CN105989739A

CN105989739A - 混合型停车位监测算法

Info

Publication number: CN105989739A
Application number: CN201510068164.2A
Authority: CN
Inventors: 张国飙
Original assignee: Chengdu Haicun IP Technology LLC
Current assignee: Chengdu Haicun IP Technology LLC
Priority date: 2015-02-10
Filing date: 2015-02-10
Publication date: 2016-10-05

Abstract

本发明提出一种混合型停车位监测算法，它结合了背景比较算法和边缘探测算法各自的优势。其存储器存有一背景图像数据库，该背景图像数据库存有多个日期/时段和光照/地表条件下的背景图像。这个数据库可以尽量减少阴影、光照和地表条件对背景比较的干扰。在数据库存有停车位的合适背景图像时，采用背景比较算法来监测停车位状态，否则采用边缘探测算法。

Description

混合型停车位监测算法

技术领域

本发明涉及电子领域，更确切地说，涉及对停车位的监测。

背景技术

司机们经常因为找不到停车位而感到烦恼。寻找停车位的过程浪费时间，增加燃油消耗，对环境有负面影响。为了节约能源，并提高环境质量，迫切需要开发一种停车位监测系统，它可以实时监测停车位的占用情况。在获取停车位占用数据后，司机可以迅速地在目的地附近找到停车位。

停车位执法是城市管理的一个重要组成部分。现有的停车位执法系统是通过停车执法人员对停车街道和停车场进行不间断巡逻来实现的。这种巡逻模式需要消耗大量人力物力。为了避免这种浪费，人们希望能利用上述停车位监测系统测量每个停车位中所停车辆的停车时间。

停车位监测和停车位执法均需要能探测停放车辆。以往技术的停放车辆探测算法可分为背景比较算法和边缘探测算法。所谓背景比较算法，即在一停车位的ROI（region of interest）内，将该停车位的现时图像与其背景图像（即该停车位未占时的图像）比较。如果有差别，则该停车位处于已占状态。这里，停车位的ROI是指对该停车位的照片进行图像处理的区域。所谓边缘探测算法，即在ROI内能找到至少一条与停车位暴露边界平行的边缘。这里，停车位的暴露边界是指该停车位未被任何停放车辆遮挡的边界（参见美国专利8,923,565)。在同一停车位中，背景比较算法的ROI和边缘探测算法的ROI可能不同。

图1A-图1B披露了背景比较算法的更多细节。街边10的停车区域含有三个停车位A1-C1。在图1A中，停车位A1、C1分别被车辆30a、30c占用，而停车位B1未被占用。停车位B1的ROI 60b位于停车位B1的图像中。在图1B中，停车位B1被车辆30b占用，ROI 60b中大部分区域的图像是车辆30b。由于现时图像和背景图像之间差别很大，停车位B1的状态被标记为已占。

图2A-图2B披露了边缘探测算法的更多细节。在图2A中，边缘探测算法的ROI 70b与图1A中背景比较算法的ROI 60b不同。ROI 70b并不位于停车位B1的图像中，而是由停车位B1的暴露边界16向上扫描形成。在图2B中，停车位B1被车辆30b占用。由于ROI 70b内能探测到两条平行于暴露边界16的边缘90a、90b，停车位B1的状态被标记为已占。由于这些探测到的边缘对应于车辆部件（如车身下边缘、边窗下边缘等），它们又被称为车辆30b的特征边缘。

一般说来，背景比较算法计算量较小，但是其监测效果不理想：它对遮挡、阴影、光照或地表条件敏感。比如说，早晨的太阳和中午的太阳可能会产生不同的阴影；晴天和阴天光线强度不同；雨天、雪天甚至有树叶的地面都可以改变背景图像。另一方面，边缘探测算法虽然监测效果比较可靠，但是计算量较大。这两种算法都无法同时满足停车位监测对计算量和可靠性的要求。

发明内容

本发明的主要目的是节约能源，并改善环境质量。

本发明的另一目的是提高一种监测效果可靠且计算量小的停车位监测系统。

本发明的另一目的是提供一种对拍摄角度、阴影、光线强弱和地面状态不敏感的停车位监测算法。

本发明的另一目的是提供一种计算量较小的停车位监测算法。

根据这些以及别的目的，本发明提出一种混合型停车位监测算法。它含有至少一摄像头、一处理器和一存储器。摄像头对一停车区域拍摄。存储器存储一混合型停车位监测算法和一背景数据库。混合型停车位监测算法包括至少一背景比较算法和一边缘探测算法。背景数据库含有在不同日期/时段和不同光照/地表条件下的背景图像。例如说，背景数据库包括每周每日每小时日间在晴天/干地、阴天/干地、晴天/湿地、阴天/湿地等条件下的背景图像。这个数据库可以尽量减少阴影、光照和地表条件对背景比较算法的干扰。

混合型停车位监测算法结合了背景比较算法和边缘探测算法各自的优势。处理器可以根据一些预设条件选择背景比较算法或边缘探测算法。比如说，由于背景比较算法计算量较小，在停车位监测时尽量使用背景比较算法。另一方面，由于边缘探测算法的监测效果比较可靠，它一般在校准点使用，或者在背景比较算法无法可靠地监测停车位状态时使用。相应地，本发明提出了三种混合型停车位监测算法。

第一种混合型停车位监测算法直接监测停车场的状态。如果在背景数据库中有合适背景图像，则使用背景比较算法，否则使用边缘探测算法。合适背景图像是指在背景数据库中有现在日期/时段在相似光照/地表条件下的背景图像。如果没有合适背景图像，那么通过边缘探测算法监测到的未占车位的图像被送到背景数据库作为新的背景图像（指在现在的日期/时段并在现在的光照/地表条件下的背景图像）。

第二种混合型停车位监测算法监测停车场的状态变化，即比较现时图像和以往图像。对于未占停车位，如果图像有较大变化，则停车位状态变为已占，否则停车位状态没有变化，现时图像被送到背景数据库作为现时背景图像。对于已占停车位，当图像有较大变化时，如果在背景数据库中有合适背景图像，则使用背景比较算法，否则使用边缘探测算法。类似地，通过边缘探测算法监测到的未占车位的图像被送到背景数据库作为新的背景图像（指在现在的日期/时段并在现在的光照/地表条件下的背景图像）。

第三种混合型停车位监测算法将边缘探测算法嵌入到背景比较算法，以提高监测效果的稳定性和可靠性。当实时图像与背景图像的差别（D）低于第一阈值C₁(D<C₁)时，停车位的状态是未占；当D大于第二阈值C₂ (C₂<D)时，停车位的状态是已占；当D介于第一阈值C₁和第二阈值C₂ (C₁<D<C₂)时，采用边缘探测算法来进一步区分停车位的状态。

附图说明

图1A-图1B是一条街道的侧视图。在图1A中，停车位B1未占；在图1B中，停车位B1已占。图1A-图1B进一步显示了停车位B1中背景比较算法的ROI 60b。

图2A-图2B是一条街道的侧视图。在图2A中，停车位B1未占；在图2B中，停车位B1已占。图1A-图1B进一步显示了停车位B1中边缘探测算法的ROI 70b。

图3是一种混合型停车位监测设备的框图。

图4是一种混合型停车位监测算法的流程图。

图5A-图5B是一种背景数据库的框图。

图6是第一种混合型停车位监测算法的流程图。

图7A-图7BB是第二种混合型停车位监测算法的流程图。

图8是第三种混合型停车位监测算法的流程图。

注意到，这些附图仅是概要图，它们不按比例绘图。为了显眼和方便起见，图中的部分尺寸和结构可能做了放大或缩小。在不同实施例中，相同的符号一般表示对应或类似的结构。

具体实施方式

图3表示一种混合型停车位监测设备80。它含有一摄像头82、一存储器88、一处理器86和一通讯接口88。摄像头82对一含有数个停车位（如A1、B1）的停车区域拍摄。存储器84存储一混合型停车位监测算法20和一背景数据库40。处理器86处理由摄像头82拍摄的照片并产生停车状态数据。通讯接口88以预设的时间间隔（如每10秒）将停车状态数据传输到停车伺服器，它也接受第三方传来的时间、日期、光照和地表条件等信息。通讯接口88最好含有一无线通讯接口，如WiFi、手机接口等。

图4是一种混合型停车位监测算法20的流程图。它包括至少一背景比较算法22和一边缘探测算法28。对于背景比较算法22来说，当停车位的图像与其背景图像有很大不同时，该停车位上的状态被标记为已占。对于边缘探测算法28来说，当停车位的图像中能探测到至少一条与停车位暴露边界平行的边缘时，该停车位上的状态被标记为已占。

图5A-图5B披露了一种背景数据库40。它含有多个背景数据子库40A-40C（图5A）。其中，每个背景数据子库（如40B）对应于一个停车位（如B1），它包括在不同日期/时段和不同光照/地表条件下该停车位的背景图像。例如说，背景数据子库包括每周（如1月第一周）每日每小时（如8am、9am…）日间在晴天/干地、阴天/干地、晴天/湿地、阴天/湿地等条件下的背景图像（图5B）。很明显，该数据子库还可以包括其它时段和其它光照/地表条件下的背景图像。这个数据库可以尽量减少阴影、光照和地表条件对背景比较算法的干扰。

混合型停车位监测算法结合了背景比较算法和边缘探测算法各自的优势。处理器可以根据一些预设条件选择背景比较算法或边缘探测算法。比如说，由于背景比较算法计算量较小，在停车位监测时尽量使用背景比较算法。另一方面，由于边缘探测算法的监测效果比较稳定可靠，它一般在校准点使用，或者在背景比较算法无法可靠地监测停车位状态时使用。相应地，本发明提出了三种混合型停车位监测算法，它们在图6-图8中详细介绍。

图6披露了第一种混合型停车位监测算法，它直接监测停车场的状态。该算法包括如下步骤。首先，将该停车位现时ROI图像从拍摄的照片中取出（步骤510）。然后在背景数据库40搜寻合适背景图像。如果找到合适背景图像（步骤520），则使用背景比较算法（步骤530）来获取停车位状态（步骤550）；否则使用边缘探测算法（步骤540）来获取停车位状态（步骤550）。未占停车位的现时图像被送到背景数据库40作为新的背景图像（指在现在的日期/时段并在现在的光照/地表条件下的背景图像）（步骤560）。

图7A-图7BB披露了第二种混合型停车位监测算法，它监测停车场的状态变化，即比较现时图像和以往图像。图7A显示了该算法的基本步骤。在一系列校准点T_c1（如每天的8am）、T_c2（如每天的9am）…，边缘探测算法校准停车位状态（步骤610、630）。在这些校准点，边缘探测算法能获取可靠的停车位状态。在校准点之间则使用混合型停车位监测算法（步骤620）。图7BA-图7BB进一步对此解释。

在图7BA中，停车位的初始状态是未占。首先使用混合型停车位监测算法620来比较现时图像和以往图像（步骤710）。以往图像是在现时以前拍摄的照片，最好是刚才拍摄的照片。考虑到两张照片之间的时间间隔很短（如10秒），如果图像有较大变化（步骤720），则停车位状态变为已占（步骤730），否则停车位状态没有变化。类似地，未占停车位的现时图像被送到背景数据库40作为新的背景图像（步骤740）。

在图7BB中，停车位的初始状态是已占。首先使用混合型停车位监测算法620来比较现时图像和以往图像（步骤810）。当图像有较大变化时（步骤820），如果有合适背景图像（步骤830），则使用背景比较算法（步骤840）来监测停车位状态（步骤860），否则使用边缘探测算法（步骤850）。类似地，未占停车位的现时图像被送到背景数据库40作为新的背景图像（步骤870）。

图8披露了第三种混合型停车位监测算法。它将边缘探测算法嵌入到背景比较算法，以提高监测效果的稳定性和可靠性。当实时图像与背景图像的差别（D）（步骤920）低于第一阈值C₁(D<C₁)时，停车位的状态被标志为未占（步骤930）；当D大于第二阈值C₂ (C₂<D)时，停车位的状态被标志为已占（步骤950）；当D介于第一阈值C₁和第二阈值C₂ (C₁<D<C₂)时，采用边缘探测算法（步骤940）来进一步区分停车位的状态（步骤960）。类似地，未占停车位的现时图像被送到背景数据库40作为新的背景图像（步骤970）。除了应用到图6披露的背景比较算法以外，该算法还可以应用到图7BA-图7BB披露的停车位监测算法中。

应该了解，在不远离本发明的精神和范围的前提下，可以对本发明的形式和细节进行改动，这并不妨碍它们应用本发明的精神。因此，除了根据附加的权利要求书的精神，本发明不应受到任何限制。

Claims

1. 一种混合型停车位监测设备，其特征在于含有：

至少一摄像头以拍摄一含有数个停车位的停车区域；

一存储至少一背景图像数据库、一背景比较算法和一边缘探测算法的存储器；

一处理器，该处理器在第一预设条件下使用该背景比较算法，在第二预设条件下使用该边缘探测算法。

2. 根据权利要求1所述的停车位监测设备，其特征还在于：所述背景图像数据库存储在多个日期/时段的背景图像。

3. 根据权利要求1所述的停车位监测设备，其特征还在于：所述背景图像数据库存储在光照/地表条件下的背景图像。

4. 根据权利要求1所述的停车位监测设备，其特征还在于：所述第一预设条件是该数据库存有该停车区域内选定停车位的合适背景图像。

5. 根据权利要求1所述的停车位监测设备，其特征还在于：所述第二预设条件是该存储器未存有该停车区域内选定停车位的合适背景图像。

6. 根据权利要求1所述的停车位监测设备，其特征还在于：所述第二预设条件是现在时间是一预设校准点。

7. 根据权利要求1所述的停车位监测设备，其特征还在于：所述第二预设条件是现时图像和背景图像的差别在第一和第二阈值之间。

8. 根据权利要求1所述的停车位监测设备，其特征还在于：在所述第二预设条件下该边缘探测算法监测到所选停车位的状态为未占时，将该停车位图像送到该背景图像数据库。

9. 根据权利要求1所述的停车位监测设备，其特征还在于：所述算法比较现时图像和以往图像。

10. 根据权利要求1所述的停车位监测设备，其特征还在于：所述背景比较算法和所述边缘探测算法的ROI不同。