用于停车场巡检车的巡检方法与系统、巡检车与流程
本申请涉及巡检车技术领域，具体涉及一种用于停车场巡检车的巡检方法与系统、巡检车。
背景技术：
停车场识别桩通常设置在停车场的进出口，能够通过摄像头对进出停车场的车辆的车牌进行识别，还可以监控进出停车场的车流量。但是，位于停车场进出口的识别桩无法监控停车场内部的停车情况，例如监控车辆违停。此时，需要停车场的巡检员对停车场内部的停车情况进行巡检，并填写巡检记录。
然而，通过巡检员对停车场内部的情况进行巡检，会耗费较大的人力成本和时间成本，而且巡检员需要来回奔走，存在较大安全隐患。
因此，现有技术有待改进。
技术实现要素：
鉴于此，本申请提供一种用于停车场巡检车的巡检方法与系统、巡检车，以解决现有技术需要依赖人工对停车场进行巡检的问题。
第一方面，提供的一种用于停车场巡检车的巡检方法，包括：
获取巡检车拍摄的视频数据；
根据所述视频数据识别预设颜色的车道线；
按照预设颜色的车道线控制巡检车进行巡检。
在其中的一个实施例中，所述获取巡检车拍摄的视频数据之后，还包括：
根据所述视频数据识别行驶车道上是否有障碍物；当识别到行驶车道上有障碍物，控制所述巡检车向障碍物发送超声波，并接收返回的超声波信息；根据所述返回的超声波信息测定所述巡检车与障碍物的所述距离；当所述巡检车与障碍物的距离小于预设距离阈值时，控制所述巡检车停止前进；
和/或，从所述视频数据中识别车辆信息，并统计预设时间段内的车流量，其中，所述车辆信息包括车牌信息；
和/或，从所述视频数据中识别停车位信息；当识别到有空缺停车位时，获取所述空缺停车位的定位信息；当接收到来自用户端发出的获取停车位的指令时，反馈所述停车位信息。
在其中的一个实施例中，所述获取停车位的指令为音频数据格式指令；
其中，在接收到所述音频数据格式指令之后，还包括：
对所述音频数据格式指令进行语音识别，并转写为文本格式指令；
根据所述文本格式指令获取停车位信息，并反馈语音数据格式的停车位信息。
在其中的一个实施例中，所述根据所述视频数据识别预设颜色的车道线包括：
提取所述视频数据中图像；
对所述图像进行校正；
对校正后的图像在预设颜色空间的预设通道上进行阈值滤波处理，得到单通道图像；
对单通道图像采用预设颜色变化梯度阈值进行滤波处理，得到二进制图；
对所述二进制图进行透视变换，得到鸟瞰图；
检测所述鸟瞰图中车道线的像素，识别得到预设颜色的车道线。
在其中的一个实施例中，所述对所述图像进行校正包括：
将所述图像划分为多个图像块；
获取每个图像块的平均亮度，得到子块亮度矩阵；
采用子块亮度矩阵减去整个图像的平均亮度，得到子块亮度差值矩阵；
采用双立方插值法将子块亮度差值矩阵采样成与所述图像的尺寸一致的光照分布矩阵；
采用图像减去所述光照分布矩阵，得到亮度均匀的图像；
采用校正矩阵和失真系数对所述亮度均匀的图像进行校正，得到校正后的图像；
其中，所述图像块的数量与所述图像的像素数量成正比。
在其中的一个实施例中，所述将所述图像划分为多个图像块之前还包括：
获取图像中多个像素的亮度值，并计算所述多个像素的亮度值的标准差；
所述图像块的数量的计算公式为：
其中，n代表所述图像块的数量，s代表所述图像的像素数量，bh代表所述图像块的预设高度，bl代表所述图像块的预设长度，v代表所述多个像素的亮度值的标准差,
在其中的一个实施例中，所述对所述图像进行校正还包括对视频数据中图像进行对比度增强；
所述对视频数据中图像进行对比度增强的步骤包括：
获取所述图像的每个像素点的原始亮度；
计算所述图像的前述每个像素点的平均亮度；
获取预设的增强值；
计算每个像素点的每个原始亮度及平均亮度的差值、所述增强值与一的和值；
对所述差值及和值求解乘积值；
对所述乘积值及所述平均亮度进行求和，得到每个像素点的亮度值；
根据所述得到的亮度值调整每个像素点的亮度，对视频数据中图像进行对比度增强。
在其中的一个实施例中，所述对所述图像进行校正还包括对视频数据中所述图像进行加权均值滤波处理；
所述加权均值滤波处理的步骤包括：
以所述图像的每一个像素点为中心像素点，选取预设大小的滤波窗口，滤除所述滤波窗口内的极大值像素点和极小值像素点，获取剩余像素点的均值像素值及各个剩余像素点的权值，并进行归一化处理，对各个剩余像素点的像素值与对应权值进行加权求和，得到的像素值作为滤波窗口内中心像素点的滤波后的像素值。
第二方面，提供一种巡检车，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序可被处理器所执行，以用于实现如上所述的用于停车场巡检车的巡检方法的步骤。
第三方面，提供一种所述的用于停车场巡检车的巡检系统，包括后台服务器、巡检车和至少一个摄像头，所述后台服务器与所述巡检车、摄像头通信连接，所述摄像头均设置在所述巡检车上；
所述摄像头用于在获取视频数据，并将所述视频数据上传至所述后台服务器；
所述后台服务器用于根据所述视频数据识别预设颜色的车道线，并将预设颜色的车道线的数据发送至所述巡检车；
所述巡检车用于按照所述预设颜色的车道线进行巡检。
本申请上述用于停车场巡检车的巡检方法，通过识别所述视频数据中预设颜色的车道线，从而实现巡检车能够根据预设颜色的车道线在多种颜色的交叉式车道线上自动巡检，无需依赖人工对停车场进行巡检，达到节省人力成本和时间成本的目的。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例的用于停车场巡检车的巡检方法的流程示意图；
图2是本申请一实施例的用于停车场巡检车的巡检方法的应用场景示意图；
图3是本申请另一实施例的用于停车场巡检车的巡检方法的流程示意图；
图4是本申请一实施例的云对讲呼叫中心与语音识别引擎的连接示意图；
图5是本申请一实施例的用于停车场巡检车的巡检系统的结构示意图。
具体实施方式
下面结合附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在不冲突的情况下，下述各个实施例及其技术特征可以相互组合。
本申请实施例提出一种用于停车场巡检车的巡检方法，该方法可以应用于巡检车。巡检车包括通过系统总线连接的处理器、存储器和网络接口。其中，该处理器用于提供计算和控制能力，支撑整个巡检车的运行。存储器用于存储数据、程序等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于巡检车的无线网络通信方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以下各个实施例所提供的一种用于停车场巡检车的巡检方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等，用于与外部的巡检车进行通信。
本申请实施例提供的一种用于停车场巡检车的巡检方法，包括步骤11至步骤13。
步骤11、获取巡检车拍摄的视频数据；
步骤12、根据视频数据识别预设颜色的车道线；
步骤13、按照预设颜色的车道线控制巡检车进行巡检。
本申请上述用于停车场巡检车的巡检方法，通过识别视频数据中预设颜色的车道线，并忽略非预设颜色的车道线，从而实现巡检车能够根据预设颜色的车道线在多种颜色的交叉式车道线上自动巡检，无需依赖人工对停车场进行巡检，达到节省人力成本和时间成本的目的。
步骤11中，巡检车上设置有摄像头，摄像头能够拍摄巡检车周围的视频，获得视频数据。在其中的一个实施例中，摄像头的数量可以为多个，能够输出多路视频数据。例如，摄像头的数量为两个，在巡检过程中可以输出独立的两路视频数据，其中一路视频数据可以用于进行车牌识别，当识别车牌为注册会员的车牌时，主动反馈停车位等信息给车辆gps导航系统，语音提示最近的停车场下停车位的空缺位置，并提供各个有停车空位的gps定位，而另一路视频数据可以用于车道线的识别。
步骤12中，车道线设置于停车场的地面上，用于规划巡检车的巡检路线。而且，车道线具有多种颜色，即根据车道线颜色的不同在同一区域内为巡检车规划多种巡检线路，例如在停车场的底面上设置有红色车道线、绿色车道线、白色车道线等，而且不同颜色的车道线之间允许交叉形成交叉式车道线。
可选地，针对每一台巡检车对应设置一种颜色的车道线，即每一台巡检车与车道线的颜色一一对应。通过识别视频数据中预设颜色的车道线，不会识别非预设颜色的车道线，实现巡检车按照特定颜色的车道线进行自动巡检。例如，请参阅图2，巡检车30在交叉式车道线上巡检，交叉式车道线包括交叉设置的红色车道线10和黄色车道线20，通过将巡检车30对应的预设颜色的车道线预为红色车道线10，即从视频数据中识别红色车道线10，并忽略黄色车道线20，进而实现巡检车根据红色车道线进行自动巡检。
在其中的一个实施例中，根据视频数据识别预设颜色的车道线包括步骤121至步骤126。
步骤121、提取视频数据中图像；
步骤122、对图像进行校正；
步骤123、对校正后的图像在预设颜色空间的预设通道上进行阈值滤波处理，得到单通道图像；
步骤124、对单通道图像采用预设颜色变化梯度阈值进行滤波处理，得到二进制图；
步骤125、对二进制图进行透视变换，得到鸟瞰图；
步骤126、检测鸟瞰图中车道线的像素，识别得到预设颜色的车道线。
步骤121中，提取视频数据中图像是获取视频数据中一帧图像。具体可以逐帧提取视频数据中的图像，或每隔预设时间提取视频数据中的一帧图像。
步骤122中，通常从视频数据中提取的图像存在一定的扭曲，即存在图像畸变，其原因是由于摄像头的镜头凸形曲线会弯曲进入针孔时的光线，从而造成了图像中的成像扭曲。本实施例通过对图像进行校正，可以改善畸变，使图像不失真，接近真实图像，另外，还可以根据校正后图像中的像素确定图像内物体的尺寸关系。
其中，图像校正可以采用开源的计算机视觉库(opencv)提供的方法通过棋盘格图片组计算校正矩阵(cameracalibrationmatrix)和失真系数(distortioncoefficients)。图像校正具体包括：通过摄像头拍摄棋盘格图像；获取棋盘格图像中棋盘格角点坐标；进一步提取亚像素角点信息；计算出校正矩阵和失真系数；根据校正矩阵和失真系数对图像校正。
此外，摄像头拍到的图像中的光照存在分布不均匀的情况，会影响后续图像滤波处理的效果，进而影响车道线的识别。在其中的一个实施例中，对图像进行校正包括，先对凸显进行不均匀光照的校正，再进行畸变校正。
具体地，对图像进行校正包括：
步骤1221、将图像划分为多个图像块；
步骤1222、获取每个图像块的平均亮度，得到子块亮度矩阵；
步骤1223、采用子块亮度矩阵减去整个图像的平均亮度，得到子块亮度差值矩阵；
步骤1224、采用双立方插值法将子块亮度差值矩阵采样成与图像的尺寸一致的光照分布矩阵；
步骤1225、采用图像减去光照分布矩阵，得到亮度均匀的图像；
步骤1226、采用校正矩阵和失真系数对亮度均匀的图像进行校正，得到校正后的图像；
其中，图像块的数量与图像的像素数量成正比。
得到步骤1221中是对图像划分为多个的图像块，其中图像块并不限于长宽相等的正方形的图像块，也可以是长宽不等的矩形块。对于同一图像来说，图像块的数量越多，所得到的光照分布矩阵能够更加准确地反应图像的亮度分布情况，但同时也会导致运算量的增加。
本实施例图像块的数量的计算公式如式i所示。
其中，n代表图像块的数量，s代表图像的像素数量，bh代表图像块的高度(单位为像素数量)，bl代表图像块的长度(单位为像素数量)，γ代表调整系数。
式i中，图像块的数量与图像的像素数量成正比，即图像越大对应的图像块的数量也应该越多，避免图像块过大导致图像块内存在过多的光照不均匀的区域，使得到光照分布矩阵不能有效反应图像的光照分布情况。
式i中，γ代表调整系数是中动态调整系数，一般来说根据每一个图像中的光照的情况进行确定。例如，对于存在许多较小的光斑的图像，应当增加图像块的数量。
在实施过程中，γ的值可以通过对图像中不同位置的亮度进行采样，根据采样得到的多个亮度值的差异程度确定，其中，多个亮度值的差异越大，γ的值也越大。例如，在图像的四个角以及图像中央的位置采集5个亮度值，获取5个亮度值的标准差v，则γ与标准差v成正比，即
其中，
步骤1222是统计图像块中像素的亮度值，再计算图像块中像素的亮度平均值，即为的子块平均亮度，将所有图像块的子块平均亮度组合得到子块亮度矩阵。
步骤1223是子块亮度矩阵中所有子块平均亮度减去整个图像的平均亮度，得到子块亮度差值矩阵。
步骤1224是通过插值法将子块亮度差值矩阵放大到与图像的尺寸一致，获得光照分布矩阵。其中，图像中的像素的数量与光照分布矩阵中的亮度值个数相同，且图像中的像素与光照分布矩阵中的亮度值具有一一对应的关系。本实施例采用双立方插值将子块亮度差值矩阵进行放大。
步骤1225是采用图像中所有像素的亮度值减去光照分布矩阵中对应的亮度值，得到亮度均匀的图像。其中，亮度均匀的图像即为亮度校正后的图像。
步骤1226是对亮度校正后的图像进行畸变校正，完成对图像的校正。
步骤123是根据所要识别车道线颜色的不同，采用对应的预设颜色空间的预设通道对校正后的图像进行阈值滤波处理(也可以称为对图像进行颜色阈值处理)，得到单通道图像。其中，颜色空间也称为色彩空间，颜色空间有rgb、hls和hsv等。
采用不同的颜色空间中不同的通道滤波处理图像，会产生不同的效果。例如在rgb颜色空间上，采用蓝色通道，发现在识别黄车道线时最差，而采用红色通道滤波处理对黄色车道线较佳效果。因此，在实施识别车道线路时通过对颜色空间、通道以及颜色阈值进行合理选择，可提高对车道线的识别准确率。举例地，在识别黄色车道线时，采用lab颜色空间的b通道。
步骤124是采用颜色变化梯度阈值(简称梯度阈值)对单通道图像进行滤波处理，得到二进制图。颜色变化梯度表示图像中颜色强度的变化，当颜色变化梯度的值越大表示颜色变化越强烈。基于此，可以利用颜色变化梯度识别车道线的边缘。
可选地，通过计算图像的每个像素点像(x,y)分别在x和y方向上处梯度偏导数可以获得图像的颜色变化梯度。在其中的一些实施例中，采用roberts算子、sobel算子、prewitt算子、kriseh算子、guass-laplace算子实现梯度偏导数的计算。roberts算子又称为交叉微分算法，它是基于交叉差分的梯度算法，通过局部差分计算检测边缘线条。sobel算子是一种用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导。prewitt算子是一种图像边缘检测的微分算子，其原理是利用特定区域内像素灰度值产生的差分实现边缘检测。kriseh算子采用8个模板对图像上的每一个像素点进行卷积求导数，这8个模板代表8个方向，对图像上的8个特定边缘方向作出最大响应，运算中取最大值作为图像的边缘输出。guass-laplace算子(高斯拉普拉斯算子)是在高斯函数的基础上再利用拉普拉斯算子提取边缘得出的一个算子。
根据不同梯度算子对图像中车道线边缘识别效果的不同，本实施例针对每一种巡检车对应采用一种颜色空间的处理和一种颜色变化梯度处理，达到对不同颜色车道选择性识别，从而实现巡检车在交叉式车道线上自动巡检行驶。
步骤125中由于摄像头拍摄的图像是拍摄巡检车前方的图像并非是从上往下拍摄的鸟瞰图，因此越靠近巡检车，车道线在图像的宽度越大。通过变换得到鸟瞰图，从而准确获取车道线在地面上的真实分布情况。
步骤126中检测鸟瞰图为黑白图像，其白色部分主要为车道线的轮廓，通过捕获车道线所在位置的像素，即可识别到预设颜色的车道线。
本实施例巡检车对车道线颜色线路识别，识别反馈控制智能巡检车的行驶车道，按照特定设置道路颜色的路线行进。此外，通过控制巡检车可以识别的车道上的标识和距离，达到在车道线上来回巡检的效果。本实施例巡检方法，能够避免行进时出轨、行走转弯卡涩等问题。
步骤122中还包括以下对视频数据中图像进行对比度增强的步骤：
获取预先构建的对比度增强算法；
利用对比度增强算法增强图像的对比度，以提升图像特征明显度。
其中，利用对比度增强算法增强图像的对比度的步骤具体包括：
获取图像的每个像素点的原始亮度；
计算图像的前述每个像素点的平均亮度；
获取预设的增强值；
计算每个像素点的每个原始亮度及平均亮度的差值、所述增强值与一的和值；
对该差值及和值求解乘积值；
对所述乘积值及所述平均亮度进行求和，得到每个像素点的亮度值；
根据亮度值调整每个像素点的亮度，利用亮度的调整完成所述对比度的增强。
步骤122中还包括以下对视频数据中图像进行加权均值滤波处理的步骤:加权均值滤波处理包括以图像的每一个像素点为中心像素点，选取预设大小的滤波窗口，滤除滤波窗口内的极大值像素点和极小值像素点，获取剩余像素点的均值像素值及各个剩余像素点的权值，并进行归一化处理，对各个剩余像素点的像素值与对应权值进行加权求和，得到的像素值作为滤波窗口内中心像素点的滤波后的像素值；滤波窗口的大小可以是3*3。
在其中的一个实施例中，请参阅图3，获取巡检车拍摄的视频数据之后，还包括：
步骤14、根据视频数据识别行驶车道上是否有障碍物；
当识别到行驶车道上有障碍物，控制巡检车向障碍物发送超声波，并接收返回的超声波信息；
步骤15、根据返回的超声波信息测定巡检车与障碍物的距离；
步骤16、当巡检车与障碍物的距离小于预设距离阈值时，控制巡检车停止前进。
步骤14中，障碍物可以是位于巡检车预设巡检路线上的物体。可选地，巡检车在巡检过程中通过摄像头采集前方的视频数据，再采用颜色阈值和梯度阈值处理视频数据中的图像，最后对视频数据中的障碍物进行识别，可以参照上述识别车道线的方法对障碍物进行识别。具体地，通过启摄像头检测设定道路上的人脸控制巡检车停止和行驶。
步骤15中，当识别到行驶车道上有障碍物后，通过图像像素计算巡检车与障碍物之间的距离。一般来说，图像中障碍物与图像底边(图像中靠近巡检车的一边)距离(单位为像素点)与障碍物和巡检车的实际距离成正比。
在其中的一个实施例中，步骤15，具体包括：
步骤151、控制巡检车向障碍物发送超声波，接收返回的超声波信息；
步骤152、根据返回的超声波信息测定与障碍物的距离。
本实施例中巡检车具有超声防撞的功能，即通过超声波实现障碍物的检测和测距，为巡检提供更强的安全保障。
在其中的一个实施例中，获取巡检车拍摄的视频数据之后，还包括：
步骤17、从视频数据中识别车辆信息，并统计预设时间段内的车流量，其中，车辆信息包括车牌信息。
其中，安装在巡检车上的摄像头实时采集前方的道路场景图像，通过车牌识别算法检测视频流逐帧识别，提取出视频中所存在的车牌号码信息、颜色信息，并同时提供相应的包含车辆的单帧或多帧图片、车牌小图、车牌二值化图等信息；此外，提取车辆附加信息输出，如实时车牌大小以及位置信息。本实施例可以通过在巡检车上设置单目广角摄像头，并对单目广角摄像头拍摄的视频数据进行车牌识别，实现检测道路上车辆车牌和流量视屏的监听。
在其中的一个实施例中，获取巡检车拍摄的视频数据之后，还包括：
步骤17、从视频数据中识别停车位信息；
步骤18、当识别到有空缺停车位时，获取空缺停车位的定位信息；
步骤19、当接收到来自用户端发出的获取停车位的指令时，反馈停车位信息。
本实施例通过巡检车上的摄像头拍摄停车位，获取含有停车位的视频数据，通过识别视频数据中停车位，并判断停车位是否有车辆。
当识别到停车位已满的情况，反馈给后台服务器，自动上报对应时间内的车流量等数据。当识别到有空缺停车位时，获取空缺停车位的定位信息，反馈给后台服务器。其中，定位信息可以通过巡检车上的gps(全球定位系统)获取。可选地，巡检车上采用基于激光雷达和惯导组合的精确地形匹配的导航方案，能够实现定位精度达到1cm。
例如，在检测车辆车牌场景中，接收到用户车牌进入停车场范围内的信息时，主动通知车辆的gps导航系统，通过语音导航系统提示最近的停车场下停车位的空缺位置，并提供各个有空位位置的gps定位。
在其中的一个实施例中，步骤19中，获取停车位的指令为音频数据格式指令(简称音频数据或语音数据)；
其中，在接收到音频数据格式指令之后，还包括：
步骤191、对音频数据格式指令进行语音识别，并转写为文本格式指令(简称文本数据)；
步骤192、根据文本格式指令获取停车位信息，并反馈语音数据格式的停车位信息。
针对用户通过语音获取停车位信息，以及用户对停车场的故障以及其他特殊情况进行语音反馈时，本实施例通过接收来自用户端的音频数据，并对将音频数据格式指令进行识别，将语音数据格式指令转写为文本格式指令，并根据相应的文本格式指令进行相应的反馈给用户，如采用语音数据格式的反馈停车位信息给用户端。
具体地，与巡检车连接的后台服务器为云对讲呼叫中心，即巡检车与云对讲呼叫中心对接。其中，在巡检车连接与云对讲呼叫中心建立会话初始协议(sessioninitiationprotocol，sip)。通过媒体资源控制协议(mediaresourcecontrolprotocol,mrcp)与云对讲呼叫中心交互控制命令合成、识别音频数据。通过实时传输协议(real-timetransportprotocol或简写rtp)接收、发送音频数据数据。
云对讲呼叫中心与语音识别引擎连接实现语音识别，其中语音识别的流程可以是，语音识别引擎在与云对讲呼叫中心建立sip连接后，通过媒体资源控制协议查看云对讲呼叫中心是否发送转写请求，当有发送转写请求，语音识别引擎发送相应的请求回应信息，之后云对讲呼叫中心开始发送音频流，语音识别引擎把接收的音频流进行语音转写为xml格式文本数据，将文本数据在返回给云对讲呼叫中心，流程结束。
如图4所示，语音识别引擎包括：语音识别模块(asr模块)、远程字典服务模块(redis模块)、云存储模块(crs模块，cloudredisstore模块)、互动式语音应答(ivr模块)、智能管理模块(iss模块)、文本语音转换模块(tts模块)、连接共享模块(ics模块)、客户关系管理模块(crm模块)；其中，语音识别模块与用于与云对讲呼叫中心连接，实现对语音数据进行语音识别；远程字典服务模块与语音识别模块连接，用于存储语音识别结果；云存储模块与远程字典服务模块以及语音识别模块连接，用于从远程字典服务模块获取转写结果；互动式语音应答与云存储模块连接，用于传输语音应答结果至云存储模块；文本语音转换模块与互动式语音应答连接；智能管理模块与云存储模块连接，用于从云存储模块中获取语义；连接共享模块与云存储模块连接，用于调用并获取云存储模块的操作信息；客户关系管理模块通过程序接口与连接共享模块，用于管理客户。提供一种巡检车，包括存储器和处理器，存储器存储有计算机程序，计算机程序可被处理器所执行，以用于实现如上的用于停车场巡检车的巡检方法的步骤。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)，它用作外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)。
本申请巡检车上可以设置多个摄像机的立体视觉系统及单个摄像机的单目视觉系统，实时采集前方的道路场景图像，传输到后台服务器；后台服务器通过动态特征检测技术，提取出视频中的车牌号码信息、车身颜色信息、车牌大小以及车辆位置信息、停车空位信息，实现无牌车的检测与抓拍以及停车空位等信息的反馈。
还提出一个或多个存储有计算机可读指令的非易失性可读存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上任一实施例中的用于巡检车的巡检方法的步骤。
提供一种的用于停车场巡检车的巡检系统，如图5所示，包括后台服务器410、巡检车420和至少一个摄像头430，后台服务器410与巡检车420、摄像头430通信连接，摄像头430均设置在巡检车420上；
摄像头430用于在获取视频数据，并将视频数据上传至后台服务器410；
后台服务器410用于根据视频数据识别预设颜色的车道线，并将预设颜色的车道线的数据发送至巡检车420；
巡检车420用于按照预设颜色的车道线进行巡检。
在一个应用场景中，通过布置各种颜色的车道线在道路旁边的停车位附近的巡检区域进行规划，巡检车420按颜色区分巡检路线在设定的区域内进行巡检。巡检系统合理调配巡检车420的巡检班次，如多个巡检车420可以按照时间差进行调配巡检。巡检系统具有部署快速、适应性强、采集数据准确、定位精度高等显著优点。而且可以不同道路区域规划，比如马路上各条有停车位道路、园区道路的范围停车位附近规划颜色通道，巡检车420可根据颜色通道进行不同的道路的行驶功能。
此外，巡检系统中巡检车420上还设置有充电组件，可以通过充电组件对巡检车420进行充电，可选地，充电组件采用太阳能充电组件。
其中一个实施例中，后台服务器410用于，根据视频数据识别行驶车道上是否有障碍物；当识别到行驶车道上有障碍物且与障碍物的距离小于预设距离阈值时，控制巡检车420停止前进；
和/或，还用于从视频数据中识别车辆信息，并统计预设时间段内的车流量，其中，车辆信息包括车牌信息；
和/或，还用于从视频数据中识别停车位信息；当识别到有空缺停车位时，获取空缺停车位的定位信息。
和/或，还用于接收音频数据；将音频数据进行语音转写为文本数据；当文本数据识别为获取停车位信息时，则反馈停车位信息。
本实施例的用于停车场巡检车的巡检系统通过使用无轨自动识别不同颜色车道线实现巡检车420导航行驶；同时实现每个巡检车420对应巡检区域的车牌识别、车流量统计和停车位的使用情况；巡检车420检测反馈行驶道路的路段停车位的使用情况，并反馈检测到的空缺停车位gps位置到平台系统。可以理解的是，巡检系统能够使停车场的停车位得到有效利用，实现停车的自动化管理。
关于本申请实施例用于巡检车的巡检系统的具体限定，参见前述用于停车场巡检车的巡检方法，不再赘述。前述用于停车场巡检车的巡检方法也可以参见本申请实施例中的用于停车场巡检车的巡检系统的具体限定。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！