一种面向智慧社区的停车引导方法及系统与流程
- 国知局
- 2024-07-31 21:02:23
本发明涉及计算机,尤其是一种面向智慧社区的停车引导方法及系统。
背景技术:
1、随着城市化进程加速,城市人口快速增长,社区规模扩大,社区管理和服务面临更大的挑战。由于传统的社区管理模式已经无法满足居民的需求,智慧社区概念应运而生。智慧社区将科技与社区管理相结合,利用先进的信息技术手段来优化社区的管理和服务,提高社区居民的生活质量。智慧社区通常包含智能监控、智能门禁、环境监测等服务,极大地提高了民众的生活质量。然而,停车服务依然是现有智慧社区最薄弱的一个环节,大部分智慧社区的停车服务依然以剩余车位显示及空闲车位指示灯的方式提供,这种停车服务在应用于旧社区改造得来的智慧社区时,由于旧社区改造得来的智慧社区具有道路复杂狭窄、人流量大等特点,无法在用户前往停车场时为用户提供路况的实时判断,并且也无法对停车场状态进行把控,使得用户很可能被行人或其他车辆阻挡,难以顺利停车。
技术实现思路
1、为解决上述现有技术问题,本发明提供面向智慧社区的停车引导方法及系统,实现了能够应对居民流动性的面向智慧社区的停车引导。
2、为了达到上述技术目的,本技术实施例所采取的技术方案包括:
3、第一方面,本技术实施例提供了一种面向智慧社区的停车引导方法,包括:
4、根据目标智慧社区的连续拍摄图像构建目标智慧社区的初始社区地图,连续拍摄图像为沿着预设拍摄路线进行连续拍摄得到的图像,目标智慧社区设置有若干个监控摄像头;
5、获取各个监控摄像头采集的目标智慧社区的若干张场景图像,并在连续拍摄图像中选取与各场景图像相对应的若干张初始场景图像;
6、将各场景图像输入预设的目标检测模型中,输出各场景图像对应的人流量、车流量和占道识别结果;
7、对各场景图像与对应的初始场景图像进行特征点匹配,得到若干个投射矩阵;
8、基于投射矩阵对各场景图像进行投射得到若干张投射图像,并将各初始场景图像分别替换为对应的投射图像,生成若干个局部地图;
9、根据各场景图像对应的人流量、车流量和占道识别结果,生成各局部地图的标签信息并将各标签信息添加至对应的局部地图中;
10、将初始社区地图与各局部地图融合,生成完整社区地图;
11、根据完整社区地图生成停车引导路线,并显示完整社区地图和停车引导路线。
12、另外,根据本技术上述实施例的一种面向智慧社区的停车引导方法,还可以具有以下附加的技术特征:
13、进一步地,本技术实施例的一种面向智慧社区的停车引导方法中,获取各个监控摄像头采集的目标智慧社区的若干张场景图像包括:
14、获取各个监控摄像头的实时监控视频;
15、按照预设的时间间隔对实时监控视频进行抽帧,并选取其中一帧得到各场景图像。
16、进一步地,在本技术的一个实施例中,各个监控摄像头的可视区域内放置有不同的标识;
17、在连续拍摄图像中选取与各场景图像相对应的若干张初始场景图像包括:
18、在连续拍摄图像中选取标识与各场景图像中的标识相同的图像,得到各初始场景图像。
19、进一步地,在本技术的一个实施例中,将各场景图像输入预设的目标检测模型中,输出各场景图像对应的人流量、车流量和占道识别结果包括:
20、将各场景图像划分为地面场景图像或者地下场景图像;
21、将各地面场景图像输入目标检测模型中,输出各场景图像对应的人流量和车流量,各地下场景图像对应的人流量和车流量为0;
22、将各地下场景图像输入目标检测模型中,输出各场景图像对应的占道识别结果,各地面场景图像对应的占道识别结果为0。
23、进一步地,在本技术的一个实施例中,在将各地下场景图像输入目标检测模型中,输出各场景图像对应的占道识别结果之前,停车引导方法还包括:
24、对各地下场景图像进行光照频谱增强。
25、进一步地,在本技术的一个实施例中,对各地下场景图像进行光照频谱增强包括:
26、对地下场景图像的像素点进行归一化,得到各像素点的值;
27、根据预设的曝光度参数将各像素点的值映射到增强曲线,完成地下场景图像的光照频谱增强。
28、进一步地,在本技术的一个实施例中,曝光度参数的预设包括:
29、构建深度量子神经递归网络;
30、定义深度量子神经递归网络的迭代式和目标函数,其中,所述迭代式为:
31、 ;
32、所述目标函数为:
33、;
34、式中,、为增强曲线,为像素点的值,为像素点的序号,为曝光度参数,和为阶数,为预设的增强曲线的最优值,为迭代阶数;
35、根据深度量子神经递归网络的迭代式和目标函数求解得到曝光度参数。
36、进一步地,在本技术的一个实施例中,目标检测模型的预设包括;
37、基于yolov8构建目标检测模型,目标检测模型包括若干层卷积层和至少四层特征融合层;
38、在目标检测模型中设置最大池化层,最大池化层用于将目标检测模型的第二层卷积层输出的特征图划分为第一子特征、第二子特征和第三子特征,并将第一子特征输出至目标检测模型的第一层特征融合层,将第二子特征输出至目标检测模型的第三层特征融合层,将第三子特征输出至目标检测模型的第四层特征融合层。
39、进一步地,在本技术的一个实施例中,完整社区地图包括社区地面地图和社区地下地图;
40、根据完整社区地图生成停车引导路线包括:
41、判断社区地下地图是否存在无占道路线;
42、若是,则选择路程最短的无占道路线作为地下引导路线;若否,则在社区地下地图的各条路线中选择路程最短的路线作为地下引导路线;
43、根据地下引导路线和社区地面地图生成地面引导路线,地面引导路线为社区地面地图中与地下引导路线连接的人流量和车流量之和最小并且路程最短的路线;
44、结合地面引导路线和地下引导路线,生成停车引导路线。
45、第二方面,本技术实施例提出了一种面向智慧社区的停车引导系统,包括:
46、构建模块,用于根据目标智慧社区的连续拍摄图像构建目标智慧社区的初始社区地图,连续拍摄图像为沿着预设拍摄路线进行连续拍摄得到的图像,目标智慧社区设置有若干个监控摄像头;
47、图像获取模块,用于获取各个监控摄像头采集的目标智慧社区的若干张场景图像,并在连续拍摄图像中选取与各场景图像相对应的若干张初始场景图像;
48、目标检测模块,用于将各场景图像输入预设的目标检测模型中,输出各场景图像对应的人流量、车流量和占道识别结果;
49、特征匹配模块,用于对各场景图像与对应的初始场景图像进行特征点匹配,得到若干个投射矩阵;
50、投射模块,用于基于投射矩阵对各场景图像进行投射得到若干张投射图像,并将各初始场景图像分别替换为对应的投射图像,生成若干个局部地图;
51、局部地图生成模块,用于根据述场景图像对应的人流量、车流量和占道识别结果,生成各局部地图的标签信息并将各标签信息添加至对应的局部地图中;
52、地图融合模块,用于将初始社区地图与各局部地图融合,生成完整社区地图;
53、路线生成模块,用于根据完整社区地图生成停车引导路线,并显示完整社区地图和停车引导路线。
54、本发明的有益效果体现在,通过连续拍摄图像构建目标智慧社区的初始社区地图,获取目标智慧社区的各个监控摄像头采集的场景图像和对应的初始场景图像,并利用投射矩阵将各场景图像进行投射得到投射图像后将各初始场景图像替换为对应的投射图像,生成若干个局部地图,进而根据检测得到的各场景图像对应的人流量、车流量和占道识别结果生成各局部地图的标签信息后将局部地图与初始社区地图进行融合,生成完整社区地图,从而利用完整社区地图生成停车引导路线并显示,实现了基于目标智慧社区的监控摄像头所采集的场景图像的停车引导路线生成,并且利用包含人流量、车流量和占道识别结果信息的完整社区地图生成的停车引导路线能够在用户前往停车场时为用户提供路况的实时判断,并且对停车场状态进行实时把控,减少用户被阻挡的情况,使得用户停车过程更加顺利,能适用于包括旧社区改造得来的智慧社区的任意智慧社区。
本文地址:https://www.jishuxx.com/zhuanli/20240731/188072.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。