CN106297373A - 基于互相关和地磁传感器的停车场车辆检测方法 - Google Patents

Abstract

一种基于互相关和地磁传感器的停车场车辆检测方法，包括：所述地磁传感器节点采集所经过车辆对地磁的扰动信号，并对采集的信号进行预处理和特征提取，对处理后的信号进行K-means聚类，聚类后的聚类中心信号作为参考信号，并将采集的实时监测数据与参考信号进行互相关计算，最后根据相关性，做出车辆检测的相应判断。上述停车场车辆检测方法采用信号的互相关来判断停车位的状态，由于所选择的参考信号与噪声干扰信号相关性低，而与实际的车辆信号相关性高，可以通过简单的阈值方法来判定待测信号是否为车辆信号。本方法采用了K-means聚类算法，将聚类中心信号作为参考信号，该方法在噪声较大的路边停车场也具有较好的检测性能。

Description

基于互相关和地磁传感器的停车场车辆检测方法

【技术领域】

本发明涉及车辆检测技术，尤其涉及一种停车场车辆检测方法。

【背景技术】

目前停车场车辆检测的方法主要有：超声、视频和地磁检测等手段。超声检测是停车场使用较多的成熟的检测方法，优点是准确度较高，但是在路边停车场安装和维护不方便；视频检测具有直观、信息量丰富等优点，其缺点是图像处理需要存储大量信息，而且容易受到光照条件及天气条件的影响。地磁传感器的优点有：体积小、功耗低、灵敏度高、易于集成以及安装和维护方便等优点。只要把地磁传感器放置于车辆经过的区域就可以感应到车辆的存在，既可以检测道路车流量也可以应用停车场车辆检测。

当一辆汽车经过地磁传感器上方时，会对这一区域的磁场有较大的瞬间影响，外部磁场的改变会导致传感器的输出值发生变化，如图1所示；当车辆离开目标区域后，磁场恢复原来状态。通过地磁传感器输出值的变化来检测车辆是可行的，目前的已有的算法主要可以分为两种：基于阈值的检测方法和基于互相关的检测方法。

基于阈值的算法，主要的思想是当没车的时候确定背景磁场值作为基线，基线被认为是不变的，当磁场传感器的输出值与基线值的差值超过阈值时则判决有车，否则没车。这些阈值方法都存在一个共同的问题：基线漂移、阈值选取等因素对算法的检测精度影响较大。

互相关检测方法可以有效滤掉与参考信号不相关的噪声信号，使得有效信号得以加强，从而提高检测准确率。但是准确检测的关键在于找到一个合适的参考信号，参考信号必须尽可能地与有效信号相似，同时参考信号要保持与噪声信号无关。已有的检测算法参考信号有高斯曲线、磁场变化曲线等，这些方法适用于动态车辆检测，对于静态车辆检测并没有合适的参考信号，因此本发明旨在通过K-means聚类算法找到与实际的有效信号最相关的参考信号，同时设计停车场车辆检测算法，最终能够有效、准确的检测停车场车辆，从而能够准确地判断出车位的状态信息，为智能化停车场管理奠定了基础。

【发明内容】

有鉴于此，有必要提供一种可靠的停车场车辆检测方法。所述地磁传感器节点采集所经过车辆对地磁的扰动信号；然后对采集的信号进行预处理和信号特征提取；对预处理和信号特征提取后的信号进行K-means聚类，并将K-means聚类后的聚类中心作为参考信号；将采集的实时监测数据与参考信号进行互相关计算，互相关计算结果与阈值进行比较，超过阈值则认为车位状态改变，在认为车位状态改变后根据车位前一时刻状态来判断车位最新状态。

在优选的实施方式中，对采集信号的预处理步骤包括下述步骤：所述采集信号进行平滑滤波处理；所述滤波后信号进行去基线处理；所述信号进行求模计算。其中平滑滤波采用下述公式：

$x_s\left(t\right)=\left\{\begin{array}{c}\frac{x_{raw}\left(t\right)+x_{raw}(t-1)+...+x_{raw}\left(1\right)}{t},t<N\\ \frac{x_{raw}\left(t\right)+x_{raw}(t-1)+...+x_{raw}(t-N+1)}{N},t\&GreaterEqual;N\end{array}\right.$

其中，x_raw(t)是采样的x轴原始数据，N为设置的平滑窗口长度，x_s(t)是所述x轴平滑滤波后的信号，y轴和z轴采用与x轴相同的平滑滤波方法。

去基线处理采用下述公式：

x_s-b(t)＝x_s(t)-x_base(t)

其中，x_s(t)是x轴平滑滤波后的信号，x_base(t)是x轴的基线值，y轴和z轴采用与x轴相同的去基线方法。

计算模值采用下述公式：

$G_t=\sqrt{x_{s-b}^2\left(t\right)+y_{s-b}^2\left(t\right)+z_{s-b}^2\left(t\right)}$

其中，x_s-b(t)、y_s-b(t)和z_s-b(t)分别表示x、y和z轴的取基线后的信号。

在优选的实施方式中，所述对预处理信号进行特征提取包括下述步骤：所述预处理后信号进行特征曲线截取，去除静态部分；对截取的特征曲线进行插值处理，使特征曲线长度相同；所述插值处理后的信号进行归一化处理。

所述预处理后信号进行特征曲线截取，去除静态部分，采用下述公式；

G_a＝G(t)，{(t₁-t_d)≤t≤t₂+t_d}

G_d＝G(t)，{(t₃-t_d)≤t≤t₄+t_d}

其中，t₁是车辆到达的时间，t₂是停车后信号从不稳定状态转变为稳定状态的时间点；同样，t₃是车辆离开的时间，t₄是车离开后信号从不稳定状态转变为稳定状态的时间点，t_d是时间延迟参数。

所述对截取的特征曲线进行插值处理，使特征曲线长度相同，插值方法包括以下步骤：

(1)计算特征曲线长度L，并拟合曲线y＝f(x)；

(2)在长度L的区间上平均分布M个点(x₁,x₂,…,x_M,M为插值后的固定长度)；

(3)根据曲线f(x)，计算出M个点所对应的函数值(y₁,y₂,…,y_M)；

(4)Y＝[y₁,y₂,…,y_M]即为插值后特征曲线；

所述特征曲线进行归一化处理，将信号归一到最大值为1，最小值为-1的范围中，采用下述公式：

$Y=(Y_{max}-Y_{min})*\frac{(x-x_{min})}{x_{\max }-x_{\min }}+Y_{min}$

其中，Y_max和Y_min分别表示归一化范围的最大值1和最小值-1，X是原始信号，X_max和X_min分别表示原始信号中的最大值和最小值。

在优选的实施方式中，所述对提取的特征信号进行k-means聚类包括下述步骤：

Step 1:随机选取k个聚类质心点，为μ₁，μ₂，...，μ_k∈Rⁿ。

Step 2:对于每一个样本{x⁽¹⁾，...，x^m}，计算其类别：

$C^{\left(i\right)}:=\mathrm{\&alpha;}rg\underset{j}{\min }{\left|\right|x^{\left(i\right)}-{\mathrm{\&mu;}}_j\left|\right|}^2$

Step 3:对于每一个类j，重新计算该类的质心：

${\mathrm{\&mu;}}_j:=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{C^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{C^{\left(i\right)}=j\}}$

重复step2和step3直到收敛；

其中，K是已知的聚类数，C⁽ⁱ⁾代表样本I与k个类中距离最近的那个类，C⁽ⁱ⁾的值是1到k中的一个，质心μ_j代表同一类样本的中心点。

在优选的实施方式中，所述μ_j引用为互相关检测中的参考信号。

在优选的实施方式中，所述将采集实时检测数据与参考信号进行互相关计算，采用下述公式：

$R_{GY}\left(\mathrm{\&tau;}\right)=\frac{{\mathrm{\&Sigma;}}_{m=0}^{M-\mathrm{\&tau;}-1}(G_m-\stackrel{\&OverBar;}{G})(Y_{m+\mathrm{\&tau;}}-\stackrel{\&OverBar;}{Y})}{\sqrt{{\mathrm{\&Sigma;}}_{m=0}^{M-\mathrm{\&tau;}-1}{(G_m-\stackrel{\&OverBar;}{G})}^2{\mathrm{\&Sigma;}}_{m=\mathrm{\&tau;}}^{M-1}{(Y_m-\stackrel{\&OverBar;}{Y})}^2}}$

其中G_m表示经过预处理的待检测信号，Y_m是经过聚类得到的参考信号，和分别表示两个信号的均值，R_GY(τ)表示两个信号的互相关系数，且在[-1,1]范围内，当两个信号互相关程度较高时，越趋近于1，当两个信号完全不相关时，越趋近于0。

所述判断车位状态是否改变采用下述公式：

$Event\left(t\right)=\left\{\begin{array}{cc}1,& R_{GY}\left(t\right)\&GreaterEqual;TH\\ 0& R_{GY}\left(t\right)<TH\end{array}\right.$

其中，Event(t)表示状态是否改变，为1时表示改变，为0时表示状态不变；TH为设定阈值；R_GY(t)为互相关计算结果。

所述目前车位状态判断采用下述公式：

$S\left(t\right)=\left\{\begin{array}{ccc}0,& S(t-1)=0,& Event\left(t\right)=0;\\ 1,& S(t-1)=0,& Event\left(t\right)=1;\\ 1,& S(t-1)=1,& Event\left(t\right)=0;\\ 0,& S(t-1)=1,& Event\left(t\right)=1;\end{array}\right.$

其中，S(t)＝0表示车位空闲，S(t)＝1表示车位被占用。

有益效果：本发明中的互相关检测方法不依赖于阈值检测方法中与基线的对比，其检测精度不受基线漂移的影响，提高其鲁棒性；在已有的互相关检测算法中参考信号有高斯曲线、磁场变化曲线等，这些方法适用于动态车辆检测，对于停车场静态车辆检测并没有合适的参考信号，本发明通过K-means聚类算法找到与实际的有效信号最相关的参考信号，同时设计停车场车辆检测算法，最终能够有效、准确的检测停车场车辆，从而能够准确地判断出车位的状态信息，为智能化停车场管理奠定了基础。

【附图说明】

图1为车辆驶入和驶出时所对应的地磁信号变化曲线；

图2为停车场车辆检测方法流程图；

图3为采集信号预处理流程图；

图4为提取特征信号流程图；

图5为去除静态波形，截取驶入和驶出的波形曲线；

图6为K-means聚类算法流程图；

图7为互相关检测流程图；

图8为互相关检测结果示例图。

【具体实施方式】

以下结合具体的实施实例和附图进行说明。

如图2所示，一种传停车场车位检测方法，包括以下步骤：

S210，采集信号进行预处理。该步骤包括如下步骤，如图3所示：

S211，采集信号进行平滑滤波处理。均值滤波是对某一参数连续采样N次，然后把N次采样值求和，再取其平均值作为本次采样值。地磁信号虽然可靠，但是也会有一些小的高频干扰，而均值滤波比较适用削弱于这种波动范围较小的高频干扰。平滑滤波采用下述公式：

$x_s\left(t\right)=\left\{\begin{array}{c}\frac{x_{raw}\left(t\right)+x_{raw}(t-1)+...+x_{raw}\left(1\right)}{t},t<N\\ \frac{x_{raw}\left(t\right)+x_{raw}(t-1)+...+x_{raw}(t-N+1)}{N},t\&GreaterEqual;N\end{array}\right.$

其中，x_raw(t)是采样的x轴原始数据，N为设置的平滑窗口长度，x_s(t)是所述x轴平滑滤波后的信号，y轴和z轴采用与x轴相同的滤波方法。

S212，本方法不关心基线，只关心车辆所引起的地磁变化量，为了简化计算，本方法采用了去基线处理，采用下述公式：

x_s-b(t)＝x_s(t)-x_base(t)

其中，x_s(t)是x轴平滑滤波后的信号，x_base(t)是x轴的基线值，y轴和z轴采用与x轴相同的去基线方法。

S213，本方法不考虑方向，只考虑了变化量的模值，计算模值采用下述公式：

$G_t=\sqrt{x_{s-b}^2\left(t\right)+y_{s-b}^2\left(t\right)+z_{s-b}^2\left(t\right)}$

其中，x_s-b(t)、y_s-b(t)和z_s-b(t)分别表示x、y和z轴的取基线后的信号。

S220，特征提取处理。该步骤包括如下步骤，如图4所示：

S221，特征信号截取处理。预处理后的信号绝大部分处于稳定状态，只有在车辆驶入或驶出的时候，信号才处于波动状态，为了节省计算资源和存储资源，降低功耗，大部分稳定状态可以移除，截取部分波动曲线作为特征曲线即可。如图5(左)所示，驶入(arrival)事件时间段(t₁～t₂),输出(departure)事件时间段(t₃～t₄)为特征曲线，为了提高准确性，本发明设置了延迟时间t_d,因此截取的特征曲线为，如图5(右)所示。特征信号截取处理采用下述公式：

G_a＝G(t)，{(t₁-t_d)≤t≤t₂+t_d}

G_d＝G(t)，{(t₃-t_d)≤t≤t₄+t_d}

其中，t₁是车辆到达的时间，t₂是停车后信号从不稳定状态转变为稳定状态的时间点；同样，t₃是车辆离开的时间，t₄是车离开后信号从不稳定状态转变为稳定状态的时间点，t_d是时间延迟参数。

S222，截取的特征曲线进行插值处理，使特征曲线长度相同，插值方法包括下述步骤：

(1)计算特征曲线长度L，并拟合曲线y＝f(x)；

(2)在长度L的区间上平均分布M个点(x₁,x₂,…,x_M,M为插值后的固定长度)；

(3)根据曲线f(x)，计算出M个点所对应的函数值(y₁,y₂,…,y_M)；

(4)Y＝[y₁,y₂,…,y_M]即为插值后特征曲线；

S223，所述插值后曲线进行归一化处理，将信号归一到最大值为1，最小值为-1的范围中，归一化采用下述公式：

$Y=(Y_{max}-Y_{min})*\frac{(x-x_{min})}{x_{\max }-x_{\min }}+Y_{min}$

其中，Y_max和Y_min分别表示归一化范围的最大值1和最小值-1，X是原始信号，x_max和x_min分别表示原始信号中的最大值和最小值。

S230，特征提取结果进行K-means聚类，聚类中心作为互相关检测的参考信号，如图6所示聚类包括下述步骤：

S231:随机选取k个聚类质心点，为μ₁，μ₂，...μ_k∈Rⁿ。

S232:对于每一个样本{x⁽¹⁾，...，x^m}，计算其类别：

$C^{\left(i\right)}:=\mathrm{\&alpha;}rg\underset{j}{\min }{\left|\right|x^{\left(i\right)}-{\mathrm{\&mu;}}_j\left|\right|}^2$

S233:对于每一个类j，重新计算该类的质心：

${\mathrm{\&mu;}}_j:=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{C^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{C^{\left(i\right)}=j\}}$

其中，K是已知的聚类数，C⁽ⁱ⁾代表样本I与k个类中距离最近的那个类，C⁽ⁱ⁾的值是1到k中的一个，质心μ_j代表同一类样本的中心点。

S234:重复step2和step3直到收敛；

S240，互相关检测。该步骤包括下述步骤：采集的实时监测数据与参考信号进行互相关计算；将互相关计算结果与阈值进行比较，如果超过阈值则认为车位状态发生改变，否则车位状态不变；在认为车位状态改变后根据车位前一时刻状态来判断车位最新状态，其流程图如图7所示。

S241，所述采集的实时监测数据与参考信号进行互相关计算，采用下述公式：

$R_{GY}\left(\mathrm{\&tau;}\right)=\frac{{\mathrm{\&Sigma;}}_{m=0}^{M-\mathrm{\&tau;}-1}(G_m-\stackrel{\&OverBar;}{G})(Y_{m+\mathrm{\&tau;}}-\stackrel{\&OverBar;}{Y})}{\sqrt{{\mathrm{\&Sigma;}}_{m=0}^{M-\mathrm{\&tau;}-1}{(G_m-\stackrel{\&OverBar;}{G})}^2{\mathrm{\&Sigma;}}_{m=\mathrm{\&tau;}}^{M-1}{(Y_m-\stackrel{\&OverBar;}{Y})}^2}}$

其中，G_m表示经过预处理的待检测信号，Y_m是经过聚类得到的参考信号，和分别表示两个信号的均值，R_GY(τ)表示两个信号的互相关系数，且在[-1,1]范围内，当两个信号互相关程度较高时，越趋近于1，当两个信号完全不相关时，越趋近于0。

S242，所述将互相关计算结果与阈值进行比较采用下述公式：

$Event\left(t\right)=\left\{\begin{array}{cc}1,& R_{GY}\left(t\right)\&GreaterEqual;TH\\ 0& R_{GY}\left(t\right)<TH\end{array}\right.$

其中，Event(t)表示状态是否改变，为1时表示改变，为0时表示状态不变；TH为设定阈值；R_GY(t)为互相关计算结果。

S243,所述目前车位状态判断采用下述公式：

$S\left(t\right)=\left\{\begin{array}{ccc}0,& S(t-1)=0,& Event\left(t\right)=0;\\ 1,& S(t-1)=0,& Event\left(t\right)=1;\\ 1,& S(t-1)=1,& Event\left(t\right)=0;\\ 0,& S(t-1)=1,& Event\left(t\right)=1;\end{array}\right.$

其中，S(t)＝0表示车位空闲，S(t)＝1表示车位被占用。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种基于互相关和地磁传感器的停车场车辆检测方法，包括以下步骤：

地磁传感器节点采集所经过车辆对地磁的扰动信号；

对采集的信号进行预处理和信号特征提取；

对预处理和信号特征提取后的信号进行K-means聚类，并将K-means聚类后的聚类中心信号作为参考信号；

将采集的实时监测数据与参考信号进行互相关计算，将互相关计算结果与阈值进行比较以判断车位状态是否发生改变，超过阈值则认为车位状态改变，在认为车位状态改变后根据车位前一时刻状态来判断车位最新状态。

2.根据权利要求1所述的方法，其特征在于，对采集的信号进行预处理具体为：

将采集的信号进行平滑滤波处理，然后进行去基线处理，最后计算基线处理后信号的模值。

3.根据权利要求2所述的方法，其特征在于，所述平滑滤波处理采用下述公式：

$x_s\left(t\right)=\left\{\begin{array}{c}\frac{x_{raw}\left(t\right)+x_{raw}(t-1)+...+x_{raw}\left(1\right)}{t},t<N\\ \frac{x_{raw}\left(t\right)+x_{raw}(t-1)+...+x_{raw}(t-N+1)}{N},t\&GreaterEqual;N\end{array}\right.$

其中，x_raw(t)是采样的x轴原始数据，N为设置的平滑窗口长度，x_s(t)是所述x轴平滑滤波后的信号，y轴和z轴采用与x轴相同的方法进行平滑滤波。

4.根据权利要求2所述的方法，其特征在于，所述去基线处理采用下述公式：

x_s-b(t)＝x_s(t)-x_base(t)

其中，x_s(t)是x轴平滑滤波后的信号，x_base(t)是x轴的基线值，y轴和z轴采用与x轴相同的方法进行去基线处理。

5.根据权利要求2所述的方法，其特征在于，计算基线处理后信号的模值采用下述公式：

$G_t=\sqrt{x_{s-b}^2\left(t\right)+y_{s-b}^2\left(t\right)+z_{s-b}^2\left(t\right)}$

其中，x_s-b(t)、y_s-b(t)和z_s-b(t)分别表示x、y和z轴的取基线后的信号。

6.根据权利要求1所述的方法，其特征在于，所述信号特征提取具体为：

将预处理后信号进行特征曲线截取，去除静态部分；然后进行插值处理；最后将插值处理后的信号进行归一化。

7.根据权利要求6所述的方法，其特征在于，所述特征曲线截取采用下述公式：

G_a＝G(t),{(t₁-t_d)≤t≤(t₂+t_d)}

G_d＝G(t),{(t₃-t_d)≤t≤(t₄+t_d)}

其中，t₁是车辆到达的时间，t₂是停车后信号从不稳定状态转变为稳定状态的时间点，t₃是车辆离开的时间，t₄是车离开后信号从不稳定状态转变为稳定状态的时间点，t_d是时间延迟参数。

8.根据权利要求6所述的方法，其特征在于，所述插值处理包括以下步骤：

(1)计算特征曲线长度L，并拟合曲线y＝f(x)；

(2)在长度L的区间上平均分布M个点(x₁,x₂,…,x_M,M为插值后的固定长度)；

(3)根据曲线f(x)，计算出M个点所对应的函数值(y₁,y₂,…,y_M)；

(4)Y＝[y₁,y₂,…,y_M]即为插值后特征曲线。

9.根据权利要求6所述的方法，其特征在于，所述将插值处理后的信号进行归一化采用下述公式：

$Y=(Y_{max}-Y_{min})*\frac{(x-x_{\min })}{x_{\max }-x_{\min }}+Y_{min}$

其中，Y_max和Y_min分别表示归一化范围的最大值1和最小值-1，X是原始信号，x_max和x_min分别表示原始信号中的最大值和最小值。

10.根据权利要求1所述的方法，其特征在于，所述K-means聚类中，训练样本{x⁽¹⁾，...，x^m}来自于停车场的地磁传感器采集的数据，每个x⁽ⁱ⁾∈Rⁿ，k-means算法是将样本聚类成k个簇，具体步骤如下：

Step 1:随机选取k个聚类质心点，为μ₁，μ₂，...，μ_k∈Rⁿ；

Step 2:对于每一个样本，计算其类别：

C⁽ⁱ⁾：＝argmin_j||x⁽ⁱ⁾-μ_j||²；

Step 3:对于每一个类j，重新计算该类的质心：

${\mathrm{\&mu;}}_j:=\frac{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{C^{\left(i\right)}=j\}{x}^{\left(i\right)}}{{\mathrm{\&Sigma;}}_{i=1}^{m}1\{C^{\left(i\right)}=j\}};$

重复step2和step3直到收敛；

其中，K是已知的聚类数，C⁽ⁱ⁾代表样本I与k个类中距离最近的那个类，C⁽ⁱ⁾的值是1到k中的一个，质心μ_j代表同一类样本的中心点。

11.根据权利要求10所述的方法，其特征在于，所述μ_j引用为相关检测的参考信号。

12.根据权利要求1所述的方法，其特征在于，所述互相关计算采用下述公式：

$R_{GY}\left(\mathrm{\&tau;}\right)=\frac{{\mathrm{\&Sigma;}}_{m=0}^{M-\mathrm{\&tau;}-1}(G_m-\stackrel{\&OverBar;}{G})(Y_{m+\mathrm{\&tau;}}-\stackrel{\&OverBar;}{Y})}{\sqrt{{\mathrm{\&Sigma;}}_{m=0}^{M-\mathrm{\&tau;}-1}{(G_m-\stackrel{\&OverBar;}{G})}^2{\mathrm{\&Sigma;}}_{m=\mathrm{\&tau;}}^{M-1}{(Y_m-\stackrel{\&OverBar;}{Y})}^2}}$

其中，G_m表示经过预处理的待检测信号，Y_m是经过聚类得到的参考信号，和分别表示两个信号的均值，R_GY(τ)表示两个信号的互相关系数，且在[-1,1]范围内，当两个信号互相关程度较高时，越趋近于1，当两个信号完全不相关时，越趋近于0。

13.根据权利要求1所述的方法，其特征在于，所述判断车位状态是否改变采用下述公式：

$Event\left(t\right)=\left\{\begin{array}{cc}1,& R_{GY}\left(t\right)\&GreaterEqual;TH\\ 0& R_{GY}\left(t\right)<TH\end{array}\right.$

其中，Event(t)表示状态是否改变，为1时表示改变，为0时表示状态不变；TH为设定阈值；R_GY(t)为互相关计算结果。

14.根据权利要求12的方法，其特征在于，所述判断车位最新状态采用下述公式：

$S\left(t\right)=\left\{\begin{array}{ccc}0,& S(t-1)=0,& Event\left(t\right)=0;\\ 1,& S(t-1)=0,& Event\left(t\right)=1;\\ 1,& S(t-1)=1,& Event\left(t\right)=0;\\ 0,& S(t-1)=1,& Event\left(t\right)=1;\end{array}\right.$

其中，S(t)＝0表示车位空闲，S(t)＝1表示车位被占用。