CN105225523B

CN105225523B - 一种车位状态检测方法及装置

Info

Publication number: CN105225523B
Application number: CN201510666342.1A
Authority: CN
Inventors: 程博; 夏循龙
Original assignee: Zhejiang Uniview Technologies Co Ltd
Current assignee: Zhejiang Uniview Technologies Co Ltd
Priority date: 2015-10-15
Filing date: 2015-10-15
Publication date: 2018-01-02
Anticipated expiration: 2035-10-15
Also published as: CN105225523A

Abstract

本申请提供一种车位状态检测方法及装置，该方法包括：基于可形变部件模型训练车辆分类器；通过所述车辆分类器对若干正样本的检测计算所述车辆分类器中各部件模型的检出错误率；根据计算得到的检出错误率为所述车辆分类器中各部件模型分配不同的权重值，得到带权重的车辆分类器；在利用所述带权重的车辆分类器对待检测图像进行检测时，根据检测结果调整所述待检测图像中各部件模型的最终得分和最终位置，根据各部件模型的最终得分、最终位置以及权重值确定所述待检测图像中的车辆位置，进而确定车位状态。通过本申请可提高车辆检出率，提升车位状态检测的准确度。

Description

一种车位状态检测方法及装置

技术领域

本申请涉及视频监控技术领域，尤其涉及一种车位状态检测方法及装置。

背景技术

自动车位状态检测技术得到越来越广泛的应用，该技术可帮助用户快速停车、反向寻车，同时，有利于停车场的集中管理。

目前常用的车位状态检测方法主要分为两种：一种是基于硬件的车位状态检测方法，智能化程度低、且安装和维护成本高，可拓展性差。另一种是基于图像的车位状态检测技术，通过提取车位图像的颜色模型特征、边缘特征等进行图像分析，从而判断车位是否被占用，但是，该方法提取的特征过于简单，抗干扰能力差。

发明内容

有鉴于此，本申请提供一种车位状态检测方法及装置。

具体地，本申请是通过如下技术方案实现的：

本申请提供一种车位状态检测方法，该方法包括：

基于可形变部件模型训练车辆分类器；

通过所述车辆分类器对若干正样本的检测计算所述车辆分类器中各部件模型的检出错误率；

根据计算得到的检出错误率为所述车辆分类器中各部件模型分配不同的权重值，得到带权重的车辆分类器；

在利用所述带权重的车辆分类器对待检测图像进行检测时，根据检测结果调整所述待检测图像中各部件模型的最终得分和最终位置，根据各部件模型的最终得分、最终位置以及权重值确定所述待检测图像中的车辆位置，进而确定车位状态。

本申请提供一种车位状态检测装置，该装置包括：

训练单元，用于基于可形变部件模型训练车辆分类器；

计算单元，用于通过所述车辆分类器对若干正样本的检测计算所述车辆分类器中各部件模型的检出错误率；

分配单元，用于根据计算得到的检出错误率为所述车辆分类器中各部件模型分配不同的权重值，得到带权重的车辆分类器；

调整单元，用于在利用所述带权重的车辆分类器对待检测图像进行检测时，根据检测结果调整所述待检测图像中各部件模型的最终得分和最终位置，根据各部件模型的最终得分、最终位置以及权重值确定所述待检测图像中的车辆位置，进而确定车位状态。

由以上描述可以看出，本申请基于可形变部件模型训练带权重的车辆分类器，并利用该带权重的车辆分类器进行车辆检测，以提高车辆检出率，同时，对检测结果进行修正，以提升车位状态检测的准确度。

附图说明

图1是本申请一示例性实施例示出的一种车位状态检测方法流程图；

图2是本申请一示例性实施例示出的一种车位状态检测装置所在设备的基础硬件结构示意图；

图3是本申请一示例性实施例示出的一种车位状态检测装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

目前常用的车位状态检测方法主要分为两种：一、基于硬件的车位状态检测方法，该方法通常利用地磁感应器、红外探测器、超声波探测器等硬件设备对车位进行探测，该方法智能化程度低、且安装和维护成本高，可拓展性差。二、基于图像的车位状态检测技术，主要是对车位的浅度特征进行模式分类，例如，通过提取车位图像的颜色模型特征、边缘特征等对图像进行分析来判断车位是否被占用。该方法提取的特征过于简单，抗干扰能力差，导致车位状态判断不准确。

针对上述问题，本申请实施例提出一种车位状态检测方法，该方法基于可形变部件模型训练带权重的车辆分类器，并利用该带权重的车辆分类器进行车辆检测，以提高车辆检出率，同时，对检测结果进行修正，以提升车位状态检测的准确度。

参见图1，为本申请车位状态检测方法的一个实施例流程图，该实施例对车位状态检测过程进行描述。

步骤101，基于可形变部件模型训练车辆分类器。

车位状态分为满位(有车)或空闲(无车)，对车位状态的检测主要是基于对车辆的识别，当在停车场车位内识别出车辆时，确认车位满位；未识别出车辆时，确认车位空闲。

在进行车辆识别之前，首先需要训练车辆分类器。本申请实施例利用DPM(Deformable Parts Model，可形变部件模型)训练车辆分类器。DPM算法具有训练样本较少而训练效果较优的特点。具体训练过程如下：

收集若干样本。本步骤中收集的样本包括正样本和负样本，例如，选取200张正样本和500张负样本，其中，正样本为包含车辆的图片，负样本为不包含车辆且非停车场环境的图片。本申请实施例选择非停车场环境的图片作为负样本主要是为了提高车辆的检出率，降低漏检率。

在完成样本收集后，将每一个样本划分为若干细胞单元。例如，可将8*8个像素点划分为一个细胞单元。

对样本中的每一个细胞单元执行降维处理。具体为，将当前细胞单元与其周围N个细胞单元所组成的区域进行归一化处理；对每一个细胞单元进行无符号梯度方向值划分，以得到每一个细胞单元的M维特征；将N个细胞单元的特征组成N*M的特征矩阵；求取特征矩阵中每一行、每一列的特征和，以得到当前细胞单元的N+M维特征。

举例说明，假设对当前细胞单元与其周围4个细胞单元所组成的区域进行归一化处理，然后，对每一个细胞单元进行梯度方向值划分。现有技术通常采用有符号(0-360°)和无符号(0-180°)相结合的梯度方向值划分方法，以每隔20°划分一个维度特征为例，有符号的梯度方向值可划分为18维特征；无符号的梯度方向值可划分为9维特征。如果将有符号和无符号的梯度方向值结合使用，则每一个细胞单元的特征维度为4*(18+9)＝108维，特征数量太多，会导致性能消耗过大。本申请实施例基于提升性能的考虑只选取无符号梯度方向进行划分，即只划分9维特征，以降低性能消耗。本申请实施例未采用传统的特征维度计算方法(4*9＝36维)，而是将4个细胞单元的所有维度看成4*9的特征矩阵，对每一行、每一列的特征求和，得到13维特征作为当前细胞单元的特征。

通过对每一个细胞单元的降维处理完成对样本的特征提取。对完成特征提取的每一个样本进行训练，生成车辆分类器。例如，采用多示例学习方法(MI-SVM)对提取的样本特征进行训练，得到车辆分类器。

步骤102，通过所述车辆分类器对若干正样本的检测计算所述车辆分类器中各部件模型的检出错误率。

本步骤利用步骤101训练的车辆分类器对收集的正样本进行车辆检测，得到每一个正样本的综合得分。综合得分计算公式如下：

公式(1)

其中，为根模型的得分；为第i个部件模型的得分；b为偏移系数；n为部件模型个数；score(x₀，y₀，l₀)为检测后的综合得分。公式(1)为现有综合得分计算公式，在此不对细节参数进行介绍。

根据每一个正样本的综合得分以及综合得分中各部件模型的得分计算每一个部件模型的检出错误率，计算过程如下：

从每一个正样本的综合得分中去掉当前选择的部件模型的得分，得到每一个正样本的剩余得分，计算公式如下：

公式(2)

其中，score(x₀，y₀，l₀)为通过公式(1)得到的正样本的综合得分；

是第j个部件模型的得分；score′(x₀，y₀，l₀)为去掉第j个部件模型后的剩余得分。

例如，通过前述车辆分类器对200个正样本进行检测，该车辆分类器由1个根模型和6个部件模型组成。对每一个部件模型排序并标记，分别标记为第1部件模型、第2部件模型，以此类推，直到第6部件模型。假设当前选择对第1部件模型计算检出错误率，则在200个正样本的综合得分中都去掉第1部件模型的得分，得到200个正样本的剩余得分。

在获得每一个正样本的剩余得分后，将每一个正样本的剩余得分分别与预设的得分阈值进行比较，确认每一个正样本中是否有车辆检出。由于从总的综合得分中去掉了一个部件模型的得分，因此，根据剩余得分未必能够检出每一个正样本中的车辆。

统计未检出车辆的正样本数量，根据未检出车辆的正样本数量和正样本总数量计算当前选择的部件模型的检出错误率。例如，去掉第1部件模型后，有10张正样本未检出车辆，则该第1部件模型的检出错误率为10/200＝5％。同理，可得到第2部件模型至第6部件模型的检出错误率。

步骤103，根据计算得到的检出错误率为所述车辆分类器中各部件模型分配不同的权重值，得到带权重的车辆分类器。

检出错误率反映的是部件模型对最终车辆检测的影响程度，当某一部件模型的检出错误率较大时，说明去掉该部件模型将严重影响车辆检出率。考虑到每一个部件模型对车辆检出率的影响程度不同，本申请实施例为每一个部件模型设置了不同的权重值，以提高对车辆检测影响较大的部件模型的重要程度，降低对车辆检测影响较小的部件模型的重要程度。

各部件模型的权重值设置如下：

检出错误率最高的部件模型的权重值为：

K(max)＝K₀×(2×ε(max)/(ε(max)+ε(min))) 公式(3)

检出错误率最低的部件模型的权重值为：

K(min)＝K₀×(2×ε(min)/(ε(max)+ε(min))) 公式(4)

其它部件模型的权重值为：K₀

其中，ε(min)为最小检出错误率；ε(max)为最大检出错误率；K₀为初始权重值，例如，K₀＝1；K(max)为最大权重值；K(min)为最小权重值。

在获得每一个部件模型的权重值后，对各部件模型进行加权处理，得到带权重的车辆分类器，对应的综合得分公式如下：

公式(5)

其中，K_i为部件模型的权重值；score_q(x₀，y₀，l₀)为带权重的综合得分；其它参数参见公式(1)的描述。可见，公式(5)相对于公式(1)增加了各部件模型的权重值，从而更加合理地提高了车辆的检出率。

步骤104，在利用所述带权重的车辆分类器对待检测图像进行检测时，根据检测结果调整所述待检测图像中各部件模型的最终得分和最终位置，根据各部件模型的最终得分、最终位置以及权重值确定所述待检测图像中的车辆位置，进而确定车位状态。

本步骤利用带权重的车辆分类器对待检测图像进行车辆检测，根据检测结果调整待检测图像中各部件模型的最终得分和最终位置。具体调整过程如下：

获取待检测图像的前景区域和背景区域。可采用现有的检测方法进行前背景检测，例如，混合高斯算法、ViBe算法等，在此不做详细介绍。

对每一个部件模型的得分和位置执行调整操作。由于在车位状态检测过程中，往往存在一些不稳定因素，例如，停车场过车或过人，导致车辆检测的综合得分发生较大变化，从而使得判断出的车位状态频繁变化。针对上述问题，本申请实施例对每一次检测出的部件模型的位置以及得分进行调整，以过滤掉上述不稳定因素的影响，提升车位状态检测的有效性。

具体为，利用带权重的车辆分类器对待检测图像进行检测，获取部件模型的当前得分和当前位置。根据部件模型的当前位置判断该部件模型位于背景区域还是前景区域，根据判断结果分以下两种情况进行处理：

情况一，部件模型位于背景区域

部件模型位于背景区域说明检测区域没有发生突变，此次检测的可信度较高。计算该部件模型的当前位置与根据该部件模型的历史数据得出的平均位置的欧氏距离。判断该欧式距离是否大于预设的距离阈值(例如，选取车位宽度的1/5作为距离阈值)，当该欧式距离大于预设的距离阈值时，说明检测出来的车辆位置发生了偏移，且该偏移超出了允许的检测误差范围，那么在一定程度上降低了此次检测的可信度，因此，选取该部件模型根据历史数据计算出来的平均位置和平均得分作为该部件模型此次检测的最终位置和最终得分；当该欧式距离小于或等于预设的距离阈值时，说明检测出来的车辆位置的偏移在允许的检测误差范围内，则将该部件模型的当前位置和当前得分作为该部件模型此次检测的最终位置和最终得分。

其中，部件模型的平均位置和平均得分是根据该部件模型在之前若干图像检测过程中位于背景区域时的位置和得分计算得到。具体为，当部件模型位于背景区域时，记录该部件模型的信息。如前所述位于背景区域的部件模型可信度高，因此，本申请实施例只记录该部件模型位于背景区域时的信息，以提高车辆检测的准确度。其中，部件模型的信息包括部件模型的当前得分和当前位置。当记录的部件模型的信息数量达到预设的数量阈值(例如，100组信息)时，对该部件模型的信息进行聚类处理。求取最大数量类别中部件模型得分的平均值作为该部件模型的平均得分；求取最大数量类别中部件模型位置的平均值作为所述部件模型的平均位置。本申请实施例中聚类处理是指对记录的部件模型的所有信息进行分类，例如，二分类，将离散信息过滤掉，只对相对集中的信息求取平均值，从而进一步提高车辆检测结果的可信度。

此外，由于设备中记录部件模型信息的存储空间通常是有限的，因此，当分配的存储空间填满时，使用新的部件模型信息替换掉最早记录的部件模型信息，以使设备始终根据距离当前最近的若干部件模型信息计算平均值。

由上述描述可以看出，本申请实施例没有直接利用部件模型的检测结果，而是结合该部件模型的历史数据确定此次检测的可信度，从而过滤掉干扰因素，得出相对稳定的检测结果。

情况二，部件模型位于前景区域

部件模型位于前景区域说明检测区域可能出现干扰因素，导致检测结果发生突变，此次检测的可信度不高，因此，过滤掉此次检测结果，将根据历史数据计算得到的部件模型的平均位置和平均得分作为该部件模型此次检测的最终位置和最终得分。

补充说明一点，在设备初始运行阶段，由于没有记录到足够数量的部件模型信息，因此，可能未计算部件模型的平均位置以及平均得分，此时，无论部件模型位于背景区域还是前景区域，均直接利用部件模型的当前位置以及当前得分作为部件模型的最终位置以及最终得分。一旦设备运行稳定后，即可结合根据历史数据计算得到的平均位置以及平均得分对部件模型的检测结果进行调整。

在对每一个部件模型进行调整后，将获取的每一个部件模型的最终得分以及根模型的得分代入公式(5)得到待权重的车辆分类器对当前待检测图像检测的综合得分，根据该综合得分确定待检测图像中是否存在车辆。当确定待检测图像中存在车辆时，根据根模型的位置以及每一个部件模型的最终位置确定车辆的位置，进而确定车位状态。

由于前述训练车辆分类器时未使用环境相关的负样本(例如，包含停车场地面、墙面等的负样本)，且增加了部分部件模型的权重，虽然提高了车辆的检出率，但同时也造成误检率上升。

本申请实施例为了降低误检率，提升检测的可靠性，对检测出的车辆位置进行纹理过滤，过滤掉纹理不丰富的区域，纹理丰富的区域为真正的车辆区域。过滤过程如下：

首先，确定纹理过滤阈值。具体为，获取多幅车位图像，计算车位线宽度与图像尺寸的比例，得到每一个图像尺寸下车位线的像素宽度。收集大量存在和不存在车辆的车位样本，对每一个样本进行纹理过滤，例如，首先用Sobel算法求取纹理，然后利用Otus(大津法)对图像进行二值化操作。

从滤波处理后的各样本中找到车位的各个顶点，从各顶点坐标开始，分别沿x坐标或者y坐标向车位内拓展，找出连续1.5倍车位线像素宽度距离内白色点(像素为255的点)比例不超过10％的点，将该点作为车位线的截止点。找到每一个顶点对应的截止点，将截止点连接起来得到的区域为车位区域。可见，本申请实施例中的车位区域是指位于车位线内不包括车位线的区域，该车位区域的划分可避免车位线的干扰，使车辆检测更加准确。

在确定每一个样本中的车位区域后，计算车位区域内白色点占所有像素点的比例，并根据每一个样本的比例值，得到错误接受率曲线与错误拒绝率曲线，曲线的交点即为纹理过滤阈值。

当从待检测图像中检测出车辆时，去除该车辆所在车位的车位线，即获取去除车位线的车位区域，计算车位区域内白色点所占像素比例，当车位区域内白色点的比例大于纹理过滤阈值时，说明当前车位内有车辆存在，车位状态为满位；反之，车位状态为空闲。

在上述车辆及车位状态检测的基础上，还可以进行车牌检测，将车牌、车位信息上报给后台管理平台，以便集中管理。例如，根据本申请上报的车位状态信息以不同颜色指示灯进行车位状态指示，使用户可以轻松找到处于空闲状态的车位，提供较佳的用户体验。

与前述车位状态检测方法的实施例相对应，本申请还提供了车位状态检测装置的实施例。

本申请车位状态检测装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器运行存储器中对应的计算机程序指令形成的。从硬件层面而言，如图2所示，为本申请车位状态检测装置所在设备的一种硬件结构图，除了图2所示的处理器、网络接口、以及存储器之外，实施例中装置所在的设备通常根据该设备的实际功能，还可以包括其他硬件，对此不再赘述。

请参考图3，为本申请一个实施例中的车位状态检测装置的结构示意图。该车位状态检测装置包括训练单元301、计算单元302、分配单元303以及调整单元304，其中：

训练单元301，用于基于可形变部件模型训练车辆分类器；

计算单元302，用于通过所述车辆分类器对若干正样本的检测计算所述车辆分类器中各部件模型的检出错误率；

分配单元303，用于根据计算得到的检出错误率为所述车辆分类器中各部件模型分配不同的权重值，得到带权重的车辆分类器；

调整单元304，用于在利用所述带权重的车辆分类器对待检测图像进行检测时，根据检测结果调整所述待检测图像中各部件模型的最终得分和最终位置，根据各部件模型的最终得分、最终位置以及权重值确定所述待检测图像中的车辆位置，进而确定车位状态。

进一步地，

所述训练单元301，具体用于收集若干样本，所述样本包括正样本和负样本，所述正样本为包含车辆的图片，所述负样本为不包含车辆且非停车场环境的图片；将所述样本划分为若干细胞单元；对所述样本中每一个细胞单元执行如下降维处理：将当前细胞单元与其周围N个细胞单元所组成的区域进行归一化处理；对每一个细胞单元进行无符号梯度方向值划分，以得到每一个细胞单元的M维特征；将N个细胞单元的特征组成N*M的特征矩阵；求取所述特征矩阵中每一行、每一列的特征和，以得到当前细胞单元的N+M维特征；对通过降维处理提取的样本特征进行训练，生成车辆分类器。

进一步地，

所述计算单元302，具体用于利用所述车辆分类器对若干正样本进行车辆检测；根据检测结果对每一个部件模型执行如下检出错误率计算操作：从每一个正样本的综合得分中去掉当前选择的部件模型的得分，得到每一个正样本的剩余得分；将每一个正样本的剩余得分分别与预设的得分阈值进行比较，确认每一个正样本中是否有车辆检出；统计未检出车辆的正样本数量；根据未检出车辆的正样本数量和正样本总数量计算当前选择的部件模型的检出错误率。

进一步地，所述分配单元303，具体用于：

检出错误率最高的部件模型的权重值为：

K(max)=K₀×(2×ε(max)/(ε(max)+ε(min)))

检出错误率最低的部件模型的权重值为：

K(min)＝K₀×(2×ε(min)/((max)+(min)))

其它部件模型的权重值为：K₀

其中，

ε(min)为最小检出错误率；

ε(max)为最大检出错误率；

K₀为初始权重值；

k(max)为最大权重值；

K(min)为最小权重值。

进一步地，

所述调整单元304，具体用于获取所述待检测图像的前景区域和背景区域；对每一个部件模型的得分和位置执行如下调整操作：获取所述部件模型的当前得分和当前位置；根据所述部件模型的当前位置判断所述部件模型位于背景区域还是前景区域；当所述部件模型位于背景区域时，计算所述部件模型的当前位置与平均位置的欧氏距离；判断所述欧式距离是否大于预设的距离阈值；当所述欧式距离大于预设的距离阈值时，选取所述部件模型的平均位置和平均得分作为所述部件模型的最终位置和最终得分；否则，将所述部件模型的当前位置和当前得分作为所述部件模型的最终位置和最终得分；记录所述部件模型的信息，所述部件模型的信息包括所述部件模型的当前得分和当前位置；当记录的信息数量达到预设的数量阈值时，对所述部件模型的信息进行聚类处理；求取最大数量类别中部件模型得分的平均值作为所述部件模型的平均得分；求取最大数量类别中部件模型位置的平均值作为所述部件模型的平均位置；当所述部件模型位于前景区域时，选取所述部件模型的平均位置和平均得分作为所述部件模型的最终位置和最终得分。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims

1.一种车位状态检测方法，其特征在于，该方法包括：

基于可形变部件模型训练车辆分类器；

2.如权利要求1所述的方法，其特征在于，所述基于可形变部件模型训练车辆分类器，包括：

收集若干样本，所述样本包括正样本和负样本，所述正样本为包含车辆的图片，所述负样本为不包含车辆且非停车场环境的图片；

将所述样本划分为若干细胞单元；

对所述样本中每一个细胞单元执行如下降维处理：将当前细胞单元与其周围N个细胞单元所组成的区域进行归一化处理；对每一个细胞单元进行无符号梯度方向值划分，以得到每一个细胞单元的M维特征；将N个细胞单元的特征组成N*M的特征矩阵；求取所述特征矩阵中每一行、每一列的特征和，以得到当前细胞单元的N+M维特征；

对通过降维处理提取的样本特征进行训练，生成车辆分类器。

3.如权利要求1所述的方法，其特征在于，所述通过所述车辆分类器对若干正样本的检测计算所述车辆分类器中各部件模型的检出错误率，包括：

利用所述车辆分类器对若干正样本进行车辆检测；

根据检测结果对每一个部件模型执行如下检出错误率计算操作：从每一个正样本的综合得分中去掉当前选择的部件模型的得分，得到每一个正样本的剩余得分；将每一个正样本的剩余得分分别与预设的得分阈值进行比较，确认每一个正样本中是否有车辆检出；统计未检出车辆的正样本数量；根据未检出车辆的正样本数量和正样本总数量计算当前选择的部件模型的检出错误率。

4.如权利要求1所述的方法，其特征在于，所述根据计算得到的检出错误率为所述车辆分类器中各部件模型分配不同的权重值，包括：

检出错误率最高的部件模型的权重值为：

K(max)＝K₀×(2×ε(max)/(ε(max)+ε(min)))

检出错误率最低的部件模型的权重值为：

K(min)＝K₀×(2×ε(min)/(ε(max)+ε(min)))

其它部件模型的权重值为：K₀

其中，

ε(min)为最小检出错误率；

ε(max)为最大检出错误率；

K₀为初始权重值；

K(max)为最大权重值；

K(min)为最小权重值。

5.如权利要求1所述的方法，其特征在于，所述根据检测结果调整所述待检测图像中各部件模型的最终得分和最终位置，包括：

获取所述待检测图像的前景区域和背景区域；

对每一个部件模型的得分和位置执行如下调整操作：获取所述部件模型的当前得分和当前位置；根据所述部件模型的当前位置判断所述部件模型位于背景区域还是前景区域；当所述部件模型位于背景区域时，计算所述部件模型的当前位置与平均位置的欧氏距离；判断所述欧氏距离是否大于预设的距离阈值；当所述欧氏距离大于预设的距离阈值时，选取所述部件模型的平均位置和平均得分作为所述部件模型的最终位置和最终得分；否则，将所述部件模型的当前位置和当前得分作为所述部件模型的最终位置和最终得分；记录所述部件模型的信息，所述部件模型的信息包括所述部件模型的当前得分和当前位置；当记录的信息数量达到预设的数量阈值时，对所述部件模型的信息进行聚类处理；求取最大数量类别中部件模型得分的平均值作为所述部件模型的平均得分；求取最大数量类别中部件模型位置的平均值作为所述部件模型的平均位置；当所述部件模型位于前景区域时，选取所述部件模型的平均位置和平均得分作为所述部件模型的最终位置和最终得分。

6.一种车位状态检测装置，其特征在于，该装置包括：

训练单元，用于基于可形变部件模型训练车辆分类器；

7.如权利要求6所述的装置，其特征在于：

所述训练单元，具体用于收集若干样本，所述样本包括正样本和负样本，所述正样本为包含车辆的图片，所述负样本为不包含车辆且非停车场环境的图片；将所述样本划分为若干细胞单元；对所述样本中每一个细胞单元执行如下降维处理：将当前细胞单元与其周围N个细胞单元所组成的区域进行归一化处理；对每一个细胞单元进行无符号梯度方向值划分，以得到每一个细胞单元的M维特征；将N个细胞单元的特征组成N*M的特征矩阵；求取所述特征矩阵中每一行、每一列的特征和，以得到当前细胞单元的N+M维特征；对通过降维处理提取的样本特征进行训练，生成车辆分类器。

8.如权利要求6所述的装置，其特征在于：

所述计算单元，具体用于利用所述车辆分类器对若干正样本进行车辆检测；根据检测结果对每一个部件模型执行如下检出错误率计算操作：从每一个正样本的综合得分中去掉当前选择的部件模型的得分，得到每一个正样本的剩余得分；将每一个正样本的剩余得分分别与预设的得分阈值进行比较，确认每一个正样本中是否有车辆检出；统计未检出车辆的正样本数量；根据未检出车辆的正样本数量和正样本总数量计算当前选择的部件模型的检出错误率。

9.如权利要求6所述的装置，其特征在于，所述分配单元，具体用于：

检出错误率最高的部件模型的权重值为：

K(max)＝K₀×(2×ε(max)/(ε(max)+ε(min)))

检出错误率最低的部件模型的权重值为：

K(min)＝K₀×(2×ε(min)/(ε(max)+ε(min)))

其它部件模型的权重值为：K₀

其中，

ε(min)为最小检出错误率；

ε(max)为最大检出错误率；

K₀为初始权重值；

K(max)为最大权重值；

K(min)为最小权重值。

10.如权利要求6所述的装置，其特征在于：

所述调整单元，具体用于获取所述待检测图像的前景区域和背景区域；对每一个部件模型的得分和位置执行如下调整操作：获取所述部件模型的当前得分和当前位置；根据所述部件模型的当前位置判断所述部件模型位于背景区域还是前景区域；当所述部件模型位于背景区域时，计算所述部件模型的当前位置与平均位置的欧氏距离；判断所述欧氏距离是否大于预设的距离阈值；当所述欧氏距离大于预设的距离阈值时，选取所述部件模型的平均位置和平均得分作为所述部件模型的最终位置和最终得分；否则，将所述部件模型的当前位置和当前得分作为所述部件模型的最终位置和最终得分；记录所述部件模型的信息，所述部件模型的信息包括所述部件模型的当前得分和当前位置；当记录的信息数量达到预设的数量阈值时，对所述部件模型的信息进行聚类处理；求取最大数量类别中部件模型得分的平均值作为所述部件模型的平均得分；求取最大数量类别中部件模型位置的平均值作为所述部件模型的平均位置；当所述部件模型位于前景区域时，选取所述部件模型的平均位置和平均得分作为所述部件模型的最终位置和最终得分。