使用深度神经网络量化停车停留时间

在智慧城市中，通常的做法是为给定的停车位定义最大停留时间，以增加车位的周转率并抑制个人交通解决方案的使用。然而，从图像中自动确定单个车辆的停留时间面临挑战，例如从低分辨率摄像头收集的图像、光照变化和天气影响。在这项工作中，我们提出了一种结合两个深度神经网络来计算停车场中每辆车停留时间的方法。该方法首先使用一个深度分类网络定义停车位状态（占用或空闲）。然后，它使用一个孪生网络检查停放的车辆是否与前一图像中的相同。使用一个侧重于跨数据集场景的实验协议，我们表明，如果使用一个完美的分类器，所提出的系统能生成75%的完美停留时间预测，即预测值与车辆实际停放时间完全匹配。然而，我们的实验显示，当使用真实世界的分类器来预测停车位状态时，预测质量会下降，达到49%的完美预测率，这表明所提出的孪生网络很有前景，但受到流程前端所用分类器质量的影响。