TWI802958B

TWI802958B - 停車場空位偵測方法及系統

Info

Publication number: TWI802958B
Application number: TW110129963A
Authority: TW
Inventors: 黃敬群; 趙梓吟; 猛雄阮
Original assignee: 國立陽明交通大學
Priority date: 2021-08-13
Filing date: 2021-08-13
Publication date: 2023-05-21
Also published as: TW202307800A

Abstract

一種停車場空位偵測系統操作在訓練模式時，處理單元將利用已建立的車輛動態偵測模型分析停車場的多個連續影像幀而獲得每一車位有關車輛動態的第一偵測結果序列和有關車位狀態特徵的特徵序列組成的訓練資料集儲存，且對於每一訓練資料集，利用待訓練的車位狀態偵測模型分析特徵序列而獲得有關車位狀態的第二偵測結果序列並根據分析特徵序列所獲得的高階特徵和信心值估算結果以及第一、二偵測結果序列來更新該車位狀態偵測模型的參數，並且在偵測模式時，處理單元利用更新的車位狀態偵測模型偵測出對應於停車場的當前影像幀的空位偵測結果。

Description

停車場空位偵測方法及系統

本發明是有關於停車場空位的偵測，特別是指一種適用於室內、外停車場的停車場空位偵測方法及系統。

現有的一種空位偵測系統通常透過廣設於室內停車場的大量的紅外線感測器來感測如車輛的物體和空位。然而，此系統較難以應用於室外停車場，並且在使用期間必須確保每一感測器的運作正常，因而具有較高的維護成本。

為了能夠應用於室內/外停車場並降低維護成本，另一種利用機器學習的空位偵測方法被提出，此方法是透過拍攝目標停車場所獲得的停車場影像以及有關實際車位狀態的大量人工標註操作來訓練一用來判斷空位狀態的網路。然而，當目標停車場改變成另一停車場時，由於停車場的場景改變，因此必須針對另一停車場重新執行如影像資料收集、人工標註操作及對應網路的訓練。換言之，訓練出的每一網路僅適用於對應的停車場，並無法應用於其他的停車場，因而使用此方法來偵測停車場車位將相對地費時且費力。

因此，如何發展出一種能以相對較低的成本且不需大量的人工標註操作卻能適用於室內、外停車場的停車場空位偵測方式已成為相關技術領域所欲解決的議題之一。

因此，本發明的目的，即在提供一種停車場空位偵測方法及系統，其能克服現有技術至少一個缺點。

於是，本發明所提供的一種停車場空位偵測方法，用於偵測一具有多個車位的停車場且利用一電腦系統來執行，該停車場空位偵測方法包含以下步驟：(A)每當接收到分別在第一視角和第二視角同步連續拍攝該停車場而獲得的T個第一影像幀和T(T

2)個第二影像幀時，(i)對於每一車位，根據從該T個第一影像幀各自擷取出與該車位的車輛動態有關的特徵影像部分，分別產生用於車輛動態偵測且構成一第一特徵序列的T個影格，並且根據從該T個第二影像幀各自擷取出與該車位的使用狀態有關的特徵影像部分，分別產生用於車位狀態偵測且構成一第二特徵序列的T個影格，(ii)對於每一車位，利用一預先建立的車輛動態偵測模型，分析該第一特徵序列以獲得一由T個車輛動態偵測結果組成的第一偵測結果序列，(iii)將多個分別對應於該等車位的訓練資料集儲存，其中對應於每一車位的訓練資料集包含對應於該車位的該第二特徵序列和該第一偵測結果序列，(iv)利用一與該車輛動態偵測模型在偵測邏輯上具有相關性並基於多個參數演算的車位狀態偵測模型，對於儲存的每一訓練資料集，分析該訓練資料集所含的第二特徵序列以獲得與車位狀態有關的高階特徵和信心值估算結果，並根據該信心值估算結果產生一由T個分別對應於該第二特徵序列所含的該T個影格且指示出該訓練資料集所對應之車位的使用狀態的車位狀態偵測結果構成的第二偵測結果序列，(v)對於每一訓練資料集，根據該訓練資料集所含的第一偵測結果序列以及與該訓練資料集所含之第二特徵序列對應的該高階特徵和該信心值估算結果，估算出該訓練資料集的可信度權重，並且利用強化學習演算方式和一與車輛動態及車位狀態的正向回報和反向回報相關聯的回報查找表，根據該訓練資料集所含的該第一偵測結果序列和對應於該第二特徵序列的該第二偵測結果序列，計算出分別對應於該訓練資料集所含T個影格的T個回報，及(vi)至少根據每一訓練資料集的可信度權重和T個回報，定義出一用於優化該車位狀態偵測模型的目標函式，以透過決策梯度演算方式從該目標函式獲得有關於該車位狀態偵測模型的多個更新參數，並根據獲得的該等更新參數更新該車位狀態偵測模型的該等參數；及(B)當接收到該停車場的一當前影像幀時，利用已更新的該車位狀態偵測模型分析該當前影像幀，以獲得該停車場對應於該當前影像幀的空位偵測結果。

本發明的停車場空位偵測方法中，在步驟(A)中，該等參數包含一有關於車位狀態的高階特徵的第一參數，以及一有關於車位狀態的信心值的第二參數；並且該車位狀態偵測模型包含一用於匯入每一訓練資料集所含的該第二特徵序列的輸入層、一根據該第一參數從該輸入層匯入的該第二特徵序列擷取出有關於車位狀態的高階特徵的特徵擷取網路層、一根據該第二參數分析擷取自該第二特徵序列的高階特徵以估算出對應於該第二特徵序列的每一影格該訓練資料集所對應之車位的使用狀態分別為佔位狀態與空位狀態的信心值作為該信心值估算結果的信心值估算網路層，以及一根據該信心值估算結果輸出該車位狀態偵測結果的輸出層。

本發明的停車場空位偵測方法中，在步驟(A)中，該電腦系統執行以下操作來估算出每一訓練資料集的該可信度權重：將對應於該等訓練資料集各自的高階特徵分成分別歸屬於變動中狀態、佔位狀態和空位狀態的三個群組以計算出每一群組的特徵群中心向量；利用群間向量方向一致性原則，計算出該訓練資料集的所有特徵群中心向量相對於其他每一訓練資料集的所有特徵群中心向量在向量的餘弦相似性作為該訓練資料集與高階特徵有關的第一可信度；根據該信心值估算結果計算出該訓練資料集的第二可信度；及根據該第一可信度和該第二可信度獲得該訓練資料的該可信度權重。

本發明的停車場空位偵測方法中，在步驟(A)中，對於每一訓練資料集，該電腦系統還利用該回報查找表且根據該訓練資料集所含的該第一偵測結果序列以及該訓練資料集所含的該第二特徵序列，計算出分別對應於該訓練資料集所含T個影格的T個回報基線；該電腦系統不僅根據每一訓練資料集的該可信度權重和該T個回報，還根據該T個回報基線定義出該目標函式；及該電腦系統對於與每一訓練資料集對應的該目標函式進行隨機梯度下降演算，以使在該目標函式具有最小值時獲得對應於該訓練資料集且構成該等更新參數的一第一更新參數和一第二更新參數，並且分別根據該第一更新參數和該第二更新參數更新該車位狀態偵測模型的該特徵擷取網路層的該第一參數和該車位狀態偵測模型的該信心值估算網路層的該第二參數。

本發明的停車場空位偵測方法中，在步驟(B)中，該電腦系統還執行行以下操作：從該當前影像幀擷取出多個分別對應於該等車位且與該等車位的使用狀態有關的特徵影像部分，以產生多個分別對應於該等車位的多個當前影格；將該等當前影格逐一饋入已更新的該車位狀態偵測模型，以使該車位狀態偵測模型逐一分析該等當前影格，並產生對應於每一當前影格的車位狀態偵測結果；及根據所有車位狀態偵測結果，產生並輸出對應於該當前影像幀的空位偵測結果。

於是，本發明所提供的一種停車場空位偵測系統係用於偵測一具有多個車位的停車場，且可操作在一訓練模式和一偵測模式。該停車場空位偵測系統包含一影像拍攝單元、一儲存單元、及一連接該影像拍攝單元和該儲存單元的處理單元。

該影像拍攝單元操作來在第一視角和第二視角其中至少一者連續拍攝該停車場。

該儲存單元儲存有一預先建立用於偵測車輛動態的車輛動態偵測模型、一待訓練的車位狀態偵測模型、及一與車輛動態及車位狀態的正向回報和反向回報相關聯的回報查找表。該車位狀態偵測模型用於偵測車位狀態且與該車輛動態偵測模型在偵測邏輯上具有相關性並基於多個參數來進行演算。

當該停車場空位偵測系統操作在該訓練模式時，該影像拍攝單元分別在該第一視角和該第二視角同步連續拍攝該停車場而獲得的T個第一影像幀和T(T

2)個第二影像幀時，並且該處理單元在接收到來自該影像拍攝單元的該T第一個影像幀和該T個第二影像幀時進行以下操作：(i)對於每一車位，根據從該T個第一影像幀各自擷取出與該車位的車輛動態有關的特徵影像部分，分別產生用於車輛動態偵測且構成一第一特徵序列的T個影格，並且根據從該T個第二影像幀各自擷取出與該車位的使用狀態有關的特徵影像部分，分別產生用於車位狀態偵測且構成一第二特徵序列的T個影格；(ii)對於每一車位，利用儲存於該儲存單元的該車輛動態偵測模型，分析該第一特徵序列以獲得一由T個車輛動態偵測結果組成的第一偵測結果序列；(iii)將多個分別對應於該等車位的訓練資料集儲存於該儲存單元，對應於每一車位的訓練資料集包含對應於該車位的該第二特徵序列和該第一偵測結果序列；(iv)利用儲存於該儲存單元的該車位狀態偵測模型，對於儲存於該儲存單元的每一訓練資料集，分析該訓練資料集所含的第二特徵序列以獲得與車位狀態有關的高階特徵和信心值估算結果，並根據該信心值估算結果產生一由T個分別對應於該第二特徵序列所含的該T個影格且指示出該訓練資料集所對應之車位的使用狀態的車位狀態偵測結果構成的第二偵測結果序列；(v)對於儲存於該儲存單元的每一訓練資料集，根據該訓練資料集所含的該第一偵測結果序列以及與該訓練資料集所含之第二特徵序列對應的該高階特徵和該信心值估算結果，估算出該訓練資料集的可信度權重，並且利用強化學習演算方式和儲存於該儲存單元的該回報查找表，根據該訓練資料集所含的該第一偵測結果序列和對應於該第二特徵序列的該第二偵測結果序列，計算出分別對應於該訓練資料集所含T個影格的T個回報；及(vi)至少根據每一訓練資料集的可信度權重和T個回報，定義出一用於優化該車位狀態偵測模型的目標函式，以透過決策梯度演算方式從該目標函式獲得有關於該車位狀態偵測模型的多個更新參數，並根據獲得的該等更新參數更新儲存於該儲存單元的該車位狀態偵測模型的該等參數。

當該停車場空位偵測系統操作在該偵測模式時，該影像拍攝單元在該第一視角或該第二視角拍攝該停車場而獲得一當前影像幀，並且該處理單元在接收到來自該影像拍攝單元的該當前影像幀時，利用儲存於該儲存單元且已更新的該車位狀態偵測模型分析該當前影像幀，以獲得該停車場對應於該當前影像幀的空位偵測結果。

本發明的停車場空位偵測系統中，該等參數包含一有關於車位狀態的高階特徵的第一參數，以及一有關於車位狀態的信心值的第二參數。該車位狀態偵測模型包含一用於匯入每一訓練資料集所含的該第二特徵序列的輸入層、一根據該第一參數從該輸入層匯入的該第二特徵序列擷取出有關於車位狀態的高階特徵的特徵擷取網路層、一根據該第二參數分析擷取自該第二特徵序列的高階特徵以估算出對應於該第二特徵序列的每一影格該訓練資料集所對應之車位的使用狀態分別為佔位狀態與空位狀態的信心值作為該信心值估算結果的信心值估算網路層，以及一根據該信心值估算結果輸出該車位狀態偵測結果的輸出層。

本發明的停車場空位偵測系統中，當該停車場空位偵測系統操作於該訓練模式時，該處理單元執行以下操作來估算出每一訓練資料集的該可信度權重：將對應於該等訓練資料集各自的高階特徵分成分別歸屬於變動中狀態、佔位狀態和空位狀態的三個群組以計算出每一群組的特徵群中心向量；利用群間向量方向一致性原則，計算出該訓練資料集的所有特徵群中心向量相對於其他每一訓練資料集的所有特徵群中心向量在向量的餘弦相似性作為該訓練資料集與高階特徵有關的第一可信度；根據該信心值估算結果計算出該訓練資料集的第二可信度；及根據該第一可信度和該第二可信度獲得該訓練資料的該可信度權重。

本發明的停車場空位偵測系統中，當該停車場空位偵測系統操作於該訓練模式時：對於每一訓練資料集，該處理單元還利用該回報查找表且根據該訓練資料集所含的該第一偵測結果序列以及該訓練資料集所含的該第二特徵序列，計算出分別對應於該訓練資料集所含T個影格的T個回報基線；該處理單元不僅根據每一訓練資料集的該可信度權重和該T個回報，還根據該T個回報基線定義出該目標函式；及該處理單元對於與每一訓練資料集對應的該目標函式進行隨機梯度下降演算，以使在該目標函式具有最小值時獲得對應於該訓練資料集且構成該等更新參數的一第一更新參數和一第二更新參數，並且分別根據該第一更新參數和該第二更新參數更新該車位狀態偵測模型的該特徵擷取網路層的該第一參數和該車位狀態偵測模型的該信心值估算網路層的該第二參數。

本發明的停車場空位偵測系統中，該停車場空位偵測系統還包含一連接該處理單元的輸出單元。該當該停車場空位偵測系統操作於該偵測模式時，該處理單元還執行以下操作：從該當前影像幀擷取出多個分別對應於該等車位且與該等車位的使用狀態有關的特徵影像部分，以產生多個分別對應於該等車位的當前影格；將該等當前影格逐一饋入儲存於該儲存單元且已更新的該車位狀態偵測模型，以使該車位狀態偵測模型逐一分析該等當前影格並產生對應於每一當前影格的車位狀態偵測結果；根據所有車位狀態偵測結果，產生對應於該當前影像幀的空位偵測結果；及控制該輸出單元以輸出該空位偵測結果。

本發明的功效在於：基於預先建立且已訓練的該車輛動態偵測模型以及待訓練的該車位狀態偵測模型，且利用該車輛動態偵測模型與該車位狀態偵測模型在偵測邏輯上具有相關性，能使該車輛動態偵測模型自動引導該車位狀態偵測模型動態學習，如此不需大量且費時費力的人工標記操作卻能達到該車位狀態偵測模型的動態訓練和參數的更新。

100:停車場空未偵測系統

1:影像拍攝單元

2:儲存單元

21:資料庫

3:處理單元

4:輸出單元

S31~S37:步驟

S51~S54:步驟

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一方塊圖，示例性地說明本發明實施例的一種停車場空位偵測系統；圖2是一方塊圖，示例性地說明該實施例的一儲存單元所儲存的車位狀態偵測模型的架構；圖3是一流程圖，示例性地說明在一訓練模式下，該實施例的一處理單元如何執行一訓練程序；圖4是一示意圖，示例性地說明該實施例在該訓練模式下一車位狀態偵測模型進行的演算流程；及圖5是一流程圖，示例性地說明在一偵測模式下，該處理單元如何執行一偵測程序。

在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。

參閱圖1，示例性地繪示出本發明實施例的一種停車場空位偵測系統100係用於偵測一具有例如N(N

2)個車位的停車場。在本實施例中，該停車場可以是室內停車場或室外停車場。該停車場空位偵測系統100可操作在一訓練模式和一偵測模式，並包含一影像拍攝單元1、一儲存單元2、一輸出單元4，以及一連接該影像拍攝單元1、該儲存單元2和該輸出單元4的處理單元3。

在本實施例中，該影像拍攝單元1例如包含兩個設置於該停車場的影像拍攝模組(圖未示)，其操作來分別在第一視角和第二視角連續拍攝該停車場。然而，在其他實施例中，該影像拍攝單元1亦可僅包含一個影像拍攝模組，其操作來在該第一視角或該第二視角連續拍攝該停車場。

在本實施例中，該儲存單元2儲存有一預先建立的已知車輛動態偵測模型、一待訓練的車位狀態偵測模型、及一回報(Reward)查找表。該車輛動態偵測模型是用於偵測車輛動態，並包含一用於儲存有關模型訓練的資料的資料庫。舉例來說，車輛動態是相對於如一停車格的車位(Parking Space)而言，例如可以包含「駛入車位」(以下以CI來表示)、「駛出車位」(以下以CO來表示)及「無移動」(以下以NM來表示)。該車位狀態偵測模型是用於偵測車位的使用狀態，與該車輛動態偵測模型在偵測邏輯上具有相關性並基於例如一第一參數Φ和一第二參數θ來演算。舉例來說，車位的使用狀態例如可包含「空位狀態」(以下以V來表示)、「佔位狀態」(以下以O來表示)及「變動中狀態」(以下以C來表示)。該回報查找表與車輛動態及車位之使用狀態的正向回報(Forward Reward)和反向回報(Backward Reward)相關聯，特別是在設計該回報查找表的邏輯上，若車輛當前駛入車位(即，CI)，則此車位之前的狀態必定為V(空位狀態)，而之後的狀態必定為O(佔位狀態)，反之亦然；若車輛當前無移動(即，NM)，則使車位的狀態保持與之前(即，前一影像幀)狀態相同。

參閱圖2，該車位狀態偵測模型例如可包含一用於匯入有關車位的影格(Frame)的輸入層、一用於根據該第一參數Φ該從該輸出層所匯入的影格擷取出與車位之使用狀態有關的高階特徵的特徵擷取網路層、一用於根據該第二參數θ分析由該特徵擷取網路層所擷取的高階特徵以估算出對應影格之車位的使用狀態分別為佔位狀態和空位狀態的信心值的信心值估算網路層，以及一根據該信心值估算網路層所估算出的信心值輸出對應的車位狀態偵測結果的輸出層。

請注意，在該停車場空位偵測系統100初始時可先操作於該訓練模式，以便對於該儲存單元2所儲存的該車位狀態偵測模型進行訓練和學習。以下將配合圖1至圖3來說明在該訓練模式下，該處理單元3如何進行一訓練程序。該訓練程序例如包含以下步驟S31~S37。

由於該影樣拍攝單元1的兩個影像拍攝模組分別在該第一視角和該第二視角同步連續拍攝該停車場並將所拍攝到的影像幀輸出至該處理單元，於是，每當該處理單元3接收到由該影像拍攝單元1在該第一視角連續拍攝該停車場而獲得的T(T

2)個第一影像幀和在該第二視角所連續拍攝該停車場而獲得的T個第二影像幀時，該處理單元3開始進行該訓練程序。

在步驟S31中，該處理單元3，對於每一車位，從接收到的每一第一影像幀擷取出與該車位的車輛動態有關的特徵影像部分，且根據從該T個第一影像幀擷取出的T個特徵影像部分分別產生T個影格(以下，以

,
,...,
來表示)，其之後用於車輛動態偵測並構成對應的一第一特徵序列(以下，以

來表示)；另一方面，從接收到的每一第二影像幀擷取出與該車位的使用狀態有關的特徵影像部分，且根據從該T個第二影像幀擷取出的T個特徵影像部分分別產生T個影格(以下，以

,
,...,
來表示)，其之後用於車位狀態偵測且構成對應的一第二特徵序列(以下，以

來表示)。

接著，在步驟S32中，該處理單元3，對於每一車位，利用儲存於該儲存單元2的該車輛動態偵測模型，分析該第一特徵序列

以獲得一由T個車輛動態偵測結果(以下，以

,
,...,
來表示)組成的第一偵測結果序列(以下，以

來表示)。

然後，在步驟S33中，該處理單元3將對應於同一車位的第二特徵序列

和第一偵測結果序列

組成對應於該車位的訓練資料集，並將多個分別對應於該等車位的訓練資料集儲存於該儲存單元2的該資料庫21中。於是，由於該停車場具有N個車位，則該處理單元3會將N個訓練資料集儲存於該資料庫21中。

值得注意的是，在本實施例中，步驟S31至步驟S33共同構成用於動態蒐集訓練資料集的流程。

之後，在步驟S34中，該處理單元3利用儲存於該儲存單元2的該車位狀態偵測模型，對於儲存於該資料庫21的每一訓練資料集，分析該訓練資料集所含的第二特徵序列

以獲得與車位之使用狀態有關的高階特徵(以下，以

來表示)和信心值估算結果(以下，以(

，

)來表示，其中

代表與該訓練資料集對應的車位之使用狀態為O的信心值，而

代表與該訓練資料集對應的車位之使用狀態為V的信心值)，並根據該信心值估算結果(

，

)產生並輸出一第二偵測結果序列(以下，以a _1：T來表示)，其是由T個分別對應於該第二特徵序列

所含的該T個影格(即，

,
,...,
)且指示出該訓練資料集所對應之車位的使用狀態的車位狀態偵測結果(即，a ₁,a ₂,...,a _T)所構成。更具體地，請參閱圖4，在該車位狀態偵測模型中，該輸入層將每一訓練資料所含的該第二特徵序列

匯入到該特徵擷取網路層，於是會將N個訓練資料集所含的所有第二特徵序列

匯入到該特徵擷取網路層；之後該特徵擷取網路層根據該第一參數Φ進行演算從所有第二特徵序列

擷取出有關於該N個車位之使用狀態的所有高階特徵

；然後該信心值估算網路層根據該第二參數θ進行演算並分析來自該特徵擷取網路層的所有高階特徵

以估算出每一訓練資料集所對應之車位對於該第二特徵序列

的每一影格的使用狀態分別為O與V的信心值P ^O ,P ^V，於是將估算出對應於所有高階特徵

的信心值

，

作為所有信心值估算結果；最後該輸出層根據例如

與

產生對應訓練資料集所對應之車位對應於該第二特徵序列

的第一影格

的車位狀態偵測結果a ₁，在本實施例中，若

>

時，則a ₁=1，其指示出車位的使用狀態為O，反之，若

<

時，則a ₁=0，其指示出車位的使用狀態為V，同理，於是將輸出對應於所有第二特徵序列

的所有第二偵測結果序列(a _1：T)_1：N。

接著，在步驟S35中，該處理單元3根據每一訓練資料集所含的該第一偵測結果序列

以及與該訓練資料集所含之第二特徵序列

對應的該高階特徵

和該信心值估算結果(

，

)，估算出該訓練資料集的可信度權重(可以通用的w來表示)。值得一提的是，在本實施例中，該車位狀態偵測模型的訓練是依照該車輛動態偵測模型所輸出的第一偵測結果序列

的引導，然而實際上若該第一偵測結果序列並非絕對正確時，如此將不利於訓練效果。於是，該處理單元3於步驟S35採用了兩種可信度估算方式，也就是，基於高階特徵的可信度估算方式和基於信心值的可信度估算方式，來獲得每一訓練資料集的可信度權重，具體操作將示例地說明在下。

有關於基於高階特徵的可信度估算方式，舉例來說，在T=8的情況下，表1示例地列出了有關於一個訓練資料集(一個車位)的高階特徵所歸屬的狀態群以及第一偵測結果；表2示例地列出了有關另一個訓練資料集(另一個車位)的高階特徵

所歸屬的狀態(即，「空位狀態」V、「佔位狀態」O或「變動中狀態」C)以及第一偵測結果序列

。

首先，該處理單元3將如表1或表2中有關於每一訓練資料集的高階特徵

分組至對應的狀態集合V _i、狀態集合C _i、以及狀態集合O _i(邏輯上，若一車位的車輛動態為CI，則該車位之前的使用狀態必定為V，而之後必定為O，反之亦然)，並依據以下式1、2、3獲取有關每一訓練資料集的狀態集合C _i，O _i，V _i之特徵群中心向量(Prototype)，即，

，

，

，其中i為指派給該訓練資料集的索引，

i

{1,2,3,...,N}：

其中F _C代表歸屬於C之高階特徵向量，F _O代表歸屬於O之高階特徵向量，F _V代表歸屬於V之高階特徵向量。同理，該處理單元3可獲取有關該T個訓練資料集且分別對應於狀態集合C _1：N，O _1：N，V _1：N的特徵群中心向量

，

，

。特別要說明的是，邏輯上，針對不同影格但具有相同使用狀態的高階特徵應當類聚(即，向量的終點應會團聚)而具有不同使用狀態的高階特徵應當分離。根據此邏輯，可利用群間向量方向一致性來估測訓練資料集是否可信。於是，若每一訓練資料集之特徵群中心向量

至特徵群中心向量

之向量方向(

-

)與其他每一個訓練資料集之特徵群中心向量

(其中，

j

{1,2,3,...,N}^j≠i)至特徵群中心向量

之向量方向(

-

)一致性越高，則認為該訓練資料集越可信；同理，(

-

)與(

-

)一致性越高，則認為該訓練資料集越可信。因此，該處理單元3根據

、

、

並利用以下與向量的餘弦相似性有關的式4可計算出基於高階特徵的每一訓練資料集的第一可信度(以下，以(w _F)_i來表示)：

其中-1

(w _F)_i

1。

有關於基於信心值的可信度估算方式，若該車位狀態偵測模型對於一訓練資料集所獲得的信心值越高，則表示該訓練資料集與過去所學習的規則越相似，亦即該訓練資料集越可信。於是，該處理單元3可以根據該車位狀態偵測模型的信心值估算網路層所估算出有關於每一訓練資料集的信心值估算結果(

，

)並利用以下式5可計算出基於信心值的該訓練資料集的第二可信度(以下，以(w _π)_i來表示)：

其中k為指派給該訓練資料集中所含之每一影格之索引，

k

{1,2,3,...,T}。

最後，該處理單元5根據有關於每一訓練資料集的該第一可信度(w _F)_i和該第二可信度(w _π)_i並利用以下式6來獲得該訓練資料集的可信度權重(以下，以w _i來表示)：w _i=Min(Max((w _π)_i(1+(w _F)_i),0),1) 式6

同理，該處理單元在步驟S35中最終將獲得該N個訓練資料集的可信度權重w _1：N。

另一方面，在步驟S34之後的步驟S36中，該處理單元3利用強化學習(Reinforcement Learning)演算方式和儲存於該儲存單元2的該回報查找表，根據該訓練資料集所含的該第一偵測結果序列

和對應於該第二特徵序列

的該第二偵測結果序列a _1：T，計算出分別對應於該訓練資料集所含之第二特徵序列

的T個影格

,
,...,
的T個回報(可以通用的r ₁,r ₂,...,r _T來表示)。值得一提的是，回報為強化學習演算法中為被訓練模型的輸出來評分之函數，此評分函數含有期望模型學習之邏輯。由於省略了明確標註的標籤，強化學習是以分數來引導被訓練的模型如何表現出可以獲得高評分之輸出的方式，藉此使其學習到所含的邏輯。舉例來說，以下表3示例性地說明儲存於該儲存單元2的該回報查找表：

表3中列出了對應於一訓練資料集中所含之第t個影格的車位狀態判斷結果a_t可能獲得的回報，其包含了可能的正向回報r ^F和反向回報r ^B)，其中有關於正向回報的CI_t-1、NM _t-1和CO_t-1表示該車輛動態偵測演模型對應於第(t-1)個第一影像幀的車輛動態偵測結果

分別為「駛入車位」、「無移動」和「駛出車位」；同理，有關於反向回報的CI_t+1、NM _t+1和CO_t+1表示該車輛動態偵測演模型對應於第(t+1)個第一影像幀的車輛動態偵測結果

分別為「駛入車位」、「無移動」和「駛出車位」；λ代表一超參數，其預設為相同於T；

和

代表對應於每一訓練資料集所含之第(t-1)個影格之車位的使用狀態分別為O和V的信心值；

和

代表對應於每一訓練資料集所含之第(t+1)個影格之車位的使用狀態分別為O和V的信心值。於是，對應於每一訓練資料集中所含之第t個影格的車位狀態判斷結果(a_t)_i的回報(r_t)_i可以先依照以下式7來表示：

為增加模型學習效益，透過自回報扣除回報基線b(視為最低可得回報)能有效促進強化學習演算法的學習效果，並能強迫模型學習到可以得到更高回報的判斷方式。因此，對於每一訓練資料集，該處理單元3還利用該回報查找表且根據該訓練資料集所含的該第一偵測結果序列

以及該訓練資料集所含的該第二特徵序列

，計算出分別對應於該訓練資料集所含T個影格(即，

,
,...,
)的T個回報基線(即，b₁ ,b₂ ,...,b_T)。於是，對應於回報(r_t)_i的基線(b_t)_i可被定義如以下式8：

其中

代表選擇預測O可得回報，同理

為選擇預測V可得回報。

在步驟S35和步驟S36之後的步驟S37中，該處理單元3根據每一訓練資料集的可信度權重w _i、T個回報(r_1：T)_i和T個回報基線(b_1：T)_i，定義出一用於優化該車位狀態偵測模型的目標函式，以透過決策梯度(Policy Gradient)演算方式從該目標函式獲得有關於該車位狀態偵測模型的多個更新參數，並根據獲得的該等更新參數更新儲存於該儲存單元2的該車位狀態偵測模型的該等參數，以達到訓練模型的目的。在本實施例中，該處理單元3對於與每一訓練資料集對應的該目標函式進行隨機梯度下降演算，以使在該目標函式具有最小值時獲得對應於該訓練資料集且構成該等更新參數的一第一更新參數和一第二更新參數，並且分別根據該第一更新參數和該第二更新參數更新該車位狀態偵測模型的該特徵擷取網路層的該第一參數和該車位狀態偵測模型的該信心值估算網路層的該第二參數。具體而言，對應於每一訓練資料集的該目標函式例如可依照隨機梯度下降法而定義如以下式9；

其中

代表基於第i個第二特徵序列中的第t個影格

且用於判斷對應車格之車位狀態偵測結果a _t所估算出分別對應O(佔位狀態)和V(空位狀態)的信心值

,
中的一最大者，即，

。該目標函式Loss的目的在於依據((r_t)_i-(b_t)_i)提升該車位狀態偵測模型在匯入的一影格

時判斷出a _t的機率。在本實施例中，由於利用了每一訓練資料集的可信度權重w _i可以為該訓練資料集加權，可信度越高者，其目標加權越高，亦即對模型更新影響越大。如此，透過隨機梯度下降法針對每一訓練資料集的目標函式Loss之值的迭代更新以便對該車位狀態偵測模型的該第一參數

和該第二參數θ進行修正，其目的在於尋求一組最佳的

和θ分別作為用於更新該車位狀態偵測模型的第一更新參數和第二更新參數，以使得對應於任一訓練資料集的目標函式Loss之值幾近於0。

值得注意的是，在本實施例中，步驟S34至步驟S37共同構成用於動態更新該車位狀態偵測模型之參數的流程。

在該車位狀態偵測模型被訓練後，該停車場空位偵測系統100即可用於偵測該停車場的空位。參考圖1、圖2及圖5，將示例地說明當該停車場空位偵測系統100操作在該偵測模式時，在該處理單元3接收到由該影像拍攝單元1在該第一視角或該第二視角拍攝該停車場而獲得一當前影像幀後，該處理單元3如何進行一偵測程序。該偵測程序例如包含以下步驟S51~S54。

首先，在步驟S51中，該處理單元3從該當前影像幀擷取出N個分別對應於該N個車位且與該N個車位的使用狀態有關的特徵影像部分，以產生N個分別對應於該N個車位的當前影格。

然後，在步驟S52中，該處理單元3利用儲存於該儲存單元2且已更新的該車位狀態偵測模型並將該N個當前影格逐一饋入該車位狀態偵測模型，以使該車位狀態偵測模型依照上述的演算過程逐一分析該N個當前影格並產生對應於每一當前影格的車位狀態偵測結果(即，O或V)。

之後，在步驟S53中，該處理單元3根據所有車位狀態偵測結果，產生對應於該當前影像幀的空位偵測結果。具體而言，該空位偵測結果可以包含所有車位狀態偵測結果為V之對應車位的如車位編碼或車位位置的資訊。

最後，在步驟S54中，該處理單元3控制該輸出單元4以輸出該空位偵測結果。在本實施例中，該輸出單元4可以是一顯示模組以顯示該空位偵測結果，以供例如想要在該停車場停車的駕駛用戶左為停車選擇的參考。

請注意，該停車場空位偵測系統100在使用時只要能蒐集到所需的練資料集，亦可以規律或隨機的方式對於該車位狀態偵測模型進行動態學習及更新。

綜上所述，該停車場空位偵測系統100適於應用在室內停車場或室外停車場，並基於預先建立且已訓練的該車輛動態偵測模型以及待訓練的該車位狀態偵測模型，且利用該車輛動態偵測模型與該車位狀態偵測模型在偵測邏輯上具有相關性，能使該車輛動態偵測模型自動引導該車位狀態偵測模型動態學習，如此根本不需大量且費時費力的人工標記操作卻能以相對較低的配置成本及模型訓練成本達到該車位狀態偵測模型的動態訓練和參數的更新。因此，本發明停車場空位偵測系統100確實能達成本發明的目的。

惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。