CN103065494A - 一种基于计算机视觉的空闲停车位检测方法 - Google Patents

Abstract

本发明解决了现有技术中检测成本高或检测准确率偏低的不足，提供一种基于计算机视觉技术判断停车位是否空闲的停车位检测方法，包括：各个停车位分别设定辅助识别图案、将辅助图像对应区域设置为视频检测区域、记录各个检测区域在停车位空闲时的图像色彩游程编码，进行停车位空闲检测时分别对图像中各个检测区域进行像素扫描分析、获得各检测区域的图像色彩游程编码、对比各个检测区域的图像游程编码与停车位空闲时是否匹配，若特征一致，则该停车位空闲，否则该停车位忙碌，其有益效果是辅助识别图案在不同光照环境中具有图像色彩组合模式一致性，在直接利用监控系统的视频图像进行停车位车辆存在性检测时具有较高的准确率。

Description

一种基于计算机视觉的空闲停车位检测方法

技术领域

本发明涉及停车场空位检测技术领域，特别涉及一种基于计算机视觉的空闲停车位检测方法。

背景技术

随着经济发展、人民生活水平的不断提高，我国已成为世界第一大汽车消费国，各大城市汽车保有量的快速增长导致停车场资源日趋紧张，如何对停车场进行科学管理、提高其运行效率值得关注。目前大部分停车场管理系统只是对入场车辆的停车时间、计费进行管理，对停车位的管理尚缺乏有效的手段。停车位车辆存在性检测是停车位信息化管理的重要前提，对停车场的资源统筹、人员配置、以及停车导引(可大幅减少停车场内的寻位绕行交通)具有重要的意义，因此如何判断某个停车位上是否有车辆停泊近年来得到了国内外工程技术领域的广泛关注。现有车辆存在性检测技术主要包括：超声波、地感线圈、地磁、压力、红外、计算机视觉(视频)等。除计算机视觉外，其它检测技术均需为每个车位配置一个传感器，设备安装、维护工作量大，成本较高。视频监控是许多停车场的日常管理和安防辅助系统，如果能够直接利用监控系统的视频图像进行停车位车辆存在性检测，则可在不增加新硬件设备的情况下获得有价值的信息，一举两得；但是，目前视频检测技术大部分采用背景差分、纹理分析等方法，受光照、阴影等因素的影响严重，在实际应用中检测准确率较低。

发明内容

本发明的目的在于解决上述现有技术中检测成本高或检测准确率偏低的不足，提供一种基于计算机视觉技术判断停车位是否空闲的停车位检测方法。

为了达到上述目的，本发明采用了如下技术方案：

一种基于计算机视觉的空闲停车位检测方法，其特征在于包括如下步骤：

各个停车位分别设定辅助识别图案；

获取停车位空闲时的摄像机成像；

计算并记录上述每个停车位空闲时的成像的色彩，若灰度图像时，则RGB各色彩分量相等，游程编码；

进行停车位空闲检测时，获取一个或多个停车位的成像；

根据获得的成像计算各个待检测停车位对应图像中图块的色彩游程编码；

分别判断上述计算得到的各个色彩游程编码与对应停车位空闲时的情况是否匹配，若特征一致，则该停车位空闲，否则该停车位忙碌。

所述的辅助识别图案为各向同质性图案。

所述的各向同质性图案为彩色或灰度同心环组。

所述的辅助识别图案设置在停车位中间。

利用停车场视频监控系统获取一个或多个停车位的成像。

所述的计算并记录上述每个停车位空闲时的成像的色彩游程编码的计算方法包括：

步骤1，以作为图像检测区的凸多边形A对辅助识别图案进行近似框范；

步骤2，由上述凸多边形A得到其最小外接规则矩形R(A)以确定图像检索范围；

步骤3，确定上述凸多边形A的标记矩阵M(A)，标记矩阵M(A)的元素与最小外接规则矩形R(A)的像素一一对应，若像素落在凸多边形A上，则令其在标记矩阵M(A)上对应的元素取1值，否则取-1值；

步骤4，对R(A)上的像素逐行扫描，将每一行像素转化为游程编码。

所述的根据获得的成像计算各个待检测停车位对应图像中图块的色彩游程编码的计算方法包括：

步骤a，获取最小外接规则矩形R(A)对应的图块G(A)；

步骤b，令G(A)＝G(A)·*M(A)，其中“·*”表示数量积，如果是灰度图像，G(A)每个像素值与M(A)的对应元素分别进行相乘，如果是彩色图案，G(A)表示图像各彩色分量对应矩阵的集合，各彩色分量矩阵均需与M(A)进行数量积；

步骤c，对G(A)中像素值大于或等于0的部分，进行去空洞、去小成分滤波；

步骤d，逐行扫描G(A)，将像素值离散为标准值；

步骤e，逐行扫描G(A)，将每一行像素转化为色彩游程编码。

所述的像素值是像素的色彩向量或灰度值。

所述的步骤a中，获取图块G(A)时，每隔一定时间采集一张新的图像。

步骤d中，将像素值离散为标准值时，以预定的误差允许值进行近邻同类合并。

与现有技术相比，本发明的有益效果是辅助识别图案在不同光照环境中具有图像色彩(或灰度)组合模式不变性，在直接利用监控系统的视频图像进行停车位车辆存在性检测时具有较高的准确率。

附图说明

图1是灰度同心环组；

图2是彩色同心环组；

图3是彩色同心环组各向同质特征示意图；

图4是灰度同心环组各向同质特征示意图；

图5是辅助识别图案绘制示意图；

图6是停车场局部成像示意图；

图7图像检测示意图；

图8实施示意图。

具体实施方式

以下结合附图对本发明进行详细说明。

本发明提出一种基于计算机视觉的停车位车辆存在性检测方法，其基本方法如下：首先在停车场内的每个车位上绘制特定的辅助识别图案，这种图案具有各向同质性的特征以适应摄像机在各个角度的拍摄，在大部分光照、阴影的影响下具备图案特征不变性，且与一般车辆上绘制的图案也具有显著差别；在此基础上采用计算机视觉技术对图像中各个车位对应的图块是否存在辅助识别图案进行检测，如果辅助识别图案的特征存在，则判定该车位没有车辆停泊，否则该车位有车辆停泊。

上文所述的辅助识别图案，主要从两方面考虑：

1、图案的形态方面，考虑停车场(尤其是地下停车场)光源(包括固定照明灯、车灯等)、阴影(包括车的阴影，工作人员的阴影等)等众多因素，辅助识别图案采用同心环组、各环带具有一定宽度、相邻环带间RGB色差显著的图案，其中灰度同心环组是彩色同心环组的特例。如光照条件较好、摄像机成像后能准确分辨环间色差，可采用彩色的同心环组，如果光照条件较差、阴影干扰较严重，如图1所示，可采用黑白相间的灰度同心环组。如图2所示，彩色同心环组包含更多的信息量，灰度同心环组表达的信息量相对较少，但可靠性更高；由于停车位是否有车辆停泊需要的信息量并不大，因此灰度同心环组具有更好的实用性。

以上所述辅助识别图案的特征为：任意经过圆心的直线，以圆心为中心，出现左右对称、色彩或灰度变化过程一致的情况，如图3所示。这种色彩或灰度对称变化的特征即便在光照较弱、有阴影干扰的环境下仍具有较强的不变性，如图4所示，如果没有遮挡，从左到右考察经过圆心的水平直线，可知直线上的像素经历“暗-亮-暗-亮-暗-亮-暗”的灰度变化过程，除非有车辆停泊将图案遮挡，否则总能在图像中识别出这种特征，这就为进行车辆存在性检测提供了良好的基础。在具体实施中，辅助识别图案可通过刷漆(如采用地坪漆、车道线漆)等方式进行绘制，十分经济、简便。

2、图案的位置及大小，图案的位置一般设置在停车位的中间，以车辆正常停泊时能将其全部或大部分覆盖为原则，其尺寸与摄像机分辨率、焦距、拍摄角度相关，一般以摄像机中能够清晰成像(一般要求每个同心环带经过摄像机成像后至少有4个像素的宽度)、图案不超出车位边线为原则。

在停车场进行辅助识别图案绘制，如图5所示，图中A、B、……L分别表示第一车位、第二车位、……第十二车位，图中M表示通道，停车场局部在摄像机中的成像如图6所示。

本发明的原理如下：

由于在摄像机成像之后，圆形可能变成不规则的类椭圆型，难以进行数学解析描述，因此采用多边形2(由有限条线段组成)框定一定的图像区域，用以近似代表辅助识别图案的对应区域，多边形2框定的范围即为图像检测区。考虑到多边形2本身也具有一定的检索难度，因此以包含多边形2的最小外接规则矩形(规则矩形各条边与X轴或Y轴平行，方便进行逐行或逐列扫描)为图像检索范围。多边形检测区2、最小外接规则矩形1如图7所示。

识别某像素是否在多边形上，一般有矢量法、面积法、水平/垂直交叉点数判别法等。对于本发明而言，由于需要分析多边形检测区内每一个像素的色彩或灰度特征，因此如采用上述方法，则每个像素都需要调用1次区域判定算法，时间开销较大。如何综合考察检测目标，在整体上进行算法优化设计十分重要。为了实现以上目标，进行下面的定义和算法描述。

定义1：有限多边形A＝{l₁，l₂，...，l_n}，其中l_i表示第i条线段，l_i的起止点表示为p_o(l_i)、p_d(l_i)，

分别表示p_o(l_i)的横坐标和纵坐标。如果任意水平直线k与A的交点数量为0、1、2或无穷多个，则定义A为水平规则多边形，记

相应的，如果k为垂直直线，则定义A为垂直规则多边形，记

显然凸多边形是水平规则多边形和垂直规则多边形的特例，而同心环组辅助识别图案在摄像机中的成像，可采用凸多边形进行近似框范。

在笛卡尔坐标系中，记A的最小外接规则矩形为R(A)，定义R(A)的左上角为p_o(R(A))，其坐标 $(p_o^x\left(R\left(A\right)\right),p_o^y\left(R\left(A\right)\right))=(\min \left(p_o^x\left(l_i\right)\right),\max \left(p_o^y\left(l_j\right)\right)),$ 宽与高分别为 $\max \left(p_o^x\left(l_i\right)\right)-\min \left(p_o^x\left(l_j\right)\right),$ $\max \left(p_o^y\left(l_i\right)\right)-\min \left(p_o^y\left(l_j\right)\right),$ 其中i，j∈{1，2，...，n}。

定义2：记A的标记矩阵为M(A)，定义M(A)的行数与列数分别为 $\max \left(p_o^y\left(l_i\right)\right)-\min \left(p_o^y\left(l_j\right)\right),$ $\max \left(p_o^x\left(l_i\right)\right)-\min \left(p_o^x\left(l_j\right)\right),$ 其中i，j∈{1，2，...，n}，矩阵元素的值域为{-1，1}。令M(A)的元素与R(A)的像素一一对应，即M(A)的第一行与R(A)最上一行像素对应，M(A)的第一列与R(A)最左一列像素对应，以此类推。如R(A)上某像素在A上，则令其在M(A)上对应的元素取1，否则取-1。

若

则M(A)可通过以下算法获取：

(1)令M(A)的每个元素都取-1；

(2)自上而下逐行扫描R(A)

对于每一行：

令min(x)＝+∞，max(x)＝-∞

分别考察A＝{l₁，l₂，...，l_n}每条线段与扫描线的关系。

如果某条线段l_i刚好在扫描线上，则，

如果 $\min \left(x\right)>\min (p_o^x\left(l_i\right),p_d^x\left(l_i\right))$ 那么 $\min \left(x\right)=\min (p_o^x\left(l_i\right),p_d^x\left(l_i\right)),$ 如果 $\max \left(x\right)<\max (p_o^x\left(l_i\right),p_d^x\left(l_i\right))$ 那么 $\max \left(x\right)=\max (p_o^x\left(l_i\right),p_d^x\left(l_i\right));$

如果某条线段l_i与扫描线只有一个交点，其横坐标为x_c，则如果min(x)＞x_c，那么min(x)＝x_c，如果max(x)＜x_c那么max(x)＝x_c；

如果min(x)≤max(x)则，在M(A)中修正对应行，即该行从第到 $\max \left(x\right)-p_o^x\left(R\left(A\right)\right)+1$ 个元素均设为1。

如

则以上算法采用列扫描，方法类似。

标记矩阵M(A)在进行实际检测之前可离线获得，此后除非摄像机拍摄画面变动，否则将保持不变，因此可以作为参数进行存储。标记矩阵的主要作用是记录检测区的范围，为后面的图像分析奠定基础。

分别考察图像中各个检测多边形，每个检测多边形对应一个车位，其是否有车停泊的图像检测算法如下：

对于多边形A_i，令G(A_i)＝G(A_i)·*M(A_i)，“·*”表示数量积，即G(A_i)中的像素值与M(A_i)中对应的元素值进行相乘，运算后G(A_i)各像素值保持不变或取相反数。如果图像是24位真彩色，则以上计算过程需要对RGB三分量分别进行。

采用形态学方法对像素的色彩向量大于等于0的部分，进行去空洞、去小成分滤波。

逐行扫描，将像素的色彩向量离散为标准值。在此基础上以一定的误差允许范围进行近邻同类合并，具体来说先采用色彩(或灰度)空间的欧氏距离法进行聚类，再利用形如[A，*，B]的判决算子，消除两个大区间(分别取值为A和B)之间的小区间*。

逐行扫描，将每一行像素转化为一个字符串，具体来说是采用一定的符号代替所有色彩向量(或灰度)标准值，此时每行像素可抽象为形如“3(A)4(B)2(C)……”的游程编码，其中“A”、“B”、“C”等代表色彩向量(灰度)标准值，小括号外的数字代表在此处色彩向量(或灰度值)相等的像素数，当按照水平方向扫描时这些数字的和等于目标图像的宽度(也即多边形检测区最小外接规则矩形的宽度)，在此基础上匹配目标模式。如果找到目标模式的行数大于阈值，则认为目标存在，此时可以判定该车位没有停车，否则该车位有停车。

具体实施例1

某地下停车场安装有视频监控系统，摄像机固定拍摄停车场的某个区域，图像如图8所示，图中从左到右共3个车位，其中第1、3个车位没有停车，第2个车位有停车。由图可知经过同心环圆心从左到右扫描像素可得到“黑-白-黑-白-黑-白-黑”的特征，由于该特征忽略RGB色彩差异，可令R＝G＝B，采用灰度值进行处理。RGB转化为灰度，可采用经典的心理学模型，即灰度Y＝0.299R+0.587G+0.114B。

图像处理过程如下：

1、记1、2、3各车位的多边形检测区分别为A₁、A₂、A₃，则根据每个多边形的线段序列可得R(A₁)、R(A₂)、R(A₃)，采用行扫描法可进一步得到M(A₁)、M(A₂)、M(A₃)。

2、对于每帧图像，提取该帧中R(A₁)、R(A₂)、R(A₃)对应的图块，分别记为G(A₁)、G(A₂)、G(A₃)，并采用Y＝0.299R+0.587G+0.114B分别对G(A₁)、G(A₂)、G(A₃)进行灰度化处理。

3、分别令G(A_i)＝G(A_i)·*M(A_i)，其中i∈{1，2，3}。

4、采用形态学方法分别对G(A₁)、G(A₂)、G(A₃)灰度值大于等于0的部分，进行去空洞、去小成分滤波。

5、对于每一个G(A_i)，i∈{1，2，3}，分别进行以下处理：

逐行扫描，将像素序列的所有灰度值转换为标准值，以一定的误差允许值进行近邻同类合并，利用形如[A，*，B]的判决算子，消除两个大区间(取值分别为A、B)之间的小区间*，假如最小区间为4个像素，A的像素数为5，*的像素数为2，B的像素数为6，则*平均划分到A、B中，此时[A，*，B]模式变为[A，B]模式，A的像素数为6，B的像素数为7。

逐行扫描，将每一行像素转化为字符串，具体来说是采用一定的符号代替所有灰度标准值，此时每行像素可抽象为形如“5(A)6(B)5(C)……”的游程编码，其中“A”、“B”、“C”等代表某灰度标准值，小括号外的数字代表等于该灰度值的像素数，在此基础上将游程编码与“黑-白-黑-白-黑-白-黑”模式进行匹配，若能匹配，则该行具备目标模式，如果匹配目标模式的行数大于阈值，则认为目标存在，此时可以判定该车位没有停车。

很显然，G(A₁)、G(A₃)可以匹配“黑-白-黑-白-黑-白-黑”模式，而G(A₂)不能。

Claims (10)

1.一种基于计算机视觉的空闲停车位检测方法，其特征在于包括如下步骤：

各个停车位分别设定辅助识别图案；

获取停车位空闲时的摄像机成像；

计算并记录上述每个停车位空闲时的成像的色彩，若灰度图像时，则RGB各色彩分量相等，游程编码；

进行停车位空闲检测时，获取一个或多个停车位的成像；

根据获得的成像计算各个待检测停车位对应图像中图块的色彩游程编码；

分别判断上述计算得到的各个色彩游程编码与对应停车位空闲时的情况是否匹配，若特征一致，则该停车位空闲，否则该停车位忙碌。

2.根据权利要求1所述的基于计算机视觉的空闲停车位检测方法，其特征在于：所述的辅助识别图案为各向同质性图案。

3.根据权利要求2所述的基于计算机视觉的空闲停车位检测方法，其特征在于：所述的各向同质性图案为彩色或灰度同心环组。

4.根据权利要求1所述的基于计算机视觉的空闲停车位检测方法，其特征在于：所述的辅助识别图案设置在停车位中间。

5.根据权利要求1所述的基于计算机视觉的空闲停车位检测方法，其特征在于：利用停车场视频监控系统获取一个或多个停车位的成像。

6.根据权利要求3所述的基于计算机视觉的空闲停车位检测方法，其特征在于所述的计算并记录上述每个停车位空闲时的成像的色彩游程编码的计算方法包括：

步骤1，以作为图像检测区的凸多边形A对辅助识别图案进行近似框范；

步骤2，由上述凸多边形A得到其最小外接规则矩形R(A)以确定图像检索范围；

步骤3，确定上述凸多边形A的标记矩阵M(A)，标记矩阵M(A)的元素与最小外接规则矩形R(A)的像素一一对应，若像素落在凸多边形A上，则令其在标记矩阵M(A)上对应的元素取1值，否则取-1值；

步骤4，对R(A)上的像素逐行扫描，将每一行像素转化为游程编码。

7.根据权利要求6所述的基于计算机视觉的空闲停车位检测方法，其特征在于所述的根据获得的成像计算各个待检测停车位对应图像中图块的色彩游程编码的计算方法包括：

步骤a，获取最小外接规则矩形R(A)对应的图块G(A)；

步骤b，令G(A)＝G(A)·*M(A)，其中“·*”表示数量积，如果是灰度图像，G(A)每个像素值与M(A)的对应元素分别进行相乘，如果是彩色图案，G(A)表示图像各彩色分量对应矩阵的集合，各彩色分量矩阵均需与M(A)进行数量积；

步骤c，对G(A)中像素值大于或等于0的部分，进行去空洞、去小成分滤波；

步骤d，逐行扫描G(A)，将像素值离散为标准值；

步骤e，逐行扫描G(A)，将每一行像素转化为色彩游程编码。

8.根据权利要求7所述的基于计算机视觉的空闲停车位检测方法，其特征在于：所述的像素值是像素的色彩向量或灰度值。

9.根据权利要求7所述的基于计算机视觉的空闲停车位检测方法，其特征在于：所述的步骤a中，获取图块G(A)时，每隔一定时间采集一张新的图像。

10.根据权利要求7所述的基于计算机视觉的空闲停车位检测方法，其特征在于：步骤d中，将像素值离散为标准值时，以预定的误差允许值进行近邻同类合并。

Images