本發明涉及通信技術領域，特別涉及一種車位檢測方法。本發明同時還涉及一種車位檢測設備。

背景技術：

隨著社會經濟的發展，城市中各類機動車數量迅猛增長，諸多城市規劃在中心區域興建大型停車場以滿足大眾泊車的需求。為了使管理人員或者停車用戶及時的獲知停車場內的車位使用情況，車位檢測技術應運而生。

由于車位檢測是提高車位管理、停車誘導、合理調度統籌的重要手段，因此車位檢測對于開放式的停車場是必要的，但目前很多停車場的停車位管理仍以人工管理為主，這樣不僅會使得車位統計以及調度工作效率低下，甚至還會造成差錯。

為了避免人工管理所帶來的不便，現有技術逐漸采用各種技術代替人工來進行車位檢測。部分停車場采用車位檢測技術特別是傳感器技術來進行車位占用情況的檢測，如超聲波、地感線圈、地磁、壓力、紅外線等。然而，發明人在實現本發明的過程中發現，以上幾種檢測方法前期的設備安裝及后期的設備維護都較為復雜，而且當停車位越來越多時會帶來通信和計算的壓力，也易受到環境的干擾導致誤檢。

舉例來說，當超聲波檢測器當風速太大或者探頭下方有人或物體通過時，將會產生反射波造成誤檢；而地感線圈安裝時需要挖開道路，線圈線路使用的可靠性和交通壓力及環境溫度有關；紅外線傳感器會受到灰塵等影響而造成干擾等等。

由此可見，如何在安裝維護方便、抗干擾性強、魯棒性高的前提下，針對不同的環境和條件下的停車位進行有效的視頻檢測，成為本領域技術人員亟待解決的技術問題。

技術實現要素：

本發明提供了一種車位檢測方法，用以在減少設備維護量的基礎上提高停車位的檢測效率，該方法應用于包含前端采集設備的停車管理系統中，預先配置與車位對應的檢測區域，該方法還包括：

根據車位特征檢測模型以及對指定特征的檢測確定是否有車輛駛入所述檢測區域，并在確定結果為是時通過所述前端采集設備采集所述車輛的駛入圖像，所述指定特征包括環境特征以及車輛特征；

當所述車輛在預設的模板匹配框中停留的時間超過預設的第一時間閾值后，在預設的時間段內持續檢測到所識別出的車輛特征出現在同一位置時采集所述車輛的停留圖像，或在所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時采集所述車輛的停留圖像；

在所述識別出的車輛特征發生位移的距離超過預設的距離閾值時采集所述車輛的駛離圖像，或在所述檢測區域出現幀差的面積超過預設的面積閾值時采集所述車輛的駛離圖像；

判斷所述車輛的一個或多個車輛特征是否與所述停留圖像中的位置接近；

若否，清除所述車輛的信息，并將所述車位設置為空車位；

若是，將所述駛離圖像根據所述檢測區域當前的采集圖像進行更新。

優選的，所述環境特征具體為車位限位器，根據車位特征檢測模型以及對指定特征的檢測確定是否有車輛駛入所述檢測區域，具體為：

若根據所述車位特征檢測模型確認所述檢測區域存在所述車輛，且所述檢測區域中不包含所述車位限位器，先后對所述車輛的車輛特征以及車牌進行檢測以及識別，并根據識別結果設置在采集所述駛入圖像時對所述車牌或所述車輛的車輪進行抓拍；

若根據所述車位特征檢測模型確認所述檢測區域存在所述車輛，但所述檢測區域中包含所述車位限位器，重新利用所述車位特征檢測模型對所述檢測區域進行檢測；

若無法根據所述車位特征檢測模型確認所述檢測區域是否存在所述車輛，先后對所述車輛的車輛特征以及車牌進行檢測以及識別，并根據識別結果設置在采集所述駛入圖像時對所述車牌或所述車輛的車輪進行抓拍。

優選的，在預設的時間段內持續檢測到所識別出的車輛特征出現在同一位置時采集所述車輛的停留圖像或在所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時采集所述車輛的停留圖像，具體為：

當所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時，采用強制停穩方式采集所述車輛的停留圖像；

當所述車輛在所述模板匹配框中停留的時間未超過預設的第二時間閾值，且所述車牌以及所述車輛特征均能夠被檢測以及識別，在所述車牌的位置停止的時間超過所述時間段后采集所述車輛的停留圖像；

當所述車輛在所述模板匹配框中停留的時間未超過預設的第二時間閾值，所述車牌無法被識別，所述車輛特征能夠被檢測到，在所述車輛特征的位置停止的時間超過所述時間段后采集所述車輛的停留圖像。

優選的，在所述識別出的車輛特征發生位移的距離超過預設的距離閾值時采集所述車輛的駛離圖像或在所述檢測區域出現幀差的面積超過預設的面積閾值時采集所述車輛的駛離圖像，具體為：

若所述停留圖像通過所述強制停穩方式采集，且所述檢測區域出現幀差的面積超過預設的面積閾值，采集所述車輛的駛離圖像；

若所述停留圖像未通過所述強制停穩方式采集，且所述檢測區域出現幀差，根據所述車輛特征以及所述車牌的檢測結果，在所述車輛特征或所述車牌的位置與停穩時的位置相差超過預設的距離閾值后采集所述車輛的駛離圖像。

優選的，判斷所述車輛特征是否與所述停留圖像中的位置接近，具體為：

對所述車輛特征的位置進行檢測；

若所述車輛特征的位置與所述車輛在停穩時的位置接近，重新采集并更新所述駛離圖像；

若通過車位特征檢測模型在所述檢測區域無法檢測到所述車輛，且所述車牌的位置與所述車輛在停穩時的位置不接近，確定所述檢測區域為空車位；

若通過車位特征檢測模型在所述檢測區域無法檢測到所述車輛，且所述車牌的位置與所述車輛在停穩時的位置接近，重新采集并更新所述駛離圖像。

相應的，本申請還提出了一種車位檢測設備，應用于包含前端采集設備的停車管理系統中，包括：

配置模塊，預先配置與車位對應的檢測區域；

第一采集模塊，根據車位特征檢測模型以及對指定特征的檢測確定是否有車輛駛入所述檢測區域，并在確定結果為是時通過所述前端采集設備采集所述車輛的駛入圖像，所述指定特征包括環境特征以及車輛特征；

第二采集模塊，當所述車輛在預設的模板匹配框中停留的時間超過預設的第一時間閾值后，在預設的時間段內持續檢測到所識別出的車輛特征出現在同一位置時采集所述車輛的停留圖像，或在所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時采集所述車輛的停留圖像；

第三采集模塊，在所述識別出的車輛特征發生位移的距離超過預設的距離閾值時采集所述車輛的駛離圖像，或在所述檢測區域出現幀差的面積超過預設的面積閾值時采集所述車輛的駛離圖像；

判斷模塊，判斷所述車輛的一個或多個車輛特征是否與所述停留圖像中的位置接近；

更新模塊，用于在所述判斷模塊的判斷結果為否時清除所述車輛的信息，并將所述車位設置為空車位，以及在所述判斷模塊的判斷結果為是時將所述駛離圖像根據所述檢測區域當前的采集圖像進行更新。

優選的，所述環境特征具體為車位限位器，所述第一采集模塊根據車位特征檢測模型以及對指定特征的檢測確定是否有車輛駛入所述檢測區域，具體為：

若根據所述車位特征檢測模型確認所述檢測區域存在所述車輛，且所述檢測區域中不包含所述車位限位器，先后對所述車輛的車輛特征以及車牌進行檢測以及識別，并根據識別結果設置在采集所述駛入圖像時對所述車牌或所述車輛的車輪進行抓拍

若根據所述車位特征檢測模型確認所述檢測區域存在所述車輛，但所述檢測區域中包含所述車位限位器，重新利用所述車位特征檢測模型對所述檢測區域進行檢測；

若無法根據所述車位特征檢測模型確認所述檢測區域是否存在所述車輛，先后對所述車輛的車輛特征以及車牌進行檢測以及識別，并根據識別結果設置在采集所述駛入圖像時對所述車牌或所述車輛的車輪進行抓拍。

優選的，所述第二采集模塊在預設的時間段內持續檢測到所識別出的車輛特征出現在同一位置時采集所述車輛的停留圖像或在所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時采集所述車輛的停留圖像，具體為：

當所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時，采用強制停穩方式采集所述車輛的停留圖像；

當所述車輛在所述模板匹配框中停留的時間未超過預設的第二時間閾值，且所述車牌以及所述車輛特征均能夠被檢測以及識別，在所述車牌的位置停止的時間超過所述時間段后采集所述車輛的停留圖像；

當所述車輛在所述模板匹配框中停留的時間未超過預設的第二時間閾值，所述車牌無法被識別，所述車輛特征能夠被檢測到，在所述車輛特征的位置停止的時間超過所述時間段后采集所述車輛的停留圖像。

優選的，所述第三采集模塊在所述識別出的車輛特征發生位移的距離超過預設的距離閾值時采集所述車輛的駛離圖像或在所述檢測區域出現幀差的面積超過預設的面積閾值時采集所述車輛的駛離圖像，具體為：

若所述停留圖像通過所述強制停穩方式采集，且所述檢測區域出現幀差的面積超過預設的面積閾值，采集所述車輛的駛離圖像；

若所述停留圖像未通過所述強制停穩方式采集，且所述檢測區域出現幀差，根據所述車輛特征以及所述車牌的檢測結果，在所述車輛特征或所述車牌的位置與停穩時的位置相差超過預設的距離閾值后采集所述車輛的駛離圖像。

優選的，所述判斷模塊具體用于：

對所述車輛特征的位置進行檢測；

若所述車輛特征的位置與所述車輛在停穩時的位置接近，重新采集并更新所述駛離圖像；

若通過車位特征檢測模型在所述檢測區域無法檢測到所述車輛，且所述車牌的位置與所述車輛在停穩時的位置不接近，確定所述檢測區域為空車位；

若通過車位特征檢測模型在所述檢測區域無法檢測到所述車輛，且所述車牌的位置與所述車輛在停穩時的位置接近，重新采集并更新所述駛離圖像。

由此可見，在確定有車輛駛入檢測區域時采集駛入圖像，當車輛停留的時間超過一定時間后，在時間段內持續檢測到所識別出的車輛特征出現在同一位置或在模板匹配框中停留的時間超過一定時間時采集停留圖像，在識別出的車輛特征發生位移的距離超過預設的距離閾值或在檢測區域出現幀差的面積超過預設的面積閾值時采集駛離圖像，并判斷車輛特征是否與停留圖像中的位置接近，根據判斷結果將車位設置為空車位或將駛離圖像根據檢測區域當前的采集圖像進行更新。從而在減少設備維護量的前提下，提高了車位狀態檢測效率。

附圖說明

圖1為本申請具體實施例中停車位檢測示意圖；

圖2A為本申請具體實施例中車輛駛入的抓拍示意圖；

圖2B為本申請具體實施例中車輛停穩的抓拍示意圖；

圖2C為本申請具體實施例中車輛駛離的抓拍示意圖；

圖2D為本申請具體實施例中空車位的抓拍示意圖；

圖3為本申請提出的一種車位檢測方法的流程示意圖；

圖4為本申請具體實施例中對車位檢測區域進行配置的示意圖；

圖5為本申請具體實施例中車輛駛入檢測流程圖；

圖6為本申請具體實施例中車輛停穩檢測流程圖；

圖7為本申請具體實施例中車輛駛離檢測流程圖；

圖8為本申請具體實施例中空車位檢測流程圖；

圖9為本申請提出的一種車位檢測設備的結構示意圖。

具體實施方式

如背景技術所述，現有的車位檢測技術易受環境影響，抗干擾性較低，在實際應用中檢測效率偏低，進而影響車位檢測的準確性。

有鑒于現有技術所存在的技術問題，本申請提出了一種車位檢測方法，通過車輛特征檢測技術，對停車場的停車位從車輛駛入，車輛停穩，車輛駛離，空車位四個階段的圖像進行實時檢測和采集。在此基礎上技術人員不僅能夠提供車位引導作用，而且還能夠準確提供停車時長。由于結合車輛特征進行停車位的檢測，從而大大提升了大角度傾斜停車位的檢出率，具有檢測精度高，誤檢率低，檢測實時性好，實施維護方便，魯棒性高等優勢。

如上所述，由于本申請旨在針對停車場內的車位進行高效率檢測的同時不增加設備的升級負擔，本申請的技術方案應用于包含前端采集設備的停車管理系統中。特別地，該停車管理系統在具體的應用場景中可以采用支持大角度車輛檢測的車位半球計時系統，相應的前端采集設備為半球形攝像頭，這樣能夠實現每臺車位半球相機監控兩個或者三個停車位，從而對該車位進行車輛駛入、車輛停穩、車輛駛離、空車位四個狀態實時檢測。

在本申請的具體實施例中，基于本申請技術方案的停車位檢測示意圖如圖1所示，相應的四種不同狀態的停車位檢測分別如圖2A、圖2B、圖2C以及圖2D所示，該具體實施例的布置方式除了對于特殊工勘下的大角度傾斜停車位具有較好的檢測效果，后續還能夠通過車輛駛離與車輛駛入的時間差確定出停車時長。

如圖3所示，為本申請提出的一種車位檢測方法的流程示意圖，雖然本申請的技術方案主要由車輛駛入狀態判斷、車輛停穩狀態判斷、車輛駛離狀態判斷以及空車位的判斷等流程組成，但是在此之前，還需要預先配置與車位對應的檢測區域，在如圖4所示的具體應用場景中，停車位的檢測區域為實際車位ABCD四個頂點的外接矩形，其中虛線框為車位限位器(例如擋輪桿(器)等)，在本申請的技術方案中，車位限位器是車輛駛入、駛離判定的重要依據之一。

具體地，該方法還包括如下步驟：

S301，根據車位特征檢測模型以及對指定特征的檢測確定是否有車輛駛入所述檢測區域，并在確定結果為是時通過所述前端采集設備采集所述車輛的駛入圖像，所述指定特征包括環境特征以及車輛特征。

該步驟旨在對車輛駛入狀態進行判斷，判斷的依據來源于兩個不同的方面：一方面是檢測車輛的各類特征(例如車頭、車位、車輪等)以及環境特征(例如停車位上的擋輪桿等車位限位器)，如果檢測區域存在車輛特征或者是不存在環境特征的話，那么該檢測區域有很大的區域存在車輛；除此之外，本申請的技術方案還從另一方面通過車位特征檢測模型確定是否有車輛駛入停車位。在通過判斷確認有車輛駛入車位之后，再通過前端采集設備對車輛的駛入圖像進行抓拍。

在本申請的優選實施例中，為了更好地支持大角度下的車輛檢測，駛入檢測過程主要利用基于卷積神經網絡(Convolutional Neural Network,CNN)的車位特征檢測，該車位特征檢測模型進一步包括二分類檢測和三分類檢測，二分類分為有車以及無車兩種情況，但是這兩種情況的判斷方式較于三分類來說精度不高，而三分類檢測能夠包括有車、無車、其它這三種情況，能給有效的減少跨車位停車漏拍情況，本領域技術人員可以結合實際情況利用不同類型的車位檢測模型對檢測區域進行檢測，這些改變均屬于本申請的保護范圍。

在本申請的優選實施例中，車輛駛入車位抓拍策略包括車輪抓拍策略和車牌抓拍策略。對于無牌車或傾斜車位車牌未露出的場景可通過車輪抓拍方案進行抓拍，正常的有牌車可通過車牌抓拍方案進行抓拍，具體的處理方式如下：

(1)若根據所述車位特征檢測模型確認所述檢測區域存在所述車輛，且所述檢測區域中不包含所述車位限位器，先后對所述車輛的車輛特征以及車牌進行檢測以及識別，并根據識別結果設置在采集所述駛入圖像時對所述車牌或所述車輛的車輪進行抓拍。

(2)若根據所述車位特征檢測模型確認所述檢測區域存在所述車輛，但所述檢測區域中包含所述車位限位器，重新利用所述車位特征檢測模型對所述檢測區域進行檢測。

(3)若無法根據所述車位特征檢測模型確認所述檢測區域是否存在所述車輛，先后對所述車輛的車輛特征以及車牌進行檢測以及識別，并根據識別結果設置在采集所述駛入圖像時對所述車牌或所述車輛的車輪進行抓拍。

在利用車位特征檢測模型以及環境特征對檢測區域是否存在車輛進行判斷的過程中，有可能會出現無法確定判斷結果的情況。例如，當利用二分類的車位特征檢測模型確認檢測區域不存在車輛，而且利用三分類的車位特征檢測模型無法確認檢測區域究竟是否存在車輛的情況(檢測結果為其它情況)下，那么即需要針對車輛特征以及車牌先后進行檢測以確定檢測區域到底是否有車輛駛入了。相應的，如果僅僅只是通過二分類的車位特征檢測模型初步確定檢測區域存在車輛且車位限位器不可見時，也無法真正的確認檢測區域究竟是否存在車輛，此時同樣需要針對車輛特征以及車牌先后進行檢測以確定檢測區域到底是否有車輛駛入。

需要指出的是，以上僅為本申請針對車位特征檢測模型以及指定特征所提出的一種優選實施方案，其中車位特征檢測模型能夠基本輸出檢測區域是否存在車輛的判斷結果，而通過環境特征以及車輛特征能夠進一步的驗證車位特征檢測模型的輸出結果是否準確。在此基礎上，本領域技術人員能夠設置其他利用車位特征檢測模型以及指定特征檢測的方式來確定是否有車輛駛入檢測區域，而不僅限于本申請上述優選實施例中的實施方式。

舉例來說，技術人員可以設置在根據車位特征檢測模型首先對檢測區域中是否存在車輛進行檢測，如果能夠僅通過車位特征檢測模型確認檢測區域存在車輛時，則可以直接對該車輛的車牌進行檢測以及識別。在通過車位特征檢測模型在檢測不到車牌或針對車牌的識別失敗時，再進行擋輪桿的檢測。在客觀因素較差或者是擋輪桿都檢測不到的情況下，再對檢測區域進行車輪檢測，最終在檢測到車輪時對車輛的車輪進行抓拍。

可以理解的是，以上方式為本申請針對具體應用場景提出的說明而并非限制，在此基礎上技術人員所做的改進均屬于本申請的保護范圍。

如圖5所示，為本申請的具體實施例中車輛駛入檢測流程圖。當相機監控三車位時，左右兩側的車位角度較為傾斜，會出現車輛停穩后車頭車尾在相機場景中未完整露出的情況，在特殊工勘下也可能出現大角度的傾斜車位情況，但在這些情況下車輪往往能比車頭車尾更容易檢測到。針對S501中所介紹的不同的檢測方式，以下結合具體的應用場景對其分別進行介紹：

(1)CNN車位特征檢測

在車位傾斜角度較大或車頭車尾部分未露出時，車頭與車尾檢測可能存在漏檢情況，而CNN車位特征檢測對以上情況都不敏感，通過學習大量的輸入與輸出之間的映射關系，用已知的模式對卷積網絡加以訓練，網絡就具有輸入輸出之間的映射能力，可以很好地進行停車位有車無車的二分類判斷。

在本申請具體的實施例中，CNN網絡可以采取一個如下簡單的7層結構：

輸入層Input圖像大小為：72*48；C1層卷積模板為3*3，跨距為1，輸出特征圖數量為12，大小為70*46；S2層下采樣模板為2*2，跨距為1，輸出特征圖數量為12，大小為35*23；C3層卷積模板為5*5，跨距為2，輸出特征圖數量為24，大小為16*10；S4層下采樣模板為2*2，跨距為1，輸出特征圖數量為24，大小為8*5；C5層卷積模板為8*5，輸出特征圖數量為96，大小為1*1；輸出層Output輸出特征圖數量為2(二分類時)或3(三分類時)。

(2)擋輪桿(器)檢測

以圖4所示的具體應用場景為例，本具體實施例先提取實際車位上1/5高，AB長的區域作為檢測區域；然后采用Sobel算子邊緣檢測并進行二值化處理，該方法對噪聲具有平滑作用，能提供較為精確的邊緣方向信息；接著對該檢測區域二值化邊緣圖像作水平方向上的投影處理；最后計算投影均值，當某點的投影值與投影均值的絕對差值大于1/2的投影均值，則認為該點為偏離均值點，當偏離均值點數大于整個投影長度的閾值Th0時，則認為沒有檢測到擋輪桿(器)，否則存在擋輪桿(器)。

(3)車輪檢測、車頭/車尾檢測

該類型的檢測主要是通過CNN二分類進行車位特征檢測，再通過車輪、車頭車尾的檢測可以大大降低車輛的誤檢概率，而且可以通過車輪或車頭車尾檢測目標框位置的移動狀態來判斷車輛是駛入或是停穩狀態。對于有牌車，通過車頭車尾檢測可以減小車牌檢測或車牌識別的范圍，減少檢測時間。

(4)車牌檢測和車牌識別

對于車牌檢測和車牌識別，技術人員可以基于已有的圖像文字識別技術實現，該步驟的目的主要在于記錄停入車輛的車牌號碼，以便于管理人員計時收費。

S302，當所述車輛在預設的模板匹配框中停留的時間超過預設的第一時間閾值后，在預設的時間段內持續檢測到所識別出的車輛特征出現在同一位置時采集所述車輛的停留圖像，或在所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時采集所述車輛的停留圖像。

在用戶將自己的車輛在車位進行停車的過程中，存在車輛短暫經過車位或借用車位倒車但并未真正停下的情況，即當駛入抓拍后，CNN卻長時間Th1s未檢到車位有車，則可能駛入誤抓，將目標刪除，重新等待車輛駛入。因此本步驟通過車輛停穩檢測車位是否真正有車停放。

為了確認車位是否真正有車停放，本步驟首先利用預設的模板匹配框檢測車輛是否大致停穩，隨后分別通過兩種不同的判定方式確認車輛是否真正的停穩，其中包括了在預設的時間段內持續檢測到所識別出的車輛特征出現在同一位置時采集所述車輛的停留圖像以及在所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時采集所述車輛的停留圖像兩種不同的方式。前者是針對車輛完全停穩的情況進行識別，后者則是針對車輛長時間無法正常停穩所采取的方式。在具體的操作過程中技術人員可以同時采取這兩種不同的方式對車輛是否停穩進行判斷，這些改進均在本申請的保護范圍之內。

在本申請的優選實施例中，該步驟的具體實現方式如下：

(1)當所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值，且無法通過所述車位特征檢測模型檢測到所述車輛特征時，強制停穩采集所述車輛的停留圖像；

(2)當所述車輛在所述模板匹配框中停留的時間未超過預設的第二時間閾值，且所述車牌以及所述車輛特征均能夠被檢測以及識別，在所述車牌的位置停止的時間超過所述時間段后采集所述車輛的停留圖像；

(3)當所述車輛在所述模板匹配框中停留的時間未超過預設的第二時間閾值，所述車牌無法被識別，所述車輛特征能夠被檢測到，在所述車輛特征的位置停止的時間超過所述時間段后采集所述車輛的停留圖像。

在以上優選實施例利用模板匹配框對車輛的停留進行判斷時，由于模板匹配框能夠在檢測區域的圖像采集范圍內對車輛的輪廓進行覆蓋，因此模板匹配框的作用在于初步確認車輛在檢測區域是否停穩，然而完全確定車輛是否停穩需要利用車輛的特征是會發生相對移動為準。但同時為了防止車輛一直小幅移動或客觀環境所造成的鏡頭抖動所造成的無法使車輛特征相對停止的情況出現，本申請的技術方案也將采用強制停穩方式采集車輛的停留圖像。因此，在基于模板匹配框以及車輛特征的相對位移的特性的基礎上，技術人員也可以采取其他組合判斷策略確定車輛是否停留以及何時采集車輛的停留圖像，這些均屬于本申請的保護范圍。

以圖4所示的具體應用場景為例，本申請具體實施例中的車輛停穩檢測流程圖如圖6所示。在該具體實施例的流程中，車輛停穩檢測分為兩步：首次停穩判定和二次停穩判定。采用模板框自適應縮放的模板匹配算法進行車輛預停穩判定，當模板匹配框連續一定的閾值Th2s停止不動時，認為車輛可能已經停穩，然后進行車輪(大角度下車頭車尾檢出率不高，但車輪特征明顯)檢測，若檢測到車輪，則進行車牌識別；若無車輪，則根據駛入抓拍類型進行不同時間的等待后再進行車牌識別，如果有車牌識別結果，則為車牌首次停穩判定停車，否則為車輪首次停穩判定停車。二次判定是基于首次判定的結果，若首次判定的車輛特征(車輪或車牌)在同一位置連續Th6s檢測到，則認為該車輛已經停穩，進行第二張證據圖的抓拍。

作為對正常停穩策略的一個補充，為了防止車輛駛入抓拍后模板匹配框長時間穩定不移動，但車輪或車頭車尾都檢測不出的情況發生，增加了強制停穩判定策略：當目標框長時間停止超過Th3s，直接進行二次停穩抓拍。

在通過該步驟對車輛停穩進行判斷后，技術人員可設置當相機監控的所有車位都停放車輛時，車位指示燈顯示紅色；當有空閑車位時，車位指示燈顯示綠色(指示燈的顏色可選)，以此來實現停車車位誘導指示作用。

S303，在所述識別出的車輛特征發生位移的距離超過預設的距離閾值時采集所述車輛的駛離圖像，或在所述檢測區域出現幀差的面積超過預設的面積閾值時采集所述車輛的駛離圖像。

在該步驟中，判斷車輛是否駛離主要依據于識別出的車輛特征發生位移的距離是否超過預設的距離閾值，以及檢測區域出現幀差的面積是否超過預設的面積閾值，這兩種方式是分別針對S302中不同停穩判定情況而提出。在本申請的優選實施例中，基于不同的采集方式，該步驟的執行方式如下：

(1)若所述停留圖像通過所述強制停穩方式采集，且所述檢測區域出現幀差的面積超過預設的面積閾值，采集所述車輛的駛離圖像；

(2)若所述停留圖像非通過所述強制停穩方式采集，且所述檢測區域出現幀差，根據所述車輛特征以及所述車牌的檢測結果，在所述車輛特征或所述車牌的位置與停穩時的位置相差超過預設的距離閾值后采集所述駛離圖像。

如圖7所示，為本申請具體實施例中車輛駛離檢測流程圖，先檢測停車區域是否出現幀差，在出現幀差的情況下再根據是否是強制停穩判定分為強制駛離判定和正常駛離判定。由于強制停穩判定情況下車輪和車頭車尾均未檢測到，因此，在強制駛離判定中，只根據出現幀差的面積超過閾值Th8進行判定。而正常駛離判定又可根據正常停穩判定分成以下兩種情況，一是車輪判定駛離，二是車牌判定駛離。盡管檢測的特征不一樣，但離開判定的實質是一樣的，都是根據車輛停穩時的特征位置(車輪特征或車牌特征)跟當前檢測到的特征位置進行比較，如果兩者的位置距離超過設定的閾值Th7，則認為車輛將要離開車位，進行第三張證據圖的抓拍。通過駛離和駛入時間差的計算，可得到車輛停車的時長。

以上是正常情況下的車輛駛離判定方法，也存在一些特殊的異常情況：當行人路過或其它車輛經過已經判定為停穩的車輛時，停穩時的車輪或車牌附近可能會出現幀差，但是車輪或車牌卻沒有檢測到(被遮擋)，為了防止出現該情況下的駛離誤抓，在本方案中，增加一個CNN車位有車/無車的二分類檢測，若CNN檢測到有車，則說明車輛確實還存在，再返回進行駛離判定；若CNN檢測到無車，則進行第三張證據圖抓拍。

若停車區域沒有做到幀差，則每隔Th9時間定時進行第三張離開證據圖的更新，這樣做目的是為了保證第三張證據圖不會漏拍且圖內一定存在車輛，與第一張證據圖的間隔盡可能長。

S304，判斷所述車輛特征是否與所述停留圖像中的位置接近。

S305，若是，清除所述車輛的信息，并將所述車位設置為空車位。

S306，若否，將所述駛離圖像根據所述檢測區域當前的采集圖像進行更新。

該步驟主要用于判斷車輛是否完全駛離車位，從而確定車位是否為空車位。在本申請的優選實施例中，首先對車輛特征的位置進行檢測，并根據以下不同情況執行不同的處理：

(1)若所述車輛特征的位置與所述車輛在停穩時的位置接近，重新采集并更新所述駛離圖像；

(2)若通過車位特征檢測模型在所述檢測區域無法檢測到所述車輛，且所述車牌的位置與所述車輛在停穩時的位置不接近，確定所述檢測區域為空車位；

(3)若通過車位特征檢測模型在所述檢測區域無法檢測到所述車輛，且所述車牌的位置與所述車輛在停穩時的位置接近，重新采集并更新所述駛離圖像。

在圖8所示的具體實施例中，先進行車輪檢測，若車輪未檢測到，則進行CNN二分類檢測，若CNN未檢測到車輛的時間超過一定閾值(正常駛離設為Th11s或強制駛離設為Th10s)，再進行車牌識別，若車牌識別無結果，則該車位判定為空，清空上一車輛的所有目標信息，等待下一輛車駛入。若檢測到車輪或車牌識別有結果，且這兩者的位置與停穩時的位置距離接近，則認為車輛還在車位，更新第三張離開證據圖，重新進行車輛駛離判定，該補充策略可降低空車位的誤判。

通過應用以上技術方案，在確定有車輛駛入檢測區域時采集駛入圖像，當車輛停留的時間超過第一時間閾值后，在時間段內持續檢測到所識別出的車輛特征出現在同一位置或在模板匹配框中停留的時間超過預設的第二時間閾值時采集停留圖像，在識別出的車輛特征發生位移的距離超過預設的距離閾值或在檢測區域出現幀差的面積超過預設的面積閾值時采集駛離圖像，并判斷車輛特征是否與停留圖像中的位置接近，根據判斷結果；將車位設置為空車位或將駛離圖像根據檢測區域當前的采集圖像進行更新。從而在減少設備維護量的前提下，提高了車位狀態檢測效率。

為達到以上技術目的，本申請還提出了一種車位檢測設備，應用于包含前端采集設備的停車管理系統中，如圖9所示，包括：

配置模塊910，預先配置與車位對應的檢測區域；

第一采集模塊920，根據車位特征檢測模型以及對指定特征的檢測確定是否有車輛駛入所述檢測區域，并在確定結果為是時通過所述前端采集設備采集所述車輛的駛入圖像，所述指定特征包括環境特征以及車輛特征；

第二采集模塊930，當所述車輛在預設的模板匹配框中停留的時間超過預設的第一時間閾值后，在預設的時間段內持續檢測到所識別出的車輛特征出現在同一位置時采集所述車輛的停留圖像，或在所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時采集所述車輛的停留圖像；

第三采集模塊940，在所述識別出的車輛特征發生位移的距離超過預設的距離閾值時采集所述車輛的駛離圖像，或在所述檢測區域出現幀差的面積超過預設的面積閾值時采集所述車輛的駛離圖像；

判斷模塊950，判斷所述車輛的一個或多個車輛特征是否與所述停留圖像中的位置接近；

更新模塊960，用于在所述判斷模塊的判斷結果為否時清除所述車輛的信息，并將所述車位設置為空車位，以及在所述判斷模塊的判斷結果為是時將所述駛離圖像根據所述檢測區域當前的采集圖像進行更新。

在具體的應用場景中，所述環境特征具體為車位限位器，所述第一采集模塊根據車位特征檢測模型以及對指定特征的檢測確定是否有車輛駛入所述檢測區域，具體為：

若根據所述車位特征檢測模型確認所述檢測區域存在所述車輛，且所述檢測區域中不包含所述車位限位器，先后對所述車輛的車輛特征以及車牌進行檢測以及識別，并根據識別結果設置在采集所述駛入圖像時對所述車牌或所述車輛的車輪進行抓拍

若根據所述車位特征檢測模型確認所述檢測區域存在所述車輛，但所述檢測區域中包含所述車位限位器，重新利用所述車位特征檢測模型對所述檢測區域進行檢測；

若無法根據所述車位特征檢測模型確認所述檢測區域是否存在所述車輛，先后對所述車輛的車輛特征以及車牌進行檢測以及識別，并根據識別結果設置在采集所述駛入圖像時對所述車牌或所述車輛的車輪進行抓拍。

在具體的應用場景中，所述第二采集模塊在預設的時間段內持續檢測到所識別出的車輛特征出現在同一位置時采集所述車輛的停留圖像或在所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時采集所述車輛的停留圖像，具體為：

當所述車輛在所述模板匹配框中停留的時間超過預設的第二時間閾值時，采用強制停穩方式采集所述車輛的停留圖像；

當所述車輛在所述模板匹配框中停留的時間未超過預設的第二時間閾值，且所述車牌以及所述車輛特征均能夠被檢測以及識別，在所述車牌的位置停止的時間超過所述時間段后采集所述車輛的停留圖像；

當所述車輛在所述模板匹配框中停留的時間未超過預設的第二時間閾值，所述車牌無法被識別，所述車輛特征能夠被檢測到，在所述車輛特征的位置停止的時間超過所述時間段后采集所述車輛的停留圖像。

在具體的應用場景中，所述第三采集模塊在所述識別出的車輛特征發生位移的距離超過預設的距離閾值時采集所述車輛的駛離圖像或在所述檢測區域出現幀差的面積超過預設的面積閾值時采集所述車輛的駛離圖像，具體為：

若所述停留圖像通過所述強制停穩方式采集，且所述檢測區域出現幀差的面積超過預設的面積閾值，采集所述車輛的駛離圖像；

若所述停留圖像未通過所述強制停穩方式采集，且所述檢測區域出現幀差，根據所述車輛特征以及所述車牌的檢測結果，在所述車輛特征或所述車牌的位置與停穩時的位置相差超過預設的距離閾值后采集所述車輛的駛離圖像。

在具體的應用場景中，所述判斷模塊具體用于：

對所述車輛特征的位置進行檢測；

若所述車輛特征的位置與所述車輛在停穩時的位置接近，重新采集并更新所述駛離圖像；

若通過車位特征檢測模型在所述檢測區域無法檢測到所述車輛，且所述車牌的位置與所述車輛在停穩時的位置不接近，確定所述檢測區域為空車位；

若通過車位特征檢測模型在所述檢測區域無法檢測到所述車輛，且所述車牌的位置與所述車輛在停穩時的位置接近，重新采集并更新所述駛離圖像。

通過應用以上技術方案，在確定有車輛駛入檢測區域時采集駛入圖像，當車輛停留的時間超過一定時間后，在時間段內持續檢測到所識別出的車輛特征出現在同一位置或在模板匹配框中停留的時間超過一定時間時采集停留圖像，在識別出的車輛特征發生位移的距離超過預設的距離閾值或在檢測區域出現幀差的面積超過預設的面積閾值時采集駛離圖像，并判斷車輛特征是否與停留圖像中的位置接近，根據判斷結果將車位設置為空車位或將駛離圖像根據檢測區域當前的采集圖像進行更新。從而在減少設備維護量的前提下，提高了車位狀態檢測效率。

通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到本發明可以通過硬件實現，也可以借助軟件加必要的通用硬件平臺的方式來實現。基于這樣的理解，本發明的技術方案可以以軟件產品的形式體現出來，該軟件產品可以存儲在一個非易失性存儲介質(可以是CD-ROM，U盤，移動硬盤等)中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執行本發明各個實施場景所述的方法。

本領域技術人員可以理解附圖只是一個優選實施場景的示意圖，附圖中的模塊或流程并不一定是實施本發明所必須的。

本領域技術人員可以理解實施場景中的裝置中的模塊可以按照實施場景描述進行分布于實施場景的裝置中，也可以進行相應變化位于不同于本實施場景的一個或多個裝置中。上述實施場景的模塊可以合并為一個模塊，也可以進一步拆分成多個子模塊。

上述本發明序號僅僅為了描述，不代表實施場景的優劣。

以上公開的僅為本發明的幾個具體實施場景，但是，本發明并非局限于此，任何本領域的技術人員能思之的變化都應落入本發明的保護范圍。