异常停车行为；而且能够减少将正常停放车辆的停车状态误判为异常状态的概率，提高了判定精度。
6.为解决上述技术问题，本发明提供了一种停车状态的检测方法，包括：
7.当在摄像机对包含预设车位的拍摄区域拍摄的图像帧中检测到当前车辆时，判断所述当前车辆是否为停放于预设停车区域内的车辆，所述预设停车区域中包含多个预设车位；
8.若所述当前车辆为停放于预设停车区域内的车辆，则获取所述当前车辆的图像；
9.将所述当前车辆的图像输入到预先训练好的神经网络模型中，以便得到所述当前车辆的三维车辆框，所述神经网络模型预先由预设数量的车辆图像训练得到的；
10.基于所述三维车辆框与所述拍摄区域中的各个所述预设车位的预设三维车位框之间的位置关系确定所述当前车辆的停车状态。
11.优选的，基于所述三维车辆框与所述拍摄区域中的各个预设车位的三维车位框之
间的位置关系确定所述当前车辆的停车状态，包括：
12.确定所述三维车辆框与各个所述预设三维车位框之间的空间重合度；
13.判断是否存在所述空间重合度大于预设空间重合度；
14.若存在所述空间重合度大于预设空间重合度，则判定所述当前车辆的停车状态为正常状态；
15.若不存在所述空间重合度大于预设空间重合度，则判定所述当前车辆的停车状态为异常状态。
16.优选的，确定所述三维车辆框与各个所述预设三维车位框之间的空间重合度，包括：
17.确定所述三维车辆框的中心点在预设空间坐标系中的坐标，所述预设空间坐标系的横轴为x轴，纵轴为y轴，竖轴为z轴；
18.确定所述三维车辆框对应于所述预设空间坐标系的转动参数，所述转动参数包括所述三维车辆框对应于所述预设空间坐标系的x轴、y轴和z轴的转动自由度；
19.基于所述三维车辆框确定所述当前车辆的形状参数，所述形状参数包括所述当前车辆的长度、宽度和高度；
20.确定所述三维车辆框的中心点的坐标与各个所述三维车位框的中心点的坐标的差值与所述三维车位框的中心点的坐标之间的第一比值；
21.确定所述三维车辆框的形状参数与各个所述三维车位框对应的形状参数的差值与所述三维车位框对应的形状参数之间的第二比值；
22.确定所述第一比值、所述第二比值和所述转动参数与自身对应的预设权重值相乘后再相加得到的值作为表示所述空间重合度的空间关系值；
23.判断是否所述存在空间重合度大于预设空间重合度，包括：
24.判断是否存在所述空间关系值小于预设空间关系值；
25.若存在所述空间关系值小于预设空间关系值，则判定存在空间重合度大于预设空间重合度；
26.若不存在所述空间关系值小于预设空间关系值，则判定不存在空间重合度大于预设空间重合度。
27.优选的，在得到所述当前车辆的三维车辆框之后，还包括：
28.确定所述三维车辆框与各个所述预设三维车位框之间的空间重合度；
29.将所述空间重合度最大的所述预设三维车位框对应的预设车位作为所述当前车辆的停放车位，以便确定所述预设车位被占用。
30.优选的，基于所述三维车辆框与所述拍摄区域中的各个预设车位的预设三维车位框之间的位置关系确定所述当前车辆的停车状态，包括：
31.确定所述三维车辆框和所述停放车位的预设三维车位框之间的偏转角；
32.判断所述偏转角是否大于预设偏转角度；
33.若不大于预设偏转角度，则判定所述当前车辆不存在异常停车行为；
34.若大于预设偏转角度，则判定所述当前车辆存在异常停车行为。
35.优选的，确定所述三维车辆框和所述停放车位的预设三维车位框之间的偏转角，包括：
36.基于所述三维车辆框确定所述当前车辆的车辆正面的中心点与车辆背面的中点之间的连接线；
37.将所述连接线、所述停放车位与行驶道路之间的分割线均映射到预设二维坐标系中，所述预设二维坐标系的横轴为x轴，纵轴为y轴；
38.将所述连接线与所述分割线之间的夹角作为所述偏转角。
39.优选的，所述神经网络模型为resnet34网络后接fpn网络构成的神经网络模型。
40.优选的，判断所述当前车辆是否为停放于预设停车区域内的车辆，包括：
41.当所述图像帧中检测到所述当前车辆时，获取所述当前车辆的二维车辆框；
42.判断所述二维车辆框的中心点在连续的n个所述图像帧中的总位移量是否小于预设位移量，n为不小于2的整数；
43.若是，则判定所述当前车辆为停放于预设停车区域内的车辆；
44.若否，则判定所述当前车辆不为停放于预设停车区域内的车辆。
45.本技术还提供一种停车状态的检测系统，包括：
46.判断单元，用于当在摄像机对包含预设车位的拍摄区域拍摄到的图像帧中检测到车辆时，判断所述当前车辆是否为停放于预设停车区域内的车辆，所述预设停车区域中包含多个预设车位；若所述当前车辆为停放于预设停车区域内的车辆，则触发图像获取单元；
47.所述图像获取单元用于获取所述当前车辆的图像；
48.三维车辆框获取单元，用于将所述当前车辆的图像输入到预先训练好的神经网络模型中，以便得到所述当前车辆的三维车辆框，所述神经网络模型预先由预设数量的车辆图像训练得到的；
49.停车状态确定单元，用于基于所述三维车辆框与所述拍摄区域中的各个所述预设车位的预设三维车位框之间的位置关系确定所述当前车辆的停车状态。
50.本技术还提供一种停车状态的检测装置，包括：
51.存储器，用于存储计算机程序；
52.处理器，用于执行所述计算机程序时实现如上述的停车状态的检测方法的步骤。
53.本发明提供了一种停车状态的检测方法、系统及装置，当在摄像机对包含预设车位的拍摄区域拍摄到的图像帧中检测到当前车辆时，判断该车辆是否为停放在预设停车区域内的车辆，若为停放在预设停车区域内的车辆，则获取该车辆的图像，然后将当前车辆图像输入到预先训练好的神经网络模型中进行特征提取，同时得到该车辆的三维车辆框，该神经网络模型预先由预设数量的车辆图像训练得到的，最后基于三维车辆框与拍摄区域中的各个预设车位的预设三维车位框之间的位置关系确定该车辆的停车状态，停车状态包括异常状态和正常状态，不需要管理人员来巡查各个停车位，提高了检测停车状态的效率，减少了工作量，能够及时的发现异常停车行为；而且通过三维车辆框和三维车位框之间的位置关系了来确定该车辆的停车状态，能够减少将正常停放车辆的停车状态误判为异常状态的概率，提高了判定精度。
附图说明
54.为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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。
55.图1为本技术提供的一种停车状态的检测方法的流程图；
56.图2为本技术提供的一种三维车辆框的示意图；
57.图3为一种停车状态为异常状态的车辆的示意图；
58.图4为本技术提供的一种停车状态的检测系统的结构示意图；
59.图5为本技术提供的一种停车状态的检测装置的结构示意图。
具体实施方式
60.本发明的核心是提供一种停车状态的检测方法、系统及装置，能够不需要管理人员来巡查各个停车位，提高了检测停车状态的效率，减少了工作量，能够及时的发现异常停车行为；而且能够减少将正常停放车辆的停车状态误判为异常状态的概率，提高了判定精度。
61.为使本发明实施例的目的、技术方案和优点更加清楚，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。
62.请参照图1，图1为本技术提供的一种停车状态的检测方法，该方法包括：
63.s11：当在摄像机对包含预设车位的拍摄区域拍摄的图像帧中检测到当前车辆时，判断当前车辆是否为停放于预设停车区域内的车辆，预设停车区域中包含多个预设车位；
64.s12：若当前车辆为停放于预设停车区域内的车辆，则获取当前车辆的图像；
65.s13：将当前车辆的图像输入到预先训练好的神经网络模型中，以便得到当前车辆的三维车辆框，神经网络模型预先由预设数量的车辆图像训练得到的；
66.s14：基于三维车辆框与拍摄区域中的各个预设车位的预设三维车位框之间的位置关系确定当前车辆的停车状态。
67.摄像机在对包含预设车位的拍摄区域进行拍摄时，除了会拍摄到正停放在拍摄区域内的车辆外，通常还会拍到从预设车位旁边路过的车辆，由于这些路过的车辆不会阻碍其他车辆停车以及影响其他路过车辆的正常行驶过程，所以需要将这些路过的车辆排除掉不进行后续步骤，只需要确定停放于预设停车区域中的车辆的停车状态，停车状态包括异常状态和正常状态。
68.在车辆停稳后，会获取该车辆的图像并获取该车辆的图像，然后将车辆图像送入到神经网络模型中进行特征提取，该神经网络模型为单目三维目标检测模型，能够输出该车辆的三维车辆框，基于三维车辆框和拍摄区域内各个预设车位的三维车位框之间的位置来确定该车辆的停车状态，请参照图2，图2为本技术提供的一种三维车辆框的示意图。具体的，在拍摄区域内预先设置有预设空间坐标系，该预设空间坐标系可以以地面作为横轴-纵轴平面，横轴平行于道路中心线，纵轴垂直于道路中心线，竖轴则垂直于地面，由于预设车位的位置是固定的，所以该车位对应的三维车位框的位置是固定的，在对三维车位框进行设定时，首先将该车位在地面上也即横轴-纵轴平面上的4个顶点坐标确定为a点(xa，ya)、b点(xb，yb)、c点(xc，yc)和d点(xd，yd)，假设a点与c点之间的连线和b点与d点之间的连线为
该车位的长边，a点与b点之间的连线和c点与d点之间的连线为该车位的宽边，基于这4个顶点坐标可以确定该车位在地面上的中心点坐标e点(xe，ye)，将车位在横轴-纵轴上的平面位置信息映射为三维车位框，该车位的三维车位框的参数包括：三维车位框的中心点在预设空间坐标系中的位置(xpark，ypark，zpark)，三维车位框对于预设空间坐标系的三个维度的转动自由度(pitch-park，roll-park，yaw-park)以及三维车位框的形状参数(lpark，wpark，hpark)。其中，其中θ为车位的两条相互垂直的边映射在二维画面中的夹角，由于z轴坐标对判定车辆的停车状态没有影响，所以zpark可以是预设的一个坐标值或者与三维车辆框的z轴坐标一致；pitch-park为三维车位框在x轴上的转动自由度，roll-park为三维车位框在y轴上的转动自由度，yaw-park为三维车位框在z轴上的转动自由度，由于车位通常与道路中心线平行且垂直于地面，所以pitch-park和yaw-park均为0；lpark为三维车位框的长度的一半，其等于a点与c点之间的连线或b点与d点之间的连线的长度的一半，wpark为三维车位框的宽度的一半，其等于a点与b点之间的连线和c点与d点之间的连线的长度的一半，由于hpark也对判定车辆的停车状态没有影响，所以hpark可以是预设的一个数值或者与三维车辆框的高度的一半一致。
69.在确定三维车辆框和三维车位框之间的位置关系时，则是确定三维车辆框的上述参数与三维车位框的上述参数之间的关系，例如，当三维车辆框的对应的参数为(xcar，ycar，zcar，pitch-car，yaw-car，roll-car，lcar，wcar，hcar)时，确定xcar和xpark之间的差值，差值越小说明三维车辆框和三维车位框之间的x轴距离越近；确定pitch-car和pitch-park之间的差值或yaw-car和yaw-park之间的差值，这两个差值越小说明三维车辆框和三维车位框之间的摆放角度越相似，由于三维车位框的这两个参数均为0，所以三维车辆框的这两个参数越接近0时说明三维车辆框停放的越标准；确定lcar和lpark之间的差值，由于lpark是固定的，但lcar会随着车辆在拍摄区域中的位置而发生改变，可见差值越小说明该车辆越接近该车位。
70.本发明提供了一种停车状态的检测方法、系统及装置，当在摄像机对包含预设车位的拍摄区域拍摄到的图像帧中检测到当前车辆时，判断该车辆是否为停放预设停车区域内的车辆，若为停放预设停车区域内的车辆，则获取该车辆的图像，然后将当前车辆的图像输入到预先训练好的神经网络模型中进行特征提取，同时得到该车辆的三维车辆框，该神经网络模型预先由预设数量的车辆图像训练得到的，最后基于三维车辆框与拍摄区域中的各个预设车位的预设三维车位框之间的位置关系确定该车辆的停车状态，停车状态包括异常状态和正常状态，不需要管理人员来巡查各个停车位，提高了检测停车状态的效率，减少了工作量，能够及时的发现异常停车行为；而且通过三维车辆框和三维车位框之间的位置关系了来确定该车辆的停车状态，能够减少将正常停放车辆的停车状态误判为异常状态的概率，提高了判定精度。
71.在上述实施例的基础上：
72.作为一种优选的实施例，基于三维车辆框与拍摄区域中的各个预设车位的三维车位框之间的位置关系确定当前车辆的停车状态，包括：
73.确定三维车辆框与各个预设三维车位框之间的空间重合度；
74.判断是否存在空间重合度大于预设空间重合度；
75.若存在空间重合度大于预设空间重合度，则判定当前车辆的停车状态为正常状态；
76.若不存在空间重合度大于预设空间重合度，则判定当前车辆的停车状态为异常状态。
77.空间重合度表示三维车辆框和三维车位框之间的重合部分的体积占三维车辆框的总体积的比例，在实际应用场景中，由于车位的占地面积通常会大于车辆的占地面积，所以当车辆正常停放在该三维车位框对应的预设车位中时，该车辆的三维车辆框会完全包含在该车位的三维车位框里。例如，若预设空间重合度为90％，在车辆停稳后，若该车辆正常地停放在某个预设车位中，此时三维车辆框与三维车位框之间的空间重合度为100％，且与其他三维车位框之间的空间重合度均为0％，由于存在一个空间重合度大于预设空间重合度，所以可以确定该车辆的停车状态为正常状态；若目标车辆停放的位置横跨两个车位，车辆的一半在a车位中，车辆的另一半在b车位中，此时三维车辆框与a车位的三维车位框的空间重合度可能为60％，与b车位的三维车位框的空间重合度为40％，与其他三维车位框之间的空间重合度均为0％，由于不存在大于预设空间重合度的空间重合度，所以可以确定该车辆的停车状态为异常状态。进一步的，若需要确定该车辆具体占据了哪个车位，还可以确定所有的大于0％的空间重合度对应的预设车位的车位号，以便于确定该车辆具体占据了a车位和b车位。
78.可见，在本实施例中，通过计算三维车辆框与各个预设三维车位框之间的空间重合度，并与预设空间重合度进行比较，不仅可以判断出车辆停车状态是否正常，同时可以在判断出车辆为异常停车状态，例如车辆跨位停车时，所具体占据的车位号。
79.作为一种优选的实施例，确定三维车辆框与各个预设三维车位框之间的空间重合度，包括：
80.确定三维车辆框的中心点在预设空间坐标系中的坐标，预设空间坐标系的横轴为x轴，纵轴为y轴，竖轴为z轴；
81.确定三维车辆框对应于预设空间坐标系的转动参数，转动参数包括三维车辆框对应于预设空间坐标系的x轴、y轴和z轴的转动自由度；
82.基于三维车辆框确定当前车辆的形状参数，形状参数包括当前车辆的长度、宽度和高度；
83.确定三维车辆框的中心点的坐标与各个三维车位框的中心点的坐标的差值与三维车位框的中心点的坐标之间的第一比值；
84.确定三维车辆框的形状参数与各个三维车位框对应的形状参数的差值与三维车位框对应的形状参数之间的第二比值；
85.确定第一比值、第二比值和转动参数与自身对应的预设权重值相乘后再相加得到的值作为表示空间重合度的空间关系值；
86.判断是否存在空间重合度大于预设空间重合度，包括：
87.判断是否存在空间关系值小于预设空间关系值；
88.若存在空间关系值小于预设空间关系值，则判定存在空间重合度大于预设空间重合度；
89.若不存在空间关系值小于预设空间关系值，则判定不存在空间重合度大于预设空间重合度。
90.由于预设车位的位置是固定不动的，所以三维车位框的中心点坐标和形状参数也是固定不动的，可以预先设置好一个坐标系，该坐标系横轴为x轴，对应图像的水平方向也即偏向于向道路中轴线的方向；纵轴为y轴，对应图像的竖直方向也即与停车位侧边平行的方向；竖轴为z轴，对应三维空间的高度也即垂直于地面的方向；坐标轴和角度的对应关系：x轴-pitch角(俯仰角)，y轴-roll角(翻滚角)，z轴-yaw角(偏航角)。各个三维车位框的具体中心点坐标和形状参数，而三维车辆框的形状参数会随着车辆型号的不同而发生改变，且三维车辆框的中心点坐标以及转动参数会随着该车辆的停放位置不同而发生改变。可以将预设车位的三维车位框的中心点坐标定义为(xpark，ypark，zpark)，形状参数定义为(lpark，wpark，hpark)其中lpark为三维车位框的长度的一半，wpark为三维车位框的宽度的一半，hpark为三维车位框的高度的一半；当车辆停稳后，将停放的车辆的三维车辆框的中心点坐标定义为(xcar，ycar，zcar)，形状参数定义为(lcar，wcar，hcar)，其中lcar为三维车辆框的长度，wcar为三维车辆框的宽度，hcar为三维车辆框的高度，三维车辆框的转动参数定义为(pitch-car，roll-car，yaw-car)其中pitch-car为三维车辆框绕x轴旋转的自由度，roll-car为三维车辆框绕y轴旋转的自由度，yaw-car为三维车辆框绕z轴旋转的自由度。可见，三维车辆框的中心点坐标减去三维车位框的中心点坐标的差值与三维车位框的中心点的第一比值，能够确定三维车辆框与三维车位框之间的远近程度也即距离，进而能够反应空间重合度；三维车辆框的形状参数减去三维车位框对应的形状参数的差值与三维车位框对应的形状参数的第二比值，由于通常的三维车辆框的形状参数都是小于三维车位框的形状参数的，若出现比值特别小或者大于0的情况则说明可能车辆停放的位置不对或者存在大型车辆停放等情况，所以一定程度上也能够反应空间重合度；三维车辆框的转动参数能够确定三维车辆框是否存在超出三维车位框的部分，进而能够反应空间重合度。由于第一比值、第二比值和转动参数在不同程度上均能够反应空间重合度，则可以根据其反应程度设定对应的权重值，将第一比值的权重值定义为a1、a2和a3，其中a1为x轴坐标对应的权重，a2为y轴坐标对应的权重，a3为z轴坐标对应的权重；将转动参数的权重值定义为a4、a5和a6，其中a4为pitch-car对应的权重，a5为roll-car对应的权重，a6为yaw-car对应的权重；第二比值的权重值定义为a7、a8和a9，a7为长度对应的权重，a8为宽度对应的权重，a9为高度对应的权重；若将三维车辆框与三维车位框之间的空间关系值设为φ，则有φ＝a1(xcar-xpark)/xpark+a2(ycar-ypark)/ypark+a3(zcar-zpark)/zpark+a4*pitch-car+a5*roll-car+a6*yaw-car+a7(lcar-lpark)/lpark+a8(wcar-wpark)/wpark+a9(hcar-hpark)/hpark，当预设车位有多个时，则会得到多个φ，若总共有4个预设车位，则需要对4个预设车位的三维车位框与三维车辆框之间的φ进行计算，得到φ1，φ2，φ3和φ4，然后分别判断各个φ是否小于预设的空间关系值δ，若存在小于δ的三维车位框，则判定存在空间重合度大于预设空间重合度，否则判定不存在空间重合度大于预设空间重合度。此外，还可以将φ数值最小且小于δ的三维车位框作为该车辆的停放车位，以确定该车位被占用。
91.还需要说明的是，考虑到在实际应用场景中，预设车位通常为路边的车位，判断车辆的停车状态是否为异常停车状态时，通常是根据车辆具体停放的位置和各个预设车位的位置来判定的，也即通过车辆具体占据的地面位置和预设车位具体占据的地面位置来判定
的，由于同一个地面位置上不存在多层车位，所以车辆和车位的高度以及z轴坐标对停车状态的判断没有影响，为了方便计算，可以将车辆和车位的高度以及z轴坐标均设置为相同的数值。
92.可见，通过计算三维车位框与三维车辆框之间的空间关系值，可以准确地计算出三位车辆框与各个三维车位框的空间重合度，以便后续确定该车辆是否为异常停车状态。
93.作为一种优选的实施例，在得到当前车辆的三维车辆框之后，还包括：
94.确定三维车辆框与各个预设三维车位框之间的空间重合度；
95.将空间重合度最大的预设三维车位框对应的预设车位作为当前车辆的停放车位，以便确定预设车位被占用。
96.为了确定车位是否被占用，本技术中，考虑到在实际情况中，部分停车位的状态信息可能会上传到停车系统上，以便于对该车位内的车辆进行停车计费或者是便于其他车辆寻找空车位。在得到当前车辆的三维车辆框后，确定出三三维车辆框和各个预设三维车位框之间的空间重合度，三维车辆框与预设三维车位框之间的重合部分越多，空间重合度也就越高，可见，当前车辆所在的预设车位的空间重合度最高，与当前车辆没有任何交集的预设车位的空间重合度最低，可见，通过将空间重合度最大的预设三维车位框对应的预设车位作为该当前车辆的停放车位，能够确定该预设车位被车辆占用，以便对该车辆进行停车计费或者是便于其他车辆寻找空车位。
97.作为一种优选的实施例，基于三维车辆框与拍摄区域中的各个预设车位的预设三维车位框之间的位置关系确定当前车辆的停车状态，包括：
98.确定三维车辆框和停放车位的预设三维车位框之间的偏转角；
99.判断偏转角是否大于预设偏转角度；
100.若不大于预设偏转角度，则判定当前车辆不存在异常停车行为；
101.若大于预设偏转角度，则判定当前车辆存在异常停车行为。
102.为了确定当前车辆的停车状态，本技术中，考虑到部分车辆虽然不会有跨车位停车的行为，但是会有斜位停车的行为，请参照图3，图3为一种停车状态为异常状态的车辆的示意图，图2中的车辆即为斜位停车。由于路边的停车位通常都是侧方位停车，可见通常情况下在停车时车辆的侧面是与行驶道路基本是平行的，车头面和车尾面与行驶道路垂直，而斜位停车指的是车辆停稳后，该车辆的一部分如车头或车尾会停放在某个预设车位中，但是该车辆的另一部分如车位或车头会停放在行驶道路上，也即斜着或横着停车，斜位停车会给道路交通带来较大的不便。此时可以确定三位车辆框与该车辆所在的停放车位的预设三维车位框之间的偏转角，例如，可以判断三维车辆框中的某一条边线与预设三维车位框中的相同位置的边线之间的夹角，然后判断这个夹角是否大于预设偏转角度，不大于时，说明该车辆的车头或车尾没有偏出停车位区域太多，在容忍范围内，此时判定该车不存在异常停车行为；若大于预设偏转角度，说明该车辆的车头或车尾偏出停车位区域太多，此时判定该车存在异常停车行为。可见，通过判断偏转角是否大于预设偏转角度的方式，能够简单地确定出车辆的停车状态是否为斜着或横着停车的异常停车状态。
103.作为一种优选的实施例，确定三维车辆框和停放车位的预设三维车位框之间的偏转角，包括：
104.基于三维车辆框确定当前车辆的车辆正面的中心点与车辆背面的中点之间的连
接线；
105.将连接线、停放车位与行驶道路之间的分割线均映射到预设二维坐标系中，预设二维坐标系的横轴为x轴，纵轴为y轴；
106.将连接线与分割线之间的夹角作为偏转角。
107.在实际场景中，预设三维车位框和三维车辆框通常均为长方体，三维车辆框中的长边表示着车辆的侧面的长边，也即表示车辆正面的中心点到车辆背面的中心点的一边，由于三维车位框的长边与三维车辆框的长边之间的夹角更容易受到车辆摆放位置的影响，所以将车辆的长边与三位车辆框的长边之间的夹角也即连接线与分割线之间的夹角作为偏转角更直观地体现出该车辆的停车状态是否为异常停车状态。例如，当停车位为设置在路边的侧方停车位时，该停车位的三维车位框行驶道路之间的分割线为三维车位框的长边，该长边通常是近似平行于行驶道路中心线的，车辆在该停车位中停放时，车身侧面也即车辆正面中心点到车辆背面中心点的连接线通常也是近似平行与行驶道路中心线的，可知，当车辆正常停放在该车位时，连接线和分割线之间的夹角通常很小甚至可能平行，但是当车辆不正常停放在该车位时，如部分车头或者部分车尾并未进入车位中时，连接线和分割线之间的夹角较大，可见，将连接线和分割线之间的夹角作为偏转角，能够更好地体现出车辆的停车状态是否为异常停车状态。
108.作为一种优选的实施例，神经网络模型为resnet34网络后接fpn网络构成的神经网络模型。
109.为了降低神经网络模型的误差，本技术中，考虑到各种类型神经网络会存在一种普遍的现象：训练精度会随着网络深度的加深而降低。该现象的产生原因是网络深度越深时，梯度消失的现象就越明显，在通常的神经网络模型的后向传播的时候，无法有效地将梯度更新到前面的网络层，导致前面的网络层的参数无法更新，导致训练效果变差。而resnet34网络中设置有残差网络，该残差网络增加了一个identity mapping(恒等映射)，能够把当前层网络的输入直接传输给下一层网络，相当于跳过了当前层的运算，在resnet34网络的后向传播过程中，也是将下一层网络的梯度直接传递给上一层网络，这样就缓解了深层网络的梯度消失问题。另一方面，由于fpn是一个特征金字塔，有较好的泛化能力，将fpn接在resnet34后面的方法可以不仅可以提高确定到的三维车辆框的准确度，同时还提高了确定三维车辆框的速度。因此，将resnet34网络后接fpn网络作为神经网络模型，能够降低确定到的三维车辆框的准确度，降低神经网络模型的误差。
110.作为一种优选的实施例，判断当前车辆是否为停放于预设停车区域内的车辆，包括：
111.当图像帧中检测到当前车辆时，获取当前车辆的二维车辆框；
112.判断二维车辆框的中心点在连续的n个图像帧中的总位移量是否小于预设位移量，n为不小于2的整数；
113.若是，则判定当前车辆为停放于预设停车区域内的车辆；
114.若否，则判定当前车辆不为停放于预设停车区域内的车辆。
115.为了判断摄像机拍摄到的车辆是否停稳，本技术中，考虑到停放在预设停车区域内的车辆都是静止不动的，所以对车辆的停车状态进行检测，是对静止不动的车辆的停车状态进行检测。在车辆进入摄像机的拍摄区域时，会开始获取该车辆的二维车辆框，直到该
车辆离开拍摄区域或者在拍摄区域内停稳也即静止不动，例如可以是将摄像机拍摄到的图像帧发送到预先训练好的神经网络模型来获取该车辆的二维车辆框，该神经网络模型预先由多个车辆图像训练得到的。当车辆静止不动时，在摄像机拍摄到的图像帧中的位置也是静止不动的，但是此时考虑到摄像机本身较轻且通常设置在半空中，容易受到空气扰动而产生晃动，使得静止不动的车辆会在图像帧中得位置会有微小的变化，所以在判断车辆是否停稳时，需要判断该车辆的二维车辆框的中心点在摄像机拍摄到的连续的n个图像帧中的总位移量是否小于预设位移量，若是，说明该车辆的中心点只在一个较小的范围内波动，可以看作是车辆已经停稳，此时判定该车辆为停放预设停车区域内的车辆，否则，说明该车辆还在移动，此时判定该车辆不为停放预设停车区域内的车辆。可见，通过检测在n个图像帧中的总位移量的方式，能够准确地确定拍摄区域中的车辆是否为停稳在预设停车区域内。
116.请参照图4，图4为本技术提供的一种停车状态的检测系统的结构示意图，包括：
117.判断单元11，用于当在摄像机对包含预设车位的拍摄区域拍摄到的图像帧中检测到车辆时，判断当前车辆是否为停放于预设停车区域内的车辆，预设停车区域中包含多个预设车位；若当前车辆为停放于预设停车区域内的车辆，则触发图像获取单元；
118.图像获取单元12用于获取当前车辆的图像；
119.三维车辆框获取单元13，用于将当前车辆的图像输入到预先训练好的神经网络模型中，以便得到当前车辆的三维车辆框，神经网络模型预先由预设数量的车辆图像训练得到的；
120.停车状态确定单元14，用于基于三维车辆框与拍摄区域中的各个预设车位的预设三维车位框之间的位置关系确定当前车辆的停车状态。
121.对于本技术提供的一种停车状态的检测系统的详细介绍，请参照上述一种停车状态的检测方法的实施例，本技术在此不再赘述。
122.请参照图5，图5为本技术提供的一种停车状态的检测装置的结构示意图，包括：
123.存储器21，用于存储计算机程序；
124.处理器22，用于执行计算机程序时实现如上述的停车状态的检测方法的步骤。
125.对于本技术提供的一种停车状态的检测装置的详细介绍，请参照上述一种停车状态的检测方法的实施例，本技术在此不再赘述。
126.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
127.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。