一种车位状态检测方法及装置的制造方法
【技术领域】
[0001] 本申请设及视频监控技术领域，尤其设及一种车位状态检测方法及装置。
【背景技术】
[0002] 自动车位状态检测技术得到越来越广泛的应用，该技术可帮助用户快速停车、反 向寻车，同时，有利于停车场的集中管理。
[0003]目前常用的车位状态检测方法主要分为两种：一种是基于硬件的车位状态检测方 法，智能化程度低、且安装和维护成本高，可拓展性差。另一种是基于图像的车位状态检测 技术，通过提取车位图像的颜色模型特征、边缘特征等进行图像分析，从而判断车位是否被 占用，但是，该方法提取的特征过于简单，抗干扰能力差。
【发明内容】
[0004] 有鉴于此，本申请提供一种车位状态检测方法及装置。 阳0化]具体地，本申请是通过如下技术方案实现的：
[0006] 本申请提供一种车位状态检测方法，该方法包括：
[0007] 基于可形变部件模型训练车辆分类器；
[0008] 通过所述车辆分类器对若干正样本的检测计算所述车辆分类器中各部件模型的 检出错误率；
[0009] 根据计算得到的检出错误率为所述车辆分类器中各部件模型分配不同的权重值， 得到带权重的车辆分类器；
[0010] 在利用所述带权重的车辆分类器对待检测图像进行检测时，根据检测结果调整所 述待检测图像中各部件模型的最终得分和最终位置，根据各部件模型的最终得分、最终位 置W及权重值确定所述待检测图像中的车辆位置，进而确定车位状态。
[0011] 本申请提供一种车位状态检测装置，该装置包括：
[0012] 训练单元，用于基于可形变部件模型训练车辆分类器；
[0013] 计算单元，用于通过所述车辆分类器对若干正样本的检测计算所述车辆分类器中 各部件模型的检出错误率；
[0014] 分配单元，用于根据计算得到的检出错误率为所述车辆分类器中各部件模型分配 不同的权重值，得到带权重的车辆分类器；
[0015] 调整单元，用于在利用所述带权重的车辆分类器对待检测图像进行检测时，根据 检测结果调整所述待检测图像中各部件模型的最终得分和最终位置，根据各部件模型的最 终得分、最终位置W及权重值确定所述待检测图像中的车辆位置，进而确定车位状态。
[0016]由W上描述可W看出，本申请基于可形变部件模型训练带权重的车辆分类器，并 利用该带权重的车辆分类器进行车辆检测，W提高车辆检出率，同时，对检测结果进行修 正，W提升车位状态检测的准确度。
【附图说明】
[0017] 图1是本申请一示例性实施例示出的一种车位状态检测方法流程图；
[0018] 图2是本申请一示例性实施例示出的一种车位状态检测装置所在设备的基础硬 件结构示意图；
[0019] 图3是本申请一示例性实施例示出的一种车位状态检测装置的结构示意图。
【具体实施方式】
[0020] 运里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述设及 附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。W下示例性实施例 中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附 权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0021] 在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。 在本申请和所附权利要求书中所使用的单数形式的"一种"、"所述"和"该"也旨在包括多 数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语"和/或"是指 并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0022] 应当理解，尽管在本申请可能采用术语第一、第二、第S等来描述各种信息，但运 些信息不应限于运些术语。运些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离 本申请范围的情况下，第一信息也可W被称为第二信息，类似地，第二信息也可W被称为第 一信息。取决于语境，如在此所使用的词语"如果"可W被解释成为"在……时"或"当…… 时"或"响应于确定"。
[0023] 自动车位状态检测技术得到越来越广泛的应用，该技术可帮助用户快速停车、反 向寻车，同时，有利于停车场的集中管理。
[0024] 目前常用的车位状态检测方法主要分为两种：一、基于硬件的车位状态检测方法， 该方法通常利用地磁感应器、红外探测器、超声波探测器等硬件设备对车位进行探测，该方 法智能化程度低、且安装和维护成本高，可拓展性差。二、基于图像的车位状态检测技术，主 要是对车位的浅度特征进行模式分类，例如，通过提取车位图像的颜色模型特征、边缘特征 等对图像进行分析来判断车位是否被占用。该方法提取的特征过于简单，抗干扰能力差，导 致车位状态判断不准确。
[0025] 针对上述问题，本申请实施例提出一种车位状态检测方法，该方法基于可形变部 件模型训练带权重的车辆分类器，并利用该带权重的车辆分类器进行车辆检测，W提高车 辆检出率，同时，对检测结果进行修正，W提升车位状态检测的准确度。 阳0%] 参见图1，为本申请车位状态检测方法的一个实施例流程图，该实施例对车位状态 检测过程进行描述。
[0027] 步骤101，基于可形变部件模型训练车辆分类器。
[0028] 车位状态分为满位（有车）或空闲（无车），对车位状态的检测主要是基于对车辆 的识别，当在停车场车位内识别出车辆时，确认车位满位；未识别出车辆时，确认车位空闲。 W29] 在进行车辆识别之前，首先需要训练车辆分类器。本申请实施例利用 DPM值eform油lePartsModel,可形变部件模型）训练车辆分类器。DPM算法具有训练样本 较少而训练效果较优的特点。具体训练过程如下：
[0030] 收集若干样本。本步骤中收集的样本包括正样本和负样本，例如，选取200张正样 本和500张负样本，其中，正样本为包含车辆的图片，负样本为不包含车辆且非停车场环境 的图片。本申请实施例选择非停车场环境的图片作为负样本主要是为了提高车辆的检出 率，降低漏检率。
[0031] 在完成样本收集后，将每一个样本划分为若干细胞单元。例如，可将8*8个像素点 划分为一个细胞单元。
[0032] 对样本中的每一个细胞单元执行降维处理。具体为，将当前细胞单元与其周围N 个细胞单元所组成的区域进行归一化处理；对每一个细胞单元进行无符号梯度方向值划 分，W得到每一个细胞单元的M维特征；将N个细胞单元的特征组成N*M的特征矩阵；求取 特征矩阵中每一行、每一列的特征和，W得到当前细胞单元的N+M维特征。
[0033] 举例说明，假设对当前细胞单元与其周围4个细胞单元所组成的区域进行归一化 处理，然后，对每一个细胞单元进行梯度方向值划分。现有技术通常采用有符号（0-360° ) 和无符号（0-180° )相结合的梯度方向值划分方法，W每隔20°划分一个维度特征为例， 有符号的梯度方向值可划分为18维特征；无符号的梯度方向值可划分为9维特征。如果将 有符号和无符号的梯度方向值结合使用，则每一个细胞单元的特征维度为4*(18+9) = 108 维，特征数量太多，会导致性能消耗过大。本申请实施例基于提升性能的考虑只选取无符号 梯度方向进行划分，即只划分9维特征，W降低性能消耗。本申请实施例未采用传统的特征 维度计算方法（4*9 = 36维），而是将4个细胞单元的所有维度看成4*9的特征矩阵，对每 一行、每一列的特征求和，得到13维特征作为当前细胞单元的特征。
[0034] 通过对每一个细胞单元的降维处理完成对样本的特征提取。对完成特征提取的每 一个样本进行训练，生成车辆分类器。例如，采用多示例学习方法（MI-SVM)对提取的样本 特征进行训练，得到车辆分类器。
[0035] 步骤102,通过所述车辆分类器对若干正样本的检测计算所述车辆分类器中各部 件模型的检出错误率。
[0036] 本步骤利用步骤101训练的车辆分类器对收集的正样本进行车辆检测，得到每一 个正样本的综合得分。综合得分计算公式如下：
[0037]
公式 (1)
[00測其中