CN110232835A - 一种基于图像处理的地下车库停车位检测方法 - Google Patents

Abstract

本发明公开了一种基于图像处理的地下车库停车位检测方法，包括如下步骤：步骤1：通过YOLOv3深度学习模型检测出停车位角点区域，并将检测到的m个角点矩形区域集合记为A＝{R_t|t＝1,2,…,m}，其中，R_t表示第t个角点矩形区域；步骤2：采用自适应均值方法对每个区域R_t的子图像进行二值化；步骤3：对每个区域R_t的子图像进行角点检测；步骤4：根据步骤3可得到A中所有角点区域的角点坐标，将它们按照横坐标排序；本发明的优点是：本发明能有效排除车辆、光线、障碍物的干扰，利用图像处理准确地检测出停车线及停车位角点，从而完成停车位的检测，维护简单且成本低。

Description

一种基于图像处理的地下车库停车位检测方法

技术领域

本发明涉及智能交通管理技术领域，具体是一种基于图像处理的地下车库停车位检测方法。

背景技术

随着我国交通事业的迅速发展，城市的汽车数量逐年增加，城市道路交通堵塞、停车困难问题显得越来越突出。地下车库的建设，可大幅度缓解停车难的问题，而可靠的不规范停车检测是智能交通管理领域的保障。

目前，传统停车场的停车过程不注重车位状态，停车利用率不高，尤其大中型停车场内车辆进出频繁，车位状态难于统计，车位利用率更低。另外，由于很多车主的停车规范意识较差，停车不规范的情况时有发生，如车辆超出或未完全驶入停车位，车辆跨过左侧或右侧的停车线等等，这些行为既影响了其他司机停车，又额外增加了停车场的管理成本。

对于车位状态检测，当前国内外已有多种实现方法，包括超声波、地感线圈、地磁、压力、红外、计算机视觉等。除计算机视觉外，其他方法的安装复杂，维护工作量较大，且成本较高。

发明内容

本发明要克服现有技术的上述缺点，以图像处理为依据，提供一种基于图像处理的地下车库停车位检测方法。

本发明的技术方案如下：

一种基于图像处理的地下车库停车位检测方法，其特征在于，包括如下步骤：

步骤1：通过YOLOv3深度学习模型检测出停车位角点区域，并将检测到的m个角点矩形区域集合记为A＝{R_t|t＝1,2,…,m}，其中，R_t表示第t个角点矩形区域；

步骤2：采用自适应均值方法对每个区域R_t的子图像进行二值化；

步骤3：对每个区域R_t的子图像进行角点检测，

步骤4：根据步骤3可得到A中所有角点区域的角点坐标，将它们按照横坐标排序，从而构成有序的角点坐标集Q＝{(x_t,y_t)|t＝1,2,…,m}；

步骤5：若m＝1，则无车位；否则，可得满足式(7)车位集合Y＝{(x_iL,y_iL,x_iR,y_iR)|i＝1,2,…,n_Y}；

其中，其中(x_iL,y_iL)表示第i个停车位的左角点坐标，(x_iR,y_iR)表示第i个停车位的右角点坐标，δ₀和δ₁分别表示事先标定的车位最小宽度和最大宽度，单位为像素。

所述的一种基于图像处理的地下车库停车位检测方法，其特征在于，所述步骤1中若角点矩形区域光照不均，对其进行光照补偿，通过直方图均衡化，对图像进行矫正。

所述的一种基于图像处理的地下车库停车位检测方法，其特征在于，所述步骤3具体步骤如下：

步骤3.1：用高斯滤波器对待处理的图像进行平滑处理；

步骤3.2：计算每个像素点的梯度幅度和方向；

步骤3.3：采用非极大值抑制方法，找到所有局部梯度极大值同时通过梯度方向找到该像素点的局部最大位置，把不在该极大值处的像素灰度值设置为零；

步骤3.4：采用双阈值Canny法进行边缘轮廓检测，获取车位线轮廓；

步骤3.5：基于车位线轮廓进行霍夫直线变换获取车位线轮廓的线段集B＝{L_i＝(a_i,b_i,c_i,d_i)|i＝1,2,…,n}，其中，L_i表示第i条边缘线段，(a_i,b_i)和(c_i,d_i)分别表示L_i的两个端点；从B中将那些满足的线段挑选出来并构成横线段集H＝{L_j＝(a_j,b_j,c_j,d_j,r_j,l_j)|j＝1,2,…,n_H}，其中，r_j为L_j的类别系数且l_j为L_j的长度，n_H表示H中线段的数量；同时从B中将那些满足的线段挑选出来构成竖线段集V＝{L_k＝(a_k,b_k,c_k,d_k,r_k,l_k)|k＝1,2,…,n_V}，其中，(a_k,b_k)和(c_k,d_k)分别表示L_k的两个端点，r_k为L_k的类别系数且l_k为L_k的长度，n_V表示V中线段的数量；

步骤3.6：将满足公式(1)和(2)的线段从H中删除，同时将满足公式(3)和(4)的线段从V中删除；

其中，R_H和R_V表示线段类别置信度；

步骤3.7：根据步骤3.6得到的V中的线段拟合出一条直线L_v，该直线满足式(5)；同样，根据步骤3.6得到的H中的线段拟合出一条直线L_h，该直线满足式(6)；

其中，x_k1表示直线y＝b_k与L_v的交点的横坐标，x_k2表示直线y＝d_k与L_v的交点的横坐标，(a_k,b_k,c_k,d_k)∈V；y_j1表示直线x＝a_j与L_h的交点的纵坐标，y_j2表示直线x＝c_j与L_h的交点的纵坐标，(a_j,b_j,c_j,d_j)∈H；

步骤3.8：计算直线L_v和L_h的交点，即为区域R_t的角点坐标，记为(x_t,y_t)。

本发明的有益效果是：本发明能有效排除车辆、光线、障碍物的干扰，利用图像处理准确地检测出停车线及停车位角点，从而完成停车位的检测，维护简单且成本低。

附图说明

图1为本发明的实施例选取的地下车库图像；

图2为本发明的经过光照补偿处理的停车线检测效果对比图像；

图3为本发明的经过步骤2处理的停车线图像；

图4为本发明的经过步骤3.4处理的停车线图像；

图5为本发明的经过步骤3.5处理的停车线图像；

图6为本发明的经过步骤3.7处理的停车线图像；

图7为本发明的经过步骤3.8处理的停车线图像；

图8为本发明的经过步骤5处理的停车位图像。

具体实施方式

下面结合实施例来详细阐述本发明的基于图像处理的地下车库停车位检测方法的具体实施方式。

基于图像处理的地下车库停车位检测方法，具体包括如下步骤：

步骤1：通过YOLOv3深度学习模型检测出停车位角点区域，并将检测到的m个角点矩形区域集合记为A＝{R_t|t＝1,2,…,m}，其中，R_t表示第t个角点矩形区域；若角点矩形区域光照不均，对其进行光照补偿，通过直方图均衡化，对图像进行矫正；

步骤2：采用自适应均值方法对每个区域R_t的子图像进行二值化；

步骤3：对每个区域R_t的子图像进行角点检测，具体如下：

步骤3.1：用高斯滤波器对待处理的图像进行平滑处理；

步骤3.2：计算每个像素点的梯度幅度和方向；

步骤3.3：采用非极大值抑制方法，找到所有局部梯度极大值同时通过梯度方向找到该像素点的局部最大位置，把不在该极大值处的像素灰度值设置为零；

步骤3.4：采用双阈值Canny法进行边缘轮廓检测，获取车位线轮廓；

步骤3.5：基于车位线轮廓进行霍夫直线变换获取车位线轮廓的线段集B＝{L_i＝(a_i,b_i,c_i,d_i)|i＝1,2,…,n}，其中，L_i表示第i条边缘线段，(a_i,b_i)和(c_i,d_i)分别表示L_i的两个端点；从B中将那些满足的线段挑选出来并构成横线段集H＝{L_j＝(a_j,b_j,c_j,d_j,r_j,l_j)|j＝1,2,…,n_H}，其中，r_j为L_j的类别系数且l_j为L_j的长度，n_H表示H中线段的数量；同时从B中将那些满足的线段挑选出来构成竖线段集V＝{L_k＝(a_k,b_k,c_k,d_k,r_k,l_k)|k＝1,2,…,n_V}，其中，(a_k,b_k)和(c_k,d_k)分别表示L_k的两个端点，r_k为L_k的类别系数且l_k为L_k的长度，n_V表示V中线段的数量；

步骤3.6：将满足公式(1)和(2)的线段从H中删除，同时将满足公式(3)和(4)的线段从V中删除；

其中，R_H和R_V表示线段类别置信度；

步骤3.7：根据步骤3.6得到的V中的线段拟合出一条直线L_v，该直线满足式(5)；同样，根据步骤3.6得到的H中的线段拟合出一条直线L_h，该直线满足式(6)；

其中，x_k1表示直线y＝b_k与L_v的交点的横坐标，x_k2表示直线y＝d_k与L_v的交点的横坐标，(a_k,b_k,c_k,d_k)∈V；y_j1表示直线x＝a_j与L_h的交点的纵坐标，y_j2表示直线x＝c_j与L_h的交点的纵坐标，(a_j,b_j,c_j,d_j)∈H；

步骤3.8：计算直线L_v和L_h的交点，即为区域R_t的角点坐标，记为(x_t,y_t)；

步骤4：根据步骤4可得到A中所有角点区域的角点坐标，将它们按照横坐标排序，从而构成有序的角点坐标集Q＝{(x_t,y_t)|t＝1,2,…,m}；

步骤5：若m＝1，则无车位；否则，可得满足式(7)车位集合Y＝{(x_iL,y_iL,x_iR,y_iR)|i＝1,2,…,n_Y}；

其中，其中(x_iL,y_iL)表示第i个停车位的左角点坐标，(x_iR,y_iR)表示第i个停车位的右角点坐标，δ₀和δ₁分别表示事先标定的车位最小宽度和最大宽度，单位为像素，在本实施例中，δ₀和δ₁分别取825像素和975像素。

Claims (3)

1.一种基于图像处理的地下车库停车位检测方法，其特征在于，包括如下步骤：

步骤1：通过YOLOv3深度学习模型检测出停车位角点区域，并将检测到的m个角点矩形区域集合记为A＝{R_t|t＝1,2,…,m}，其中，R_t表示第t个角点矩形区域；

步骤2：采用自适应均值方法对每个区域R_t的子图像进行二值化；

步骤3：对每个区域R_t的子图像进行角点检测；

步骤4：根据步骤3可得到A中所有角点区域的角点坐标，将它们按照横坐标排序，从而构成有序的角点坐标集Q＝{(x_t,y_t)|t＝1,2,…,m}；

步骤5：若m＝1，则无车位；否则，可得满足式(7)车位集合Y＝{(x_iL,y_iL,x_iR,y_iR)|i＝1,2,…,n_Y}；

其中，其中(x_iL,y_iL)表示第i个停车位的左角点坐标，(x_iR,y_iR)表示第i个停车位的右角点坐标，δ₀和δ₁分别表示事先标定的车位最小宽度和最大宽度，单位为像素。

2.根据权利要求1所述的一种基于图像处理的地下车库停车位检测方法，其特征在于，所述步骤1中若角点矩形区域光照不均，对其进行光照补偿，通过直方图均衡化，对图像进行矫正。

3.根据权利要求1所述的一种基于图像处理的地下车库停车位检测方法，其特征在于，所述步骤3具体步骤如下：

步骤3.1：用高斯滤波器对待处理的图像进行平滑处理；

步骤3.2：计算每个像素点的梯度幅度和方向；

步骤3.3：采用非极大值抑制方法，找到所有局部梯度极大值同时通过梯度方向找到该像素点的局部最大位置，把不在该极大值处的像素灰度值设置为零；

步骤3.4：采用双阈值Canny法进行边缘轮廓检测，获取车位线轮廓；

步骤3.5：基于车位线轮廓进行霍夫直线变换获取车位线轮廓的线段集B＝{L_i＝(a_i,b_i,c_i,d_i)|i＝1,2,…,n}，其中，L_i表示第i条边缘线段，(a_i,b_i)和(c_i,d_i)分别表示L_i的两个端点；从B中将那些满足的线段挑选出来并构成横线段集H＝{L_j＝(a_j,b_j,c_j,d_j,r_j,l_j)|j＝1,2,…,n_H}，其中，r_j为L_j的类别系数且l_j为L_j的长度，n_H表示H中线段的数量；同时从B中将那些满足的线段挑选出来构成竖线段集V＝{L_k＝(a_k,b_k,c_k,d_k,r_k,l_k)|k＝1,2,…,n_V}，其中，(a_k,b_k)和(c_k,d_k)分别表示L_k的两个端点，r_k为L_k的类别系数且l_k为L_k的长度，n_V表示V中线段的数量；

步骤3.6：将满足公式(1)和(2)的线段从H中删除，同时将满足公式(3)和(4)的线段从V中删除；

其中，R_H和R_V表示线段类别置信度；

步骤3.7：根据步骤3.6得到的V中的线段拟合出一条直线L_v，该直线满足式(5)；同样，根据步骤3.6得到的H中的线段拟合出一条直线L_h，该直线满足式(6)；

其中，x_k1表示直线y＝b_k与L_v的交点的横坐标，x_k2表示直线y＝d_k与L_v的交点的横坐标，(a_k,b_k,c_k,d_k)∈V；y_j1表示直线x＝a_j与L_h的交点的纵坐标，y_j2表示直线x＝c_j与L_h的交点的纵坐标，(a_j,b_j,c_j,d_j)∈H；

步骤3.8：计算直线L_v和L_h的交点，即为区域R_t的角点坐标，记为(x_t,y_t)。