随着汽车保有量的增加,停车位的供需关系日益紧张,停车难已成为各个城市市政的难点问题。目前已经诞生了许多路边停车系统,如咪表、地磁、人工手持机、视频方式等等。相比于其他方式,基于视频的停车检测方式所获得的信息量更丰富,因此更便于实现路边停车的无人化精细管理。本文对目前基于视频的停车检测方式进行调研,设计并分析比较了不同的方案,以寻求方案成本与检测效果的平衡点,其中涉及到的技术基础包含车辆检测,停车判别与车牌识别。具体的研究内容如下:1.针对路边停车检测任务,设计了两种不同的方案。其中方案一采用实时跟踪与判别的方法,由车辆检测、跟踪、车牌识别算法组成。方案二采用不定时拍摄与判别的方法,由车辆检测与车牌识别算法组成。实验证明,方案一能够大幅度提高对停车判别的准确性,但存在数据量大,传输成本高的缺点。方案二能够较好的应对各种停车场景并且大幅度减少传输成本,但存在漏判的可能性。2.在上述两种方案中,都需要对车辆进行检测,因此本文研究并采用基于YOLOv5算法对路边停车场景下的车辆进行检测。在方案一中,车辆跟踪是核心模块之一,因此本文研究并采用基于deepsort跟踪算法对车辆进行跟踪,并将跟踪轨迹划分为停车轨迹、确认态轨迹和暂存态轨迹。由于上述两种方案都需要对停车行为进行判别,因此,本文通过重叠率和中心距的方式对停车行为进行判断。实验证明,上述方法能够有效的判别路边场景下的停车行为。3.由于上述两种方案都需要对车牌信息进行准确识别,因此本文针对路边停车车辆的车牌存在倾斜的情况,对目标检测算法Retinanet改进后得到车牌定位模型,然后通过矫正算法以及基于CRNN的字符识别模型搭建了车牌识别系统。实验证明,所提出的算法在复杂场景下,如倾斜,局部模糊,光照变化的情况下,都有良好的鲁棒性。