CN105070094B - 一种基于机器视觉的车位检测系统及车位检测方法 - Google Patents
一种基于机器视觉的车位检测系统及车位检测方法 Download PDFInfo
- Publication number
- CN105070094B CN105070094B CN201510537115.9A CN201510537115A CN105070094B CN 105070094 B CN105070094 B CN 105070094B CN 201510537115 A CN201510537115 A CN 201510537115A CN 105070094 B CN105070094 B CN 105070094B
- Authority
- CN
- China
- Prior art keywords
- parking stall
- parking
- module
- mrow
- situation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明涉及车位检测技术领域，尤其涉及一种基于机器视觉的车位检测系统及车位检测方法，通过构建包括车位拍摄模块、嵌入式模块、车位显示模块、云端处理模块和用户交互模块的基于机器视觉的车位检测系统以检测车位，其中，车位拍摄模块拍摄多个车位停车情况的图像信号，嵌入式模块根据图像信号分析判断拍摄到的车位的通车情况并交由显示模块显示，云端处理模块根据嵌入式模块分析判断的车位的停车情况给出停车建议，用户交互界面给用户显示推荐的停车位置，采用本技术方案，高效检测车位并给正在驶向停车场的用户推荐停车位，方便了用户，提高了车位的停车效率。
Description
技术领域
本发明涉及车位检测技术领域，尤其涉及一种基于机器视觉的车位检测系统及车位检测方法。
背景技术
近年来，随着经济的高速发展，机动车数量迅速增加。但停车场数量有限，而且停车的规模越来越大，这给寻找停车位带来一定的难度，因此停车难的问题日益突出。自动化的车位检测方法可以有效解决车位资源有限的问题，提高停车场的效率。
目前，自动化的车位检测方法很多，有地埋感应线圈、超声波、地磁检测等基于物理特征的检测方法。这些方法施工麻烦，难以维护。
因此，如何能方便快捷的识别停车位成为本领域技术人员面临的一大难题。
发明内容
鉴于上述问题，本发明提出一种基于机器视觉的车位检测系统及车位检测方法，构建一包括车位拍摄模块，嵌入式模块，车位显示模块，云端处理模块和用户交互模块的基于机器视觉的车位检测系统，车位拍摄模块拍摄多个车位停车情况的图像信号，嵌入式模块根据所述图像信号分析判断拍摄到的车位的通车情况并交由显示模块显示，云端处理模块根据嵌入式模块分析判断的所述车位的停车情况给出停车建议，用户交互界面给用户显示推荐的停车位置，该技术方案具体为：
一种基于机器视觉的车位检测系统，其中，所述车位检测系统包括：
车位拍摄模块，拍摄车位获取所述车位的连续的图像信号；
嵌入式模块，与所述车位拍摄模块连接，获取所述图像信号，分析并判断所述车位的停车情况；
车位显示模块，与所述嵌入式模块连接，显示所述车位的停车情况；
云端处理模块，与所述嵌入式模块连接，所述云端处理模块中设置有一存储模块和一分析模块，所述分析模块分析所述车位的停车情况并调取存储模块中与所述停车情况对应的停车建议；
用户交互模块，根据所述停车建议推荐停车位置。
上述的车位检测系统，其中，所述嵌入式模块包括一车位算法识别模块，以通过所述车位算法识别模块判断所述车位的停车情况。
上述的车位检测系统，其中，所述车位算法识别模块还包括复杂度检测分析模块、边缘分析检测模块、纹理特性分析模块和车位连通性分析模块，所述复杂度检测分析模块、所述边缘分析检测模块、所述纹理特性分析模块和所述车位连通性分析模块通过级联的方式连接，以分析判断所述车位的停车情况。
一种基于机器视觉的车位检测方法，其中，所述车位检测方法包括：
车位拍摄模块拍摄车位所在位置的图像信号；
嵌入式模块获取所述图像信号，根据所述图像信号分析并判断所述车位的停车情况；
车位显示模块将所述车位的停车情况呈现出来以供用户了解所述车位的停车情况；
云端处理模块根据所述车位的停车情况进行分析，同时给出停车建议；
用户交互模块根据所述停车建议推荐停车位置。
上述的车位检测方法，其中，所述车位拍摄模块同时拍摄多个车位，将拍摄到的图像信号传输到具有所述嵌入式模块。
上述的车位检测方法，其中，所述车位检测方法中的所述嵌入式模块获取所述图像信号并根据所述图像信号分析且判断所述车位的停车情况的步骤还包括：
复杂度检测分析模块判断所述车位的停车情况，若所述车位有车，则将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述需进一步判断车位有车无车，则边缘分析检测模块判断所述车位的停车情况，若所述车位有车，则将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述纹理特性分析模块分析且判断所述车位的停车情况，若所述车位有车，则将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述车位无车，车位连同性分析模块分析并判断所述车位的停车情况并将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块。
上述的车位检测方法，其中，所述车位检测方法中所述复杂度检测分析模块分析并判断所述车位的停车情况的步骤还包括：
对所述图像信号中所述车位的图像尺寸的熵、方差和平均梯度能量；
在不同尺寸范围中，对所述熵、方差和平均梯度能量进行加权求和；
取所述图像不同尺寸范围中的最大值作为车位的复杂度，设定第一阈值和第二阈值；
若所述车位的复杂度大于第一阈值，则所述车位有车，将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述车位的复杂度小于第二阈值，则所述车位无车；
若所述车位的复杂度大于第二阈值，且小于第一阈值，则所述边缘分析检测模块对所述车位的停车情况进行分析判断。
上述的车位检测方法，其中，所述图像的熵定义为：
其中pi为所述图像中灰度值为i的像素所占的比例。
上述的车位检测方法，其中，所述图像的方差定义为：
其中，I(x，y)代表像素值，代表平均像素值，W代表车位图像计算范围的宽，H代表车位图像计算范围的高。
上述的车位检测方法，其中，所述图像的平均梯度能量为：
F(x,y)＝gx+gy，
其中，gx表示所述像素水平方向的梯度，gy表示所述像素垂直方向的梯度，W表示车位图像计算范围的宽，H表示车位图像计算范围的高。
上述的车位检测方法，其中，所述车位检测方法中所述边缘分析检测模块分析并判断所述车位的停车情况的步骤还包括：
多所述图像信号中所述车位的图像进行滤波；
采用canny算法求拍摄到的图像的边缘，计算不同尺寸范围中所述车位的边缘密度；
取所述计算获得的不同尺寸范围中的边缘密度的最大值作为边缘密度，所述边缘密度大于第三阈值，则所述车位有车，将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述边缘密度小于第四阈值，则所述车位无车；
若所述边缘密度大于所述第四阈值，且小于所述第三阈值，则所述纹理特性分析模块对所述车位的停车情况进行分析判断。
上述的车位检测方法，其中，所述车位检测方法中所述纹理特性分析模块分析并判断所述车位的停车情况的步骤还包括：
颜色共生矩阵中的能量参数与对比度参数进行加权求和，取所述图像在不同尺寸中的最大值作为所述车位的纹理参数。
若所述纹理参数大于第五阈值，则所述车位有车，将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述纹理参数小于第六阈值，则所述车位无车，若所述纹理参数大于第六阈值小于第五阈值，则所车位连通性分析模块对所述车位的停车情况进行分析判断。
上述的车位检测方法，其中，所述颜色共生矩阵的能量参数为：
所述共生矩阵的对比参数为：
其中，q(x，y)表示两个像素灰度级同时发生的概率。
上述的车位检测方法，其中，所述车位检测方法中所述车位连通性分析模块分析并判断所述车位的停车情况的步骤还包括：
设定若干特定位置；
分析每个特定位置的边缘情况，若所述特定位置有边缘，则所述特定位置连通，获取边缘连通的数目。
根据所述边缘连通的数目判断所述车位是否有车，并将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块。
上述技术方案具有如下优点或有益效果：
采用本技术方案，高度检测车位并给正在驶向停车场的用户推荐停车位，方便了用户停车，提高了车位的停车效率。
附图说明
参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。
图1为本发明一实施例中车位检测系统结构示意图；
图2为本发明一实例中车位检测方法流程图；
图3为本发明一实例中嵌入式模块分析并判断车位停车情况方法流程图。
具体实施方式
为了让具备本项发明所属领域常规知识的人员轻松实施本项发明，参照下面所示的附图，对本项发明的实例进行详细说明。但，本项发明可按照不同的形态实施，不仅仅局限于在此说明的实例。为了更加明确地说明本项发明，省略了图纸中与说明无关的部分；而且，在整个说明书中，向类似部分赋予类似的图纸符号。
在本项发明的整个说明书中，某一个部分与另一个部分的“连接”，不仅包括“直接连接”，还包括通过其他元器件相连的“电气性连接”。
在本项发明的整个说明书中，某一个部件位于另一个部件的“上方”，不仅包括某一个部件与另一个部件相接触的状态，还包括两个部件之间还设有另一个部件的状态。
在本项发明的整个说明书中，某个部分“包括”某个构成要素是指，在没有特别禁止器材的前提下，并不是排除其他构成要素，而是还能包括其他构成要素。
在本项发明的整个说明书中采用的程度用语“约”、“实质上”等，如果提示有制造及物质容许误差，就表示相应数值或接近该数值；其目的是，防止不良人员将涉及准确数值或绝对数值的公开内容用于不当用途。在本项发明的整个说明书中使用的程度用语“～(中的)阶段”或“～的阶段”，并不是“为了～的阶段”。
本说明书中的‘部件’是指，由硬件构成的单元(unit)、由软件构成的单元、由软件和硬件构成的单元。
另外，一个单元可由两个以上的硬件构成或者两个以上的单元由一个硬件构成。本说明书中，通过终端、装置或设备实施的操作或功能，其中的一部分可利用与相应终端、装置或设备相连的服务器代替实施。同样，通过服务器实施的操作或功能，其中的一部分也可以利用与该服务器相连的终端、装置或设备代替实施。接下来，参照附图，对本项发明的实例进行详细说明。
参见图1所示结构，本发明提供一种基于机器视觉的车位检测系统，该车位检测系统包括车位拍摄模块、嵌入式模块、车位显示模块、云端处理模块和用户交互模块，其中：
车位拍摄模块拍摄车位获取车位的图像信号；嵌入式模块与车位拍摄模块连接，获取图像信号，分析并判断车位的停车情况；车位显示模块与嵌入式模块连接，显示车位的停车情况；云端处理模块与嵌入式模块连接，云端处理模块中设置有一存储模块和一分析判断模块，分析判断模块分析判断所述车位的停车情况并从存储模块中调取与该停车情况对应的停车建议；用户交互模块根据云端存储模块给出的停车建议推荐停车位置。
作为本发明一个优选实施例，嵌入式模块包括一车位算法识别模块，以通过车位算法识别模块判断车位的停车情况。
作为本发明一个优选实施例，车位算法识别模块还包括复杂度检测分析模块、边缘分析检测模块、纹理特性分析模块和车位连通性分析模块，复杂度检测分析模块、边缘分析检测模块、纹理特性分析模块和车位连通性分析模块通过级联的方式连接，以分析判断车位的停车情况。
其中，车位拍摄模块拍摄多个车位，并将拍摄到的图像信号传输到具有车位分析功能的嵌入式模块。
参见图2所示结构，本发明公开一种基于机器视觉的车位检测方法，首先，车位拍摄模块拍摄车位的图像信号，车位拍摄模块可以同时拍摄多个车位的图像信号，在此以拍摄三个车位为例进行说明。
继续，具有车位分析功能的嵌入式模块利用嵌入式设备运行机器视觉算法，判断拍摄到的车位的停车情况，即拍摄到的车位是否有车。并将是否有车的信息发送到车位显示模块以及云端处理模块。优选的，嵌入式模块可以集成在相机中，如此，系统部署将更加灵活方便。
在此基础上，进一步的，参见图3结构，嵌入式模块分析并判断拍摄到的车位是否有车的步骤还包括：
复杂度检测分析模块判断车位的停车情况，若车位有车，则将车位的停车情况发送给车位显示模块和云端处理模块；
若需进一步判断车位有车还是无车，则边缘分析检测模块判断车位的停车情况，若车位有车，则将车位的停车情况发送给车位显示模块和云端处理模块；
若纹理特性分析模块分析且判断车位的停车情况，若车位有车，则将车位的停车情况发送给车位显示模块和云端处理模块；
若需进一步判断车位有车还是无车，车位连通性分析模块分析并判断车位的停车情况并将车位的停车情况发送给车位显示模块和云端处理模块。
在此基础上，更进一步的复杂度检测分析模块分析并判断车位的停车情况的步骤还包括：计算图像信号中车位的图像尺寸(图像大小相同，但是不同大小的车位在图像中所占的比例不同)，将车位图像统一尺寸，计算统一尺寸后的车位图像的熵、方差和平均梯度能量；对熵、方差和平均梯度能量进行加权求和；取图像不同范围尺寸中的最大值作为车位的复杂度，设定第一阈值T1和第二阈值T2；若车位的复杂度大于第一阈值T1，则车位有车，将车位的停车情况发送给车位显示模块和云端处理模块；若车位的复杂度小于第二阈值T2，则车位无车；若车位的复杂度大于第二阈值T2，且小于第一阈值T1，则边缘分析检测模块对车位的停车情况进行分析判断。
值得注意的是，在本实施例中，图像的熵定义为：
其中pi为图像中灰度值为i的像素所占的比例。
而图像的方差定义为：
其中，I代表像素值，代表平均像素值，W代表车位图像计算范围的宽，H代表车位图像计算范围的高。
与此同时，图像的平均梯度能量为：
F(x,y)＝gx+gy，其中，gx表示像素水平方向的梯度，gy表示像素垂直方向的梯度，W表示图像中像素的宽，H表示图像中像素的高。
当复杂度分析模块无法确定车位的停车情况时，边缘分析检测模块来分析并判断车位的停车情况，边缘分析检测模块分析并判断车位的停车情况的步骤还包括：多图像信号中车位的图像进行滤波；采用canny算法求拍摄到的图像的边缘，在几个尺寸范围内计算车位的边缘密度；取几个尺寸范围内计算获得的边缘密度的最大值作为边缘密度，边缘密度大于第三阈值T3，则车位有车，将车位的停车情况发送给车位显示模块和云端处理模块；若边缘密度小于第四阈值T4，则车位无车；若边缘密度大于第四阈值T4，且小于第三阈值T3，则利用纹理特性分析模块对车位的停车情况进行分析判断。
当边缘分析检测模块无法确定车位的停车情况时，启用车位检测方法中的纹理特性分析模块分析并判断车位的停车情况，其中，纹理特性分析模块分析并判断车位的停车情况的步骤还包括：颜色共生矩阵中的能量参数与对比度参数进行加权求和，对图像不同尺寸范围中的最大值作为车位的纹理参数；若纹理参数大于第五阈值T5，则车位有车，将车位的停车情况发送给车位显示模块和云端处理模块；若纹理参数小于第六阈值T6，则车位无车，若纹理参数大于第六阈值T6小于第五阈值T5，则所车位连通性分析模块对车位的停车情况进行分析判断。
在此基础上，进一步的，颜色共生矩阵的能量参数为：
共生矩阵的对比参数为：
其中，q(x，y)表示两个像素灰度级同时发生的概率。
当纹理特性分析模块无法确定车位的停车情况时，启用车位连通性分析模块分析并确定车位的停车情况，而车位连通性分析模块分析并判断车位的停车情况的步骤还包括：设定几个特定位置；分析每个特定位置是否有边缘，特定位置有边缘则认为此处边缘连通，将边缘连通数增加，最终获得边缘连通数目；根据边缘连通的数目判断车位是否有车，并将车位的停车情况发送给车位显示模块和云端处理模块。
综上所述，本发明通过构建一包括车位拍摄模块，嵌入式模块，车位显示模块，云端处理模块和用户交互模块的基于机器视觉的车位检测系统，其中，车位拍摄模块拍摄多个车位停车情况的图像信号，嵌入式模块根据图像信号分析判断拍摄到的车位的通车情况并交由显示模块显示，云端处理模块根据嵌入式模块分析判断的车位的停车情况给出停车建议，用户交互界面给用户显示推荐的停车位置，采用本技术方案，高效检测车位并给正在驶向停车场的用户推荐停车位，方便了用户，提高了车位的停车效率。
前面所述的本项发明相关说明只限于某一个实例；只要是具备本项发明所属技术领域的常规知识，在无需变更本项发明技术性思想或者必要特点，就能将本项发明变更为其他形态。因此，前面所述的实例涵盖本项发明的任何一种实施形态，并不仅仅局限于本说明书中的形态。例如，定义为单一型的各构成要素可分散实施；同样，定义为分散的构成要素，也能以结合形态实施。
本项发明的范畴并不局限于上述详细说明，可涵盖后面所述的专利申请范围；从专利申请范围的定义、范围以及同等概念中导出的所有变更或者变更形态均包括在本项发明的范畴内。
Claims (12)
1.一种基于机器视觉的车位检测系统，其特征在于，所述车位检测系统包括：
车位拍摄模块，拍摄车位获取所述车位的连续的图像信号；
嵌入式模块，与所述车位拍摄模块连接，获取所述图像信号，分析并判断所述车位的停车情况；
车位显示模块，与所述嵌入式模块连接，显示所述车位的停车情况；
云端处理模块，与所述嵌入式模块连接，所述云端处理模块中设置有一存储模块和一分析模块，所述分析模块分析所述车位的停车情况并调取存储模块中与所述停车情况对应的停车建议；
用户交互模块，根据所述停车建议推荐停车位置；
所述嵌入式模块包括一车位算法识别模块，以通过所述车位算法识别模块判断所述车位的停车情况；
所述车位算法识别模块包括复杂度检测分析模块以及边缘分析检测模块；
所述复杂度检测分析模块分析并判断所述车位的停车情况的步骤还包括：
获取所述图像信号中所述车位的图像尺寸的熵、方差和平均梯度能量；
在不同尺寸范围内，对所述熵、方差和平均梯度能量进行加权求和；
取所述图像在不同尺寸范围内的最大值作为车位的复杂度，设定第一阈值和第二阈值；
若所述车位的复杂度大于第一阈值，则所述车位有车，将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述车位的复杂度小于第二阈值，则所述车位无车；
若所述车位的复杂度大于第二阈值，且小于第一阈值，则边缘分析检测模块对所述车位的停车情况进行分析判断。
2.如权利要求1所述的车位检测系统，其特征在于，所述车位算法识别模块还包括纹理特性分析模块和车位连通性分析模块，所述复杂度检测分析模块、所述边缘分析检测模块、所述纹理特性分析模块和所述车位连通性分析模块通过级联的方式连接，以分析判断所述车位的停车情况。
3.一种基于机器视觉的车位检测方法，其特征在于，所述车位检测方法包括：
车位拍摄模块拍摄车位所在位置的图像信号；
嵌入式模块获取所述图像信号，根据所述图像信号分析并判断所述车位的停车情况；
车位显示模块将所述车位的停车情况呈现出来以供用户了解所述车位的停车情况；
云端处理模块根据所述车位的停车情况进行分析，同时给出停车建议；
用户交互模块，根据所述停车建议推荐停车位置；
所述嵌入式模块包括一车位算法识别模块，以通过所述车位算法识别模块判断所述车位的停车情况；
所述车位算法识别模块包括复杂度检测分析模块，以及边缘分析检测模块；
所述车位检测方法中所述复杂度检测分析模块分析并判断所述车位的停车情况的步骤还包括：
获取所述图像信号中所述车位的图像尺寸的熵、方差和平均梯度能量；
在不同尺寸范围内，对所述熵、方差和平均梯度能量进行加权求和；
取所述图像在不同尺寸范围内的最大值作为车位的复杂度，设定第一阈值和第二阈值；
若所述车位的复杂度大于第一阈值，则所述车位有车，将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述车位的复杂度小于第二阈值，则所述车位无车；
若所述车位的复杂度大于第二阈值，且小于第一阈值，则边缘分析检测模块对所述车位的停车情况进行分析判断。
4.如权利要求3所述的车位检测方法，其特征在于，所述车位拍摄模块同时拍摄多个车位，将拍摄到的图像信号传输到所述嵌入式模块。
5.如权利要求3所述的车位检测方法，其特征在于，所述车位检测方法中的所述嵌入式模块获取所述图像信号并根据所述图像信号分析且判断所述车位的停车情况的步骤还包括：
边缘分析检测模块若所述边缘分析检测模块判断有车则将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
当所述边缘分析检测模块无法确定车位的停车情况时，通过纹理特性分析模块分析且判断所述车位的停车情况，若所述车位有车，则将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
当所述纹理特性分析模块无法确定车位的停车情况时，通过车位连通性分析模块分析并判断所述车位的停车情况并将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块。
6.如权利要求3所述的车位检测方法，其特征在于，所述图像的熵定义为：
<mrow>
<mi>H</mi>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mn>1</mn>
<mo>=</mo>
<mn>255</mn>
</mrow>
</msubsup>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mi>log</mi>
<mi> </mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
</mrow>
其中pi为所述图像中灰度值为i的像素所占的比例。
7.如权利要求3所述的车位检测方法，其特征在于，所述图像的方差定义为：
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>W</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>W</mi>
<mo>*</mo>
<mi>H</mi>
</mrow>
</mfrac>
</msqrt>
<mo>;</mo>
</mrow>
其中，I(x，y)代表像素值，代表平均像素值，W代表车位图像计算范围的宽，H代表车位图像计算范围的高。
8.如权利要求3所述的车位检测方法，其特征在于，所述图像的平均梯度能量为：
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>W</mi>
<mo>*</mo>
<mi>H</mi>
</mrow>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>W</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</msubsup>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
F(x,y)＝gx+gy；
其中，gx表示像素水平方向的梯度，gy表示像素垂直方向的梯度，W表示车位图像计算范围的宽，H表示车位图像计算范围的高，E表示平均梯度能量，F(x,y)表示像素水平方向的梯度和像素垂直方向的梯度之和。
9.如权利要求5所述的车位检测方法，其特征在于，所述车位检测方法中所述边缘分析检测模块分析并判断所述车位的停车情况的步骤还包括：
对所述图像信号中所述车位的图像进行滤波；
采用canny算法求拍摄到的图像的边缘，计算所述车位的在多个尺寸范围中的边缘密度；
取所述多个尺寸范围中计算获得的边缘密度的最大值作为边缘密度，所述边缘密度大于第三阈值，则所述车位有车，将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述边缘密度小于第四阈值，则所述车位无车；
若所述边缘密度大于所述第四阈值，且小于所述第三阈值，则所述纹理特性分析模块对所述车位的停车情况进行分析判断。
10.如权利要求5所述的车位检测方法，其特征在于，所述车位检测方法中所述纹理特性分析模块分析并判断所述车位的停车情况的步骤还包括：
在不同尺寸范围中，颜色共生矩阵中的能量参数与对比度参数进行加权求和，用不同尺寸范围中的最大值作为所述车位的纹理参数；
若所述纹理参数大于第五阈值，则所述车位有车，将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块；
若所述纹理参数小于第六阈值，则所述车位无车，若所述纹理参数大于第六阈值小于第五阈值，则所车位连通性分析模块对所述车位的停车情况进行分析判断。
11.如权利要求10所述的车位检测方法，其特征在于，所述颜色共生矩阵的能量参数为：
<mrow>
<mi>A</mi>
<mi>S</mi>
<mi>M</mi>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>,</mo>
</mrow>
所述共生矩阵的对比参数为：
<mrow>
<mi>C</mi>
<mi>O</mi>
<mi>N</mi>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msup>
<mi>n</mi>
<mn>2</mn>
</msup>
<mo>{</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mrow>
<mo>|</mo>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
<mo>|</mo>
</mrow>
<mo>=</mo>
<mi>n</mi>
</mrow>
</msub>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>;</mo>
</mrow>
其中，q(x，y)表示两个像素灰度级同时发生的概率。
12.如权利要求5所述的车位检测方法，其特征在于，所述车位检测方法中所述车位连通性分析模块分析并判断所述车位的停车情况的步骤还包括：
设定若干特定位置；
分析所述特定位置的边缘情况，若所述特定位置有边缘，则所述特定位置边缘连通，获得边缘连通的数目；
根据所述边缘连通的数目判断所述车位是否有车，并将所述车位的停车情况发送给所述车位显示模块和所述云端处理模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510537115.9A CN105070094B (zh) | 2015-08-27 | 2015-08-27 | 一种基于机器视觉的车位检测系统及车位检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510537115.9A CN105070094B (zh) | 2015-08-27 | 2015-08-27 | 一种基于机器视觉的车位检测系统及车位检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105070094A CN105070094A (zh) | 2015-11-18 |
| CN105070094B true CN105070094B (zh) | 2018-01-02 |
Family
ID=54499448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510537115.9A Active CN105070094B (zh) | 2015-08-27 | 2015-08-27 | 一种基于机器视觉的车位检测系统及车位检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105070094B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10008115B2 (en) * | 2016-02-29 | 2018-06-26 | Analog Devices Global | Visual vehicle parking occupancy sensor |
| CN106504583B (zh) * | 2017-01-05 | 2019-04-05 | 陕西理工学院 | 停车场车位状态的云监控方法 |
| CN107274391A (zh) * | 2017-06-07 | 2017-10-20 | 梧州市兴能农业科技有限公司 | 一种水下图像目标提取系统 |
| CN109389644B (zh) * | 2017-08-10 | 2024-02-13 | 纵目科技（上海）股份有限公司 | 基于方向梯度增强的车位线检测方法 |
| CN109685088A (zh) * | 2017-10-18 | 2019-04-26 | 上海仪电（集团）有限公司中央研究院 | 基于云端分离卷积神经网络的窄带通信智能图像分析系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1097625A (ja) * | 1996-09-20 | 1998-04-14 | Fujitsu General Ltd | 駐車車両検出システム |
| CN101009049A (zh) * | 2006-01-26 | 2007-08-01 | 易卫东 | 停车场空位检测系统 |
| CN102426801A (zh) * | 2011-12-12 | 2012-04-25 | 天津世纪晨实科技有限公司 | 基于视觉分析的停车场泊位自动管理方法和系统 |
| CN104778855B (zh) * | 2014-01-15 | 2017-08-25 | 北京同步科技有限公司 | 智能化停车场管理系统及其管理方法 |
| CN103927902B (zh) * | 2014-04-30 | 2016-03-09 | 西安科技大学 | 一种中小停车场智能车辆引导系统及引导方法 |
-
2015
- 2015-08-27 CN CN201510537115.9A patent/CN105070094B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105070094A (zh) | 2015-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105070094B (zh) | 一种基于机器视觉的车位检测系统及车位检测方法 | |
| CN107657249A (zh) | 多尺度特征行人重识别的方法、装置、存储介质及处理器 | |
| CN109670441A (zh) | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 | |
| CN108921089A (zh) | 车道线检测方法、装置和系统及存储介质 | |
| CN110503108A (zh) | 违章建筑识别方法及装置、存储介质、计算机设备 | |
| CN102084397B (zh) | 图像处理设备、方法 | |
| CN104318225B (zh) | 车牌检测方法及装置 | |
| CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
| CN109145867A (zh) | 人体姿态估计方法、装置、系统、电子设备、存储介质 | |
| US11790499B2 (en) | Certificate image extraction method and terminal device | |
| CN110766039B (zh) | 渣土车运输状态识别方法、介质、设备及渣土车 | |
| CN105976392B (zh) | 基于最大输出概率的车辆轮胎检测方法及装置 | |
| CN107886507B (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
| CN108986125A (zh) | 物体边缘提取方法、装置及电子设备 | |
| WO2021151277A1 (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
| CN110490839A (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
| CN108921209A (zh) | 图片识别方法、装置及电子设备 | |
| CN110443783A (zh) | 一种图像质量评估方法及装置 | |
| CN109460787A (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
| CN104463869A (zh) | 一种视频火焰图像复合识别方法 | |
| CN105528584A (zh) | 一种正脸图像的检测方法和装置 | |
| CN103390151A (zh) | 人脸检测方法及装置 | |
| CN108229240A (zh) | 一种确定图像质量的方法及装置 | |
| CN109146834A (zh) | 车辆定损方法及装置、计算机可读存储介质、终端 | |
| CN106228553A (zh) | 高分辨率遥感图像阴影检测装置与方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |