CN110135360A - 一种基于局部二值模式和支持向量机的车位识别方法 - Google Patents

Abstract

本发明公开了一种基于局部二值模式和支持向量机的车位识别方法，包括以下步骤：S1、通过摄像头对检测区域进行视频数据采集；S2、将采集到的视频数据分为训练集和验证集；S3、采集训练集视频数据中中心位置的灰度级像素及其邻域灰度级像素，通过比较将邻域灰度级像素转化为二进制值；S4、将所有邻域灰度级像素转化的二进制值顺时针顺序组合获得中心位置的LBP编码像素值；S5、通过LBP编码像素值提取图像的纹理直方图数据；S6、利用图像的纹理直方图数据建立SVM训练模型；S7、通过验证集验证SVM训练模型的识别准确度；S8、通过摄像头对检测区域进行实时视频监控；S9、将实时视频监控拍摄到的视频数据传入训练模型；S10、识别结果输出。

Description

一种基于局部二值模式和支持向量机的车位识别方法

技术领域

本发明涉及图像处理领域，尤其涉及一种基于局部二值模式和支持向量机的车位识别方法。

背景技术

随着机动车数量的不断增加，停车难已成为城市交通问题之一。因此，提供一个智能的停车系统是很重要的。车位检测是智能停车系统的一部分，该系统能准确地引导驾驶员找到空位。该系统可以减少拥堵，节省司机的时间。在许多大城市，停车位不足已经成为一个普遍的问题，这个问题的发生是由于快速增长的车辆所有权，因此，大城市对停车位的需求也随之不断的增加。

传统的车位可用性检测方法是通过计算到达和离开车辆的差值来实现的。这种方法非常简单，但它没有提供关于已占用和空闲位置的详细信息，给车辆驾驶人员寻找车位带来诸多不便。此外，还有另一个系统可以提供详细的车位占用信息，该系统通过在每个停车位设置传感器来进行工作，但是该系统需要较多的附加设备和复杂的电缆安装，其成本较高，造价昂贵，不利于市面上的停车场等区域进行普及使用。

发明内容

本发明目的是针对上述问题，提供一种有效提升车位识别准确性的基于局部二值模式和支持向量机的车位识别方法。

为了实现上述目的，本发明的技术方案是：

一种基于局部二值模式和支持向量机的车位识别方法，包括以下步骤：

S1、通过摄像头对检测区域进行视频数据采集；

S2、将采集到的视频数据分为训练集和验证集；

S3、采集训练集视频数据中中心位置的灰度级像素及其邻域灰度级像素，通过比较将邻域灰度级像素转化为二进制值；

S4、将所有邻域灰度级像素转化的二进制值顺时针顺序组合获得中心位置的LBP编码像素值；

S5、通过LBP编码像素值提取图像的纹理直方图数据；

S6、利用图像的纹理直方图数据建立SVM训练模型；

S7、通过验证集验证SVM训练模型的识别准确度；

S8、通过摄像头对检测区域进行实时视频监控；

S9、将实时视频监控拍摄到的视频数据传入训练模型；

S10、识别结果输出。

进一步的，所述步骤S2中，训练集占采集到的视频数据的80％，验证集占采集到的视频数据的20％。

进一步的，所述步骤S3中将邻域灰度级像素转化为二进制值的公式为：

其中，p为相邻点，R为相邻点与中心点的距离；gc为中心点的灰度级像素，gp为邻域像素的灰度级像素；LBPp,r为相邻像素p点的二进制值。

与现有技术相比，本发明具有的优点和积极效果是：

本发明基于摄像头的拍摄系统，可以同时覆盖包括多个停车位在内的大片区域，提供详细的停车场占用地图，并提供空槽位置的空间信息，同时降低了布线安装的复杂性，实现了车位占用的检测和分类。本发明利用LBP和SVM相结合的方法，可以准确识别车位的可用性，LBP和SVM的参数可以明显提高车位的分类精度，避免了由于天气、光照条件、遮挡物等因素引起的环境变化可能影响分类结果的缺陷。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的框架流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

一个关于停车位可用性的信息系统可以帮助司机准确地找到停车位，这个实时系统可以避免驾驶员浪费时间去寻找可用的停车位。本发明采用局部二值模式(LBP)作为提取空车位和已占用车位特征的一种方法，利用支持向量机(SVM)分类器对车位空置或占用状态进行判别，提高了车位识别的准确性，其具体步骤为(如图1所示)：

第一步：通过摄像头对待检测区域进行视频数据采集；

第二步：将视频数据分为两个类，训练类占80％，验证类占20％。

第三步：将灰度级像素及其邻域像素转换为二进制值，并计算邻域像素的坐标；

第四步：由所有以顺时针顺序一致组合的二进制值获得LBP编码像素的值；

第五步：基于纹理点的LBP特征，提取的图像纹理直方图数据。

第六步：利用图像纹理直方图数据建立SVM训练模型。

第七步：采用验证集验证模型识别准确度。

第八步：通过摄像头对检测区域进行实时视频监控；

第九步：将视频数据传入训练模型；

第十步：识别结果输出；

具体实现方式：

数据采集

采用监控摄像头采集的视频数据。摄像头可以覆盖所有停车区域，从相机捕获的帧的分辨率是1280px 720px。从框架中手工提取十个感兴趣区域(ROI)样本。ROI区域根据其每个停车位进行采样，每个ROI的维数为＝100px 70px。

数据集分为两个类，训练类占80％，验证类占20％。针对车位占用检测问题，提出了一种基于纹理点的LBP特征提取方法。将提取的图像纹理直方图数据进行SVM训练，建立车位分类模型。车位分类有两个类，即空槽和已占用槽。

局部二进制模式及其变体

局部二值模式(LBP)是利用相邻像素的灰度分布定义的一种灰度纹理描述符。通过比较相邻像素P(P＝0，…，p1)以R为半径，生成如下式所示的二进制代码模式

gc和gp代表中心的灰度级像素及其邻域像素。邻域像素的坐标计算为并通过插值估计其灰度值。

对于在一个3×3中提取基本LBP纹理，如果相邻像素值小于中心像素值，则用0进行编码，如果相等或更大，则用1进行编码。LBP编码像素的值由所有以顺时针顺序一致组合的二进制值获得，这些二进制值从其顶部中心相邻的值开始。将这个二进制值组合在一起的结果是用作像素上的标签的十进制值。这个二进制值称为LBPs或LBP代码。由于LBP只依赖于中心像素与其相邻像素之间的比较值，所以LBP模式码是灰度尺度不变的。此外，旋转图像时，邻域像素的灰度围绕中心像素旋转。通过旋转可以生成不同的二进制代码，但只能对原始代码模式进行位转移。因此，旋转不变模式代码被计算为

其中ROR(x,i)是一个循环的逐位移位算子。限制比特转换的数量(从0到1，或者从0到1)，统一模式定义如下

统一模式消除了多个二进制模式码，在某些情况下，所消除的模式可以提供有价值的信息。LBP可能缺乏对比度信息，因此为了补偿这种情况，测量局部对比度(VAR)的方差：

LBP是根据图像的直方图或图像的一部分来计算的。这个直方图用于分析图像的纹理。用LBP生成的直方图对纹理进行分类。kullback-leibler-散度用于提供空闲和占用车位图像中的直方图分布。

支持向量机

支持向量机(SVM)是一种由分离超平面形式化定义的判别分类器。当给定有监督的训练数据时，该算法将生成一个超平面，将类分成两个面。在二维空间中，超平面是在不同的侧面将两个类分隔开的一条线。事实上，为数百万个训练数据集找到一个完美的类需要大量的计算时间。SVM分类器中的另一个参数是gamma和kernel。核参数用来定义我们是否想要一个线性的线性分离。需要调整内核参数、C(正则化)和gamma以产生较高的精度和足够的计算时间。核函数通过学习支持向量机的超平面，利用多种线性代数方法对问题进行转换。正则化参数(通常在pythons sklearn库中称为C参数)告诉SVM优化您希望在多大程度上避免对每个训练示例进行错误分类。在C值较大的情况下，优化会使超平面具有较小的裕度，从而可以得到所有分类正确的训练点。相反，如果C值很小，则会导致优化器寻找具有较大边界的分隔符超平面，尽管这会导致超平面错误地对更多的点进行分类。gamma参数决定了在训练中需要考虑的计算点的距离。计算中考虑了低伽马时的远点。而对于高伽马，计算中只考虑闭合点。模型行为对伽马参数非常敏感。如果太大，则支持向量影响区域的半径只包括支持向量本身。当gamma非常小时，模型非常有限，无法捕获数据的复杂性。

采用三组LBP参数对车位数据集进行训练，将这三组LBP参数分别在base、uniform、ri-uniform、ROR、VAR五种类型的LBP kernel上进行测试，在车位空闲和占用情况下，uniform kernel的性能都优于其他LBP kernel。

本发明基于摄像头的拍摄系统，可以同时覆盖包括多个停车位在内的大片区域，提供详细的停车场占用地图，并提供空槽位置的空间信息，同时降低了布线安装的复杂性，实现了车位占用的检测和分类。本发明利用LBP和SVM相结合的方法，可以准确识别车位的可用性，LBP和SVM的参数可以明显提高车位的分类精度，避免了由于天气、光照条件、遮挡物等因素引起的环境变化可能影响分类结果的缺陷。

Claims (3)

1.一种基于局部二值模式和支持向量机的车位识别方法，其特征在于：包括以下步骤：

S1、通过摄像头对检测区域进行视频数据采集；

S2、将采集到的视频数据分为训练集和验证集；

S3、采集训练集视频数据中中心位置的灰度级像素及其邻域灰度级像素，通过比较将邻域灰度级像素转化为二进制值；

S4、将所有邻域灰度级像素转化的二进制值顺时针顺序组合获得中心位置的LBP编码像素值；

S5、通过LBP编码像素值提取图像的纹理直方图数据；

S6、利用图像的纹理直方图数据建立SVM训练模型；

S7、通过验证集验证SVM训练模型的识别准确度；

S8、通过摄像头对检测区域进行实时视频监控；

S9、将实时视频监控拍摄到的视频数据传入训练模型；

S10、识别结果输出。

2.如权利要求1所述的基于局部二值模式和支持向量机的车位识别方法，其特征在于：所述步骤S2中，训练集占采集到的视频数据的80％，验证集占采集到的视频数据的20％。

3.如权利要求1所述的基于局部二值模式和支持向量机的车位识别方法，其特征在于：所述步骤S3中将邻域灰度级像素转化为二进制值的公式为：

其中，p为相邻点，R为相邻点与中心点的距离；gc为中心点的灰度级像素，gp为邻域像素的灰度级像素；LBPp,r为相邻像素p点的二进制值。