开云优惠体育网页版入口

专利名称：一种基于深度学习算法的出入场订单修正方法及装置

专利类型：发明专利

专利申请号：CN202210264605.6

专利申请（专利权）人：超级视线开云优惠体育网页版入口有限公司
权利人地址：河北省张家口市桥东区站前东大街28号河北国控北方硅谷高科新城10号楼4层

专利发明（设计）人：闫军,刘健

专利摘要：本发明公开一种车辆出入场订单投诉的修正方法和装置，所述方法包括获取投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值作为初始特征值；选取投诉订单入场时间与出场时间的中间时间点，获取中间时间点在基础区域内的特征值，作为中间时间点特征值;计算初始特征值与中间点特征值的相似度；根据相似度判断车辆移动事件发生的时间区间；若车辆移动事件发生的时间区间小于设定的阈值，则修正该中间时间点为正确的出/入场时间点。通过基于深度学习的特征提取算法可以提取投诉车辆图像的特征，再计算其他中间时间点基础区域特征，进而可以确认该投诉订单的正确车辆出入场时间，自动修复停车用户的投诉订单。

主权利要求：
1.一种车辆出入场订单投诉的修正方法，其特征在于，所述方法包括：
S1：获取投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值，作为该车辆的初始特征值；
S2：选取投诉订单入场时间与出场时间的中间时间点，获取中间时间点在基础区域内的特征值，作为中间时间点特征值；
S3：计算初始特征值与中间点特征值的相似度；根据相似度判断车辆移动事件发生的时间区间；
所述计算初始特征值与中间点特征值的相似度；根据相似度判断车辆移动事件发生的时间区间步骤包括：若相似度大于一定阈值，则车辆未发生移动；如果投诉类型为入场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间；如果投诉类型为出场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间；若相似度小于一定阈值，则车辆发生移动；如果投诉类型为入场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间；如果投诉类型为出场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间；
S4：若车辆移动事件发生的时间区间小于设定的阈值，则修正该中间时间点为正确的出/入场时间点；
若车辆移动事件发生的时间区间大于设定的阈值，则重新获取中间点特征值与初始特征值的相似度，缩小车辆移动时间发生的时间区间，直至车辆移动事件发生的时间区间小于设定的阈值。
2.根据权利要求1所述的车辆出入场订单投诉的修正方法，其特征在于，获取投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值作为该车辆的初始特征值步骤包括：根据出入场投诉的类型以及投诉订单的起止时间，获取基础特写图；若投诉入场时间错误，则获取出场时间点向前某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值；若投诉出场时间错误，则获取入场时间点向后某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值。
3.一种车辆出入场订单投诉的修正装置，其特征在于，所述装置包括：获取模块，用于获取投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值，作为初始特征值，作为该车辆的初始特征值；用于获取投诉订单入场时间与出场时间的中间时间点，调取中间时间点特写图，提取特写图中基础区域内的特征值，作为中间时间点特征值；
判断模块，用于计算初始特征值与中间点特征值的相似度；选择模块，用于根据相似度判断车辆移动事件发生的时间区间；确定模块，用于若车辆移动事件发生的时间区间小于设定的阈值，则确定该中间时间点为正确的出/入场时间点；
所述获取模块还用于，若车辆移动事件发生的时间区间大于设定的阈值，则重新获取中间点特征值与初始特征值的相似度，缩小车辆移动时间发生的时间区间，直至车辆移动事件发生的时间区间小于设定的阈值；
所述选择模块还用于计算初始特征值与中间点特征值的相似度；根据相似度判断车辆移动事件发生的时间区间步骤包括：若相似度大于一定阈值，则车辆未发生移动；如果投诉类型为入场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间；如果投诉类型为出场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间；
所述选择模块还用于：若相似度小于一定阈值，则车辆发生移动；如果投诉类型为入场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间；如果投诉类型为出场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间。
4.根据权利要求3所述的车辆出入场订单投诉的修正装置；其特征在于，所述获取模块还用于，根据出入场投诉的类型以及投诉订单的起止时间，获取基础特写图；若投诉入场时间错误，则获取出场时间点向前某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值；若投诉出场时间错误，则获取入场时间点向后某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值。 说明书 : 一种基于深度学习算法的出入场订单修正方法及装置技术领域[0001] 本发明涉及智能车辆识别领域，特别涉及一种基于深度学习算法的出入场订单修正方法及装置。背景技术[0002] 近年来，随着社会经济不断发展，民众生活水平提高，我国机动车保有量逐年增加。随着城市规模扩大，管理停车问题，对城市交通的健康发展尤为重要，用传统人工方式管理停车问题，运营成本高，效率低下，因此依托互联网+人工智能技术的智慧停车管理方式开始快速发展。[0003] 目前采用互联网+人工智能的智慧停车管理方式，取代了传统的人工记录车辆驶入驶出泊位信息，由设备监控停车事件来自动生成停车订单，虽然这种智能化处理方式效率高，但无法做到完全准确，出现错误订单后，面对停车用户的投诉，仍需采用人工客服介入，修复错误的订单，这种补单措施效率低，并且工作量大。发明内容[0004] 本发明的目的是解决现有车辆停车管理中采用人工方式处理用户出入场投诉订单，导致的效率低下的问题。[0005] 为实现上述目的，本发明提供一种车辆出入场订单投诉的修正方法，所述方法包括：[0006] S1：获取投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值，作为该车辆的初始特征值；[0007] S2：获取投诉订单入场时间与出场时间的中间时间点，调取中间时间点在基础区域内的特征值，作为中间时间点特征值;[0008] S3：计算基础区域特征值与中间点特征值的相似度；根据相似度判断车辆移动事件发生的时间区间；[0009] S4：若车辆移动事件发生的时间区间小于设定的阈值，则修正该中间时间点为正确的出/入场时间点。[0010] 作为对上述方案的进一步改进，若车辆移动事件发生的时间区间大于设定的阈值，则重新获取中间点特征值与初始特征值的相似度，缩小车辆移动时间发生的时间区间，直至车辆移动事件发生的时间区间小于设定的阈值。[0011] 作为对上述方案的进一步改进，获取投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值步骤包括：[0012] 根据出入场投诉的类型以及投诉订单的起止时间，获取基础特写图；[0013] 若投诉入场时间错误，则获取出场时间点向前某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值；[0014] 若投诉出场时间错误，则获取入场时间点向后某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值。[0015] 作为对上述方案的进一步改进，计算基础区域特征值与中间点特征值的相似度；根据相似度判断车辆移动事件发生的时间区间步骤包括：[0016] 若相似度大于一定阈值，则车辆未发生移动；[0017] 如果投诉类型为入场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间；[0018] 如果投诉类型为出场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间。[0019] 作为对上述方案的进一步改进，所述方法还包括：[0020] 若相似度小于一定阈值，则车辆发生移动；[0021] 如果投诉类型为入场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间；[0022] 如果投诉类型为出场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间。[0023] 本发明还公开一种车辆出入场订单投诉的修正装置，所述装置包括：[0024] 获取模块，用于获取投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值，作为初始特征值；[0025] 用于获取投诉订单入场时间与出场时间的中间时间点，调取中间时间点特写图，提取特写图中基础区域内的特征值，作为中间时间点特征值;[0026] 判断模块，用于计算初始特征值与中间点特征值的相似度；[0027] 选择模块，用于根据相似度判断车辆移动事件发生的时间区间；[0028] 确定模块，用于若车辆移动事件发生的时间区间小于设定的阈值，则确定该中间时间点为正确的出/入场时间点。[0029] 作为对上述方案的进一步改进，所述获取模块还用于，[0030] 根据出入场投诉的类型以及投诉订单的起止时间，获取基础特写图；[0031] 若投诉入场时间错误，则获取出场时间点向前某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值；[0032] 若投诉出场时间错误，则获取入场时间点向后某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值。[0033] 作为对上述方案的进一步改进，所述选择模块还用于计算初始特征值与中间点特征值的相似度；根据相似度判断车辆移动事件发生的时间区间步骤包括：[0034] 若相似度大于一定阈值，则车辆未发生移动；[0035] 如果投诉类型为入场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间；[0036] 如果投诉类型为出场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间。[0037] 作为对上述方案的进一步改进，所述选择模块还用于：[0038] 若相似度小于一定阈值，则车辆发生移动；[0039] 如果投诉类型为入场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间；[0040] 如果投诉类型为出场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间。[0041] 采用本发明提供的基于深度学习算法的出入场订单修正方法及装置，通过基于深度学习的特征提取算法可以提取投诉车辆图像的特征，再计算其他中间时间点基础区域特征，可以判断车辆在某中间时间点发生移动事件，从而可以确认该投诉订单的正确车辆出入场时间，自动修复停车用户的投诉订单。附图说明[0042] 图1是本发明提供的一种基于深度学习算法的停车位上出入场投诉订单修正方法的流程图；[0043] 图2是本发明提供的一种基于深度学习算法的停车位上出入场投诉订单修正装置的结构示意图；[0044] 图3是本发明提供的选取车位上投诉车辆特写图示意图；[0045] 图4是本发明提供的选取车位上投诉车辆基础区域示意图；[0046] 图5是本发明提供的选取下一次特征比对时间区间示意图。具体实施方式[0047] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。[0048] 本发明提供的一种基于深度学习算法的停车位上出入场投诉订单修正方法及装置，根据出入场投诉的类型以及投诉订单的起止时间，获取订单中车辆的基础特写图，并对其进行相应的处理；具体的，如图1所示，所述方法包括：[0049] S1：获取基础特写图中投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值，作为该车辆的初始特征值；[0050] 具体的，获取投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值步骤包括：先根据出入场投诉的类型以及投诉订单的起止时间，获取基础特写图；若投诉入场时间错误，则获取出场时间点向前某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值；若投诉出场时间错误，则获取入场时间点向后某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值。[0051] S2：选取投诉订单入场时间与出场时间的中间时间点，获取中间时间点的特写图，提取中间时间点在特写图基础区域内的特征值，作为中间时间点特征值;[0052] S3：计算基础区域特征值与中间点特征值的相似度；根据相似度判断车辆移动事件发生的时间区间；[0053] S4：若车辆移动事件发生的时间区间小于设定的阈值，则修正该中间时间点为正确的出/入场时间点。[0054] 若车辆移动事件发生的时间区间大于设定的阈值，则重新获取中间点特征值与初始特征值的相似度，缩小车辆移动时间发生的时间区间，直至车辆移动事件发生的时间区间小于设定的阈值。[0055] 具体的，如图3?5所示，以投诉出场错误为例，比较初始特征与中间点1特征相似度，若特征相似，则说明从订单开始时间到中间点1的时间区间内车辆没有发生移动，从而推断车辆移动事件发生在中间时间点1到订单结束时间区间内，[0056] 进一步的，将中间时间点1到订单结束时间区间作为车辆移动事件发生的时间区间，选取中间时间点1到订单结束时间中间的时间点作为中间时间，即中间时间点2；提取中间时间点2基础区域内的特征值，与初始特征做相似度比较，此时特征不相似，推断车辆移动事件发生在中间时间点1到中间时间点2这个时间区间内，继续选取中间时间点1到中间时间点2中间的时间点作为中间时间3；继续提取中间时间点3基础区域内的特征值，与初始特征做相似度比较，此时特征不相似，推断车辆移动事件发生在中间时间点1到中间时间点3这个时间区间内，选取中间时间点1到中间时间点3中间的时间点作为中间时间点4；继续提取中间时间点4基础区域内的特征值，与基础特征做相似度比较，此时特征不相似，并且此时的时间区间小于一定阈值，中间时间点4这个时间点即为正确的出场时间点。[0057] 同样的，投诉出场也选用类似的方法。[0058] 如图2所示，本发明还公开了一种基于深度学习算法的停车位上出入场投诉订单修正装置，所述装置包括：[0059] 获取模块，用于获取投诉车辆未被遮挡部分的矩形框区域作为基础区域，并提取基础区域特征值，作为初始特征值；[0060] 用于获取投诉订单入场时间与出场时间的中间时间点，调取中间时间点特写图，提取特写图中基础区域内的特征值，作为中间时间点特征值;[0061] 判断模块，用于计算初始特征值与中间点特征值的相似度；[0062] 选择模块，用于根据相似度判断车辆移动事件发生的时间区间；[0063] 确定模块，用于若车辆移动事件发生的时间区间小于设定的阈值，则确定该中间时间点为正确的出/入场时间点。[0064] 作为对上述方案的进一步改进，所述获取模块还用于，[0065] 所述获取模块还用于，若车辆移动事件发生的时间区间大于设定的阈值，则重新获取中间点特征值与初始特征值的相似度，缩小车辆移动时间发生的时间区间，直至车辆移动事件发生的时间区间小于设定的阈值；[0066] 根据出入场投诉的类型以及投诉订单的起止时间，获取基础特写图；[0067] 若投诉入场时间错误，则获取出场时间点向前某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值；[0068] 若投诉出场时间错误，则获取入场时间点向后某一时间点的车辆已经停稳的车位特写图，作为基础特写图，并提取基础区域特征值，作为初始特征值。[0069] 作为对上述方案的进一步改进，所述选择模块还用于计算初始特征值与中间点特征值的相似度；根据相似度判断车辆移动事件发生的时间区间步骤包括：[0070] 若相似度大于一定阈值，则车辆未发生移动；[0071] 如果投诉类型为入场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间；[0072] 如果投诉类型为出场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间。[0073] 作为对上述方案的进一步改进，所述选择模块还用于：[0074] 若相似度小于一定阈值，则车辆发生移动；[0075] 如果投诉类型为入场错误，则中间时间点时间到订单中的车辆出场时间，为车辆发生移动事件的时间区间；[0076] 如果投诉类型为出场错误，则订单中的车辆入场时间到中间时间点时间，为车辆发生移动事件的时间区间。[0077] 作为对上述方案的进一步改进，所述选择模块还用于若车辆发生移动事件的时间区间大于设定的阈值，则重新获取中间时间点，提取新的中间时间点特征值，并将中间时间点特征值与初始特征值再次比较计算相似度，根据相似度判断新的车辆发生移动的时间区间。[0078] 作为对上述方案的进一步改进，所述确定模块还用于：[0079] 重复获取车辆发生移动时间的时间区间，直至车辆发生移动事件的时间区间小于一定阈值，根据阈值判断是否找到了车辆移动事件，若是，则修正该中间时间点为正确的出/入场时间。[0080] 本发明提供的基于深度学习算法的停车位出入场订单修订方法和装置可以解决车辆停车管理中用户出入场投诉订单，采用人工方式补单效率低下的问题。[0081] 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。

专利地区：河北

专利申请日期：2022-03-17

专利公开日期：2024-11-08

专利公告号：CN114648380B