CN111739333B - 一种空车位识别方法 - Google Patents

Abstract

本发明提出了一种空车位识别方法，该空车位识别方法包括：第一步骤：利用安装于停车位上方的摄像头获取所述停车位的图像信息；第二步骤：对于所述图像信息利用第一识别算法确定所述停车位为空车位的第一置信度；第三步骤：对于所述图像信息利用第二识别算法确定所述停车位为空车位的第二置信度；以及第四步骤：基于所述第一置信度和所述第二置信度判定所述停车位是否为空车位。

Description

一种空车位识别方法

技术领域

本发明涉及特征识别领域，更具体地，本发明涉及一种空车位识别方法。

背景技术

如今，随着市面上车辆数量的增多，停车位资源越来越紧张，在例如景区或商场等人流集中区域寻找停车位已成为车主出行的一大困扰。为提高车库管理效率以优化停车位资源，目前多种空车位识别方法得到应用，常用的方法分为超声波探测方法和图像识别方法。

超声波探测方法具体是在每个车位上方安装一个超声波测距探头，通过测量距离来判断探头下有没有停放车辆。由于需要在每个车位上方都安装超声波探头，这种探测方法设备成本较高，且探测结果不准确。

图像识别方法是通过摄像头拍摄停车位图像，通过对图像进行处理来判断该停车位是否是空车位。现有的基于图像的空车位识别方法主要是基于目标识别算法，例如基于Haar+支持向量机的提取算法，或基于深度学习的算法。Haar+支持向量机的算法由于属于机器学习算法，需要大量的训练集，而且在目标检测过程中速度较慢。基于深度学习的算法需要大量数据集，且需要GPU加速，耗费的资源过大。此外，这两种识别算法均无法实现停车位的实时识别。

发明内容

为了解决现有技术中的上述问题，本发明提出了一种空车位识别方法，其在识别过程中同时考虑了背景差分方法和特征匹配方法两种算法，其中，背景差分方法具有敏感的目标识别能力，可以识别出很多神经网络无法识别出的物体；特征匹配方法具有很强的光线鲁棒性，受环境干扰较小；采用这两种算法的融合所得到的识别结果更准确，同时能够满足识别过程中的快速处理要求，并能实现停车位的实时识别。

具体地，根据本发明的空车位识别方法包括：第一步骤：利用安装于停车位上方的摄像头获取所述停车位的图像信息；第二步骤：对于所述图像信息利用第一识别算法确定所述停车位为空车位的第一置信度；第三步骤：对于所述图像信息利用第二识别算法确定所述停车位为空车位的第二置信度；以及第四步骤：基于所述第一置信度和所述第二置信度判定所述停车位是否为空车位。

其中，所述第二步骤包括：利用所述摄像头在一连续时间序列内拍摄到的多个图像帧获取所述停车位所对应的背景模型；将所述摄像头所拍摄到的当前图像帧与所述背景模型进行比较，以提取出不同于所述背景模型的像素并将所提取出的像素识别为目标对象；以及基于所述目标对象确定所述停车位为空车位的第一置信度。

其中，所述第三步骤包括：利用所述摄像头预先获取停车位为空车位时的背景图像，对所述背景图像进行特征检测以获取背景特征，并针对所获取的背景特征添加相应的第一描述子；对所述摄像头拍摄到的当前图像进行特征检测以获取前景特征，并针对所获取的前景特征添加相应的第二描述子；以及将所述第一描述子与所述第二描述子进行比较，并基于比较结果确定所述停车位为空车位的第二置信度。

其中，所述第四步骤包括：基于D-S证据理论对所述第一置信度和所述第二置信度进行融合以判定所述停车位是否为空车位。

其中，所述第四步骤包括：对所述第一置信度和所述第二置信度进行加权计算以判定所述停车位是否为空车位。

其中，在加权计算过程中，所述第一置信度和所述第二置信度所占的权重基于停车场周围环境、停车场车流量和摄像机参数预先设定。

其中，所述第一识别算法为背景差分法，并且/或者所述第二识别算法为特征匹配算法。

其中，所述背景模型采用中值法建模、均值法建模、码本建模、卡尔曼滤波模型或高斯分布模型建立。

其中，每三个停车位共用一个摄像头。

通过纳入本文的附图以及随后与附图一起用于说明本发明的某些原理的具体实施方式，本发明的系统所具有的其它特征和优点将变得清楚或更为具体地得以说明。

附图说明

图1示出了根据本发明的停车场管理系统的结构图；

图2示出了将图1的停车场管理系统应用至外部设备的示意图；以及

图3示出了由图1的系统中的车位状态识别模块实施的空车位识别方法的流程图。

具体实施方式

下面将参照附图并通过实施例来描述根据本发明的空车位识别方法。在下面的描述中，阐述了许多具体细节以便使所属技术领域的技术人员更全面地了解本发明。但是，对于所属技术领域内的技术人员明显的是，本发明的实现可不具有这些具体细节中的一些。相反，可以考虑用下面的特征和要素的任意组合来实施本发明，而无论它们是否涉及不同的实施例。因此，下面的各个方面、特征、实施例和优点仅作说明之用而不应被看作是权利要求的要素或限定，除非在权利要求中明确提出。

图1示出了根据本发明的停车场管理系统的结构图。该系统利用安装于停车位上方的摄像头来拍摄各个停车位的实时图像，其中，摄像头的数量和安装位置取决于停车场内的车位分布情况、摄像头的视野范围以及停车场顶棚的高度。作为一示例，每三个停车位上方安装有一个摄像头，该摄像头可悬挂式安装在停车场(或车库)的顶棚上；或者，对于开放式停车场而言，可在停车位的侧边设置支撑杆来安装摄像头。每个摄像头在捕获到对应停车位的原始图像后，通过局域网将原始图像传输到工作站(本文中也称为“工作单元”)。在工作站处对原始图像进行失真校正和车位边界检测等操作并识别车位占用状态，然后将识别结果写入数据库或传输至外部设备。

具体地，摄像头所拍摄的原始图像需要被传输到设置于工作站中的图像采集模块(即“帧捕获器”)以进行失真校正。例如，通过180°大视角鱼眼摄像头所捕获的原始图像存在很严重的失真，这增大了后续车位识别的难度，因此需要在图像采集模块处对原始图像进行失真校正，这里所采用的图像失真校正方法可以是现有技术中的任何已知的校正方法。

在完成失真校正后，图像采集模块将经校正的图像传输至底层通信模块，该通信模块充当停车场管理系统中各个模块之间的底层信息交流中介，以在各个模块同时或交替工作时实现信息共享。

例如根据一示例性例子，底层通信模块可连接至车位检测模块，该车位检测模块可基于校正后的图像帧检测对应的停车位的位置信息和边界信息。其中，停车位的位置信息可通过对喷射在停车位上的车位编号进行识别来确定；停车位的边界信息可包括例如矩形停车位的四个角点和/或四条边界线。下面详细描述车位检测模块基于从底层通信模块获取的经校正的图像帧检测停车位的边界信息的具体过程。

在从底层通信模块获取经校正的图像帧之后，车位检测模块首先应用滤波器从图像帧中去除非白色或灰色(停车位边界线为白色)的区域；在此之后，应用高斯模糊滤波器对图像帧中的微小噪声进行平滑处理；随后，应用另一算法增强白色区域并去除较暗区域；再随后，利用边缘检测算法和霍夫变换找到图像中的直线，在此过程中可能检测到实际上代表图像上的一条直线的多条直线，因此可以将这些直线组合成一条直线，即得到停车位的边界线；最后，对所检测到的边界线进行插值处理以获得表示停车位角点位置的交点。

根据本发明的停车场管理系统还包括车位状态识别模块，用于识别停车场中的停车位的占用状态，即判断停车位是否为空车位。该车位状态识别模块同样与底层通信模块连接以从其接收经校正的图像帧，并对该图像帧应用两种识别算法(例如背景差分算法和特征匹配算法)的融合来确定停车位的占用状态。也就是说，识别模块分别利用背景差分算法和特征匹配算法获取关于停车位是否被占用的两个独立结果，并基于这两个结果的融合来最终判断停车位的占用状态。其中，背景差分算法和特征匹配算法均涉及初始化过程和工作过程两大程序。下面详细阐述这两种识别算法的实施过程。

对于背景差分算法，初始化过程是指建立背景模型的过程，即，利用摄像头在一连续时间序列内拍摄到的多个图像帧获取停车位所对应的背景模型；工作过程是指在实际工作场景下，将摄像头所拍摄到的实时图像帧与背景模型进行比较以提取出不同于背景模型的像素，所提取出的像素被识别为目标对象，基于该目标对象可得到关于该停车位是否被占用的第一结果，该第一结果可以是介于0与1之间的第一置信度。

对于特征匹配算法，初始化过程是指在停车位未被占用(为空车位)的情况下，利用摄像头获取停车位的背景图像，并且对该背景图像进行特征检测以获取稳定的背景特征并针对所获取的背景特征添加相应的第一描述子；工作过程是指在实际工作场景下，对摄像头所拍摄到的实时图像进行特征检测以获取稳定的前景特征并针对所获取的前景特征添加相应的第二描述子，随后，将第一描述子与第二描述子进行匹配，基于该匹配结果可得到关于该停车位是否被占用的第二结果，该第二结果可以是介于0与1之间的第二置信度。

在分别利用背景差分算法和特征匹配算法获得上述第一和第二结果之后，车位状态识别模块基于这两个结果的融合来最终确定停车位的占用状态。作为一个示例，车位状态识别模块基于D-S证据理论对所述两个结果进行融合以确定停车位的占用状态。

另一示例，识别模块可对第一置信度和第二置信度进行加权计算以基于加权计算结果确定停车位是否为空车位，其中，第一和第二置信度各自所占的权重基于停车场周围环境(光线条件或风扰动情况等)、停车场车流量和摄像机参数等预先设定。例如，在停车场车流量较大的情况下，将第一置信度设置为占较重权重(相比于第二置信度而言)；在光线条件较差的情况下，将第二置信度设置为占较重权重(相比于第一置信度而言)。

在此，本领域技术人员可以理解的是，车位检测模块旨在用于检测摄像头所拍摄到的各个停车位的位置信息和边界信息，并(借助底层通信模块)将这些信息提供给车位状态识别模块以进行对应停车位的占用状态识别。可以理解的是，停车位的位置和边界信息的获取并不限于上述方法或上述车位检测模块，而是可以采用任何其它方式或模块来预先获取。例如，各个停车位的位置和边界信息可以人工标注方式预先获取并存储在工作站中，或者由车位状态识别模块在执行停车位占用状态的识别过程中实时检测，所有这些变型均落入本发明的范围之内。

此外，工作站可设置有运行管理模块，用于协调管理图像采集模块、车位检测模块、车位状态识别模块以及底层通信模块的运行时间和停止时间。

作为一个示例，运行管理模块可将图像采集模块和车位状态识别模块设置为交替地或同时运行。例如，图像采集模块每隔1s执行一次数据读取操作(从各个摄像头读取图像帧)，同时车位状态识别模块执行一次停车位占用状态的识别操作；或者，图像采集模块每隔1s执行一次数据读取操作，随后间隔1秒不工作，车位状态识别模块在此间歇时段执行一次状态识别操作。

另外，运行管理模块可将车位检测模块设置为仅在初始化过程中执行一次检测操作，而在车位占用状态的识别过程期间不工作。借此可实现处理器的运行负荷的最小化，因为不必在每次识别操作中均实时检测车位的边界信息，而是仅在初始化过程中执行检测并将这些检测提供给车位状态识别模块以用于后续的整个车位状态识别过程。

工作站中还可设置有用于存储各个停车位的位置信息、边界信息以及占用状态的数据库。优选地，在所述数据库中预先存储有停车场地图。数据库可与数据传输模块(例如4G模块)连接，以借助数据传输模块将数据库中所存储的信息(例如停车位的位置信息、边界信息或占用状态)传输至外部设备。

图2示出了将图1的停车场管理系统应用至外部设备的示意图。作为一个示例，外部设备可以是监控器(或显示器)，该监控器可从数据库中读取停车场中各个停车位的位置信息、边界信息以及占用状态并将这些信息以图形化方式显示在停车场地图上。

作为另一示例，外部设备可以是安装于车辆上的V2X系统，借助于该V2X系统可实现停车场与车辆之间的停车位信息共享。进一步地，V2X系统可与车辆上的泊车诱导系统进行通讯，从而泊车诱导系统可根据停车场中各个停车位的位置信息、边界信息以及占用状态引导车辆执行代客泊车操作，例如使车辆自动停入离停车场入口最近的空车位。

图3示出了由图1的停车场管理系统中的车位状态识别模块实施的空车位识别方法的流程图。如图3中所示，根据本发明的空车位识别方法包括：基于背景差分算法确定关于某一停车位是否被占用的第一决策结果(决策1)；基于特征匹配算法确定关于该停车位是否被占用的第二决策结果(决策2)；以及基于决策1和决策2的融合得出所述停车位是否被占用的最终结论。下面详细阐述该识别方法的具体操作流程。

在背景差分算法过程中，首先需基于摄像头在一连续时间序列内拍摄到的多个图像帧建立停车位所对应的背景模型，该背景模型可随着停车位的占用状态变化随时更新。所述背景模型优选可在空车位的情况下进行确定，即，在停车位未被占用的情况下连续拍摄多个图像帧并基于所述多个图像帧确定停车位所对应的背景模型。其中，可采用现有技术中任何已知的建模方法来建立背景模型，包括但不限于中值法建模、均值法建模、卡尔曼滤波模型、高斯分布模型或码本建模。

在码本建模方法中，为图像中的每一个像素点分配一个码元，一幅图像的码元组成一个码本。为得到背景模型，在初始化过程中建立最初的码本，然后为码本中的每个码元输入若干帧图像以用于码本学习，期间定期删除一段时间未出现的码元，得到最终的码本以作为学习到的背景模型。

在得到停车位的背景模型之后，在实际工作过程中，将摄像头所拍摄到的实时图像帧与背景模型进行比较以提取出不同于背景模型的像素(背景减法)，则所提取出的像素可被确定为目标对象，基于该目标对象可确定关于该停车位是否被占用的决策结果(即“决策1”)。例如，可对提取出的目标对象进行特征检测，基于所检测到的特征判断停车位是否被占用。

在特征匹配算法过程中，首先在停车位未被占用(空车位)的情况下，利用摄像头获取停车位的背景图像，并且对该背景图像进行特征检测以获取稳定的背景特征并针对所获取的背景特征添加相应的第一描述子。在本文中，将上述获取背景特征及第一描述子的过程称为初始化过程。

在获得背景特征及第一描述子之后，在实际工作场景中，对摄像头所拍摄到的实时图像进行特征检测以获取稳定的前景特征，并针对所获取的前景特征添加相应的第二描述子；随后，将第一描述子与第二描述子进行比较，并基于比较结果确定关于该停车位是否被占用的决策结果(即“决策2”)。例如，如果第一描述子与第二描述子之间的匹配率/相似率小于预定阈值，则认为前景特征与背景特征差别较大，即表示该停车位被占用的可能性较大。

在利用背景差分算法和特征匹配算法分别获得关于“停车位是否被占用”的决策结果之后，车位状态识别模块基于这两个决策结果(即“决策1”和“决策2”)的融合来最终确定停车位的占用状态。作为一个示例，车位状态识别模块基于D-S证据理论对两个决策结果进行融合以确定停车位的占用状态。

综上，根据本发明的空车位识别方法同时考虑了背景差分方法和特征匹配方法，其中，背景差分方法具有敏感的目标识别能力，可以识别出很多神经网络无法识别出的物体；特征匹配方法具有很强的光线鲁棒性，受环境干扰较小；采用这两种算法的融合所得到的识别结果更准确，同时能够满足识别过程中的快速处理要求，并能实现停车位的实时识别。

根据本发明的停车场管理系统利用摄像头来识别停车位状态，相比于传统的超声波探测技术识别结果更准确。此外，该系统可实现停车场中各个停车位的占用状态、乃至停车位的边界和位置信息的自主识别，并且可以将这些信息以直观方式呈现给车辆驾驶员或车辆的泊车诱导系统，从而能够方便地引导车辆停入最佳的停车位，节约了寻找停车位的时间。

在本申请中，本领域普通技术人员可以理解，所披露的系统可以通过其它的方式实现。以上所描述的系统实施方式仅仅是示意性的，例如，所述模块的划分仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块的功能可以结合或者某个模块的功能可以被进一步拆分。在本申请各个实施方式中的各模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

此外，本领域普通技术人员还可以理解，实现上述识别方法的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，实施包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。在本发明的方法实施例中，各步骤的次序并不限于所列举的次序，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，对各步骤的先后变化也在本发明的保护范围之内。

虽然本发明已以较佳实施例披露如上，但本发明并非限于此。任何本领域技术人员，在不脱离本发明的精神和范围内所作的各种更动与修改，均应纳入本发明的保护范围内，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (8)

1.一种空车位识别方法，该空车位识别方法包括：

第一步骤：利用安装于停车位上方的摄像头获取所述停车位的图像信息；

第二步骤：对于所述图像信息利用第一识别算法确定所述停车位为空车位的第一置信度；

第三步骤：对于所述图像信息利用第二识别算法确定所述停车位为空车位的第二置信度；以及

第四步骤：基于所述第一置信度和所述第二置信度判定所述停车位是否为空车位，

其中，所述第三步骤包括：

利用所述摄像头预先获取停车位为空车位时的背景图像，对所述背景图像进行特征检测以获取背景特征，并针对所获取的背景特征添加相应的第一描述子；

对所述摄像头拍摄到的当前图像进行特征检测以获取前景特征，并针对所获取的前景特征添加相应的第二描述子；以及

将所述第一描述子与所述第二描述子进行比较，并基于比较结果确定所述停车位为空车位的第二置信度。

2.根据权利要求1所述的空车位识别方法，其中，所述第二步骤包括：

利用所述摄像头在一连续时间序列内拍摄到的多个图像帧获取所述停车位所对应的背景模型；

将所述摄像头所拍摄到的当前图像帧与所述背景模型进行比较，以提取出不同于所述背景模型的像素并将所提取出的像素识别为目标对象；以及

基于所述目标对象确定所述停车位为空车位的第一置信度。

3.根据权利要求1或2所述的空车位识别方法，其中，所述第四步骤包括：

基于D-S证据理论对所述第一置信度和所述第二置信度进行融合以判定所述停车位是否为空车位。

4.根据权利要求1或2所述的空车位识别方法，其中，所述第四步骤包括：

对所述第一置信度和所述第二置信度进行加权计算以判定所述停车位是否为空车位。

5.根据权利要求4所述的空车位识别方法，其中，在加权计算过程中，所述第一置信度和所述第二置信度所占的权重基于停车场周围环境、停车场车流量和摄像机参数预先设定，其中，停车场周围环境包括停车场的光线条件及停车场的风扰动情况。

6.根据权利要求1或2所述的空车位识别方法，其中，所述第一识别算法为背景差分法，并且/或者所述第二识别算法为特征匹配算法。

7.根据权利要求2所述的空车位识别方法，其中，所述背景模型采用中值法建模、均值法建模、码本建模、卡尔曼滤波模型或高斯分布模型建立。

8.根据权利要求1或2所述的空车位识别方法，其中，每三个停车位共用一个摄像头。

Images