CN120260324A 基于智慧停车场的车辆安全管理方法 （宁波华悦物联科技有限公司）

(19)国家知识产权局(10)申请公布号CN120260324A(21)申请号202510649042.6(22)申请日2025.05.20(71)申请人宁波华悦物联科技有限公司道天童北路1539号611室(74)专利代理机构北京红梵知识产权代理事务所(普通合伙)11912(54)发明名称基于智慧停车场的车辆安全管理方法(57)摘要本发明涉及智慧停车场技术领域，具体涉及基于智慧停车场的车辆安全管理方法，包括以下步骤：S1,多源数据采集：实时获取目标车辆的动态轨迹数据、停车场环境参数及相邻车位状态数据，生成多源特征向量集；S2,数据时空对齐：对多源特征向量集进行时空对齐处理，输出标准化车辆行为序列；S3,异常行为识别：将标准化车辆行为序列输入异常行为识别模型，生成异常行为特征图谱及置信度参数；S4,风险等级评估：基于置信度参数和环境参数构建风险评估模型，输出停车场当前场景下的风险等级；S5,安全策略触发：根据风险等级触发对应的安全策略执行指数据时空对齐：对多源特征向量集进行时空对齐处理，输出标准化车辆行为序列2地面摩擦系数计算：通过压电传感器阵列测量地面压力分布P(x,y),结合红外光谱分3S22,空间坐标系统合一：建立停车场全局坐标系并完成多源数据映射，具体包括：定义全局东北天坐标系原点为0(0,0,0),并将原点设置在停车场几何中心；将摄像头数据通过透视变换矩阵转换到全局坐标系；S23,运动轨迹插值重构：采用自适应三次样条插值对轨迹数据进行缺失补偿与连续性修复，并引入速度限制条件优化曲线形态；S24,环境特征关联建模：构建车辆行为-环境耦合矩阵，定义环境影响力衰减函数w(r),并计算综合环境参数E(t);S25,标准化序列生成：执行时空维度归一化处理，生成标准化车辆行为序列。4.根据权利要求3所述的基于智慧停车场的车辆安全管理方法，其特征在于，所述S3中的异常行为识别包括：S31,时空特征图谱生成：利用时空图卷积网络对车辆行为序列进行特征提取，通过定义关键运动节点，结合多尺度时空卷积核，捕捉车辆三维轨迹与时间变化，最终生成融合时空特性的行为特征图谱；S32,动态阈值异常判定：引入自适应动态阈值机制，根据环境参数调整异常检测阈值5.根据权利要求4所述的基于智慧停车场的车辆安全管理方法，其特征在于，所述S31中的时空特征图谱生成包括：S311,关键运动节点定义：定义车辆骨骼模型表示车辆运动的关键运动节点，包括底盘运动节点、车身特征节点、环境交互节点，所述底盘运动节点包括左前轮中心N₁、右前轮中心N₂、左后轮中心N₃、右后轮中心N₄,所述车牌中心N14、充电口位置N15,所述关键运动节点包括三维坐标(x;,y;,z)、速度矢量、加速S312,空间图卷积建模：构建车辆部件间的空间关联矩阵并执行图卷积，通过邻接矩阵定义车辆部件间的连接关系，考虑物理连接和运动相似性，图卷积层对节点特征进行更新，以捕捉车辆部件间的空间关联和运动规律，从而提取时空相关性的特征；S313,多尺度时间卷积：通过使用扩张卷积，捕获不同时间尺度上的行为特征；S314,时空特征融合：通过跨模态注意力机制，将空间特征和时间特征进行融合，形成最终的时空特征图谱。6.根据权利要求5所述的基于智慧停车场的车辆安全管理方法，其特征在于，所述S32中的动态阈值异常判定包括：S321,特征通道池化：对时空特征图谱进行多维度最大池化操作，提取关键异常指标，包括加速度通道cac与偏航角通道cyaw;S322,动态阈值计算：构建环境参数自适应的动态判定异常检测阈值；S323,置信度参数生成：基于关键异常指标与异常检测阈值的相对偏差计算置信度C。7.根据权利要求6所述的基于智慧停车场的车辆安全管理方法，其特征在于，所述S4中4的风险等级评估包括：S41,风险因子融合建模：构建置信度参数与环境参数的耦合评估模型，并生成动态风S42,车流密度补偿：引入实时车流密度p进行动态风险因子动态调整；S43,时间衰减修正：对突发性风险事件施加时间衰减约束，生成最终风险值Rfina₁;S44,风险等级划分：基于生成的最终风险值Rfina₁,划分风险等级，包括低风险、中风险、高风险、危急风险。8.根据权利要求7所述的基于智慧停车场的车辆安全管理方法，其特征在于，所述S44中的风险等级划分包括：S441,低风险：当Rfina₁≤50%时，表示停车场当前场景为低风险；S442,中风险：当50%<Rfinal≤120%时，表示停车场当前场景为中风险；S443,高风险：当120%<Rfinal≤250%时，表示停车场当前场景为中风险；S444,危急风险：当Rfinal>250%时，表示停车场当前场景为危急风险。9.根据权利要求8所述的基于智慧停车场的车辆安全管理方法，其特征在于，所述S5中的安全策略触发包括：S51,低风险策略：当风险等级为低风险时，向车载终端发送语音提示，提醒驾驶员注意，使用目标车辆的车载终端进行执行；S52,中风险策略：当风险等级为中风险时，激活周边3米内的声光警示装置，并通过智能路侧单元来增强警示效果；S53,高风险策略：当风险等级为高风险时，生成避障路径，并通过AR导航系统控制智能地锁升起；S54,危急风险策略：当风险等级为高风险时，联动相邻车位的充电桩断电，并启动物理隔离装置，包括液压隔离墩进行物理安全隔离。5技术领域[0001]本发明涉及智慧停车场技术领域，尤其涉及基于智慧停车场的车辆安全管理方背景技术[0002]随着城市化进程的加快，停车场作为城市基础设施的重要组成部分，其管理和安全问题愈发受到关注，特别是在大型智能停车场中，车辆密集、环境复杂，传统的停车场安全管理方式难以应对日益增长的安全风险，尤其是在高速、复杂的城市停车环境中，如何实时监控车辆的行为并快速响应潜在的安全隐患成为一项巨大的挑战，因此，基于智能技术的停车场安全管理系统，尤其是能够实时获取和分析车辆行为、停车场环境及车位状态数据的系统，具有重要的研究意义和应用价值。[0003]目前，现有的停车场安全管理方法大多依赖于单一的监控系统或静态的规则判定机制，这些方法通常无法对车辆的实时动态行为进行深入分析，无法在风险发生的初期及时识别并处理异常行为，例如，现有的系统往往只能通过静态摄像头监控车位占用情况，缺乏对车辆运动轨迹、速度变化、加速度等动态信息的监测和分析，与此同时，环境因素如光照、路面摩擦系数等也往往未能实时考虑，导致在复杂和恶劣环境下的风险判断失误，从而影响整体安全管理的效率和准确性，因此，现有技术未能实现智能化、动态化的风险评估与实时响应。发明内容[0004]本发明提供了基于智慧停车场的车辆安全管理方法，能有效提升停车场的安全[0005]基于智慧停车场的车辆安全管理方法，包括以下步骤：[0006]S1,多源数据采集：实时获取目标车辆的动态轨迹数据、停车场环境参数及相邻车[0007]S2,数据时空对齐：对多源特征向量集进行时空对齐处理，输出标准化车辆行为序[0008]S3,异常行为识别：将标准化车辆行为序列输入异常行为识别模型，生成异常行为特征图谱及置信度参数；[0009]S4,风险等级评估：基于置信度参数和环境参数构建风险评估模型，输出停车场当前场景下的风险等级；[0010]S5,安全策略触发：根据风险等级触发对应的安全策略执行指令。[0012]S11,动态轨迹数据采集：通过UWB定[0013]部署在立柱顶端的UWB基站阵列以10ms周期发送测距信号，接收车载标签的响应6信号，通过时间差△t计算基站至标签距离d;[0014]采用三边定位算法解算车辆三维坐标(x,y,z);[0015]融合毫米波雷达的径向速度测量值v,通过卡尔曼滤波消除坐标抖动；[0017]地面摩擦系数计算：通过压电传感器阵列测量地面压力分布P(x,y),结合红外光谱分析仪检测路面材质反射率R(λ),计算地面摩擦系数μ;[0018]光照强度动态补偿：对停车场的光照强度进行动态补偿；[0019]S13,车位状态监测：基于YOLOv5的车辆轮廓识别算法处理多视角视频流，具体包[0020]车位占用判定：当连续5帧满足时，判定对应车位被占用，其[0022]S14,特征向量生成：通过时空编码器生成统一格式特征向量，具体包括：[0023]滑动窗口对齐：定义滑动窗口长度T=2s,对多源数据进行时间同步；[0024]特征归一化：采用Min-Max标准化处理对多源数据进行归一化处理；[0025]特征向量输出：输出多源特征向量集V=[4x,Δy,μ/v|,VL,Naanger],其[0027]S21,多源时间戳校准：构建基于传感器时钟偏差补偿的统一同步时间轴，具体包[0028]对UWB定位数据、毫米波雷达点云数据、摄像头数据分别打上本地时间戳tuwb、[0029]采用PTP协议计算时钟偏差补偿量△t;[0031]S22,空间坐标系统合一：建立停车场全局坐标系并完成多源数据映射，具体包括：[0032]定义全局东北天坐标系原点为0(0,0,0),并将原点设置在停车场几何中心；[0033]对UWB基站坐标进行Levenberg—Marquardt优化；[0034]将摄像头数据通过透视变换矩阵转换到全局坐标系；[0035]S23,运动轨迹插值重构：采用自适应三次样条插值对轨迹数据进行缺失补偿与连续性修复，并引入速度限制条件优化曲线形态；[0036]S24,环境特征关联建模：构建车辆行为-环境耦合矩阵，定义环境影响力衰减函数w(r),并计算综合环境参数E(t);[0037]S25,标准化序列生成：执行时空维度归一化处理，生成标准化车辆行为序列。[0039]S31,时空特征图谱生成：利用时空图卷积网络(ST-GCN)对车辆行为序列进行特征7提取，通过定义关键运动节点(如车灯、车轮等),结合多尺度时空卷积核，捕捉车辆三维轨迹与时间变化，最终生成融合时空特性的行为特征图谱；[0040]S32,动态阈值异常判定：引入自适应动态阈值机制，根据环境参数(如光照、摩擦系数)调整异常检测阈值灵敏度，通过最大池化提取异常指标，并计算置信度参数。[0041]可选的，所述S31中的时空特征图谱生成包括：[0042]S311,关键运动节点定义：定义车辆骨骼模型表示车辆运动的关键运动节点，包括底盘运动节点、车身特征节点、环境交互节点，所述底盘运动节点包括左前轮中心N₁、右前轮中心N₂、左后轮中心N₃、右后轮中心N₄,所述车身特征节点包括车顶中心N、前后保险杠中所述环境交互节点包括前大灯组质心N₁₂、尾灯组质心N₁₃、车牌中心N₄、充电口位置N₁5,所述关键运动节点包括三维坐标(x,y,z)、速度矢量i、加速度α;[0043]S312,空间图卷积建模：构建车辆部件间的空间关联矩阵并执行图卷积，通过邻接矩阵定义车辆部件间的连接关系，考虑物理连接和运动相似性，图卷积层对节点特征进行更新，以捕捉车辆部件间的空间关联和运动规律，从而提取时空相关性的特征；[0044]S313,多尺度时间卷积：通过使用扩张卷积，捕获不同时间尺度上的行为特征；[0045]S314,时空特征融合：通过跨模态注意力机制，将空间特征和时间特征进行融合，形成最终的时空特征图谱。[0046]可选的，所述S32中的动态阈值异常判定包括：[0047]S321,特征通道池化：对时空特征图谱进行多维度最大池化操作，提取关键异常指标，包括加速度通道cac与偏航角通道cyaw;[0048]S322,动态阈值计算：构建环境参数自适应的动态判定异常检测阈值；[0049]S323,置信度参数生成：基于关键异常指标与异常检测阈值的相对偏差计算置信度C。[0050]可选的，所述S4中的风险等级评估包括：[0051]S41,风险因子融合建模：构建置信度参数与环境参数的耦合评估模型，并生成动态风险因子Rcore;[0052]S42,车流密度补偿：引入实时车流密度p进行动态风险因子动态调整；[0053]S43,时间衰减修正：对突发性风险事件施加时间衰减约束，生成最终风险值Rfina₁;[0054]S44,风险等级划分：基于生成的最终风险值Rfinal,划分风险等级，包括低风险、中[0055]可选的，所述S44中的风险等级划分包括：[0056]S441,低风险：当Rfina₁≤50%时，表示停车场当前场景为低风险；[0057]S442,中风险：当50%<Rfina₁≤120%时，表示停车场当前场景为中风险；[0058]S443,高风险：当120%<Rfina₁≤250%时，表示停车场当前场景为中风险；[0059]S444,危急风险：当Rfinal>250%时，表示停车场当前场景为危急风险。[0060]可选的，所述S5中的安全策略触发包括：[0061]S51,低风险策略：当风险等级为低风险时，向车载终端发送语音提示，提醒驾驶员注意，使用目标车辆的车载终端(OBU)进行执行；8[0062]S52,中风险策略：当风险等级为中风险时，激活周边3米内的声光警示装置，并通过智能路侧单元(RSU)来增强警示效果；[0063]S53,高风险策略：当风险智能地锁升起；[0064]S54,危急风险策略：当风险等级为高风险时，联动相邻车位的充电桩断电，并启动物理隔离装置，包括液压隔离墩进行物理安全隔离。[0066]本发明，通过基于多源数据采集和智能分析的车辆安全管理方法，能够实时获取目标车辆的动态轨迹数据、停车场环境参数和车位状态数据，从而精准识别车辆的异常行为并及时进行风险评估，利用时空对齐和特征融合技术，本发明能够确保对车辆行为的全面分析，结合异常行为识别模型与环境参数，能够实时评估停车场当前场景的风险等级。[0067]本发明，通过评估的风险等级，能够触发不同的安全策略，确保停车场内的风险得到有效控制，当检测到低风险时，系统会向车载终端发送语音提示；当风险等级升高时，会激活声光警示装置或控制智能地锁，甚至在危急情况下启动物理隔离措施，通过这一智能化的策略执行机制，可以有效预防潜在的风险，并确保车辆和人员的安全。附图说明[0068]为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术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发明，对于本领域普通技术人员来讲，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。[0069]图1为本发明实施例的管理方法流程示意图；[0070]图2为本发明实施例的风险等级评估示意图。具体实施方式[0071]下面结合附图和具体实施例对本发明进行详细描述。同时在这里做以说明的是，为了使实施例更加详尽，下面的实施例为最佳、优选实施例，对于一些公知技术本领域技术人员也可采用其他替代方式而进行实施；而且附图部分仅是为了更具体的描述实施例，而并不旨在对本发明进行具体的限定。实施例”等指示所述的实施例可以包括特定特征、结构或特性，但未必每个实施例都包括该(无论是否明确描述)实现这种特征、结构或特性应在相关领域技术人员的知识范围内。[0073]通常，可以至少部分从上下文中的使用来理解术语。例如，至少部分取决于上下旨在传达一组排他性的因素，而是可以替代地，至少部分地取决于上下文，允许存在不一定明确描述的其他因素。[0074]如图1-图2所示，基于智慧停车场的车辆安全管理方法，包括以下步骤：9[0075]S1,多源数据采集：实时获取目标车辆的动态轨迹数据、停车场环境参数及相邻车[0076]S2,数据时空对齐：对多源特征向量集进行时空对齐处理，输出标准化车辆行为序[0077]S3,异常行为识别：将标准化车辆行为序列输入异常行为识别模型，生成异常行为特征图谱及置信度参数；[0078]S4,风险等级评估：基于置信度参数和环境参数构建风险评估模型，输出停车场当前场景下的风险等级；[0079]S5,安全策略触发：根据风险等级触发对应的安全策略执行指令。[0082]部署在立柱顶端的UWB基站阵列以10ms周期发送测距信号，接收车载标签的响应信号，通过时间差△t计算基站至标签距离d,表示为：[0085]采用三边定位算法解算车辆三维坐标(x,y,z),表示为：分别为对应测距值；[0088]融合毫米波雷达的径向速度测量值v,通过卡尔曼滤波消除坐标抖动，表示为：[0091]S12,环境参数获取：采用多传感器融合技术采集停车场环境特征，具体包括：[0092]地面摩擦系数计算：通过压电传感器阵列测量地面压力分布P(x,y),结合红外光谱分析仪检测路面材质反射率R(λ),计算地面摩擦系数μ,表示为：合计算中的权重系数；[0098]S13,车位状态监测：基于YOLOv5的车辆轮廓识别算法处理多视角视频流，具体包度值；[0102]其中，(xi,y)为第i个车辆的中心位置坐标，(x;,y;)为第j个车辆的中心位置坐[0103]S14,特征向量生成：通过时空编码器生成统一格式特征向量，具体包括：[0104]滑动窗口对齐：定义滑动窗口长度T=2s,对多源数据进行时间同步，表示为：的环境参数子集，Slot(k)为时间k时刻的车位状态参数子集；[0109]其中，F₁为归一化后的第i个特征值，F₂为原始特征值，Fmin、Fm分别为原始特征值的最小值和最大值；[0110]特征向量输出：输出多源特征向量集,其[0111]S2中的数据时空对齐包括：[0112]S21,多源时间戳校准：构建基于传感器时钟偏差补偿的统一同步时间轴，具体包[0113]对UWB定位数据、毫米波雷达点云数据、摄像头数据分别打上本地时间戳tuwb、[0114]采用PTP协议计算时钟偏差补偿量△t,表示为：[0118]S22,空间坐标系统合一：建立停车场全局坐标系并完成多源数据映射，具体包括：[0119]定义全局东北天坐标系原点为0(0,0,0),并将原点设置在停车场几何中心；问题中的基站数目，x为待优化的坐标点，J为雅可比矩阵；[0123]将摄像头数据通过透视变换矩阵转换到全局坐标系，表示为：[0126]S23,运动轨迹插值重构：采用自适应三次样条插值对轨迹数据进行缺失补偿与连第j个插值区间的起始时间，s(k)(t;+1)为第j段插值函数在t;:1处的第k阶导数，为第J+1段插值函数在t,处的第k阶导数，为插值轨迹的加速度，amax为最[0131]S24,环境特征关联建模：构建车辆行为-环境耦合矩阵，定义环境影响力衰减函数w(r),并计算综合环境参数E(t),表示为：[0133]其中，r为车辆到环境监测点的距离，μ(r)为该点参与计算的监测点个数；包括：[0135]时间降采样至统一频率10Hz,采用抗混叠sinc插值，表示为：[0138]通过空间归一化将坐标值映射至区间[-1,1],表示为：[0140]其中，p为原始车辆三维坐标，DminPmx为历史统计极值，Srange=2、0bias=-1为映射参数。[0141]S3中的异常行为识别包括：[0142]S31,时空特征图谱生成：利用时空图卷积网络(ST-GCN)对车辆行为序列进行特征提取，通过定义关键运动节点(如车灯、车轮等),结合多尺度时空卷积核，捕捉车辆三维轨迹与时间变化，最终生成融合时空特性的行为特征图谱；[0143]S32,动态阈值异常判定：引入自适应动态阈值机制，根据环境参数(如光照、摩擦系数)调整异常检测阈值灵敏度，通过最大池化提取异常指标，提升恶劣环境下的异常检测率，同时减少晴天高摩擦时的误报，雨天低照度下的异常检测率提高至89%,误报率减少41%,并计算置信度参数。[0144]S31中的时空特征图谱生成包括：[0145]S311,关键运动节点定义：定义车辆骨骼模型表示车辆运动的关键运动节点，包括底盘运动节点、车身特征节点、环境交互节点，底盘运动节点包括左前轮中心N₁、右前轮中心N₂、左后轮中心N₃、右后轮中心N₄,车身特征节点包括车顶中心N₅、前后保险杠中点N₆、N₇、N¹4、充电口位置N₁5,关键运动节点包括三维坐标(x₁,y,z)、速度矢量；、加速度a;[0146]S312,空间图卷积建模：构建车辆部件间的空间关联矩阵并执行图卷积，通过邻接矩阵定义车辆部件间的连接关系，考虑物理连接和运动相似性，图卷积层对节点特征进行更新，以捕捉车辆部件间的空间关联和运动规律，从而提取时空相关性的特征，表示为：,非连接节点且速度差小于阈值[0148]其中，A₁;为邻接矩阵元素，表示节点i与j的关联性，σ为速度相似性判定系数，[0152]S313,多尺度时间卷积：通过使用扩张卷积，捕获不同时间尺度上的行为特征，表示为：[0154]其中，T(1:1)(t)为第1+1层的时间卷积输出特征，在时间步t处的特征值，W(1)(t)为第1层的卷积核权重，H①(t-d₁·t)为第1层的输入特征矩阵，表示在时间步t-d₁·处的特间特征的拼接，W为融合权重矩阵，LeakyReLU为LeakyReLU激活函数，