本发明涉及智能停车管理领域，是一种提高车位利用效率，减少停车场附近路面拥挤的智能停车车位检测方法。
背景技术：
随着汽车需求量和保有量的迅速増长，＂停车难＂的问题日益突出。在私人汽车刚刚兴起之时，停车场规模较小且多采用人工进行管理，车主需要长时间占用车道寻找空车位，增加了管理人员的劳动强度且管理效率低。随着停车场越建越大，传统人工管理方式的缺陷更加突出。于是，停车场的管理逐步向非人工方式的智能停车系统发展。
在停车管理系统中，车位检测是实现智能停车的关键。目前，已提出一些空闲车位检测技术，主要包括：地磁传感器的车位检测技术、超声波车位检测技术、射频(RFID)识别技术等。这些停车位检测技术中，需要在每个车位区域的周围或者地面下安装传感器，然后通过有线/无线网络将每个车位的检测信息传送到服务器端。
这几种方法均需要对路面进行施工来安装传感器，直接影响停车场的运营，而且如果有外力导致传感器损坏，维护时也需要对路面施工，直接增加设备成本和维护成本。尤其是室外的大型停车场的车位检测，采用上述几种方法并不合适。
近年来，在视频监控联网技术的推动下，包括停车场在内的诸多地方均已安装了摄像头等图像/视频采集装置。因此人们提出基于图像的空车位检测技术。一般的图像识别的车位检测技术中，采用图像比对的方式进行识别。首先对所要识别区域进行图像采集，对所有车位进行识别，将把它设定为基准图像；然后需要识别停车信息时再次对目标区域进行图像采集并识别。由于环境不同和图像在采集之后压缩过程中存在图像质量的下降和其它噪声干扰，降低车位正确检测率。
考虑到卷积神经网络(CNN)等深度学习算法(DL)在图像、语音和文本多个领域得到了广泛应用，本发明提出利用深度卷积神经网络来检测空闲车位方法，以此为核心设计出对用户进行车位诱导的智能停车管理系统。
技术实现要素：
本发明解决的技术问题是，提供一种智能停车车位检测方法，在复杂环境下，如天气变化、光照强度、阴影及行人杂物等因素的影响，如何提高车位检测正确率。
本发明的基本原理为：先利用深度学习中卷积神经网络算法精确度高的优势，对采集的不同场景中停车场图像进行训练。然后根据训练得到的CNN网络模型，定时对采集的停车场图像进行处理，获得当前车位的检测结果。
一种智能停车车位检测方法，包括以下实施步骤：
步骤1：利用现有视频监控系统，在不同天气条件下，采集不同的停车场的图像，对图像进行分类并生成样本；
所述步骤1包括：
1.1)记采集的所有不同停车场在不同天气条件下为类别j的停车场图像组成集合Cj,其中1≤j≤N，N为类别总数；判断所有采集的图像中是否有彩色图像，如果是，则转入步骤1.2)，如果否，则转入步骤1.3)；
1.2)将所有停车场图像中的彩色图像转换为灰度图像；
1.3)将得到的所有停车场的灰度图像缩放至为W×H像素大小，其中W和H均为整数且W≥32，H≥32；
1.4)本步骤包括以下子步骤：
1.4.1)设图像集合C1,C2…Cj…CN中每个图像集合的最小图像数量限制为Nmin，其中Nmin为整数且Nmin≥1500，设置图像集合的类别编号t＝1；
1.4.2)判断t≤N是否成立，若是，则进入步骤1.4.3)，若否，则进入步骤1.5)；
1.4.3)判断图像集合Ct中所含的图像数量Nt<Nmin是否成立，若是，则进入步骤1.4.4)，若否，则进入步骤1.4.5)；
1.4.4)对Ct中所有图像进行Num次旋转，其中Num为向上取整的运算结果，旋转角度为区间[1,180°]的随机整数角度；
1.4.5)设置t＝t+1，返回步骤1.4.2)；
1.5)将图像集合C1,C2…Cj…CN中每幅图像的像素灰度值除以最大灰度值255，归一化到[0,1]区间；
1.6)将归一化后的每幅图像中的二维灰度值矩阵分别按行展开，每幅图像得到一个一维行向量其中i＝1,2,3,......n，n为图像集合C1,C2…Cj…CN中所有图像数目的总和，s为行向量的元素个数，s＝W×H；则对于任一幅图像，其对应的行向量为Xi，其属于图像集合Ck，并且0≤k≤N，定义其类别标签向量Yi＝(0,0,0,……1,0,0,0,……0)，其中1之前的0的数量为k-1个，1之后的0的数量为N-k个；
1.7)将每幅图像的一维行向量Xi和类别标签向量Yi组合，得到样本(Xi，Yi)。
步骤2：把采集的图像序列传送到停车管理系统的服务器中，服务器中有多层卷积神经网络模型，所述卷积神经网络模型能提取停车场图像的特征；
步骤2具体包括：
2.1)卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第三下采样层及全连接层；
2.2)第一卷积层使用Nc1个kc1×kc1小的卷积核，对W×H像素大小的输入图像进行卷积以提取特征，得到该层的Nc1个特征图；第一下采样层对第一卷积层的每个特征图进行2×2下采样得到该层的Nc1个特征图；
2.3)第二卷积层使用Nc2个kc2×kc2大小的卷积核对第一下采样层的每个特征图进行卷积以提取特征，得到该层的Nc2个特征图；第二下采样层对第二卷积层的每个特征图进行3×3下采样得到该层的Nc2个特征图；
2.4)第三卷积层使用Nc3个kc3×kc3大小的卷积核对第二下采样层的每个特征图进行卷积以提取特征，得到该层的Nc3个特征图；第三下采样层对第三卷积层的每个特征图进行3×3下采样得到该层的Nc3特征图；
2.5)全连接层的输入为将第三下采样层的所有特征图全部展开而形成的一维行向量，全连接层的输出为1×(N+1)的一维行向量；
2.6)全连接层的输出值被传递给Softmax层进行分类。
步骤3：服务器中车位检测单元启动CNN网络，利用图像序列数据集进行训练；
步骤3具体为使用步骤1中的样本对步骤2中构建的多层卷积神经网络模型进行训练；其包括：
3.1)将构建好的卷积神经网络模型中各层的权值参数和卷积核中元素值初始化为[-v,v]区间中的随机数，而将偏置参数均初始化为零，其中v为0到1之间的有限小数；
3.2)设定卷积神经网络模型的迭代次数Epoch，对卷积神经网络模型进行迭代训练，其中Epoch为整数且Epoch≥10；每次迭代中，每个样本通过卷积神经网络模型得到输出后便调整一次卷积神经网络模型各层的权值参数、卷积核中元素值及偏置参数；当卷积神经网络模型完成Epoch次迭代后停止迭代，卷积神经网络模型训练完成。
步骤4：得到经过CNN网络训练的车位检测模型并将训练好的卷积神经网络模型保存到服务器中；
步骤5：实时车位检测阶段，停车场内视频监控系统把当前车场监控图像通过本地无线网络或有线网络传送到服务器。如果摄像机不使用HTTP协议，则服务器上将使用本地通信协议，如果摄像机连接到互联网，则不需要将服务器放置在可视节点附近，而云上的服务器是有效的选项。
步骤6：服务器车位检测单元利用CNN训练模型对当前车场图像进行分类识别，以获得停车场车位检测结果(是闲置还是被占用)；具体步骤包括：
6.1)将采集的停车场车位图像转换为灰度图像；
6.2)将步骤6.1)中得到的停车场灰度图像缩放至W×H像素大小，W和H均为整数且W≥32，H≥32；
6.3)将缩放后停车场图像中的像素灰度值归一化到[0,1]区间；
6.4)将归一化后的停车场图像的灰度值矩阵输入步骤3中训练完成得到的卷积神经网络模型，根据卷积神经网络模型的输出判断，获得停车位检测结果(是闲置还是被占用)。
步骤7：服务器把对当前车位检测结果存入数据库；
步骤8：停车系统前端，即用户智能手机应用程序(APP或微信)发起停车请求；
步骤9：服务器端把停车场当前车位状态信息和位置信息传送到用户端；
步骤10：用户利用应用软件根据当前车位状态(绿色表示空车位状态红色表示车位已被占用)信息选择车位，当用户启动车位导航功能时，其根据车位位置对车辆导航到所选择的未被占用车位。
附图说明
图1为本发明的智能停车车位检测流程图。
具体实施方式
下面结合附图和实施步骤对本发明做进一步说明。
如图1所示，本发明提供一种智能停车车位检测方法，包括以下步骤：
步骤1：在不同天气条件下(晴天、阴天和雨天)，采集不同的停车场的图像，对图像进行分类并生成样本；具体步骤为：
1.1)准备2500幅地点A在晴朗条件下的图像，组成图像集合C1、1500幅地点A在阴天条件下的图像，组成图像集合C2、900幅地点A在雨天条件下的图像，组成图像集合C3、准备2500幅地点B在晴朗条件下的图像，组成图像集合C4、1500幅地点B在阴天条件下的图像，组成图像集合C5、900幅地点B在雨天条件下的图像，组成图像集合C6、准备2500幅地点C在晴朗条件下的图像，组成图像集合C7、1500幅地点C在阴天条件下的图像，组成图像集合C8、900幅地点C在雨天条件下的图像，组成图像集合C9；其中1≤j≤9，类别总数N为9；判断所有采集的图像中是否有彩色图像，如果是，则转入步骤1.2)，如果否，则转入步骤1.3)；
1.2)将所有停车场图像中的彩色图像转换为灰度图像；
1.3)将得到的所有停车场的灰度图像缩放至360×360像素大小，本实施例缩放选择三线性卷积插值算法；
1.4)本实施例最小图像数量限制Nmin设定为1500，图像集合C3，C6，C9均包含900张图像，小于Nmin，因此对C3中的所有图像进行次旋转，每幅图像每次旋转的角度为1到180°之间的随机整数角度，得到1800张有短射缺陷的图像，即C3中图像数量变为1800，同理C6，C9集合中图像数量也均变为1800，表示向上取整符；
1.5)将所有图像中的像素灰度值除以最大灰度值255，以归一化到[0,1]区间；
1.6)将归一化后的每幅图像中的二维灰度值矩阵分别按行展开，每幅图像得到一个一维行向量，其中i＝1,2,3,......n，n为图像集合C1,C2…Cj…CN中所有图像数目的总和，n＝17400，s为行向量的元素个数，为360×360＝129600；对于任意一幅图像Xi，如果其属于C1，则其类别标签向量Yi为[100000000]；如果其属于C2，则其类别标签向量Yi为[010000000]；如果其属于C3，则其类别标签向量Yi为[001000000]；如果其属于C4，则其类别标签向量Yi为[000400000]；如果其属于C5，则其类别标签向量Yi为[000010000]；如果其属于C6，则其类别标签向量Yi为[000001000]；如果其属于C7，则其类别标签向量Yi为[000000100]；如果其属于C8，则其类别标签向量Yi为[000000010]；如果其属于C9，则其类别标签向量Yi为[000000001]；将每幅图像展开得到的一维行向量X i和类别标签向量Yi组合，得到一个样本(X i，Yi)；
步骤2：构建一种能自动提取停车场车位特征的，含有3个卷积层和同样数量下采样层的多层卷积神经网络模型；由于样本图像缩放到360×360，尺寸较大，采用3个卷积层和下采样层，卷积神经网络模型结构，具体如下：
卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第三下采样层及全连接层和softmax层；
第一卷积层使用6个5×5大小的卷积核，对大小为360×360的输入图像进行卷积运算以提取特征，得到该层的6个356×356特征图；第一下采样层对第一卷积层中每个特征图的2×2邻域取平均值以进行下采样，得到3个178×178大小的特征图；
第二卷积层使用10个5×5大小的卷积核对第一下采样层的每个特征图进行卷积运算以提取特征，得到该层的10个174×174特征图；第二下采样层对第二卷积层中每个特征图的3×3邻域取平均值以进行下采样，得到10个58×58大小的特征图；
第三卷积层使用16个5×5大小的卷积核对第二下采样层的每个特征图进行卷积运算以提取特征，得到该层的16个54×54大小的特征图；第三下采样层对第三卷积层中每个特征图的3×3邻域取平均值以进行下采样，得到16个18×18大小的特征图；
全连接层的输入为将第三下采样层的所有特征图全部展开而形成的1×324行向量；全连接层的输出值被传递给Softmax层进行分类，并把结果传递给输出层，输出层为类别标签向量，输出个数为9；
步骤3：使用步骤1中的样本对步骤2中构建的卷积神经网络模型进行训练，包括：
3.1)将构建好的卷积神经网络模型中各层的权值参数和卷积核中元素值初始化为[-0.08,0.08]区间中的随机有限小数，而将偏置参数均初始化为零；
3.2)设定卷积神经网络模型的迭代次数Epoch为500，对卷积神经网络模型进行迭代训练。每次迭代中，随机将每50个样本编为1组，每组样本通过卷积神经网络模型得到类别输出后，便根据卷积神经网络模型训练算法调整一次网络各层的权值参数、卷积核中元素值及偏置参数，卷积神经网络模型训练算法为现有技术，此处不再详述。当卷积神经网络模型完成500次迭代后停止迭代，网络训练完成；
步骤4：得到经过CNN网络训练的车位检测模型并将训练好的卷积神经网络模型保存到服务器中；
步骤5：实时车位检测阶段，停车场内视频监控系统把当前车场监控图像通过本地无线网络或有线网连传送到服务器。如果摄像机不使用HTTP协议，则服务器上将使用本地通信协议，如果摄像机连接到互联网，则不需要将服务器放置在可视节点附近，而云上的服务器是有效的选项；
步骤6：服务器车位检测单元利用CNN训练模型对当前车场图像进行分类识别，以获得停车场车位检测结果(是闲置还是被占用)；具体步骤包括：
6.1)将采集的停车场车位图像转换为灰度图像；
6.2)将步骤6.1)中得到的停车场灰度图像缩放至360×360像素大小；
6.3)将缩放后停车场图像中的像素灰度值归一化到[0,1]区间；
6.4)将归一化后的停车场图像的灰度值矩阵输入步骤3中训练完成得到的卷积神经网络模型，根据卷积神经网络模型的输出判断，获得停车位检测结果(是闲置还是被占用)。
步骤7：服务器把对当前车位检测结果存入数据库；
步骤8：停车系统前端，即用户智能手机应用程序(APP或微信)发起停车请求；
步骤9：服务器端把停车场当前车位状态信息和位置信息传送到用户端；
步骤10：用户利用应用软件根据当前车位状态(绿色表示空车位状态红色表示车位已被占用)信息选择车位，当用户启动车位导航功能时，其根据车位位置对车辆导航到所选择的未被占用车位。