1.一种基于灰度共生矩阵的车位状态检测方法,其特征在于,该方法包括以下步骤:
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矩概率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。
2.如权利要求1所述的方法,其特征在于,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))。
3.如权利要求1所述的方法,其特征在于,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:
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。
4.如权利要求1所述的方法,其特征在于,所述步骤so4中,分界点flag由如下公式计算:
5.如权利要求1所述的方法,其特征在于,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。
6.如权力要求1所述的方法,其特征在于,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。