基于深度学习的智能停车场车牌识别和车位管理系统的制作方法

本发明涉及停车场车位管理，具体涉及基于深度学习的智能停车场车牌识别和车位管理系统。

背景技术：

1、智能停车场系统也即智能停车场管理系统，通过摄像头采集车辆车牌信息进行识别来记录车辆驶入驶出停车场的信息，并且记录不同车辆的停车位置，进而统计各个停车道路区域的剩余车位数量，此时当新的车辆驶入停车场时，通过led显示器显示不同行驶方向的剩余车位数量，并利用箭头的形式引导车辆进入空闲车位。

2、现有技术通常将距离停车场入口最近的空闲车位对新的驶入车辆进行引导，以节省停车车位寻找时间。但是由于待管理车辆即新的驶入车辆的停车习惯不同，并且结合不同停车路段的空余车位的分布情况不同的特点，直接以最近的空闲车位对新的驶入车辆进行引导，甚至可能会导致停车效率降低；例如若驶入车辆的驾驶技术较差时，通常会在停车场寻找较远的较为空旷的停车路段进行停车；而当停车路段的空余车位较少时，在对应的停车路段停车对驾驶技术的要求较高，若对于司机驾驶技术较差的车辆，可能需要更多的时间来进行停车，并且可能会引发拥堵情况导致停车的效率更低。也即现有技术将距离停车场入口最近的空闲车位对新的驶入停车场的车辆进行引导的方法所得到的最终停车路段不够准确，从而降低待管理车辆的停车效率，使得对停车场车位管理的效果较差。

技术实现思路

1、为了解决现有技术将距离停车场入口最近的空闲车位对新的驶入停车场的车辆进行引导的方法所得到的最终停车路段不够准确，从而降低待管理车辆的停车效率，使得对停车场车位管理的效果较差的技术问题，本发明的目的在于提供一种基于深度学习的智能停车场车牌识别和车位管理系统，所采用的技术方案具体如下：

2、本发明提出了基于深度学习的智能停车场车牌识别和车位管理系统，所述系统包括：

3、停车数据获取模块，用于获取每个时刻下停车场中每个停车路段的占用车位和空闲车位，以及待管理车辆在停车场的每个历史停车时刻下的最终停车车位；

4、停车效率特征值计算模块，用于在每个时刻下，根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量，以及占用车位和空闲车位的位置分布情况，得到每个时刻下停车场中每个停车路段的停车效率特征值；

5、停车优先度计算模块，用于根据待管理车辆对应的每个历史停车时刻下各个停车路段的停车效率特征值的分布情况，得到待管理车辆的停车效率需求程度；对于停车场的每个停车路段，根据待管理车辆在当前停车时刻下的停车效率特征值相对于各个历史停车时刻的停车效率特征值的偏差，和每个历史停车时刻下的最终停车车位在停车场位置分布情况，以及所述停车效率需求程度，得到当前停车时刻下待管理车辆在每个停车路段的停车优先度；

6、停车场车位管理模块，用于根据所述停车优先度得到待管理车辆在当前停车时刻下的最终停车路段；根据所述最终停车路段进行停车场车位管理。

7、进一步地，所述停车效率特征值的获取方法包括：

8、对于每个时刻下的每个停车路段：在停车路段中，沿停车路段的延伸方向，将每个占用车位和其前一个占用车位之间的空闲车位数量，与每个占用车位和其后一个占用车位之间的空闲车位数量的和值，作为每个占用车位的参考空闲数量；将停车路段中所有占用车位的参考空闲数量的均值，作为停车路段的停车可操作度；

9、根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量和停车可操作度，构建停车效率特征值计算模型，根据所述停车效率特征值计算模型得到每个时刻下每个停车路段的停车效率特征值。

10、进一步地，所述停车效率需求程度的获取方法包括：

11、将待管理车辆在每个历史停车时刻的最终停车车位所处的停车路段的停车效率特征值，作为每个历史停车时刻的历史停车效率；将每个历史停车时刻以对应的历史停车效率从大到小的顺序排列，得到历史停车时刻序列；在所述历史停车时刻序列中，将每个历史停车时刻的历史停车效率与下一个历史停车时刻的历史停车效率之间的差异，作为每个历史停车时刻的参考效率变化值；

12、在历史停车效率小于参考效率均值的所有历史停车时刻中，将参考效率变化值最大的历史停车时刻的停车效率特征值，作为待管理车辆的停车效率需求程度。

13、进一步地，所述停车优先度的获取方法包括：

14、将不同停车路段之间的交汇处，作为路口节点；获取每个历史停车时刻下的最终停车车位到每个停车路段的最短路径；

15、依次将每个停车路段作为目标停车路段；将每个历史停车时刻到目标停车路段的最短路径上的路口节点总数量，作为每个历史停车时刻的路口节点数量；将所有历史停车时刻的路口节点数量的均值的负相关映射值，作为目标停车路段的停车距离参考值；将所有历史停车时刻中最终停车车位在目标停车路段的频率，作为目标停车路段的停车频率参考值；

16、将所有历史停车时刻下目标停车路段的停车效率特征值的均值，作为目标效率均值；根据当前停车时刻下目标停车路段的停车效率特征值与所述目标效率均值，得到当前停车时刻下目标停车路段的停车效率参考值，当前停车时刻下目标停车路段的停车效率特征值与所述停车效率参考值呈正相关关系，所述目标效率均值与所述停车效率参考值呈负相关关系；

17、根据所述停车距离参考值、所述停车频率参考值、所述停车效率参考值、当前停车时刻下目标停车路段的停车效率特征值和所述停车效率需求程度，构建停车优先度计算模型；根据所述停车优先度计算模型，得到当前停车时刻下待管理车辆在目标停车路段的停车优先度。

18、进一步地，所述最终停车路段的获取方法包括：

19、在当前停车时刻下，将待管理车辆在停车场中的停车优先度最大的停车路段，作为待管理车辆在当前停车时刻下的最终停车路段。

20、进一步地，所述根据所述最终停车路段进行停车场车位管理的方法包括：

21、对待管理车辆向对应的最终停车路段进行路线引导，直至待管理车辆进入空闲车位。

22、进一步地，所述停车效率特征值计算模型包括：

23、；

24、其中，为第个时刻下停车场第个停车路段的停车效率特征值，为第个时刻下停车场第个停车路段的空闲车位数量；为停车场第个停车路段的车位总数量；为第个时刻下停车场第个停车路段的停车可操作度；为待管理车辆到第个停车路段的最短路径长度。

25、进一步地，所述停车优先度计算模型包括：

26、；

27、其中，为当前停车时刻下待管理车辆在第个停车路段的停车优先度；为第个停车路段的停车频率参考值，为第个停车路段的停车距离参考值，为第个停车路段的停车效率参考值，为当前停车时刻下第个停车路段的停车效率特征值，为待管理车辆的停车效率需求程度。

28、进一步地，所述最短路径的获取方法采用启发式路径搜索算法。

29、进一步地，所述停车效率参考值的获取方法包括：

30、将当前停车时刻下目标停车路段的停车效率特征值与所述目标效率均值的比值，作为当前停车时刻下目标停车路段的停车效率参考值。

31、本发明具有如下有益效果：

32、仅基于距离进行最终停车路段的选择，没有考虑到停车路段的空闲车位情况以及待管理车辆的停车习惯，从而导致所得到的最终停车路段不够准确，所以需要从各个停车路段的空闲车位情况以及停车习惯进行分析，也即需要获取用于表征各个停车路段的空闲车位情况的每个停车路段的占用车位和空闲车位，以及表征停车习惯的待管理车辆在停车场的每个历史停车时刻下的最终停车车位。

33、对于每个停车路段而言，空闲车位的数量越多，则在该停车路段的停车效率越高；但还需要考虑到当车位间隔分布时，实际上的车位可操作空间仍为一个车位，因此还需要结合空闲车位的分布进行分析；进一步地当待管理车辆到对应的停车路段的路径长度越长时，行驶需要花费的时间同样会影响停车效率，因此本发明根据待管理车辆到每个停车路段的最短路径长度、空闲车位数量，以及占用车位和空闲车位的位置分布情况，进行停车效率特征值的计算。

34、进一步地对于每个停车路段而言，当前时刻下对应的停车效率相较于各个历史停车时刻下的停车效率越大，说明该停车路段在当前时刻的优先度越高；同时，若待管理车辆的所有历史停车时刻的最终停车车位处于对应的停车路段的次数越多，说明待管理车辆越习惯于在该停车路段停车，并且对应停车路段越靠近待管理车辆每次停车的最终停车位置时，则被选择停车的可能性越高，对应的停车优先级也就越高；此外，考虑到不同车主对停车效率的需求不同，若车主通常选择停车效率较大的停车路段进行停车，则对于停车效率相对较小的停车路段而言，对应的优先级通常更小，因此可根据待管理车辆在各个历史停车时刻下停车路段的停车效率特征值的分布，得到对应的停车效率需求程度，停车效率需求程度越大，说明车主对停车效率的要求越高，则当前停车时刻下停车效率特征值小于停车效率需求程度的停车路段的优先级应当越小。将对停车优先级影响的所有特征结合，得到当前停车时刻下待管理车辆在每个停车路段的停车优先度，使得根据停车优先度得到的当前时刻下待管理车辆的最终停车路段更加准确，提高待管理车辆的停车效率，使得对停车场车位管理的效果更好。