通过使用最先进的深度学习模型，我们自动化了车辆入口和停车的过程，确保车辆和人员已在组织中注册，提供高效的车辆检测、精确的识别、简化的记录保留和优化的停车位分配，增强了便利性、准确性和安全性。

Dec, 2023

该研究通过比较和评估现有车位检测算法和视觉转换器，提出了一种新的基于 EfficientNet 体系结构的管道，以增加现有系统的泛化能力和适应特定的视觉条件，从而提高停车场占用检测的效果。

Jun, 2023

本文提出了一种自动停车位检测方法，使用实例分割来识别汽车并生成停车位的热图，结果表明该方法可以在 PKLot 和 CNRPark-EXT 停车场数据集的 12 个不同子集上实现高达 95.60％的 AP25 分数和高达 79.90％的 AP50 分数。

Jun, 2023

通过在公共场所收集和标记大量停车场图像，使用深度学习方法训练具有融合策略和集成方法的全球性框架，我们发现在不同情境中，这样的模型可以达到 95% 的准确率，从而实现无需数据标注和模型训练的停车场监控系统。

Sep, 2023

本文提出了一种基于深度卷积神经网络的稳健检测算法，该算法被实现并测试于大型基准数据集以及已安装在停车场内的图像源，并开发了完全功能的系统，从服务器端图像分析到前端用户界面以证明该方法的实用性，其关键词包括停车管理系统、空位指示服务、视觉检测方法、深度卷积神经网络、图像分析。

Jun, 2016

该研究提出了一种基于端到端智能摄像头的停车系统，通过一个名为 OcpDet 的对象检测器，自主发现停车位的占用情况，并在推理过程中通过对比模块提供有意义的信息，避免了误检测，经过 PKLot 数据集的基准测试，其结果与传统分类解决方案相当，同时引入了额外的 SNU-SPS 数据集，以各种视角评估系统性能和执行停车分配任务，结果显示我们的系统非常适合实际应用。

Aug, 2022

本研究通过审视后接着综合评估公开的图像数据集，对基于计算机视觉的停车场管理方法进行了系统全面的评估，发现研究领域中存在着需要进一步研究的空白和方法，例如需独立于数据集的方法和适用于停车位的自主检测方法，同时也揭示了目前大多数研究存在的问题，如忽略连续图像中相同汽车的出现以及缺乏图像数据集的多样性，例如夜晚和雪天拍摄的图像。

Mar, 2022

本文提出了一种基于深度强化学习技术的 RL-CamSleep 方法，以激活相机并降低能耗，同时保持系统的实用性，从而为停车场视频分析平台提供足够的能量和准确度，并在城市范围内的 76 条街道数据集上进行了评估和分析，结果显示该方法能够使平均能耗降低了 76.38%，并实现了超过 98% 的准确性。

Feb, 2022

提出了一种自动扫描车牌并识别其字符的混合方法，其中使用了 YOLO 模型、Otsu 阈值和 CNN 模型，以便创新性地实现自动化车辆识别，随着的普及，这有助于防止盗用和滥用。

Sep, 2021

该研究论文介绍了 Haris，一种先进的自主移动机器人系统，用于利用车牌识别在拥挤的停车场中跟踪车辆位置。该系统采用自主定位和地图绘制（SLAM）进行自主导航和停车区域的精确绘制，消除了对全球定位系统（GPS）的依赖。此外，该系统利用计算机视觉技术的复杂框架进行物体检测和自动车牌识别（ALPR），读取和关联车牌号与位置数据。随后，这些信息与后端服务同步，并通过用户友好的移动应用程序提供给用户，以轻松找到车辆位置并减轻停车设施的拥堵。所提出的系统有潜力改善拥挤场所（如体育场）的短期大型室外停车区域的管理。可在此网址找到该机器人的演示。

Jan, 2024