CN104376554B - 一种基于图像纹理的违章停车检测方法 - Google Patents

Abstract

本发明公开了一种基于图像纹理的违章停车检测方法，该方法包括以下几个步骤，依次是获取背景、目标分割及纹理分析，所述的获取背景主要是指确定检测区域、检测区域划分区间、构建检测区域模型及背景更新，所述的目标分割主要是指动态阈值选择、目标分割及形态学滤波，采用动态阈值的目标分割方法可以更准确的分割出运动目标，同时使用形态学滤波中开运算可以有效去除分割过程中产生的噪声干扰，所述的纹理分析主要是指静止目标检测、停驶车辆识别及违章停车事件确认，通过分析图像灰度值达到稳定状态的过程判断是否有静止目标出现，同时通过图像灰度共生矩阵的熵值去除此过程中存在的误报警。

Description

一种基于图像纹理的违章停车检测方法

技术领域

本发明属于交通检测技术领域，特别涉及一种基于图像纹理的违章停车检测方法。

背景技术

随着我国城市化进程的不断加快，城市公路交通系统的压力不断增大，交通违章停车这一交通问题日益凸显出来，对维护交通正常秩序造成了非常恶劣的影响。如何规范驾驶员的驾驶行为，对违反交通规则的行为及时准确地进行取证查处，是道路监控的关键问题。

现有监控系统的监控能力和监控有效性还基本停留在人工操作监控、事后取证的阶段，无法起到预防、预警，全天实时监控的作用，且随着摄像头和监控画面的大量增多，远远超出人的接受能力。因此，利用高科技手段，建立一套完整稳定的高准确性、智能自动化监控拍摄和处理违章停车的管控系统显得非常必要。

发明内容

本发明的目的在于提供一种能够实时检测违章停车的方法，对违章车辆进行抓拍、识别车牌进而进行处罚，以减少人工监控，规范驾驶员驾驶行为。

本发明的技术方案是，一种基于图像纹理的违章停车检测方法，该方法包括3个步骤，依次是获取背景、目标分割及纹理分析，其中，

所述的获取背景的步骤，使用将检测区域分区间，逐区间进行背景更新的方法获取背景，具体实现过程如下：

A1，确定检测区域；

A2，对所述的检测区域划分区间，即将检测区域由近及远划分为多个检测区间，划分依据包括：

a21)，检测区间划分数量根据实际情况进行设置；

a22)，根据摄像机成像原理，同一目标位于不同视场时其大小不同，故划分检测区间时，近视场检测区间长度应大于远视场检测区间长度度，即满足式(1)，

L_i+1>L_i,i＝1,2,…N-1 (1)

式(1)中，

L_i为第i个检测区间的长度；

N为检测区域划分检测区间的个数；

a23)，一辆被检测车辆覆盖的检测区间不能超过两个，即满足式(2)

L_i+L_i+1>L_icar,i＝1,2,…N-1 (2)

式(2)中，

L_icar为被检测车辆在第i个检测区间内的长度；

A3，构建检测区域模型，即根据设置的检测区域，构建检测区域模型，包括将检测区间两两一组划分成N-1个小检测区域，每个小检测区域作为一个背景估计单元；

A4，背景更新，采用改进的背景差分法进行背景更新，具体实现步骤包括：

a41)每帧仅对一个检测单元进行背景估计，将第一帧图像作为初始背景；

a42)随着时间序列的增加，将当前帧图像与背景图像对应像素进行差分，保留各帧差分结果作为后续动态阈值选择的依据；

pDifImg[i]＝pNowImg[i]-pBakImg[i],i＝0,1,…W*H (3)

式(3)中，

pDifImg为背景差分结果图像；

pNowImg为当前帧图像；

pBakImg为背景帧图像；

W为图像宽度；

H为图像高度；

a43)每帧仅对一个检测单元的背景差分结果进行分析，以此判断是否进行背景更新，当某帧对应检测单元内所有像素差分结果满足式(4)时，则拷贝当前该帧作为新的背景，

pNowImg[i]-pBakImg[i]＝0 (4)

式(4)中，

i为各检测单元模块内序号，

当检测单元内不满足所有像素背景差分结果为零时，则背景保持不变；

a44)按照所述步骤a41)至a43)，依次遍历各检测单元，直到所有检测单元检测结束，则从起始检测单元开始进行新一轮背景更新；

所述的目标分割步骤，采用动态阈值的目标分割方法进行运动目标检测，所谓动态阈值，是指每帧阈值通过分析背景差分结果的直方图分布情况进行确定，具体分割过程包括：

B1，动态阈值选择，包括：

b11)根据视频学原理，静止图像在背景差分过程中，无明显的灰度变化，其差分结果接近于零；

前景中运动图像，其差分结果将存在较大的灰度变化，故可根据差分结果分布情况进行目标分割动态阈值的选择；

b12)差分结果跳变较大点对应的灰度值即为作为划分前景图像与背景图像的阈值；

b13)设直方图分布最高点对应的灰度值为G_top，该灰度值出现的数量为N_max，在直方图分布曲线中，可近似认为N_max和N_max/2之间符合直线分布，其中N_max/2对应灰度值为G_bom，则(G_top,N_max)和(G_bom,N_max/2)两点间直线可表示为：

b14)由述(5)分析，选用的阈值为当N＝0时对应的灰度值，故每帧分割阈值为：

G＝2G_bom-G_top (6)

B2，目标分割，即在确定各帧阈值后，即可进行目标的二值化分割，其实现过程如下：

式(7)中，

pBinImg为目标分割结果；

i为检测区域内对应像素序号；

B3，形态学滤波，即当目标分割后所得的边界不平滑，目标区域具有噪声孔，背景区域上也散布着噪声物体时，在目标分割完成后选择形态学滤波中的开运算去除噪声干扰，

具体实现步骤如下：

b31)腐蚀，包括

(b31a).用3*3的结构元素，扫描图像的每一个像素；

(b31b).用结构元素与其覆盖的二值图像做“与”操作；

(b31c).如果都为1，结果图像的该像素为255，否则为0；

b32)膨胀，包括

(b32a).用3*3的结构元素，扫描图像的每一个像素；

(b32b).用结构元素与其覆盖的二值图像做“与”操作；

(b32c).如果都为0，结果图像的该像素为0，否则为255；

所述的纹理分析步骤，是当在禁停区域内检测到有目标出现后，则要进一步确定该目标状态，采用对目标出现区域进行纹理分析判断其是否处于停车状态，当其停车时间到达规定值时，则对其进行报警，具体实现过程包括：

C1，静止目标检测，当在禁停区域内检测到像素点在时间序列上的灰度值发生大变化时，即可确定存在前景物体，而检测到的时间序列像素值变化由通过禁停区域的运动物体和进入区域并停止的物体形成，因此，有效的停车检测首先必须剔除由于运动前景物体经过造成的像素值变化的情况：

当背景像素值发生突然变化，并在短时间内重新恢复到初始背景状态值时，表明有运动物体通过该区域，但并未停止；

当背景像素值发生突变，并且在随后的一段时间序列保持像素变化值稳定，则表明该背景像素点被进入禁停区域且停止的前景物体占据，存在可能的违章停车现象；

由于受到周围环境及光线变化的影响，背景图像像素值如果在较长的时间序列上发生扰动，而短时内无法体现；

C2，停驶车辆识别，即将用户设置的检测区域即禁停区域分割出来，利用分割目标的面积与检测区域面积构成的占空比特征，将其空间特性加以表征，区域内目标的占空比定义为：

S＝a/A (8)

上式(8)中，

a为分割目标面积；

A为检测区域面积；

以占空比作为辨识参量，滤除非机动车及行人等对象在检测区域的静止造成的干扰，进而识别违章停驶车辆，

该识别算法步骤如下：

c21)对检测区域内存在分割结果时，即满足式(9)的像素点，则表明该点存在前景物体经过

pBinImg[i]＝255 (9)

c22)当有前景物体经过时，则开始统计时间序列上检测区域内像素值变化情况：

pDif(i,t+1)＝pImg(i,t+1)-pImg(i,t) (10)

上式(10)中，

pDif(i,t+1)为第t+1帧与第t帧对应像素差结果；

pImg(i,t+1)为第t+1帧图像灰度值；

pImg(i,t)为第t帧图像灰度值。

c23)基于物体的运动特性与颜色特性，像素值在短期内不可能存在均匀渐变的情况，若有

|pDif(i,t+k)|≤ω (11)

上式(11)中，

ω为稳定度；

若在连续j帧内均有

|pDif(i,t+k+m)|≤ω,m＝0,1,…,j-1 (12)

则确定像素点进入稳定状态；

c24)当进入稳态后，计算当前像素点与背景点的差值：

pDifImg(i,t+k+j)＝pImg(i,t+k+j)-pBakImg(i,t-1) (13)

当差值满足下式时，则表明当前像素点状态由前景静止物体占据，否则仍为初始背景，

pDifImg(i,t+k+j)≥G (14)

c25)根据前景对象的占空比S判别对象类型，若满足下式时，则认为该前景对象为车辆，

S≥γ (15)

上式(15)中，

γ为占空比分类阈值；

c26)由进入稳定状态时刻开始统计车辆停驶时间，根据不同禁停区域的具体违章要求，确定违章停车发生，实现自动报警；

C3，违章停车事件确认，使用灰度共生矩阵中纹理特征量——熵值，判断背景中是否含有停驶的车辆，

熵值计算方法如下所述：

c31)将灰度图像划分为k级，将直方图间隔选择为15，即将图像划分为255/15＝17个灰度级；

c32)统计各灰度级出现的概率p_i，其中i＝1,2,…k；

c33)计算各灰度级熵值

E(i)＝-p_ilnp_i (16)

c34)统计图像每一个灰度级的熵并，并绘出图像熵值直方图,

c35)如果熵值直方图较为单一，则判断为此图像为路面，否则图像中含有运动目标。

与现有技术相比，本发明具有以下的技术效果：

1、分区间更新背景

本方法使用分区间的背景更新方法，通过判断各检测区间内灰度变化情况，实现整幅图像的背景更新。由于每帧只判断一小段区间内灰度变化，故该方法更新速度较快。且使用整幅图像背景更新，获得背景更为准确。

2、动态阈值目标分割

本方法分析每帧背景差分结果的直方图分布情况，以此确定每帧图像的分割阈值。相较于传统的固定阈值分割方法，使用该方法进行阈值分割具有更高的准确性，噪声干扰较小，可以更准确的分割出目标。

3、基于纹理的事件检测

本发明采用基于图像纹理的违章停车检测方法，通过分析图像灰度值达到稳态的过程，结合灰度共生矩阵实现违章停车事件的检测。充分利用图像纹理信息，有效减少其他因素的干扰，同时通过熵值计算，减少误报警，最大限度的提高报警事件的准确率。

附图说明

图1为本发明的违章停车检测原理流程示意图；

图2为本发明实施例中检测区域设置图；

图3为本发明实施例中构建检测区域模型；

图4为本发明实施例中背景差分结果的直方图统计；

图5为本发明实施例中目标分割结果；

图6为本发明实施例中运动物体通过检测区域和进入检测区域停止两种运动某像素点灰度值变化情况。

具体实施方式

本发明的一种基于图像纹理的违章停车检测方法，该方法包括3个步骤，依次是获取背景、目标分割及纹理分析，具体实现如下：

一获取背景

本发明使用将检测区域分区间，逐区间进行背景更新的方法获取背景，具体实现过程如下所述。

1.确定检测区域

由于违章停车多发生在路边即最侧边车道范围内，故在实际场景中，违章停车检测区域多为单条车道，图2中介绍了某路段实际检测区域设置情况；

2.检测区域划分区间

用户根据实际情况，将检测区域由近及远划分为多个检测区间，划分依据：

1)检测区域划分数量无具体规定，用户根据实际情况进行设置；

2)由摄像机成像原理可知，同一目标位于不同视场时其大小不同，故划分检测区间时，近视场检测区间长度应大于远视场检测区间长度度，即满足下式，在图2中检测区域5长度大于检测区域4的长度。

L_i+1>L_i,i＝1,2,…N-1 (1)

上式中，

L_i为第i个检测区间的长度；

N为检测区域划分检测区间的个数。

3)为便于检测区间内的背景更新，每辆车覆盖的检测区间不能超过两个，即图2中检测区间5和检测区间4的和应大于一辆车的长度，即满足下式

L_i+L_i+1>L_icar,i＝1,2,…N-1 (2)

上式中，

L_icar为车辆在第i个检测区间内的长度。

3.构建检测区域模型

现根据实际场景中设置的检测区域，构建如图3所示的检测区域模型。将检测区间两两一组划分成N-1个小检测区域，每个小检测区域作为一个背景估计单元。采用分区间的背景估计方法，可以提高背景估计速度，避免整体估计背景造成背景估计延迟。

4.背景更新

本方法采用改进的背景差分法进行背景更新，具体实现步骤如下：

1)每帧仅对一个检测单元进行背景估计，将第一帧图像作为初始背景；

2)随着时间序列的增加，将当前帧图像与背景图像对应像素进行差分，保留各帧差分结果作为后续动态阈值选择的依据；

pDifImg[i]＝pNowImg[i]-pBakImg[i],i＝0,1,…W*H (3)

上式中，

pDifImg为背景差分结果图像；

pNowImg为当前帧图像；

pBakImg为背景帧图像；

W为图像宽度；

H为图像高度。

3)每帧仅对一个检测单元的背景差分结果进行分析，以此判断是否进行背景更新。当某帧对应检测单元内所有像素差分结果满足下式时，则拷贝当前帧作为新的背景。

pNowImg[i]-pBakImg[i]＝0 (4)

上式中，

i为各检测单元模块内序号。

当检测单元内不满足所有像素背景差分结果为零时，则背景保持不变。

4)按照上述步骤，依次遍历各检测单元，直到所有检测单元检测结束，则从起始检测单元开始进行新一轮背景更新。

二目标分割

本方法采用动态阈值的目标分割方法进行运动目标检测。

所谓动态阈值，是指每帧阈值通过分析背景差分结果的直方图分布情况进行确定。具体分割过程如下：

1.动态阈值选择

1)由视频学相关知识可知，静止图像在背景差分过程中，无明显的灰度变化，其差分结果接近于零；前景中运动图像，其差分结果将存在较大的灰度变化，故可根据差分结果分布情况进行目标分割动态阈值的选择。背景差分结果的直方图如图4所示；

2)观察图4可知，差分结果跳变较大点对应的灰度值即为作为划分前景图像与背景图像的阈值，即图中圈出的过度区域；

3)设直方图分布最高点对应的灰度值为G_top，该灰度值出现的数量为N_max，在直方图分布曲线中，可近似认为N_max和N_max/2之间符合直线分布，其中N_max/2对应灰度值为G_bom，则(G_top,N_max)和(G_bom,N_max/2)两点间直线可表示为：

4)由上述分析，本方法选用的阈值为当N＝0时对应的灰度值，故每帧分割阈值为：

G＝2G_bom-G_top (6)

2.目标分割

确定各帧阈值后，即可进行目标的二值化分割，其实现过程如下：

上式中，

pBinImg为目标分割结果；

i为检测区域内对应像素序号。

3.形态学滤波

目标分割后所得的边界很不平滑，目标区域具有一些噪声孔，背景区域上散布着一些小的噪声物体。为改善上述情况，本方法在目标分割后选择形态学滤波中的开运算去除相应的干扰。

开运算是指先腐蚀后膨胀的过程，使用开运算可以消除小物体、在纤细点处分离物体、平滑较大物体的边界同时并不明显改变其面积，具体实现步骤如下：

1)腐蚀

a.用3*3的结构元素，扫描图像的每一个像素；

b.用结构元素与其覆盖的二值图像做“与”操作；

c.如果都为1，结果图像的该像素为255，否则为0。

2)膨胀

a.用3*3的结构元素，扫描图像的每一个像素；

b.用结构元素与其覆盖的二值图像做“与”操作；

c.如果都为0，结果图像的该像素为0，否则为255。

采用如上方法在全景检测内目标分割的结果如图5所示。

三纹理分析

当在禁停区域内检测到有目标出现后，则要进一步确定该目标状态，本方法对目标出现区域进行纹理分析判断其是否处于停车状态，当其停车时间到达规定值时，则对其进行报警，具体实现过程如下。

1.静止目标检测

通常情况下，每个像素的背景值在较长时间内保持相对稳定，当前景物体通过时，该点的像素值将发生变化，且运动物体通过时像素的变化度大于背景值自身(由环境影响)的变化度。因此，当在禁停区域内检测到像素点在时间序列上的灰度值发生较大变化时，即可确定存在前景物体。而检测到的时间序列像素值变化可能由通过禁停区域的运动物体(并未改变运动状态)和进入区域并停止的物体形成。因此，有效的停车检测首先必须剔除由于运动前景物体经过造成的像素值变化的情况。

当背景像素值发生突然变化，并在短时间内重新恢复到初始背景状态值时，表明有运动物体通过该区域，但并未停止；当背景像素值发生突变，并且在随后的一段时间序列保持像素变化值稳定，则表明该背景像素点被进入禁停区域且停止的前景物体占据，存在可能的违章停车现象。另外，由于受到周围环境及光线变化的影响，背景图像像素值可能会在较长的时间序列上发生扰动，而短时内无法体现，图6为运动物体通过检测区域和进入检测区域且停止两种情况下的某像素点灰度值变化。

2.停驶车辆识别

由于我国特有的混合交通环境，道路上机动车、非机动车、行人混行严重，在道路禁停区域检测到的静止物体可能为自行车、行人或其他非机动车辆。因此，需要对违章停驶的机动车辆进行有效地识别。

本发明将用户设置的检测区域即禁停区域分割出来，，利用分割目标的面积与检测区域面积构成的占空比特征，将其空间特性加以表征。区域内目标的占空比定义为：

S＝a/A (8)

上式中，

a为分割目标面积；

A为检测区域面积。

以占空比作为辨识参量，滤除非机动车及行人等对象在检测区域的静止造成的干扰，进而有效地识别违章停驶车辆。

算法步骤如下：

1)对检测区域内存在分割结果时，即满足下式的像素点，则表明该点存在前景物体经过

pBinImg[i]＝255 (9)

2)当有前景物体经过时，则开始统计时间序列上检测区域内像素值变化情况：

pDif(i,t+1)＝pImg(i,t+1)-pImg(i,t) (10)

上式中，

pDif(i,t+1)为第t+1帧与第t帧对应像素差结果；

pImg(i,t+1)为第t+1帧图像灰度值；

pImg(i,t)为第t帧图像灰度值。

3)基于物体的运动特性与颜色特性，像素值在短期内不可能存在均匀渐变的情况，因此若有

|pDif(i,t+k)|≤ω (11)

上式中，

ω为稳定度，本方法中取其为3。

若在连续j帧(本方法中取j＝25，此值也可根据用户实际处罚依据进行修改)内均有

|pDif(i,t+k+m)|≤ω,m＝0,1,…,j-1 (12)

则确定像素点进入稳定状态。

4)当进入稳态后，计算当前像素点与背景点的差值：

pDifImg(i,t+k+j)＝pImg(i,t+k+j)-pBakImg(i,t-1) (13)

当差值满足下式时，则表明当前像素点状态由前景静止物体占据，否则仍为初始背景。

pDifImg(i,t+k+j)≥G (14)

5)根据前景对象的占空比S判别对象类型，若满足下式时，则认为该前景对象为车辆。

S≥γ (15)

上式中，

γ为占空比分类阈值，本方法取γ＝0.25。

6)由进入稳定状态时刻开始统计车辆停驶时间，根据不同禁停区域的具体违章要求，确定违章停车发生，实现自动报警。

3.违章停车事件确认

当纹理满足上述条件时，并不能确定该事件为违章车辆，当某场景视频接入前即有车辆在检测区域中，则一段时间内背景纹理达到稳定状态，当车辆离开检测区域后，没有车驶入该区域，则一段时间后该区域达到另一稳定状态，此时，有可能发生误报警。

为减少车辆存在于背景中，车辆离开后造成事件误报，使用灰度共生矩阵中纹理特征量——熵值，判断背景中是否含有停驶的车辆。

熵是图像包含信息量的随机性度量。当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大。因此，熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。即如果检测区域背景图像中不含车辆则其熵值较小，当检测区域背景图像中含有车辆时其熵值较大。

熵值计算方法如下所述：

1)将灰度图像划分为k级，本方法为减少计算量，同时提高检测准确率，将直方图间隔选择为15，即将图像划分为255/15＝17个灰度级；

2)统计各灰度级出现的概率p_i，其中i＝1,2,…k；

3)计算各灰度级熵值

E(i)＝-p_ilnp_i (16)

4)统计图像每一个灰度级的熵并，并绘出图像熵值直方图

5)如果熵值直方图较为单一，则判断为此图像为路面，否则图像中含有运动目标。由此减少事件误报几率。

Claims (1)

1.一种基于图像纹理的违章停车检测方法，其特征在于，该方法包括3个步骤，依次是获取背景、目标分割及纹理分析，其中，

所述的获取背景的步骤，使用将检测区域分区间，逐区间进行背景更新的方法获取背景，具体实现过程如下：

A1，确定检测区域；

A2，对所述的检测区域划分区间，即将检测区域由近及远划分为多个检测区间，划分依据包括：

a21)，检测区间划分数量根据实际情况进行设置；

a22)，根据摄像机成像原理，同一目标位于不同视场时其大小不同，故划分检测区间时，近视场检测区间长度应大于远视场检测区间长度，即满足式(1)，

L_i+1＞L_i,i＝1,2,…N-1 (1)

式(1)中，

L_i为第i个检测区间的长度；

N为检测区域划分检测区间的个数；

a23)，一辆被检测车辆覆盖的检测区间不能超过两个，即满足式(2)

L_i+L_i+1＞L_icar,i＝1,2,…N-1 (2)

式(2)中，

L_icar为被检测车辆在第i个检测区间内的长度；

A3，构建检测区域模型，即根据设置的检测区域，构建检测区域模型，包括将检测区间两两一组划分成N-1个小检测区域，每个小检测区域作为一个背景估计单元；

A4，背景更新，采用改进的背景差分法进行背景更新，具体实现步骤包括：

a41)将背景估计单元作为检测单元，每帧仅对一个检测单元进行背景估计，将第一帧图像作为初始背景；

a42)随着时间序列的增加，将当前帧图像与背景图像对应像素进行差分，

保留各帧差分结果作为后续动态阈值选择的依据；

pDif Im g[i]＝pNow Im g[i]-pBak Im g[i],i＝0,1,…W*H (3)

式(3)中，

pDif Im g为背景差分结果图像；

pNow Im g为当前帧图像；

pBak Im g为背景帧图像；

W为图像宽度；

H为图像高度；

a43)每帧仅对一个检测单元的背景差分结果进行分析，以此判断是否进行背景更新，当某帧对应检测单元内所有像素差分结果满足式(4)时，则拷贝当前该帧作为新的背景，

pNow Im g[i]-pBak Im g[i]＝0 (4)

式(4)中，

i为各检测单元内序号，

当检测单元内不满足所有像素背景差分结果为零时，则背景保持不变；

a44)按照所述步骤a41)至a43)，依次遍历各检测单元，直到所有检测单元检测结束，则从起始检测单元开始进行新一轮背景更新；

所述的目标分割步骤，采用动态阈值的目标分割方法进行运动目标检测，所谓动态阈值，是指每帧阈值通过分析背景差分结果的直方图分布情况进行确定，具体分割过程包括：

B1，动态阈值选择，包括：

b11)根据视频学原理，静止图像在背景差分过程中，无明显的灰度变化，其差分结果接近于零；

前景中运动图像，其差分结果将存在较大的灰度变化，故可根据差分结果分布情况进行目标分割动态阈值的选择；

b12)差分结果跳变较大点对应的灰度值即为作为划分前景图像与背景图像的阈值；

b13)设直方图分布最高点对应的灰度值为G_top，该灰度值出现的数量为N_max，在直方图分布曲线中，可近似认为N_max和N_max/2之间符合直线分布， 其中N_max/2对应灰度值为G_bom，则(G_top,N_max)和(G_bom,N_max/2)两点间直线可表示为：

b14)由公式(5)分析，选用的阈值为当N＝0时对应的灰度值，故每帧分割阈值为：

G＝2G_bom-G_top (6)

B2，目标分割，即在确定各帧阈值后，即可进行目标的二值化分割，其实现过程如下：

式(7)中，

pBin Im g为目标分割结果；

i为检测区域内对应像素序号；

B3，形态学滤波，即当目标分割后所得的边界不平滑，目标区域具有噪声孔，背景区域上也散布着噪声物体时，在目标分割完成后选择形态学滤波中的开运算去除噪声干扰，

具体实现步骤如下：

b31)腐蚀，包括

(b31a).用3*3的结构元素，扫描图像的每一个像素；

(b31b).用结构元素与其覆盖的二值图像做“与”操作；

(b31c).如果都为1，结果图像的该像素为255，否则为0；

b32)膨胀，包括

(b32a).用3*3的结构元素，扫描图像的每一个像素；

(b32b).用结构元素与其覆盖的二值图像做“与”操作；

(b32c).如果都为0，结果图像的该像素为0，否则为255；

所述的纹理分析步骤，是当在禁停区域内检测到有目标出现后，则要进一步确定该目标的状态，采用对目标出现区域进行纹理分析判断其是否处于停车 状态，当其停车时间到达规定值时，则对其进行报警，具体实现过程包括：

C1，静止目标检测，当在禁停区域内检测到像素点在时间序列上的灰度值发生大变化时，即可确定存在前景物体，而检测到的时间序列像素值变化由通过禁停区域的运动物体和进入区域并停止的物体形成，因此，有效的停车检测首先必须剔除由于运动前景物体经过造成的像素值变化的情况：

当背景像素值发生突然变化，并在短时间内重新恢复到初始背景状态值时，表明有运动物体通过该区域，但并未停止；

当背景像素值发生突变，并且在随后的一段时间序列保持像素变化值稳定，则表明背景像素点被进入禁停区域且停止的前景物体占据，存在可能的违章停车现象；

由于受到周围环境及光线变化的影响，背景图像像素值如果在较长的时间序列上发生扰动，而短时内无法体现；

C2，停驶车辆识别，即将用户设置的检测区域即禁停区域分割出来，利用分割目标的面积与检测区域面积构成的占空比特征，将其空间特性加以表征，区域内目标的占空比定义为：

S＝a/A (8)

上式(8)中，

a为分割目标面积；

A为检测区域面积；

以占空比作为辨识参量，滤除非机动车及行人对象在检测区域的静止造成的干扰，进而识别违章停驶车辆，

识别算法步骤如下：

c21)对检测区域内存在分割结果时，即满足式(9)的像素点，则表明该点存在前景物体经过

pBin Im g[i]＝255 (9)

c22)当有前景物体经过时，则开始统计时间序列上检测区域内像素值变化情况：

pDif(i,t+1)＝p Im g(i,t+1)-p Im g(i,t) (10)

上式(10)中，

pDif(i,t+1)为第t+1帧与第t帧对应像素差结果；

p Im g(i,t+1)为第t+1帧图像灰度值；

p Im g(i,t)为第t帧图像灰度值；

c23)基于物体的运动特性与颜色特性，像素值在短期内不可能存在均匀渐变的情况，若有

|pDif(i,t+k)|≤ω (11)

上式(11)中，

ω为稳定度；

若在连续j帧内均有

|pDif(i,t+k+m)|≤ω,m＝0,1,…,j-1 (12)

则确定像素点进入稳定状态；

c24)当进入稳态后，计算当前像素点与背景点的差值：

pDif Im g(i,t+k+j)＝p Im g(i,t+k+j)-pBak Im g(i,t-1) (13)

当差值满足下式时，则表明当前像素点状态由前景静止物体占据，否则仍为初始背景，

pDif Im g(i,t+k+j)≥G (14)

G定义如公式(5)；

c25)根据前景对象的占空比S判别对象类型，若满足下式时，则认为该前景对象为车辆，

S≥γ (15)

上式(15)中，

γ为占空比分类阈值；

c26)由进入稳定状态时刻开始统计车辆停驶时间，根据不同禁停区域的具体违章要求，确定违章停车发生，实现自动报警；

C3，违章停车事件确认，使用灰度共生矩阵中纹理特征量——熵值，判断背景中是否含有停驶的车辆，

熵值计算方法如下所述：

c31)将灰度图像划分为k级，将直方图间隔选择为15，即将图像划分为255/15＝17个灰度级；

c32)统计各灰度级出现的概率p_i，其中i＝1,2,…k；

c33)计算各灰度级熵值

E(i)＝-p_i ln p_i (16)

c34)统计图像每一个灰度级的熵，并绘出图像熵值直方图,

c35)如果熵值直方图较为单一，则判断为此图像为路面，否则图像中含有运动目标。