1.一种基于图像识别与用户偏好的智能车位推荐方法，包括车辆定位系统，所述车辆定位系统包括通过网络互连的车载终端、4G网络模块和远程监测中心终端，其特征在于，所述方法包括如下步骤：

1)确定当前用户车辆位置：结合GPS和Google earth的车辆定位软件，车载终端将GPS当前用户车辆定位信息数据经4G网络模块与远程监测中心终端进行数据传输,远程监测中心终端接收到当前用户车辆定位信息数据后,确定当前用户车辆的位置坐标，并在Google earth中对移动车辆实现定位跟踪；

2)车位状态图像识别：车辆定位系统对停车场的现场图片进行采集，并进行车位状态图像识别，找到空闲车位，包括：

2‑1)灰度化图像：对于彩色的RGB图像的像素矩阵，将RGB三个分量平均，得到灰度后的对应位置(i,j)的像素值：f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3；其中，(i,j)表示对应像素点的横坐标i和纵坐标j；

2‑2)去噪：采用小波阈值的图像对灰度化后的图像去噪，设定过滤的阈值，对小波系数进行处理，保留有效的信号系数，再对处理后的小波系数逆变换，得到去噪的结果；

2‑3)基于卷积神经网络的图像分类：将步骤2‑1)、2‑2)预处理后的图像作为输入，输入到具有三层卷积网络结构的卷积神经网络即CNN中，所述CNN网络中每层网络都包括卷积、激活和池化操作，其中，预设定的卷积核大小为5*5，卷积核的深度与卷积后的feature map即特征图像深度相同，池化操作为最大值池化即MAX‑POOLING，激活函数为RELU函数，在三层网络之后设定一个全连接层即FC layer，采用Softmax函数将分类结果和训练集匹配，判断停车场的对应车位是否被占用；

2‑4)对于车牌号的识别：进行字符的分割，对于停车场现场图片灰度化后的车牌矩形框截取字符图块，利用步骤2‑3)中的CNN网络和训练集进行训练，实现字符识别，设定每隔一段时间间隔对停车场的现场车位图像进行采集，以此来实现车位状态的数据实时更新，同时实现对车位状态表中数据的更新，车位状态表包括当前车位的转态是否为空闲，若不是，则要记录所停车的车牌号；

3)推荐车位：首先选择出泊车位的较优特征，即对于泊车位的特征向量集合D，采用遗传算法从中选取d个较优特征，其中，d

3‑1)染色体的初始化：将所有泊车位的特征描述为由0和1字符组成的字符串，其中0表示该特征没被选取，1表示该特征被选取，初始化一个1*D维的列向量作为初始染色体，列向量的每一维都是0，采用随机数的操作将其中d个随机为1，重复这个步骤n次，可以得到有n条染色体的初始种群M(t＝0)；

3‑2)计算染色体的适应度函数：采用预先定义的适应度函数即所要求的目标函数最优化，计算每条染色体的适应度值f(m)；

3‑3)基于适应度的选择：按照选择概率密度p(f(m))对种群的染色体进行采样，依据采样得到的染色体繁殖下一代染色体，组成新一代的种群M(t+1)，具体的选择过程如下：

3‑3‑1)计算出所有染色体适应度之和

3‑3‑2)由每个染色体个体的相对适应度大小，即 得到一个新的划分区间

3‑3‑3)在所有di组成一个0‑1的区域，通过随机一个0到1的数字m确定m所位于的区间dk,从而确定出被筛选出的染色体，重复选择n次，可以得到n条染色体；

3‑3‑4)交叉：交叉的意义是产生新一代的个体，过程为：

3‑3‑4‑1)随机选取两条染色体；

3‑3‑4‑2)设置交叉点j；

3‑3‑4‑3)确定两两互换交叉点之后的基因序列，

3‑3‑5)变异：对于当前种群M(t)中的每一条染色体，依据设定的变异概率决定它是否变异，若是，随机地选取该染色体的一个基因进行变异，如果该基因是0则变为1，反之亦然；

3‑3‑6)重复迭代：在经过上述选择、交叉和变异后，上一代的种群M(t)更新为下一代M(t+1),重复步骤3‑3‑2)‑步骤3‑3‑5)，直到种群得到的染色体的适应度达到预先设定的阈值，则算法终止，输出适应度最大的染色体，取出其中标号为1的基因所对应的特征集合，就是最终特征选择的结果，然后采用基于协同过滤的算法来实现车位推荐：首先设定一个用户‑车位评价表，包括用户历史停车信息、对应的泊车位和对应的评价打分，用户对所使用的停车位满意度进行打分，打分份数为0‑5分，假设：(1) (2) (nm)

X表示停车位的特征向量，大小为d维的列向量，X＝(x ,x ,.....,x )，其中，nm为车位总个数；

(1) (2) (nu)

θ表示用户偏好的特征向量，大小为d维的列向量,θ＝(θ ,θ ,.....,θ )，其中，nu为停车用户总个数；

r(i,j)：表示用户j对编号为i的车位的评价，0表示没有做出评价，1表示做出了评价；

y(i,j)：表示用户j对编号为i的车位的评价得分，当且仅当r(i,j)＝1时有定义；

为代价函数，目

标是函数： 的最优化，

(1) (2) (nm)

当给定了变量X＝(x ,x ,.....,x )，即对于泊车位，如果知道它们的特征向量组，就可使用特征向量组训练每个停车用户的参数，只需要对进行最优化求解，

(1) (2) (nu)

同样的，当给定了变量θ＝(θ ,θ ,.....,θ )，即对于每个用户，如果知道它的偏好特征向量，可使用偏好特征向量训练每个车位的参数，只需要对进行最优化求解，

考虑同时学习出这两个参数，即同时采用梯度下降算法，更新两个参数，即： 不断地迭代，最终

可以得到最优的θ,X；

4)路线规划和导航：假设用户当前的车辆定位为(xstart,ystart)，经过上述步骤1)‑步骤

4)得到的目标车位的坐标为(xend,yend)，将停车场表示成一个二维的网格，采用实际1平方米对应图中1个点的比例，将停车场的每一个车位抽象成网格图中的一个点，此外，将图中的标杆、柱子、护栏不可通过的部分在网格图中标记为不可经过的点，采用改进的Dijkstra和BFS算法相结合，首先定义：

搜索区域：停车场的搜索区域被划分成一个二维的数组，数组中的每个元素对应一个小网格，将网格的中心点表示为搜索区域节点；

Open List：将规划路径过程中所有待检测的节点存放于Open List中，对于已检测过的网格则存放于Close List中；

父节点：在路径规划中用于回溯的节点，表示双向链表中的父结点的指针；

路径排序：往哪个节点移动由以下公式确定：F(n)＝G+H，G代表的是从初始位置A沿着已生成的路径到指定待检测格子的移动代价，H代表的是指定待测格子到目标节点B的估计移动开销；

启发函数：设H为启发函数，在找到唯一路径前，不确定在前面会不会出现障碍物，采用传统的曼哈顿距离作为H的计算方法，也就是横纵向走的距离之和，实施过程步骤为：Step 1.把起点ustart加入Open List；

Step 2：包括：

Step 2‑1:遍历Open List链表，查找F(n)最小值所对应的节点，把该节点作为当前待处理的节点ucurrent，移到Close List链表中；

Step 2‑2:对ucurrent的8个相邻方格即上、下、左、右、左上、右上、左下和右下方格分别进行检查，如果它是不可达的状态或它处在Close List中，直接跳过，否则，假设u'为ucurrent某个方向的邻接方格，进行如下操作：Step 2‑2‑1:如果Open List中没有u'，把u'加入Open List中，并且把当前ucurrent设置为它的父节点；

Step 2‑2‑2:如果当前Open List已存在该节点u'，需要检查这条路径即经由当前网格ucurrent到达u'是否更近，如果更近，把u'的父节点设置为当前方格ucurrent，并更新u'的G值和F值；

Step 2‑3:搜索停止的两种情况：

1)把终点uend加入到了Open List中，此时路径已经找到了，跳出循环；

2)查找终点uend失败，并且此时Open List为空的，此时表示没有可行的路径方案；

Step3:重复step2，直到跳出循环，此时，从终点开始，每个方格沿着父节点的方向移动直至回溯到起点ustart，形成最终的路径序列{ustart,...,uend}，依据这个路径用户自动导航进入停车位，同时对推荐进行评价，使得之后的推荐更加的贴近用户的真实需求。