1.本发明涉及智能交通领域，具体涉及一种基于深度识别的停车场高位视频监测方法及系统。
背景技术：
2.随着城市化进程的加速，车辆数量的激增，停车位的短缺已成为城市交通的一大难题。现有的停车场管理系统大多采用人工管理方式，存在车辆管理效率低下、车辆停放不合理等问题，从而无法高效监测并管理车辆。
技术实现要素：
3.本技术通过提供了一种基于深度识别的停车场高位视频监测方法及系统，旨在解决现有技术中无法准确识别和智能管理车辆的技术问题。
4.鉴于上述问题，本技术提供了一种基于深度识别的停车场高位视频监测方法及系统。
5.本技术公开的第一个方面，提供了一种基于深度识别的停车场高位视频监测方法，该方法包括：构建高位摄像头组，高位摄像头组包括入场摄像头、全景摄像头、出场摄像头；通过入场摄像头对目标车辆进行拍摄，获取目标车辆图像；通过全景摄像头对停车场进行全景拍摄，获取停车场全景图像，根据停车场全景图像获取停车分布信息；将目标车辆图像输入目标检测模型中，获取目标车辆信息；遍历车辆数据库，获取第一车辆信息，与目标车辆信息进行匹配；当目标车辆信息与第一车辆信息匹配，根据第一车辆信息获取目标车辆历史停车信息，根据目标车辆历史停车信息、停车分布信息为目标车辆分配停车位；当目标车辆信息与第一车辆信息不匹配，将目标车辆添加至车辆数据库，交互目标车辆，获取目标车辆的目的地，根据目的地、停车分布信息为目标车辆分配停车位；通过出场摄像头获取目标车辆的离场信息，将离场添加至车辆数据库。
6.本技术公开的另一个方面，提供了一种基于深度识别的停车场高位视频监测系统，该系统包括：摄像头组构建模块，用于构建高位摄像头组，高位摄像头组包括入场摄像头、全景摄像头、出场摄像头；目标车辆图像模块，用于通过入场摄像头对目标车辆进行拍摄，获取目标车辆图像；停车分布信息模块，用于通过全景摄像头对停车场进行全景拍摄，获取停车场全景图像，根据停车场全景图像获取停车分布信息；目标车辆信息模块，用于将目标车辆图像输入目标检测模型中，获取目标车辆信息；车辆信息匹配模块，用于遍历车辆数据库，获取第一车辆信息，与目标车辆信息进行匹配；车辆信息存在模块，用于当目标车辆信息与第一车辆信息匹配，根据第一车辆信息获取目标车辆历史停车信息，根据目标车辆历史停车信息、停车分布信息为目标车辆分配停车位；车辆信息缺失模块，用于当目标车辆信息与第一车辆信息不匹配，将目标车辆添加至车辆数据库，交互目标车辆，获取目标车辆的目的地，根据目的地、停车分布信息为目标车辆分配停车位；车辆离场信息模块，用于通过出场摄像头获取目标车辆的离场信息，将离场添加至车辆数据库。
7.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
8.由于采用了构建包含入场摄像头、全景摄像头和出场摄像头的高位摄像头组，利用深度学习目标检测模型对进入和离开停车场的车辆进行识别和跟踪，获取车辆信息；同时，全景摄像头获取停车场实时车位信息；车辆数据库存储各车辆的历史停车信息；当目标车辆入场时，首先在车辆数据库中查找该车辆信息，如果存在，根据其历史停车信息与实时车位信息为其智能分配车位；如果不存在，通过与车主交互获取其目的地信息，同样根据目的地信息与实时车位信息为其分配车位；车辆离场时，再通过出场摄像头确认其离场信息，及时更新车辆数据库的技术方案，解决了现有技术中无法准确识别和智能管理车辆的技术问题，达到了停车场视频全监控和车辆智能停车位分配的技术效果。
9.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
10.图1为本技术实施例提供了一种基于深度识别的停车场高位视频监测方法可能的流程示意图；
11.图2为本技术实施例提供了一种基于深度识别的停车场高位视频监测方法中获取目标车辆图像可能的流程示意图；
12.图3为本技术实施例提供了一种基于深度识别的停车场高位视频监测方法中获取停车分布信息可能的流程示意图；
13.图4为本技术实施例提供了一种基于深度识别的停车场高位视频监测系统可能的结构示意图。
14.附图标记说明：摄像头组构建模块11，目标车辆图像模块12，停车分布信息模块13，目标车辆信息模块14，车辆信息匹配模块15，车辆信息存在模块16，车辆信息缺失模块17，车辆离场信息模块18。
具体实施方式
15.本技术提供的技术方案总体思路如下：
16.本技术实施例提供了一种基于深度识别的停车场高位视频监测方法及系统。采用高位摄像头深度目标检测与车辆数据库技术，实现停车场车辆全过程的自动识别、智能管理与停车位动态分配。
17.通过构建高位摄像头组获取进入和离开停车场各车辆的视频图像，并利用深度学习目标检测算法对视频图像进行分析，实时识别每个车辆，获取其车辆信息。与此同时，通过全景摄像头监测停车场实时车位信息，并通过车辆数据库存储各车辆的历史停车信息。当车辆进入停车场时，首先在车辆数据库中查找该车辆的历史信息。如果存在，根据其历史停车习惯与实时车位信息为其智能选择车位。如果不存在，通过与车主交互获取其目的地信息，根据目的地信息与实时车位信息为其分配车位。车辆离开时，出场摄像头再次捕捉到该车辆，确定其已离场，及时更新车辆数据库。
18.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非
限制性的实施方式。
19.实施例一
20.如图1所示，本技术实施例提供了一种基于深度识别的停车场高位视频监测方法，该方法应用于停车场高位视频监测系统，该方法包括：
21.步骤s100：构建高位摄像头组，所述高位摄像头组包括入场摄像头、全景摄像头、出场摄像头；
22.具体而言，为实现停车场的高效监测，构建高位摄像头组。首先，根据入场摄像头、全景摄像头和出场摄像头的功能要求，选择对应的摄像头型号，选型时考虑画质、分辨率、视野角度、防护等指标，保证摄像头可以稳定运行在室外停车场环境；其次，根据停车场的具体结构和大小，设计摄像头的布局，确保入口、出口、全景视角等关键区域都在有效监测范围内，避免出现死角；然后，根据布局设计，将摄像头安装在停车场中的适当高位，如停车场外墙面或屋顶等位置，确保摄像头的取景方向和角度符合设计要求，并牢固安装以防止移动或倾斜；安装完成后，对所有摄像头进行调试，调整焦距和光圈，确保图像清晰度高、亮度适中；检查各摄像头的视野范围是否符合设计，是否存在遮挡或死角；测试摄像头的联动控制，确保在不同的摄像头视角下同步监测目标；最后，将高位摄像头组中的各摄像头通过网络与监控中心的服务器相连，实现图像信息的实时传输和存储。
23.高位摄像头组包括入场摄像头、全景摄像头、出场摄像头。其中，入场摄像头采用常规的监控摄像机获取进入停车场的目标车辆图像信息，从而识别目标车辆的身份和获取其历史停车信息；全景摄像头选择超广角镜头和全景拼接技术，全景拍摄整个停车场的全景图像，得到停车场内车辆的分布信息，为目标车辆分配停车位提供参考依据。出场摄像头的选择与入场摄像头类似，用于检测和记录目标车辆的离场信息，将信息添加至车辆数据库中，为下次目标车辆入场停车提供服务。
24.通过构建包含入场摄像头、全景摄像头、出场摄像头的摄像头组，实时地监测停车场内的车辆分布变化和车辆入场与离场状态，为停车场的自动化监测和管理提供基础。
25.步骤s200：通过所述入场摄像头对目标车辆进行拍摄，获取目标车辆图像；
26.具体而言，入场摄像头在监测到目标车辆进入停车场时会自动对其进行跟踪拍摄，以获取包含目标车辆的入场视频流。入场摄像头选择具有车牌识别功能的监控摄像机，通过车牌识别技术获取目标车辆的车牌信息并据此识别其身份。
27.获取入场视频流后，系统对视频流进行处理以提取目标车辆图像。首先，通过帧差分技术检测视频流中的运动对象，提取包含目标车辆的车辆图像帧，得到车辆图像集。然后，对车辆图像集进行筛选，选取图像质量高并包含目标车辆的图像作为目标车辆图像。
28.通过对目标车辆进行拍摄，获取目标车辆图像，有效捕获进入停车场的目标车辆图像，为识别目标车辆身份和获取其历史停车信息等提供基础，实现停车场监测管理的自动化。
29.步骤s300：通过所述全景摄像头对停车场进行全景拍摄，获取停车场全景图像，根据所述停车场全景图像获取停车分布信息；
30.具体而言，全景摄像头采用超广角镜头和全景拼接技术进行全景拍摄，获取包含整个停车场视野的原始全景视频流。然后，对原始视频流进行预处理，包括去噪、亮度调整和对比度增强等，得到一组停车场全景图像。接着，从全景图像中提取有效信息，对所有全
景图像进行拼接，获得包含停车场全貌的一张合成全景图像，即停车场全景图像。
31.采用卷积神经网络等深度学习模型，通过大量样本数据进行训练，构建出停车分布识别模型，习得识别各车位状态的能力。基于停车场全景图像，构建停车分布识别模型以解析图像，获取每个车位是否被占用的信息。
32.通过全景摄像头对停车场进行全景拍摄，获取停车场全景图像，根据停车场全景图像获取停车场内的详细车辆分布信息，为分配目标车辆停车位和管理停车场资源提供重要依据，实现停车场管理的智能化。
33.步骤s400：将所述目标车辆图像输入目标检测模型中，获取目标车辆信息；
34.具体而言，目标检测模型为采用基于深度学习的检测算法，如faster r-cnn、yolov3等，通过大量样本数据训练获得检测交通工具的能力。目标检测模型可在目标车辆图像中准确检测出目标车辆的位置和范围，并输出目标车辆的属性信息，如车型、车牌号、颜色等。首先需要从数据集中提取包含各类车型的目标车辆图像样本以及对应标注信息，作为目标检测模型的训练数据；然后使用深度学习框架构建目标检测模型的网络结构，包含卷积层、池化层和全连接层；接着，将训练数据输入目标检测模型，通过反向传播算法调整模型的参数，使模型学会从输入图像中检测出目标车辆并解析其属性信息。训练完成后的目标检测模型就可以用于检测新输入的目标车辆图像，准确输出目标车辆的位置、车型、车牌号等信息。
35.将获取的目标车辆图像作为输入，经过目标检测模型处理解析出目标车辆的具体信息，为识别目标车辆身份和管理其停车提供依据。通过目标检测技术，过滤输入图像中的无关信息，准确获取目标车辆的相关属性，实现自动化管理。
36.步骤s500：遍历车辆数据库，获取第一车辆信息，与目标车辆信息进行匹配；
37.具体而言，车辆数据库中存储了所有曾入场的目标车辆的相关信息，如车牌号、车型、常停位置等，作为识别目标车辆身份的参考。首先，构建与目标车辆信息相对应的车辆数据库字段，包括车牌号、车型、车主等信息；然后，采用sql语言遍历车辆数据库，获取第一车辆信息；接着，将第一车辆信息与目标车辆信息进行逐一匹配，判断两者在车牌号、车型等方面是否存在对应关系，如果目标车辆信息与某一第一车辆信息匹配度高，则表明目标车辆的身份对应该第一车辆，据此获取目标车辆的历史停车信息，为其分配常停车位。
38.通过在车辆数据库中查询目标车辆信息，自动识别目标车辆的身份，无需人工干预。采用数据库存储车辆信息并通过查询算法进行信息匹配，高效管理大量车辆数据，为识别目标车辆身份和获取历史信息提供方便。
39.步骤s600：当所述目标车辆信息与第一车辆信息匹配，根据所述第一车辆信息获取目标车辆历史停车信息，根据所述目标车辆历史停车信息、所述停车分布信息为目标车辆分配停车位；
40.具体而言，当通过匹配第一车辆信息确认目标车辆的身份后，根据第一车辆信息获取目标车辆的历史停车信息，然后根据历史停车信息和获取的停车分布信息为目标车辆分配停车位。其中，第一车辆信息记录了对应目标车辆的各类信息，包括常停车位等历史停车信息，如常停车位位置、停车时长等，作为推荐目标车辆停车位的参考。
41.构建车位推荐模型，其中模型输入为目标车辆的历史停车信息，如常停车位、停车时长等，以及通过停车场全景图像以解析出的车辆分布信息，包括每个车位的占用状态。然
后，从历史停车信息中提取目标车辆的停车偏好特征，如优先选择临近出入口或电梯的车位；从停车分布信息中提取当前可停车位的特征，如位置、周边环境等。其次，根据提取的特征，过滤出部分不符合要求的车位，如远离出入口的车位。过滤后得到更精细的车位集为候选车位。接着，对候选车位根据不同特征设定评分机制，如位置接近常停车位加5分，周边无其他车加3分，得分高者为更佳车位。之后，将位置相近的候选车位进行聚类，每类代表一个推荐区域，为目标车辆提供选择余地。然后，基于车位评分和候选车位聚类，选择评分最高的n个车位或每个聚类中的m个车位，推荐给目标车辆作为停车位。
42.通过车位推荐模型智能化地为目标车辆选择出合适的停车位，选定的车位既满足目标车辆的停车偏好，也符合当前停车场的车辆分布状况，实现资源的合理分配，提高空间利用率，减轻人工负担，提高分配效率。
43.步骤s700：当所述目标车辆信息与第一车辆信息不匹配，将所述目标车辆添加至车辆数据库，交互所述目标车辆，获取所述目标车辆的目的地，根据所述目的地、所述停车分布信息为目标车辆分配停车位；
44.具体而言，当目标车辆信息与第一车辆信息匹配失败，无法在车辆数据库中识别目标车辆的身份时，将目标车辆信息添加至车辆数据库，然后通过人机交互获取目标车辆的目的地，最后根据目的地和停车分布信息为其分配停车位。
45.首先，将获取的目标车辆信息添加为新条目插入车辆数据库，添加的信息包括车牌号、车型、入场时间等，这些信息将被记录下以便将来识别目标车辆。然后，配置人机交互功能，用于与目标车辆的驾驶员进行通信，获取目标车辆此次停车的目的地信息，人机交互通过显示屏、语音等方式进行，让驾驶员选择目的地分类，如办公、购物、进餐等，或输入具体店铺名称以提供更详细信息。最后，根据获得的目的地信息和当前的停车分布信息，为目标车辆推荐停车位。例如，如果目的地为某商场，则根据商场出入口位置和停车场空车位，推荐临近出入口的空车位；如果提供了具体店铺，可推荐就近该店铺的车位。
46.通过新增车辆信息至数据库和人机交互，获得新入场目标车辆的身份信息和目的地，然后根据这些信息为其分配停车位，实现新车辆的自动化停车服务，为提高新车辆的停车便利性提供支撑。
47.步骤s800：通过所述出场摄像头获取所述目标车辆的离场信息，将所述离场添加至所述车辆数据库。
48.具体而言，当目标车辆驶出停车场时，通过出场摄像头监测获取其离场信息，并将该信息添加至车辆数据库，完成对目标车辆本次停车信息的记录。
49.出场摄像头在监测到目标车辆驶出停车场时，会自动对其进行识别和跟踪，获取包含目标车辆离场的视频流信息。然后需要对视频流进行分析，提取目标车辆的离场时间、出口位置等离场信息。首先采用目标检测算法检测视频流，找到包含目标车辆的图像帧，然后使用目标识别模型识别该车辆的车牌号，确定其身份。其中，提取到的视频流的时间戳为目标车辆的离场时间。获得目标车辆离场信息后，将信息添加至车辆数据库的对应车辆条目中，更新数据库中目标车辆的信息数据。
50.通过出场监测获得目标车辆离场信息，并更新至车辆数据库，完善了对车辆的信息管理，自动获取和添加信息，减轻人工记录负担，提高信息的准确性。
51.进一步的，如图2所示，本技术实施例还包括：
52.步骤s210：当所述入场摄像头检测到所述目标车辆时，对所述目标车辆进行跟踪拍摄，获取入场视频流；
53.步骤s220：将所述入场视频流进行图像帧筛选，获取车辆图像集，该目标车辆图像集中的所有车辆图像包含有目标车辆；
54.步骤s230：遍历所述车辆图像集，通过图像质量评估模型对所述车辆图像进行质量评估，获取目标车辆图像。
55.具体而言，首先，当入场摄像头检测到目标车辆进入监控范围时，对其进行跟踪拍摄，获取包含目标车辆行驶过程的入场视频流，入场视频流记录目标车辆从入口进入到驶离监控范围的整个过程。然后，对入场视频流进行处理，通过帧差分等图像处理技术检测视频流中的运动目标，提取包含目标车辆的图像帧，获得一组车辆图像，这组图像中包含目标车辆的不同角度图像。
56.接着，从车辆图像集中取出一张车辆图像，使用特征提取算法得到该图像的多个特征，如清晰度特征、对比度特征等；将特征输入图像质量评估模型中，得到对应评分，如ssim评分0.8、对比度评分0.7等；根据设定的权重计算总体评分，如0.8*0.6 0.7*0.3＝0.74；根据得分结果选取评分最高的图像为目标车辆图像。
57.通过从入场视频流中准确提取目标车辆的最佳图像，提供给后续的车辆检测和识别准确的目标车辆图像，过滤无用信息，为车辆监测管理提供支持。
58.进一步的，如图3所示，本技术实施例还包括：
59.步骤s310：通过去噪、亮度调整、对比度增强对采集到的全景视频流进行预处理，获得待用图像集；
60.步骤s320：对所述待用图像集进行图像提取，对所有待用图像进行拼接，获取停车场全景图像；
61.步骤s330：构建停车分布识别模型，将所述停车场全景图像输入所述停车分布模型中，获取停车分布信息。
62.具体而言，首先，全景摄像头采集到的全景视频流可能存在噪点、光照不均等问题，影响图像质量。因此，对视频流进行预处理，通过去噪、亮度调整、对比度增强等技术提高图像质量，获得一组清晰的待用图像。然后，从待用图像集中提取图像，对提取的图像进行拼接，将配准后的图片连接成一张大图，获得全景图像，清晰显示停车场内车辆和物体的分布信息。最后，将得到的停车场全景图像输入停车分布识别模型，解析出图像中的车辆分布信息，在全景图像上检测出每辆车的位置、姿态和所占区域，得到车辆数量、每个车位是否有车以及车位之间的空隙等信息。
63.通过从视频流到停车分布信息的转化，采用图像预处理、拼接和识别模型实现信息的自动提取，为获得准确的车辆分布信息提供支持，提高停车场监测效率。
64.进一步的，本技术实施例还包括：
65.步骤s331：利用大数据技术获取停车场影像数据集；
66.步骤s332：对所述停车场影像数据集进行筛选，得到样本影像数据集；
67.步骤s333：遍历所述样本影像数据集，对样本影像进行车辆停放标注，所述停放标注包括空闲、已占据，其中，每个样本影像对应一个样本标注集；
68.步骤s334：遍历所述样本标注集，对所述样本标注集对应的所述样本影像进行分
割，获取样本数据集；
69.步骤s335：将所述样本数据集、所述样本标注集划分为样本训练集和样本验证集；
70.步骤s336：通过所述样本训练集对卷积神经网络模型进行监督学习训练，通过所述样本验证集对所述停车分布识别模型进行验证，获取停车分布识别模型。
71.具体而言，首先，利用大数据技术从各个来源获取大量停车场全景图像，形成停车场影像数据集，实现海量数据的采集、清理和整合。其次，基于图像清晰度、分辨率等标准对获得的影像数据集进行筛选，过滤掉质量较低的图像，得到高质量的样本影像数据集。然后，遍历样本影像数据集，对每个样本影像进行车辆停放标注，标注分为空闲车位和已占据车位两类，每个样本影像对应一个样本标注集。之后，遍历样本标注集，根据标注信息对对应的样本影像进行分割，得到包含车位区域和车辆区域的样本数据集。接着，将获得的样本数据集和样本标注集按比例划分为训练集和验证集，训练集用于模型训练，验证集用于模型评估。最后，通过训练集对深度卷积神经网络模型进行监督学习训练，通过验证集对训练得到的模型进行验证评估，得到最终的停车分布识别模型。
72.通过构建数据集、进行标注和训练深度学习模型，获得停车分布识别模型，实现全景图像与车辆分布信息的精确映射，实现全自动的车辆状态监测。
73.进一步的，本技术实施例还包括：
74.步骤s610：对所述目标历史停车信息进行数据分析，获取历史停车时长集；
75.步骤s620：遍历所述历史停车时长集，按照时长降序对所述历史停车时长进行排序；
76.步骤s630：设置停车时长阈值，根据所述停车时长阈值对排序后的所述历史停车时长进行划分，将所述历史停车时长大于等于所述停车时长阈值的历史停车数据作为第一参考数据，将所述历史停车时长小于所述停车时长阈值的历史停车数据作为第二参考数据；
77.步骤s640：根据所述第一参考数据对所述目标车辆历史停车信息进行筛选，获取第一推荐车位集；
78.步骤s650：根据所述第二参考数据对所述目标车辆历史停车信息进行筛选，获取第二推荐车位集；
79.步骤s660：设置车位推荐阈值，根据所述第一推荐车位集与所述停车分布信息进行匹配，获取目标推荐车位集；
80.步骤s670：当所述目标推荐车位集中的车位量大于或等于所述车位推荐阈值，将所述目标推荐车位集发送给目标车辆，并标识推荐指数。
81.具体而言，首先，对目标车辆的历史停车信息进行数据分析，得到其历史停车时长集，记录每次停车的具体时长。其次，对历史停车时长集按从长到短的顺序进行排序，得到目标车辆停车时长的分布情况。然后，设置停车时长阈值，根据阈值对排序后的历史停车时长集进行划分，大于阈值的时长划为第一参考数据，小于阈值的划为第二参考数据，其中，第一参考数据可以推荐长时间车位，第二参考数据可以推荐短时间车位。之后，根据第一参考数据对历史停车信息进行筛选，得到第一推荐车位集；根据第二参考数据筛选，得到第二推荐车位集，推荐车位对应目标车辆历史上常停的位置。接着，设置车位推荐阈值，根据第一推荐车位集与当前的停车分布信息匹配，得到目标推荐车位集，目标推荐车位集为考虑
当前车位空闲情况的推荐结果。最后，当目标推荐车位集中的车位量大于等于推荐阈值时，将集合发送给目标车辆，并标识推荐指数，完成车位推荐。
82.通过分析历史数据和匹配当前分布，为目标车辆提供个性化的车位推荐，引导车辆选择习惯的停车位置，提高驾驶便利性，同时实现车流引导，避免车辆随意停放，有利于停车场空间的合理利用和管理。
83.进一步的，本技术实施例还包括：
84.步骤s681：当所述目标推荐车位集中的车位量小于所述车位推荐阈值时，根据所述目标推荐车位集、所述车位推荐阈值获取剩余推荐车位数；
85.步骤s682：根据所述第二推荐车位集与所述停车分布信息进行匹配，获取第二推荐车位集中各车位的推荐指数；
86.步骤s683：根据所述推荐指数从所述第二推荐车位集提取n个车位，其中n为所述剩余推荐车位数。
87.具体而言，当目标推荐车位集中的车位量小于预设的车位推荐阈值时，根据目标推荐车位集和阈值计算出剩余推荐的车位数，剩余推荐车位数是为了达到推荐阈值需要增加的车位数。首先，根据第二推荐车位集与当前的停车分布信息进行匹配，为第二推荐车位集中的每个车位计算推荐指数，评价每个车位的空闲可能性和匹配程度。然后，根据推荐指数从第二推荐车位集中提取剩余需要推荐的车位数的车位，提取的车位具有较高的推荐指数，空闲可能性大，作为补充推荐。
88.通过在原有推荐方案的基础上，计算剩余需要推荐的车位数，与停车分布信息匹配为第二推荐车位集评分，根据评分结果提取需要的车位数，实现对目标推荐车位集的补充，最大限度地满足车辆的停车需求，提高选择自由度与停车便利性。
89.进一步的，本技术实施例还包括：
90.步骤s710：当所述目标车辆信息不存在于所述车辆数据库中，根据所述目标车辆信息建立所述目标车辆数据库字段；
91.步骤s720：根据所述目标车辆的目的地，遍历所述车辆数据库，获取待选目标停车位；
92.步骤s730：基于所述待选目标停车位与所述停车分布信息进行匹配，选取其中空间停车位，作为目标推荐车位集，发送给所述目标车辆。
93.具体而言，当目标车辆信息不存在于现有的车辆数据库中，根据目标车辆提供的信息建立数据库字段，为其创建信息档案，记录车辆的停车信息与习性，为推荐提供支持。首先，需根据目标车辆此次停车的目的地，根据目的地在车辆数据库中遍历找到去往该目的地的用户的常用停车位，作为待选目标停车位，满足此次停车需求。然后，基于选择得到的目标停车位与当前的停车分布信息进行匹配，选择其中的空闲车位作为目标推荐车位集，并发送给目标车辆。
94.通过创建信息档案、查询数据库和匹配分布实现了对新车辆的车位推荐，实现了新车辆车位推荐方案，为陌生车辆快速提供个性化推荐服务，达到停车场视频全监控和车辆智能停车位分配的技术效果。
95.综上所述，本技术实施例所提供的一种基于深度识别的停车场高位视频监测方法具有如下技术效果：
96.构建高位摄像头组，高位摄像头组包括入场摄像头、全景摄像头、出场摄像头，用于获取车辆与停车场视频图像；通过入场摄像头对目标车辆进行拍摄，获取目标车辆图像，为获取车车辆信息提供图像基础；通过全景摄像头对停车场进行全景拍摄，获取停车场全景图像，根据停车场全景图像获取停车分布信息，为车辆智能分配车位提供依据；将目标车辆图像输入目标检测模型中，获取目标车辆信息，根据车辆图像获取车辆信息，为车位推荐提供信息支持；遍历车辆数据库，获取第一车辆信息，与目标车辆信息进行匹配；当目标车辆信息与第一车辆信息匹配，根据第一车辆信息获取目标车辆历史停车信息，根据目标车辆历史停车信息、停车分布信息为目标车辆分配停车位，如果车辆数据库中存在该车辆信息，根据其历史停车信息与实时车位信息为其智能选择车位；当目标车辆信息与第一车辆信息不匹配，将目标车辆添加至车辆数据库，交互目标车辆，获取目标车辆的目的地，根据目的地、停车分布信息为目标车辆分配停车位，如果车辆数据库中不存在该车辆信息，通过与车主交互获取其目的地信息，根据目的地信息与实时车位信息为其分配车位；通过出场摄像头获取目标车辆的离场信息，将离场添加至车辆数据库，更新车辆数据库中该车辆的信息，达到了停车场视频全监控和车辆智能停车位分配的技术效果。
97.实施例二
98.基于与前述实施例中一种基于深度识别的停车场高位视频监测方法相同的发明构思，如图4所示，本技术实施例提供了一种基于深度识别的停车场高位视频监测系统，该系统包括：
99.摄像头组构建模块11，用于构建高位摄像头组，所述高位摄像头组包括入场摄像头、全景摄像头、出场摄像头；
100.目标车辆图像模块12，用于通过所述入场摄像头对目标车辆进行拍摄，获取目标车辆图像；
101.停车分布信息模块13，用于通过所述全景摄像头对停车场进行全景拍摄，获取停车场全景图像，根据所述停车场全景图像获取停车分布信息；
102.目标车辆信息模块14，用于将所述目标车辆图像输入目标检测模型中，获取目标车辆信息；
103.车辆信息匹配模块15，用于遍历车辆数据库，获取第一车辆信息，与目标车辆信息进行匹配；
104.车辆信息存在模块16，用于当所述目标车辆信息与第一车辆信息匹配，根据所述第一车辆信息获取目标车辆历史停车信息，根据所述目标车辆历史停车信息、所述停车分布信息为目标车辆分配停车位；
105.车辆信息缺失模块17，用于当所述目标车辆信息与第一车辆信息不匹配，将所述目标车辆添加至车辆数据库，交互所述目标车辆，获取所述目标车辆的目的地，根据所述目的地、所述停车分布信息为目标车辆分配停车位；
106.车辆离场信息模块18，用于通过所述出场摄像头获取所述目标车辆的离场信息，将所述离场添加至所述车辆数据库。
107.进一步的，目标车辆图像模块12包括以下执行步骤：
108.当所述入场摄像头检测到所述目标车辆时，对所述目标车辆进行跟踪拍摄，获取入场视频流；
109.将所述入场视频流进行图像帧筛选，获取车辆图像集，该目标车辆图像集中的所有车辆图像包含有目标车辆；
110.遍历所述车辆图像集，通过图像质量评估模型对所述车辆图像进行质量评估，获取目标车辆图像。
111.进一步的，停车分布信息模块13包括以下执行步骤：
112.通过去噪、亮度调整、对比度增强对采集到的全景视频流进行预处理，获得待用图像集；
113.对所述待用图像集进行图像提取，对所有待用图像进行拼接，获取停车场全景图像；
114.构建停车分布识别模型，将所述停车场全景图像输入所述停车分布模型中，获取停车分布信息。
115.进一步的，停车分布信息模块13还包括以下执行步骤：
116.利用大数据技术获取停车场影像数据集；
117.对所述停车场影像数据集进行筛选，得到样本影像数据集；
118.遍历所述样本影像数据集，对样本影像进行车辆停放标注，所述停放标注包括空闲、已占据，其中，每个样本影像对应一个样本标注集；
119.遍历所述样本标注集，对所述样本标注集对应的所述样本影像进行分割，获取样本数据集；
120.将所述样本数据集、所述样本标注集划分为样本训练集和样本验证集；
121.通过所述样本训练集对卷积神经网络模型进行监督学习训练，通过所述样本验证集对所述停车分布识别模型进行验证，获取停车分布识别模型。
122.进一步的，车辆信息存在模块16包括以下执行步骤：
123.对所述目标历史停车信息进行数据分析，获取历史停车时长集；
124.遍历所述历史停车时长集，按照时长降序对所述历史停车时长进行排序；
125.设置停车时长阈值，根据所述停车时长阈值对排序后的所述历史停车时长进行划分，将所述历史停车时长大于等于所述停车时长阈值的历史停车数据作为第一参考数据，将所述历史停车时长小于所述停车时长阈值的历史停车数据作为第二参考数据；
126.根据所述第一参考数据对所述目标车辆历史停车信息进行筛选，获取第一推荐车位集；
127.根据所述第二参考数据对所述目标车辆历史停车信息进行筛选，获取第二推荐车位集；
128.设置车位推荐阈值，根据所述第一推荐车位集与所述停车分布信息进行匹配，获取目标推荐车位集；
129.当所述目标推荐车位集中的车位量大于或等于所述车位推荐阈值，将所述目标推荐车位集发送给目标车辆，并标识推荐指数。
130.进一步的，车辆信息存在模块16还包括以下执行步骤：
131.当所述目标推荐车位集中的车位量小于所述车位推荐阈值时，根据所述目标推荐车位集、所述车位推荐阈值获取剩余推荐车位数；
132.根据所述第二推荐车位集与所述停车分布信息进行匹配，获取第二推荐车位集中
各车位的推荐指数；
133.根据所述推荐指数从所述第二推荐车位集提取n个车位，其中n为所述剩余推荐车位数。
134.进一步的，车辆信息缺失模块17包括以下执行步骤：
135.当所述目标车辆信息不存在于所述车辆数据库中，根据所述目标车辆信息建立所述目标车辆数据库字段；
136.根据所述目标车辆的目的地，遍历所述车辆数据库，获取待选目标停车位；
137.基于所述待选目标停车位与所述停车分布信息进行匹配，选取其中空间停车位，作为目标推荐车位集，发送给所述目标车辆。
138.综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本技术实施例中的任一项方法，在此不做多余限制。
139.进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。