CN101064065A - 基于计算机视觉的停车诱导系统 - Google Patents

Abstract

一种基于计算机视觉的停车诱导系统，包括安装在各个停车场的车位识别装置、车位信息统计发布装置以及用于接收并处理各个停车场的车位信息的停车诱导控制器，停车诱导控制器包括车位信息接收模块、车位信息编码模块，用于将采集的车位信息转换成数字编码，所述数字编码为28位数，前22位表示停车场的地理位置信息，后6位表示在该停车场中的具体车位信息；以及停车场泊位信息加工模块，用于对各个停车场的每个车位产生一条记录，建立各记录的查询入口，并把各个记录对应的数字编码向外发布。本发明能够收集各个停车场的信息、并能够进行场外诱导、便于驾驶员能够及时找到停车位、增大停车场的利用率。

Description

基于计算机视觉的停车诱导系统

(一)技术领域

本发明属于全方位计算机视觉传感器技术、图像识别技术、数据库技术、城市道路数字编码技术和网络通信技术在停车诱导系统方面的应用，尤其是一种基于计算机视觉的停车诱导装置。

(二)背景技术

城市道路交通由动态交通和静态交通两部分所组成，静态交通是指车辆为完成不同的出行目的或保管而产生的在不同区域、不同停放场所的停放状态。静态交通与动态交通一样，是城市交通中不可分割的组成部分，动态交通以静态交通为起点，静态交通是动态交通的延续。动态交通与静态交通既相互促进又相互制约，需要协调发展共同构成城市交通系统。

目前的城市道路交通管理时，人们往往只重视对城市动态交通的疏导与控制，忽视了对车辆停放等静态交通的规划、建设与管理，忽视了对车辆停放的诱导，使得城市交通拥挤、堵塞、事故频发等老大难问题更显突出，人们费尽心机采取很多治理措施却力不从心，收效甚微。导致这一问题的一个主要症结是城市停车场库的建设不足、管理不善以及缺乏先进的泊车诱导系统，造成了为了寻找车位而盲目流动的时间，使得违章停车和占用道路等现象时有发生。

国内外调查数据表明，驾驶员由于不了解停车位，随意、任意、没有目的地去找停车位，给道路交通增加了额外的负担，城市路面车流中大约有12^15％左右的车辆是正在寻找停车泊位的车辆。另有国外报道说，在巴黎为了在市区找停车位耗费的汽油，占整个行车汽油的40％，增加了车辆尾气的排放，大幅度增加了汽车尾气造成的环境污染。

目前我国一方面停车场数量不能适应汽车保有量的增长，再加上驾驶员盲目寻找停车场，导致了违章占路停车现象增多，从而大大降低了道路通行能力，容易引发交通拥堵和交通事故，这种矛盾正日显突出。

停车场库是城市静态交通的最重要条件，这方面的建设与管理的不足，直接影响到动态交通的正常运行，而动态交通的不畅，同时又反过来对静态交通的管理产生影响。产生了交通困难的恶性循环，使得城市道路交通的安全、畅通、有序无法得到保障，正严重地阻碍着城市及其经济的发展。

目前我国同时存在着城市机动车拥有量和停车设施间比例相差悬殊和停车场利用率低的问题，一方面表现为停车场内车位闲置，资源浪费；另一方面，大量外地车辆和部分本地车辆由于驾驶员不了解停车场停车泊位状况，因此花费驾驶员很长的时间寻找有停车泊位的停车场。这不仅增加了城市道路负荷，严重影响道路的动态交通，大幅度增加了汽车尾气造成的环境污染。国外的实际情况表明，只有通过有效的停车诱导信息系统才会改善汽车盲目寻找停车场的局面，进而减少交通事故和降低空气污染。先进的停车诱导和信息系统关键理论和实施技术研究是智能交通的重要研究内容，也是国际上正在深入研究的前沿课题之一，是我国城市交通亟待解决的关键问题。

要解决停车问题的途径主要可以从以下三个方面着手：

(1)合理规划和发展静态交通基础设施；

(2)采用先进的管理手段对停车进行管理和控制；

(3)实施智能交通运输系统。

静态交通基础设施主要包括社会停车场、市区外围出入口的公共停车场、配建停车场以及对停车进行科学管理所需配备的检测器、可变信息显示装置、网络设备等。

先进的停车诱导信息系统要利用地区统一的可变电子标志牌为驾驶员提供不同的动态停车诱导信息，包括停车场位置、停车库位置、路边停车位置、驾驶员预先选择的停车泊位以及最佳行驶路线等信息。利用这些信息，引导驾驶员避开拥挤并快速找到较为理想的停车泊位。

因此先进的停车诱导信息系统必须由停车信息采集、信息处理、信息传输以及信息发布等四部分组成，其各部分的作用如下：1)信息采集系统，系统通过远程监视装置、传感装置，采集对象区域内各停车场相关信息，主要包括了停车场的车位使用状况等信息；2)信息处理系统，系统将采集到的停车场使用状况以及周边道路信息加工处理成向驾驶员提供的适当形式的信息，如停车场的满空(剩余车位情况)、集散道路是否拥堵等。另外，信息处理系统还担负着存储停车场信息、加工处理停车场使用情况的变化模式等任务。这些功能将为未来提供停车需求状况预报、停车位预约等服务奠定基础；3)信息传输系统，信息传输的基本任务是保证从信息采集系统到信息处理系统再到信息发布系统的畅通。其常用的形式有光传输网、电话交换网以及光接入网等形式；4)信息发布系统，系统的任务是将信息处理系统处理过的信息，以适当的方式向外界分若干个层次发布出来。通常是由控制中心，随时将各个停车场的使用状况在可变信息显示板上以视觉的方式或通过广播以听觉的方式向驾驶员提供，也可以利用互联网、移动电话以及车载导航装置等方式发布。目前最为基础、最为常用的发布形式为设置于路侧的诱导信息板。

现有技术中要检测停车场内的车位使用状况是通过埋设在车位前的地感线圈通过电磁感应方式获得该车位是否被占用的信息，这种方式虽然能比较好地检测出车位的使用状况，但是存在着当地感线圈故障时，需要停止停车位的使用挖开路面维修，增加了维修人员的维护工作量，增加了维护成本，同时对容量较大的停车场要对每一个车位埋设地感线圈一次性投资比较大，且车位越多也会带来检测的复杂性以及通信和计算的压力。另一种检测车位的方法是采用超声波探测器来获得该车位是否被占用的信息，这种方式也存在着一次性投资比较大、检测的复杂性以及通信和计算的压力大等问题。通过视频图像的处理也能获得车位是否被占用的信息。

(三)发明内容

为了克服已有的停车诱导装置的局限于单个停车场的信息、不能进行场外诱导、停车场利用率不高的不足，本发明提供一种能够收集各个停车场的信息、并能够进行场外诱导、便于驾驶员能够及时找到停车位、增大停车场的利用率的基于计算机视觉的停车诱导装置。

本发明解决其技术问题所采用的技术方案是：

一种基于计算机视觉的停车诱导系统，包括安装在各个停车场的车位识别装置、车位信息统计发布装置，所述的停车诱导系统还包括用于接收并处理各个停车场的车位信息的停车诱导控制器，所述的停车诱导控制器包括：车位信息接收模块，用于采集各个停车场的车位信息；车位信息编码模块，用于将采集的车位信息转换成数字编码，所述数字编码为28位数，前22位表示停车场的地理位置信息，后6位表示在该停车场中的具体车位信息；在地理位置信息中，最前6位表示该城市的绝对位置，接着11位表示停车场所在的道路离市中心的相对位置，紧跟着的5位表示停车场从所在的道路开始端到停车场的距离；在具体车位信息中，第1位定义停车场的层楼属性，第2位定义停车场的区位属性，第3～5位定义停车场的车位属性，第6位定义停车场的该车位可停放车辆大小的属性；停车场泊位信息加工模块，用于对各个停车场的每个车位产生一条记录，建立各记录的查询入口，并把各个记录对应的数字编码向外发布。

作为优选的一种方案：在所述的车位信息编码模块中，数字编码的第1位到第3位表示经度，以角度表示，第4位到第6位表示纬度，以角度表示；以市中心标志性位置为原点，东西向为x轴，南北向为y轴，将城市分为A、B、C、D 4个象限区，第7位表示道路的起点所在的象限区，用4位数字表示道路所在街道两端的x、y坐标，x为2位数字，y为2位数字，且以km为单位；第8位到第9位表示道路起点的x坐标，第10位到第11位表示街道起点的y坐标，第12位表示道路的终点所在的象限区，第13位到第14位表示街道终点的x坐标，第15位到第16位表示街道终点的y坐标，如坐标点相距在1km范围内，第17位数以英文字母顺序区别；第18位到第22位的5位编码为自然数字编码，从道路的起点到终点由小到大编号，对于小街小巷从最近市中心的路口开始起编，对于道路两侧有行人道的，左单右双延伸到底进行编排，每隔100m在第21位上增1，对于只有单侧行车道的如果是在道路的左方采用单数编排，在道路的右方采用双数编排，第22位表示两侧编排、左侧编排或者右侧编排。

进一步，所述的车位识别装置包括安装在停车场顶部中央的俯视着停车场车位的全方位视觉传感器、用于根据全方位视觉传感器的数据识别车位的微处理器，所述的全方位视觉传感器连接微处理器；所述的全方位视觉传感器包括用以反射停车场内领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和用于拍摄外凸反射镜面上成像体的摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央，所述摄像头对着外凸折反射镜面朝上；

所述的微处理器还包括：

图像数据读取模块，用于读取从全方位视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

全方位视觉传感器标定模块，用于建立空间的实物图像与所获得的视频图像的对应关系；

车位定制及映射关系建立模块，用于定制停车场平面图以及全方位视频检测图上的车位框，用于建立停车场平面图以及全方位视频检测图上所定制车位的映射关系；

色彩空间转化模块，用于完成图像RGB色彩空间到YCrCb色彩空间的转化，转换公式(17)给出：

Y＝0.29990*R+0.5870*G+0.1140*B

Cr＝0.5000*R-0.4187*G-0.0813*B+128

Cb＝-0.1787*R-0.3313*G+0.5000*B+128    (17)

图像预处理与车位检测模块，用于检测车位框中是否有车，采用背景相减方法，所述的背景相减的计算公式如式(18)所示，

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)    (18)

式中：f_d(X，t₀，t_i)是实时拍摄到全景图像与基准参考全景图像间进行图像相减的色度结果，f(X，t_i)是实时拍摄到图像色度值，f(X，t₀)是基准参考图像色度基准值；

并判断相减后的图像Cr、Cb两个分量是否超过预设的阈值范围，如果是超过所规定的阈值，则标记该车位内有泊车，反之，车位没有占用，判断公式如式(19)所示：

$\left\{\begin{array}{c}1,\mathrm{if}(\mathrm{abs}(\mathrm{Cr}-\mathrm{ThresholdCr})>\mathrm{threshold}1||\mathrm{abs}(\mathrm{Cb}-\mathrm{ThresholdCb})>\mathrm{threshold}2)\\ 0,\mathrm{else}\end{array}\right.---\left(19\right)$

式中：Cr表示所检测到的当前车位框内的Cr平均值，Cb表示所检测到的当前车位框内的Cb平均值，ThresholdCr表示所定义的车位框内地面的Cr平均值，ThresholdCb表示所定义的车位框内地面的Cb平均值，threshold1表示Cr的阈值范围，threshold2表示Cb的阈值范围。

或者是：所述的车位识别装置包括安装在停车场顶部中央的俯视着停车场车位的全方位视觉传感器、用于根据全方位视觉传感器的数据识别车位的微处理器，所述的全方位视觉传感器连接微处理器；

所述的全方位视觉传感器包括用以反射停车场内领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和用于拍摄外凸反射镜面上成像体的摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央，所述摄像头对着外凸折反射镜面朝上；

所述的微处理器还包括：

图像数据读取模块，用于读取从全方位视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

全方位视觉传感器标定模块，用于建立空间的实物图像与所获得的视频图像的对应关系；

车位定制及映射关系建立模块，用于定制停车场平面图以及全方位视频检测图上的车位框，用于建立停车场平面图以及全方位视频检测图上所定制车位的映射关系；

边缘检测车位模块，用于采用边缘检测停车位是否有车，采用索贝尔(Sobel)算子作为边缘检测算法，Sobel算子采用3*3大小的模板，Sobel算子用下式计算偏导数：

S_x＝(a₂+ca₃+a₄)-(a₀+ca₇+a₆)

S_y＝(a₀+ca₁+a₂)-(a₆+ca₅+a₄)    (20)

公式中常数c为2，Sobel算子可用以下卷积模板来实现：

$S_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$ $S_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]---\left(21\right)$

用方向链码表示景物边缘的闭合曲线，得到待检测的车位图像；

设定目标对象的车辆图像模板为T，大小为M*N，待检测的车位中停放车辆的图像为I，大小为L*W，设法把模板T叠加在图像I上，进行图像匹配处理，比较T与其覆盖下的I的子图像的差别，若差别小于预设的阈值，则认为T在该处与I的子图像有较好的匹配，判定初步有车，如差别大于预设的阈值，判定车位没有占用。

进一步，在所述的边缘检测车位模块中，在判定初步有车后，对于空间离散化为M*N的图像，设i，j为离散化的车位场景中的各像素坐标，f(i，j)为坐标(i，j)的像素的灰度值，图象场景中物体的“中心矩”由下列双重求和形式来逼近，用公式(23)表示，

$D_{\mathrm{pq}}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}{(i-\stackrel{\‾}{i})}^p{(j-\stackrel{\‾}{j})}^{q}f(i,j)---\left(23\right)$

其中： i＝m₁₀/m₀₀； j＝m₀₁/m₀₀； $m_{00}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}f(i,j);$ $m_{10}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}i\×f(i,j);$

$m_{01}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}j\×f(i,j);$

进行归一化处理，可得归一化不变中心矩为：

η_pq＝D_pq/D₀₀，r＝(p+q)/2+1，

设p+q＜2，导出两个RST不变的中心矩函数用公式(24)表示，

₁＝η₂₀+η₀₂

₂＝(η₂₀-η₀₂)²+4η₁₁ ²    (24)；

将停车场景的物体与模板的中心不变矩比较，如相差值小于预设阈值，判定该车位有车，如相差值大于预设模板阈值，判定车位没有占用。

再进一步，在所述的边缘检测车位模块中，将车位场景中物体的形心与模板的形心对准，利用坐标的旋转变换来确定场景中物体对应的旋转角度，缩放算法：

x₂＝N(x₁-x₀)+x₀

y₂＝N(y₁-y₀)+y₀    (25)

旋转算法：

x₂＝(x₁-x₀)cosθ+(y₁-y₀)sinθ+x₀

y₂＝(y₁-y₀)cosθ+(x₁-x₀)sinθ+y₀    (26)

式中，(x2，y2)为像素的新坐标；(x1，y1)为原坐标；(x0，y0)为物体的形心坐标；N为缩放系数；θ为旋转的角度。

又或者是：所述的车位识别装置包括安装在停车场顶部中央的俯视着停车场车位的全方位视觉传感器、用于根据全方位视觉传感器的数据识别车位的微处理器，所述的全方位视觉传感器连接微处理器；

所述的全方位视觉传感器包括用以反射停车场内领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和用于拍摄外凸反射镜面上成像体的摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央，所述摄像头对着外凸折反射镜面朝上；

所述的微处理器还包括：

图像数据读取模块，用于读取从全方位视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

全方位视觉传感器标定模块，用于建立空间的实物图像与所获得的视频图像的对应关系；

车位定制及映射关系建立模块，用于定制停车场平面图以及全方位视频检测图上的车位框，用于建立停车场平面图以及全方位视频检测图上所定制车位的映射关系；

车位检测模块，用于在检测到车位上的边缘轮廓点以及链接及闭合曲线内像素填充后，判断该图形与矩形的相似度，如果计算的相似度在阈值范围内，就判定为是车辆。

更进一步，在所述的车位定制及映射关系建立模块中，所述的定制全方位视频检测图上的车位框，是通过输入设备来确定车位的四个点，然后用直线连接的方式来定义检测车位。

所述的折反射镜面用以下方法来进行设计：以摄像头投影中心为坐标原点建立坐标系，反射镜的面形用z(X)函数表示；在像平面内距离像中心点ρ的像素q接受了来自水平场景O点(距离Z轴d)，在反射镜M点反射的光线；水平场景无畸变要求场景物点的水平坐标与相应像点的坐标成线性关系；

d(ρ)＝αρ                        (1)

式(1)中ρ是与反射镜的面形中心点的距离，α为成像系统的放大率；设反射镜在M点的法线与Z轴的夹角为γ，入射光线与Z轴的夹角为Φ，反射光线与Z轴的夹角为θ，则

$\mathrm{tg}\left(x\right)=\frac{d\left(x\right)-x}{z\left(x\right)-h}---\left(2\right)$

$\mathrm{tg\γ}=\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}---\left(3\right)$

$\mathrm{tg}\left(2\mathrm{\γ}\right)=\frac{2\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}}{1-\frac{d^{2}z\left(x\right)}{{\mathrm{dx}}^2}}---\left(4\right)$

由反射定律：

2γ＝φ-θ

(6)

由式(2)、(4)、(5)和(6)得到微分方程(7)

$\frac{d^{2}z\left(x\right)}{{\mathrm{dx}}^2}+2k\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}-1=0---\left(7\right)$

式中； $k=\frac{z\left(x\right)[z\left(x\right)-h]+x[d\left(x\right)-x]}{z\left(x\right)[d\left(x\right)-x]+x[z\left(x\right)-h]}---\left(8\right)$

由式(7)得到微分方程(9)

$\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}+k-\sqrt{k^2+1}=0---\left(9\right)$

由式(1)、(5)得到式(10)

$d\left(x\right)=\frac{\mathrm{afx}}{z\left(x\right)}---\left(10\right)$

由式(8)、(9)、(10)和初始条件，解微分方程得到反射镜面形的数字解；根据应用要求选择摄像头，标定出Rmin，透镜的焦距f确定反射镜离摄像头的距离Ho，由(1)式计算出反射镜的口径Do，

根据应用所要求的高度方向的视场确定系统参数af，由式(1)、(2)和(5)得到式(11)，将z(x)≈z₀：

$\mathrm{tg\φ}=\frac{(\mathrm{af}-z_0)\frac{\mathrm{\ρ}}{f}}{z_0-h}---\left(11\right)$

在像平面以像中心点为圆心的最大圆周处 $\mathrm{\ρ}=R\min ,{\mathrm{\ω}}_{\max }=\frac{R_{\min }}{f}$

对应的视场为φmax，得到式(12)：

$\frac{\mathrm{\ρ}}{f}=\frac{(z_0-h)\mathrm{tg}{\mathrm{\φ}}_{\max }}{{\mathrm{\ω}}_{\max }}+z_0---\left(12\right).$

所述的车位识别装置包括安装在停车场顶部俯视着停车场车位的普通摄像传感器、用于根据普通摄像传感器的数据识别车位的微处理器，所述的普通摄像传感器连接微处理器。视觉传感器不限制其他任何形式的视觉传感器，只要能获取停车场内的所有车位信息的视觉传感器都是适用的，所采用的视觉传感器个数取决于停车场的大小。

本发明的技术构思为：图像处理与计算机视觉是一个不断发展的新技术，原则上采用计算机视觉进行观测有四个目的，即预处理、最底层的特征提取、中级特征的辩识以及通过图像对高级情景的解释。一般来说，计算机视觉包括主要特征、图像处理以及图像理解。图像是人类视觉的延伸。通过机器视觉，可以立即准确地把握停车场内的车位使用状况。图像检测快速性的基础是视觉所接受的信息以光为传播媒介；而图像信息的丰富和直观，是其它目前各种探测技术均不能提供如此丰富和直观的信息。

近年发展起来的全方位视觉传感器ODVS(OmniDirectional Vision Sensors)为实时获取场景的全景图像提供了一种新的解决方案。ODVS的特点是视野广(360度)，能把一个半球视野中的信息压缩成一幅图像，一幅图像的信息量更大；获取一个场景图像时，ODVS在场景中的安放位置更加自由；监视环境时ODVS不用瞄准目标；检测和跟踪监视范围内的运动物体时算法更加简单；可以获得场景的实时图像。因此基于ODVS的全方位视觉系统近几年迅速发展，正成为计算机视觉研究中的重要领域，IEEE从2000年开始举办每年一次的全方位视觉的专门研讨会(IEEE workshop on Omni-directional vision)。由于在停车场中场内车位检测需要覆盖所有的车位，因此利用全方位视觉传感器可以随时检测每一个车位，只要将全方位视觉传感器安装在停车场顶部的中间就非常容易地把握停车场内的车位使用状况，目前还没有检索到将全方位视觉传感器运用到停车诱导装置技术领域的论文与专利。

因此，采用全方位视觉传感器ODVS并利用数字图像处理技术，结合停车场的车位分布以及停放车辆的一些特征，检测每一个车位是否被占用，为停车提供场内诱导以及场外诱导信息；在以车位检测为重点的同时又能监控停车场中安全，给停车场配备一双智能化的慧眼。

本发明的有益效果主要表现在：1、能够收集各个停车场的信息、并能够进行场外诱导、便于驾驶员能够及时找到停车位、增大停车场的利用率；2、检测范围广，能对方位在200米直径以内的停放车辆进行检测；3、安装维护无干扰，由于视频检测器往往是安装在停车场中部的顶上，因此安装及维护不会影响停车场的营业，也不需要开挖、破坏路面；4、维护方便低耗，传统的感应线圈检测器在损坏时，需要开挖路面进行维护，而视频检测设备发生问题时，可直接摘除或修理设备，减少了维护费用；5、检测参数丰富，不但能检测停车场内的车位占用情况，通过加入一些新的算法后还能够检测到停车场内的各种安全隐患，比如车辆的盗难、火灾等事故，这是一般的感应线圈检测器无法比拟的；6、可视性，能够将全方位的实时图像传给停车场的管理者，实现监视的职能；7、检测可靠性、准确度高，不会与传统的感应线圈检测器一样会有误动作或者误检测；8、统计计算方便，算法实现简单，特别适用于在大型停车场的管理；9、具有良好的先进性、可扩展性、可持续发展性，视频车位检测技术是智能交通系统的关键技术之一，其本身就能单独成为一个系统，通过网络能够与先进的车辆信息系统、等动态智能交通模块衔接，实现更多的功能。

(四)附图说明

图1为三维立体空间反射到全方位视觉平面成像示意图；

图2为全方位视觉传感器的结构示意图；

图3为全方位视觉传感器与一般的透视成像模型等价的透视投影成像模型示意图；

图4为全方位视觉传感器在水平方向上图像无形变模拟示意图；

图5为基于全方位视觉传感器的停车诱导装置的结构功能框图；

图6为基于全方位视觉传感器的停车诱导功能的功能框图；

图7为停车场平面图中的车位与基于全方位视觉传感器检测停车场视频图的车位的映射关系示意图；

图8为表示城市中某一个停车场地理位置信息与该停车场内的某一个车位信息的数字编码体系结构示意图；

图9为视频检测车位是否停车的图像处理流程图；

图10为具有远程访问功能的全方位视觉传感器的结构图。

(五)具体实施方式

下面结合附图对本发明作进一步描述。

实施例1

参照图1～10，要实现停车诱导首先要解决两个问题：1)场内诱导，场外诱导；2)车位占用情况的检测。本发明实施例结合解决上述两个问题进行描述。

在所述的场内诱导中，首先是根据车位的占用情况，在泊车车辆进入停车场时，信息发布系统就自动地将可停放的车位信息提供给驾驶员，以便驾驶员能迅速找到自己停放车辆的车位；比如通过附图7所示的停车场平面图的方式或者是直接告诉停车位的号码等方式。

在所述的场外诱导中，除了与场内诱导中所需要的车位信息以外，还需要停车场的相关信息、分类停车场及其空间分布信息、停车场附属设施信息。对于泊车首先要解决供需信息匹配问题，即希望知道离出行目的地最近的可提供泊车车位的情况，这就涉及到该可泊车的车位在城市的什么方位、在该方位的哪一个点上(停车场)、在该点上的哪一个车位上，良好的城市数字交通编码体系结构能对发布、查询某停车场的泊车信息，从不同区域角度进行空车位统计都是非常有利的。

本发明提出的车位的数字编码主要分两个部分组成以28位数来命名，前22位用来表示停车场的地理位置信息，后6位用来表示在该停车场中的车位信息。编码体系每个位所代表的意思如附图8的下面的图所示。在最前6位表示该城市的绝对位置，接着11位用于表示停车场所在的道路离市中心的相对位置，紧跟着的5位用于表示停车场从所在的道路开始端到停车场的距离。有了停车场的位置信息，出行者能快速地找到要泊车的停车场。

说明城市数字交通编码体系以及停车场每个车位所表示的意思，用来表示停车场的地理位置信息前22位中的前17位采用坐标编排方式是，最前6位(第1位到第6位)表示该城市地点的绝对位置，其中上3位(第1位到第3位)表示经度(以角度表示)，下3位(第4位到第6位)表示纬度(以角度表示)，由于每一个大都市都有其经度和纬度，这个信息对外地驾驶员以及在GIS系统上的标志是必须的；然后的11位(第7位到17位)用于表示离市中心的相对位置，其命名规则为：以市中心标志性位置为原点(市中心有广场的以广场为中心，没有广场的以市中心著名建筑物为中心原点)，东西向为x轴，南北向为y轴，将城市分为A、B、C、D 4个象限区，第7位表示道路的起点所在的象限区，考虑到特大城市在区半径100km以内，用4位数字表示街道两端的x(2位数字)、y(2位数字)坐标(以km为单位)，第8位到第9位表示道路起点的x坐标，第10位到第11位表示街道起点的y坐标，第12位表示道路的终点所在的象限区，第13位到第14位表示街道终点的x坐标，第15位到第16位表示街道终点的y坐标，对于两条平行且两端x、y坐标相同(坐标点相距在1km范围内)的街道辅以a、b、c.......顺序区别，用第17位数来表示，通过上述的编码定义决定了在哪个城市、哪个方位、距该城市的标志点的距离以及哪条道路；接下来的第18位到第22位的5位编码为自然数字编码，从道路的起点到终点由小到大编号，对于小街小巷从最近市中心的路口开始起编，对于道路两侧有行人道的，左单右双延伸到底进行编排，每隔100m在第21位上增1，因此从第18位到第21位可以表示100Km的距离；这种编码方式无论驾驶员是从道路的起点还是从道路的终点路口进入道路都能知道停车场的具体位置；对于只有单侧行车道的如果是在道路的左方采用单数编排，在道路的右方采用双数编排，这个信息反映在第22位；通过这样的编排能使驾驶员在行驶该道路上时知道停车场是在道路的左边还是右边，可以避免驾驶员不必要的调头。

在驾驶员进入停车场后，本发明中用28位中最后的6位用来表示在该停车场中的车位信息，进行场内停车诱导。作为场内停车诱导，从驾驶员的角度来说，首先要知道要停车的楼层、区位、车位，然后判断所停放的车位的类型是否是与车辆的类型相吻合，对于大型的停车场有多层、每层中也有多个区位、每个区位中也可分为多个车位、每个车位有些是专门用于停放大型车辆的，而有些车位是用于停放小型车辆的；这些层楼属性、区位属性、车位属性以及可停放车辆大小的属性都必须在停车场中的车位信息中进行定义；本发明中用该6位编码信息的第1位定义停车场的层楼属性，第2位定义停车场的区位属性，第3～5位定义停车场的车位属性，第6位定义停车场的某一车位可停放车辆大小的车辆大小的属性。该6位的属性信息都是在附图7的定制中完成的，在附图2中根据停车场的每个楼层、每个区位都有相应的平面图，一旦下载了该平面图就决定了前2位的属性，然后通过该平面图定制车位决定第3～5位定义停车场的车位属性，在定制车位后输入该车位的属性决定可停放车辆大小的车辆大小的属性。

本发明中将上述定义的28位车位属性信息作为检索、统计的基本KEY，比如要知道某个城市中某条道路上停车位的情况就可以通过上述28位中的前17位的信息统计得到，而要得到在该道路上的右边停车位的情况就可以通过上述28位中前17位、将第22位设定为偶数的信息统计得到，如果要得到某个停车场的停车位的情况就可以通过上述28位中的前22位的信息统计得到；这种车位的数字编码体系对停车信息发布系统是非常有利的，它可以根据需要以适当的方式向外界分若干个层次发布停车诱导信息。

作为停车诱导除了上述的车位的属性信息以外，还有两个状态信息也是必须的，一个是车位的占用信息，另一个是车位的预定信息，关于车位的占用信息本发明中采用视频的方式进行检测，关于车位的预定信息是出行者通过各种手段根据自己的需要时间段来进行预定的，因此在本发明中需要有一个开始时间来描述车位的占用状态或者是预约状态，另外一个信息是占用者的车牌号码，这样就能形成一个完整的记录。

                 表1某停车场车位状态检测表

停车场ID	车位ID	占用标志	预定标志	开始时间	车牌号

表2某停车场车位利用状态历史记录表

车位ID	占用标志	预定标志	开始时间	车牌号

表中的停车场ID就是上述28位中的前22位的信息；车位ID就是上述28位中的后6位的信息；如果检测到该车位上有车，就将占用标志设置为真，并同时记录开始时间；如果通过网络手段预定车位，就将预定标志设置为真，同时在开始时间中写入预定时间以及车牌号。本发明中采用了两张表，即车位状态检测表(表1所示)和车位利用状态历史记录表(表2所示)，这两张表的数据格式基本相同，表1中有停车场ID主要是为了方面统计区域空车位率而设置的；一旦检测到某个车位状态发生变化时，要将车位状态检测表的某个车位的记录放入车位利用状态历史记录表中，形成车位的历史使用记录，表2所示的车位利用状态历史记录表是在停车场内使用的，因此可以去掉车位ID以节省存储空间；同时将新的某个车位状态更新原有车位状态检测表中对应与该车位的状态，以便及时反映停车场的在线使用情况。

要解决车位占用情况的检测问题，对于基于全方位视觉传感器的视频检测车位上是否有车，可以采用两种检测方式：1)基于颜色模型的检测；2)基于图像边缘轮廓的检测(从俯视角度看车辆的轮廓都呈现为规则的矩形)。

所述的全方位视觉传感器的工作原理是：ODVS摄像装置的光学部分的制造技术方案，ODVS摄像装置主要由垂直向下的折反射镜和面向上的摄像头所构成。具体构成是由聚光透镜以及CCD构成的摄像单元固定在由透明树脂或者玻璃制的圆筒体的下部，圆筒体的上部固定有一个向下的大曲率的折反射镜，在折反射镜和聚光透镜之间有一根直径逐渐变小的圆锥状体，该圆锥状体固定在折反射镜的中部，圆锥状体的目的是为了防止过剩的光射入而导致在圆筒体内部的光饱和现象。图1表示的是本发明的全方位的视觉传感器的光学系统的原理图。

折反射全景成像系统能用针孔成像模型进行成像分析，但要获得透视全景图像必须对采集的实景图像逆投影，必须满足实时性的要求。

停车场的场景中物点的水平坐标与相应像点的坐标成线性关系就能确保水平场景无畸变，作为停车诱导装置的全方位视觉传感器安装在停车场的能覆盖大多数车位的高度，监视着整个停车场中水平方向上的车位情况，因此在设计全方位视觉装置的折反射镜面时要保证在水平方向上的不变形。

设计中首先选用CCD(CMOS)器件和成像透镜构成摄像头，在对摄像头内部参数标定的基础上初步估算系统外形尺寸，然后根据高度方向的视场确定反射镜面形参数。

如图1所示，摄像头的投影中心C在道路水平场景上方距离水平场景h处，反射镜的顶点在投影中心上方，距离投影中心zo处。本发明中以摄像头投影中心为坐标原点建立坐标系，反射镜的面形用z(X)函数表示。在像平面内距离像中心点ρ的像素q接受了来自水平场景O点(距离Z轴d)，在反射镜M点反射的光线。理想的检测状况是在水平场景上无畸变，因此要求场景物点的水平坐标与相应像点的坐标成线性关系；

d(ρ)＝αρ                               (1)

式(1)中ρ是与反射镜的面形中心点的距离，α为成像系统的放大率。

设反射镜在M点的法线与Z轴的夹角为γ，入射光线与Z轴的夹角为Φ，反射光线与Z轴的夹角为θ。则

$\mathrm{tg}\left(x\right)=\frac{d\left(x\right)-x}{z\left(x\right)-h}---\left(2\right)$

$\mathrm{tg\γ}=\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}---\left(3\right)$

$\mathrm{tg}\left(2\mathrm{\γ}\right)=\frac{2\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}}{1-\frac{d^{2}z\left(x\right)}{{\mathrm{dx}}^2}}---\left(4\right)$

由反射定律

2γ＝φ-θ

由式(2)、(4)、(5)和(6)得到微分方程(7)

$\frac{d^{2}z\left(x\right)}{{\mathrm{dx}}^2}+2k\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}-1=0---\left(7\right)$

式中； $k=\frac{z\left(x\right)[z\left(x\right)-h]+x[d\left(x\right)-x]}{z\left(x\right)[d\left(x\right)-x]+x[z\left(x\right)-h]}---\left(8\right)$

由式(7)得到微分方程(9)

$\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}+k-\sqrt{k^2+1}=0---\left(9\right)$

由式(1)、(5)得到式(10)

$d\left(x\right)=\frac{\mathrm{afx}}{z\left(x\right)}---\left(10\right)$

由式(8)、(9)、(10)和初始条件，解微分方程可以得到反射镜面形的数字解。系统外形尺寸主要指反射镜离摄像头的距离Ho和反射镜的口径D。折反射全景系统设计时根据应用要求选择合适的摄像头，标定出Rmin，透镜的焦距f确定反射镜离摄像头的距离Ho，由(1)式计算出反射镜的口径Do。

系统参数的确定：

根据应用所要求的高度方向的视场确定系统参数af。由式(1)、(2)和(5)得到式(11)，这里作了一些简化，将z(x)≈z₀，主要考虑对于镜面的高度变化相对于镜面与摄像头的位置变化比较小；

$\mathrm{tg\φ}=\frac{(\mathrm{af}-z_0)\frac{\mathrm{\ρ}}{f}}{z_0-h}---\left(11\right)$

在像平面以像中心点为圆心的最大圆周处 $\mathrm{\ρ}=R\min \→{\mathrm{\ω}}_{\max }=\frac{R_{\min }}{f}$

对应的视场为φmax。则可以得到式(12)；

$\frac{\mathrm{\ρ}}{f}=\frac{(z_0-h){\mathrm{tg\φ}}_{\max }}{{\mathrm{\ω}}_{\max }}+z_0---\left(12\right)$

成像模拟采用与实际光线相反的方向进行。设光源在摄像头投影中心，在像平面内等间距的选取像素点，通过这些像素点的光线，经反射镜反射后与水平面相交，若交点是等间距的，则说明反射镜具有水平场景无畸变的性质。成像模拟一方面可以评价反射镜的成像性质，另一方面可以准确地计算出反射镜的口径和厚度。

成像变换涉及不同坐标系之间的变换。在摄像机的成像系统中，涉及到的有以下4个坐标系；(1)现实世界坐标系XYZ；(2)以摄像机为中心制定的坐标系x^y^z^；(3)像平面坐标系，在摄像机内所形成的像平面坐标系x^*y^*o^*；(4)计算机图像坐标系，计算机内部数字图像所用的坐标系MN，以像素为单位。

根据以上几个坐标系不同的转换关系，就可以得到所需要的全方位摄像机成像模型，换算出二维图像到三维场景的对应关系。本发明中采用折反射全方位成像系统的近似透视成像分析方法将摄像机内所形成的像平面坐标二维图像换算到三维场景的对应关系，图3为一般的透视成像模型，d为物高，ρ为像高，t为物距，F为像距(等效焦距)。可以得到式(13)

$d=\frac{t}{F}\mathrm{\ρ}---\left(13\right)$

在上述水平场景无变形的折反射全方位成像系统的设计时，要求场景物点的水平坐标与相应像点的坐标成线性关系，如式(1)表示；比较式(13)，(1)，可以看出水平场景无变形的折反射全方位成像系统对水平场景的成像为透视成像。因此就水平场景成像而言，可以将水平场景无变形的折反射全方位成像系统视为透视相机，α为成像系统的放大率。设该虚拟透视相机的投影中心为C点(见附图3)，其等效焦距为F。比较式(13)，(1)式可以得到式(14)；

$\mathrm{\α}=\frac{t}{F};t=h---\left(14\right)$

由式(12)、(14)得到式(15)

$F=\frac{{\mathrm{fh\ω}}_{\max }}{(z_0-h)\mathrm{tg}{\mathrm{\φ}}_{\max }+z_0{\mathrm{\ω}}_{\max 0}}---\left(15\right)$

根据上述全方位摄像机成像模型进行系统成像模拟，由摄像头投影中心发出的经过像素平面内等间距像素点的光线族反射后，在距离投影中心5m的停车场的水平面上的交点基本上是等间距的，如附图4所示。因此根据上述设计原理本专利中将停车场水平面的坐标与相应全方位像点的坐标之间的关系简化为线性关系，也就是说通过反射镜面的设计将现实世界坐标系XYZ到像平面坐标系的转化可以用放大率α为比例的线形关系。下面是从像平面坐标系到计算机内部数字图像所用的坐标系的转化，计算机中使用的图像坐标单位是存储器中离散像素的个数，所以对实际像平面的坐标还需取整转换才能映射到计算机的成像平面，其变换表达式为由式(16)给出；

$M=O_m-\frac{x^{*}}{S_x};$ $N=O_n-\frac{y^{*}}{S_y};---\left(16\right)$

式中：Om、On分别为象平面的原点在计算机图像平面上所映射的点像素所在的行数和列数；Sx、Sy分别为在x和y方向上的尺度因子。Sx、Sy的确定是通过在摄像头与反射镜面之间距离Z处放置标定板，对摄像机进行标定得到Sx、Sy的数值，单位是(pixel)；Om、On。的确定是根据所选择的摄像头分辨率像素，单位是(pixel)。

图2是全方位视觉传感器的结构图，本专利中将全方位视觉传感器安装在离停车场地面高度5米、所获得的视频图像能覆盖大量停车位的地方。所述的全方位视觉传感器包括用以反射停车场内领域中物体的外凸折反射镜面1、用以防止光折射和光饱和的黑色圆锥体2、透明圆柱体3和用于拍摄外凸反射镜面上成像体的摄像头4，所述的外凸折反射镜面1位于透明圆柱体3的上方，外凸折反射镜面1朝下，黑色圆锥体2固定在外凸折反射镜面1的底部中央，所述摄像头4对着外凸折反射镜面朝上。

车位的视频检测是整个系统的关键，要实现车位占用情况的检测在图像处理上需要通过背景图像阈值维护和背景相减等步骤来确认所检测的车位上是否有车辆。一般来说，停车场内的地面颜色与车辆的颜色是有明显的区别的。本专利中利用视频图像中的颜色特征来判断车位是否已经被车辆所占用，附图9是基于颜色模型的视频车位检测的处理流程。

要判断车位上是否有车占用，在图像识别上第一步是需要得到一个比较稳定的基准参考图像，然后利用它来做背景相减算法。本专利中采用了在每一个车位框中提取一个平均色度的阈值，作为每个车位的局部颜色阈值。考虑到停车场内地面的颜色都是接近的，因此可以在那些停有车辆的车位图像中，根据已有的车位框局部颜色阈值求其平均值，得到整个停车场所有车位的全局颜色阈值。在实际使用过程中，停车场地面的颜色模型也会发生一些变化，因此需要对颜色阈值数据进行不断的更新。

采用图像的YCrCb颜色模型来识别某个车位是否被占用。由于在YCrCb颜色空间中Y分量是对光线敏感的，而CrCb这两个分量只是对颜色有关，通过CrCb这两个分量来区分车辆的颜色与车位地面的颜色能达到检测车位是否被占用的目的。通过颜色空间中的Cr，Cb分量的检测基本上能达到与停车场内照明光线无关的效果。从全方位视觉传感器所获得的视频图像的颜色空间是RGB，因此在程序中需要将视频图像从RGB颜色空间转换到YCrCb颜色空间，转换公式(17)给出，

Y＝0.29990*R+0.5870*G+0.1140*B

Cr＝0.5000*R-0.4187*G-0.0813*B+128

Cb＝-0.1787*R-0.3313*G+0.5000*B+128    (17)

更进一步，采用背景相减算法得到车位信息，所谓的背景相减算法也称为差分方法，是一种常用于检测图像变化和运动物体的图像处理方法。

背景相减的计算公式如式(18)所示，

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)    (18)

式中：f_d(X，t₀，t_i)是实时拍摄到全景图像与基准参考全景图像间进行图像相减的色度结果。f(X，t_i)是实时拍摄到图像色度值，f(X，t₀)是基准参考图像色度基准值。为了判断泊车框内是否有车辆，因此停车平面图的右下角的图内所定义的泊车框内作背景相减计算，判断Cr，Cb这两个分量是否超过了所规定的阈值范围。如果是超过了所规定的阈值范围的话就标记该车位内有泊车，反之，车位没有占用。判断公式如式(19)所示，

$\left\{\begin{array}{c}1,\mathrm{if}(\mathrm{abs}(\mathrm{Cr}-\mathrm{ThresholdCr})>\mathrm{threshold}1||\mathrm{abs}(\mathrm{Cb}-\mathrm{ThresholdCb})>\mathrm{threshold}2)\\ 0,\mathrm{else}\end{array}\right.---\left(19\right)$

式中：Cr表示所检测到的当前车位框内的Cr平均值，Cb表示所检测到的当前车位框内的Cb平均值，ThresholdCr表示所定义的车位框内地面的Cr平均值，ThresholdCb表示所定义的车位框内地面的Cb平均值，threshold1表示Cr的阈值范围，threshold2表示Cb的阈值范围。

采用全方位视觉传感器检测所得到的车位图如停车平面图右边的图所示，该检测图虽然能看到停车场内较大范围内泊车的情况，但是也存在着不容易理解、不能覆盖整个大型停车场内所有停车位等问题，因此本发明中采用车位映射方式建立检测图与发布图(平面图)之间的联系，具体实现方法是：

在基于全方位传感器的停车诱导装置在投入使用时，首先要根据停车场的车位排列具体情况完成使用前的系统定制准备工作，具体做法：首先载入停车场的平面图，平面图制作可以选用各种图形制作软件，按实际停车位的大小按比例画出停车框，并在停车框内定义车位号，如附图7所示；接着要全方位视频图上定制车位框的检测区域，并建立与附图7所示的平面图上的车位的映射关系，全方位视频图与附图7所示的平面图上的车位的映射关系。打开所示的系统用户界面，在该界面的左边是从全方位视觉传感器获得的停车场内的一帧视频图像，右边是其的一个复制，在右边的图像上对车位进行编辑，目的是建立车位框的检测区域。用户可以在按下添加车位框后，直接在全景图上绘制车位框，绘制手段是采用鼠标拖放来实现的。

由于全方位视觉传感器所拍摄的全方位全景图多少会发生一些形变，规则的四边形车位反映在图像上是一个不规则的四边形，因此在绘制检测车位框时需要采用不规则的四边形定义，本专利中采用的手段是通过鼠标确定车位的四个点，然后用直线连接的方式来定义检测车位。

在定义好检测车位之后，将鼠标放置在该车位内然后按下鼠标的右键，程序中会弹出一个车位属性窗口，在该窗口中选择在定义停车场内平面图中所定义好的车位号，然后在选择停放车辆的类型。这时就完成了检测车位的定义、场内车位信息的编码以及建立了检测车位与平面图上的车位的映射关系。

就可以进行检测与监控，当按下开始监控按钮后，系统会弹出与附图7相同的窗口，由于检测车位与附图7所示的平面图上的车位具有映射关系，因此在平面图上会反映出实际检测的情况。同样也可以将该平面图发布在WEB页面上，使得出行者通过互联网直接了解到某停车场内的泊车状况，为远程预定车位提供了新的手段。

上面所述的主要是停车场的信息采集问题，作为停车诱导中信息处理也是非常重要的一个环节，信息处理的目的是将采集到的停车场使用状况以及周边道路信息加工处理成向驾驶员提供的适当形式的信息，如停车场的满空(剩余车位情况)、集散道路是否拥堵等。另外，还担负着存储停车场信息、加工处理停车场使用情况的变化模式等任务。这些功能将为未来提供停车需求状况预报、停车位预约等服务奠定基础；信息处理的能力大小、效果好坏很大程度上取决于描述信息的数据结构，图8所示的车位数字编码体系提高了停车诱导中的信息处理能力。

也可以采用其他视觉传感器来替换全方位视觉传感器进行停车位的检测。

实施例2

参照图1～图10，除了视频检测车位框内是否有车的图像处理技术以外，其余与实施例1相同。该方法主要是针对在户外停车场的情况，在户外由于停车场的背景会由于气候的变化(下雨、下雪等)、停车场内的飞扬物(树叶、塑料袋等)对地面颜色模型的影响，用颜色模型来进行车位是否有车会带来较大的误识别率，因此可以在室外停车场的车位检测上采用图像的边缘检测方法；

车体的边界是描述车体特征的一类非常重要的描述子，这些边界可能在成像过程中产生边缘信息。边缘是指在其周围像素灰度有明显变化的那些像素的组合。边缘是具有幅值和方向的矢量，其在图像中表现为灰度的突变。边缘检测就是要检测出图像中这种灰度的非连续性。

目前对边缘检测有几种方法可以选择，由于在本专利中期望得到的是某个车位上的车体的边缘，而对边缘轮毂的完整性以及光滑性要求不高，因此我们采用其中的计算简单、运算速度快的经典边缘检测方法-微分算子法，该方法依靠对图像进行微分运算求得梯度来进行边缘检测，主要从边缘点往往对应于一阶微分幅值大的点，同时也对应于二阶微分的零交叉点出发，设计一些一阶或二阶微分算子，求得其梯度或二阶导数过零点，再选择一定的阈值提取边界。

所述的边缘检测方法大致上可以分为以下四个步骤：

①滤波：边缘检测算法主要是基于图像强度的一阶导数和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测方法的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失。因此边缘增强和降低图像噪声之间需要取得一种平衡。

②增强：增强边缘的基础是确定图像中各点邻域强度的变化值。增强算法可以突出邻域强度值有显著变化的点。边缘增强一般是通过计算梯度幅值来完成的。

③检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的情况下并不一定都是边缘，所以应该用某种方法来确定那些点是边缘点。最简单的边缘检测判据是梯度幅值A值判据。

④定位：确定边缘所在的像素，如果要更精确的确定边缘位置，也可以在子像素分辨率上来估计边缘位置，边缘的方向也可以被估计出来。

在本发明中采用索贝尔(Sobel)算子作为边缘检测算法，Sobel算子采用3*3大小的模板，这样就避免了在像素之间的内插点上计算梯度。Sobel算子用下式计算偏导数：

S_x＝(a₂+ca₃+a₄)-(a₀+ca₇+a₆)

S_y＝(a₀+ca₁+a₂)-(a₆+ca₅+a₄)    (20)

公式中常数c为2。Sobel算子可用以下卷积模板来实现：

$S_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$ $S_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]---\left(21\right)$

在停车场的车位场景中可以用来检测车体的方法可以是模板匹配法。该方法是将所要检测的车体的样板与车位场景中所有位置的物体进行比较，考察是否存在与车体的样板相匹配的物体。本发明采用的匹配算法为：设已知目标对象的车辆图像模板为T，大小为M*N，车辆图像模板T存放在计算机中，根据不同的车辆需要作成不同的模板，以便比对时使用；待检测的车位中可停放车辆的图像为I，大小为L*W(L＞M，W＞N)。匹配的过程是设法把模板T叠加在图像I上，并比较T与它覆盖下的I的子图像的差别。若差别小于某事先设定的阈值，则认为T在该处与I的子图像有较好的匹配，即找到了目标对象。对待匹配的整幅图像按逐个像素扫描并实施上述操作，则可确定图像I中是否存在着模板T所确定的目标对象，即某种类型的车辆。匹配过程的数学描述可以由公式(22)表示：

$D(i,j)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{[I_{\mathrm{\η}}(m,n)-T(m,n)]}^2---\left(22\right)$

在图像匹配处理前需要图像的预处理，包括进行边缘抽取、二值化、将轮廓连成闭合曲线并对曲线内区域进行白像素填充。分别求出存储在计算机中的车体模板和车位场景中的物体的二值图象的形心坐标和中心不变矩(这里假设车位场景中物体无重叠，将全方位视觉传器安装在一定高度后就能使车位上的车辆不产生重叠)，将模板的不变矩分别与车位场景中各物体的不变矩比较，差值小于某设定的阈值即可断定为模板所示的物体-即车体。然后将车位场景中物体的形心与模板的形心对准，利用“缩放”和“旋转”等图像处理方法将模板与场景中的物体对齐，以确定场景中物体是否确为模板所表示的物体，若是就判定为该车位上有车，然后根据与模板匹配的结果，得到该车位上停车车辆的类型。

对于一个空间离散化为M*N的图像，设i，j为离散化的车位场景中的各像素坐标，f(i，j)为坐标为(i，j)的像素的灰度值，根据上述的不变矩的概念和求取方法，按照离散化的数字图像的处理方法，则图象场景中物体的“中心矩”可由下列双重求和形式来逼近，用公式(23)表示，

$D_{\mathrm{pq}}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}{(i-\stackrel{\‾}{i})}^p{(j-\stackrel{\‾}{j})}^{q}f(i,j)---\left(23\right)$

其中： i＝m₁₀/m₀₀； j＝m₀₁/m₀₀； $m_{00}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}f(i,j);$ $m_{10}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}i\×f(i,j);$

$m_{01}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}j\×f(i,j).$

为使中心不变矩不随比例缩放而变，进行归一化处理，可得归一化不变中心矩为：η_pq＝D_pq/D₀₀，r＝(p+q)/2+1，

设p+q＜2，则可导出两个RST不变的中心矩函数用公式(24)表示，

₁＝η₂₀+η₀₂

₂＝(η₂₀-η₀₂)²+4η₁₁ ²    (24)

所述的模板匹配算法的具体步骤如下：

1)对模板及车位场景中各物体进行预处理：利用“Roberts”算子分别对车位场景中的物体进行边缘锐化，并选择合适的阈值进行二值化。对闭合的物体的边缘信息进行骨架细化，用方向链码〔或数组)表示景物边缘的闭合曲线，以保证用单像素链表示的物体边缘的闭合曲线的连通性。进行区域填充，用最大灰度值填充物体边缘闭合曲线内的区域。如果求的区域面积大于一个阈值(最小车辆的投影面积为该阈值)，然后按照公式(23)计算车位内景物的中心坐标(重心坐标)，按照公式(24)求取二阶归一化中心不变矩，否则不进行以下判断。

2)将停车场景的物体与模板的中心不变矩比较，并取相差值小于某一阈值的即可初步认为是模板所表示的物体。然后将模板的形心与场景中物体的形心坐标重合。

3)将模板进行缩放以使其与场景中与之不变矩基本相同的物体的尺寸一致。利用坐标的旋转变换来确定场景中物体对应的旋转角度。缩放和旋转采用的算法分别为：

缩放算法：

x₂＝N(x₁-x₀)+x₀

y₂＝N(y₁-y₀)+y₀    (25)

旋转算法：

x₂＝(x₁-x₀)cosθ+(y₁-y₀)sinθ+x₀

y₂＝(y₁-y₀)cosθ+(x₁-x₀)sinθ+y₀    (26)

以上两组式中仅对模板的边缘轮廓点进行缩放和旋转处理，之后还需链接及闭合曲线内像素填充。式中(x₂，y₂)为像素的新坐标；(x₁，y₁)为原坐标；(x₀，y₀)为物体的形心坐标；N为缩放系数；θ为旋转的角度。

4)将上述两幅已经对准的二值图象进行“异或”操作，以剩余像素的多少来证实该物体是否确为模板所示车体以及车辆的类型。

有时候并不需要知道泊车位上停放车辆的类型，因此也可以采用更简便的方式检测，在检测到车位上的边缘轮廓点以及链接及闭合曲线内像素填充以后，判断该图形与矩形的相似度，如果计算的相似度在阈值范围内，就判定为是车辆，(因为车辆的外形可以近似为一个矩形)。

与全方位视觉传感器相连接的微处理器是嵌入式系统，其结构如图10所示；图5中的计算机中心系统可以采用一般的PC机，对于大型停车场可以采用服务器，停车场内的用于视频检测的全方位视觉传感器与上述的PC机或者服务器构成局域网，通过PC机或者服务器与外部构成广域网，以实现如图6所示的场内外停车诱导，本发明中的实现算法是由Java语言实现的。

Claims (10)

1、一种基于计算机视觉的停车诱导系统，包括安装在各个停车场的车位识别装置、车位信息统计发布装置，其特征在于：所述的停车诱导系统还包括用于接收并处理各个停车场的车位信息的停车诱导控制器，所述的停车诱导控制器包括：车位信息接收模块，用于采集各个停车场的车位信息；

车位信息编码模块，用于将采集的车位信息转换成数字编码，所述数字编码为28位数，前22位表示停车场的地理位置信息，后6位表示在该停车场中的具体车位信息；在地理位置信息中，最前6位表示该城市的绝对位置，接着11位表示停车场所在的道路离市中心的相对位置，紧跟着的5位表示停车场从所在的道路开始端到停车场的距离；在具体车位信息中，第1位定义停车场的层楼属性，第2位定义停车场的区位属性，第3～5位定义停车场的车位属性，第6位定义停车场的该车位可停放车辆大小的属性；

停车场泊位信息加工模块，用于对各个停车场的每个车位产生一条记录，建立各记录的查询入口，并把各个记录对应的数字编码向外发布。

2、如权利要求1所述的基于计算机视觉的停车诱导系统，其特征在于：在所述的车位信息编码模块中，数字编码的第1位到第3位表示经度，以角度表示，第4位到第6位表示纬度，以角度表示；以市中心标志性位置为原点，东西向为x轴，南北向为y轴，将城市分为A、B、C、D4个象限区，第7位表示道路的起点所在的象限区，用4位数字表示道路所在街道两端的x、y坐标，x为2位数字，y为2位数字，且以km为单位；第8位到第9位表示道路起点的x坐标，第10位到第11位表示街道起点的y坐标，第12位表示道路的终点所在的象限区，第13位到第14位表示街道终点的x坐标，第15位到第16位表示街道终点的y坐标，如坐标点相距在1km范围内，第17位数以英文字母顺序区别；第18位到第22位的5位编码为自然数字编码，从道路的起点到终点由小到大编号，对于小街小巷从最近市中心的路口开始起编，对于道路两侧有行人道的，左单右双延伸到底进行编排，每隔100m在第21位上增1，对于只有单侧行车道的如果是在道路的左方采用单数编排，在道路的右方采用双数编排，第22位表示两侧编排、左侧编排或者右侧编排。

3、如权利要求2所述的基于计算机视觉的停车诱导系统，其特征在于：所述的车位识别装置包括安装在停车场顶部的俯视着停车场车位的全方位视觉传感器、用于根据全方位视觉传感器的数据识别车位的微处理器，所述的全方位视觉传感器连接微处理器；

所述的全方位视觉传感器包括用以反射停车场领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和用于拍摄外凸反射镜面上成像体的摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央，所述摄像头对着外凸折反射镜面朝上；

所述的微处理器还包括：

图像数据读取模块，用于读取从全方位视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

全方位视觉传感器标定模块，用于建立空间的实物图像与所获得的视频图像的对应关系；

车位定制及映射关系建立模块，用于定制停车场平面图以及全方位视频检测图上的车位框，用于建立停车场平面图以及全方位视频检测图上所定制车位的映射关系；

色彩空间转化模块，用于完成图像RGB色彩空间到YCrCb色彩空间的转化，转换公式(17)给出：

Y＝0.29990*R+0.5870*G+0.1140*B

Cr＝0.5000*R-0.4187*G-0.0813*B+128                (17)

Cb＝-0.1787*R-0.3313*G+0.5000*B+128

图像预处理与车位检测模块，用于检测车位框中是否有车，采用背景相减方法，所述的背景相减的计算公式如式(18)所示，

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)        (18)

式中：f_d(X，t₀，t_i)是实时拍摄到全景图像与基准参考全景图像间进行图像相减的色度结果，f(X，t_i)是实时拍摄到图像色度值，f(X，t₀)是基准参考图像色度基准值；

并判断相减后的图像Cr、Cb两个分量是否超过预设的阈值范围，如果是超过所规定的阈值，则标记该车位内有泊车，反之，车位没有占用，判断公式如式(19)所示：

$\left\{\begin{array}{c}1,\mathrm{if}(\mathrm{abs}(\mathrm{Cr}-\mathrm{ThresholdCr})>\mathrm{threshold}1||\mathrm{abs}(\mathrm{Cb}-\mathrm{ThresholdCb})>\mathrm{threshold}2)\\ 0,\mathrm{else}\end{array}\right....\left(19\right)$

式中：Cr表示所检测到的当前车位框内的Cr平均值，Cb表示所检测到的当前车位框内的Cb平均值，ThresholdCr表示所定义的车位框内地面的Cr平均值，ThresholdCb表示所定义的车位框内地面的Cb平均值，threshold1表示Cr的阈值范围，threshold2表示Cb的阈值范围。

4、如权利要求2所述的基于计算机视觉的停车诱导系统，其特征在于：所述的车位识别装置包括安装在停车场顶部中央的俯视着停车场车位的全方位视觉传感器、用于根据全方位视觉传感器的数据识别车位的微处理器，所述的全方位视觉传感器连接微处理器；

所述的全方位视觉传感器包括用以反射停车场内领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和用于拍摄外凸反射镜面上成像体的摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央，所述摄像头对着外凸折反射镜面朝上；

所述的微处理器还包括：

图像数据读取模块，用于读取从全方位视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

全方位视觉传感器标定模块，用于建立空间的实物图像与所获得的视频图像的对应关系；

车位定制及映射关系建立模块，用于定制停车场平面图以及全方位视频检测图上的车位框，用于建立停车场平面图以及全方位视频检测图上所定制车位的映射关系；

边缘检测车位模块，用于采用边缘检测停车位是否有车，采用索贝尔(Sobel)算子作为边缘检测算法，Sobel算子采用3*3大小的模板，Sobel算子用下式计算偏导数：

S_x＝(a₂+ca₃+a₄)-(a₀+ca₇+a₆)

S_y＝(a₀+ca₁+a₂)-(a₆+ca₅+a₄)    (20)

公式中常数c为2，Sobel算子可用以下卷积模板来实现：

$S_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$ $S_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$ (21)

用方向链码表示景物边缘的闭合曲线，得到待检测的车位图像；

设定目标对象的车辆图像模板为T，大小为M*N，待检测的车位中停放车辆的图像为I，大小为L*W，设法把模板T叠加在图像I上，进行图像匹配处理，比较T与其覆盖下的I的子图像的差别，若差别小于预设的阈值，则认为T在该处与I的子图像有较好的匹配，判定初步有车，如差别大于预设的阈值，判定车位没有占用。

5、如权利要求4所述的基于计算机视觉的停车诱导系统，其特征在于：在所述的边缘检测车位模块中，在判定初步有车后，对于空间离散化为M*N的图像，设i，j为离散化的车位场景中的各像素坐标，f(i，j)为坐标(i，j)的像素的灰度值，图象场景中物体的“中心矩”由下列双重求和形式来逼近，用公式(23)表示，

$D_{\mathrm{pq}}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}{(i-\stackrel{\‾}{i})}^p{(j-\stackrel{\‾}{j})}^{q}f(i,j)...\left(23\right)$

其中： i＝m₁₀/m₀₀； j＝m₀₁/m₀₀； $m_{00}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}f(i,j);$ $m_{10}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}i\×f(i,j);$

$m_{01}=\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈R}{\mathrm{\Σ}}j\×f(i,j);$

进行归一化处理，可得归一化不变中心矩为：

η_pq＝D_pq/D₀₀，r＝(p+q)/2+1，

设p+q＜2，导出两个RST不变的中心矩函数用公式(24)表示，

₁＝η₂₀+η₀₂

₂＝(η₂₀-η₀₂)²+4η₁₁ ²    (24)；

将停车场景的物体与模板的中心不变矩比较，如相差值小于预设阈值，判定该车位有车，如相差值大于预设模板阈值，判定车位没有占用。

6、如权利要求4或5所述的基于计算机视觉的停车诱导系统，其特征在于：在所述的边缘检测车位模块中，将车位场景中物体的形心与模板的形心对准，利用坐标的旋转变换来确定场景中物体对应的旋转角度，缩放算法：

x₂＝N(x₁-x₀)+x₀

y₂＝N(y₁-y₀)+y₀        (25)

旋转算法：

x₂＝(x₁-x₀)cosθ+(y₁-y₀)sinθ+x₀

y₂＝(y₁-y₀)cosθ+(x₁-x₀)sinθ+y₀     (26)

式中，(x2，y2)为像素的新坐标；(x1，y1)为原坐标；(x0，y0)为物体的形心坐标；N为缩放系数；θ为旋转的角度。

7、如权利要求2所述的基于计算机视觉的停车诱导系统，其特征在于：所述的车位识别装置包括安装在停车场顶部中央的俯视着停车场车位的全方位视觉传感器、用于根据全方位视觉传感器的数据识别车位的微处理器，所述的全方位视觉传感器连接微处理器；

所述的全方位视觉传感器包括用以反射停车场内领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体和用于拍摄外凸反射镜面上成像体的摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在外凸折反射镜面的底部中央，所述摄像头对着外凸折反射镜面朝上；

所述的微处理器还包括：

图像数据读取模块，用于读取从全方位视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

全方位视觉传感器标定模块，用于建立空间的实物图像与所获得的视频图像的对应关系；

车位定制及映射关系建立模块，用于定制停车场平面图以及全方位视频检测图上的车位框，用于建立停车场平面图以及全方位视频检测图上所定制车位的映射关系；

车位检测模块，用于在检测到车位上的边缘轮廓点以及链接及闭合曲线内像素填充后，判断该图形与矩形的相似度，如果计算的相似度在阈值范围内，就判定为是车辆。

8、如权利要求3-7之一所述的基于计算机视觉的停车诱导系统，其特征在于：在所述的车位定制及映射关系建立模块中，所述的定制全方位视频检测图上的车位框，是通过输入设备来确定车位的四个点，然后用直线连接的方式来定义检测车位。

9、如权利要求3-7之一所述的基于计算机视觉的停车诱导系统，其特征在于：所述的折反射镜面用以下方法来进行设计：以摄像头投影中心为坐标原点建立坐标系，反射镜的面形用z(X)函数表示；在像平面内距离像中心点ρ的像素q接受了来自水平场景O点(距离Z轴d)，在反射镜M点反射的光线；水平场景无畸变要求场景物点的水平坐标与相应像点的坐标成线性关系；

d(ρ)＝αρ                                (1)

式(1)中ρ是与反射镜的面形中心点的距离，α为成像系统的放大率；设反射镜在M点的法线与Z轴的夹角为γ，入射光线与Z轴的夹角为Φ，反射光线与Z轴的夹角为θ，则

$\mathrm{tg}\left(x\right)=\frac{d\left(x\right)-x}{z\left(x\right)-h}...\left(2\right)$

$\mathrm{tg\γ}=\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}...\left(3\right)$

$\mathrm{tg}\left(2\mathrm{\γ}\right)=\frac{2\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}}{1-\frac{d^{2}z\left(x\right)}{{\mathrm{dx}}^2}}...\left(4\right)$

由反射定律：

2γ＝φ-θ                              (6)

∴ $\mathrm{tg}\left(2\mathrm{\γ}\right)=\mathrm{tg}(\mathrm{\φ}-\mathrm{\θ})=\frac{\mathrm{tg\φ}-\mathrm{tg\θ}}{1+\mathrm{tg\φtg\θ}}$

由式(2)、(4)、(5)和(6)得到微分方程(7)

$\frac{d^{2}z\left(x\right)}{{\mathrm{dx}}^2}+2k\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}-1=0...\left(7\right)$

式中； $k=\frac{z\left(x\right)[z\left(x\right)-h]+x[d\left(x\right)-x]}{z\left(x\right)[d\left(x\right)-x]+x[z\left(x\right)-h]}...\left(8\right)$

由式(7)得到微分方程(9)

$\frac{\mathrm{dz}\left(x\right)}{\mathrm{dx}}+k-\sqrt{k^2+1}=0...\left(9\right)$

由式(1)、(5)得到式(10)

$d\left(x\right)=\frac{\mathrm{afx}}{z\left(x\right)}...\left(10\right)$

由式(8)、(9)、(10)和初始条件，解微分方程得到反射镜面形的数字解；根据应用要求选择摄像头，标定出Rmin，透镜的焦距f确定反射镜离摄像头的距离Ho，由(1)式计算出反射镜的口径Do，

根据应用所要求的高度方向的视场确定系统参数af，由式(1)、(2)和(5)得到式(11)，将z(x)≈z₀：

$\mathrm{tg\φ}=\frac{(\mathrm{af}-z_0)\frac{\mathrm{\ρ}}{f}}{z_0-h}...\left(11\right)$

在像平面以像中心点为圆心的最大圆周处ρ＝Rmin ${\mathrm{\ω}}_{\max }=\frac{R_{\min }}{f}$

对应的视场为фmax，得到式(12)：

$\frac{\mathrm{\ρ}}{f}=\frac{(z_0-h)\mathrm{tg}{\mathrm{\φ}}_{\max }}{{\mathrm{\ω}}_{\max }}...\left(12\right).$

10、如权利要求2所述的基于计算机视觉的停车诱导系统，其特征在于：所述的车位识别装置包括安装在停车场顶部俯视着停车场车位的普通摄像传感器、用于根据普通摄像传感器的数据识别车位的微处理器，所述的普通摄像传感器连接微处理器。

Images