CN107133591B - 基于结构光的车位检测方法及装置 - Google Patents
基于结构光的车位检测方法及装置 Download PDFInfo
- Publication number
- CN107133591B CN107133591B CN201710310543.7A CN201710310543A CN107133591B CN 107133591 B CN107133591 B CN 107133591B CN 201710310543 A CN201710310543 A CN 201710310543A CN 107133591 B CN107133591 B CN 107133591B
- Authority
- CN
- China
- Prior art keywords
- region
- image
- intercept
- parking space
- num
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Abstract
本发明提供了基于结构光的车位检测方法,该方法包括:无车时采集车位图像和结构光车位图像,采用多帧差分法获取平均差分图像;获取标记连通区域的二值图像;根据标记的车位线获取感兴趣区域;提取感兴趣区域内的骨架线,并进行直线拟合,获取感兴趣区域的第一截距和斜率;实时采集车位图像和结构光车位图像,采用多帧差分法获取平均差分图像;提取骨架线,对每个感兴趣区域内的骨架线进行聚类,获取聚类骨架线组;对聚类骨架线组进行直线拟合,获取截距和斜率,并进行有无车判断。与现有技术相比,本发明能快速地对多个车位的当前状态进行检测,对于低亮度的场景也有较好的鲁棒性。
Description
技术领域
本发明涉及图像处理、视频监控以及智能交通,特别涉及车位检测方法及装置。
背景技术
随着城市汽车数量的急剧增长,停车难问题日益突出。研究车位检测方法可以有效地解决车位资源有限的问题,提高车位使用率。目前,车位检测方法主要可分为基于非图像与图像两大类。其中,由于图像信息含量非常丰富以及易于安装等优点,基于图像的车位检测法近年来得到极大关注。
基于图像的车位检测法主要有方差判别法、边缘检测法、标记检测法、相关度判别法等。但上述车位检测方法容易受环境的影响,使得误检率较高。
综上所述,目前迫切需要提出一种鲁棒性较强的基于图像的车位检测方法及装置。
发明内容
有鉴于此,本发明的主要目的在于实现基于图像的车位检测,且鲁棒性较强。
为达到上述目的,按照本发明的第一个方面,提供了基于结构光的车位检测方法,该方法包括:
第一步骤,通过结构光图像采集设备,在无车辆状态下,连续采集N组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
第二步骤,采用阈值分割算法对平均差分图像进行阈值分割,获取平均差分图像的二值图像,采用连通区域标记法对二值图像进行连通区域标记,统计每个标记连通区域的面积,计算该二值图像内所有标记连通区域的面积的平均值并将其作为面积阈值,将区域面积小于面积阈值的标记连通区域滤除;
第三步骤,根据图像内标记的车位线,在二值图像内划分NUM个矩形区域,依次标记为第一感兴趣区域~第NUM感兴趣区域;
第四步骤,分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,并采用最小二乘法将该感兴趣区域内的所有骨架线进行直线拟合,获取拟合直线的截距和斜率,分别标记为第一感兴趣区域~第NUM感兴趣区域的光条直线的第一截距和第一斜率;
第五步骤,通过结构光图像采集设备,在实时状态下,连续采集M组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
第六步骤,按照第二步骤的方法,获取平均差分图像的二值图像,采用骨架提取算法,分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,采用聚类算法对每个感兴趣区域内的所有骨架线沿着第一斜率的方向进行聚类,获取相应的聚类骨架线组;及
第七步骤,采用最小二乘法分别对每个感兴趣区域内的所有聚类骨架线组进行直线拟合,获取拟合直线的截距和斜率,若某一感兴趣区域有一条拟合直线,则根据截距和斜率判别法判断是否有车,否则根据截距判别法判断是否有车停留。
所述第一步骤中NUM个并排车位的车位线内含有反光材料涂抹的宽条,宽条垂直于分隔相邻两车位的车位线,并且从第一个车位的车位线横穿到第NUM个车位的车位线。
所述第一步骤和第五步骤中结构光图像采集设备包括结构光的光学元件和相机,安装位置满足:相机能够采集所述NUM个车位区域的图像,结构光的光学元件发射的结构光能够覆盖在所述NUM个车位区域的宽条上,相机与结构光的光学元件的安装角度、安装高度相差较小。
所述车位图像为通过相机采集的NUM个并排车位范围内的灰度图像。
所述结构光车位图像为通过结构光的光学元件和相机采集的经过结构光照射的NUM个并排车位范围内的灰度图像。
所述多帧差分法为分别计算每组车位图像与结构光车位图像的差分图像,获得差分图像序列,计算上述差分图像序列的平均图像作为平均差分图像。
所述第七步骤中截距和斜率判别法进一步包括:计算感兴趣区域内的拟合直线的截距与该感兴趣区域内第一截距的绝对差值,记为截距差值;计算拟合直线的斜率与第一斜率的绝对差值,记为斜率差值;若截距差值不大于截距差阈值且斜率差值不大于斜率差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车。
所述截距判别法进一步包括:分别计算感兴趣区域内的每一条拟合直线的截距与该感兴趣区域内第一截距的绝对差值,统计绝对差值的最大值,若绝对差值的最大值不大于截距差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车停留。
按照本发明的另一个方面,提供基于结构光的车位检测装置,该装置包括:
无车平均差分图像获取模块,用于通过结构光图像采集设备,在无车辆状态下,连续采集N组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
二值图像获取模块,用于采用阈值分割算法对平均差分图像进行阈值分割,获取平均差分图像的二值图像,采用连通区域标记法对二值图像进行连通区域标记,统计每个标记连通区域的面积,计算该二值图像内所有标记连通区域的面积的平均值并将其作为面积阈值,将区域面积小于面积阈值的标记连通区域滤除;
感兴趣区域获取模块,用于根据图像内标记的车位线,在二值图像内划分NUM个矩形区域,依次标记为第一感兴趣区域~第NUM感兴趣区域;
感兴趣区域第一截距和斜率获取模块,用于分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,并采用最小二乘法将该感兴趣区域内的所有骨架线进行直线拟合,获取拟合直线的截距和斜率,分别标记为第一感兴趣区域~第NUM感兴趣区域的光条直线的第一截距和第一斜率;
实时平均差分图像获取模块,用于通过结构光图像采集设备,在实时状态下,连续采集M组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
感兴趣区域聚类骨架线组获取模块,用于通过二值图像获取模块,获取平均差分图像的二值图像,采用骨架提取算法,分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,采用聚类算法对每个感兴趣区域内的所有骨架线沿着第一斜率的方向进行聚类,获取相应的聚类骨架线组;及
感兴趣区域有无车判别模块,用于采用最小二乘法分别对每个感兴趣区域内的所有聚类骨架线组进行直线拟合,获取拟合直线的截距和斜率,若某一感兴趣区域有一条拟合直线,则根据截距和斜率判别模块判断是否有车,否则根据截距判别模块判断是否有车停留。
所述无车平均差分图像获取模块中NUM个并排车位的车位线内含有反光材料涂抹的宽条,宽条垂直于分隔相邻两车位的车位线,并且从第一个车位的车位线横穿到第NUM个车位的车位线。
所述无车平均差分图像获取模块和实时平均差分图像获取模块中结构光图像采集设备包括结构光的光学元件和相机,安装位置满足:相机能够采集所述NUM个车位区域的图像,结构光的光学元件发射的结构光能够覆盖在所述NUM个车位区域的宽条上,相机与结构光的光学元件的安装角度的差值不大于10°,相机与结构光的光学元件的安装高度的差值不大于30cm。
所述车位图像为通过相机采集的NUM个并排车位范围内的灰度图像。
所述结构光车位图像为通过结构光的光学元件和相机采集的经过结构光照射的NUM个并排车位范围内的灰度图像。
所述多帧差分法为分别计算每组车位图像与结构光车位图像的差分图像,获得差分图像序列,计算上述差分图像序列的平均图像作为平均差分图像。
所述感兴趣区域有无车判别模块中截距和斜率判别模块进一步包括:计算感兴趣区域内的拟合直线的截距与该感兴趣区域内第一截距的绝对差值,记为截距差值;计算拟合直线的斜率与第一斜率的绝对差值,记为斜率差值;若截距差值不大于截距差阈值且斜率差值不大于斜率差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车。
所述截距判别模块进一步包括:分别计算感兴趣区域内的每一条拟合直线的截距与该感兴趣区域内第一截距的绝对差值,统计绝对差值的最大值,若绝对差值的最大值不大于截距差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车停留。
与现有的车位检测技术相比,本发明的基于结构光的车位检测方法及装置通过结构光图像采集设备采集车位图像和结构光车位图像,并通过处理获取车位宽条的光条拟合直线,通过拟合直线判断车位的使用状况。本发明一方面可以同时监控多个车位,实施简单;另一方面对于低亮度的场景也具有较好的鲁棒性。
附图说明
图1示出了按照本发明的基于结构光的车位检测方法的流程图。
图2示出了按照本发明的基于结构光的车位检测装置的框架图。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例详细说明如下,所说明的较佳实施例仅用于说明本发明的技术方案,并非限定本发明。
图1给出了按照本发明的基于结构光的车位检测方法的流程图。如图1所示,按照本发明的基于结构光的车位检测方法包括:
第一步骤S1,通过结构光图像采集设备,在无车辆状态下,连续采集N组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
第二步骤S2,采用阈值分割算法对平均差分图像进行阈值分割,获取平均差分图像的二值图像,采用连通区域标记法对二值图像进行连通区域标记,统计每个标记连通区域的面积,计算该二值图像内所有标记连通区域的面积的平均值并将其作为面积阈值,将区域面积小于面积阈值的标记连通区域滤除;
第三步骤S3,根据图像内标记的车位线,在二值图像内划分NUM个矩形区域,依次标记为第一感兴趣区域~第NUM感兴趣区域;
第四步骤S4,分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,并采用最小二乘法将该感兴趣区域内的所有骨架线进行直线拟合,获取拟合直线的截距和斜率,分别标记为第一感兴趣区域~第NUM感兴趣区域的光条直线的第一截距和第一斜率;
第五步骤S5,通过结构光图像采集设备,在实时状态下,连续采集M组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
第六步骤S6,按照第二步骤S2的方法,获取平均差分图像的二值图像,采用骨架提取算法,分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,采用聚类算法对每个感兴趣区域内的所有骨架线沿着第一斜率的方向进行聚类,获取相应的聚类骨架线组;及
第七步骤S7,采用最小二乘法分别对每个感兴趣区域内的所有聚类骨架线组进行直线拟合,获取拟合直线的截距和斜率,若某一感兴趣区域有一条拟合直线,则根据截距和斜率判别法判断是否有车,否则根据截距判别法判断是否有车停留。
所述第一步骤S1中NUM个并排车位的车位线内含有反光材料涂抹的宽条,宽条垂直于分隔相邻两车位的车位线,并且从第一个车位的车位线横穿到第NUM个车位的车位线。
所述第一步骤S1和第五步骤S5中结构光图像采集设备包括结构光的光学元件和相机,安装位置满足:相机能够采集所述NUM个车位区域的图像,结构光的光学元件发射的结构光能够覆盖在所述NUM个车位区域的宽条上,相机与结构光的光学元件的安装角度的差值不大于10°,相机与结构光的光学元件的安装高度的差值不大于30cm。
所述车位图像为通过相机采集的NUM个并排车位范围内的灰度图像。
所述结构光车位图像为通过结构光的光学元件和相机采集的经过结构光照射的NUM个并排车位范围内的灰度图像。
所述多帧差分法为分别计算每组车位图像与结构光车位图像的差分图像,获得差分图像序列,计算上述差分图像序列的平均图像作为平均差分图像。
所述反光材料为制作的各种反光标志标牌、车辆号牌、安全设施等的材料。
优选地,所述反光材料为反光的油漆。
所述N和M为不小于1的自然数。优选地,N和M的取值范围为2~100。
所述NUM的取值范围为1~20。优选地,所述NUM的取值范围为2~6。
优选地,所述宽条的宽度不小于5cm。
优选地,所述结构光的光学元件为现有的能够发射结构光的光学元件或者光学组件或者光学照明系统。
优选地,所述结构光的光学元件为能够发射红外线的光学元件或者光学组件或者光学照明系统。
优选地,所述相机为现有的能够采集图像的相机或者摄像机或者摄像头。
优选地,所述相机为镜头装有高通滤光元件的相机。
优选地,所述相机与结构光的光学元件的安装角度的差值不大于5°,相机与结构光的光学元件的安装高度的差值不大于15cm。
优选地,每间隔3个车位,安装一套结构光图像采集设备,结构光图像采集设备包括红外线光学元件和镜头装有高通滤光元件的CCD相机,CCD相机安装在能够采集3个车位区域的图像的位置上,红外线光学元件安装在发射的红外线能够覆盖3个车位的反光材料的位置上,且相机和红外线光学元件安装的角度、高度保持一致。
所述获取所述N组差分图像序列的平均差分图像包括:对应每个像素点,计算所述N组差分图像序列内该像素点的灰度值的平均值,将该平均值作为平均差分图像内该像素点的灰度值。
所述第二步骤S2中阈值分割算法为现有的阈值分割算法。
优选地,所述阈值分割算法的分割阈值的取值范围为180~220。例如,可以选取200作为分割阈值,对每组差分图像进行分割。
所述连通区域标记法为现有的连通区域标记算法。所述将区域面积小于面积阈值的标记连通区域滤除为:将区域面积小于面积阈值的标记连通区域内的像素点全部设置为背景点。
所述第三步骤S3中图像内标记的车位线为人工在采集的车位图像内将车位线标记出来。
所述第四步骤S4和第六步骤S6中骨架提取算法为现有的骨架提取算法,最小二乘法为现有的最小二乘算法。
所述第六步骤S6中聚类算法为现有的聚类算法或者聚类方法。
所述第七步骤S7中截距和斜率判别法进一步包括:计算感兴趣区域内的拟合直线的截距与该感兴趣区域内第一截距的绝对差值,记为截距差值;计算拟合直线的斜率与第一斜率的绝对差值,记为斜率差值;若截距差值不大于截距差阈值且斜率差值不大于斜率差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车。
所述截距判别法进一步包括:分别计算感兴趣区域内的每一条拟合直线的截距与该感兴趣区域内第一截距的绝对差值,统计绝对差值的最大值,若绝对差值的最大值不大于截距差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车停留。
优选地,所述截距差阈值的取值范围为30~80。例如,截距差阈值选为50。
优选地,所述斜率差阈值的取值范围为5°~15°。例如,斜率差阈值选为10°。
图2给出了按照本发明的基于结构光的车位检测装置的框架图。如图2所示,按照本发明的基于结构光的车位检测装置包括:
无车平均差分图像获取模块1,用于通过结构光图像采集设备,在无车辆状态下,连续采集N组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
二值图像获取模块2,用于采用阈值分割算法对平均差分图像进行阈值分割,获取平均差分图像的二值图像,采用连通区域标记法对二值图像进行连通区域标记,统计每个标记连通区域的面积,计算该二值图像内所有标记连通区域的面积的平均值并将其作为面积阈值,将区域面积小于面积阈值的标记连通区域滤除;
感兴趣区域获取模块3,用于根据图像内标记的车位线,在二值图像内划分NUM个矩形区域,依次标记为第一感兴趣区域~第NUM感兴趣区域;
感兴趣区域第一截距和斜率获取模块4,用于分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,并采用最小二乘法将该感兴趣区域内的所有骨架线进行直线拟合,获取拟合直线的截距和斜率,分别标记为第一感兴趣区域~第NUM感兴趣区域的光条直线的第一截距和第一斜率;
实时平均差分图像获取模块5,用于通过结构光图像采集设备,在实时状态下,连续采集M组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
感兴趣区域聚类骨架线组获取模块6,用于通过二值图像获取模块2,获取平均差分图像的二值图像,采用骨架提取算法,分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,采用聚类算法对每个感兴趣区域内的所有骨架线沿着第一斜率的方向进行聚类,获取相应的聚类骨架线组;及
感兴趣区域有无车判别模块7,用于采用最小二乘法分别对每个感兴趣区域内的所有聚类骨架线组进行直线拟合,获取拟合直线的截距和斜率,若某一感兴趣区域有一条拟合直线,则根据截距和斜率判别模块判断是否有车,否则根据截距判别模块判断是否有车停留。
所述无车平均差分图像获取模块1中NUM个并排车位的车位线内含有反光材料涂抹的宽条,宽条垂直于分隔相邻两车位的车位线,并且从第一个车位的车位线横穿到第NUM个车位的车位线。
所述无车平均差分图像获取模块1和实时平均差分图像获取模块5中结构光图像采集设备包括结构光的光学元件和相机,安装位置满足:相机能够采集所述NUM个车位区域的图像,结构光的光学元件发射的结构光能够覆盖在所述NUM个车位区域的宽条上,相机与结构光的光学元件的安装角度的差值不大于10°,相机与结构光的光学元件的安装高度的差值不大于30cm。
所述车位图像为通过相机采集的NUM个并排车位范围内的灰度图像。
所述结构光车位图像为通过结构光的光学元件和相机采集的经过结构光照射的NUM个并排车位范围内的灰度图像。
所述多帧差分法为分别计算每组车位图像与结构光车位图像的差分图像,获得差分图像序列,计算上述差分图像序列的平均图像作为平均差分图像。
所述反光材料为制作的各种反光标志标牌、车辆号牌、安全设施等的材料。
优选地,所述反光材料为反光的油漆。
所述N和M为不小于1的自然数。优选地,N和M的取值范围为2~100。
所述NUM的取值范围为1~20。优选地,所述NUM的取值范围为2~6。
优选地,所述宽条的宽度不小于5cm。
所述获取所述N组差分图像序列的平均差分图像包括:对应每个像素点,计算所述N组差分图像序列内该像素点的灰度值的平均值,将该平均值作为平均差分图像内该像素点的灰度值。
所述二值图像获取模块2中阈值分割算法为现有的阈值分割算法。
优选地,所述阈值分割算法的分割阈值的取值范围为180~220。例如,可以选取200作为分割阈值,对每组差分图像进行分割。
所述连通区域标记法为现有的连通区域标记算法。所述将区域面积小于面积阈值的标记连通区域滤除为:将区域面积小于面积阈值的标记连通区域内的像素点全部设置为背景点。
所述感兴趣区域获取模块3中图像内标记的车位线为人工在采集的车位图像内将车位线标记出来。
所述感兴趣区域第一截距和斜率获取模块4和感兴趣区域聚类骨架线组获取模块6中骨架提取算法为现有的骨架提取算法,最小二乘法为现有的最小二乘算法。
所述感兴趣区域聚类骨架线组获取模块6中聚类算法为现有的聚类算法或者聚类方法。
所述感兴趣区域有无车判别模块7中截距和斜率判别模块进一步包括:计算感兴趣区域内的拟合直线的截距与该感兴趣区域内第一截距的绝对差值,记为截距差值;计算拟合直线的斜率与第一斜率的绝对差值,记为斜率差值;若截距差值不大于截距差阈值且斜率差值不大于斜率差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车。
所述截距判别模块进一步包括:分别计算感兴趣区域内的每一条拟合直线的截距与该感兴趣区域内第一截距的绝对差值,统计绝对差值的最大值,若绝对差值的最大值不大于截距差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车停留。
优选地,所述截距差阈值的取值范围为30~80。例如,截距差阈值选为50。
优选地,所述斜率差阈值的取值范围为5°~15°。例如,斜率差阈值选为10°。
与现有的车位检测技术相比,本发明的基于结构光的车位检测方法及装置通过结构光图像采集设备采集车位图像和结构光车位图像,并通过处理获取车位宽条的光条拟合直线,通过拟合直线判断车位的使用状况。本发明一方面可以同时监控多个车位,实施简单;另一方面对于低亮度的场景也具有较好的鲁棒性。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,应当理解,本发明并不限于这里所描述的实现方案,这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善,因此本发明只受到本发明权利要求的内容和范围的限制,其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (16)
1.基于结构光的车位检测方法,其特征在于,该方法包括:
第一步骤,通过结构光图像采集设备,在无车辆状态下,连续采集N组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
第二步骤,采用阈值分割算法对平均差分图像进行阈值分割,获取平均差分图像的二值图像,采用连通区域标记法对二值图像进行连通区域标记,统计每个标记连通区域的面积,计算该二值图像内所有标记连通区域的面积的平均值并将其作为面积阈值,将区域面积小于面积阈值的标记连通区域滤除;
第三步骤,根据图像内标记的车位线,在二值图像内划分NUM个矩形区域,依次标记为第一感兴趣区域~第NUM感兴趣区域;
第四步骤,分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,并采用最小二乘法将该感兴趣区域内的所有骨架线进行直线拟合,获取拟合直线的截距和斜率,分别标记为第一感兴趣区域~第NUM感兴趣区域的光条直线的第一截距和第一斜率;
第五步骤,通过结构光图像采集设备,在实时状态下,连续采集M组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
第六步骤,按照第二步骤的方法,获取平均差分图像的二值图像,采用骨架提取算法,分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,采用聚类算法对每个感兴趣区域内的所有骨架线沿着第一斜率的方向进行聚类,获取相应的聚类骨架线组;及
第七步骤,采用最小二乘法分别对每个感兴趣区域内的所有聚类骨架线组进行直线拟合,获取拟合直线的截距和斜率,若某一感兴趣区域有一条拟合直线,则根据截距和斜率判别法判断是否有车,否则根据截距判别法判断是否有车停留;其中,所述N和M为不小于1的自然数;所述NUM的取值范围为1~20;所述多帧差分法为分别计算每组车位图像与结构光车位图像的差分图像,获得差分图像序列,计算上述差分图像序列的平均图像作为平均差分图像;
进一步地,所述第七步骤中截距和斜率判别法包括:计算感兴趣区域内的拟合直线的截距与该感兴趣区域内第一截距的绝对差值,记为截距差值;计算拟合直线的斜率与第一斜率的绝对差值,记为斜率差值;若截距差值不大于截距差阈值且斜率差值不大于斜率差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车;
所述截距判别法包括:分别计算感兴趣区域内的每一条拟合直线的截距与该感兴趣区域内第一截距的绝对差值,统计绝对差值的最大值,若绝对差值的最大值不大于截距差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车停留。
2.如权利要求1所述的方法,其特征在于,所述NUM个并排车位的车位线内含有反光材料涂抹的宽条,宽条垂直于分隔相邻两车位的车位线,并且从第一个车位的车位线横穿到第NUM个车位的车位线;
其中,所述宽条的宽度不小于5cm。
3.如权利要求1或2所述的方法,其特征在于,所述结构光图像采集设备包括结构光的光学元件和相机,安装位置满足:相机能够采集所述NUM个车位区域的图像,结构光的光学元件发射的结构光能够覆盖在所述NUM个车位区域的宽条上,相机与结构光的光学元件的安装角度的差值不大于10°,相机与结构光的光学元件的安装高度的差值不大于30cm;
所述车位图像为通过相机采集的NUM个并排车位范围内的灰度图像;所述结构光车位图像为通过结构光的光学元件和相机采集的经过结构光照射的NUM个并排车位范围内的灰度图像;
其中,所述结构光的光学元件为现有的能够发射结构光的光学元件或者光学组件或者光学照明系统;所述相机为现有的能够采集图像的相机或者摄像机或者摄像头。
4.如权利要求3所述的方法,其特征在于,所述结构光的光学元件为能够发射红外线的光学元件或者光学组件或者光学照明系统。
5.如权利要求3所述的方法,其特征在于,所述相机为镜头装有高通滤光元件的相机。
6.如权利要求3所述的方法,所述NUM的取值范围为2~6。
7.如权利要求1所述的方法,所述截距差阈值的取值范围为30~80;所述斜率差阈值的取值范围为5°~15°。
8.如权利要求1所述的方法,所述N和M的取值范围为2~100;所述阈值分割算法的分割阈值的取值范围为180~220。
9.基于结构光的车位检测装置,其特征在于,该装置包括:
无车平均差分图像获取模块,用于通过结构光图像采集设备,在无车辆状态下,连续采集N组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
二值图像获取模块,用于采用阈值分割算法对平均差分图像进行阈值分割,获取平均差分图像的二值图像,采用连通区域标记法对二值图像进行连通区域标记,统计每个标记连通区域的面积,计算该二值图像内所有标记连通区域的面积的平均值并将其作为面积阈值,将区域面积小于面积阈值的标记连通区域滤除;
感兴趣区域获取模块,用于根据图像内标记的车位线,在二值图像内划分NUM个矩形区域,依次标记为第一感兴趣区域~第NUM感兴趣区域;
感兴趣区域第一截距和斜率获取模块,用于分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,并采用最小二乘法将该感兴趣区域内的所有骨架线进行直线拟合,获取拟合直线的截距和斜率,分别标记为第一感兴趣区域~第NUM感兴趣区域的光条直线的第一截距和第一斜率;
实时平均差分图像获取模块,用于通过结构光图像采集设备,在实时状态下,连续采集M组NUM个并排车位范围内的车位图像与结构光车位图像序列,采用多帧差分法获取平均差分图像;
感兴趣区域聚类骨架线组获取模块,用于通过二值图像获取模块,获取平均差分图像的二值图像,采用骨架提取算法,分别提取第一感兴趣区域~第NUM感兴趣区域内标记连通区域的骨架线,采用聚类算法对每个感兴趣区域内的所有骨架线沿着第一斜率的方向进行聚类,获取相应的聚类骨架线组;及
感兴趣区域有无车判别模块,用于采用最小二乘法分别对每个感兴趣区域内的所有聚类骨架线组进行直线拟合,获取拟合直线的截距和斜率,若某一感兴趣区域有一条拟合直线,则根据截距和斜率判别模块判断是否有车,否则根据截距判别模块判断是否有车停留;
其中,所述N和M为不小于1的自然数;所述NUM的取值范围为1~20;所述多帧差分法为分别计算每组车位图像与结构光车位图像的差分图像,获得差分图像序列,计算上述差分图像序列的平均图像作为平均差分图像;
进一步地,所述感兴趣区域有无车判别模块中截距和斜率判别法包括:计算感兴趣区域内的拟合直线的截距与该感兴趣区域内第一截距的绝对差值,记为截距差值;计算拟合直线的斜率与第一斜率的绝对差值,记为斜率差值;若截距差值不大于截距差阈值且斜率差值不大于斜率差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车;
所述截距判别法包括:分别计算感兴趣区域内的每一条拟合直线的截距与该感兴趣区域内第一截距的绝对差值,统计绝对差值的最大值,若绝对差值的最大值不大于截距差阈值,则标记该感兴趣区域无车,否则标记该感兴趣区域有车停留。
10.如权利要求9所述的装置,其特征在于,所述NUM个并排车位的车位线内含有反光材料涂抹的宽条,宽条垂直于分隔相邻两车位的车位线,并且从第一个车位的车位线横穿到第NUM个车位的车位线;
其中,所述宽条的宽度不小于5cm。
11.如权利要求9或10所述的装置,其特征在于,所述结构光图像采集设备包括结构光的光学元件和相机,安装位置满足:相机能够采集所述NUM个车位区域的图像,结构光的光学元件发射的结构光能够覆盖在所述NUM个车位区域的宽条上,相机与结构光的光学元件的安装角度的差值不大于10°,相机与结构光的光学元件的安装高度的差值不大于30cm;
所述车位图像为通过相机采集的NUM个并排车位范围内的灰度图像;所述结构光车位图像为通过结构光的光学元件和相机采集的经过结构光照射的NUM个并排车位范围内的灰度图像;
其中,所述结构光的光学元件为现有的能够发射结构光的光学元件或者光学组件或者光学照明系统;所述相机为现有的能够采集图像的相机或者摄像机或者摄像头。
12.如权利要求11所述的装置,其特征在于,所述结构光的光学元件为能够发射红外线的光学元件或者光学组件或者光学照明系统。
13.如权利要求11所述的装置,其特征在于,所述相机为镜头装有高通滤光元件的相机。
14.如权利要求11所述的装置,所述NUM的取值范围为2~6。
15.如权利要求9所述的装置,所述截距差阈值的取值范围为30~80;所述斜率差阈值的取值范围为5°~15°。
16.如权利要求9所述的装置,所述N和M的取值范围为2~100;所述阈值分割算法的分割阈值的取值范围为180~220。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710310543.7A CN107133591B (zh) | 2017-05-05 | 2017-05-05 | 基于结构光的车位检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710310543.7A CN107133591B (zh) | 2017-05-05 | 2017-05-05 | 基于结构光的车位检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133591A CN107133591A (zh) | 2017-09-05 |
CN107133591B true CN107133591B (zh) | 2020-07-21 |
Family
ID=59731390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710310543.7A Active CN107133591B (zh) | 2017-05-05 | 2017-05-05 | 基于结构光的车位检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133591B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993488B (zh) * | 2017-12-13 | 2021-07-06 | 深圳市航盛电子股份有限公司 | 一种基于鱼眼相机的车位识别方法、系统及介质 |
CN108195291B (zh) * | 2018-01-03 | 2020-05-05 | 中山大学 | 一种基于差分光斑的运动车辆三维检测方法及检测装置 |
CN110044292A (zh) * | 2018-01-16 | 2019-07-23 | 郑州宇通客车股份有限公司 | 一种基于线结构光的三维测量方法和系统 |
CN108346313B (zh) * | 2018-04-19 | 2020-10-09 | 浪潮集团有限公司 | 一种空车位检测方法及系统 |
CN110879947A (zh) * | 2018-09-06 | 2020-03-13 | 山东理工大学 | 一种基于一次投影结构光平行条纹图案的实时人脸三维测量方法 |
CN109431681B (zh) * | 2018-09-25 | 2023-12-19 | 吉林大学 | 一种检测睡眠质量的智能眼罩及其检测方法 |
CN117012053A (zh) * | 2023-09-28 | 2023-11-07 | 东风悦享科技有限公司 | 一种车位检测点的后优化方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544487A (zh) * | 2013-11-01 | 2014-01-29 | 扬州瑞控汽车电子有限公司 | 基于单目视觉的前车识别方法 |
CN103984946A (zh) * | 2014-05-23 | 2014-08-13 | 北京联合大学 | 一种基于K-means的高分辨率遥感地图道路提取方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007021328A1 (de) * | 2007-05-07 | 2008-11-13 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Fahrwerksvermessung |
CN103761534B (zh) * | 2014-01-22 | 2017-03-01 | 哈尔滨工业大学 | 一种用于qfp元件视觉定位的检测方法 |
CN104112370B (zh) * | 2014-07-30 | 2016-08-17 | 哈尔滨工业大学深圳研究生院 | 基于监控图像的停车场智能车位识别方法及系统 |
JP6963228B2 (ja) * | 2015-08-24 | 2021-11-05 | 日本システムバンク株式会社 | 画像認識による駐車検出法 |
CN105513410B (zh) * | 2015-11-25 | 2018-04-06 | 成都臻识科技发展有限公司 | 一种基于不可见结构光投影的车位识别方法与装置 |
CN105809715B (zh) * | 2016-03-07 | 2018-07-27 | 南京航空航天大学 | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 |
-
2017
- 2017-05-05 CN CN201710310543.7A patent/CN107133591B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544487A (zh) * | 2013-11-01 | 2014-01-29 | 扬州瑞控汽车电子有限公司 | 基于单目视觉的前车识别方法 |
CN103984946A (zh) * | 2014-05-23 | 2014-08-13 | 北京联合大学 | 一种基于K-means的高分辨率遥感地图道路提取方法 |
Non-Patent Citations (2)
Title |
---|
A Real-Time Adaptive Learning Method for Driver Eye Detection;G.y Zhang et al;《2008 Digital Image Computing: Techniques and Applications》;20081208;第300-304页 * |
驾驶行为评测系统中限速标志识别方法的研究;秦鹏;《中国优秀硕士学位论文全文数据库信息科技辑》;20100815(第8期);第I138-773页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107133591A (zh) | 2017-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133591B (zh) | 基于结构光的车位检测方法及装置 | |
CN109670404B (zh) | 一种基于混合模型的道路积水图像检测预警方法 | |
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN102496282B (zh) | 一种rgb颜色变换的交通路口信号灯状态识别方法 | |
CN103543638B (zh) | 一种自动雨刷控制方法 | |
US8301577B2 (en) | Intelligent monitoring system for establishing reliable background information in a complex image environment | |
Guo et al. | Image-based seat belt detection | |
CN111523397B (zh) | 一种智慧灯杆视觉识别装置、方法及其系统和电子设备 | |
CN104504908A (zh) | 一种违章停车监控方法及系统 | |
CN105654734A (zh) | 车辆违章行为的数据处理方法及装置 | |
CN109886205B (zh) | 安全带实时监测方法和系统 | |
CN111126171A (zh) | 一种车辆逆行检测方法及系统 | |
CN109670450B (zh) | 一种基于视频的人车物检测方法 | |
CN105740836B (zh) | 一种违法占用应急车道的检测方法 | |
KR20160141226A (ko) | 끼어들기 위반차량 단속 시스템 및 그 방법 | |
CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN101236648A (zh) | 可分离雾和消除雾的滤波器 | |
CN111783700B (zh) | 一种路面异物自动识别预警方法和系统 | |
CN101369312B (zh) | 检测图像中交叉口的方法和设备 | |
CN111144301A (zh) | 一种基于深度学习的道路路面缺陷快速预警装置 | |
CN105046223A (zh) | 一种隧道入口“黑洞效应”严重程度的检测装置及方法 | |
CN109800693B (zh) | 一种基于颜色通道混合特征的夜间车辆检测方法 | |
CN102244770B (zh) | 物件监控系统及方法 | |
CN107506777A (zh) | 一种基于小波变化和支持向量机的实时多车牌识别方法和装置 | |
Bachtiar et al. | Parking management by means of computer vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |