CN101414411B - 影像式的空位侦测系统与方法 - Google Patents

Abstract

本发明揭露一种影像式的空位侦测系统与方法。此系统包含一影像选取模组，取得多个影像处理区域，并从中选取出至少一个会影响空位状态判断的影像处理区域；一具有观察层、标记层、与语意层的3-层式侦测机制，此3-层式侦测机制观察被选取的影像处理区域的信息，并结合一区域分类模型、相邻区域限制模型、与整体语意模型，来完整描述此观察层、此标记层、与此语意层之间链接的机率分布，并提供整体的标记限制信息；以及最佳化模组，分析此机率分布与此整体的标记限制信息，产生出影像式的最佳化空位侦测结果。

Description

影像式的空位侦测系统与方法

技术领域

本发明是有关于空位侦测(space detection)系统与方法，特别是关于影像式(image-based)的空位侦测系统与方法。

背景技术

智能型视频监控的技术逐渐成熟，利用布置多摄影机的协同合作模式，以影像处理的方式，可以达到大面积的空位侦测范围，例如，停车场空位侦测技术。

以往的停车场空位管理中，停车空位侦测的方式通常采用人工登记，或利用机械式栅栏在入口控制，或进一步在各停车位上设置感应式装置记录停车状态。停车位管理方式虽然结构简单，但在广大的户外停车场中，例如购物中心、体育场、剧院、办公大楼等，在寻找可用的停车位置上往往耗费很多时间，出入口登记车辆的控制方式也只能记录空位数量、无法提供准确的空位位置信息，没有效率并且无法整合如停车看管、停车导引等其它各项停车服务功能。

利用感应式装置记录停车位的方式，如红外线、超声波、电磁感应等，需要在各停车位上装设感应器，在大型停车场需要高的系统建置成本，维修耗时，并且容易受到气温、湿度等天候的影响而失去准确性。此停车空位管理方式没有再提供人车的安全性整合服务，例如停车导引、停车看管、车辆失窃、碰撞追查等。

停车管理技术大致上可分为感应式停车管理侦测技术与机械控制式停车位侦测技术。感应式停车管理技术采用的感应方式，例如停车卡感应式、红外线感应式、超声波感应式、以及电磁感应式。其原理是利用微波发射器发出感应微波(红外线/超声波)，侦测停车格上是否有车辆对微波有感应(路径阻断与折射)，另由接收器判断是否接收到相对应的信号来侦测车辆是否存在。由于感应单元可感应的停车范围有限，因此每一单位停车格皆需要建置侦测单元，如此会使建置成本高，相关搭配的硬件线路复杂且不易保养维修。

机械控制式停车位侦测技术主要以机械装置(例如，栅栏)来控制与记录车辆进出停车场/格的数量，进而实现车位侦测与管理。在停车场出入口设置栅栏统计停车数目，只能粗略统计停车空位数量，也无法侦测个别停车空位的状态与回报准确停车位置信息。在寻找空位停车往往费时。如果要能准确回报停车位置信息，须在每一停车格单元安装栅栏或车辆重量侦测设备，以建置成本来考量，可能较适用于私人或小型停车场。

美国专利6,694,259号揭露一种传送停车信息给驾驶者的系统与方法(System and Method forDelivering Parking Information to Motorists)。其示范例是利用视觉影像来分析可用的停车空位。利用摄影机拍摄的停车格影像与已知数据库中停车格内无车子占据的影像的灰阶值作比较，来侦测停车格是否为空位。利用此种影像处理方法，停车空位侦测的准确度可能会因光线与天候变化，或摄影机视角与邻近车辆所造成的遮蔽现象而受到影响。

美国专利公开2003/0144890号揭露一种停车管理系统与方法(Parking ManagementSystem and Method)，其中系统使用者可在停车设备内保留(reserve)或投标(bidon)停车空位，或参加客户特惠方案(loyalty program)来使用此停车管理系统方法。其一实施范例是将摄影机拍摄的单一停车格影像的所有像素编码成一特征向量(featurevector)，再分类成空位状态及有车辆占据状态，来实现空位侦测。使用此种影像处理方法，像素编码可能会受到光线变化噪声的干扰，而影响后续判断的准确性。另一实施范例是依侦测停车格内是否有无车牌作为有无车辆占据空位的依据。此利用车牌作车辆辨识尚需考虑摄影机是否能完整拍摄到车辆的车牌，以及摄影机视角与邻近车辆所造成的遮蔽现象。

发明内容

本发明的目的在于，提供一种影像式的空位侦测系统与方法，其可克服上述缺点，具有侦测结果确实及便于管理的优点。

在一实施范例中，本揭露是关于一种影像式的空位侦测系统，可包含：影像选取模组(image selectingmodule)，取得多个影像处理区域，并从中选取出至少一个会影响空位状态判断的影像区域；具有观察层(observation layer)、标记层(labeling layer)、与语意层(semantics layer)的3-层式侦测(3-layerdetection)机制，此3-层式侦测机制观察被选取的影像区域的信息，并结合一区域分类模型(localclassification model)、相邻区域限制模型(adjacentlocal constraint model)、与一整体语意模型(globalsemantics model)，来完整描述此观察层、此标记层、与此语意层之间链接的机率分布，并提供整体的标记限制(label constraint)信息；以及最佳化模组(optimization model)，分析此机率分布与此整体的标记限制信息，产生出影像式的最佳化空位侦测结果。

在另一实施范例中，本揭露是关于一种影像式的空位侦测方法，可包含：取得多个影像处理区域，并从中选取至少一个会影响空位状态判断的影像处理区域；建置3-层式侦测机制，观察被选取的影像处理区域的信息，并结合区域分类模型、相邻区域限制模型、与整体语意信息模型，来完整描述每一阶层之间链接的机率分布，并提供整体的标记限制信息；以及分析此机率分布与此整体的标记限制信息，并产生出影像式的最佳化空位侦测结果。

在另一实施范例中，本揭露是关于一种影像式的空位侦测方法，每一空位上皆已加上一相对应的人工装置或标记，该方法可包含：撷取多个影像处理区域，并从中选取至少一个适当的影像处理区域；训练一种空位识别标记分辨器；以及在被选取的至少一个适当的影像处理区域中，通过此空位识别标记分辨器去分类空位的状态，产生出影像式的最佳化空位侦测结果。

在另一实施范例中，本揭露是关于一种影像式的空位侦测系统，每一空位上皆已加上一相对应的人工装置或标记，该系统可包含：影像选取模组，撷取多个影像处理区域，并从中选取至少一个适当的影像处理区域；以及一种空位识别标记分辨器，在被选取的至少一个适当的影像处理区域中，分类空位的状态，并产生出影像式的最佳化空位侦测结果。

在上述的某些实施范例中，区域分类模型、相邻区域限制模型、整体语意模型都可以是事先训练好的模型。3-层式侦测机制结合此三种模型，可以完整地描述其层与层之间的关联性。根据各阶层链接的机率分布，由最佳化模组的推论，产生出最佳化的空位侦测结果。

附图说明

以下配合下列附图、实施范例的详细说明及申请专利范围，将上述及本发明的其它特征与优点详述于后，其中：

图1说明一种影像式的空位侦测系统的范例示意图，并且与本发明中某些实施范例一致。

图2是一个3-层式侦测机制的范例结构的示意图，并且与本发明中某些实施范例一致。

图3是一停车场的空位侦测中，3-层式侦测机制中每一层之间的链接关系的一个范例示意图，并且与本发明中某些实施范例一致。

图4说明3-层式侦测机制中，层与层之间的连结关系如何通过三个事先训练模型M1-M3来建立，并且与本发明中某些实施范例一致。

图5为在停车场空位加上特殊的人工装置与标记的一个范例示意图，并且与本发明中某些实施范例一致。

图6A是训练整体语意先前知识的虚拟训练样本的一个范例示意图，并且与本发明中某些实施范例一致。

图6B是于图6A中进一步标示“地面”与“其它”的分类标记的一个范例示意图，并且与本发明中某些实施范例一致。

图7是一流程示意图，说明影像式的空位侦测的运作范例，并且与本发明中某些实施范例一致。

图8A是于一停车场里取得影像处理区域的范例示意图，并且与本发明中某些实施范例一致。

图8B说明“影像处理区域”分别对应到3-D场景中的停车空位区域的一个范例示意图，并且与本发明中某些实施范例一致。

图9A说明隐藏标记层与物体语意层之间形成循环的一个范例示意图，并且与本发明中某些实施范例一致。

图9B说明通过条件切群技术来切断循环的一个范例示意图，并且与本发明中某些实施范例一致。

图10是执行区域性最佳化方法的一个范例流程图，并且与本发明中某些实施范例一致。

图11(a)至图11(d)是多种人工装置或标记的范例示意图。

图12是执行影像式的空位侦测方法的另一范例流程图，并且与本发明中某些实施范例一致。

具体实施方式

图1说明一种影像式的空位侦测系统的范例示意图，并且与本发明中某些实施范例一致。参考图1，此影像式的空位侦测系统包含一个影像选取模组10   1、一个具有观察层103a、标记层103b、与语意层103c的3-层式侦测机制103，以及一个最佳化模型105。3-层式侦测机制103耦合至该影像选取模组101。最佳化模组105连接至3-层式侦测机制103。

影像选取模组101取得多个影像处理区域，  并从中选取出至少一个会影响空位状态判断的影像处理区域，以停车空位为例，如停车空位所占据的影像处理区域。3-层式侦测机制103观察被选取出的影像处理区域的信息，并结合一区域分类模型M1、一相邻区域限制模型M2、与一整体语意信息模型M3，来完整描述观察层103a、标记层103b、与语意层103c之间链接的机率分布113a，并提供整体的标记限制信息113b。区域分类模型M1、相邻区域限制模型M2，以及整体语意信息模型M3都可以是事先训练好的模型或是以一事先训练好的初始模型为基础并会随着侦测结果线上更新的模型。最佳化模组105分析此机率分布113a与整体的标记限制信息113b，并产生出影像式的最佳化空位侦测结果。

3-层式侦测机制103将观察到的信息与模型M1-M3结合至其3-层式侦测架构里，如此可以完整地描述观察层103a、标记层103b、与语意层103c之间的关联性，并以其阶层之间链接的机率分布来代表影像处理区域之间的特性与关系。

模型M1-M3被结合至3-层式侦测机制103的3-层式侦测架构后，区域分类模型M1可以将观察到的小区域信息分类为不同类型的标记。相邻区域限制模型M2可以限制相邻像素点(pixel)间的标记决策，以及相邻信息的传递。整体语意限制模型M3可以提供整体的标记限制信息，例如隐含3-D投影信息、可预测的遮蔽信息等。

3-层式侦测机制103所包含的信息，如阶层之间链接的机率分布113a与标记限制信息113b，经由最佳化模组105来推论与分析，如此得以产生出影像式的最佳化空位侦测结果。以停车空位侦测为例，此影像式的最佳化空位侦测结果如空位的位置与数量、或是影像分类(停泊车，空位，与其它)标记等。所有空位的位置上可以有人工添加的标志、或是没有人工标志，或是有的空位的位置上有人工标志，而有的空位的位置上没有人工标志。

通过结合上述事先训练好的模型M1-M3或是以一组事先训练好的初始模型为基础并随着侦测结果线上更新的模型M1-M3，3-层式侦测机制103中每一层之间的链接关系可以用图2中的一个范例结构(exemplary structure)来说明，此范例结构与本发明中某些实施范例一致。图2的范例结构中，此3-层式侦测机制103的观察层可以是一影像观察层(image observation layer)203a，标记层可以是一隐藏标记层(hidden labeling layer)203b，语意层可以是一物体语意层203c(objectsemantics layer)。

在影像观察层203a里，节点d₁-d_M的每一个节点可以代表一个区域特征值，特征值的种类可以是多元化，例如是以区域信息算出的特征，如统计(census)特征，也可以是每一像素点的色彩信息。在隐藏标记层203b里，节点h₁-h_M的每一个节点可以代表一个区域或是一个像素点的分类标记状态，换句话说，可以代表影像观察层203a内每一个节点的分类标记状态。在物体语意层203c里，节点s₁-s_N的每一个节点可以包含此空位侦测系统可预期推导出的所有假设状态。

图2的范例结构中，层与层之间的信息传递以及单一层内的信息传递皆需要被定义和描述。假设给定隐隐藏标记层203b内的节点状态时，影像观察层203a的节点d₁-d_M间彼此是条件独立的，换句话说，节点d₁-d_M之间没有相通的连结。然而，影像观察层203a与隐藏标记层203b之间仍需要连结。在隐藏标记层203b里，节点h₁-h_M的每一个节点可以代表一个根据区域特征观察的区域决策，例如，节点h₁-h_M的每一个节点可以通过一条图形连接线，来联是影像观察层203a里与其对应的观察节点。隐藏标记层203b与物体语意层203c之间也需要连结。在物体语意层203c里，节点s₁-s_N的每一个节点可以通过至少一条图形连接线，连结至与其相关的隐藏标记层203b内的节点。

例如，以停车场的空位侦测来说明，假设影像处理区域共有4格停车格P1-P4，图3是此停车场的空位侦测中，3-层式侦测机制103中每一层之间的链接关系的一个范例示意图。参考图3，P1-P4代表影像处理区域的4格停车格。影像观察层303a与隐藏标记层303b里分别有M个节点中d₁-d_M与h₁-h_M，M可代表目前影像处理区域的全部像素点数。s₁-s₄代表物体语意层303c里4个节点，4是目前处理影像处理区域全部的停车格数目。

通过图3的3-层式侦测机制103中每一层之间的链接关系，可以系统化地分析此停车场空位侦测问题，并且可以从区域的像素点层级(local pixellevel)至整体的空间层级(global space level)来分析此停车场的影像处理区域，也可以同时判断出多个停车格的空位状态。解决了外在光线变化的问题与停车场的可预期与不可预期的遮蔽问题，例如，相邻车辆之间的遮蔽现象与树叶所造成的遮蔽现象。

以停车场的空位侦测为范例，图4说明3-层式侦测机制103中层与层之间的连结关系如何通过三个事先训练模型M1-M3来建立，并且与本发明中某些实施范例一致。此处的M1-M3也可是以一组事先训练好的初始模型为基础并随着侦测结果线上更新的模型M1-M3，惟以下停车场的范例中没有再另外描述。

参考图4，影像观察层203a与隐藏标记层203b之间的连结关系可由事先训练的区域分类模型M1来建立。例如，外在光线变化的问题可以由影像观察层至隐藏标记层的分类过程来处理，这样的分类过程也可以看成是影像标记(image labeling)的问题，这个分类过程可由训练分类模型来适应外在光线的变化，因为光线不同而变动的影像观察特征可通过此分类过程，而被转换成相对稳定的标记信息。外在环境的光线变化是影响停车场空位侦测准确性的不确定因素之一，因此，3-层式侦测机制103可在低阶的影像分类过程中处理光线变化的问题。

在隐藏标记层203b里，节点之间的连结关系也可通过事先训练的相邻区域限制模型M2来建立。隐藏标记层203b里，节点和节点之间往往是高度相关的，此高度相关的特性，例如，可以由4-相邻点马可夫场域系统(four-neighbor MRF system)来连结邻近的标记节点以描述连结特性。相邻的像素点之间通常因高度相关而采用同样的标记；若相邻的像素点是位于停车空位的边界时将呈现不同的相关特性，因而备有不同的统计型态(statistic pattern)。

隐藏标记层203b与物体语意层203c之间的连结关系也可通过事先训练的整体语意模型M3来建立。例如，为了描述标记层和语意层之间的关系，隐藏标记层203b里每一个节点可以通过至少一条图形连接线，链接至与其相关的物体语意层203c内的节点。通过如此的链接，使得物体语意层203c的整体几何限制信息可以影响每一个区域标记节点的分类状态。

以处理遮蔽问题为范例来说明，隐藏标记层203b与物体语意层203c的图形链接的型态拓扑(topology)可精确地描述可预期遮蔽的型态信息，让可预期的遮蔽变为整体语意限制的一部分，在进行语意了解的过程中，这样的整体限制会不断地影响最佳化的推论。因此，可预期的遮蔽因素也可在最佳化的推论过程中不断的被考量。此处所指的整体语意限制信息代表“位于物体语意层的所有节点对隐藏标记层中节点标记组态的预期”。在停车场空位侦测的范例中，整体语意限制可视为“当所有停车空位的状态都知道的条件下(即物体语意层状态知道下)，隐藏标记层203b中每一个节点可能出现标记的限制(即对隐藏标记层的预期)”。

由于停车场摄影机的校正参数可以在架设环境时求得，因此，可以事先定义停车空位的三维信息，而有效地描述成整体语意的限制信息，并将其视为一种先前的训练知识，此训练知识完整描述了可预期遮蔽的可能型态，解决了可预期遮蔽的问题。

另一方面，为了避免不可预期的遮蔽所造成的不正确推论，在最佳化推论过程中，每一个推论的假设(hypothesis)都必须满足整体的语意限制，如此，局部因不可预期遮蔽所产生的错误标记将因为与整体的推论不吻合而被修正。在3-层式侦测机制103的架构下，语意了解的过程以及影像标记的过程是相互影响的。影像标记的过程可经由语意层得到整体的语意限制信息，来进行具整体监督特性的标记过程。而物体语意层203c可根据隐藏标记层203b的标记信息来进行整体一致性考量的语意推论。

接下来逐一说明此三个模型M1-M3的训练过程，请一并参考图4。

(一)区域分类模型M1用来将影像处理区域的信息分类为不同的类型的标记。以停车场空位侦测为例，在影像观察层203a里，特征节点d₁-d_M的每一特征节点d₁可以代表影像处理区域的第i个像素点的RGB色彩特征值，M代表目前影像处理区域的全部像素点数。在隐藏标记层203b里，标记节点h₁-h_M的每一标记节点h_i可以代表影像处理区域中第i个像素点的分类状态，例如，隐藏标记层203b的标记节点h₁-h_M的任一标记节点可以是代表“车辆”的分类标记C，或是代表“地面”的分类标记G，或是代表“其它”的分类标记O。

训练出的区域分类模型M1可用来适应外在光线的变化。为了克服光线变化的问题，可根据不同的光线状况训练出不同分类的模型。以停车场空位侦测为例，因为停车场里的摄影机是固定位置的，因此可以事先定义影像场景中的一些区域，这些区域于不同光线状况下的一阶统计量(例如平均值)与二阶统计量(例如变异度)也都可以事先算好并储存起来。当分析某一停车空位所占据的影像区域时，可以通过上述的统计量，决定出目前停车空位所占据的影像区域最适合哪一种光线下的分类模型，并使用此分类模型来描述各像素点属于各分类标记的机率分布(probability distribution)p(d_i|h_i)。而此机率分布则通过在此特定光线下所收集的训练像素点来训练求得。

各像素点的区域分类的机率分布p(d_i|h_i)可以通过事前的训练过程来得到。假设每一个影像中各像素点使用的分类模型是相同的，因此以下说明可省略代表不同像素点的下标i。

训练“地面”的色彩模型的机率分布p(d|h＝G)与“其它”的色彩模型机率分布p(d|h＝O)，可以采用的范例如非参数式(non-parameter based)核心密度方法(kernel density method)，来估测不同类的机率分布的模型。下面的公式是核心密度方法估测的机率模型架构：

其中，N_G与N_O为机率的正规划参数，()为核心密度函式，d_Gi为“地面”训练资料内的一个训练取样(training sample)，T_n为此类所有的训练取样个数，d_Oi为“其它”训练资料的一个训练取样，T_m为此类所有的训练取样个数。

训练“车辆”色彩模型的机率分布p(d|h＝C)的方法范例说明如下。收集大量的车辆训练取样点来训练色彩模型，并将这些色彩训练点转换到不同的色彩空间，转换方式如通过下列公式：

Z＝(R+G+B)/3

u＝(2Z-G-B)/Z

p＝Max{(Z-G)/Z，(Z-B)/Z}    (2)

克服光线变化的问题可在新的色彩空间中，只将有色度的信息(u，p)考虑进来。大量的车辆色彩训练点经过转换至新的色彩空间后，会集中在u-p空间中的某一部分，而这样的分布特性可以通过高斯模型来趋近，如下述公式

$p\left(x\right|\mathrm{vehicle})=\frac{1}{2\mathrm{\π}\sqrt{\left|{\mathrm{\Σ}}_v\right|}}\exp (-\frac{1}{2}(x-m_v){\mathrm{\Σ}}_v^{-1}{(x-m_v)}^T)---\left(3\right)$

公式中的x＝(u，p)，m v为色度信息的平均值向量，∑v为色度信息的共变异数矩阵(covariance matrix)。如果定义x＝T(d)代表公式(2)的色彩转换方程式，则“车辆”色彩模型可以被如下的公式所描述，

$p\left(d\right|h=C)\≡\frac{1}{N_C}p\left(T\left(d\right)\right|\mathrm{vehicle})---\left(4\right)$

其中，N_C为机率的正规划参数。

以下的范例方式可更容易辨识停车格，例如在停车格空位加上特殊的人工装置，此人工装置如特殊颜色的地面标记、特殊形状的地面标记、特殊发光频率或颜色的发光体、或是特殊排列形式的图样等。图5是在停车格空位上加设特殊的人工装置(如大箭头)的一个范例示意图，并且与本发明中某些实施范例一致。如此，标记节点h₁-h_M可再增加一种分类“特殊标记”K。如此，上述的公式1A-1B中增加局部区域的特殊标记K的机率分布如下所示：

其中，N_k为机率的正规划参数，d_Ki为“特殊标记”训练点的特征植，T_p为此类所有的训练取样个数。

在区域分类模型M1中收集大量特殊标记的训练点，经过公式(1C)可训练出每一像素点属于特殊标记的机率分布。因此，也可以在区域分类模型M1内只用两种分类标记的像素点，一种为“特殊标记”的像素点，另一种为“非特殊标记”的像素点，其机率分布可以参考公式1A-1C，利用训练两种标记特征的机率分布来建构3-层式侦测机制。

(二)相邻区域限制模型M2是事先从训练集合(training set)中学习分类标记节点h₁-h_M中相邻标记节点之间的限制关系。两相邻标记节点h_i，h_j状态的组合机率(joint probability)p(h_i，h_j)就是代表着相邻区域限制的机率分布。

(三)整体语意信息模型M3提供整体语意先前知识的标记限制信息。以停车场空位侦测为例，此标记限制信息可隐含3-D立体投影信息与可预测的遮蔽信息。为了描述出整体语意限制的先前知识，对于每一个像素点i，可建立一个机率表来代表p(h_i|R_s(h_i))，p(h_i|R_s(h_i))代表着在R_s(h_i)状态的条件下，像素点i的标记h_i的状态机率，而R_s(h_i)代表着与h_i相关的停车空位状态集合。此机率分布p(h_i|R_s(h_i))可以通过累积许多已知的正确标记样本所产生的统计值方表来趋近。此正确标记样本可以是通过人工方式将停车场的测试影像分类成不同的标记而得到的标准答案(ground truth)。也可以采用自动生成虚拟训练标记样本的方法来改进训练的效能。

为了产生虚拟的训练标记样本，先设定一些基本的假设。以停车场空位侦测为例，设定使用一个3-D的立方体来代表一台车辆，并将立方体的长、宽、高设定为三个相互独立的高斯随机变量，这些随机变量的平均值与变异数则是通过实验决定的。也假设每一个停车位的状态是遵循均匀分布的随机变量，而不同的停车空位状态也相互独立。一辆车停在停车格上面的位置坐标(x，y)也假设是随机变动的，将坐标(x，y)这两个参数也视为独立的高斯随机变量。如此，根据上述的基本假设，以及摄影机的投影参数，便可以随机产出虚拟的训练标记样本。

若是在停车场空位加上特殊的人工装置与标记，例如图5，则整体语意信息模型M3的训练过程中会将整体特殊标记的形状或是整体的特征信息学习起来，并且可以存储在整体语意信息模型M3所训练的机率分布中。

以停车场空位侦测为范例来说明，图6A是训练整体语意先前知识的虚拟训练样本的一个范例示意图。参考图6A，图中的车辆区域代表“车辆”的分类标记，而网点标示区域可能代表“地面”的分类标记或“其它”的分类标记。图6B是于图6A中进一步标示“地面”与“其它”的分类标记的一个范例示意图，并且与本发明中某些实施范例一致。

参考图6B的范例，事先定义的“地面”标记区域G以双斜线表示，“其它”标记区域O以单斜线表示。影像网点标示的区域代表不处理的影像部分，这些区域在停车空位的侦测上不会造成影响。本发明揭露的实验范例中以一定量的影像(例如，5000张影像)的训练标记样本来训练整体语意先前知识p(h_i|R_s(h_i))。也可以事先给予p(h_i＝C|R_s(h_i))、p(h_i＝G|R_s(h_i))、以及p(h_i＝O|R_s(h_i))一些最小可能机率的限制，来避免过度训练而产生可能机率为零的情况。

图7是一范例流程示意图，说明上述影像式的空位侦测系统的运作，并且与本发明中某些实施范例一致。参考图7，影像选取模组101可撷取多个影像处理区域，并从中选取至少一个会影响空位状态判断的影像区域，如步骤701所示。建置的3-层式侦测机制103可观察被选取的影像区域的信息，并结合区域分类模型M1、相邻区域限制模型M2、与整体语意信息模型M3，来完整描述每一阶层(观察层、标记层、与语意层)之间链接的机率分布，并提供整体的标记限制信息，如步骤702所示。最佳化模组105可分析此机率分布与此整体的标记限制信息，并产生出影像式的最佳化空位侦测结果，如步骤703所示。

3-层式侦测机制103中每一阶层之间的链接与其机率分布，以及模型M1-M3，于此皆不再重述雷同的说明。以下以停车场空位侦测为范例，说明停车场空位的影像分类切割过程、以及空位侦测的最佳化推论方法。

图8A是于一停车场里取得影像处理区域的范例示意图。此范例中，影像选取模组可从一整列的停车空位中，取得这些停车空位所占据的“影像区域”，来作为“影像处理区域”。影像处理区域的取得可假设每一个停车空位在3-D的场景中为一个高1.3公尺，长和宽则和空间中每格停车格的网格线长宽一样的立方体。通过摄影机校正，可取得的3-D投影至影像平面的投影矩阵，并由将所有3-D场景中的停车格立方体投影到影像平面上，影像处理区域便可以被选取出来。

图8B的范例中的6个影像处理区域分别对应到3-D场景中的6列停车空位区域。将此6个影像处理区域输入至3-层式侦测机制103中来分析，通过最佳化模组105可推论出每一列的停车空位状况并产生出最佳的影像标记。

对于每一个影像处理区域，3-层式侦测机制103可根据目前所观察到的影像信息D_L来找到合理的停车空位状况的语意状态S_L以及最佳的影像标记H_L。其中，影像观察层203a的特征节点集合D_L＝{d₁，.....，d_M}、隐藏标记层203b内的标记节点集合H_L＝{h₁，.....，h_M}与物体语意层203c内的语意节点集合S_L＝{s₁，.....，s_N}。

影像观察层203a内的特征节点集合中每一个节点d_i可代表在影像处理区域的第i个像素点的RGB色彩特征值，M代表目前影像处理区域的全部像素点数。隐藏标记层203b内的标记节点集合中每一个节点h_i∈{C，G，O}，可代表在影像处理区域的第i个像素点的区域标记，此区域标记可以是代表“车辆”的像素点(C)，或是“地面”的像素点(G)，或是“其它”的像素点(O)。物体语意层203c内的语意节点集合中每一个节点s_i∈{0，1}，分别代表第i个停车格的状态为空位(0)或是有车占据(1)，N则代表在目前处理的影像处理区域全部的停车格数目。

根据上述的定义，可训练出最合适的3-层式侦测机制103的图像模型，此图像模型可以将相关的统计特性完整的描述在此侦测机制中，并可输出每一层之间链接的机率分布至最佳化模组105。如此可将影像标记的问题p(H_L|D_L)与侦测的问题p(S_L|D_L)整合成为一个结合推论的问题p(H_L，S_L|D_L)。

根据3-层式侦测机制103的每一层之间链接的机率分布，最佳化模组105可使用总体性最佳化(global optimization)或是区域性最佳化(localoptimization)的推论方法，来求得最佳的停车场空位状态，可包括如停车空位数、空位位置、以及停泊车的影像标记等。最佳化模组105可根据观察信息D_L来找到最合适的分类标记H_L以及最好的语意推论S_L，并可将这个问题描述成一个最佳化对映(optimizationmap)的问题，此问题可定义如下列公式(5)。

$H_L^{*},S_L^{*}=\arg \underset{H_L,S_L}{\max }p\left(D_L\right|H_L,S_L)$

$=\arg \underset{H_L,S_L}{\max }p\left(D_L\right|H_L,S_L)p\left(H_L\right|S_L)p\left(S_L\right)$

$=\arg \underset{H_L,S_L}{\max }[\ln \left(p\left(D_L\right|H_L)\right)+\ln \left(p\left(H_L\right|S_L)\right)+\ln \left(p\left(S_L\right)\right)]$

$=\arg \max \left[\right[\underset{i}{\mathrm{\Σ}}\ln \left(p\left(d_i\right|h_i)\right)]+\ln \left(p\left(H_L\right|S_L)\right)+\ln \left(p\left(S_L\right)\right)]---\left(5\right)$

其中，观察信息D_L与语意状态S_L为相互独立。位于区域i的观察特征节点d_i可假设只与其相对应的隐藏标记节点h_i相关(其关系可参考图2)。公式(5)中的(H_L ^*，S_L ^*)代表最佳化模组105产生的影像式的最佳化空位侦测结果。

以下以一范例来说明最佳化模组105如何产生最佳化空位侦测结果。假设不同的停车位状态彼此系统计独立的，因此在图像模型中物体语意层的不同的语意节点(s₁-s_N)之间没有连结(参考图2)，因此可由下列公式来代表停车格状态机率：

$\ln \left(p\left(S_L\right)\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\ln \left(p\left(s_i\right)\right)---\left(6\right)$

其中，p(s_i)假设是均匀分布(uniformdistribution)。换句话说，对每一个停车位状态而言，被占据以及空位的机率是相同的。

从训练好的3-层式侦测机制103的图像模型，可以发现隐藏标记层203b与物体语意层203c之间有许多三个节点连接在一起而形成的循环。这些循环将使得最佳化推论过程变得困难。条件切群技术(cutset conditioning technique)可以有效处理这个问题并打断这些循环，因为此技术可以用来将已经知道状态的节点分裂成多个相同的节点。图9A中，说明了隐藏标记层与物体语意层之间形成循环的一个范例示意图。参考图9A，两个标记节点(h₁，h₂)与一个语意节点s₁形成一个循环。每一个3-节点构成的循环都包含了一个语意节点s₁。如果给予物体语意层所有节点的状态，这代表着所有的循环都可以由分裂语意节点来切断。

图9B说明通过条件切群技术来切断循环的一个范例示意图。参考图9B，如果语意节点s₁和s₂的状态事先知道，则通过条件切群技术，原本图9A中的循环可以被切断，语意节点s₁则可以被复制成两个相同状态的节点。

经过图像模型训练与条件切群技术处理后，公式(5)中的条件机率p(H_L|S_L)可以再利用隐藏在图像模型中的统计特性来拆解。新的图像模型中，介于物体语意层203c与隐藏标记层203b之间的连结关系此时为没有循环的状态，而物体语意层203c与隐藏标记层203b的连结关系主要可由两大要素的统计特性所描述，分别为p(h_i|R_s(h_i))与p(h_i，h_j)。其中p(h_i|R_s(h_i))代表在R_s(h_i)状态给予的条件下，像素点i的标记h_i的状态机率，R_s(h_i)代表与h_i相关的停车空位状态集合。

上述的图9B范例中，以标记节点h₂为例，其相关的停车空位状态集合R_s(h₂)＝{s₁，s₂}。而p(h_i，h_j)则代表相邻两个标记节点状态的组合机率(joint probability)，因此条件机率p(H_L|S_L)可以进一步被表示为

$\ln \left(p\left(H_L\right|S_L)\right)$

$=\underset{i\∈M}{\mathrm{\Σ}}\ln \left(p\left(h_i\right|R_S\left(h_i\right))\right)+\underset{i\∈M}{\mathrm{\Σ}}\underset{j\∈N_i}{\mathrm{\Σ}}\ln \left(p(h_i,h_j)\right)---\left(7\right)$

其中，M代表在目前影像处理区域的所有像素点，N_i代表与像素点i相邻的像素点集合。

公式(7)中的p(h_i，h_j)可以通过下面公式(8)来趋近：

p(h_i，h_j)∝ exp{-V_(i，j)(h_i，h_j)}    (8)

其中，V_(i，j)(h_i，h_j)≡β×G_s(‖d_i-d_j‖)×(1-δ(h_i，h_j))。V_(i，j)(h_i，h_j)代表分类标记点h_i与分类标记点h_j之间的限制关系，而Gs(.)是一个平均值为零的高斯方程式，此高斯方程式的标准偏差可以通过事前的实验来决定。公式中的β可意指一个惩罚参数(penalty parameter)，d_i和d_j分别是像素点i与像素点j的色彩特征值，δ(.)代表一个数学上常用的Dirac’s delta方程式。

基本上，V_(i，j)(h_i，h_j)传达了如下的一个物理意义，当相邻的两个分类标记h_i、h_j的结果不一致时，系统会给予一个惩罚数值。因此，根据公式(6)与公式(7)，公式(5)可以继续改写为如下的公式(9)

$H_L^{*},S_L^{*}=\arg \underset{H_L,S_L}{\max }[\underset{i\∈M}{\mathrm{\Σ}}\ln \left(p\left(d_i\right|h_i)\right)+\ln \left(p\left(H_L\right|S_L)\right)]$

$=\arg \underset{S_L}{\max }\underset{H_L}{\max }[\underset{i\∈M}{\mathrm{\Σ}}\ln p\left(d_i\right|h_i)+\ln p\left(h_i\right|R_S\left(h_i\right))+\underset{i\∈M}{\mathrm{\Σ}}\underset{j\∈N_i}{\mathrm{\Σ}}p(h_i,h_j)]---\left(9\right)$

在公式(9)中，省略了公式(5)中ln(p(S_L))的影响，这是因为在公式(6)中作了均匀分布的假设。

公式(9)的最佳解可以通过下列方式来求得。可以设定整个物体语意层的状态S_L为一任意选定的组合S_L ^c，因此在S_L已知的状态下，可以使用前面所介绍的条件切群技术将所有的循环切除。接着寻找在语意层状态S_L设定为S_L ^c条件下的最佳标记状态H_L ^c。这基本上可以看成是一个最佳化MAP-MRF的问题，只要设定MAP-MRF中的可能性能量项目(likelihood energyterm)以及先前信息能量项目(prior energy term)分别为 $\underset{i\∈M}{\mathrm{\Σ}}\ln \left(p\left(d_i\right|h_i)\right)+\ln \left(p\left(h_i\right|R_S\left(h_i\right))\right)$ 与 $\underset{i\∈M}{\mathrm{\Σ}}\underset{j\∈N_i}{\mathrm{\Σ}}\ln \left(p(h_i,h_j)\right).$

接着，可以采取图形切断的方法(graph cuts method)来求解上述的最佳化MAP-MRF的问题，并求得语意层状态S_L设定为S_L ^c条件下的最佳标记状态H_L ^c。此时也会得到代表此成对解(S_L ^c，H_L ^c)的代价值，这个代价值表示这个成对解可以当成最终解答的可信度，也可以将此成对解的代价值储存在一表格中。

若要找到最终最合理的推论结果(S_L ^c，H_L ^c)，最直接的想法为尝试所有可能的语意层状态S_L的设定，来求出所有成对解的代价值，由比较所有的代价值来选出最佳的成对解。假设目前影像处理区域包含N个停车位，则隐藏语意层状态S_L的可能状态组合共有2^N种。如此，要求出所有成对解的代价值则需要2^N次  MAP-MRF的处理过程。此直觉做法不仅没有效率并且计算复杂度将随着停车空位数N的增加而呈现指数性的增长。利用本揭露中物体语意层203c与隐藏标记层203b之间的统计关系可以加速推论的过程，将公式中原本对S_L运作的max运算子拆解成对每一个语意节点s_i运作的许多max运算子，并且将乘法运算子与max运算子进行对调的工作(请参考公式(13))，如此可以一个一个决定出每一个语意节点s_i的最佳状态。

以求取最佳停车空位状态(s₁)的过程为例，进一步说明上述的加速过程。先将S_L分成不相重叠的两群，CS(s₁)与OS(s₁)，其中CS(s₁)是在所有S_L中与s₁相关的语意节点的集合，OS(s₁)是其它语意节点的集合。而精确的CS(s₁)其定义如下。对于位于集合H_L中的某一标记节点h_i而言，如果与此标记节点h_i相关的停车空位状态集合R_s(h_i)中包含了s₁，则此停车空位状态集合R_s(h_i)被纳入考量，所有这类停车空位状态集合的联集则组成CS(s₁)。根据这样的分法，可以明确的定义CS(s₁)≡{R_s(h_i)|s₁∈R_s(h_i)，i＝1...M}，由此定义可以发现位于集合CS(s₁)中的任意语意节点s_i不是s₁本身便是在图像模型中可以通过某一个标记节点与s₁相连结。

为了简化接下来的公式推导，可事先定义几个数学项目如公式(10)、(11)、(12)所示：

$\ln \left(F_{D,H}\right)\≡\ln \left(F(D_L,H_L)\right)\≡\underset{i\∈M}{\mathrm{\Σ}}\ln \left(p\left(d_i\right|h_j)\right),---\left(10\right)$

$\ln \left(F_{H_A,\mathrm{CS}\left(s_1\right)}\right)+\ln \left(F_{H_B,\mathrm{OS}\left(s_1\right)}\right)$

$\≡\ln \left(F(H_A,\mathrm{CS}\left(s_1\right))\right)+\ln \left(F(H_B,\mathrm{OS}\left(s_1\right))\right)$

$\≡\underset{h_i\∈H_A}{\mathrm{\Σ}}\ln \left(p\left(h_i\right|R_S\left(h_i\right))\right)+\underset{h_i\∈H_B}{\mathrm{\Σ}}\ln \left(p\left(h_i\right|R_S\left(h_i\right))\right)$

$=\underset{i\∈M}{\mathrm{\Σ}}\ln \left(p\left(h_i\right|R_S\left(h_i\right))\right)---\left(11\right)$

$\ln \left(F_H\right)\≡\ln \left(F\left(H_L\right)\right)\≡\underset{i\∈M}{\mathrm{\Σ}}\underset{j\∈N_i}{\mathrm{\Σ}}\ln \left(p(h_i,h_j)\right)---\left(12\right)$

根据公式(10)、(11)、(12)以及前述的加速技巧，公式(9)可以改写为公式(13)，

$\arg \underset{\mathrm{OS}\left(s_1\right)}{\max }\underset{\mathrm{CS}\left(s_1\right)}{\max }\underset{H_L}{\max }\left[\begin{array}{c}\ln \left(F_{D,H}\right)+\ln \left(F_{H_A,\mathrm{CS}\left(s_1\right)}\right)\\ +\ln \left(F_{H_B,\mathrm{OS}\left(s_1\right)}\right)+\ln \left(F_H\right)\end{array}\right]$

$=\arg \underset{\mathrm{OS}\left(s_1\right)}{\max }\underset{H_L}{\max }\left[F_{D,H}{F}_{H_B,\mathrm{OS}\left(s_1\right)}{F}_H\right[\underset{\mathrm{CS}\left(s_1\right)}{\max }{F}_{H_A,\mathrm{CS}\left(s_1\right)}\left]\right]---\left(13\right)$

其中，在求解语意节点s₁的最佳状态时OS(s₁)可以被视为一个不变动的定数。因此要决定s₁的最佳状态只需要在(H_L，CS(s₁))所构成的求解空间中寻找最佳的答案即可。举例来说，如果s₁只和s₂相关，这代表CS(s₁)＝{s₁，s₂}，而每一个语意节点有两种状态，因此要决定s₁的最佳状态只需要2²＝4次MAP-MRF程序即可。

在一些实际的范例中，平均而言，每一个停车格与其左右相邻的两停车格有关联，如果要推论一个影像处理区域内的N个停车格的状态，平均需要2³×N次MAP-MRF程序，相较于前述的直接想法，这样的做法有效地将运算复杂度降至随N作线性的增长。虽然，过程中部分的MAP-MRF程序有可能会被重复执行，然而，如果将执行过的结果先储存起来，就可以省去后面的重复运算。

上述是整体性最佳化推论方法的实施范例。接下来说明区域性最佳化方法的范例流程，同样地，此区域性最佳化方法的范例流程也可以加速推论的过程。区域性最佳化方法的结果往往与起始的猜测(initialguess)高度相关，如果一开始的猜测错误，最后的结果也可能会错误。图10是执行区域性最佳化方法的一个范例流程图，并且与本发明中某些实施范例一致。

在图10的范例流程中，可利用如MAP-MRF方法，根据目前的观察值找出一开始的影像标记猜测， $H_L^i=\arg \underset{H_L}{\max }p\left(H_L\right|D_L),$ 如步骤1001所示。根据影像标记的结果来推论停车空位状态， $S_L^i=\arg \underset{S_L}{\max }p\left(S_L\right|H_L^i),$ 如步骤1002所示。根据目前观察到的影像信息以及推论出的停车空位状态 $S_L^i=\arg \underset{S_L}{\max }p\left(S_L\right|H_L^i),$ 重新校正影像标记， $H_L^{i+1}=\arg \underset{H_L}{\max }p\left(H_L\right|D_L,S_L^i),$ 并推论出新的停车空位状态 $S_L^{i+1}=\arg \underset{S_L}{\max }p\left(S_L\right|H_L^{i+1}),$ 如步骤1003所示。比较新的停车空位状态推论S_L ⁱ⁺¹与先前的停车空位状态推论S_L ⁱ是否一致，如步骤1004所示。如果两者的推论是一致的，则结束推论过程；如果不一致，则回到步骤1003。

在影像式的空位侦测中，若是在空位加上特殊的人工装置与标记，对于后续的影像撷取与追踪的处理，能有效地增加处理速度与正确性。在整体语意信息模型M3的训练过程中可将整体特殊标记的形状或是整体的特征信息学习起来，也可以存储在整体语意信息模型M3所训练的机率分布中。

以停车场的空位侦测为例，此特殊的人工装置或标记如利用图样清晰与底色对比明显的标示绘于停车格中，或是再加上具有方向性的标示，则可以有效辅助停车场空位侦测的效率与正确性。前述图5是其中的一种范例标记。其它多种人工装置或标记的范例示意图如图11(a)至图11(d)所示。图11(a)的范例是一种特殊颜色的地面标记。图11(b)的范例是一种特殊形状的地面标记。图11(c)的范例是一种特殊发光频率或颜色的发光体，呈现发光闪烁的发光体。图11(d)的范例是一种特殊排列型式的图样。

图12是执行影像式的空位侦测方法的另一范例流程图，并且与本发明中某些实施范例一致。图12的范例流程中，加入了在空位加上特殊的人工装置与特殊标记的考量，来侦测空位。步骤1201中，影像选取模组撷取多个影像处理区域，并从中选取至少一个适当的影像处理区域。影像处理区域的选取中，可以利用摄影机的校正参数来了解立体空间与影像的转换关系，也可以根据此信息来区分不同的空位在影像中所占据的影像范围。

由于特殊的人工装置或标记具有其独特性，其独特的特征可以使影像中的占据物(车辆)与该人工装置或标记有明显的区别。因此，对于每一个独立的空位影像区域，若能侦测到此特殊的人工装置或标记的存在，就可以认定此为可使用的(available)空位。

步骤1202中，就是去训练一种空位识别标记分辨器。此空位识别标记分辨器例如是一种可侦测人工装置或标记的分类器(classifier)。训练可侦测特殊装置分类器的方法有很多种，例如，Adaboosting算法、类神经网络(neural networks)算法、线性鉴别式分析(Linear Discriminant Analysis，LDA)与支持向量机(Support Vector Machine，SVM)算法等。

以Adaboosting算法以及停车空位侦测为例，在训练阶段收集具有特殊装置或记号的空位影像，当成是正面的训练资料(positive training patterns)；收集停有车辆的停车影像，当成是负面的训练资料(negative training patterns)。并利用haar-类似特征(haar-like feature)，建立单元分类器。从中选取多个最具辨别能力的单元分类器的组合，建立此空位识别标记分辨器。

步骤1203中，在被选取的至少一个适当的影像处理区域中，通过此空位识别标记分辨器去分类空位的状态，产生出影像式的最佳化空位侦测结果，例如空位的状态、空位的位置与空位的数量。

因此，以停车场的空位侦测系统为实施范例，若每一停车格上皆已加上一相对应的人工装置或标记，则此空位侦测系统可包含影像选取模组101以及此空位识别标记分辨器，其中，影像选取模组101撷取多个影像处理区域，并从中选取至少一个适当的影像处理区域；空位识别标记分辨器则在被选取的影像处理区域中去分类停车格的状态，并产生出影像式的最佳化空位侦测结果。此空位识别标记分辨器可训练成为可辨识每一相对应的人工装置或标记的分类器。

上述本揭露的影像式的空位侦测系统与方法的实施范例可以侦测影像处理区域的空位状态，解决因光线的变化与物体遮蔽而影响空位辨识的现象。经由最佳化模组的推论过程，能产生出精确的空位侦测结果。应用在处理停车场的空位侦测时，除了可以用来做停车空位侦测外，经由最佳化模组的推论过程，推论出最佳的停车场空位状态，包括停车空位数、空位位置、以及停泊车的影像标记，亦可以将停在车位上面的车辆标记出来。

惟，以上所述的，仅为本发明的实施范例而已，当不能依此限定本发明实施的范围。即凡是依本发明申请专利范围所作的均等变化与修饰，皆应仍属本发明专利涵盖的范围内。

Claims (30)

1.一种影像式的空位侦测系统，其特征在于，该系统包含：

影像选取模组，撷取多个影像处理区域，并从中选取至少一个会影响空位状态判断的影像处理区域；

具有观察层、标记层、与语意层的三阶层式侦测结构，所述语意层为一物体语意层，耦合至该影像选取模组，该三阶层式侦测结构观察该被选取的影像处理区域的信息，并结合一区域分类模型、相邻区域限制模型、与一提供整体标记限制信息的整体语意模型，以三阶层之间链结的机率分布，来完整描述该观察层、该标记层、与该语意层之间链接的机率分布，并提供整体标记限制信息；以及

最佳化模组，连接至该三阶层式侦测结构，并分析该三阶层机率分布与该整体的标记限制信息，产生出影像式的最佳化空位侦测结果。

2.如权利要求1所述的影像式的空位侦测系统，其特征在于，其中该观察层为影像观察层，该标记层为一隐藏标记层，该语意层为物体语意层。

3.如权利要求2所述的影像式的空位侦测系统，其特征在于，其中该影像观察层内的每一个节点代表一个区域特征值。

4.如权利要求2所述的影像式的空位侦测系统，其特征在于，其中该隐藏标记层内的每一个节点代表着一个区域或是一个像素点的分类标记状态。

5.如权利要求2所述的影像式的空位侦测系统，其特征在于，其中该物体语意层内的每一个节点包含该空位侦测系统可预期推导出的所有假设状态。

6.如权利要求2所述的影像式的空位侦测系统，其特征在于，其中该影像观察层与该隐藏标记层之间的连结关系是通过该区域分类模型来建立。

7.如权利要求2所述的影像式的空位侦测系统，其特征在于，其中该隐藏标记层的节点之间的连结关系是通过该相邻区域限制模型来建立。

8.如权利要求2所述的影像式的空位侦测系统，其特征在于，其中该隐藏标记层与该物体语意层之间连结关系是通过该整体语意模型来建立。

9.如权利要求2所述的影像式的空位侦测系统，其特征在于，其中该区域分类模型将该被选取的至少一个影像处理区域的信息分类为不同类型的标记。

10.如权利要求1所述的影像式的空位侦测系统，其特征在于，其中该区域分类模型、该相邻区域限制模型，以及该整体语意模型是三个训练好的模型。

11.如权利要求1所述的影像式的空位侦测系统，其特征在于，其中该区域分类模型、该相邻区域限制模型，以及该整体语意模型是以一组事先训练好的初始模型为基础并随着侦测结果线上更新的模型。

12.如权利要求1所述的影像式的空位侦测系统，其特征在于，其中该最佳化空位侦测结果为空位的状态、空位的位置或空位的数量，或是前述结果的任一种组合。

13.如权利要求1所述的影像式的空位侦测系统，其特征在于，其中该整体语意模型提供整体的标记限制信息，该标记限制信息为隐含的3-维投影信息或可预测的遮蔽信息，或是前述信息的组合。

14.如权利要求12所述的影像式的空位侦测系统，其特征在于，其中所有该空位的位置上是有标记、没有标记、或是有的空位有标记有的空位没有标记的上述其中一种情况。

15.如权利要求1所述的影像式的空位侦测系统，其特征在于，其中该系统是一种停车场的空位侦测系统。

16.如权利要求15所述的影像式的空位侦测系统，其特征在于，其中该隐藏标记层的每一分类标记节点代表“车辆”的分类标记、“地面”的分类标记或“特殊标记”的分类标记，或“其它”分类标记的四种分类标记中的其中一种分类标记。

17.一种影像式的空位侦测的方法，其特征在于，该方法包含：

取得多个影像处理区域，并从中选取至少一个会影响空位状态判断的影像处理区域；

建置一个3-层式侦测结构，来观察该被选取的影像处理区域的信息，并结合一区域分类模型、一相邻区域限制模型、与一提供整体标记限制信息的整体语意信息模型，以三阶层之间链结的机率分布，来完整描述该三阶层式侦测结构中每一阶层之间链接的机率分布，并提供整体标记限制信息；以及

分析该三阶层机率分布与该整体的标记限制信息，并产生出影像式的最佳化空位侦测结果。

18.如权利要求17所述的影像式的空位侦测的方法，其特征在于，其中该最佳化空位侦测结果是通过一种最佳化推论方法来求得。

19.如权利要求17所述的影像式的空位侦测的方法，其特征在于，其中该3-层式侦测结构被建置为具有一影像观察层、一隐藏标记层，以及一物体语意层的3-层式侦测结构。

20.如权利要求17所述的影像式的空位侦测的方法，其特征在于，其中该方法还包括训练出最合适该3-层式侦测结构的一图像模型，该图像模型将相关的统计特性完整的描述在该3-层式侦测结构中，并产生出每一层之间链接的机率分布。

21.如权利要求19所述的影像式的空位侦测的方法，其特征在于，其中该最佳化推论方法是由该物体语意层与该隐藏标记层之间的统计关系来加速推论的过程。

22.如权利要求18所述的影像式的空位侦测的方法，其特征在于，其中该最佳化推论方法根据观察信息来找到最合适的分类标记以及最好的语意推论，并描述成一个最佳化对映的问题来求解。

23.如权利要求18所述的影像式的空位侦测的方法，其特征在于，其中该最佳化推论方法是一区域性最佳化方法，该区域性最佳化方法包含：

根据目前的观察值找出一开始的影像标记；

根据该影像标记的结果来推论空位状态；

根据目前观察到的影像信息以及该推论出的空位状态，重新校正该影像标记，并推论出新的空位状态；以及

比较该新的空位状态推论与先前的空位状态推论，如果两者的推论是一致的，则结束推论过程，如果两者的推论不一致，则回到该重新校正该影像标记并推论出新的空位状态的步骤。

24.一种影像式的空位侦测的方法，每一空位上皆已加上一相对应的人工装置或标记，其特征在于，该方法包含：

撷取多个影像处理区域，并从中选取至少一个适当的影像处理区域；

训练一种空位识别标记分辨器；以及

在该被选取的至少一个适当的影像处理区域中，通过该空位识别标记分辨器去分类空位的状态，并产生出影像式的最佳化空位侦测结果。

25.如权利要求24所述的影像式的空位侦测的方法，其特征在于，其中该空位侦测是应用于一停车场的停车空位侦测，并且在该停车场的每一停车格上皆已加上一相对应的人工装置或标记。

26.如权利要求24所述的影像式的空位侦测的方法，其特征在于，其中该空位识别标记分辨器的训练是将该空位识别标记分辨器训练成为可辨识每一相对应的人工装置或标记的分类器。

27.如权利要求24所述的影像式的空位侦测的方法，其特征在于，其中该最佳化空位侦测结果是空位的状态、空位的位置、空位的数量的上述其中任一种组合的侦测结果。

28.一种影像式的空位侦测的系统，每一空位上皆已加上一相对应的人工装置或标记，其特征在于，该系统包含：

一影像选取模组，撷取多个影像处理区域，并从中选取至少一个适当的影像处理区域；以及

一种空位识别标记分辨器，在该被选取的至少一个适当的影像处理区域中，分类空位的状态，并产生出影像式的最佳化空位侦测结果。

29.如权利要求28所述的影像式的空位侦测的系统，其特征在于，其中该空位识别标记分辨器是一种可辨识每一相对应的人工装置或标记的分类器。

30.如权利要求28所述的影像式的空位侦测的系统，其特征在于，其中每一空位上的相对应的人工装置或标记具有可以使影像中的占据物与该人工装置或标记有明显区别的特征。

Images