基于视觉分析的室内停车场车位检测

龙源期刊网基于视觉分析的室内停车场车位检测作者：王梨王飞陈亮杰王林来源：《软件导刊》2019年第04期龙源期刊网龙源期刊网摘要：快速、準确地检测车位空闲状态是智慧停车系统的一个重要环节。在室内停车场都普遍安装有安防监控视频的基础上，对采集到的实时图像先进行分块处理，通过灰度共生矩阵提取图像块0°、45°、90°、135°的能量、对比度、熵3个纹理特征参数，构建特征向量，利用支持向量机（SVM）方法对其进行分类，以实现对空闲车位的检测。实验结果表明，该算法在不对停车场作较大改造及不增加更多投入的前提下，能快速、有效地检测出车位是否空闲，因而具有广阔的应用前景与较高的推广价值。关键词：智慧停车系统;视觉分析;车位检测;灰度共生矩阵;支持向量机DOI：10.11907/rjdk.182821中图分类号：TP306文献标识码：A文章编号：1672-7800（2019）004-0013-030引言随着我国经济的快速发展与人民生活水平的日益提高，现有汽车保有量已达2.17亿辆，城市中的停车难问题越来越突出。引发该问题有诸多原因，一方面停车场资源较少，另一方面存在部分停车位闲置的情况。例如，城市小区的很多固定车位，当其拥有者白天外出工作时，车位都处于空闲状态，可用于共享。由于目前停车场的信息化程度较低，难以及时获取空闲车位所在位置信息并对外发布，因而无法很好地引导车主前往停车。因此，实时检测停车场空闲车位成为智慧停车系统中的重要环节之一。目前，国外许多停车管理系统已经实现了智慧停车，即在停车管理系统中添加停车车位引导、停车车位查询等功能，并且一些设备厂商正在研究能够实现“网络化停车”的停车管理系统，停车用户可通过网络实现停车位预定、停车费缴纳与停车信息查询等功能。国内一些一线城市的部分停车场也已实现了停车引导功能，例如深圳市推出的“深圳地王—书城片区停车诱导系统”。智慧停车系统的核心是收集停车场的车位信息用于车位检测。目前常用的车位检测方法主要分为两类：基于视觉分析技术与非视觉分析技术的方法。国内现有室内停车场的车位检测方法主要采用基于非视觉分析技术的方法。基于非视觉分析技术的车位检测方法包括基于AMR传感器的车位检测方法[1-6]、基于地磁传感器的车位检测方法[7-11]，以及基于超声波与红外线的车位检测方法。基于AMR传感器与地磁传感器的车位检测方法是先在车位区域的地下安装传感器，然后根据传感器内的磁场变化判断车位状态（有车/无车）;基于超声波与红外线的车位检测方法是在车位上方和下方安装声波设备，若在另一方未检测到回波，则车位状态显示为有车。然而，这些方法都需要对停车场进行地面挖掘、布线等大量工程改造，施工强度大，检测系统易发生故障，安装与使用成本高，且改造后对停车场的收入增加有限。因此，很多停车场不愿投入资金对停车场进行改造，推广较为困难。而且绝大多数停车场出于安防考虑，都会在停车场内安装视频监控设备，这些设备的视频图像几乎覆盖停车场的每一角落。图1为现实中的某室内停车场车位状态。龙源期刊网可以看出，室内停车场表面通常为灰色或被漆成单一颜色的混凝土地面，并用黄色或白色线条划分车位区域。当车位上未停放车辆时，车位呈现单一的地表颜色，而当车位上停放有车辆时，由于车窗、引擎盖、车灯等边缘效应，使其具有一定纹理特征。因此，要判断一个车位是否有车辆停放，可将其转变为检测车身纹理特征。为了充分利用现有室内停车场安防监控这一基础设施，而不过多地增加室内停车场改造成本，本文提出一种基于视觉的图像处理方法。该方法首先对摄像头实时采集的图像进行车位提取，并对车位图像进行块划分，然后提取图像块灰度共生矩阵中的纹理性代表特征，最后将这些特征组成特征向量，采用支持向量机（SupportVectorMachine，SVM）[18]对图像块进行分类，从而实时、准确地对车位空闲状态进行检测。1基于灰度共生矩阵的车位纹理特征提取由于车位信息主要是根据车身纹理特征判断是否停放有车辆，而采用灰度共生矩阵能较好地表示图像纹理特征。灰度共生矩阵最早由Haralick等[19]提出，早期称为灰度空间依赖矩阵（Gray-ToneSpatial-DependenceMatrices）。灰度共生矩阵定义为像素对的联合分布概率，是一个对称矩阵，其不仅反映了图像灰度在相邻方向、相邻间隔、变化幅度方面的综合信息，而且也反映了相同灰度级像素之间的位置分布特征，从灰度共生矩阵中可以得到14个纹理特征参数[20]。经过实验对比，本文选取能量、对比度、熵3个参数描述车位状态特征。（1）能量特征（AngularSecondMoment）。能量特征计算公式如下：ASM是灰度共生矩阵元素值的平方和，所以也称为能量，反映了图像灰度分布的均匀程度和纹理粗细度。如果共生矩阵所有值均相等，则ASM值较小;反之，如果所有值大小不等，则ASM值较大。当共生矩阵中的元素集中分布时，此时ASM值较大。（2）对比度（Contrast）。对比度计算公式如下：对比度刻画了图像的纹理清晰程度，当图像纹理越清晰，其值越大。（3）熵（Entropy）。熵的计算公式如下：熵是图像包含信息量的随机性度量，纹理信息也属于图像信息。当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等，且共生矩阵中元素分散分布时，熵较大。因此，熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。无纹理时，熵值为0。从表中可以看出，除了车位有车的能量比车位无车的能量小，车位有车的对比度、熵都比车位无车的对比度与熵大。2车位状态检测龙源期刊网为了检测车位是否停放有车辆，具体步骤如下：（1）对每一个监控摄像头获取的图像进行[16×16]网格块划分，将有车身纹理信息的图像块标定为1，其余图像块标定为0。（2）求出每一块对应的灰度共生矩阵[P（i，j，d，θ）]，再计算每一块的能量、对比度、熵，并将3个参数构成一个特征向量。本文中[d]取值为1，[θ]取值分别为0°、45°、90°、135°。（3）采用SVM对特征向量进行分类训练，获得相应分类器。（4）对测试的图像进行[16×16]网格块划分，用训练好的分类器对每一块进行分类，并将标定为1的块进行连接，去除孤立的小块，计算标定为1的块占整个车位的比率。其中，[R]为图像块标定为[1]的比率，[RN]为图像块标定为[1]的数量，[SN]为车位区域块总数量。当[R]大于某一阈值[T]后，即判断车位有车，反之车位无车。根据实验经验得到阈值大小，本文阈值[T=0.3]。3实验结果为验证本文车位检测算法的有效性，通过摄像头采集室内停车场图像。部分室内停车场图像如图3所示。本文训练样本集有2000个图像块，其中，有纹理信息标定为1与无纹理信息标定为0的图像块各有1000个。基于灰度共生矩阵提取训练样本集0°、45°、90°、135°的3个纹理特征参数，并组成[2000×12]的特征向量输入到SVM中进行分类训练，得到分类器。对待检测图像进行[16×16]的网格块划分，将每一块按上述方法进行特征提取，获得一个12维特征向量，利用训练好的分类器对其进行分类，并将检测结果中有纹理信息、标定为1的图像块标为白色，无纹理信息、标定为0的图像块标为黑色，图5是对图4中2个车位图像块的检测结果。计算标定为1的图像块占整个车位图像的比率[R]，若[R]大于给定阈值[T]，则说明车位停有车辆。表4列出了图5中2个车位图像白色方格的比率值。4结语本文在室内停车场安装的安防监控视频基础上，对采集到的实时图像首先进行车位提取，然后对提取出的车位图像进行分块，最后基于灰度共生矩阵提取图像块0°、45°、90°、135°的3个纹理特征参数，构建一个[2000×12]维的特征向量，并利用SVM对其进行分类，以实现对空闲车位的检测。该算法在不对停车场作大规模改造与不增加更多投入的基础上，能快速、有龙源期刊网效地检测出车位是否空闲。然而，该算法针对纹理信息不太明显的图像块容易标定错误，导致出现误检情况。因此，下一步需要对该算法进行改进，尽量避免车位空闲误检情况的发生，从而进一步提升空闲车位检测精度。参考文献：[1]JIANW，BINX.DesignandverificationofparkingspacedetectionbasedonAMRsensor[C].;InternationalConferenceonTransportationInformationandSafety，2017：968-973.[2]庞家成，徐新民.基于AMR磁阻传感器的无线车位检测设计[J].微型机与应用，2016，35（12）：28-30.[3]黄景武，邹传云，肖永兵，等.基于WiFi的RFID可扩展AMR车位检测系统[J].现代电子技术，2011，34（3）：151-153.[4]毛程倩，邓永坚，余新官，等.基于AMR磁阻传感器的车位检测装置[J].天津理工大学学报，2015，31（4）：23-27.[5]赵珍祥.基于三轴各向异性传感器的无线车位检测系统[D].成都：电子科技大学，2016.[6]顾天胜.基于AMR传感器的车辆检测系统设计研究[J].电子设计工程，2017，25（11）：19-21.[7]陈卿.一种基于地磁传感器的车位检测方法：CN105869434A[P].2017.[8]TONGX，JIAN-FEIY，LI-YINGF.Designofwirelessparkingspacedetectingnodebasedongeomagneticsensor[J].EducationModernization，2016.[9]ZHOUF，LIQ.ParkingguidancesystembasedonZigBeeandgeomagneticsensortechnology[J].InternationalSymposiumonDistributedComputingandApplicationstoBusiness，EngineeringandScience，2014：268-271.[10]秦昌輝，吴晓梅，张冬梅.基于地磁传感器的车位检测系统设计[J].科技创新与应用，2016（16）：62.[11]王东，吕文涛.基于LoRa和地磁传感器的智能停车系统[J].重庆理工大学学报：自然科学版，2018（1）：158-165.[12]王敏，王娟，鲍丙豪，等.基于超声波和环形线圈的车位信息检测[J].信息技术，2016（3）：54-56.龙源期刊网[13]狄卫国，杨明，王斯琪.基于超声波技术的停车场车位检测系统设计[J].中国科技信息，2016（5）：52-53.[14]陈立奇.基于ZigBee与红外检测的停车位监控系统的探讨[J].信息记录材料，2017，18（3）：7-8.[15]MINW，JUANW，BING-HAOB.Parkingspacedetectionbasedonultrasonicandloopdetector[J].InformationTechnology，2016.[16]田立武，沈晓萍.基于超声波与无线传感技术的车位信息检测器的研究[J].电子测试，2016（24）：9-10.[17]金春嫣.基于ZigBee和红外检测的停车位监控系统的研究[D].长沙：中南大学，2010.[18]BAEKN，PARKSM，KIMKJ，etal.Vehiclecolorclassificationbasedonthesupportvectormachinemethod[C].Internation