城市违停车辆车牌识别数据

1.算法训练：作为目标检测模型（YOLOv8/YOLOv11等）的训练数据集，除基础检测训练外，算法衍生字段可用于训练场景分析模型（违停严重度预测、号牌识别校验等）。 2.模型验证与测试：通过验证集和测试集评估模型检测精度（mAP、Precision、Recall），同时验证场景分析算法的准确性和业务价值。 3.场景算法优化：利用算法衍生字段的数据分布特征，持续优化场景分析算法的参数阈值（禁停区边界判定阈值、时长饱和阈值等）。 4.标注质量评估：利用标注坐标的几何一致性（凸四边形有效性验证、面积合理性检查、越界检查）评估标注质量，建立标注质量反馈与返修机制。 5.停车设施规划：停车区域类型与占用时长的分布数据，可供城市停车设施规划单位用于路内泊位设置与停车需求测算。1.数据采集：采集城市无人机设备拍摄的城市道路停车图像标注数据，，标注格式采用OBB旋转标注框格式（4顶点坐标：x1,y1,x2,y2,x3,y3,x4,y4），坐标归一化至[0,1]区间。提取字段包括序号（从1开始连续编号）、图片名称、类型编号、类型名称、车牌号码（采集端已掩码）及OBB标注框坐标。2.数据处理：车牌号码掩码：车牌号码在采集端即完成掩码处理，仅保留省份简称、发牌机关代号与末位校验字符，中间四位以“****”替代同时同一张图像识别的车牌最后一位生成为同一数字，掩码为不可逆处理。坐标归一化验证：确保所有坐标值均在[0,1]有效范围内；标注框几何有效性检查：验证OBB标注框四点构成有效凸四边形且面积为正。 3.算法加工（一）基础几何计算标注框中心X=(x1+x2+x3+x4)/4，标注框中心Y=(y1+y2+y3+y4)/4，保留6位小数。标注框面积=|x1×y2+x2×y3+x3×y4+x4×y1−x2×y1−x3×y2−x4×y3−x1×y4|/2（Shoelace公式），保留6位小数。（二）场景分析算法（1）停车区域类型：规范停车目标归入停车泊位；其余目标按标注框中心坐标与禁停区域的空间范围进行匹配，中心Y<0.25为交叉路口，中心Y≥0.75为人行横道，中心X<0.20为消防通道，中心X≥0.80为公交站台，0.45≤中心X<0.55为盲道，其余为一般路段。（2）禁停区权重：消防通道取1.0、人行横道取0.90、交叉路口取0.85、公交站台取0.80、盲道取0.75、一般路段取0.40、停车泊位取0.10。（3）车道阻塞指数=MAX(0,1−|标注框中心X−0.5|×2)，越靠近道路横向中心，对主线车流的阻断越严重。（4）占用时长为该车辆在本点位的连续停放时长（单位：分钟）；时长指数=MIN(1,占用时长/120)，停放越久对道路资源的持续侵占越明显。（5）停车性质标记：用于区分该目标所表征的停车行为性质，违规停车类目标取1，规范停车类目标取0。（6）违停严重度=(0.35×停车性质标记+0.25×禁停区权重+0.20×车道阻塞指数+0.20×时长指数)×10，保留2位小数。（7）执法优先级：违停严重度<2.5为Ⅳ级-短信提醒，2.5≤违停严重度<5为Ⅲ级-电话劝离，5≤违停严重度<8.0为Ⅱ级-现场贴单，违停严重度≥8.0为Ⅰ级-拖移处置。

搜集汇总

背景与挑战

背景概述

“城市违停车辆车牌识别数据”是由杭州团簇科技有限公司登记、规模2000条、xlsx格式的自行产生数据，采集城市无人机拍摄的道路停车图像，采用归一化OBB旋转框标注并对车牌进行不可逆掩码。该数据集在基础检测字段外，通过几何计算与场景分析算法生成停车区域类型、禁停区权重、车道阻塞指数、占用时长指数、违停严重度和执法优先级等衍生字段，可用于目标检测训练、模型验证测试、场景算法优化、标注质量评估及停车设施规划。