一种基于图像深度信息的停车事件确定方法及装置与流程

1.本发明涉及智能停车管理领域，特别涉及一种基于图像深度信息的停车事件确定方法及装置。


背景技术：

2.城市路侧停车一直以来是城市管理的痼疾之一，计费混乱、监管成本高、受场地及天候影响大、不能完成车牌和车辆照片的取证等是目前路侧停车管理的核心痛点。目前城市中大部分停车位仍由人工管理，人工管理模式一方面存在漏收费、乱收费、易出现计费纠纷等问题，另一方面受到监管范围和监管时间等制约，无法做到全天候管理近百米长的停车位。近年来部分城市试行基于地磁传感器的路侧停车管理，依靠埋设于车位的地磁传感器提供触发信号，来提醒管理员进行收费和监管。但此种模式仍需要大量人工参与，地磁传感器只是辅助手段，仍无法实现车辆入场、停放、出场的完整取证。也有部分城市使用视频桩设备进行停车管理，在每个停车位部署一个低矮的视频桩设备，对车辆进行抓拍取证，存在视野范围小、容易被遮挡、光干扰严重、难以应对不规范停车等问题，且需要大面积破坏路面，施工量大、成本较高。如何利用人工智能技术，高效地管理路侧停车，实现路侧停车的自动化、电子化管理是一个非常有意义的课题。
3.最近一种新型基于高位视频技术的路侧停车管理装置被广泛应用，此装置的设备包含数个多种类型相机，本地控制器、后台服务器等。相机负责提取拍摄停车证据，本地控制器负责控制相机拍摄、判断停车行为、处理停车证据、存储相关数据、上传后台服务器等。本地控制器控制相机提取停车证据，并通过图像识别算法判断是否发生停车行为。如若发生停车行为，便处理相关停车证据，并将相关停车数据上传至后台服务器。
4.然而目前通过单一图像识别算法判断是否发生停车行为，存在系统鲁棒性低、可能出现误判等问题。然而传统上获得目标距离信息主要依靠激光雷达的方式；但是由于激光雷达的硬件成本较高，造成这种方式获取距离信息的成本较高，进而导致现有停车事件确定方式无法做到成本和准确性兼顾的问题。


技术实现要素：

5.为解决上述技术问题，本发明提供一种基于图像深度信息的停车事件确定方法及装置，可以解决现有停车事件确定方式无法做到成本和准确性兼顾的问题。
6.为实现上述目的，本发明提供一种基于图像深度信息的停车事件确定方法，所述方法包括：
7.通过预置目标深度预测神经网络获取相邻图像中各个像素点的深度信息；
8.根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化；
9.若相邻帧图像对应的深度信息判断车位区域存在深度信息变化，则根据预置目标检测算法确定所述车位区域的停车事件信息。
10.进一步地，所述通过预置目标深度预测神经网络获取相邻图像中各个像素点的深
度信息的步骤之前，所述方法还包括：
11.按照预置固定频率获取停车场区域图像；
12.对所述图像进行缩放处理并建立所述预置目标深度预测神经网络。
13.进一步地，所述建立所述预置目标深度预测神经网络的步骤包括：
14.建立初始目标深度预测神经网络并输入训练集图像，所述训练集图像为经过预处理后的多张路侧实际场景图像和各个图像中像素点对应的深度信息；
15.根据所述初始目标深度预测神经网络的输出值和所述每张路侧实际场景图像各个像素点对应的深度信息获取损失值，并通过不断迭代获得卷积神经网络的最佳权重模型；
16.根据所述最佳权重模型得到所述预置目标深度预测神经网络。
17.进一步地，所述根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化的步骤之前，所述方法还包括：
18.对相邻图像中各个像素点的深度信息进行归一化处理；
19.根据归一化处理后的相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化。
20.进一步地，根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化的步骤包括：
21.获取相邻帧图像对应的深度信息并对相邻帧图像对应的深度信息进行差分计算；
22.判断相邻帧图像对应的深度信息差分值是否大于预设阈值并且判断差分值大于预设阈值的区域是否位于车位中；
23.若是，则确认所述车位区域存在深度信息变化。
24.进一步地，所述根据预置目标检测算法确定所述车位区域的停车事件信息的步骤包括：
25.根据所述预置目标检测算法检测所述车位区域是否存在车辆目标；
26.若存在，则确定所述车辆在所述车位区域存在停车事件。
27.进一步地，本发明提供一种基于图像深度信息的停车事件确定装置，所述装置包括：
28.获取模块，用于通过预置目标深度预测神经网络获取相邻图像中各个像素点的深度信息；
29.判断模块，用于根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化；
30.确定模块，用于若相邻帧图像对应的深度信息判断车位区域存在深度信息变化，则根据预置目标检测算法确定所述车位区域的停车事件信息。
31.进一步地，所述装置还包括：处理模块，建立模块；
32.所述获取模块，还用于按照预置固定频率获取停车场区域图像；
33.所述处理模块，用于对所述图像进行缩放处理；
34.所述建立模块，用于建立所述预置目标深度预测神经网络。
35.进一步地，所述建立模块，具体用于建立初始目标深度预测神经网络并输入训练集图像，所述训练集图像为经过预处理后的多张路侧实际场景图像和各个图像中像素点对
应的深度信息；根据所述初始目标深度预测神经网络的输出值和所述每张路侧实际场景图像各个像素点对应的深度信息获取损失值，并通过不断迭代获得卷积神经网络的最佳权重模型；根据所述最佳权重模型得到所述预置目标深度预测神经网络。
36.进一步地，所述处理模块，还用于对相邻图像中各个像素点的深度信息进行归一化处理；
37.所述判断模块，还用于根据归一化处理后的相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化。
38.进一步地，所述判断模块，具体用于获取相邻帧图像对应的深度信息并对相邻帧图像对应的深度信息进行差分计算；判断相邻帧图像对应的深度信息差分值是否大于预设阈值并且判断差分值大于预设阈值的区域是否位于车位中；若差分值大于预设阈值的区域位于车位中，则确认所述车位区域存在深度信息变化。
39.进一步地，所述确定模块，具体用于根据所述预置目标检测算法检测所述车位区域是否存在车辆目标；若存在，则确定所述车辆在所述车位区域存在停车事件。
40.本发明提供的一种基于图像深度信息的停车事件确定方法及装置，通过通过预置目标深度预测神经网络获取的各个图像的深度信息，可以实现依靠现有摄像头设备，直接获得距离信息的目的，从而可以有效提高对停车事件判断的准确性，较大程度提高停车管理系统的鲁棒性、可靠性，并将停车事件的误判概率大大降低。与此同时，没有使用昂贵的激光雷达等设备，单纯使用原有摄像头，具有灵活部署、成本低廉等优点。
附图说明
41.图1是本发明提供的一种基于图像深度信息的停车事件确定方法的流程图；
42.图2是本发明提供的一种基于图像深度信息的停车事件确定装置的示意图。
具体实施方式
43.下面通过附图和实施例，对本发明的装置结构和实现方式做进一步的详细描述。
44.本发明提供一种基于图像深度信息的停车事件确定方法，如图1所示，具体包括如下步骤：
45.101、通过预置目标深度预测神经网络获取相邻图像中各个像素点的深度信息。
46.需要说明的是，步骤101之前还可以包括：按照预置固定频率获取停车场区域图像；对所述图像进行缩放处理并建立所述预置目标深度预测神经网络。其中，固定频率可以为每1s取一次图像，每2s取一次图像等，本发明实施例不做限定。对图像进行缩放处理的目的是使得各个图像的大小一致并符合神经网络的计算规格，从而进一步提升神经网络的计算准确率。
47.进一步地，所述建立所述预置目标深度预测神经网络的步骤包括：建立初始目标深度预测神经网络并输入训练集图像，所述训练集图像为经过预处理后的多张路侧实际场景图像；根据所述初始目标深度预测神经网络的输出值和所述每张路侧实际场景图像各个像素点对应的深度信息获取损失值，并通过不断迭代获得卷积神经网络的最佳权重模型，得到所述预置目标深度预测神经网络。
48.具体地，1、获取多张实际路侧场景图像作为训练集输入图像，可取任意路侧停车
场摄像拍摄的图像，图像数量越多越好，及相邻图像中像素点对应的深度信息头作为训练集真实输出，训练集的深度信息可通过激光雷达等方法获得但不限于此；
49.2、对实际路侧场景图像进行预处理：调整图像大小、图像随机水平翻转、图像随机在0-90度间旋转、对图像进行亮度和对比度和饱和度调整、对图像进行归一化处理，与此同时，对图像对应像素点的深度信息做同样的调整图像大小、图像随机水平翻转、图像随机在0-90度间旋转等操作，确保预处理后的图像中像素点对应深度信息仍是真实值；
50.3、建立目标深度预测神经网络和损失函数，输入训练集图像，通过反向传播计算损失值，并不断迭代使预测值逼近真实值，获得卷积神经网络的最佳权重模型，得到已训练完毕的目标深度预测神经网络；损失函数可由以下公式计算：loss＝ld+la，ld为目标距离信息预测值与真实值的差值，la为图像梯度等其他损失。
51.102、根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化信息。
52.其中，车位区域可以为路侧停车区域、垂直停车区域等，本发明实施例不做限定。
53.对于本发明实施例，由于通过如上方法获得的深度信息有时为相对深度信息，缺少绝对距离尺度，导致有可能前后两帧图像中，相同位置的目标虽未改变但深度信息不同，所以需要对输出的深度信息做归一化处理，使得前后两帧图像中虽然未移动目标的绝对距离信息不可知，但其相对深度信息是相同的。因此，步骤102之前还可以包括：对相邻图像中各个像素点的深度信息进行归一化处理；根据归一化处理后的相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化。通过对图像进行归一化处理并使用归一化处理后的图像进行停车事件判断，从而可以适配更多的神经网络模型用于到本发明的停车事件判断中，从而进一步提升本发明的适用性。
54.对于本发明实施例，步骤102具体可以包括：获取相邻帧图像对应的深度信息并做差分计算；判断差分值是否大于预设阈值并且判断所述区域是否位于车位中；若是，则确认所述车位区域存在深度信息变化。其中，预设阈值可以根据实际需求进行设定，本发明实施例不做限定。
55.103、若相邻帧图像对应的深度信息判断车位区域存在深度信息变化，则根据预置目标检测算法确定所述车位区域的停车事件信息。
56.对于本发明实施例，步骤103具体可以包括：根据所述预置目标检测算法检测所述车位区域是否存在车辆目标；若存在，则确定所述车辆在所述车位区域存在停车事件。
57.本发明提供的一种基于图像深度信息的停车事件确定方法，通过通过预置目标深度预测神经网络获取的各个图像的深度信息，可以实现依靠现有摄像头设备，直接获得距离信息的目的，从而可以有效提高对停车事件判断的准确性，较大程度提高停车管理系统的鲁棒性、可靠性，并将停车事件的误判概率大大降低。与此同时，没有使用昂贵的激光雷达等设备，单纯使用原有摄像头，具有灵活部署、成本低廉等优点。
58.作为图1所示方法的具体实现方式，本发明实施例提供一种基于图像深度信息的停车事件确定装置，如图2所示，所述装置包括：获取模块21，用于通过预置目标深度预测神经网络获取相邻图像中各个像素点的深度信息；
59.判断模块22，用于根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化；
60.确定模块23，用于若相邻帧图像对应的深度信息判断车位区域存在深度信息变
化，则根据预置目标检测算法确定所述车位区域的停车事件信息。
61.进一步地，所述装置还包括：处理模块24，建立模块25；
62.所述获取模块21，还用于按照预置固定频率获取停车场区域图像；所述处理模块24，用于对所述图像进行缩放处理；所述建立模块25，用于建立所述预置目标深度预测神经网络。其中，固定频率可以为每1s取一次图像，每2s取一次图像等，本发明实施例不做限定。对图像进行缩放处理的目的是使得各个图像的大小一致并符合神经网络的计算规格，从而进一步提升神经网络的计算准确率。
63.进一步地，所述建立模块25，具体用于建立初始目标深度预测神经网络并输入训练集图像，所述训练集图像为经过预处理后的多张路侧实际场景图像；根据所述初始目标深度预测神经网络的输出值和所述每张路侧实际场景图像各个像素点对应的深度信息获取损失值，并通过不断迭代获得卷积神经网络的最佳权重模型，得到所述预置目标深度预测神经网络。
64.具体地，1、获取多张实际路侧场景图像作为训练集输入图像，可取任意路侧停车场摄像拍摄的图像，图像数量越多越好，及相邻图像中像素点对应的深度信息头作为训练集真实输出，训练集的深度信息可通过激光雷达等方法获得但不限于此；
65.2、对实际路侧场景图像进行预处理：调整图像大小、图像随机水平翻转、图像随机在0-90度间旋转、对图像进行亮度和对比度和饱和度调整、对图像进行归一化处理，与此同时，对图像对应像素点的深度信息做同样的调整图像大小、图像随机水平翻转、图像随机在0-90度间旋转等操作，确保预处理后的图像中像素点对应深度信息仍是真实值；
66.3、建立目标深度预测神经网络和损失函数，输入训练集图像，通过反向传播计算损失值，并不断迭代使预测值逼近真实值，获得卷积神经网络的最佳权重模型，得到已训练完毕的目标深度预测神经网络；损失函数可由以下公式计算：loss＝ld+la，ld为目标距离信息预测值与真实值的差值，la为图像梯度等其他损失。
67.进一步地，其中，车位区域可以为路侧停车区域、垂直停车区域等，本发明实施例不做限定。
68.对于本发明实施例，由于通过如上方式获得的深度信息有时为相对深度信息，缺少绝对距离尺度，导致有可能前后两帧图像中，相同位置的目标虽未改变但深度信息不同，所以需要对输出的深度信息做归一化处理，使得前后两帧图像中虽然未移动目标的绝对距离信息不可知，但其相对深度信息是相同的。因此，所述处理模块24，还用于对相邻图像中各个像素点的深度信息进行归一化处理；所述判断模块22，还用于根据归一化处理后的相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化。
69.进一步地，所述判断模块22，具体用于获取相邻帧图像对应的深度信息并做差分计算；判断差分值是否大于预设阈值并且判断所述区域是否位于车位中；若是，则确认所述车位区域存在深度信息变化。其中，预设阈值可以根据实际需求进行设定，本发明实施例不做限定。
70.进一步地，所述确定模块23，具体用于根据所述预置目标检测算法检测所述车位区域是否存在车辆目标；若存在，则确定所述车辆在所述车位区域存在停车事件。
71.本发明提供的一种基于图像深度信息的停车事件确定装置，通过预置目标深度预测神经网络获取的各个图像的深度信息，可以实现依靠现有摄像头设备，直接获得距离信
息的目的，从而可以有效提高对停车事件判断的准确性，较大程度提高停车管理系统的鲁棒性、可靠性，并将停车事件的误判概率大大降低。与此同时，没有使用昂贵的激光雷达等设备，单纯使用原有摄像头，具有灵活部署、成本低廉等优点。
72.应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
73.在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
74.为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本技术公开的原理和新颖性特征的最广范围相一致。
75.上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
76.本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrativelogicalblock)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
77.本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
78.本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软
件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
79.在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
80.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于图像深度信息的停车事件确定方法，其特征在于，所述方法包括：通过预置目标深度预测神经网络获取相邻图像中各个像素点的深度信息；根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化；若根据相邻帧图像对应的深度信息判断车位区域存在深度信息变化，则根据预置目标检测算法确定所述车位区域的停车事件信息。2.根据权利要求1所述的基于图像深度信息的停车事件确定方法，其特征在于，所述通过预置目标深度预测神经网络获取相邻图像中各个像素点的深度信息的步骤之前，所述方法还包括：按照预置固定频率获取停车场区域图像；对所述图像进行缩放处理并建立所述预置目标深度预测神经网络。3.根据权利要求2所述的基于图像深度信息的停车事件确定方法，其特征在于，所述建立所述预置目标深度预测神经网络的步骤包括：建立初始目标深度预测神经网络并输入训练集图像，所述训练集图像包括经过预处理后的多张路侧实际场景图像和各个图像中像素点对应的深度信息；根据所述初始目标深度预测神经网络的输出值和所述每张路侧实际场景图像各个像素点对应的深度信息获取损失值，并通过不断迭代获得卷积神经网络的最佳权重模型；根据所述最佳权重模型得到所述预置目标深度预测神经网络。4.根据权利要求1所述的基于图像深度信息的停车事件确定方法，其特征在于，所述根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化的步骤之前，所述方法还包括：对相邻图像中各个像素点的深度信息进行归一化处理；根据归一化处理后的相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化。5.根据权利要求1所述的基于图像深度信息的停车事件确定方法，其特征在于，根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化的步骤包括：获取相邻帧图像对应的深度信息并对相邻帧图像对应的深度信息进行差分计算；判断相邻帧图像对应的深度信息差分值是否大于预设阈值并且判断差分值大于预设阈值的区域是否位于车位中；若是，则确认所述车位区域存在深度信息变化。6.根据权利要求1所述的基于图像深度信息的停车事件确定方法，其特征在于，所述根据预置目标检测算法确定所述车位区域的停车事件信息的步骤包括：根据所述预置目标检测算法检测所述车位区域是否存在车辆目标；若存在，则确定所述车辆在所述车位区域存在停车事件。7.一种基于图像深度信息的停车事件确定装置，其特征在于，所述装置包括：获取模块，用于通过预置目标深度预测神经网络获取相邻图像中各个像素点的深度信息；判断模块，用于根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化；确定模块，用于若根据相邻帧图像对应的深度信息判断车位区域存在深度信息变化，
则根据预置目标检测算法确定所述车位区域的停车事件信息。8.根据权利要求7所述的一种基于图像深度信息的停车事件确定装置，其特征在于，所述装置还包括：处理模块，建立模块；所述获取模块，还用于按照预置固定频率获取停车场区域图像；所述处理模块，用于对所述图像进行缩放处理；所述建立模块，用于建立所述预置目标深度预测神经网络。9.根据权利要求8所述的基于图像深度信息的停车事件确定装置，其特征在于，所述建立模块，具体用于建立初始目标深度预测神经网络并输入训练集图像，所述训练集图像为经过预处理后的多张路侧实际场景图像和各个图像中像素点对应的深度信息；根据所述初始目标深度预测神经网络的输出值和所述每张路侧实际场景图像各个像素点对应的深度信息获取损失值，并通过不断迭代获得卷积神经网络的最佳权重模型；根据所述最佳权重模型得到所述预置目标深度预测神经网络。10.根据权利要求8所述的基于图像深度信息的停车事件确定装置，其特征在于，所述处理模块，还用于对相邻图像中各个像素点的深度信息进行归一化处理；所述判断模块，还用于根据归一化处理后的相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化。11.根据权利要求7所述的基于图像深度信息的停车事件确定装置，其特征在于，所述判断模块，具体用于获取相邻帧图像对应的深度信息并对相邻帧图像对应的深度信息进行差分计算；判断相邻帧图像对应的深度信息差分值是否大于预设阈值并且判断差分值大于预设阈值的区域是否位于车位中；若差分值大于预设阈值的区域位于车位中，则确认所述车位区域存在深度信息变化。。12.根据权利要求7所述的基于图像深度信息的停车事件确定装置，其特征在于，所述确定模块，具体用于根据所述预置目标检测算法检测所述车位区域是否存在车辆目标；若存在，则确定所述车辆在所述车位区域存在停车事件。

技术总结
本发明公开一种基于图像深度信息的停车事件确定方法及装置，涉及智能停车管理领域，所述方法包括：通过预置目标深度预测神经网络获取相邻图像中各个像素点的深度信息；根据相邻帧图像对应的深度信息判断车位区域是否存在深度信息变化；若相邻帧图像对应的深度信息判断车位区域存在深度信息变化，则根据预置目标检测算法确定所述车位区域的停车事件信息。从而可以实现依靠现有摄像头设备，直接获得距离信息的目的，从而可以有效提高对停车事件判断的准确性，较大程度提高停车管理系统的鲁棒性、可靠性，并将停车事件的误判概率大大降低。与此同时，没有使用昂贵的激光雷达等设备具有灵活部署、成本低廉等优点。本发明适用于智能停车管理领域。停车管理领域。停车管理领域。


技术研发人员：闫军 项炎平
受保护的技术使用者：超级视线科技有限公司
技术研发日：2022.12.20
技术公布日：2023/6/27