CN104112370A - 基于监控图像的停车场智能车位识别方法及系统 - Google Patents

Abstract

本发明提供了一种基于监控图像的停车场智能车位识别方法及系统，该停车场智能车位识别方法包括如下步骤：视频图像采集步骤：停车场监控摄像头拍摄获取停车位视频数据；停车位坐标标定步骤：用于完成停车位坐标的标定；邻近车位遮挡处理步骤：将停车位划分为若干子区域，并分配不同的权重来处理临近车位的遮挡问题；分类器设计步骤：用于判断停车位是否有车。本发明的有益效果是：本发明的方法及系统人工干预少，监控车位多，不需要额外的设备，在普通的监控摄像头下即可实现，从而满足了停车场实时高效的管理，解决了客户停车难，找车难的问题。

Description

基于监控图像的停车场智能车位识别方法及系统

技术领域

本发明涉及数据处理领域，尤其涉及基于监控图像的停车场智能车位识别方法及系统。

背景技术

随着社会经济的发展，汽车普及率越来越高，汽车消费时代已悄然来临。随着车辆的增加，停车场的建设也越来越大，导致客户驾驶车辆进入一个大型停车场后，满眼是车，不能快速地找到空车位，造成停车场道路的拥堵，停车场使用效率低下，客户情绪焦虑；同时停车场使用大量的管理人员进行疏导，浪费人力，又容易造成矛盾，使客户在“第一大堂”没有一个好的情绪。基于这样的背景，智能车位检测系统的理念油然而生。

20世纪70年代以来，国内外专家学者提出了多种基于传感器的智能车位检测方法，主要包括：

一、地感线圈车位检测，在车位所在的地面下埋设感应线圈，通过线圈内磁场的变化情况来辨别出车位是空闲还是被占用，具有成本低，检测精度高等优点，但是施工麻烦，要挖开路面，对路面造成破坏，线圈易损坏，难以维护，而且，地感线圈每次只能检测一个车位；

二、声波车位检测，通常采取的有红外线和超声波两种，其都是通过检测反射回波来获取车位是否有车停靠的信息。具有体积小，易于安装，使用寿命长等优点。但是红外线容易受气流影响，成本高。超声波因外界气流，温度变化而影响性能，非车辆物体经过检测区域时很可能产生干扰。而且声波检测每次也只能检测一个车位。

发明内容

为了解决现有技术中的问题，本发明提供了一种基于监控图像的停车场智能车位识别方法。

本发明提供了一种基于监控图像的停车场智能车位识别方法，包括如下步骤：

视频图像采集步骤：停车场监控摄像头拍摄获取停车位视频数据；

停车位坐标标定步骤：用于完成停车位坐标的标定；

邻近车位遮挡处理步骤：将停车位划分为若干子区域，并分配不同的权重来处理临近车位的遮挡问题；

分类器设计步骤：用于判断停车位是否有车。

作为本发明的进一步改进，该停车场智能车位识别方法还包括：

目标检测步骤：选择一幅无车的背景图像，预处理后，将其转换为灰度图像；从监控的视频数据中抽取视频图像，选取若干作为训练数据集，与提取的背景图像进行自学习，将经常变化的区域设定为车位区域，完成停车位坐标的标定；

阴影检测步骤：根据目标检测步骤所标定的单个停车位区域，抽取感兴趣车位的背景图像和前景图像，求取两者的差分，得到差分图像，对差分图像进行目标检测和阴影检测，去除掉目标检测中的阴影；

在所述分类器设计步骤中，求取目标占整个停车位的比值，将其作为阈值作为最终车位识别的分类器，大于该阈值则认为有车，小于该阈值则认为无车。

作为本发明的进一步改进，在所述停车位坐标标定步骤中，停车位坐标标定是算法自学习标定的，将经常变化的区域设定为车位区域，并且人工能够修正所标定的车位区域，经过多次的学习使用图形来标记连通区域，作为最终的停车位区域，提取连通区域的方法包括如下步骤：

求差分图像步骤：前景与背景经过中值滤波后，求差分图像；

二值化步骤：采用一维最大类间方差法对差分图像进行二值化；

求取连通区域步骤：根据种子填充算法求取二值图像中的连通区域；

转换步骤：将连通区域面积小于所设定阈值的区域变为背景；

合并步骤：将邻近的连通区域进行合并；

标识步骤：经过多次学习后使用图形来标识停车位；

在所述目标检测步骤中，采用基于分解的三维Otsu方法以目标和背景的最大类间方差作为阈值的选择标准，按图像的灰度特性，实现图像的分割即目标检测，所述基于分解的三维Otsu方法包括如下步骤：

第一步骤：采用一维Otsu法计算差分图像，差分图像经过均值滤波，差值图像经过中值滤波后的分割阈值；

第二步骤：将三个阈值作为最佳阈值对相应图像进行分割后求三幅图像的交集。

作为本发明的进一步改进，在所述阴影检测步骤中，采用基于灰度比值的阴影检测，除了除掉阴影之外，还加上该目标的边缘信息，基于灰度比值的阴影检测：

B(i,j)为背景图像，F(i,j)为前景图像，当P(i，j)>l时，当前像素比背景暗，定义其属于暗区；反之，定义该点像素属于亮区；阴影的像素点是比背景暗的，因此，阴影的检测范围就缩小到对暗区范围内的点的检测，设定一个阈值区间，当该比值在该阈值区间视为阴影；

在所述邻近车位遮挡处理步骤中，将标识出来的停车位再次划分为若干子区域，并给每个子区域分配不同的权重，靠近邻近车位的区域分配的权值要小于远离邻近车位的权值；

在所述分类器设计步骤中，通过阈值分类器求取每个目标所占的比值：

C为单个停车位划分出来的区域个数，为划分出来的区域块，为第k个区域所占的权重，为当前二值图像，S为该停车位的面积；设aP为最终的阈值，如果所检测的目标比值大于所设定的阈值即该车位被占用，否则，视为空闲；a在训练数据集的学习过程中根据先验知识自动学习。

作为本发明的进一步改进，在所述停车位坐标标定步骤中，抽取待测的停车位图像，选取一幅无车的图像作为背景图像，待测图像通过与背景图像的自学习，标记出单个停车位的区域，并且保存所标定的坐标，包含以下步骤：

一．将待测图像与背景图像相减，经过中值滤波去除噪声；

二．新建一个同尺寸的掩膜数组，将变化的区域标记出来；

三．将标记区域面积过小的地方去除，仅保存区域面积大于所设定阈值的区域；

四．最后叠加显示；

在所述分类器设计步骤中，采用基于神经网络的分类器，将分割的若干个区域作为输入的数据，经过训练后，自动分配权值，输出车位的识别结果；

停车位坐标标定后，将抽取的每个车位图像缩放为32*32、维度是1024，直接将该车位图像放入到分类器中进行训练；或者先进行主成分分析，然后再进行训练；分类器选择线性或非线性分类器，采用模糊C均值聚类算法作为分类器来实现智能车位的识别。

本发明还提供了一种基于监控图像的停车场智能车位识别系统，包括：

视频图像采集单元：用于停车场监控摄像头拍摄获取停车位视频数据；

停车位坐标标定单元：用于完成停车位坐标的标定；

邻近车位遮挡处理单元：用于将停车位划分为若干子区域，并分配不同的权重来处理临近车位的遮挡问题；

分类器设计单元：用于判断停车位是否有车。

作为本发明的进一步改进，该停车场智能车位识别系统还包括：

目标检测单元：用于选择一幅无车的背景图像，预处理后，将其转换为灰度图像；从监控的视频数据中抽取视频图像，选取若干作为训练数据集，与提取的背景图像进行自学习，将经常变化的区域设定为车位区域，完成停车位坐标的标定；

阴影检测单元：根据目标检测单元所标定的单个停车位区域，抽取感兴趣车位的背景图像和前景图像，求取两者的差分，得到差分图像，对差分图像进行目标检测和阴影检测，去除掉目标检测中的阴影；

在所述分类器设计单元中，求取目标占整个停车位的比值，将其作为阈值作为最终车位识别的分类器，大于该阈值则认为有车，小于该阈值则认为无车。

作为本发明的进一步改进，在所述停车位坐标标定单元中，停车位坐标标定是算法自学习标定的，将经常变化的区域设定为车位区域，并且人工能够修正所标定的车位区域，经过多次的学习使用图形来标记连通区域，作为最终的停车位区域，提取连通区域的方法执行如下模块：

求差分图像模块：用于前景与背景经过中值滤波后，求差分图像；

二值化模块：用于采用一维最大类间方差法对差分图像进行二值化；

求取连通区域模块：用于根据种子填充算法求取二值图像中的连通区域；

转换模块：用于将连通区域面积小于所设定阈值的区域变为背景；

合并模块：用于将邻近的连通区域进行合并；

标识模块：用于经过多次学习后使用图形来标识停车位；

在所述目标检测单元中，采用基于分解的三维Otsu方法以目标和背景的最大类间方差作为阈值的选择标准，按图像的灰度特性，实现图像的分割即目标检测，所述基于分解的三维Otsu方法包括执行如下模块：

第一模块：用于采用一维Otsu法计算差分图像，差分图像经过均值滤波，差值图像经过中值滤波后的分割阈值；

第二模块：用于将三个阈值作为最佳阈值对相应图像进行分割后求三幅图像的交集。

作为本发明的进一步改进，在所述阴影检测单元中，采用基于灰度比值的阴影检测，除了除掉阴影之外，还加上该目标的边缘信息，基于灰度比值的阴影检测：

B(i,j)为背景图像，F(i,j)为前景图像，当P(i，j)>l时，当前像素比背景暗，定义其属于暗区；反之，定义该点像素属于亮区；阴影的像素点是比背景暗的，因此，阴影的检测范围就缩小到对暗区范围内的点的检测，设定一个阈值区间，当该比值在该阈值区间视为阴影；

在所述邻近车位遮挡处理单元中，将标识出来的停车位再次划分为若干子区域，并给每个子区域分配不同的权重，靠近邻近车位的区域分配的权值要小于远离邻近车位的权值；

在所述分类器设计单元中，通过阈值分类器求取每个目标所占的比值：

C为单个停车位划分出来的区域个数，为划分出来的区域块，为第k个区域所占的权重，为当前二值图像，S为该停车位的面积；设aP为最终的阈值，如果所检测的目标比值大于所设定的阈值即该车位被占用，否则，视为空闲；a在训练数据集的学习过程中根据先验知识自动学习。

作为本发明的进一步改进，在所述停车位坐标标定单元中，抽取待测的停车位图像，选取一幅无车的图像作为背景图像，待测图像通过与背景图像的自学习，标记出单个停车位的区域，并且保存所标定的坐标，包含执行如下步骤：

一．将待测图像与背景图像相减，经过中值滤波去除噪声；

二．新建一个同尺寸的掩膜数组，将变化的区域标记出来；

三．将标记区域面积过小的地方去除，仅保存区域面积大于所设定阈值的区域；

四．最后叠加显示；

在所述分类器设计单元中，采用基于神经网络的分类器，将分割的若干个区域作为输入的数据，经过训练后，自动分配权值，输出车位的识别结果；

停车位坐标标定后，将抽取的每个车位图像缩放为32*32、维度是1024，直接将该车位图像放入到分类器中进行训练；或者先进行主成分分析，然后再进行训练；分类器选择线性或非线性分类器，采用模糊C均值聚类算法作为分类器来实现智能车位的识别。

本发明的有益效果是：本发明的方法及系统人工干预少，监控车位多，不需要额外的设备，在普通的监控摄像头下即可实现，从而满足了停车场实时高效的管理，解决了客户停车难，找车难的问题。

附图说明

图1是本发明的停车场智能车位识别方法流程图；

图2是本发明的停车场智能车位识别方法一实施例的流程图。

具体实施方式

如图1和图2所示，本发明公开了一种基于监控图像的停车场智能车位识别方法，包括如下步骤：

视频图像采集步骤：停车场监控摄像头拍摄获取停车位视频数据，所拍摄的区域包含数个停车位，监控摄像头的相对位置和拍摄角度保持不变；

停车位坐标标定步骤：用于完成停车位坐标的标定；

邻近车位遮挡处理步骤：将停车位划分为若干子区域，并分配不同的权重来处理临近车位的遮挡问题；

分类器设计步骤：用于判断停车位是否有车。

作为本发明的一个实施例，该停车场智能车位识别方法还包括：

目标检测步骤：选择一幅无车的背景图像，预处理后，将其转换为灰度图像；从监控的视频数据中抽取视频图像，选取若干作为训练数据集，与提取的背景图像进行自学习，将经常变化的区域设定为车位区域，完成停车位坐标的标定；

阴影检测步骤：根据目标检测步骤所标定的单个停车位区域，抽取感兴趣车位的背景图像和前景图像，求取两者的差分，得到差分图像，对差分图像进行目标检测和阴影检测，去除掉目标检测中的阴影；

在所述分类器设计步骤中，求取目标占整个停车位的比值，将其作为阈值作为最终车位识别的分类器，大于该阈值则认为有车，小于该阈值则认为无车。

将所有的感兴趣的目标车位按上述目标检测步骤、阴影检测步骤、邻近车位遮挡处理步骤、分类器设计步骤计算其所对应的阈值，作为最终分类器的阈值。

在本发明的一优选技术方案中：

在所述视频图像采集步骤中具体为：采用普通的停车场监控摄像头拍摄获取停车位视频数据，调整摄像头的位置，使其所拍摄的区域包含数个停车位，并且尽量避免严重的邻近车位的遮挡。监控摄像头的相对位置和拍摄角度保持不变。

所述停车位坐标标定步骤具体为：停车位坐标标定是算法自学习标定的，将经常变化的区域设定为车位区域，并且人工可以修正所标定的车位区域，减少人工的干预，经过多次的学习使用椭圆或者六边形来标记连通区域，作为最终的停车位区域。可以采用提取连通区域的方法来实现。

一、    前景与背景经过中值滤波后，求差分图像；

二、  采用一维最大类间方差法对差分图像进行二值化；

三、  根据种子填充算法求取二值图像中的连通区域；

四、  将连通区域面积小于所设定阈值的区域变为背景，减少噪声的干扰；

五、将邻近的连通区域进行合并，避免因为摄像头像素低的问题，造成目标提取出现的断裂；

六、    经过多次学习后使用椭圆或六边形或其他多边形来标识停车位；

在所述目标检测步骤具体为：目标检测的目的是将每个停车位中的变化区域从背景图像中提取出来。由于涉及的最终分类器是基于阈值的，所以提取每个停车位的目标变得重中之重。阈值法因为计算量小，实现简单、快速、稳定而成为目标检测的优先选择。Otsu（最大类间方差）法以目标和背景的最大类间方差作为阈值的选择标准，按图像的灰度特性，实现图像的分割即目标检测，但是一维Otsu法由于其只考虑图像的灰度信息而未考虑图像的空间信息不能很好地处理含噪图像。因此，多数研究者在此基础上提出了三维Otsu法，在去噪能力上有了很大的提升。传统的三维Otsu需要在L*L*L(L为灰度级)的空间中搜索，时间复杂度为O(L⁶)，处理一张图像的时间较长。为了提高系统实时性，我们采用一种基于分解的三维Otsu法，该方法将过程分为两步：

一、采用一维Otsu法计算差分图像，差分图像经过均值滤波，差值图像经过中值滤波后的分割阈值；

二、将三个阈值作为最佳阈值对相应图像进行分割后求三幅图像的交集；

该方法不仅能够很好地去除噪声，而且时间复杂度仅有O(L)(L为灰度级)，可以很好地实现图像分割，并且时间复杂度较小，能够很好地实现目标检测。

所述阴影检测步骤具体为：为了更好地检测目标，要去除掉目标检车时检测出来的阴影，这样也有助于设计分类器。阴影检测可以采用基于灰度比值的阴影检测。除了要去除掉阴影之外，还需要加上该目标的边缘信息，以防止在二值化的过程中滤掉噪声的同时，也滤掉边缘信息。边缘检测我们可以采用一阶的Roberts Cross算子，Prewitt算子，Sobel算子， Kirsch算子，罗盘算子；或者二阶的 Marr-Hildreth，Canny算子，Laplacian算子或者自己根据像素的梯度变化而自定义的边缘检测算法。基于灰度比值的阴影检测：

B(i,j)为背景图像，F(i,j)为前景图像，当P(i，j)>l时，当前像素比背景暗，定义其属于暗区；反之，定义该点像素属于亮区。阴影的像素点是比背景暗的，因此，阴影的检测范围就缩小到对暗区范围内的点的检测。设定一个阈值区间，当该比值在该阈值区间视为阴影；

所述邻近车位遮挡处理步骤具体为：将标识出来的停车位再次划分为若干子区域，并给每个子区域分配不同的权重，靠近邻近车位的区域分配的权值要小于远离邻近车位的权值，以此来处理临近车位的遮挡问题；

所述分类器设计步骤具体为：通过阈值分类器求取每个目标所占的比值：

C为单个停车位划分出来的区域个数，为划分出来的区域块，为第k个区域所占的权重，为当前二值图像，S为该停车位的面积。设aP为最终的阈值，如果所检测的目标比值大于所设定的阈值即该车位被占用，否则，视为空闲。a在训练数据集的学习过程中根据先验知识自动学习。

本发明的目的是针对现有基于传感器的车位识别技术中的缺点而提供一种基于监控图像的智能停车位识别方法，是通过以下技术方案实现的：待测图像与背景图像差分后通过求连通区域自动识别停车位，分离出单个停车位后通过基于分解的三维Otsu实现目标检测，将变化的区域从背景中提取出来，然后，通过灰度比值，进行阴影检测，去除掉目标检测过程中所留下的阴影，将每个停车位分割成若干个区域，并分配不同的权值，来处理邻近车位的遮挡问题，最后设计基于阈值的分类器来进行车位的识别。

采用本发明的技术方案，不需要较多的人工干预，能够自动识别出停车位的区域；而且一个普通摄像头可以监控多个车位，具有较高的准确率，不需要额外的传感设备，不需要大量的训练数据集，训练数据集尽量包含各种有车和无车的情况；基于阈值的分类器具有快速的识别效果，在大型停车场中识别所有的停车位不需要花费过多的时间，能够满足实时的需求；选取合适的阈值，能够很好地处理光线，水迹，行人，遮挡等问题，受外界的干扰影响较小；不论是摄像头监控的是主车道还是监控某个区域，适当调整摄像头的角度，都可以达到比较好的识别效果。可以很好地解决基于传感器车位检测的缺点，而且，能够满足停车场快速高效的识别率。

而且，本发明只需要较小的训练数据集就可以完成车位标定以及分类器阈值的选取，能够快速高效地识别出整个停车场的车位占用情况，满足实时高效的需求。

作为本发明的另一个实施例，所述的停车位坐标标定也可以采用下述技术方案：抽取待测的停车位图像，选取一幅无车的图像作为背景图像，待测图像通过与背景图像的自学习，标记出单个停车位的区域，并且保存所标定的坐标，包含以下步骤：

一、    将待测图像与背景图像相减，经过中值滤波去除噪声；

二、    新建一个同尺寸的掩膜数组，将变化的区域标记出来；

三、    将标记区域面积过小的地方去除，仅保存区域面积大于所设定阈值的区域；

四、    最后叠加显示；

所述的分类器设计步骤也可以采用下述方案：由于每个停车位划分成了若干个区域，并且分配了权值，权值在学习或自定的过程中是比较麻烦的，可以采用基于神经网络的分类器，将分割的若干个区域作为输入的数据，经过训练后，自动分配权值，输出车位的识别结果。

监控的停车位越多，邻近车辆的遮挡就会越严重，可以不进行目标检测，车位坐标标定后，将抽取的每个车位图像缩放为32*32（维度是1024），可以直接将该车位图像放入到分类器中进行训练，也可以先进行主成分分析（PCA），然后再进行训练。分类器可以选择SVM，聚类或神经网络等等线性或非线性分类器。可以采用模糊C均值聚类算法作为分类器来实现智能车位的识别。

本发明还公开了一种基于监控图像的停车场智能车位识别系统，包括：

视频图像采集单元：用于停车场监控摄像头拍摄获取停车位视频数据；

停车位坐标标定单元：用于完成停车位坐标的标定；

邻近车位遮挡处理单元：用于将停车位划分为若干子区域，并分配不同的权重来处理临近车位的遮挡问题；

分类器设计单元：用于判断停车位是否有车。

该停车场智能车位识别系统还包括：

目标检测单元：用于选择一幅无车的背景图像，预处理后，将其转换为灰度图像；从监控的视频数据中抽取视频图像，选取若干作为训练数据集，与提取的背景图像进行自学习，将经常变化的区域设定为车位区域，完成停车位坐标的标定；

阴影检测单元：根据目标检测单元所标定的单个停车位区域，抽取感兴趣车位的背景图像和前景图像，求取两者的差分，得到差分图像，对差分图像进行目标检测和阴影检测，去除掉目标检测中的阴影；

在所述分类器设计单元中，求取目标占整个停车位的比值，将其作为阈值作为最终车位识别的分类器，大于该阈值则认为有车，小于该阈值则认为无车。

在所述停车位坐标标定单元中，停车位坐标标定是算法自学习标定的，将经常变化的区域设定为车位区域，并且人工能够修正所标定的车位区域，经过多次的学习使用图形来标记连通区域，作为最终的停车位区域，提取连通区域的方法执行如下模块：

求差分图像模块：用于前景与背景经过中值滤波后，求差分图像；

二值化模块：用于采用一维最大类间方差法对差分图像进行二值化；

求取连通区域模块：用于根据种子填充算法求取二值图像中的连通区域；

转换模块：用于将连通区域面积小于所设定阈值的区域变为背景；

合并模块：用于将邻近的连通区域进行合并；

标识模块：用于经过多次学习后使用图形来标识停车位；

在所述目标检测单元中，采用基于分解的三维Otsu方法以目标和背景的最大类间方差作为阈值的选择标准，按图像的灰度特性，实现图像的分割即目标检测，所述基于分解的三维Otsu方法包括执行如下模块：

第一模块：用于采用一维Otsu法计算差分图像，差分图像经过均值滤波，差值图像经过中值滤波后的分割阈值；

第二模块：用于将三个阈值作为最佳阈值对相应图像进行分割后求三幅图像的交集。

在所述阴影检测单元中，采用基于灰度比值的阴影检测，除了除掉阴影之外，还加上该目标的边缘信息，基于灰度比值的阴影检测：

B(i,j)为背景图像，F(i,j)为前景图像，当P(i，j)>l时，当前像素比背景暗，定义其属于暗区；反之，定义该点像素属于亮区；阴影的像素点是比背景暗的，因此，阴影的检测范围就缩小到对暗区范围内的点的检测，设定一个阈值区间，当该比值在该阈值区间视为阴影；

在所述邻近车位遮挡处理单元中，将标识出来的停车位再次划分为若干子区域，并给每个子区域分配不同的权重，靠近邻近车位的区域分配的权值要小于远离邻近车位的权值；

在所述分类器设计单元中，通过阈值分类器求取每个目标所占的比值：

C为单个停车位划分出来的区域个数，为划分出来的区域块，为第k个区域所占的权重，为当前二值图像，S为该停车位的面积；设aP为最终的阈值，如果所检测的目标比值大于所设定的阈值即该车位被占用，否则，视为空闲；a在训练数据集的学习过程中根据先验知识自动学习。

在所述停车位坐标标定单元中，抽取待测的停车位图像，选取一幅无车的图像作为背景图像，待测图像通过与背景图像的自学习，标记出单个停车位的区域，并且保存所标定的坐标，包含执行如下步骤：

一．将待测图像与背景图像相减，经过中值滤波去除噪声；

二．新建一个同尺寸的掩膜数组，将变化的区域标记出来；

三．将标记区域面积过小的地方去除，仅保存区域面积大于所设定阈值的区域；

四．最后叠加显示；

在所述分类器设计单元中，采用基于神经网络的分类器，将分割的若干个区域作为输入的数据，经过训练后，自动分配权值，输出车位的识别结果；

停车位坐标标定后，将抽取的每个车位图像缩放为32*32、维度是1024，直接将该车位图像放入到分类器中进行训练；或者先进行主成分分析，然后再进行训练；分类器选择线性或非线性分类器，采用模糊C均值聚类算法作为分类器来实现智能车位的识别。

本发明基于监控图像的停车场智能车位识别方法及系统还具有如下有益效果：

一、能够监控多个车位，具有较高的准确率，不需要额外的设备，在普通摄像头的监控下，即可实现车位的检测。

二、不需要较多的人工干预，能够自动识别出停车位的区域。

三、不需要大量的训练数据集，训练数据集尽量包含各种有车和无车的情况。

四、基于阈值的分类器具有快速的识别效果，在大型停车场中识别所有的停车位不需要花费过多的时间，能够满足实时的需求。

五、选取合适的阈值，能够很好地处理光线，水迹，行人，遮挡等问题，受外界的干扰影响较小。

六、不论是摄像头监控的是主车道还是监控某个区域，适当调整摄像头的角度，都可以达到比较好的识别效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于监控图像的停车场智能车位识别方法，其特征在于，包括如下步骤：

视频图像采集步骤：停车场监控摄像头拍摄获取停车位视频数据；

停车位坐标标定步骤：用于完成停车位坐标的标定；

邻近车位遮挡处理步骤：将停车位划分为若干子区域，并分配不同的权重来处理临近车位的遮挡问题；

分类器设计步骤：用于判断停车位是否有车。

2.根据权利要求1所述的停车场智能车位识别方法，其特征在于，该停车场智能车位识别方法还包括：

目标检测步骤：选择一幅无车的背景图像，预处理后，将其转换为灰度图像；从监控的视频数据中抽取视频图像，选取若干作为训练数据集，与提取的背景图像进行自学习，将经常变化的区域设定为车位区域，完成停车位坐标的标定；

阴影检测步骤：根据目标检测步骤所标定的单个停车位区域，抽取感兴趣车位的背景图像和前景图像，求取两者的差分，得到差分图像，对差分图像进行目标检测和阴影检测，去除掉目标检测中的阴影；

在所述分类器设计步骤中，求取目标占整个停车位的比值，将其作为阈值作为最终车位识别的分类器，大于该阈值则认为有车，小于该阈值则认为无车。

3.根据权利要求2所述的停车场智能车位识别方法，其特征在于，在所述停车位坐标标定步骤中，停车位坐标标定是算法自学习标定的，将经常变化的区域设定为车位区域，并且人工能够修正所标定的车位区域，经过多次的学习使用图形来标记连通区域，作为最终的停车位区域，提取连通区域的方法包括如下步骤：

求差分图像步骤：前景与背景经过中值滤波后，求差分图像；

二值化步骤：采用一维最大类间方差法对差分图像进行二值化；

求取连通区域步骤：根据种子填充算法求取二值图像中的连通区域；

转换步骤：将连通区域面积小于所设定阈值的区域变为背景；

合并步骤：将邻近的连通区域进行合并；

标识步骤：经过多次学习后使用图形来标识停车位；

在所述目标检测步骤中，采用基于分解的三维Otsu方法以目标和背景的最大类间方差作为阈值的选择标准，按图像的灰度特性，实现图像的分割即目标检测，所述基于分解的三维Otsu方法包括如下步骤：

第一步骤：采用一维Otsu法计算差分图像，差分图像经过均值滤波，差值图像经过中值滤波后的分割阈值；

第二步骤：将三个阈值作为最佳阈值对相应图像进行分割后求三幅图像的交集。

4.根据权利要求3所述的停车场智能车位识别方法，其特征在于，在所述阴影检测步骤中，采用基于灰度比值的阴影检测，除了除掉阴影之外，还加上该目标的边缘信息，基于灰度比值的阴影检测：

B(i,j)为背景图像，F(i,j)为前景图像，当P(i，j)>l时，当前像素比背景暗，定义其属于暗区；反之，定义该点像素属于亮区；阴影的像素点是比背景暗的，因此，阴影的检测范围就缩小到对暗区范围内的点的检测，设定一个阈值区间，当该比值在该阈值区间视为阴影；

在所述邻近车位遮挡处理步骤中，将标识出来的停车位再次划分为若干子区域，并给每个子区域分配不同的权重，靠近邻近车位的区域分配的权值要小于远离邻近车位的权值；

在所述分类器设计步骤中，通过阈值分类器求取每个目标所占的比值：

C为单个停车位划分出来的区域个数，为划分出来的区域块，为第k个区域所占的权重，为当前二值图像，S为该停车位的面积；设aP为最终的阈值，如果所检测的目标比值大于所设定的阈值即该车位被占用，否则，视为空闲；a在训练数据集的学习过程中根据先验知识自动学习。

5.根据权利要求1所述的停车场智能车位识别方法，其特征在于，在所述停车位坐标标定步骤中，抽取待测的停车位图像，选取一幅无车的图像作为背景图像，待测图像通过与背景图像的自学习，标记出单个停车位的区域，并且保存所标定的坐标，包含以下步骤：

一．将待测图像与背景图像相减，经过中值滤波去除噪声；

二．新建一个同尺寸的掩膜数组，将变化的区域标记出来；

三．将标记区域面积过小的地方去除，仅保存区域面积大于所设定阈值的区域；

四．最后叠加显示；

在所述分类器设计步骤中，采用基于神经网络的分类器，将分割的若干个区域作为输入的数据，经过训练后，自动分配权值，输出车位的识别结果；

停车位坐标标定后，将抽取的每个车位图像缩放为32*32、维度是1024，直接将该车位图像放入到分类器中进行训练；或者先进行主成分分析，然后再进行训练；分类器选择线性或非线性分类器，采用模糊C均值聚类算法作为分类器来实现智能车位的识别。

6.一种基于监控图像的停车场智能车位识别系统，其特征在于，包括：

视频图像采集单元：用于停车场监控摄像头拍摄获取停车位视频数据；

停车位坐标标定单元：用于完成停车位坐标的标定；

邻近车位遮挡处理单元：用于将停车位划分为若干子区域，并分配不同的权重来处理临近车位的遮挡问题；

分类器设计单元：用于判断停车位是否有车。

7. 根据权利要求6所述的停车场智能车位识别系统，其特征在于，该停车场智能车位识别系统还包括：

目标检测单元：用于选择一幅无车的背景图像，预处理后，将其转换为灰度图像；从监控的视频数据中抽取视频图像，选取若干作为训练数据集，与提取的背景图像进行自学习，将经常变化的区域设定为车位区域，完成停车位坐标的标定；

阴影检测单元：根据目标检测单元所标定的单个停车位区域，抽取感兴趣车位的背景图像和前景图像，求取两者的差分，得到差分图像，对差分图像进行目标检测和阴影检测，去除掉目标检测中的阴影；

在所述分类器设计单元中，求取目标占整个停车位的比值，将其作为阈值作为最终车位识别的分类器，大于该阈值则认为有车，小于该阈值则认为无车。

8.根据权利要求7所述的停车场智能车位识别系统，其特征在于，在所述停车位坐标标定单元中，停车位坐标标定是算法自学习标定的，将经常变化的区域设定为车位区域，并且人工能够修正所标定的车位区域，经过多次的学习使用图形来标记连通区域，作为最终的停车位区域，提取连通区域的方法执行如下模块：

求差分图像模块：用于前景与背景经过中值滤波后，求差分图像；

二值化模块：用于采用一维最大类间方差法对差分图像进行二值化；

求取连通区域模块：用于根据种子填充算法求取二值图像中的连通区域；

转换模块：用于将连通区域面积小于所设定阈值的区域变为背景；

合并模块：用于将邻近的连通区域进行合并；

标识模块：用于经过多次学习后使用图形来标识停车位；

在所述目标检测单元中，采用基于分解的三维Otsu方法以目标和背景的最大类间方差作为阈值的选择标准，按图像的灰度特性，实现图像的分割即目标检测，所述基于分解的三维Otsu方法包括执行如下模块：

第一模块：用于采用一维Otsu法计算差分图像，差分图像经过均值滤波，差值图像经过中值滤波后的分割阈值；

第二模块：用于将三个阈值作为最佳阈值对相应图像进行分割后求三幅图像的交集。

9.根据权利要求8所述的停车场智能车位识别系统，其特征在于，在所述阴影检测单元中，采用基于灰度比值的阴影检测，除了除掉阴影之外，还加上该目标的边缘信息，基于灰度比值的阴影检测：

B(i,j)为背景图像，F(i,j)为前景图像，当P(i，j)>l时，当前像素比背景暗，定义其属于暗区；反之，定义该点像素属于亮区；阴影的像素点是比背景暗的，因此，阴影的检测范围就缩小到对暗区范围内的点的检测，设定一个阈值区间，当该比值在该阈值区间视为阴影；

在所述邻近车位遮挡处理单元中，将标识出来的停车位再次划分为若干子区域，并给每个子区域分配不同的权重，靠近邻近车位的区域分配的权值要小于远离邻近车位的权值；

在所述分类器设计单元中，通过阈值分类器求取每个目标所占的比值：

C为单个停车位划分出来的区域个数，为划分出来的区域块，为第k个区域所占的权重，为当前二值图像，S为该停车位的面积；设aP为最终的阈值，如果所检测的目标比值大于所设定的阈值即该车位被占用，否则，视为空闲；a在训练数据集的学习过程中根据先验知识自动学习。

10.根据权利要求6所述的停车场智能车位识别系统，其特征在于，在所述停车位坐标标定单元中，抽取待测的停车位图像，选取一幅无车的图像作为背景图像，待测图像通过与背景图像的自学习，标记出单个停车位的区域，并且保存所标定的坐标，包含执行如下步骤：

一．将待测图像与背景图像相减，经过中值滤波去除噪声；

二．新建一个同尺寸的掩膜数组，将变化的区域标记出来；

三．将标记区域面积过小的地方去除，仅保存区域面积大于所设定阈值的区域；

四．最后叠加显示；

在所述分类器设计单元中，采用基于神经网络的分类器，将分割的若干个区域作为输入的数据，经过训练后，自动分配权值，输出车位的识别结果；

停车位坐标标定后，将抽取的每个车位图像缩放为32*32、维度是1024，直接将该车位图像放入到分类器中进行训练；或者先进行主成分分析，然后再进行训练；分类器选择线性或非线性分类器，采用模糊C均值聚类算法作为分类器来实现智能车位的识别。