可视车辆停车占用传感器的制作方法

本专利申请要求于2016年2月29日提交的名称为“可视车辆停车占用传感器”的美国申请序列No.15/056,645的优先权，其全部内容通过引用合并于此。

技术领域

本文描述的实施方案一般涉及车辆停车传感器人工智能，并且更具体地涉及可视车辆停车占用传感器。

背景技术：

车辆停车占用感测包括用于确定车辆是否停放在指定的停车位的各种装置和技术。确定停车位的车辆占用率可以通过例如诸如旅馆或其他场所之类的设施实现更有效的停车管理。这种系统正变得越来越普遍，因为“智能建筑”越来越受欢迎，通过更大的自动化来减少员工。

附图说明

在附图中，不一定按比例绘制，相同的附图标记可以描述不同视图中的类似组件。具有不同字母后缀的相同数字可表示类似组件的不同实例。附图通过示例而非限制的方式示出了本文件中讨论的各种实施例。

图1是根据一个实施例的包括用于可视车辆停车占用传感器的系统的环境的示例的框图。

图2示出了根据一个实施例的来自具有过滤器标记的停车位的相机的图像。

图3示出了根据一个实施例的来自具有过滤器标记的停车位的摄像机的图像。

图4示出了根据实施例的使用图像中的色调饱和度值(HSV)颜色定义来分离图像中的像素的示例。

图5示出了根据一个实施例的HSV特征提取器结果的示例。

图6示出了根据一个实施例的图像中的聚类斑点的示例以确定占用率。

图7示出了根据实施例的将分类器应用于图像的示例结果。

图8示出了根据一个实施例的用于实现可视车辆停车占用传感器的方法的示例。

图9是示出可以在其上实现一个或多个实施例的机器的示例的框图。

具体实施方式

各种硬件可以与各种技术相结合来实现车辆停放占用传感器。例如，诸如压电传感器的传感器可以嵌入停车表面中并且感测空间中不存在车辆。然而，传感器可以代表重要的基础设施投资。其他技术，例如使用深度相机，也可以用于测量停车位是否是平坦的(即，没有占据空间的任何东西)(例如，存在占据空间的东西)。然而，深度相机可能很昂贵，或者缺乏有效部署的范围。

对于上面讨论的那些，较便宜且因此更可口的选择包括通用的基于光的二维相机。与表面嵌入式传感器或基于深度的解决方案相比，基于光的相机不能依靠简单的测量来确定空间的占用。相反，需要环境噪声和至少部分车辆的识别。此外，相对高的准确度(例如，95％或更高的准确度)对于能够依赖于自动化并基于车辆停车占用传感器的结果做出其他决定是有用的。

为了解决上述问题，这里讨论的车辆停放占用传感器可以使用二维相机来覆盖一个或多个停车位。摄像机向控制器提供图像，控制器使用计算机视觉组件来确定停车位的占用。为了提高占用结果的效率和准确性，控制器实现了对各种车辆特征的多阶段搜索。在例子中，早期搜索的结果可用于优化搜索空间以供以后搜索，减少搜索的时间和功率，同时提高准确性。此外，当使用彩色相机时，可以不同地处理彩色图像的各方面以改进搜索并提供更准确的结果。通过这种方式，经济有效的硬件安装可以为停车位提供准确的占用率结果。以下描述其他细节和实施例。

图1是根据一个实施例的包括用于可视车辆停车占用传感器的系统105的环境的示例的框图。系统105可以包括相机接口110、控制器125、分类器120和HSV特征提取器115。这些组件中的每一个都以硬件实现，例如下面参考图9描述的计算机硬件。此外，组件之间的所示连接可以是有线的(例如，通过总线、串行接口、网络等)或无线的(例如，射频(RF)、基于光的例如红外(IR)等)。

图1的环境包括安装在具有视场135的秋天上的摄像机130，其包括三个停车位、两个占用的和一个空的停车位140。单个摄像机130可以覆盖的停车位的总数取决于视野，以及来自结构或其他停放的汽车的干扰。然而，通常，至少三个空间是可用的，因为相机130可以在第一空间(这里是空的空间140)上居中并且捕获两个相邻的空间。

系统105可以选择地包括：过滤器(未示出)以便以各种方式细分图像。过滤器是另一个硬件实现的组件。过滤器可以布置成适合在表面上绘制的线内的几何形状(例如，盒子)以限定给定停车位的感兴趣区域。在图2中示出了这种情况的一个例子。滤波器还可以基于感兴趣的区域提供附加的引导或扫描窗口，其中一些在图2和图3中示出。这些划分可以基于所感测的环境方面(例如，线)和预定义的设置参数的组合(例如，相机的高度、间距、到停车位的距离、镜头的光学特性、人类对感兴趣区域的定义或调整等)。

感兴趣区域或扫描窗口可用作掩模以区分可能与给定停车位相关的像素和不相关的像素。在例子中，感兴趣区域用于建立垂直扫描窗口，其可以由其他组件(例如，HSV特征提取器115或分类器120)使用以执行它们的搜索。通过划分图像，可以对较小的数据集(像素)执行搜索，从而通过消除噪声来提高效率同时提高准确度。

HSV特征提取器115被布置为在HSV编码图像中执行车辆特征的级联搜索并返回搜索结果。搜索是级联搜索，因为连续执行多个搜索。先前搜索的结果可以终止级联搜索，例如，当找到足够质量的足够特征时。在例子中，HSV特征提取器115搜索一组初始车辆特征。如果未找到足够数量的这些特征(例如，两个或更多个)或给定结果的置信度分数太低，则HSV特征提取器115继续搜索后续车辆特征。

在例子子中，在HSV编码图像的色调空间中搜索初始车辆特征的集合。色调空间和值空间在下面参考图4描述。然而，实质上，色调空间包括有用的颜色信息，而值空间不使用颜色。在例子中，HSV特征提取器115按色调分割色调空间。区域分段涉及通过颜色和空间定位像素的组(例如，斑点)。通常，区段比表示的色调少，因此阈值或聚类或用于建立区段。在例子中，尾灯是初始车辆特征，所述尾灯由红色调区段识别。在该例子中，代表红色的一串颜色是分区。可以测量所得到的斑点的大小、位置(例如，在图像中)等，以确定它们是否适合尾灯的模型。置信度分数可以基于任何模型拟合维度的方差。在例子中，HSV特征提取器115在红色调区段和第二红色调区段之间执行对称性测量，以确认识别出尾灯。其他对称功能可包括前灯、侧视镜等。

在例子中，对比车辆颜色是初始车辆特征。如本文使用的，对比车辆颜色超过与停车位的表面颜色不同(例如，足够不同)的阈值。因此，在浅灰色混凝土停车位140中可能容易辨别出蓝色的车辆。相应的置信度分数可以基于对比车辆颜色与表面颜色的接近程度、相应颜色斑点的大小或斑点的形状。

在例子中，搜索初始车辆特征是在HSV编码图像的值空间中执行的。如本文使用的，所述值空间是所述色调空间的补充(参见下面图4)。在例子中，车牌是由符合车牌形状模型的值空间区段识别的初始车辆特征。形状模型体现了物体的测量和公差(例如，一英尺宽或三英寸)。因此，车牌的尺寸或位置(例如，图像中)以及可接受的方差被编码在形状模型中。形状模型的方差可以用作置信度分数。因此，在高度公差的外边缘处的矩形但宽度公差的下边缘将具有比接近期望测量的不同矩形更低的置信度分数。

如上所述，置信度分数可以分配给给定的初始车辆特征的任何搜索。聚合置信度分数是先前确定的置信度分数的组合。该组合可以是线性或非线性组合。在例子中，如果总置信度分数超过阈值，则级联搜索终止。

在例子中，初始车辆特征搜索的搜索结果还可以包括焦点窗口。焦点窗口是一种与找到的特征有关的几何形状。在例子中，焦点窗口对应于找到的特征的斑点居中(例如，在中心质量上)。在例子中，焦点窗口包含了斑点。初始车辆特征和焦点窗口的附加细节和示例在图5中示出并在下面描述。

在例子子中，为了搜索随后的车辆特征，HSV特征提取器115被安排来执行聚类HSV空间以产生多个blob。在例子中，为了执行聚类，HSV特征提取器115被安排来执行K-means聚类以产生区段。平均移位应用于区段。在例子中，色调、饱和度、值、x位置(例如，坐标)或y位置中的任何一个或全部可以用作区段的平均移位的参数。

HSV特征提取器115被布置为对多个斑点进行计数。然后将计数与阈值进行比较。如果计数超过阈值，则HSV特征提取器115指示(例如，通过搜索结果)找到后续车辆特征。因此，随后的车辆特征在一次搜索中被集中在一起，使得尽管可以识别各种特征(例如，窗户、门、车身面板等)，但是空间140中的若干特征的聚合表示占用，否则相对空的空间140。图6示出了随后的特征搜索，其也在下面描述。

分类器120用于在图像中执行宏车辆特征的搜索并返回发现的宏车辆特征的指示。在例子中，分类器120可以使用多个比例来扫描图像、整个感兴趣的区域、扫描窗口或焦点窗口。在例子中，分类器120可以使用焦点窗口来定位搜索。此外，分类器120可以使用给定初始特征搜索结果的置信度分数来修改其置信度(例如，偏差)得分以改进检测。

分类器120可以用各种计算机视觉技术实现。在例子中，对搜索空间(例如，像素)的定向梯度(HOG)特征描述符的直方图。HOG的结果可以用在针对特定宏车辆特征的HOG结果训练的支持向量机(SVM)中。可用于实现分类器120的其他技术包括SVM中的小波或Gabor滤波器输出、本地二进制模式(LBP)和多级拒绝分类器等。

在例子中，被搜查的宏车辆特征包括保险杠或身体。在例子中，分类器120被训练以识别车辆的保险杠(例如，后部、前部、侧部、倾斜等)或车身(例如，后部、前部、侧部、倾斜等)。在例子中，分类器120是用于不同的宏车辆特征的子分类器的组合。在例子中，所述保险杠子分类器在车体子分类器之前执行搜索。

在例子中，分类器120将其搜索限制在HSV特征提取器115搜索结果中识别的宏车辆特征。例如，如果识别出尾灯，则分类器120使用那些搜索结果来搜索水平位于找到的尾灯附近的保险杠。

控制器125布置成在相机130(经由相机接口110)、HSV特征提取器115、分类器120以及将占用指示符作为输入的其他系统之间进行协调。因此，控制器被配置为在彩色图像的HSV转换版本上调用HSV特征提取器115以产生搜索结果。搜索结果可以是第一类型或第二类型。如果搜索结果是第一类型，则构建控制器125以调用彩色图像上的分类器120(例如，未转换为HSV)。

搜索结果的类型基于结果的置信度。第一类型的结果具有置信水平，使得分类器120的附加调用是有帮助的。第二种类型的结果非常强大，可以独立存在。在例子中，如果HSV特征提取器115搜索到后续的车辆特征，则返回的结果将是第二类。在例子中，如果搜索结果中的置信度分数超过阈值，则搜索结果将为第二类。在例子中，如果初始车辆特征的数量超过阈值(例如，两个)，则结果将是第一类型。在该例子中，可能没有搜索到后续特征，但是没有达到足够的置信水平(这里通过找到多少特征而不是聚合置信度分数来测量)以确保车辆占据空间140。因此，分类器120可以在结果中提供额外的置信水平。

控制器125被布置成当搜索结果是第二类型时基于来自HSV特征提取器115的搜索结果输出占用指示符，否则占用指示符基于来自分类器120的指示。占用指示符可以是指示占用的消息、使信号线为高以指示占用的消息、或其他机制以警告消费者观察到的停车位是否被占用的消息。在例子中，占用指示符包括从分类器120或HSV特征提取器115获得的置信度值，如本文所述。

使用HSV特征提取器115允许快速有效地搜索图像中的特征。然而，当分类器120有用时，级联搜索并引入分类器120允许控制器125以灵活和有效的方式管理功耗、计算资源和准确性。如上所述，可视车辆停车占用传感器105允许自动检测停车占用的廉价且有效的解决方案。

图2示出了根据一个实施例的来自具有过滤器标记的停车位140的相机130的图像。梯形轮廓205示出了停车位140的感兴趣区域。水平线210是校准指南，示出了计算的停车位的中间点。类似地，线215是停车位140的垂直中间点。当与关于停车位140的尺寸的已知数据组合时，这些线210、215和轮廓205产生从像素到距离的变换，反之亦然。此外，相机130与停车位140的位置和距离可用于产生变换。在任一情况下，系统105都可以使用图像的像素来估计真实对象大小。

图3示出了根据一个实施例的来自具有过滤器标记的停车位140的相机130的图像。除了感兴趣区域205之外，图3示出了两个扫描窗口305和310。如图所示，扫描窗口覆盖感兴趣区域205的垂直定向切片，并且根据它们在感兴趣区域中的位置来确定大小。例如，扫描窗口305大于扫描窗口310，因为它是更靠近相机130的位置，因此扫描窗口内的每个像素表示的距离小于扫描窗口310的距离。

如图所示，扫描窗口的大小可以增加其有效性。例如，由于大多数车辆基本上是对称的，扫描窗口305可以跨越感兴趣区域的一半(水平方向)并产生良好的结果。如上所述，再次由其他组件搜索的像素的进一步减少可以提高效率和准确度。

在例子中，系统105可以创建一组扫描窗口。在例子中，扫描窗口的一套是有序的。在例子中，第一顺序扫描窗口最靠近相机130，并且当扫描窗口远离相机130时，顺序增加。这允许，假设大多数车辆填充或接近填充停车位140，以相对快速的方式将车辆定位在停车位140的深度内。在例子中，订单是随机的。

图4示出根据实施例的使用图像中的颜色的HSV定义来分离图像中的像素的示例。锥体405表示HSV颜色空间。如图所示，在锥体405的尖端处没有颜色(例如，黑色)。随着值(“V”线)增加，锥体405变宽。饱和度(“S”线)垂直于该值增加，并且可以定义为给定值处的平面半径。当饱和度为零时，得到的颜色是一直变亮的灰色，直到达到最大值，即白色。随着饱和度增加，给定的色调(例如，颜色)从锥体405的中心的黑色/灰色/白色出现，直到在最大饱和度处，实现纯色形式。色调是角度值，给定的色调改变直到形成完整的圆(例如，360度)，此时再次到达起始色调。

区域410是色调信息不可靠或不存在的区域，因为给定色调的饱和度太低。然而，值信息可用于区分更依赖于明暗二分法的特征(例如，在灰度图像中可区分的特征)。然而，如果像素位于锥体405中的区域410的补充中(例如，锥体405的无阴影部分)，则可以使用色调来区分特征。该区域在本文中称为色调空间，其补码是值空间(例如，区域410)。分别基于色调空间和值空间中的色调或值进行分割，消除了红绿蓝(RGB)空间中的这种分割中的问题，其中大多数图像由相机130编码。因此，例如，通过在色调空间中选择代表红色的色调弧并用这些值收集像素，可以容易地辨别出红色像素。该技术解决了可变照明条件的问题，例如，存在于RGB空间分割或过滤中。

图5示出了根据一个实施例的HSV特征提取器结果的示例。如上所述，HSV特征提取器115对来自HSV编码图像的颜色或值信息进行操作。可以在搜索中找到的特征包括车辆颜色505(例如，在色调空间中)、尾灯515(例如，在色调空间中)或车牌525(例如，在值空间中)。

关于车辆颜色505，比较停车表面颜色510以确定是否存在与停车表面颜色510不同的颜色斑点。可以基于车辆颜色505和表面颜色510例如忽略值信息之间的色调差来计算置信度分数。这可以解决变化的照明条件(例如，明亮的树木中的阴影)导致表面具有多个阴影但是它们与车辆颜色505的蓝色不同的情况。例如，如果车辆颜色505是类似于表面颜色510的灰色，可能未找到车辆颜色505特征或者可能被给予低置信度分数。置信度分数可以基于车辆颜色505与表面颜色、车辆颜色505的体积、车辆颜色505的斑点形状或这些值的任何组合之间的色调差异程度。

尾灯515，有点类似于车辆颜色505，可以在色调空间中找到。然而，与车辆颜色相反，尾灯515不涉及搜索车辆颜色505是什么，而是将搜索限制为对应于尾灯的颜色带(例如，红色)中的像素。置信度分数可以基于找到的像素的数量(例如，与尾灯的尺寸有关)、像素的位置(例如，与感兴趣的区域、扫描窗口等相关，这与车辆上的位置有关)、像素的对称性(例如，阈值大小内的两个斑点或表示与车辆对称的类似特征的位置)或其任何组合。

还如图5所示，可以返回焦点窗口520作为搜索的一部分。这里，焦点窗口520涉及到尾灯515的伙伴尾灯，然而，任何找到的特征都可以包括搜索结果中的焦点窗口。焦点窗口520是相对于找到的特征定义的几何形状(例如，以特征和尺寸为中心以包含对应于找到的特征的像素)。如上所述，焦点窗口可用于进一步限制例如分类器120的搜索空间。

车牌525是一个可以在值空间找到的功能。通常，车牌是由较暗颜色包围的浅色。此外，通常，车牌是标准尺寸。通过定位值空间的光区段来进行搜索-例如通过HSV空间中的阈值处理或分割的方法-例如通过边缘检测和形态滤波(相机的更高分辨率允许的地方)确定尺寸和形状以适应标准形状-这对应于车牌的已知特征。置信度分数可包括与预期尺寸、形状、取向或其任何组合的差异。

图6示出了根据一个实施例的图像中的聚类斑点的示例以确定占用率。如上所述，在某些情况下，发现车辆特征太少或者置信度分数总量太低而无法依赖搜索结果。为了解决这种情况，可以执行跨感兴趣区域、扫描窗口或图像的值空间的一般分割。然后可以在感兴趣的区域内计算区段。该技术是有用的，因为车辆往往具有停车表面不具有的许多部件(例如，窗户、面板、轮胎等)。

如图所示，区段605的集合(例如，被概述的区段)远大于空的空间中的区段集合(例如，区段610)。因此，即使空的空间包括碎片，空的空间也可能比占用的空间有少得多的区段。在例子中，表示占用的区段的数量是固定的(例如，在正常系统操作期间不变，但在设置、维护等期间可调节)。在例子中，表示占用的区段的数量基于随时间的区段计数(例如，加权移动平均值)，其具有由例如用户识别的占用和非占用时间或其他特征搜索。在该例子中，该区段搜索的集合是HSV特征提取器115的第二类搜索结果。

图7示出了根据实施例的将分类器120应用于图像的示例结果。图示的是用于保险杠搜索成功的分类焦点窗口705和用于身体搜索成功的710。如上所述，分类器被训练来识别特征。这里，分类器120被训练以识别宏车辆特征，例如保险杠、车身等。此外，如上所述，搜索可以限于基于焦点窗口的图像的区段、或由车辆停放占用传感器105的其他部件产生的扫描窗口。

图8示出了根据一个实施例的用于实现可视车辆停车占用传感器的方法800的示例。

在操作805，从相机接收彩色图像。该图像包括将被测量占用确定的停车位。

在操作810，在彩色图像的HSV转换版本中进行车辆特征的级联搜索以产生搜索结果。在例子中，级联搜索包括搜索一组初始车辆特征，并在未找到初始车辆特征的阈值数量时继续搜索后续车辆特征。在例子中，级联搜索包括搜索一组初始车辆特征，并且当搜索到的初始车辆特征的置信度分数的总和低于阈值时，继续搜索后续车辆特征。

在例子中，在HSV编码图像的色调空间中搜索初始车辆特征的集合。在该例子中，色调空间被定义为具有超过阈值的值和饱和度水平的像素，阈值随着值的增加而增加(例如，来自图4的锥体405中的区域410的补数)。在例子中，方法800可选地通过色调扩展到区段色调空间。

在例子中，尾灯是初始车辆特征，所述尾灯由红色调区段识别。在例子中，方法800可选地被扩展以测量红色调区段和第二红色调区段之间的对称性，以确认识别出尾灯。在例子中，对比车辆颜色是初始车辆特征。在该例子中，对比车辆颜色超出与停车位的表面颜色不同的阈值。

在例子中，搜索初始车辆特征是在HSV编码图像的值空间中执行的。如上所述，值空间是HSV色彩空间中色调空间的补充。在例子中，车牌是由符合车牌形状模型的值空间区段识别的初始车辆特征。在这里，形状模型可以包括区段的大小、形状或方向。

在例子中，发现的初始车辆特征基于搜索参数被分配置信度分数。搜索参数可以根据搜索的内容而有所不同。置信度分数输入可以包括颜色方差、尺寸方差或与预期结果的位置差(例如，在图像中)。例如，如果车牌类型区段位于图像上不会预期车牌的区域中(例如，在皮卡车的后窗中)，则可以通过位置差来减小置信度分数。聚合置信度分数包括用于各个特征的置信度分数的组合。在例子中，超过阈值的运行聚合物置信度分数停止进一步搜索(例如，因为已经发现了足够的特征来确定占用率)。

在例子中，方法800可以被扩展以产生用于找到的初始车辆特征的焦点窗口。在例子中，焦点窗口是几何形状(例如，矩形、椭圆形等)，其包含找到的初始车辆特征并且小于彩色图像。在例子中，焦点窗口包含在搜索结果中。

在例子中，方法800可选地扩展为将彩色图像分成一组扫描窗口。在例子中，级联搜索是在扫描窗口上进行的，而不是整个图像。

在例子中，搜索后续车辆特征包括聚类HSV空间以产生blob。blob(或blob的特征，如边缘、角落等)然后可以计算。后续车辆特征可以指示当计数(例如blob的计数)超过阈值时发现的。在例子中，聚类HSV空间包括在HSV空间中执行像素的K-means聚类。平均移位然后可以应用于到达区段。平均移位可以使用任何或所有色调、饱和度、值，x坐标(例如，在图像、扫描窗口等中)或y坐标作为区段参数。

在决策815，确定来自操作810的搜索结果的类型。如果搜索结果是第一类型，则方法800进行到操作820。如果搜索结果是第二类型，则方法800进行到操作825。在例子中，如果聚合置信度分数低于阈值或者如果在级联搜索中检索到后续车辆特征，则搜索结果属于第一类。在例子中，如果找到两个或更多个初始车辆特征(例如，具有足够的置信度分数)，则搜索结果是第二类型。

在操作820，在彩色图像中执行宏车辆特征的搜索。当操作810的搜索结果是第一类型时，该搜索产生发现的宏车辆特征的指示。操作820用分类器实现。在例子中，当焦点窗口可用于初始车辆特征时，搜寻宏车辆特征包括限制搜寻对应于在焦点窗口内找到的初始车辆特征的宏观车辆特征。在例子中，宏车辆特征包括保险杠或车身中的至少一种。在例子中，宏观车辆特征搜索是在扫描窗口上进行的，而不是整个图像。

在操作825，当搜索结果是第二类型时并且基于该指示，基于搜索结果产生占用指示符。

图9示出了示例性机器900的框图，在其上可以执行本文所讨论的任何一种或多种技术(例如，方法)。在备选实施例中，机器900可以作为独立设备操作或者可以连接(例如，联网)到其他机器。在联网部署中，机器900可以在服务器-客户端网络环境中以服务器机器、客户端机器或两者的能力操作。在例子中，机器900可以充当对等(P2P)(或其他分布式)网络环境中的对等机器。机器900可以是个人计算机(PC)、平板电脑、机顶盒(STB)、个人数字助理(PDA)、移动电话、网络设备、网络路由器、交换机或网桥、或者任何能够执行指令(顺序或其他)(指定该机器要采取的动作)的机器。此外，虽然仅示出了单个机器，但术语“机器”还应被视为包括单独或联合执行一组(或多组)指令以执行本文所讨论的任何一种或多种方法的任何机器集合，如云计算、软件即服务(SaaS)其他计算机集群配置。

如本文所述，示例可以包括逻辑或多个组件或机制，或者可以由逻辑或多个组件或机制操作。电路是在有形实体中实现的电路的集合，其包括硬件(例如，简单电路、门、逻辑等)。电路成员资格可能会随着时间的推移而变得灵活。电路包括可以单独或组合地在操作时执行指定操作的成员。在例子中，电路的硬件可以不可改变地设计成执行特定操作(例如，硬连线)。在例子中，电路的硬件可以包括可变连接的物理组件(例如，执行单元、晶体管、简单电路等)，其包括物理修改的计算机可读介质(例如，磁性、电、可变的聚集粒子的可移动放置等)以编码特定操作的指令。在连接物理组件时，硬件组件的基础电特性例如从绝缘体变为导体，反之亦然。该指令使嵌入式硬件(例如，执行单元或加载机构)能够通过可变连接在硬件中创建电路的成员，以在操作时执行特定操作的部分。因此，当设备操作时，计算机可读介质通信地耦合到电路的其他组件。在例子中，任何物理组件都可以用于多于一个电路的多个成员中。例如，在操作中，执行单元可以在一个时间点用在第一电路的第一电路中，并且由第一电路中的第二电路重用，或者在不同时间由第二电路中的第三电路重用。

机器(例如，计算机系统)900可以包括硬件处理器902(例如，中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核心或其任何组合)、主存储器904和静态存储器906，其中的一些或全部可以经由互连链路(例如，总线)908彼此通信。机器900还可以包括显示单元910、字母数字输入设备912(例如，键盘)和用户界面(UI)导航设备914(例如，鼠标)。在例子中，显示单元910、输入设备912和UI导航设备914可以是触摸屏显示器。机器900可以另外包括存储设备(例如，驱动单元)916、信号生成设备918(例如，扬声器)、网络接口设备920、以及一个或多个传感器921，诸如全球定位系统(GPS)传感器、指南针、加速度计或其他传感器。机器900可以包括输出控制器928，诸如串行(例如，通用串行总线(USB)、并行或其他有线或无线(例如，红外(IR)、近场通信(NFC)等)连接以通信或控制一个或多个外围设备(例如，打印机、读卡器等)。

存储设备916可以包括机器可读介质922，其上存储有一组或多组数据结构或指令924(例如，软件)，其体现或由本文描述的任何一个或多个技术或功能使用。指令924还可以完全或至少部分地驻留在主存储器904内、静态存储器906内、或者在由机器900执行期间在硬件处理器902内。在例子中，硬件处理器图902、主存储器904、静态存储器906或存储设备916中的一个或任何组合可以构成机器可读介质。

虽然机器可读介质922被示为单个介质，但是术语“机器可读介质”可以包括被配置为存储一个或多个指令924的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。

术语“机器可读介质”可以包括能够存储、编码或携带用于由机器900执行的指令并且使机器900执行本公开的任何一种或多种技术的任何介质，或者能够存储、编码或携带由这些指令使用或与之相关的数据结构。非限制性机器可读介质示例可以包括固态存储器以及光学和磁性介质。在例子中，集合机器可读介质包括机器可读介质，其具有多个具有不变(例如，静止)质量的粒子。因此，集合的机器可读介质不是暂时传播信号。集合机器可读介质的具体示例可以包括：非易失性存储器、诸如半导体存储器设备(例如，电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪存设备、磁盘如内部硬盘和可移动磁盘、磁光盘和CD-ROM和DVD-ROM磁盘。

指令924还可以通过网络接口设备920使用传输介质在通信网络926上利用多种传输协议中的任何一种(例如，帧中继、网际协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)来发送或接收。示例通信网络可以包括局域网(LAN)、广域网(WAN)、分组数据网络(例如，因特网)、移动电话网络(例如，蜂窝网络)、普通老式电话(POTS)网络、和无线数据网络(例如，称为的电气和电子工程师协会(IEEE)802.11标准系列、称为的IEEE 802.16标准系列)、IEEE 802.15.4标准系列、对等网络对等(P2P)网络等。在例子中，网络接口设备920可以包括一个或多个物理插孔(例如，以太网、同轴或电话插孔)或一个或多个天线以连接到通信网络926。在例子中，网络接口设备920可以包括多个天线以使用单输入多输出(SIMO)、多输入多输出(MIMO)或多输入单输出(MISO)技术中的至少一个进行无线通信。术语“传输介质”应被视为包括能够存储、编码或携带由机器900执行的指令的任何无形介质，并且包括数字或模拟通信信号或其他无形介质以促进这种软件的通信。

另外注释和例子

例子1是装置，包括：用于从相机接收彩色图像的相机接口，所述图像包括停车位；HSV特征提取器，在色调饱和度值(HSV)编码图像中对车辆特征执行级联搜索并返回搜索结果；分类器，在图像中执行宏车辆特征的搜索并返回发现的宏车辆特征的指示；和控制器：在彩色图像的HSV转换版本上调用HSV特征提取器以产生搜索结果；当搜索结果为第一类型时调用彩色图像上的分类器以产生指示；和当搜索结果为第二类型并且基于该指示时，基于搜索结果输出占用指示符。

在例子2中，例子1的主旨任选地包括：用于将彩色图像分割成一组扫描窗口的滤波器，其中控制器用于在该组扫描窗口中的窗口上调用HSV特征提取器或分类器。

在例子3中，例子1–2中任一项或多项所述的主旨任选地包括：其中执行级联搜索，HSV特征提取器搜索一组初始车辆特征，并在未发现初始车辆特征的阈值数时继续搜索后续车辆特征。

在例子4中，例子3的主旨任选地包括：其中在HSV编码图像的色调空间中执行对初始车辆特征组的搜索，色调空间被定义为具有超过阈值的值和饱和度水平的像素，阈值随着值的增加而增加。

在例子5中，例子4的主旨任选地包括：其中HSV特征提取器通过色调分区色调空间。

在例子6中，例子5的主旨任选地包括：其中尾灯是初始车辆特征，所述尾灯由红色调区段识别。

在例子7中，例子6的主旨任选地包括：其中HSV特征提取器在红色调区段和第二红色调区段之间进行对称测量以确认识别的尾灯。

在例子8中，例子5–7中任一项或多项所述的主旨任选地包括：其中对比车辆颜色是初始车辆特征，对比车辆颜色超过不同于停车位的表面颜色的阈值。

在例子9中，例子4–8中任一项或多项所述的主旨任选地包括：其中搜索初始车辆特征在HSV编码图像的值空间中执行，所述值空间是所述色调空间的补充。

在例子10中，例子9的主旨任选地包括：其中车牌是由符合车牌形状模型的值空间区段识别的初始车辆特征。

在例子11中，例子3–10中任一项或多项所述的主旨任选地包括：其中发现的初始车辆特征基于搜索参数被分配置信度分数。

在例子12中，例子3–11中任一项或多项所述的主旨任选地包括：其中产生焦点窗口用于发现的初始车辆特征，焦点窗口包括在搜索结果中。

在例子13中，例子12的主旨任选地包括：其中调用分类器，控制器将焦点窗口提供给分类器，该分类器限制搜索对应于在焦点窗口内发现的初始车辆特征的宏观车辆特征。

在例子14中，例子3–13中任一项或多项所述的主旨任选地包括：其中初始车辆特征的阈值是两个。

在例子15中，例子3–14中任一项或多项所述的主旨任选地包括：其中搜索后续车辆特征，HSV特征提取器用于：执行聚类HSV空间以产生多个blob；计数多个blob；和指示当blob超过阈值时发现的后续车辆特征。

在例子16中，例子15的主旨任选地包括：其中执行聚类HSV空间，HSV特征提取器用于：执行K-means聚类以产生区段；和使用每个区段的色调、饱和度、值、x位置和y位置作为参数来应用平均移位。

在例子17中，例子3–16中任一项或多项所述的主旨任选地包括：其中当HSV特征提取器搜索后续车辆特征时，搜索结果属于第一类型，否则搜索结果属于第二类型。

在例子18中，例子1–17中任一项或多项所述的主旨任选地包括：其中宏车辆特征包括保险杠或车身中的至少一种。

例子19是至少一种机器可读介质，包括当由机器执行时使机器执行包括以下操作的操作的指令：从相机接收彩色图像，该图像包括停车位；在所述彩色图像的色调饱和度值(HSV)转换版本中执行级联搜索车辆特征以产生搜索结果；在搜索结果为第一类型时，在彩色图像中搜索宏车辆特征以产生发现的宏车辆特征的指示；以及当搜索结果为第二类型并且基于该指示时，基于搜索结果输出占用指示符。

在例子20中，例子19的主旨任选地包括：将彩色图像分割成一组扫描窗口，其中用于车辆特征的级联搜索或搜索宏车辆特征仅限于扫描窗口组中的窗口。

在例子21中，例子19–20中任一项或多项所述的主旨任选地包括：其中执行级联搜索包括搜索一组初始车辆特征并在未发现初始车辆特征的阈值数量时继续搜索后续车辆特征。

在例子22中，例子21的主旨任选地包括：其中在HSV编码图像的色调空间中执行搜索初始车辆特征的组，所述色调空间被定义为具有超过阈值的值和饱和度水平的像素，所述阈值随着值的增加而增加。

在例子23中，例子22的主旨任选地包括：通过色调分区色调空间。

在例子24中，例子23的主旨任选地包括：其中尾灯是初始车辆特征，所述尾灯由红色调区段识别。

在例子25中，例子24的主旨任选地包括：测量红色调区段与第二红色调区段之间的对称性以确认识别的尾灯。

在例子26中，例子23–25中任一项或多项所述的主旨任选地包括：其中对比车辆颜色是初始车辆特征，对比车辆颜色超过不同于停车位的表面颜色的阈值。

在例子27中，例子22–26中任一项或多项所述的主旨任选地包括：其中在HSV编码图像的值空间中执行搜索初始车辆特征，所述值空间是所述色调空间的补充。

在例子28中，例子27的主旨任选地包括：其中车牌是由符合车牌形状模型的值空间区段识别的初始车辆特征。

在例子29中，例子21–28中任一项或多项所述的主旨任选地包括：其中发现的初始车辆特征基于搜索参数被分配置信度分数。

在例子30中，例子21–29中任一项或多项所述的主旨任选地包括：产生焦点窗口用于发现的初始车辆特征，所述焦点窗口是包含发现的初始车辆特征并且小于彩色图像的几何形状，所述焦点窗口包括在搜索结果中。

在例子31中，例子30的主旨任选地包括：其中执行宏车辆特征的搜索包括限制搜索对应于在焦点窗口内发现的初始车辆特征的宏观车辆特征。

在例子32中，例子21–31中任一项或多项所述的主旨任选地包括：其中初始车辆特征的阈值是两个。

在例子33中，例子21–32中任一项或多项所述的主旨任选地包括：其中搜索后续车辆特征包括：聚类HSV空间以产生多个blob；计数所述blob；和指示当所述blob超过阈值时发现后续车辆特征。

在例子34中，例子33的主旨任选地包括：其中聚类HSV空间包括：执行K-means聚类以产生区段；和使用每个区段的色调、饱和度、值、x位置和y位置作为参数来应用平均移位。

在例子35中，例子21–34中任一项或多项所述的主旨任选地包括：其中当搜索后续车辆特征时搜索结果为第一类型，否则搜索结果为第二类型。

在例子36中，例子19–35中任一项或多项所述的主旨任选地包括：其中宏车辆特征包括保险杠或车身中的至少一种。

例子37是方法，包括：从相机接收彩色图像，该图像包括停车位；在所述彩色图像的色调饱和度值(HSV)转换版本中执行级联搜索车辆特征以产生搜索结果；在搜索结果为第一类型时，在彩色图像中搜索宏车辆特征以产生发现的宏车辆特征的指示；以及当搜索结果为第二类型并且基于该指示时，基于搜索结果输出占用指示符。

在例子38中，例子37的主旨任选地包括：将彩色图像分割成一组扫描窗口，其中用于车辆特征的级联搜索或搜索宏车辆特征仅限于扫描窗口组中的窗口。

在例子39中，例子37–38中任一项或多项所述的主旨任选地包括：其中执行级联搜索包括搜索一组初始车辆特征并在未发现初始车辆特征的阈值数量时继续搜索后续车辆特征。

在例子40中，例子39的主旨任选地包括：其中在HSV编码图像的色调空间中执行搜索初始车辆特征的组，所述色调空间被定义为具有超过阈值的值和饱和度水平的像素，所述阈值随着值的增加而增加。

在例子41中，例子40的主旨任选地包括：通过色调分区色调空间。

在例子42中，例子41的主旨任选地包括：其中尾灯是初始车辆特征，所述尾灯由红色调区段识别。

在例子43中，例子42的主旨任选地包括：测量红色调区段与第二红色调区段之间的对称性以确认识别的尾灯。

在例子44中，例子41–43中任一项或多项所述的主旨任选地包括：其中对比车辆颜色是初始车辆特征，对比车辆颜色超过不同于停车位的表面颜色的阈值。

在例子45中，例子40–44中任一项或多项所述的主旨任选地包括：其中在HSV编码图像的值空间中执行搜索初始车辆特征，所述值空间是所述色调空间的补充。

在例子46中，例子45的主旨任选地包括：其中车牌是由符合车牌形状模型的值空间区段识别的初始车辆特征。

在例子47中，例子39–46中任一项或多项所述的主旨任选地包括：其中发现的初始车辆特征基于搜索参数被分配置信度分数。

在例子48中，例子39–47中任一项或多项所述的主旨任选地包括：产生焦点窗口用于发现的初始车辆特征，所述焦点窗口是包含发现的初始车辆特征并且小于彩色图像的几何形状，所述焦点窗口包括在搜索结果中。

在例子49中，例子48的主旨任选地包括：其中执行宏车辆特征的搜索包括限制搜索对应于在焦点窗口内发现的初始车辆特征的宏观车辆特征。

在例子50中，例子39–49中任一项或多项所述的主旨任选地包括：其中初始车辆特征的阈值是两个。

在例子51中，例子39–50中任一项或多项所述的主旨任选地包括：其中搜索后续车辆特征包括：聚类HSV空间以产生多个blob；计数所述blob；和指示当所述blob超过阈值时发现后续车辆特征。

在例子52中，例子51的主旨任选地包括：其中聚类HSV空间包括：执行K-means聚类以产生区段；和使用每个区段的色调、饱和度、值、x位置和y位置作为参数来应用平均移位。

在例子53中，例子39–52中任一项或多项所述的主旨任选地包括：其中当搜索后续车辆特征时搜索结果为第一类型，否则搜索结果为第二类型。

在例子54中，例子37–53中任一项或多项所述的主旨任选地包括：其中宏车辆特征包括保险杠或车身中的至少一种。

例子55是系统，包括用于执行例子37–54中任一项所述的方法的构件。

例子56是至少一种机器可读介质，包括当由机器执行时使机器执行例子37–54中任一项所述的方法的指令。

以上详细描述包括对附图的参考，附图形成详细描述的一部分。附图通过图示的方式示出了可以实践的具体实施例。这些实施例在本文中也称为“示例”。这样的示例可以包括除了示出或描述的那些之外的元件。然而，本发明人还考虑了例子，其中仅提供了所示或所述的那些元件。此外，本发明人还使用所示或所述的那些元件(或其一个或多个方面)的任何组合或置换来考虑例子，关于特定例子(或其一个或多个方面)或者相对于本文所示或所述的其他例子(或其一个或多个方面)。

本文件中提及的所有出版物、专利和专利文献均通过引用整体并入本文，如同通过引用单独并入一样。如果本文件与通过引用并入的那些文件之间的使用不一致，则所引用的参考文献中的用法应被视为对本文件的使用的补充，对于不可调和的不一致性，以本文档中的用法控制。

在该文献中，术语“一”或“一个”在专利文献中是常见的，包括一个或多于一个、独立于“至少一个”或“一个或多个”的任何其他实例或用法。在本文件中，术语“或”用于表示非排他性的，例如“A或B”包括“A但不是B”、“B但不是A”、“A和B”，除非另有说明表示。在所附权利要求中，术语“包括”和“在其中”用作相应术语“包括”和“其中”的等同词。此外，在以下权利要求中，术语“包括”和“包含”是开放式的，也就是说，除了在权利要求中的该术语之后列出的元件之外的元件的系统、装置、物品或过程仍被认为属于该权利要求的范围内。此外，在以下权利要求中，术语“第一”、“第二”和“第三”等仅用作标记，并不旨在对其对象施加数字要求。

以上描述旨在是说明性的而非限制性的。例如，上述例子(或其一个或多个方面)可以彼此组合使用。在阅读以上描述之后，例如本领域普通技术人员可以使用其他实施例。摘要是为了使读者能够快速确定技术公开的本质，并且在不理解其将不用于解释或限制权利要求的范围或含义的情况下提交。而且，在以上详细描述中，各种特征可以组合在一起以简化本公开。这不应被解释为意图无人认领的公开特征对于任何权利要求是必不可少的。相反，发明主题可能在于少于特定公开实施例的所有特征。因此，以下权利要求在此并入具体实施方式中，每个权利要求自身作为单独的实施例。应该参考所附权利要求以及这些权利要求所赋予的等同物的全部范围来确定实施例的范围。