CN101807352A - 一种模糊模式识别的车位检测方法 - Google Patents

Abstract

本发明公开了一种模糊模式识别的车位检测方法，在大型停车场内架设CCD摄像头，通过CCD摄像头实时采集车位图像信息，再由计算机系统读入采集到的车位图像数据，并对这些图像数据依次进行待测车位截取、平滑滤波、彩色图像灰度化等预处理，然后利用待测车位和背景车位图像数据求取车位的方差、相关度、边缘点密度及线条数目四个特征参数，将四个特征参数分别代入已设定的有车、无车隶属度的模糊组合算子得到有车和无车的模糊隶属度值，比较两数值的大小最终判定车位的占用情况。本发明所提供的方法使用范围广泛，通用性强，可应用于室内及室外各种停车场环境，且具有安装方便，成本低廉，实时性好，检测精度高等优点。

Description

一种模糊模式识别的车位检测方法

技术领域

本发明涉及模式识别、图像处理和模糊数学领域，设计并实现了一种对室内外停车场车位占用情况进行实时监控和检测的通用方法。

背景技术

近年来，随着经济社会的高速发展，我国城市机动车数量迅速增加，而停车场建设相对缓慢，停车难问题日益突出。研究车位检测方法可以有效的解决车位资源有限的问题，提高停车场车位的使用率，满足了停车场在效率、安全和管理上的要求，这将对我国现阶段智能交通的研究和发展、对停车场的合理高效利用起到积极的推动作用。

目前，停车场车位检测方法有很多，主要可以分为基于物理特征的检测方法和基于视频监控、计算机视觉及图像处理技术的检测方法。基于物理特征的检测方法主要采用地埋感应线圈、超声波、地磁检测等方式实现。这种方式具有成本低、受气候影响小等优点，但是施工麻烦，要开挖路面，对路面造成破坏，而且路面受季节和车辆压力影响，线圈容易损坏，难于维护；基于视频监控、计算机视觉及图像处理技术的检测方式具有许多的优势，首先，拍摄视频图像的摄像机安装方便，更换不影响交通，容易调整和移动摄像头的位置，无需在车道路面上施工；其次，视频图像处理技术可以达到实时性强、车位检测精度高等特点。

发明内容

本发明的目的是提出一种模糊模式识别的车位检测方法。以达到较高的车位检测准确率。

本发明一种模糊模式识别的车位检测方法是采用以下技术手段实现的：其主要特征是：设计车位各特征参数的模糊隶属度函数，确定隶属度模糊组合算子。本发明实现的具体步骤阐述如下：

(1)采用CCD摄像头拍摄获取车位视频数据，摄像机的拍摄区域范围为1-4个车位，且摄像头相对位置和拍摄角度保持不变；

(2)选择一幅无车的背景图像，选择要求：该图像干扰较少，读取该图像并将其平滑去噪后转换成灰度图；

(3)设置无车背景图像待测车位的边框坐标，目的是截取只包含单一待测车位信息的图像数据，将得到的待测车位的背景图像设为I₀；

(4)对于每幅待测图像，先将其转化成灰度图，然后按步骤(3)中的方式截取出具体待测车位的区域范围，进行如下预处理步骤：

(a)读取每一幅待测车位图像区域的信息，进行形态学腐蚀运算，消除细小干扰物体(树叶的阴影，小片的水迹等)，在纤细处分离物体和平滑较大物体边界。A和B是Z中的集合，使用B对A进行腐蚀的计算公式为：

$\mathrm{A\ΘB}=\left\{z\right|{\left(B\right)}_z\⊆A\}$

(b)对(a)中处理后的图像采用中值滤波进行处理，滤除图像中的椒盐噪声；

(c)进行形态学膨胀运算，填充物体内细小空洞，连接邻近物体和平滑边界，将处理后的四边形车位区域记为I。A和B是Z中的集合，A被B膨胀计算公式为：

(5)利用数理统计方法计算车位四个特征参数-车位方差、相关度、边缘点密度，边缘线条数目，其方法如下：

(a)车位方差参数计算：将待测车位图像I与选取的无车背景图像I₀做差，计算其绝对值G_s＝|I-I₀|，获得车位区域差值图像G_s，G_s只包含单独车位的信息，根据下面的公式计算该车位的方差：

$\mathrm{\σ}=\sqrt{\frac{\underset{(i,j)\∈G_s}{\mathrm{\Σ}}{G}_s(i,j)-{\stackrel{\‾}{G}}_s}{n}}$

此处σ表示车位区域的方差，

表示车位区域差值图像G_s的平均值，n代表G_s内的像素点总数。

(b)车位相关度参数计算：计算背景图像I₀和待测车位图像I是否相关，使用J₀表示背景图像的车位区域，J表示当前图像的车位区域，计算公式如下：

$r_{J_{0}J}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(J_{0i}-{\stackrel{\‾}{J}}_0)(J_i-\stackrel{\‾}{J})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(J_{0i}-{\stackrel{\‾}{J}}_0)}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(J_i-\stackrel{\‾}{J})}^2}}$

这里

表示相关系数，

表示J₀J的像素平均值。

(c)车位边缘点密度特征参数计算：首先，进行形态学梯度运算，使输入待测车位图像中灰度级的跃变更为急剧，提取出车位区域中物体的边界信息。本方法是采用膨胀和腐蚀组合算子计算图像的形态学梯度，用g来表示形态学梯度算子：

$g=(f\⊕b)-\left(\mathrm{f\Θb}\right)$

其次，将形态学梯度算子处理后的车位图像进行二值化处理：采用Ostu最大类间方差法，通过计算目标和背景两大类间的方差和类间方差比值来计算图像分割的阈值，其具体方法如下：

设原始灰度级为M，灰度级为i的像素点的个数为n_i，则总的像素数为：

N＝n₀+n₁+…n_M-1

对灰度值进行归一化：

P_i＝n_i/M

假设分割阈值为t，则将灰度分成两类：

C₁＝(0，1，2，…，t)；C₂＝(t+1，t+2，…，M)

则每一类出现的概率为：

${\mathrm{\ω}}_0=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{p}_i$ 和 ${\mathrm{\ω}}_1=\underset{i=t+1}{\overset{M-1}{\mathrm{\Σ}}}{p}_i=1-{\mathrm{\ω}}_0$

每一类的平均灰度为：

u₀＝u(t)/ω(t) $u_1=\frac{u_T\left(t\right)-u\left(t\right)}{1-\mathrm{\ω}\left(t\right)}$

其中：

ω(t)＝ω₀

则类间方差为：

${\mathrm{\σ}}_B^2={\mathrm{\ω}}_0\·{(u_0-u_T)}^2+{\mathrm{\ω}}_1\·{(u_0-u_T)}^2={\mathrm{\ω}}_0\·{\mathrm{\ω}}_1\·{(u_1-u_0)}^2$

在1到M之间改变灰度值k，使得灰度为k^*时，它的类间方差σ_B ²为最大，将k*作为分割阈值T，这样就得到最佳的分割效果。

再次，将梯度算子处理后的待测车位灰度图像f(x，y)，经Ostu最大类间方差法变换为二值图像g(x，y)，二值化的过程表示为：

$g(x,y)=\left\{\begin{array}{cc}1& f(x,y)\&GreaterEqual;T\\ 0& f(x,y)<T\end{array}\right.$

最后，将二值图像g(x，y)细化，统计该二值化车位区域内的边缘点个数及该区域像素点总数，边缘点个数与像素点总数的比值即为边缘点密度参数，计算公式如下：

$d_E=\frac{\underset{(i,j)=1}{\mathrm{\&Sigma;}}{G}_E}{S}$

其中，d_E表示边缘点密度，G_E表示二值车位区域图像中边缘像素值为1的点，S表示该车位的面积。

(d)运用Hough变换提取直线，统计出车位区域范围内线条总数。Hough变换实现了一种从图像空间到参数空间的映射关系，实现方法如下：

将(c)过程处理后的二值图像g(x，y)进行Hough变换，将变换所用两个参数ρ和θ确定下来，对于图像空间任意点(x，y)，其函数关系为：

ρ＝xcosθ+ysinθ

其中ρ为原点到直线的距离(即原点到直线的垂直线的长度)，θ确定了直线的方向(即原点到直线的垂直线与x轴方向的夹角)。

根据Hough变换的峰值点统计出待测车位范围内线条的总数N。

(6)选择500幅待测车位图像作为训练样本图像，用来设计有车和无车的模糊隶属度函数类型，其中250幅为车位有车占用时的图像，250幅为车位无车占用时的图像。训练步骤如下：

(a)按上面(1)-(5)步求取出500幅训练车位图像的四个车位特征参数，分别组成车位有车占用时图像样本特征参数库和车位无车占用时图像样本特征参数库；

(b)在有车图像样本特征参数中，分别求取四个特征参数的直方图，根据特征参数直方图的特点确定模糊隶属度函数的形状(如s型分布或z型分布)及隶属度函数的上下限阈值(a，b)，并分析得到车位有车图像样本的方差、边缘点密度和线条个数参数的模糊隶属度函数模型均为s型分布，相关度参数的模糊隶属度函数模型为z型分布，s型分布函数形式如下：

$f_s\left(x\right)=\left\{\begin{array}{cc}0& x\&le;a\\ 2{\left(\frac{x-a}{b-a}\right)}^2& a<x\&le;\frac{a+b}{2}\\ 1-2{\left(\frac{x-b}{b-a}\right)}^2& \frac{a+b}{2}<x\&le;b\\ 1& x>b\end{array}\right.$

z型分布函数形式如下：

$f_t\left(x\right)=\left\{\begin{array}{cc}1& x<a\\ 1-2{\left(\frac{x-a}{b-a}\right)}^2& a<x\&le;\frac{a+b}{2}\\ 2{\left(\frac{x-b}{b-a}\right)}^2& \frac{a+b}{2}<x\&le;b\\ 0& x>b\end{array}\right.$

(c)在无车图像样本特征参数中，按(b)中方法分析得到车位无车图像样本的方差、边缘点密度和线条个数参数的模糊隶属度函数模型均为z型分布，相关度参数的模糊隶属度函数模型为s型分布；

(7)将目标待测车位按上述(1)-(5)步计算得到四个车位特征参数，分别代入由步骤(6)确定的有车和无车的s型或z型模糊隶属度分布函数中，得到8个模糊隶属度函数值，根据下面设计的判为有车和判为无车隶属度的模糊组合算子进行判决，判为有车隶属度的模糊组合算子公式为：

$Y=\max (\min ({r_{J_{0}J}}^y,{\mathrm{\&sigma;}}^y),\min ({d_E}^y,n^y))$

判为无车隶属度的模糊组合算子公式为：

$W=\min (\min ({r_{J_{0}J}}^w,{\mathrm{\&sigma;}}^w),\min ({d_E}^w,n^w))$

其中，

和

分别表示该待测车位有车和无车时相关度参数模糊隶属度函数值；σ^y和σ^w分别表示有车和无车方差参数模糊隶属度函数值；d_E ^y和d_E ^w分别表示有车和无车边缘点密度参数模糊隶属度函数值；n^y和n^w分别表示有车和无车车位线条数目的模糊隶属度函数值。

如果判为有车隶属度的模糊组合算子大于判为无车隶属度的模糊组合算子时，判为该车位有车；否则，判为该车位无车。

本发明与现有技术相比，具有以下明显的优势和有益效果：

首先，本发明在充分研究分析室内外各类停车场具体环境的基础之上，提出了四类可以充分反映车位是否泊车的特征参数信息，有效地避免了模式识别中图像的维数灾难问题，为模糊模式识别分类方法提供了精确有效的特征参数。其次，为了避免光照、天气及车位上水迹等干扰因素对模式识别分类产生的影响，本发明首次在车位检测方面提出了模糊模式识别的分类方法：设计模糊隶属度函数，采用模糊组合算子判决方法有效的提高了车位检测的准确率。实验证明该方法既保证了车位识别的准确率同时也提高了车位检测的速度。

附图说明

图1计算车位区域四个特征参数流程图；

图2设计训练样本特征模糊隶属度函数流程图；

图3车位检测方法流程图；

图4s型模糊隶属度函数图像；

图5z型模糊隶属度函数图像；

图6实例现场图像示意图。

具体实施方式

本发明中采用CCD摄像头进行车位图像的采集，摄像机的架设高度一般为2-5米，每台摄像机覆盖的有效场景范围包含1-4个车位，摄像头相对位置和拍摄角度保持不变。在本实例中采用一台CCD摄像头，拍摄的车位图像中包含4个车位，如图6所示。在此以第一车位，即图像中车位面积最大的车位为例。在计算机中完成以下步骤，具体实施流程如图3所示：

第一步：选择一幅一号车位无车图像作为背景图像，选择要求：该车位图像干扰较少，读取该图像并将其平滑去噪后转换成灰度图像；

第二步：在此车位背景图像中确定一号车位的边框坐标，四边形车位的四个顶点坐标为(352，458)，(550，675)，(490，715)，(320，512)，根据四个坐标截取只包含一号背景车位信息的图像数据，将其设为I0；

第三步：选出500幅车位图像作为训练样本库，其中250幅为一号车位有车占用时的图像，其余250幅为一号车位无车占用时的图像。

第四步：读取训练样本库中每一幅待测车位图像信息转化成灰度图像，按第二步中的方式截取出一号待测车位的区域范围进行预处理，其步骤如下：

首先，利用3×3的模板进行形态学腐蚀：

消除细小干扰物体(树叶的阴影，小片的水迹等)，在纤细处分离物体和平滑较大物体边界。

其次，将腐蚀后的图像进行中值滤波处理，滤除图像中的椒盐噪声；

最后，利用3×3的模板进行形态学膨胀：

填充物体内细小空洞，连接邻近物体和平滑边界，将处理后的一号四边形车位区域记为I

第五步：提取并计算一号车位图像中四个特征参数值，特征参数提取流程如图1所示，具体过程如下：

(1)进行车位方差参数计算，令G_s＝|I-I₀|获得一号车位区域差值图像G_s，根据下面的公式计算该车位的方差：

$\mathrm{\&sigma;}=\sqrt{\frac{\underset{(i,j)\&Element;G_s}{\mathrm{\&Sigma;}}{G}_s(i,j)-{\stackrel{\&OverBar;}{G}}_s}{n}}$

此处σ表示车位区域的方差，

表示车位区域差值图像G_s的平均值，n代表G_s内的像素点总数。

(2)计算车位相关度参数，使用J₀表示背景图像的车位区域，J表示当前图像的车位区域，计算公式如下：

$r_{J_{0}J}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(J_{0i}-{\stackrel{\&OverBar;}{J}}_0)(J_i-\stackrel{\&OverBar;}{J})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(J_{0i}-{\stackrel{\&OverBar;}{J}}_0)}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(J_i-\stackrel{\&OverBar;}{J})}^2}}$

这里

表示相关系数，

表示J₀J的像素平均值。

的范围为[0，1]。

(3)计算车位边缘点密度特征参数，首先，采用膨胀和腐蚀组合算子计算一号车位图像区域的形态学梯度，用g来表示形态学梯度算子：

$g=(f\&CirclePlus;b)-\left(\mathrm{f\&Theta;b}\right)$

其次，计算一号待测车位图像的灰度直方图，采用Ostu最大类间方差法，将一号车位灰度图像进行二值化处理，二值化的过程如下：

$g(x,y)=\left\{\begin{array}{cc}1& f(x,y)\&GreaterEqual;T\\ 0& f(x,y)<T\end{array}\right.$

其中，一号待测车位灰度图像f(x，y)，变换后的二值图像为g(x，y)，此时一号车位图像区域内边缘信息点的值都为1，而背景点的值都为0。

最后，将二值图像g(x，y)细化后统计该二值化车位区域内的边缘点像素个数及该区域像素点总数，边缘点个数与像素点总数的比值，即为边缘点密度参数，计算公式如下：

$d_E=\frac{\underset{(i,j)=1}{\mathrm{\&Sigma;}}{G}_E}{S}$

其中，d_E表示边缘点密度，G_E表示二值车位区域图像中边缘像素值为1的点，S表示该车位的面积。d_E的范围为[0，1]。

(4)运用Hough变换提取一号车位范围内所有直线，统计线条总数记为N，对于图像空间任意点(x，y)，Hough变换函数变换关系为：

ρ＝xcosθ+ysinθ

其中ρ为原点到直线的距离(即原点到直线的垂直线的长度)，θ确定了直线的方向(即原点到直线的垂直线与x轴方向的夹角)。

经统计，一号车位内如果有车占用时，一般线条数目为10-28条，无车占用时，线条数目为0-13条。

第六步：统计500幅一号车位训练图像的四个特征参数，分别组成车位有车占用和无车占用时的8个样本特征参数集，根据这些特征参数设计各特征的模糊隶属度函数，设计流程如图2所示，具体过程如下：

(1)按照第五步的方法提取这500幅车位的四个特征参数，并根据车位是否占用分成有车和无车样本特征参数集。

(2)分别求取有车和无车样本特征参数集中四个特征参数的直方图，根据特征参数直方图的特点确定模糊隶属度函数形状。

(3)利用训练图像来检测确定隶属度函数的上下限阈值，调整上下限阈值使其达到最优的检测效果，这样就设计好了模糊隶属度函数。

第七步：在一号车位有车图像样本特征参数集中，根据第六步设计模糊隶属度函数的方法确定了一号车位有车图像样本的方差、边缘点密度和线条线条个数参数的模糊隶属度函数模型均为s型分布，以上三个参数隶属度函数的上下限阈值(a，b)分别为(19.636，30.545)、(0.029，0.11)、(1，17)；相关度参数的模糊隶属度函数模型为z型分布，其隶属度函数的上下限阈值(a，b)为(0.2，0.55)。

s型分布函数形式如下：

$f_s\left(x\right)=\left\{\begin{array}{cc}0& x\&le;a\\ 2{\left(\frac{x-a}{b-a}\right)}^2& a<x\&le;\frac{a+b}{2}\\ 1-2{\left(\frac{x-b}{b-a}\right)}^2& \frac{a+b}{2}<x\&le;b\\ 1& x>b\end{array}\right.$

z型分布函数形式如下：

$f_t\left(x\right)=\left\{\begin{array}{cc}1& x<a\\ 1-2{\left(\frac{x-a}{b-a}\right)}^2& a<x\&le;\frac{a+b}{2}\\ 2{\left(\frac{x-b}{b-a}\right)}^2& \frac{a+b}{2}<x\&le;b\\ 0& x>b\end{array}\right.$

其中，s型模糊隶属度函数图像如图4所示，z型模糊隶属度函数图像如图5所示。

第八步：在一号车位无车图像样本特征参数集中，按第七步中方法分析得到车位无车图像样本的方差、边缘点密度和线条个数参数的模糊隶属度函数模型均为z型分布，以上三个参数隶属度函数的上下限阈值(a，b)分别为(14.727，31.091)、(0.011，0.11)、(1，14)；相关度参数的模糊隶属度函数模型为s型分布，其隶属度函数的上下限阈值(a，b)为(0.31，0.66)；

第九步：利用第七、八步确立的各特征参数隶属度函数模型及上下限阈值(a，b)分别绘制出8组车位有车占用、无车占用时的s型或z型的模糊隶属度分布函数图，保存这些图像信息用于车位检测的模糊分类判决。

第十步：读入一幅待测车位图像，按上面第一至五步进行处理，计算出一号车位的四个特征参数值，将它们依次代入第九步中的8组模糊隶属度分布函数中，得到车位有车占用时的四个模糊隶属度值和无车占用时的四个模糊隶属度值，代入下面设计的判为有车和判为无车隶属度的模糊组合算子进行计算，判为有车隶属度的模糊组合算子公式为：

$Y=\max (\min ({r_{J_{0}J}}^y,{\mathrm{\&sigma;}}^y),\min ({d_E}^y,n^y))$

判为无车隶属度的模糊组合算子公式为：

$W=\min (\min ({r_{J_{0}J}}^w,{\mathrm{\&sigma;}}^w),\min ({d_E}^w,n^w))$

其中，

和分别表示一号待测车位有车占用和无车占用时相关度参数模糊隶属度函数值；σ^y和σ^w分别表示有车占用和无车占用时方差参数模糊隶属度函数值；d_E ^y和d_E ^w分别表示有车占用和无车占用时边缘点密度参数模糊隶属度函数值；n^y和n^w分别表示有车和无车车位线条数目的模糊隶属度函数值。

如果Y＞W，判为该一号车位有车，否则，判为无车。

第十一步：输出待测图像的一号车位识别结果，用1表示车位有车占用，用0表示车位无车占用。

为验证本发明方法检测车位的准确性和通用性，采用停车场现场拍摄的600幅车位图像进行虚报率、漏检率、误报率的实验测试，实验结果表明本发明具有良好的检测效果。

表1为图6所示四个车位(其图中，1代表一号车位，2代表二号车位，3代表三号车位，4代表四号车位，黑色部分代表车位区域以外的背景)的实验统计数据，

表1车位图像测试结果

车位号	虚报率	漏检率	误报率
				一号车位	2.75％	0.12％	1.02％
二号车位	7.51％	0	1.37％
				三号车位	17.26％	0	5.58％
四号车位	33.09％	0	17.09％

通过以下三率来统计模糊模式识别方法对于车位图像检测的准确率：

1.虚报率＝(将无车判为有车的图像帧数)/(全部的无车图像帧数)；

2.漏检率＝(将有车判为无车的图像帧数)/(全部的无车图像帧数)；

3.误报率＝(将无车判为有车的图像帧数+将有车判为无车的图像帧数)/(全部图像帧数)。

最后应说明的是：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种模糊模式识别的车位检测方法，其特征在于：包括集模式识别模块、图像处理模块和模糊数学模块；通过上述模块设计车位各特征参数的模糊隶属度函数，确定隶属度模糊组合算子；包括以下步骤：

(1)采用CCD摄像头拍摄获取车位视频数据，摄像机的拍摄区域范围为数个车位，且摄像头相对位置和拍摄角度保持不变；

(2)选择一幅无车的背景图像，读取该图像并将其平滑去噪后转换成灰度图；

(3)设置无车背景图像待测车位的边框坐标，截取只包含单一待测车位信息的图像数据，将得到的待测车位的背景图像设为I₀；

(4)对于每幅待测图像，先将其转化成灰度图，然后按步骤(3)中的方式截取出具体待测车位的区域范围，并进行预处理；读取每一幅待测车位图像区域的信息，进行形态学腐蚀运算；对处理后的图像采用中值滤波进行处理，滤除图像中的椒盐噪声；进行形态学膨胀运算，填充物体内细小空洞，连接邻近物体和平滑边界；(5)利用数理统计方法计算车位四个特征参数-车位方差σ、相关度

边缘点密度d_E，边缘线条总数目N；

(6)选择多幅待测车位图像作为训练样本图像，用来设计有车和无车的模糊隶属度函数类型，车位有车占用时的图像与车位无车占用时的图像数目相同；

以训练车位图像的车位特征参数，分别组成车位有车占用时图像样本特征参数库和车位无车占用时图像样本特征参数库；

在有车图像样本特征参数中，分别求取数个特征参数的直方图，根据特征参数直方图的特点，确定车位有车图像样本的方差、边缘点密度和线条个数参数的模糊隶属度函数模型均为s型分布，相关度参数的模糊隶属度函数模型为z型分布，确定隶属度函数的上限阈值a、下限阈值b；

(7)将目标待测车位按上述(1)-(5)步计算得到数个车位特征参数，分别代入由步骤(6)确定的有车和无车的s型或z型模糊隶属度分布函数中，得到多个模糊隶属度函数值，根据下面设计的判为有车和判为无车隶属度的模糊组合算子进行判决，判为有车隶属度的模糊组合算子公式为：

$Y=\max (\min ({r_{J_{0}J}}^y,{\mathrm{\&sigma;}}^y),\min ({d_E}^y,n^y))$

判为无车隶属度的模糊组合算子公式为：

$W=\min (\min ({r_{J_{0}J}}^w,{\mathrm{\&sigma;}}^w),\min ({d_E}^w,n^w))$

其中，

和

分别表示该待测车位有车和无车时相关度参数模糊隶属度函数值；σ^y和σ^w分别表示有车和无车方差参数模糊隶属度函数值；d_E ^y和d_E ^w分别表示有车和无车边缘点密度参数模糊隶属度函数值；n^y和n^w分别表示有车和无车车位线条数目的模糊隶属度函数值；

如果判为有车隶属度的模糊组合算子大于判为无车隶属度的模糊组合算子时，判为该车位有车；否则，判为该车位无车。

2.根据权利要求1所述的一种模糊模式识别的车位检测方法，其特征在于：所述的拍摄区域范围为1-4个车位。

3.根据权利要求1所述的一种模糊模式识别的车位检测方法，其特征在于：所述的进行形态学腐蚀运算，在纤细处分离物体和平滑较大物体边界，A和B是Z中的集合，使用B对A进行腐蚀的计算公式为：

$\mathrm{A\&Theta;B}=\left\{z\right|{\left(B\right)}_z\&SubsetEqual;A\}.$

4.根据权利要求1所述的一种模糊模式识别的车位检测方法，其特征在于：所述的进行形态学膨胀运算，填充物体内细小空洞，连接邻近物体和平滑边界，将处理后的四边形车位区域记为I，A和B是Z中的集合，A被B膨胀计算公式为：

5.根据权利要求1所述的一种模糊模式识别的车位检测方法，其特征在于：所述的车位方差σ参数计算：将待测车位图像I与选取的无车背景图像I₀做差，计算其绝对值G_s＝|I-I₀|，获得车位区域差值图像G_s，G_s只包含单独车位的信息，根据下面的公式计算该车位的方差：

$\mathrm{\&sigma;}=\sqrt{\frac{\underset{(i,j)\&Element;G_s}{\mathrm{\&Sigma;}}{G}_s(i,j)-{\stackrel{\&OverBar;}{G}}_s}{n}}$

σ表示车位区域的方差，

表示车位区域差值图像G_s的平均值，n代表G_s内的像素点总数。

6.根据权利要求1所述的一种模糊模式识别的车位检测方法，其特征在于：所述的相关度计算背景图像I₀和待测车位图像I是否相关，使用J₀表示背景图像的车位区域，J表示当前图像的车位区域，计算公式如下：

$r_{J_{0}J}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(J_{0i}-{\stackrel{\&OverBar;}{J}}_0)(J_i-\stackrel{\&OverBar;}{J})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(J_{0i}-{\stackrel{\&OverBar;}{J}}_0)}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(J_i-\stackrel{\&OverBar;}{J})}^2}}$

这里

表示相关系数，

表示J₀J的像素平均值。

7.根据权利要求1所述的一种模糊模式识别的车位检测方法，其特征在于：所述的边缘点密度d_E，采用膨胀和腐蚀组合算子计算图像的形态学梯度，用g来表示形态学梯度算子：

$g=(f\&CirclePlus;b)-\left(\mathrm{f\&Theta;b}\right)$

将形态学梯度算子处理后的车位图像进行二值化图像g(x，y)处理：采用Ostu最大类问方差法，通过目标和背景两大类间的方差和类问方差比值计算图像分割的阈值。

8.根据权利要求1或7所述的一种模糊模式识别的车位检测方法，其特征在于：所述的边缘点密度d_E还包括以下步骤；

设原始灰度级为M，灰度级为i的像素点的个数为n_i，则总的像素数为：

N＝n₀+n₁+…n_M-1

对灰度值进行归一化：

P_i＝n_i/M

假设分割阈值为t，则将灰度分成两类：

C₁＝(0，1，2，…，t)；C₂＝(t+1，t+2，…，M)

则每一类出现的概率为：

${\mathrm{\&omega;}}_0=\underset{i=0}{\overset{t}{\mathrm{\&Sigma;}}}{p}_i$ 和 ${\mathrm{\&omega;}}_1=\underset{i=t+1}{\overset{M-1}{\mathrm{\&Sigma;}}}{p}_i=1-{\mathrm{\&omega;}}_0$

每一类的平均灰度为：

u₀＝u(t)/ω(t) $u_1=\frac{u_T\left(t\right)-u\left(t\right)}{1-\mathrm{\&omega;}\left(t\right)}$

其中： $u\left(t\right)=\underset{i=0}{\overset{t}{\mathrm{\&Sigma;}}}i\&CenterDot;p_i$ $u_T\left(t\right)=\underset{i=t+1}{\overset{M-1}{\mathrm{\&Sigma;}}}i\&CenterDot;p_i$ ω(t)＝ω₀

则类间方差为：

${\mathrm{\&sigma;}}_B^2={\mathrm{\&omega;}}_0\&CenterDot;{(u_0-u_T)}^2+{\mathrm{\&omega;}}_1\&CenterDot;{(u_0-u_T)}^2={\mathrm{\&omega;}}_0\&CenterDot;{\mathrm{\&omega;}}_1\&CenterDot;{(u_1-u_0)}^2$

在1到M之间改变灰度值k，使得灰度为k^*时，它的类间方差σ_B ²为最大，将k^*作为分割阈值T，得到最佳的分割效果；

将梯度算子处理后的待测车位灰度图像f(x，y)，经Ostu最大类间方差法变换为二值图像g(x，y)，二值化的过程表示为：

$g(x,y)=\left\{\begin{array}{cc}1& f(x,y)\&GreaterEqual;T\\ 0& f(x,y)<T\end{array}\right.$

最后，将二值图像g(x，y)细化，统计该二值化车位区域内的边缘点个数及该区域像素点总数，边缘点个数与像素点总数的比值即为边缘点密度参数，计算公式如下：

$d_E=\frac{\underset{(i,j)=1}{\mathrm{\&Sigma;}}{G}_E}{S}$

其中，d_E表示边缘点密度，G_E表示二值车位区域图像中边缘像素值为1的点，S表示该车位的面积。

9.根据权利要求1所述的一种模糊模式识别的车位检测方法，其特征在于：所述的边缘线条总数目N通过以下步骤取得：运用Hough变换提取直线，统计出车位区域范围内线条总数，将处理后的二值图像g(x，y)进行Hough变换，将变换所用两个参数ρ和θ确定下来，对于图像空间任意点(x，y)，其函数关系为：

ρ＝xcosθ+ysinθ

其中ρ为原点到直线的距离，θ确定直线的方向；根据Hough变换的峰值点统计出待测车位范围内线条的总数N。

10.根据权利要求1所述的一种模糊模式识别的车位检测方法，其特征在于：所述的s型或z型模糊隶属度分布函数的设计，其中s型分布函数为：

$f_s\left(x\right)=\left\{\begin{array}{cc}0& x\&le;a\\ 2{\left(\frac{x-a}{b-a}\right)}^2& a<x\&le;\frac{a+b}{2}\\ 1-2{\left(\frac{x-b}{b-a}\right)}^2& \frac{a+b}{2}<x\&le;b\\ 1& x>b\end{array}\right.$

z型分布函数为：

$f_t\left(x\right)=\left\{\begin{array}{cc}1& x<a\\ 1-2{\left(\frac{x-a}{b-a}\right)}^2& a<x\&le;\frac{a+b}{2}\\ 2{\left(\frac{x-b}{b-a}\right)}^2& \frac{a+b}{2}<x\&le;b\\ 0& x>b\end{array}\right..$

Images