一种基于灰度共生矩阵的车位状态检测方法与流程

【技术领域】

本发明属于数字图像处理领域，具体涉及一种基于灰度共生矩阵的车位状态检测方法。

背景技术：

随着人们生活水平的提高和对汽车消费能力的提升，汽车走进更多的家庭。相应的，人们对停车位的需求越来越高，停车位资源的供需矛盾愈加剧烈。并且伴随着自动驾驶技术如火如荼的发展着，停车位监测和泊车诱导技术也慢慢显示出其必要性。如何做到停车位的实时监测，对车位的使用情况进行实时并准确的监测，对车辆进行诱导、调配成为重要的话题。

近年来，对于私有的封闭式停车场的管理依靠的是智能闸机，该类型的停车场由于场地封闭并且出入口数量较少，因此依靠智能闸机可以对场馆内的停车位做一定程度的统计、管理。但是大多数的停车场对于车位的管理也只是计算车位余量的信息，能够做到定位闲置车位、对入场停车的车辆进行引导的停车场少之又少。而对于开放性的停车位，情况就更加恶劣，找不到车位、乱停车的现象时有屡见不鲜。

如何利用物联网技术将监测车位实时状态的设备通过服务器与终端设备等形成实时车位监控网络，满足人们实时查询空置车位或者附近的车位状态，对车辆进行车位的分配、对泊车进行诱导、导航具有非常大的现实意义。

利用停车场入口的统计车流，只能够知道当前车位的余量，并不能实时统计出空车位的情况。在停车位范围内安装传感器则对附近的环境有着比较高的要求，并且十分容易受到干扰。因此，有必要设计一种能够适应多种环境并且抗干扰能力强的车位状态检测方法。

技术实现要素：

基于现有技术的缺陷，本发明提供了一种基于灰度共生矩阵的车位状态检测方法，通过在停车上的适当地方架设监控摄像头，并通过图像处理技术分析图像上的车位，来监测停车场车位的实时状态。

为了达到上述目的，本发明采用如下技术方案：

一种基于灰度共生矩阵的车位状态检测方法，包括以下步骤：

so1：通过设置于停车位的监控摄像头获取所述停车位的视频流的图像，选取其中若干帧作为样本图像，其他作为待检测图像，获取每一帧所述样本图像的视野中停车位的有效区域，所述有效区域为视野中停车位的边界四边形中最大的内接矩形，所述有效区域具有有车状态和无车状态，所述有车状态为样本a，所述无车状态为样本b；

so2：将所述样本图像通过平均法转换成单通道灰度图像，并对所述灰度图像的灰度做归一化转换，使所述灰度图像的灰度级压缩在16以内，从归一化之后的所述灰度图像中提取出所述有效区域的灰度矩阵，通过有效区域的灰度矩阵计算有效区域的灰度矩阵的灰度共生矩阵，并通过所述灰度共生矩阵计算第一特征量f，所述第一特征量f包括：角二阶矩fasm、熵fent、逆差分矩fidm、对比度fcon，得到每种第一特征量f的有车状态特征集合m和无车状态特征集合n；

so3：根据每种所述特征集合m和所述特征集合n分别计算相应种类第一特征量f的样本中心ofull、oempty，并计算每种第一特征量的有效范围rfull、rempty；

so4：对每种第一特征量f的ofull、oempty，根据有效范围和样本中心之间的比例关系，分别计算出其“有车”状态和“无车”状态的分界点flag；

so5：，依照步骤so2计算所述待检测图像的第二特征量f’，包括角二阶炬f’asm、熵f’ent、逆差分炬f’idm、对比度f’con，对每种第二特征量f’依照步骤so3、步骤so4计算出相应种类第二特征量f’的ofull、oempty以及分界点flag，并进行“有车”状态的概率评估，计算出待检测图像的角二阶炬概率pasm、熵概率pent、逆差分炬概率pidm、对比度概率pcon，四种概率均表示根据第二特征量f’评估的停车位有车的概率；

so6：对每种第二特征量评估的“有车”状态的概率进行权重的分配，并计算出各概率的加权和作为该帧图像下有效区域的“有车”状态的总概率p，当p大于临界值的时候，该车位处于“有车状态”，所述临界值大于等于0.8，如果超过连续三秒读取出的待检测图像中的有效区域均为“有车”状态，则认为该车位被占用。

进一步的，所述步骤so2中包括如下子步骤：

①对所述样本图像的rgb三通道利用平均法转换成单通道灰度图像，并将转换后的单通道灰度图像单独保存到一个二维数组之中，数组的大小与转换后的单通道灰度图像的分辨率保持一致，再对二维数组中的每个元素进行归一化处理，归一化的方式为：

b(i,j)＝int((double)(a(i,j)–minsublevel)/(double)(maxsublevel–minsublevel)*16)；

其中，a(i,j)为二维数组中的元素，b(i,j)为待求的元素，minsublevel为元素的最小值，maxsublevel为元素的最大值；

②找到转换后的单通道灰度图像中有效区域的像素坐标起点以及其宽、高，从步骤①中的二维数组中将对应范围的元素储存到一个新的数组中，新的数组即为有效区域的灰度矩阵；

③从有效区域的灰度矩阵中找到灰度的最大值maxgraylevel和最小值mingraylevel；

④遍历有效区域的灰度矩阵，对每个灰度值src进行归一化处理并重新保存到有效区域的灰度矩阵中，归一化的方式为：

b’(i,j)＝int((double)(a’(i,j)–mingraylevel)/(double)(maxgraylevel–mingraylevel)*16)，

其中，a’(i,j)为有效区域的灰度矩阵中的灰度值，b’(i,j)为待求的灰度值；

⑤创建16*16的新矩阵，各元素初值为0，遍历有效区域的灰度矩阵，选取像素对b(i,j)和b(i,j+1)，其中，像素b(i,j)的值为m，像素b(i,j+1)的值为n，令c(m,n)+1，在有效区域的灰度矩阵完成遍历之后，所得到的新的矩阵为所述灰度共生矩阵；⑥分别计算角二阶矩fasm、熵fent、逆差分矩fidm、对比度fcon：

fasm＝sum(c(i,j)^2)；fent＝sum(c(i,j)*(-logc(i,j)))；

fidm＝sum(c(i,j)/(1+(i-j)^2))；fcon＝sum((i-j)^2*c(i,j))。

进一步的，所述步骤so3包括如下子步骤：

①从特征集合m中得到样本a的每帧图像有效区域的特征量fn，其中，n＝1,2,3…n，n为样本a的总数；

②去除样本a中一个最大值和一个最小值，并计算新的样本a中有效区域的特征量的平均值作为样本中心ofull：

其中，n’为去除最大、最小值之后的样本数；

③计算样本a中各特征量分别与ofull的距离，并找出其中的最大值，该最大值即为有车状态的各特征量的有效范围rfull；

④依照步骤①～③，计算出样本b的样本中心oempty和有效范围rempty。

进一步的，所述步骤so4中，分界点flag由如下公式计算：

进一步的，计算出所述第二特征量f’的有车状态概率为：

其中oempty为“无车”状态的数据中心，flag为状态分界点。

进一步的，所述步骤so6包括如下子步骤：

①计算每种特征量的可靠性评估量q，所述可靠性评估量q为某一特征量对有效区域的“有车”状态和“无车”状态的区分程度，“有车”状态和“无车”状态的区分程度越高，其所述可靠性评估量q值越大，所述可靠性评估量q的计算公式为：

将四种特征量的ofull、oempty、rfull、rempty分别带入上式，得出各特征量的可靠性评估量qasm、qent、qdim、qcon。

②根据可靠性评估量q计算出每种特征量的概率权重w：

③计算出各概率的加权和p：

p＝pasm*wasm+pent*went+pidm*widm+pcon*wcon

采用上述技术方案后，本发明具有如下优点：

设备上仅需依赖摄像头，并且同一个摄像头可以用于多个停车位的监测，根据现场状况可能达到4-8个车位仅需依靠一个摄像头的效果。

使用者能够根据自己的需求架设采集图像的摄像头，根据不同的场地等多种需求相应地架设摄像头，并且不会占用车位的区域，损坏的可能性低，相比于传统的传感器监测方式能够有效的降低成本。

架设用于采集图像的摄像头可以搭载其他功能，比如提供安防监控、加入车牌识别功能等。能够做到一机多用。

本发明的这些特点和优点将会在下面的具体实施方式以及附图中进行详细的揭露。本发明最佳的实施方式或手段将结合附图来详尽表现，但并非是对本发明技术方案的限制。另外，在每个下文和附图中出现的这些特征、要素和组件是具有多个，并且为了表示方便而标记了不同的符号或数字，但均表示相同或相似构造或功能的部件。

【附图说明】

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，而并非对本申请的限定。

图1是基于灰度共生矩阵的车位状态检测方法流程图；

图2是摄像头视野中的车位整体图；

图3是单个车位的细节图。

【具体实施方式】

下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。

此外，还应当理解的是，除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。并且，除非上下文另外明确指出，否则单数形式也意图包括复数形式当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一：

如图1和图2所示，本实施例提供一种基于灰度共生矩阵的车位状态检测方法，包括以下步骤：

so1：通过架设于车位附件用于采集车位视频素材的摄像头，获取停车位的视频流的图像，选取其中若干帧作为样本图像，其他作为待检测图像，获取每一帧样本图像的视野中停车位的有效区域，有效区域为视野中停车位的边界四边形中最大的内接矩形，如图3所示，有效区域具有有车状态和无车状态，有车状态为样本a，无车状态为样本b；

so2：将样本图像通过平均法转换成单通道灰度图像，并对灰度图像的灰度做归一化转换，使灰度图像的灰度级压缩在16以内，从归一化之后的灰度图像中提取出有效区域的灰度矩阵，通过有效区域的灰度矩阵计算有效区域的灰度矩阵的灰度共生矩阵，并通过灰度共生矩阵计算第一特征量f，第一特征量f包括：角二阶矩fasm、熵fent、逆差分矩fidm、对比度fcon，得到每种第一特征量f的有车状态特征集合m和无车状态特征集合n。

步骤包括如下子步骤：

①对所述样本图像的rgb三通道利用平均法转换成单通道灰度图像，并将转换后的单通道灰度图像单独保存到一个二维数组之中，数组的大小与转换后的单通道灰度图像的分辨率保持一致，再对二维数组中的每个元素进行归一化处理，归一化的方式为：

b(i,j)＝int((double)(a(i,j)–minsublevel)/(double)(maxsublevel–minsublevel)*16)；

其中，a(i,j)为二维数组中的元素，b(i,j)为待求的元素，minsublevel为元素的最小值，maxsublevel为元素的最大值；

②找到转换后的单通道灰度图像中有效区域的像素坐标起点以及其宽、高，从步骤①中的二维数组中将对应范围的元素储存到一个新的数组中，新的数组即为有效区域的灰度矩阵；

③从有效区域的灰度矩阵中找到灰度的最大值maxgraylevel和最小值mingraylevel；

④遍历有效区域的灰度矩阵，对每个灰度值src进行归一化处理并重新保存到有效区域的灰度矩阵中，归一化的方式为：

b’(i,j)＝int((double)(a’(i,j)–mingraylevel)/(double)(maxgraylevel–mingraylevel)*16)，

其中，a’(i,j)为有效区域的灰度矩阵中的灰度值，b’(i,j)为待求的灰度值；

⑤创建16*16的新矩阵，各元素初值为0，遍历有效区域的灰度矩阵，选取像素对b(i,j)和b(i,j+1)，其中，像素b(i,j)的值为m，像素b(i,j+1)的值为n，令c(m,n)+1，在有效区域的灰度矩阵完成遍历之后，所得到的新的矩阵为所述灰度共生矩阵；

⑥分别计算角二阶矩fasm、熵fent、逆差分矩fidm、对比度fcon：

fasm＝sum(c(i,j)^2)；fent＝sum(c(i,j)*(-logc(i,j)))；

fidm＝sum(c(i,j)/(1+(i-j)^2))；fcon＝sum((i-j)^2*c(i,j))；

so3：根据每种所述特征集合m和所述特征集合n分别计算相应种类第一特征量f的样本中心ofull、oempty，并计算每种第一特征量的有效范围rfull、rempty；

步骤so3包括如下子步骤：

①从特征集合m中得到样本a的每帧图像有效区域的特征量fn，其中，n＝1,2,3…n，n为样本a的总数；

②去除样本a中一个最大值和一个最小值，并计算新的样本a中有效区域的特征量的平均值作为样本中心ofull：

其中，n’为去除最大、最小值之后的样本数；

③计算样本a中各特征量分别与ofull的距离，并找出其中的最大值，该最大值即为有车状态的各特征量的有效范围rfull；

④依照步骤①～③，计算出样本b的样本中心oempty和有效范围rempty；

so4：对每个ofull、oempty，根据有效范围和样本中心之间的比例关系，分别找出其“有车”状态和“无车”状态的分界点flag，其中，分界点flag由如下公式计算：

so5：依照步骤so2计算所述待检测图像的第二特征量f’，包括角二阶炬f’asm、熵f’ent、逆差分炬f’idm、对比度f’con，对每种第二特征量f’依照步骤so3、步骤so4计算出相应种类第二特征量f’的ofull、oempty以及分界点flag，并进行“有车”状态的概率评估，计算出待检测图像的角二阶炬概率pasm、熵概率pent、逆差分炬概率pidm、对比度概率pcon，四种概率均表示根据第二特征量f’评估的停车位有车的概率：

其中oempty为“无车”状态的数据中心，flag为状态分界点。

so6：对每种第二特征量评估的“有车”状态的概率进行权重的分配，并计算出各概率的加权和作为该帧图像下有效区域的“有车”状态的总概率p，当p大于临界值的时候，该车位处于“有车状态”，所述临界值大于等于0.8，如果超过连续三秒读取出的待检测图像中的有效区域均为“有车”状态，则认为该车位被占用；

步骤so6包括如下子步骤：

①计算每种特征量的可靠性评估量q，所述可靠性评估量q为某一特征量对有效区域的“有车”状态和“无车”状态的区分程度，“有车”状态和“无车”状态的区分程度越高，其所述可靠性评估量q值越大，所述可靠性评估量q的计算公式为：

将四种特征量的ofull、oempty、rfull、rempty分别带入上式，得出各特征量的可靠性评估量qasm、qent、qdim、qcon。

②根据可靠性评估量q计算出每种特征量的概率权重w：

③计算出各概率的加权和p：

p＝pasm*wasm+pent*went+pidm*widm+pcon*wcon。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。