基于监控图像的停车场智能车位识别方法及系统的制作方法
【专利摘要】本发明提供了一种基于监控图像的停车场智能车位识别方法及系统，该停车场智能车位识别方法包括如下步骤：视频图像采集步骤：停车场监控摄像头拍摄获取停车位视频数据；停车位坐标标定步骤：用于完成停车位坐标的标定；邻近车位遮挡处理步骤：将停车位划分为若干子区域，并分配不同的权重来处理临近车位的遮挡问题；分类器设计步骤：用于判断停车位是否有车。本发明的有益效果是：本发明的方法及系统人工干预少，监控车位多，不需要额外的设备，在普通的监控摄像头下即可实现，从而满足了停车场实时高效的管理，解决了客户停车难，找车难的问题。
【专利说明】基于监控图像的停车场智能车位识别方法及系统
【技术领域】
[0001] 本发明涉及数据处理领域，尤其涉及基于监控图像的停车场智能车位识别方法及 系统。
【背景技术】
[0002] 随着社会经济的发展，汽车普及率越来越高，汽车消费时代已悄然来临。随着车辆 的增加，停车场的建设也越来越大，导致客户驾驶车辆进入一个大型停车场后，满眼是车， 不能快速地找到空车位，造成停车场道路的拥堵，停车场使用效率低下，客户情绪焦虑；同 时停车场使用大量的管理人员进行疏导，浪费人力，又容易造成矛盾，使客户在"第一大堂" 没有一个好的情绪。基于这样的背景，智能车位检测系统的理念油然而生。
[0003] 20世纪70年代以来，国内外专家学者提出了多种基于传感器的智能车位检测方 法，主要包括： 一、 地感线圈车位检测，在车位所在的地面下埋设感应线圈，通过线圈内磁场的变化情 况来辨别出车位是空闲还是被占用，具有成本低，检测精度高等优点，但是施工麻烦，要挖 开路面，对路面造成破坏，线圈易损坏，难以维护，而且，地感线圈每次只能检测一个车位； 二、 声波车位检测，通常采取的有红外线和超声波两种，其都是通过检测反射回波来获 取车位是否有车停靠的信息。具有体积小，易于安装，使用寿命长等优点。但是红外线容易 受气流影响，成本高。超声波因外界气流，温度变化而影响性能，非车辆物体经过检测区域 时很可能产生干扰。而且声波检测每次也只能检测一个车位。
【发明内容】
[0004] 为了解决现有技术中的问题，本发明提供了一种基于监控图像的停车场智能车位 识别方法。
[0005] 本发明提供了一种基于监控图像的停车场智能车位识别方法，包括如下步骤： 视频图像采集步骤：停车场监控摄像头拍摄获取停车位视频数据； 停车位坐标标定步骤：用于完成停车位坐标的标定； 邻近车位遮挡处理步骤：将停车位划分为若干子区域，并分配不同的权重来处理临近 车位的遮挡问题； 分类器设计步骤：用于判断停车位是否有车。
[0006] 作为本发明的进一步改进，该停车场智能车位识别方法还包括： 目标检测步骤：选择一幅无车的背景图像，预处理后，将其转换为灰度图像；从监控的 视频数据中抽取视频图像，选取若干作为训练数据集，与提取的背景图像进行自学习，将经 常变化的区域设定为车位区域，完成停车位坐标的标定； 阴影检测步骤：根据目标检测步骤所标定的单个停车位区域，抽取感兴趣车位的背景 图像和前景图像，求取两者的差分，得到差分图像，对差分图像进行目标检测和阴影检测， 去除掉目标检测中的阴影； 在所述分类器设计步骤中，求取目标占整个停车位的比值，将其作为阈值作为最终车 位识别的分类器，大于该阈值则认为有车，小于该阈值则认为无车。
[0007] 作为本发明的进一步改进，在所述停车位坐标标定步骤中，停车位坐标标定是算 法自学习标定的，将经常变化的区域设定为车位区域，并且人工能够修正所标定的车位区 域，经过多次的学习使用图形来标记连通区域，作为最终的停车位区域，提取连通区域的方 法包括如下步骤： 求差分图像步骤：前景与背景经过中值滤波后，求差分图像； 二值化步骤：采用一维最大类间方差法对差分图像进行二值化； 求取连通区域步骤：根据种子填充算法求取二值图像中的连通区域； 转换步骤：将连通区域面积小于所设定阈值的区域变为背景； 合并步骤：将邻近的连通区域进行合并； 标识步骤：经过多次学习后使用图形来标识停车位； 在所述目标检测步骤中，采用基于分解的三维〇tsu方法以目标和背景的最大类间方 差作为阈值的选择标准，按图像的灰度特性，实现图像的分割即目标检测，所述基于分解的 三维Otsu方法包括如下步骤： 第一步骤：采用一维Otsu法计算差分图像，差分图像经过均值滤波，差值图像经过中 值滤波后的分割阈值； 第二步骤：将三个阈值作为最佳阈值对相应图像进行分割后求三幅图像的交集。
[0008] 作为本发明的进一步改进，在所述阴影检测步骤中，采用基于灰度比值的阴影检 测，除了除掉阴影之外，还加上该目标的边缘信息，基于灰度比值的阴影检测：
【权利要求】
1. 一种基于监控图像的停车场智能车位识别方法，其特征在于，包括如下步骤： 视频图像采集步骤：停车场监控摄像头拍摄获取停车位视频数据； 停车位坐标标定步骤：用于完成停车位坐标的标定； 邻近车位遮挡处理步骤：将停车位划分为若干子区域，并分配不同的权重来处理临近 车位的遮挡问题； 分类器设计步骤：用于判断停车位是否有车。
2. 根据权利要求1所述的停车场智能车位识别方法，其特征在于，该停车场智能车位 识别方法还包括： 目标检测步骤：选择一幅无车的背景图像，预处理后，将其转换为灰度图像；从监控的 视频数据中抽取视频图像，选取若干作为训练数据集，与提取的背景图像进行自学习，将经 常变化的区域设定为车位区域，完成停车位坐标的标定； 阴影检测步骤：根据目标检测步骤所标定的单个停车位区域，抽取感兴趣车位的背景 图像和前景图像，求取两者的差分，得到差分图像，对差分图像进行目标检测和阴影检测， 去除掉目标检测中的阴影； 在所述分类器设计步骤中，求取目标占整个停车位的比值，将其作为阈值作为最终车 位识别的分类器，大于该阈值则认为有车，小于该阈值则认为无车。
3. 根据权利要求2所述的停车场智能车位识别方法，其特征在于，在所述停车位坐标 标定步骤中，停车位坐标标定是算法自学习标定的，将经常变化的区域设定为车位区域，并 且人工能够修正所标定的车位区域，经过多次的学习使用图形来标记连通区域，作为最终 的停车位区域，提取连通区域的方法包括如下步骤： 求差分图像步骤：前景与背景经过中值滤波后，求差分图像； 二值化步骤：采用一维最大类间方差法对差分图像进行二值化； 求取连通区域步骤：根据种子填充算法求取二值图像中的连通区域； 转换步骤：将连通区域面积小于所设定阈值的区域变为背景； 合并步骤：将邻近的连通区域进行合并； 标识步骤：经过多次学习后使用图形来标识停车位； 在所述目标检测步骤中，采用基于分解的三维Otsu方法以目标和背景的最大类间方 差作为阈值的选择标准，按图像的灰度特性，实现图像的分割即目标检测，所述基于分解的 三维Otsu方法包括如下步骤： 第一步骤：采用一维Otsu法计算差分图像，差分图像经过均值滤波，差值图像经过中 值滤波后的分割阈值； 第二步骤：将三个阈值作为最佳阈值对相应图像进行分割后求三幅图像的交集。
4. 根据权利要求3所述的停车场智能车位识别方法，其特征在于，在所述阴影检测步 骤中，采用基于灰度比值的阴影检测，除了除掉阴影之外，还加上该目标的边缘信息，基于 灰度比值的阴影检测：
B(i，j)为背景图像，F(i，j)为前景图像，当P(i，j)>l时，当前像素比背景暗，定义其属 于暗区；反之，定义该点像素属于亮区；阴影的像素点是比背景暗的，因此，阴影的检测范 围就缩小到对暗区范围内的点的检测，设定一个阈值区间，当该比值在该阈值区间视为阴 影； 在所述邻近车位遮挡处理步骤中，将标识出来的停车位再次划分为若干子区域，并给 每个子区域分配不同的权重，靠近邻近车位的区域分配的权值要小于远离邻近车位的权 值； 在所述分类器设计步骤中，通过阈值分类器求取每个目标所占的比值：
c为单个停车位划分出来的区域个数，/?〇〇为划分出来的区域块,丨4\为第k个区域所 占的权重，GCtD为当前二值图像，S为该停车位的面积；设aP为最终的阈值，如果所检测 的目标比值大于所设定的阈值即该车位被占用，否则，视为空闲；a在训练数据集的学习过 程中根据先验知识自动学习。
5. 根据权利要求1所述的停车场智能车位识别方法，其特征在于，在所述停车位坐标 标定步骤中，抽取待测的停车位图像，选取一幅无车的图像作为背景图像，待测图像通过与 背景图像的自学习，标记出单个停车位的区域，并且保存所标定的坐标，包含以下步骤： 一. 将待测图像与背景图像相减，经过中值滤波去除噪声； 二. 新建一个同尺寸的掩膜数组，将变化的区域标记出来； 三. 将标记区域面积过小的地方去除，仅保存区域面积大于所设定阈值的区域； 四. 最后置加显不； 在所述分类器设计步骤中，采用基于神经网络的分类器，将分割的若干个区域作为输 入的数据，经过训练后，自动分配权值，输出车位的识别结果； 停车位坐标标定后，将抽取的每个车位图像缩放为32*32、维度是1024,直接将该车位 图像放入到分类器中进行训练；或者先进行主成分分析，然后再进行训练；分类器选择线 性或非线性分类器，采用模糊C均值聚类算法作为分类器来实现智能车位的识别。
6. -种基于监控图像的停车场智能车位识别系统，其特征在于，包括： 视频图像采集单元：用于停车场监控摄像头拍摄获取停车位视频数据； 停车位坐标标定单元：用于完成停车位坐标的标定； 邻近车位遮挡处理单元：用于将停车位划分为若干子区域，并分配不同的权重来处理 临近车位的遮挡问题； 分类器设计单元：用于判断停车位是否有车。
7. 根据权利要求6所述的停车场智能车位识别系统，其特征在于，该停车场智能车位 识别系统还包括： 目标检测单元：用于选择一幅无车的背景图像，预处理后，将其转换为灰度图像；从监 控的视频数据中抽取视频图像，选取若干作为训练数据集，与提取的背景图像进行自学习， 将经常变化的区域设定为车位区域，完成停车位坐标的标定； 阴影检测单元：根据目标检测单元所标定的单个停车位区域，抽取感兴趣车位的背景 图像和前景图像，求取两者的差分，得到差分图像，对差分图像进行目标检测和阴影检测， 去除掉目标检测中的阴影； 在所述分类器设计单元中，求取目标占整个停车位的比值，将其作为阈值作为最终车 位识别的分类器，大于该阈值则认为有车，小于该阈值则认为无车。
8. 根据权利要求7所述的停车场智能车位识别系统，其特征在于，在所述停车位坐标 标定单元中，停车位坐标标定是算法自学习标定的，将经常变化的区域设定为车位区域，并 且人工能够修正所标定的车位区域，经过多次的学习使用图形来标记连通区域，作为最终 的停车位区域，提取连通区域的方法执行如下模块： 求差分图像模块：用于前景与背景经过中值滤波后，求差分图像； 二值化模块：用于采用一维最大类间方差法对差分图像进行二值化； 求取连通区域模块：用于根据种子填充算法求取二值图像中的连通区域； 转换模块：用于将连通区域面积小于所设定阈值的区域变为背景； 合并模块：用于将邻近的连通区域进行合并； 标识模块：用于经过多次学习后使用图形来标识停车位； 在所述目标检测单元中，采用基于分解的三维Otsu方法以目标和背景的最大类间方 差作为阈值的选择标准，按图像的灰度特性，实现图像的分割即目标检测，所述基于分解的 三维Otsu方法包括执行如下模块： 第一模块：用于采用一维Otsu法计算差分图像，差分图像经过均值滤波，差值图像经 过中值滤波后的分割阈值； 第二模块：用于将三个阈值作为最佳阈值对相应图像进行分割后求三幅图像的交集。
9. 根据权利要求8所述的停车场智能车位识别系统，其特征在于，在所述阴影检测单 元中，采用基于灰度比值的阴影检测，除了除掉阴影之外，还加上该目标的边缘信息，基于 灰度比值的阴影检测：
B(i，j)为背景图像，F(i，j)为前景图像，当P(i，j)>l时，当前像素比背景暗，定义其属 于暗区；反之，定义该点像素属于亮区；阴影的像素点是比背景暗的，因此，阴影的检测范 围就缩小到对暗区范围内的点的检测，设定一个阈值区间，当该比值在该阈值区间视为阴 影； 在所述邻近车位遮挡处理单元中，将标识出来的停车位再次划分为若干子区域，并给 每个子区域分配不同的权重，靠近邻近车位的区域分配的权值要小于远离邻近车位的权 值； 在所述分类器设计单元中，通过阈值分类器求取每个目标所占的比值：
C为单个停车位划分出来的区域个数，I? 00为划分出来的区域块，为第k个区域所 占的权重，为当前二值图像，s为该停车位的面积；设aP为最终的阈值，如果所检测 的目标比值大于所设定的阈值即该车位被占用，否则，视为空闲；a在训练数据集的学习过 程中根据先验知识自动学习。
10.根据权利要求6所述的停车场智能车位识别系统，其特征在于，在所述停车位坐 标标定单元中，抽取待测的停车位图像，选取一幅无车的图像作为背景图像，待测图像通过 与背景图像的自学习，标记出单个停车位的区域，并且保存所标定的坐标，包含执行如下步 骤： 一. 将待测图像与背景图像相减，经过中值滤波去除噪声； 二. 新建一个同尺寸的掩膜数组，将变化的区域标记出来； 三. 将标记区域面积过小的地方去除，仅保存区域面积大于所设定阈值的区域； 四. 最后置加显不； 在所述分类器设计单元中，采用基于神经网络的分类器，将分割的若干个区域作为输 入的数据，经过训练后，自动分配权值，输出车位的识别结果； 停车位坐标标定后，将抽取的每个车位图像缩放为32*32、维度是1024,直接将该车位 图像放入到分类器中进行训练；或者先进行主成分分析，然后再进行训练；分类器选择线 性或非线性分类器，采用模糊C均值聚类算法作为分类器来实现智能车位的识别。
【文档编号】G06K9/66GK104112370SQ201410370104
【公开日】2014年10月22日 申请日期:2014年7月30日 优先权日:2014年7月30日
【发明者】王鸿鹏, 尤磊, 刘晓英, 张文彩 申请人:哈尔滨工业大学深圳研究生院