CN114170591A - 一种基于Saas模式的智慧停车解决方法及系统 - Google Patents

Abstract

本发明公开了一种基于Saas模式的智慧停车解决方法及系统，该方法包括：通过摄像头采集车辆前身的图像进行一次处理；将经一次处理后的图像输入多信息检测BP神经网络模型，输出检测信息；将图像输入预设的卷积神经网络进行车辆前身目标识别，根据目标识别框的区域图像，识别区域图像中预设位置的颜色；对区域图像进行预处理，提取车辆前身目标图像的最大外轮廓图；分别将检测的车辆车牌信息和车辆标志图像、识别的颜色、提取的最大外轮廓图，与预存的相应信息进行对比，当完全一致时，控制栏杆机抬杆放行。该方法基于Saas模式为用户提供全套的软硬件服务，无需用户参与软硬件维保，安装即可使用；降低人工管理成本、准确识别车辆身份。

Description

一种基于Saas模式的智慧停车解决方法及系统

技术领域

本发明涉及智慧停车技术领域，特别涉及一种基于Saas模式的智慧停车解决方法及系统。

背景技术

随着居民汽车保有量的快速增加，诞生了智慧停车，是指将无线通信技术、移动终端技术、GPS定位技术、GIS技术等综合应用于城市停车位的采集、管理、查询、预订与导航服务，实现停车位资源的实时更新、查询、预订与导航服务一体化，实现停车位资源利用率的最大化、停车场利润的最大化和车主停车服务的最优化。

而上述智慧停车往往依赖于软件技术，目前车库进入和驶出基本都依赖于车牌识别，只要车牌正确就会抬杆放行，甚至都不检测是否重复驶入，或重复驶出；导致很多司机钻空子，比如套牌进出；或是人工举着车牌，也可以实现抬杆放行，导致无牌车辆或其他不明车辆驶入。由此，给物业管理工作带来相当大的挑战，也容易造成其他交通安全隐患，权责无法划分。

相关技术中，SaaS是Software-as-a-service(软件即服务)。SaaS提供商为企业搭建信息化所需要的所有网络基础设施及软件、硬件运作平台，并负责所有前期的实施、后期的维护等一系列服务，企业无需购买软硬件、建设机房、招聘IT人员，即可通过互联网使用信息系统。就像打开自来水龙头就能用水一样，企业根据实际需要，向SaaS提供商租赁软件服务。

因此，如何基于SaaS模式，解决上述车牌识别存在的漏洞问题，成为同行从业人员亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种基于Saas模式的智慧停车解决方法及系统，可以解决目前停车中管理进入和驶出时出现的管理问题；可基于Saas模式提供软件服务，无需使用方参与软硬件维保，购买即可使用；降低人工管理成本、基于多源信息准确识别车辆身份，避免因非法车辆通过后引起管理上的纠纷。

第一方面，本发明实施例提供一种基于Saas模式的智慧停车解决方法，包括：

S10、通过摄像头采集车辆前身的图像；

S20、对所述图像进行一次处理；

S30、将经一次处理后的图像输入多信息检测BP神经网络模型，输出检测信息；所述多信息检测BP神经网络模型用于检测识别：车辆的车牌信息和车辆的标志图像；

S40、将所述图像输入预设的卷积神经网络进行车辆前身目标识别，根据目标识别框的区域图像，识别所述区域图像中预设位置的颜色；

S50、对步骤S40的区域图像进行预处理，提取所述车辆前身目标图像的最大外轮廓图；

S60、分别将步骤S30检测的车辆的车牌信息和车辆的标志图像、步骤S40识别的颜色、步骤S50提取的最大外轮廓图，与预存的相应信息进行对比，当对比结果完全一致时，控制栏杆机抬杆放行。

在一个实施例中，还包括：

S70、当对比结果存在不一致的情况时，将对应的错误信息通过显示屏显示或通过外放喇叭进行播报。

在一个实施例中，所述S20步骤包括：对所述图像依次进行高斯平滑、中值滤波、灰度化和二值化处理。

在一个实施例中，所述多信息检测BP神经网络模型，通过多组训练数据对BP神经网络模型进行训练得到的；所述多组训练数据的每一组数据包括带有标签信息的多种车牌类型和/或车辆的标志图像。

在一个实施例中，所述S40步骤包括：

S401、将所述图像输入训练好的R-CNN、FAST-RCNN或FASTER-RCNN网络，进行车辆前身目标识别；

S402、根据识别出的所述车辆前身目标，得到车辆前身目标高度值以及宽度值；

S403、根据所述车辆前身目标高度值以及宽度值按照前引擎盖面积预设比例，采集区域内的像素点颜色值，作为所述车辆颜色。

在一个实施例中，所述S50步骤，包括：

对S40的区域图像进行二值化处理，采用Canny边缘检测或Sobel算子边缘检测获得车辆前身目标图像的最大外轮廓图。

在一个实施例中，所述S60步骤中，最大外轮廓图，与预存的相应信息进行对比，包括：

当车牌信息比对正确后，采用OPENCV提供的hu矩匹配的函数，输入最大外轮廓图与预存的车牌信息所对应的轮廓图比较，返回两个轮廓图之间hu矩的相似度；

当所述相似度达到阈值时，则轮廓图比对正确。

第二方面，本发明实施例还提供一种基于Saas模式的智慧停车解决系统，包括：

采集模块，用于通过摄像头采集车辆前身的图像；

处理模块，用于对所述图像进行一次处理；

检测模块，用于将经一次处理后的图像输入多信息检测BP神经网络模型，输出检测信息；所述多信息检测BP神经网络模型用于检测识别：车辆的车牌信息和车辆的标志图像；

识别模块，用于将所述图像输入预设的卷积神经网络进行车辆前身目标识别，根据目标识别框的区域图像，识别所述区域图像中预设位置的颜色；

提取模块，用于对所述区域图像进行预处理，提取所述车辆前身目标图像的最大外轮廓图；

对比模块，用于分别将检测的车辆的车牌信息和车辆的标志图像、识别模块识别的颜色、提取模块提取的最大外轮廓图，与预存的相应信息进行对比，当对比结果完全一致时，控制栏杆机抬杆放行。

本发明的优点在于，与现有技术相比，本发明实施例提供的一种基于Saas模式的智慧停车解决方法，通过摄像头采集车辆前身的图像；对所述图像进行一次处理；将经一次处理后的图像输入多信息检测BP神经网络模型，输出检测信息；所述多信息检测BP神经网络模型用于检测识别：车辆的车牌信息和车辆的标志图像；将所述图像输入预设的卷积神经网络进行车辆前身目标识别，根据目标识别框的区域图像，识别所述区域图像中预设位置的颜色；对区域图像进行预处理，提取所述车辆前身目标图像的最大外轮廓图；分别将检测的车辆的车牌信息和车辆的标志图像、识别的颜色、提取的最大外轮廓图，与预存的相应信息进行对比，当对比结果完全一致时，控制栏杆机抬杆放行。该方法可基于Saas模式为使用方提供全套的软硬件服务，并基于互联网大数据构建的云平台，可以解决目前停车中管理进入和驶出时出现的管理问题；无需使用方参与软硬件维保，购买即可使用；降低人工管理成本、基于多源信息准确识别车辆身份，避免因非法车辆通过后引起管理上的纠纷。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于Saas模式的智慧停车解决方法的流程图；

图2为本发明实施例提供的基于Saas模式的智慧停车解决系统的结构图；

图3为本发明实施例提供的车辆前身目标分割示意图；

图4为本发明实施例提供的由车牌信息对应到预存的所有信息的匹配图；

图5为本发明实施例提供的基于Saas模式的智慧停车解决系统的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1所示，本发明实施例提供了一种基于Saas模式的智慧停车解决方法，

S 10、通过摄像头采集车辆前身的图像；

S20、对所述图像进行一次处理；

S30、将经一次处理后的图像输入多信息检测BP神经网络模型，输出检测信息；所述多信息检测BP神经网络模型用于检测识别：车辆的车牌信息和车辆的标志图像；

S40、将所述图像输入预设的卷积神经网络进行车辆前身目标识别，根据目标识别框的区域图像，识别所述区域图像中预设位置的颜色；

S50、对步骤S40的区域图像进行预处理，提取所述车辆前身目标图像的最大外轮廓图；

S60、分别将步骤S30检测的车辆的车牌信息和车辆的标志图像、步骤S40识别的颜色、步骤S50提取的最大外轮廓图，与预存的相应信息进行对比，当对比结果完全一致时，控制栏杆机抬杆放行。

在具体布置时，参照图2所示，包括：停车场管理设备与云平台，停车场管理设备包括：栏杆机、摄像头、现场计算机等硬件；基于Saas模式，该云平台可同时为多家停车场提供智慧停车服务。

本实施例中，通过获取摄像头采集车辆前身的图像，基于该图像可以实现对车辆的四种信息识别，包括：车牌信息、标志图像、车身颜色和车辆前身轮廓图。基于该四种信息共同表征同一辆车，当然在使用该方法之前，基于管理的需要，预先录入车辆的上述四种信息，其中标志图像直接采用市面上已有的400多种，根据车辆的新车上市及更迭替换，可以在远程服务器端做到及时更新。在现场计算机侧录入时，只需对应选择即可。而车辆前身轮廓图，可由车主拍摄一张车身正面图，由云服务器负责提取其轮廓图，然后下传给现场计算机。

通过BP神经网络模型可得到车牌信息和车辆标志图像、并基于卷积神经网络得到车身颜色，进一步再提取出最大外轮廓图，然后与现场计算机存储的对应信息进行比对，当完全比对正确后，方可抬杆放行。该方法基于Saas模式为用户提供全套的软硬件服务，无需用户参与软硬件维保，安装即可使用；降低人工管理成本、准确识别车辆身份。可做到无人值守，实现智慧停车。

在一个实施例中，该方法中，还包括：S70、当比对结果存在任一项信息错误时，可通过现场的显示屏显示错误的信息，比如：当车身颜色错误时，显示车身颜色对比错误，无通行权；也可以通过外放喇叭播报错误信息。此时，可由车主自主离开，或联系管理人员说明理由，请求人工控制抬杆处理。

四种信息的比对，可完全杜绝作假方式进入，为正常管理提供了更安全的保障。

下面分别对上述各个步骤中识别的过程进行详细说明：

在一个实施例中，对车辆图像进行检测，可基于多信息检测BP神经网络模型进行识别，得到车辆的车牌信息和标志图像。其中，在识别之前对摄像头采集的车辆前身图像进行如下依次处理：

高斯平滑、中值滤波、灰度化和二值化处理。在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，每一个步骤处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。

该多信息检测BP神经网络模型，采用BP神经网络多任务学习训练而成，其训练数据包括带有标签信息的多种车牌信息和/或车辆的标志图像，其训练的过程可采用现有的技术训练即可：包括：

(1)、获取大量的训练图像；该训练图像包括多种车牌信息的图像及多种车辆的标志图像，其中每个车牌均标注有车牌信息，比如“京A00000”；标志图像标签信息：“大众”、“宝马”、“Jeep”等。

(2)提取标注框的颜色特征和纹理特征；

(3)将提取的颜色特征和纹理特征，输入BP神经网络模型，使用Tensorflow2.3深度学习框架进行训练；

(4)判断训练得到的模型是否满足预设条件，可对验证集数据进行测试，比如准确率达到98％以上，且模型趋于收敛或者出现过拟合的现象时，确定训练得到的模型为多信息检测BP神经网络模型。

本实施例中，通过多信息检测BP神经网络模型可检测出车辆的车牌信息和车辆的标志图像，此时就可以直接进行对比，当与存储的信息比对不一致时，也会提示发出警示；如果这两项都对比正确后，可再进行车辆颜色、外轮廓图的提取与对比。

在一个实施例中，将步骤S10的图像输入到训练好的卷积神经网络进行车辆前身目标识别，根据目标识别框的区域图像，识别区域图像中预设位置的颜色，包括：

S401、将所述图像输入训练好的R-CNN、FAST-RCNN或FASTER-RCNN网络，进行车辆前身目标识别；

S402、根据识别出的所述车辆前身目标，得到车辆前身目标高度值以及宽度值；

S403、根据所述车辆前身目标高度值以及宽度值按照前引擎盖面积预设比例，采集区域内的像素点颜色值，作为所述车辆颜色。

可以采用R-CNN、FAST-RCNN或FASTER-RCNN进行车辆前身目标识别，确定目标区域。训练的过程可参照现有技术即可。

进一步地，参照图3所示，当得到车辆前身目标后，得到其高度值和宽度值，对区域进行分割，从下到上选取高度值五分之二处为第一分割点，从上到下选取五分之二处为第二分割点，两个分割点之间的距离作为前引擎盖的高度值。

然后根据前引擎盖的高度值以及车身的宽度值，可得到一个前引擎盖的区域图像，在此区域内任意选择采集点都可以作为车身颜色。在实际应用中，一般车身为单纯的一种颜色，均可按此处理。而当前引擎盖颜色与车身颜色不一致时，在系统录入时，录入前引擎盖颜色为准。

识别的过程为：可将前引擎盖的区域图像的GRB转换为YUV和HSV色彩空间，获取区域图像的各个像素点在该色彩空间各通道对应的通道值，其中，RGB色彩空间转至YUV色彩空间的计算公式如下：

Y＝0.299R+0.587G+0.114B

U＝-0.147R-0.289G+0.436B

V＝0.615R-0.515G-0.100B

RGB色彩空间转至HSV色彩空间的计算公式如下：

设max等于r、g和b中的最大者，min为最小者。对应的HSV空间中的(h，s，v)值为：

v＝max。

将上述区域图像的RGB、YUV、HSV色彩空间共九个通道进行融合形成新的区域图像数据；作为颜色特征计算的输入；最后，基于训练好的R-CNN、FAST-RCNN或FASTER-RCNN网络，进行车辆颜色的识别。

进一步地，为了获取车辆前身目标图像的最大外轮廓图，在上述R-CNN、FAST-RCNN或FASTER-RCNN网络得到目标的检测框后，进行二值化处理，然后采用Canny边缘检测或Sobel算子边缘检测获得车辆前身目标图像的最大外轮廓图。

在一个实施例中，步骤S60中，将上述步骤获取的四种数据分别与预存的相应信息进行对比。在对比过程中：比如以车牌信息作为主要标识，具体包括：

首先，将识别到的车牌信息，对比预存的车牌信息，当对比成功后，则再获取相应的关联信息，如图4所示。

然后将识别到的标志图像与预存的标志图像进行对比，当对比成功后，继续比对车身颜色和车辆前身轮廓图，当四项信息依次对比正确后，可抬杆放行。在上述对比的顺序中，当任一比对不正确时，都无需进行后续的对比，可直接发出警示。

其中，比如当车牌信息比对正确后，采用OPENCV提供的hu矩匹配的函数，输入最大外轮廓图与预存的车牌信息所对应的轮廓图比较，返回两个轮廓图之间hu矩的相似度；当该相似度达到阈值时，则认为轮廓图比对正确。该阈值可以根据实际情况调整，比如调整为70％即可。

由基于SaaS模式提供智慧停车解决方法，完全基于SaaS提供商提供的软硬件，安装即可使用，无需使用方参与软硬件维保；降低人工管理成本、基于多源信息准确识别车辆身份，避免因非法车辆通过后引起管理上的纠纷。

基于同一发明构思，本发明实施例还提供了一种基于Saas模式的智慧停车解决系统，由于该系统所解决问题的原理与前述基于Saas模式的智慧停车解决方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。

本发明实施例还提供一种基于Saas模式的智慧停车解决系统，参照图5所示，包括：

采集模块，用于通过摄像头采集车辆前身的图像；

处理模块，用于对所述图像进行一次处理；

检测模块，用于将经一次处理后的图像输入多信息检测BP神经网络模型，输出检测信息；所述多信息检测BP神经网络模型用于检测识别：车辆的车牌信息和车辆的标志图像；

识别模块，用于将所述图像输入预设的卷积神经网络进行车辆前身目标识别，根据目标识别框的区域图像，识别所述区域图像中预设位置的颜色；

提取模块，用于对所述区域图像进行预处理，提取所述车辆前身目标图像的最大外轮廓图；

对比模块，用于分别将检测的车辆的车牌信息和车辆的标志图像、识别模块识别的颜色、提取模块提取的最大外轮廓图，与预存的相应信息进行对比，当对比结果完全一致时，控制栏杆机抬杆放行。

当将指定的车辆相关联的四种信息车牌信息、标志图像、车身颜色和车辆前身轮廓图输入系统后，系统会自动地识读经过车辆的四种信息，并查询内部数据库。当对比完全一致时需要放行，则由现场计算机发出指令驱动电子门或栏杆机让其通过，对于比对错误时，会给出警示，由值勤人员处理。

将车牌识别设备安装于出入口，记录车辆的牌照号码、出入时间，并与自动门、栏杆机的控制设备结合，实现车辆的自动管理。应用于停车场可以实现智慧停车，比如自动计时收费，也可以自动计算可用车位数量并给出提示，实现停车收费自动管理节省人力、提高效率。甚至还可以应用于智能小区可以自动判别驶入车辆是否属于本小区，对非内部车辆实现自动计时收费。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于Saas模式的智慧停车解决方法，其特征在于，包括：

S10、通过摄像头采集车辆前身的图像；

S20、对所述图像进行一次处理；

S30、将经一次处理后的图像输入多信息检测BP神经网络模型，输出检测信息；所述多信息检测BP神经网络模型用于检测识别：车辆的车牌信息和车辆的标志图像；

S40、将所述图像输入预设的卷积神经网络进行车辆前身目标识别，根据目标识别框的区域图像，识别所述区域图像中预设位置的颜色；

S50、对步骤S40的区域图像进行预处理，提取所述车辆前身目标图像的最大外轮廓图；

S60、分别将步骤S30检测的车辆的车牌信息和车辆的标志图像、步骤S40识别的颜色、步骤S50提取的最大外轮廓图，与预存的相应信息进行对比，当对比结果完全一致时，控制栏杆机抬杆放行。

2.根据权利要求1所述的一种基于Saas模式的智慧停车解决方法，其特征在于，还包括：

S70、当对比结果存在不一致的情况时，将对应的错误信息通过显示屏显示或通过外放喇叭进行播报。

3.根据权利要求2所述的一种基于Saas模式的智慧停车解决方法，其特征在于，所述S20步骤包括：对所述图像依次进行高斯平滑、中值滤波、灰度化和二值化处理。

4.根据权利要求3所述的一种基于Saas模式的智慧停车解决方法，其特征在于，所述多信息检测BP神经网络模型，通过多组训练数据对BP神经网络模型进行训练得到的；所述多组训练数据的每一组数据包括带有标签信息的多种车牌类型和/或车辆的标志图像。

5.根据权利要求4所述的一种基于Saas模式的智慧停车解决方法，其特征在于，所述S40步骤包括：

S401、将所述图像输入训练好的R-CNN、FAST-RCNN或FASTER-RCNN网络，进行车辆前身目标识别；

S402、根据识别出的所述车辆前身目标，得到车辆前身目标高度值以及宽度值；

S403、根据所述车辆前身目标高度值以及宽度值按照前引擎盖面积预设比例，采集区域内的像素点颜色值，作为所述车辆颜色。

6.根据权利要求4所述的一种基于Saas模式的智慧停车解决方法，其特征在于，所述S50步骤，包括：

对S40的区域图像进行二值化处理，采用Canny边缘检测或Sobel算子边缘检测获得车辆前身目标图像的最大外轮廓图。

7.根据权利要求1所述的一种基于Saas模式的智慧停车解决方法，其特征在于，所述S60步骤中，最大外轮廓图，与预存的相应信息进行对比，包括：

当车牌信息比对正确后，采用OPENCV提供的hu矩匹配的函数，输入最大外轮廓图与预存的车牌信息所对应的轮廓图比较，返回两个轮廓图之间hu矩的相似度；

当所述相似度达到阈值时，则轮廓图比对正确。

8.一种基于Saas模式的智慧停车解决系统，其特征在于，包括：

采集模块，用于通过摄像头采集车辆前身的图像；

处理模块，用于对所述图像进行一次处理；

检测模块，用于将经一次处理后的图像输入多信息检测BP神经网络模型，输出检测信息；所述多信息检测BP神经网络模型用于检测识别：车辆的车牌信息和车辆的标志图像；

识别模块，用于将所述图像输入预设的卷积神经网络进行车辆前身目标识别，根据目标识别框的区域图像，识别所述区域图像中预设位置的颜色；

提取模块，用于对所述区域图像进行预处理，提取所述车辆前身目标图像的最大外轮廓图；

对比模块，用于分别将检测的车辆的车牌信息和车辆的标志图像、识别模块识别的颜色、提取模块提取的最大外轮廓图，与预存的相应信息进行对比，当对比结果完全一致时，控制栏杆机抬杆放行。

Images