CN102592472A - 基于jpeg压缩图像的车位检测方法 - Google Patents

Abstract

基于JPEG压缩图像的车位检测方法属于室内停车场车位监控技术领域，其特征在于，通过CCD摄像头实时采集车位图像信息，由计算机系统读入采集到的车位图像数据，对这些图像数据依次进行JPEG解压缩到反量化，提取亮度分量Y的DC图。经过被测车位截取、中值滤波，然后利用被测车位和背景空车位图像数据求车位区域均方差和相关度来判别车位占用情况：当方差小于低阈值stdl或相关系数大于高阈值ck时为没车，否则进一步判断，若满足条件：方差大于等于低阈值stdl且小于等于高阈值stdh，且相关度大于等于低阈值cl且小于等于高阈值ck时，判为没车，否则判为有车。本发明实时性好，检测精度高，且有安装方便，成本低等优点。

Description

基于JPEG压缩图像的车位检测方法

技术领域

本发明涉及图像处理领域，设计并实现了一种在图像压缩域下对室内停车场车位占用情况进行实时监控和检测的方法。

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。研究停车场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。在如今信息爆炸的时代，为了节省存储资源空间和传输带宽，大部分数字图像是以压缩格式进行存储和传输的，其中静态图像的压缩以JPEG压缩标准最为普及，JPEG压缩及解压缩流程图如图1所示。

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、计算机视觉等像素域数字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。这种方式具有成本低、受气候影响小等优点，但安装施工麻烦，要开挖路面，不仅对路面造成破坏，而且路面受季节和车辆压力影响，线圈容易损坏，维护比较困难；基于像素域的数字图像处理技术的检测方式相对具有许多的优势，首先，拍摄图像的摄像机安装、更换方便，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，像素域图像处理技术车位检测精度较高。但目前基于图像处理的车位检测方法都是在像素域上完成的，针对普遍存在的压缩格式的数据，传统的方法不仅需要把数据流还原为DCT(离散余弦变换)系数矩阵，还需要把每个8×8的DCT系数块都进行解压缩，之后再还原为原始的设备无关位图进行处理，浪费大量的系统时间，在一些实时性要求较高的场合无法满足要求，而且存储数据量较大，浪费资源。特别对于地下停车场，还面临光线较暗，噪声较大等问题。JPEG压缩域有如下特点：(1)、算法中首先转换图像的颜色空间，从RGB到YCbCr，Y分量代表图像的亮度信息，Cb，Cr代表图像的色度信息。根据人眼的生物特性，相对于色度信息，人眼能更好的分辨亮度信息，JPEG对于亮度Y和色度Cb，Cr的量化程度是不同的，从量化表中的量化系数我们就可以看出色度的量化程度更大，因此色度信息损失的更多。(2)、JPEG核心算法是DCT变换(离散余弦变换)。其公式为：

$F(u,v)=\frac{1}{4}C\left(u\right)C\left(v\right)\·\left[\underset{i=0}{\overset{7}{\mathrm{\Σ}}}\underset{j=0}{\overset{7}{\mathrm{\Σ}}}f(i,j)\cos \frac{(2i+1)\mathrm{u\π}}{16}\cos \frac{(2j+1)\mathrm{v\π}}{16}\right],$ 其中，

因此， $F\left(\mathrm{0,0}\right)=\frac{1}{8}\underset{i=0}{\overset{7}{\mathrm{\Σ}}}\underset{j=0}{\overset{7}{\mathrm{\Σ}}}f(i,j),$

在此，我们称F(0，0)为直流系数，简称DC系数。即，DC系数代表了原图像8×8块的像素平均值。由每一个8×8块的DC系数按照此块在原图中的排列顺序组成的图称之为DC图，因此，DC图含有原图的主要能量信息。(3)、研究表明，离散余弦反变换过程(IDCT)的时间通常占JPEG解码时间的40％-60％。另外，熵编码是JPEG压缩最后一步，其压缩能力大约在2-3倍，可见，对于25倍压缩比的JPEG图像来说，熵解码后还有10倍左右的压缩比，其数据量与非压缩格式的数据量相比，仍然较小。

发明内容

本发明的目的是提出一种基于JPEG压缩图像的车位检测方法。以达到较高的车位检测效率和准确率，达到实时性要求。

本发明的特征在于，是在计算机中依次按以下步骤实现的；

步骤(1)，在CCD摄像头的拍摄位置固定，拍摄角度不变，且有效场景范围包含1-3个被测车位的条件下，拍摄至少200幅的，采用JPEG压缩格式的无车车位图片数据，从中人工选择一幅干扰较少的图像的图片数据作为背景，并载入计算机；

步骤(2)，计算机依次按照以下步骤截取所述背景图像一个被测车位的图像数据；

步骤(2.1)，对步骤(1)所述的背景图像的图片数据依次进行JPEG解码到反量化结束，得到亮度分量Y的DC图，所述的DC图是指每一个8×8块的DC系数按照各个8×8块在原图中的排列顺序组成的图，所述DC系数是指每一个8×8块的像素平均值，称为直流系数；

步骤(2.2)，对于步骤(2.1)得到的亮度分量Y的DC图进行中值滤波处理，滤除其中的椒盐噪声；

步骤(2.3)，截取经过步骤(2.2)滤波处理后的背景图像中所设定的一个被测车位区域，所述一个被测车位区域设定为一个四边形ABCD，表达方式为：

(j+i×(b1-b2)/(a2-a1)-a1×(b1-b2)/(a2-a1)-b1＞＝0)

&&(j-i×(b3-b2)/(a3-a2)+a2×(b3-b2)/(a3-a2)-b2＞＝0

&&(j-i×(b3-b4)/(a3-a4)+a4×(b3-b4)/(a3-a4)-b4＜＝0

&&(j-i×(b4-b1)/(a4-a1)+a4×(b4-b1)/(a4-a1)-b4＞＝0)，其中，

i为CCD图像的纵坐标，向下为正；

j为CCD图像的横坐标，向右为正；

&&表示“与”的逻辑关系；

顶点A的坐标为(b1，a1)；

顶点B的坐标为(b2，a2)；

顶点C的坐标为(b3，a3)；

顶点D的坐标为(b4，a4)；

设定，所截取的背景图像的一个被测车位区域的图像数据为I′_DC0；

步骤(3)，计算机按照步骤(1)所述的方法读取待测车位图像，按照步骤(2)所述的方法得到待测图像所设定的同一个被测车位信息的图像数据，表示为I′_DC；

步骤(4)，所述背景图像的被测车位区域图像为I′_DC0，待测图像的同一被测车位区域图像位I′_DC，按照以下公式计算车位相关度参数，用相关系数

表示：

$r_{{I^{\′}}_{\mathrm{DC}0}{I^{\′}}_{\mathrm{DC}}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({I^{\′}}_{\mathrm{DC}0i}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}0}})({I^{\′}}_{\mathrm{DCi}}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}}})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({I^{\′}}_{\mathrm{DC}0i}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}0}})}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({I^{\′}}_{\mathrm{DCi}}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}}})}^2}},$ 其中，

I′_DC0i表示I′_DC0内第i个像素点的像素值，i＝1，2……n；

I′_DCi表示I′_DC内第i个像素点的像素值，i＝1，2……n；

表示I′_DC0的像素平均值；

表示I′_DC的像素平均值；

n代表车位区域内的像素点总数；

在[0，1]中取值；

步骤(5)，按照以下公式计算车位均方差σ：

$\mathrm{\σ}=\sqrt{\frac{\underset{(i,j)\∈G_s}{\mathrm{\Σ}}{(G_s(i,j)-{\stackrel{\‾}{G}}_s)}^2}{n}},$ 其中，

G_s(i，j)表示待测图像的被测车位区域图像I′_DC与选取的背景图像的同一个被测车位区域图像I′_DC0差的绝对值，即，G_s(i，j)＝|I′_DC-I′_DC0|；

表示车位区域差值图像G_s(i，j)的像素平均值；

n代表G_s内的像素点总数；

步骤(6)，利用车位判决算子判决待测车位是否有车，具体步骤如下：步骤(6.1)，分别计算至少200个步骤(4)所述的相关系数

和步骤(5)所述的车位均方差σ；

步骤(62)，分别统计所述至少200个相关系数中的最大值和最小值，以及车位均方差σ的最大值和最小值，从而得到：

统计的有车情况下车位区域相关系数的最大值；

统计的无车情况下车位区域相关系数的最大值；

统计的无车情况下车位区域均方差最小值；

统计的有车情况下车位区域均方差最小值；

步骤(6.3)，设定的判决算子为：

当前计算得到的车位区域均方差小于统计的无车情况下车位区域均方差最小值或者当前计算得到的相关系数大于统计的无车情况下车位区域相关系数的最大值时判别为无车，否则，进一步判别：

当前计算得到的车位区域均方差大于等于统计的无车情况下车位区域均方差最小值且小于等于统计的有车情况下车位区域均方差最小值，且当前计算得到的相关系数大于等于统计的有车情况下车位区域相关系数的最大值且小于等于统计的无车情况下车位区域相关系数的最大值时，可判别为无车，否则判别为有车。

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压缩域图像的特点和室内停车场具体环境的基础之上，提出了两类在压缩域下可以充分反映车位是否泊车的特征参数信息。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1JPEG压缩及解压缩流程图；

图2计算车位区域两个特征参数流程图；

图3车位检测方法流程图；

图4车位截取图；

图5实例现场图像示意图。

具体实施方式

本发明一种基于JPEG压缩图像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：对于JPEG压缩形式的图片，对其部分解码到反量化，提取压缩域数据，利用压缩域数据的特点，确定车位的特征参数。本发明实现的具体步骤阐述如下：

(1)采用CCD摄像头正面拍摄获取车位图片数据，拍出来的是JPEG压缩格式的图片。摄像机的拍摄区域范围为1-3个被测车位，且摄像头相对位置和拍摄角度保持不变。

(2)人工选择一幅无车的图像作为背景图像，即背景空车车位。选择要求：该图像干扰较少。读取该图像并将其部分解压缩到反量化结束，并提取亮度分量Y分量的DC图(指每个8×8块的DC系数按照此块在原图中的排列顺序组成的图称之为DC图)，记作I_DC0；

(3)设置无车背景图像的Y分量DC图I_DC0的被测车位检测区域坐标，目的是截取只包含一个被测车位信息的图像数据，将截取得到的被测车位的背景图像设为I′_DC0，具体的截取方法如下，如图4所示的车位区域，横坐标为j，纵坐标为i，假设车位区域的四个顶点坐标是A(b1，a1)、B(b2，a2)、C(b3，a3)、D(b4，a4)，那么由A、B、C、D四个顶点坐标截取出的区域就是车位区域，截取方法是：

AB线的直线方程是： $j+\left(\frac{b1-b2}{a2-a1}\right)\×i-a1\×\left(\frac{b1-b2}{a2-a1}\right)-b1=0,$

BC线的直线方程是： $j-\left(\frac{b3-b2}{a3-a2}\right)\×i+a2\×\left(\frac{b3-b2}{a3-a2}\right)-b2=0,$

CD线的直线方程是： $j-\left(\frac{b3-b4}{a3-a4}\right)\×i+a4\×\left(\frac{b3-b4}{a3-a4}\right)-b4=0,$

AD线的直线方程是： $j-\left(\frac{b4-b1}{a4-a1}\right)\×i+a4\×\left(\frac{b4-b1}{a4-a1}\right)-b4=0,$

那么截取的车位区域可用下面表达式表示：

(j+i×(b1-b2)/(a2-a1)-a1×(b1-b2)/(a2-a1)-b1＞＝0)

&&(j-i×(b3-b2)/(a3-a2)+a2×(b3-b2)/(a3-a2)-b2＞＝0

&&(j-i×(b3-b4)/(a3-a4)+a4×(b3-b4)/(a3-a4)-b4＜＝0

&&(j-i×(b4-b1)/(a4-a1)+a4×(b4-b1)/(a4-a1)-b4＞＝0)。

(4)对于每幅含有1-3个被测车位的待测图像，先将其部分解码到反量化之后，并提取其Y分量的DC图，记做：I_DC，然后按步骤(3)中的方式截取出具体同一被测车位的区域范围，并采用中值滤波进行处理，滤除图像中的椒盐噪声，处理后的图像设为I′_DC；

(5)利用数理统计方法计算车位两个特征参数-车位均方差、相关度。其方法如下：

(a)车位均方差参数计算：将待测图像的被测车位区域图像I′_DC与选取的背景图像的被测车位区域图像I′_DC0做差，计算其绝对值G_s＝|I′_DC-I′_DC0|，获得车位区域差值图像G_s，根据下面的公式计算该车位均方差：

$\mathrm{\σ}=\sqrt{\frac{\underset{(i,j)\∈G_s}{\mathrm{\Σ}}{(G_s(i,j)-{\stackrel{\‾}{G}}_s)}^2}{n}}$

此处σ表示车位区域的均方差，G_s(i，j)表示车位区域内的像素点(i，j)的像素值，

表示车位区域差值图像G_s的像素平均值，n代表G_s内的像素点总数。

(b)车位相关度参数计算：计算背景图像的被测车位区域图像I′_DC0和待测图像的被测车位区域图像I′_DC是否相关，计算公式如下：

$r_{{I^{\′}}_{\mathrm{DC}0}{I^{\′}}_{\mathrm{DC}}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({I^{\′}}_{\mathrm{DC}0i}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}0}})({I^{\′}}_{\mathrm{DCi}}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}}})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({I^{\′}}_{\mathrm{DC}0i}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}0}})}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({I^{\′}}_{\mathrm{DCi}}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}}})}^2}}$

这里表示相关系数，I′_DC0i表示I′_DC0内第i个像素点的像素值，I′_DCi表示I′_DC内第i个像素点的像素值。

分别表示I′_DC0，I′_DC的像素平均值。n代表车位区域内的像素点总数。

(6)车位判决算子：由均方差和相关度两个特征参数通过与或逻辑运算组成联合判决算子。获取各个特征参数的阈值。首先选取200幅有车车位图和200幅无车车位图。分别计算有车无车时候各个车位和背景空车车位的均方差和相关度，分别得到一组200个均方差值和一组200个相关系数值，分别统计每个特征参数的有车和无车时的最大值和最小值。两个特征参数的阈值设定如下：令相关度低阈值cl为统计的有车情况下车位区域相关系数最大值；相关度高阈值ck为统计的无车情况下车位区域相关系数最大值；均方差低阈值stdl为统计的无车情况下车位区域均方差最小值；均方差高阈值stdh为统计的有车情况下车位区域均方差最小值。判别算子为：当均方差小于低阈值stdl或相关系数大于高阈值ck时为没车，否则进一步判断，若满足条件：均方差大于等于低阈值stdl且小于等于高阈值stdh，且相关度大于等于低阈值cl且小于等于高阈值ck时，判断为没车，否则判断为有车。

本发明中采用CCD摄像头进行车位图像的采集，摄像机架设高度一般为2-5米，每台摄像机覆盖的有效场景范围包含1-3个被测车位，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3个被测车位，如图5所示。在此以二号车位为例。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：选择一幅二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JPEG解码，解码到反量化之后，提取Y分量的DC图，并对DC图进行中值滤波去噪，结果记为I_DC0；

第二步：在此车位背景图像的DC图中确定二号车位的边框坐标，四边形车位的四个顶点坐标为(85，75)，(66，120)，(135，123)，(118，76)，根据四个坐标，按照上述发明实现的具体步骤(3)的方法截取只包含二号背景车位信息的图像数据，将其设为I′_DC0；

第三步：读取待测车位图像，对其JPEG解码到反量化并提取其Y分量的DC图，记为I_DC。按第二步中的方式截取出二号待测车位区域范围，然后进行中值滤波去噪，结果记为I′_DC；

第四步：提取并计算二号车位图像中两个特征参数值，特征参数提取流程如图2所示，具体过程如下：

(1)进行车位均方差参数计算，令G_s＝|I′_DC-I′_DC0|获得二号车位区域差值图像G_s，根据下面的公式计算该车位的均方差σ：

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)车位相关度参数计算：计算背景车位区域图像I′_DC0和待测车位区域图像I′_DC是否相关，计算公式如下：

$r_{{I^{\′}}_{\mathrm{DC}0}{I^{\′}}_{\mathrm{DC}}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({I^{\′}}_{\mathrm{DC}0i}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}0}})({I^{\′}}_{\mathrm{DCi}}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}}})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({I^{\′}}_{\mathrm{DC}0i}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}0}})}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({I^{\′}}_{\mathrm{DCi}}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}}})}^2}}$

这里表示相关系数，I′_DC0i表示I′_DC0内第i个像素点的像素值，I′_DCi表示I′_DC内第i个像素点的像素值。

分别表示I′_DC0，I′_DC的像素平均值。n代表车位区域内的像素点总数。的范围为[0，1]。

第五步：统计200幅二号车位有车图像的两个特征参数，再统计200幅二号车位无车图像的两个特征参数，组成联合判决算子。设计流程如图3所示，具体过程如下：

(1)按照第五步的方法提取这200幅车位的两个特征参数

(2)经过步骤(1)分别得到一组200个均方差值和一组200个相关系数值，分别统计每个特征参数的有车和无车时的最大值和最小值。两个特征参数的阈值设定如下：令相关度低阈值cl为统计的有车情况下相关系数最大值；相关度高阈值ck为统计的无车情况下相关系数最大值；均方差低阈值stdl为统计的无车情况下均方差最小值；均方差高阈值stdh为统计的有车情况下均方差最小值。实际实验得到的各个阈值分别为cl＝0.1783；ck＝0.6467；stdl＝7.9250；stdh＝117.4923；

(3)判别算子为：当均方差小于低阈值stdl或相关系数大于高阈值ck时为没车，否则进一步判断，若满足条件：均方差大于等于低阈值stdl且小于等于高阈值stdh，且相关度大于等于低阈值cl且小于等于高阈值ck时，判断为没车，否则判断为有车。

为验证本发明方法检测车位的准确性和高效性，采用停车场现场拍摄的100幅车位图像进行虚报率、漏检率、误报率的实验测试，在PC机下进行测试，PC机配置为：CPU：Core(TM)2Quad CPU Q95501.98GHz，内存：2G。实验结果表明本发明具有良好的检测效果和很高的检测速度。

表1为图5所示三个车位(其图中，1代表一号车位，2代表二号车位，3代表三号车位，黑色部分代表车位区域以外的背景)的实验统计数据，通过以下三率来评价该发明的性能：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)；

表1车位图像测试结果

车位号	虚报率	漏检率	误报率	测试时间(毫秒)
					一号车位	2.35％	0.15％	1.23％	87.6812
二号车位	2.31％	0	1.17％	105.7032
					三号车位	2.46％	0	1.68％	68.0075

Claims (1)

1.基于JPEG压缩图像的车位检测方法，其特征在于，是在计算机中依次按以下步骤实现的；

步骤(1)，在CCD摄像头的拍摄位置固定，拍摄角度不变，且有效场景范围包含1-3个被测车位的条件下，拍摄至少200幅的，采用JPEG压缩格式的无车车位图片数据，从中人工选择一幅干扰较少的图像的图片数据作为背景，并载入计算机；

步骤(2)，计算机依次按照以下步骤截取所述背景图像一个被测车位的图像数据；

步骤(2.1)，对步骤(1)所述的背景图像的图片数据依次进行JPEG解码到反量化结束，得到亮度分量Y的DC图，所述的DC图是指每一个8×8块的DC系数按照各个8×8块在原图中的排列顺序组成的图，所述DC系数是指每一个8×8块的像素平均值，称为直流系数；

步骤(2.2)，对于步骤(2.1)得到的亮度分量Y的DC图进行中值滤波处理，滤除其中的椒盐噪声；

步骤(2.3)，截取经过步骤(2.2)滤波处理后的背景图像中所设定的一个被测车位区域，所述一个被测车位区域设定为一个四边形ABCD，表达方式为：

(j+i×(b1-b2)/(a2-a1)-a1×(b1-b2)/(a2-a1)-b1＞＝0

&&(j-i×(b3-b2)/(a3-a2)+a2×(b3-b2)/(a3-a2)-b2＞＝0

&&(j-i×(b3-b4)/(a3-a4)+a4×(b3-b4)/(a3-a4)-b4＜＝0

&&(j-i×(b4-b1)/(a4-a1)+a4×(b4-b1)/(a4-a1)-b4＞＝0)，其中，

i为CCD图像的纵坐标，向下为正；

j为CCD图像的横坐标，向右为正；

&&表示“与”的逻辑关系；

顶点A的坐标为(b1，a1)；

顶点B的坐标为(b2，a2)；

顶点C的坐标为(b3，a3)；

顶点D的坐标为(b4，a4)；

设定，所截取的背景图像的一个被测车位区域的图像数据为I′_DC0；

步骤(3)，计算机按照步骤(1)所述的方法读取待测车位图像，按照步骤(2)所述的方法得到待测图像所设定的同一个被测车位信息的图像数据，表示为I′_DC；

步骤(4)，所述背景图像的被测车位区域图像为I′_DC0，待测图像的同一被测车位区域图像位I′_DC，按照以下公式计算车位相关度参数，用相关系数表示：

$r_{{I^{\′}}_{\mathrm{DC}0}{I^{\′}}_{\mathrm{DC}}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({I^{\′}}_{\mathrm{DC}0i}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}0}})({I^{\′}}_{\mathrm{DCi}}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}}})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({I^{\′}}_{\mathrm{DC}0i}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}0}})}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({I^{\′}}_{\mathrm{DCi}}-\stackrel{\‾}{{I^{\′}}_{\mathrm{DC}}})}^2}},$ 其中，

I′_DC0i表示I′_DC0内第i个像素点的像素值，i＝1，2……n；

I′_DCi表示I′_DC内第i个像素点的像素值，i＝1，2……n；

表示I′_DC0的像素平均值；

表示I′_DC的像素平均值；

n代表车位区域内的像素点总数；

在[0，1]中取值；

步骤(5)，按照以下公式计算车位均方差σ：

$\mathrm{\σ}=\sqrt{\frac{\underset{(i,j)\∈G_s}{\mathrm{\Σ}}{(G_s(i,j)-{\stackrel{\‾}{G}}_s)}^2}{n}},$ 其中，

G_s(i，j)表示待测图像的被测车位区域图像I′_DC与选取的背景图像的同一个被测车位区域图像I′_DC0差的绝对值，即，G_s(i，j)＝|I′_DC-I′_DC0|；

表示车位区域差值图像G_s(i，j)的像素平均值；

n代表G_s内的像素点总数；

步骤(6)，利用车位判决算子判决待测车位是否有车，具体步骤如下：

步骤(6.1)，分别计算至少200个步骤(4)所述的相关系数

和步骤(5)所述的车位均方差σ；

步骤(6.2)，分别统计所述至少200个相关系数

中的最大值和最小值，以及车位均方差σ的最大值和最小值，从而得到：

统计的有车情况下车位区域相关系数的最大值；

统计的无车情况下车位区域相关系数的最大值；

统计的无车情况下车位区域均方差最小值；

统计的有车情况下车位区域均方差最小值；

步骤(6.3)，设定的判决算子为：

当前计算得到的车位区域均方差小于统计的无车情况下车位区域均方差最小值或者当前计算得到的相关系数大于统计的无车情况下车位区域相关系数的最大值时为无车，否则，进一步判别：

当前计算得到的车位区域均方差大于等于统计的无车情况下车位区域均方差最小值且小于等于统计的有车情况下车位区域均方差最小值，且当前计算得到的相关系数大于等于统计的有车情况下车位区域相关系数的最大值且小于等于统计的无车情况下车位区域相关系数的最大值时，可判别为无车，否则判别为有车。

Images