[go: up one dir, main page]

CN116108389A - 一种基于众包数据的城市停车全域可信感知方法 - Google Patents

一种基于众包数据的城市停车全域可信感知方法 Download PDF

Info

Publication number
CN116108389A
CN116108389A CN202310020657.3A CN202310020657A CN116108389A CN 116108389 A CN116108389 A CN 116108389A CN 202310020657 A CN202310020657 A CN 202310020657A CN 116108389 A CN116108389 A CN 116108389A
Authority
CN
China
Prior art keywords
parking space
parking
data
vehicle
model
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
Application number
CN202310020657.3A
Other languages
English (en)
Inventor
赵聪
杜豫川
季添翼
汪诗雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202310020657.3A priority Critical patent/CN116108389A/zh
Publication of CN116108389A publication Critical patent/CN116108389A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及一种基于众包数据的城市停车全域可信感知方法，包括以下步骤：S1、构建基于深度学习的停车位检测模型；S2、定义四种影响因素并与仿真场景结合，研究并分析不同影响因素组合对停车位检测模型的影响规律和感知成功率的相关性；S3、对定义的四种影响因素进行评估，建立不同外部因素干扰下停车位状态感知失效概率预测模型，预测停车位检测模型识别的可信度；S4、搭建多车感知仿真场景，分析车队规模对于停车位检测模型的影响规律，构建数据新鲜度模型，定义众包数据的可信融合方法，完成对城市级路侧停车位状态的可信感知。与现有技术相比，本发明具有提升路侧停车位状态的可信感知准确率、提高可信度、实时性强等优点。

Description

一种基于众包数据的城市停车全域可信感知方法
技术领域
本发明涉及交通信息感知与分析技术领域，尤其是涉及一种基于众包数据的城市停车全域可信感知方法。
背景技术
近年来，随着社会经济水平的提升，我国私家车保有量逐年提升，在一些大、中型城市，停车位供不应求的现象尤为凸显，因为乱停、乱放、占道、抢道等停车问题引发的纠纷也屡见不鲜。机动车保有量的激增与停车位供应量愈发突出的供需矛盾仅仅是表面现象，其背后暴露的是传统停车场(位)信息无法交互，导致空置停车位利用率低，造成了严重的车位资源浪费现象，使城市的车位缺口越来越大。
全面推进数字化转型是超大城市治理现代化的必然要求。为打破信息孤岛缓解城市停车难问题，需要加速推进公共停车信息平台建设。然而，广域路侧泊位实时状态监测仍是一个开放性难题，现有基于路端物联网智能设备的方案，其优势在于数据收集速度恒定且结果可靠性高，但在整个城市范围内部署存在建设成本高、易造成损坏、维护成本高等问题。目前，随着网约车服务领域的规模化应用，车载全景环视、毫米波雷达等传感器可以实时感知路侧停车泊位状态，且网约车众包数据具有覆盖范围广、更新频率快、采集费用低等优势。高效利用众包数据也为广域路侧泊位实时状态监测提供了更可行地思路。基于众包数据的城市级路侧泊位状态可信感知方法属于数据融合(Data Fusion)的研究范畴。道路场景、行驶工况、车载传感器性能等因素会造成识别错误、信息不完全等问题，对众包数据可信度评估是提升融合精度的前提；同时，路网车辆行驶轨迹在时空上存在较强随机性，覆盖范围和更新频率会直接影响不同路段的估计结果的可靠性、实时性。解决海量智能网联车数据离散性强、变异性高的难题是进行广域泊位状态估计的关键。因此亟需研发一种考虑诸多影响因素的路侧停车位可信感知方法，以实现基于众包数据对城市级路侧停车位感知结果准确性的提升和可信度的提高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于众包数据的城市停车全域可信感知方法。
本发明的目的可以通过以下技术方案来实现：
一种基于众包数据的城市停车全域可信感知方法，所述的方法包括以下步骤：
S1、构建基于深度学习的停车位检测模型；
S2、定义四种影响因素并与仿真场景结合，研究不同影响因素组合对停车位检测模型的影响规律，并分析影响因素与停车位检测模型感知成功率的相关性；
S3、利用集成学习方法对定义的四种影响因素进行评估，建立不同外部因素干扰下停车位状态感知失效概率预测模型，预测在不同影响因素的干扰下停车位检测模型识别的可信度；
S4、搭建多车感知仿真场景，分析车队规模对于停车位检测模型的影响规律，构建数据新鲜度模型，定义众包数据的可信融合方法，完成对城市级路侧停车位状态的可信感知。
进一步地，所述的仿真场景设置仿真车辆上传感器参数；所述的传感器参数包括位置、拍照频率和图片像素；所述的仿真场景提取不同影响因素组合下的系统宏观数据和车辆微观数据；所述的众包数据包括采样时间、车辆自身定位和周围车辆的相对位置。
进一步地，所述的S1具体包括以下步骤：
S101、定义停车位端点p1和p2以及停车位入口线识别方法，若是平行停车位的入口线，则t1≤||p1p2||≤t2；若是垂直停车位或者倾斜停车位，则t3≤||p1p2||≤t4，其中参数t1、t2、t3、t4是根据不同停车位入口线长度的先验知识确定的；并且若两端点之间存在一个端点漏检而无法形成有效停车位入口线，则通过对两个端点形成的局部图像进行识别来完成；
S102、计算完整的停车位坐标，每个停车位由p1、p2、p3和p4四个点组成，其中p1和p2为组成停车位入口线的两个端点，p3和p4为无法在图像中看到的停车位另外两个端点，其坐标计算过程为
Figure BDA0004041845790000021
Figure BDA0004041845790000031
其中，αi和di分别为停车位的角度和深度，垂直停车位和平行停车位的角度均为α1，深度分别为d1和d2；倾斜停车位的深度均为d3，角度根据锐角或钝角分别设置为α2和α3；
S103、对停车场占用进行分类，采用正则化的形式来最大化分类性能，运用透视变换技术，将停车位根据其在图像中的位置进行切割并扭曲成120×46统一尺寸的像素，图像中停车位的四个边界点作为源点，而目标点是120×46像素的固定矩形的四个顶点，将得到的一系列有标签的图像分为正样本和负样本，其中正样本表示空闲的停车位，负样本表示占用的停车位，并将图像进行180°的旋转变换，进一步增加训练样本的数量，最后通过不同颜色的标记对车位占用情况进行区分。
进一步地，所述的S2具体为：
S201、搭建仿真场景，设置的道路参与要素包括停车位数量、停车位位置、行驶车辆、停驶车辆和障碍物；设置传感器参数包括位置、拍照频率和图片像素；
S202、定义并量化路幅宽度、停车位入口线磨损程度、停车位交通流量和摄像头清晰度四种影响因素；
S203、定义四类不同的应用场景，在每一类应用场景下仿真计算不同组合影响因素下停车位检测模型的失效概率，分析不同影响因素对停车位检测模型的影响规律；其中四类不同的应用场景包括光照正常的晴天、弱光照的夜间、光线刺眼的晴天和低能见度的雨雾天；
S204、采集不同组合影响因素下仿真所得的微观数据，利用回归分析建立分层回归模型对影响因素进行评价；逐步添加路幅宽度、停车位入口线磨损程度、停车位交通流量和摄像头清晰程度四种影响因素，分析四种影响因素对停车位检测模型感知成功率的影响水平。
进一步地，所述的S202具体为：
定义路幅宽度D为装有环视摄像头的车辆与路侧停车位入口线的直线距离，设置如下分级标准：D＝1，表示检测车辆距离路侧停车位入口线小于2.5m，即检测车辆行驶在停车位的相邻车道中心线的轨迹上或附近；D＝2，表示检测车辆距离路侧停车位入口线在2.5～5m范围内，此时检测车辆的行驶轨迹与路侧停车位相邻车道的左侧车道线基本重合；
定义停车位入口磨损程度A的分级标准：A＝1，车位白线清晰可见，仅有少量磨损；A＝2，部分车位线磨损至白线不可见，导致停车位识别模型失效；
定义停车位交通流量C，对于单个停车位交通流量，采用多元线性模型进行定义，公式如下：
Ci＝∑ωr×kr
其中，Ci表示第i个停车位的交通流量，r表示障碍物的类别，ωr表示该障碍物对应的权重系数，与单体占地面积成正比，kr表示该障碍物的个数；
整体交通流量的定义如下所示：
Figure BDA0004041845790000041
其中，n表示该模型共有n个停车位；在对整体交通流量分级时，分级标准如下所示：
Figure BDA0004041845790000042
定义摄像头清晰度S，对图片质量进行分级评价：当采集到的图片数据清晰时，S＝1；反之当图片较为模糊时，S＝2。
进一步地，所述的S3具体为：
S301、采用集成学习XGBoost算法，对任意不同组合的影响因素对应的结果进行分类预测，构建四类不同的应用场景对路侧停车位识别的可信度预测模型；
S302、对数据集进行分层K折划分，交叉验证可信度预测模型，预测在不同影响因素的干扰下停车位检测模型识别的可信度，比较影响因素的重要程度；
S303、将数据基于S302所得的可信度预测结果进行人工修正，对可信度预测模型重新训练，进行交叉验证，提过预测准确性和模型泛化能力。
进一步地，所述的S4具体为：
S401、搭建多车仿真场景，不断增加仿真中检测车数量，收集仿真中停车位检测模型准确度数据，分析车队规模对于停车位检测模型的影响规律；
S402、构建数据新鲜度模型，设置动态新鲜度时间窗口，定义众包数据的可信融合方法，构建基于众包数据的路侧停车位状态感知方法；
S403、设置多车检测环境进行仿真，研究基于众包数据的路侧停车位状态感知方法对城市级路侧停车位状态感知准确率的提升。
进一步地，所述的S401具体为：在仿真场景中设置n个停车位，放置一辆检测车辆，编号为Car_1，通过停车位检测模型对场景中的n个停车位依次检测，统计停车位检测模型检测结果的准确率，记为p1；在此基础上继续放置一辆检测车，编号为Car_2，采集到与Car_1数量相同的数据，此时每一个停车位均被Car_1和Car_2两辆车上的传感器检测到，将包含这个停车位的两次结果对比分析，然后对n个停车位得到的准确率统计，记为p2；以此类推，每次实验追加一辆检测车，重复对比分析步骤，并记录停车位检测模型检测结果的准确率pi；分析对停车位进行多车协同检测后，停车位检测模型准确度的提升效果。
进一步地，所述的S402具体为：
构建新鲜度模型：假设在过去一段较短的时间内，某路段到达车辆数目近似服从参数为λ的泊松分布，离开车辆的数目近似服从参数为μ的泊松分布，若忽略高阶小项，利用全概率公式，可以得到单条历史感知数据的新鲜度函数：
Figure BDA0004041845790000051
其中t为该单条历史感知数据距离现在的时间；设置新鲜度阈值，并根据统计得到的参数λ和μ设置动态新鲜度时间窗口，在数据可信融合的过程中只考虑落在时间窗口之内的数据；定义众包数据的可信融合方法：记(pi,ti)为一条感知数据，它表示在ti时刻停车位没有被占据的概率为pi，At为t时刻停车位没有被占据的事件，动态新鲜度时间窗口的长度为t0，则可以数学解析出事件At发生的条件概率：
Figure BDA0004041845790000052
进一步地，所述的S403的具体为：在仿真场景中设置n个停车位，利用众包数据的可信融合方法，构建基于众包数据的路侧停车位状态感知方法，进行多车检测结果的协同处理，实现对城市级路侧停车位的可信感知和准确度的提高。
与现有技术相比，本发明具有以下有益效果：
一、本发明通过将基于深度学习的停车位检测模型和交通仿真相结合，分析了不同影响因素与停车位检测模型感知成功率的相关性，并且运用集成学习方法建立不同外部因素干扰下停车位状态感知失效概率预测模型，从而有效的提升了停车位状态感知模型的可信度和准确性。
二、本发明利用众包数据覆盖范围广、更新频率快、采集费用低等优势特点，引入新鲜度指标，在动态设置的时间框内，运用众包数据的可信融合方法，建立基于众包数据的城市级路侧停车位状态可信感知方法，利用众包数据的可信融合，进一步地提升路测停车位状态可信感知方法的准确性。
附图说明
图1为本发明的方法流程示意图；
图2为本发明的局部图像识别坐标系构建示意图；
图3为本发明的垂直、平行和倾斜三种停车位的完整停车位推断示意图，其中(a)为垂直停车位，(b)为平行停车位，(c)为锐角倾斜停车位，(d)为钝角倾斜停车位；
图4为本发明的停车位检测模型识别应用展示图；
图5为本发明的停车位入口磨损情况分级A＝1示意图；
图6为本发明的停车位入口磨损情况分级A＝2示意图；
图7为本发明的动态时间窗口设置示意图；
图8为本发明搭建的仿真场景示意图；
图9为本发明中数据新鲜度函数图；
图10为本发明中众包数据可信融合对检测准确率的提高结果。。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本实例基于交通仿真软件PreScan来实现。
如图1所示，一种基于众包数据的城市停车全域可信感知方法，所述的方法包括以下步骤：
S1、构建基于深度学习的停车位检测模型。
S101、定义停车位端点p1和p2以及停车位入口线识别方法，考虑识别出的两个停车位端点p4和p2满足一定的置信度要求，即p1和p2能够形成一个有效的停车位入口线，两个端点之间的几何距离应该满足一定的约束条件；若是平行停车位的入口线，则t1≤||1p2||≤t2；若是垂直停车位或者倾斜停车位，则t3≤||1p2||≤t4，其中参数t1、t2、t3、t4是根据不同停车位入口线长度的先验知识确定的；并且若两端点之间存在一个端点漏检而无法形成有效停车位入口线，则通过对两个端点形成的局部图像进行识别来完成；如图2所示，首先建立以p1(x,y)和p2(x,y)的中点p(x,y)为原点，以
Figure BDA0004041845790000071
为X轴的局部坐标系，在坐标系中，定义了矩形区域R，其沿X轴的长度设为w1＝||1p2||+Δw，沿Y轴的长度为h1，具体计算公式如下：
Figure BDA0004041845790000072
Figure BDA0004041845790000073
Figure BDA0004041845790000074
其中，Δw是表示控制矩形区域宽度的超参数，Δh是表示控制矩形区域高度的超参数。
S102、计算完整的停车位坐标，通常情况下采集环视摄像头收集到的视频或图片数据往往不能将停车位完全显示出来，因此需要根据几何学和先验知识进行推理，得到完整的停车位；如图3所示，每个停车位由p1、p2、p3和p4四个点组成，其中p1和p2为组成停车位入口线的两个端点，p3和p4为无法在图像中看到的停车位另外两个端点，其坐标计算过程为
Figure BDA0004041845790000075
Figure BDA0004041845790000076
其中，如图3(a)、3(b)、3(c)和3(d)所示，αi和di分别为停车位的角度和深度，垂直停车位和平行停车位的角度均为α1，深度分别为d1和d2；倾斜停车位的深度均为d3，角度根据锐角或钝角分别设置为α2和α3。
S103、对停车场占用进行分类，考虑到环视图像中的停车位大小不一，采用正则化的形式来最大化分类性能，运用透视变换技术，将停车位根据其在图像中的位置进行切割并扭曲成120×46统一尺寸的像素，图像中停车位的四个边界点作为源点，而目标点是120×46像素的固定矩形的四个顶点，将得到的一系列有标签的图像分为正样本和负样本，其中正样本表示空闲的停车位，负样本表示占用的停车位，并将图像进行180°的旋转变换，进一步增加训练样本的数量，最后通过不同颜色的标记对车位占用情况进行区分，如图4所示。
S2、定义四种影响因素并与仿真场景结合，研究不同影响因素组合对停车位检测模型的影响规律，并分析影响因素与停车位检测模型感知成功率的相关性；所述的仿真场景设置仿真车辆上传感器参数；所述的传感器参数包括位置、拍照频率和图片像素；所述的仿真场景提取不同影响因素组合下的系统宏观数据和车辆微观数据。
S201、如图8所示，搭建仿真场景，设置的道路参与要素包括停车位数量、停车位位置、行驶车辆、停驶车辆和障碍物；在仿真的5条主干道两边共放置200个停车位，其中100个垂直停车位，100个平行停车位；其中建筑物摆放的位置、朝向和间隔距离等随机设定；其次，红绿灯等候时间、人行道的让行机制和交叉口的行车顺序均与停车位检测无关，为了简化模型，在仿真中不作考虑；同时，可以看到道路左侧有一排垂直停车位，为了更好地模拟现实中的场景，一部分停车位被随机占用，且部分停车位之间有行人、送快递的电动车等。
设置传感器参数包括位置、拍照频率和图片像素；在检测车正上方30m处架一个摄像头，其拍摄角度垂直向下，从而收集检测的照片；停车位检测模型的输入设置的图片尺寸是600像素×600像素，因此将传感器输出图片的尺寸也设置为600像素×600像素。
S202、定义并量化路幅宽度、停车位入口线磨损程度、停车位交通流量和摄像头清晰度四种影响因素。
定义路幅宽度D为装有环视摄像头的车辆与路侧停车位入口线的直线距离，设置如下分级标准：D＝1，表示检测车辆距离路侧停车位入口线小于2.5m，即检测车辆行驶在停车位的相邻车道中心线的轨迹上或附近；D＝2，表示检测车辆距离路侧停车位入口线在2.5～5m范围内，此时检测车辆的行驶轨迹与路侧停车位相邻车道的左侧车道线基本重合；
定义停车位入口磨损程度A的分级标准：如图5所示，A＝1，车位白线清晰可见，仅有少量磨损；如图6所示，A＝2，部分车位线磨损至白线不可见，导致停车位识别模型失效；
定义停车位交通流量C，对于单个停车位交通流量，采用多元线性模型进行定义，公式如下：
Ce＝∑ωr×kr
其中，Ci表示第i个停车位的交通流量，r表示障碍物的类别，ωr表示该障碍物对应的权重系数，与单体占地面积成正比，kr表示该障碍物的个数；
在PreScan仿真实验中将障碍物分为如下三类：a.行人(0.4m×0.7m)、b.电动车(2.3m×0.8m)、c.箱子、路障等(1.0m×1.0m)，并根据占地面积分别赋予权重为：0.1、0.6、0.3；因此，单个路侧停车位的交通流量计算公式为：
Ci＝f(x,y,z)＝0.1+0.6+0.3
整体交通流量的定义如下所示：
Figure BDA0004041845790000091
其中，n表示该模型共有n个停车位，n＝200；在对整体交通流量分级时，即作宏观失效概率研究，分级标准如下所示：
Figure BDA0004041845790000092
在后续研究单个停车位的交通流量时，即作微观单体车位识别类型，无须分级，通过具体Ci数值来表征第i个停车位的交通流量，其中每一个停车位的个数通过语义分割后的图片进行提取，利用仿真软件中的语义分割传感器进行图像获取，每个停车位上不同障碍物的数量可以直接进行输出，进行交通流量的计算；
定义摄像头清晰度S，对图片质量进行分级评价：当采集到的图片数据清晰时，S＝1；反之当图片较为模糊时，S＝2。
S203、定义四类不同的应用场景，在每一类应用场景下仿真计算不同组合影响因素下停车位检测模型的失效概率，分析不同影响因素对停车位检测模型的影响规律；其中四类不同的应用场景包括光照正常的晴天、弱光照的夜间、光线刺眼的晴天和低能见度的雨雾天；其次根据影响因素的定义与分级得知，每一种应用场景下，共对应2^4＝16种不同组合的影响因素及其对应的失效概率，则四类不同的应用场景共计64条宏观数据。
S204、采集不同组合影响因素下仿真所得的微观数据，在光照正常的晴天这一应用场景下，对PreScan仿真实验中的四个摄像头拍摄通过图像拼接得到的的俯视角度的行车视频进行随机帧截取，即对视频结果进行图片采用，共采样518帧；接着统计每一帧图片对应的路幅宽度、停车位入口线磨损情况、复杂度和摄像头清晰程度等四个影响因素的数据，并对是否准确检测出路侧停车位进行结果判定，将以上数据汇总得到该模块的数据集；利用回归分析建立分层回归模型对影响因素进行评价；逐步添加路幅宽度、停车位入口线磨损程度、停车位交通流量和摄像头清晰程度四种影响因素，分析四种影响因素对停车位检测模型感知成功率的影响水平。
S3、利用集成学习方法对定义的四种影响因素进行评估，建立不同外部因素干扰下停车位状态感知失效概率预测模型，预测在不同影响因素的干扰下停车位检测模型识别的可信度。
S301、采用集成学习XGBoost算法，对任意不同组合的影响因素对应的结果进行分类预测，构建四类不同的应用场景对路侧停车位识别的可信度预测模型。
S302、将S204中采集到的518帧数据按照3:1的比例进行训练集与测试集的划分，对数据集进行分层K折划分，，保证最终模型的稳定性和可靠性，交叉验证可信度预测模型，预测在不同影响因素的干扰下停车位检测模型识别的可信度，比较影响因素的重要程度。
S303、将数据基于S302所得的可信度预测结果进行人工修正，对可信度预测模型重新训练，进行交叉验证，提过预测准确性和模型泛化能力。
S4、搭建多车感知仿真场景，分析车队规模对于停车位检测模型的影响规律，构建数据新鲜度模型，定义众包数据的可信融合方法，完成对城市级路侧停车位状态的可信感知；所述的众包数据包括采样时间、车辆自身定位和周围车辆的相对位置。
S401、搭建多车仿真场景，不断增加仿真中检测车数量，收集仿真中停车位检测模型准确度数据，分析车队规模对于停车位检测模型的影响规律。
在仿真场景中设置n个停车位，放置一辆检测车辆，编号为Car_1，通过停车位检测模型对场景中的n个停车位依次检测，统计停车位检测模型检测结果的准确率，记为p1；在此基础上继续放置一辆检测车，编号为Car_2，采集到与Car_1数量相同的数据，此时每一个停车位均被Car_1和Car_2两辆车上的传感器检测到，将包含这个停车位的两次结果对比分析，然后对n个停车位得到的准确率统计，记为p2；以此类推，每次实验追加一辆检测车，重复对比分析步骤，并记录停车位检测模型检测结果的准确率pi；分析对停车位进行多车协同检测后，停车位检测模型准确度的提升效果；本实施例中的停车位设置为65个。
S402、构建数据新鲜度模型，设置动态新鲜度时间窗口，定义众包数据的可信融合方法，构建基于众包数据的路侧停车位状态感知方法。
构建新鲜度模型：假设在过去一段较短的时间内，某路段到达车辆数目近似服从参数为λ的泊松分布，离开车辆的数目近似服从参数为μ的泊松分布，若忽略高阶小项，利用全概率公式，可以得到单条历史感知数据的新鲜度函数：
Figure BDA0004041845790000111
其中t为该单条历史感知数据距离现在的时间，取定μ＝0.2，改变λ的值可以得到如图9所示图像；
如图6所示，设置新鲜度阈值为0.2，并根据统计得到的参数λ和μ设置动态新鲜度时间窗口，在数据可信融合的过程中只考虑落在时间窗口之内的数据；定义众包数据的可信融合方法：记(pi,ti)为一条感知数据，它表示在ti时刻停车位没有被占据的概率为pi，At为t时刻停车位没有被占据的事件，动态新鲜度时间窗口的长度为t0，则可以数学解析出事件At发生的条件概率：
Figure BDA0004041845790000112
S403、设置多车检测环境进行仿真，研究基于众包数据的路侧停车位状态感知方法对城市级路侧停车位状态感知准确率的提升。
在仿真场景中设置n个停车位，利用众包数据的可信融合方法，构建基于众包数据的路侧停车位状态感知方法，进行多车检测结果的协同处理，众包数据的可信融合方法对检测准确率的提高结果如图10所示；虽然此次实验的众包数据体量较小，但是仍可以反映出，采用上述基于众包数据的路侧停车位状态感知方法能够较好地实现对城市级路侧停车位的可信感知和准确度的提高。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的方法包括以下步骤：
S1、构建基于深度学习的停车位检测模型；
S2、定义四种影响因素并与仿真场景结合，研究不同影响因素组合对停车位检测模型的影响规律，并分析影响因素与停车位检测模型感知成功率的相关性；
S3、利用集成学习方法对定义的四种影响因素进行评估，建立不同外部因素干扰下停车位状态感知失效概率预测模型，预测在不同影响因素的干扰下停车位检测模型识别的可信度；
S4、搭建多车感知仿真场景，分析车队规模对于停车位检测模型的影响规律，构建数据新鲜度模型，定义众包数据的可信融合方法，完成对城市级路侧停车位状态的可信感知。
2.根据权利要求1所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的仿真场景设置仿真车辆上传感器参数；所述的传感器参数包括位置、拍照频率和图片像素；所述的仿真场景提取不同影响因素组合下的系统宏观数据和车辆微观数据；所述的众包数据包括采样时间、车辆自身定位和周围车辆的相对位置。
3.根据权利要求1所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的S1具体包括以下步骤：
S101、定义停车位端点p1和p2以及停车位入口线识别方法，若是平行停车位的入口线，则t1≤||1p2||≤t2；若是垂直停车位或者倾斜停车位，则t3≤||1p2||≤t4，其中参数t1、t2、t3、t4是根据不同停车位入口线长度的先验知识确定的；并且若两端点之间存在一个端点漏检而无法形成有效停车位入口线，则通过对两个端点形成的局部图像进行识别来完成；
S102、计算完整的停车位坐标，每个停车位由p1、p2、p3和p4四个点组成，其中p1和p2为组成停车位入口线的两个端点，p3和p4为无法在图像中看到的停车位另外两个端点，其坐标计算过程为
Figure FDA0004041845780000011
Figure FDA0004041845780000021
其中，αi和di分别为停车位的角度和深度，垂直停车位和平行停车位的角度均为α1，深度分别为d1和d2；倾斜停车位的深度均为d3，角度根据锐角或钝角分别设置为α2和α3；
S103、对停车场占用进行分类，采用正则化的形式来最大化分类性能，运用透视变换技术，将停车位根据其在图像中的位置进行切割并扭曲成120×46统一尺寸的像素，图像中停车位的四个边界点作为源点，而目标点是120×46像素的固定矩形的四个顶点，将得到的一系列有标签的图像分为正样本和负样本，其中正样本表示空闲的停车位，负样本表示占用的停车位，并将图像进行180°的旋转变换，进一步增加训练样本的数量，最后通过不同颜色的标记对车位占用情况进行区分。
4.根据权利要求1所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的S2具体为：
S201、搭建仿真场景，设置的道路参与要素包括停车位数量、停车位位置、行驶车辆、停驶车辆和障碍物；设置传感器参数包括位置、拍照频率和图片像素；
S202、定义并量化路幅宽度、停车位入口线磨损程度、停车位交通流量和摄像头清晰度四种影响因素；
S203、定义四类不同的应用场景，在每一类应用场景下仿真计算不同组合影响因素下停车位检测模型的失效概率，分析不同影响因素对停车位检测模型的影响规律；其中四类不同的应用场景包括光照正常的晴天、弱光照的夜间、光线刺眼的晴天和低能见度的雨雾天；
S204、采集不同组合影响因素下仿真所得的微观数据，利用回归分析建立分层回归模型对影响因素进行评价；逐步添加路幅宽度、停车位入口线磨损程度、停车位交通流量和摄像头清晰程度四种影响因素，分析四种影响因素对停车位检测模型感知成功率的影响水平。
5.根据权利要求4所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的S202具体为：
定义路幅宽度D为装有环视摄像头的车辆与路侧停车位入口线的直线距离，设置如下分级标准：D＝1，表示检测车辆距离路侧停车位入口线小于2.5m，即检测车辆行驶在停车位的相邻车道中心线的轨迹上或附近；D＝2，表示检测车辆距离路侧停车位入口线在2.5～5m范围内，此时检测车辆的行驶轨迹与路侧停车位相邻车道的左侧车道线基本重合；
定义停车位入口磨损程度A的分级标准：A＝1，车位白线清晰可见，仅有少量磨损；A＝2，部分车位线磨损至白线不可见，导致停车位识别模型失效；
定义停车位交通流量C，对于单个停车位交通流量，采用多元线性模型进行定义，公式如下：
Ci＝∑ωr×kr
其中，Ci表示第i个停车位的交通流量，r表示障碍物的类别，ωr表示该障碍物对应的权重系数，与单体占地面积成正比，kr表示该障碍物的个数；
整体交通流量的定义如下所示：
Figure FDA0004041845780000031
其中，n表示该模型共有n个停车位；在对整体交通流量分级时，分级标准如下所示：
Figure FDA0004041845780000032
定义摄像头清晰度S，对图片质量进行分级评价：当采集到的图片数据清晰时，S＝1；反之当图片较为模糊时，S＝2。
6.根据权利要求4所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的S3具体为：
S301、采用集成学习XGBoost算法，对任意不同组合的影响因素对应的结果进行分类预测，构建四类不同的应用场景对路侧停车位识别的可信度预测模型；
S302、对数据集进行分层K折划分，交叉验证可信度预测模型，预测在不同影响因素的干扰下停车位检测模型识别的可信度，比较影响因素的重要程度；
S303、将数据基于S302所得的可信度预测结果进行人工修正，对可信度预测模型重新训练，进行交叉验证，提过预测准确性和模型泛化能力。
7.根据权利要求6所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的S4具体为：
S401、搭建多车仿真场景，不断增加仿真中检测车数量，收集仿真中停车位检测模型准确度数据，分析车队规模对于停车位检测模型的影响规律；
S402、构建数据新鲜度模型，设置动态新鲜度时间窗口，定义众包数据的可信融合方法，构建基于众包数据的路侧停车位状态感知方法；
S403、设置多车检测环境进行仿真，研究基于众包数据的路侧停车位状态感知方法对城市级路侧停车位状态感知准确率的提升。
8.根据权利要求7所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的S401具体为：在仿真场景中设置n个停车位，放置一辆检测车辆，编号为Car_1，通过停车位检测模型对场景中的n个停车位依次检测，统计停车位检测模型检测结果的准确率，记为p1；在此基础上继续放置一辆检测车，编号为Car_2，采集到与Car_1数量相同的数据，此时每一个停车位均被Car_1和Car_2两辆车上的传感器检测到，将包含这个停车位的两次结果对比分析，然后对n个停车位得到的准确率统计，记为p2；以此类推，每次实验追加一辆检测车，重复对比分析步骤，并记录停车位检测模型检测结果的准确率pi；分析对停车位进行多车协同检测后，停车位检测模型准确度的提升效果。
9.根据权利要求7所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的S402具体为：
构建新鲜度模型：假设在过去一段较短的时间内，某路段到达车辆数目近似服从参数为λ的泊松分布，离开车辆的数目近似服从参数为μ的泊松分布，若忽略高阶小项，利用全概率公式，可以得到单条历史感知数据的新鲜度函数：
Figure FDA0004041845780000041
其中t为该单条历史条感知数据距离现在的时间；设置新鲜度阈值，并根据统计得到的参数λ和μ设置动态新鲜度时间窗口，在数据可信融合的过程中只考虑落在时间窗口之内的数据；定义众包数据的可信融合方法：记(pi,ti)为一条感知数据，它表示在ti时刻停车位没有被占据的概率为pi，At为t时刻停车位没有被占据的事件，动态新鲜度时间窗口的长度为t0，则可以数学解析出事件tt发生的条件概率：
Figure FDA0004041845780000042
10.根据权利要求7所述的一种基于众包数据的城市停车全域可信感知方法，其特征在于，所述的S403的具体为：在仿真场景中设置n个停车位，利用众包数据的可信融合方法，构建基于众包数据的路侧停车位状态感知方法，进行多车检测结果的协同处理，实现对城市级路侧停车位的可信感知和准确度的提高。
CN202310020657.3A 2023-01-06 2023-01-06 一种基于众包数据的城市停车全域可信感知方法 Pending CN116108389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310020657.3A CN116108389A (zh) 2023-01-06 2023-01-06 一种基于众包数据的城市停车全域可信感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310020657.3A CN116108389A (zh) 2023-01-06 2023-01-06 一种基于众包数据的城市停车全域可信感知方法

Publications (1)

Publication Number Publication Date
CN116108389A true CN116108389A (zh) 2023-05-12

Family

ID=86259261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310020657.3A Pending CN116108389A (zh) 2023-01-06 2023-01-06 一种基于众包数据的城市停车全域可信感知方法

Country Status (1)

Country Link
CN (1) CN116108389A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117116079A (zh) * 2023-08-23 2023-11-24 成都交投智慧停车产业发展有限公司 车辆监测设备评估方法、装置、存储介质及测试设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108885828A (zh) * 2016-04-15 2018-11-23 本田技研工业株式会社 车辆控制系统、车辆控制方法及车辆控制程序
US20210134155A1 (en) * 2019-11-04 2021-05-06 Verizon Connect Ireland Limited Systems and methods for utilizing a machine learning model to identify public parking spaces and for providing notifications of available public parking spaces
CN112820141A (zh) * 2021-01-14 2021-05-18 浙江吉利控股集团有限公司 一种泊车车位的检测方法和检测系统
CN114445798A (zh) * 2021-12-30 2022-05-06 深圳信息职业技术学院 一种基于深度学习的城市道路停车位识别方法及系统
CN115223361A (zh) * 2022-06-21 2022-10-21 同济大学 一种车路协同系统中路侧传感器的布设优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108885828A (zh) * 2016-04-15 2018-11-23 本田技研工业株式会社 车辆控制系统、车辆控制方法及车辆控制程序
US20210134155A1 (en) * 2019-11-04 2021-05-06 Verizon Connect Ireland Limited Systems and methods for utilizing a machine learning model to identify public parking spaces and for providing notifications of available public parking spaces
CN112820141A (zh) * 2021-01-14 2021-05-18 浙江吉利控股集团有限公司 一种泊车车位的检测方法和检测系统
CN114445798A (zh) * 2021-12-30 2022-05-06 深圳信息职业技术学院 一种基于深度学习的城市道路停车位识别方法及系统
CN115223361A (zh) * 2022-06-21 2022-10-21 同济大学 一种车路协同系统中路侧传感器的布设优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117116079A (zh) * 2023-08-23 2023-11-24 成都交投智慧停车产业发展有限公司 车辆监测设备评估方法、装置、存储介质及测试设备

Similar Documents

Publication Publication Date Title
Arya et al. Transfer learning-based road damage detection for multiple countries
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
CN112633176B (zh) 一种基于深度学习的轨道交通障碍物检测方法
CN109448365B (zh) 一种跨尺度空基平台区域道路交通系统综合监视方法
CN103985250B (zh) 轻量级的全息道路交通状态视觉检测装置
CN110619279A (zh) 一种基于跟踪的路面交通标志实例分割方法
CN107609491A (zh) 一种基于卷积神经网络的车辆违章停车检测方法
CN115294774B (zh) 基于深度学习的非机动车道路违停检测方法及装置
Bock et al. On-street parking statistics using lidar mobile mapping
CN113903008A (zh) 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法
Alsheikhy et al. An Intelligent Adaptive Dynamic Algorithm for a Smart Traffic System.
CN117612364A (zh) 一种机动车的违章检测方法、装置、电子设备及存储介质
CN116108389A (zh) 一种基于众包数据的城市停车全域可信感知方法
CN115440071B (zh) 一种自动驾驶违规停车检测方法
Ren et al. Traffic flow characteristics and traffic conflict analysis in the downstream area of expressway toll station based on vehicle trajectory data
CN116597690A (zh) 智能网联汽车的高速公路测试场景生成方法、设备及介质
CN114973200A (zh) 一种改进的区域卷积神经网络的列车障碍物检测方法
Ismail et al. PGTLP: a dataset for Tunisian license plate detection and recognition
CN119338753A (zh) 一种基于改进YOLOv8的路面病害检测方法
CN113936456B (zh) 基于毫米波雷达的过街交通识别与特征分析方法
CN116863411A (zh) 基于多模态交通数据的城市管理方法以及系统
Tan Highway visibility detection using hough circle detection and incremental probabilistic neural networks
CN119293136B (zh) 一种基于机器学习的城市空间形态数据分析方法及系统
CN114299414A (zh) 一种基于深度学习的车辆闯红灯识别判定方法
Ahmed et al. Automated Real-Time Weather Detection System Using Artificial Intelligence

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