CN108010141A - 一种智能感应式停车位系统 - Google Patents
一种智能感应式停车位系统 Download PDFInfo
- Publication number
- CN108010141A CN108010141A CN201711450790.3A CN201711450790A CN108010141A CN 108010141 A CN108010141 A CN 108010141A CN 201711450790 A CN201711450790 A CN 201711450790A CN 108010141 A CN108010141 A CN 108010141A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- module
- mtd
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/02—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于停车管理技术领域，公开了一种智能感应式停车位系统，由信息采集与传输模块、信息处理模块、信息储存与查询模块组成；信息采集与传输模块又分为客户端电脑单元、UPS不间断电源单元、车辆检测器单元、红外检测器单元；信息处理模块又分为入口分控板单元、出口分控板单元、智能道闸单元；等等。本发明改善由寻车位造成的车流拥堵；同时，对提高停车设施使用率、优化停车场经营管理以及促进商业区域的经济活力等方面有着极其重要的作用；这种系统有助于公司企业、政府机关等对于内部车辆和外来车辆的进出进行现代化的管理，对加强企业的管理力度和提高公司的形象有较大的帮助。
Description
技术领域
本发明属于停车管理技术领域，尤其涉及一种智能感应式停车位系统。
背景技术
目前，随着时代的进步与科技的发展，人们生活水平的提高，汽车的普及率也就越来越高，因此，汽车的停车问题也就成为了一个日益严峻的问题，时常是车太多，车位太少，没有停车位。现有停车位不够智能化，车主在寻找车位而耗费的时间长，不能平衡停车在时间与空间上的竞争，车主在寻找车位的时间造成一定的车流拥堵。
现有的停车位系统，智能收费准确性差，对复杂背景下的车牌图像不能进行进行纹理分析，不能提供更准确的特征信息。给管理带来麻烦。
综上所述，现有技术存在的问题是：现有停车位不够智能化，车主在寻找车位而耗费的时间长，不能平衡停车在时间与空间上的竞争，车主在寻找车位的时间造成一定的车流拥堵；而且现有停车位系统功能单一。
发明内容
针对现有技术存在的问题，本发明提供了一种智能感应式停车位系统。
本发明是这样实现的，一种智能感应式停车位系统，所述智能感应式停车位系统包括：
至少一用于进行停车位信息进行采集和传输的信息采集与传输模块；
至少一用于接收信息采集与传输模块传输的信息的信息处理模块；所述信息处理模块利用内置的检索端首先周期性地发送探索载波信号，计算每个探索周期的返回信号强度RSS及环境信号强度RSSe；其次用RSSe对RSS进行修正，得到探索周期回应端返回的有效信号强度RSSr，计算多个探索周期的有效信号强度的均值RSSa作为回应端的返回信号强度；最后根据检索端稳定后得到的RSSa，通过查表或计算得到回应端与检索端之间的距离，实现回应端的准确定位；
所述信息采集与传输模块的传输函数为：
其中，ω0为滤波器的中心频率，对于不同的ω0，k使k/ω0保持不变；
在频率域构造滤波器，对应的极坐标表达方式为：
G(r,θ)＝G(r,r)·G(θ,θ)；
式中，Gr(r)为控制滤波器带宽的径向分量，Gθ(θ)为控制滤波器方向的角度分量；
r表示径向坐标，θ表示角度坐标，f0为中心频率，θ0为滤波器方向，σf用于确定带宽；
Bf＝2(2/ln2)1/2|lnσf|，σθ确定角度带宽，Bθ＝2(2/ln2)1/2σθ。
进一步，所述智能感应式停车位还包括信息储存与查询模块；
所述信息采集与传输模块包括客户端电脑单元、UPS不间断电源单元、车辆检测器单元、红外检测器单元；
信息处理模块包括入口分控板单元、出口分控板单元、智能道闸单元；
信息储存与查询模块包括服务端电脑单元、视频卡单元、控制机单元；
所述信息采集与传输模块与信息处理模块相连接；信息处理模块与信息储存与查询模块相连接；
所述UPS不间断电源单元分别与客户端电脑单元、车辆检测器单元、红外检测器单元相连接。
进一步，车辆检测器单元的车辆检测方法包括：
(1)输入车辆图像；
(2)提取自适应LBP算子特征；
(3)构建多特征底秩矩阵表示模型；
s.t.Xi＝XiAi+Ei,i＝1,…,K
其中α是大于0的系数，用来度量噪声和野点带来的误差；
等价为以下模型：
车牌校正，输出定位后的车辆图像；
提取自适应LBP算子特征算法的具体步骤如下：
(1)将输入系统的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：
(2)利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：
利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：
(3)根据实验数据，拟合计算自适应阈值的方法：
所述车牌校正，输出定位后的车辆图像；具体为：
根据车牌大小、比例等留下每个子空间的外接矩阵即为疑似车牌区域；
设置一个跳变函数f(i,j)，对疑似车牌区域进行精确定位，确定车牌区域的上下边界：
其中c(i,j)为
c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：
如果任意一行跳变次数的和S(i≥12)，则这一行就有可能属于车牌区域；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则可以得到一个宽度为M，高度为h的矩形区域，这个区域就有可能是车牌区域，因此车辆图像中不具有此特征的区域得到了排除；通过霍夫变换和投影结合的方法将车牌精定位区域校正，输出车牌图像。
进一步，车牌校正，输出定位后的车辆图像后，将图像信息传输给监控中心；对该车辆进行自动计费。
进一步，所述回应端探索信号是检索端周期性地发射的一小段一小段的载波信号，每个小段的载波周期数为N，每个小段之间的间隔为T，T和N均可由实验确定：N的取值确保回应端天线感应到足够能量；T的取值要确保回应端前一个探索周期的返回信号不会干扰本周期信号强度信号的计算，即回应端上一周期接收的能量已经完全衰减；
所述检索端首先测量环境信号强度RSSe；然后发射N个周期的探测性载波信号，再之后测量返回信号强度RSS，两次测量方法相同，并构成一个探索周期，根据RSSe和RSS得到该探索周期的有效信号强度RSSr；
用发射探测载波后得到的信号强度RSS，有条件减去环境信号强度RSSe，如公式：
取M个探索周期的RSSr的平均值作为RSSa，构成一个信号强度更新周期，如公式：
进一步，所述检索端由FPGA模块、发射电路模块、接收电路模块、放大滤波模块、AD转换模块；发射电路模块和接受电路模块与天线连接：
FPGA模块，用于输入输出控制、任务调度、信号调制、AD转换器控制、数字滤波、波形识别和RSS计算；
发射电路模块，与FPGA模块连接，用于将调制后的信号进行功率放大，通过天线发射出去；
接收电路模块，与发射电路模块连接，与天线相连，用于从天线接收回应端返回信号；
放大滤波模块，与接收电路模块连接，接收到的返回信号属于微弱信号，对该信号进行滤波放大后才能进行数字化采样；
AD转换模块，与放大滤波模块连接，用于对放大滤波后的信号进行固定周期采样；
所述FPGA模块进一步包括：
输入输出控制器，用于对键盘输入进行编解码，生成用户命令；
信号调制模块，用于载波信号的产生及将需要发送给回应端的命令调制在载波信号上；
数字滤波模块，用于对采样得到的数字信号进行带宽滤波，去除干扰；
波形识别模块，用于对滤波后的数字信号计算局部极大值，识别出一个周期的波形；
RSS计算及解码模块，用于从波形数据中计算接收信号强度，依据回应端返回信号的编码规则，对信号进行解码，提取回应端返回的数据。
本发明的优点及积极效果为：该智能感应式停车位系统，将停车位完全置于计算机统一管理下的高科技机电一体化产品，通过短信查询、网上查询、终端显示等多种方式向驾驶员提供停车场的车位占用状况、内部行驶路线等信息，以优化、便捷的方式引导驾驶员找到停车位。该功能能够减少为寻找车位而耗费的时间，平衡停车在时间与空间上的竞争，改善由寻车位造成的车流拥堵。同时，对提高停车设施使用率、优化停车场经营管理以及促进商业区域的经济活力等方面有着极其重要的作用。
这种系统有助于公司企业、政府机关等对于内部车辆和外来车辆的进出进行现代化的管理，对加强企业的管理力度和提高公司的形象有较大的帮助。
本发明无需执行回应端ID读取操作，即可判断检索端电磁场内是否有回应端；
依据返回信号强度的变化趋势，移动检索端，找到信号强度的最大值，则可根据该最大值得到检索端与回应端之间的距离，从而能够准确对回应端进行相对定位；
传统应用中，应用本方法首先探测，利用探测结果来触发回应端ID读取操作，降低检索端工作功耗。
本发明信息采集与传输模块的数据传输及识别方法有利于图像的采集和识别。
本发明根据车牌颜色和LBP特征算子，结合改进的LRR模型和形态学操作获得车牌区域。使车牌的多个特征相结合，能有效提高车牌检测的鲁棒性和准确性，减少误检。为智能感应式停车位系统的智能收费提供依据。
附图说明
图1是本发明实施例提供的智能感应式停车位系统的结构示意图；
图中：1、信息采集与传输模块；1-1、UPS不间断电源单元；1-2、客户端电脑单元；1-3、车辆检测器单元；1-4、红外检测器单元；2、信息处理模块；2-1、入口分控板单元；2-2、出口分控板单元；2-3、智能道闸单元；3、信息储存与查询模块；3-1、服务端电脑单元；3-2、视频卡单元；3-3、控制机单元。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明实施例提供的智能感应式停车位系统主要由信息采集与传输模块1、信息处理模块2、信息储存与查询模块3组成。其中信息采集与传输模块1又分为客户端电脑单元1-2、UPS不间断电源单元1-1、车辆检测器单元1-3、红外检测器单元1-4。信息处理模块2又分为入口分控板单元2-1、出口分控板单元2-2、智能道闸单元2-3。信息储存与查询模块3又分为服务端电脑单元3-1、视频卡单元3-2、控制机单元3-3。
所述信息采集与传输模块1与信息处理模块2相连接。信息处理模块2与信息储存与查询模块3相连接。所述UPS不间断电源单元1-1分别与客户端电脑单元1-2、车辆检测器单元1-3、红外检测器单元1-4相连接。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的智能感应式停车位系统包括：
至少一用于进行停车位信息进行采集和传输的信息采集与传输模块；
至少一用于接收信息采集与传输模块传输的信息的信息处理模块；所述信息处理模块利用内置的检索端首先周期性地发送探索载波信号，计算每个探索周期的返回信号强度RSS及环境信号强度RSSe；其次用RSSe对RSS进行修正，得到探索周期回应端返回的有效信号强度RSSr，计算多个探索周期的有效信号强度的均值RSSa作为回应端的返回信号强度；最后根据检索端稳定后得到的RSSa，通过查表或计算得到回应端与检索端之间的距离，实现回应端的准确定位；
所述信息采集与传输模块的传输函数为：
其中，ω0为滤波器的中心频率，对于不同的ω0，k使k/ω0保持不变；
在频率域构造滤波器，对应的极坐标表达方式为：
G(r,θ)＝G(r,r)·G(θ,θ)；
式中，Gr(r)为控制滤波器带宽的径向分量，Gθ(θ)为控制滤波器方向的角度分量；
r表示径向坐标，θ表示角度坐标，f0为中心频率，θ0为滤波器方向，σf用于确定带宽；
Bf＝2(2/ln2)1/2|lnσf|，σθ确定角度带宽，Bθ＝2(2/ln2)1/2σθ。
车辆检测器单元的车辆检测方法包括：
(1)输入车辆图像；
(2)提取自适应LBP算子特征；
(3)构建多特征底秩矩阵表示模型；
s.t.Xi＝XiAi+Ei,i＝1,…,K
其中α是大于0的系数，用来度量噪声和野点带来的误差；
等价为以下模型：
车牌校正，输出定位后的车辆图像；
提取自适应LBP算子特征算法的具体步骤如下：
(1)将输入系统的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：
(2)利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：
利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：
(3)根据实验数据，拟合计算自适应阈值的方法：
所述车牌校正，输出定位后的车辆图像；具体为：
根据车牌大小、比例等留下每个子空间的外接矩阵即为疑似车牌区域；
设置一个跳变函数f(i,j)，对疑似车牌区域进行精确定位，确定车牌区域的上下边界：
其中c(i,j)为
c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：
如果任意一行跳变次数的和S(i≥12)，则这一行就有可能属于车牌区域；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则可以得到一个宽度为M，高度为h的矩形区域，这个区域就有可能是车牌区域，因此车辆图像中不具有此特征的区域得到了排除；通过霍夫变换和投影结合的方法将车牌精定位区域校正，输出车牌图像。
车牌校正，输出定位后的车辆图像后，将图像信息传输给监控中心；对该车辆进行自动计费。
所述回应端探索信号是检索端周期性地发射的一小段一小段的载波信号，每个小段的载波周期数为N，每个小段之间的间隔为T，T和N均可由实验确定：N的取值确保回应端天线感应到足够能量；T的取值要确保回应端前一个探索周期的返回信号不会干扰本周期信号强度信号的计算，即回应端上一周期接收的能量已经完全衰减；
所述检索端首先测量环境信号强度RSSe；然后发射N个周期的探测性载波信号，再之后测量返回信号强度RSS，两次测量方法相同，并构成一个探索周期，根据RSSe和RSS得到该探索周期的有效信号强度RSSr；
用发射探测载波后得到的信号强度RSS，有条件减去环境信号强度RSSe，如公式：
取M个探索周期的RSSr的平均值作为RSSa，构成一个信号强度更新周期，如公式：
所述检索端由FPGA模块、发射电路模块、接收电路模块、放大滤波模块、AD转换模块；发射电路模块和接受电路模块与天线连接：
FPGA模块，用于输入输出控制、任务调度、信号调制、AD转换器控制、数字滤波、波形识别和RSS计算；
发射电路模块，与FPGA模块连接，用于将调制后的信号进行功率放大，通过天线发射出去；
接收电路模块，与发射电路模块连接，与天线相连，用于从天线接收回应端返回信号；
放大滤波模块，与接收电路模块连接，接收到的返回信号属于微弱信号，对该信号进行滤波放大后才能进行数字化采样；
AD转换模块，与放大滤波模块连接，用于对放大滤波后的信号进行固定周期采样；
所述FPGA模块进一步包括：
输入输出控制器，用于对键盘输入进行编解码，生成用户命令；
信号调制模块，用于载波信号的产生及将需要发送给回应端的命令调制在载波信号上；
数字滤波模块，用于对采样得到的数字信号进行带宽滤波，去除干扰；
波形识别模块，用于对滤波后的数字信号计算局部极大值，识别出一个周期的波形；
RSS计算及解码模块，用于从波形数据中计算接收信号强度，依据回应端返回信号的编码规则，对信号进行解码，提取回应端返回的数据。
本发明通过信息采集与传输模块1对汽车信息进行采集，UPS不间断电源单元1-1分别与客户端电脑单元1-2、车辆检测器单元1-3、红外检测器单元1-4相连接。通过UPS不间断电源1-1单元对客户端电脑单元1-2、车辆检测器单元1-3、红外检测器单元1-4供电。通过车辆检测器单元1-3、红外检测器单元1-4对车辆尺寸以及车牌号进行检测。通过客户端电脑单元1-2进行显示。通过信息处理模块2对信息进行处理。通过入口分控板单元2-1、出口分控板单元2-2、智能道闸单元2-3实现汽车更好的进出。通过信息储存与查询模块3对车辆信息进行存储和对车位信息进行查询，通过视频卡单元3-2对监控视频进行存储，通过控制机单元3-3对车位信息查询，通过服务端电脑单元3-1对信息进行显示。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (6)
1.一种智能感应式停车位系统，其特征在于，所述智能感应式停车位系统包括：
至少一用于进行停车位信息进行采集和传输的信息采集与传输模块；
至少一用于接收信息采集与传输模块传输的信息的信息处理模块；所述信息处理模块利用内置的检索端首先周期性地发送探索载波信号，计算每个探索周期的返回信号强度RSS及环境信号强度RSSe；其次用RSSe对RSS进行修正，得到探索周期回应端返回的有效信号强度RSSr，计算多个探索周期的有效信号强度的均值RSSa作为回应端的返回信号强度；最后根据检索端稳定后得到的RSSa，通过查表或计算得到回应端与检索端之间的距离，实现回应端的准确定位；
所述信息采集与传输模块的传输函数为：
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>&omega;</mi>
<mo>/</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>/</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，ω0为滤波器的中心频率，对于不同的ω0，k使k/ω0保持不变；
在频率域构造滤波器，对应的极坐标表达方式为：
<mrow>
<msub>
<mi>G</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>r</mi>
<mo>/</mo>
<msub>
<mi>f</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<msub>
<mi>&sigma;</mi>
<mi>f</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>&theta;</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
G(r,θ)＝G(r,r)·G(θ,θ)；
式中，Gr(r)为控制滤波器带宽的径向分量，Gθ(θ)为控制滤波器方向的角度分量；
r表示径向坐标，θ表示角度坐标，f0为中心频率，θ0为滤波器方向，σf用于确定带宽；
Bf＝2(2/ln2)1/2|lnσf|，σθ确定角度带宽，Bθ＝2(2/ln2)1/2σθ。
2.如权利要求1所述智能感应式停车位系统，其特征在于，所述智能感应式停车位还包括信息储存与查询模块；
所述信息采集与传输模块包括客户端电脑单元、UPS不间断电源单元、车辆检测器单元、红外检测器单元；
信息处理模块包括入口分控板单元、出口分控板单元、智能道闸单元；
信息储存与查询模块包括服务端电脑单元、视频卡单元、控制机单元；
所述信息采集与传输模块与信息处理模块相连接；信息处理模块与信息储存与查询模块相连接；
所述UPS不间断电源单元分别与客户端电脑单元、车辆检测器单元、红外检测器单元相连接。
3.如权利要求1所述智能感应式停车位系统，其特征在于，车辆检测器单元的车辆检测方法包括：
(1)输入车辆图像；
(2)提取自适应LBP算子特征；
(3)构建多特征底秩矩阵表示模型；
<mrow>
<munder>
<munder>
<mi>max</mi>
<mrow>
<msub>
<mi>Z</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>Z</mi>
<mi>K</mi>
</msub>
</mrow>
</munder>
<mrow>
<msub>
<mi>E</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>E</mi>
<mi>K</mi>
</msub>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mo>*</mo>
</msub>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>E</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
s.t. Xi＝XiAi+Ei,i＝1,…,K
其中α是大于0的系数，用来度量噪声和野点带来的误差；
等价为以下模型：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<munder>
<munder>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>J</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>J</mi>
<mi>K</mi>
</msub>
</mrow>
</munder>
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>S</mi>
<mi>K</mi>
</msub>
</mrow>
</munder>
<mrow>
<msub>
<mi>Z</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>Z</mi>
<mi>K</mi>
</msub>
</mrow>
</munder>
<mrow>
<msub>
<mi>E</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>E</mi>
<mi>K</mi>
</msub>
</mrow>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>J</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mo>*</mo>
</msub>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>J</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>K</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
车牌校正，输出定位后的车辆图像；
提取自适应LBP算子特征算法的具体步骤如下：
(1)将输入系统的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>g</mi>
<mi>r</mi>
<mi>a</mi>
<mi>y</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</mfrac>
</mrow>
(2)利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<mi>g</mi>
<mi>r</mi>
<mi>a</mi>
<mi>y</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mo>|</mo>
</mrow>
<mrow>
<mi>D</mi>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</mfrac>
</mrow>
利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：
<mrow>
<mi>A</mi>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>7</mn>
</munderover>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>g</mi>
<mi>c</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mrow>
<mn>8</mn>
</mfrac>
</mrow>
(3)根据实验数据，拟合计算自适应阈值的方法：
<mrow>
<mi>&theta;</mi>
<mo>=</mo>
<mn>4</mn>
<mo>&times;</mo>
<msqrt>
<mrow>
<mi>D</mi>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msqrt>
<mo>+</mo>
<mi>A</mi>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mo>;</mo>
</mrow>
所述车牌校正，输出定位后的车辆图像；具体为：
根据车牌大小、比例等留下每个子空间的外接矩阵即为疑似车牌区域；
设置一个跳变函数f(i,j)，对疑似车牌区域进行精确定位，确定车牌区域的上下边界：
其中c(i,j)为
c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
如果任意一行跳变次数的和S(i≥12)，则这一行就有可能属于车牌区域；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则可以得到一个宽度为M，高度为h的矩形区域，这个区域就有可能是车牌区域，因此车辆图像中不具有此特征的区域得到了排除；通过霍夫变换和投影结合的方法将车牌精定位区域校正，输出车牌图像。
4.如权利要求3所述智能感应式停车位系统，其特征在于，车牌校正，输出定位后的车辆图像后，将图像信息传输给监控中心；对该车辆进行自动计费。
5.如权利要求1所述智能感应式停车位系统，其特征在于，所述回应端探索信号是检索端周期性地发射的一小段一小段的载波信号，每个小段的载波周期数为N，每个小段之间的间隔为T，T和N均可由实验确定：N的取值确保回应端天线感应到足够能量；T的取值要确保回应端前一个探索周期的返回信号不会干扰本周期信号强度信号的计算，即回应端上一周期接收的能量已经完全衰减；
所述检索端首先测量环境信号强度RSSe；然后发射N个周期的探测性载波信号，再之后测量返回信号强度RSS，两次测量方法相同，并构成一个探索周期，根据RSSe和RSS得到该探索周期的有效信号强度RSSr；
用发射探测载波后得到的信号强度RSS，有条件减去环境信号强度RSSe，如公式：
<mrow>
<mi>R</mi>
<mi>S</mi>
<mi>S</mi>
<mi>r</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>R</mi>
<mi>S</mi>
<mi>S</mi>
<mo><</mo>
<mi>R</mi>
<mi>S</mi>
<mi>S</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>R</mi>
<mi>S</mi>
<mi>S</mi>
<mo>-</mo>
<mi>R</mi>
<mi>S</mi>
<mi>S</mi>
<mi>e</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
取M个探索周期的RSSr的平均值作为RSSa，构成一个信号强度更新周期，如公式：
<mrow>
<mi>R</mi>
<mi>S</mi>
<mi>S</mi>
<mi>a</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>RSSr</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
6.如权利要求1所述智能感应式停车位系统，其特征在于，所述检索端由FPGA模块、发射电路模块、接收电路模块、放大滤波模块、AD转换模块；发射电路模块和接受电路模块与天线连接：
FPGA模块，用于输入输出控制、任务调度、信号调制、AD转换器控制、数字滤波、波形识别和RSS计算；
发射电路模块，与FPGA模块连接，用于将调制后的信号进行功率放大，通过天线发射出去；
接收电路模块，与发射电路模块连接，与天线相连，用于从天线接收回应端返回信号；
放大滤波模块，与接收电路模块连接，接收到的返回信号属于微弱信号，对该信号进行滤波放大后才能进行数字化采样；
AD转换模块，与放大滤波模块连接，用于对放大滤波后的信号进行固定周期采样；
所述FPGA模块进一步包括：
输入输出控制器，用于对键盘输入进行编解码，生成用户命令；
信号调制模块，用于载波信号的产生及将需要发送给回应端的命令调制在载波信号上；
数字滤波模块，用于对采样得到的数字信号进行带宽滤波，去除干扰；
波形识别模块，用于对滤波后的数字信号计算局部极大值，识别出一个周期的波形；
RSS计算及解码模块，用于从波形数据中计算接收信号强度，依据回应端返回信号的编码规则，对信号进行解码，提取回应端返回的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711450790.3A CN108010141A (zh) | 2017-12-27 | 2017-12-27 | 一种智能感应式停车位系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711450790.3A CN108010141A (zh) | 2017-12-27 | 2017-12-27 | 一种智能感应式停车位系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108010141A true CN108010141A (zh) | 2018-05-08 |
Family
ID=62061952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711450790.3A Pending CN108010141A (zh) | 2017-12-27 | 2017-12-27 | 一种智能感应式停车位系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108010141A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065366A (zh) * | 2011-10-19 | 2013-04-24 | 上海边光自动化科技有限公司 | 一种基于rfid的自动控制装置 |
| CN103605963A (zh) * | 2013-03-01 | 2014-02-26 | 新乡学院 | 一种指纹识别方法 |
| CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
| CN105373753A (zh) * | 2015-12-18 | 2016-03-02 | 西安电子科技大学 | 一种利用移动rfid阅读器对应答器搜索和相对定位的方法 |
| CN107464422A (zh) * | 2017-08-03 | 2017-12-12 | 安徽泰然信息技术工程有限公司 | 停车场数据采集系统及其方法 |
-
2017
- 2017-12-27 CN CN201711450790.3A patent/CN108010141A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065366A (zh) * | 2011-10-19 | 2013-04-24 | 上海边光自动化科技有限公司 | 一种基于rfid的自动控制装置 |
| CN103605963A (zh) * | 2013-03-01 | 2014-02-26 | 新乡学院 | 一种指纹识别方法 |
| CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
| CN105373753A (zh) * | 2015-12-18 | 2016-03-02 | 西安电子科技大学 | 一种利用移动rfid阅读器对应答器搜索和相对定位的方法 |
| CN107464422A (zh) * | 2017-08-03 | 2017-12-12 | 安徽泰然信息技术工程有限公司 | 停车场数据采集系统及其方法 |
Non-Patent Citations (3)
| Title |
|---|
| CÉLINE MANCES-THILLOU,ETC: "Character Segmentation-by-Recognition Using Log-Gabor Filters", 《18TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION（ICPR"06）》 * |
| 史东承，等: "基于相位一致性和字符纹理特征的车牌定位算法", 《吉林大学学报（信息科学版）》 * |
| 李敏，等: "基于Log_Gabor小波变换和证据推理的车型识别", 《计算机应用研究》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Travel time prediction system based on data clustering for waste collection vehicles | |
| Wang et al. | Roadside magnetic sensor system for vehicle detection in urban environments | |
| CN107818411B (zh) | 基于WiFi检测和GPS定位的公交车动态调度系统及调度方法 | |
| Zhang et al. | A street parking system using wireless sensor networks | |
| CN102999951B (zh) | 基于无线网络接收信号强度的人员智能考勤方法 | |
| CN109444813A (zh) | 一种基于bp和dnn双神经网络的rfid室内定位方法 | |
| CN106097755A (zh) | 用于识别泊车场地和/或空出场地的方法 | |
| CN109145982A (zh) | 驾驶员的身份识别方法及装置、存储介质、终端 | |
| CN109212476B (zh) | 一种基于ddpg的rfid室内定位算法 | |
| Chen et al. | Fast single shot multibox detector and its application on vehicle counting system | |
| CN110490507B (zh) | 一种物流网络的新增线路检测方法、装置及设备 | |
| CN102339488A (zh) | 基于双芯rfid技术的公交客流信息采集系统及方法 | |
| CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
| CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
| Guo et al. | [Retracted] Automatic Parking System Based on Improved Neural Network Algorithm and Intelligent Image Analysis | |
| CN107491786B (zh) | 一种烟草收购重复过磅行为自动视觉检测与识别方法 | |
| Wang | [Retracted] Optimal Design of International Trade Logistics Based on Internet of Things Technology | |
| CN108010141A (zh) | 一种智能感应式停车位系统 | |
| Ito et al. | Radio propagation estimation in a long-range environment using a deep neural network | |
| CN112672111A (zh) | 一种多模融合无线定位系统及方法 | |
| CN108683985A (zh) | 一种wifi定位指纹点预筛选方法及存储介质 | |
| CN201717992U (zh) | 视频客流检测仪 | |
| Yi | Data center management technology based on RFID automatic radio frequency identification technology | |
| CN114710831B (zh) | 一种基于深度学习的rfid标签定位系统 | |
| CN113720333B (zh) | 一种基于图注意力网络的室内多点协同定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |
|
| RJ01 | Rejection of invention patent application after publication |